Det finns få saker som känns mer traditionella än universitetet. En professor står längst fram i en full (eller oftast mindre än halvfull) föreläsningssal. Studenterna antecknar mer eller mindre entusiastiskt, ofta utan att reflektera över vad som sägs. En rapport som lämnas in, en examen och någon gång därefter utdelas ett betyg. Så har det sett ut så länge att vi nästan har börjat betrakta det som en naturlag. Men fysiken lär oss att det som verkar självklart ofta bara är en approximation. Newtons mekanik fungerade utmärkt ända tills Einstein visade att den bara var en speciallösning. Frågan är om artificiell intelligens håller på att göra samma sak med universitetet.
I essän The University After AI (https://www.chronicle.com/article/the-university-after-ai) hävdas att AI inte bara skapar problem för undervisningen utan utmanar själva idén om det moderna universitetet. Det är ett stort påstående. Men precis som fysiker ofta lär sig mest när ett experiment plötsligt slutar fungera, kan det vara först nu som vi börjar förstå vad universitetet egentligen har varit till för.
På 1960-talet beskrev universitetsledaren Clark Kerr det moderna universitetet som en multiversity. Universitetet var inte längre bara en plats för lärande. Det var samtidigt forskningscentrum, yrkesutbildning, social mötesplats, bildningsinstitution och certifieringsmaskin. Under samma tak producerades ny kunskap, utbildades läkare och ingenjörer, formades framtida samhällseliter och skapades minnen som ofta visade sig vara mer bestående än kurslitteraturen. Det märkliga var inte att alla dessa funktioner hörde ihop. Det märkliga var att de lyckades samexistera över huvud taget.
Om man betraktar universitetet som ett fysikaliskt system kan man säga att det befann sig i en metastabil jämvikt. Olika krafter drog åt olika håll, men systemet höll ihop eftersom alla dess verksamheter byggde på samma grundläggande teknik för kunskapsöverföring. Boken, föreläsningen, uppgifterna och examen utgjorde universitetets infrastruktur. Forskaren skrev artiklar, läraren höll föreläsningar och studenten visade sitt kunnande genom skriftliga arbeten. Hela maskineriet drevs av samma mekanism.
Sedan kom språkmodellerna.
När en student i dag kan få ett välskrivet resonemang om den franska revolutionen, kvantmekanik eller nationalekonomi på några sekunder, uppstår en obehaglig fråga: Vad är det egentligen universitetet mäter? Under lång tid har vi utgått från att den text studenten lämnar in är ett bevis på det arbete som ligger bakom texten. Uppsatsen har fungerat som ett avtryck av studentens tänkande och i förlängningen av kunskaper. Problemet är att AI kan producera ett avtryck utan att någon människa behöver genomgå eller reflektera i processen.
Här finns en intressant parallell till fysiken. Ofta kan vi inte observera det vi egentligen är intresserade av. Ingen har sett en elektrons laddning med egna ögon. Ingen har sett temperaturen som sådan. Vi observerar effekterna av dem. Så länge sambandet mellan fenomenet och observationen är stabilt fungerar metoden. Men om någon plötsligt hittar ett sätt att skapa samma observation utan det ursprungliga fenomenet faller hela mätsystemet samman.
Det är ungefär där universitetet befinner sig nu.
När en språkmodell kan producera en text som ser ut att vara resultatet av kritiskt tänkande, blir det uppenbart att vi egentligen aldrig har mätt kritiskt tänkande direkt. Vi har bara mätt dess ”spår”. Och precis som en fysiker som upptäcker att ett instrument har tappat kalibreringen måste universitetet nu hitta nya sätt att mäta det som faktiskt betyder något.
Det är därför som muntliga examinationer, seminarier och direkta samtal mellan lärare och studenter plötsligt känns moderna igen. Ironiskt nog kan framtidens utbildning komma att allt mer påminna om det förflutna. Om målet är att förstå hur en människa resonerar, måste vi observera resonemanget medan det pågår. Det räcker inte längre att inspektera slutprodukten. Skillnaden är ungefär densamma som mellan att analysera ett fotografi av en raket och att faktiskt följa en uppskjutning. Det mest intressanta händer under färden.
Men den verkligt fascinerande frågan handlar inte om examinationer. Det handlar om värde. Inom ekonomin uppstår värde ofta genom knapphet. Diamanter är värdefulla därför att de är ovanliga. Sand är mindre eftertraktad eftersom den finns i överflöd. När AI gör textproduktion, informationssökning och sammanfattningar nästan gratis, förändras också dess värde. Då blir andra mänskliga förmågor relativt sett viktigare.
Författaren bakom essän pekar på omdöme, smak, tillit, etisk reflektion och förmågan att formulera mål som exempel på sådant som inte enkelt kan automatiseras. En språkmodell kan förklara vad förtroende är, men den kan inte själv riskera att bli sviken. Den kan diskutera moral, men den kan inte hållas ansvarig för sina handlingar.
Det leder fram till en oväntad slutsats. Många antar att AI kommer att göra humaniora mindre relevant. Essän argumenterar för motsatsen. Historia, filosofi och litteratur kan bli viktigare just därför att de tränar de mänskliga egenskaperna som maskiner har svårast att efterlikna. Historia utvecklar förmågan att förstå att världen kunde ha sett annorlunda ut. Filosofi tränar precision i tänkandet. Litteratur lär oss att se världen ur andra människors perspektiv. I en tid då information är billig kan sådana förmågor bli betydligt mer värdefulla än ännu en sammanfattning av fakta. Även inom teknik- och naturvetenskaperna blir kritiskt tänkande och grundläggande förståelse viktigare än att kunna lösa ett (oftast) standardmässigt problem.
Fysikens andra huvudsats säger att entropin ökar. Ordning har en tendens att gradvis lösas upp. Kanske är det något liknande som nu sker med universitetet. De funktioner som länge varit sammanfogade i samma institution börjar glida isär. Forskning, undervisning, certifiering och social gemenskap behöver kanske inte längre organiseras på samma plats. När information kan distribueras nästan kostnadsfritt försvinner en del av logiken bakom den gamla modellen.
Kanske kommer framtidens universitet att bestå av specialiserade forskningscentra, mindre undervisningsmiljöer och helt nya sätt att verifiera kompetens. Kanske kommer utvecklingen att ta en annan väg. Men det framstår allt mindre självklart att universitetet kommer att se likadant ut om tjugo år som det gör i dag.
Schrödingers katt var samtidigt levande och död tills någon öppnade lådan. Universitetet befinner sig möjligen i en liknande situation. Vi vet ännu inte vilken framtid som väntar. Men en sak verkar allt tydligare: om universitetets viktigaste uppgift en gång var att ge människor tillgång till kunskap, måste dess framtida uppgift handla om något mer. För när alla har tillgång till svaren blir den verkligt sällsynta resursen förmågan att ställa de rätta frågorna. Detta är en utmaning som man måste acceptera och anpassa sig till, och det kan visa sig att mer personlig kontakt mellan undervisare och studenter, som Oxbridges tutorsystem, är vägen framåt.