一份針對600名高中生的調(diào)查顯示，84%的人承認(rèn)用生成式AI完成過學(xué)校作業(yè)。這個數(shù)字讓兼職教了多年大學(xué)地球科學(xué)課的Ars Technica撰稿人Scott K. Johnson陷入了某種荒誕的困境——他現(xiàn)在的主業(yè)是教書，副業(yè)是當(dāng)偵探和檢察官。

從"教書的快樂"到"256種灰色地帶"

Johnson入行是因為喜歡。兼職教授的報酬出了名的低，工作毫無保障，但和學(xué)生互動有種讓人上癮的滿足感。過去幾年他專門教異步在線課程，錄播視頻代替實時課堂，本身就更難管住學(xué)生——不用定時出現(xiàn)在教室里，沒人能看見你聽不懂時的表情，掉隊概率自然飆升。

ChatGPT出現(xiàn)之后，問題變了質(zhì)。以前沒動力學(xué)習(xí)的學(xué)生至少還得"跳過"作業(yè)，現(xiàn)在他們能交上一份"作業(yè)形狀的擬像"，而且不費什么力氣。Johnson懷念過去那種二元的簡單判斷："作弊還是沒作弊？"現(xiàn)在他要裁定的是256種灰色地帶，還得準(zhǔn)備充分的文檔，以防學(xué)生把評分申訴到各級 institutional review panels（機構(gòu)審查委員會）。

這種消耗心力的工作占用了他驚人的時間比例。更讓他不安的是，那些看起來投入的學(xué)生可能也并非表面那樣——他們真的理解了這個難點，還是只是比他的檢測手段更高明地"洗"了一遍大語言模型的維基百科復(fù)讀？

作弊工具的"武器代差"

教師對作弊并不陌生。但Johnson把傳統(tǒng)的打小抄、抄維基百科段落比作" quaint stone tools（ quaint 的石器工具）"，而大語言模型則是WMDs（大規(guī)模殺傷性武器）。這個類比背后是一種技術(shù)代差帶來的無力感：檢測手段永遠(yuǎn)滯后于生成手段，而申訴機制又把教師推向了自證清白的 defensive crouch（防御姿態(tài)）。

Johnson沒有給出具體的檢測成功率或誤判案例數(shù)字，但他描述了一種系統(tǒng)性損耗——不是某個學(xué)生某次作弊被抓，而是整個教學(xué)評估體系的信任基礎(chǔ)被腐蝕。當(dāng)84%的學(xué)生都在用AI時，"抓作弊"本身就成了一個成本過高的游戲。

誰在這場游戲里真正吃虧

文章結(jié)尾，Johnson把話頭轉(zhuǎn)向了學(xué)生。他沒有展開論證，只是拋出一個判斷：在這種環(huán)境里，損失最大的其實是學(xué)生自己。

這個開放式結(jié)尾留下了一個問題——如果AI讓完成作業(yè)變得如此容易，那么"學(xué)習(xí)"這件事的回報機制本身是不是已經(jīng)壞了？當(dāng)84%的人都在走捷徑，那20%還愿意繞遠(yuǎn)路的人，究竟是在堅持什么，又會在什么時候放棄？