Siobahn Day Grady 直面 AI 教育的资金鸿沟

尽管资金体系给予这类院校的支持不足百分之一，Siobahn Day Grady 仍在一所 HBCU 建成了首个 AI 研究院。IEEE Spectrum 的专题报道将她的工作呈现为一项雄心勃勃的努力，旨在让 North Carolina Central University 的所有人都能接触人工智能。更尖锐的问题在于：这一模式能否在其试图弥合的财务失衡中持续下去。

Grady 于 2025 年 1 月成立了 NCCU 的人工智能与新兴研究院（Institute for Artificial Intelligence and Emerging Research，IAIER）。根据这篇 AI literacy profile，该机构此后已覆盖逾 2,800 名学生、教职员工和社区居民。其项目的覆盖范围超越了计算机科学，延伸至社会工作、医疗保健、数字档案等领域。

该研究院早期的覆盖规模，说明应将 AI 素养视为通识教育的一部分。但它对拨款和科技公司的依赖，也暴露出更严峻的限制。科研经费较少的大学必须在师资、算力和筹款资源都不及其他院校的情况下，为学生应对 AI 重塑的就业市场做好准备。

这正是 Grady 工作背后的核心矛盾。一所大学可以让课堂内的 AI 教育普及化，但支撑这种教育的基础设施获取机会仍高度不平等。

Grady 将 AI 实验室发展为全校性研究院

IAIER 将 NCCU 的 AI 战略从面向专家的科研项目，转变为覆盖全校的就业能力与教育计划。

Grady 的规划并非始于这所研究院。她于 2020 年在 NCCU 创立了人工智能与新兴研究实验室（Laboratory for Artificial Intelligence and Emerging Research）。该实验室为学生提供了参与机器学习、人机交互、医疗保健和自主系统等项目的机会。

不过，这一架构仍以科研团队为中心。它能够服务参与其中的学生，并支持选定项目，却无法覆盖每一个院系。2024 年出现 Google 拨款机会后，Grady 开始考虑更广泛的模式。

最终成立的研究院获得了 Google.org 的 100 万美元资助。NCCU 将 IAIER 定位为跨学科教育、研究和负责任 AI 开发的中心。其 institute overview 还指出，它是美国首个设立于 HBCU 的 AI 研究院。

在完成机构审查后，该校董事会于 2025 年 12 月 17 日正式批准 IAIER。这项批准使该组织获得了超越原有教师实验室的正式地位，也让研究院能够协调学术项目、合作伙伴关系、科研资助和社区培训。

这一区别至关重要，因为 AI 素养并不等同于培养计算机科学家。AI 素养意味着了解 AI 系统能够做什么、会在哪些方面失效，以及其输出会如何影响决策。它还包括审视数据来源、识别风险，以及在特定学科中恰当地使用工具的能力。

护理专业学生与信息科学专业学生使用 AI 的方式不会完全相同。社会工作者、档案管理员、教师或商业分析师同样如此。全校性研究院能够将共通基础与各领域的专业标准连接起来。

IAIER 的种子基金项目正说明了这一做法。该研究院在首个已公布批次中，为 11 个项目提供了最高 1 万美元的资助。这些项目涵盖社会工作、医疗保健、数字档案、信息科学和其他领域。

其中一个项目正在为社会工作专业学生开发 AI 支持的模拟实验室。学生可以练习与服务对象互动，而不会将系统视为受督导实地经验的替代品。这一场景使 AI 教育成为有关专业判断的问题，而不只是如何编写提示词。

这比教学生操作聊天机器人更具挑战性。它要求教师判断 AI 何时能改善学习、何时会带来不可接受的不确定性，以及学生应如何记录其使用方式。

IAIER 还组织了 Deloitte、FICO、Anthropic、IBM 和 Google 等公司参与的活动。这些联系让学生了解当下职场的期待，也让教师看到学术界之外不断变化的实践方式。

行业参与也带来自身的张力。企业开发 AI 产品的速度，快于大学修订课程、批准项目和培训教师的速度。因此，大学需要外部知识，但不能让供应商完全按照自身平台来定义 AI 素养。

Grady 的研究院正处于这种张力之中。它利用企业支持扩大参与范围，同时将 AI 教育定位为跨学科的学术责任。该研究院接下来的考验是：随着项目和需求扩大，这种平衡能否维持。

IEEE Spectrum 说明为何 AI 素养正成为通识教育

IEEE Spectrum 的报道清楚表明，AI 素养如今应贯穿整个课程体系，而非局限于单一技术院系。

NCCU 目前尚未设立独立的计算机科学专业，尽管学校正在开发计算机科学本科专业和 AI 辅修项目。乍看之下，这种缺失似乎是不利条件；但它也促使 IAIER 形成了一种不以计算机科学招生为门槛的模式。

如今，每位 NCCU 新生都会通过必修的大学教育课程 UNIV 1100 接触入门 AI 培训。根据 NCCU 的 required AI module，该项目于 2025 年秋季启动，首届学生接近 1,700 人。

该模块采用 IBM SkillsBuild，这是一个提供基础技术培训和认证的在线学习平台。无论计划攻读何种专业，学生都须完成相关学习内容。NCCU 表示，学生还可获得 IBM 及其他合作伙伴提供的导师辅导和实习渠道。

将该模块嵌入必修课程，改变了接受培训的人群范围。选修工作坊通常会吸引原本就对技术感到熟悉的学生；而普遍性要求则能触及那些原本可能认为 AI 与自身工作无关的学生。

这一设计体现了 Grady 的观点：人们已无法将数字系统与日常职业生活分割开来。招聘经理越来越期待毕业生能够评估 AI 辅助完成的工作、与自动化系统沟通，并识别不可靠的输出。这些期待如今早已超出软件开发领域。

然而，基础提示词能力不应是终点。懂得如何请求摘要的学生，并不一定理解幻觉、隐私、版权或内嵌偏见。所谓幻觉，是指生成式模型产出看似合理、但缺乏支持的信息。

因此，AI 素养必须包含核验能力。学生需要将输出与原始材料比对，披露具有实质意义的 AI 协助，并了解何时应将机密信息置于第三方系统之外。

这项工作也涉及知识管理。学生和研究人员在让 AI 解读资料之前，需要可靠的方法来整理源材料。当个人 AI knowledge base 能保留引文，并让论断与证据保持关联时，就能支持这一过程。

教师发展同样变得关键。如果教师没有时间或指导去重新设计评估方式，机构就无法建立共同的 AI 期望。IAIER 已与教师发展团队合作，帮助教育者将 AI 融入课程。

融入并不意味着在每间教室使用同一种工具。历史教师可能聚焦于来源核验；社会工作教师可能考察同意与专业边界；健康研究人员则可能着重于隐私、验证和错误预测带来的后果。

这种学科导向使 IAIER 比一般技术中心更具说服力。它将 AI 视为贯穿多种工作形态的一层能力，同时承认每个职业面临的风险不同。

这一模式也给其他大学带来压力。若将 AI 教学限制在技术选修课中，院校就可能让毕业生带着不均衡的准备程度进入社会。资金更充足的大学可以通过聘请教师、设立专业中心来应对，但规模较小的院校面临更艰难的选择。

NCCU 选择先扩大覆盖面。它在建立高阶研究与学位选项的同时，为每位新生提供基础能力。这一做法很务实，但其质量将取决于持续的教师支持和定期的课程更新。

普惠 AI 接入遭遇不平等的科研体系

Grady 的模式挑战了一种结构性错配：HBCU 被期待培养 AI 人才，却未获得同等份额的科研投入。

历史悠久的黑人学院和大学（HBCU）占四年制授予学位院校的 3.2%。然而，在 2023 财年，它们仅获得联邦高等教育研发支出的 0.91%。

这种差距并非只存在于某一年。根据公开的 federal R&D data，自 2018 年以来，HBCU 平均仅获得联邦学术研究经费的 0.87%。

各机构之间的分配又增加了一层问题。2023 年，在 43 个提供大学科研经费的联邦机构中，有 17 个没有向 HBCU 提供任何资金。这意味着，40% 的参与机构没有对 HBCU 作出任何科研拨款。

两项主要资金来源的分配比例也明显偏低。美国卫生与公众服务部将其学术研究经费的 0.54% 投向 HBCU；美国国防部投向 HBCU 的比例为 0.40%。

这些数字之所以与 AI 相关，是因为科研能力具有累积效应。一笔联邦资助可以支持研究生研究人员、算力获取、行政人员和试点研究。这些资源又能帮助院校竞争下一笔拨款，并吸引更多合作伙伴。

资金有限则会产生相反的效果。教师需要花更多时间准备申请，却获得更少的行政支持；院校难以在两轮资助之间维持实验室运作；学生获得的有偿研究机会更少，而这些机会本可通往研究生学习或技术岗位。

问题并非缺乏相关人才。HBCU 长期服务于在科学和工程职业中代表性不足的学生。当 AI 系统影响到历史上被排除在技术设计之外的社区时，它们的参与尤为重要。

研究者的背景并不能保证技术公平。然而，将院校和社区排除在研究之外，会减少被提出的问题类型，也会缩小能够质疑可疑假设的人才范围。

IAIER 的跨学科资助表明，更广泛的参与能够改变研究议程。社会工作教师看待 AI 的方式不同于模型开发者；档案管理员会发现商业产品团队可能忽视的保存、溯源和呈现问题。

该研究所也为学生提供了一个在进入职场前探究这些问题的场所。研究经历能教会他们如何界定问题、处理证据、检验主张，以及传达不确定性。即使具体的 AI 工具不断变化，这些能力依然弥足珍贵。

企业资助可以帮助填补眼前的缺口，但无法取代持续性的公共投入。企业可能改变其慈善优先事项、重组项目，或终止合作关系。大学则必须在更长的周期内持续支持学生和教职员工。

政府资金同样可能发生变化。联邦研究预算面临政治协商，而聚焦多元化的项目还会受到更多审视。一次性拨款可以带来短期活动，却无法保证资助结束后仍有足够人员和运营支持。

联邦政府于 2025 年 9 月宣布，向 HBCU 和由美国原住民部落政府特许设立的院校提供一次性 5 亿美元投资。这项承诺提供了短期支持，但一次性的结构并未解决长期反复出现的研究资金缺口。

对 IAIER 而言，资金鸿沟使增长本身变成一种风险。成功会吸引更多学生、教师项目、社区需求和潜在合作伙伴。每个新增项目都会增加协调与支持需求，而临时性资助未必能够覆盖这些需求。

Grady 已将资金确定为该研究所可持续发展的最大障碍。这一判断让高参与度所营造的乐观叙事变得更为复杂。触达数千人证明了需求存在，却不能证明这一运营模式能够自我维持。

因此，主要对手并非另一所大学或 AI 实验室，而是“普惠访问”这一承诺与研究能力不平等这一现实之间的鸿沟。

行业合作扩大访问，却不能决定课程内容

科技合作伙伴为 NCCU 提供了宝贵资源，但大学必须保留对“负责任的 AI 教育”究竟意味着什么的控制权。

IAIER 曾与 Google 和 IBM 合作开展培训与认证，也举办过有雇主和 AI 公司参与的活动。这些关系让学生接触到工具、研究人员、职业网络以及潜在的职业发展路径。

该研究所举办了首届在 HBCU 举行的 OpenAI Academy Summit。据 IEEE Spectrum 报道，该活动吸引了来自 40 多所院校的 444 名参与者来到 NCCU。官方的 HBCU summit涵盖教育、劳动力准备、创业和负责任采用等议题。

这种网络价值意义重大。资金充裕大学的学生往往能通过非正式渠道接触来访研究人员、校友和招聘者。在 NCCU 举办活动，能够缩短 HBCU 学生与塑造 AI 就业市场的机构之间的距离。

认证也能让新获得的技能变得可见。没有技术专业背景的学生，可能会从能够证明其接受过基础训练的认可证书中受益。然而，只有当雇主理解这些证书衡量的是什么时，认证才真正有用。

AI 素养可能沦为一系列厂商徽章，这存在风险。徽章可以证明课程完成情况，却不能体现学生是否能够质疑输出结果、保护敏感数据，或识别不适当的应用场景。

以厂商为中心的教育也可能很快过时。产品界面、模型名称和订阅条款都会变化。学生需要可迁移的概念，在首选工具改变后仍然适用。

因此，大学必须区分产品熟悉度与持久素养。产品熟悉度帮助学生高效使用当前系统；持久素养则帮助他们评估未来系统，并识别反复出现的问题。

同样的原则也适用于教师研究。企业支持可以为实验提供资金和技术访问权限，但研究问题不应完全依赖某家公司的商业路线图。当学者研究偏见、劳动影响、隐私或系统故障时，独立探究至关重要。

IAIER 的跨学科结构在一定程度上防范了狭隘的厂商思维。其项目从社会工作、档案管理等领域内部的问题出发，技术服务于研究问题，而非由技术来定义问题。

不过，该研究所对外部合作伙伴关系的依赖确实带来了合理的不确定性。公开报道的参与人数并未揭示有多少学生完成了持续性培训，也无法说明毕业生离开 NCCU 后是否有效运用了这些技能。

关于就业结果、研究生产力或教师实践变化，已发表的纵向证据很少。对于一个年轻的研究所而言，这种缺失可以理解，但它限制了对该模式有效性的广泛主张。

关键问题并不是 IAIER 是否已经解决了 AI 访问不平等。它尚未拥有足够的时间、资金或已发表的成果数据来支持这一结论。真正的问题是，其早期设计是否正在带来可衡量的进展，并且能够被其他院校复制。

有价值的评估应将活动出席与更深层次的参与区分开来。它应追踪课程完成情况、研究参与、实习、认证、研究生去向，以及学生验证 AI 输出结果的信心。

评估还应考察大学内部究竟是谁受益。面向所有新生的培训创造了广泛的起点，但高级机会仍可能集中在拥有更多时间、既有经验或教师人脉的学生身上。

教师能力构成另一项限制。种子基金可以启动有前景的项目，但研究人员还需要时间、技术支持和后续资金。否则，试点项目在完成初步展示后便会消失。

这些担忧都不能否定 Grady 的策略。它们界定了仍需补充哪些证据。该研究所已经证明，HBCU 可以组织一项具有影响力、覆盖全校的 AI 计划。但它尚未证明，在早期资助结束后，这一模式能否保持稳定。

三个信号将显示该模式能否持久

IAIER 的未来将取决于持续的基础设施、可衡量的学生成果，以及能否在一个校园之外实现复制。

第一个信号是 NCCU 为该研究所建设专属实体空间。Grady 向 IEEE Spectrum 表示，IAIER 计划于 2026 年秋季启用其首个专属校园设施。NCCU 曾介绍，这座用于学习和研究的建筑总面积约为 5,000 平方英尺。

实体中心将为学生和教师提供一个稳定场所，用于项目开展、指导、培训与协作。它也将表明，大学正将 IAIER 纳入自身运营，而不是将其视为一项临时资助计划。

仅有设施并不能证明可持续性。关键细节包括人员配置、设备、计算资源、运营资金，以及其能够支持的项目数量。没有持续资源支撑的建筑，将削弱该研究所更广泛的主张。

第二个信号是 NCCU 计划中的计算机科学专业和 AI 辅修项目能否启动并得到采用。这些项目将把普及性的入门培训与更深入的学术路径连接起来。

招生和完成数据比宣布本身更重要。强劲需求将表明，广泛的 AI 接触能够鼓励学生追求高阶学习；如果进阶比例偏低，则可能意味着入门培训需要更有力的学业指导、先修课程或经济支持。

成果不应局限于技术专业。IAIER 的独特主张在于，AI 应融入各个学科。因此，研究人员应观察有多少院系开设 AI 相关课程、教师如何使用种子基金，以及跨学科项目能否在试点阶段之后持续推进。

第三个信号是 NCCU 的做法能否在其他地方被复用。Grady 曾表示，她希望建立一个框架，帮助 HBCU 和其他大学建立类似项目。

复制将强化这样一种判断：IAIER 所代表的不仅是一位成功领导者或一笔资助。它也将检验哪些要素能够跨越课程设置、学生群体和行业关系不同的院校而转移适用。

一个可重复的框架需要明确最低要求。大学需要获得有关教师发展、负责任使用政策、学生评估、研究治理、雇主参与和可持续资金的指导。

它也必须为地方优先事项留出空间。农村院校可能聚焦农业或医疗服务可及性；城市大学则可能强调公共管理、交通运输或社区创业。

在未来数月中，这三个信号应能厘清该研究所的发展轨迹。配备人员的设施将夯实其制度基础；不断扩展的学术路径将展现更深层次的学生需求；其他大学的采用将支持 Grady 关于该模式可推广的主张。

任何一个信号未能实现，都不会抹去该研究所的早期工作。然而，设施延迟、进阶不足或缺乏复制，都将揭示由资助支持的热情如何遭遇组织能力的边界。

IEEE Spectrum 的报道描绘了一位推动高等教育迈向更广泛 AI 准备定义的领导者。Grady 最具影响力的观点并非每位学生都需要成为程序员，而是每位学生都需要具备足够的理解能力，去质疑、引导并验证自动化系统。

这一观点对学生、雇主和大学都具有实际影响。雇主应超越工具特定的徽章，询问候选人如何评估 AI 辅助完成的工作。大学应衡量持续学习，而不只是出席人数。学生则应将验证能力和领域判断视为核心技能。

这个故事也将责任置于资助者身上。若联邦学术研发资金中流向 HBCU 的比例仍不足百分之一，那么要求 AI 劳动力具有更强代表性就很困难。

读者应关注初期热度消退后的发展。IAIER 是否获得持续支持、发布有意义的成果，并帮助其他校园建立可比项目？这些结果将决定，普及性 AI 素养究竟会成为一项制度承诺，还是仍依赖于杰出领导者去追逐临时资金。

Grady 已经证明了需求的存在。下一步取决于大学、雇主、公共机构和科技公司。它们必须决定，AI 素养是否是一项共同的教育优先事项，并据此提供资金支持。