跨学科AI人才培养的关键能力链

在高校推进人工智能教育时，单纯增加一门AI课程难以实现跨学科人才的真正培养。华为发布的AI实践实验室（AIPL）方案强调“多学科+AI”模式，将理论、实践、应用与创新有机连接起来，为教学管理者提供了重要参考。它提醒我们，AI应进入专业学习过程，形成可迁移的能力，而非留下时髦的课程标签。

跨学科AI人才培养的关键能力链应围绕问题定义、专业协作、AI使用、结果验证和成果表达五个环节构建。这条链条帮助学生从工具操作者转变为负责任的协作问题解决者，避免陷入工具化、拼盘化和空泛实践的误区。

能力链的五个核心环节

问题定义是整个链条的起点。学生需先独立提出问题、判断标准，并理解AI如何辅助头脑风暴或信息梳理，但不能替代自身分析过程。AI参与后，学生必须拆分使用环节：独立界定问题，让AI参与资料整理或方案比较，再要求核验输出、标注修改依据，并反思偏差。这确保AI成为思维训练工具，而非快捷按钮。

专业协作是链条的连接机制。跨学科课程不应成为专业拼盘，而应围绕单一专业难以独立完成的任务展开。例如，校园服务优化项目需整合数据分析、用户需求、管理流程、隐私保护和成本评估。计算机专业学生关注模型，管理类学生关注组织，法律相关学生关注合规。各方共同制定方案、目标和评价标准，避免教师各自为战。评价应覆盖专业判断、团队协作、AI使用过程和方案可行性，而非单一学科标准。

AI使用环节应嵌入真实过程，而非课堂演示。忽视真实项目实践是常见陷阱，学生仅在课堂完成演示题难以形成实践能力。应引入合作部门或校园场景提出的问题，引导学生完成需求访谈、资料整理、方案设计、AI辅助处理、结果验证和展示答辩。项目中设置“不能交给AI完成”的环节：要求学生解释选择依据、指出生成内容不确定处、说明数据来源，并在答辩中回应质疑。涉及个人信息或版权内容时，需规定授权和人工复核规定，建立数据意识、伦理意识和责任边界。

结果验证是链条的关键闭环。AI生成内容可靠性取决于学生对问题的界定和证据判断。评价不仅看最终文档完整性，更应检查过程记录、事实核验和口头说明。结果验证还包括对AI偏差的修正能力，确保输出经得起追问。

成果表达是能力的最终体现。学生需通过项目展示或答辩，将多学科视角整合成可行方案，同时披露AI使用细节，说明其如何改变了判断或产生了错误。这形成从问题到解决方案的完整链条。

对教学管理者而言，制度支持是落地保障，包括跨学院教师协作、项目过程评价、AI使用披露和风险边界说明。对课程设计者而言，每一次AI调用都应放回学习目标：它帮助发现什么，改变了哪个判断，学生又是如何修正的。

AIPL代表的“多学科+AI”模式能否产生教育价值，取决于是否将AI融入真实专业问题和学习过程，而非简单增加技术标签。构建这条能力链，可让跨学科人才培养从“会使用AI”走向“能与不同专业协作，用AI负责任地解决问题”。高校可先选取一个跨专业问题进行试点，记录学生在提问、核验、协作和答辩中的表现，并根据反馈调整任务与评价方式。