MIT 关于“教学、学习与研究训练中的 AI 使用”报告，由一个临时委员会经过 5 个月的会议、调研与校内沟通完成。它不只讨论怎样限制 AI，而是提出 8 条指导原则和 3 大类、26 项建议，试图回答一个更根本的问题：当作业的答案可以随手生成，大学如何仍能让学生真正学会、证明自己学会，并在人与人的关系中成长？

先看现状：使用已经普遍，不安也同时存在

报告汇总了三组问卷。它们的调查对象、时间和题目不同，不能直接拼成一个“MIT 全校使用率”，但能互相印证一个现象：AI 已经是校园学习和工作流程的常见部分。

• 委员会的 AI 使用与态度调查收到 1,632 份回复，总回复率为 12%。受访者中，44% 表示自己“经常”或“非常经常”使用 ChatGPT；学生为 46%，教师和教学人员为 35%。
• 校本部约 8,200 人参与的 Quality of Life Survey 中，总体约 40% 经常或非常经常使用生成式 AI；本科生为 46%。
• 学生报纸 The Tech 的调查收到 1,002 份回复。在本科生受访者中，46% 每天使用大语言模型，30% 每周使用数次；90% 对过度依赖至少有些担心，其中 67% 非常担心。

这些数字背后有一对同时存在的感受。受访者普遍认为 AI 技能很重要，也认为 AI 提高了效率；另一方面，他们也感到自己在变得更依赖它。报告用了 cognitive offloading（认知外包）、overreliance（过度依赖）和 cognitive surrender（认知屈从）这些表达：学生在第一个卡点就把思考交给 AI，可能损害批判思维、记忆、信心和对知识的掌握。这是报告引用的早期信号和师生担忧，还不是已经建立的长期因果结论。

调查也有明确限制。委员会问卷回复率只有 12%，The Tech 调查同样来自自愿回复者；对 AI 更有态度、使用更多或更少的人，都可能更愿意填写问卷。这些调查能帮助 MIT 识别问题，却不能直接代表所有 MIT 成员，更不能代表所有大学。

再定原则：先保护学习和人，再决定技术放在哪里

委员会用 8 条原则给后续建议划定方向。它们在两类张力之间建立约束：技术变化很快，学校既不能自信地宣布已有定论，也不能把不确定当成不行动的理由；AI 可以增强人的能力，学校也必须防止它代替学生本应经历的思考、判断和人际关系。

1. 保持谦逊（Be humble）：承认技术和其影响仍在快速演化，今天的提案一定还需要校正。
2. 大胆行动（Be bold）：不用零散补丁应对结构性变化，也不放弃个性化辅导和研究创新的机会。
3. 把人性放在中心（Put humanity front and center）：效率不能成为唯一标准，师生连接、学徒制和人的成长也是教育产出。
4. 直面学习本身（Lean into learning）：学习需要“有生产力的挣扎”；最重要的产品不是分数或文凭，而是学生的想象力、洞察力和判断力。
5. 有意图地教（Teach with intentionality）：先定义学习目标，再决定是否、何时和怎样使用 AI。
6. 不追求一刀切（No one size fits all）：诗歌研讨课、数学证明课和建筑设计实验室，需要的 AI 边界必然不同。
7. 增强而非自动化（Augmentation not automation）：让 AI 帮人承担新任务、获得新专长，同时保留人的主动性和责任。
8. 把视野放到课堂和校园之外（Think beyond the classroom and the campus）：考虑学生步入工作、公民生活和 AI 创造环境后需要的技能与责任。

这八条原则被进一步整理成三类工作：让教育过程适应 AI 已经存在的世界；把人、共同体和住宿制教育置于中心；建立能持续反思、迭代和改进的流程、团队与工具。

然后设计课程：从学习目标倒推作业和 AI 规则

报告引入了 Backward Design（逆向设计）。教师不从“这门课要不要禁止 AI”开始，而是先问：学生最后应该知道什么？能做什么？应该学会重视什么？第二步，设计能证明这些目标已达成的评估证据。第三步，才是作业和学习活动，以及 AI 在其中被允许、限制或要求的位置。

这一顺序最后要落实成清楚、可见的课程规则。委员会建议每门课都在课程大纲和课程网站醒目公布 AI 使用政策，让学生明确知道什么时候、在哪里、为什么允许、限制或要求使用 AI。

附录 B 给出四种可供课程选择和改写的政策模板。它们是服务于不同学习目标的并列选择：

1. Unrestricted GenAI Use（不限制使用）：学生自主决定如何使用，但仍要对学习、原创性和最终提交负责。适合主要通过课内无 AI 评估验证能力，或评估、整合 AI 输出本身就是任务的课程。
2. Limited GenAI Use: Support Tool Only（有限使用：只作支持工具）：可用于学习支持、头脑风暴、编辑、调试或解释，不能产生完整或大部分作业解答。学生需要区分自己的工作和 AI 辅助内容，并引用 AI 产生的材料或想法。
3. Required GenAI Use（要求使用）：学生按规定流程使用指定工具，并提交所要求的 AI 互动记录。适合 AI 辅助编程、提示设计、模型输出批评、人机协作或 AI 系统评估本身就是学习目标的作业。
4. GenAI Use Strictly Prohibited（严格禁止使用）：学生不能在作业中使用生成式 AI。适合需要建立基础知识和独立解题能力，或作业的核心价值就是未经辅助的表达和思考的课程。

四种模板的共同点是规则必须说明理由。禁止 AI 时，教师要说明它会捷径化哪个基础学习过程；鼓励 AI 时，也要说明它如何扩展学生能做的工作。学生仍是所有提交内容的责任人。

透明还应该是双向的。报告鼓励教师披露自己在课程编排、作业创建和反馈中如何使用 AI；学生付出真实时间后，如果只收到机器生成的反馈，他们的负面感受并不难理解。对研究成果，报告建议所有学位论文声明 AI 如何被使用，AI 不应被列为共同作者，人类作者必须验证输出并对准确性负责。

课程规则之外，学校还要系统教授 AI 素养。The Tech 的调查中，超过三分之二的学生认为 AI 对职业生涯很重要，但只有 25% 认为 MIT 已充分帮助他们做好使用 AI 的准备。报告把三种相连但不同的能力拆开：有效使用是会描述问题、验证输出、识别幻觉，并知道什么时候不该求助 AI；负责使用是分清增强人与替代人的界线，诚实披露 AI 的贡献；合乎伦理地使用则要讨论训练数据来源、偏见、输出同质化、知识产权、环境成本，以及辅助与冒充作者之间的界线。委员会建议从本科生和研究生迎新开始，把这些内容贯穿到各专业课程与研究训练中。

报告还收录了一个具体案例：一名教师介绍，为学习调解的学生提供个性化、课程专用的 AI coach，减少了当着他人练习公开表达的尴尬，增加了练习意愿，继而提高了技能。这是委员会听到的一个案例；报告没有进一步披露它的内部技术架构。

面对快速变化的技术，委员会还建议支持负责任的课程实验：院系可以更敏捷地探索课程调整，但必须认真评估结果，并保持整个培养体系的长期连贯性。报告提出，可以试办 AI-heavy 和严格的 AI-light 课程或路径；对于不愿使用 AI 的学生，只要学科条件允许，也应认真提供尽量少用 AI 的选择。

作业改了，评估也要改：从一份答案转向多种证据

MIT 标志性的 Problem Sets（P-Sets）长期用于训练数理计算和工程推理。报告认为，许多用于强化学习和评估进展的问题与作业，已经可以由 AI 完成。所以，在无限制使用 AI 的情况下，单凭课后提交的正确答案，越来越难以证明学生个人的真实理解。

报告没有宣布一种新评估已普遍落地，而是提出多种可组合的选项：

• 书面评估+口试：用口头问答检验学生能否解释解法、应用知识，而不只是提交完成品。
• 课内、当面或实验室评估：为现场考试、实验操作、表演和演示提供足够的场地与时间。
• 项目和亲身实作：增加情境化、开放式、依赖实际设计和团队协作的任务。AI 有时也可以扩大项目野心：报告提到，软件工程课可以让学生在一学期内构建更接近生产级的系统，再把时间放在现实环境中的设计权衡上。
• 阶段节点与版本历史：让学生分阶段展示项目进展，或提交版本记录，为思路如何演变提供过程证据。

评估重构不能简单退化成“把更多分数压到限时课内考试”。报告要求 MIT 重新考虑分数在整个体系里的作用，探索 competency-based、mastery-based assessment 和项目作品集，让能力证明不只剩一张成绩单。口试的即时反馈、项目书面反馈和持续作品记录，往往比一个分数更能告诉学生自己真正掌握了什么。

当面互动也不能只发生在考场。委员会建议每门课都设置定期、结构化、服务于明确学习目标的社交学习，例如有阶段检查的团队项目、助教引导的协作解题、围绕统一量规的反馈讨论。相应地，学校还要提供有人支持的实验室和协作空间，包括纯线下空间或配备 AI-free、AI-limited 电脑的场地；否则增加实验、团队任务和当面评估只会停在课程设计文件里。

报告对“用更强的技术抓作弊”很警惕。AI 检测器不可靠，还可能把非英语母语者或神经多样性学生的写作误判为 AI 生成；MIT 的纪律委员会不把检测器输出单独当作学术诚信案件的足够证据。当前一代 lockdown browser 在报告看来容易出错、有监控感；在多数情况下，报告更倾向当面监考。它的思路是用更好的学习证据建立信任，尽量避免把课堂变成师生互相怀疑的地方。

但大学不只是课程：住宿制共同体也是学习基础设施

委员会听到了课后答疑、线上讨论以及宿舍、图书馆里的学习小组参与下降的反馈。报告明确把其中部分叙述标为 anecdotal（轶事性）：它提示风险，却不能证明 AI 就是唯一或直接原因。AI 进入校园时，学生焦虑、孤独和人际疏离早已是更广泛的背景问题。

对 MIT 而言，面对面互动不是可替换的装饰。和同学一起拆解证明、反复调试实验、当面争论，既支持知识建构，也训练沟通、求助、协作与建立信任的能力。

因此，学校不只要解释住宿制教育为何重要，还要主动重建共同规范、共同仪式和支持系统。报告提出的例子包括跨群体讨论人生与职业选择、为面对面连接预留的 Tech Free Times，以及扩大共同阅读和讨论；教师和工作人员也要能识别 AI 加剧的学业、社交与情绪困难，并把学生转介到合适的支持渠道。与此同时，MIT 需要承认从热情、怀疑到拒绝使用 AI 的不同立场，并支持减轻训练数据、社会、环境等负面影响的研究与政策工作。

UROP（本科研究机会计划）是关键案例。报告称，它直接覆盖了 93% 的本科生和 58% 的教师。它不只让学生取得学分或薪酬，也让他们进入研究共同体：观察研究问题如何形成，判断力如何发展，错误如何被建设性地解释，功劳如何分配，分歧如何处理，知识又如何被集体生产。如果教师因效率而用 AI agent 取代本科研究助理，可能会保住短期研究产出，却失去研究作为学徒训练的教育价值。因此报告建议保护并扩大 UROP 等经历，让更多学生能够参与，并考虑把类似体验延伸到实验室以外。

最后建立治理：别把系统性改革留给单个教师

重设一门课的目标、评估和活动已经是大量工作，在全校范围持续更新，更不能依赖一批教师的个人热情。报告因此提出一组相互衔接的组织设计：

• 设立长期运作的 AI 与教育委员会，追踪校内外影响、技术变化与新证据，负责战略、评估和政策协调。
• 在各学院或院系设置 AI Leads，让课程改造和政策适配贴近学科。
• 资助 AI Fellows 与 AI Implementation Team，由技术、AI 与学习科学专长支持教师、开发校级工具，并研究工具在现场怎样被用、造成什么效果。
• 建立 AI Pilot Fund，为 AI 点数、助教、UROP、夏季支持等成本提供资源，既支持 AI-enabled 实验，也支持有意为之的 AI-free 学习体验。
• 用培训、同行分享和校内实践社群，让教师之间传递有效做法；同时跟踪 AI 使用、校园参与、学生满意度和毕业后反馈。

组织支持还包括公平的技术入口。报告指出，当时头部商业模型的高阶方案最高可达 200 美元/月，而研究者的 API 使用可能高得多。MIT 已运行 model-agnostic 的 Parley，为每位成员提供多模型访问和每月最高 30 美元的免费点数；报告同时承认，这对某些课程，特别是软件工程课，可能还不够。

“公平入口”也不只是给每个人一个聊天框。报告要求校级系统覆盖 agentic coding 和工作工具，并为需要训练或微调模型的课程提供足够的本地或云端算力；否则学生即使名义上都能访问 AI，实际能完成的任务仍会因经济条件和基础设施而分化。

公平访问和隐私不能分开。商业 AI 服务默认记录用户会话时，敏感课程数据或研究材料存在被纳入训练的可能；报告因此支持保持模型中立，并探索更多本地托管的开源模型访问。但校级平台又带来新问题：用户会向 AI 询问健康、关系、情绪和焦虑等私密内容，而教师又可能希望通过对话日志理解学习过程。谁可以看、保留多久、什么情况下可以干预，都需要公开、透明的日志与审计政策。

报告还要求 MIT 跟踪 AI 的财务与环境成本。训练和推理都消耗能源，数据中心还涉及用水、建设和硬件材料。企业数据不透明、成本分散在整个模型生命周期，意味着这些影响很难精确计算。委员会的建议是，公开不同模型的环境成本估算，审计学校自身的 AI 足迹，并投资更低能耗的方法。

26 项建议怎样带走

报告特别提醒，这 26 项建议不是可以彼此割裂、逐项打勾的待办，而是一组需要协同推进的改变：教育过程 10 项，人与共同体 6 项，持续治理 10 项。正文已经解释其中的关键关系；文末的“MIT AI 教育改革带走包”提供完整 26 条速查表，以及附录 B 的四种课程 AI 政策选择卡，均可直接复制 Markdown 或下载 .md 文件。

这份报告最可复用的，是一个能够迭代的教育系统

MIT 没有宣称找到所有大学的标准答案。“谦逊”是报告的第一原则，持续修正也被写入组织设计。它最有价值的部分，是把原本容易分散的决策连成一个闭环：

教育目标 → 评估证据 → 作业与课程政策 → 人际与组织支持 → 指标、反思与新一轮修正。

对中文教育实践者而言，这个顺序比照搬任何一条“禁用”或“必用”政策更值得参考。先把这门课真正要培养的能力说清，再判断什么必须由学生亲自完成，什么适合借力 AI，怎样用多种证据确认学习，最后让组织对资源、公平、隐私和长期影响负责。

这些建议有明确的适用边界。它们深度依赖 MIT 的高强度实作文化、研究型大学资源和住宿制社群；问卷的回复率与自选样本也限制了数据的外推。报告的最终边界同样保持张力：AI 可以让学生更高效、支持学习和科学发现，也会冲击学习过程、教学实践与住宿制教育的社会织理。人类智慧、连接、判断和亲身实作，正是这轮教育重设计需要优先保护的对象。