生成式 AI 进入大学之后，最先崩塌的不是课堂，而是那套把“提交一份看起来正确的作业”当成学习证据的评价方式。论文、代码、演示文稿都可以在几分钟内生成；如果教师只看成品，就很难分辨学生究竟完成了思考，还是只完成了提示词。
于是一个比“该不该禁用 AI”更重要的问题浮了出来：当答案越来越便宜，大学还应该训练什么？
作业没有消失，证据变了
过去，写出一篇结构完整的文章通常意味着学生经历了检索、阅读、组织与表达。现在，这条推断不再可靠。AI 可以替人压缩中间过程，却不能自动证明使用者理解了结论。
这并不意味着所有 AI 辅助都是作弊。计算器没有消灭数学，搜索引擎也没有消灭研究。真正的问题是，课程是否仍在用旧证据衡量新环境里的能力。如果任务只要求复述通识答案，AI 做得更快是必然结果；如果任务要求解释取舍、回应反例、展示修改轨迹并接受现场追问，学生就必须真正参与。
大学最难替代的四件事
一是提出值得回答的问题
模型擅长在给定目标下生成候选答案，却不会替一个人决定什么值得花三个月研究。问题意识来自长期观察、学科训练和对现实的敏感，它决定了 AI 的能力究竟被用于制造更多文字，还是用于发现新的理解。
二是建立判断标准
AI 可以同时给出十套方案，但无法替使用者承担选择的后果。判断一段论证是否成立、一个实验是否可信、一个产品是否伤害用户，都需要明确的标准。专业教育的价值，正在从记忆更多答案转向形成更稳定的评价系统。
三是在真实反馈中修正自己
课堂之外的问题不会按教材章节出现。实验会失败，用户会误解，队友会提出相反意见。学习者需要把反馈转化为下一轮行动，而不是让 AI 把第一次输出润色得更像最终稿。
四是与具体的人共同工作
大学仍然提供一种稀缺环境：在相对低风险的条件下，与背景不同的人合作，面对冲突，解释自己的判断，并对共同结果负责。这些关系和经历无法通过独自生成一份漂亮作业获得。
评价方式必须跟着改变
真正有效的课程不必把 AI 赶出教室，而应把学习过程重新变得可见。例如要求学生提交问题定义、资料取舍、提示词与修改记录；在课堂中随机解释关键段落；让同学互相攻击论证；或者把任务放进真实项目，让结果接受用户和数据的检验。
教师也需要区分“机械劳动”和“认知责任”。格式整理、语法检查、代码样板可以交给工具；研究假设、证据质量、伦理边界与最终判断不能外包。学生应当清楚标注 AI 参与的位置，并能够解释为什么接受或拒绝模型建议。
AI 时代，大学的价值更具体了
如果大学只出售知识传递，它确实会被更便宜、更个性化的工具冲击。但大学还可以提供结构化训练、严格反馈、共同体和进入真实专业世界的机会。问题不在于校园是否还需要存在，而在于它是否愿意放弃“完成作业等于完成学习”的幻觉。
当机器可以快速生成答案，教育最重要的产出应当是一个能提出问题、验证证据、修正判断并承担后果的人。
AI 没有让学习变得无用。它只是让虚假的学习证据更容易被识破，也逼迫大学把那些真正重要、却长期难以量化的能力放回中心。