中国AI教育新范式：从“AI Plus”到多学科人才融合实践

人工智能进入高校，难点从来不只是“有没有一门AI课”，而是学生能否把AI带回本专业的问题现场。近期围绕“人工智能+教育”的讨论，正在把人才培养的重点从单纯讲授技术，推向“学科理解、工具实践与真实任务”同步发生的教学重构。

从“加一门AI课”转向“每个学科都有AI实践”

“AI Plus Education”的价值，不应被理解为在原有培养方案上叠加几节工具课。对于多数非计算机专业学生而言，真正需要建立的是三种能力：看懂本领域问题的能力、判断AI能否参与解决的能力，以及与技术人员共同完成验证的能力。

合肥经济学院与华为共建人工智能实验室的公开案例，提供了一个值得关注的方向：以“AI+学科+产业”组织实践教学，并在人才培养方案中设置“1+M+N”的AI课程体系，开发“审计+AI”“制造+AI”等实训课程。它的启发不在于复制某个课程名称，而在于承认不同专业进入AI教育的入口并不相同。审计专业可以从资料归类、异常线索识别等工作流理解AI；制造相关专业则可从质量、流程或设备数据等问题切入。

这意味着高校不必要求所有学生先掌握同等深度的模型原理。课程设计应先问：本专业有哪些高频、可观察、可验证的问题？再决定学生需要学到什么程度的AI知识，以及需要完成怎样的实践任务。

实验室不只是设备空间，而是协作机制

华为与电子科技大学围绕《机器学习》课程的共建案例显示，面向基础不同的学生，降低实践门槛十分关键。该校建设了面向初学者的实验环境，让学生能够接触图像风格转换、目标检测与识别等任务；同时又将课程、教学与竞赛结合，形成从理论学习到项目应用的路径。

对高校教师而言，实验室建设最容易陷入“先采购、后找场景”的误区。更可复制的顺序应当反过来：先确定课程任务，再配置支持任务的环境，最后组织跨学科协作。实验室的核心产出不应只是学生完成了多少次上机，而应是沉淀出一批可复用的任务模板、数据规范、评价量表与教师协同流程。

一个可在校内试行的流程，可以从小范围课程开始：

1. 选择真实但边界清楚的专业任务。 任务不宜过大，例如围绕一类资料整理、图像识别、流程分析或文本辅助判断展开，确保学生能在一个教学周期内完成“提出问题—尝试方案—复盘结果”的闭环。




2. 由学科教师定义问题，由AI教师把关方法。 学科教师负责判断任务是否贴近专业逻辑，AI教师负责提示数据、模型输出和结果解释中可能存在的局限。两类教师不必互相替代。




3. 让学生以小组方式完成跨角色协作。 可设置问题定义、数据整理、方案实现、结果复核等角色，避免把AI课变成少数技术基础较好学生的个人展示。




4. 把复盘纳入正式教学。 学生不仅要展示“做出来了什么”，还要说明哪些结果不可靠、哪些假设需要补充、在什么条件下不应采用AI输出。

用四个维度评估，而不是只看作品是否“炫”

跨学科AI教学的效果，不能只依据模型是否运行成功，也不能只看比赛获奖或项目展示。更稳妥的做法，是从学习过程和专业判断两个层面建立评价框架。

其中，“责任判断”尤其不应被放在课程末尾作为附加提醒。AI输出看似合理，并不意味着它适用于专业决策。教师可以要求学生在每次项目汇报中专门保留一页内容：哪些结论必须由人复核，哪些数据不能直接使用，哪些场景下应停止采用当前方案。这样的训练，往往比单纯提高操作熟练度更接近真实工作环境。

先做小闭环，再形成学校方案

政策制定者和院系管理者在推动“人工智能+教育”时，可以避免一次性铺开所有专业。先选择有明确任务场景、教师团队愿意共同备课、学生基础差异可被支持的课程进行试点，更容易发现课程目标、资源条件与评价方式之间是否匹配。

试点结束后，重点不是立刻扩大课程数量，而是检查三个问题：学生是否真正理解了AI在本专业中的适用边界；教师是否形成了跨学科备课与评价的共同语言；实验任务能否在下一轮教学中被优化和复用。只有这些环节逐步稳定，AI实验室才会从展示空间变成持续培养多学科人才的教学基础设施。