当全美高校还在为AI作弊焦头烂额时，哈佛大学高级研究员Christopher Dede却给这场讨论泼了一盆冷水：方向错了。
大学忙着出台AI使用政策，教授们回归纸笔考试，严防学生用AI偷懒。但Dede认为，这些动作解决的是“怎么考”的问题，真正的危机在“教什么”——现行教育体系正在培养一批注定输给AI的毕业生。
教育在教学生“输给AI”的技能
在Dede看来，问题的根源在于整个教育系统的评估方式。“我们的教育体系致力于教‘reckoning'（计算性预测），并用GRE、SAT、LSAT这类考试来衡量教学质量，”他对媒体表示。这套体系下培养出来的人，等于在主动和AI的长板硬碰硬。
Dede在这里借用哲学家Brian Cantwell Smith的框架，区分了两种能力：“reckoning”和“judgment”。前者是技术擅长的计算、预测、模式匹配；后者是人类独有的判断力，需要在复杂情境中权衡价值、做出决策。技术擅长reckoning，人类擅长judgment，两者本应互补，而非竞争。
但当今教育几乎把所有筹码都押在了reckoning上——标准化考试、可量化的知识点、确定性答案。Dede直言，这正在把学生变成AI的“陪跑选手”。他说得更直白：“我们是在让人输给AI，而不是培养能补足AI短板的人类。”
AI能教的，AI在职场都会自己做
眼下很多教育者拥抱生成式AI，用它改造教学流程、提升效率。Dede对此并不买账。“关于AI在教育中的应用，绝大多数讨论都是关于‘把事情做得更好’。”他承认这有价值，但忽略了一个更麻烦的问题：AI能教给学生的技能，恰恰是AI在职场里会亲手替代的技能。
他解释了一个残酷的商业逻辑：“做一个职场工具，直接替人完成某项技能，比做一个教学工具、让学生学会这项技能，要容易得多。”换句话说，如果一门课的知识点AI几分钟就能完成，那学生在未来职场上的位置又在哪里？
所以他把重点从“doing things better”（把事情做得更好）转向“doing better things”（做更好的事）——利用新技术去实现过去不可能实现的教学目标。
判断力怎么教？答案是“做中学”
Dede提出了一组解决方案：主动学习、协作学习、项目式学习、沉浸式模拟。他认为这些方式能训练学生的judgment能力。
传统教学是“老师讲、学生听、考试测”，这个模式天然利于AI发挥作用——因为内容高度结构化。而项目式学习要求学生面对真实问题，在不确定中做决策；协作学习逼着学生在团队里沟通、协商、处理分歧；沉浸式模拟则提供安全的试错空间，让学生在复杂情境中反复锤炼判断。
他以一门谈判课程为例，展示了这类教学如何运作——在这种学习场景里，AI不再是答案提供者，而是陪练和情境构建者，学生需要动用的恰恰是机器不擅长的能力。
一场关于教育目标的重新定位
Dede的批评不只在技术层面，还指向教育哲学。当考试还在用可量化的标准答案筛选学生，当课堂还在追求知识传递的效率最大化，教育的产出就是一批“人形计算器”——而这个工种正被AI以更低成本、更高精度替代。
他提醒教育者，真正的挑战不是把AI挡在考场外，而是重新定义：什么能力值得教？什么能力值得学？在AI无所不在的未来，人类必须靠在“判断力”上的优势站稳脚跟，而不是和机器拼计算速度。
这或许是个令人不安的判断，但对那些正在琢磨“AI时代怎么教”的人来说，Dede提供了一个逆耳的起点：别先想着防止学生用AI，先想想哪些东西值得学生花四年去学。
热门跟贴