生成式人工智能正以前所未有的力量重塑全球高等教育。從學生論文寫作，到教師課程設計，再到高校教學管理，這一顛覆性技術在高等教育各環節的應用，在提升效率的同時也帶來了學術誠信、數據安全與倫理責任等風險。面對這把“雙刃劍”，如何在教育賦能與風險防控之間找到平衡，探索適應人工智能時代的高校治理路徑，是全球高校共同面對的時代命題。

　　價值引領：從“技術防控”到“教育賦能”

　　生成式人工智能在高等教育領域的滲透，不只是技術工具的引入，更引發了關於教育本質與未來人才培養目標的思考。透視全球高校關於生成式人工智能的治理實踐，大體形成三種立場，即禁止使用、有條件開放以及技術深度融入並重塑教育。這三種立場既是技術擴散不同階段的現實選擇，也折射出高校在堅守教育傳統與擁抱技術變革之間的深層價值權衡。

　　在生成式人工智能興起初期，部分高校與教育管理機構採取審慎防範立場，嚴格限制其使用。這一取向的核心在於防範新技術對既有教育秩序的衝擊。教育界普遍擔憂，學生對智慧工具的依賴，可能削弱獨立創作與批判思考等關鍵能力。同時，長期存在的學術誠信規範，使高校在面對可能替代人類認知勞動的新技術時本能地傾向於保守應對。美國紐約市教育局的早期實踐便是典型代表，其在2023年初以可能影響學習品質為由，禁止在校園網絡和設備上使用ChatGPT。儘管該禁令因技術應用的泛化趨勢在數月後被解除，但其所體現的審慎防範傾向，是傳統教育模式在技術衝擊初期的典型應對方式。

　　隨著技術能力的提升及其在教育場景的廣泛應用，越來越多高校認識到，簡單的禁令既難以落實，亦背離時代趨勢，因此逐步轉向有條件開放的治理立場。高校治理的重心由“嚴禁使用”轉向“如何規範使用”，普遍通過發佈詳盡的生成式人工智能使用指南，明確基本使用原則。例如，英國牛津大學2024年發佈的指南區分了允許與禁止使用的場景，支持學生在提升學術技能與輔助課程學習中使用智慧工具，同時強調AI不能代替人類的批判思考，也不能取代以證據為基礎的學術論證與學科知識建構。這種以規範引導為特徵的治理方式，在堅守學術底線的同時，為技術應用留下了審慎探索的空間。

　　在此基礎上，部分高校進一步超越風險應對的治理思路，轉向以教育賦能為導向的積極立場，將生成式人工智能視為推動教育範式轉型的戰略工具。通過制度設計與資源配置，這些高校主動推進生成式人工智能與教學、科研、管理的深度融合。2024年，美國亞利桑那州立大學成為全球首個與OpenAI達成深度合作的高校，在課程教學、科研支持及行政管理中引入智慧工具，探索人機協同的新型教育模式。這一轉向反映了高校治理邏輯的深層變化，即從“使技術適應教育”邁向“教育因技術而發展”。當生成式人工智能被納入制度化軌道並與教育目標協同發展時，其價值不僅體現在效率提升，更體現在對教育範式的重塑。

　　規則建構：多層規範體系劃定AI使用行為邊界

　　在“有條件開放”與“教育賦能”兩種治理取向下，負責任的技術使用是共同前提，需要通過具體行為規範加以落實。總體來看，全球高校圍繞生成式人工智能的使用，逐步在學術誠信、數據安全與責任歸屬等關鍵領域形成系統規則，將抽象的治理理念轉化為師生可執行、可問責的具體規範，從而為技術應用劃定清晰邊界。

　　學術誠信是高校在生成式人工智能治理中最核心的議題。生成式人工智能輔助的成果産出在原創性上存在爭議。為此，國際高校普遍從三個方面對學術誠信規範進行調整：其一，更新對學術不端的界定，將“未經授權的AI使用”納入作弊或剽竊的範疇；其二，在具體教學情境中細化使用邊界，區分允許與禁止使用的環節，例如在資料整理等輔助性環節允許使用，在核心內容創作等關鍵環節則嚴格禁止；其三，強制披露AI使用情況，要求學生在提交成果時説明使用的工具名稱、具體環節及生成內容的佔比，將過程透明作為合規的前提。值得注意的是，在學術誠信的檢測手段上，國際高校表現出審慎的態度。當前AI檢測工具存在較高誤判率，對非母語者文本常有偏見，且可能引發數據隱私風險。因此，包括麻省理工學院在內的眾多高校並不主張將技術檢測結果作為裁決的唯一依據，而要結合人工判斷進行綜合評估。

　　數據安全是高校在生成式人工智能治理中具有剛性約束的領域。用戶輸入生成式人工智能的信息可能被用於模型訓練，這對學生隱私與高校敏感數據構成威脅。因此，國際高校大多建立了明確的數據安全行為規範，禁止將個人隱私、敏感信息、本校所屬數據上傳至未經授權的人工智能平臺，鼓勵師生優先使用學校認證的安全工具。在此類風險防控實踐中，數據分級管理是一種行之有效的經驗。以哈佛大學為例，該校將數據劃分為可公開到高度敏感五個層級，明確禁止將被標為機密的數據輸入到公共智慧工具中。同時，為了平衡安全與效率，杜克大學等高校積極推動校園人工智能大模型的建設，引導師生使用經過學校授權的企業版或私有化部署工具。這種堵疏結合的策略表明，數據安全治理並非簡單的限制，而是通過制度化安排為技術應用劃定安全邊界。

　　此外，基於生成式人工智能的人機共創，使得內容生産的責任歸屬問題複雜化，這要求高校在制度層面明確責任歸屬原則。關於這一問題，全球高校存在以下共識：第一，明確生成式人工智能輸出的內容可能存在偏見、錯誤，要求使用者展開核查，對成果負全部責任；第二，禁止將人工智能工具列為作者，保證人類在學術活動中的主體地位。這一規則設計的底層邏輯在於，生成式人工智能可以作為輔助工具提升效率，但不能替代人類判斷，更不能轉移應由人承擔的學術與倫理責任。

　　能力建設：賦能生成式人工智能有效應用

　　僅依賴規則約束與事後問責，難以有效應對生成式人工智能持續演進帶來的複雜挑戰。全球高校逐步認識到，治理重點應從設定行為規範拓展至深層次的能力建設。通過素養培育與資源支持，使師生真正具備理解、駕馭人工智能的能力，才能實現技術對教育的賦能。2019年，聯合國教科文組織發佈《北京共識——人工智能與教育》，提出應“採取體制化的行動，提高社會各個層面所需的基本人工智能素養”。

　　生成式人工智能素養不等於單純的技術操作技能。國際研究普遍將AI素養劃分為遞進的多個層次，從基礎的技術認知與功能理解，到熟練的工具運用與任務整合，再到對生成內容的批判性評估與創造性應用，直至能夠在複雜情境中進行倫理判斷與責任決策。這種素養觀的核心在於使技術“為我所用”而非被其牽引。在這一框架下，生成式人工智能時代高校人才培養的重點，不再局限于知識與技能傳授，而更加重視基於人工智能的批判性思維能力、學術研究能力的培育，以適應知識生産方式和職業實踐的變化。

　　在學生賦能方面，《北京共識》建議運用人工智能“促進學習和學習評價”。圍繞這一目標，國內外高校從課程體系重構與學習方式轉型兩方面展開探索。在課程建設上，一類路徑是將生成式人工智能嵌入專業學習之中。例如，新加坡國立大學將AI編程工具引入計算機專業課，在夯實學科基礎的同時，幫助學生積累人機協同開發的經驗，從而更好地適應人工智能重塑下的産業環境。另一類路徑是開設人工智能通識課程。例如，南京大學推出了面向本科生的人工智能通識課程體系，將技術原理、倫理規範與行業前沿應用有機整合，搭建適應時代發展的知識結構。此外，一些高校還探索將人工智能融入學習評價環節，通過過程性評價與個性化反饋，提升學生的自主學習效果。

　　在教師賦能方面，《北京共識》強調運用人工智能“賦能教學和教師”。圍繞這一目標，國內外高校逐步構建起系統化支持體系：其一，提供培訓項目或資源，幫助教師掌握智慧工具在教學中的應用方法，例如墨爾本大學推出的“AI for Teaching and Education”系列資源，為教師提供適應時代需求的教學支持；其二，開發輕量化自助工具與平臺，降低技術使用門檻，如斯坦福大學、復旦大學的人工智能共創平臺，都為教師提供了簡便的探索空間；其三，設立專項基金與研究計劃，激勵教師開展基於人工智能的教學與科研探索，例如卡內基梅隆大學的“生成式人工智能教學研究計劃”以及中國人民大學“AI賦能科研創新應用”資助項目。這些舉措從素養提升、工具支持與制度激勵等多個維度協同推進，有效提升了教師在智慧環境下開展教學創新的能力與意願。

　　全球高校對生成式人工智能的治理逐漸超越單純的技術風險防控，邁向關於價值、規則與能力的系統性重構。面向未來，應繼續堅持以人為本，推動人工智能與高等教育深度融合，在技術發展的浪潮中把握教育變革的主動權，方能培養適應時代發展的高素質人才。