加州大学伯克利部分计算机相关课程，最近出现了一个不太舒服的信号：不及格成绩上升。

校园媒体《The Daily Californian》的报道里，多位授课教师把这一变化同两件事放在一起看：学生更频繁使用 AI 工具，数学基础能力变弱。

这里最容易写偏。把它说成“AI 导致伯克利学生挂科”，太快了。原文主要呈现的是教授观察和课程表现，不是严格因果研究；事实锚点也只应限定在 UC Berkeley 的计算机相关课程，不能外推成全校现象，更不能说成全美高校已经出现同一轮危机。

但这件事仍值得看。

它有意思的地方不在于 AI 又惹了什么祸，而在于它戳中了计算机教育的一个旧问题：学生交上来的作业，越来越不等于学生真的会解决问题。

挂科上升背后，是“能交作业”和“会解决问题”的断层

伯克利这个案例，目前能确认的边界很清楚：部分 CS 相关课程，不及格成绩上升；教师把它同 AI 使用增加、数学能力下滑联系起来；报道没有提供可核验的不及格率数字、班级人数或多年曲线。

所以，不能把它写成一场已被数据证明的“挂科潮”。

我更在意的是另一个变化：作业的证明力变弱了。

过去，一份能运行的编程作业，通常意味着学生经历过不少步骤：读题、拆问题、写代码、看报错、改逻辑、再调试。过程很笨，但训练有效。计算机课里很多能力，就是这样磨出来的。

现在，ChatGPT、GitHub Copilot、Claude 这类工具进入日常学习后，很多中间环节可以被压缩。解释报错、生成代码框架、给出思路提示，AI 都能做一部分。

这不必然是坏事。基础好的学生，可能因此得到更快反馈。基础弱的学生，却可能直接跳过最该吃苦的地方。

问题回到主线：AI 不是凭空制造能力差距，它更像一面放大镜。

计算机科学也不是单纯“写代码”。离散数学、概率、线性代数、证明训练，都会在算法、复杂度、机器学习和系统课程里反复出现。数学抽象吃力的学生，即使用 AI 拼出一段能跑的代码，也未必理解它为什么对、哪里会错、复杂度为什么成立。

这就是教师看到的反常点：平时作业看起来能过，到了考试、限时编程、纸笔推导或现场解释，短板重新冒出来。

AI 辅助、过度依赖和学术不端，必须分开处理

把 AI 一概等同于作弊，省事，但不准确。

大学课堂真正难处理的，是中间地带。学生可能只是让 AI 解释一个概念，也可能让它代写核心代码，还可能违反课程规则提交非本人完成的内容。这三件事不能混在一起判。

使用方式典型场景主要风险课程该怎么管
AI 辅助学习解释概念、提示调试方向、生成练习题依赖不一定增加，反馈可能更快要求学生写出推理过程和使用记录
过度依赖让工具完成代码、推导或解题框架，自己只整合训练被跳过，考试和答辩时暴露短板增加分步骤提交、代码走读、纸笔推导
学术不端违反课程规则提交非本人完成内容破坏公平，也扭曲成绩信号明确禁区，保留审查与申诉机制

这张表的重点，不是替 AI 开脱，而是把管理对象说清楚。

如果学生用 AI 问“为什么这个递归会爆栈”，这可能是学习辅助。如果学生直接提交 AI 生成的项目主体，却说是自己完成，那就是另一回事。边界不清，教师就很难公平评分；边界过死，学生又会转向更隐蔽的用法。

对学生和家长来说，真正该警惕的不是“用了 AI 就完了”。更实用的判断是：离开 AI 后，还能不能独立完成同类问题。

可以用三个小测试自查：

  • 不看 AI 生成内容，能否从零写出解题思路；
  • 代码报错后，能否解释错误原因，而不是只复制报错信息；
  • 换一道相似题，能否独立完成关键步骤。

如果这三项做不到，AI 多半已经不是拐杖，而是轮椅。

对教师来说，压力更现实。过去批作业，重点看结果和部分过程。现在还要判断学生的过程是否真实，AI 使用是否合规，成绩是否还能反映能力。这会增加批改成本，也会让大班课更难管。

接下来要改的不是口号，而是验证理解的方式

受影响最直接的，是高校教师和课程设计者。

课程设计过去默认：作业能在一定程度上证明学习过程。现在这个默认前提松动了。能运行的代码，越来越不能单独说明学生会设计、会推理、会调试。

所以，接下来更可能发生的调整，不是简单把 AI 禁掉，而是把“验证理解”重新放回评分中心。

对高校教师与课程设计者，动作会很具体：

  • 作业分数可能下调，考试、课堂测验、口头解释的权重上升；
  • 编程项目可能要求分阶段提交，保留设计草稿、调试记录和修改痕迹；
  • 证明题、纸笔推导、代码走读会重新变重要；
  • 课程大纲需要写清楚哪些 AI 用法允许，哪些必须标注，哪些属于违规。

这会带来成本。

口头答辩很有效，但大班课很难全面铺开。分步骤提交能看到过程，却会增加助教批改负担。要求标注 AI 使用，能提高透明度，但也依赖学生诚实申报。教育改革从来不是一句“拥抱 AI”就能解决的事。

对学生和家长，动作也不该停在焦虑上。

如果目标是通过大学 CS 课程，最稳的策略反而很旧：补数学，练调试，少把 AI 当答案机。AI 可以用来解释概念、生成练习、对照思路，但关键题目要保留一部分“裸手训练”。尤其是离散数学、证明、复杂度分析和基础算法，不能只靠看懂 AI 的解释来代替自己推一遍。

这也是伯克利案例能给外部读者的增量：它不是在证明 AI 毁掉课堂，而是在提醒课堂原有的能力验证机制已经不够用了。

行业开发可以追求更快交付代码。大学课程不能只追求交付结果。它还要确认学生在没有现成答案时，能不能拆解问题，能不能解释选择，能不能在错误里把路找回来。

接下来最该观察的，不是伯克利会不会出台更严厉的 AI 禁令。

真正该看的是三件事：课程是否重新提高过程评分；教师是否把数学和推理能力补回训练中心；学生是否被要求清楚说明 AI 到底帮了哪一步。

如果这些问题不解决，AI 用不用都只是表层。工具越强，结果越像答案；但筋骨有没有长出来，考试和真实问题会给出回答。