生成式人工智能加速进入高校课堂，深刻改写大学生的专业学习方式。资料整理、文本生成、代码编写、原型搭建等过去需要数日甚至数周完成的任务，如今借助AI工具往往可快速完成，为教学组织和实践训练提供了新的可能。
一个值得警惕的问题随之浮现：AI让大学生更容易“做出来”成果，却未必让他们真正“想明白”背后的逻辑与本质。一些学生过度依赖AI完成原本应自身经历的理解、分析、整合与表达过程，成果更快、更完整了，对问题、逻辑和情境的把握却未必同步提升。因此，讨论AI进入大学生专业学习，不能只停留在效率提升和工具使用层面，更应追问：当AI深度嵌入学习过程，大学生是否正在将本应由自身完成的关键认知环节，逐步交给技术工具？这种“认知外包”又将对专业学习和高校育人带来怎样的影响？
AI降低了实现门槛，却没有降低成长门槛
在不少专业课程中，AI带来的便利显而易见。信息系统设计、软件开发等实践课程中，学生借助AI编程助手，可以较快完成界面搭建、模块生成和基础功能实现，过去耗时较长的技术环节被大幅压缩。从教学角度看，这一变化有积极意义：技术实现不再是最难跨越的障碍，学生能以更低成本进入项目实践和方案设计，教师也可将更多精力从技术性纠错转向更高层次的教学引导。
但实现门槛的降低，并不意味着能力形成更容易。恰恰相反，技术实现越顺滑，越容易掩盖专业学习中真正关键的认知环节。实践中，一些学生虽能较快拿出看似完整的系统原型、流程方案或项目成果，但面对追问时，往往暴露出问题边界不清、业务逻辑不明、设计依据不足等短板。例如，在电子政务系统设计与开发课程中，有学生借助AI快速生成了功能齐备的原型，却在流程设置上出现了不符合实际情况的设计。问题不在于技术上能否实现，而在于其不符合真实业务场景中的权责关系和运行逻辑——学生是“做出来”了成果，却没有真正“想明白”背后的核心需求与逻辑。
因此，值得警惕的不是大学生使用AI本身，而是“工具辅助”开始滑向“认知外包”。如果AI不仅承担资料搜集、语言润色、程序辅助等支持性工作，而且进一步代替学生完成问题拆解、逻辑组织、流程推演乃至方案判断，那么学生让渡的就不再只是任务环节，而是本应由自身完成的关键认知加工过程。所谓“认知外包”，并非完全不思考，而是学习者更多扮演调用、选择、拼接和提交的角色，而不再真正经历理解、推演和判断的核心过程。专业学习的关键，在于学习者需要在概念辨析、逻辑冲突、反复修正和现实校验中完成认知建构。这些看似低效、吃力的“必要难度”，是能力形成的核心环节。而生成式AI容易将这些环节过度平滑化，制造“已经掌握”的错觉。久而久之，专业学习便可能从“理解问题”滑向“调用答案”，从“建构能力”滑向“拼接成果”，最终影响核心能力的形成。
AI依赖如何重塑能力形成逻辑
这种“做出来”与“想明白”的错位并非偶然，而有其内在逻辑。
其一，成果表征层面，AI显著降低了任务完成成本，容易制造“成果等于能力”的假象。过去，学生要独立完成资料搜集、结构组织和技术实现，成果与能力之间有较强对应关系。如今，即使问题理解并不充分，学生也能借助AI拿到形式上完整的成果。结果先于理解出现，能力与成果之间的对应关系被打乱了。
其二，认知过程层面，AI的流畅输出压缩了试错、停顿和修正的空间。当前大语言模型在复杂逻辑推理中仍存在缺陷，无法提供绝对可靠的确定性答案。但它流畅的自然语言交互，容易制造出一种无所不知的“专家假象”。这种假象容易削弱学生的核查意识和判断警惕性，使他们更倾向于追求尽快完成任务，而非深入追问、独立核查和辨析。
其三，任务情境层面，实践类课程本就容易强化成果交付导向，AI则进一步放大了这种倾向。在课程设计、软件开发、案例模拟等任务中，学生更关注“最后交什么”，而较少主动进入真实业务场景、理解组织逻辑和现实约束，最终出现“成果先行、问题理解滞后”的现象。
在上述机制共同作用下，最先被削弱的是大学生的高阶专业能力。面对专业任务，学生原本需要自行判断“问题是什么”“边界在哪里”“核心矛盾何在”；而AI深度介入后，一些学生更熟悉如何向AI发出有效指令，尽快获得“可用方案”，前置思考被大幅压缩。随之受到影响的，还有流程理解能力、情境判断能力和批判性思维。表面上看学习效率提高了，但本应在专业学习中逐步形成的高阶能力，却在看似顺畅的技术支持中被悄然省略。
重建工具辅助与主体判断的边界
回应大学生专业学习中的AI依赖问题，需要重建工具辅助与主体判断的边界，让AI成为能力提升的助力，而非认知替代的“拐杖”。
首先，重新界定专业学习的培养目标。AI可以提高实现效率，但专业教育不能因此把目标收缩为“快速交付成果”。因此，应把问题识别、逻辑解释、流程建构和情境判断重新放回核心位置。
其次，推动评价方式从结果导向转向过程与判断导向。评价学生作品，不能只看功能是否完整、形式是否规范，更应将“对AI输出的批判性修正记录”“独立思考的增值贡献”等过程性指标作为核心给分依据。用评价指挥棒倒逼学生重视那些无法外包的认知环节，重新认识独立思考的价值。
再次，强化教师在高阶能力培养中的不可替代作用。当AI越来越擅长提供知识支持、文本生成和技术辅助时，教师更需要在问题引导、逻辑训练、现实校验、伦理辨析和责任教育中发挥核心作用。教师不应只是技术指导者，更应成为帮助学生进入真实场景、理解复杂问题、形成独立判断的能力教练和价值引路人。唯有如此，AI带来的效率提升，才能真正转化为人才培养质量的提升。
从更宏观的层面看，大学生专业学习中的“认知外包”问题，不仅是课堂工具使用的细节问题，更关系到高校如何回应高水平科技自立自强的时代要求。高水平科技自立自强，固然需要会用新技术、懂新工具的人才，但更需要能够识别真实问题、理解复杂系统、作出可靠判断并承担创新责任的人才。
这恰恰提醒高校：AI时代的专业教育，不能只强调“做得更快”“产出更多”，而必须更加重视问题洞察、流程理解、系统思维、价值辨析和责任判断。越是在工具强大的时代，越要守住“想明白”的能力底线，守住大学教育最不可替代的价值，培养出具备独立思考能力、能担当时代使命的青年人才。
（作者系北京电子科技学院讲师）