AI时代，工程师的门槛更高了

当今的科学、技术、工程和数学（STEM）领域学生，将在一个关键的历史节点踏入职场。他们伴随着 iPad 长大，在 COVID 疫情期间通过 Zoom 参加高中课程，如今又在 AI 革命的浪潮中应对大学学业。眼下，随着生成式和智能体（agentic）工具能够加速处理许多任务，一个核心问题随之浮现：大学该如何适应这个新时代，在帮助学生善用 AI 优势的同时，又不削弱他们作为工程师所需的扎实基础知识和专业判断力？

学术机构正在努力帮助学生最大化利用 AI 工具，同时确保下一代工程师不会在基础知识上偷工减料。其中一个趋势是，大学越来越强调批判性思维任务，以免学生全盘照收生成式 AI 产生的废话（GenAI slop）。正如大语言模型需要安全护栏一样，大学也在设计测试和测验，以确保学生切实掌握知识并尽量减少作弊现象。

“我们看到有些人蒙混过关，或者遗漏了对特定工作至关重要的基础知识，结果不得不回头重新学习。”康奈尔大学生物医学工程助理教授亚历山大·韦斯（Alexandra Werth）表示，“如果我们不努力确保这种情况不再发生，高等教育就会面临危机。我刚参加了美国工程教育学会（ASEE）的会议，现场有数千名工程教育工作者，大家都在讨论并试图弄清楚这个问题，因为这关乎教育的立足之本。人们正在尝试很多不同的方法，但我们仍处于一个奇特的阶段——AI 技术在不断变化，现在就下定论说‘这是对的方法’或‘那是错的方法’还为时尚早。”

学生采用 AI 工具的速度，比工业界和学术界找到正确平衡点的速度还要快。“坦白说，大家都在为此苦恼，”席捷科技（Keysight）的主应用开发工程师兼科学家马修·奥扎拉斯（Matthew Ozalas）说，“我和许多教授交流过，听到了各种各样的观点。有些教授主张：‘我的课上不允许使用任何科技产品——回归传统，只用蓝色答题本。’另一些教授则说：‘想用什么随你便，但有时间限制。’年轻一代对 AI 的精通程度给我留下了深刻印象。但与此同时，大家也在思考工程领域究竟需要掌握多少知识。有人甚至问：‘他们还需要什么都懂吗？直接问大语言模型不就行了吗？’”

这意味着对 AI 输出结果进行验证成为了关键。“我们看到的最大变化是，下一代工程师需要擅长定义问题、为 AI 提供正确的上下文、验证其输出结果，并理解其中的权衡取舍，”ChipAgents 创始人兼 CEO 威廉·王（William Wang）指出，“工程判断力变得更加重要了，而不是削弱了，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，并清楚何时需要进行更深入的调查。”

这种不确定性反而提高了掌握基础知识的重要性，尤其是在 AI 能够给出听起来很有说服力却完全错误的答案时。“从工业界角度来看，强烈建议大学教授学生如何将基础知识与 AI 辅助的工作流程结合起来，”Arteris 产品管理与市场营销副总裁安迪·奈廷格尔（Andy Nightingale）表示，“清晰地界定问题、生成备选方案、验证假设、测试结果并记录决策过程。未来脱颖而出的毕业生，绝不是那些单纯使用 AI 的人，而是那些能够安全、批判性且高效地使用 AI 的人。”

此外，学生还必须能够在没有 AI 帮助的情况下，口头为其研究结论进行辩护。“毕业生需要具备针对‘在屏幕前长大的这一代人’量身定制的软技能，”Axiomise CEO 阿希什·达尔巴里（Ashish Darbari）说，“在工业界，工程师必须能够现场解释自己的推理逻辑——无论是在设计评审中、与客户沟通时，还是在出现问题时。在 AI 时代，清晰、自信的口头表达能力尤为重要，因为它展示了 AI 无法为你代劳的思维过程。大学应当将其有意识地纳入课程体系中。”

简而言之，学生仍然需要具备评估大语言模型输出内容的知识和判断力。

经验越丰富，就越能看清其中的风险。“如果你具备丰富经验并使用 AI，你就会发现它能多么自信地给出完全错误的答案，或者凭空幻觉出一段论证。”奥扎拉斯说，“这是我们必须把握的平衡。我可以想象，对于现在的学生或想要进入这个领域的年轻人来说，这确实非常艰难。”

一位要求匿名的教授指出了一个可能更加令人不安的问题。“在过去几年里，AI 作为一种资源，一直在协助促进学生的科研和学习，”他说，“然而，在此期间，我观察到在相同的课程体系下，学生的知识留存率和学业表现整体呈下降趋势，这表明过度依赖这一工具带来的弊端，可能已经盖过了 AI 带来的好处。总体趋势似乎是，随着 AI 越来越深入地融入教育和知识传输过程，学生的注意力持续时间正在下降。”

另一位要求匿名的教授则拒绝讨论学生使用 AI 的情况。她的理由是：“因为聊这个只会让我满肚子苦水。”

大学必须正面解决这些隐忧。“大学课程必须针对生成式 AI 的弱点进行设计，这一点至关重要，”苏黎世联邦理工学院（ETH Zurich）IT 与电气工程教育发展专家塔玛拉·波波维奇（Tamara Popovic）表示，“我们面临的最大挑战之一就是所谓的‘能力错觉’。当学生让大语言模型解释诸如异质结形成等概念时，工具会生成一个结构优美、极其自信的回答。学生看完后会立刻产生一种清晰感，并误把这种被动的清晰当作了真正的掌握。他们跳过了真正内化现象背后的物理原理所需经历的艰难思考。为了打破这种能力错觉，我们开始设计专门针对生成式 AI 认知盲区的学习活动，特别是复杂的空间关系和非标准视觉抽象。”

例如，该大学引入了基于多变量图形平移的练习。“我们给出一个标准图表，比如 MOSFET 的 C-V 曲线，但引入了一个独特的物理异常，”波波维奇表示，“目前，基于文本的大语言模型在没有发生致命逻辑跳跃的情况下，无法准确地将这些多层物理变换映射到新的视觉呈现上。强制学生去应对这些视觉-空间平移，能确保他们依靠的是自己内心的思维模型，而不是外部算法。”

如果 AI 能够模仿“理解”，大学就必须决定如何教授“真正的理解”。

大学正在摸索如何在保留学术严谨性和诚信的前提下允许使用 AI 工具。

“教师们感到不适应，”普渡大学电气与计算机工程教授兼工程 AI 教育主任陈硕性（Stanley Chan）表示，“这是我们第一次探索这条道路，我对管理层和教职工们说，我们并没有预知未来的水晶球。”

普渡大学理事会最近批准了一项计划，准备在四年制学位的每个学年中逐年融入更多 AI 内容。“我们必须做出改变，否则我们就会被 AI 淘汰，”陈教授说，“高等教育从根本上被重塑只是时间问题，因为一种全新的技术已经到来。”

陈教授指出，为了避免学习成效的流失，教授们必须向学生提出棘手的问题，而学生也需要学会如何向 AI 提出棘手的问题。“‘你为什么这样做？你能给我提供证据吗？你能向我证明这行得通吗？你有没有考虑过其他设计方案？为什么这个设计要以这种方式完成，你有没有想过用另一种方式来解决这个问题？也许你应该考虑一下另一个方向。’”

教学大纲也需要找到适当的平衡。“如今甚至连‘如何写一份好的教学大纲’都成了一个问题，”普渡大学电气与计算机工程教授兼半导体学位项目主任戴维·詹斯（David Janes）说，“在教学大纲中，你需要明确什么是适当的 AI 使用行为，什么是不适当的，而答案通常是‘你不能使用 AI’。如果你使用了 AI，你依然有责任对其进行核实和检查。你有责任独立学习并理解这些概念。”

鉴于半导体工作的复杂性，无论学生是在解决片上网络（NoC）拥塞问题还是半导体测试问题，对 AI 的熟练掌握都必须建立在工程基础知识之上。

“AI 可以在几秒钟内提出一种架构配置，但要了解它能否在实际流量模式下经受住检验、能否完成物理实现，以及能否在布线和其他权衡取舍中存活下来，都需要深厚的底层领域专业知识，”Baya Systems 首席商务官南丹·纳扬帕利（Nandan Nayampally）指出，“这种结合——AI 加上真正的专业知识——才是你获得实际生产力提升的地方，而不是仅仅依靠 AI。如果没有用于验证的基础知识，AI 驱动的设计加速灾难的速度和它加速进步的速度一样快。”

Teradyne 卓越中心人才招聘负责人里安·莫兰（Ryan Moran）观察到，在半导体测试方面，学生需要耗费时间去积累深厚的特定领域知识。“那些将 AI 素养视为对扎实基础训练之补充的大学，培养出的正是我们最想招聘的毕业生。更有前瞻性的课程项目正在重新设计作业，直接将使用 AI 工具作为前提。刚毕业的新生如果使用过像 GitHub Copilot、Claude Code 或类似助手等工具，他们生成可运行代码草稿的速度比以前的毕业生更快。现在的挑战在于维持技术知识，以便能够理解并验证这些代码实际做出了什么。”

基础技能以及物理和数学等深厚学科能带来许多就业机会。“你可以在线性代数或微积分方向钻研得很深，”GlobalFoundries 首席人力资源官普拉蒂帕·拉曼（Pradheepa Raman）说，“如果你深入研究线性代数方向，你可以成为数据科学家或 AI 工程师。如果你深入研究微积分方向，你可以成为金融机构的量化分析师。这些古老而深厚的技能存在于许多课程体系中，旨在帮助学生成为深耕领域的专家。我会优先考虑这一点，因为如果学生没有掌握基础知识，企业很难再去教他们。”

在理想情况下，毕业生既懂得科学又懂得 AI。“最强有力的候选人是那些既知道如何将 AI 作为生产力工具，同时又能展现出扎实的工程判断力、解决问题的思维模式以及对第一性原理深刻理解的人，”英特尔大学研究合作总监加夫列拉·克鲁斯·汤普森（Gabriela Cruz Thompson）表示，“换句话说，我们寻找的不是仅仅懂得如何向 AI 模型提问的毕业生。我们寻找的是对底层科学和工程学理解得足够透彻、能够判断出 AI 生成的答案何时正确、何时不完整或何时错误的毕业生。”

要培养出这样的毕业生，需要采用能够展现真正理解而非仅仅是光鲜的 AI 输出成果的评估手段。

尽管学生可以针对几乎所有事情输入提示词——从电子邮件、求职申请一直到半导体设计，但最有价值的新技能并不单单是写提示词本身。“而是将 AI 作为工程助手使用，同时对结果保持技术所有权的能力，”Arteris 的奈廷格尔说，“大学面临的挑战在于超越单纯监视 AI 使用的行为，转向教授在有 AI 参与下的负责任且可验证的工程实践。”

然而，并没有万能灵药可以阻止学生使用 AI 作弊。评估手段必须具备防 AI 规避的能力，教授们也需要助教来帮助他们逐门课程地调整教学计划，普渡大学的陈教授指出。“我们需要问这样一个问题：‘AI 能否独立解决所有家庭作业问题？’如果答案是肯定的，那么这门课程本身就必须重新思考。否则，无论你采取多少对策，都将无济于事。”

这种逐门课程重新设计的需求得到了广泛认同。“AI 现在能够回答我们过去在考试和作业中设置的大多数问题，大学面临着使评估手段具备防 AI 能力的压力，”Axiomise 的达尔巴里表示，“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，我们培养出来的毕业生虽然能拿到答案，却无法为其背后的逻辑负责。”

与此同时，学生仍然必须背诵一些数学和物理知识。“他们必须牢记一些更高层次的概念，”陈教授说，“我们仍然希望保留一些纸笔考试，这样当他们进入设计阶段时，就知道该问什么问题。这不是一天两天就能练成的。”

创造性的评估手段也是关键，一些教师会在课堂上举办竞赛。“设定一个工程设计目标，比如制作一个机器人，然后再设定一些指标，看看谁表现得更好，”他说，“你不可能只靠使用 AI 来作弊。机器人必须实实在在地在路上跑起来。”

如果学生走捷径，受损的是他们自己。“在本科阶段，掌握诸如半导体器件之类的课程需要付出巨大的脑力努力，”苏黎世联邦理工学院的波波维奇说，“当学生把生成式 AI 当作认知捷径时，他们就绕过了恰恰能够构建深厚工程直觉的挣扎过程。”

学生利用 AI 作弊，在看法上与抄袭他人代码或书面作品并无二致。普渡大学的詹斯表示，普渡大学长期以来一直在研究生论文上使用查重软件，以确保学生独立完成写作并恰当地引用来源。“对于 AI 来说这是非常相似的事情，不过如果是一项工程分析，我们的处理方式会与写作有所不同。我们都在面临着同一个难题。”

物理学绝不能被 AI 所替代。“当工程师不懂物理时，他们就脱离了现实，”席捷科技（Keysight）的奥扎拉斯表示，“写代码也是同理。如果你不懂编程，凡事都只靠输入提示词，你就会失去与真实世界的联系，这令人担忧。”

归根结底，在考查基础知识方面，传统的测试方式可能依然最为有效。“在此基础上，可以提供更多的研讨会、项目和实验，但绝对要允许他们使用 AI 工具，”GlobalFoundries 首席人力资源官拉曼表示，“如果不允许，就相当于在说：‘嘿，虽然我有这么多工具，但我希望你走传统老路，哪怕那会耗费极长时间。’时间也是至关重要的。如果允许使用工具，他们能够学到更多东西。”

拉曼补充道，公司所有的暑期实习生都可以使用 AI 工具。“他们在使用这些 Token 时展现出了惊人的创造力。能够获得使用权限并动手构建东西，他们感到非常开心。看到这些真的很棒。”

与所有新技术一样，AI在教育领域的应用也是利弊并存。

“AI 具有让教学和学习变得更加高效的潜力，但这前提是必须经过精心设计和合理使用，”佐治亚理工学院教授张颖（Ying Zhang）表示，“与任何教育技术一样，它的影响取决于教育工作者和学生如何去使用它。对于教师而言，AI 可以减少用于重复性任务的时间，比如生成练习题或回答常规问题，从而使他们能够投入更多时间去辅导学生和设计引人入胜的学习体验。对于学生而言，AI 可以提供个性化的解释、及时的反馈以及随要随有的学习支持，尤其是在课外和答疑时间之外。”

与此同时，严峻的挑战也是客观存在的。“通用 AI 系统可能会生成不准确或误导性的信息，即人们常说的‘幻觉’，”张教授指出，“此外还存在一种风险，即如果 AI 只是直接给出答案，学生可能会过度依赖它，从而减少对于培养深刻理解和独立解决问题能力至关重要的大力思考。”

考虑到整个行业的发展趋势，禁止学生使用 AI 工具是毫无意义的，尽管工业界目前也尚未就管理使用权限的最佳方法达成一致。“从 AI 的视角来看，你确实需要构建 AI，”新思科技（Synopsys）产品管理高级总监达娜·纽斯塔特（Dana Neustadter）表示，“作为一项技术，未来一切事物都会内置 AI，因此你需要 AI 安全专家来确保他们构建出安全的 AI 解决方案。AI 工具可能会改变就业格局，但我认为岗位不会消失，只是其本质会发生改变。为了跟上技术步伐，你必须使用 AI 工具并依赖 AI 辅助。我从学术界了解到，现在需要具备专门的技能集。”不过她补充道，这些技能的具体性质仍在不断演变。

这也意味着学生既需要硬核的专业知识，也需要软性的沟通技能。“在 AI 时代表现出色的毕业生，将是那些既能使用工具，又能为其推理逻辑辩护，并能当场清晰沟通的人，”达尔巴里表示，“将这些要素全部融入课程体系的大学，将培养出半导体行业最为急需的工程人才。”

达尔巴里给大学的建议：

• 指导学生适应新的学习方式。

  
  

• 让学生为其所掌握的知识进行辩护。

  
  

• 专注于知识的应用，而非死记硬背。

  
  

• 磨练沟通能力，特别是口头表达能力。

  
  

• 打造不依赖于 AI 的知识广度与深度。

  
  

• 投资并引进专家型学者。