AI 抬高未来工程师门槛：高校在工程教育中平衡 AI 工具与基础功底

要点：

• 大学正在将 AI 融入工程教育，同时强化物理、数学等基础学科，这些是学生评估 AI 生成内容所必需的。
• 批判性思维和工程判断力比以往任何时候都更重要，因为 AI 可能给出看似合理却错误的答案，验证结果和假设的责任仍落在学生身上。
• 各学校正在围绕口试、随堂测验、实验、项目等任务重新设计考核方式，既测试真实的理解能力，又允许负责任地使用 AI。

今天的科学、技术、工程和数学（STEM）学生将在一个关键时刻进入职场。他们伴着 iPad 长大，在新冠疫情期间通过 Zoom 上高中课程，如今又在 AI 革命之中读大学。现在，随着生成式和智能体工具能够加速许多任务，一个紧迫的问题依然存在：大学该如何适应这个新时代，帮助学生利用 AI 的优势，同时不削弱他们作为工程师所需的基础知识和判断力？

各学术机构正努力帮助学生充分利用 AI 工具，同时确保下一代工程师不在基础知识上偷工减料。一个趋势是大学更加重视批判性思维任务，以免学生全盘接受生成式 AI 的低质内容。正如大语言模型需要防护栏一样，大学也在开发测试和测验，确保学生正确学习并尽量减少作弊。[参见下方的大学应对方式一览表。]

“我们看到有些人蒙混过关，或者漏掉了对某项特定工作很重要的基础知识，之后不得不回头重新学习，”康奈尔大学生物医学工程助理教授 Alexandra Werth 说。“如果我们不努力防止这种情况发生，高等教育就有麻烦了。我刚参加了一场美国工程教育学会的会议，现场有数千名工程教育工作者，每个人都想讨论和弄清楚这个问题，因为这正是让教育保持现实意义的关键。人们正在尝试各种不同的做法，而我们仍处在一个 AI 技术不断变化的奇特阶段。要说‘这是正确的方法’或‘这是错误的方法’，现在还为时过早。”

学生采用 AI 工具的速度快于业界和学界找到正确平衡点的速度。“说实话，大家都在为此挣扎，”Keysight 的主任应用开发工程师、科学家 Matthew Ozalas 说。“我和许多教授交流过，听到了各种不同的观点。有些教授说：‘我的课上不准用任何技术——回到过去用蓝皮答题本。’另一些则说：‘想用什么就用什么，但有时间限制。’年轻人对 AI 的熟练程度让我印象深刻。与此同时，还有一个问题是他们到底需要掌握多少工程领域的知识。有人问：‘他们还需要掌握所有知识吗？不能直接问他们的大语言模型吗？’

这意味着对 AI 回答结果进行验证至关重要。“我们看到最大的变化是，下一代工程师需要擅长定义问题、为 AI 提供正确的上下文、验证其输出并理解各种权衡，”ChipAgents 创始人兼 CEO William Wang 说。“工程判断力变得比以往更重要，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、识别错误的假设，并知道何时需要更深入的调查研究。”

这种不确定性只会提高掌握基础知识的重要性，尤其是当 AI 能给出听起来很有说服力但其实是错误的答案时。“从行业角度来看，我们强烈建议大学教会学生如何将基础知识与 AI 辅助的工作流程相结合，”Arteris 产品管理与营销副总裁 Andy Nightingale 说。“清晰地定义问题、生成多种方案、验证假设、测试结果并记录决策。能够脱颖而出的毕业生不是那些使用 AI 的人，而是那些能够安全、批判性且有成效地使用 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结论辩护。“毕业生需要适应在屏幕前长大的一代人的软技能，”Axiomise CEO Ashish Darbari 说。“在行业中，工程师必须当场解释自己的推理——在设计评审中、与客户沟通时，以及出现问题时。在 AI 时代，清晰、自信的口头表达比以往更重要，因为它展示了 AI 无法替你产生的思考。大学应该将其作为课程设置中的一个刻意环节。”

简而言之，学生仍然需要具备评估 LLM 所给内容的知识和判断力。

经验会让这些风险一目了然。“如果你有经验并与 AI 协作，你会发现它多么自信地给你完全错误的答案，或者一路胡编乱造，”Ozalas 说。“这是我们必须把握的平衡。我可以想象，现在作为一个学生或试图进入这个领域的年轻人会有多难。”

一位要求匿名的教授指出了一个可能更令人担忧的问题。“过去几年里，AI 一直是促进学生研究和学习的资源，”他说。“然而，在此期间，我观察到学生在同类课程中的整体记忆保持能力和表现都在下降，这表明对这一工具日益增长的依赖可能超过了 AI 带来的好处。总体趋势似乎是，随着 AI 越来越深地融入教育和知识传递，学生的注意力持续时间正在缩短。”

另一位教授以匿名为条件拒绝讨论学生使用 AI 的情况。他的理由是：“因为那样我会变得满腹牢骚。”

大学必须正视这些担忧。“大学课程必须针对生成式 AI 的弱点，这一点至关重要，”苏黎世联邦理工学院（ETH Zurich）IT 与电气工程教学发展专员 Tamara Popovic 表示。“我们面临的最大挑战之一是所谓的‘能力错觉’。当学生提示 LLM 解释异质结形成这样的概念时，工具会生成一份结构精美、信心十足的回答。学生读完，立刻感到豁然开朗，并把这种被动的清晰感误认为真正的掌握。他们跳过了真正内化现象背后物理原理所需的艰难脑力磨练。为了打破这种能力错觉，我们开始设计针对生成式 AI 特定认知盲区的学习活动，即复杂空间关系和非标准视觉抽象。”

例如，这所大学推出了基于多变量图形平移的练习。“我们给出一个标准图，比如 MOSFET 的 C-V 曲线，但引入一个独特的物理异常，”Popovic 说。“就目前而言，基于文本的 LLM 无法在不犯致命逻辑跳跃的情况下，把这些多层次的物理变换准确地映射到新的视觉表示上。迫使学生应对这些视觉空间变换，能确保他们依赖的是自己内在的思维模型，而不是外部算法。”

如果 AI 能模仿理解，大学就必须决定如何教授真正的理解。

AI 时代的课程建设
各大学正在探索如何在允许使用 AI 工具的同时，维护学术的严谨性与诚信。

“教师们感到不安，”普渡大学电气与计算机工程教授、工程 AI 教育主任 Stanley Chan 说。“这是我们第一次走这条路，我告诉管理层和教师们，我们没有水晶球。”

普渡大学董事会最近批准了一项计划，将更多 AI 融入四年制学位的每一年课程。“我们必须完成这一转型，否则我们将被 AI 超越，”Chan 说。“高等教育终将被从根本上重塑，因为新技术已经到来，这只是时间问题。”

为了避免学习能力的丧失，教授必须向学生提出尖锐的问题，而学生也需要学会向 AI 提出尖锐的问题，Chan 指出。“你为什么这么做？你能给我证据吗？你能证明这是有效的吗？你考虑过其他设计方案吗？为什么这个设计要这样做，你有没有想过用另一种方式来解决这个问题？也许你应该从另一个方向思考。”

教学大纲也需要把握恰当的平衡。“现在连如何写好一份教学大纲都成了问题，”普渡大学电气与计算机工程教授、半导体学位项目主任 David Janes 说。“在教学大纲中，你需要界定什么是 AI 的恰当使用、什么不是，而答案通常是不能使用 AI。如果你使用了 AI，你仍然有责任对其进行核实和检查。你有责任独立地学习和理解这些概念。”

图 1：一名学生和一位教授在普渡大学 Birck 纳米技术中心工作。来源：普渡大学

鉴于这类复杂的半导体工作，无论学生是应对片上网络拥塞还是半导体测试，AI 能力都必须建立在工程基础之上。

“AI 可以在几秒钟内提出一个互联架构配置，但要判断它能否经受住真实的流量模式、实现物理实现、并在布线等各种折中后依然可行，则需要底层的领域深度，”Baya Systems 首席商务官 Nandan Nayampally 指出。“AI 加上真正的专业经验，这种组合才能带来实际的生产力提升，仅靠 AI 是不行的。如果没有用于验证的基础能力，AI 驱动的设计加速灾难的速度就和加速进步一样快。”

在半导体测试领域，学生需要需要时间积累的深入领域知识，Teradyne 卓越中心人才招聘主管 Ryan Moran 观察到。“那些把 AI 素养视为严谨基础训练之补充的大学，培养出的正是我们最想雇用的毕业生。更有前瞻性的课程正在重新设计作业，假定学生会使用 AI 工具。携带 GitHub Copilot、Claude Code 或类似助手使用经验入职的应届毕业生，能比以往的毕业生更快地写出可运行的代码草稿。挑战在于保持技术知识，以便理解并验证代码究竟做了什么。”

物理、数学等基础技能和深度学科能带来许多工作机会。“你可以在线性代数或微积分方面钻得很深，”GlobalFoundries 首席人才官 Pradheepa Raman 说。“如果走线性代数方向，你可以成为数据科学家或 AI 工程师。如果走微积分方向，你可以在金融机构做量化分析师。这些传统的深度技能存在于许多课程中，帮助学生成为深入领域的专家。我会优先考虑这一点，因为除非学生具备基础，否则企业很难再教他们。”

理想情况下，毕业生应同时掌握科学和 AI。“最优秀的候选人是那些懂得把 AI 用作生产力工具、同时展现出扎实工程判断力、解决问题的心态以及对第一性原理的深刻理解的人，”Intel 大学科研合作总监 Gabriela Cruz Thompson 说。“换句话说，我们寻找的不是仅仅会向 AI 模型输入提示词的毕业生，而是对底层科学和工程有足够理解、能够判断 AI 生成的答案是正确、不完整还是错误的毕业生。”

培养出这样的毕业生，需要能够揭示真正理解程度的考核方式，而不是仅仅 polished 的 AI 输出。

防 AI 考核
虽然学生可以为几乎所有事情输入提示词，从写邮件、求职申请一直到半导体设计，但最有价值的新技能并非提示词写作本身。“关键能力是把 AI 用作工程助手，同时对结果保持技术上的掌控，”Arteris 的 Nightingale 说。“大学面临的挑战是，从监管 AI 的使用转向教授在 AI 参与下的负责任的、可验证的工程实践。”

然而，没有任何万能的灵丹妙药可以阻止学生使用 AI 作弊。Purdue 的 Chan 指出，评估必须做到 AI 无法轻易应付，教授们也需要助教帮助他们逐门课程地调整教学内容。“我们需要问一个问题：‘AI 能否独立解决所有作业问题？’如果答案是肯定的，那么这门课本身就必须重新设计。否则，无论你采取多少对策，都将无效。”

逐门课程重新设计的需求被广泛认同。“AI 现在能够回答我们过去在考试和课程作业中设置的大部分问题，大学正面临着让评估做到 AI 防不胜防的压力，”Axiomise 的 Darbari 说。“这不仅仅是一个评估问题。它改变了学生的学习方式以及他们毕业时所具备的能力。风险在于，我们培养出的毕业生能够得到答案，却无法为答案负责。”

与此同时，学生仍必须记忆一些数学和物理知识。“一些较高级的概念他们必须牢记于心，”Chan 说。“我们仍希望保留一些纸笔考试，这样当他们进入设计阶段时，就会知道该问哪些问题。这不是一天就能实现的。”

创意性的评估也很关键，一些教师会举办课堂竞赛。“比如设定一个工程设计目标，例如制造一个机器人，然后设定一些指标，看谁表现得更好，”他说。“你无法仅靠使用 AI 来作弊。机器人必须在道路上真实地跑起来。”

如果学生走捷径，他们就会吃亏。“在本科阶段，掌握像半导体器件这样的课程需要大量的脑力投入，”ETH Zurich 的 Popovic 说。“当学生把生成式 AI 当作认知捷径时，他们绕过了恰恰能培养深度工程直觉的那种磨炼。”

学生使用 AI 作弊与学生抄袭他人的代码或书面作业并无不同。Purdue 的 Janes 表示，Purdue 已经在研究生论文上使用查重软件相当长的时间，以确保学生独立完成写作并恰当引用来源。“这与 AI 的情况非常类似，不过如果是工程分析而非写作，我们的处理方式会有所不同。我们都在为同一个问题而困扰。”

物理无法用 AI 代替。“当工程师不懂物理时，他们就不懂现实，”Keysight 的 Ozalas 说。“编程也是一样。如果你不懂编程，只是对一切都用提示词，你就会失去与真实世界的联系，这是一个令人担忧的问题。”

归根结底，传统考试可能仍是检验基础知识的最佳方式。“然后提供更多研讨会、更多项目、更多实验，但一定要允许他们使用 AI 工具，”GF 的 Raman 说。“如果你不这样做，就等于在说，‘嘿，我有这么多工具，但我要你走传统路线，即使那要耗费大量时间。’时间同样至关重要。如果允许他们使用这些工具，他们能学到更多。”

Raman 指出，公司所有的暑期实习生都可以使用 AI 工具。“他们使用这些 token 用得非常出色。他们很乐意获得访问权限并构建东西。看到这一切真是棒极了。”

鉴于行业的发展方向，禁止学生使用 AI 工具已毫无意义，尽管行业尚未就管理 AI 使用权限的最佳方式达成一致。“从 AI 的角度来看，你确实需要构建 AI，”Synopsys 产品管理高级总监 Dana Neustadter 说。“最终一切技术都会内置 AI，因此你需要 AI 安全专家来确保为 AI 构建安全的解决方案。AI 工具可能会改变就业格局，但我认为职位不会消失，只是性质会发生变化。为了跟上技术发展，你必须使用 AI 工具并依赖 AI 辅助。我从学术界了解到，确实需要专门的技能组合。”不过，她补充说，这些技能的具体内容仍在不断演变。

这也意味着学生既需要硬知识，也需要软性沟通技能。“在 AI 时代表现出色的毕业生，将是那些能够使用工具、为自己的推理辩护、并能在当下清晰表达的人，”Darbari 说。“把这一切都纳入课程体系的大学，将培养出半导体行业最需要的工程师。”

Darbari 给大学的建议：

• 引导学生适应新的学习方式。
• 让学生为自己的所学进行答辩。
• 注重知识的应用，而非记忆。
• 打磨沟通能力，尤其是口头沟通。
• 培养不依赖 AI 的广度与深度。
• 投资于专家型学者。

大学举措一览表

各大学课程变革的速度和深度差异很大。学术界和产业界都能从关于如何应对 AI 时代的开放讨论中受益。

← 向左滑动查看全部五列

相关文章
计算机科学专业的学生可以学会设计硬件吗？
为了填补人才缺口，可以让计算机科学专业学生学习设计硬件，并对电子工程课程进行调整甚至缩短。

AI对工程岗位的影响可能与预期不同
工作流程的变革和新能力的加入比以往任何技术都要快，而应届毕业生可能在这场转型中发挥关键作用。

即使AI不断渗透，人类芯片设计师依然不可或缺
在设计流程的关键环节，工程师依然必不可少。