GW 的校园 AI 计划从梳理迈向执行

乔治·华盛顿大学在一项历时八个月、共有 49 名教职员工参与的评估完成后，已将其校园 AI 倡议推进至第二阶段。这项公告登上了 Google News，但重要进展并不在于其曝光度。GW 现在必须将对人工智能活动的广泛盘点，转化为有关教学、研究、运营、资金和机构问责的决策。

该大学于 2025 年 12 月启动 AI@GW 梳理工作。三个工作组对 23 个学院和单位的研究、教育及行政运营进行了考察。其工作最终形成了一份于 2026 年 8 月发布的报告，旨在支持覆盖全校的 AI 战略。

这比再发布一套原则带来了更严峻的考验。GW 已具备负责任使用指引、跨学科研究社群以及获得大量外部资助的 AI 项目。它面临的挑战是，将这些要素整合为一种运营模式，同时不强迫每个学科都遵循同一套规则。

因此，核心张力在于承诺与执行之间。梳理报告可以识别机会与担忧，但它不会分配资源，也无法证明 AI 支持的工作流程能够改善学习。它同样无法确定教师、员工和学生是否会信任代他们选择的系统。

其他大学也面临相同问题。有些学校已推出面向全体的商业聊天机器人，或建立由机构管理的 AI 中心。另一些学校仍将重点放在课堂限制、学术诚信与隐私上。GW 选择了一条治理优先的路径，这可能带来更好的决策，但也可能在非正式采用仍持续推进时延长规划阶段。

AI@GW 报告结束探索阶段

GW 已完成一项机构层面的盘点，而非一项最终完成的 AI 战略。

AI@GW 梳理工作始于一个务实的问题：人工智能目前已在哪些方面影响大学？GW 围绕研究、教育和运营展开这一调查，而非将 AI 视作一个孤立的信息技术项目。

研究组将 AI 同时视为研究对象，以及贯穿整个研究过程所使用的工具。这一范围还包括研究人员和行政人员为高效、负责任地使用 AI 所需的支持。

教育组考察了毕业生将需要的技能，以及 AI 改变教学的方式。该组还考虑了面向负责这一转变的人员提供的工具、培训及其他支持。

运营组研究了工作流程机会，同时评估成本、能源使用、实施风险和员工支持。这一点很重要，因为行政 AI 往往不像学生使用聊天机器人那样受到公众关注。采购、财务处理、沟通和科研管理仍可能带来严重的隐私或问责问题。

GW 表示，来自 23 个学院和单位的 49 名教职员工参与了这些工作组。这种广度赋予报告比仅由中央技术办公室起草的政策更强的机构正当性。

该流程也遵循明确的时间表。GW 于 2025 年 12 月公布这项工作，1 月招募工作组参与者，并在 2 月开放更广泛的意见征集。分析于 3 月启动，初步报告则在 4 月和 5 月提交给利益相关方。

8 月报告为 GW 所称该倡议的下一阶段奠定了基础。该阶段涉及规划具体行动，而不是继续梳理现有活动。

当一项公告通过 Google News 传播并被压缩成标题时，这一区别很容易被忽略。该大学尚未宣布一款全校聊天机器人、一项强制性课堂规则，或一项采购决定。它完成的是让这些选择更具一致性所需的前期工作。

这是一项有意义的变化，因为分散式试验会造成机构盲区。一名测试语言模型的教授、一支构建 AI 系统的研究团队，以及一名自动化文件审查的行政人员，面临的风险各不相同。但三者都可能涉及大学数据、知识产权、无障碍性和公众信任。

一张共享地图可以揭示重复支出、不兼容的规则和被忽视的支持需求。它也能识别可能被困在单一院系内部的有价值项目。

该报告并未证明 GW 已解决这些问题。它确立了一个共同起点，供领导层据此确定优先事项。下一阶段将由后续决策来评判，而非盘点的完整程度。

为什么 GW 的 AI 战略此刻至关重要

在 AI 使用已扩散至课堂、实验室和办公室之际，大学必须设定共同边界。

GW 启动这项工作时，面向公众的生成式 AI 工具已经改变了日常学术工作。生成式 AI 是指根据用户指令生成文本、图像、音频或代码的系统。这些系统可以加快起草和分析，但也可能生成错误信息或不当处理敏感数据。

等待技术趋于稳定并不是可行的机构政策。产品、模型能力和商业条款的变化速度快于大学常规评审周期。学生和员工无需中央部署即可使用许多工具。

这首先给教师带来压力。他们必须判断，借助 AI 完成的提交内容究竟属于正当支持、被禁止的外包，还是介于两者之间的情形。答案往往取决于学习目标，无法被简化为一项全校统一的禁令。

写作教师可能允许头脑风暴，但要求学生记录修订过程。一门计算机科学课程可能评估学生审查 AI 生成代码的能力。医学项目则可能实施更严格的控制，因为不准确的输出可能带来不同等级的风险。

研究团队面临另一组决策。他们需要考虑，外部模型是否可以接收未发表的研究发现、参与者信息、授权数据或与资助相关的文件。研究人员还需要记录 AI 协助的方法，以确保结果保持可复现和可审查。

行政人员也面临类似压力，只是围绕其工作的公开讨论较少。摘要工具可以节省时间，但同一条提示词也可能暴露雇佣记录、合同草案或学生标识信息。当工作流程出错时，自动化还可能模糊究竟由谁作出了决定。

GW 现有的行政 AI 指引回应了其中若干关切。该指引要求员工使用获批工具，在输入数据前对其进行分类，让人工对最终决定负责，并披露重要的 AI 协助。

该指引区分公开、受限和受监管数据。受监管信息包括受 FERPA 或 HIPAA 等法律保护的记录，而受限数据可以包括内部计划、合同和通信内容。

这些规则确立了基线，但实施所需的不只是发布一个页面。员工需要知道每一数据类别获准使用哪些工具。管理人员需要审查新使用场景的流程，而大学则需要一种随着供应商变更其系统而更新批准的机制。

GW 的 AI 战略正是在这里面临即时压力。如果中央审查过于缓慢，人们将使用未经批准的消费级工具。如果批准过于宽松，大学可能暴露敏感信息，或在没有价值证据的情况下采用系统。

更广泛的高等教育环境强化了这种紧迫性。一项 EDUCAUSE 劳动力研究于 2025 年末收集了 1,960 份符合条件的高等教育从业者回复。其覆盖范围反映出，AI 如今已影响整个机构的工作，而不只是学生作业。

另一项评估研究于 2026 年 3 月收集了 438 份直接参与学习评估人员的回复。该研究考察从业者如何改变评估方式，而不只是记录他们对 AI 的看法。

这些研究并不能证明某一种校园模式在所有地方都行得通。但它们表明，为什么大学不能将 AI 决策完全交由个人试验。GW 的规划流程已经到达一个节点：共享的机构支持必须变得可见。

Google News 的关注无法取代校园治理

核心竞争在于协调一致的治理模式，与由便利性驱动的碎片化采用之间。

Google News 上的一个标题可能会让 GW AI 的下一阶段看起来像是一场传播活动。然而，在大学内部，困难的工作关乎权责。必须有人决定由谁批准工具、由谁承担访问费用、由谁评估结果，以及当系统造成伤害时由谁回应。

协调模式以共同原则为起点，并将决策分配给了解各自情境的人。中央办公室可以管理采购、网络安全、隐私和供应商审查。学院和院系则可以界定可接受的学术与专业使用方式。

这种平衡并不容易。过度的中央控制可能产生忽视学科需求的规则。完全的去中心化则可能造成保护措施不一致和访问机会不平等。

GW 的梳理结构隐含地认识到了这一问题。其三个工作组区分了不同领域，同时将它们与一个大学框架相连。该模式将 AI 视为一种机构系统，而不是一次单一产品采购。

该大学还为这项工作带来了一个成熟的可信赖 AI 研究社群。GW 将可信赖 AI 描述为连接技术设计、治理以及系统使用场景的工作。

2026 年 4 月，GW 宣布其Trustworthy AI Initiative将承担更广泛的研究使命。该大学表示，这个由教师主导的社群已发展至超过 100 名研究人员，并代表了一种跨学科协作模式。

该倡议为 GW 提供了相关专业知识，但研究领域的突出地位不会自动转化为有效的内部治理。一所大学可以研究问责，同时仍在自身的采购流程、培训项目和课堂政策上举步维艰。

同样的区别也适用于资金。GW 参与了名为 TRAILS 的 Institute for Trustworthy AI in Law and Society，该机构获得了 2,000 万美元联邦拨款。该大学还提到一项由美国国家科学基金会提供、聚焦可信赖 AI 系统的 300 万美元研修资助。

这些奖项支持研究和教育。它们并未规定每一个行政单位应如何购买或使用生成式 AI 服务。

GW 协调路径的对手并非另一所大学，而是碎片化采用。当学生、教师、研究人员和员工因眼前任务看起来比机构审查更紧迫而各自独立选择工具时，这条路径便会出现。

碎片化采用可以推进得很快，但也可能让同一个问题出现多个版本。不同部门可能为功能重叠的服务付费、执行相互冲突的信息披露规则，或对数据限制作出不同理解。

不平等的访问权限也是另一项担忧。一些用户可以付费使用高级服务，另一些人则只能依赖功能有限的版本。预算更充裕的部门能够购买机构级产品和培训，从而为学生和员工造成不均等的条件。

如果 GW 有意识地为访问和支持提供资金，协调一致的模式可以缩小这些差距。若战略宣示了共同目标却没有提供共享资源，它也可能加剧这些差距。

因此，大学需要人们真正能够使用的治理机制。审批流程应易于理解，培训应匹配具体角色，决策的到来应足够及时以影响行为。

这一原则同样适用于个人知识工具。学生和知识工作者常常在彼此割裂的服务中收集笔记、文档和 AI 输出。本地化组织的 AI 第二大脑可以改善检索体验，但用户仍需要关于受保护大学信息的明确规则。

GW 的下一阶段只有在安全行为同样是便捷行为的前提下才能成功。要求付出过多精力的政策，终将输给为即时采用而设计的消费级工具。

映射报告仍未证明什么

广泛参与为 GW 提供了可信的起点，但该报告尚未证明其能带来更好的学习、更安全的工作或更负责任的支出。

第一项不确定性涉及成效。绘制当前使用情况可以揭示哪些领域存在相关活动，但无法说明这些活动是否提升了研究质量、学生学习或行政绩效。

大学需要为每种使用场景制定合适的衡量指标。节省时间对重复性行政工作可能很重要，但对于教学而言并不充分。一种帮助学生更快完成任务的工具，如果取代了作业原本旨在培养的推理过程，仍可能削弱学习效果。

评估需要格外谨慎。教师需要能够区分有效辅助与认知卸载的方法；后者是指系统替学生完成了他们本应练习的思考。这一区别会因学科和课程层级而变化。

第二项不确定性涉及证据质量。许多商业 AI 产品变化频繁，使传统的多年期评估变得困难。在采购期间接受评估的模型，可能在供应商更新后表现不同。

GW 可以通过持续审查而非一次性批准来应对这一问题。高风险系统需要有记录在案的负责人、明确的使用范围、事件报告机制，以及在条件发生变化时暂停使用的流程。

第三项不确定性涉及数据治理。GW 已发布的指导意见警告，不得在未获得正确批准的情况下将非公开信息输入工具。要把这一规则落实到日常实践中，需要详细的工具分类和实用示例。

研究人员可能理解患者记录具有敏感性，却仍不确定在移除身份标识后，访谈笔记是否安全。行政人员可能不知道内部预算草案能否输入获批的助手。模糊性会鼓励冒险使用，或导致完全回避。

第四项不确定性涉及透明度。GW 要求员工披露重要的 AI 辅助，包括内容创作和会议期间的辅助。大学仍需对何时必须披露以及披露应包含哪些信息形成一致预期。

披露不足会掩盖系统的影响；披露过多则可能形成用户忽视的文书负担。有用的透明度应帮助他人了解工具做了什么，以及谁核查了结果。

第五项不确定性涉及人工监督。要求由人审查输出结果听起来令人安心，但审查质量取决于专业知识、时间和获取证据的能力。一名匆忙批准数百条模型生成建议的员工，并不构成有意义的监督。

GW 应将监督定义为一项积极责任。审查者必须理解任务、能够质疑输出结果，并拥有拒绝该结果的权力。高影响决策应保留记录，说明结论是如何得出的。

第六项不确定性涉及学术自由和本地自主权。教师需要有空间设计适合其学科的教学。学生也需要在不同课程之间获得可预期的要求。

一项可行的战略应设定大学层面的基线，同时允许教师规定更严格或更宽松的课堂规则。这些规则应清晰呈现在课程材料中，并与作业的学习目标相联系。

第七项不确定性涉及社区同意。映射工作通过工作组、问卷和焦点小组收集了意见，但实施将带来新的决策。受这些决策影响的人需要持续提出关切的渠道。

这很重要，因为可信 AI 并非采购期间贴上的永久标签。信任取决于系统的表现、人们能否对其提出质疑，以及大学在伤害出现时是否作出回应。

国际指导意见支持这种审慎态度。UNESCO 的教育 AI 指导意见强调数据隐私、以人为本的验证以及恰当的教学设计。它还警告，产品开发可能快于机构和国家层面的监管。

这些不确定性都不会否定 GW 的 AI 战略。它们界定了报告发布后才刚刚开始的工作。大学应避免将映射阶段表述为实施已经成功的证据。

GW 的可信 AI 优势伴随着更高门槛

GW 的研究优势为其提供了可信基础，但也让薄弱的内部实施更难被原谅。

大学并非从零起步。其可信 AI 工作横跨工程、法律、政策、教育、健康及其他学科。这一跨学科基础契合校园 AI 决策的本质。

技术审查可以检验安全控制、可靠性和系统行为。法律和政策专家可以审查隐私、歧视、采购和问责。教育工作者则可以评估工具是否支持学习目标。

这一组合在华盛顿特区尤其相关，GW 在这里将学术工作与政府、民间社会和公共政策相连接。大学可以研究机构 AI 选择如何与监管和公众信任相互作用。

GW 还将其研究定位建立在技术开发与治理之间的桥梁上。许多 AI 项目主要专注于构建算法或分析伦理问题。GW 认为，其优势在于将设计选择与可行的监督机制相连接。

这一主张与映射工作相契合。教学、研究和运营都将技术系统与人类机构结合起来。聊天机器人的模型架构固然重要，但输入其中的数据、它所影响的决策，以及负责审查其输出的人，同样重要。

除非这些联系体现在实施中，否则大学的优势仍将停留在理论层面。GW 应能够解释为什么批准某项工具、哪些证据支持这一选择，以及将如何监测结果。

它还应能够明确哪些用途不会推进。可信的战略不是一份可能性的目录，而是一组反映机构能力和风险的优先决策。

对于研究而言，这可能意味着共享评估资源、安全计算环境，以及对记录模型使用情况的支持。它也可能意味着更清晰的规则，以保护未发表的工作和参与者数据。

对于教育而言，优先事项可能包括教师发展、作业重新设计、AI 素养和公平访问。AI 素养是指使用这些系统时，同时能够评估其证据、局限性和影响的能力。

对于运营而言，GW 可以从员工能够核验结果的边界明确任务开始。起草常规文案或整理公开信息，与作出录取、雇佣或财务决策相比，具有不同的风险特征。

大学应避免将采用规模等同于进步。更多提示词、许可证或自动化工作流，并不自动意味着更好的结果。

可信的方法应当奖励有记录的价值。如果一个系统节省了时间，领导者应确定这些时间被投入到哪里。如果它改善了访问，大学应衡量谁从中受益，以及谁仍被排除在外。

GW 还必须为失败做好准备。模型会生成错误陈述、复制偏见，并表现出不一致性。成熟的战略会假定事件终将发生，并明确用户如何报告它们。

该机构公开的研究定位在这方面提高了预期。GW 无法一边在其他场合倡导可问责的 AI，一边将其内部系统视为普通的软件采购。

这并不意味着每一次部署都需要一个学术研究项目。它意味着审查程度应与后果相匹配。低风险实验可以快速推进，而影响权利、机会或受监管数据的系统则需要更强的控制措施。

映射报告为 GW 提供了明确阐述这一比例方法的机会。如果做到这一点，大学可以为同行提供一个有用的范例。如果只产出宽泛原则，其研究声誉反而会让这种差距更加明显。

三个信号将显示下一阶段是否奏效

接下来的三个月应当揭示，GW 是在构建一套负责任采用的操作系统，还是在延长规划流程。

第一个信号是一份具体的实施路线图。大学应明确负责领导者、优先项目、决策日期，以及分配给各领域的资源。

路线图将强化这样一种论点：映射工作已经形成了共同战略。又一次没有责任归属或里程碑的笼统公告，则会削弱这一论点。

最有用的路线图应将近期行动与长期目标区分开来。它应展示哪些项目支持研究、教育和运营，同时指出任何跨越这三个领域的工作。

第二个信号是可用的治理路径。教师和员工应知道如何提出 AI 使用场景、由哪个办公室审查、需要哪些证据，以及决策大约需要多长时间。

这一路径应连接采购、网络安全、隐私、无障碍、学术政策和数据治理。用户不应被迫自行穿梭于这些办公室之间。

清晰的工具分类将强化协调模式。持续的模糊性会继续将采用推向非正式渠道，无论 Google News 上出现什么内容。

第三个信号是来自实际使用的证据。GW 应发布范围明确的案例，展示选定工具如何影响学习、研究或工作。这些案例应包括局限性和失败的实验，而不只是成功故事。

对于教学，证据可能涉及一项作业是否支持了更深入的学习，以及教师如何验证这一结果。对于运营，它可能比较受控试点前后的审查时间和错误率。

对于研究，证据可能展示安全工作流如何帮助学者在保护未发表材料的同时分析信息。大学应避免发布敏感细节，但可以说明评估方法。

这些信号比校园内可用 AI 产品的数量更重要。它们检验 GW 的 AI 战略能否在保留判断力和问责的同时协调行动。

学生应关注课程要求是否更加明确、能否使用获批准的工具，以及是否提供超越提示词技巧的培训。教师则应关注是否能获得尊重不同学科差异的实用支持。

研究人员应关注安全的基础设施、文档规范，以及适应不断演进模型的审查流程。行政与支持人员应关注针对具体岗位的培训，以及在工作流程重构中拥有可信的发言权。

技术供应商同样应予以关注。高校日益需要能够支持机构身份识别、访问控制、审计记录、数据隔离和可预测行政管理的产品。

GW 的做法提出了恰当的初始问题，尤其是将研究、教学和运营视为相互关联但彼此不同的领域。其由 49 名成员参与的梳理过程，为领导层提供了一份扎实的校园需求记录。

接下来的阶段必须让取舍变得清晰可见。领导层需要决定哪些应用值得投入，哪些需要更严格的保障措施，以及哪些应继续排除在机构实践之外。

通过 google news 看到这项公告的读者，不应止步于标题。这个故事并不只是又一所大学拥抱了人工智能，而是 GW 已完成对一场复杂转型的梳理，并承担起管理这场转型的责任。

即将发布的路线图、治理流程和试点证据，将显示这种责任是否会转化为行动。请关注这三个信号，然后提出一个直接的问题：GW 的实施是否让负责任地使用 AI 变得更容易，还是仅仅让人更容易找到该机构的意图？