昨天和前天，我本学期讲授的两门课程都以考察形式结课了。学生们上台做了展示，然后都有问答环节进行追问。就如同这一学期每次上机课之后，我们例行做的那样。
表面看来，这不过又是一个学期的轮回。《信息系统开发》这课我从 2011 年就开始讲，到今年已经是第 14 个年头了。《机器学习》也已经教到第 3 轮。然而，今年意义非凡 —— 这是 我让 AI 全面渗入教学的元年。
从我第一年教机器学习这门课开始，我就鼓励学生使用 AI。发现学生用得不得法时，我还会做演示指导。到了去年，我会专门用一讲来介绍 AI 的使用。而今年，我们完成了一个重要转变：从「选用、可用」变成了「必须用」。
这个「必须用」的含义是，每次上机和期末作业，学生都需要汇报 AI 使用体验 —— 用了什么 AI，解决了什么问题，遇到了什么挑战，如何应对，最终收获如何。这个过程本身，首先是避免他们不加思考地将 AI 结果提交，强调交互过程和转述，培养他们的元认知能力。更重要的是，我发现这在训练一种全新的素养：如何将头脑中模糊的想法转化为 AI 能够理解并执行的精确指令。
起初，我推荐 Deepseek R1 和调研工具、知识库组成的助手，还给学生们 写下这篇文章作为教程。后来我发现学生在编程时常忘记提供上下文，就引导他们使用 AI 代码编辑器。当时 免费又好用的 Trae 成了首选—— 它能看到工作空间的全部文件，结合报错信息，回答更有针对性。
选择编程任务作为 AI 辅助教学的切入点，是因为它足够规范 —— 大模型掌握的规则、知识和样例充足，而且结果检验客观。我满怀期待地将新模型、新工具、新规则融入课程。
一学期下来，收获着实显著。许多学生表示终于见识到了 AI 的真正能力。原本担心系统做不出来的同学，特别是那些对编程掌握不足、生怕自己最后交不出作品的学生，发现通过与 AI 多轮对话、迭代，总能至少搞出可用的功能。比起以前到处找「参考」代码、复制粘贴、遇到问题无处求助，这种学习体验好了太多。
更令人欣喜的是，那些真正找到用户需求的学生，现在可以将全部精力投入到调研、思考、共情、沟通上。他们快速搭建原型，不断征询用户反馈，迅捷迭代。有的小组到期末已经拥有 200+ 用户，不但期末成绩优秀，更是看到了现实中创业的可能性，这种成就感令他们喜悦溢于言表。
这恰恰揭示了一个深层真相：当执行层面的障碍被 AI 扫清后，真正的价值创造发生在更高的层面 —— 理解人性需求、做出价值判断。学生们开始明白，技术只是工具，洞察才是核心。
然而，AI 发展的速度还是超出了我的预期。
第一波冲击来自 AI Agent 的崛起。Manus、Flowith、Genspark 等工具相继出现。我尝试将学生的需求分析报告输入这些工具，几分钟后，原型系统就生成了。当我在课堂上演示这些系统时，我当众操作着各种界面和按钮，一边说，一边扫视整个教室。学生们的反应各异 —— 有惊叹，有兴奋…… 当然，也有迷茫。
这种迷茫可以理解：如果 3 年学习的技能，AI 几分钟就能超越，努力的意义何在？
但这恰恰引出了另一个关键洞察。我们需要重新思考：高等教育的核心从来不是技能本身，而更是培养「知道何时、如何、为何使用技能」的判断力。
有意思的是，我观察到一个现象：那些编程基础相对薄弱的学生，反而更容易接受并善用 AI 工具。他们没有「正确做法」路径依赖的包袱，反而更愿意尝试各种可能性。这种原本让他们处于劣势「技术无能」竟成了他们在 AI 时代的优势 —— 因为他们更早地突破认知屏障，完成了从「如何做」到「为何做」的认知升级。
学生们很快发现，AI Agent 生成的原型往往有各种小问题。增补功能时，可能捡了芝麻丢了西瓜。这时，他们开始探索 Trae、Cursor、v0 等不同工具的组合使用。有趣的是，根据很多小组期末的反馈，免费的 v0 在某些场景下甚至比付费工具更好用。
探索过程虽然充满挫折，但也难掩最终成功的喜悦。这个曲折的过程，恰恰证明了基础知识的价值 —— 理解问题本质，清晰对目标和约束条件进行表达，才能通过提示词有效引导 AI。
期末之前，Claude 4 系列的发布带来了第二波冲击。我用 Claude Code 在 10 分钟内完成了学生们苦战多时的系统改进，甚至「一稿过」地实现了碳积分、智能柜密码等复杂功能。
学生们惊呼：「老师，你这个 AI agent，咋和我们的不一样呢？」
我告诉他们，区别在于底层模型的能力。听到 Claude 4 Opus 和 Code 的价格，他们心安理得打消了使用念头，转头接着用免费的 v0 死磕自己的期末作业了。
不过我也不失时机提醒他们，今年价格高不可攀的模型，也许到了明年，后年，就会因为竞争变成白菜价。到那时候，人人都可以轻松负担得起如此强大的自动编程助理。
对，人人都可以。可这样想想，也让人冒冷汗：如果 90 分以下的编程任务都能由 AI 包揽，计算机相关专业的教育教学该如何定位？我们是否需要从「如何编程」转向「如何与 AI 协作」和「如何利用 AI 解决更复杂的问题」？这些问题萦绕在我心头，也成为后续课程改革的新动力。
通过这学期的实践，我逐渐更深刻理解了人机协同。这种协同有着清晰的层次结构：在最高的意义层，人类负责「为什么」—— 设定目标、判断价值、赋予意义，这是 AI 目前无法替代的领域。在最底的执行层，AI 负责「怎么做」—— 代码实现、功能优化、bug 修复，这些部分现在越来越少需要人类来插手。而目前的趋势，是真正的协同发生在中间的对话层 ——「做什么」需要双方持续互动，人类提供情境和约束，AI 生成选项和方案。
就像指挥家不需要会演奏每一种乐器，但知道何时让小提琴独奏，何时让乐团齐鸣。未来人在系统开发中的作用更像是「AI 乐团的指挥」，他们的价值在于三个方面。首先是提出正确的问题。其次是评估 AI 的输出质量。最后是连接技术与人性需求。
上机课的时候，我更多处于一个观察员的角色。我印象最深的是一个学生的转变时刻。她盯着 AI 生成的代码，皱起眉头 —— 不是因为执行报错，而是在对着原型功能思考「这真的是用户想要的吗？」她翻开用户访谈笔记，重新组织语言，调整提示词的表达方式，再次与 AI 对话。在这个过程中，她没有学编程，也没有手动敲代码，而是在学习一种全新的能力：如何在人类的模糊需求和机器的精确逻辑之间搭建桥梁。对于未来的系统开发专业人员来说，成功的关键兴许不再是编程技能的独步天下，而是他们的洞察力、共情能力、沟通能力、迭代思维和决策品味吧。
如同手机导航普及后，我们失去了看地图找路的能力；计算器诞生后，珠算能力的价值大幅衰减。我们有所失，但获得了更多。
例如有了导航，我们可以更多思考「为什么去那里」而非「怎么去」。我们能探索更远更陌生的地方。甚至，因为有了辅助驾驶，我们也可以在路上做更有价值的事。
学生们正经历类似的转变。我设计并且强制施行的「汇报 AI 使用过程」机制，本质上是在训练他们的元认知 —— 不是学编程，而是学「如何学习」、「如何思考」、「如何与 AI 对话」。更深层的是，这是在培养一种面向未来的核心素养：在人类意图的模糊性和机器执行的精确性之间充当「翻译官」的能力。
如果将课程目标从「教会学生开发信息系统」转变为「教会学生成为优秀的系统思考者和 AI 协作者」，AI 技术发展过快的浪潮冲击便不再是灾难，而是福音。专业课程教育也将因为视角和定义的不同，焕发新的生机。这种转变就像从教石匠砌墙，变成培养建筑师的审美眼光 —— 不再是累积技能的脚手架，而是培养判断「这堵墙该不该存在」的能力。
实话实说，我也看到了危险的苗头 —— 有学生开始过度依赖：「AI，你说咱做个什么系统好？」「AI，帮我调研一下市场需求呗。」这种「大撒把」式的使用，正是我通过机制设计努力避免的。希望各位同仁在鼓励学生用 AI 的同时，务必注意堵上这个缺口，避免学生把西瓜和芝麻全都丢掉。
作为教育者，我们没有水晶球，没法预知未来。更好的策略，可能是帮助学生培养在任何未来都大概率能立足的品质 —— 永不枯竭的好奇心、独立的批判性思维、对人类需求的深刻洞察，最重要的，是保持人之为人的主体性。
真正的教育革命，不是用 AI 取代教师，让老师们失业或者躺平；更好的结果，该是用 AI 解放教师 —— 当老师不再需要花费大量时间传授即将过时的技能时，终于可以专注于教育的本质：点燃思维的火花，培养判断力，守护人性中最宝贵的创造力。
这学期的探索让我确信：AI 不是教育的终结者，而是教育转型的催化剂。如果未来的大学不再按传统学科划分，而是围绕人类独有的能力重新组织 —— 共情力、创造力、判断力、意义建构力 —— 那么我们今天的探索，或许对这场教育变革来说，能起到一点抛砖引玉的作用。
如果你觉得本文有用，请充电。
如果本文可能对你的朋友有帮助，请转发给他们。
欢迎关注我的专栏「科研利器」，以便及时收到后续的更新内容。
点击这个链接加入少数派会员，立享 9 折优惠！获得专属会员内容、会员播客以及会员定制周边。在更多的领域和方向帮你打开脑洞，找到新的兴趣点。与少数派一起洞悉当下，探索新知。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。