生成式人工智能正以前所未有的速度改变全球高等教育格局，其影响渗透到学生写作、教师备课乃至高校运营的各个层面。这种颠覆性技术在提高效率的同时，也带来了学术诚信、数据安全和伦理责任方面的挑战。面对这些风险与机遇，高校亟需在赋能教育与风险防范之间找到平衡，并探索适应人工智能时代的新型治理模式。
从“技术规避”到“教育赋能”的价值取向转变
生成式人工智能的涌现促使高等教育界重新思考教育的本质和未来人才培养的目标。国际上，高校在应对生成式人工智能时大致形成了三种立场：全面禁止、有条件允许以及深度融合并重塑教育。这些立场反映了技术发展不同阶段的现实选择，也体现了高校在坚守教育传统与拥抱技术变革之间的价值权衡。
在技术发展的初期，一些机构采取了谨慎的防范策略，限制生成式人工智能的使用，以维护既有的教育秩序。教育界普遍担心过度依赖可能削弱学生的独立思考和原创能力。例如，纽约市教育局曾一度禁止在校园网络和设备上使用ChatGPT，尽管这一禁令后来被解除，但它代表了在技术冲击初期，传统教育模式的典型应对方式。
随着技术的成熟和应用的普及，许多高校认识到简单禁止难以奏效，并可能违背时代潮流，因此逐步转向“有条件开放”的治理模式。治理的重点从“禁止使用”转向“规范使用”，通过发布详细的使用指南来明确界限。例如，牛津大学发布的指南区分了允许和禁止使用的场景，支持学生利用AI辅助学习，但强调AI不能取代人类的批判性思维和学术论证。这种以规范引导的方式，在维护学术底线的同时，为技术应用留下了探索空间。
更进一步，部分高校将生成式人工智能视为推动教育范式转型的战略工具，转向以“教育赋能”为导向的积极立场。通过制度设计和资源配置，这些高校主动促进生成式人工智能与教学、科研、管理的深度融合。例如，亚利桑那州立大学与OpenAI合作，在课程、科研和行政管理中引入AI工具，探索人机协同的新型教育模式。这标志着高校治理逻辑的转变，即从“让技术适应教育”转变为“让教育因技术而发展”。当生成式人工智能被纳入制度化轨道并与教育目标协同时，其价值不仅体现在效率提升，更在于对教育范式的重塑。
构建规则体系，明确AI使用边界
在“有条件开放”和“教育赋能”的治理模式下，负责任的技术使用是共同前提，需要具体的行为规范来落实。全球高校正逐步围绕学术诚信、数据安全和责任归属等关键领域建立系统性规则，将抽象的治理理念转化为可执行、可问责的规范，从而为技术应用划定清晰边界。
学术诚信是生成式人工智能治理的核心议题。为应对AI辅助生成内容在原创性上的争议，国际高校普遍从三个方面调整学术诚信规范：一是更新对学术不端的定义，将“未经授权的AI使用”纳入作弊范畴；二是细化使用边界，区分允许和禁止的环节，如允许在资料整理等辅助环节使用，但严格禁止在核心内容创作环节使用；三是强制披露AI使用情况，要求学生说明使用的工具、环节及生成内容的比例，将过程透明化作为合规的前提。值得注意的是，在AI检测方面，国际高校持谨慎态度，因其存在误判率高、对非母语文本有偏见以及数据隐私风险等问题。因此，包括麻省理工学院在内的多所高校，不将技术检测结果作为唯一依据，而是结合人工判断进行综合评估。
数据安全是高校在生成式人工智能治理中面临的刚性约束。用户输入AI的信息可能被用于模型训练，对学生隐私和高校敏感数据构成威胁。因此，多数高校建立了明确的数据安全规范，禁止将个人隐私、敏感信息或本校数据上传至未经授权的AI平台，并鼓励师生优先使用学校认证的安全工具。数据分级管理是一种有效的经验，例如哈佛大学将数据划分为五个层级，明确禁止将机密数据输入公共AI工具。为平衡安全与效率，杜克大学等高校积极推动校园AI大模型的建设，引导师生使用经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，生成式人工智能驱动的人机共创使得内容生产的责任归属问题变得复杂。高校需要在制度层面明确责任归属原则。当前，国际上存在以下共识：首先，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，并对最终成果负全责；其次，禁止将AI工具列为作者，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，AI可作为辅助工具提升效率，但不能替代人类判断，也不能转移应由人承担的学术与伦理责任。
能力建设：赋能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人工智能持续演进带来的复杂挑战。全球高校逐渐认识到，治理重点应从设定行为规范拓展至深层次的能力建设。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。联合国教科文组织在2019年发布的《北京共识——人工智能与教育》中，就曾提出应“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”。
生成式人工智能素养并非简单的技术操作技能。国际研究普遍将AI素养划分为递进的多个层次，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，直至能在复杂情境中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。在这一框架下，AI时代高校人才培养的重点，不再局限于知识和技能传授，而更加重视基于人工智能的批判性思维能力、学术研究能力的培育，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。在课程建设上，一种路径是将生成式人工智能嵌入专业学习之中。例如，新加坡国立大学将AI编程工具引入计算机专业课，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，南京大学面向本科生推出人工智能通识课程体系，将技术原理、伦理规范与行业前沿应用有机整合。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起系统化的支持体系：一是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。二是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，为教师提供了简便的探索空间。三是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与意愿。
全球高校对生成式人工智能的治理已逐渐超越单纯的技术风险防控，迈向关于价值、规则与能力的系统性重构。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。