UC Berkeley 今年春季几门计算机课的挂科率，突然变得很刺眼。
据 Hoodline 转述 The Daily Californian 的报道，2026 年春季，CS 10 约 35.3% 的学生拿到 F，EECS 127 约 16.8%，CS 61A 约 10.6%。
这不是一个可以简单甩锅给 AI 的故事。
报道里提到的原因有好几个：AI 工具依赖、数学基础不足、课程师资压力、评估方式变化，都搅在一起。
但它确实把一个问题推到了所有人面前：
当 AI 替你做作业，你真正失去的是什么？
很多人以为，用 AI 完成作业，是在节省时间。
题目丢进去，答案出来了。代码跑通了，报告写完了，PPT 也生成了。看起来效率很高。
但问题是：作业的目的，本来就不是那一份答案。
作业真正训练的是：
- 你读题时的判断；
- 你卡住时的拆解；
- 你写错时的修正；
- 你把混乱问题变成清晰步骤的能力；
- 以及最重要的，你知道自己到底会不会。
AI 如果直接替你跨过这些过程，它不是帮你学习。
它是在帮你绕开学习。
短期看，你交了一份不错的作业。长期看，你少经历了一次把能力长出来的机会。
这件事最危险的地方在于：AI 会制造一种“我已经会了”的错觉。
你让它写代码，代码能跑。你让它写文章，文章通顺。你让它总结概念，它说得头头是道。
可一到考试、面试、真实项目、客户追问、线上故障，你突然发现：
答案曾经出现过，但能力没有留在你身上。
这才是最贵的损失。
不是一次挂科。不是一次作业。而是你把“应该长在自己身上的判断力”，外包给了一个工具。
所以我越来越觉得，AI 使用能力的分水岭，不是“会不会提问”。
而是你到底把 AI 放在什么位置。
低阶用法是：我不会，你替我做。
高阶用法是：我先做，你帮我检查哪里不够好。
低阶用法是：直接给我答案。
高阶用法是：别直接告诉我答案，先问我三个问题，帮我把思路理清楚。
低阶用法是：帮我写一篇文章。
高阶用法是：我先写出观点和结构，你帮我指出哪里没说服力。
低阶用法是：帮我生成代码。
高阶用法是：我先写一个版本，你帮我找 bug、补测试、解释风险。
这就是 AI 最好的位置：
它放大你的判断，而不是替你拥有判断。它提高你的效率，而不是替你承担成长。
你有判断力，它能帮你更快比较方案。你有表达力，它能帮你更快打磨结构。你有工程能力，它能帮你更快定位问题。你有学习能力，它能帮你更快建立知识地图。
但如果你什么都不想经历，只想让 AI 直接给结果。
那 AI 放大的，可能不是你的能力。而是你的空心化。
这也是为什么我不反对学生用 AI。
我反对的是，把 AI 当成逃离学习的通道。
真正聪明的用法，是让 AI 变成教练，而不是替考。
让它追问你。让它挑战你。让它指出你的漏洞。
让它把一道题拆成步骤，但最后一步你自己走。让它帮你复盘错误，但不要替你吞掉错误。
因为学习这件事，最有价值的部分，恰恰就是那些“不舒服”的部分。
卡住。重来。发现自己其实没懂。从一团乱里慢慢理出头绪。
这些体验，AI 都可以帮你降低成本。但不能完全替你拿走。
如果全拿走了，你舒服了，能力也没了。
所以，伯克利这件事给我的最大提醒是：
AI 时代最重要的能力，不是让 AI 替你做事。
而是知道哪些事必须自己亲自长出来。
别用 AI 替你逃过学习。
先学会，再让 AI 帮你做得更快、更好、更稳。效率才会翻倍。
否则，你省下来的时间，最后可能都会以另一种方式还回去。
如果你明天就要考试，你敢关掉 AI 吗？
如果不敢，你可能已经依赖它了。
你现在用 AI 最多的场景，是“替你完成”，还是“帮你变强”？