生成式人工智能正以前所未有的力量重塑全球高等教育。从学生论文写作，到教师课程设计，再到高校教学管理，这一颠覆性技术在高等教育各环节的应用，在提升效率的同时也带来了学术诚信、数据安全与伦理责任等风险。面对这把“双刃剑”，如何在教育赋能与风险防控之间找到平衡，探索适应人工智能时代的高校治理路径，是全球高校共同面对的时代命题。

　　价值引领：从“技术防控”到“教育赋能”

　　生成式人工智能在高等教育领域的渗透，不只是技术工具的引入，更引发了关于教育本质与未来人才培养目标的思考。透视全球高校关于生成式人工智能的治理实践，大体形成三种立场，即禁止使用、有条件开放以及技术深度融入并重塑教育。这三种立场既是技术扩散不同阶段的现实选择，也折射出高校在坚守教育传统与拥抱技术变革之间的深层价值权衡。

　　在生成式人工智能兴起初期，部分高校与教育管理机构采取审慎防范立场，严格限制其使用。这一取向的核心在于防范新技术对既有教育秩序的冲击。教育界普遍担忧，学生对智能工具的依赖，可能削弱独立创作与批判思考等关键能力。同时，长期存在的学术诚信规范，使高校在面对可能替代人类认知劳动的新技术时本能地倾向于保守应对。美国纽约市教育局的早期实践便是典型代表，其在2023年初以可能影响学习质量为由，禁止在校园网络和设备上使用ChatGPT。尽管该禁令因技术应用的泛化趋势在数月后被解除，但其所体现的审慎防范倾向，是传统教育模式在技术冲击初期的典型应对方式。

　　随着技术能力的提升及其在教育场景的广泛应用，越来越多高校认识到，简单的禁令既难以落实，亦背离时代趋势，因此逐步转向有条件开放的治理立场。高校治理的重心由“严禁使用”转向“如何规范使用”，普遍通过发布详尽的生成式人工智能使用指南，明确基本使用原则。例如，英国牛津大学2024年发布的指南区分了允许与禁止使用的场景，支持学生在提升学术技能与辅助课程学习中使用智能工具，同时强调AI不能代替人类的批判思考，也不能取代以证据为基础的学术论证与学科知识建构。这种以规范引导为特征的治理方式，在坚守学术底线的同时，为技术应用留下了审慎探索的空间。

　　在此基础上，部分高校进一步超越风险应对的治理思路，转向以教育赋能为导向的积极立场，将生成式人工智能视为推动教育范式转型的战略工具。通过制度设计与资源配置，这些高校主动推进生成式人工智能与教学、科研、管理的深度融合。2024年，美国亚利桑那州立大学成为全球首个与OpenAI达成深度合作的高校，在课程教学、科研支持及行政管理中引入智能工具，探索人机协同的新型教育模式。这一转向反映了高校治理逻辑的深层变化，即从“使技术适应教育”迈向“教育因技术而发展”。当生成式人工智能被纳入制度化轨道并与教育目标协同发展时，其价值不仅体现在效率提升，更体现在对教育范式的重塑。

　　规则建构：多层规范体系划定AI使用行为边界

　　在“有条件开放”与“教育赋能”两种治理取向下，负责任的技术使用是共同前提，需要通过具体行为规范加以落实。总体来看，全球高校围绕生成式人工智能的使用，逐步在学术诚信、数据安全与责任归属等关键领域形成系统规则，将抽象的治理理念转化为师生可执行、可问责的具体规范，从而为技术应用划定清晰边界。

　　学术诚信是高校在生成式人工智能治理中最核心的议题。生成式人工智能辅助的成果产出在原创性上存在争议。为此，国际高校普遍从三个方面对学术诚信规范进行调整：其一，更新对学术不端的界定，将“未经授权的AI使用”纳入作弊或剽窃的范畴；其二，在具体教学情境中细化使用边界，区分允许与禁止使用的环节，例如在资料整理等辅助性环节允许使用，在核心内容创作等关键环节则严格禁止；其三，强制披露AI使用情况，要求学生在提交成果时说明使用的工具名称、具体环节及生成内容的占比，将过程透明作为合规的前提。值得注意的是，在学术诚信的检测手段上，国际高校表现出审慎的态度。当前AI检测工具存在较高误判率，对非母语者文本常有偏见，且可能引发数据隐私风险。因此，包括麻省理工学院在内的众多高校并不主张将技术检测结果作为裁决的唯一依据，而要结合人工判断进行综合评估。

　　数据安全是高校在生成式人工智能治理中具有刚性约束的领域。用户输入生成式人工智能的信息可能被用于模型训练，这对学生隐私与高校敏感数据构成威胁。因此，国际高校大多建立了明确的数据安全行为规范，禁止将个人隐私、敏感信息、本校所属数据上传至未经授权的人工智能平台，鼓励师生优先使用学校认证的安全工具。在此类风险防控实践中，数据分级管理是一种行之有效的经验。以哈佛大学为例，该校将数据划分为可公开到高度敏感五个层级，明确禁止将被标为机密的数据输入到公共智能工具中。同时，为了平衡安全与效率，杜克大学等高校积极推动校园人工智能大模型的建设，引导师生使用经过学校授权的企业版或私有化部署工具。这种堵疏结合的策略表明，数据安全治理并非简单的限制，而是通过制度化安排为技术应用划定安全边界。

　　此外，基于生成式人工智能的人机共创，使得内容生产的责任归属问题复杂化，这要求高校在制度层面明确责任归属原则。关于这一问题，全球高校存在以下共识：第一，明确生成式人工智能输出的内容可能存在偏见、错误，要求使用者展开核查，对成果负全部责任；第二，禁止将人工智能工具列为作者，保证人类在学术活动中的主体地位。这一规则设计的底层逻辑在于，生成式人工智能可以作为辅助工具提升效率，但不能替代人类判断，更不能转移应由人承担的学术与伦理责任。

　　能力建设：赋能生成式人工智能有效应用

　　仅依赖规则约束与事后问责，难以有效应对生成式人工智能持续演进带来的复杂挑战。全球高校逐步认识到，治理重点应从设定行为规范拓展至深层次的能力建设。通过素养培育与资源支持，使师生真正具备理解、驾驭人工智能的能力，才能实现技术对教育的赋能。2019年，联合国教科文组织发布《北京共识——人工智能与教育》，提出应“采取体制化的行动，提高社会各个层面所需的基本人工智能素养”。

　　生成式人工智能素养不等于单纯的技术操作技能。国际研究普遍将AI素养划分为递进的多个层次，从基础的技术认知与功能理解，到熟练的工具运用与任务整合，再到对生成内容的批判性评估与创造性应用，直至能够在复杂情境中进行伦理判断与责任决策。这种素养观的核心在于使技术“为我所用”而非被其牵引。在这一框架下，生成式人工智能时代高校人才培养的重点，不再局限于知识与技能传授，而更加重视基于人工智能的批判性思维能力、学术研究能力的培育，以适应知识生产方式和职业实践的变化。

　　在学生赋能方面，《北京共识》建议运用人工智能“促进学习和学习评价”。围绕这一目标，国内外高校从课程体系重构与学习方式转型两方面展开探索。在课程建设上，一类路径是将生成式人工智能嵌入专业学习之中。例如，新加坡国立大学将AI编程工具引入计算机专业课，在夯实学科基础的同时，帮助学生积累人机协同开发的经验，从而更好地适应人工智能重塑下的产业环境。另一类路径是开设人工智能通识课程。例如，南京大学推出了面向本科生的人工智能通识课程体系，将技术原理、伦理规范与行业前沿应用有机整合，搭建适应时代发展的知识结构。此外，一些高校还探索将人工智能融入学习评价环节，通过过程性评价与个性化反馈，提升学生的自主学习效果。

　　在教师赋能方面，《北京共识》强调运用人工智能“赋能教学和教师”。围绕这一目标，国内外高校逐步构建起系统化支持体系：其一，提供培训项目或资源，帮助教师掌握智能工具在教学中的应用方法，例如墨尔本大学推出的“AI for Teaching and Education”系列资源，为教师提供适应时代需求的教学支持；其二，开发轻量化自助工具与平台，降低技术使用门槛，如斯坦福大学、复旦大学的人工智能共创平台，都为教师提供了简便的探索空间；其三，设立专项基金与研究计划，激励教师开展基于人工智能的教学与科研探索，例如卡内基梅隆大学的“生成式人工智能教学研究计划”以及中国人民大学“AI赋能科研创新应用”资助项目。这些举措从素养提升、工具支持与制度激励等多个维度协同推进，有效提升了教师在智能环境下开展教学创新的能力与意愿。

　　全球高校对生成式人工智能的治理逐渐超越单纯的技术风险防控，迈向关于价值、规则与能力的系统性重构。面向未来，应继续坚持以人为本，推动人工智能与高等教育深度融合，在技术发展的浪潮中把握教育变革的主动权，方能培养适应时代发展的高素质人才。

　　作者：郭玮琪 来源：光明日报