William & Mary 的 AI 辅修课将伦理置于考验之中

William & Mary 凭借一项 19 学分的人工智能辅修课重新进入 Google News 的视野，但真正的考验在于：伦理能否在技术训练中得以保留。

该校于 2025 年 9 月通过其计算、数据科学与物理学院推出这一项目。辅修课面向所有专业的学生开放，而不只是未来的软件工程师。这种广泛性也带来了核心张力：AI 伦理必须成为一门实践性学科，而非装饰性的文科要求。

这一时间点也需要澄清。该公告在 2026 年 8 月再次出现在信息流中，但项目本身并非于 8 月启动。校方最初于 2025 年 9 月 12 日发布公告。通过聚合平台发现这则消息的读者，很容易忽略这一差别。

这个日期很重要，因为 William & Mary 现在已与最初公告拉开足够距离，可以面对更棘手的问题。课程承诺涵盖编程、统计学、机器学习、负责任使用以及跨学科应用。下一阶段必须证明，这些内容是否真正改变了学生构建和评估 AI 系统的方式。

Harvard 的 Embedded EthiCS 项目提供了一个有价值的历史参照。它让哲学家进入计算机科学课程，使伦理推理能在学生作出技术决策的现场与之相遇。William & Mary 正在推进的是更广泛的辅修项目，但挑战相似：在设计选择固化之前，将价值观与实施实践连接起来。

Google News 标题未提及的内容

公告描述了一条新的学术路径，但课程体系显示，该项目在计算领域的根基比在哲学领域更深。

William & Mary 的 AI 辅修课程要求修满 19 学分。四门核心课程涵盖入门编程、离散结构、研究设计与统计学，以及应用机器学习。这些要求共同构成了扎实的技术基础。

随后，学生至少须从受限选修课中选择六个学分。已公布的课程选项包括神经网络、大语言模型、数据挖掘、可信 AI、生成式 AI、强化学习、贝叶斯推理和基于智能体的建模。这份课程清单为学生深入技术学习提供了多种路径。

学校表示，该辅修课还融入了对伦理和社会影响的批判性思考。其启动公告进一步指出，涉及隐私、公平以及 AI 更广泛影响的内容将贯穿整个课程体系。

这一区别十分重要。独立的伦理课程可能将道德问题与产生这些问题的工程决策隔离开来。嵌入式教学则可以将这些问题与模型选择、数据收集、评估、部署和故障分析联系起来。

不过，公开要求并未具体说明如何评估这种整合。课程名称揭示了学生学习的内容，却无法表明伦理推理是否会影响项目评分或系统设计。它们也没有说明所有课程共同采用哪些学习成果目标。

这一缺口并不能证明伦理只是流于表面。它指出了读者仍需看到的证据。课程体系可以承诺负责任的 AI，同时却让每位教师以不同方式诠释这一承诺。

最初的辅修项目公告将该项目定位为兼具实践性与反思性的课程。计算学院院长 Doug Schmidt 表示，AI 正在改变艺术、历史、法律和商业等领域。他将该辅修课描述为可与任何专业相辅相成的项目。

这一说法解释了为何该项目的新闻价值不限于一所校园。大学正在决定，AI 应归属于计算机科学、融入所有学科，还是置于独立的跨学科空间。William & Mary 的答案结合了这三种路径。

该辅修课设在计算学院内，接纳来自全校各专业的学生，并承诺关注对人的影响。其所属机构提供技术深度；开放招生带来跨学科广度；其伦理承诺旨在防止任一特征沦为缺乏批判性的工具训练。

Google News 可以将这种安排压缩成一个关于计算机科学与哲学相遇的标题。实际项目更为复杂。它的正式核心强调编程、数学推理、统计学和机器学习，而其伦理定位则取决于这些内容如何在各门课程中落实。

因此，这项辅修课与其说是一个完成的答案，不如说是一场正在进行的制度实验。William & Mary 已界定了结构。教师和学生的工作将决定，这一结构究竟会培养出具备技术素养的批评者、具有伦理警觉的建设者，还是仅仅多了一项 AI 资历的毕业生。

为何大学在规则尚未明朗前就已行动

William & Mary 正在回应学生需求与制度变革，而 AI 工具、政策和职业预期仍未尘埃落定。

该校并非孤立地创建这一辅修项目。William & Mary 在 2023 年末获董事会批准后成立了计算、数据科学与物理学院。该学院于 2025 年启用，将应用科学、计算机科学、数据科学和物理学整合为一个学术单元。

需求早已朝这一方向发展。该校 2023 年的一份报告称，十年间计算机科学和物理学学士毕业生总数增长超过 206%。其数据科学项目也在 2017 年推出辅修、2019 年推出主修后持续扩张。

William & Mary 于 2025 年初获得 Carnegie Classification 的 R1 认证，跻身研究活动极高的院校之列。该校的 AI 政策报告将这一地位与更强的研究能力、潜在合作伙伴关系和计算基础设施联系起来。

这些变化促使学校必须提供的不只是零散选修课。学生需要一条贯穿先修要求、技术方法和应用问题的清晰路径。教师则需要一套共同方式，在不让课程体系僵化地围绕某一代工具的前提下，讨论 AI 的适当使用。

学校于 2024 年秋季成立人工智能政策倡议，以应对这一更广泛的问题。成员来自哲学、计算机科学、数据科学、商学、教育、法律、信息技术和学术管理领域。

该倡议的 AI 政策任务涵盖课堂使用、研究指导、数据管理、大学运营和持续治理。其最终建议应于 2025 年 7 月 1 日前提交给管理层。

这项政策工作之所以重要，是因为 AI 课程运行于一个已在应对学术诚信问题的机构之中。学生必须区分辅助与替代。教师必须决定生成式系统何时推动学习目标，何时绕过学习目标。

这些问题无法仅靠检测软件解决。它们需要就作者身份、披露、隐私、证据以及作业目的作出判断。哲学可以帮助厘清这些价值观，而计算机科学能够揭示系统实际在做什么。

雇主也带来了另一种压力。组织日益需要能够使用 AI 工具、测试其输出、识别不安全应用，并向非技术同事解释其局限性的人才。单纯熟悉工具很快就会过时，因为界面和模型都在变化。

因此，一项持久的课程必须培养可迁移的判断力。学生应知道如何追问模型优化的目标是什么、其数据来自何处、性能如何衡量，以及哪些群体承担失败的代价。

William & Mary 的课程通过统计学和机器学习支持了这一目标的一部分。这些学科帮助学生理解不确定性、评估，以及预测与解释之间的差异。伦理随后可以将这些概念与责任和可接受风险联系起来。

该校还正在其跨学科研究文学学士项目中开发应用人工智能主修方向。这一举措表明，该辅修课并非对生成式 AI 热潮的一次性回应，而是更大学术战略的一部分。

Google News 的曝光可以为这一战略带来关注，但关注也增加了举证责任。其他大学可以迅速复制课程名称。真正站得住脚的差异，将来自学生产出的成果、教师评估它们的方式，以及伦理部分是否改变了技术选择。

计算机科学与哲学必须共同作出决策

主要冲突并非技术与人文学科之争，而是整合式判断与开发完成后才附加的伦理之间的区别。

计算机科学课程教导学生将目标转化为形式化系统。这项工作涉及抽象、测量和优化。每一步也都隐藏着选择：什么被纳入考量、什么被忽略，以及谁的利益塑造了目标。

哲学为学生提供审视这些选择的方法。伦理理论区分后果、义务、权利、美德和关系。认识论考察什么构成知识，以及何时能够合理地确信。心灵哲学则检验关于智能、能动性和理解的假设。

任何一个领域单独存在都不足够。若哲学批评误解系统架构，可能会针对想象中的能力发难。若技术分析回避规范性问题，则可能以令人印象深刻的精确度优化一个有害目标。

最好的跨学科教学，会让学生在这些层次之间反复切换。设计招聘模型的团队不应只在测量准确率后才讨论公平性。它应界定决策情境、识别受影响群体、检查代理变量、选择评估指标，并建立申诉程序。

健康应用会产生不同的义务。假阴性和假阳性可能带来不对等的后果。即使模型表现良好，隐私风险仍可能持续存在。技术上可接受的平均值，可能掩盖某个较小群体的糟糕结果。

大语言模型又带来一组新的问题。其流畅的输出可能掩盖事实错误和不确定的推理。学生既需要关于训练和评估的技术知识，也需要对证词、证据、作者身份和信任保持哲学上的严谨。

正是在这里，嵌入式伦理比一般讨论课程提出了更高要求。学生必须将伦理分析视为系统规格的一部分。他们必须在部署前记录权衡，并在证据变化时重新审视这些权衡。

Harvard 的 Embedded EthiCS 模式展示了一种建立这种联系的方法。该项目通过哲学家与计算教师的合作，将伦理模块整合进现有计算机科学课程。

William & Mary 无需完全复制这一模式。其博雅教育环境使其能够在政府、商业、生物学、历史、心理学、法律和艺术等领域构建更广泛的组合。然而，广度也可能带来协调问题。

金融专业学生和计算机科学专业学生进入该辅修项目时，可能具备不同的技术基础。生物学专业学生可能更关注研究有效性和对患者的影响。艺术专业学生则可能聚焦于同意、署名和创意劳动。

核心课程必须为这些学生提供足够的共同词汇，以便协作。入门编程让学生直接体验形式化指令。统计学解释证据与不确定性。机器学习展示数据和目标如何塑造模型行为。

伦理推理应当贯穿这些课程，而非与它们并列存在。学生可以使用一套通用框架来识别利益相关者、明确危害、记录不确定性，并为部署决策提供理由。教师随后可以在多个项目中评估这些能力。

William & Mary 的哲学系已在支持相关工作。其 Ethics for Data & Computing 专业方向帮助哲学专业学生审视数据、人工智能、科学假设以及相互竞争的价值理论。这一既有能力可支持更深入的协作。

然而，公开的辅修要求并未在四门核心课程中列出专门的哲学课程。这并不意味着哲学家没有参与该项目。但这确实意味着，该校应说明他们的专业知识如何进入必修教学。

真正融合的辅修项目需要明确的共同主导。哲学家应影响技术作业的设计，计算学科教师也应塑造哲学案例研究。学生应接触不同学科之间的分歧，而不是只接受一套获认可的术语体系。

这种摩擦很有价值。工程师往往需要精确的阈值和操作性定义。哲学家则经常指出，为什么这些定义排除了具有道德相关性的细节。由此产生的论辩可以带来更好的系统和更诚实的边界。

对学生而言，实用能力并不是背诵一份 AI 原则清单，而是学习如何在准确性、隐私、可及性、自主性和问责制彼此冲突时，为一项决策辩护。

伦理承诺仍需证据支撑

除非学生必须通过经过评估的技术工作展示伦理推理能力，否则“负责任 AI”这一标签意义有限。

大学有强烈动机为 AI 项目附加伦理语言。这些词语能让家庭、雇主、教师和机构领导者感到安心，也能将学术教育与短期商业培训项目区分开来。

风险在于“伦理漂白”：组织宣示宽泛原则，却不改变实际运营决策。在课程体系中，当伦理只出现在阅读材料和讨论中，却几乎不影响项目要求或成绩时，就可能发生这种情况。

William & Mary 表示，隐私、公平和更广泛影响已融入每门课程。这是一项雄心勃勃的承诺，应以评估编程熟练度或统计推理同等严肃的方式加以检验。

评估提供了最清晰的检验方式。学生可以被要求制作模型卡、数据文档、风险登记册、利益相关者分析或事件响应计划。他们还可以比较相关群体之间的表现，并说明为何所选指标适用于该使用场景。

这些成果物无法解决每一场伦理争议，但能显示学生是否能够将价值观与证据和设计联系起来，也能帮助教师识别技术自信何时超出了现有支持的范围。

该校的 AI initiative report 提出了一项更广泛的机构愿景。报告倡导以人为中心的增强智能，即设计 AI 来改善人类学习和决策，而不是取代人类。

这一概念颇具吸引力，但其中仍有未解问题。谁来决定一个系统是在增强还是在取代人类判断？如果员工失去自主裁量权，提高生产率是否仍算增强？学校又应如何衡量人类福祉？

学生应被允许质疑学校偏好的框架。若将原则当作品牌宣传来教授，伦理教育便会削弱；当学生能够用预算、期限、激励机制和可衡量的结果来检验这些原则时，它才会更有力。

师资能力是另一项不确定因素。将伦理嵌入各门课程需要时间、协调和相关专业知识。教师需要共享材料，但不应被迫采取完全相同的立场。各院系需要建立流程，以便随着技术和监管变化更新案例。

该校表示，教师将持续更新课程内容。考虑到模型能力和行业实践变化迅速，这种做法合情合理。然而，持续更新也可能让新工具优先于基础推理。

稳定的伦理框架可以防止这种偏移。学生需要反复面对一些问题，即使特定平台消失，它们仍然有用：哪些证据支持该系统的预期用途？系统失效时会发生什么？谁能对其输出提出质疑？谁仍应承担责任？

可及性同样值得审视。面向所有专业的辅修项目听起来具有包容性，但先修课程链可能会劝退编程经验有限的学生。当需求超过师资能力时，受限选修课也可能成为瓶颈。

19 个学分的要求包括四门技术核心课程，因此完成该辅修项目需要提前规划。主修课程要求高度顺序化的学生，可能难以将其纳入自己的课表。招生数据将揭示参与情况是否符合该项目的跨学科承诺。

结果与可及性同样重要。学校最终应公布申报和完成该辅修项目的学生人数、他们来自哪些专业，以及他们完成了何种类型的毕业项目。学校还应考察学生的伦理推理能力是否有所提升。

没有任何单一测试能够捕捉道德判断。项目评分量规、反思分析、同伴评审和情境式评估的组合，可以提供有意义的证据。外部评审者也可帮助评估学生作品是否符合专业预期。

该项目也需要为分歧留出空间。AI 伦理涉及围绕监控、知识产权、劳动、偏见、环境成本、安全以及企业权力集中等问题的冲突。课程体系不应暗示一张清单就能解决这些问题。

这正是哲学在制造富有成效的阻力时最为重要的原因。它的角色不是让技术项目听起来负责任，而是在伤害成为他人的问题之前，质疑目标、揭示假设并要求给出论证。

学生可以通过一个可检索的个人知识库保留这种分析，将技术笔记与案例、政策和相互竞争的论点联系起来。重要的任务是保留决策背后的推理，而不仅是最终答案。

AI 教育存在多种相互竞争的模式

William & Mary 的跨学科辅修项目进入了一个竞争激烈的领域：各大学对于伦理应置于技术教育旁边、内部还是之上，存在分歧。

一种模式是在工程或计算机科学系内设置传统的 AI 辅修项目。学生学习编程、数学、机器学习和高级技术选修课。伦理或社会问题可能出现在单独的一项要求中。

这种模式提供深度和清晰的先修要求，能够为学生开展高级技术工作做好准备。其弱点在于，非技术背景学生可能面临较高的进入门槛，而伦理分析仍与日常工程实践脱节。

第二种模式将 AI 素养分布到整个课程体系中。商科学生研究决策支持，历史学学生评估合成证据，科学专业学生学习研究应用，艺术专业学生则面对涉及作者身份和同意的问题。

分布式素养能够覆盖更多学生，但也可能导致质量不均。有些课程可能教授批判性评估，另一些课程则可能侧重提示词使用或生产率，却不解释系统的局限性。

第三种模式将伦理学者嵌入技术课程之中。学生在学习数据库、优化、机器学习或软件设计的同时，接触道德与政治问题。这种方法将伦理推理与具体的实施选择联系起来。

它的挑战在于规模化。哲学家与计算学科教师必须协调模块、术语、评估和授课安排。成功的试点并不会自动扩展到大型项目中。

William & Mary 的辅修项目结合了这三种模式的特征。它拥有技术核心，欢迎所有专业学生，并承诺在课程中贯穿伦理。这种组合很有吸引力，因为它避免将 AI 视为纯粹的工程学或一般文化素养。

但它也很难管理。技术标准必须对不同背景的学生保持意义；伦理要求必须在各类选修课中保持一致；跨学科参与必须超越招生宣传。

该校拥有制度性优势。其文理教育传统鼓励学生连接不同领域。其哲学教师队伍包括从事人工智能研究的学者。其新的计算学院可以协调此前分散在不同单位的课程。

William & Mary 还拥有跨越多个学院的 AI 政策架构。这项治理工作可提供涉及课堂使用、研究、隐私、采购和学术诚信的真实校园案例。学生可以分析自己所在机构必须作出的决策。

该项目应避免将这些案例变成机构宣传。真正的教育需要接触模糊性与失败。学生需要看到政策产生意外影响、模型评估不完整，或利益相关者拒绝一个技术上看似可行的系统的案例。

Google News 的关注可以帮助大学分享此类实验，但也可能抹平它们之间有意义的差异。两个项目可能使用完全相同的“负责任 AI”等表述，却要求截然不同程度的技术与伦理工作。

因此，准学生应超越项目名称进行考察。他们应询问哲学教师是否教授必修内容、项目是否包含风险评估，以及课程是否研究真实的部署失败案例。他们还应审视先修要求的深度。

雇主也应作出类似区分。AI 辅修项目并不认证普遍适用的能力。毕业生可能专攻模型开发、领域应用、治理、产品评估或沟通。作品集和项目文档能揭示的信息，比单独的学历凭证更多。

William & Mary 最有价值的贡献，将是证明融合式教育会改变学生的决策。如果毕业生能够识别不可接受的用途、传达不确定性，并围绕受影响人群重新设计系统，该辅修项目就取得了有意义的成果。

如果该项目只培养技术熟悉度并附加宽泛的伦理语言，它将与许多其他项目相似。区别在于，当价值观与性能目标或机构激励发生冲突时，学生能否采取行动。

当 Google News 周期过去后应关注什么

三个信号将显示 William & Mary 是建立了一门跨学科的学科，还是仅仅打包了一组应时课程。

第一个信号是各专业的入学和完成情况。该大学已向所有本科生开放这一辅修项目，因此参与者应不止来自计算机科学和数据科学专业。广泛的专业构成将支持这样一种说法：AI 素养能够与不同学科形成互补。

仅看入学人数还不够。学校应追踪人文学科、社会科学、自然科学、商科和艺术类学生是否完成了先修课程序列。若参与者主要集中在现有技术类专业，跨学科的论点就会被削弱。

第二个信号是可见的评估机制。William & Mary 应展示隐私、公平、问责和社会影响如何影响学生评价。公开示例可包括匿名化的项目评分量表、作业说明或具有代表性的作品集。

这些证据将强化该项目的核心承诺。它将表明，负责任的 AI 并非只是被讨论，而是通过设计决策、测试、文档记录和反思得到实践。

已公布的核心课程中没有专门的哲学课程，这使得这一信号尤为重要。伦理整合可以在没有独立课程的情况下发挥作用，但学校需要说明这项工作在何处开展、由谁指导。

第三个信号是辅修项目之外的扩展。大学领导层已讨论增设其他 AI 培养路径，包括本科专业和研究生项目。未来的项目要求将揭示，跨学科方法能否规模化，还是会让位于传统的专业化方向。

如果哲学、政策和领域专业知识仍保有正式的话语权，扩展将增强 William & Mary 的论据。如果技术领域的增长让伦理教学变得可选、不一致，或仅限于通识教育，该论据则会被削弱。

读者还应关注校园治理如何与教学相连接。涉及学术诚信、研究、数据和运营的政策，可以成为实用的学习材料。学生能够将抽象原则与真实的机构决策相互检验。

这个故事与开发者息息相关，因为今天的学生将设计和评估明天的系统。它也关乎企业采购方，因为负责任的采购依赖于能够质疑主张、指标和部署条件的人。

知识工作者则有一个更简单的理由应当关注。AI 系统正日益介入写作、研究、招聘、分析和沟通。理解它们如何运作很有价值，但知道何时不该信任或使用它们同样重要。

William & Mary 选择了一个站得住脚的方向。它在教授技术基础的同时，也承诺人类层面的后果将始终留在课程之中。这一结构认识到，更好的判断力既需要计算层面的理解，也需要道德论证。

现在，这所大学必须拿出证据。下一条真正有意义的 Google News 标题不应只是宣布又一项 AI 资质认证，而应展示学生构建了什么、拒绝了什么、他们的推理如何改变，以及跨学科监督是否经受住了规模化的压力。

准学生可以通过提出具体问题来推动这一进程。谁教授伦理相关内容？这些内容如何影响成绩？哪些项目涉及真实利益相关者？当一个技术上成功的系统未能通过伦理审查时，会发生什么？

这些问题能将一个前景可期的课程体系转变为可问责的体系。它们也为每所建设 AI 项目的大学提供了一个有用标准：不要根据项目中“负责任 AI”的表述来评判它。要根据学生学会为之辩护的决策来评判它。