生成式人工智能（AI）正以前所未有的方式改变着全球高等教育的格局。从学生撰写论文、教师设计课程到大学的管理运营，这项变革性技术在高等教育的各个环节都有所应用，它在提高效率的同时，也带来了学术诚信、数据安全和伦理责任等方面的挑战。面对这项“双刃剑”，高校面临着在促进教育发展与防范风险之间寻求平衡，并探索适用于人工智能时代的大学治理新模式的共同任务。

价值导向：从“技术管控”转向“教育赋能”

生成式AI在高等教育领域的普及，不仅是技术工具的引入，更促使人们反思教育的本质以及未来人才培养的目标。纵观全球高校在生成式AI治理方面的实践，大致形成了三种主要立场：完全禁止使用、有条件地允许使用，以及将技术深度整合并以此重塑教育。这三种立场既是技术传播不同阶段下的现实选择，也反映了高校在坚守教育传统与拥抱技术变革之间所做的深层价值权衡。

在生成式AI兴起之初，一些大学和教育管理机构采取了谨慎防范的态度，严格限制其使用。这种做法的核心在于防止新技术对现有教育秩序造成冲击。教育界普遍担心，学生对智能工具的过度依赖可能会削弱其独立创作和批判性思维等关键能力。同时，长期以来形成的学术诚信规范，使得高校在面对可能取代人类认知劳动的新技术时，本能地倾向于采取保守的应对策略。美国纽约市教育局在2023年初的实践就是一个典型例子，该局以可能影响学习质量为由，禁止在校园网络和设备上使用ChatGPT。尽管这项禁令在几个月后因技术应用的普遍趋势而被解除，但它所体现出的谨慎防范倾向，是传统教育模式在技术冲击初期的一种典型反应。

随着技术的不断进步及其在教育领域的广泛应用，越来越多的高校认识到，简单的禁令不仅难以执行，也与时代发展趋势相悖，因此逐渐转向有条件开放的治理模式。高校治理的重心从“严格禁止使用”转移到“如何规范使用”，通常通过发布详细的生成式AI使用指南来明确基本的使用原则。例如，英国牛津大学在2024年发布的使用指南，区分了允许和禁止使用的场景，支持学生在提升学术技能和辅助课程学习方面使用智能工具，但同时强调AI不能取代人类的批判性思考，也不能替代以证据为基础的学术论证和学科知识的构建。这种以规范引导为特征的治理方式，在维护学术底线的同时，也为技术的审慎探索留下了空间。

在此基础上，一些高校进一步超越了单纯应对风险的治理思路，转变为以教育赋能为导向的积极立场，将生成式AI视为推动教育模式转型的战略工具。通过制度设计和资源配置，这些高校主动推动生成式AI与教学、科研和管理的深度融合。2024年，美国亚利桑那州立大学与OpenAI达成深度合作，成为全球首个将AI工具应用于课程教学、科研支持和行政管理的高校，积极探索人机协同的新型教育模式。这一转变反映了高校治理逻辑的深层变化，即从“让技术适应教育”转向“让教育因技术而发展”。当生成式AI被纳入制度化轨道并与教育目标协同发展时，其价值不仅体现在效率的提升，更在于对教育模式的重塑。

规则构建：多层次规范体系界定AI使用界限

在“有条件开放”和“教育赋能”这两种治理取向下，负责任的技术使用是共同的前提，需要通过具体的行为规范来落实。总体而言，全球高校在生成式AI的使用方面，正逐步在学术诚信、数据安全和责任归属等关键领域形成一套系统性规则，将抽象的治理理念转化为师生可执行、可问责的具体规范，从而为技术应用划定清晰的界限。

学术诚信是高校在生成式AI治理中最核心的议题。由生成式AI辅助产生的成果在原创性方面存在争议。为此，国际高校普遍从三个方面对学术诚信规范进行调整：首先，更新对学术不端的定义，将“未经授权的AI使用”纳入作弊或剽窃的范畴；其次，在具体的教学情境中细化使用界限，区分允许和禁止使用的环节，例如在资料整理等辅助性环节允许使用，但在核心内容创作等关键环节则严格禁止；最后，强制披露AI的使用情况，要求学生在提交成果时说明所使用的工具名称、具体环节以及AI生成内容的比例，将过程的透明化作为合规的前提。值得注意的是，在学术诚信的检测手段上，国际高校表现出审慎的态度。当前的AI检测工具存在较高的误判率，对非母语者的文本常有偏见，并且可能引发数据隐私风险。因此，包括麻省理工学院在内的许多高校不主张将技术检测结果作为定论的唯一依据，而是需要结合人工判断进行综合评估。

数据安全是高校在生成式AI治理中具有硬性约束的领域。用户输入生成式AI的信息可能被用于模型训练，这对学生隐私和高校敏感数据构成了威胁。因此，大多数国际高校都建立了明确的数据安全行为规范，禁止将个人隐私、敏感信息以及本校的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。在这些风险防范实践中，数据分级管理是一种行之有效的经验。以哈佛大学为例，该校将数据划分为可公开到高度敏感的五个层级，明确禁止将标记为机密的数据输入到公共AI工具中。同时，为了平衡安全与效率，杜克大学等高校积极推动校园AI大模型的建设，引导师生使用经过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，基于生成式AI的人机共创，使得内容生产的责任归属问题变得复杂，这要求高校在制度层面明确责任归属的原则。关于这个问题，全球高校存在以下共识：第一，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；第二，禁止将AI工具列为作者，以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，生成式AI可以作为辅助工具提高效率，但不能取代人类的判断，更不能转移应由人类承担的学术和伦理责任。

能力建设：赋能生成式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AI持续演进带来的复杂挑战。全球高校逐渐认识到，治理的重点应从设定行为规范拓展到深层次的能力建设。通过素养培育和资源支持，使师生真正具备理解和驾驭AI的能力，才能实现技术对教育的赋能。2019年，联合国教科文组织发布的《北京共识——人工智能与教育》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AI素养并非单纯的技术操作技能。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，直至能够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让技术“为我所用”而非被其牵引。在此框架下，生成式AI时代高校人才培养的重点，不再局限于知识和技能的传授，而是更加重视培养基于AI的批判性思维能力和学术研究能力，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AI“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。在课程建设方面，一种路径是将生成式AI融入专业学习之中。例如，新加坡国立大学将AI编程工具引入计算机专业课程，在夯实学科基础的同时，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AI通识课程。例如，南京大学推出了面向本科生的人工智能通识课程体系，将技术原理、伦理规范和行业前沿应用有机整合，构建适应时代发展的知识结构。此外，一些高校还探索将AI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AI“赋能教学和教师”。围绕这一目标，国内外高校逐步构建了系统化的支持体系：第一，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，为教师提供了适应时代需求的教学支持；第二，开发轻量化的自助工具和平台，降低技术使用门槛，如斯坦福大学和复旦大学的人工智能共创平台，都为教师提供了便捷的探索空间；第三，设立专项基金和研究计划，激励教师开展基于AI的教学和科研探索，例如卡内基梅隆大学的“生成式AI教学研究计划”以及中国人民大学的“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和意愿。

全球高校对生成式AI的治理正逐渐超越单纯的技术风险防控，迈向关于价值、规则和能力的系统性重构。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。