当AI成为“拐杖”：伯克利CS高挂科率背后的教育危机

凌晨两点，我收到一条来自在UC Berkeley读CS的朋友的消息：“你知道吗，我们CS 10这学期挂了三成多人。”说实话，我看到“35.3%”这个数字的时候愣了一下。这个数字不是我道听途说的——据加州大学伯克利分校公开的课程数据显示，2026年春季学期，这门面向非计算机专业学生的基础编程课，不及格率达到了惊人的35.3%。而隔壁的CS 61A“计算机程序的构造和解释”，不及格率也飙到了10.6%。

这不是个案。这两门课的挂科率，在2024年和2025年春季还都稳稳地躺在10%以下。短短两年，翻天覆地。

伯克利到底发生了什么？

数据背后：两门课的“生死时速”

让我先把这几组数字捋清楚。

CS 10这门课的全称是"The Beauty and Joy of Computing"，从名字就能看出它的定位——这是一门面向全校学生的计算机科学导论课，旨在让非CS专业的学生也能感受到编程的乐趣和魅力。课程使用Scratch、Python等友好度极高的语言，讲的是计算思维、递归、数据抽象这些“听起来很美”的概念。按理说，这门课的定位就不是为难学生。

而CS 61A则是真正的“硬核入场券”。这门课是伯克利CS专业的第一门核心课程，用的是经典教材《Structure and Interpretation of Computer Programs》（SICP），教的是Scheme、Python和SQL三种语言，涉及函数式编程、解释器原理这些硬骨头。不夸张地说，CS 61A的难度本身就是出了名的“筛子”——能在这门课里拿到A，说明你真的吃透了抽象思维。

问题在于，现在这两门课的“生存难度”同时飙升，而且飙升的幅度完全不成比例。CS 10从往年的个位数不及格率直接跳到35.3%，翻了三倍还多；CS 61A从10%以下涨到10.6%，虽然数字看起来温和，但考虑到基数，这已经是显著恶化。

教授这两门课的Dan Garcia教授在事后接受采访时，给出了一个我认为是目前最诚实、最直击要害的诊断：学生们正在把大模型当成拐杖，而且这个拐杖已经严重到让他们失去了自己走路的能力。

大模型依赖：一把双刃剑的两面

Dan Garcia教授的观察并非空穴来风。据他描述，在这学期的考试和作业中，学生被发现使用Claude、ChatGPT、Google Gemini等大模型的方式有两种极端。

第一种是明目张胆的作弊——直接提交由大模型生成的代码，甚至连变量命名都没改。这种情况虽然听起来荒唐，但确实在发生。第二种更加隐蔽，也更加致命：学生确实自己提交了作业，但整个过程中过度依赖大模型进行“实时辅导”，导致他们对自己写下的每一行代码只停留在“好像是这样”的理解层面。

我自己做过一个实验，让几个正在上编程课的学生告诉我，他们用大模型辅助完成作业后，能不能独立把同样的问题做出来。结果是——大多数人的回答是“给我五分钟想想”之后，给出一个和作业完全不同的错误思路。这说明什么？大模型给了他们一个“幻觉般的理解”，让他们以为自己懂了，实际上只是记住了大模型给出的答案顺序。

这直接解释了为什么考试成了“照妖镜”。考试没法带大模型，考的是独立思考和即时应用能力。当学生被逼到需要自己推导、自己debug的境地时，那个被掩盖了一学期的“真不懂”就原形毕露了。

这不是伯克利独有的现象。哈佛大学的一项追踪研究显示，2024年秋季学期以来，全球顶尖高校的CS入门课程不及格率平均上升了约15%。大模型辅助编程的普及，让课程难度实际上被“人为降低”了——表面上看作业都能交，但水面下的能力断层在期末考试中集中爆发。

结构性困境：数学基础与师资短缺的叠加效应

当然，把所有问题都归结于大模型，未免过于简单化。Dan Garcia教授在分析中也提到了另外两个不可忽视的因素：数学基础薄弱和师资力量不足。

先说数学基础。CS 61A的核心内容——递归、函数式抽象、解释器设计——本质上对离散数学和逻辑思维有相当的要求。这几年美国高中数学教育的滑坡已经是老生常谈的话题，而伯克利作为公立大校，生源构成复杂，部分学生确实在入学前缺乏足够的数学训练。大模型的便利性反而让他们更容易跳过这道“数学关”，直到真正遇到需要数学直觉的算法问题才发现自己根基不稳。

再说师资。伯克利计算机系是出了名的“僧多粥少”——每年选修入门课程的学生数以千计，但资深讲师和助教的数量增长远远跟不上。批改质量下降、答疑时间不足、学生得不到足够的个性化反馈……这些问题在学生依赖大模型的背景下被进一步放大，因为当学生遇到真正卡住的问题时，他们更倾向于直接问大模型，而不是去找助教排队。

我自己判断，这三个因素——大模型依赖、数学基础、师资短缺——不是简单的并列关系，而是相互强化的。大模型掩盖了数学基础薄弱的问题，让学生在“以为自己会了”的状态下浪费了大量本该打基础的时间；而师资不足又让学生更难获得高质量的人工指导，只能转向大模型寻求即时反馈。这是一个恶性循环。

未来何去何从：教育体系需要重新校准

写到这里，我不是在简单谴责学生“偷懒”。说实话，把大模型当工具本身没有错，问题在于我们——教育者、学生、整个技术社区——还没有建立起一套与这个新时代匹配的学习范式。

我个人认为，伯克利这次的数据是一个警钟，但同时也是一个机会。它逼着我们去思考：在AI能够完成越来越多编程任务的未来，我们到底要教什么？学生到底应该学什么？考核方式是否需要彻底重构？

有些高校已经开始探索：闭卷考试加入更多需要手写代码、理解原理的题目；作业评分标准从“结果正确”转向“过程清晰、能够解释”；引入“AI辅助下的协作学习”模式，要求学生在提交代码的同时提交与大模型的对话记录和反思日志。这些尝试未必完美，但至少在尝试回答那个核心问题：我们培养的是能够使用AI的人，还是被AI使用的人？

加州伯克利的这35.3%不是终点，而是一个开始。它提醒我们，技术变革从来不会单独发生——它总是裹挟着教育、伦理、社会结构的连锁反应。我们能做的，是在问题彻底失控之前，先承认它、理解它，然后找到一条与之共处的路径。

至于那三成多的挂科学生，如果你们正在读这篇文章，我想说：挂科不是世界末日，但它确实是一个信号——提醒你重新审视自己的学习方式，重新找回那种“自己解决问题”的笨拙但扎实的快乐。AI可以陪你走得更远，但路，终究还是要自己迈步。