要点摘要：
高校正将AI融入工程教育，同时强化物理、数学等基础学科，让学生具备评估AI生成内容的能力。
批判性思维与工程判断力比以往更加重要，因为AI可能给出看似合理却错误的答案，学生必须自行验证结果与假设。
学校正在重新设计考核方式，包括口试、课堂测验、实验和项目等，这些方式既能检验真实理解水平，又允许学生合理使用AI。
如今的科学、技术、工程与数学（STEM）专业学生，正站在职业生涯的关键转折点上。他们成长于iPad的陪伴中，在新冠疫情期间通过Zoom上完高中课程，如今又在AI革命浪潮中度过大学时光。随着生成式与智能体工具能够加速完成许多任务，一个迫切的问题浮现出来：高校该如何适应这个新时代，帮助学生善用AI优势，同时又不削弱他们作为工程师所必需的基础知识和判断力？
学术机构正努力帮助学生充分利用AI工具，同时确保新一代工程师不会在基础知识上投机取巧。其中一个趋势是，高校更加重视批判性思维训练，避免学生全盘接受生成式AI产出的低质内容。正如大语言模型需要护栏，高校也在开发测试与测验，确保学生学得扎实并尽量减少作弊行为。
康奈尔大学生物医学工程助理教授亚历山德拉·韦尔特表示："我们看到有些人蒙混过关，或者错过了某个工作所需的重要基础知识，之后不得不回头重新学习。如果我们不努力避免这种情况，高等教育将陷入困境。我最近参加了美国工程教育学会的一场会议，数千名工程教育者出席，这正是大家都想讨论和解决的问题，因为这关乎教育本身是否还具有现实意义。人们正在尝试各种不同的方法，而我们仍处于一个奇怪的阶段——AI技术在不断变化。说'这才是正确的方法'或'那是错误的方法'，目前都还没有定论。"
学生采用AI工具的速度，已经超过了产业界和学术界确定正确平衡点的速度。是乐天科技（Keysight）首席应用开发工程师、科学家马修·奥扎拉斯说："说实话，大家都在为此感到困惑。我跟很多教授交流过，听到了形形色色的看法。有些教授说，'我的课堂上不允许用任何技术——就用老式的蓝皮答题册。'也有人说，'随便用什么都行，但有时间限制。'我对年轻人掌握AI技术的熟练程度印象深刻。但同时也有一种观点认为，工程领域的学生到底还需要掌握多少知识？人们会问，'他们现在是不是已经不需要什么都懂了？他们直接问大语言模型不就行了？'"
这意味着对AI回答的验证能力变得至关重要。芯片智能体（ChipAgents）创始人兼CEO威廉·王表示："我们看到的最大转变是，下一代工程师需要擅长定义问题、为AI提供正确的背景信息、验证其输出结果，并理解其中的权衡取舍。工程判断力变得比以往更加重要，而不是更不重要，因为工程师现在要负责验证AI生成的工作成果，识别其中的错误假设，并判断何时需要进行更深入的调查。"
这种不确定性，使得掌握基础知识的重要性进一步提升，尤其是当AI能给出听起来令人信服却实际错误的答案时。Arteris产品管理与营销副总裁安迪·奈廷格尔说："从产业角度来看，强烈建议高校教导学生如何将基础知识与AI辅助工作流程结合起来。要清晰界定问题，生成多种备选方案，验证假设，测试结果，并记录决策过程。那些能脱颖而出的毕业生，不是那些会用AI的人，而是那些能安全、审慎、高效地使用AI的人。"
学生还必须能够在没有AI帮助的情况下，口头为自己的研究发现进行辩护。Axiomise公司CEO阿希什·达尔巴里说："毕业生需要具备为这一代成长于屏幕前的人量身定制的软技能。在产业界，工程师必须随时能够解释自己的推理过程——在设计评审会上、面对客户时，以及出现问题时。清晰、自信的口头表达能力在AI时代变得更加重要，因为它展现的是AI无法代替你完成的思考过程。高校应该把这作为课程体系中有意为之的一部分。"
简而言之，学生仍然需要具备足够的知识和判断力，才能评估大语言模型告诉他们的内容。
经验让风险变得清晰可见。奥扎拉斯说："如果你有经验地使用AI工作，就会发现它会多么自信地给出完全错误的答案，或者凭空捏造一路'幻觉'下去。这正是我们必须掌握的平衡之道。我能想象得到，现在作为一名学生或刚入行的年轻人，要做到这一点有多难。"
一位要求匿名的教授指出了一个可能更令人担忧的问题。他说："过去几年里，AI一直是帮助促进学生科研和学习的资源。然而在这段时期，我观察到同类课程中学生的知识留存率和表现整体呈下滑趋势，这表明AI带来的益处可能被过度依赖所抵消。总体趋势似乎是，随着AI越来越深入地融入教育和知识传授过程，学生的注意力持续时间正在缩短。"
另一位要求匿名的教授则拒绝谈论学生使用AI的问题，他给出的理由是："因为一谈这个我就会变得很愤世嫉俗。"
高校必须正视这些担忧。苏黎世联邦理工学院（ETH Zurich）IT与电气工程教育发展负责人塔玛拉·波波维奇表示："高校课程设计必须针对生成式AI的薄弱环节。我们面临的最大挑战之一，是所谓的'能力幻觉'。当学生要求大语言模型解释一个像异质结形成这样的概念时，工具会生成一段结构精美、语气自信的回答。学生阅读后会立刻产生一种清晰感，并把这种被动获得的清晰感误认为是真正的掌握。他们因此跳过了真正理解背后物理原理所需的艰苦思考过程。为打破这种'能力幻觉'，我们开始设计一些学习活动，专门针对生成式AI的具体认知盲区——也就是复杂的空间关系和非标准的视觉抽象表达。"
比如，该校引入了基于多变量图形转换的练习题。波波维奇说："我们会展示一个标准图像，比如MOSFET的C-V曲线，但引入一个独特的物理异常现象。目前，基于文本的大语言模型还无法准确地将这种多层次的物理变化映射到新的视觉表达上，而不出现致命的逻辑跳跃。强迫学生应对这种视觉空间上的转换，能确保他们依靠的是自己内在的思维模型，而不是外部算法。"
如果AI能够模仿理解力，高校就必须决定该如何教授真正的理解力。
AI时代的课程开发
高校正在探索如何在保留学术严谨性与诚信的同时，允许使用AI工具。
普渡大学电气与计算机工程教授、工程AI教育主任斯坦利·陈表示："教职员工感到不安。这是我们第一次在这条路上摸索前行，我告诉校方管理层和教职员工，我们手里没有水晶球。"
普渡大学董事会最近批准了一项计划，将在四年学制的每一个年级逐步融入更多AI内容。陈说："我们必须进行这场转型，否则就会被AI超越。高等教育迟早会被这项新技术从根本上重塑，这只是时间问题。"
为避免学习效果的损失，教授需要向学生提出有难度的问题，而学生也需要学会如何向AI提出有难度的问题，陈指出。"你为什么这么做？能给我证据吗？能证明这是有效的吗？你考虑过其他设计方案吗？为什么要用这种方式来完成这个设计，有没有想过用另一种方式来解决这个问题？也许你应该考虑一下另一个方向。"
教学大纲同样需要把握好平衡。普渡大学电气与计算机工程教授、半导体学位项目主任大卫·詹尼斯说："如今，连该如何写好一份教学大纲都成了一个问题。在你的教学大纲中，你需要界定什么是恰当使用AI，什么是不恰当使用AI，而答案通常是——你不能使用AI。如果你使用了AI，你仍然要对核实和检查结果负责。你有责任独立学习和理解这些概念。"
考虑到半导体工作的复杂性，AI的熟练运用必须建立在工程基础之上，无论学生面对的是片上网络拥塞问题，还是半导体测试问题。
Baya Systems首席商务官南丹·纳延帕利指出："AI可以在几秒钟内提出一个架构配置方案，但要判断它能否在真实流量模式下保持稳定、能否实现物理落地，以及能否承受布线等各种权衡取舍，都需要具备扎实的领域知识。'AI加真正的专业知识'这种组合，才能带来真正的生产力提升，而不是仅靠AI本身。如果没有基础知识去验证它，AI驱动的设计加速产生灾难的速度，和它加速进步的速度一样快。"
对于半导体测试而言，学生需要深厚的、特定领域的知识，而这种知识的培养需要时间，泰瑞达（Teradyne）卓越中心人才招聘负责人瑞安·莫兰指出。"那些将AI素养视为严谨基础训练的补充而非替代的高校，正在培养出我们最想招聘的毕业生。更具前瞻性的课程项目正在重新设计作业形式，默认学生会使用AI工具。那些入职时已经用过GitHub Copilot、Claude Code或类似助手工具的新毕业生，能比之前的毕业生更快产出可运行的代码草稿。真正的挑战在于，如何在此过程中保持足够的技术知识，既能理解又能验证代码实际在做什么。"
基础技能以及物理学、数学等深厚学科知识，能带来许多工作机会。格芯（GlobalFoundries）首席人事官普拉迪帕·拉曼说："你可以在线性代数或微积分方向深入钻研。如果走线性代数这条路，你可以成为数据科学家或AI工程师。如果走微积分这条路，你可以成为金融机构的量化分析师。这些传统的深度技能被列入许多课程体系中，正是为了帮助学生成为真正的专家。我会把这个放在首位，因为如果学生没有这些基础，企业很难再去教他们。"
理想情况下，毕业生应该既懂科学又懂AI。英特尔大学研究合作总监加布里埃拉·克鲁兹·汤普森表示："最优秀的候选人，是那些既懂得把AI用作提高生产力的工具，又能展现出扎实的工程判断力、解决问题的思维方式，以及对基本原理的深刻掌握的人。换句话说，我们要找的不是只会给AI模型写提示词的毕业生。我们要找的是那些对底层科学和工程原理理解得足够深入、能够判断AI生成的答案是正确、不完整还是错误的毕业生。"
要培养出这样的毕业生，就需要能够揭示真实理解水平、而非仅仅考察打磨精美的AI产出内容的考核方式。
能防AI作弊的考核方式
虽然学生几乎可以用提示词来完成任何事情，从邮件、求职申请，一直到半导体设计方案，但最有价值的新技能并不是提示词写作本身。Arteris的奈廷格尔说："真正重要的能力，是能够把AI当作工程助手使用，同时对结果保持技术层面的主导权。高校面临的挑战是，要从单纯监管AI使用，转向教会学生在AI参与的情况下，进行负责任、可验证的工程实践。"
然而，没有任何普遍适用的灵丹妙药能彻底阻止学生利用AI作弊。考核方式必须具备"防AI"能力，教授们也需要助教的帮助，逐门课程地调整课程内容，普渡大学的陈指出。"我们需要问这样一个问题：'AI能不能独自解决所有作业问题？'如果答案是'能'，那么这门课本身就需要重新思考。否则，无论你采取多少对策，都将是无效的。"
这种逐门课程重新设计的需求，是被普遍认同的。Axiomise的达尔巴里说："AI现在已经能回答我们以前在考试和课程作业中设置的大部分问题，高校面临着让考核方式'防AI化'的压力。但这不仅仅是考核方式的问题。它改变了学生学习的方式，也改变了他们毕业时所具备的能力储备。风险在于，我们可能会培养出一批能给出答案，却无法为自己的答案负责的毕业生。"
与此同时，学生仍然必须靠记忆掌握一些数学和物理知识。陈说："有些较高层次的概念，他们必须靠死记硬背来掌握。我们仍然希望保留一些纸笔考试，这样等他们进入设计阶段时，就会知道该问什么问题。这种能力不是一天就能养成的。"
富有创意的考核方式同样很关键，一些教师会组织课堂竞赛。他说："比如设定一个工程设计目标，像是造一个机器人，然后设定具体指标，看谁的表现更好。你不能单靠AI作弊——机器人必须能真正在赛道上跑起来。"
如果学生投机取巧，最终受损的是他们自己。苏黎世联邦理工学院的波波维奇说："在本科阶段，要真正掌握像半导体器件这样的课程，需要付出巨大的脑力努力。当学生把生成式AI当作认知捷径使用时，他们绕过的正是那种能培养深刻工程直觉的挣扎过程。"
学生利用AI作弊，与学生抄袭他人的代码或书面作业，并没有本质区别。普渡大学长期以来一直对研究生论文使用查重工具，以确保学生独立完成写作并恰当引用来源，詹尼斯说。"对AI的处理也是类似的思路，不过如果是工程分析而非写作，处理方式会有所不同。我们都在面对同样的难题。"
物理学知识是无法用AI来替代的。奥扎拉斯说："当工程师不懂物理，他们就不懂现实世界的运行规律。编程也是同样的道理。如果你不懂编程，只是一味地下提示词，你就会失去与真实世界的联系，这是令人担忧的。"
归根结底，传统考试对于基础知识的考核，可能仍然是最佳方式。格芯的拉曼说："那就多开设一些工作坊、项目和实验课程，但一定要允许学生使用AI工具。如果不这样做，那就相当于在说，'嘿，我这里有这么多工具，但我还是想让你走传统的老路，即便那样会花费大量的时间。'时间同样宝贵。如果允许他们使用这些工具，他们能学到更多。"
拉曼提到，公司所有的暑期实习生都能使用AI工具。"他们用这些token的方式令人惊叹。他们很高兴能获得这种使用权限，并借此构建东西。看到这一切真是太棒了。"
考虑到整个行业的发展方向，拒绝让学生接触AI工具已经没有意义，尽管整个行业目前仍未就如何管理这种使用权限达成最佳方案。新思科技（Synopsys）产品管理高级总监达娜·诺伊施塔特说："从AI的角度来看，你确实需要构建AI。最终，每个产品都会内置AI技术，所以你需要AI安全专家，来确保他们构建的AI解决方案是安全的。AI工具可能会改变就业格局，但我不认为岗位会消失，只是岗位的性质会发生变化。要跟上技术发展的步伐，你就得使用AI工具并依赖AI辅助。我从学术界了解到，目前确实需要一些专门化的技能组合。"不过她也补充说，这些技能的具体内容仍在不断演变之中。
这也意味着学生需要同时具备扎实的专业知识和良好的沟通软技能。达尔巴里说："在AI时代表现出色的毕业生，将是那些能够熟练使用工具、能为自己的推理过程进行辩护，并能在当下清晰表达这些推理的人。那些将所有这些能力都融入课程体系的高校，将培养出半导体行业最需要的工程师。"
达尔巴里给高校的建议：
引导学生适应新的学习方式。
要求学生为自己所掌握的知识进行辩护。
重视知识的实际应用，而非单纯的记忆复述。
打磨沟通能力，尤其是口头表达能力。
培养不依赖AI的知识广度和深度。
投资于专业的学术人才。
各高校在课程改革的速度和深度上存在相当大的差异。学术界和产业界都能从围绕"如何驾驭AI时代"展开的开放性讨论中获益。
