高校教授激辩AI重构教育
作者／ IT时报记者 林斐
编辑／ 郝俊慧 孙妍
面对AI的颠覆性冲击，高校教育模式正经历深度重构。
2月21日，在2025全球开发者先锋大会（以下简称GDC）人工智能人才培养与发展论坛上，上海交通大学特聘教授、ACM班创始人俞勇率先“开炮”，“当大模型能瞬间生成标准答案时，教师若仍执着于知识灌输，无异于刻舟求剑”。
北京通用人工智能研究院院长、北京大学人工智能研究院院长朱松纯也强调，传统学科需要“革命自救”，不再循规蹈矩地按课本教学，而是要和人工智能结合起来，用人工智能的思维构建未来。
论坛上，“新一代人工智能实战型人才培养系列教程”一期成果正式发布，二期项目同步启动。
用AI写作业？可以，但必须体现AI协同深度
“英语系的同事告诉我一件事情，去年开始同学交上来的作业已经很难找到错误了。”上海交通大学计算机系教授博导、副系主任张伟楠和他的团队近期完成一个调研，在完成相同编程任务时，大语言模型的编程能力已经超过参与测试的绝大多数上海交大本科生、研究生的水平，并且随着“运行-修改-再次提交”的DEBUG过程，差距越来越明显。
当学生开始用AI写作业，教授们该如何面对？
上海交通大学副教授、清源研究院院长助理刘鹏飞的课堂上演着一场“人机共生”的实验：从允许学生用 AI 完成作业，到要求作业必须体现“AI协作深度”。
在一个图像识别的课程项目中，大二的学生们已能借助AI工具做出不错的科研成果：学生们利用AI模型进行初步图像分类，但必须自己分析模型的优缺点，并通过调整参数和改进算法来提高识别准确率，在这个过程中不断提升对 AI 技术的理解和运用能力。
“这倒逼我们重新定义‘基础能力’——未来人才的核心竞争力，在于对AI输出的判断力与迭代速度。”刘鹏飞表示。
上海交大ACM班也正在建构“1 门必修课+数十门选修课”的课程体系：要求学生自主设计学习路径，教师仅充当“思维教练”。学生需自主选择感兴趣的AI领域，如机器学习、计算机视觉等，并制定相应的学习计划，完成项目实践和研究报告。
“中国的AI人才缺口不是简单的数量问题，而是质量与结构性问题。”俞勇直言，应该将高中科学教育大学化——让高中生撰写科研论文、学习技术史，以此打破应试枷锁，培养“大学科思维”。比如，一些高中已经开始尝试开展科技创新社团活动，引导学生参与简单的科研项目，撰写科技小论文，在实践中培养学生的科学思维和研究能力。
新型校企合作打造“超级AI试验场”
很长一段时间里，在国际人工智能顶级学术会议上，美国研究团队发表的创新性研究成果数量和引用率都高于中国团队。“美国AI人才的优势本质上是全球人才虹吸的结果，中国近年已积累大量优秀人才，但在原创性突破上仍需努力。”刘鹏飞表示。
不过，他亦强调中国独特的结构化优势，“我们的市场规模、工程化能力和产业协同效率，为技术快速落地提供了‘超级试验场’。若能将这些要素与人才培养深度结合，完全可能走出一条差异化道路。”
然而，一位来自上市科技公司的人力资源总监也提出疑问，AI时代，传统的“校企合作”的人才培养模式将产生怎样的变化？
浙江工业大学教授王万良提出，高校和企业在合作时，应该将脱敏后的前沿技术转化为教学案例，企业和学生可以进行联合毕业设计，由企业提供真实课题，学生成果可直接应用于产线，实现“研发 - 教学 - 商用”闭环。
例如，在智能制造领域，企业将自动化生产线的优化问题作为毕业设计课题交给学生，学生运用所学的AI知识和工程技术，设计出智能调度算法和故障预测模型，经过企业的评估和完善后应用到实际生产中，提高生产效率和产品质量。
“合作必须双赢，”王万良总结，“企业获得人才储备，高校解决设备、数据短板，这才是长效机制。”
跨学科融合打破“纸上谈兵”
近几年来，随着AI能力的增强，千行百业都在准备用AI重塑自己，AI for Science也成为科学研究的新范式，加速各类科学难题的突破。然而，无论是高校、研究机构，还是企业事业单位，被AI打破的学科界限却没有相应的人才接应。
工信部数据显示，我国AI 心产业人才缺口已超500万，且在高层次算法研发、跨学科应用等领域的供需矛盾尤为突出。例如在医疗影像智能诊断领域，既懂医学影像专业知识又精通AI算法的复合型人才极为稀缺，导致许多先进的AI诊断技术难以快速落地应用于临床。在一些高校的新兴交叉学科研究项目中，比如生物医学与人工智能的结合项目，同时具备生物学和AI知识的研究人员，因其在基因数据分析、疾病诊断模型构建等方面可以发挥重要作用，往往成为各个团队争抢的对象。
“全国真正开展人工智能相关工作的高校，以及从事人工智能研究的教师、科研人员还比较少，所以对于大家来说更重要的是能够开展合作并取得成果。”王万良表示。
“在人工智能领域，各学科之间相互依存，例如人工智能与计算机、电子信息等其他专业都有关系，谁都离不开谁，不应强调谁主导谁。”在俞勇看来，跨学科合作时，不同阶段主导方可能不同，初期人工智能专业人员在技术方面可能参与更多，后期应用场景则需要相应专业领域和行业场景的人员主导，需要在合作开始前就将研究主导权划分得很清楚，新的尝试需要在磨合中探索。
比如在智能交通系统的研发中，前期AI专业人员负责搭建智能算法模型框架，但在后期的实地部署和优化阶段，交通工程专业人员则发挥关键作用，根据交通流量、道路规划等实际情况对系统进行调整和完善。
“人工智能是多个专业融合的结果，单独一个专业不能称之为人工智能。”俞勇表示。
排版／ 季嘉颖
图片／ IT时报
来源／《IT时报》公众号vittimes
来源：IT时报
(本文来自澎湃新闻，更多原创资讯请下载“澎湃新闻”APP)
