【专家说】当AI开始答题，大学考试究竟该考什么？

核心洞察：一场“学生出题、AI答题”的测试，折射出一个正在迫近的教育命题：当大模型能够低成本完成越来越多标准化认知任务，大学究竟应当继续考查“会不会答题”，还是转向衡量问题定义、结果验证、错误识别与人机协同等更高阶能力？这或许将成为AI时代高等教育评价体系重构的起点之一。

独家专栏作者  张致鹏

（张致鹏，美国印第安纳伯明顿大学公共管理学硕士、哈工大博士，深圳高质量发展与新结构研究院助理研究员，中信基金会特邀研究员，擅长公共政策、宏观经济、AI产业、国际关系研究，在顶级期刊发表论文多篇、出版《深圳生长：土地与城市更新》等著作四部）

复旦大学计算与智能创新学院肖仰华教授今年春季学期《数据挖掘技术》课程的一次期末考核，最近引起了不少关注。

考试规则颇为特别：学生不再面对一套统一试卷，而是每人设计10道数据挖掘题，再交给DeepSeek、MiniMax和Claude等大模型作答；模型答错，出题的学生获得相应加分。51名学生最终提交了510道题，绝大多数学生至少成功难倒过一个模型，还有学生让某些模型在自己设计的整套题目中得到零分。

如果只把这件事理解为一场“大学生挑战大模型”的趣味实验，其意义其实被低估了。这次考试真正值得讨论的地方，在于它触及了生成式AI进入教育体系之后一个越来越难回避的问题：当机器已经可以低成本完成大量标准化认知任务时，大学考试究竟还应该测量什么？

传统考试建立在一个相对稳定的前提上：教师提出问题，学生独立完成推理、计算和作答，答案的正确程度大体可以反映学生对知识的掌握程度。

生成式AI正在改变这一前提。今天，很多过去需要学生花费数十分钟甚至数小时完成的任务，包括概念解释、代码编写、公式推导、资料整理乃至相当复杂的数据分析，都可以由大模型在很短时间内给出一个质量尚可的答案。如果考试依然主要评价“能否完成一道已经定义清楚的问题”，它所测量的能力就可能越来越偏离学生未来真正需要面对的工作环境。

复旦这次实验的重要之处，正在于把考核的重心向上移动了一层。学生首先要理解数据挖掘算法，随后还要判断模型可能在哪些环节出现错误，设计一个具有明确答案、又足以暴露模型能力边界的问题，并最终验证模型的输出。此时被评价的已经不只是“会不会做题”，还包括问题定义、任务设计、错误识别、结果验证和系统评价等能力。

换句话说，过去考试主要观察学生能否得到答案；现在开始进一步观察学生能否判断什么是一个好问题、什么是一个可信答案，以及机器究竟在什么时候值得相信。

这种变化与AI时代知识工作的结构性变化是高度一致的。过去很多专业工作的核心成本来自信息检索、初步计算和标准化分析。随着大模型和Agent能力不断提升，这些环节的边际成本正在迅速下降。人的比较优势因而更多集中到模型尚难稳定替代的环节，包括提出有价值的问题、识别隐含假设、判断证据质量、处理目标冲突，以及对机器输出承担最终判断责任。未来一个优秀的数据科学家，未必需要亲自完成每一步计算，但必须知道应该计算什么、为什么这样计算，以及结果出现异常时究竟哪里出了问题。从这个意义上说，让学生设计能够检验AI边界的问题，确实比增加若干道传统计算题更接近未来真实的专业工作。

不过，也正因为如此，对这场考试的解读需要保持一定克制。“学生把AI考到零分”并不能直接推出本科生在相关领域已经超过大模型。一些学生采用的策略，本质上利用了特定模型或特定测试环境的局限。例如，通过大规模数据、长计算链条和极高数值精度增加模型的计算负担。如果给模型接入Python、数据库或更完整的工具调用系统，其中一部分错误可能很快消失。因此，这场实验更接近一次面向大模型的adversarial evaluation，即对抗性评测。它很好地展示了模型的failure mode，却还称不上严格意义上的“人机智能比较”。

这里同时暴露出一个更值得教育研究者关注的问题：“能够让AI答错”与“学生真正掌握了知识”之间，并不存在简单的一一对应关系。如果评分机制过度奖励模型失败，学生就会自然寻找成本最低的攻击方式。一个依靠超长数据输入和繁琐计算使模型出错的问题，可能比一个揭示算法深层假设缺陷的问题更容易得分，但后者显然更能体现学生对数据挖掘的理解。这也是所有评价制度都会遇到的Goodhart式问题：一旦某个指标成为明确目标，人们就会开始优化指标本身。因此，这类考试下一步真正需要解决的，并非怎样制造更多“AI零分”，而是怎样区分具有知识含量的模型失误与单纯利用系统限制制造出来的失误。

这场实验还有一个容易被忽略、但可能更加重要的启示，即AI对学生能力差距的影响。

课堂中已经可以看到两种截然不同的使用方式。一些能力较强的学生会利用更强模型生成候选题，再组织多个Agent测试不同模型、自动判分、寻找失败案例，最后由自己完成审查和修正。在这个过程中，AI相当于把原有的知识和判断能力进一步放大。另一些学生则更容易把理解、判断乃至验证本身交给AI，逐渐形成所谓的“认知外包”。由此产生的一个重要问题是，AI可能同时具有“普惠工具”和“能力放大器”两种属性。基础越扎实、判断能力越强的人，往往越能从AI中获得更大的生产率增益；缺少基本知识的人，则可能因为无法有效识别模型错误，进一步削弱独立思考和学习过程。AI最终究竟缩小还是扩大教育差距，很可能取决于教育制度如何塑造这种人机互补关系。

因此，AI时代的考试改革也不宜简单走向“全面开放AI”。更合理的制度应当同时保留两种能力评价：一部分考核确认学生是否拥有足够的独立知识和基本推理能力，避免人在离开AI之后失去最低限度的专业判断；另一部分则允许充分使用模型、代码和Agent，评价学生组织智能工具完成复杂任务的能力。复旦这次“学生出题、AI答题”的机制可以作为其中很有价值的一环，但进一步还可以要求学生解释模型为什么失败、接入工具后结果是否会改变、这种错误能否推广到其他模型，并通过简短的现场答辩确认学生真正理解自己的设计。这样，考试评价的才是知识、判断、AI协同和元认知能力的组合。

从更长的时间尺度看，生成式AI对大学教育最大的冲击，也许并不发生在“学生会不会用AI作弊”这一层面。真正深刻的变化，是教育体系过去长期依赖的一套能力价格正在重新排序。记忆、检索、标准计算和规范化表达依然重要，但其稀缺性正在下降；定义问题、判断信息、验证结果和发现错误的重要性则在上升。大学教育因此面临一个根本性的评价转型：过去我们主要通过答案判断一个学生懂了多少，未来越来越需要通过他提出什么问题、如何使用AI以及能否识别AI的错误，判断他真正拥有怎样的专业能力。

复旦这次考试还只是一个早期实验，其评分方式和评测环境都还有继续完善的空间。但它提出的问题非常现实：如果AI已经成为学生未来工作环境中的基础设施，那么大学继续把“脱离AI独立完成标准任务”作为主要能力尺度，评价体系本身就可能逐渐落后于真实世界。未来大学真正需要守住的核心，依然是学生的知识基础和独立判断力；在此之上，考试则需要开始测量一种新的能力，即人在越来越强的机器智能面前，能否提出更好的问题、建立可靠的验证机制，并最终作出值得信赖的判断。

商务合作/报料请联系微信号：18801065284