在大学教室中，常常能看到几十名学生聚集在一起，听着同一位教授的讲解，按照统一的节奏进行学习。然而，这种一刀切的教学方式带来了许多问题：有些学生已经理解了课程内容，却只能无聊地等待；而另一些学生可能在一开始就陷入困惑，后面的内容更是难以跟上。即使是优秀的教师，也难以在一个课堂中兼顾每一位学生的需求。这正是人工智能（AI）教育有潜力颠覆大学教育的原因。哈佛大学的一项随机对照实验揭示了这一前景，实验对象为194名本科生，他们分别体验了AI辅导与传统课堂主动学习的效果。结果显示，在同样的课前测验中，两组的中位数得分为2.75；而在课后，接受AI辅导的学生达到4.5分，而课堂教学的学生则为3.5分。根据课前的基线数据，AI组的成绩增幅是课堂组的两倍，同时学习所需的时间中位数由传统课堂的60分钟缩短至49分钟。更重要的是，这项对照课堂并非单纯的讲授，而是包括了讨论、解题和实时反馈的互动式学习课程。
这一结果指向了更深层次的变革：传统的大学教育长久以来受到“一对多”教学模式的制约，而AI则能够将教学方式转变为“一对一”。学生可以随时提出问题，让系统使用不同的表达来解释，同时针对自己的薄弱环节进行重复练习；掌握较快的学生则可以直接跳到下一个知识点。无论是物理、经济学的基本概念，还是阅读和写作训练，这种重组式教学方式有可能为各类知识传授带来新的可能性。
随着这样的系统逐渐成熟，大学课程间的竞争格局也将发生根本改变。过去一门课程的深度与教师的时间、学生的注意力密切相关；而未来，学生们可以随时享受到耐心且了解个人学习进度的个性化辅导。在这种情况下，固定进度的课堂仅靠知识的讲授很难再体现其价值。
当然，哈佛大学的研究仅限于两节物理课程，无法证明现今的AI在各个学科上都优于传统教学法，或是适用于实验课程、艺术创作或面对面的讨论等领域。此外，实验中的AI并不是一般的聊天机器人，而是由教师精心设计的学习路径和解答。这表明，真正能够形成颠覆性影响的，是将教师的专业知识和教学经验融合进系统的AI教育，而非让学生随意提问于模型。
从这个角度来看，AI的影响范围可能会遍及几乎所有大学课程。随着AI逐步接管知识讲解、基础训练和即时答疑，课堂的重心将不得不转向实验、合作、讨论及创造。哈佛的研究展示的只是两节课程的成绩优势；如果个性化教学能够扩展到整门课程，传统的授课方式可能需要重新审视。
该实验在哈佛大学的一堂大规模本科物理课中进行，样本分析显示共有194名学生参与。学生们被随机分成两组，进行为期两周的学习，第一周一组在家使用AI，另一组在课堂上学习；第二周交换条件。每节课前后都有测验，研究还涵盖了对参与者投入感、学习动力、愉悦感以及成长型思维的问卷调查。实验的主题分别是表面张力与流体流动。
通过合并两周的数据，课前测验的中位数为2.75分（共316次测试记录），而在AI辅导条件下，课后测验的中位数达到4.5分（共142次测试记录），课堂条件下为3.5分（共174次测试记录）。以课前的基线为参考，AI组的增量为1.75分，课堂组仅为0.75分，后者相对前者增加了两倍。这里的“两倍”是指特定测试中的中位数增幅，而非最终得分对比。两组的课后成绩分布在秩和检验中显示出显著差异（z = -5.6，p < 10⁻⁸）。课堂活动持续75分钟，其中课前和课后测验占15分钟，实际学习时间记录为60分钟；而AI组的学习时间中位数为49分钟，70%的学生学习时间少于60分钟，30%的学生超过60分钟，显示出学习时间的分布相当多样。
此外，研究还使用线性回归控制了多个变量，如课前测试成绩、先前的期中成绩、物理概念测验、使用ChatGPT的经历等，并按学生聚类。经过控制后，AI条件下的课后表现依然显著较高（p < 10⁻⁸）。线性回归的标准化效应量约为0.63，考虑到课后成绩接近测试上限，作者认为可能存在天花板效应，因此使用分位数回归得出约0.73至1.3个标准差的预测结果。
问卷调查方面，AI组在投入感的平均得分为4.1（标准差0.98），课堂组为3.6（标准差0.92），差异具有统计学显著性（p < 0.0001）；而学习动机方面的得分分别为3.4和3.1（p < 0.001）。愉悦感与成长型思维在两组之间未见显著差异。
