一、引言
这是一份行动号召。经过在 MIT 校内长达五个月的密集会议、研究与广泛征询，「教学、学习与科研训练中的 AI 使用特设委员会」试图理解生成式 AI 在 MIT 的生活与教育使命中所扮演的角色，并就如何应对其挑战与机遇提出建议。
2026 年 1 月，校长 Melissa Nobles、教务长 Anantha Chandrakasan 与教师委员会主席 Roger Levy 向我们下达了三项具体任务：评估 MIT 当前的 AI 使用现状；识别教学与学生评价方面的创新；提出一项 AI 使用政策。然而，随着调研的深入，我们很快意识到，MIT 社群——尤其是教师——必须直面一组更深层的问题：在一个 AI 成为若干复杂化因素之一的时代里，MIT 教育的结构、意义与价值究竟何在。
委员会由本科生与研究生、各学院的教师，以及来自 MIT 图书馆、教与学实验室等相关单位的工作人员组成。我们带着广泛的经验与开放的立场投入工作，短暂而密集的探索最终汇聚成一个强烈的共识。
在本报告中，我们：① 突出 MIT 当前教育环境的关键特征；② 分享我们倚重、并希望指引 MIT 未来工作的八项原则；③ 为教师与管理层提出近期与长期的行动建议。
作为一个与 AI 诞生紧密相连、以独特严谨的动手教育著称、志在培养「不畏惧世界最艰巨难题」之毕业生的机构，MIT 在这一时刻拥有独特的角色。我们相信，MIT 也负有引领的责任。我们希望这份报告能帮助 MIT 秉持「心、手、脑」（Mind, Hand, and Heart）的精神，继续定义并培育最高品质的寄宿制教育——属于人的、由人来做的、服务于人的成长、并为全人类造福的教育。
1.1 现状：生成式 AI 已无处不在
本报告的建议，建立在对 MIT 教育现状的如下洞察之上。
AI 已经无处不在，并引发各种复杂感受：
AI 在带来机遇的同时，也对校园生活产生了若干令人担忧的影响：
正在颠覆 MIT 教育的基石，尤其是本科生的——习题集（p-set）、带回宿舍的考试、本科生科研机会项目（UROP）、答疑时间（office hours）与学习小组。
加剧学生的孤立；削弱学生的知识掌握度与自信心。
侵蚀师生之间的「社会契约」；使评估学生的真实进展变得异常困难。
挑战 MIT 数十年形成的、关于严谨、学习所需的「创造性摩擦」、协作式问题解决与个人诚信的独特社群规范与价值观。
AI 同时带来即时速变与长期的「地壳级」颠覆，MIT 必须回应：
学生对课程内部乃至整个课程体系中「AI 使用规则缺乏清晰、一致与合理说明」感到困惑与担忧。
MIT 开设的几乎每一门课都可能需要被重新审视、甚至重构，以确保「教什么、学什么、怎么评」都是「AI 自觉」（AI-aware）的。
AI 正在改变学生需要知道什么、需要会做什么；除对具体学科的影响外，AI 的到来还要求对今日高等教育的本质、范围与目的进行更广泛、更整体的再评估。
最后，AI 还为我们的社群带来实质性的现实关切：从数据隐私与保密，到访问机会不均、偏见、公平与问责等问题。AI 的爆发式增长也向社会提出了重要命题——从 AI 数据中心的环影响，到知识产权与训练数据的使用，再到这项技术及其产业对人类的整体影响——MIT 也必须参与其中。
关键判断：其他教育机构也正面临类似的 AI 难题并产生了不少有趣的思路，但
「似乎还没有谁真正把它彻底搞明白了」。MIT 有责任去引领，而不是等待现成答案。
二、八大指导原则
我们先定义在后续工作中所倚重、并希望指引 MIT 前行的八项原则。
2.1 保持谦逊（Be humble）
有些技术创新是渐进涌现的：社会与技术协同演化、互相适应，从而软化冲击——计算机（AI 的前身与关键使能者）即属此类。另一些创新则更突然地落地，在个人与机构还没来得及适应之前就产生了重大的社会后果。
社会习惯把一项新技术「诞生」的时点，定义为它变得易于使用的那一刻。按此标准，生成式 AI 随着 2022 年底 ChatGPT 的发布而「诞生」，公众接触它的时间尚不足四年。而在这短短时间里，它已积累超过 10 亿用户，出售 AI 技术的公司占据了新闻头条、股市与公众意识。
换言之，AI 几乎在所有领域推进，其时间尺度被压缩得让社会来不及好好观察、分析其影响再逐渐适应。这引出了我们的第一条原则：我们以谦逊之心提出这些建议。随着技术不断演化、MIT 不断实验与学习，路线修正——甚至重大修正——都将是不可避免的。
2.2 大胆行动（Be bold）
然而，不确定性不能成为不作为的借口。这不是打补丁、贴胶带的时刻。AI 给教与学带来的挑战，要求在每一个地方——尤其是 MIT——采取大胆的战略性回应。随着「计算的社会与伦理责任」项目进入第七个年头，我们处于独特的有利位置，能够找到让这项新技术造福社会、尤其是造福我们学生的方法。
AI 也带来了非凡的机遇：从前所未有的个性化辅导与教练，到许多学科研究的加速与革新。抓住这些机遇，同样值得、也要求大胆。大胆思考尤为重要，因为我们的学生很快将去塑造这个社会在智识、伦理与技术上的方向。我们应当让他们深度参与 AI 的丰富而建设性的应用，并对其潜力与弊端有成熟的认知。他们在 MIT 的经历，应赋予他们智慧，去判断 AI 应如何、在何处被用于造福社会与世界。
2.3 以人为本（Put humanity front and center）
面对一项已具备如此巨大能力——建立于人类能力之上、仿效人类、并在许多方面已超越人类——的技术，MIT 最根本的挑战与最重要的目标，必须是培育并守护我们共同的人性，将 MIT 社群、其成员与他们的成长置于一切之上。
在一场教师听证会上，我们了解到有人正考虑用 AI 智能体充当研究助理，而不是聘用本科生做 UROP。我们理解追求速度与资源效率的理由（尤其在研究资源如此紧张的当下）。但如果这些标准开始主导我们的决策，我们就必须追问：「我们这些人聚在这里，究竟是为了做什么？」
作为一个社群，我们需要牢记：虽然科研是 MIT 使命的核心，但它并非目的本身；在校园里，科研还是一种学徒制——培养下一代研究者、延续我们的事业、推动各学科前进的手段。把科研当作「做中学」的机会，或许会产生表面上的「低效率」，但那正是设计特性（feature），而非缺陷（bug）。
对「人性」的关注还应提醒我们：当前应对 AI 问题的常见手段，本身就可能损害师生之间的关系。例如，许多教师讲述「执法式监管」未经授权的 AI 使用，正在伤害他们与学生的联结（而 AI 检测软件又相当不可靠，使情况更糟）。学生则害怕被冤枉为「AI 作弊」，并对教师在评分、出题、反馈等本需人味的环节使用 AI 日益不满。这样一条相互猜疑的「暗河」，绝非健康课堂的基石。
2.4 回归学习本身（Lean into learning）
MIT 课堂用于巩固学习、评估进展的许多题目与作业，如今 AI 已能完成。学生不受限地使用 AI，会让一些传统评价方式在「反映个体学习」上变得不那么可靠，进而可能削弱人们对分数与文凭的信任。对教育者而言，这种规范与预期的剧变会带来深刻的迷失感。
但作为一个社群，最应让我们忧虑的是：许多 AI 的使用方式，剥夺了学生「学习」的机会。
AI 对熟悉的教与学方式构成的威胁，或许「因祸得福」——因为这些变化来得太突然、太剧烈，让人无法忽视。委员会中的教师可以作证：至少二十年来，教育者们一直在哀叹教与学所承受的压力——注意力的碎片化、无处不在的电子设备、对分数的狭隘执着（而非学习本身），以及「师生共同投身于一项共同智识事业」之感的日渐式微。
作为以独特教育配方为傲的机构，MIT 应当抓住这一刻的机遇：确保 AI 强加而来的、无可否认的改变成为一个「临界点」，迫使我们果断地应对那些侵蚀共同教育使命的力量。
回归学习本身，意味着在师生之间缔结一份新的「社会契约」。所有在 MIT 教书的人，都需要帮助学生理解两件事：其一，教育的过程必然是一场「有成效的挣扎」（productive struggle）；其二，教育最重要的产出不是 GPA 或文凭，而是他们自己——个人的成长、智识的成熟，以及自身想象力、洞察力与判断力的发展。培养这些态度，应成为每位教育者的核心任务，让学生不仅知道该学什么，更知道该如何学、以及学习为何重要。我们需要帮助他们发展「思考自己的思考」的元认知能力、投身反思性实践、增强个人的能动性。这既需要教师的投入，也需要全新的准备。
2.5 有意图地教学（Teach with intentionality）
MIT 开设的大多数课程，都需要仔细审视，许多还需要实质性改造，才能在与 AI 的遭遇中不遭重创地存活下来。AI 将动摇那些曾指引内容选择、教学方法与学生表现评价方式的教学假设。
简言之，是时候对「我们教什么、怎么教」进行深入而广泛的反思了。未来的课程结构、评价与政策，必须带着高度意图与清晰的目的感来构建，而不是仅对 AI 当下的现实做被动修补。但这并不意味着每门课都要以同样的方式改变。
久经考验的「逆向设计」（backward design）在这里提供了有用框架。例如，与其一开始就问「某门课该不该允许或禁止 AI」，教育者不如先定义学习体验本身的目的：学生最终应当知道什么、能够做什么、学会珍视什么。然后再据此设计作业与评价去衡量和促进这些成果——AI 有用就用，没用就不用。
重设计、重新评估、或有意保留现有结构所需的教师时间与精力可能相当可观。但这一教学反思与推理的过程本身就有价值。有意图的教学会促进有意图的学习：当教师清楚说明「为什么 AI 被允许、被限制或被要求」时，学生更可能理解那些正在被守护或发展的学习目标。这样，逆向设计能帮助 MIT 在诚实适应 AI 现实的同时，守住其教育的目的。
2.6 拒绝一刀切（No one size fits all）
没有任何一种对待教育中 AI 的单一做法能适用于整个 MIT。诗歌研讨课、数学证明课、建筑设计实验室，与 AI 的关系在逻辑上各不相同：有些课程里，用 AI 生成创意或解题恰恰违背了练习的目的；而在另一些课程里，AI 熟练度本就是职业实践的一部分，回避它反而让学生吃亏。
同理，正在打基础、构建判断力的大一新生，与在自己深耕领域加速文献综述的博士生，与 AI 的关系也截然不同。简言之，一条全校统一的规则，必然对某些情境过于宽松，对另一些又过于严苛。
这并不意味着每位教师都要从零发明 AI 政策。MIT 应当提供一个共享框架——包括一套通用的政策菜单、披露要求与问责标准——让院系与教师在其中做出选择。院系是这项工作的自然单元：学生把「主修专业」体验为一个连贯的进阶过程，在「何时欢迎、何时限制、为何」上保持一致，对他们大有裨益。
2.7 增强而非自动化（Augmentation not automation）
随着 AI 能力增强，把更多「思考」任务外包给它变得可能——也极具诱惑。学生们告诉我们，当他们害怕错过截止日期时，这种诱惑最大。然而早期信号已经出现：过度依赖聊天机器人会带来一系列严重后果——削弱批判性思维、损害记忆、侵蚀信心、破坏掌握。
从聊天机器人得到「正确答案」，可能制造「学到了」的幻觉——但也可能触发「认知投降」：学生一遇到困难的第一丝苗头就退回到 AI。三位著名的 MIT 经济学家 Daron Acemoglu、David Autor 与 Simon Johnson 在一篇近期论文中提出了他们所谓的「亲劳工 AI」（pro-worker AI）：与其设计替代工人的 AI，企业更应开发能让人类「在现有任务上更高效、承担新任务、习得新专长」的 AI。
本着同样的精神，我们应当集体把 MIT 教育中的 AI 塑造成「亲学习者」（pro-learner）的——不是为了取代思考、学习、创造与解题的「苦中作乐」（hard fun），而是拓展学生能够思考、学习与解决的范围。简言之，AI 应当被用来增强好奇心、创造力与学习，而非把它们自动化。
重要的是，这既是心理问题，也是社会问题。正如自动化威胁着失业、去技能化与工人日益加剧的孤立，教育中对聊天机器人的依赖也在取代学习小组这样的同伴联结、减少师生互动。若想让「增强」胜出，我们就不能把它当作抽象的理想，而应视之为可由我们的教学法具体推动的实践。
2.8 超越课堂与校园（Think beyond the classroom and the campus）
AI 融入 MIT 教育的方式，应当增强而非削弱学生「作为完整的人」的成长能力。在教育心理学大师、认知科学先驱 Jerome Bruner 的《教育的文化》（The Culture of Education）中，他论证：学习并非简单地把内容从教师传给学生的技术事务，而是一个让学生学会解读世界、找到自己社会位置、并形成「自己是能干之人」之自我认知的过程。
如果把学习（误）理解为主要是「内容传递」，那么高度响应的 AI 系统似乎就能取代教师、导师、同伴、协作者以及学习中的一切人际维度。这种态度虽日益普遍，却是短视的。教育是一种文化实践，学生通过它学会创造意义、运用判断、形成身份、并负责任地参与社群。
我们的学生在 MIT 收获的很多东西，从未写进任何大纲或作业里；那是他们在校园里彼此相伴地生活、工作中学到的——那些塑造他们如何解题、如何判断、如何历经艰难、如何成为智识共同体一员的默会期待、习惯、关系与价值观。「寄宿制教育」之所以强大，部分正在于它无处不在：宿舍、生活团体、运动队、艺术社团、俱乐部……
一种「社会契约」。讨论中，我们逐渐把上述要素之间的协调理解为一种「社会契约」：学生、教师与学校之间关于「教育的目的」、以及作为智识共同体一员所享有的权利与应尽责任的共同理解。因此，对相关问题的有效制度性回应，不能只关注 AI 使用的政策与规则，还必须关注赋予这些政策以意义的规范与文化。
一个根本的危险如前所述：AI 能让学生绕过学习。同样令人担忧的是，学生可能内化一种「交易式」心智模型：作业是「产出」，教师是「评估者」，同伴是「可有可无的」，知识（或一纸 MIT 文凭）是一种可以尽可能高效地获取或生产的「可优化商品」。这样的心智模型不会局限于课堂，它会塑造学生对工作、协作与社会责任的理解，并伴随他们走向世界。无论 AI 系统变得多么善于社交与响应，它都无法替代一个人成长与成熟所必需的关系与实践。
因此，MIT 不应只把 AI 当作提升教育效率的工具，而应把它视为一股必须被治理、以支撑教育更宏大目的的力量。学生应当学会高效、流畅地使用 AI，但更要以深化其参与课堂、实验室、职场、家庭与社群能力的方式去使用。目标不是把学生与 AI 隔绝，也不是为守住旧教育形式而守旧，而是要确保 AI 的使用有助于培养这样的人：能批判性思考、能主动作为、能与他人高效协作、并在与全球 83 亿人共享的世界里理解自己选择的后果。
三、建议
本章详述我们认为 MIT 为让学生迎接新世界所必须做出的改变。基于 MIT 历久弥新的价值观，我们的建议不是一份可逐条、零敲碎打地实施的清单，而是一套必须协同推进的实质性变革。
我们承认，真正的变革需要时间。但鉴于影响已经波及我们的社群，这些变革应在两个时间尺度上实施：一类立即实施；另一类立即启动、但需进一步研究与规划。
挑战：这些技术（LLM 等生成式 AI）已能为本科课程中几乎任何书面作业——论文、数学与科学题、证明、编程作业——产出可信的解答与合理的回应，且其能力只会继续增强。不到三年，它们已推动校园文化的重大转变：答疑时间人数下降、在线讨论参与减少、宿舍/图书馆等空间里的线下学习小组减少，带来了清晰的紧迫感。
机遇：AI 帮助教师开发定制化、互动的学习工具，让学生更深入地探索学科内容；稍加指导，连不擅长软件开发教师都能定制 AI 智能体支持课程或科研；学生能在有限课时内做出过去根本不可能的大规模软件项目，还能用 AI 分析数据、开展研究、构建工具放大自己的专长。
三大工作领域
我们认为当前形势要求学生体验的实质性重塑。我们将建议分为三块：
适应 AI 时代的教育流程（3.1）——尽快全校范围内重新审视「学生需要学什么」，设计更社会化、体验式的课堂，配套创新的作业与评价，并研究分数与评分制度的本质。
以人为本，重视社区与寄宿教育体验（3.2）——重振寄宿教育，系统性融入 AI 素养与负责任、合乎伦理的 AI 使用。
建立持续反思、迭代与改进的机制、团队与工具（3.3）——设立角色、流程与常设委员会；收集反馈与数据；提供技术与教育支持。
3.1 适应 AI 时代的教育流程
生成式 AI 影响学生「需要知道什么、会做什么」（学习成果）、「如何达成这些成果」、以及「我们如何评价其所学」。由于 AI 已能胜任 MIT 级别的作业，仅凭课外作业难以评估学生进展，教师迫切感到需要新的评价策略。但我们敦促教师不要只想着把课程「AI 化防御」（AI-proof）——AI 改变学习的社会层面（学生与助教的互动、答疑、学习小组）才是更深的挑战。
3.1.1 重新审视课程目标
教师在构建「AI 自觉」的评价之前，应重新思考每门课的学习目标：学生在课程结束时应当知道什么、会做什么？某门课的学习目标可能受 AI 影响、也可能不受影响，但都应是「AI 自觉」的——即承认 AI 存在于这个世界，教师可能指导或允许其以结构化方式在课内外使用，学生也可能未经许可就试图使用。
许多教师最大的担忧是：当 AI 能把学习的认知劳动外包出去，我们如何评价学生真正知道了什么、理解了什么？AI 时代，一些传统学习目标值得重新思考——例如，大多数学生还需要能手写复杂程序吗？个别教师与院系需要判断那些久远的目标是否仍然重要，若重要，则需开发「抗 AI」的评价方式。而以实验、项目、表演为核心的学习目标可能无需大改；AI 甚至能提供新方式来帮助学生反思、练习或准备。一位教师报告：为学生提供个性化、贴合课程的 AI 教练，消除了当众练习演讲的尴尬，大幅提高了学生练习意愿，进而提升了技能。AI 也可能让教师设计出过去不可能的学习目标，例如以全新方式理解或驾驭极其复杂的文本、工程制品或大型软件系统。
3.1.2 以新政策、新结构、新评价方式确保「持久学习」
MIT 的课程以高要求著称，许多学生又排满高学分与多项课外活动，时间上的竞争压力驱使他们追求效率——而最「高效」的莫过于用 AI 自动化。但若学生屈服于这个诱人选项，他们就从自己身上偷走了真正学习所需的「认知摩擦」与「有成效的挣扎」。
AI 既制造、也暴露了「既有学习目标」与「熟悉评价形式」之间的错配。MIT 长期用习题集、长文作业、带回宿舍的考试与课外项目让学生巩固知识、展示所学，而 AI 抽走了这些工具在「教」与「评」两方面的价值。
教师已经感觉到了：面对 AI，他们必须改变评价方式。许多人已在提高考试权重、或让学生在课上当场写/写代码。但这些战术性做法是有代价的：过度强调课内评价，会削弱学生对费时费力的习题集与项目（通往掌握之梯）的投入动力；把评价压缩到限时的课堂，本身就减少了学生的思考与斟酌空间。如果我们希望学生在意、并懂得如何创造与辨认「有价值的工作」——有格局、严谨、有创意、有深度的作品——那么快速、高压的评价恰恰传递了与我们期望相反的信号。
相反，教师应重新审视「真正想让学生知道什么」，并设计出能培养、甚至包含「有成效的挣扎」的评价形式，以建立持久的理解与掌握。我们敦促教师考虑那些更不易被 AI 攻破、且对学习更有价值的评价：口试、学期作品集、以及「课外作业 + 课内研讨」的组合。这可能意味着助教资源与课堂时间将成为评价的核心，也引出了是否要设法限制班级规模的问题。
3.1.3 强化体验式与项目式学习
为配合向「抗 AI」评价方式的转变，教师需增加体验式、项目式学习的比重。MIT 应支持所有教师发展教学技能，并认可这一领域的贡献。
具有讽刺意味的是，某些情况下 AI 本身反而能打开体验式机会的大门。既然 AI 擅长编程与某些设计，教师现在可以布置远更宏大的项目：在 MIT 的顶点（capstone）软件工程课上，过去学生一学期能合理完成的项目往往必须受限、且关键处不现实；如今完全可以期待学生用 AI 编程工具在一学期内构建出接近生产质量的软件制品。这反过来为更深的体验式学习腾出空间：学生能探索不同设计在真实世界中的表现，反思为何某些设计更优，并考察所构建系统在现实环境中的运作。
机遇远不止计算机科学：建筑系学生正用 AI 实验新的可视化与快速验证想法的方式，突破了传统表现技法的极限，拓展了创意项目的范围（虽然这更凸显了扎实的概念与技术基础、判断力与社会推理能力的重要性，以确保学生始终掌控自己的想法）。
哈佛经济学家 Rafella Sadun 近日在《华尔街日报》访谈中观察到，AI 时代会成功的劳动者，是那些「能创造性地思考 AI 如何创造价值、迅速把想法转化为行动、并随时准备通过实验与验证修正自己直觉的人——动手者与实干者在这一环境中如鱼得水」。这与 MIT 的动手精神与关注社会影响的取向不谋而合。AI 让学生能挑战更复杂、更高难度的任务，践行我们「心与手」（Mens et Manus）校训的方式之一，就是扩大所布置项目的规模与真实应用。
协作式的课内项目，还带来超越具体内容的成长机会：妥善构建并支持的项目能锻炼学生的协作、沟通、解题与情绪智力——这些「持久的人类技能」正是雇主最看重的。AI 还能增强这些体验，为学生提供数据分析、研究与构建工具的新途径。
3.1.4 在课程中构建「结构化的线下社交学习」
既然 AI 工具正在扰乱 MIT 长期形成的社会学习模式，每一门课都应包含定期的线下社交环节（而不只是坐在讲座或习题课上安静记笔记）。教师应有意图地构建这类互动，即便在大班也要达成学习目标、维持质量。例子包括：每周助教跟进的小组项目（同时评价个人与协作贡献）；由实验助理或助教引导的小组解题；围绕课程评分标准展开的反馈讨论；由受训助教或教授主持、并按个人参与打分的课堂讨论。教师应在开学第一天就向学生解释这些面对面互动为何对个人学习与社群建设重要。含大量小组项目的课程，还应提供如何成功合作的实用指导。
虽然 AI 工具能为学习带来真实好处（及时帮助、个性化反馈、可及性、让卡住的学生继续前行），但如果这些好处让学生绕过了「学习与人共事、表达想法、建设性接受批评、建立信心、发展判断力」的人类场景，它们就会适得其反。因此，MIT 应把 AI 不仅视为教学或技术挑战，更视为围绕「人的在场、共同的劳作、有意义的师徒关系」重建寄宿教育的关键契机。
3.1.5 保留并拓展课外科研与职业体验
自 1969 年创立以来，MIT 的「本科生科研机会项目」（UROP）开创性地为本科生提供了参与一线教师主持科研的系统途径。如今 UROP 已是 MIT 体验的标志性部分，直接参与度达到93% 的本科生与 58% 的教师。
UROP 等课外科研与学习体验带来的益处，除了学分与带薪工作等实用好处，更重要的是个人成长、与导师同伴的联结、以及职业探索。UROP 为寄宿制学院教育的目的与价值做出了雄辩的证明。MIT 应当保留、更新、并理想地扩大对 UROP 等强调师徒制、协作与「做中学」之体验的承诺；设法让它们更易获得；并考虑将其拓展到实验室之外。报告还鼓励探索合作教育（co-op）项目、让 UROP 类体验计入学位要求、拓展基于产业/合作的科研项目等。
UROP、研究助理（RA）等学生参与形式，能让学生进入新的智识共同体：加入实验室、向研究生与博士后学习、与不同阶段的同伴协作、在组会上展示、为论文贡献力量、出差参会，并逐渐把自己视为某个领域的一员。学生学到的不仅是方法与技术能力，还有研究问题如何形成、判断力如何发展、错误如何被建设性地解读、功劳如何分享、分歧如何化解、知识如何被集体生产。
关于 UROP 特别要说明一点：本科生固然能为教师提供有用的科研劳动力，但那并非该项目的意义所在——
它存在的目的是育人。正因如此，教师可能觉得用 AI 智能体替代新手研究者「更划算」的可能性，值得特别警惕。随着 AI 系统成为更廉价、更高效的 UROP/RA 替代品，学生可能失去那些塑造归属感、信心、判断力与职业身份的关系、实践与共同劳作形式。危险不仅在于学生做科研的机会变少，更在于他们「成为科研共同体一员」的机会变少。
3.1.6 重新考虑分数与激励机制
我们不主张通过「分数配额」（例如限制 A 的数量）来限制教师给出的成绩——委员会认为这会对校园文化与 MIT 应对 AI 挑战的努力起反作用。由于社会对文凭与分数的极度关注，一心刷高 GPA 的学生有强烈动机使用他们认为最有效的手段；配给高分只会加剧「靠 AI 抄近路」的诱惑。
当教师探索新的评价与体验式学习形式时，MIT 应借此机会思考分数在整个体系中扮演什么角色、当前做法能否改进。例如，如果教师主要靠加重课内考试权重来应对，就有窄化「MIT 文凭长期所代表之信号」的风险——MIT 学生能做困难的、独立的、深度思考的解题，而不只是会纸上考高分。
委员会鼓励 MIT 探索替代性的评分与评价体系，包括其他国家的做法（如英国的百分比制，用百分比表达相对专家标准的掌握度），以及「能力本位」（competency-based）、「掌握本位」（mastery-based）等新范式。作为一个思想实验，委员会讨论了这一想法：如果 MIT 没有分数，围绕 AI 作弊的许多动机就会消失。值得一提的是，MIT 早已不设优等荣誉（summa/magna/cum laude）学位，因为我们认为「拿到 MIT 学位」本身就是足够的殊荣。
分数远非学生展示掌握、自我检视进展的唯一方式；口试或展示中的实时反馈、项目提交后的书面评语，可能比任何分数都更能给学生有用的信息。随着对项目与体验式学习的重视增加，教师应思考分数是否在一切情境中都是唯一、甚至最佳的掌握信号——替代方案可以包括提升「作品集」的地位，作为各领域学生成就的展示。
3.1.7 扩建线下空间，用于实验与线下评价
我们的建议在多方面都要求更多面对面活动——从动手学习、协作实验项目到线下考核——这些都需要实体空间。多位教师表达了「希望有协作空间让学生完成延长的作业或考试」的愿望，这些可以是全模拟空间，或配备无 AI（或限 AI）电脑的空间。许多院系的实验室本可支持协作活动，却缺乏全职值守的资源。协作式的动手空间对各学科的教、学与社群建设都有用，而不只限于传统实验科学，我们敦促 MIT 投资建设并配备人手。
3.1.8 提供「附理由」的 AI 使用政策
学生反映，教师给出的 AI 指导往往含糊不清，且规则与传达方式因师而异。虽然我们反对一刀切，但学生渴望明确：在任一课程中，何时、何地、为何「禁用/允许/要求」AI，他们想要确定感。
因此，教师（或许还有院系）应确保MIT 每一门课都有明确的生成式 AI 政策，醒目地写在大纲与课程网站上。为使其可行，MIT 需尽快开发一套清晰一致的指导「菜单」，供教师与院系选择并酌情改编；院系可能希望采取协调做法，使同一主修专业内的规则与理由基本一致。
AI 政策必须附上理由。我们建议所有教师确保政策包含清晰的理由，并明确绑定该课程的学习目标。例如，若教师想禁止生成式 AI，与其简单宣布「用 AI 就是作弊」，不如解释「生成式 AI 会如何抄近路、剥夺学生掌握课程基础或练习解题能力的机会」。想鼓励 AI 的教师也应说明「为何用 AI 对该学习体验重要」，并可加入让学生反思「AI 何时帮助/伤害其学习、思考与心态」的练习。
最后，允许或鼓励 AI 时，教师须让学生明白：LLM 可能编造事实与引文，代码工具可能产出错误或不安全的代码，图像工具可能产出有偏见、冒犯或不恰当的输出。AI 只是工具，学生对其提交的所有作品负责，包括借助 AI 产生的任何不准确、有偏见、冒犯或不道德的内容。
3.1.9 慎用 AI 检测器与在线考试平台
许多工具声称能检测 AI，其中一些对纯 AI 生成的文本还算准确。但多数现实情境更微妙：若学生只用 AI 拟大纲或润色一段，这些工具多半查不出来。工具无疑会改进，但我们仍建议不要依赖 AI 检测器——这会催生「军备竞赛」：学生用越来越强的「AI 拟人化」工具抹掉检测信号，最终双方都白费大量力气。
AI 检测系统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。即便误报率很低，也会让学生紧张、造成严重后果。更普遍地说，围绕 AI 加强「执法」会在师生之间营造对立的猜疑氛围，伤害学生的动机与士气。
关于「锁屏监考浏览器」：这些在线考试环境会在考试期间接管电脑、阻止访问考试范围外的网络资源。委员会建议 MIT 研究这类工具，但指出当前一代漏洞多、易出错、且令人感觉像被监视。至少在目前，线下监考考试（MIT 的现行惯例）在多数情况下是更好的选择，只是需要相应的实体空间。
替代这些笨重技术方案的、更能建立信任、更支持学习的做法包括：在课上手写完成早期构思/草稿；设置定期的项目节点或会议以展示进展、避免大量工作堆积到截止前；让教师在多个阶段（而非只在最终成品）给予反馈。教师还可要求学生在「可记录版本历史」的平台上完成工作并提交历史，这能提供有用的过程证据（例如，通常要数小时的工作若几分钟内提交便很可疑），学生自己也常发现这些工具对反思想法的演进很有用。
健全纪律体系：MIT 现有的学术诚信框架与纪律委员会（COD）建立在「作品非己即人」的署名模式上，而生成式 AI 模糊了这条界线。用 AI 头脑风暴、调试函数、收紧段落、生成全文草稿的学生，在任何传统意义上都不是「抄袭」，教师在听证会上也普遍表示拿不准这条线现在划在哪里。MIT 需要明确：在涉及 AI 的学术诚信案件中，需要什么样的证据才能立案；COD 本身并不认为「仅凭 AI 检测器输出」就足够。持久的改变需要教师尽可能清晰表达期望，让学生把「滥用 AI」理解为对共同体规范的背离，而非违反某条武断的官僚规则。
3.1.10 支持负责任的课程实验
关于如何最好地把 AI 融入课程、如何设计体验以避开其陷阱，存在许多未知。我们鼓励教师与院系开展协调的课程实验，甚至开发「AI 轻量」（AI Light）与「AI 强化」（AI Heavy）等不同路径的课程变体。一些学生与教师出于种种原因不愿使用 AI，我们鼓励教师认真对待这种抵触，在学科允许时提供一条把 AI 使用降到最低的路径。
要创造「目标清晰（尽管可能不断演化）、恰当融入 AI、始终承认其存在、同时保持高标准」的学习体验，靠表面功夫是做不到的，需要大胆、富有想象力的全校性实验与评估。委员会的工作表明，全校学生、教师与职员都有着共同意愿，去创造性地共同应对这一划时代挑战。同时，我们敦促教师治理机构今年秋天审视其流程，为课程实验建立高效通道，使更快的探索与充分的评估相伴而行。
3.2 以人为本，重视社区与寄宿教育体验
AI 正在扰乱校园乃至更广世界的社会肌理。2026 年夏毕业典礼演讲中出现的「反 AI」声浪，只是许多人对 AI 本身及大科技公司在社会中所扮演角色不满的一个缩影。
AI 到来的时刻，恰逢校园生活的社会根基已承受压力：全美高校学生报告高水平的焦虑、抑郁、孤独与疏离，对机构的信任减弱，政治极化让校园更脆弱，疫后线下社群的恢复仍未完成。AI 并非降临在一个社会中性环境里，它正对一个「仍在努力重建寄宿教育所依赖之习惯与态度——到场、建立信任、热情参与共同事业、轻松地互尽义务」的社群施加新的压力。AI 可能加速这种侵蚀，也可能成为一场刻意重建的契机。
因此，MIT 的挑战既非原封不动地守住现有做法，也非拒绝那些可能支持学习与研究的 AI 工具，而是要果断行动，确保 AI 增强承载教育的「人类社群」而非悄然取代它们——让机器服务于人，而非反过来。
3.2.1 定义并传递寄宿教育的价值
作为寄宿制机构，MIT 需要清晰定义「让学生来到校园、热情投入面对面讨论、对话与解题」的价值。读过本报告的人，无一不是在基本的人际互动中受教的，但我们不能想当然地认为新生会珍视这些价值。
这正是 MIT 的核心：本着「心与手」的精神，我们一起做需要深度思考与严谨细致工作的真实项目。不加思考地「机会主义地」用 AI 完成作业，会削弱学生所学、损害其所属的学习共同体。学习之所以有效，正因为它既具挑战性又具社会性；知识是在「认知摩擦」中建构的——无论是与学习小组一起拆解一道数学证明的步骤、反复调试一个实验直到成功，还是与同伴激烈争论（而非从 AI 那里拿到「那个」答案）。这正是学生要上大学的原因！
学生需要相信「亲自动手做」符合自身利益。激发这种信念，光靠自上而下的 AI 政策是不够的。我们需要培育一种校园文化，使（1）教师施加的 AI 限制清晰地服务于学生的学习、成长与职业成功；（2）学生共享一种珍视并培育寄宿学习、抑制过度依赖 AI 的文化。
MIT 的官方使命与价值观把我们团结在一起，但我们日常有意识或无意识的决策，主要由身边小社群（班级、学习小组、院系、实验室、办公室、团队、俱乐部、生活团体）的默会规范与价值观塑造。对学生而言，正是这些线下社群培育了正式与非正式的社会关系，让他们成长、茁壮，并为 MIT 之外的人生做准备。雇主看重 MIT 毕业生的解题与技术能力，但他们同样需要「人际联结」的能力。AI 诱使学生转向它而非同学、助教、教授，制造出「人际互动无足轻重」的幻觉——但与他人一起学、向他人学，既支持学习，又锻炼了「让世界运转」的人类技能。
3.2.2 强化社交联结与个人身心健康
AI 威胁着 MIT 共享的社会肌理，并给学生福祉带来新风险。MIT 需要投资建立共同规范、创设新的社群仪式、应对 AI 引入（或加剧）的学业、社交与情感挑战。我们鼓励学校采取更多步骤去建设 AI 无法替代的社群。
过去，技术类「通识要求」（GIRs）不仅为大一新生提供了共享的学术基础与解题技能，还围绕一个共同核心创造了强烈的联结体验。但这一核心正随着学生第一年就赶修专业课程、把部分 GIRs 拖到大四春季而破碎。学生们的其他共同仪式——校园预览周末、迎新、开学典礼、「黄铜鼠」戒指、毕业典礼——是间隔很远的里程碑；而研究生除科研组/实验室外，共享的节律与仪式更少。
传闻表明，AI 的快速普及可能已在影响学生福祉：一些学生开始在学习或情感支持上依赖 AI，失去能动感、目标感与信心，并对在 AI 饱和世界中的职业前景感到焦虑。教师与职员应准备好识别与 AI 相关的学业、社交、情感挑战，并引导学生寻求适当支持。
MIT 应继续投资并扩大一年级学习社群项目，同时让更多师生参与关于「共同规范」与「社群为何重要」的对话。可考虑的做法包括：邀请学生、业界人士、教师与职员共谈「从哪来、热爱什么、如何走过人生与职业中的艰难抉择」的系列座谈；全校性的「人类技能与成就」庆典；「无科技时段」（Tech Free Times，此时段不排课、答疑或会议，转而支持线下联结活动）；以及把「MIT 共读」（MIT Reads）扩展到院系或宿舍层面。
3.2.3 鼓励教师披露自身对 AI 的使用
正如需要规范学生的 AI 使用，社群也需要就「教师恰当地使用 AI」达成并遵守规范。如果教师计划向学生展示大量由 AI 生成的内容，或在评价、评分、反馈的某些环节使用 AI，我们强烈建议他们向学生透明地说明用了什么、为何用。
AI 是帮助教师改进讲义、生成幻灯片、制作动画与仿真的极有用工具，但学生明确表示：课堂上过度使用 AI 会让他们觉得「教学并非教师的优先事项」。一个常见的抱怨是：「如果老师只是给一场 AI 生成的讲座，我何必来上课、何必做作业？」一项民调中，多数学生对「AI 助教」的想法感到不安。
听证会也强化了我们对「学生何等敏锐」的认识：学生注意到教师一边明显用 AI 做幻灯片、反馈或评分，一边又限制学生使用，并视之为「双重标准」。这既是风险，也是机遇——通过示范负责任地使用 AI，教师能帮助巩固社群在 AI 时代所需的新社会契约。
就评价而言，虽然 AI 是「对照评分标准检查作业、自动化某些评价环节」的好办法，但许多学生也有充分理由地强烈反感：自己投入时间完成作业后，得到的唯一反馈却来自机器。替代做法是把 AI 评分器直接连同作业一起交给学生，作为他们获取表现反馈的工具，而非决定最终成绩的手段。若我们把作业视为学习的关键工具，那么教师与学生都应在此过程中投入自己的思考与努力。
3.2.4 教授有效、负责、合乎伦理的 AI 使用
2025 秋 Tech 调研中，超过三分之二的学生认为 AI 对其职业重要，但仅 25% 认为 MIT 在充分培养他们使用 AI。AI 的「有效」「负责」「伦理」使用彼此不同又相互关联，学生需要在每方面都建立能力。我们建议立即把这些主题融入本科生与研究生的迎新，并尽快贯穿整个课程体系。
有效使用：学会如何界定问题/写提示词、如何核验输出、模型何时可能幻觉、以及何时根本不该动用 AI。
负责任使用：始于理解教育中「增强」与「自动化」的区别——AI 何时帮人做得更好、何时取代人（从而抹掉了「由人完成」所带来的学习）。还包括懂得如何在作业、论文、内部报告与发表的研究中诚实披露 AI 的贡献。
合乎伦理使用：要求我们每个人、并共同探索那些尚未厘清的议题——训练数据来源、偏见可能、输出同质化的风险、环境与资源成本、知识产权、以及「辅助」与「冒名代笔」之间的界线。
这些主题可通过多种方式融入课程：各主修的顶点项目可加入与 AI 相关的环节（如反思 AI 的局限及学科内的恰当使用）；院系可开发「AI-I-M」（主修中的 AI 强化）课程及面向研究生的类似基础课程；「沟通强化」类课程应教授写作中如何使用、何时避免 AI，包括幻觉引文与语言/思想同质化的风险；研究生导师与科研组应把「科研与发表中恰当使用 AI」纳入讨论。
3.2.5 正视并减轻 AI 的负面影响
从听证会与调研结果中我们了解到，MIT 许多人反对大多数 AI 模型的训练方式——通过大量阅读互联网数据、往往未经作者明确同意。一些社群成员因此干脆不使用 AI。MIT 需要正视围绕 AI 的从热情到怀疑乃至彻底拒绝的广泛立场谱系，并创造让所有学生都能在学业与个人上茁壮成长的教育体验；同时鼓励旨在减轻 AI 负面影响的科研与政策努力。
企业正积极向教育领域（包括我们校园）推销其 AI 产品，而人们对领先科技公司日益壮大的规模与权力的担忧也在增长——尤其对于在强大社交媒体公司影响下成长起来的学生。他们希望看到 AI 工具在社会、环境与社会影响方面承担更多责任、更加透明。
3.2.6 在论文与其他研究工作中声明 AI 使用
学生科研是 MIT 教育的标志。许多学生为发表论文贡献力量，学生论文通过 MIT 图书馆的「MIT Open Scholarship」知识库向世界公开。这些出版物不仅传播知识、也开启职业生涯，因此应体现 MIT 教育的价值与诚信。
所有学位论文都应包含一份关于 AI 如何被使用的声明；AI 绝不能被列为共同作者。多数期刊与会议也要求声明 AI 使用，部分还禁止某些用例，因此研究者在准备投稿前应查阅相关指南。MIT 图书馆提供如何、何时引用 AI 工具的指导。与课堂一样，规范在科研中的 AI 使用中扮演重要角色：科研中哪些 AI 使用是可接受的？如何教育研究者辨别 AI 输出何时有用、何时属实？不同社群的标准各异，但我们相信，所有 MIT 研究者都应把 AI 视为「由人主导、并由人负责核验其输出准确性」的工具。
3.3 建立持续反思、迭代与改进的机制、团队与工具
前述章节勾勒了 MIT 为适应 AI 所需做出的许多近期与长期改变。鉴于 AI 惊人地快速变化，我们今天给出的方案必须持续演进。本节建议旨在满足「有意的持续调适」之需。
3.3.1 设立常设的「AI 与教育」委员会
委员会全体成员都清楚：虽然报告写完了，MIT 在这件事上的工作才刚刚开始。为落实建议，MIT 应设立一个常设委员会，负责监测 AI 的校内校外影响、评估模型与技术的演变、并把来自经济、学习科学及校园实践的新证据融入政策与实践。它将作为战略、监测、评估与政策协调的主责机构，与 AI 联络人、AI 研究员与 AI 实施团队密切协作。
3.3.2 在学院/院系层面设立 AI 联络人（AI Leads）
建议在每个学院（或每个院系）任命 AI 联络人，协助本单位的 AI 课程规划、适配与采用。其职责可包括：制定贴合本单位的 AI 政策、规划如何根据 AI 调整本单位课程、开发能力本位学习、作品集等新的单位级教育与评价模式。
3.3.3 资助 AI 研究员与 AI 实施团队
建议 MIT 资助一支 AI 实施团队与一批 AI 研究员（职员、博士后、UROP 学生与研究生），帮助教师以「善用最新 AI 技术、并受学习科学原则支撑」的方式改造课程。团队与研究员在三个层面工作：支持个体教师、开发全校性工具、并作为「贴地听声」的实施专家研究这些工具如何在全校被使用、效果如何。对任何个体教师而言，从长期沿用的课堂实践与评价转向新的「AI 自觉/AI 赋能」实践都令人望而生畏，全校规模地推进更是艰巨工程——若指望教师做出超越渐进式的改进，就必须提供指导、直接支持与社群，并扩充专家队伍（现有支持单位如教与学实验室已满负荷）。
3.3.4 设立 AI 试点基金（AI Pilot Fund）
课程改革不易，许多教师（尤其是最需尽快适应 AI 的大班教师）已感超负荷、不知所措。为支持全校范围内对课程目标与方法的「AI 自觉」修订，MIT 需要提供实质资源。建议 MIT 与各院系/学院设立 AI 试点基金，教师可申请资源（AI 额度、助教、UROP、暑期支持等）用于开展 AI 赋能项目、探索 AI 对教学的影响、并创造「刻意无 AI」的体验。
3.3.5 提供持续的培训与教师支持
除物质资源外，教师还需要持续的机会去了解 AI 如何改变教学、学习与自身工作。许多教师表示自己 AI 经验有限、不知学生如何使用、也不知自己该如何使用；另一些教师则说 AI 帮他们开发互动学习工具、制作幻灯片动画、润色讲义、减少课程管理杂务，并创造新的学习体验——工具已进步到连毫无软件开发背景的教师也能产出令人印象深刻的成果。
为帮助教师驾驭风险与机遇，建议 MIT 借鉴 Sloan 商学院的做法，为教育者开发一套资源，包括：定期举办「午餐学习会」（lunch-and-learn）式研讨，让教师听同事分享如何用 AI、如何适应 AI（校内教师对这类跨/同院系的「实践社群」十分渴望）；开设线上与线下培训（动画/仿真开发、编程工具、任务跟踪系统等）；并由 MIT 自己、而非采购外部通用第三方 AI 培训来提供这些资源，避免「走过场打卡」；举办一年一度或半年一度的「AI 与教育」研讨会，召集 MIT 及更广学术界共议进展与最佳实践。
3.3.6 建设观测指标（Metrics）
为理解 AI 如何重塑社群与课堂，MIT 应开始追踪围绕 AI 使用、校园参与、学生满意度与毕业后反馈的指标。可在两年一度的「MIT 生活质量调研」中加入更多 AI 相关问题，或在课程评价中加入关于师生参与度与 AI 使用的问题。
3.3.7 保障公平的技术访问
MIT 应继续提供像 Parley 这样的「模型中立」AI 平台，不把社群绑定于单一模型提供商，并确保其访问级别满足需求。不同生成式 AI 模型在不同任务上的表现与行为差异巨大；OpenAI、Google、Anthropic 等商业提供商都提供付费托管服务，最高档计划月费可达 200 美元（截至 2026 年 6 月），有的研究者每月在编程工具的「按次调用 API」上花费数千美元。
对 MIT 社群而言，这造成了一种令人不安的不公平：许多学生每月自掏 200 美元甚至更多去使用前沿 AI 系统，而许多同伴做不到。结果，一些学生能用到「一夜之间完成大量课程项目、解决极难数学与编程题」的工具，另一些只能用较弱的模型——即便课程政策允许无限制使用 AI。这种失衡可能造成巨大的课程表现差距。类似的担忧也适用于课堂之外、被拿来与「拥有更强模型」的同事比较生产力的行政人员与研究者。
作为解决访问与隐私问题的第一步，IS&T 提供 Parley 系统，让 MIT 人人可用多种商业与开源模型，并每人每月提供最高 30 美元的免费额度；供编程工具使用的 API 访问已于 2026 年夏上线。Parley 的访问很有帮助，但可能不足以满足所有 MIT 课程，尤其在业界正迅速采用这些工具的软件工程领域。一些用户也反映每人每月 30 美元的「预算」过低。我们建议 MIT 继续调研社群需求，考虑为特定用途（如某些聚焦 AI 的课程）扩大访问。此外，由于订阅计划相对 Parley 的按 token 计费实际更划算，一些团队至今仍在自费购买商业模型。
由于智能体（agentic）系统与工具日益成为 AI 实践的一部分，我们采用的任何系统都应提供对智能体编码与工作工具的访问（不只是聊天界面）。我们还需确保为需要训练或微调模型的学生提供充足的校内/云端算力资源。
3.3.8 保护敏感数据、保留模型选择
建议 MIT 继续投资于顶尖工具的访问，让学生、教师与职员能在不必担心其聊天、数据与应用隐私的情况下完成工作；MIT 必须承担起在保持「模型中立」的同时保障这层隐私的责任。对商业 AI 工具的一个担忧是敏感数据可能被纳入其训练集——多数付费计划允许用户刻意关闭数据采集，但默认设置往往是记录用户会话用于训练，这可能导致 MIT 用户的私密敏感数据流入模型答案。
MIT IS&T 提供了不同类型数据与商业 AI 提供商「允许用途」的参考；一些师生也担心自己的出版物（含学生论文、期刊文章、书籍）被用于训练 AI。我们强烈支持 Parley 的「模型中立」路线，并敦促 MIT 不要绑定任何单一商业 AI 生态，同时为所有人保持一流访问。我们还希望 MIT 提供更多本地 AI 模型的托管访问，让用户无需担心商业提供商采集训练数据地发起请求——近期可在本地 GPU 上运行的开源模型，在许多任务上已具备与商业模型相当的能力，但最大的开源模型要在本地运行仍需极大的 GPU 集群。
3.3.9 建立隐私、日志与审计政策
AI 系统不只是工作工具。自技术诞生之初，人们就用它寻求情感与心理支持——MIT 自创的最早系统之一 ELIZA 聊天机器人就是如此（尽管它主要是为了演示人机交互的肤浅）。如今，MIT 社群成员向 AI 系统分享的信息，包含其身份与经历中最私密、最敏感的层面——关于健康、关系、情感生活、目标、抱负与焦虑的提问。我们的学生正是最可能用 AI 寻求这类个人建议的一代。
由于 Parley 是 MIT 管理的系统，它提供了一个机会：审计 AI 模型的使用；理论上 IS&T 能看到用户发给 Parley 的每个请求及后端模型的响应。因此，MIT 需要建立清晰的政策，规定允许哪些日志与审计。这里存在相互竞争的利益：用户可能希望用这些模型问私密、敏感的问题，并期望数据保密；而教师可能希望看到学生如何使用 AI 聊天会话或日志，以判断学习目标是否达成。MIT 可能需要探索匿名化技术，或建立「课堂作业中与教师共享日志需明确标注」的做法。
MIT 需解决几个问题：数据如何留存与存储？当用户出现自伤或伤人风险、或表现出心理困扰迹象时，如何监测（或干预）AI 交互？如何最好地向社群传达这些政策及其含义？这些问题需要公开讨论、透明解决。
3.3.10 监测 AI 的成本与环境影响
许多社群成员对 AI 的环境成本及数据中心对所在社区的影响表达了严重关切，包括数据中心的能耗与水耗、建设的影响、硬件材料的制造。训练与推理都产生能耗，模型的快速响应与不断训练更新更强模型的「持续换代」也有环境影响。MIT 应从校园实践与科研两方面着手。
我们既认为 MIT 提供 AI 工具访问必不可少，也建议学校投资于「提供 AI 实际环境与财务成本信息」的途径——例如在 Parley 上公开不同模型的环境成本估算、或鼓励使用影响更低的 AI 工具；并尽可能审计自身的 AI 足迹。校内已有衡量数据中心环境成本并设法降低的工作在进行中；由于企业保密、且影响分散（从建设到贯穿整个推理生命周期的训练成本），这些影响往往难以量化。MIT 的能源倡议、气候项目、气候与可持续联盟等机构正探索数据中心与社区未来的创新答案；MIT 还能在设计「能耗低得多」的 AI 模型上做出重要贡献。
四、结论
我们希望这份报告反映了 AI 带给 MIT 的挑战与机遇的复杂性、紧迫性与微妙性，并帮助 MIT 社群携起手来采取行动。
AI 有潜力让学生更高效、更高效地学习，并习得帮助其建设更美好世界的技能；更有甚者（尽管超出本报告范围），AI 非凡的能力已经在校内外改变科学研究的实践。但 AI 也对学习过程、教学实践与寄宿教育的社会肌理施加了诸多颠覆性风险。
一个强烈共识。委员会工作中的一个惊人发现是：尽管成员来自全校——五个学院与大学——以及不同专业视角与世代，我们所有人对「AI 给学生与社群带来的风险」怀有同样的根本担忧，并同样怀着紧迫的决心：MIT 应率先开辟一种赞美人类智慧与联结的新型教育模式。
MIT 的独特位置。凭借在 AI 领域的长期领导地位、作为全球顶尖研究与教育机构之一的角色、以及动手教育的悠久传统，MIT 处于独特位置，能够引领高等教育完成这场高速、高风险的 AI 时代适应。
这不是可做可不做的事。我们必须展示如何把 AI 深思熟虑地、有意图地融入课堂、科研事业与寄宿教育体验，以确保学习、推进发现、并为学生的未来做好准备。
要做的事很多。从现在起，MIT 社群必须着手一系列改变，使教育方法更「AI 自觉」。这未必意味着把 AI 融入我们做的每件事、甚至大多数事；但谁都不能对「AI 正在影响学生学什么、怎么学」这一事实视而不见。
对学生而言：我们将通过强调寄宿体验最具变革性的部分并做得更多、重新思考他们需要知道什么并改造评价、教他们在各自学科内恰当使用 AI、帮助他们发展在 AI 饱和世界中走出 MIT 后所需的技能、判断力与态度，来服务学生。我们必须培育一个珍视并善用「共享的线下 MIT 体验」、并激励学生投身「学习的有成效挣扎」的社群。
对教师而言：学校还需确保教师知道何时该用、何时最好不用 AI。虽然教师自身必须牵头权衡「学生现在需要知道什么」并设计「AI 自觉」的评价，但 MIT（尤其是院系）可能需提供大量支持、协调与指导。我们必须在院系之间、学校之间建立「实践社群」，让教师互相学习如何使用、适应并防范 AI。这反过来要求学校与院系允许并支持在课堂中围绕 AI 的实验，并提供捕捉与分享这些经验的途径。
长期而言：有些改变需要时间。我们需要设法让学生从入校到毕业都获得恰当的 AI 学习体验；持续监测与研究业界所需的技术能力与持久人类技能，确保恰当地培养学生；深化对「AI 如何影响学习」的科学理解，让教育实践反映这一不断演进的知识；并在收获 AI 红利（尤其在科研领域）的同时，积极减少其危害。
面向未来的路线图。我们以谦逊之心，把这份报告作为一份路线图，帮助 MIT 立即并长期地完成这一转型。这项工作需要整个 MIT 社群——学生、教师、职员与领导层——的深思投入与专注努力。目标：
守护并增强 MIT 教育独特的变革力量。可以毫不夸张地说，MIT 的使命维系于此。所幸，委员会的工作让我们确信：MIT 的人们对此挑战怀有强烈兴趣，且具备独一无二的条件去应对，使 MIT 能够继续培养学生「智慧地、创造性地、卓有成效地为人类福祉而工作的能力与热情」。
附录 A · 委员会工作流程
委员会由本科生、研究生、各学院教师及相关单位职员组成。鉴于该领域变化极快，工作「短暂而密集」：2026 春季每周开会，开展了问卷调查、同行政策与实践分析、多场面向 MIT 社群的听证会（含研究生与本科生专场），并与校内多个 AI 相关团体（IS&T、纪律委员会、学生行为与社区标准办公室、MIT Open Learning、各学院理事会及多位专家）会谈。
关于本报告的 AI 使用：报告正文无任何文字由 AI 生成。我们曾把早期草稿交给 ChatGPT 以识别冗余/重叠段落；附录 C 的部分图表与统计汇总用 Codex（OpenAI 的 AI 编程工具）生成。委员会成员也用 AI 综合与呈现数据及报告（如汇总其他学校已公开的 AI 立场）以辅助讨论。
附录 B · 大纲中的 AI 政策样例
建议全校就一套「标准 AI 政策菜单」达成一致，每门课都从菜单中选定一项明确政策（并酌情改编），通过大纲与课程网站清晰传达，并附上「该政策如何支撑本课学习目标」的理由。四类菜单如下（可适用于整门课，也可指定到个别作业，可用红绿灯图标帮助学生辨识）：
| 政策 |
要点 |
最适合 |
| ① 无限制使用 |
任何目的都可用任何 GenAI。可要求附「AI 使用说明与反思」、必要时附对话记录。 |
主要靠课内（无 AI）评价的课程；或「评估/整合 AI 输出本身就是任务」的宏大软件项目。 |
| ② 仅作辅助工具 |
可用作学习、头脑风暴、编辑、调试、解释，但不得产出完整/实质性解答——类似请教同学或助教。需明确各环节的可用/不可用。禁止把完整题目喂给 AI、让 AI 解题、把 AI 文本/代码/公式/分析当作自己的提交。 |
独立解题为核心、但 AI 可作导师/编辑/学习助手的课程。报告认为这是多数课程最合适的模式，但也最需费心界定边界（师生对「辅助」的理解可能有分歧）。 |
| ③ 强制使用 |
必须按指定方式使用指定工具、遵循规定流程、提交 AI 交互记录。可与其他类别搭配。 |
学习目标包含 AI 辅助编程、提示工程、批判模型输出、人机协作或评价 AI 系统的作业。 |
| ④ 严格禁止 |
全程不得以任何形式使用 GenAI。 |
因课外作为参考/支持工具的「监管」几乎不可能，此政策难以可靠执行，存在「漏判」与「误判」双重风险。 |
附录 C · 调研结果
C.1 2026 春季 AI 使用与态度调研（N=1632，回复率 12%）
总体使用：ChatGPT 使用最广，44% 受访者（学生 46%、教师 35%）「常用/很常用」；Sloan 商学院各工具使用率显著更高。
教师使用：多用于行政任务与备课/讲义，用于评分或个性化反馈的比例低得多。
学生使用：多用于编程、信息检索、写作修改与总结，「整篇生成新文本」比例较低；Sloan 学生各用途使用率均显著更高。
AI 态度：普遍认为需要 AI 技能、AI 让自己更高效，但也觉得自己越来越依赖它；对「是否有助于学习」「课堂是否欢迎」态度分化；多数人不喜欢把它当写作工具。
科研中的使用：多数认为拼写语法、研究、代码生成是可接受的，而用于同行评审、或根据提纲/笔记起草段落是不可接受的。
担忧：普遍担忧幻觉，伦理与环境影响也有不少人担忧。约 10%（N=163）在「其他」栏写下顾虑，其中最常见（N=79）是「AI 对学习与认知发展的影响」，其次（N=34）是「AI 在教育中角色」等哲学/社会担忧。
C.2 2026 春季生活质量调研（全校约 8200 人）
使用频率：约 40% 受访者「常用/很常用」；本科生约 46%、本科+研究生合计约 60% 至少「常用」；服务/支持人员使用率最低（53% 从未用过）。
乐观/悲观：仅 23% 对生成式 AI 乐观；教师与研究生/博士后略高。
更有能力 / 更可被替代：40% 感觉「更有能力」，27% 感觉「更可被替代」；本科生「感到可被替代」（40%）高于「更有能力」（34%）。
工作更好/更差：42% 认为「更好」，21% 认为「更差」。
更高效：60% 认同 AI 让自己更高效。
可靠/不可靠：39% 认为「不可预测、不可靠」，21% 认为「可信、可靠」。
MIT 指导：72% 本科生认为获得了足够指导，其他群体认为「支持充足」的比例低得多。
C.3 2025 秋季 Tech 调研（学生报纸，N=1002）
本科生 46% 每天使用 LLM、30% 每周数次；研究生/博士后分别为 46% 与 35%。
本科生最常见用途：解释课程内容（80%+）、编程辅助（约 70%）、完成作业（50%+）、总结论文（50%+）；研究生/博士后：编程辅助（88%）、头脑风暴（55%）、总结论文（52%）、写论文（48%）。
35% 本科生表示 LLM「省了很多」时间，45% 以上「省了一点」。
90% 本科生对过度依赖 LLM「有点或非常」担忧（67% 非常担忧）；45% 非常担忧不准确/误导性输出。
75% 本科生认为教师对 AI 使用的期望清晰；50% 认为课程中 AI 使用应由教师与院系自行决定；70% 认同 AI 熟练度对职业重要，但仅 25% 认为 MIT 正在培养学生专业使用 AI。
附录 D · 更多资源
更多关于教育与科研中 AI 的资源、以及本报告结论的实施进展，请访问 https://aihub.mit.edu。
原文出处：https://aiandeducation.mit.edu/report/
