2025年秋天，一位大学教师在社交媒体上分享了自己的经历：“我花了整个周末准备的一堂‘机器学习导论’，上课十分钟后，一个学生举手说：‘老师，这些内容我用ChatGPT已经学过了，能不能讲点更深的？’”

这条帖子获得了大量点赞和转发。过去两年，类似的情景在全球大学里反复上演。学生们用大模型写论文草稿、调试代码、整理文献、生成学习笔记；教师们用AI备课、出题、批改作业、撰写项目申请书；学校管理层则在测试智能助教、学习分析系统、AI教学平台。2025年的多项调查显示，美国大学生的生成式AI使用率普遍在80%以上，一项HEPI（Higher Education Policy Institute，高等教育政策研究所）调查甚至达到了92%。在国内，一线教师的普遍感受是：“几乎每一份作业，都能看到AI的影子。”

与此同时，企业也在发生变化。2025年的行业调查显示，85%的雇主使用了基于技能的招聘方式，仅37%的雇主将学历列为最可靠的人才指标，企业正在加速转向技能测试和场景驱动的评估。正如许多HR从业者所指出的，文凭更多证明的是完成标准化流程的耐心，而非在真实场景中创造价值的能力。特斯拉创始人马斯克公开表示，招聘资深软件工程师时“不关心学历或名企背景，只需提交代表最高水平的代码”；IBM则取消了80%岗位的学历门槛，改用“技能徽章”来筛选候选人。更重要的是，包括谷歌、微软在内的多家头部科技企业，已经在其招聘流程中加入了与AI协作能力相关的评估环节。谷歌面试中包含以AI解决实际问题的实践测试，微软CEO纳德拉则公开表示，公司招聘的前提条件是员工必须掌握与AI协作的新工作模式。

这些变化看似分散，但它们都指向了同一个方向：AI和技术平权正在持续侵蚀大学过去赖以成立的若干前提。

过去，大学之所以重要，并不只是因为它“教书”，而是因为它同时掌握着几种关键权力：它不仅组织知识，还控制知识如何被解释、能力如何被认证，以及路径如何被分配。而今天，AI进入大学，真正开始松动的，正是这些旧权力。

常见讨论大多停留在“AI是不是新工具”“学生用AI算不算作弊”“教师会不会被替代”这类问题上。这些问题都很重要，但都不够深刻。问题的本质，不是大学要不要用AI，而是当这些旧前提开始失效，大学还能靠什么证明自己存在的正当性。

在展开分析之前，需要先界定一个核心概念：技术平权。

这个词在这篇文章中至少包含三层含义。第一，获取平权，知识、工具、信息、计算资源的使用门槛大幅下降，任何人只要有一台能联网的设备，就可以用自然语言与大模型对话。第二，能力放大，普通个体借助AI，可以完成过去需要较高专业门槛才能完成的任务，如数据分析、代码生成、文献综述、图像设计。第三，平权不等于结果平等，新的差距会转移到谁更会提问、谁更能整合、谁更能判断、谁更能持续迭代。技术平权降低了起点门槛，但没有消除竞争，它只是改变了竞争的内容和形式。

有了这个界定，我们再来看AI到底在冲击大学的哪些结构性基础。本文将从大学内部开始，逐层分析知识基础、教学结构、评价认证、权力组织、学生关系的变化，然后向外扩展到企业与平台关系，最后讨论大学的功能分化及其存在意义。

一、大学首先失去的，是知识的中心地位

如果说AI首先削弱了大学的一项传统权力，那么最先被动摇的，就是大学在知识生产与传播中的中心地位。长期以来，知识的系统化生产与组织，是大学最核心的根基之一，而这一根基，正在被AI从底层逻辑上逐步侵蚀。过去，这一能力高度集中于大学体系之内；而现在，它正在被快速外部化。

1. 知识获取门槛大幅下降

在过去，系统知识主要通过教师、教材、图书馆进入学生。大学的价值之一，就是提供了经过筛选、组织和验证的知识体系。一个学生要深入了解某个领域，必须选修相关课程，阅读指定书目，跟随教师的讲授节奏。

今天，这个前提已经不再成立。一个高中生可以在几分钟内就让大模型生成一份关于“康德哲学核心概念”的知识图谱，包含主要命题、关键文本、思想脉络和常见误解；他也可以在几小时内通过公开课程平台完成一个学科的基础入门；他还可以在知识社区里找到不同学者对同一问题的争论与交锋。虽然，这并不等于他真正掌握了这个学科，但这意味着知识进入的门槛被大幅拉低。

以编程教育为例。十年前，学习编程需要购买教材、安装环境、跟着教程一步步写代码。现在，一个初学者可以直接向AI提问：“我想用Python写一个爬取天气数据的脚本，应该怎么开始？”AI会给出代码、逐行解释、并提供修改建议。这不是说学习者不需要理解逻辑，而是说入门门槛降到了历史最低点。

在越来越多的基础层面上，知识正在从稀缺资源转向可低成本调用的公共基础设施。

2. 教师作为“知识中介”的地位下降

过去教师的重要性，很大程度上来自“知道得更多、组织得更系统、回答得更权威”。教师是学生与知识之间的必要中介。

现在，AI可以在相当广的基础层面承担知识整理、解释、答疑和示范功能。一个学生遇到不懂的概念，第一反应不再是“等下次上课问老师”，而是“我先问问AI”。这不是因为AI永远正确，而是因为它的响应速度、耐心程度和知识覆盖范围，远超任何人类教师。

当然，AI的解释可能有误、可能肤浅、可能缺乏语境。但问题是，如果基础性知识获取已经不需要通过教师，那么教师的不可替代价值在哪里？这个问题没有简单的答案，但它已经迫使每一位教师重新思考自己的角色。

3. 学科知识的封闭性被打破

大学的知识组织方式是“学科制”，按专业边界划分知识，按院系配置资源，按课程体系安排学习路径。这套体系在过去两百年里运行良好，因为知识增长主要表现为学科内部的深化。

但AI天然具有跨学科调用知识的能力。一个学生研究“城市交通拥堵治理”，AI可以同时调用交通工程、城市规划、经济学、行为心理学、数据科学等多个领域的知识，并在回答中自动整合这些视角。学生因此更容易跨越院系和专业边界，不再沿着既定专业路线学习，而是围绕问题主动组织所需的知识。

这意味着，按学科边界组织知识、按专业边界配置课程的传统方式，正在遭遇挑战。不是学科不再重要，而是学科的封闭性被打破了。学科的“围墙”还在，但它已经出现了许多可以翻越的缺口。

4. 这一变化的深层含义

当知识不再稀缺，大学就不能再主要依靠“系统传授知识”来证明自身价值。这不是说知识传授变得无意义，而是说它不再是排他性的核心功能。如果大学能做的，AI也能做，甚至做得更快、更全、更个性化，那么大学就必须回答一个更根本的问题：除了传递知识，你还能做什么？

当知识获取不再必须经过大学，大学就不能再靠“拥有知识入口”来证明自己。大学失去的，不是知识本身，而是知识必须经由大学进入个体的那种必要性。

二、当课堂失去信息优势，教学就必须改写自己

知识基础的变化只是开始，首先真正感受到压力的，是课堂，也就是大学最日常、也最核心的现场。

1. 课堂不再天然拥有信息优势

传统课堂的基本假设是教师掌握的信息比学生多，学生来课堂是为了获取这些信息。但这个假设正在瓦解。学生在进入课堂之前，已经可以通过AI完成预习、初步理解和资料整合。他们可能已经知道了课程的核心概念、理论框架和关键案例。当教师开始讲授时，学生心里可能在说：“这些我已经知道了。”我们在前面引言举的那个例子，就是鲜活生动的写照。

这不是说教师失去了所有价值，而是说课堂不再天然拥有信息优势。教师不能再假设“我讲的就是学生不知道的”。这意味着课堂的基本逻辑需要重新设计。

2. 教师角色正在发生转变

在这种新环境下，教师角色的转变并不是主动选择，而是被结构性变化“逼出来的”。

过去，大学之所以需要教师，很大程度上是因为知识获取成本高、组织难度大。教师既是知识的传递者，也是标准答案的解释者。只要把知识讲清楚、讲系统，教学的基本任务就完成了。但在AI时代，这一前提正在发生变化。知识获取几乎零成本，知识解释也在很大程度上被AI承担，学生可以随时获得更丰富、更个性化的讲解。在这种情况下，如果教师仍然停留在“讲解知识”，其价值就会迅速被稀释。

当“知识传递”不再稀缺，教师的角色只能向那些AI难以替代的环节转移。这本质上是一个“从知识控制权向学习过程控制权转移”的过程。在这个逻辑下，教师正在被推向以下几个新的角色。

第一，问题提出者。当答案变得廉价，稀缺性开始从“答案”转移到“问题的提出与定义”。教师需要引导学生识别什么问题值得花时间思考，什么问题具有开放性和不确定性。当答案无处不在，真正的能力，是知道该问什么。

第二，学习过程的设计者。相比直接讲授知识，教师更重要的任务是设计学习情境，让学生在“做中学”，在实践中理解知识的结构与边界。

第三，情境判断的训练者。AI可以提供大量信息，但无法帮你在具体情境中做出判断。教师需要帮助学生理解知识在不同场景中的适用条件，训练他们在复杂、不确定环境中的决策能力。

第四，个性化反馈的提供者。针对具体表现给出情境化、差异化的反馈，是当前AI仍然难以稳定完成的工作，而这正是深度学习发生的关键环节。

一位正在尝试教学改革的大学教师这样描述他的变化：“以前我花80%的时间准备‘讲什么’，现在我花80%的时间设计‘让学生干什么’。”这句话准确地捕捉了这一转变的本质是从“讲知识”，转向“塑造学习过程”。

当答案变得廉价，教育的核心就从“给答案”，变成了“塑造提问与判断的能力”。

3. 教学目标被迫上移

到了这里，问题已经不再是“老师怎么教”，而是“大学还该教什么”。教学目标不能再停留在“记忆”和“理解”层面了，但更关键的问题不是“应该上移”，而是在AI条件下，这种上移几乎是被迫发生的。

布鲁姆分类法中的低阶认知任务，如记忆、理解和部分应用，正在被AI大规模接管。学生不再需要依赖自身完成这些任务，而是可以通过工具快速获得结果。同时，AI也开始触及甚至重构部分高阶认知过程，例如分析、归纳与初步生成。

在这种情况下，一个关键变化发生了：当低阶认知任务可以被外部工具完成时，以这些任务为目标的教学，就失去了存在基础。例如，学生不再需要死记硬背公式，但必须知道在什么情境下调用什么工具，以及如何判断工具输出的可靠性。AI释放出的认知资源，并不会自动转化为更高能力，反而会迫使教育重新定义“应该训练什么”。

因此，教学目标的整体上移，成为一种结构性结果，而非理念选择。在这个逻辑下，大学教学正在被推向两类更高阶能力。

第一类是认知结构能力。这类能力主要包括问题定义能力，在模糊、开放、信息不完备的情境中识别关键问题；复杂判断能力，在多个可行方案之间进行权衡，并理解其后果；跨学科整合能力，将不同领域的知识、方法与视角组织为新的解决路径。

第二类是人机协作能力。这类能力主要包括与AI协作的能力，包括提出有效问题、引导生成过程、理解模型边界；以及对AI输出的批判性验证能力，不盲从、不依赖，能够识别偏差、错误与幻觉，并进行修正。

这些能力之所以重要，并不是因为它们“更高级”，而是因为它们暂时仍然无法被完全外包。而这也恰恰暴露出一个更深层次的矛盾，即传统课堂最不擅长培养的，正是这些能力。因为传统课堂的组织方式，本就是围绕“知识传递效率”而设计的。它更擅长考核“记住了什么”，却很少训练“提出了什么问题、做出了什么判断”。

4. 哪些课程会率先失去价值

并不是所有课程都会受到同等冲击。关键不在于课程内容本身，而在于它是否仍然“必须在课堂中完成”。从结构上看，一门课程越是具备以下特征，就越容易被AI替代，这就是其内容可以被清晰表达并通过视频或AI讲解完成、可以被标准化评估，并且可以在课堂之外完成。一旦这三个条件成立，这门课程的核心价值就会迅速流失。在这个逻辑下，最脆弱的课程类型主要有以下几类。

第一类，是以知识搬运为主的课程。这类课程的核心是解释“是什么”，而不是探讨“为什么”或“在什么条件下成立”。其内容高度结构化，AI可以更快、更全面地完成讲解。当学生可以在几分钟内获得更清晰的解释时，课堂的必要性就会被削弱。

第二类，是内容陈旧、重复性强的课程。当教材多年不变、案例缺乏更新、讲授方式高度标准化时，这类课程实际上已经被“内容固化”。学生完全可以通过线上资源或AI工具自学，其学习效率甚至会更高。一个学生的话很直接：“如果一门课的内容AI都能讲，作业AI都能做，考试AI都能过，那这门课为什么还要存在？”这不是情绪，而是对课程功能失效的直观判断。

第三类，是评价标准单一的课程。当一门课程主要通过期末考试来评估，且题目以记忆和简单应用为主时，其考核目标本身就容易被AI替代。在这种情况下，教学质量难以被真实感知，学生也很容易通过工具完成任务，而不真正参与学习过程。

这些课程之所以脆弱，不是因为它们“内容不好”，而是因为它们的功能已经可以在大学之外完成。相反，那些难以被替代的课程，往往具有相反的特征：需要深度讨论、依赖实践场景、强调过程参与，并且提供个性化反馈。这类课程的价值并不在于“讲什么”，而在于“在什么情境下学习，以及如何被引导与反馈”。在AI时代，这种价值反而更加凸显。

被替代的不是知识，而是“必须在这里学习这些知识”的理由。

5. AI的边界：课堂为什么仍然需要人

说到这里，必须补充一个平衡：AI不是万能的。如果不加节制地强调AI的冲击，本文就会滑向“AI决定论”，这是不真实的。AI有它的根本局限。

第一，AI不能承担责任。当学生在学习中遇到困惑、挫折、方向迷失时，AI可以提供建议，但不能承担教育中的责任关系。教师的一个眼神、一句鼓励、一次面对面的讨论，其意义远超信息传递。责任意味着有人为学生的成长负责，AI可以参与认知过程，却无法进入这种责任关系。教育之所以成立，不只是因为有知识被传递，更因为有人对这种传递的结果承担责任。

第二，AI缺乏真正的价值判断。AI可以分析利弊，但不能在价值冲突中做出选择。教育不仅是技能训练，也是价值观的塑造和判断力的培养。什么是好的、什么是应该做的，这些问题的答案不能从数据中直接推导出来。

第三，AI没有情感与信任的基础。学生对教师的信任，是长期互动、言传身教的结果。这种信任关系是教育有效性的重要前提。一个学生愿意听从教师的建议，不是因为教师的信息更多，而是因为信任。

第四，AI无法深度观察学生的成长过程。一位优秀的教师能察觉学生的困惑、潜力、变化，并据此调整教学。AI可以分析数据，但无法真正“理解”一个学生的独特处境和内心状态。

所以，正确的结论不是“AI替代教师”，而是AI可以替代教师的一部分功能（知识传递、基础解释、常规反馈、部分评阅工作），但无法替代教师的核心价值（问题设计、判断训练、情感支持、信任关系）。问题在于，当前大学教师的训练体系，是否培养了这些核心价值？这在前一篇文章中有详细讨论，此处不再展开。

6. 小结

AI不是简单提高教学效率，而是在逼迫大学重新回答课堂到底是干什么的这一核心问题。如果课堂只是知识传递的场所，那么它的价值正在被AI侵蚀；如果课堂是问题探索、判断训练、协作实践、人格塑造的场所，那么它的价值反而在AI时代更加凸显。关键不是用不用AI，而是课堂能否完成升级。

如果课堂提供的只是AI也能提供的东西，课堂就会先于大学失去说服力。这不是技术问题，而是教育理念和组织能力的问题。从知识到课堂，大学首先被削弱的，是它对“知识如何被获得、如何被解释”的控制力。

三、真正被冲击的不只是作业和考试，而是大学的认证权

如果课堂被迫升级，那么接下来无法回避的问题就是：大学还如何判断一个学生“到底会不会”？而这，正是大学最核心的权力之一。

1. 传统作业与考试的可信度下降

这是当前大学最直接的困扰。

写作类作业，学生可以用AI生成初稿、润色、改写、调整风格。教师越来越难判断“这是学生自己的能力，还是AI+学生的能力”。一些教师开始要求学生提交写作过程的草稿、修改记录、文献追踪，但这些也可以被AI辅助生成。一位英文系教授抱怨：“我现在批改论文时，感觉像是在和AI玩猫鼠游戏。”

编程类作业，AI可以写出完整的代码、注释、测试用例，甚至能解释代码逻辑。一个不熟悉编程的学生，只要学会提问，就能生成可运行的代码。教师如何判断学生是否真正理解了代码逻辑？一些学校开始采用“口头答辩+现场修改代码”的方式，例如让学生当面解释自己提交的代码，并进行实时修改。这种方式虽然有效，但对教师的时间占用极高，难以在大规模课程中推广。

答题类考试，即使在闭卷考试中，如果题目偏向记忆和简单应用，学生通过AI预习获得的优势也已经开始让考试失去了区分度。一位数学教师说：“以前一道微积分题可以区分出理解程度，现在学生用AI扫一下就能得到解题步骤，我只能设计更复杂的应用题。”

这不是“学生作弊”的问题。当AI像计算器一样普及，禁止使用既不现实也不合理。问题不在于学生更会“作弊”，而在于旧的评价方式已经测不准真实能力。

2. 评价方式必须改变

在AI广泛参与学习过程之后，传统的评价逻辑已经开始失效。其核心问题在于，当结果可以被工具生成时，基于结果的评价就不再可靠。

过去，作业和考试的结果可以在一定程度上反映学生的能力，因为获取答案本身需要理解与推理。但在AI条件下，学生可以通过工具直接获得答案，甚至获得完整的解题过程。在这种情况下，“答案正确”与“能力具备”之间的对应关系被打破，评价开始失真。一旦评价失去区分能力的功能，教学体系就会随之失去方向。因为当评价不再指向真实能力，教学也就失去了明确的目标。因此，评价逻辑的调整，不是选择，而是被迫发生的。

在这个逻辑下，评价正在从“结果导向”转向“过程与情境导向”，重点从“你做对了什么”，转向“你是如何做到的，以及你在什么条件下做出判断”。具体而言，新的评价更可能集中在两类能力上。

第一类是过程能力。主要包括任务拆解能力和提问能力。任务拆解能力考查学生如何将一个模糊的问题转化为可执行的步骤，这比最终答案更能反映其结构化思维水平；提问能力考查学生如何向AI提出问题，问题的深度、精确度与迭代方式，本身就是能力的重要体现。当答案可以生成，问题本身就成为能力的入口。

第二类是判断能力。判断能力包括对AI输出的验证与修正能力，以及在复杂情境中的决策能力。学生能否识别AI的错误、偏见与遗漏，并进行有效修正，这是“批判性思维”在AI时代的具体形式。在真实、开放、信息不完备的环境中，学生如何权衡不同方案并采取行动，这类能力难以通过标准答案测量。

这意味着，评价不再是一次性的“交作业”，而是一个持续观察、多维度采集证据的过程。相应地，一些大学开始尝试“电子档案袋”（e-portfolio）制度，通过长期记录学生的学习轨迹、反思与成果，来构建更完整的能力画像。

这种转变无疑会增加教师的工作负担，但它也指向一个更深层的变化：当“答案正确”不再可靠，教育必须转向评估“过程与判断”。如果评价要重新区分真实能力，它就不得不重新变得更复杂、更耗时，也因此更昂贵。

AI让答案变得廉价，而评价必须重新变得昂贵。

3. 文凭的信号价值被稀释

更深层的问题在于，大学文凭作为“能力证明”的信号价值，正在被多种因素稀释。

一方面，文凭的普遍化使其区分度下降。当超过一半的同龄人拥有大学学历时，文凭本身传递的信息就变得有限。它只能说明一个人完成了标准化的教育流程，但很难说明他具备什么样的独特能力。

另一方面，企业正在建立自己的筛选体系。在线测评、项目作品集、GitHub代码库、Kaggle竞赛排名、企业内测……这些新型信号越来越被重视。一位科技公司招聘负责人说：“我见过太多名校毕业生的代码写得很烂，也见过太多非科班出身的人通过项目作品证明了自己。文凭是一个参考，但不是决定性因素。”

当企业可以直接测试能力时，为什么要依赖一个延迟四年、信号模糊的文凭？这个问题没有标准答案，但越来越多的企业正在用行动给出自己的回答。

4. 新认证机制正在出现，虽然并不完美

新的认证机制正在兴起，包括企业认证（如Google职业证书、AWS架构师认证）、平台认证（Coursera专业证书、edX微硕士）、项目作品集、开源贡献记录、社群与实践声誉。这些机制有它们的优势，比如更贴近实际能力、更新更快、更能反映动手能力。一个Google认证的数据分析师，在求职市场上的竞争力可能不亚于一个普通高校的相关专业毕业生。但它们也有严重的问题。

第一，标准不统一。不同企业的认证不可通约，A公司的认证B公司可能不认。这使得求职者需要同时拥有多个认证，增加了成本。

第二，可持续性不足。企业的认证体系可能随着企业战略调整而变化，甚至随企业衰落而消失。十年前热门的认证，今天可能已经无人问津。

第三，碎片化严重。一个人可能需要十几个不同的认证来证明不同维度的能力，缺乏一个整合性的框架。

第四，依附平台和企业的兴衰。如果某个平台或企业退出市场，其认证的价值可能瞬间归零。

相比之下，大学文凭虽然信号变弱，但它仍然是一个相对稳定、广泛认可、长期有效的认证。这不是说文凭没有问题，而是说新认证机制目前还无法完全替代它。未来更可能是一个“混合认证”的格局：大学文凭作为基础，叠加项目和技能认证作为补充。

5. 大学真正面临的深层问题

回到本质：大学最深层的危机之一，不是学生用了AI，而是“大学说了算”的认证机制开始松动。

过去，大学是能力认证的权威机构。你说你行，不行；大学说你行，你才行。现在，企业、平台、社群、项目都在参与能力定义和认证，大学不再是唯一的声音，甚至在某些领域不再是主流的声音。

这种松动，不会在一夜之间摧毁大学文凭的价值，但它会持续侵蚀。而侵蚀的方向是在部分领域和部分路径上，大学正在从必经门槛转向可选路径之一。对于某些行业、某些岗位、某些人群，大学学历仍然是重要的；但对于另一些领域，它的权重正在下降。

大学真正开始失去的，不只是考试控制力，而是“由谁来证明一个人有能力”的话语权。谁能定义能力，谁就开始接管认证。

到了这里，大学失去的已经不只是课堂优势，而是“由谁来证明能力”的权力。

四、当旧权威松动，大学内部的权力开始重排

前面三部分讨论的是知识、教学、评价，这些都是大学日常运行的表层。一旦评价方式和认证机制开始松动，变化就不再停留在教学层面，而会进一步冲击大学内部的权力分配。

1. 教师权威被削弱，但不会简单消失

教师权威的削弱，来自两个方向，一是信息优势的丧失，二是学生对教师依赖度的下降。

从前，教师是学生获取高质量信息的主要渠道。现在，学生可以通过AI、在线课程、学术社区获取同等甚至更高质量的信息。教师在知识层面的权威性被相对化了。

但这不是说教师变得不重要。恰恰相反，在问题定义、判断训练、持续反馈、信任关系这些AI难以替代的领域，教师的价值反而更加突出。问题是，当前大学教师的训练体系，是否在培养这些能力？（这在前一篇文章中有详细讨论，此处不再展开。）

一个合理的预判是，教师权威的形态会发生变化，从“知识权威”转向“判断力权威”和“引导力权威”。那些只会“讲知识”的教师会被边缘化，而那些能“引导学生思考”的教师会更加珍贵。换句话说，教师不再天然因为“知道得多”而拥有权威，而要因为“判断得准、引导得深”重新建立权威。

2. 行政系统可能扩张，也可能被迫转型

面对AI带来的变化，大学行政系统可能出现两种相互矛盾的倾向。

倾向一是扩张与管控。学校可能通过更多的制度、平台和数据系统来强化监管，比如防作弊系统、学习行为监控、教学标准化平台。这是风险规避逻辑的自然延伸，当不确定性增加，管控成为本能反应。比如一些大学已经引入了AI作业检测工具，尽管其准确性备受质疑。例如，2024年有媒体报道，某高校使用AI检测工具后，多名学生被误判为“使用AI作弊”，引发了关于检测工具可靠性的激烈争论。

倾向二是被迫转型。与此同时，传统行政流程在AI时代显得更加低效。层层审批、纸质材料、重复填表，这些在AI可以快速处理信息的时代，越来越难以被容忍。这可能会倒逼行政流程的重构，甚至组织的扁平化。例如，一些大学开始尝试用AI辅助处理学生事务、课程排期、资源分配等行政工作。

这两种倾向同时存在，最终走向取决于大学的治理能力和领导层的选择。但如果拉长时间来看，这两种路径很可能不会并存太久。短期内，大学更可能选择“加控制”而不是“做改变”，因为这是成本最低、风险最小的反应；但长期来看，这种扩张型行政逻辑本身会成为效率瓶颈，最终反过来逼迫系统走向转型。可以预见的是，那些能够主动利用AI优化行政效率的大学，会获得竞争优势；而那些只是用AI加强管控的大学，可能会陷入更深的僵化。在不确定性上升时，组织本能会选择加强控制；但当环境结构已经改变时，控制本身就会变成问题。

3. 新权力将转移到哪里

在AI进入大学之后，一个不可回避的问题是：权力不会消失，它只会转移。

传统大学中的权力，主要建立在三个基础之上：知识的掌握、评价的控制以及学术声誉的积累。谁掌握知识、谁定义标准、谁拥有话语权，谁就处在权力中心。但在AI时代，这些基础正在发生动摇。知识获取变得廉价，评价结果开始失真，学术声誉对教学过程的直接影响也在减弱。与此同时，大学内部的决策越来越依赖数据系统、平台工具与算法支持。

当决策依据从“经验与资历”转向“数据与系统”，权力就会随之迁移。在这个逻辑下，新的权力来源正在显现，并逐步重塑大学内部的权力结构。

第一类，是掌握数据与算法配置权的部门。当学习分析系统、课程推荐机制、教学评估模型开始参与决策时，谁能设计和调整这些系统，谁就拥有了新的影响力。教务系统与信息技术部门的重要性，可能因此显著上升。

第二类，是跨学科资源的整合者。随着问题导向的学习与研究兴起，单一院系的边界逐渐失去约束力。能够跨越这些边界、组织多方协作的人或机构，将在资源配置与议题设定中获得更大话语权。

第三类，是能够有效驾驭AI的教师。在技术成为关键生产工具的背景下，谁能够利用AI重构教学过程、提升学习效果，谁就拥有更强的实践影响力。技术素养正在从“辅助能力”转变为“权力资源”。

第四类，是平台的设计与管理者。当教学与学习越来越依赖数字平台运行时，平台本身成为规则的承载者。无论是校内系统还是外部平台，其设计者与管理者，都在以“规则制定者”的身份参与权力分配。

从更底层看，大学权力的重心，正在从“谁拥有知识”，转向“谁能够配置系统、组织资源并影响决策”。这意味着，未来的大学中，权力不再只来自职称与资历，也越来越来自谁掌握平台、谁掌握数据、谁能够定义和重构规则。

在AI时代，权力不再来自知识本身，而来自对“知识流动方式”的控制。

4. 学科与院系边界受到冲击

大学的基本组织单元是学科与院系。这套体系运行了两百年，其核心逻辑在于，当知识复杂度过高时，需要通过分科来降低理解与组织成本。不同学科各自发展方法论、语言体系与评价标准，从而提高研究与教学效率。

但AI正在改变这一前提。

一方面，问题导向的学习和研究天然具有跨学科属性。一个关于“人工智能伦理”的问题，往往同时涉及计算机科学、哲学、法学、社会学与心理学等多个领域。在传统体系下，这种跨界整合成本极高，学生需要在不同院系之间反复切换，教师也需要跨部门协调资源。

另一方面，AI本身正在降低这种跨学科整合的成本。大模型可以在不同知识体系之间进行调用与初步整合，使得原本需要多年训练才能跨越的学科边界，在工具层面被显著削弱。

与此同时，AI相关领域本身也是高度交叉的产物，涉及计算机科学、语言学、认知科学、伦理学与法学等多个方向，很难被简单地归入单一学科。这进一步暴露出传统院系结构在新知识形态面前的局限。

当跨学科的成本下降，而问题本身又天然跨学科时，按学科划分的组织方式就不再完全适配。但这并不意味着学科与院系会消失，它们仍然是知识深度积累的重要基础。但可以预见的是，它们将不得不变得更加柔性，在保留学科深度的同时，建立更多跨学科的项目、中心与协作机制。一些大学已经开始设立“跨学科学院”或“问题导向学习中心”，虽然规模尚小，但方向是明确的。

更深层的变化在于，大学内部将长期处于一种张力之中，一方面需要依赖学科来维持深度，另一方面又必须不断跨越学科来应对真实问题。学科是为了解决知识复杂性而诞生的，但当跨越复杂性的成本被降低，它就不再是唯一的组织方式。

5. “标准化大学”与“差异化大学”开始分化

AI带来的另一个重要后果是大学的分化将加速。一类大学会继续维持标准化教育供给，以统一课程、统一考核、统一培养流程为主的教育供给模式。这类大学的风险是，如果它的教学内容可以被AI替代，它的价值就会持续下降。学生和家长会开始质疑：“为什么要花四年时间和数十万学费，去获得一个可以用AI快速替代的知识？”

另一类大学会转向差异化竞争，比如高互动、高实践、高资源整合、高问题导向。这类大学的成本更高、规模更小，但它们提供的价值更难被替代。例如，一些小型文理学院强调小班讨论、师生深度互动，这种模式在AI时代反而显得珍贵。

当然，现实中的大学并不会如此整齐地分成两类，更真实的情况是，不同大学之间、甚至同一所大学内部，也在沿着这两个方向发生分层。有些课程、专业和培养路径趋向标准化，有些则被迫走向差异化。问题不在于“属于哪一类”，而在于各个部分在这个谱系上的位置。

分化的逻辑其实很简单，越容易被标准化的功能，越容易被AI替代；越需要深度人际互动、判断训练、资源整合的功能，越难以替代。换句话说，AI不是在区分“好大学”和“坏大学”，而是在区分“哪些功能可被替代，哪些功能不可被替代”。

大学的分化，本质上不是机构之间的分化，而是功能结构在不同位置上的重新分布。

6. 小结

AI带来的，不只是教学改革，而是大学内部权力、资源与组织逻辑的再分配。谁掌握新能力、新资源、新组织形式，谁就能在新的格局中获得话语权。这不是一个自动发生的过程，而是一个充满冲突和选择的过程。大学需要主动做出选择，是拥抱变化、重新配置资源，还是固守传统、等待被动淘汰。

大学内部最深层的变化，不是多了AI工具，而是组织权力开始换手。AI进入大学之后，变化的不只是教学方式，而是谁开始掌握新的组织杠杆。

五、学生不再只是被培养的人，而开始成为学习的组织者

前四部分讨论的是大学内部的结构如何变化，涉及了知识基础、教学机制、评价体系、权力组织等内容。而真正让这些变化变得不可逆并加速发生的，并不是制度本身，而是学生这个行动主体先变了。这一部分，我们专门讨论大学与学生之间的关系正在发生怎样的重构。

1. 学生对大学的期待发生变化

过去，学生对大学的主要期待是学知识、拿文凭、找工作。但这三件事，在今天都在发生变化。从学知识的角度看，知识已经不再稀缺。学生可以在校外以更低成本、更灵活的方式获取知识，为什么要付高昂学费去听一门可以用AI自学的课？从拿文凭的角度看，文凭的信号价值在稀释，学生越来越意识到，文凭本身不能保证什么。一个名校毕业生可能找不到工作，而一个非科班出身的人可能通过项目作品获得高薪职位。从找工作的角度看，企业越来越看重真实能力和作品，而不是学历标签，这迫使学生在大学期间就开始积累项目经验和作品集。

那么，学生今天更看重什么？从大量访谈、观察和一线经验来看，一个明显的趋势正在出现。比如学生越来越看重资源链接，大学能否提供有价值的导师、校友、企业、实践资源？这些资源是校外难以获得的。比如学生越来越看重项目机会，有没有机会参与真实的研究、创业、社会项目？这比课程成绩更能证明能力。比如学生越来越看重实践场景，能否在“做”中学习，而不是只在“听”中学习？比如学生越来越看重社会入口，大学能否成为进入某个行业、领域、圈子的有效通道？比如学生越来越看重个性化成长支持，能否获得针对自己兴趣和能力的指导和资源？

这些期待的变化，意味着大学已经很难再仅仅把自己定位为“知识供应商”，而需要转型为“成长支持平台”。学生来大学，越来越不是为了“听课拿证”，而是为了获取资源与机会。

2. 学生主体性增强

借助AI，学生的学习自主性大幅提升。过去，学生的学习路径主要由大学安排，什么学期上什么课、读什么教材、做什么作业。学生的自主选择空间有限。现在，学生可以用AI来自主规划学习路径，根据自己的兴趣和节奏安排学习内容；补充课堂上没讲到的内容，深入探索自己感兴趣的细分领域；构建个人作品集和能力证明，不依赖单一的课程成绩；甚至跨学科学习，突破专业边界。

这意味着，大学从“唯一安排者”变成了“资源与场景提供者之一”。学生不再是被动接受安排的对象，而是主动组织自己学习的主体。他们可以选择哪些课程值得上、哪些资源值得用、哪些项目值得参与。

这对大学提出了新的要求，如果你不能提供比学生自己用AI能获得的更好的东西，学生为什么要来？这个问题的答案，决定了大学未来的吸引力。

3. 学生对低质量教学的容忍度下降

这是最直接、最现实的后果。

过去，学生对“讲得不好”的课程，抱怨归抱怨，但通常还是会忍耐，因为这是获取知识的唯一或主要途径。现在，如果一门课的内容AI也能讲，甚至讲得更好，学生的耐心会迅速耗尽。一个大学生在社交媒体上的吐槽很有代表性：“我花了几千块钱学费，不是为了听老师照着PPT念那些AI三分钟就能告诉我的东西。”这条帖子获得了数万点赞，说明很多人有同感。

当替代选项出现时，容忍度的阈值会大幅下降。这不是学生的错，而是大学必须面对的现实。那些无法提供超出AI基础能力（AI baseline）之上价值的课程，将面临选修人数下降、教学评价走低、学生流失的风险。

当替代选项出现，低质量教学不再只是被抱怨，而是会被直接放弃。

4. 大学与学生关系的根本变化

综合以上，AI和技术平权正在推动一个根本性的转变，这就是学生正在从“知识接受者”变成“学习组织者”。这不是说学生不再需要大学，而是说学生与大学的关系从“依赖”转向了“合作”。大学不再拥有绝对的权威和垄断的资源，而是需要证明自己值得学生的时间和学费。

这对大学来说，既是一个挑战，也是一个机会。挑战在于，不能再靠惯性运行，必须主动证明价值；而机会在于，那些能够真正支持学生成长的大学，会获得更高的忠诚度和口碑。

大学最难适应的，也许不是AI，而是学生不再愿意只做被安排的人。

六、企业不再只是用人方，而开始承担部分培养功能

当大学内部逻辑变化到一定程度，它与外部世界的关系也不可能保持原样。前面讨论的是大学认证权为何开始松动；这里进一步要讨论的是，这种松动为何会推动企业进入原本属于大学的培养与认证环节。

1. 企业不再只是“用人端”

在前一篇文章《企业开始去高中抢人，大学的问题已经不是“教学质量”》中，我们讨论了企业为何绕过大学，因为大学失去了适配能力，企业选择自建人才供应链。这一篇文章的增量在于，AI与技术平权正在加速并深化这种关系的变化。AI不仅让企业更容易自建培养体系（因为培训内容可以用AI生成和个性化），也让企业对大学毕业生的能力期望发生了质变。

引言中我们已经指出，在AI时代，企业在招聘方式和考核内容方面都发生了巨大变化。除了这些变化，企业还开始向前端渗透。在训练端，谷歌的“机器学习速成课程”（MLCC）最初用于培训内部员工，已有超过1.8万名谷歌员工参与，后免费向公众开放。在认证端，AWS云计算认证被行业广泛视为“硬通货”，PMP则是全球认可度最高的项目管理认证之一，在超过200个国家和地区得到认可。在入口端，企业直接从高中阶段培养人才：Palantir推出“精英奖学金”计划，从500多名申请者中录取22名高中毕业生，培训后直接录用，其CEO直言“高等教育破败”；吉利控股集团则推出“跨时代跃迁人才培养计划”，直接招聘高中毕业生进入AI、卫星等前沿领域，由CEO亲自带教，董事长李书福表示：“大学教的，和产业要的，已经出现‘剪刀差’。”

这意味着，企业正在从大学人才的“购买者”，变为自身人才的“生产者”。在某些领域，企业已经成为大学的直接竞争者。

2. 校企关系正在从“合作补充”走向“功能竞争”

过去，校企关系的核心是“合作补充”。大学负责系统性培养，企业提供实习、设备与真实案例，弥补教学中的实践不足。之所以能够形成这种分工，是因为“培养人”这一过程高度复杂、成本高昂，企业很难独立完成。

但在AI与数字平台的支持下，这一前提正在发生变化。能力训练、知识获取、项目实践与评价认证等环节，开始可以被拆解，并由不同主体分别完成。当“培养人”的关键环节被拆解之后，原本的合作关系，就开始转化为竞争关系。在这个逻辑下，校企正在多个维度出现“功能重叠”，并逐步演化为竞争。

第一，是能力定义权的竞争。什么样的能力是重要的？大学强调理论体系与学科基础，企业强调问题解决与实际表现，两套标准开始并行运行，甚至相互冲突。

第二，是认证权的竞争。谁的评价更被市场认可？大学提供文凭，企业提供项目认证、技能徽章与实际表现记录，评价体系开始多元化。

第三，是人才入口的竞争。谁更早接触到有潜力的人？大学通过招生体系进行筛选，企业则通过竞赛、实训营、早期项目等方式提前介入。

第四，是学习场景的竞争。学习主要发生在课堂，还是发生在项目与真实问题中？这一边界正在快速模糊，企业开始直接承担部分“教学功能”。

当然，这并不意味着所有领域都进入竞争状态。在基础研究、长周期培养与通识教育等领域，大学仍然具有不可替代的优势。但在应用型、技能型与前沿技术领域，功能重叠已经非常明显。

当企业开始参与训练、认证与筛选，大学就不再独占“培养人”这一过程，而只是其中的一个参与者。企业不再只是用人方，而正在成为“培养人”的另一种机构。

3. 企业对大学的期待发生改变

企业越来越不期望大学提供“即插即用”的人才，因为他们知道这不现实。在AI和技术平权的背景下，企业用人的逻辑本身正在发生变化。相比掌握某一套固定知识或技能，他们更看重一个人是否能够在不断变化的环境中持续学习、有效判断并与工具协作。在这种逻辑下，企业更倾向于寻找以下几类能力特征明显的人。

一是能够与AI协作的人，不排斥AI，能够有效使用AI工具增强自己的能力，而不是被AI取代；二是具备将已有能力迁移到新情境中的能力的人，不只会“做会做的事”，而是能够在新工具、新领域、新问题中快速上手；三是具备问题意识和判断力的人，能够在模糊情境中识别关键问题，并在不确定条件下做出决策。这些能力的共同特征是，它们都不依赖固定知识，而依赖个体在变化环境中的适应与重构能力。

一位企业高管的话很直接：“我不需要毕业生什么都懂，我需要他愿意学、学得快、能判断。”这句话背后的含义是，企业愿意承担后续的专业培训，但希望大学培养出“可培训的人”，也就是具备持续学习能力与判断能力的人。换句话说，企业不再主要寻找“已经具备某种能力的人”，而是寻找“能够不断获得新能力的人”。

4. 小结

AI与技术平权正在加速大学与企业关系从“衔接关系”走向“竞合关系”。这并不意味着大学和企业会变成敌人，但意味着双方需要重新谈判各自的边界和责任。

对于大学来说，这意味着不能再把企业仅仅当作“就业出口”，而需要更主动地理解企业的需求变化，并在课程设计和能力培养上做出回应。对于企业来说，这意味着需要更深入地参与教育过程，而不仅仅是“抱怨毕业生不好用”。

七、当平台也能培养人，大学的边界就被打开了

企业并不是唯一的外部变量，再往外扩一层，我们会看到，更深层的变化在于平台和社会也开始承担部分教育功能。

1. 平台成为新的教育基础设施

今天的教育基础设施，已经不再局限于校园和图书馆。大模型平台（如GPT、Claude、Gemini）提供知识问答、内容生成、学习辅导，它们正在成为学生和教师的日常工具。在线课程平台（如Coursera、edX、B站知识区）提供系统化的课程内容，很多来自顶尖大学，但学生可以免费或低成本获取。以Coursera为例，截至2025年，该平台已经积累了超过1亿注册用户，其中大量用户用它来补充甚至替代部分大学教育。开源社区（如GitHub、Hugging Face）提供实践场景、协作机会、作品展示。参与开源项目已经成为很多技术人才的重要学习方式。知识协作平台（如Wikipedia、Notion、飞书文档）提供知识整理和共享空间，支持群体学习和协作。

这些平台正在承担部分过去由大学承担的功能。一个学生完全可以通过这些平台构建自己的知识体系和能力证明，而不踏入大学校门。虽然这仍然是小众选择，但至少是可能的。问题不在于平台能不能替代教育，而在于大学在这个开放网络中还占据什么位置。

2. 学习开始社会化、网络化

学习的边界正在模糊。过去，学习主要发生在校园内，校外实践只是补充性的存在，实习是其中少数被制度化的例外。而现在，学习不再只是学习，它越来越像实践和工作的前奏，甚至本身就是其中的一部分。学生在GitHub上参与开源项目，既是学习，也是实践，还有作品积累；学生在B站上学习编程，既是知识获取，也是社区互动；学生在企业实习中完成的项目，可以直接作为课程学分，甚至替代某些课程；学生通过在线社区与全球同行讨论问题，获得反馈和启发。

这种“社会化学习”的趋势，意味着大学不再是学习的唯一合法场所。学习开始更多地脱离单一机构场景，重新分布到多个场域之中。

3. 大学的边界被打开

当学习不再局限于校园，大学的物理边界、组织边界、功能边界都在被打开。

从物理边界的角度看，线上线下混合，学生可以在校外完成大部分学习。疫情期间的远程教学已经证明了这一点。

从组织边界的角度看，大学与企业、平台、社群之间的合作越来越深，难以清晰划分“谁在做什么”。例如，大学可能采用企业的课程认证，企业可能采用大学的教学资源。

从功能边界的角度看，大学不再是“知识中心”，而是“知识节点”之一。学生可以在多个节点之间自由选择，不再沿着单一路径前进，而是在不同资源之间不断调整和重构自己的学习路径。

大学从一个封闭的系统，正在变成一个开放的网络节点。这个转变的深远影响，可能需要十年甚至更长时间才能完全显现。

4. 大学不会消失，但位置会变

这里需要特别克制，不是说大学要消失了。大学仍然有其不可替代的价值，比如长周期的人格塑造、深度的学术训练、复杂的社会网络、稳定的认证体系、以及面对面的情感和信任关系。但技术平权的后果之一是大学不再天然居于知识与人才培养网络的中心，它从一个“必须经过的枢纽”，变成了“众多节点中的一个”。在这个新网络中，大学需要找到自己独特的位置。

这个位置是什么？不同的大学可能会有不同的答案。但有一点是确定的，大学必须主动寻找和定义自己的位置，而不是假设它天然存在。

八、AI不会同时击中所有大学，但会加速它们分化

到此为止，我们一直在讨论“冲击”，但如果不加区分地讲“大学正在衰落”，就会犯一个错误，就是把所有大学混为一谈。当内部结构和外部关系都开始重排，最终浮现出来的问题就不再是“大学会不会消失”，而是“不同大学会走向什么命运”。

1. 不同大学受到的冲击不同

不同类型的大学，面临的挑战和机遇并不相同。更准确地说，AI带来的冲击并不是“均匀作用”的，而是沿着大学不同功能的结构位置发生作用。一个简化但有用的理解是，大学的价值，越来越取决于它是否掌握某种不可替代的能力来源，例如知识生产能力、真实场景连接能力，或高质量的人际互动与培养过程。在这个框架下，不同类型大学的分化就更容易理解。

我们先看研究型大学。它们的基础研究功能仍然重要，甚至更加重要，因为AI时代需要更多的基础理论创新和原创突破。这部分能力具有较强的不可替代性。但与此同时，它们的本科教育逻辑会被迫重构。如果本科教学仍停留在知识传递层面，学生会用脚投票。研究型大学的核心优势在于，它们能够将前沿研究融入教学，将“知识生产”转化为“学习过程”，而这一点是AI难以替代的。

再看应用型大学。如果它们不能深度连接产业、提供真实的项目和实践场景，就会承受巨大的压力。因为应用型人才培养的核心，不在于知识本身，而在于“在真实情境中解决问题”的能力。而这一部分，恰恰是企业最有动力、也最有能力自建体系的领域。因此，这类大学只有在能够嵌入真实产业场景、成为“实践节点”的情况下，才能维持自身价值。

再看职业教育与新型技能机构，它们可能迎来机会。因为AI时代对“能动手、能解决问题”的人才需求旺盛，而这类能力并不依赖漫长的知识积累，而依赖高强度、场景化的训练。在某种意义上，这类机构直接对接的是“能力形成过程”，而不是“知识体系”，因此在部分领域反而更具效率优势。

最后看低质量、低互动、低资源整合能力的大学，这类大学风险最大。它们既不掌握不可替代的知识生产能力，也无法嵌入真实场景，还缺乏高质量的互动与培养过程，其提供的价值最容易被AI和外部资源替代。这类大学可能面临招生困难、经费紧张，甚至关停并转。

从更底层看，这种分化并不是“大学之间”的分化，而是“不同能力来源”的分化。谁掌握不可替代的能力，谁就能在AI时代存活；谁提供的只是可被替代的标准化内容，谁就会被边缘化。

AI不会均匀地冲击大学，而是优先替代那些“可以被标准化的部分”，并强化那些“无法被标准化的能力”。

2. 大学未来可能强化的价值

在AI时代，大学真正不可替代的价值，并不在于它提供了什么具体内容，而在于它所承担的那些难以被AI替代的能力形成过程。一个简单但有效的判断标准是：越是需要长期积累、深度人际互动和价值判断的能力，越不容易被AI替代；而越是可以被标准化、结构化和即时调用的能力，越容易被AI接管。在这个逻辑下，大学未来可能强化的价值主要集中在以下几个方面。

一是高阶思维训练，比如批判性思维、系统性思维、复杂问题解决、价值判断。这些能力依赖于持续讨论、反复推演和情境判断，难以通过单次交互获得。

二是长周期的人格与认知塑造。四年甚至更长时间的持续陪伴，会对一个人的思维方式、价值观和判断力产生深层影响，这种变化依赖时间和关系，而非信息本身。

三是复杂问题研究，例如需要多学科协作、长期投入的基础研究和应用研究。这类问题本身不具备标准答案，其推进依赖团队协作与持续探索，AI只能作为工具参与其中。

四是跨学科协作的组织能力，搭建不同学科、不同领域之间的对话与合作平台。这种组织与协调能力，本质上是一种人际与结构能力，而不是知识能力。

五是高质量社会网络与资源连接，包括校友网络、产业资源、学术共同体。这些网络依赖长期积累与信任关系，无法通过技术快速复制。

六是人机协作时代的判断力培养。在AI提供大量信息和建议的情况下，能够做出独立、负责任的判断，反而成为教育的核心任务之一。

换句话说，大学未来的价值，将更多集中在那些“不能被一次性生成、必须通过过程形成”的能力上。

AI可以提供答案，但大学的价值，越来越体现在塑造“能够面对没有标准答案的问题的人”。

3. 大学未来可能加速失去的功能

同时，一些功能会加速流失。与前一节相对应，那些最容易被替代的，往往是那些可以被标准化、可以被自动化、且不依赖大学内部场景的功能。一旦这些条件成立，AI与外部资源就会迅速接管。在这个逻辑下，大学未来可能加速失去的功能有以下几项。

第一是基础知识的搬运。这部分工作具有高度的结构化特征，内容相对稳定、表达路径清晰，非常适合被AI替代。相比传统课堂，AI不仅更快、更全，还可以根据个体差异进行个性化调整。因此，这类功能更可能被外部工具接管，或在大学内部被明显降级。

第二是标准化能力认证。单一维度、标准答案导向的考核，本质上是对“可被规则化能力”的测量，而这类能力越来越容易被AI模拟或辅助完成。随着企业与平台建立多元认证体系，大学文凭作为唯一信号的地位将持续削弱，大学需要转向提供多维度、过程性、场景化的能力证明。

第三是对学习过程的封闭控制。传统大学通过课程体系与学分制度，对学习路径进行高度控制。但在开放资源与AI工具的支持下，学生可以在校外获得大量学习机会。学习不再依赖单一体系完成，大学也很难继续“垄断路径”，只能在开放环境中与其他节点竞争。

第四是单一路径式的职业入口。过去，大学在很大程度上是通向职业世界的主要通道。但随着企业、平台和多元教育形态的发展，进入职业的路径变得更加分散和多样。大学不再是唯一入口，而只是其中一个节点，需要帮助学生在多路径中做出选择。

从更底层看，这些被削弱的功能有一个共同特征：它们都可以被拆解、复制并在大学之外完成。而一旦某项功能不再依赖大学这个场域，它就很难继续成为大学的核心价值。

大学失去的，不是某些具体功能，而是那些“不再必须在大学中完成的功能”。

4. 时间维度：短期、中期、长期

为了让分析更有层次，可以从时间维度来理解这些变化。但更重要的不是简单划分阶段，而是理解其背后的演化逻辑。AI进入大学后，通常先作为“工具”嵌入既有体系，随后逐步冲击并松动原有结构，最终才导致整体功能与角色的重新配置。在这个逻辑下，可以大致区分三个时间尺度。

（1）短期（1-3年）：工具进入，但结构基本不变

在这一阶段，AI主要以“工具”的形式被引入，大学的基本结构尚未发生根本变化，但各种局部冲突开始显现。

比如作业与考试的诚信问题凸显，大学被迫调整评价方式，各种AI检测工具出现，但效果有限。这本质上是旧评价体系与新技术之间的摩擦。

教师开始尝试AI辅助教学，但主要停留在效率层面，例如用AI出题、批改、备课等，属于“用新工具完成旧任务”。

学生使用AI完成学习任务逐渐成为常态，大学开始讨论“AI素养”教育，但更多是补丁式应对，而非系统重构。

（2）中期（3-10年）：结构开始松动，但尚未稳定

随着AI使用的普及，原有体系中的一些关键环节开始失去稳定性，结构性变化逐渐显现。

一是课程价值开始分化，“知识搬运型”课程选修人数下降，甚至被淘汰，因为其功能已被AI替代。

二是企业认证与大学文凭形成竞争与互补关系，出现“混合认证”模式，大学在认证体系中的垄断地位开始松动。

三是部分大学开始实质性重组课程与评价体系，从结果导向转向过程导向，这是对“评价失效”的结构性回应。

大学与企业的“竞合关系”会在多个领域显现，边界变得模糊，因为双方开始承担部分重叠功能。

（3）长期（10年以上）：结构重组完成，新的稳定形态形成

当上述变化持续累积，大学系统将进入一个新的稳定状态，其功能与位置被重新定义。大学功能分化显著，不同类型大学走向不同路径，形成新的生态格局，这是前期结构松动的结果。大学的中介地位进一步弱化，但不会消失，而是从“必经路径”转变为“重要选项之一”。“教育”的形态更加多元，学习、工作与生活的边界进一步模糊，学习成为一个贯穿生命周期、跨场景发生的过程。

从更底层看，这一时间演化的本质，是从“工具嵌入”到“结构松动”，再到“功能重构”的过程。AI不会一夜之间改变大学，而是通过一系列看似局部的变化，逐步改写它的结构。真正的重组，往往不是因为一次政策，而是因为旧结构长期失效之后，新结构不得不生长出来。

5. 小结

AI不会简单终结大学，它会更像一个筛选器和加速器，让有价值的大学更有价值，让低价值的大学更快被边缘化。最终的结果不是“大学消失”，而是大学从统一模式走向功能分化。不同的大学会找到不同的生存方式，有的专注于研究，有的专注于应用，有的专注于精英教育，有的专注于大众教育。这种分化，也许是大学系统在AI时代最可能的新常态。

AI不是大学的终结者，更像是大学的分层器。

九、AI真正逼问大学的，不是技术问题，而是存在问题

这篇文章的篇幅已经很长了。我们从大学内部的知识基础、教学结构、评价认证、权力组织、学生关系，一路讨论到外部的企业关系、平台社会，最后落到了大学的功能分化。现在，我们回到最初的问题：当知识不再稀缺，大学还剩下什么？

AI的广泛使用与技术平权，并没有直接摧毁大学，但它正在持续侵蚀大学过去赖以成立的若干前提，包括知识垄断、信息优势、认证权威、中心地位。

这篇文章没有试图给出“大学应该怎么改”的具体方案，那不是一篇文章能完成的任务。我们想做的，是指出变化的方向和逻辑。

说到底，AI并不是在大学里多放进了一件新工具，它真正做的，是让大学过去那些不需要被证明的东西，突然都需要重新被证明了。知识为什么必须经过大学？课堂为什么必须由大学来组织？能力为什么必须由大学来认证？一个年轻人为什么必须主要通过大学进入社会？

真正的问题不是大学要不要用AI，学生能不能用AI，教师会不会用AI。真正的问题是当知识不再稀缺，大学靠什么存在？当认证权开始外移，大学靠什么保持地位？当企业、平台、社群都能培养人，大学还能提供什么不可替代的价值？这些问题没有简单的答案，但它们必须被提出。

技术平权带来的，不是大学消亡，而是大学功能的重新配置。那些能够重新证明自己价值的大学，会在新的格局中找到自己的位置；那些不能的，必然会被边缘化。

AI并不会替大学回答“大学为何存在”这个问题，它只是在逼大学尽快回答。大学真正面临的，不是会不会用AI，而是当旧前提失效之后，它还能否重新证明自己的必要性。也许，AI带来的真正问题，不只是大学要怎么调整，而是我们要如何重新理解“教育”这件事本身。但那已经是另一篇文章的任务了。

本文想说的是，大学从内部到外部，正在被迫进入一场深层重组。这不是一个遥远的未来学命题，而是正在发生的现实。大学如何回应这场重组，将决定它在下一个时代的位置，是继续作为一个不可或缺的枢纽，还是逐渐成为一个可选的节点。大学未来的位置，不再由它曾经的重要性决定，而由它今天还能否重新证明自己的必要性决定。

这个问题的答案，归根到底，需要大学重新用行动证明自己的价值。