Berkeley Law AI 政策限制 AI，但法学院并未禁止它
尽管承认未来律师必须熟练掌握这项技术，Berkeley Law 仍在 2026 年夏季收紧了 AI 使用规定。Berkeley Law AI 政策禁止学生使用 AI 对计入学分的作业进行构思、列提纲、起草、修改、编辑或翻译。除非授课教师明确设立允许的例外情况，否则所有考试中也不得使用 AI。
这听起来像是法学院禁止 AI，但这一标签忽略了该政策最重要的特征。只要 AI 有助于实现课程的教学目标，Berkeley 仍允许教师授权使用。学校还计划在 2026 年秋季开设 22 门法律与技术课程，因此其做法在限制与扩展之间并行。
芝加哥大学和 Columbia Law School 也采取了类似的双轨策略。它们一方面保护法律教育中的部分环节免受自动化影响，另一方面为有意识地使用 AI 创造空间。因此，真正的冲突并不是法学院与 AI 的对立，而是独立法律推理与过早将认知工作外包之间的矛盾。
Berkeley Law AI 政策究竟改变了什么
Berkeley 将学生独立完成作业确立为默认原则，同时为教授 AI 素养的课程保留有针对性的例外。
这项默认 AI 政策于 2026 年夏季生效。它适用于为获得学分而提交的作业，覆盖范围远不止简单禁止由聊天机器人生成的论文。
学生不得要求 AI 系统为论文主题或论点进行头脑风暴。他们不得要求 AI 提供组织结构、起草段落、识别需要修改的内容，或润色语法。如果翻译后的材料成为提交作业的一部分，AI 辅助翻译同样被禁止。
考试规则则更为严格。学生在考试期间不得出于任何目的使用 AI。他们也不得先用 AI 生成提纲，再将该提纲中的内容带入考试。
这些限制针对的是完整的智力产出过程，而不仅仅是最终的文字表达。这一区别很重要，因为生成式 AI 在写出一句话之前就可能影响论证。一个建议的论点或结构，可能决定哪些权威资料受到关注，以及哪些反驳论点被忽略。
该政策还禁止学生将作业、阅读材料、幻灯片、录音或其他课程内容上传至生成式 AI 系统。这项规定除了维护学术诚信，也回应了隐私、知识产权和保密方面的担忧。
不过，Berkeley 表示其政策并非全面禁令。教师可以为旨在培养 AI 素养的课程采用不同规则。如果其他做法更有利于课程目标，他们也可以授权不同形式的使用。
这种灵活性使 Berkeley 的立场不同于全校范围内拒绝生成式 AI。学校是在围绕需要评估的思考过程划定界限，同时允许在其他场景中进行有监督的实验。
配套指引将这些界限呈现为一种教育顺序。学生首先需要在没有自动化替代的情况下进行构思、分析、起草和评估。随后，他们才能在理解系统改变、遗漏或虚构了什么的前提下使用 AI。
这一顺序体现了 Berkeley Law AI 政策背后的核心前提：无法独立评估论证的律师，也无法可靠地监督生成论证的系统。
该规定还旨在形成更清晰、更一致的预期。Berkeley 表示，先前的政策曾引发有关语法修正与 AI 写作之间界限的棘手问题。新做法将自动化编辑视为禁止行为，除非课程另行规定例外。
这一决定牺牲了一定便利性，以换取更易于执行的规则。它避免让教授判断某条 AI 建议究竟是在修正语法、重写主张，还是悄然改变了底层分析。
代价则是覆盖范围较广。使用熟悉写作应用的学生，可能在并未主动寻求的情况下接触到生成式功能。学校需要提供实用指引，将普通拼写检查与被禁止的自动化改写区分开来。
Berkeley 论点最有力的版本，并不是每一次 AI 互动都会损害学习。其主张是，计入学分的作业必须展现学生自身的能力。否则，成绩便不再衡量法学院声称要培养的技能。
为什么法律推理成为需要保护的技能
法学院恰恰在学生必须建立日后监督 AI 所需判断力的关键时刻限制 AI。
法律教育所依赖的不只是检索正确规则。学生必须解读权威资料、区分先例、识别缺失事实，并针对竞争性论点为结论辩护。这些活动构成职业判断力的基础。
生成式 AI 可以在学生尚未形成这种判断力之前，生成看似可信的语言。它的输出可能使不完整的论证看起来已经完成，从而令学习与评估都更加复杂。
这一风险在法学院第一年尤为突出。第一年的课程引入阅读案件和依据不完整权威资料进行推理的习惯。学生还会学习，当某个事实或先例发生变化时，法律结论会如何随之改变。
AI 生成的案例摘要可以节省时间。然而，当阅读案件本身就是练习时，这种效率会付出教育代价。学生获得了表面上的成品，却没有练习形成该成品所需的推理。
同样的问题也会影响法律写作。聊天机器人可以生成结构化备忘录，但结构不只是呈现形式。选择议题顺序往往意味着决定哪些事实和权威资料应获得最重要的法律权重。
Berkeley 将思考描述为优秀法律执业和高质量法律教育不可或缺的要素。其政策将构思、列提纲、起草、修改和编辑视为相互关联的认知任务，而非可拆分的生产阶段。
这一立场也回应了生成式法律材料的不可靠性。语言模型生成的是可能性较高的文本，而非经过验证的法律结论。它们可能虚构引文、错误陈述判决要旨，或模糊不同司法辖区之间的差异。
经验丰富的律师同样可能犯这些错误。区别在于，AI 可以快速、自信地大规模制造这些错误，从而给人工审查带来压力。
已经理解相关法理的学生可以审视这些输出。缺乏基础的学生，则可能将流畅的措辞视为准确性的证据。
因此，法律教育者面临一个顺序问题：他们必须让毕业生为 AI 辅助执业做好准备，同时不能让这一助手取代学徒式训练。
这种张力不止涉及成绩。律师对客户、法院和对方当事人负有义务。American Bar Association 的AI 伦理指引指出，律师使用生成式系统时，现有义务仍然适用。
这些义务包括胜任能力、保密性、与客户沟通、监督、诚实义务以及合理收费。律师不能将职业责任转移给 AI 供应商，也不能以软件生成了不准确的文件为由开脱。
因此，法学院必须教授两项可能相互拉扯的能力。毕业生需要具备足够的 AI 素养，才能有效使用现代法律系统；他们也需要拥有足够的独立专业能力，才能发现这些系统何时失效。
Berkeley Law AI 政策在需要评估的作业中保护第二项能力。其技术课程和允许的例外，则旨在培养第一项能力。
这种划分比笼统宣称 AI 天然削弱学生更站得住脚。关于长期认知影响的证据仍不完整，结果也高度取决于系统的使用方式。
AI 可以替代努力，但也可以挑战论证。学生可能在独立起草立场后，要求模型识别反驳论点；另一名学生则可能在未加审查的情况下直接提交模型的第一份回答。
这些行为不应得到相同的教育评价。难点在于设计能够区分有效辅助与智力替代的作业。
对于需要管理大量案例和笔记的学生而言，个人学生知识库可以支持检索，而不替他们决定论点应为何。教育边界应聚焦于由谁完成推理，而不只是软件是否触及工作流程。
UChicago Law 保护课堂，但也教授工具
UChicago Law AI 策略通过将无设备的基础学习与有监督的职业实践分开，明确呈现了这一权衡。
University of Chicago Law School 于 2026 年 7 月 9 日公布了其AI 策略声明。该策略将在秋季学季生效，并以自 2024 年以来推出的课程改革为基础。
其最显著的措施，是在核心一年级课程中试行禁止使用电子设备。仍保留有限例外，包括为有需要学生提供的便利安排。
设备规则比 AI 限制更广泛。即使学生只是想记笔记，它也会禁止使用笔记本电脑、平板电脑和手机。学校表示，这一做法还能减少分心，并支持更高质量的课堂讨论。
这使该试点既是对课堂注意力的检验，也是对人工智能的检验。早在 ChatGPT 出现之前，教授们就已采用无设备政策，通常是因为屏幕会在讨论中分散注意力。
AI 提高了风险，因为联网设备如今不止会让人分心。它还可以实时总结案例、提出答案，或为回应教授的问题做准备。
传统法学院课堂通过提问来揭示学生的推理过程。如果软件提供了答案，教授便难以判断学生是否真正理解相关法理。
移除设备创造了一个临时区域，学生必须自行提取、综合并表达观点。这也让课堂参与变得更清晰，并减少查阅即时外部答案的诱惑。
然而，UChicago 并非试图重建数字化之前的法律职业。其策略包括面向一年级学生的 AI 模块、诊所中的 AI 使用、AI Lab，以及针对法律研究与写作的指引。
该校的模式可概括为：学习如何借助 AI 思考、在没有 AI 的情况下思考，以及思考 AI 本身。每种情境服务于不同的教育目标。
在没有 AI 的情况下思考，能够建立基础能力。借助 AI 思考，能够教会学生在保留责任的同时使用自动化工具。思考 AI 本身，则有助于理解其制度、伦理和法律影响。
这比称 UChicago 禁止 AI 更准确。学校将技术移出特定的学习环境，同时将其融入其他环境。
其做法也认识到，教育与就业会奖励不同的行为。当工具能够减少重复劳动而不损害质量时，律师事务所会从中受益。课堂有时却会布置同样的劳动，因为完成它本身能够培养判断力。
因此，效率并非普适的教育目标。通往答案的最快路径，可能会绕过一项作业原本旨在衡量的能力活动。
这一区别类似于其他高风险职业中的培训。飞行员学习操作程序时，不能完全依赖自动化，即便现代飞机已广泛采用自动化系统。基础训练的存在，是因为专业人士必须能够识别并应对故障。
UChicago面临的挑战，是衡量其无设备试点是否提升了预期技能。更好的课堂讨论将支持这项政策，但满意度本身并不能证明法律推理能力更强。
学校还需要审视不平等影响。一些学生通过键入笔记能更有效地整理和记忆信息。另一些学生则需要辅助技术或语言支持。
一项公平的政策必须提供切实可用的便利措施，同时不能迫使学生披露超出必要范围的个人信息。它还必须防止例外安排带来污名化。
UChicago的混合方案为学校提供了有益的比较基础。它可以评估无设备的基础课程，并与教授结构化AI使用的课程进行对照。这类证据比关于技术究竟是好是坏的哲学争论更有价值。
Columbia选择责任而非全面禁止
Columbia的规则表明，即使默认边界不同，法学院的AI政策正趋向于受控使用。
Columbia Law School采用了一项新的学术AI政策，自2026年8月1日起生效。该政策取代了学校此前适用于2026–2027学年的临时政策。
Columbia禁止在考试中使用AI辅助。考试答案中的每一个词都必须来自学生本人，包括由AI翻译生成的语言。
其对其他课程作业的处理方式比Berkeley的默认规则更宽松。只要课程规则允许，学生可以将AI用作学习辅助工具或批判性对话对象。
批判性对话对象是指用于检验观点而非生成观点的系统。它可能会质疑某项论证、指出结构上的弱点，或为进一步研究提出问题建议。
Columbia将智力责任置于学生身上。提交的观点、论证、分析和表达必须体现学生自身的判断。学生必须理解并能够为其提交的每一项主张辩护。
因此，该政策关注的是作者身份与问责，而非禁止每一个获得辅助的阶段。AI不能成为未披露的代笔者，也不能取代学生的法律推理。
教师保留制定课程专属规则的裁量权。一些教师可以广泛整合AI，另一些则可以限制其使用，以培养特定技能。
这一模式将不一致视为职业准备的一部分。律师将在不同的法院规则、雇主政策、客户限制和安全要求下工作。学生需要练习识别在具体情境中适用哪些规则。
然而，政策差异也可能造成混乱。一名学生在多门课程之间切换时，必须记住每门课是否允许头脑风暴、编辑、翻译或研究辅助。
Thomson Reuters Institute于2026年发布的学生调查说明了这一问题。该调查于2026年4月收集了超过1,800名法学院学生的反馈。
近60%的受访者表示，他们每周会多次将AI用于学业任务。与此同时，48%的人称，不同教授的AI政策各不相同。
调查发现，72%的人认为AI素养是一项必不可少的职业技能。同时，74%的人认识到，过度依赖可能削弱其核心法律能力。
这些数字使“学生与管理者处于对立阵营”的观点变得更复杂。许多学生似乎同时理解其职业价值与发展风险。
制度层面的缺口在于培训。32%的受访者表示，学校没有提供其未来职业所需的AI技能。
这一结果强化了支持结构化整合的理由。没有有意义AI课程的限制性政策，会将学生推向无监督的探索。它还可能使毕业生无法为已经进入法律职场的工具做好准备。
Columbia试图通过边界、专业课程和教师选择相结合的方式解决这一问题。Berkeley在提供大量技术课程的同时，采取更广泛的默认限制。UChicago则在其他环节嵌入AI的同时，设置无设备空间。
这些是同一新兴原则的不同实施方式。学生不应将当前正在学习的技能外包出去，但在掌握足够知识以监督AI之后，他们应当学会使用AI。
分歧在于这条界线应当划在哪里。Berkeley将其划在几乎所有计入学分的工作环节周围。Columbia则将其划在智力责任和课程专属许可周围。
两项政策都没有为每一项作业确立正确的边界。它们的价值取决于教授能否将宽泛原则转化为清晰、可观察的要求。
风险在于培养出依赖AI或准备不足的律师
一项禁止AI却不教授AI的规则，可能会制造其本想避免的另一种能力问题。
支持限制的最有力理由在于发展。学生必须先练习法律分析，才能负责任地委托他人或工具完成其中部分工作。
最有力的反对意见则关乎职业现实。毕业生将进入AI辅助研究、文件审查、尽职调查、合同分析和起草的职场。不教授这些系统，并不会让毕业生更安全。
这会让他们只能通过供应商、雇主或私人尝试来学习。这样的培训可能优先考虑速度，而非保密性、核验和专业判断。
这也是为什么“AI禁令”这一说法制造了误导性的二元对立。学校可以在考试期间禁止AI，也可以在诊所课程中要求使用AI。这两种决定都可以服务于同一个教育目标。
更难的问题涉及这两种极端之间的普通课程作业。学生写论文，部分是为了展示知识，部分是为了通过练习提升能力。AI既可以辅助，也可以替代这两种功能。
设想一名学生正在准备一份法律备忘录。让AI撰写初稿，可能会消除学生独立组织法律依据的必要性。让它批评一份已完成的草稿，则可能暴露学生遗漏的弱点。
即使第二种使用方式也存在风险。系统可能会虚构反驳论点、歪曲判例，或鼓励不必要的修改。然而，学生在评估这些建议时，仍保持着认知参与。
因此，学校需要让过程可见的作业。教授可以要求提交来源记录、口头答辩、修订历史，或对获准AI使用的简短说明。
这些措施比依赖AI检测软件更具信息价值。检测系统可能产生误报，尤其是在评估程式化写作或第二语言写作时。它们还会鼓励一场规避与执法之间的竞赛。
过程证据既支持教育，也支持学术诚信。能够解释论证为何变化的学生，比只提交润色完美的文字的学生展现出更深的理解。
明确规则同样重要，因为生成式功能如今已出现在搜索引擎、文字处理软件和研究平台中。学生未必总能意识到，熟悉的工具何时已经从纠错转向了写作生成。
Berkeley的明确界线提升了清晰度，但可能将低风险辅助也纳入限制。Columbia的责任标准保留了灵活性，却需要更多解释。UChicago的无设备课堂只在有限场景中创造了可执行的边界。
无障碍仍是另一项关切。AI辅助翻译、编辑或摘要，可以帮助残障学生以及使用第二语言学习的学生。限制这些功能可能施加不平等负担。
学术便利措施可以解决部分情况。不过，学校应区分便利措施与改变被评估技能的优势。
答案取决于作业本身。当英语法律写作是被衡量的能力时，翻译辅助可能并不合适。当作业在另一种情境下衡量议题识别能力时，它则可能是合理的。
法学院还应避免夸大有关认知伤害的证据。研究已对认知卸载提出担忧，即人们将脑力工作委托给外部工具。然而，相关性并不能证明能力必然下降。
其影响很可能因任务、学生经验、提示行为和教学设计而异。要求核验的引导式练习，与让聊天机器人完成一篇论文并不相同。
因此，严格政策应被视为教育干预，而非已得到定论的科学结论。学校需要关于学生推理、记忆、写作和职业表现的比较证据。
同样的怀疑态度也适用于AI素养项目。开设一门课程，并不能证明毕业生能够识别伪造引文、保护客户信息，或判断何时不宜使用自动化。
学校必须直接测试这些能力。学生应在受监督的条件下接触有缺陷的输出、保密场景和模糊的法律依据。
行业变化也太快，无法依靠永久性规则。一条围绕当今聊天机器人界面制定的边界，可能会在生成式辅助功能融入标准软件后变得过时。
持久的原则是责任。学生需要知道自己委托了哪些工作、披露了哪些信息，以及如何核验结果。
法学院的AI禁令本身无法教授这些习惯。不受限制的访问同样无法做到。
2026–2027学年值得关注的事项
下一项考验在于，混合政策能否在不扩大学生与职业实践之间差距的前提下，提升独立推理能力。
第一个信号将来自UChicago的一年级无设备试点。管理者应考察参与质量、教义课程表现、学生留存率和便利措施申请情况。
如果这些指标在未造成重大访问问题的情况下有所改善，那么支持受保护的无设备学习时段的理由将更充分。如果结果保持不变，该政策可能只是取消了便利，却没有带来教育价值。
第二个信号将是Berkeley教师如何运用其授予例外的权力。只有当学生获得有意义、受监督的AI实践机会时，学校的政策才真正构成混合模式。
Berkeley开设的22门法律与技术课程在纸面上提供了充足能力。关键衡量标准在于，这些课程是否向全体学生教授核验、保密和职业问责。
如果AI教学仍集中于技术专业学生群体，更广泛的学生群体或许会带着扎实的传统技能毕业，但实际准备程度参差不齐。
第三个信号将是法学院之间的政策趋同。American Bar Association于2024年发布的一项教育调查发现，各机构当时仍在形成自己的方案。
到2026年，Berkeley、UChicago和Columbia都已超越临时声明。每所学校都已对无AI工作、受监督使用和教师裁量权作出更细致的分配。
其他法学院现在将决定是效仿这些模式，还是构建替代方案。统一的定义将帮助学生理解检索、纠错、生成和自动修订之间的区别。
法院和雇主将影响这些选择。如果律所希望新入职律师能够立即监督 AI 系统，法学院将面临扩大实践教学的压力。
当生成错误进入法律文件时，法官和监管机构可能会推动相反方向。每一次公开失败，都会进一步强化这样一种观点：独立核验必须先于自动化。
持久的变化并不在于法学院已经禁止 AI，而在于它们开始将不借助 AI 的独立推理视为职业训练中应受保护的阶段。
这一阶段必须与学生未来进入的职场保持联系。否则，限制就会变成回避，而非准备。
Berkeley Law 的 AI 政策提供了一项清晰的实验：要求学生独立完成受评估的作业，然后在指定场景中教授 AI。UChicago 和 Columbia 正在测试这种划分的不同版本。
学生在评估任何政策时，都应提出一个实际问题：它是否明确规定了 AI 必须退出的情形，同时也教授如何负责任地使用 AI？可信的答案需要兼顾这两部分。
