研究时间：2026年8月11日 | 所属领域：大学学生组织 / 生成式AI / 跨学科社群 | 研究对象：GenAI Society at UT Austin
GenAI Society at UT Austin 是一个在 2024 年生成式 AI 校园热潮中成立的年轻学生组织。它的公开定位不是传统的机器学习技术社团，而是同时覆盖 research exploration、industry entrepreneurship、free discussions 三条线：研究、产业创业、社会文化讨论。官网列出的创始团队由 President、Vice President、Secretary、Design Lead、Engagement Lead 五个职位组成，并展示了来自 UT Austin、Google 和 Amazon 的三位嘉宾。公开材料足以证明其愿景和创始架构，却不足以确认 2026 年仍在任的全体 officer、活跃会员数、章程、预算，以及它究竟是 Registered Student Organization（RSO）还是 Sponsored Student Organization（SSO）。因此，本报告不会把推测写成组织事实。
一句话判断：它占据了一个好位置，却还没有形成一套别人一眼就能认出的“旗舰生产机制”。
UT Austin 校内已经有人做讲座、工具 workshop、Claude hackathon、通用 hackathon、机器学习学习和企业连接。新人若再办一次“某公司工程师谈 GenAI”，活动本身不会错，但很难给组织留下新的结构性资产。更值得做的是一个低门槛、跨专业、有真实使用者、有安全边界、能留下公开成果的常设项目。
本报告给出的第一优先建议是：
启动 “Forty Acres GenAI Field Lab（四十英亩生成式 AI 实验室）”：每期 4—6 周，把 4—6 名不同专业学生、1 名校园问题提出者和 1 名技术/伦理导师组成小队，用公开或合成数据完成一个可演示的原型、一张风险卡和一份复盘。
首期不要追求大型 hackathon。选一个低风险问题，例如“把分散的公开校园资源整理成可追溯问答助手”“为学生组织制作活动无障碍检查器”“为公共课程资料制作带引用的学习导航”。首期 20—30 人、4 支队伍足够。成功标准不是报名人数，而是四周后有没有人实际使用、是否能复现、风险是否被写清、成员是否愿意再来。
本报告将用户所说的 “UT GenAI Society” 识别为 GenAI Society at UT Austin 官网。官网明确写有 “founded in 2024”，使命是让 UT Austin 学生引领 AI 创新，愿景是推动有意义的 GenAI 进展。其三条公开方向分别是：
官网列出的创始团队为 Anne Xu（Co-Founder & President）、Harold Zhong（Co-Founder & Vice President）、Asad Safarov（Co-Founder & Secretary）、Manal Shah（Co-Founder & Design Lead）和 John Knowlton（Co-Founder & Engagement Lead）。公开嘉宾包括 UT Austin associate research scientist Dawei Liang、Google software engineer Chris Guo、Amazon applied scientist Tianhao Li。
截至访问日，官网没有公开：
LinkedIn 页面将其描述为成立于 2024 年、规模 2—10 人的 nonprofit 页面，并称自己是 UT Austin 第一个聚焦 Generative AI 的 club；但 LinkedIn 的“company size”是平台自填字段，不能等同于活跃会员数，也不能证明学校注册状态。因此，下面涉及治理时采用两层表达：制度上学生组织如何被管理，以及 GenAI Society 最适合与哪些单位协作。两者不混写。
校方资料提供了一个更细但仍不完整的信号：2026—27 Safety Education 状态表中出现精确名称 “GenAI Society”，说明它在学生组织管理系统里有记录；截至 2026 年 8 月 11 日，两步培训显示 Incomplete，但最终截止日为 2027 年 3 月 14 日，因此不能说它已经逾期。该页面还明确警告，状态表不证明 annual registration 或 university standing。与此同时，公开 HornsLink 搜索未返回该组织。可能原因包括隐藏、冻结、年审未完成或索引/名称变化，公开证据无法判断。最准确结论是：组织记录存在，当前 good-standing 与可发现性需要向 Student Organization Center 或组织 officer 核实。
UT Austin 并不是在 ChatGPT 出现后才开始做 AI。校内已经有 Machine Learning Laboratory、Texas Robotics、Good Systems、TACC，以及分布在计算机、工程、信息、医学、法律和社会科学中的研究团队。学生也早已有机器学习、机器人、网络安全、产品开发和 hackathon 社群。
变化发生在 2022 年末以后。生成式 AI 把加入门槛从“先学线性代数、Python 和模型训练”降到“任何专业的人都能在十分钟内试用”。技术对象也从一个学科，变成一种校园基础能力：学生拿它写代码、搜资料、做设计；教师重新设计作业；学校开始处理隐私、版权、学术诚信和采购问题。此时成立一个同时讨论 technology、culture、society 的组织，比再成立一个狭义 ML club 更符合新需求。
UT Austin 在 2024 年将该年定为 Year of AI，强调跨学科认知、实验与对话。同年 GenAI Society 成立。公开信息没有证明两者之间存在直接发起或隶属关系，但时间上的同频很清楚：学校把 AI 升为全校议题，学生组织则为学生提供更快、更非正式的参与入口。
这一年，UT 还成立了 Center for Generative AI；校方年终回顾称 Year of AI 期间举办了 100 多场 AI 活动与 workshop。GenAI Society 并不是在一片空地上冷启动，而是在注意力、研究基础设施和校园活动同时膨胀时出现。它可能受这一环境催化，但没有证据显示由 Year of AI 或 Center for Generative AI 孵化。
创始团队的五个职位很能说明早期组织逻辑。President、Vice President、Secretary 是典型学生社团的治理骨架；Design Lead 和 Engagement Lead 说明它从一开始就把视觉传播、社区参与当成单独能力。团队没有在官网设置 Chief Technology Officer 或 Research Director，这与其三线并行的定位一致：它希望成为跨学科社会，而非纯工程队。
这个选择带来两个好处。其一，它能吸引信息、商科、设计、传播、法律、公共政策和自然科学学生，而不是只和计算机社团争夺同一批人。其二，它能在模型快速更替时保持议题弹性——GPT、Claude、Gemini 谁领先会变化，但“AI 如何影响研究、创业与社会”不会很快过时。
代价也同时出现。三条使命都很宽，若缺少稳定项目，组织容易退化为活动平台：这周请研究者，下周请工程师，再下周做一次自由讨论。每场活动可能有价值，会员却很难回答：“加入半年以后，我共同完成了什么？”
官网展示的三位嘉宾横跨校园研究、Google 工程和 Amazon 应用科学，说明组织在尝试打通 academia—industry。资源页还整理 UT AI labs、行业应用和 AI competitions。由这些可见材料，可以确认的活动模型主要是：
这是一种适合冷启动的模型。新组织没有预算、没有稳定导师、没有历史品牌时，邀请一位嘉宾比运营十支项目队容易；一次公开活动也能迅速获得照片、社交媒体内容和新报名。然而它积累的多是“注意力”，不是“组织能力”。嘉宾走后，知识未必沉淀；新成员参加一次，也未必获得角色。
Internet Archive 至迟在 2025 年 4 月 21 日已保存包含同一创始团队和三名 guest speakers 的官网版本；到 2026 年 8 月，官网核心内容基本未变。LinkedIn 后续更常见的是创始成员观点文章与行业内容转发。由此能确认的是“外联和内容策展”，不能虚构具体讲座日期、到场人数，也不能把转发当成组织主办活动。这个公开档案上的停滞不必然等于实际停运，却会削弱外界判断其活跃度和成果的能力。
到 2026 年，校园环境已经变化。UT.AI 被定义为全校 AI initiative，由 Enterprise Technology 协同校园伙伴推进战略、治理和投资；AI Studio 承接应用探索；学校提供经过审查的 AI 服务与教学工具；AI 规则开始细化到数据分类、合同、web search、AI detection 和 consequential decisions。
UT Austin Information Security Office 的最新指南规定：公开/已发布数据可以自由用于 AI 工具；Controlled 或 Confidential 数据只能进入学校管理且合同明确保护数据的工具。FERPA 学生记录、健康、专有等信息不得放入未获批准的个人版工具。2026 年更新还强调，涉及录取、评分、招聘、纪律、医疗等 consequential decisions 的 AI 受到更严格审查，不能在缺少有意义人工复核时成为控制性因素。
这给 GenAI Society 带来新的角色机会。2024 年的稀缺品是“让我看看 AI 能做什么”；2026 年的稀缺品是“让我在真实工作中安全地做完一个有价值的东西，并能解释它何时会失败”。如果组织仍停在工具介绍，它会被供应商 builder club、课程、YouTube 和校级培训替代；如果它能把技术、文化、社会三条线压缩进一个真实项目流程，创始定位反而开始显出价值。
| 职位 | 官网可见职责信号 | 可能的空档 |
|---|---|---|
| President | 战略、外部代表、整体负责 | 继任机制、年度目标未公开 |
| Vice President | 协助统筹与执行 | 具体 portfolio 未公开 |
| Secretary | 记录、行政、合规基础 | 财务/运营是否独立未知 |
| Design Lead | 视觉、传播、体验 | 是否兼管 marketing 未知 |
| Engagement Lead | 招募、活动、社区关系 | 新人 onboarding 和留存机制未公开 |
这个架构适合五人创始团队，却不适合稳定承载研究、项目、活动和治理四条生产线。推荐在不增加过多头衔的前提下，改成“小型执行委员会 + 三个项目组合”：
| 层级 | 推荐设置 | 主要责任 |
|---|---|---|
| Executive Board | President、VP、Operations/Secretary、Treasurer | 战略、预算、合规、换届、校方关系 |
| Programs | Field Lab、Learning、Dialogues 三位负责人 | 分别负责项目制、技能制、讨论制活动 |
| Shared Functions | Community、Design/Comms、Partnerships、Safety & Evaluation | 招新留存、内容、外联、风险与效果评估 |
| Project Pods | 每队 4—6 人，设 student lead、domain lead、builder、evaluator | 在固定周期内交付原型与复盘 |
| Advisory Circle | 1 名正式 advisor + 2—4 名按项目参与的 faculty/industry/community mentors | 提供边界、资源和反馈，不替学生做决定 |
组织不需要十几个“VP”。真正的升级是把每个负责人绑定到一个可测量的输出，例如 Field Lab 每学期至少完成 4 个可复现项目；Community 负责首访到二次参与的转化；Safety & Evaluation 负责每个项目的数据与风险检查。
如果它是普通 Registered Student Organization，最准确的行政链条是：
UT System Board of Regents → UT System Chancellor → UT Austin President → 负责学生体验/学生事务的校级体系 → Office of the Dean of Students → Student Involvement / Student Organizations → RSO officers。
UT System 的规则说明 Board of Regents 拥有系统治理的最终权力；UT Austin 组织说明称 President 是学校 chief executive。对学生组织而言，真正日常相关的不是 Regent 或 Chancellor，而是 Office of the Dean of Students 的注册、活动、场地、风险和纪律流程。
根据 UT Austin Chapter 6 Student Organizations，RSO 是在学校制度环境中运行的私人实体，不是学校某个学院或行政部门的延伸。维持资格通常需要至少 10 名成员、其中至少 3 名 officers（含 President）、现行章程、更新 roster、年度注册和 Safety Education。RSO 获得场地预约、募资、摆台、展示、邀请嘉宾等权利，但不能把活动宣传成学校官方赞助。
对 GenAI Society 而言，治理升级的第零步不是增设部门，而是完成一次 status audit：核对 HornsLink profile 是否公开、2026 annual registration 是否完成、roster/constitution 是否最新、三名 officers 与十名 members 是否满足要求、Safety Education 由谁在何时完成。状态不清时，大型活动设计可能被订场、社团展和 SEFC funding 权限卡住。
SSO 则不同。Sponsored Student Organization 是某个学术或行政单位的正式延伸；赞助单位需要 endorsement、support、supervision，并承担更强的财务和活动监督。只有确认 GenAI Society 的 HornsLink 和 sponsorship 文件后，才能说某个学院或 UT.AI 是其“直属上级”。目前公开证据不足。
UT.AI 是 Enterprise Technology 牵头的全校 AI 协调框架，覆盖教学、学生体验、运营和研究。它最适合作为 GenAI Society 的功能合作方：
合作不等于隶属。保持这个区别，既准确，也保护学生组织的自主性。
UT Austin Claude Builder Club的价值主张很直接：Claude Pro、API credits、merch、workshops、hackathons、monthly demos。它解决“我想马上用先进模型做东西”的需求，转化路径短，赞助资源清晰。
GenAI Society 不应与它正面竞争“谁能发更多 credits、办更热闹的模型 hackathon”。供应商 club 天生擅长工具教育和品牌资源；GenAI Society 的差异应该是模型中立、跨专业、问题先行，并把社会影响与评估写进交付物。
HackTX、Hook ’Em Hacks、Energy AI Hackathon、Edge AI Hackathon 已经覆盖大型通用创新、AI、能源和硬件。它们擅长在 4—48 小时内聚集人、导师、奖品和曝光。问题是，许多原型在周末后停止，真实用户反馈和长期维护不足。
GenAI Society 再办一个普通 hackathon，会进入拥挤赛道。更好的互补方式是做 “after-hackathon residency”：接收其他活动中最有潜力的 2—4 个项目，用四周完成用户验证、安全审查和部署判断。
Machine Learning/Data Science Club、ECLAIR、ACM、计算机系学生组织能提供算法、工程和专业网络。它们的优势是技术共同语言和长期学术传统。GenAI Society 若只做 prompting workshop，技术深度比不过 ML 社团，工具资源比不过 builder club。
它应把非技术成员变成真正的生产角色：法律学生做政策与责任边界，设计学生做交互和无障碍，社科学生做用户研究与影响评估，专业领域学生定义问题与验收标准，工程学生负责实现。跨学科不能只体现在报名表，而要写进每支队伍的角色配置。
Artificial Intelligence Society at UT Dallas成立于 2016 年，公开活动显示它已经形成多层产品：ML Monday 提供持续学习；AI Mentorship Program（AIM）以 semester-long teams 带零基础 mentees 做全栈 AI 项目；AIM Night 展示成果；HackAI 形成年度品牌活动。其公开募款页面还把预算具体绑定到 hackathon、mentorship 和 community projects。
它最值得借鉴的不是规模，而是“活动阶梯”：路过者参加公开课，认真者进入项目，成熟成员当导师，成果在展示夜被看见。GenAI Society 当前公开页面更像一组使命和资源；下一步需要把使命变成这种可重复的成员旅程。
ASU AI Society 的公开活动包括 9 周生产级 AI 项目、weekly leaderboards、faculty/industry mentorship、MakerSpace 和 summit。它展示了另一条路径：用企业基础设施与导师增强项目制。风险是活动可能过度服务招聘或供应商目标。
GenAI Society 可以借其长期项目节奏，但要保留自己的“society”部分：每个项目不仅有 demo，还要回答谁受益、谁承担错误、数据从哪里来、如何退出。
| 组织/活动类型 | 核心承诺 | 强项 | 常见短板 | GenAI Society 应对 |
|---|---|---|---|---|
| Claude Builder Club | 用 Claude 快速 build | credits、工具、hackathon | 单一平台导向 | 模型中立、问题先行 |
| 大型 hackathon | 周末完成原型 | 能量、曝光、赞助 | 缺乏后续验证 | 做 4—6 周延伸验证 |
| ML/CS clubs | 学技术、找同伴 | 深度、专业网络 | 跨专业门槛 | 让领域与评估角色进入核心 |
| UTD AIS | 教学—导师—项目—大赛阶梯 | 成员成长机制成熟 | 运营复杂 | 学其阶梯，不照搬规模 |
| ASU AI Society | 产业支持的长期制作 | 导师、基础设施、作品集 | 易被招聘逻辑主导 | 加入公共价值和退出机制 |
| GenAI Society | tech + culture + society | 跨学科叙事位置好 | 公开旗舰机制不清 | Field Lab + Dialogues 双轮 |
Stanford AI Club公开定位聚焦前沿研究，活动主轴很克制：Speaker Series 吸引关注，小型 Research Cohort 提供导师和算力，已有项目覆盖奥赛推理、test-time learning、world models 和视频推理。其公开活动能邀请 Jeff Dean、Modal CEO 等高辨识度嘉宾，但组织价值不止于“见名人”，而是把流量送进研究小组。
一个需要特别标明的制度事实是：Stanford CardinalEngage 目录截至研究时显示该 group “Not Registered Yet”。因此，它是有公开活动与项目的学生 AI 社群，但不能据此写成已完成校方 VSO 注册的组织。这个案例提醒 GenAI Society：外部声量与制度成熟度并非同一件事，两者都要建设。
Machine Learning at Berkeley将组织拆为 Education、Research、Consulting/Industry Partnerships。更值得借鉴的是其招新分层：零经验成员进入训练项目，有能力者进入 research/consulting projects，硕博或访问学生可以 Fellows 身份加入。这避免了同一个 workshop 同时服务“第一次打开 notebook 的人”和“准备投稿的人”。
ML@B 在 Berkeley 的学生组织目录中登记，但官网明确其活动由组织独立负责；校园注册不等于 UC 对全部活动背书。这与 UT Austin 的 RSO/SSO 区分相似。对 GenAI Society 来说，可直接复制的不是筛选强度，而是 Explorer—Builder—Fellow 三轨：
MIT AI Alignment始于 2022 年，聚焦先进 AI 风险。其 Executive Board、Operations、Organizers、Faculty Advisor 结构公开，旗舰项目 AI Safety Fundamentals 采用 8 周小组制，每周固定讨论并配 facilitator。它证明了一件事：成员持续回来，不只是因为“AI 很热门”，而是因为组织对一个具体问题有共同立场、阅读路径和同伴关系。
GenAI Society 不必变成 alignment club，却应为每学期提出一个足够尖锐的主题，例如“如何让校园 GenAI 原型可追溯、可退出”。主题越具体，跨专业讨论越容易从观点交换进入共同工作。
HUSAI通过 Fellowship 支持研究、开源工具和应用，提供算力/API credits，并由 Technical Directors 做双周 check-in，目标是达到可公开、可发表的完成度。相较于向所有成员平均发 credits，这种里程碑式微资助更容易产生真正成果。
若 GenAI Society 获得赞助，建议首轮每队只给 200—500 美元等值 credits，按 problem brief、prototype、user test、final artifact 四个节点释放。钱不是奖励报名，而是降低完成项目的边际成本。
Stanford HAI Student Affinity Groups和 Harvard Student Leaders in AI不是普通学生 club 的简单复制品：前者由研究所支持跨学科主题小组，后者由 Berkman Klein Center hosted/facilitated，并要求成员在一个学期内持续参加和完成 group project。它们的价值是用 staff/faculty 连续性抵消学生换届。
对 UT 的现实做法不是立刻转为 Sponsored Student Organization，而是先建立轻量 advisory circle：Office of Academic Technology、Good Systems/相关研究中心、Information Security 与一个校园问题伙伴每学期各指定一名 liaison，学生仍掌握项目选择和运营。
根据官网，可以确认的活动/内容类别有：嘉宾分享、研究与产业交流、AI labs/centers 资源导航、行业应用介绍、竞赛信息、自由讨论。不能仅凭嘉宾头像推断场次、日期和参与规模。
这些活动仍可做，但不应成为新人的旗舰提案。
缺的不是活动数量，而是把一次兴趣变成长期能力的中间层。
这是一个 4—6 周的小型 cohort，不是比赛。每期围绕 3—4 个由校园单位、学生组织或社区伙伴提出的低风险问题组队。
第 0 周：问题征集与风险筛选
只接受公开/已发布数据或合成数据；排除医疗建议、心理诊断、评分、招生、纪律、招聘筛选、法律结论等 consequential decisions；确认问题提出者愿意参加两次反馈。
第 1 周：组队与 Problem Brief
每队必须至少包含 builder、domain/user researcher、design/communication、evaluator 四类角色。交付一页问题定义：用户是谁、当前如何解决、成功标准、非目标。
第 2 周：最小原型与红队
完成可点击/可运行原型；由另一队测试 hallucination、prompt injection、偏见、无障碍和失败处理。
第 3—4 周：真实反馈与迭代
让 3—5 名目标使用者完成任务，不问“你喜欢吗”，而看完成率、时间、错误和是否愿意再次使用。
第 5 周：Public Demo + Failure Report
每队展示 demo，同时公开“它做不到什么”。最终交付代码或流程、数据说明、model/tool disclosure、risk card、用户反馈摘要和维护/归档决定。
新人通常没有预算、品牌和高层人脉，却可以做好范围控制、招募四个问题、搭模板、请两位导师。Field Lab 的护城河来自流程，不来自名人。新人还能借此与每个现有 officer 协作：Engagement 招募、Design 负责展示、Secretary 管文档、President 拉伙伴，避免另起炉灶。
每两周 90 分钟，学生带来一个真实但去敏的问题，现场由“技术 + 领域 + 风险”三人桌协助改进工作流。参与者离开时应得到一页可复用 workflow，而不是一串 prompt。
建议固定三个站：
它成本低，可作为 Field Lab 的入口，也适合无法投入六周的成员。
每月选一个真实案例：AI tutor 给出错误解释、招聘 agent 产生偏差、聊天机器人泄露系统提示、创作者版权冲突。参与者分别扮演开发者、用户、机构、受影响者和审计者，最后写一页 decision memo。
这比泛泛的“AI ethics panel”更具体，也能兑现 society 与 culture 的定位。它不要求每个人会写代码，却能训练论证、证据和责任分配。
推荐的学期 dashboard：
| 目标 | 指标 | 建议首期目标 |
|---|---|---|
| 参与 | 首次参与者中再次参与比例 | ≥40% |
| 跨学科 | 每队非计算专业角色 | 至少2类 |
| 生产 | 完成公开 artifact 的队伍 | 4队中≥3队 |
| 使用 | 完成真实用户测试的项目 | 100% |
| 安全 | 完成数据/风险卡的项目 | 100% |
| 学习 | 能解释一次失败模式的成员 | ≥80% |
| 延续 | 下一期愿任 mentor/lead 的成员 | ≥25% |
这些是设计目标，不是已发生数据。首期结束后应根据实际容量调整。
任何一问无人回答，就不进入 build。
GenAI Society 在 2024 年选择了一个宽定位。早期看，这像是缺乏聚焦；到了 2026 年，它反而可能成为优势。单一模型 club 会随赞助和产品周期变化，纯 workshop 会被校级培训替代，纯 hackathon 会陷入活动通胀。一个同时能讨论技术、文化和社会的组织，最适合承担“跨专业翻译层”。
但“跨学科”不能只是一句欢迎所有专业。它必须成为生产约束：没有 domain owner 的团队不开工，没有 evaluator 的 demo 不展示，没有风险卡的项目不发布。历史上的宽使命，只有被压进具体流程，才会变成今天的差异化。
组织继续做嘉宾、资源和小型项目，逐渐建立一定品牌。它不会成为最大技术社团，却能保持跨专业人群。这条路风险低，影响也较分散。
Claude Builder Club 提供工具与 credits，HackTX 提供规模与奖品，UT.AI 提供官方培训，ML clubs 提供技术深度。若 GenAI Society 仍以泛讲座为主，成员会把它当信息渠道，而不是归属与作品来源。创始人毕业后，组织可能只剩社交媒体账号和旧官网。
Field Lab 把 UT.AI 的政策、研究者的方法、校园伙伴的问题和学生的创造力连接起来。组织每学期产出少量但可信的 public-interest prototypes、failure reports 和 policy-to-practice guides；成熟成员进入研究、创业或校级项目，新人通过 clinic 进入 cohort。它不与任何一个技术社团争夺全部功能，却成为大家需要的中间层。
我的判断是，最乐观剧本并不需要最多的钱。它需要三件较难但可控的事：稳定的项目节奏、真实使用者反馈、敢于公开失败。做到这三点，“society”才不只是名称，而是一种共同学习如何与 AI 相处的制度。
不要从“我能办什么活动”开始，要从“这个组织每学期应该留下什么”开始。
最好的新人项目，不是再请一个人讲 AI，而是让一小群原本不会合作的人，在四到六周内为一个真实但低风险的校园问题做出可验证成果，并把失败、边界和维护责任一并公开。先跑 2 个题目的最小 Field Lab。它若成功，再扩成旗舰；它若失败，复盘本身也是组织资产。
访问日期均为 2026 年 8 月 11 日。
本报告使用数字生命卡兹克（Khazix）提出的横纵分析法：纵轴追踪组织从诞生环境到当下治理阶段的演变，横轴比较同一时点上的校内替代品与外校成熟组织，再从两条轴的交叉处提出行动建议。报告作者：Koutian Wu（https://ktwu01.github.io/）。