学生用人工智能（AI）写作业，老师用 AI 改作业，最终比拼谁的 AI 更好用、更先进？这看似是笑话，但事实上，自从 AI 大模型诞生以来，如何辨别学生论文的 AI 生成率一直是一个难题。有机构统计，美国超过一半的学生在某种程度上都用过生成式 AI 来完成作业或考试。

据媒体报道，以 GPTZero 为代表的一批检测工具正快速崛起，它们不再只是简单地给出 "AI 生成概率 "，而是能精准识别文本的生成轨迹。各个检测工具、平台等也都加大了对 AI 论文的检测强度。

生成式 AI 正把我们推到一条更陡峭也更开阔的教育变革之路上。对教育者和受教育者而言，要变革的不仅仅是教与学的方式，更是整个教育的思想。

师生间的 " 攻防升级 " 并未终结

在教师与学生围绕教学展开的 " 拉锯战 " 中，AI 与人类教师正推动一场持续迭代的 " 攻防升级 "，这甚至被称为师生之间的 "AI 军备竞赛 "。

在学生侧，AI 正从 " 直接生成 " 进化为 " 多步加工 "：先用来检索教材与权威来源，再用提示工程诱导组织推理，随后通过个性语料调整与词频、句法、标点和元数据的细微扰动，以及 AI 模型二次内容改写，来弱化 "AI 痕迹 "。

在教师侧，可检测从单一 "AI 率 " 走向 " 证据拼图 "，教师也可以利用 AI，综合困惑度、句法树多样性、指代稳定性、引用可检索性、提交—修改时序与键击编辑轨迹等多模态信号，了解作业的 AI 含量，同时在作业中引入相似度图谱、在论文中用检索技术复核与溯源。

甚至，更进一步，教师在教学上将转向 " 过程导向 " 的教学设计，不少教师会要求学生提交思维链、草稿版本与口头复述，把 AI 纳入 " 生成—校验—反思 " 的可控流程，让 " 代写 " 逐步转化为 " 助学 "。

在这种情况下，一些平台曾尝试提供的 " 灰色服务 "，即提供一些 " 人类化工具 " 的人工智能，也很难再进行下去。

不禁止学生使用 AI，但要对使用负责

当学生可以用 AI 完成本应自己思考的任务时，当 AI 既能出题又能解题时，传统的客观题、编程题乃至论文写作，就学生的学习成果展开评价时，区分度会被削弱。

不过，我们不应把这简单归因为 " 作弊工具的升级 "，更应该接受这是一场关于 " 解题权 " 的结构性再分配：在答案易得的时代，学习的价值不再是写出正确答案，而是如何理解问题、如何形成思路、如何组织证据、如何在协作中迭代。

在这个时候，如果我们对于学生学习和教师教学的评价仍然是结果导向，那么教师和学生之间的 AI 博弈会迅速演化为 " 谁调用得更快 "。只有当我们把评价转向过程性与场景化，要求在真实或拟真情境中进行解释、复盘与现场取舍，才能区分 " 会用 AI" 和 " 真理解 "。

这意味着，未来的教学过程中，将有更多开放型任务、项目式作业、口头答辩与在场评测，意味着提交作业时要附带 "AI 介入说明 " 和 " 版本迭代记录 "，意味着会把 " 证据链 " 与 " 可解释性 " 纳入评分的硬指标。在这样的框架下，学生不被禁止使用 AI，但要对其使用负责任：学生必须说明调用点，呈现比较与取舍，展示失败与修正，接受当场追问。教与学的透明化过程证据，会重新建立学习的公正与可信。

好老师的 " 隐性价值 " 将更显眼

事实上，在不少学校，AI 正在重组教育供给。

对学生而言，AI 只能成为学习的辅助工具；同样，对教师而言，AI 也只能是 " 副驾 "，AI 可以接手规模化、可标准化的创作任务，让教师把时间花在更有专业价值的地方。比如，搭建课程蓝图，规划能力坡度与台阶；精选关键案例与 " 高错点 "，针对性地拆解误区；组织讨论、共创与辩论，引导价值判断与伦理思考；在质量管控上设立标准、抽检样本、校审输出，用数据驱动版本的持续迭代。教师的这种转型，本质上是从知识的传授者转向学习的架构师与引导者。

而过去无法规模化复制的好老师的 " 隐性价值 "，包括教师的专业判断与人文关怀则被放到更显眼的位置。以上海交大人工智能学院教师智能体 "TeachMaster" 为例，它承担内容生产与流程编排。在高效的人机协同下，教师仅需提交文字版课程大纲以明确教学目标与内容边界，系统即可在数小时内生成整堂课的教学视频与配套课件；在备课阶段，教师通过预览环节进行标准与质量校验，重点防止知识幻觉与事实偏差；实际课堂采用 "AI 主教＋教师助教 "，教师则专注现场答疑、个性化辅导、拓展讨论与价值观引导，并对学习数据进行二次解读与纠偏。由此，教师从繁琐的备课与课件制作中大幅解放，职责上移至目标设定、内容边界与质量把关等高阶决策层，重复性制作与编排工作交由 AI 完成。

以人机协同重构 " 传道、授业、解惑 "

虽然 AI 在教与学中的推广使用，可以使得优质教育资源得以更广泛地被普及，但是，生成式 AI 在教与学的落地过程中，仍有四道难关：

其一是知识粒度缺口。现在大多数通用模型的强项是广度而非细度，高阶专业教学引入 AI 工具，需要通过领域知识库、专家标注与小样本微调来补齐，并建立 " 错误本体 " 与 " 误区图谱 "，让系统对 " 细小但关键的差异 " 保持敏感。

其二是评测体系危机。当 AI 实现 " 秒解 "，标准化测试的效度下降，我们就需要把口头解释、开卷在场、限定资源与可追溯证据链作为教与学的测评中的新常态，通过推动 " 过程的真实 " 来实现 " 结果的可信 "。

其三是政策与治理尚未完善。数据隐私、版权归属、责任界定都需要明确的制度护栏，校园内应建立可信模型白名单、分级授权与日志审计，把可验证、可追溯落到流程。

其四是算法厌恶与组织惰性。很多时候，机构或者公众抵触的往往不是技术问题，而是价值、制度与场域的综合反应。

在快速演进的 AI 时代，教育应以人机协同重构 " 传道、授业、解惑 " 的分工：" 传道 " 意味着教师把握价值取向与学术规范，并将其编码为可执行的系统规则；" 授业 " 意味着 AI 实现个性化、标准化、规模化的传授，教师专注于课程设计与难点突破；" 解惑 " 意味着 AI 进行前置分流、提供证据与路径建议，教师做最终裁决、给予情感支持并引导元认知。

技术并不会让教育 " 去人化 "，恰恰相反，它让人的工作更回到人本身——判断、同理、鼓励以及对价值的坚守。

当前，中国正从教育大国迈向教育强国。当理念和技术同频、供给与评价并进、教师与 AI 协作成型，教育供给将实现跃迁。优质资源会从稀缺品变为可复制、可规模、可迭代的公共品，教师智慧也被放大为普惠供给，让孩子们在可达半径内都能遇见 " 好课 "" 好老师 "。当优质供给可被复制与升级，稀缺焦虑自然缓解，" 内卷 " 也将在充分与公平中退潮。以技术作桨、质量作帆、公平作航向，今日起航，驶向教育强国。

（作者为上海交通大学人工智能学院副教授）