AI-Native không phải khẩu hiệu: nó là yêu cầu thiết kế lại toàn bộ trường đại học
Đại học AI-Native là mô hình trường đại học được tổ chức lại từ chương trình, phương pháp giảng dạy, cách đánh giá đến quản trị dữ liệu để phản ánh thực tế mới: con người học, làm việc và sáng tạo tri thức cùng hệ thống trí tuệ nhân tạo, chứ không tách rời khỏi chúng, nhằm bảo đảm sinh viên có năng lực dùng, hiểu, phản biện và chịu trách nhiệm với kết quả do AI hỗ trợ trong nghề nghiệp của mình. AI đã thay đổi cách học: sinh viên có thể nhờ AI viết luận, lập trình, phân tích dữ liệu, thiết kế slide, đọc hàng trăm trang tài liệu rồi tóm tắt trong vài phút. Khi sản phẩm học tập không còn cho biết đâu là năng lực người học, đâu là năng lực công cụ, các chương trình đại học hiện nay trở nên lỗi thời. Vấn đề không phải là có cấm dùng AI hay không, mà là giáo dục đại học sẽ dạy gì, đánh giá gì và tổ chức lại ra sao trong bối cảnh mới này.
AI đã đi vào đại học toàn cầu, nhưng cấu trúc nhà trường vẫn chậm thay đổi
Khảo sát đối sánh trên 24 trường thuộc 10 quốc gia và vùng lãnh thổ cho thấy các đại học đang dùng nhiều con đường khác nhau để đưa AI vào thực tiễn đào tạo. Có trường coi năng lực làm việc với AI là điều kiện tốt nghiệp bắt buộc như một yêu cầu đầu ra mới của giáo dục đại học. Có trường xác định đến 6 chuẩn năng lực AI: từ hiểu khái niệm nền tảng, đánh giá đầu vào – đầu ra, sử dụng trong chuyên môn đến phân tích hệ quả đạo đức, xã hội, pháp lý và môi trường. Đây là những bước đi đúng hướng về tích hợp AI trong đào tạo, nhưng chưa đủ để biến một cơ sở trở thành đại học AI-Native. Một trường có nhiều môn về AI, mua tài khoản AI cho hàng chục nghìn sinh viên hay sở hữu siêu máy tính lớn vẫn có thể giữ nguyên cách dạy, cách học và cách đánh giá cũ. Câu hỏi phải đảo chiều: không phải trường có bao nhiêu AI, mà là AI buộc trường phải thay đổi điều gì trong cấu trúc vận hành.
Từ điện hạt nhân đến mọi ngành: chương trình sau đại học đang được thiết kế lại với AI
Một ví dụ cho cải cách giáo dục đại học là chuẩn chương trình thạc sĩ, tiến sĩ các ngành điện hạt nhân vừa được ban hành, yêu cầu các cơ sở đào tạo rà soát, điều chỉnh trong 36 tháng để đáp ứng tiêu chí mới. Chuẩn này tổ chức đào tạo theo hướng liên ngành với 22 ngành ở trình độ sau đại học: 7 ngành cốt lõi và 15 ngành phụ trợ – liên ngành, trong đó có Khoa học máy tính, Công nghệ thông tin, Kỹ thuật máy tính, Trí tuệ nhân tạo và Khoa học dữ liệu. Đáng nói hơn, một định hướng chuyên sâu là Kỹ thuật hạt nhân số và hạ tầng thông minh, kết hợp kỹ thuật hạt nhân với trí tuệ nhân tạo, khoa học dữ liệu, mô phỏng tính toán và hạ tầng thông minh. Chuẩn mới tăng yêu cầu về thực hành, thí nghiệm, mô phỏng và giải quyết vấn đề chuyên môn, buộc chương trình xác định rõ khối lượng thực hành, mô phỏng, thực tập hoặc nghiên cứu phù hợp từng định hướng. Đây là minh chứng cụ thể rằng chương trình thạc sĩ, tiến sĩ không thể chỉ dạy lý thuyết chuyên ngành, mà phải đặt kỹ năng số cho sinh viên lên ngang hàng với kiến thức cốt lõi.
Đánh giá, kỹ năng số và vai trò giảng viên trong đại học AI-Native
Trong kỷ nguyên AI, bài luận 3.000 từ hoặc bài lập trình hoàn chỉnh không còn tự động chứng minh năng lực của người học, khi một sinh viên biết dùng AI có thể tạo ra sản phẩm khá tốt trong thời gian rất ngắn. Vì vậy cải cách giáo dục đại học phải bắt đầu từ cách đánh giá: thay vì chỉ hỏi “Em đã làm ra sản phẩm gì?”, nhà trường phải hỏi thêm “Năng lực nào trong sản phẩm đó thực sự thuộc về em?”. Mỗi chương trình sẽ cần xác định rõ: sinh viên bắt buộc phải tự làm được điều gì, phải biết làm điều gì cùng AI và có khả năng nhận ra, phản biện khi AI đưa ra câu trả lời thuyết phục nhưng sai. Điều này đòi hỏi chuẩn kỹ năng số cho sinh viên được đưa vào mọi chương trình, từ hiểu cách công cụ hoạt động, quản trị dữ liệu, bảo đảm liêm chính học thuật đến chịu trách nhiệm với quyết định nghề nghiệp. Song song, giảng viên không thể đứng ngoài cuộc: đã có khung năng lực AI cho giáo viên với các nhóm năng lực từ tư duy lấy con người làm trung tâm, đạo đức AI đến sư phạm với AI và phát triển nghề nghiệp.
Kết luận: Đại học AI-Native là cuộc tái thiết, không phải nâng cấp phần mềm
Những thử nghiệm dùng gia sư AI cho thấy nếu thiết kế theo các nguyên tắc sư phạm nghiêm túc, công nghệ có thể giúp sinh viên học được nhiều hơn trong thời gian ngắn hơn. Nhưng lợi ích đó chỉ trở thành chất lượng đào tạo thực sự nếu các trường dám thiết kế lại từ gốc: chương trình, cách dạy, cách kiểm tra năng lực và cách quản trị dữ liệu, thay vì “dán” thêm vài môn hoặc vài tài khoản AI lên mô hình cũ. Chuẩn mới cho chương trình thạc sĩ, tiến sĩ điện hạt nhân – với yêu cầu tích hợp công cụ số, mô phỏng, dữ liệu và AI, đồng thời bảo đảm liêm chính học thuật và an toàn thông tin – cho thấy hướng đi cần có của đại học AI-Native. Nếu đại học tiếp tục chậm thay đổi trong khi thế giới việc làm coi AI là một phần bình thường của mọi nghề, bằng cấp sẽ mất ý nghĩa, còn sinh viên phải tự xoay xở để trở thành "AI-Native" mà không có sự chuẩn bị hệ thống từ nhà trường.
