都说专业的尽头是CS，尽管CS专业近几年来也面临各种各样的调整，但还是很多人一窝蜂转码，比如生化环材，比如人设社科，比如艺术......

然而，CS真的能包容万物吗？

最近，一则关于加州大学伯克利分校（UC Berkeley）的帖子在 Reddit上引发了大量讨论。

帖子的标题十分醒目：“伯克利最简单的计算机课程，挂科率超过35%。”

啊，基础课挂科率35%，隔壁哈佛还在限A，怎么UCB挂科率就能上35%，究竟是课程太难了，还是？

01

基础课为什么会有35%的挂科率？

据悉，这门课程叫做《CS10：The Beauty and Joy of Computing》，长期以来都被视为伯克利面向零基础学生开设的入门课程。按照课程设计初衷，它并不是为了筛选未来的计算机科学家，而是希望帮助更多学生理解计算机的基本思想，因此课程内容相对友好，难度也远低于传统的算法和系统课程。

然而，当超过三分之一的学生未能通过这门课程时，评论区迅速炸开了锅。

有人质疑美国大学的生源质量正在下降；有人认为这是伯克利一贯严格的评分标准导致的结果；还有不少评论则将矛头指向了近两年迅速普及的生成式人工智能。

其中一条高赞评论写道：

“这并不是真正意义上的挂科，而是因为大量学生使用 AI 作弊，被课程判定不通过。”

无论这是否是造成高挂科率的真实原因，它都揭示了一个正在困扰全球高等教育的问题：

当ChatGPT、Claude、Gemini和Cursor已经能够完成大部分课程作业时，大学究竟应该如何评估学生？

更进一步地说：当人工智能开始具备“完成学习成果”的能力时，人类教育体系究竟应该考察什么？

这或许是生成式AI出现以来，大学所面临的最大挑战。

02

AI曾被视为教育领域最令人兴奋的技术革命

在ChatGPT刚刚出现的时候，整个教育界几乎沉浸在一种乐观主义情绪之中。

对于学生而言，AI的价值几乎是立竿见影的。过去，学习编程意味着花费大量时间在搜索引擎，论坛和文档之间来回切换，一个简单的Bug可能需要数小时才能定位，一个课程项目往往需要在无数次报错和调试中艰难推进。

而今天，当学生面对一个不会的问题时，他们往往只需要打开AI应用，输入一个简短的prompt，几秒钟之后，一个结构清晰、逻辑完整、甚至附带示例代码和详细解释的答案便会出现在屏幕上。

对于很多学生来说

AI就像是一位永远在线的助教，它不会疲倦，不会下班，也不会因为办公室时间结束而拒绝回答问题。事实上，不少教授已经公开承认，AI在提升学习效率方面所带来的帮助是真实存在的。

它能够帮助学生理解抽象概念、快速验证思路、生成测试案例、梳理论文结构，甚至帮助非英语母语学生克服语言障碍。

AI在教育领域的确降低了学习的门槛，然而，正是在这种前所未有的便利背后，一个更深层的问题开始浮现。

03

当AI开始写作业，作业还能证明学生学会了吗？

真正让美国大学感到焦虑的，其实并不是学生开始使用AI，而是他们逐渐发现，过去几十年来赖以运行的课程评估体系，正在失去判断学生真实能力的功能。

在很长一段时间里，大学教育都建立在一个几乎不需要被质疑的前提之上：学生提交的作业，基本能够反映学生自身的学习成果。比如说，一个能够独立完成数据结构项目的学生，大概率已经掌握了相应的编程能力，而一个能够写出高质量课程论文的学生，大概率已经完成了必要的阅读、思考与论证过程。

因此，无论是作业、课程项目还是论文，它们不仅是学习过程的一部分，更承担着评估学生是否真正掌握知识的重要功能。

然而生成式AI的出现，第一次让这一逻辑产生了根本性的动摇。

今天，一个刚刚接触Python的学生，可以在几分钟内生成一个结构完整的数据分析项目；一个尚未理解动态规划原理的学生，可以借助Cursor自动完成整个课程作业；甚至连课程论文这样曾经最依赖个人思考与表达能力的任务，也能够在大语言模型的帮助下迅速生成一篇看起来逻辑严密且格式规范的文章。

对于大学而言，更令人担忧的并不是学生借助AI提高效率，而是评估体系开始出现一种前所未有的“失真”。

越来越多教授发现，他们收到的课程项目质量正在提升，但学生在课堂讨论中的表现却没有同步提高。有时学生提交的代码几乎没有语法错误，但面对最基础的追问时却无法解释关键设计逻辑，甚至连对于基础代码语法的掌握都不牢固。

那么，如果作业已经无法准确反映学习成果，那么大学究竟应该评估什么？

04

美国大学正在进行一场悄无声息的评估改革

面对这一挑战，美国高校最初的反应其实非常直接：禁止AI。

然而这种策略很快暴露出一个现实问题：它或许能够暂时维持旧有的评估体系，却无法解决未来的问题。

因为大学最终培养的并不是考试机器，而是未来社会中的从业者。而在现实世界中，AI已经迅速成为新的生产工具。今天的软件工程师会使用Copilot和Cursor编写代码，咨询顾问会利用Claude整理行业报告，甚至许多教授自己也开始利用AI辅助科研和教学。如果学生毕业后一定会在工作中使用AI，那么大学是否应该继续假装这种工具不存在？

正是在这种矛盾之下，美国大学开始逐渐从“禁止AI”转向“重新设计评估”。

最具有代表性的案例之一来自哈佛大学的CS50。

哈佛

作为全球最知名的计算机导论课程之一，CS50并没有简单地宣布禁止AI，而是试图回答一个更加本质的问题：学生应该如何在学习过程中正确使用AI。

因此，课程团队开发了自己的AI Tutor——CS50.ai Rubber Duck。这个工具的设计理念非常有意思，它不会直接替学生完成作业，也不会生成完整答案，而更像是一位不断引导学生思考的助教。当学生遇到问题时，它会通过提问、提示和启发的方式帮助学生找到解决思路，而不是直接给出最终结果。哈佛实际上是在尝试建立一种新的边界：允许AI参与学习过程，但不能替代学习过程本身。

与此同时，另一部分大学则选择了更加灵活的路线。

以密歇根大学为例，学校并没有推出统一的AI使用政策，而是将决定权交给具体课程。原因在于，不同学科和课程有着完全不同的培养目标。对于一门旨在训练基础推导能力的数学课程而言，AI的作用可能需要受到严格限制；而对于一门强调产品设计或数据分析实践的课程来说，学生是否能够有效利用AI本身就可能成为课程目标的一部分。因此，密歇根大学允许教师根据课程性质自行制定规则，有些课程禁止AI，有些课程允许有限使用，而有些课程则鼓励学生主动使用AI，但要求详细记录使用过程和验证方式。

这种变化背后反映出的，其实是美国大学思维方式的转变。过去的讨论集中在“学生能不能使用 AI”，而现在的问题变成了：“学生应该如何使用 AI，以及我们应该如何评估这种使用过程。”

05

“从评估结果到评估过程，

大学开始重新定义“学习”

如果说哈佛和密歇根大学是在调整规则，那么Stanford和 Carnegie Mellon University正在尝试重新定义规则本身。

在过去几十年的教育体系中，评估往往围绕结果展开。教授关心的是最终提交的代码是否正确，论文是否完成，项目是否达到要求。结果越好，分数越高。这种逻辑在AI出现之前几乎没有问题，因为结果与能力之间存在较强关联。

然而在今天，一个优秀结果并不一定意味着优秀能力，于是越来越多课程开始将关注点从结果转向过程。

Stanford近年来的一些课程已经开始鼓励学生主动使用 Claude、ChatGPT和Cursor等工具完成项目开发，但与此同时，课程评分标准也发生了变化。学生不仅需要提交最终成果，还需要展示自己的思考路径、Prompt设计、方案迭代过程以及验证方式。换句话说，教授开始关注的不再只是“你做出了什么”，而是“你是如何做出来的”。

这种变化看似细微，实际上却意味着评估逻辑发生了根本转变。

因为未来最重要的能力，可能已经不是独立完成任务，而是能够有效地与AI协作，并对AI输出进行判断、修正和整合。

而在我看来，CMU的实践或许更值得关注。

CMU在干嘛？

相比于讨论是否允许 AI，CMU更关心如何证明学生真正学会了。因此越来越多课程开始采用一种新的评估模式：学生可以自由使用AI完成项目，但项目提交之后还需要经历口头答辩、代码讲解、设计复盘以及反思报告等环节。在这些过程中，教授会不断追问学生的决策逻辑、系统设计思路以及方案取舍原因。AI可以帮助学生生成代码，却无法替学生理解代码；AI 可以给出架构方案，却无法替学生解释为什么选择这一方案而非另一方案。

从某种程度上来说，这种模式已经越来越接近工业界的真实工作场景。

06

大学未来考察的，

也许不再是知识，而是判断力

如果把这些变化放在一起观察，我们会发现一个非常有趣的趋势。

美国大学并没有因为AI的出现而降低要求，相反，它们正在把评估标准推向一个更高的层次。过去的教育体系考察的是知识掌握程度。未来的教育体系考察的则可能是判断力、解释能力以及与AI协作的能力。

因为知识本身正在变得越来越容易获得。但当所有人都拥有同样强大的工具时，真正产生差异的将不再是获取答案的能力，而是判断答案是否可靠、是否适用于当前场景以及是否存在潜在风险的能力。

这也是为什么越来越多教育学者开始认为，AI不会终结大学教育，却会迫使大学重新回答一个最根本的问题：我们究竟是在培养会做题的人，还是在培养能够面对复杂现实问题的人？

而对于后者来说，真正重要的从来不是答案本身，而是形成答案的思考过程。

文 | 城南

你如何看待挂科率35%？

你认为是什么原因导致的？

欢迎大家在评论区分享自己的看法