问题——生成式人工智能正快速进入校园，一方面提升教学效率、改变学习方式，另一方面也带来学术诚信、评价公正、数据安全以及师生能力分化等新挑战。课堂上，智能助手可提供全天候答疑与资源检索；在作业环节，模型能做语言润色、结构建议甚至代码生成；在科研训练中，也出现了借助工具进行资料整理、讨论实验方案等新做法。，“替写替做”“只求结果”的依赖倾向、教师识别学生真实能力的难度上升、敏感数据上传外部平台的风险等问题交织，使“能不能用、怎么用、用到哪一步”成为不少高校必须回应的现实议题。 原因——一上，技术迭代速度快于教学规则更新。传统课堂管理与学业评价往往更关注“答案对不对”，而生成式工具擅长“生成看起来合理的答案”，倒逼评价从结果转向过程与方法。另一方面，高校学科多、课程形态差异大：只有原则性要求，教师难以落地；一刀切禁止，又可能错过培养工具素养与批判性思维的机会。此外，学生信息甄别、证据核查和引用规范上的能力不一，若缺少统一的披露机制与可核查的过程记录，学术不端的识别与处置会更加复杂。 影响——积极的一面是，生成式工具正在改变“教与学”的节奏：教师可把更多精力投入到问题设计、思维引导和个性化辅导；学生也能以更低门槛获得学习支持，促进跨学科探索与实践创新。复旦大学平台展示的案例中，既有面向学习过程的课堂助手与实训资源，也有师生自主开发工具、沉淀课程设计的探索，反映了技术作为“学习支架”的潜力。但如果缺少边界与治理，风险同样明显：学生可能把工具当作“捷径”，导致能力被掏空；教师可能遭遇评价失真、课堂秩序受扰；学校还要面对数据合规、版权与责任认定等治理成本上升。总体而言，生成式技术对高等教育的冲击不止是工具更替，更是对评价体系、教学伦理与治理能力的系统检验。 对策——复旦此次同步推出《应用指引》与AI3A教育共创平台，尝试以制度与生态双向推进，把“可用”变成“会用、用得对”。其做法主要体现在三点： 第一，把边界划在“核心学术劳动”上。《应用指引》以场景化方式拆解课堂教学、学业评价与自主学习支持等环节，明确工具可用于语言润色、结构建议等辅助性工作，但不得替代研究构思、理论建构、数据分析等关键环节，强调学术贡献必须可归因于学习者本人，从源头守住学术诚信底线。 第二，把治理落在“过程证据”上。针对责任认定难题，指引提出“环节区分+责任归属+过程证据”的思路，鼓励如实披露并留存记录，同时提供可操作的附件模板，帮助教师在课程开始阶段就与学生达成共识，并在评价中把重点放在“如何使用、如何验证、如何形成独立判断”，降低教师“想用但不敢用”的顾虑。 第三，把创新放到“可控可溯合规”的框架中。指引强调“凡进课堂必可控、凡入评价必可溯、凡涉数据必合规”，将风险治理嵌入教学全过程。以口腔组织病理学课程实践为例，课程团队结合虚拟仿真与智能助教，帮助学生理解从二维图像到三维结构、从静态切片到动态病程的学习难点，并通过使用记录与专业交叉验证，避免学生依赖工具直接下结论，推动其在证据链中形成真正的专业判断。这种“技术赋能+教学设计+验证机制”的组合，为“用而不乱、放而不散”提供了可复用的思路。 与指引相配套，AI3A平台以“掌握—应用—共创”的进阶路径组织案例与资源，聚合案例库、实训平台、精选案例与共创板块，试图打通院系之间不易被看见的探索，让经验能够沉淀、共享并持续迭代。在生成式工具加速普及的背景下，以共享机制促进治理、以共创生态推动创新，有助于把零散的个人实践转化为可持续的组织能力。 前景——面向未来，高校对生成式人工智能的治理将从“禁止或放任”的二元选择，逐步走向“分类分层、过程导向、责任清晰、数据合规”的精细化体系。一上，课程与评价会更强调问题提出、证据核查、方法反思与跨学科协作，推动学生形成数字时代的学术规范与科学精神；另一方面，校内平台化建设将成为重要抓手，通过案例沉淀、工具共建与培训支持，缩小师生能力差距，提高教学创新的可复制性与可推广性。随着规则、工具与师资培训逐步完善，生成式技术在高校中的角色也将更清晰：既提升学习效率，更促进能力成长；既鼓励探索创新，也守住学术与数据底线。
当技术变革与教育本质的讨论成为时代课题，复旦大学这场“静悄悄的革命”或许预示着未来教育的一种走向：既不盲目追捧技术——也不以拒斥来防御——而是在坚守育人初心的基础上，构建人机协同的智慧生态；这种平衡路径，对正处在数字化转型深水区的中国高等教育，具有值得参考的示范意义。