问题——生成式人工智能快速融入高校课堂后，“是否还需要教师”“学生会不会被工具牵着走”“AI写作算不算学术不端”等问题集中显现。
一方面，智能工具显著降低了信息获取与文本生成门槛，提升学习效率；另一方面，若缺少规则与引导，容易出现学习外包、思维惰性、成果归属不清等风险，直接触及高等教育对能力培养与学术规范的基本要求。
原因——上述困惑的根源，在于技术能力扩展速度远快于教学制度与评价体系的更新。
一些学生把工具当作“答案机器”，倾向于以生成结果替代问题提出、证据甄别与逻辑建构；部分课程与作业仍以“结果呈现”为主，过程性评价不足，使得学习过程难以被真实识别与有效反馈。
同时，学术训练具有渐进性与沉淀性，越是关键环节越需要慢下来思考，而智能工具的即时性、便捷性容易诱发“跳过训练”的冲动。
如何让技术服务学习、而不是让学习依赖技术，成为当前教育治理需要回答的核心命题。
影响——如果任由无序使用扩散，短期看似“效率提升”，长期可能削弱学生的问题意识、批判性思维和原创能力，影响学术共同体对成果真实性、可追溯性的信任，也会加剧评价失真：表面上作品更“工整”，但研究思考、理论构建、数据分析等关键能力未必同步提升。
与此同时，智能工具也为教学改革打开空间：教师从单向知识传授转向学习设计与能力引导，课堂可以更聚焦高阶思维训练、复杂问题解决与跨学科综合。
如何把机遇转化为育人增量，关键取决于规则是否清晰、场景是否细化、保障是否到位。
对策——据复旦大学介绍，学校发布《生成式人工智能教育教学应用指引1.0版》，并推出AI教育共创平台，尝试以制度与平台双轮驱动回应新变化。
指引的重点不止于列出“可用”“禁用”，而是把技术使用放回育人原点，强调从“工具使用者”向“人机协同决策者”转变，形成“原则—场景—边界—保障”的闭环治理思路：在原则层面强调以学习者成长为中心；在场景层面区分课堂教学、作业考试、科研训练、论文写作等不同环节；在边界层面明确哪些环节可借助工具强化，哪些必须由学生独立完成；在保障层面强调过程留痕、规范告知、师生培训与风险防控等配套措施。
围绕学术诚信与能力培养的平衡，指引提出更具操作性的划分：智能工具可用于资料检索与整理、语言润色、图表或代码的初步生成等非核心创造性工作，但不得替代研究思考、理论构建、数据分析、结论形成等实质性学术劳动，尤其不得直接使用相关工具生成课程论文或课题文本。
通过“允许做什么、必须自己做什么、必须说明什么”的边界设定，把创新空间与学术底线同时落到可执行层面。
校方相关负责人表示，规范并非束缚创新，而是为师生大胆探索提供清晰的安全跑道：知道底线在哪里，才能更有把握地开展课程重构、教学研究与学生科创活动。
在教学实践层面，复旦教师也在探索把“会用工具”转化为“会提问题、会做判断”。
例如在公共事务相关课程中，教师先引导学生向智能工具提出基础性问题，随后逐步提高问题的深度与角度，进而让学生体会到高质量回答来自高质量提问与严格论证；同时组织学生走进数据中心、行政服务中心等实务场景调研，让问题从现实矛盾中生长，促使学生在事实、逻辑与价值判断之间形成自己的分析框架。
此类教学设计强调：工具可以加速信息处理，但无法替代一线洞察、价值权衡与责任担当，教师的角色也由“讲知识”更多转向“带着学生做学术、做决策”。
前景——随着生成式人工智能持续迭代，高校治理将从“是否允许使用”走向“如何提升使用质量与教育有效性”。
一方面，指引和平台的推出有望推动形成更一致的课堂规范与学术标准，减少师生在“尺度不一”中的焦虑；另一方面，高校还需在评价体系上同步改革，更强调过程性证据、研究链条的可追溯与原创贡献的可说明，并通过培训提升教师的课程设计能力与学生的信息素养、伦理意识。
未来，技术在教育中的定位或将更清晰：让机器承担低认知负荷与重复性工作，把人的精力释放到提出好问题、形成好判断、承担好责任上，从而把“智能加持”转化为“能力增值”。
当技术发展速度远超社会适应能力时，教育工作者更需要坚守育人初心。
复旦大学此次探索揭示了一个深刻命题：真正的教育创新不在于追逐技术潮流，而在于构建让技术服务于人的发展框架。
在智能时代，如何培养"不可替代的人"，这或许比讨论"机器能否替代人"更具现实意义。