2026年10月8日,MIT News刊登了Sasha Rakhlin的一篇文章。Rakhlin是MIT统计与数据科学中心主任、数据、系统与社会领域杰出教授。文章综合了近期关于AI如何改变学术界的讨论。据该文所述,AI系统已达到几年前看似不可能的里程碑,包括在国际数学奥林匹克竞赛中取得金牌水平的成绩,以及最近提出的对一个千禧年大奖难题的解法。Rakhlin的核心论点是:大学现在需要重新思考如何组织科研、培养学生和认定学分,因为曾经作为训练场的常规学术工作正日益成为机器能够完成的事情。文章还指出,这一问题已受到更广泛的机构关注,包括MIT今年夏天发布的一份关于AI与教育的报告。

对学生而言,这篇文章提出了一个令人不安的问题:如果AI能起草、解题和总结,你究竟应该学什么?本文提出的实用答案不是回避AI,而是改变你对课程作业中哪些部分可以交给AI处理的思考方式。

文章的关键区分在于“不必要的摩擦”与“专业能力得以发展的工作”。不必要的摩擦是不带来任何学习收益的付出:在工具能准确完成时手工排版引文,重新录入机器可读文件中已有的数据,在图书馆书架间翻找一篇网上可得的论文。形成能力的练习是能构建能力的付出:反复推敲问题表述直到它足够精确,核实某个结果是否真的成立,重构一个论证以检验它能否经受审视。两者都像是在干活,但只有其中一种能让你变得更强。

困难在于,AI从学生这一侧抹平了这种区分。当一个工具能完成你提出的任何要求时,每项任务看起来都同样可以委托出去。你在某种情况下跳过的摩擦确实是不必要的;你在另一种情况下跳过的摩擦却正是整项作业的意义所在。你往往无法分辨哪是哪,直到技能差距在日后显现——在一场考试、一次求职面试,或一个AI输出自信满满却出错、而房间里没有人能察觉的研究项目中。

因此,本文建议的方法是:在开始作业之前,有意识地决定哪些步骤留给自己。文章列出了学生应当学习的四种能力:提出问题、审查模型输出、复现结果、为自己的选择辩护。把这四项当作清单,你就有了保护自身发展的具体方式。

提出问题是大部分思考发生的地方,也是最容易想委托出去的一步。让AI“写点关于气候政策的东西”只会产出泛泛的内容,因为问题本身就是泛泛的。把模糊的题目收窄为一个具体、可回答的问题——涉及哪个人群、什么时间范围、什么才算证据——这种训练是一种可以迁移到任何领域的技能,而且它也决定了下游的一切是否值得去做。这一步要留给自己:在咨询任何工具之前,先自己写出问题陈述,然后再用工具对它做压力测试。

审查AI生成的输出,意味着把工具的答案当作一个待核实的论断,而不是事实。AI系统能产出流畅、结构良好的作品,其中却可能包含捏造的引文、隐蔽的统计错误,或对文献来源自信满满的误读。专业的技能不是回避这类工具,而是核实它们。从输出中挑出一个论断,追溯它的出处;检查被引用的论文是否真的说了工具声称它说的话。这种对机器输出持怀疑态度加以核实的习惯,正迅速成为知识型工作的基本要求,而课程作业正是建立这一习惯成本最低的场所。

复现结果是科研训练的传统核心,如今依然如此。如果某个计算、某段代码脚本或某项实验分析产出了一个关键结果,就自己动手运行一遍,而不是接受那份摘要。哪怕只亲手重新推导一次结果,也能让你知道假设藏在哪里、结果在哪里脆弱——这些知识永远不会出现在打磨过的输出里。当AI给出一个证明、一条数据清洗流水线或一个模型时,“我能从原始输入得到同样的答案吗?”这个问题,正是理解与单纯委托之间的分界线。

为自己的选择辩护,是指能够用自己的话解释你为什么采取某一种路径而非另一种:为什么用这个方法、这个样本、这个阈值。如果你说不清工作背后的理由,你提交的只是一个你并不真正拥有的答案。在提交任何AI辅助的作业之前,做一个实用测试:不开工具,你能回答关于你的选择的追问吗?如果不能,你委托出去的恰恰是会被考察的那部分——在课堂上,也在职业生涯中。

这一切并不意味着事事亲力亲为。合理的分工是:把机械性的工作委托出去,把判断保留下来。让工具处理排版、检索和初稿的苦役,而你自己保留问题陈述、核实、复现和论证。一条实用的经验法则:如果某个步骤能教会你一件在考试中、或在一个你必须对结果负责的职业场景中需要的东西,就留给自己;如果它只会消耗你的时间,就委托出去。

两点提醒。第一,请遵守你所在课程的AI使用政策——各门课程对允许范围的规定不同,上述方法是在适用于你的规则之内运作,而不是绕开它们。第二,本文是受该文章论点启发的实用学习建议,并非MIT的官方方法,也不是经过验证的干预措施;文中关于AI里程碑的说法均归于该文章,本文未对其做独立核实。

这篇文章更大的要点是:随着AI能力的推进,各机构正在重新思考课程作业应当认证什么。学生可以从自己这一侧参与这场重新思考。能够经受工具演进而留存下来的持久技能是:知道什么问题值得问,知道一个答案何时是错的,知道如何去核查,并且能够为结果负责、站出来为其辩护。

在你的下一个AI辅助作业中,试试这样做:挑选一个通常由工具完成的常规步骤,先自己动手——重新推导一个关键结果、重跑一次计算,或把某处输出与原始来源核对一遍。然后写下一句话,说明你从中学到了什么工具没有告诉你的东西。

中文摘要

2026年10月8日,MIT News刊登了统计与数据科学中心主任Sasha Rakhlin的文章,探讨AI如何改变学术研究、教学与学分认定。文章提出,学生应学会提出问题、审查AI输出、复现结果并为自己的选择辩护。本文据此给出实用建议:区分“不必要的摩擦”与“形成能力的练习”,在AI辅助作业中主动保留关键步骤——自己先推导关键结果、重跑一次计算或核对一处输出,再写下一句你从中学到而工具没有告诉你的东西。请遵守所在课程的AI使用政策。