高校AI教育该如何打破专业壁垒？

高校AI教育打破专业壁垒的关键在于打破单一技术传授的模式，转向让每一位专业学生都能在自身领域中找到AI介入的合适切入点。核心在于培养学生看懂本专业问题的能力、判断AI能否有效参与的能力，以及与技术人员共同完成验证的能力。这些能力使学生能够将AI工具从外部导入，转化为本学科的实践工具，而非单纯的工具课补充。

合肥经济学院与华为共建人工智能实验室的实践，为这一转向提供了可参考的路径。该校以“AI+学科+产业”为导向，在人才培养方案中设计“1+M+N”的AI课程体系，开发“审计+AI”“制造+AI”等实训课程。审计专业可从资料归类、异常线索识别的工作流切入，制造相关专业则围绕质量、流程或设备数据问题展开。这种针对不同专业的入口设计，承认了学生基础差异，允许非计算机专业学生在熟悉的领域中理解并应用AI，而无需先掌握同等深度的模型原理。

课程设计应首先明确本专业的高频、可观察、可验证的问题，再决定AI知识的深度和实践任务的边界。华为与电子科技大学围绕《机器学习》课程的共建案例表明，面向基础不同的学生，降低实践门槛至关重要。该校为初学者构建了实验环境，允许学生接触图像风格转换、目标检测与识别等任务，并将课程、教学与竞赛结合，形成理论学习到项目应用的完整路径。实验室不应仅为设备空间，更应成为支持跨学科协作的机制。建设顺序应反向操作：先确定课程任务，再配置支持环境，最后组织教师协同。

高校教师需警惕“先采购、后找场景”的误区。更好的做法是先凝练真实但边界清晰的专业任务，例如围绕资料整理、图像识别或流程分析展开，确保学生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。学科教师负责判断任务贴近专业逻辑，AI教师把关方法论，确保两类教师形成互补分工。学生以小组方式完成跨角色协作，包括问题定义、数据整理、方案实现和结果复核，避免技术能力差异导致的展示不公。复盘环节应正式纳入教学，要求学生不仅展示完成成果，还要分析结果的可靠性、假设的补充以及适用条件的限制。

跨学科AI教学的评估框架应建立四个维度，而非仅依赖模型运行成功或项目获奖。重点观察问题定义能力，学生能否将模糊需求转化为可讨论的任务并说明AI介入的必要性；学科理解能力，用本专业知识解释数据、结果与异常情况；技术实践能力，完成基本操作并理解输入输出验证的关系；责任判断能力，识别偏差、误用、隐私风险或过度依赖等情况。教师可要求学生在每次汇报中保留一页反思内容，明确哪些结论必须人工复核，哪些数据不能直接使用，哪些场景应停止采用AI方案。这种训练能更好地贴近真实工作环境。

推动“人工智能+教育”政策时，应避免一次性铺开所有专业。管理者可先选择具备明确任务场景、教师团队愿意共同备课、学生基础可被支持的课程进行试点。试点后需检查三个核心环节：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复用。只有这些环节逐步稳定，AI实验室才能从展示空间转变为持续培养多学科人才的教学基础设施。这样的改革路径，不仅能有效打破专业壁垒，也能使高校AI教育真正服务于人才培养的本质需求。