随着加州大学伯克利分校计算机科学课程中人工智能应用日益广泛，学生的数学技能却日益下降，不及格率也随之飙升。

当AI写作工具变得随手可得，大学课程的评价体系正在经历一场看不见的地震。UC伯克利大学计算机系教授 Dan Garcia 和 Gireeja Ranade 在本学期发现了一组令他们不安的数字：CS 10 课程有 35.3% 的学生拿到 F，CS 61A 有 10.6% 拿到 F，而往年这两个比例从未超过 10%。EECS 127 课程的 F 率也从常态的 5% 飙升至 16.8%。整个 EECS 系的平均 GPA 只有 2.3，远低于指导线要求的 2.8-3.3。这是伯克利 CS 系多年来从未见过的学术危机。

AI滥用：作弊 Detection的困境

Dan Garcia 教授直接点名了"学术不诚实行为的急剧增加"，并将矛头指向 Claude、ChatGPT、Google Gemini 等大语言模型。在 CS 10 课程的take-home考试中，有近 30 名学生被抓到作弊。这个数字本身已经触目惊心，但背后更值得思考的问题是：如果 AI 能骗过考试，说明什么？

当一个学生可以用 AI 独立完成作业并通过考试时，传统课程设计的意义何在？这个问题在教育界已经讨论了两年，但伯克利的这组数据让讨论从理论变成了现实。Ranade 提到了一个更隐蔽的现象：一名学生报告说其线性代数课程允许"开放互联网、开放 AI 政策"用于作业和考试。这意味着 AI 使用不是学生偷偷摸摸的行为，而是课程本身已经制度化地承认了 AI 的存在。然而，当作业可以查 AI、考试可以问 AI 时，学生还有任何理由去记忆线性代数的核心概念吗？

数学基础：被绕过的必由之路

Gireeja Ranade 指出了另一个核心问题：学生普遍缺乏线性代数和数学证明的先验知识。这两者是计算机科学本科阶段的核心基础——前者是机器学习和计算机图形学的数学底座，后者是算法分析和形式化推理的思维训练。当 AI 成为家庭作业的"外挂"，学生完成作业的过程就绕过了这些核心训练。

这形成了一个典型的能力空洞：学生会用 AI 框架写出看起来正确的代码，却无法解释为什么这段代码能运行。更严重的是，他们甚至不知道自己不理解。在 Garcia 看来，"困惑是学习的汗水"——但大量学生正在通过 AI 绕开这个出汗的过程，直接拿到结果，却失去了学习本身。

结构性因素：教学助理(Teaching Assistant)岗位缩减

系主任 Jelani Nelson 提到，EECS 系不得不削减本科 TA 岗位数量，原因居然是时薪太高。这个信息揭示了一个被忽略的成本问题：当 TA 时薪因为市场竞价而上涨，系的运行成本随之膨胀，压缩了教学资源配置。TA 通常是学生对课程内容产生深层理解的重要渠道——准备讨论课、批改作业、参与 office hours。一线 TA 数量的减少，直接影响了学生能获得的个性化辅导质量。

制度应对：1300名教职员工的联名请愿

Garcia 和 Ranade 与超过 1300 名 UC 系统教职员工一起签署了一份请愿书，呼吁在 STEM 招生中恢复 ACT 和 SAT 要求。这个立场在高等教育政治中颇为敏感——标准化考试长期以来被认为是影响教育公平的歧视性工具，但支持者认为它至少提供了一个客观的能力参照系。在 AI 时代，这个争论被赋予了新的维度：如果学生的真实学术能力正在被 AI 稀释，那么有什么指标能替代标准化考试作为入学筛选？

未来：教得更多，而不是更少

Ranade 的回应是明确的："在 AI 时代，要教得更多，而不是更少。"她的逻辑是：如果 AI 可以完成基础任务，课程就应该将重心转移到培养学生批判性思维——理解 AI 输出的局限性，判断结果是否合理，在 AI 失灵时能独立修正。这些能力无法通过让 AI 代工作业来获得。

Garcia 则选择了另一种方式：他计划在每门课的第一天向学生展示"到底发生了什么"——用本学期真实的 F 率数据来警醒学生。但这种“休克疗法(shock therapy)”式的操作能持续多久效果，以及 AI 工具的可得性是否会让下一年的数据更难看，目前都是未知数。

这组数据的深层意义在于，它展示了一个正在自我加速的负向循环：学生用 AI 绕过学习 → 能力空洞形成 → 需要更多时间弥补基础 → 更依赖 AI → 教授被迫收紧评价标准 → F 率上升。打破这个循环需要的不仅是课程设计调整，而是对"大学课程在 AI 时代究竟应该评价什么"这个根本问题的重新思考。

参考来源

• https://www.dailycal.org/news/campus/academics/failing-grades-soar-as-professors-see-greater-ai-usage-dwindling-math-skills-in-uc-berkeley/article_16fad0bf-02cb-4b8c-8d88-888ffd9f8608.html