最近整理到幾則消息：紐約大學、芝加哥大學、雪梨大學，還有加州州立大學海事學院，都在調整自己面對 AI 的方式。讀完之後我想了幾天，想把自己想到的東西寫下來。

這幾間學校已經不再爭論該不該禁止學生用 AI。一項技術一旦真的能帶來實質的生產力，防堵基本上做不到——學生會用，未來要進的行業也已經在用，禁令通常只會製造出一批表面遵守、私下照用的學生。這幾間學校做的事情，是換一個地方去衡量學生到底學會了甚麼。

雪梨大學讓學生同時走兩條路。一條路徑假設學生會用 AI 完成報告，訓練的重點放在業界實際需要的實戰能力；另一條路徑則要求學生交報告後接受限時口試，當場口頭解釋報告背後的推理過程。答不出來，就代表這份報告的內容不是自己真正掌握的。

加州州立大學海事學院的做法更直接。有位數學教授把課堂講解全部搬到線上，把實體上課的時間留給學生站在白板前解題，自己站在旁邊看學生怎麼一步步想。他沒辦法阻止學生在家用 AI 寫作業，但可以把驗證理解的場合，搬到一個 AI 插不了手的地方。

紐約大學商學院的做法，我覺得是幾間裡面想得最深的。學生做專案時可以自由用任何 AI 工具，交出成果後，要面對一套叫 Viva 的 AI 口試系統追問。這套系統會根據學生的回答調整難度，修過課的學生形容：答得越好，天花板升得越高。這個設計沒有把 AI 當成敵人，是拿 AI 本身去逼出學生更深的理解。

芝加哥大學法學院走的是另一條路。一年級核心課程試辦全面禁用電子設備，理由是：捱過困難本身，就是專業判斷力養成的過程。這個做法不是在找新的驗證方式，是想用制度的力量，把舊的、純粹靠人腦運作的課堂保留下來。

四個案例放在一起看，比「禁不禁」更值得想的，是每間學校其實在回答同一個問題：如果沒辦法防堵 AI，衡量學生的地方要移去哪裡？雪梨和紐約選的答案接近——一個人的真本事，仍然要看他能不能脫離 AI 獨立運作，能不能把判斷力內化到自己身上，在壓力之下把整個推理重講一遍。人和 AI 在這個答案裡是可以分開測的兩件事。加州州大走中間路線，測的不是事後補講，而是即時的思路重建。芝加哥沒有換地方，它賭的是舊的那個地方本身還值得守住。

大學怎麼評量學生，其實不會脫離企業想要甚麼人這件事。紐約的 Viva 系統特別貼近企業口味，因為那本質上是一種結果導向的考核——不管過程用甚麼工具，最後能解多難的題目才算數。我可以想像企業招聘也會走向類似的方向：用 AI 面試工具去找出「用 AI 也能解出最難題目」的人。這裡有個前提：不同人用 AI 做出來的結果，仍然要有明顯差距，這套辨別方式才有意義；如果每個人用 AI 都做得一樣好，這套方式本身就會失效。有意思的是，這兩邊很可能互相影響——企業想要怎樣的人，會影響大學怎麼評量學生；大學教出來的學生是甚麼樣子，又回頭決定企業能招到甚麼人。紐約這套設計，某種程度上是把這整個互相影響的過程，提前搬進了課堂裡。

這也接上我自己一直在想的一個問題。Junior 工程師的訓練位置，正在因為 AI 快速變薄。以前一個 junior 的成本比起他的產出來說夠便宜，公司才「順便」訓練他；現在一個 senior 配合 AI 工具，產出往往能追上 junior，junior 要競爭的門檻一下子拉高很多。企業拆掉的，是 junior 的訓練補貼。這幾間大學面對的，是同一個斷裂的另一面：大學傳遞知識這件事，一直建立在「取得知識有成本」這個前提上；AI 把這個成本壓到接近零之後，大學被迫從傳遞知識的角色，轉成驗證理解的角色。

我自己比較認同雙軌制的做法。它沒有假裝已經想清楚答案，而是承認這題目暫時沒有標準答案，讓不同的學生自己去押不同的注。哪一種答案最後會證明是對的——脫離 AI 的個人能力，究竟只是眾多選項之一，還是有效使用 AI 的判斷力所必須具備的底子——我自己也還沒有把握。但我猜這個問題不會只留在大學裡。企業訓練 junior 的方式，我們教小孩的方式，遲早都要面對同一個選擇。