当 AI 能让你"不学习也能通过考试"，大学还剩下什么？
90%的大学生在用 AI，但这只是表象。真正的问题是：AI 正在揭示教育体系的根本性矛盾——当知识不再稀缺，当考试可以被技术绕过，学习本身的意义是什么？
Anthropic 最近做了期访谈，找来四位来自普林斯顿、伯克利、伦敦政治经济学院、亚利桑那州立大学的学生，聊校园 AI 的真实状态。访谈持续了近 40 分钟，没有宣传话术，都是真实的困惑、焦虑和思考。
这期访谈揭示了一个更深层的问题：AI 不只是在改变学习方式，而是在拆解整个教育体系的底层逻辑。
一个无法回避的现实
访谈开始，主持人问了个直接的问题：现在校园里对 AI 的氛围如何？
答案是：90% 的学生在用 AI。不是偶尔用，而是日常工作流程的一部分——总结讲座笔记、回答问题集、获取作业反馈、分析商业案例、做市场调查、完成财务研究。有些学生甚至用它完成测验，理由很现实：当你是研究生，同时做好几份工作时，你并不总是有时间。
但更有意思的是，虽然几乎所有人都在用，却没人知道规则是什么。有些课程明文禁止 AI，有些课程积极鼓励，大部分课程处于模糊地带。学生不知道界限在哪，教授也不知道该怎么管。这种状态被称为"灰色地带"——想用，又怕违规；不用，又觉得自己落后。
这种灰色地带最危险的地方不是学生可能违规，而是它阻止了真正有价值的讨论发生。学生无法公开分享 AI 使用的最佳实践，教授无法指导学生如何负责任地使用工具，整个学术社区陷入一种表面禁止、私下使用的尴尬状态。
而当规则无法被有效执行时，它就变成了筛选"会伪装的人"和"不会伪装的人"的工具。明文禁止但私下普遍使用的状态，不会阻止学生使用 AI，只会阻止他们公开讨论如何更好地使用。
AI 是一面镜子
访谈中有个观点很犀利：人工智能，尤其是学生如何使用人工智能，非常能说明这些动机。
这句话背后的洞察是：AI 成了一面镜子，照出你上大学的真实目的。
访谈把大学目标归纳为三类：第一，深入学习专业知识，掌握某个领域的深层理解；第二，为职业做准备，找到好工作，建立职业网络；第三，拓展人脉，享受社交生活，体验大学文化。每个学生对这三个目标的权重都不一样，而 AI 的使用方式精准地暴露了这些权重。
如果你只关心"通过考试"和"拿到学位"，你会直接把 AI 的输出当作作业提交。这不是道德批判，而是现实——当技术让你可以用最小成本达到目标时，你为什么要绕远路？如果你的目标本来就是拿学位找工作，那用 AI 完成作业是完全理性的选择。
但如果你真的想学习，想深入理解某个领域，你会把 AI 当成对话伙伴。你会问它问题，让它解释概念，然后用自己的话重新表述。你会让它写初版代码，然后自己重构优化。你会确保在每一个环节，自己都真正理解发生了什么。
这种分化不只存在于不同学生之间，也存在于不同专业之间。人文专业学生往往选择退出 AI，因为他们的学习需要精读——仔细阅读原文、品味语言细节、理解作者意图。AI 破坏了这个过程，因为它提供的是总结和转述，而非原文的直接体验。工程和商科学生则大量使用 AI，因为 AI 降低了技术门槛，让没有计算机背景的人也能写代码、建网站、分析数据。
这种两极分化本质上是对"什么值得学习"的不同理解。对人文学生来说，阅读莎士比亚原文的体验本身就是学习；对工程学生来说，重要的是能否解决问题，而不是亲手写出每一行代码。AI 让这种差异变得更加明显。
工具还是拐杖？一个简单的判断标准
访谈中有个问题很关键：如何区分 AI 是工具还是拐杖？
学生们给出的答案惊人地一致：能否解释。
如果你无法解释自己创造的东西，无法说明 AI 在其中扮演了什么角色，那就是拐杖。如果你能像给五年级学生解释一样讲清楚，能给出低层次和高层次的解释，那就是工具。
这个标准看似简单，实则触及了学习的本质。费曼学习法的核心逻辑是：如果你不能用简单的语言解释一个概念，那你就还没有真正理解它。AI 时代的学习也是同样的道理——如果你不能解释 AI 帮你做的事情，那你就只是在"外包思考"，而非"增强思考"。
访谈中提到一个有意思的例子：有学生开发了一个工具，可以把讲义幻灯片放进去，AI 会在每张幻灯片旁边生成类似教授的注释。这个学生说："它之所以好用，是因为我已经提示它知道我想了解什么——幻灯片上某些事物的定义。幻灯片有时候很抽象，缺乏背景信息，需要在旁边添加上下文。"
关键在于"我已经提示它知道我想了解什么"。这个学生清楚自己的知识缺口在哪，知道需要什么样的帮助，然后主动引导 AI 提供这种帮助。这是工具。如果是直接把幻灯片扔给 AI，让它"帮我总结这节课"，然后照着背，那就是拐杖。
区别在于主动性和理解。使用工具的人知道自己在做什么，控制着整个过程。使用拐杖的人把控制权交给了技术，自己变成了被动接收者。
学校的滞后不是反应慢，而是本质上无法应对
访谈中提到了一些学校的尝试。伦敦政治经济学院的一门必修课，开始指导学生如何使用 Claude——和它对话，赋予它不同角色，然后要求学生提交对话记录，看他们如何与 AI 互动。亚利桑那州立大学的职业管理中心建了提示库，为不同场景提供提示模板。这些都是好的尝试，核心思路是：不是禁止 AI，而是教学生负责任地使用。
但这只是少数。大部分学校还在争论"该不该允许学生用 AI"。有些教授说可以用，但要在作业里注明使用方式；有些课程直接禁止；还有些干脆不提，默认学生不会用。没有整合框架，没有统一标准，整个体系处于混乱状态。
更深层的问题是：这个问题本质上无法靠规章制度解决。
传统教育的监管逻辑是：学校设定规则，学生遵守规则，违规者被惩罚。这个逻辑成立的前提是"违规行为可以被检测"。但 AI 打破了这个前提。
你可以禁止学生在提交作业时使用 AI，但你无法监控学生在思考过程中是否用了 AI。你可以用 AI 检测工具，但这些工具的准确率远没有达到可以作为惩罚依据的程度——误判率太高，而且学生会很快学会如何绕过检测。更重要的是，从根本上说，你无法区分"学生在 AI 帮助下完成的高质量作业"和"学生独立完成的高质量作业"，因为好的 AI 使用本来就应该是无缝的。
访谈中有句话说得很直接：从根本上说，不会有任何规章制度能改变学生使用 AI 的方式。责任在学生手中。这不是推卸责任，而是现实。
当技术让"不学习也能通过考试"成为可能，学校面临的不是一个管理问题，而是一个存在性问题：如果考试无法证明学习，那学校存在的意义是什么？
教育体系的底层逻辑被打破了
这个问题触及了教育体系的根本性矛盾。
传统教育建立在几个核心假设上：第一，知识是稀缺的，需要专门的机构（学校）和专业人员（教授）来传授；第二，学习成果可以通过考试来衡量；第三，学位证明了你掌握了某个领域的知识，因此有资格从事相关工作。
AI 逐一打破了这些假设。
知识不再稀缺。YouTube 上有免费的斯坦福课程，Claude 可以随时回答你的问题，GitHub 上有无数开源项目可以学习。你不需要去学校才能接触到知识，甚至不需要付费订阅就能获得基础的 AI 辅导。
考试无法衡量学习。当 AI 能够完成大部分考试题目，考试就从"衡量理解程度的工具"变成了"衡量是否会用 AI 的工具"。这不是说考试完全无用，而是说它不再能准确区分"真正学会的人"和"会利用工具的人"。
学位的价值在下降。当雇主意识到学位无法保证候选人真的掌握了相关知识，他们会更看重实际能力的证明——作品集、项目经验、实习表现。学位从"能力证明"降格为"基础门槛"。
当这些假设被打破，教育体系的价值主张就需要重新定义。
访谈给出了一个答案：大学的价值从"传授知识"转向"提供环境"。这个环境让你可以犯错、可以探索、可以和其他人碰撞想法。你可以和室友花周末做"毕业前愿望清单"，在 hackathon 测试"可能很蠢"的想法，和教授争论，和同学讨论，在失败中学习而不必承担职业生涯的风险。
访谈中提到的学生项目很能说明这一点——"自动选课提醒"、"空教室查找器"、"毕业愿望排行榜"。这些项目技术上都不复杂，很多创作者甚至没有计算机背景。但它们源于真实的人类情感：对错过的恐惧、对便利的追求、对大学生活的珍惜。
技术门槛降低后，重要的不再是"你会不会写代码"，而是"你想解决什么问题"。大学提供的是一个可以自由探索这些问题的空间，一个可以把想法变成现实、然后从失败中学习的环境。
AI 能帮你完成作业，但不能替你度过这段"可以犯错、可以探索"的时光。
就业市场的悖论
访谈后半段聊到就业，揭示了另一个悖论。
学生用 AI 写简历，公司用 AI 筛简历。整个招聘周期变成了对着屏幕说话——先是对着 AI 写求职信，然后对着录像回答问题，最后收到 AI 生成的拒信。从提交简历到收到拒信，可能只需要 15 分钟。效率很高，但人性很少。
这创造了一个"AI 对 AI"的就业市场。学生训练 AI 如何写出"好的"简历，公司训练 AI 如何筛选"好的"候选人。真正的人类在这个过程中的作用越来越小。对着屏幕说话没有化学反应，无法展现那些难以量化但很重要的品质——幽默感、应变能力、团队协作的微妙之处。
但悖论的另一面是：AI 熟练程度本身成了新的竞争力。四大咨询公司以前招通才型 MBA，现在专门找具备 AI 能力的 MBA。如果你懂得如何将 AI 应用于不同行业，你就是他们的首选候选人。
悖论在于：AI 让就业市场更冰冷，也让就业市场更看重 AI 能力。你无法逃避，只能学会有效使用。
这又回到了那个核心问题：什么是"有效使用"？不是会用 ChatGPT 写邮件，而是能够识别哪些问题适合用 AI 解决，能够设计提示词来引导 AI 产出你需要的结果，能够评估 AI 输出的质量并进行必要的修正。
这种能力不是通过禁止 AI 来培养的，而是通过大量的实践和试错。这也是为什么那些主动拥抱 AI、建立 Claude Builder Club、组织 hackathon 的学校，正在为学生提供更有价值的教育——他们让学生在相对安全的环境中，学习如何与 AI 协作。
责任的转移
访谈最核心的洞察可能是这句：当技术能让你"不学习也能通过考试"时，学习本身的意义变成了每个人需要自己回答的问题。
这是责任的转移。从学校转向学生，从规则转向自觉，从外部动机转向内部动机。
传统教育的动机是外部的：你需要通过考试来拿学位，需要学位来找工作。这个外部激励体系推动着学生学习。但当 AI 让你可以不学习也能通过考试，这个激励体系就失效了。
剩下的只有内部动机：你真的想学吗？你真的对这个领域感兴趣吗？你真的想深入理解，还是只想拿个学位？
访谈中有个细节很有意思。有学生提到，读研究生有不好的一面——你同时做好几份工作，没有时间，所以有时候会用 AI 快速完成测验。但他接着说：读研本应该是你拓展批判性思维的时期，是你展现更果断一面的时候。他意识到了矛盾，但选择了效率。
这不是道德批判。在现实压力下，效率往往比理想更重要。但这个选择揭示了一个事实：当外部压力（完成测验）和内部动机（深入学习）冲突时，很多人会选择前者。
AI 让这种冲突变得更加尖锐，因为它让"应付考试"变得极其容易。在没有 AI 的时代,即使你只想应付考试，你也必须学习一些东西才能通过。AI 取消了这个中间环节——你可以完全不学习也能通过。
这迫使每个人直面那个问题：你到底为什么要上大学？
如果答案是"为了拿学位找工作"，那用 AI 完成作业是完全合理的。如果答案是"我真的想学习这个领域"，那你需要主动抵抗 AI 带来的捷径诱惑。
学校无法替你做这个选择。规则无法强制你产生内部动机。这是你自己的责任。
技术不会等你准备好
访谈最后有个态度贯穿始终："我们会想办法解决的。"
学校规则跟不上？先用起来，再告诉学校什么有效。AI 可能被用来作弊？慢慢学会负责任地使用。就业市场变了？适应新游戏规则。
这不是盲目乐观，而是现实主义。技术已经在这里了，它不会等你准备好才开始改变世界。你可以选择抵抗，也可以选择适应，但你无法选择让时间停止。
这一代学生和 AI 的关系不是恐惧，不是盲目拥抱，而是在混乱中摸索，在试错中学习。
他们在 Claude Builder Club 做的那些项目——技术上不复杂，但解决真实问题。他们在 hackathon 上尝试的那些想法——可能很蠢，但至少在尝试。他们在课堂上的困惑——规则不清楚，但至少在思考。
这种"边做边学"的姿态，可能比任何规章制度都更能帮助他们适应 AI 时代。
凯文·凯利在《科技想要什么》里提出"technium"概念：技术作为一个整体，似乎有自己的意志，想要变得越来越强大。访谈中有个观察很呼应这一点：过去两年，不管 AI 需要什么才能继续发展，它就能得到。核能态度的转变、太空数据中心的讨论——每当有什么瓶颈可能减缓 AI，障碍就会被移除。
但更准确的说法可能是：学生需要什么，就会创造什么。
AI 只是工具。决定未来的，是这一代学生选择如何使用这个工具——是逃避思考，还是增强思考。是用它来应付考试，还是用它来探索世界。是把它当拐杖，还是当工具。
这个选择，学校管不了，只能他们自己决定。
而从这期访谈来看，至少有一部分学生，正在认真思考这个问题。这可能就够了。