复旦学子出题，考问AI，也考问人|专业知识|教学|教师|智能体

新民晚报记者易蓉

这学期末，复旦大学教授肖仰华在朋友圈晒出一张密密麻麻的表格，红红绿绿的小格子代表着DeepSeek、MiniMax、Claude三个AI大模型应答510道考题的对错，而这，也是一张51名本科生“围攻”AI的战况图。

复旦大学教授肖仰华

为了应对AI对课程的挑战，今年肖仰华的《数据挖掘技术》课程在期末创新采用了“人考AI”的模式，学生出的题越能考倒AI，越能获得高分。战况喜人——全班只有1人完全没能难倒AI，50人至少让某个AI答错过一题，4人让某一模型整卷得0分。

“人考AI”考核流程示意图（出题→AI作答→自动判分→助教复核）

“要相信，人类智慧终能战胜AI。”这令肖仰华感到欣慰，“即便今天先进模型在几乎所有学科攻城略地，最优秀的同学仍然能想出方法让先进的AI考出0分。”

人类智慧战胜AI，尤其是这场“围攻”发生在大学本科课堂，大家都喜欢这样的故事。

然而，这场期末考的背后，远不止“4个学生让AI考0分”……

他们这样为AI出题

战胜AI的“碾压派”选手谢锦树选择“用魔法打败魔法”。在计算与智能创新学院学了3年，他已经能熟练搭建智能体。此番出题，他搭建了一个多智能体协作的自动化出题框架，用更聪明的GPT-5.5-Pro做出题层，三个应考模型作答并自动判分。

他的题都是重计算题，题目难、体量大。谢锦树发现，AI开始胡乱干活——伪造标准答案迷惑判分脚本，复制成功结果凑数，还会想办法干扰其他模型深入思考……于是他给出题框架增加了审查层，由人类补充审查规则，审查通过的题目再送考。智能体跑了3天3夜，不断迭代，最终凝练出的10道题，三个应考模型全军覆没。

除了发现AI会偷懒，谢锦树还观察到，修改教科书原题后，AI仍会依据训练时的思路给答案而不调整；即使没有改动选择题的正确答案，其他选项的变化也会干扰AI做出判断。“这说明AI在专业知识上的幻觉相当严重。”

经济学院23级本科生温嘉宸也发现AI不好好审题。他的十道题，每道题的题干都缺少关键假设条件，所以其实无法得出明确结果，正确答案全部为“E.以上都不是”。AI考生，遭遇滑铁卢。“他的出题思路很有意思，不仅考解题能力，更是元认知能力，即能不能意识到这道题本身就不该有答案。”肖仰华点评：这十题“专治模型非要给个确定答案的惯性”。

人考AI撕开学生能力差距

这场考试给每个学生定了一条“保底线”——只要认真出满10道合规题，有标准答案和推导过程，就有60分。三个不同强度的应考模型，对应不同难度的题，每答错一题给学生相应加分。全班51人，平均分85.7分，中位数88分，分数展现了差异。

9个学生只拿到60多分。这意味着他们出的30次AI作答中，只有极少数被判错。换句话说，他们完成了“出题”的动作，却没真正找到AI的弱点。因此肖仰华在那条报喜朋友圈的末尾写下：“值得我们担心的是，很大一部分同学在考倒AI面前显得无能为力。”

高分学生已经能调动更先进的AI、智能体和自动化框架“围攻”AI；低分学生如果只会点“确认”，会被AI推得更远。这是肖仰华更在意的地方，“AI是一个放大器。它放大强者的能力，也挤压弱者的空间。”

在他看来，低分学生的问题恰恰在于，在这个时代对AI的使用停留在最简单、最粗放的阶段——把老师布置的任务复制给AI，再把AI生成的内容交回来，成为了老师和AI之间的“传话筒”。

“传话筒”完成了流程，却绕开了思考。他把这种状态称为“认知外包”。学生还没掌握知识，就把脑力实践交给AI，等于主动放弃了最宝贵的学习机会。短期看，AI帮他完成了任务；长期看，知识能力、判断能力，甚至使用AI的能力，都可能退化。

让学生自己找路

“人考AI”的期末评价将大家的目光聚焦到了当下的大学课堂，而翻过考试这一页，这门课在过去这个学期更像在重新设计一个可生长的教学容器，把学生从被动听课推向主动探索。

肖仰华将复旦知识工场研发的智能体GenericAgent（GA）引入，作为学习实践和教学评价工具，撑开了课程容量的骨架，不仅实现了一场人机对垒的期末考，还让实践式教学体量从传统课堂两三次，变成9个小项目作业、1个大项目加一场反转考。这意味着，新课程对学生的输出密度和教师的响应速度都提出了越级的要求。以往是不可能的，而现在智能体接住了这个越级——学生的试错空间被撑大了，助教从繁重的评价事务中抽身，师生之间多出了真正对话的缝隙。

洪中华和王可逸是计算与智能创新学院的研究生，也是这门课的助教，参与见证了这场探索。几乎每次下课，肖仰华喊上二人一起午餐，一边吃一边复盘学生对课程的反应，再讨论下一步改进的落实方案。

“AI的嵌入程度一步步加深，对学生使用AI的要求，也是层层上涨。”王可逸介绍说，学期之初的两次项目作业，学生开始试用GA或其他智能体，做一点自己感兴趣的任务，再带回课堂分享，等到大家接受度越来越高，任务才逐渐加码。一个学期下来，他明显感觉到，同学们对AI和智能体的使用越来越熟练。

洪中华刚从本科毕业不久，对传统课程节奏很熟悉，但这门课里，学生要基于实践任务，自己判断需要哪些知识、工具和方法。在他看来，这门课考察的已不只是“学没学会”，而是能不能调动知识，解决一个真实问题。也正因为如此，同一个任务交到学生手里，最后会长出完全不同的路径。

这种非同质化的效果给课堂带来了活力。有一次，肖仰华让学生收集他署名论文的数据，分析他的学术关系。这是一个标准的数据挖掘任务，学生的作业百花齐放——有人画关系图谱，有人分析合作路径，还有一名学生把结果写成了3页小说。做得好的同学上台分享，肖仰华再根据他们使用的算法、工具和表达方式逐一点评。在那个时刻，精湛的技术、惊喜的创意都令老师、助教、学生兴致勃勃。

想到那些分享，新闻学院的黎育嘉仍感到兴奋。“当老师从看上去差不多的思路里精准点出差异和亮点时，我特别佩服。”她觉得，当学生一个很小的想法被老师照亮，仿佛有了继续长成一项研究的可能，会很振奋。

她刚开始上这门课时，却不是这样。最初，黎育嘉想学点知识辅助社科研究，没想到这门课不仅知识体量大，还要深入使用智能体，仅仅部署工具就困难重重。“吃力，这门课3个学分呢，有点后悔。”她直言。

可是，随着助教的指引，一步步让智能体给朋友发微信，当她看到AI在电脑屏幕上一步步打开社交软件、寻找联系人、发送消息，只觉神奇，“好像它确实有一双眼睛可以看见。”

遇到完成不了的任务，她会问助教、问大模型，和智能体磨合；听不懂的知识点，就课后补；一次次小项目做下来，慢慢熟悉了这种学习方式。期末这场大考，她从教材里找复杂题，不断“喂”给AI试做；如果AI做对了，就继续筛题、加难度。其中一道题需要考虑两个变量，她故意把题目引向其中一个，果然让AI“踩坑”。“原以为AI是非常全面和缜密的，没想到它确实会在细节上出错。”黎育嘉觉得这一题，胜在新闻专业对细节关注的本能。

黎育嘉是这个班跨学科选课的少数文科生之一，但是她的进步，老师和助教都有目共睹。“文科生在AI时代有天然优势。”肖仰华解释，文科生对AI的认知有点“科幻”，过去这或许带点贬义，但今天反而变成优势——先进智能体越来越像人，未来能不能用好AI，和“能不能理解人、组织人、理解社会”关系密切，而文科生习惯从人的行为、关系、语境、表达、心理出发，反而更顺应AI的发展方向。

外文专业的袁雨奇注意到，大模型基于语料数据集训练，于是尝试把陌生词汇植入，成功让模型出错。肖仰华说，这种思路已接近大模型前沿研究，甚至达到计算机博士水平。

于是，在这样的课堂，学生被带到问题面前，自己找路。AI就像一面镜子，折射出不同学科背景的入口，也可能照出人与人的差异。

向着理想的大学

肖仰华并不是突然开始思考AI和教育。