摘要
生成式人工智能迫使高校重新思考学术诚信、评价方式、教师角色、机构数据治理以及学习发生所依赖的基础设施。本研究将复旦大学形成的治理模式与匈牙利高校正在发展的实践进行比较，考察机构如何把负责任人工智能的一般原则转化为规则、组织责任、技术系统、评价实践和能力建设项目。分析依据包括复旦大学2026年关于生成式人工智能教育应用的指导文件、人工智能赋能教学基础设施的配套材料、与高校代表的访谈，以及匈牙利高校公开发布的政策与指南。比较揭示了两种不同的机构模式。复旦将全校治理框架、专门的创新中心、综合平台和分阶段人工智能能力发展模式结合起来。匈牙利高校也制定了日益成熟的规则，但相关举措仍分散在不同学校和院系，并受到欧盟以权利为基础的法律环境深刻影响。研究认为，复旦对匈牙利最重要的启示在于组织整合：把监管、教学、基础设施和专业发展连接起来。匈牙利高校可以在保留欧洲数据保护和基本权利保障的同时，通过建立全校协调机制、基于过程的评价、安全的人工智能服务、透明的申报要求和分层培训来借鉴这一逻辑。
关键词：人工智能；高等教育；人工智能治理；复旦大学；匈牙利；学术诚信；比较制度分析
1. 引言
生成式人工智能并非通过一次有计划的制度转型进入高等教育，而是从日常实践渗透进来。学生使用语言模型解释概念、翻译文本、生成代码、概括资料和起草作业；教师使用同样的系统备课、制作案例、设计评价和支持研究。高校现在必须判断：哪些辅助方式会增强学习，哪些会取代本应被评价的智力劳动，用户可以向外部平台分享哪些信息，以及机构如何验证真实的学习成果。
这一变化影响的是作为组织的大学。仅靠一条反抄袭规定无法治理人工智能辅助学习。机构必须把学术诚信与课程设计、教师发展、信息安全、采购、数据保护和质量保障连接起来。它们还必须决定，人工智能究竟会停留在一组外部消费级服务，还是成为大学自身教育基础设施的一部分。
中国和欧盟为观察这种机构转型提供了两个重要背景。中国国家政策把高校人工智能发展视为科研、人才培养和经济现代化的战略组成部分。教育部《高等学校人工智能创新行动计划》赋予高校在基础研究、交叉培养和技术应用中的核心角色。复旦大学把这一战略方向转化为全校模式，将治理与人工智能赋能的教学生态相结合。1
匈牙利高校则在欧盟法律体系内运行。《通用数据保护条例》确立了个人数据合法、透明和目的限定处理的原则。《人工智能法案》增加了基于风险的框架，把某些教育用途列为可能的高风险应用，并要求提供者和部署者提升使用人工智能系统人员的人工智能素养。匈牙利高校也发布了自己的规则和建议。罗兰大学、布达佩斯技术与经济大学、米什科尔茨大学、帕兹马尼·彼得天主教大学、塞梅维什大学等机构，正在以不同组合处理可接受使用、披露、数据保护和评价问题。2
本研究提出的问题是：复旦大学和匈牙利高校如何把负责任人工智能的一般原则转化为机构规则、技术基础设施、评价实践和能力建设项目？ 研究把治理视为可运行的系统，围绕七个维度展开比较：机构责任；允许与禁止的用途；透明度；评价；处分；能力发展；技术基础设施。
本研究并不把中国或匈牙利描述为单一、统一的制度。复旦代表一种较为先进的中国高校模式，匈牙利案例则呈现同一国家与欧盟法律环境下的多种回应。目标是识别不同安排如何把原则与实践连接起来，以及匈牙利机构在保留自身法律和学术基础的同时，可以从复旦借鉴什么。
2. 研究方法与案例选择
本研究采用结构化质性比较。复旦案例依据《生成式人工智能教育教学应用指引（1.0版）》、关于人工智能教学助手与技术生态的配套材料，以及对负责国际关系和人工智能教育治理的大学代表的访谈进行重构。这些材料同时展示了正式规则及其实施所依托的组织机制。3
匈牙利部分使用校级和院级政策与建议。入选案例代表不同的治理重点。罗兰大学和布达佩斯技术与经济大学为学生和教师提供了详细指南。米什科尔茨大学制定了全校规定，对责任、披露和受保护信息作出明确安排。帕兹马尼·彼得天主教大学把实务建议与以人为本、重视伦理的大学工作观联系起来。塞梅维什大学则以适合医学高校的文档与合规框架处理人工智能。德布勒森大学、塞切尼·伊什特万大学等案例展示了能力建设、产业合作与战略制定。
分析沿相同七个维度对文件进行编码，区分正式要求与建议、全校系统与院系举措、技术性安排与纯规范性表述。公开文件无法揭示全部实施实践，因此本研究只对有文件支持的治理作出判断，并在无法直接观察机构实践时明确说明推断。
研究还存在时间限制。高校人工智能政策变化迅速，本分析描述的是截至2026年8月可获得的框架，应被视为一个不断演进领域的阶段性快照。
3. 两种治理环境
3.1 中国：协调发展与机构试验
中国高等教育人工智能政策把科研能力、人才培养和应用相连接。教育部2018年行动计划要求高校加强人工智能研究、建设交叉学科项目、开发教学资源并与产业合作。该框架赋予高校发展使命，鼓励它们在制定规则之外生产知识并建设基础设施。4
复旦的做法体现了这一使命。学校把人工智能视为教育基础设施的新层次，其治理模式覆盖教学、学习、评价、专业发展和平台设计。因此，机构回应从一个战略问题出发：复旦如何重新设计教育过程，让教师和学生在人的责任之下使用人工智能？
这一模式也置于更广泛的中国治理语境中，该语境把发展与安全放在同一框架内。国家层面的表述强调创新、风险控制、社会效益和参与全球治理。复旦大学全球人工智能创新治理中心在研究与政策层面体现了这种结合，而学校的教育指导则把类似逻辑用于教学实践。5
这种环境支持协调试验。大学可以建立专门中心、建设内部平台、提供共享工具，并随着经验积累修订指南。监管成为机构发展的一部分。
3.2 匈牙利与欧盟：权利、问责与分布式适应
匈牙利高校所处的法律环境，为数据控制者、系统提供者和部署者规定了具体责任。GDPR要求个人数据处理具有合法依据，并遵守目的限定、数据最小化、准确性、安全和透明原则。教师或学生每次把个人、保密或研究数据输入人工智能服务时，这些义务都会变得相关。6
欧盟《人工智能法案》又根据系统的用途和风险增加义务。教育人工智能并非自动属于高风险。用于决定教育机会、入学、分配、学习成果评价或适当教育层级的系统，在满足法定条件时可能归入高风险。普通写作辅助或头脑风暴通常具有不同法律地位。因此，高校必须对具体用途分类，而不是把所有人工智能工具视为同一类别。7
《人工智能法案》还把人工智能素养变成组织责任。提供者和部署者必须采取措施，确保员工和代表其行事的其他人员具备与知识、经验和使用情境相适应的人工智能素养。对高校而言，这把法律合规与人员发展联系起来。8
匈牙利机构通过分布式举措转化这一环境。有些大学发布中央规定，另一些允许院系制定学科实践。这种分布支持学科自主，同时也造成课程规则不同，以及安全工具、培训和实施支持获取不均。
比较由此呈现一个结构性差异：复旦建立了协调的机构生态；匈牙利则在强有力的外部法律框架内形成多元政策。关键问题是每种安排如何引导日常学术工作。
4. 比较分析
4.1 机构治理与责任
复旦把战略领导与专门的实施结构相连接。人工智能教育教学创新中心协调指导、培训、平台开发、教育研究与实践经验收集。这样的组织位置十分重要：教师不会在缺乏共同框架的情况下，分别从不同部门收到规则、工具和培训。中心能够对齐这些职能，并随着教育应用的发展修订系统。9
在这一协调结构内，责任仍然分布。校级指南确定共同原则；教师为课程和作业规定可接受的人工智能用途；学生对提交的作品负责并遵守披露要求；技术团队维护经过批准的环境与支持服务。这种分工既保留教师自主，也提供机构支持。
匈牙利治理更为多样。罗兰大学把校级行动与院系指导结合，其经济学院允许辅助性用途，但明确人工智能不能替代学生的创造力、决策和分析。布达佩斯技术与经济大学各院系制定适合工程与经济教育的实务建议，其中电气工程与信息学院明确支持培养熟练使用人工智能的人，同时要求学生理解技术局限。米什科尔茨大学趋向中央规定，为大学共同体成员界定责任，并把人工智能使用与数据保护和信息安全相连接。101112
这些案例显示出显著的机构学习，也暴露协调问题。院系可以制定详细规则，却没有机构人工智能平台或常设教学方法团队。教师可能承担重新设计评价的责任，却得不到相应的时间、专业知识和技术支持。匈牙利高校往往把治理放在文件中；复旦则把它放在“文件＋组织＋平台”的系统中。
实践启示在于明确归属。大学需要一个权责清晰的机构，协调学术、法律、技术和教学工作。它不必集中每一项课程决定，但需要维护共同标准、安全服务、模板、培训和反馈机制。
4.2 允许与禁止的用途
复旦避免用一张全校清单把所有用途简单标为允许或禁止。框架把底线禁令与教师针对情境的决定相结合。当使用有助于教育目标时，用户可以让人工智能解释、启发思路、提供语言支持、练习或开展其他学习活动。教师可以针对某项任务要求、允许、限制或禁止人工智能。学生必须保持智力控制并遵守作业条件。
底线限制保护学术诚信、保密性和人的责任。若任务要求独立创作，用户不得把生成内容作为独立作品提交；不得向未经批准的外部服务上传敏感、机密或受保护材料；不得利用人工智能伪造数据、参考文献或研究证据。事实准确性、归属标注和最终成果仍由用户负责。13
匈牙利指南日益遵循类似的功能逻辑。罗兰大学经济学院把人工智能视为可支持学习、研究规划和项目工作的助手，但保留独立学生表现。布达佩斯技术与经济大学电气工程与信息学院鼓励熟练使用，并让教师为具体课程和任务设定要求。米什科尔茨大学区分可接受的辅助与虚假呈现作者身份、违反数据和安全规则的行为。帕兹马尼·彼得天主教大学的建议强调个人责任、批判判断与人的能动性。1415
主要差别在于操作支持。情境化规则要求教师设计精确的任务级说明，复旦为此提供机构框架和示例。在匈牙利，任务级规则的质量往往取决于个人主动性。笼统地说“经教师允许即可使用人工智能”，等于把复杂性转移给教师。若要保持一致，机构必须提供示范条款、任务类别和案例。
一种实用分类包含四级：人工智能作为学习目标的一部分必须使用；在披露后允许使用；仅允许用于指定辅助活动；因任务测量无辅助表现而禁止使用。这种尺度为教师提供共同语言，也为学生提供可预期的标准。
4.3 透明度与申报
复旦把透明度转化为程序。使用生成式人工智能的学生必须标明工具并描述其在作品中的作用。根据任务不同，申报可以包括服务、版本、目的、相关提示词、生成材料，以及学生如何核验和修改输出。披露不仅是引用问题，也为学习过程提供证据。16
这一程序有三项功能：教师可以评价学生的实际贡献；学生会反思系统如何影响作品；学校也能从中学习，因为申报可揭示常见做法、反复出现的风险和培训需求。
匈牙利政策同样强调披露。布达佩斯技术与经济大学的指南解释学生如何标注人工智能生成或辅助内容；罗兰大学和米什科尔茨大学要求在人工智能对提交作品有实质贡献时保持透明。这确立了重要规范：隐瞒替代行为违反学术诚信，而公开说明的辅助可以是合法学术实践的一部分。
由于匈牙利高等教育没有共同申报格式，实施仍不均衡。学生在不同学校、院系和课程中面对不同要求。简单的校级模板可提升一致性，应记录工具、目的、使用范围、核验步骤和学生的原创贡献。高风险作品可要求附录，列出部分提示词与输出；日常任务则可能只需一句说明。
透明度必须保持适度。短申报足够时，大学不应收集完整对话记录。提示词可能包含个人或机密信息，因此申报系统应遵循数据最小化原则，并明确保存期限、访问权限和处理目的。
4.4 评价与学习证据
生成式人工智能削弱了一篇流畅终稿作为学习证据的价值。学生可以在不理解论证的情况下生成通顺文字，因此高校必须从多种证据评价学习。
复旦模式把人工智能使用本身视为可评价能力。教师可以考察学生是否准确界定问题、选择适当工具、设计有效提示词、核验结果、识别局限，并把输出整合进原创论证。这把关注点从识别机器写出的句子转向审视人的判断。17
该模式支持过程证据：草稿、反思记录、提示词片段、口头答辩、课堂表现、同伴讨论和多轮修订。不同学科可进行不同组合。编程课程可评价代码解释和调试选择；人文学科可评价资料核验和阐释判断；研究方法课程可要求可追溯的审计记录。
匈牙利指南也开始走向这一方向。相关材料鼓励教师重新设计任务并明确允许用途。米什科尔茨大学允许教学情境决定人工智能的角色，同时要求学生对可证明的知识负责。这些做法为面向过程的模式奠定基础。
转型会显著增加工作量。口头答辩、分阶段提交和个性化反馈需要教师时间。高校需要配套技术和共享评价设计，也要保护学生免受任意怀疑。人工智能检测器无法可靠证明作者身份，不应作为纪律处分的唯一证据。公平程序应依据工作过程、学生解释、课程规则和相互印证的证据。
评价重设计应从学习成果出发。若课程测量无辅助记忆或表现，可采用受控条件；若测量专业问题解决，学生可能需要展示熟练的人工智能使用；若测量研究判断，任务应展现学生如何选择资料、检验主张和处理不确定性。当评价与公开的教育目的相一致时，治理才可信。
4.5 处分与教育性纠正
复旦采取分级后果。轻微披露不足可通过纠正和重新提交处理；虚假呈现、伪造证据、严重数据泄露或反复违规可触发正式学术处分。这种区分承认学生正在学习新的实践，不同错误具有不同学术意义。18
匈牙利高校已有纪律和学术诚信程序，人工智能规则需要把新型不当行为接入既有系统。机构应区分引用不足、未授权辅助、虚假作者身份、伪造和安全违规。清晰分类有助于比例原则和正当程序。
在转型期，教育性回应尤为重要。学生需要可接受申报的示例和纠正程序错误的机会；严重欺骗仍需正式后果。透明的尺度帮助学生理解，学校同时保护学习与公平。
4.6 人工智能素养与专业发展
复旦把能力发展分为三个阶段：掌握人工智能知识，在教育实践中应用人工智能，通过试验和跨学科创新推进人工智能。该模式同时面向学生和教师。基础素养包括系统能力、局限、伦理与安全；应用能力把工具连接到具体学科任务；高级能力支持新方法、智能体、资源和“AI+X”应用的设计。19
这种递进解决了常见培训问题：一次通用讲座无法让所有用户做好准备。文学教师、工程师、行政人员和数据科学家需要不同能力。分层模式提供共同基础，也允许按角色发展。
匈牙利高校拥有有力但分散的举措。布达佩斯技术与经济大学把人工智能能力纳入工程教育并提供实务指南；罗兰大学把政策与教学资源结合；德布勒森大学提供专门项目与产业合作；塞切尼·伊什特万大学设立人工智能与未来战略中心；米什科尔茨大学提供应用项目并制定全校规则；帕兹马尼·彼得天主教大学则贡献以人为本的伦理和哲学视角。
欧盟《人工智能法案》加强了把这些举措与组织责任相连的必要性。人工智能素养应成为持续项目而非可选活动。大学可以为所有员工规定共同基础，为教师和行政人员提供专项模块，为创新者提供高级实验室。完成记录、实践共同体和教学咨询可使培训成为机构质量保障的一部分。
教师发展应被优先考虑。学生迅速采用工具，而教师必须在维护学术标准的同时重新设计学习环境。他们需要经过测试的作业、学科案例、安全试验空间，以及对投入时间的认可。复旦通过创新中心把这种支持制度化；匈牙利高校可以用连接各院系专家的中央单位实现类似功能。
4.7 技术基础设施与数据治理
复旦治理模式建立在综合技术环境之上。教育人工智能平台提供指南、获批资源、教学工具、实践共同体和人工智能服务。配套材料描述了教师助手、课程质量分析以及与学校算力的连接。平台减少对不可控消费级工具的依赖，使学校能更好影响数据、访问和系统设计。20
这里的技术主权意味着实际的机构控制。学校可以决定用户访问哪些工具、哪些数据进入系统、服务如何认证、教育应用如何连接现有平台；也可以评价使用情况并改进支持。
匈牙利高校通常依赖个人自行选择的外部服务，造成不平等访问和不清晰的数据流。免费消费账户可能依据不符合机构要求的条款使用提示词。教师和学生可能输入未发表研究、个人数据、评价材料或合作伙伴信息，却不了解数据在哪里处理。
欧洲法律把数据治理置于核心。高校应提供有合同保障、访问控制和清晰说明的获批服务；应对数据分类，并禁止把受保护类别输入未经批准的系统。若系统大规模处理个人数据或造成显著风险，可能需要进行数据保护影响评估。高风险教育系统还须接受《人工智能法案》下的额外治理。21
机构平台不必依赖单一模型。大学可以提供连接多个服务的网关，组合云端与本地模型，并按用途定义权限。关键是身份管理、与风险相称的日志、数据分类、采购审查、透明用户信息和支持结构。复旦展示了把这些要素置于一个教学生态中的组织价值。
5. 跨机构文化的可迁移性
复旦模式不能整套照搬。中匈高校在法律、治理传统、资金结构以及对机构和个人自主权的期待方面不同，因此迁移需要功能性适配。
5.1 可直接借鉴的要素
五项要素具有较高可迁移性。第一，匈牙利高校可建立常设人工智能教育与治理中心或网络，把教学、法律合规、信息安全、采购和员工发展结合起来。第二，可为作业级人工智能权限建立共同尺度。第三，可采用与风险相称的申报模板。第四，可为不同角色建设分阶段素养项目。第五，可提供获批机构服务，而不是让每位用户独自选择外部工具。
这些措施不要求改变学术价值，而是让现有价值可以运行。教师获得共同资源，学术自由更易落实；有安全工具，数据保护更可信；学生知道需要申报什么，学术诚信更易执行。
5.2 需要法律与组织适配的要素
欧盟环境要求明确关注合法处理、目的限定、数据最小化、透明度和权利。机构平台必须记录控制者与处理者角色、保存期限、安全措施和跨境数据传输。采购既要评估模型提供者，也要评估大学部署系统的方式。
《人工智能法案》要求对用途分类。解释课程内容的聊天机器人不同于评价学习成果或影响录取的系统。后者可能触发高风险义务，包括风险管理、文档、人工监督、准确性和监测。因此，匈牙利的适配必须在具体系统和目的层面，把教育设计与法律分类连接起来。22
组织文化同样重要。匈牙利高校常保护院系自主并通过分布式决策运行。中央人工智能单位应提供基础设施和共同保障，同时让院系制定学科规则。网络模式可能更适合这一环境：精简中央团队协调院系代表并维护共享服务。
5.3 相互学习
比较也为复旦识别了可借鉴之处。欧洲实践突出数据主体权利、有文件支持的法律依据、比例原则和程序问责。这些概念可以增强对高校人工智能系统的信任，尤其是在复旦开展国际合作或跨法域处理数据时。匈牙利机构也展示了学科共同体如何在贴近教学实践的位置塑造规则。
复旦贡献更强的机构整合模式，匈牙利高校贡献成熟的权利话语和分布式学术治理经验。组合模式会把战略能力与法律保障、共享基础设施与学科自主连接起来。
6. 面向匈牙利高校的适配框架
匈牙利高校可以把比较结果转化为六部分计划。
1. 明确责任。 校级领导应任命全校人工智能治理机构，吸收学术、法律、技术、图书馆、质量保障和学生代表，并公开职责、决策程序和年度计划。
2. 建立共同使用框架。 学校应规定底线禁令和面向课程与作业的四级权限尺度。教师应在教学大纲和任务说明中标明适用层级。
3. 重构评价。 院系应识别影响较大的课程，开发分阶段提交、口头环节、反思陈述和真实任务，并禁止把人工智能检测分数作为不当行为的唯一证据。
4. 引入透明申报。 学校应提供简版和扩展版模板。简版记录工具、目的和学生贡献；扩展版在任务或风险需要时记录提示词、核验和修改。
5. 建设能力。 所有员工接受基础人工智能素养培训，教师、研究人员、行政和技术人员接受按角色设计的模块。高级用户建立实践共同体并开发可复用课程设计。
6. 提供安全基础设施。 学校提供获批人工智能服务，发布数据分类指南，审查提供者，记录数据流并整合认证与支持。全校部署前先通过有限试点测试服务。
实施应采取迭代治理。机构可从少数院系开始，收集申报与用户反馈，研究事件并修订规则。年度报告应覆盖培训、获批工具、评价重设计、安全事件和用户体验。这样的学习循环体现了复旦最重要的洞察之一：人工智能治理必须作为有生命的机构系统运行。
7. 结论
复旦大学与匈牙利高校拥有相同的根本目标：维护学术诚信、加强学习、保护信息，并让学生为人工智能赋能的职业生活做好准备。差别在于如何把这些目标与机构能力连接起来。
复旦建立了更综合的模式。其指南属于一个包括专门中心、分阶段能力发展、程序化披露、评价改革和技术基础设施的系统。学校把人工智能治理视为组织和教学转型。
匈牙利高校形成了丰富的规范经验。规则日益允许负责任辅助、要求透明并保护独立智力劳动。欧盟法律环境为个人数据、基本权利、人工监督和可问责部署提供强保障。但匈牙利实践仍分散在不同学校和院系，教师往往在缺乏类似平台或常设支持结构时承担实施责任。
最重要的可迁移启示是机构整合。匈牙利高校可以通过协调计划把规则、培训、评价、数据治理和基础设施连接起来，同时保留院系自主，并把欧洲法律保障应用到每一个具体用途。由此形成的模式不会复制复旦，而是把复旦的系统逻辑转译成匈牙利和欧洲的机构形式。
高校人工智能治理的未来将取决于这种转译能力。一般伦理原则只有在机构明确责任、提供安全工具、重构评价并发展人的能力时才会产生力量。建立这些连接的大学，能够在维护学术工作价值标准的同时，用人工智能扩展人的智力能动性。