大学教师

美国。劳工统计局预测,2025 至 2035 年高校教师总就业将从 1,378,200 个岗位起增长 7%,远快于平均水平,每年约有 103,300 个职位空缺。页面没有提到 AI。它数的是一个国家的岗位,不是任务。

一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。

遵循 ICMJE 建议的医学期刊。建议写明:ChatGPT 等聊天机器人不应列为作者,因为它们无法为工作的准确性、诚信和原创性负责,而这些是署名所要求的责任;审稿人在使用 AI 技术协助评审之前,必须征得期刊许可。这是医学期刊的编辑标准,不是法律。

失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。

美国,一门本科物理课。在两次课的随机交叉设计中,与课堂主动学习相比,使用专门设计的 AI 辅导的学生,相对前测基线的中位学习增益超过两倍;作者写明后测存在天花板效应。这只是一门课中的两次课;作者声明无利益冲突。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

一个 AI 会议 2025 年的评审流程。在一项随机研究中,一个基于大语言模型的智能体就审稿人的评审给出反馈;论文报告,收到反馈的审稿人中有 27% 修改了评审,超过 12,000 条反馈建议被采纳。作者评估的是自己搭建的系统,且只在一个会议上运行。

真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。

瑞士,一所大学的物理考试。研究用心理测量阈值来决定哪些答案由 AI 批改、哪些交给人,并报告:AI 承担一半阅卷量时,与人工评分的决定系数约为 0.91;承担五分之一时约为 0.96。这是对一种考试的一项探索性研究。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

英国,一所大学心理学系的考试。研究者在阅卷人不知情的情况下,向真实的课后考试提交 AI 撰写的答卷,报告 94% 的 AI 答卷未被发现(按更严格的标准为 97%),获得的分数平均比真实学生高半个等级。这只是一个系、一批考试,用的是 2023 年的模型;作者声明无利益冲突。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

美国,哈佛的计算机导论课。课程团队描述了把基于 AI 的工具 —— 一个类似助教的助手和代码讲解 —— 部署给约 500 名在校学生,并报告他们抽查的课程问题回答中 25 个有 22 个(88%)正确。团队评估的是自己的工具,论文还感谢了包括 OpenAI 和微软在内的科技公司的支持。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

AI 会议(ICLR、NeurIPS、CoRL、EMNLP)的同行评审。研究用一种总体层面的估计方法报告:提交给这些会议的评审文字中,有 6.5% 到 16.9% 可能被大语言模型实质改写,超出拼写检查或小幅润色。它只覆盖 AI 会议,估计的是文字比例,不是具体审稿人。

一件工具在真实工作里被大规模使用,并且被测量到 —— 而做出「用它」这个决定的是使用者本人,不是雇主。它比「技术能力」多:干的是真活,不是演示;又比「实际部署」少:没有任何雇主把它投入生产、要求使用、或围绕它改过流程。权重定为 `cautious`:`automating` 的定义是「机器能做这件事**并且**有采用迹象」,而这就是一种采用迹象 —— 但使用可能只是试用,而且相当一部分测量来自有利害关系的一方,所以一条永远不够,两条独立的才够。还要注意是谁在计数。厂商遥测直接看得见这件事,而它同时在卖这件工具,所以这类记录要在适用范围里写明这层利害;而一个统计机构去问企业「员工有没有在任务里用 AI」,看见的是同一条通道、却没有任何利害 —— 在它存在的地方,它是更好的来源。

英国,高等教育。该机构给会员的建议写明,生成式 AI 软件尽管有局限,其产出无法被可靠检测,并阐述了高校可以怎样据此重新审视考核。这是建议,不是强制要求,也没有测量考核怎样变化。

失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。

如果你刚入行,预期 AI 辅导和阅卷工具会接手一部分例行教学负担,也预期考核设计会成为这份工作里更大、更难的一部分。按期刊规则,研究署名与评审判断仍由你承担。

预期你要为一个书面作业可以被生成的世界重新设计考核,并在教学与阅卷中监督 AI 工具。你作为作者和审稿人的责任,正是出版方规则留给你的东西。

保住并强化

留下来,牵头重新设计考核

AI 写的答案未被发现,也无法被可靠检测;总得有人设计仍能衡量学习的考核。

调整职责

转向与 AI 辅导协同教学

试验显示 AI 辅导能提高学习增益,一些课程已把 AI 工具交到数百名学生手里。

相邻转岗

转向科研诚信或编辑岗位

出版方和期刊正在为署名和评审中的 AI 制定规则,需要能执行这些规则的人。

就现有证据看,不会。在试验中,AI 辅导和阅卷工具在部分教学和阅卷上表现不错,AI 写的答案也能混过考试。但期刊把署名和评审判断留给人,美国的预测也认为 2025 至 2035 年高校教学就业将增长 7%。这份工作正在转向考核设计和监督 AI。

我们不用年数回答这个问题。你可以看:大学是否开始在没有学者负责的情况下,凭 AI 讲授、AI 阅卷的课程授予学位,以及期刊是否接受 AI 作为作者或审稿人。今天,这里记录的规则对两者都说不。

部分可以。在苏黎世联邦理工学院的一项研究中,AI 批改物理考试时承担一半工作量,决定系数约为 0.91,其余由人来批。检测 AI 写的答案则更难:在雷丁大学,94% 的 AI 答卷未被发现。

美国的预测认为,2025 至 2035 年高校教学就业将增长 7%,每年约有 103,300 个职位空缺。规则和期刊留给人的那部分工作 —— 署名、评审、为考核负责 —— 正变得越来越重要。