ChatGPT 带我读 MIT AI 教育报告（二）

上一篇，我们读了 MIT 这份报告的整体判断。

它真正担心的不是学生会不会使用 AI 作弊，而是当大量认知劳动可以被外包，学习过程中原本由学生亲自经历的部分也可能随之消失。

这一次，我们继续进入报告的 Section 3。

ChatGPT 把这一章理解为 MIT 正在设计一种“AI 时代的新大学教育 operating system”。其中的第一步，是重新回答：当一份好作业已经不能证明学生真的学会了，学校应该怎样设计课程与评价？

以下继续保留 ChatGPT 原本的分析。

Section 3 我建议不要把它当成一串“建议清单”，而是看成 MIT 在设计一种 AI 时代的新大学教育 operating system。

MIT 自己把 Section 3 分成三层：

3.1 改造“怎么教、怎么学、怎么考” → 3.2 重新强调人与共同体 → 3.3 建立一套能不断更新的制度。

我带你按这个逻辑读。

3.1 Adapt educational processes for an AI-aware world

这一部分是 Section 3 最重要的部分。

它首先承认了一个现实：

AI 已经可以比较像样地完成大量 MIT 级别的课外作业。

因此以前这个等式开始失效：

学生交出了一份好作业 ↓ 学生掌握了知识

过去 p-set、essay、take-home exam、coding assignment 同时承担两个功能：

练习 learning + 证明 assessment。

AI 出现以后，这两个功能被拆开了。

你交出来的东西很好，不再必然意味着你本人会做。MIT 因此认为不能只是给原来的 assessment 加一道“防 AI 墙”，而要重新思考到底在测什么。

3.1.1 Revisit course goals

这一节其实在问一个非常狠的问题：

AI 出现以后，我们以前要求学生掌握的东西，还都需要掌握吗？

MIT 举了一个很直接的例子：

以前可能要求 CS 学生能够手写复杂程序。

现在 AI coding tools 已经可以生成大量代码。

于是要重新问：

“手写复杂代码”本身是教育目标，还是过去为了达到某个更深层目标而使用的训练手段？

如果真正的目标是：

理解算法、理解系统、发现错误、设计架构、判断 trade-off……

那么“从零手写全部代码”的地位可能发生变化。

但这里要特别小心。

MIT 并没有说：

AI 会写代码 → 不用学 coding。

它说的是：

把 learning outcome 和完成任务的方法分开。

有些旧目标仍然重要，就应该寻找新的、“AI-resilient”的办法确认学生真的掌握了；另一方面，AI 也可能让以前无法实现的学习目标成为可能，比如让学生处理更复杂的文本、大型软件系统或工程对象。

这句话其实可以推广到很多领域。

写作也是：

AI 会写文章之后，

“写一篇 2000 字 essay”

本身可能不再是最终目标。

真正目标可能是：

形成观点 → 选择证据 → 构造论证 → 判断反例 → 修改表达。

所以 AI 逼迫教育把：

task

和

learning objective

分开。

我觉得这是 3.1 最重要的思想之一。

3.1.2 Durable learning：不要把教育变成“全都闭卷考试”

接下来 MIT 注意到了一个非常容易出现的反应：

既然 homework 可以用 AI，那怎么办？

最简单：

增加闭卷考试。

但 MIT 对这个方向其实相当警惕。

因为如果最后变成：

AI 可以做 homework → homework 不可信 → 所有成绩都来自限时考试

那会产生一个很荒谬的教育体系。

现实工作越来越可以用 AI、资料、搜索、协作工具……

但大学为了证明“这是你本人做的”，反而要求：

45 分钟、没有工具、一个人、现场完成。

MIT 的问题是：

这真的在测试我们最想培养的能力吗？

它指出，高压、限时 assessment 天然限制学生深思熟虑的时间，却可能削弱那些真正需要长时间投入、创造力和反复修改的 p-set 与 project。

所以他们提出一些替代方向：

oral exam、semester portfolio、课外完成作品 + 课堂现场讨论。

背后的逻辑是：

不要只问：

“这个答案是不是你写的？”

而问：

“你能不能解释它？” “为什么这样做？” “如果我改一个条件怎么办？” “你的思路哪里失败过？”

这就很有意思了。

未来 assessment 很可能从：

product verification

转向：

understanding verification。

Productive struggle 在这里真正落地

这一节又提到了我们上一轮说的 productive struggle。

MIT 观察到学生本来就非常忙：重课业、大量 extracurriculars，于是天然会追求 efficiency。

而 AI 是目前最强的 efficiency machine。

于是非常合理的学生行为会变成：

“这东西 AI 五分钟能做完，我为什么花两个小时？”

但那两个小时可能恰恰就是学习发生的地方。

MIT 把它叫做 cognitive friction。

所以教育面临一个奇怪的问题：

如何设计环境，让一个聪明、理性、时间有限的学生，仍然愿意选择“不那么高效”的学习方式？

这是整篇报告很深的一个问题。

3.1.3 Experiential / project-based learning

接下来 MIT 的答案之一就是：

少一点“生成答案”，多一点“做真实的东西”。

尤其有趣的是，他们不是反对 AI。

恰恰相反：

AI 可以让 project 变得更大、更真实。

MIT 举了 software engineering 的例子。

以前一个 semester project，因为时间限制，只能做一个缩水版系统。

现在学生使用 AI coding tools，一个学期里可能做出接近 production-quality 的东西。

于是课程就可以把难度往上推：

以前问：

“你能不能把这个功能写出来？”

以后问：

“这个架构为什么这样设计？”

“真实用户用了以后会发生什么？”

“不同设计之间怎么 trade off？”

“系统在现实环境里哪里会失败？”

AI 把执行门槛降低以后，教育反而可以把问题提高一个抽象层级。

Architecture 也是类似：AI 可以帮助快速生成与测试设计方案，于是学生能够探索更大的 solution space；但报告同时强调，基本概念、技术能力、判断和社会推理因此反而更重要。

这其实就是：

AI 不一定让课程变简单。

好的课程设计甚至可能：

AI 越强 → 项目越难。

这里我觉得特别有意思。

MIT 不是说：

“AI 会让学生不会做题。”

它担心的是：

AI 会让学生少找人。

以前：

不会 → 找同学不会 → TA office hour 不会 → study group

现在：

不会 → ChatGPT。

AI 给你的 help 可能非常好。

但你同时失去了另一种训练：

怎么解释自己的想法、怎么听别人批评、怎么争论、怎么合作、怎么承认自己没懂、怎么判断别人有没有道理。

所以 MIT 甚至建议：

每一门课都应该有 regular structured in-person social component。

不是大家坐在 lecture hall 里听讲。

而是真正互动：

group problem solving、project check-ins、peer feedback、discussion 等。

这一点很重要。

他们认为：

AI 的教育风险，不只是 cognitive。

还是 social。

如果一个人：

学习找 AI，写东西找 AI， debug 找 AI，情绪不好也找 AI，

大学可能越来越变成：

一群人在同一个 campus 上，各自和机器交流。

所以 MIT 把 residential education 的存在理由重新拉了进来。

3.1.5 UROP：这是报告里非常值得注意的一段

MIT 的 UROP，也就是 Undergraduate Research Opportunities Program，是他们非常标志性的本科科研制度。

报告特别强调：

UROP 的目的并不是给教授提供廉价科研劳动力。

它的目的首先是教育学生。

为什么特别要讲这一点？

因为 AI agent 很可能越来越能够承担：

搜文献、写代码、清数据、初步分析、实验规划……

于是站在 PI 的纯效率视角：

“为什么我要带一个什么都不会的本科生？”

AI agent：

不会忘，不用教，速度快，也不需要 recommendation letter。

如果按照 productivity 最大化逻辑，本科生可能输得很惨。

但 MIT 说：

这恰恰不能这么算。

因为本科生进 lab 学到的不只是那项任务。

他还在学：

研究问题怎么形成，失败怎么办，别人怎么 critique， credit 怎么分，科研争议怎么处理，一个领域里的专业判断怎么形成。

更重要的是，他逐渐获得一种：

“我是这个 research community 的一员。”

的 identity。

所以报告直接警告：如果教授用 AI agent 代替 novice researcher，失去的不只是“科研机会”，还可能是学生进入科研共同体的入口。

这个观点其实很深：

教育里很多看起来“低效率”的关系，本身就是产品。

3.1.6 MIT 居然开始质疑 grades

这里是报告里我觉得最激进的部分之一。

MIT 注意到：

如果整个教育系统给学生的 incentive 是：

最大化 GPA，

那么学生使用一切合法或灰色手段提高 GPA，其实是非常理性的。

AI 只是让这种 incentive problem 变得更加明显。

所以委员会甚至做了一个 thought experiment：

如果 MIT 没有 grades，很多 AI cheating 的 incentive 会不会直接消失？

他们没有建议立即取消 GPA。

但是提出应该认真研究：

competency-based assessment、mastery-based assessment、portfolio 等。

而不是默认：

learning = number / letter grade。

这里你可以看到报告的逻辑已经从：

“ChatGPT cheating”

一路挖到了：

整个教育体系奖励什么行为？

这也是我觉得报告很好的地方。

3.1.8 AI policy 最关键的不是规则，而是 rationale

MIT 不支持所有课程统一一个 AI policy。

因为数学基础课、architecture studio、creative writing、software engineering 的需求完全不同。

但是他们要求：

每门课必须清楚说明 AI 可以怎么用。

而且最关键的是：

要解释 why。

比如不要只说：

“禁止 ChatGPT。”

而应该说：

“这次练习的学习目标是让你自己建立 X 能力，而 AI 会直接跳过这个认知步骤，因此这里不能使用。”

反过来：

“本项目允许使用 AI，因为学习目标包括如何验证、整合和批判 AI 输出。”

这样学生看到的不是：

rule。

而是：

learning contract。

我觉得这比“AI permitted / prohibited”高级很多。

3.1.9 MIT 明确不喜欢 AI detector

它的理由有三层。

首先，现实中的 AI 使用往往是混合的：

brainstorm 用了、改写用了一点、debug 用了一点……

不是简单的：

human / machine。

其次，false positive 会造成严重后果，包括对一些非英语母语或神经多样性学生产生误判风险。

更重要的一层是：

它会把师生关系变成 police vs. suspect。

然后学生开始用 humanizer，学校开始买更好的 detector，双方进入 arms race。

MIT 认为这个方向最后“serves no one”。

所以报告更喜欢：

过程记录、版本历史、中间 check-in、口头解释、分阶段提交。

也就是：

不要试图检测“机器痕迹”；让学习过程本身变得可见。

我觉得这是非常重要的 design principle。

3.1.10 AI Light / AI Heavy

MIT 甚至提出一个蛮有意思的实验：

未来可能出现两种课程路线。

AI Light

刻意减少 AI，保护某些 fundamental skills。

以及：

AI Heavy

大量使用 AI，让学生学习在 AI 环境下解决更复杂的问题。

而不是争论：

“AI 到底应该用还是不应该用？”

因为这可能本来就是一个错误的问题。

真正的问题是：

为了这个 learning objective，AI 应该承担什么角色？

报告甚至要求 MIT 修改缓慢的 curriculum approval 流程，因为一年多轮委员会审批的节奏可能跟不上 AI 的变化。

到这里，其实 3.1 可以浓缩成一个公式

我会这样写：

以前：

课程内容 → homework → exam → grade

MIT 想象中的以后：

learning goals ↓ 哪些能力必须本人掌握？ ↓ 哪些能力可以 AI augment？ ↓ 设计 productive struggle ↓ project + social learning + process evidence + oral verification ↓ 证明真正 mastery

所以重点不是：

怎么阻止 AI。

而是：

怎么重新让 learning 可见。

如果你对这份报告感兴趣，可以点击原文继续阅读。

AI 贡献声明

由 ChatGPT 网页版分析、解读材料；作者负责分析、判断和筛选 ChatGPT 输出的观点，并将其中有价值的部分搬运、分享给读者。