前几天系里开了关于 AI 时代的 CS 教育的研究生论坛, 但是我是本科生, 没有去. 杰哥 去了, 在博客里分享了 AI 时代的本科 CS 教育随想. 他对大作业 / 小作业 / 考试等都写了一些想法. 作为本科生, 我觉得他写的很有参考价值, 当然, 我也有一些自己的见解, 遂引用, 形成此文.
叠甲
本文仅代表本人观点，不代表本系或本校的观点，请勿扩大解读; 我日常发表暴论, 不代表一般计算机系本科生的观点; 引用的部分来自 AI 时代的本科 CS 教育随想
仅代表本人观点，不代表本系或本校的观点，请勿扩大解读！请不要让我上 AI 三大顶会（机、量、新），谢谢！但欢迎大家参与到这个讨论当中，因为目前谁也不知道未来应该怎么做。
现状
为了让读者了解背景，首先要知道前 AI 时代的 CS 教育大概是怎样的：本科的时候先上编程课，教大家各种编程语言，然后逐渐深入到各个领域，课上讲授知识点，课下通过工程训练来夯实，由于计算机是工科，这里面通过不断的工程实践来获取经验，是很重要的一个部分。这一部分学习过程很辛苦，但是确实很有效果，可以说几乎每一位系友都是这么锻炼过来的。
下面这一段，如果你还在读本科，请不要点开，点开了也请忘掉，按照老师的要求去做：
折叠的内容但是，现在 AI 时代来临，很多事情都发生了变化。首先，AI 编程能力很强，大一同学辛辛苦苦学完一年，然后发现自己写的代码还不如 AI 写得好写得快，内心的挫败感和对这种古法编程的学习方法的质疑是无与伦比的。这对课程的教学产生了很大的冲击，因为人很难克制自己的懒惰，面对巨大的诱惑，其实很难静下心去学习这些已经由 AI 掌握的基础课程。论坛上有同学做了个比喻，计算器被发明了以后，人类没有失去心算的能力，因为你为了去用好计算器，还是要知道这些基础知识，从小学起，然后到某一个年级告诉你可以用计算器，然后各种考试还可以出计算器没法解决的题目。但是，AI 的能力边界太大了，它能解决从简单到困难的各种问题，只是有一定的概率解决出来是错的。其次，即使是前几年我们还会觉得，专业核心课的大作业还很难由 AI 完成，似乎还能通过大作业的难度来倒逼大家学习，但在今年也纷纷沦陷，对于学生来说，只要愿意，完全可以自己不写一行代码，纯让 AI 写一个能通过所有测试的作业，自己完全不了解内部是怎么实现的，用很短的时间完成作业。而且还不好去举证，说这一定是 AI 写的。这一点在这次论坛上，不同课程的助教都做了类似的实验，证明了这一点。虽然发这篇博客可能会让一些本科同学看到，然后不好好写大作业，但还是希望更多教育工作者可以看到并参与讨论。如果你是正在上课的同学，就自觉忘记吧。
软工大作业现在 Claude Code Sonnet 4.6 可以在 4h 内完全写完; 去年 我 Vibe 了数据库系统概论的大作业, 而这学期助教做了类似实验, Claude Code Opus 4.6 在 2.5h 内获得了 80/80 分, 运行时间 48s; 而其他的工作量更小的作业就更别提了.
但是呢, 以上的情况都是 建立在杰哥 / Holder / 我已经有相当的编程能力和工程能力的基础上的. 为什么我要这么说呢? 作为软工助教 (虽然是本科生助教), 我能看到的是, 不少同学即便有了 AI 模型也不能很好完成小作业 / 大作业. 我觉得突出的问题包括:
不知道如何正确 Prompt, 比如把 SECoder 平台的照片发给 Claude Code 要求他调试, “我的部署为什么无法访问?”
不是, 我他妈怎么知道? 你把这张图发给助教我, 我都不知道, AI 模型怎么可能他妈的知道…
甚至不知道有哪些工具, 比如买了 ChatGPT Plus 不知道可以用 CodeX…
怎么办
首先是关于 CS 教育要培养出什么样的人才。之前，我们要培养的一方面是工程师，在长时间的工程实践当中积累经验，通过自己的经验，可以打造出一个很完备的系统，功能完善，可靠安全。但其实细分看来，在系统的搭建当中，其实有偏向于顶层设计的架构师，也有偏向于具体实现的工程师。目前 AI 已经可以很快地针对一个给定的 Plan 去做实现，并且实现得还不错，但是从需求到 Plan 的这一步，其实还需要人类的专家知识，因为实际的需求往往很复杂，会有许多大模型没有学过的假设与背景，这需要架构师脑子里把架构想清楚，知道哪里应该怎么做，然后把一部分的工程实现外包给 AI，自己再保证它的实现质量，确保它忠实地实现了所设计的架构，并且实现的系统是可靠安全的。用 AI 写代码很容易，但是写出来复杂可靠的软硬件系统，依然不是容易的事情。另一方面是科学家，在科研方面，科研的品味（Taste）变得更加重要，因为许多科研，其工程量本来就很小，完全可以由 AI 代劳，那么谁能够找到正确的路径，谁才能更好地与 AI 协作，完成科研。换句话说，以后的每个科研工作者，可能自己都是通讯作者，手下是一堆 AI 博士生在做实验，自己提出研究的思路，由 AI 实现和写作，然后自己来保证整个过程的正确性和学术伦理。无论是哪个方向，重点都从以前的知道某个东西“是什么”，变成了“为什么”，进而能够判断“对不对”。论坛上有同学总结得好，人类会更多地变成一个鉴别器（Discriminator）。
这一点在软工的教学上也很有体现. 之前我一直在问, 软工这门课程 “讲的是工程, 写的是软件”, 课程和大作业有些脱节. 这是因为软工的大作业希望 “上规模”, 而在前 AI 时代, 要写出上规模的作业本身需要大量的工作. AI 给软工带来了机遇. 如果我们大作业的代码部分可以由 Agent 代劳, 那么我们就可以让同学们把更多的精力放在需求分析 / 架构设计 / 取舍 / 测试 / 安全性 / 性能 / 持续交付上. 或者说, AI 让 上规模 变得简单了, 而只有上规模的软件工程才真正需要工程能力.
但是基于同样的问题, 同学们接触到不同等级的 AI 模型则会有不同的体验. 如果确实打算用 AI 完成 “上规模” 的部分, 则我们需要消灭 AI 贫困, 拉齐 AI 贫富差距, 让所有同学能够平等使用 SOTA 的模型, 这样才能让大家站在同一起跑线上, 进而真正培养同学们的工程能力. 这也是一个很大的挑战.
首先，作业已经不再能区分同学，不能代表同学对知识的掌握情况，只能代表 AI 对知识的掌握情况。所以作业已经完全沦为 AI 的课后送分小练习，在目前这个卷绩点的氛围下，让大家都开开心心地拿作业满分，也是越来越普遍了。如果真的想要通过作业来督促同学进行学习，那就必须回归作为人类的基本功，就是通过更多的线下的口语、展示和对话，以最“人味”的方式对抗 AI 的“机味”。事实上，在目前这个时代，其实如何扩大自己的影响力，也是很重要的技能，真的是酒香也怕巷子深，如何能够让大家看到你，抓住大家的注意力（Attention），很多时候会比你做出来的东西有多好更重要。这些能力，其实是值得通过作业的设计来培养的。我在本科的时候，尝试选了一次演讲的课程，当时看到作业要求，人直接麻了：需要每个人在班级所有人面前做演讲，这对于当时还比较社恐的我，由于太过害怕直接退课了。现在想想，其实都是小意思，当你迈出那一步以后，会发现懂得大大方方展示自己，真的是很重要的能力，是 AI 暂时还无法取代的能力。
这件事我倒是没那么担心… 毕竟在几年之前, 作业 已经 不能区分同学了 – 认真写作业的同学的平时成绩不如抄作业的同学, 毕竟在往年答案的面前, 努力没有那么 rewarding. 前两年软工课程上, 我们用 这样一道题目 来区分大家是否使用 AI 完成小作业:
小明是某一家互联网公司的全栈开发工程师，他为公司设计的 JWT 鉴权系统为，将用户名和密码负载在 JWT 上供后端鉴权服务器判断。现在有黑客拦截到了某一条 JWT 信息，但是没能成功获得该 JWT 加密后的签名部分（即第三部分）。请问该黑客有没有成功劫持该 JWT 代表的用户，请说明理由。
当年的 AI 模型会被 但是没能成功获得该 JWT 加密后的签名部分（即第三部分） 这句话影响, 认为既然 JWT 的签名部分没有被劫持到, 那么这个 JWT 就无效, 因此黑客没有成功劫持该 JWT 代表的用户. 而实际上, 由于用户名和密码被负载在 JWT 上, 黑客已经成功获取用户的登录凭据. 当年改小作业的时候, 这道题的得分率惨不忍睹, 即便我在课上明确强调了 不要把用户名密码直接写进 JWT, 可见同学们 不仅没听课, 作业也是 AI 写的; 然而, 随着时间的推移, 现在的 AI 模型已经能够正确解答这道题目了. 而现如今, 想要找到一个能绕晕 AI 的题目实在太难, 我们也就放弃了小作业.
既然作业沦陷了，那么，怎么打分呢？难道让每个人都能拿到满绩点？几年前，我在和大一新生聊天，他们就对这个打分的事情感到困惑，因为在目前这个绩点膨胀的时代里，好像很多课程拿满绩点都是天经地义的事情，如果你这个课不给我满绩点，我就要给你打教评低分。但是，又有不少东西和绩点挂钩，奖学金，保研等等。老师当然可以撒手不管，让所有人满绩点，但这只是让竞争延后、转化为其他领域了而已，不比绩点，那就比谁更能在本科的时候做科研，打比赛等等。另一方面，打分也是一个很重要的督促学习的手段，还是一样的前提，人类是很难抵抗自己的懒惰的，如果不是为了毕业以后有更好的发展，可能会有很多人放弃毕业、放弃学习。以前，为了能够顺利毕业，还会咬咬牙做一些比较困难的学习，甚至可能是自己不喜欢的；现在可以用 AI 糊弄了，那就糊弄过去，反正分数不错，能给父母交差，大环境也不好，然后就陷入了虚无主义，一泻千里。所以，似乎考试成为了最后的防线，还能在一定程度上督促学习。
同意, 但是我不评价. 毕竟我绩点也就系里 70%, 我不好说. 或者说, 评价了也改变不了绩点的地位. 不好好上课 + 考前突击 + 往年题拟合 + 绩点膨胀是大环境保研压力 + 绩点红线 (一条保研线, 到不了就倒闭) + 科研压力 (提前进组, 不然保研的时候没人鸟你) + 游戏诱惑的必然结果: 不上课 + AI 写作业 + 考前靠 关系 找到往年题拟合是在当前环境下能最大化自己的课余时间来打游戏 / 搞科研 / 发展兴趣爱好的相对优秀的策略. 何乐而不为呢?
但其实考试也受到了巨大的冲击。第一个问题就是，考试是否允许使用 AI 呢？许多 CS 课程，未来都会或多或少地引入一些 AI，那么学生对 AI 的掌握程度，也是一个需要考核的能力。但目前不同厂商的 AI 的可用性与性能差距过大，“AI 平权”会成为一个新的问题，我们希望比的是谁更会用 AI，而不是谁能用上更好的 AI。就像高考作文要考虑贫富差距一样，本科课程的考试也会面临类似的问题。一种可能性是在考试的时候提供统一的 AI 访问，但目前 AI 生态还是比较混乱，指定一个 AI 让大家用，其实也很容易出现与学生平时使用工具或生态不兼容的问题，而且学校自己部署一个同时几百上千人同时用的 AI 服务，也不是一件容易的事情，希望未来有云厂商可以提供类似的服务，并且能够控制住成本，其实就是一个持续两小时的上百 QPS 的专属推理服务。如果要类比的话，其他一些学科允许使用计算器，出题的时候可以规避，但 AI 能做的事情太杂了，其实很难针对。
这是个好问题, 不过我的感觉是, 开一个高一点优先级 + 不限制并发的阿里云 / 智谱就够用.
另一方面，如果禁止 AI 的话，也有很多问题。首先是没法考察学生的 AI 使用能力，这个在未来会更加重要。其次，学生自己会比较难接受，先给了 AI 这么方便的工具，结果期末考试又要古法做一遍，最后结果可能就是学期中都在用 AI，只有考试前一周突击一下，考完就忘了，当然，好像现在很多人也是这样呢。而且课程很容易被贴上“不与时俱进”的标签，就如那些用十几年前课件的课程一样。现在这个过渡时期，大家都知道会变，但是怎么变并没有达成共识，所以一定会有一个阵痛期。如果你是刚上本科，或者马上要上本科的高中同学，那就要做好成为小白鼠的准备了。此外，随着本地模型的发展，如果让学生带电脑，即使不给联网，有更好的独立显卡的同学，事实上可以通过电脑配置的优势转化为分数，这也会带来新的不公平性。
这是一个很现实的问题. 软工课程的 PPT 比较古老, 而我们期望大作业是能与时俱进的. (期待下学期的云原生 SECoder?)
当然，也不是毫无希望，比如前面说的，加一些有“人味”的考核，唯一的缺点是人力需求较大，难以扩展；或者允许使用 AI，但是必须提交完整的 AI 使用记录，这一点很多地方已经在实践；出题的时候，可能也要想办法去考察学生的思路，一些可以由 AI 完成的作业，不如就直接让学生用 AI 做，变成考察 AI 使用能力的题目。
软工就是 “人味” 的, 但是… 真的需要很多助教x 完整的 AI 使用记录这件事不太好追溯, 系里面在推动可追溯的 AI 平台, 但是一直没有宣发, 感觉还是有一些非技术上的困难.
其它的问题
还有一些其他的问题, 比如, 谁是教大家用 AI 的主体呢? 是否应该有一节课教大家用 AI? 是否应该把 AI 使用纳入教学方案和培养计划? 在 AI 日新月异的时代, 这一部分的内容更新迭代会非常快, 这对课程的设计和教师的教学能力都是挑战.
引用内容来自 AI 时代的本科 CS 教育随想, 获得了 授权. 本文的引用部分不遵循 CC 协议, 其余部分遵循 CC BY-NC 4.0 协议.
The quoted content is from AI 时代的本科 CS 教育随想, with permission from the author. The quoted content does not follow the CC license, while the rest of the content follows CC BY-NC 4.0.