生成式人工智能（AI）正以前所未有的方式改变着全球高等教育的格局。从学生撰写论文、教师设计课程到大学的管理运作，这项颠覆性技术在高等教育的各个环节都带来了效率的提升，但同时也伴随着学术诚信、数据安全以及伦理责任等方面的风险。面对这一“双刃剑”，如何在促进教育发展与防范风险之间取得平衡，并探索出适应人工智能时代的高校治理新模式，已成为全球高等教育界面临的共同挑战。
价值导向：从“技术管控”转向“教育赋能”
生成式AI在高等教育中的应用，不仅仅是引入一种新的技术工具，更促使人们反思教育的本质以及未来人才培养的目标。纵观全球高校在生成式AI治理方面的实践，大致形成了三种不同的态度：完全禁止使用、有条件地允许使用，以及深度融合并重塑教育。这三种立场既反映了技术扩散不同阶段下的现实选择，也体现了高校在坚持教育传统与拥抱技术变革之间进行的深层价值权衡。
在生成式AI兴起之初，一些高校和教育管理机构采取了谨慎的防范策略，严格限制其使用。这种做法的核心在于防止新技术冲击现有的教育秩序。教育界普遍担心，学生过度依赖智能工具可能会削弱其独立思考和原创能力。同时，长久以来形成的学术诚信规范，使得高校在面对可能替代人类认知劳动的新技术时，本能地倾向于采取保守态度。美国纽约市教育局在2023年初的一项举措便是一个典型例子，该部门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。尽管这项禁令在数月后因技术应用的普遍趋势而被解除，但它所体现出的审慎防范态度，是传统教育模式在技术冲击初期的一种典型反应。
随着技术能力的不断增强及其在教育领域的广泛应用，越来越多的高校认识到，简单的禁令不仅难以有效执行，也与时代发展趋势相悖，因此逐渐转向“有条件开放”的治理模式。高校治理的重心从“严格禁止使用”转向“如何规范使用”，普遍发布了详细的生成式AI使用指南，明确了基本的使用原则。例如，英国牛津大学在2024年发布的指南中，区分了允许和禁止使用的场景，支持学生在提升学术技能和辅助课程学习时使用智能工具，但同时强调AI不能取代人类的批判性思维，也不能替代基于证据的学术论证和学科知识构建。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了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AI视为推动教育范式转变的战略性工具。通过制度设计和资源配置，这些高校积极推动生成式AI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家与OpenAI达成深度合作的高校，在课程教学、科研支持和行政管理中引入智能工具，探索人机协同的新型教育模式。这一转变反映了高校治理逻辑的深层变化，即从“让技术适应教育”转变为“教育因技术而发展”。当生成式AI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的提升，更体现在对教育范式的重塑。
规则构建：多层次规范体系界定AI使用界限
在“有条件开放”和“教育赋能”这两种治理取向下，“负责任地使用技术”是共同的前提，需要通过具体的行为规范来落实。总体而言，全球高校围绕生成式AI的使用，正逐步在学术诚信、数据安全和责任归属等关键领域形成系统性规则，将抽象的治理理念转化为师生可执行、可追责的具体规范，从而为技术应用划定清晰的界限。
学术诚信是高校在生成式AI治理中最核心的议题。生成式AI辅助的成果产出在原创性方面存在争议。为此，国际高校普遍从三个方面调整学术诚信规范：第一，更新对学术不端的定义，将“未经授权的AI使用”纳入作弊或剽窃的范畴；第二，在具体的教学情境中细化使用界限，区分允许和禁止使用的环节，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；第三，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、具体环节以及AI生成内容的比例，将过程的透明度作为合规的前提。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。当前的AI检测工具存在较高的误判率，对非母语者的文本常有偏见，并且可能引发数据隐私风险。因此，包括麻省理工学院在内的许多高校并不主张将技术检测结果作为裁决的唯一依据，而是需要结合人工判断进行综合评估。
数据安全是高校在生成式AI治理中具有强制性约束的领域。用户输入生成式AI的信息可能被用于模型训练，这对学生隐私和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，并鼓励师生优先使用学校认证的安全工具。在类似风险防控实践中，数据分级管理是一种行之有效的经验。以哈佛大学为例，该校将数据分为可公开到高度敏感五个层级，明确禁止将标记为机密的数据输入公共智能工具。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AI的人机共创，使得内容生产的责任归属问题变得复杂，这要求高校在制度层面明确责任归属的原则。关于这一问题，全球高校存在以下共识：第一，明确生成式AI输出的内容可能存在偏见和错误，要求使用者进行核查，并对最终成果负全部责任；第二，禁止将人工智能工具列为作者，以确保人类在学术活动中的主体地位。这一规则设计的根本逻辑在于，生成式AI可以作为辅助工具提升效率，但不能替代人类的判断，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AI的有效应用
仅仅依靠规则约束和事后问责，难以有效应对生成式AI持续演进带来的复杂挑战。全球高校逐渐认识到，治理的重点应从设定行为规范拓展到更深层次的能力建设。通过素养培育和资源支持，使师生真正具备理解和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的《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AI素养不等于单纯的技术操作技能。国际研究普遍将AI素养划分为多个递进的层次，从基础的技术认知和功能理解，到熟练的工具运用和任务整合，再到对生成内容的批判性评估和创造性应用，最终能够根据复杂情境进行伦理判断和责任决策。这种素养观的核心在于使技术“为我所用”而非被其牵引。在此框架下，生成式AI时代高校人才培养的重点，不再局限于知识和技能的传授，而是更加重视培养基于人工智能的批判性思维能力和学术研究能力，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和学习方式转型两方面展开探索。在课程建设方面，一种路径是将生成式AI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程，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AI重塑下的产业环境。另一种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、伦理规范和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，通过过程性评价和个性化反馈，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了系统化的支持体系：第一，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；第二，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，都为教师提供了便捷的探索空间；第三，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、工具支持和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和意愿。
全球高校对生成式AI的治理正逐步超越单纯的技术风险防控，迈向关于价值、规则和能力的系统性重构。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。
