最近《The Chronicle of Higher Education》发表了一篇文章，讨论越来越多学生开始用 AI 帮助自己选大学。文章标题很直接：Students Are Using AI to Guide College Decisions. What Is It Telling Them?
这篇文章之所以值得关注，不是因为它在讲一个新鲜话题，而是因为它点出了一个已经发生的变化：AI 不再只是学生查信息时顺手用一下的工具，它正在更早、更直接地进入选校过程，甚至开始影响申请名单本身。
文章里提到，根据 EAB 的一项调研，到 2025 年秋季，接近一半正在进行 college search 的学生表示，自己用过 AI 工具研究大学。在这些使用过 AI 的学生中，大约三分之一的人说，AI 帮他们注意到原本没考虑过的学校；同时，也有约五分之一的人表示，自己因为 AI 的回答，把某所学校从申请名单里删掉了。
AI 已经不只在帮学生“查大学”，它已经在参与一个更关键的环节：哪些学校进入视野，哪些学校被提前排除。AI最容易制造的不是错误，而是“全知视角”的幻觉
今天的学生和家长，其实并不缺信息。关于一所大学，你可以找到官网、排名、论坛、短视频、社交媒体帖子、招生讲座、校友经验、在读反馈。信息比过去多得多，也更容易获取。可真正让人疲惫的，从来不是“查不到”，而是“看了很多，还是不知道该怎么判断”。
传统意义上的选校，本来是一个很典型的“去中心化”过程。
你需要从不同来源获取信息：官网、课程设置、招生材料、学生反馈、第三方数据、线下讲座、校友经验。每个来源都只提供一部分视角，也都可能带着自己的偏差。正因为如此，学生在研究过程中会自然意识到：没有哪个来源可以直接替我得出答案，我必须自己判断。
这个过程虽然费力，但也正是它最有价值的地方。它逼着学生去比对、去求证、去思考。它让人明白，所谓“了解一所大学”，从来不是听一句话，而是把不同碎片慢慢拼起来。
但 AI 改变了这个过程。很多人一谈 AI 的风险，第一反应是事实错误、数据不准、引用混乱。这些当然值得警惕，但放到选校这件事上，更常见、也更难察觉的问题，往往不是明显错误，而是那些听起来大致没问题，却过于简化的判断。它不是把材料摆在你面前，而是直接给出一个像是已经处理完毕的结论。学生接触到的，不再是一个需要继续判断的信息集合，而是一段已经被归纳、组织、甚至带有轻微判断色彩的回答。
这就是 AI 在选校里最微妙的问题：它制造了一种“全知视角”的幻觉。它看起来知道很多，也像是综合了很多信息。于是学生很容易误以为，自己看到的是一个比较完整、比较可靠、甚至已经经过“分析”的答案。可问题在于，AI 给出的往往只是一个经过语言整合后的概括。它能把信息说得很顺，却未必能把问题说得很透。
所以，AI 最危险的地方，不一定是它答错了什么，而是它太容易让人觉得：这所大学，我已经看懂了适不适合。所谓“适合不适合”，又是基于谁的判断、什么标准、什么样的学生类型？这些本来都应该是下一步要追问的问题。但 AI 的表达方式，会把它们提前收口成一句“已经差不多可以用了”的话。
一旦学生和家长接受了这种表达方式，很多复杂的问题就不再被继续拆开。这时候，选校看起来变高效了，实际上却在变浅。真正影响判断的，很多时候不是明显的错误，而是那些“听起来像结论，所以不再继续问”的话。
很多学校不是在研究之后被放弃的，
而是在了解之前就已经出局了
这是大学申请里一个非常真实、也常常被忽略的事实。
学生不可能对每一所学校都做深度研究，很多学校最后是不是还有机会被认真了解，并不是因为它本身不值得，而是因为它在最开始就没能留下继续研究的动力。
一句“这学校一般”，学生可能就不再点开官网；
一句“不太适合你”，家长可能就不愿意继续投入时间；
一句“资源没那么强”，这所学校可能就被直接划出名单。
从这个角度看，《The Chronicle》这篇文章里提到的“有学生因为 AI 删除学校”，其实比“有学生因为 AI 增加学校”更值得在意。因为增加学校，意味着 AI 扩展了视野；但删除学校，意味着 AI 正在替代第一轮筛选。AI 很擅长总结“普遍成立的说法”。它能够提炼一所大学最常被提及的标签、最容易被概括的特征、最符合大众认知的评价。换句话说，它很擅长帮助你找到一种“平均值意义上的合理答案”。
可真正好的选校，从来不只是找“平均值上的合理”。这也是 AI 最容易失手的地方:
它擅长总结“普遍成立的说法”，却不擅长理解“为什么这个学生可能是例外”。
大学申请最重要的，不是找到一组大家都认可的标准答案，而是找到某个学生和某种环境之间，那个不那么显眼、却非常关键的匹配点。
一旦选校越来越依赖 AI 的总结逻辑，它就变成了能高效帮你找到“大家都觉得不错”的学校，却未必能帮你找到“真正适合你”的学校。
选校里最宝贵的，其实是“求证”这一步
为什么很多经验丰富的顾问，在做选校时不会太快下判断？不是因为他们掌握的信息更多，而是因为他们知道：很多看起来简单的问题，如果不继续追问，很容易误判。
当你听到“这所学校就业一般”，真正有经验的反应不是接受，而是继续问：是哪个专业的就业一般？数据来自哪里？是整体情况，还是某个学院的特例？本科生和研究生的资源分配一样吗？所谓“就业一般”，是起薪、地域分布，还是行业集中度的问题？
当你听到“那个学校氛围冷”，也应该继续问：这是哪类学生的体验？是社交氛围冷，还是学术支持弱？是大环境如此，还是个别圈层感受强烈？对于更独立的学生来说，这是不是反而是舒服的环境？
这些追问，就是“求证”。而求证，是选校中最不能被省掉的一步。
AI 很容易让人直接拿到“结果”，却跳过“求证”的过程。它给你一个答案，却没有逼你经历形成答案的那条路。而没有这条路，很多判断就只是印象。印象一旦形成，又往往比事实更难修正。
真正危险的，不是学生用了 AI，而是他们开始习惯于跳过怀疑和核实。
未来真正重要的能力，是保住判断力
这并不是说，AI 不该出现在选校中。它当然可以用，而且以后只会越来越常见。
在建立初步认知、整理公开信息、发现潜在学校、生成比较维度这些事情上，它确实能提高效率。但它的位置应该很明确：
- 它可以是入口，不能是结论。
- 它可以帮你开始，不能替你判断。
- 它可以提供方向，不能终止追问。
对于学生和家长来说，一个非常实用的原则是：凡是足以让你把一所学校从名单里划掉的信息，都不应该只听一次。回到官网看课程设置，去看项目路径，去听真实在读生怎么说，去核实数据来源，去分辨那些被反复提起的“标签”，到底有没有语境。
选大学比拼的从来不是谁更快拿到答案，而是谁能在复杂信息里，保住自己的判断力。AI可以缩短信息获取的时间，但不能替你完成理解。当AI越来越像一个随时可以给出答案的入口，学生和家长会不会越来越少地去经历那个本该属于选校的过程——比较、怀疑、求证、反复思考，然后慢慢形成自己的判断。
而这，恰恰是大学选择中最重要、也最不能外包的部分。
因为大学不是一组参数，也不是一个能被一句话说清的标签。它是一种环境，一套资源结构，一段会长期塑造人的经历。它影响的不只是你“去哪里读书”，更影响你未来几年会被怎样的同伴、节奏、机会和文化所塑造。
所以，AI 当然可以成为一个高效入口。但它不能成为判断的终点。选校最重要的能力，不是更快得到答案，而是在看起来已经有答案的时候，仍然愿意多问一句。
