随着 AI 使用增加和数学能力下滑，伯克利 CS 课程挂科率飙升
文章摘要
加州大学伯克利分校（UC Berkeley）2026 年春季学期的计算机科学课程出现了挂科率（F 比例）的显著上升。
关键数据：
- CS 10：35.3% 的学生拿到 F（往年低于 10%）
- CS 61A：10.6% 拿到 F（往年低于 10%）
- EECS 127：F 比例 16.8%（高年级课程通常约 5%）
- 平均成绩跌至 C+（GPA 2.3），而院系指导线为 2.8–3.3
主要成因：
借助 AI 的学术不端。 教学教授 Dan Garcia 认为，对大语言模型（LLM）日益依赖是挂科的「首要驱动因素」。2026 年春季，约 30 名 CS 10 学生因在带回家考试中作弊而被抓——这其中一部分挂科正是因为被查处并移交学生行为中心处理。
数学基础薄弱。 副教学教授 Gireeja Ranade 发现，学生在线性代数、向量微积分和证明这些高年级课程的先修知识上准备不足。一名学生透露，他们的线性代数课竟然允许「开放互联网、开放 AI」的政策。
师资短缺。 预算紧张迫使 EECS 系削减本科 CS 招生和助教（TA）岗位（因 TA 薪资偏高）。Ranade 不得不取消 EECS 127 中一个原本能拉高学生分数的期末项目环节。
值得注意的观点。 Garcia 表示，那些「过度依赖 LLM 替自己完成作业」的学生，在考试中没能准备好。他强调比起拉曲线（curve），「对 A 意味着什么有清晰的标准」更重要。Ranade 则强调，在 AI 时代教育者必须教得更多而非更少，聚焦于贯穿四十年职业生涯所需的批判性思维能力。
HN 评论精华
讨论开头被标题歧义带偏：loneboat 吐槽「failing grades soar」措辞含糊，乍看像是「原本糟糕的成绩飙升变好了」。随后众人澄清这是「failing（挂科）」而非「falling（下降）」，且 soar 显然指挂科比例上升。
围绕本质问题，ToucanLoucan 给出一段被广泛认同的洞察：教育的目标是把（最好是正确的）知识装进学生脑中，而 LLM 的目标是产出「看起来像人写的」输出——二者甚至算不上对立，而是朝着完全不同方向的两艘船；所谓「幻觉」在这个框架下完全可以理解，因为机器本就是在干它该干的事。MengerSponge 引用康德的名言回应：「启蒙就是人摆脱自己强加于自身的不成熟状态」——有些人需要的不是耶稣而是康德。
关于挂科是否真由 AI 引起，alephnerd 提出另一种解释：是越来越多不论天赋如何都涌入 CS 的学生抬高了基数——CS 10、CS 61A 本就是「劝退课（weedout）」，伯克利学生默认未声明专业、人人都想挤进高薪的 CS。但 MengerSponge 反驳：从 2025 秋到 2026 春学生群体并没实质变化，proximate cause（直接原因）就是「还算好用的 AI 工具的广泛普及」——以前工具不行学生不用，现在工具尚可学生就用了。
作弊话题上，acbart 描述了惊人的证据：很多学生刚打开题目几秒内就粘贴进一大段完整答案，充满了课上没教过的高级代码结构和格式工整的注释。elictronic 说做大学数学教授的妻子也遇到同样情况——学生用从未教过的记号、远超平时水平的步骤解题。Manuel_D 则补充历史视角：在 AI 之前，斯坦福 CS106 系列的荣誉准则违规就已很高（2015 年某入门课约 20% 被怀疑违规），因为 CS 作弊更易被 MOSS 这类工具检测出来。
也有更具建设性的声音。blululu 指出 LLM 是把双刃剑：既能用来逃避作业，也能当成「随叫随到的一对一私教」，问题在于如何应对学生用它作弊。一线教育者 beej71 坦言正为此挣扎：他想尽办法鼓励学生做难的功课、不依赖 AI，但总有一批学生不听劝——他们逻辑上知道这样过不了面试，却把它当成「明天的问题」。readthenotes1 则力挺 Garcia 的「清晰 A 标准」理念，认为拉曲线只是「掩盖问题、假装一切正常」，但前提是教授本人对学科掌握有强烈的判断力——而这对多数人来说并不具备。