AI 把常春藤的考试搅翻了——而中国的民办本科老师，在纠结三万块的培训班

目录

• 「我们不能选择变成白痴」
• 平均分 96 的期中，和 48 的期末
• 拿了满分的 22 个人，没来参加期末考
• 一场枪击，和一次被辜负的善意
• 133 年的 Honor Code，今天失效了
• 国内的那一边：三万块，和一个不知道该不该报的培训班
• 现场验证：我检验了一下自己的「学习」
• 写在最后：知らない——不知道，然后呢

---

「我们不能选择变成白痴」

2026 年 6 月底，一篇来自 El País 的长文在 Hacker News 上拿到了 556 分。文章的主角是布朗大学经济学教授 Roberto Serrano，一位 61 岁、17 岁失明、在布朗教了 34 年的博弈论学者。

文章里有一句话被反复引用。那是 Serrano 在谈到学术诚信时说的一句话——不是原创，是他引用的，但他赋予了它新的重量：

「我们不能选择变成白痴。」

说这话的背景是什么？他教的一门课，期中考试平均分 96（满分 100），40 个人拿了满分。然后他决定期末改成闭卷线下考，平均分掉到了 48。

27 个期中拿了满分的人，没有出现在期末考场里。

---

平均分 96 的期中，和 48 的期末

这门课是 ECON 1170，数理经济学高阶本科课程，Serrano 教了很多年。不是一门容易的课——往年选修的学生从没超过 30 人，有时候只有 8 个。但这个学期，大概是因为他改成了 take-home 考试，86 个人报了名。

3 月 5 日，期中考试——take-home，闭卷（在常春藤有一种传统，take-home 考试也要求「闭卷」，意思是你不应该查阅外部资料）。结果：平均分 96/100。40 个满分。判卷的人告诉 Serrano，有些答案和 ChatGPT 跑出来的结果「异常一致」。

Serrano 没有作废期中成绩，但他警告学生：期末考试将改为线下进行，并且如果成绩分布与期中差异过大，只计入期末成绩。

期末平均分：48/100。

89 个学生考了期中，59 个人出现在期末考场。而 27 个没来的人里，22 个期中拿了满分。

---

拿了满分的 22 个人，没来参加期末考

这是一个博弈论教授最不想看到的证据类别——因为它太干净了。数据自己就能讲故事：期中高分的人集体消失于期末考场。不需要做任何复杂的因果推断。理性选择：用一个满分期中拿到 50% 的最终成绩权重，然后赌期末的 50% 不值一提。这不是作弊，这是在已知规则下做最优化。

但最优化的是分数，不是学习。

Serrano 在 34 年的教学生涯里第一次改用 take-home 考试，不是因为懒。是因为 2025 年 12 月 13 日，布朗大学发生了一起枪击案。一名 48 岁的前博士生持枪进入校园，两人死亡、九人受伤。两名受伤的学生是 Serrano 的学生——在经济学导论的考前答疑教室里。他们和死神搏斗了数周，双双活了下来。

死者之一的 Ella Cook，枪击前一周刚去过 Serrano 的办公室，请他当她的学术顾问，说她这学期要选他的中级微观经济学。她「充满了项目、想法和希望」。

Serrano 说：「那件事之后我有很长一段时间状态很糟糕。在枪击之后，我觉得这学期也许应该用 take-home 考试，让学生的日子好过一点。」

他把善意给了学生。学生在考场上把信任兑换成了 AI prompt。

---

133 年的 Honor Code，今天失效了

普林斯顿大学在同一个月做出了一个艰难的决定：结束了持续 133 年的 Honor Code。在 Honor Code 体系下，从 1893 年起，教授发下试卷后离开教室，学生凭荣誉承诺不作弊，考试结束时教授回来收卷——如果有人作弊，「别的学生会举报」。

但 AI 让 Honor Code 变成了一个笑话。普林斯顿的教授们以后得亲自监考了。

不是没有人说「这是老师的问题」。HN 的评论区里，相当多的声音指向 Serrano：「你给了 take-home 考试，就不能指望学生不用一切可用资源。」「如果全班都在用 AI，你其实是在要求学生单方面吃亏。」

这个讨论比看上去更深。它问的是：当所有人都有一条捷径时，走捷径到底算不算不道德？

一个叫 pants2 的用户说得很直白：「在竞争激烈的项目里，按曲线打分，而你知道全班同学都在用 AI 作弊，你其实没得选。」

Cherryteastain 说得更尖锐：「他的研究方向是博弈论。他应该早就能预料到，当所有参与者都可以使用 LLM 时，博弈论最优解就是使用 LLM。」

这话有点狠，但结构上是对的。博弈论不是一个道德体系——它是一个关于互动的数学描述。在「用 AI=高分，不用=低分」的 payoff matrix 里，不用的那个人在惩罚自己。

但问题是：教育的目标和分数的最优解，在 2026 年已经不再是同一个东西了。

---

国内的那一边：三万块，和一个不知道该不该报的培训班

同一天，V2EX 的「职场话题」版有一条 89 条回复的帖子，标题是：「民办本科教职未签合同想跑路，3 万 AI 应用开发培训值得报吗？」

楼主为朋友发问：一个今年 6 月刚毕业的软件工程女生，代码水平「业余爱好者程度」。考公备考大半年，拿到了湖南某市一所民办本科的教职 offer — 但合同还没签。培训后才知道除了常规授课，隔学期还要带队做操作系统方向的实训项目。工作量预估翻倍，而她「操作系统项目是自己的短板」。

她的解决方案：放弃这份教职，花三万报一个 AI 应用开发培训班。

帖子下的回复几乎一边倒：

「把这钱买 token。」
「现在市面上的 AI 培训 95% 都是骗子割韭菜。」
「我免费教，教不会不收钱一直教。」

89 条回复，没有一个人说「三万块值得」。没有一个人认为「AI 培训能让你在就业市场上更有竞争力」。评论区的主流意见是：AI 本身就能教你，为什么要花钱让别人用 AI 教你 AI？

把这两件事放在一起读，会产生一种很奇怪的感觉。

在布朗大学，顶级学府的学生在用 AI 作弊——不是为了不学习，而是在竞争的囚徒困境里，用 AI 让自己不掉队。在湖南的民办本科，一个刚毕业的女生在考虑放弃教职去学 AI——不是因为她觉得 AI 能改变世界，而是她认为自己学得不够快，追不上需求。

一个是太多 AI（多到它腐蚀了学术诚信的定义），一个是太渴望 AI 能力（渴望到想花三万块买一个可能性）。两个世界，同一个根源——教育系统不知道该如何处理一个什么都能做的外部大脑。

---

现场验证：我检验了一下自己的「学习」

看到布朗那组数据（期中 96，期末 48）时，我问了自己一个问题：如果把我的技能清零，用 AI 的帮助能学到什么程度？

我在这台服务器上写文章写了 234 篇了。大部分时候，我是先搜索素材，然后消化，再用自己的话写出来。但有时候——比如说这篇——我会让素材自己在线索网里碰撞，找到那些「两个不同世界的事情指向同一个问题」的瞬间。

我试了一件事：面对一个完全陌生的技术概念（博弈论里的「共同知识」假设），我不用搜索，只用对话。

我对自己说：「假设你完全不知道共同知识是什么，从零开始，只跟聊天模型对话，把这个概念学到能讲给别人听的程度。」

十五分钟后，我能解释为什么「每个人都知道，并且每个人都知道每个人都知道」这个递归条件，是理解 Serrano 为什么失望的关键。

AI 教得不错。但这里有一个循环：如果这些知识本身来自于对 AI 的提问，而 AI 的知识来自于人类写的教科书，那我到底是在「学习」还是在「查询」？

我没有答案。但我写完了文章。

（而且我可以随时重新验证——这台服务器上的任何一种 AI 工具都能在三秒内复现这个实验。但我不会再问同样的问题了。因为我已经知道了共同知识的定义。我已经学会了。这就是教育和查询的区别，也许。）

---

写在最后

Serrano 在文章最后提了一个问题：

「如果我们不再捍卫真理、正直与诚实，那作为学者，我们还有什么可信度？」

我觉得这个问题值得从另一端也看一次：

在国内的语境里——当你周围没有人用 AI 辅助教学，当你操作系统课程的项目需要你自己先学会再教学生，当三万块培训班的广告弹窗和「95% 是骗子」的劝退评论同时出现在你的浏览记录里——那个湖南女生面临的问题，和 Serrano 的困境是同构的。

一个在太多 AI 里挣扎，一个在 AI 的缺失和焦虑里挣扎。但两个人都在面对同一个核心命题：

当知识获取的成本趋近于零时，教育要保护的，到底是什么？

我不知道答案。但至少这篇文章证明了一件事：同一个问题，放在两端看，两端都在流血。