《智谱&和鲸科技：2025AI融合高等教育：从通识到专业——学科+AI人才培养白皮书（189页）.pdf》由会员分享，可在线阅读，更多相关《智谱&和鲸科技：2025AI融合高等教育：从通识到专业——学科+AI人才培养白皮书（189页）.pdf（189页珍藏版）》请在三个皮匠报告上搜索。

1、AI Integration in Higher Education指导机构：牵头单位:联合发布机构:特别顾问（*以拼音首字母排序）金 莹南京大学计算机基础教学部马少平清华大学计算机系人工智能通识教育（AIGE）研究中心王 东清华大学计算机系人工智能通识教育（AIGE）研究中心许 斌清华大学计算机科学与技术系赵 宏南开大学计算机学院学科顾问（*以拼音首字母排序）陈 华中国石油大学（华东）理学院范 炜四川大学公共管理学院陈建红山东大学数字人文实验室刘冬冬首都医科大学生物医学工程学院胡传鹏南京师范大学心理学院田 驰安徽大学物理与光电工程学院沈思鹏南京医科大学公共卫生学院程羽慧南京师范大学心理学院韩

2、爱庆北京中医药大学管理学院胡林舒浙江大学地球科学学院胡 维同济大学经济与管理学院廉海荣中国地质大学（北京）数理学院叶 晨同济大学计算机学院杨海军山东大学管理学院张维拓上海交通大学医学院代文林中国人民大学统计与大数据研究院兰义湧中央民族大学理学院何向南中国科学技术大学人工智能与数据科学学院袁 敏安徽医科大学卫生管理学院姚 尧中国地质大学（武汉）地理与信息工程学院专家顾问委员会引言第一章 AI 与高等教育融合的现状分析一、全球 AI 浪潮下，学科边界重构成必然二、AI 大国博弈下，国内外 AI 融合教育格局三、国内外高等教育机构 AI 融合举措四、当前跨学科 AI 融合进程中的关键挑战第二章 从通

3、识到专业：学科+AI 人才培养体系框架一、人工智能通识教育二、学科+AI 专业教育第三章 AI 实践教学模式与工具一、AI 实践教学的本质与价值二、AI 教学平台是 AI 教学实践必备的承载工具三、AI 教学平台的技术先进性第四章 人工智能赋能高等教育：从大模型技术底座到 AI 助手的场景化创新一、大模型技术底座：高等教育的智能化基石二、核心场景：AI 助手的高等教育实践三、技术伦理与规模化落地挑战四、从工具到生态的演进第五章 学科+AI 人才培养实践案例一、国内高校学科+AI 人才培养优秀案例二、国外高校在学科+AI 教育方面的先进经验借鉴第六章 AI 融合高等教育的评估与质量保障体系一、A

4、I 通识教育评估二、学科+AI 专业教育评估三、教学质量评估01020304071013142334353638394041454647486172737475目录CONTENTS第七章 未来展望与挑战一、技术驱动的教育范式革新二、跨学科融合的深化路径三、师资与教学能力的升级挑战四、伦理与可持续发展的平衡五、全球化竞争下的战略选择结语参考文献附录附录 1:AI 融入行业及学科情况调查问卷与结果分析附录 2:工科与人工智能融合课程体系构建与实施路径参考附录 3:理科与人工智能融合课程体系构建与实施路径参考附录 4:文科与人工智能融合课程体系构建与实施路径参考附录 5:医科与人工智能融合课程体系构

5、建与实施路径参考指导机构清华大学计算机系人工智能通识教育（AIGE）研究中心金砖创新基地数字经济研究中心牵头单位北京智谱华章科技股份有限公司上海和今信息科技有限公司和鲸社区联合发布机构异步社区中国信通院重要申明编委7779797980808182848411312814916318018018018118118118118218218218318401引言2025 年初 DeepSeek-R1 的发布引起轰动，这标志着继 2022 年末 ChatGPT 引发的全球人工智能浪潮后，人类在智能技术应用的征途上迈出了更具实践导向的关键步伐。这一技术演进不仅重构了社会生产与科技创新范式，也对高等教育人

6、才培养体系产生了根本性影响。在智能时代，人工智能不仅已成为驱动社会发展的一种全新生产力，更对人才素质提出了跨学科知识整合与创新实践能力并重的新要求。在此背景下，高等教育体系正经历从知识范式到能力范式的结构性转变、从“计算机+X”传统专业培养模式向“学科+AI”融合培养范式的转变。这种转变具体体现在：课程体系由编程技术教学转向智能素养培育；培养目标从专业技术人才升级为兼具领域知识与 AI 思维的复合型创新人才；教育场景从实验室环境拓展延伸至真实产业应用场景。为响应国家教育数字化战略布局，在教育部政策引导、地方政府支持及头部高校示范带动下，全国高校于 2024 年全面启动人工智能教育改革，标志着我

7、国“智慧教育元年”的开启。然而，作为新兴领域，当前高校在人才培养体系设计、课程改革路径、教学模式创新、实践教学体系构建及能力评价标准等方面仍处于探索阶段。依托十年间在人工智能多领域应用的实践积累，和鲸社区通过与千余名教育工作者深度研讨、与近三百所高校开展人才培养创新合作，并基于数千份调研数据的系统分析，编制完成AI 融合高等教育：从通识到专业 学科+AI 人才培养白皮书。本白皮书旨在为“学科+AI”人才培养领域的研究者、教育工作者提供理论参考与实践指引，期待通过学术交流与经验共享，共同推动我国高等教育人工智能领域人才培养体系的完善与创新。调研时间：2024 年 12 月研究方法：桌面研究，问卷

8、调研，深度访谈样本情况：受访者共 2502 位，身份多样，其中学生 1473 人（58.87%）、在职人员 929 人（37.13%），在职人员包含企业职员（56.17%）、高等院校工作者（18.4%）、科研机构人员（15.5%）及自由职业者（9.93%）TransformersGPT-3ChatGPTGPT-4LLaMA-3.1405BOpenAI-o1DeepSeek-V3DeepSeek-R1大语言模型发展简史研究说明引言02第一章AI 与高等教育融合的现状分析一、全球 AI 浪潮下，学科边界重构成必然二、AI 大国博弈下，国内外 AI 融合教育格局三、国内外高等教育机构 AI 融合举措

9、四、当前跨学科 AI 融合进程中的关键挑战03随着生成式 AI（如GPT-4、Claude、DeepSeek 等大模型）的涌现与广泛应用，特别是 DeepSeek 取得的关键性技术突破，人工智能的发展正式迈入了一个以“开源平权”为标志的新纪元。知识传授的范式已经被颠覆，传统学科的壁垒也在消融，新的知识单元不断涌现，AI 驱动的跨学科科学研究将有助于产生更多突破性成果，其中最具代表性的成果 DeepMind 所开发的 AlphaFold 算法，通过 AI 破解了蛋白质分子折叠问题，推动生物学、化学与计算机科学的深度融合。生成式 AI 通过跨领域数据融合重构知识生产范式，促使教育体系突破传统学科专

10、业的固有边界，进而推动整个学科体系的转型升级。AI 技术的渗透正重塑全球产业链，企业对人才的能力需求发生结构性转变。世界经济论坛2023 年未来就业报告 指出，未来五年增长最快的十大岗位中，与人工智能、商业智能分析和数据科学等大数据领域密切相关的职位占据了主导地位。预计到 2027年，数据分析师和科学家、大数据专家、人工智能和机器学习专家，网络安全专业人士等职位的需求预计增加 30-35%（140 万）。同时，企业在招聘中的要求和给出的反馈也印证了产业升级下对复合型能力人才的强烈需求。根据问卷调研，仅有 1.47%的受访者表示企业在招募新员工时不看重 AI 技能，这体现出无论企业所在领域、岗位

11、职能如何，AI 技能已经被纳入雇员应聘时的考量维度之一，并且其重要性相信在未来将越来越显著。当我们在谈论人工智能与高等教育的融合时，通常涉及两层含义：第一层是“人工智能赋能教育”，即更侧重于利用 AI 技术为传统教育赋能，提升教育质量与效率；另一层是“学科+人工智能教育”，即更侧重将人工智能作为贯穿各学习阶段的核心要素，诸如各高校开设的“人工智能通识课程”、“传统学科+AI”交叉课程等。这两层含义共同构成了新时代背景下学科交叉融合的创新人才培养范式。“人工智能赋能教育”推动了教育形态的数字化转型与教学模式的创新变革，实现了效率的提升、模式的变革，而“学科+人工智能教育”作为人才培养的战略方向，

12、是塑造我国国际人才竞争优势的关键。本白皮书将更聚焦于“学科+人工智能教育”层面，助力高校把握时代机遇、应对全新挑战。1.技术驱动：AI 对知识体系的解构与重组2.产业需求：复合型能力驱动学科重构一、全球 AI 浪潮下，学科边界重构成必然全球 AI 浪潮下，学科边界重构成必然04数据来源：和鲸科技（）经调研得出。引用请注明出处。产业需求已不再是教育变革的外部变量，而是直接嵌入学科重构的核心逻辑。从特斯拉的“AI+制造”工程师到华为的“通信-算法”复合型科学家，产业界用真金白银的岗位需求投票，迫使高等教育打破百年学科壁垒。这种重构不是简单的课程叠加，而是通过产教数据互通、能力认证革新、知识生产模式

13、转型，构建“教育-产业”协同进化新生态。唯有如此，高校才能摆脱“培养过去需要的人才”的困境，真正成为未来生产力的孵化器。AI 技术已成为全球科技竞争的战略制高点，世界各国围绕技术创新、产业应用与人才储备展开激烈角逐，通过政策规划、资本投入与教育改革构建核心竞争力。在此背景下，AI 与教育的深度融合不仅是技术场景落地的关键领域，更成为培育未来创新人才的核心路径，引领全球教育变革的重要趋势。当前，全球 AI 教育发展已形成以美国、中国、欧盟为核心，日韩、新加坡等国家积极布局的新格局。全球竞争格局下，以跨学科知识整合与创新能力培养为核心的 AI 融合教育，正成为各国提升国际竞争力的必然选择。1.全球

14、主要国家 AI 融合教育战略布局二、AI 大国博弈下，国内外 AI 融合教育格局企业在招聘时对 AI 能力的看重程度AI 大国博弈下，国内外 AI 融合教育格局05自 2017 年国务院颁布新一代人工智能发展规划以来，国家级政策体系持续完善，国务院、教育部、科技部等多部门协同发力，相继出台系列政策文件，从学科建设、人才培养、技术应用等维度系统布局人工智能教育生态。2024 年作为“智慧教育元年”，政策发布更是呈现显著的密集化与精准化特征。2.政策组合拳发力，2024 年我国 AI 教育实现跨区域、跨学科全面进阶数据来源：和鲸科技（）经调研得出。引用请注明出处。02040608038142932

15、35447115AI 大国博弈下，国内外 AI 融合教育格局06在以跨学科融合为核心特征的 AI 融合教育发展进程中，区域性与学科性差异仍客观存在，但政策驱动与实践探索正加速推动这一领域向全域化、均衡化方向发展。从学科维度观察，我国“学科+AI”教育体系的构建呈现阶梯式演进特征。自 2017 年“新工科”的提出，到 2020 年“新工科、新医科、新农科、新文科”建设全面启动，学科交叉融合的理念逐步深化。2024 年，全国高校全面推进传统学科与人工智能的深度融合改革，标志着我国 AI 融合教育正在加速由点到面的跨越式建设和发展。在区域发展层面，受经济基础与产业结构差异影响，2024 年，京津冀、

16、长三角、珠三角等经济发达地区率先启动人工智能通识课程体系建设，依托区域产业优势与教育资源，形成 AI 教育创新高地。随着政策辐射与经验推广，其他省市在年末陆续出台配套政策，通过区域协同、资源共享机制，推动省级 AI 融合教育体系的系统化构建，逐步缩小区域间教育发展差距。数据来源：和鲸科技（）经调研得出。引用请注明出处。AI 大国博弈下，国内外 AI 融合教育格局2024.3.12024.3.172024.3.282024.4.202024.11.142025.4.152025.1.192024.4.17数据来源：和鲸科技（）经公开信息收集调研得出，以 2025 年 4 月 25 日前最新发布为

17、准07麻省理工学院（MIT）（QS-1）斯坦福大学（QS-6）卡内基梅隆大学（QS-58）伯克利大学（QS-12）设立“施瓦茨曼计算机学院”，统筹全校 AI 资源，强制所有专业学生选修 AI伦理与基础编程课程。推出“MISTI-AI”全球实践计划，学生赴 OpenAI、DeepMind 等企业完成“AI+能源/医疗”跨领域项目。建立“动态课程池”：每学期根据 AI 技术进展更新 30%的课程内容（如新增多模态大模型开发）。与强生公司合作“AI+生物制造”项目，生物工程、计算机科学、管理科学三学科学生组队开发细胞培养自动化系统，成果直接应用于疫苗生产线。建立“HAI（以人为本 AI 研究院）”，

18、联合医学院、法学院、商学院开发AI社会影响必修课。与谷歌合作“AI 加速器计划”，学生可使用 TPU 算力资源开发跨学科研究（如AI 气候模型）。推出“AI+学科”双学位项目（如 AI+公共政策、AI+生物学），要求学生在两个院系完成核心课程。取消“计算机科学系”独立建制，改为“计算学院”，全面对接全校各学科AI 融合需求。加州伯克利-英伟达联盟：企业开放 100PB 自动驾驶数据集，用于“AI+交通工程”课程开发。美国中国与此同时，国家部委也从学科交叉制度给予创新保障，如在首批 12 所高校（如清华、浙大、复旦）基础上，新增 30 所高校设立“学科交叉研究院”，赋予人事聘用、课程设计自主权；

19、允许交叉学科自主授予学位（如“智能医学工程”“AI 法学”）。教育部要求高校建立“AI 学分银行”，理工科学生选修人文社科 AI 课程可兑换学分（反之亦然），强制推行学分互认，这些举措都在直接而有力地推动跨学科 AI 融合教育的全面深化。全球顶尖高校凭借雄厚的资金储备、优质的教育资源与广泛的行业合作网络，在跨学科人工智能融合建设领域占据领先地位。其依托前沿学术研究与创新实践，形成了具有示范效应的发展模式，为全球高等教育机构探索 AI 融合教育提供了重要参照。通过对世界一流高校的实践案例分析发现，人工智能跨学科融合课程逐步从选修课程向必修课程过渡，跨学科协同机制从规划设计转向实质性落地，相关教辅

20、资源与平台的投入持续加大。值得关注的是，校企协同创新也成为一流高校 AI 教育发展的重要特征，包括但不限于与行业领军企业在课程体系共建、实践项目开发、产学研转化平台搭建等方面的深度合作。1.全球顶尖高校 AI 融合学科变革的策略三、国内外高等教育机构 AI 融合举措国家学校重要举措北京大学（QS-14）开设“人工智能与计算思维”课程。推出了基于博雅教育大模型的“北大智学”教学平台和课程教学创新项目。国内外高等教育机构 AI 融合举措08清华大学（QS-20）复旦大学（QS-39)上海交通大学（QS-45）浙江大学（QS-47）中国科学技术大学（QS-133）南京大学（QS-145）同济大学（Q

21、S-192）武汉大学（QS-194）剑桥大学（QS-5）启动“清华大学人工智能赋能教学试点课程工作方案”。至 2024 年秋季学期，学校 113 门课程实践了人工智能赋能教学。与智谱 AI 共建“人工智能教育赋能项目”，包括研发资源、模型服务在内，积极推进人工智能与教学深度融合。建设 AI 通识基础课程（AI-BEST）现已推出 116 门 AI-BEST 序列课程，其中2024 年秋季学期已开 61 门。建设校级智能计算平台 CFFF 平台。提出“AI+HI”构建未来高等教育的理念，发布“AI 教育教学”三年行动方案，从 AI 知识融合、AI 技术融合双向发力，牵引专业设置、培养计划、课堂形

22、态、实验实践等系统性改革。全面升级计算机类课程体系，面向不同学科专业开设多层次的人工智能通识课程，包括“人工智能基础 A”“人工智能基础 B”“人工智能基础 C”，分别主要面向理工农医类、社会科学类和人文艺术类学生。“人工智能数学原理与算法”本科生通修课，于 2025 年春季学期开设小班试讲，预计未来逐步推广至全校。建设“1+X+Y”三层次“人工智能通识核心课程体系”，以 1 门必修的人工智能通识核心课+X 门人工智能素养课+Y 门各学科与人工智能深度融合的前沿拓展课为基础，从知识、能力、价值观与伦理三个维度开展教育教学。发布人工智能赋能学科创新发展行动计划（2024-2027），提出了“1+

23、N”的人工智能赋能学科创新发展思路，部署启动八大核心任务。提出了一体化的数智人才培养体系、全栈式的数智教育实验创新教学体系，17 门本科数智教育公共课程形成了独具特色的“1+16”课程体系。设立“AI 伦理委员会”，所有 AI 相关课程必须通过伦理审查（如人脸识别技术的社会风险模拟）。与阿斯利康合作“AI 制药”项目，生物化学与计算机科学学生联合优化药物分子生成算法。中国国家学校重要举措苏黎世联邦理工学院（ETH Zurich）（QS-7）开发“AI for Science”平台，集成物理、化学领域100+科研数据集，供全校调用。强制工程类专业学习AI 安全与系统验证，将形式化方法纳入 AI

24、开发流程。欧盟高校全面发起人工智能通识课程体系建设：2024 年 2 月南京大学在全国高校首开先河，发布了面向全体本科新生开设人工智能通识核心课程体系的总体方案，随后清华大学、复旦大学、上海交通大学、同济大学等高校加入人工智能通识课程体系建设。在部分省市政策强力的带动下以及全行业的共同推动下，2024 年年底，更多的高校开始积极推进人工智能通识课的建设规划。2.“人工智能教育元年”我国高校 AI 融合学科建设举措及趋势国内外高等教育机构 AI 融合举措注：本表院校排序依据 2025 年 QS 世界大学排名。09数据来源：和鲸科技（）经公开信息收集调研得出，以 2025 年 4 月 25 日前最

25、新发布为准数据来源：和鲸科技（）经公开信息收集调研得出，以 2025 年 4 月 25 日前最新发布为准国内外高等教育机构 AI 融合举措102024 年教改课改政策/文件关注方向经过对 2024 年全年发布的教改课改政策/文件进一步统计，“学科+AI”方向占比约 45.7%，表明高校将各学科专业与人工智能的深度融合作为当前教育领域应用人工智能的重要着力点，正积极推动相关工作落实。“通识课”方向占比约 7.1%，反映出对学生人工智能基础知识普及的重视；“AI 赋能教育”方向占比约 35.7%，体现了利用人工智能全面革新教育教学各环节的趋势。2024 年教改课改政策/文件词云图数据来源：和鲸科技

26、（）经调研得出。引用请注明出处。数据来源：和鲸科技（）经调研得出。引用请注明出处。2024 年教改政策/文件发布数量走势经过对 2024 年全年发布的教改课改政策/文件发布数量的分析，可以发现在 2024 年秋季学期开学以来，其政策文件发布频次明显提升，这一趋势凸显了我国高校在加速 AI 与学科建设融合方面的积极行动，同时也反映出国家在下半年对教育改革工作的牵引力度明显加强。051015数据来源：和鲸科技（）经调研得出。引用请注明出处。根据AI 融入行业及学科情况调查问卷的结果，AI 融入学科的价值得到了广泛认可。大部分教师认为，AI 融入学科不仅能提升学生的数据分析和问题解决能力，还能增强学

27、生的就业竞争力，学生们对 AI 课程融入也表现出了较高的兴趣。然而，尽管 AI 融入学科教育的价值被广泛认同，但高校在 AI 教育课程体系、技能锻炼、学科壁垒、师资能力、评价体系等方面仍面临多重挑战。根据和鲸问卷数据显示，缺乏 AI 教学资源与缺乏 AI 实验室环境或相关工具，是将 AI 融入学科教学最为显著两大挑战，其他挑战还包括学生的学习基础不足、教师缺乏 AI 相关技能等。四、当前跨学科 AI 融合进程中的关键挑战当前跨学科 AI 融合进程中的关键挑战11数据来源：和鲸科技（）经调研得出。引用请注明出处。数据来源：和鲸科技（）经调研得出。引用请注明出处。0102030405060学生对

28、AI 课程融入兴趣较高教师认为学科在融入 AI 教学时面临的主要挑战课程体系的滞后性：高校课程更新周期（3-5 年）远长于 AI 技术迭代速度（6-12 个月），导致毕业生技能与企业需求脱节率达 45%（2023 年 Gartner 调研）。如果高校的课程体系在实践环节不能与行业发展保持同步，这一问题将会持续存在。技能锻炼的缺失：70%的地方高校缺乏校企联动的 AI 实训环境，这种实践平台的缺失，直接导致了学生实践机会的匮乏，进而成为制约其技能培养的关键因素。学科壁垒的固化：现代学科体系建立在 19 世纪专业化分工基础上（洪堡，1810），与 AI 时代要求的 T 型人才素质模型（既有专业深度

29、又有跨界能力）产生根本性冲突。由于学科评估的制度惯性使各学科在评估过程中难以突破自身界限进行交叉融合；学术领域长期存在着“学术部落主义”，造成不同学科之间相互隔阂；职称评审中严格的学科归属限制，导致教师在跨学科研究和教学方面面临诸多障碍等等。这些情况使得上述冲突不断被强化，在很大程度上直接阻碍了“学科+AI”的融合进程，进而影响了 AI 教育在高等教育领域的深入发展。师资能力的断层：长期以来的学科分科教育使得非计算机专业的老师在思维、能力和知识储备上以单一学科为主，AI 新时期，技术迭代速度快，教学模式也逐渐由以老师为中心转向为以学生为中心，这些因素导致了老师在知识、思维上难以从跨学科的视角去

30、设计教学内容和教学方法，在培养学生跨学科素养方面存在能力断层。教育部 2022 年专项评估结果也显示，我国非计算机学科教师 AI 素养达标率仅为 34%。评价体系的失准：传统学分制难以量化 AI 交叉创新能力，83%的企业 HR 认为传统 GPA 无法有效评估跨学科问题解决能力（领英全球人才趋势报告）。58%的 HR 认为现有毕业生“懂 AI 不懂业务”或“懂业务不会用 AI”（数据来源：智联招聘2024 AI 人才需求报告）。当前跨学科 AI 融合进程中的关键挑战12学生在 AI 学习中面临的主要困难数据来源：和鲸科技（）经调研得出。引用请注明出处。当前跨学科 AI 融合进程中的关键挑战13

31、第二章从通识到专业：学科+AI 人才培养体系框架一、人工智能通识教育二、学科+AI 专业教育14在人工智能重构人类知识生产范式的时代背景下，通识教育正经历从“专业适配”向“认知重构”的范式跃迁。纵观教育史，每当技术革命引发社会转型，通识教育便成为培育未来人才的关键载体1828 年耶鲁报告在工业革命进程中捍卫文雅教育，1945 年哈佛通识教育红皮书在二战技术爆炸时期提出“全人”的培养目标，均印证了通识教育作为社会转型稳定器的历史价值。当前，AI 引发的认知革命正催生两大教育命题：其一，专业壁垒加速消融带来的学科认知范式危机；其二，工具理性扩张导致的技术伦理缺位。人工智能通识教育正是应对这些挑战的

32、破局之策。核心内涵框架该体系致力于构建三维联动的 AI 素养框架：知识结构维度：理解 AI 基础原理（如机器学习）、技术分支（如计算机视觉）及其社会影响（如就业变革）实践转化维度：掌握运用 AI 工具解决专业问题的系统性方法，贯通“技术工具-学科知识-现实需求”的应用链条价值判断维度：培养对数据隐私、算法偏见等问题的分析能力，建立负责任的技术应用观在 2025 世界数字教育大会上，教育部部长怀进鹏指出，当前，新一轮科技革命和产业变革蓄势待发，人工智能技术加速迭代，正迎来爆发式发展，深刻改变人类生产生活方式、知识供给模式和科研创新范式，进而重塑思维方式与观念，教育已经进入改变底层逻辑、重塑教育生

33、态，资源共创分享、消弭数字鸿沟，素质能力重构、促进全面发展，全球开放合作、推动文明互鉴的智能时代。“智能时代、教育何为”已成为全球教育界需共同解答的时代课题。多位学者专家也对这一课题进行了深刻地思考。例如在人工智能通识课方面，陈国良院士等提出了重构人工智能与计算机通识教育课程体系、更新课程内容、创新教学方法，以及培养跨学科能力等一系列改革措施；而针对为 AI 语境下“教什么”、“怎么教”和“怎么学”这三个根本问题，南开大学赵宏教授则创新性地提出了一种“教师是编剧和导演、学生是主演、AI 是伙伴”的教育教学模式，其基于 POT-OBE 的教育理念，应用 5E 教学新范式，重构已有课程和建设新课程

34、，以及指导教学过程和教学方式的实施。在智能时代教育逻辑重构的背景下，人工智能通识教育作为破解“教育何为”的关键切口，目前学界尚未形成统一的理论框架与实践范式。基于全球教育变革的前瞻性探索及国内实践经验，本章节将聚焦人工智能通识教育的内涵解构、框架构建、课程目标与方法，尝试为 AI 通识教育的落地提供可参考的思路与行动框架。1.人工智能通识教育的内涵与框架一、人工智能通识教育人工智能通识教育 教育部.怀进鹏在 2025 世界数字教育大会作主旨演讲 EB/OL.(2025.5.14).https:/ 通识教育之思考 J.中国大学教学，2025（3）：4-9.赵宏，郭蕴，张健.AI 语境下“教什么”

35、、“怎么教”和“怎么学”的研究与实践一种创新教学模式的提出 J.中国大学教学，2025 年第 5 期，79-87 赵宏，郭蕴.基于问题逻辑认知模式的成果导向教育研究 J.中国大学教学，2023 年第 3 期，73-39.赵宏，杜小勇，郭蕴.以“教学之道”御“教学之术”以认知为目标的教学新范式 J.中国大学教学，2024(5）:10-15,66.Yale College.Yale report of 1828R.New Haven:Yale University,1828.Harvard Committee.General education in a free societyM.Cambrid

36、ge:Harvard University Press,1945.15作为通识教育的认知枢纽，人工智能基础课承担着弥合“技术认知鸿沟”的核心使命。调查显示，超 8 成非理工科学生存在“原理认知断层”，导致其难以参与跨学科协作。这种因学科割裂造成的双重困境技术群体困于价值真空，非技术群体囿于认知迷雾正在瓦解智能时代的知识生产范式。阶梯式课程体系基于“认知筑基-能力迁移-创新融合”的培养路径，人工智能通识教育的课程架构可分为基础课程、素养课程与交叉融合课程三类，构建渐进式课程体系：基础认知课程（全校必修）核心作用：消除技术认知盲区，建立跨学科对话的共同认知基础实施策略：该类课程一般由计算机学院或人

37、工智能学院主导建设（如南开大学人工智能与创新），可采用“技术发展脉络+社会影响案例”双主线教学，侧重思维训练而非编程技能，解决非理工科学生技术认知断层问题。素养支撑课程群（分层选修）核心作用：平衡技术工具与人文关怀，培养有伦理意识的 AI 应用者实施策略：此类课程具有双重属性：校级层面可通过计算中心开设标准化课程（如南京大学 大语言模型应用、智能程序设计基础等），保障工具技能的普适性训练；同时鼓励院系结合专业需求二次开发，例如经济学院开设计量经济学中的 Python 应用，实现工具教学与学科语境的衔接。交叉融合课程群（学科定制）核心作用：推动 AI 与专业知识的深度融合，培育学科突破的新动能实

38、施策略：强调 AI 与专业领域的结合（如新闻传播+AI、金融决策+AI），应由各学院自主开发。因其教学目标在于培养学科场景下的 AI 应用能力，需深度融合专业特色。例如复旦大学新闻学院开设的智能新闻传播由新闻学院和大数据学院共同执教，同时与上观新闻、澎湃新闻等媒体合作，邀请业界人士分享 AI 前沿应用。2.人工智能基础课的目标与规划方法 全国高等院校计算机基础教育研究会.人工智能通识课程体系规范【草案】EB/OL.(2024).http:/ AI 核心原理与技术演进逻辑，破除 技术黑箱 迷思提升复杂场景中 AI 工具的系统化应用能力构建技术伦理评估体系防范风险，通过反思性迭代持续优化解决方案建

39、立学科知识转化范式，培育跨领域创新意识技术发展图谱、产业案例库校园优化项目（如图书馆人流预测）伦理辩论、影响追踪报告（如人脸识别）专业结合项目（如文物数字化）技术认知问题解决批判思维学科迁移培养维度培养目标教学方法85%受访者能辨识机器学习、深度学习等概念，但对计算机视觉、自然语言处理等技术的认知完整度不足 42%，而人工智能基础课正是破局的关键，该课程可通过系统化梳理人工智能的核心原理与培养系统性思维方法，建立全校统一的技术认知基准，从而为后续的人工智能教育奠定跨学科协作的共同语言与创新落地的实践根基。课程设计双原则认知阶梯原则沿技术演进轨迹（如从专家系统到深度学习）构建知识图谱，通过里程碑

40、事件（如 AlphaGo 突破）揭示技术发展规律设计“现象观察本质探究价值探讨”的认知闭环，培养技术社会学的思维方式思维具象化原则开发算法模拟工具（如神经网络可视化平台）、伦理推演系统（如自动驾驶道德决策器）创建“技术原理（如 CNN）-应用场景（如医学影像诊断）-社会影响（如医患关系变化）”的立体教学案例四维培养目标体系0100200300400500600700800900人工智能技术认知调研数据来源：和鲸科技（）经调研得出。引用请注明出处。人工智能通识教育17三阶段教学流程教师示范阶段：通过如智能推荐系统案例，演示“技术要素拆解-逻辑关系建模-社会影响评估”的完整认知路径小组共创阶段：学

41、生团队完成指定技术（如语音识别）的“技术解析图+学科应用路线图”自主实践阶段：结合专业背景设计 AI 应用方案，重点评估技术适配性与创新性人工智能基础课程的核心矛盾在于：既要破除对技术的盲目使用，又要避免陷入空洞理论。关键在于知行合一通过拆解技术原理，让学生看懂工具的运行逻辑；通过真实问题求解，让知识转化为系统性思维。这种“看懂-会用”的闭环训练，正是跨越学用鸿沟的桥梁。当人工智能基础课完成思维锻造的奠基，学习者便具备解析技术黑箱与工具创造的双重能力，为后续的“人工智能素养课”与“交叉融合课”铺设认知基石。人工智能素养课的落地需根据院校类型、学科结构、资源禀赋进行差异化设计，其组织模式选择可依

42、据以下三维决策框架：院校类型与组织模式适配模型对于刚开始建设人工智能通识教育体系的院校，素养课建设可以考虑遵循“专业场景驱动、学院主导实施”的原则，其目标体系包含：能力培养双轴：需注意的是，部分适合学院内建设的人工智能素养课和人工智能交叉融合课，将在第二章节第二部分“学科+AI 专业教育”中展开探讨。组织模式选择：采用“学院主体-学校赋能”的协同机制更具优势：3.人工智能素养课的实施路径与组织模式单科性院校（如理工类大学）（相似专业占比 60%）计算机学院师资占比 30%可组建独立 AI 教研组新设院校/数字基建薄弱（如生均 GPU 算力 10 卡小时/年）综合性大学（学科覆盖率 7 类）应用

43、技术型院校（专业集群差异大）专业教师具备学科数字化经验（如建筑学院教师参与过 BIM+AI 项目）具备专业实验室储备（如经管学院已有大数据分析平台、医学院配备医疗影像工作站）学科集中度师资结构技术基础维度校统筹模式适用院校院主导模式适用院校技术应用轴：训练专业场景下的 AI 工具链操作能力，如经管类专业掌握 Tableau+Python 的智能财报分析工作流伦理决策轴：培养领域特异性伦理判别力，如新闻专业需建立生成式内容的事实核查标准操作程序(SOP)内容适配性：医学院可围绕“AI 辅助诊断”开发病例数据脱敏处理、模型可解释性评估等特色单元，较之通用课程效率提升 40%资源整合度：依托专业实验

44、室既有设备（如建筑学院的 BIM 平台）开展 AR 空间建模教学，降低 60%的软硬件投入成本评价有效性：汽车工程学院通过“自动驾驶仿真测试系统”实时采集学生决策数据，比传统试卷评估更精准反映 AI 伦理判断水平人工智能通识教育18实践特征：实践特征：形成动因：形成动因：学科归属：AI 教育深度融入现有专业框架课程载体：量化推理类：斯坦福大学统计学课程讲授基础算法对社会决策的影响技术与社会类：哈佛大学科技时代的公民责任分析推荐算法对民主制度的冲击实施效果：美国凭借先进的技术基础设施体系、持续高强度的 AI 研究投入，以及 AI 驱动工具在课堂教学与高等教育机构中的深度整合，在全球 AI 教育领

45、域率先建立领先优势；美通社（PR Newswire）调查数据显示，47%的高校学生与 48%的教师认可人工智能技术显著提升了学习体验。制度创新：欧盟人工智能法案推动高校重构通识教育，如慕尼黑工业大学设立 Responsible AI 跨学科模块（必修 3 学分），涵盖数据隐私、算法偏见等议题教学创新：牛津大学开设的“人工智能与隐私问题”聚焦人工智能在数据保护法律、消费者隐私权以及企业数据保护实践中的相关知识代尔夫特理工大学开发“道德困境模拟器”，学生通过角色扮演处理自动驾驶的伦理选择问题通识教育传统强调“思维训练优先于技能传授”（如哥伦比亚大学核心课程体系）产业界对跨学科 AI 应用人才的需求

46、倒逼专业课程升级（如宾夕法尼亚大学沃顿商学院开设AI 商业决策）欧洲人文主义教育传统与通用数据保护条例（GDPR）等严格监管框架的双重作用(1)美国：分布式渗透模式(2)欧洲：伦理锚定模式全球高校在人工智能通识教育领域呈现显著的地区性差异，这种差异植根于各国高等教育哲学与产业需求的深层互动。通过对比美、欧、亚三大区域的实践模式，可提炼出三类典型范式：4.国际高校人工智能通识教育的实践与特点 斯坦福大学统计学课程链接：https:/explorecourses.stanford.edu/search?view=catalog&filter-coursestatus-Active=on&page=

47、0&catalog=&q=STATS202 哈佛大学科技时代的公民责任课程链接：https:/projects.iq.harvard.edu/cs108/home 慕尼黑工业大学 The Responsible AI Forum：https:/www.ieai.sot.tum.de/traif/牛津大学人工智能与隐私问题课程链接：https:/oxfordcentre.uk/course/ai-and-privacy-issues-course/代尔夫特理工大学教学案例：https:/ethicsandtechnology.eu/case-study/moral-dilemma-simulat

48、or/人工智能通识教育19这些国际实践表明，人工智能通识教育不存在普适模式，但均需回应两个本质问题：如何在不加剧技术崇拜的前提下传播 AI 知识？如何在保持学科特色的同时构建共同话语体系？这为后续中国特色路径探索提供了多元参照。实践特征：形成动因：课程形态：日本东京大学设置AI 与社会选修课（通识学分），重点讲授机器人伦理与就业结构变迁新加坡国立大学将 Python 编程纳入通识量化金融必修环节，为 AI 素养奠定工具基础应对老龄化社会的技术治理需求（如瑞典乌普萨拉大学开设AI 关怀项目）(3)亚洲：技术整合模式政产学研协同：韩国科学技术院（KAIST）依托“AI+X”计划，要求所有专业开设至

49、少 1 门 AI 融合课（如建筑系的智能空间设计）印度理工学院孟买分校基于印度政府出台的国家人工智能门户网站与“青年 AI 培养计划”，开发了“机器学习导论”、“AI 与机器学习”等系列课程 文化适配：香港中文大学在通识课中探讨儒家伦理与机器道德的关系，建立文化特异性分析框架形成动因：院校类型与组织模式适配模型东亚技术官僚传统与数字经济高速发展的双重驱动应对人口红利消退的产业升级压力（如中国大陆“新工科”教育改革）避免独立设课造成的认知割裂依托现有专业课模块实现自然渗透易导致非理工科学生技术认知浅表化强化伦理模块的法定地位开发沉浸式伦理训练工具可能陷入抽象伦理讨论而脱离实践注重工具基础与产业场

50、景衔接构建政产学研协同育人生态存在技术工具主义挤压批判性思维风险课程定位教学策略风险警示维度美国经验启示欧洲经验启示亚洲经验启示 乌普萨拉大学AI 关怀项目链接：https:/www.uu.se/en/centre/crb/research/projects/aicare 东京大学AI 与社会课程大纲：https:/www.u-tokyo.ac.jp/kyoiku/kamoku/2023/03_18.html 新加坡国立大学 Computing for Quantitative Finance 课程链接：https:/ 韩国科学技术院 AI+X 计划：https:/aix.kaist.ac.k

51、r/人工智能通识教育20国内人工通识教育正在发展阶段，并未普及。2024 年，各高校纷纷面向全校开设人工智能相关课程，致力于培育契合未来社会发展需求的新型人才。根据问卷数据，国内高校大部分学科（65.79%）已经开始融入一些 AI 相关内容，但仍有相当一部分学科（19.74%）还未涉及 AI 相关内容，只有较少学科（14.47%）有完整的 AI 课程。当前，人工智能通识课程侧重于标准化，在多样性与个性化方面有所欠缺。随着“通识”内涵的进一步明晰，以及 AI 技术在更多领域的渗透融合，未来 AI 通识教育内容将与专业深度交融，既能精准适配特定学科，又能广泛覆盖，满足不同专业学生的共性需求。从课程

52、落地的主导角色看，国内高校人工智能通识课程的开展可以分为两类：国内各省市通过省级/市级教育部门统筹规划，构建人工智能通识课程体系，采用“统一框架+校本特色”模式，结合线上线下混合教学与校企资源整合，实现课程覆盖全域高校并适配学科差异，形成“标准引领、分层实践、跨界融合”的推广路径。5.国内高校人工智能通识教育的现状与特色北京市：市属公办高校全覆盖开设人工智能通识课据北京市教委印发的关于深化高校专业课程改革提高大学生人工智能素养能力的意见，2024 年 9 月，北京市属公办本科高校实现人工智能通识课程的全覆盖。秋季学期，北京市属公办高校近 5 万名大一新生通过线上线下结合的方式开展人工智能通识课

53、的系统学习。北京市引导高校结合自身专业特点，形成人工智能通识课“一校一品”的“AI+专业”特色品牌。(1)省市级统筹构建人工智能通识课程，全省市高校推广数据来源：和鲸科技（）经调研得出。引用请注明出处。学科融入 AI 相关课程或技能教学调研人工智能通识教育天津市：建设首批 3 门市级人工智能通识课2024 年 7 月 20 日，天津市人工智能赋能高等教育工作部署会在南开大学召开，市教委、全市普通本科高校相关负责人参会。会上发布了由南开大学、天津大学建设的首批 3 门市级人工智能通识课“人工智能导论”“人工智能与创新”“生成式人工智能原理及其影响和应用”。3 门课程在 2024 年秋季学期率先面

54、向全市高校全面开放，实现人工智能通识课在校生全覆盖，增强天津市大学生利用人工智能解决专业问题的意识和能力，全面提升天津市大学生人工智能素养。21江苏省：名师空中课堂全新“人工智能通识课”江苏省名师空中课堂于 2024 年 12 月推出“人工智能通识课”专栏。江苏省教育网络安全和信息化领导小组办公室面向全省高校学生开设高等教育人工智能通识课，旨在培养学生的人工智能思维方法，掌握人工智能基础逻辑，培养跨学科交叉意识，树立科技向善价值导向。“人工智能通识课”首期带来 12 讲内容，以线上直播的形式播出，12 位省内顶尖专家学者通过 6 个篇章为大家详细解构人工智能。课程由基础至进阶依次呈现，零学习门

55、槛，中小学及高校师生均可观看。湖北省：高校新生同上人工智能通识课为深入贯彻党的二十届三中全会精神和全国教育大会精神，全面提高湖北省大学生人工智能专业能力和综合素养，促进人工智能发展和与其他学科专业交叉融合，湖北省教育厅委托湖北人工智能学院从 2024 年秋季学期开始，在全省普通本科高校开展人工智能通识课系列活动。10 月 27 日上午，由湖北省教育厅组织开展的“智育未来拥抱智能时代湖北省高校新生同上人工智能通识课”系列活动第一课在武汉工程大学流芳校区盛大启幕，全省约 13.73 万学生参加了此学习活动。安徽省：本科高校将全面开设人工智能通识课2025年1月23日，安徽省人工智能通识课程发布会举

56、行。该课程由安徽省教育厅指导，安徽大学联合在皖高校和行业企业共同运营，面向全省本科高校学生开设普及型、宽领域人工智能通识课程，使学生了解人工智能现状和发展趋势，掌握人工智能基本原理和方法，帮助学生正确认知人工智能工具属性，提升学生科学创新素养。该课程由“1+M+N”体系构成，其中“1”为 AI 基础知识，“M”为“AI+学科”，“N”为“AI+产业”，以此将学科前沿理论、产业实践应用与人工智能技术相融合，既能让学生掌握人工智能的基本概念、原理与技术，又能培养他们的学科创新思维与实践能力，安徽省 13 所高校根据学科所长深度参与课程建设。双一流高校作为高等教育的中坚力量，拥有丰富的教育教学资源，

57、在 AI 通识教育建设方面，尤其是头部双一流高校，始终走在前列，其理念与做法极具代表性，具备较高的参考和学习价值。我们对 23 个省、5 个自治区、4 个直辖市的 147 所双一流高校展开调研，发现 2024 年至今，几乎所有学校都通过研讨会、讲座、微课程、正式课程等多种形式，积极推动人工智能与高等教育的深度融合。众多高校发布系统化的 AI 通识教育行动方案，涵盖课程体系、教学模式、师资建设等关键方向；部分高校取得显著落地成果，成功开设 AI 通识课程，让学生近距离接触 AI 知识与技术。这些积极探索，切实推动了 AI 通识教育在高校的普及，(2)头部高校引领分层课程创新人工智能通识教育22为

58、培养适应未来需求的创新人才提供助力。2025 年 1 月 15 日，清华大学计算机系人工智能通识教育（AIGE）研究中心（以下简称中心）正式成立。中心依托于计算机系深厚的学术积淀，以及在人工智能科普与教学领域的丰富经验，积极探索人工智能通识教育（AI General Education,AIGE）的创新方法和实践路径，旨在构建具有中国特色、大中小贯通的人工智能通识教育理论体系与教学框架，向公众和青年学生提供权威、系统、前沿的人工智能知识，为人工智能时代培养具有责任感和创造力的优秀建设者。备注：上图学校按首字母顺序排名，相关信息基于网络公开资料检索整理，受限于信息获取的的局限性与时间限制，数据的

59、缺失与遗漏难以完全避免，无法覆盖所有双一流高校，主要展现高校行动趋势。人工智能通识教育(3)清华大中小学 AIGE 体系清华大中小学 AIGE 体系已落地应用在全国多所学校 清华大学计算机科学与技术系.清华大学计算机系人工智能通识教育研究中心成立 EB/OL.(2025-1-23).https:/ 清华大学计算机科学与技术系.清华大学计算机系人工智能通识教育（AIGE）研究中心揭牌仪式举行 EB/OL.(2025-4-15).https:/ https:/ AI 技术的迅猛发展，国家和地方政府相继出台了一系列政策，旨在推动 AI 技术在教育领域的应用，培养适应未来社会需求的复合型人才。2017

60、 年，国务院发布新一代人工智能发展规划的通知，明确提出将人工智能发展上升为国家战略，强调在中小学和高等教育阶段设置相关课程。2023 年，教育部等五部门印发普通高等教育学科专业设置调整优化改革方案，改革方案指出在学校层面，要加强学科专业发展规划，加快推进一流学科建设，深化新工科、新医科、新农科、新文科和基础学科专业建设，完善学科专业建设质量保障机制。同时，改革方案明确了远景目标，到 2025 年，优化调整高校 20%左右学科专业布点，新设一批适应新技术、新产业、新业态、新模式的学科专业，淘汰不适应经济社会发展的学科专业，基础学科特别是理科和基础医科本科专业点占比进一步提高。建设一批未来技术学院

61、、现代产业学院、高水平公共卫生学院、卓越工程师学院，建成一批专业特色学院。国家鼓励高校积极响应政策号召，推动各学科与人工智能的深度融合，培养能够利用 AI 技术赋能各行业发展的创新型复合人才，为未来社会的智能化变革提供强大的人才支持。1.各学科领域的 AI 创新型人才培养需求与路径二、学科+AI 专业教育学科+AI 专业教育24(1)工科领域：工程实践与系统设计为核心培养需求：工科领域的人才需掌握 AI 技术在工程设计、系统优化中的具体应用，具备算法开发、数据分析及智能系统设计能力。随着智能化时代的到来，AI 技术在工程领域的应用成为提高效率、减少成本、优化设计的关键。学生不仅需要理解传统工程

62、学科的核心理论，还需学会如何结合 AI 进行系统设计和优化，解决具体的工程问题。举例：为了理解 AI 在工科领域的具体应用，以下是几个典型的场景：智能制造与工业自动化：如何通过 AI 技术优化生产线效率、提升产品质量并减少资源浪费。例如，通过物联网（IoT）设备和传感器进行实时数据采集，结合 AI 算法预测设备故障，优化生产流程。机器人与自动化：如何通过深度学习和强化学习算法，使机器人能够在复杂环境中自主决策并完成任务。例如，在自动化仓库中，机器人利用视觉和深度学习进行物品识别、路径规划和物品搬运。能源优化：如何利用 AI 模型对能源消耗进行预测与优化，提升能源利用效率。例如，智能电网通过实时

63、数据分析和预测算法优化电力分配。智能硬件与具身智能：如何利用传感器和 AI 结合，让机器人能够感知和适应周围环境，提升在动态环境中的决策能力。例如，具身智能在智能医疗设备中的应用，如可穿戴健康监测设备，实时传输数据并进行智能分析。所需技能：学生需掌握数据处理、模式识别、智能控制、机器人编程等技能，能够设计智能化系统，解决复杂工程问题。培养路径：针对工科领域，以下是两类专业的培养路径示例：车辆工程：AI+素养和交叉融合课程：*详见附录 2：工科与人工智能融合课程体系构建与实施路径参考学科+AI 专业教育25智能车辆感知与数据工程：从基础的传感器原理学习入手，逐步掌握数据采集、处理与融合技术，为后

64、续智能驾驶系统开发奠定数据基础。车辆智能系统中的机器学习与深度学习：在掌握数学基础后，学习机器学习与深度学习算法，并将其应用于车辆状态监测、故障诊断等实际问题，提升车辆智能化水平。自动驾驶环境感知与决策规划：深入学习环境感知技术（如目标检测、SLAM）和决策规划算法，通过项目实践实现自动驾驶车辆的自主导航与避障功能。智能车辆系统集成与实践：综合运用所学知识，完成从感知到控制的系统集成，通过仿真与实车测试验证智能车辆系统的性能与可靠性。技能目标：培养学生掌握智能汽车系统的设计、开发与优化能力，能够解决自动驾驶中的复杂问题，如路径规划、障碍物识别等，具备在智能交通系统和车联网领域的创新应用能力。机

65、械工程：AI+素养和交叉融合课程：机械工程数据分析与编程：学习 Python 编程与数据处理库，掌握机械工程数据的清洗、分析与可视化，为后续智能系统开发提供数据支持。工业机器学习与智能诊断：在掌握数据分析基础上，学习机器学习算法，应用于设备故障诊断与预测性维护，提升工业生产的智能化水平。智能制造系统与优化：学习智能制造中的优化算法与系统集成概念，通过项目实践优化生产流程，提高生产效率与产品质量。智能机器人与自动化系统实践：综合运用机械、控制与 AI 技术，设计并实现智能机器人系统，通过实践项目提升机器人在复杂环境下的作业能力。技能目标：使学生能够通过 AI 技术设计智能化机械系统，优化生产流程

66、，提升生产效率和质量，在制造业和自动化领域提供智能化解决方案。实践环节：通过与企业合作、参与设计竞赛等形式，学生将在实际项目中运用所学知识，提升动手能力和创新意识。实践内容包括：编程与算法应用：学生将编写代码实现智能化系统，应用机器学习、深度学习等算法。建模与优化：学生将使用数据建模和优化技术，解决具体的工程问题，如路径规划、资源优化等。硬件设计与集成：学生将参与智能硬件的设计与开发，包括传感器选择、机器人设计与集成等。实验与项目开发：学生将在实验室环境中设计、开发并测试智能化原型，参与跨学科项目合作，提升工程实际能力。成效评估：通过学生设计的智能系统方案、机器人原型、项目展示成果等，评估其技

67、术应用能力、创新解决问题的能力、团队协作能力及学科融合能力。(2)理科领域：科学研究与预测分析为重点培养需求：理科领域的人才需理解 AI 技术在数据挖掘、模型构建和预测分析中的应用，结合实验能力推动科学研究创新。随着科学技术的发展，AI 技术为研究人员提供了更强大的数据分析工具，能够从大量实验数据中提取规律，学科+AI 专业教育26进行精确预测，并辅助科学发现。举例：为了理解 AI 在理科领域的具体应用，以下是几个典型的场景：气象预测：如何通过机器学习算法提高气象数据的预测精度，提前预警极端天气。物理学实验优化：如何应用 AI 分析粒子加速器数据，优化实验设计，提升实验效率。天文数据分析：如何

68、使用 AI 处理来自天文望远镜的大规模图像数据，发现新天体或天文现象。所需技能：学生应掌握数据科学、数值优化、机器学习、深度学习等技能，能够应用 AI 进行数据驱动的科学研究。培养路径：针对理科领域，以下是两类专业的培养路径示例：数学专业：AI+素养和交叉融合课程：计算数学与数据科学引论：从数学基础出发，学习 Python 编程与数据处理，为后续机器学习和深度学习课程打下坚实基础。机器学习的数学原理与算法实现：在掌握数学基础后，深入学习机器学习算法的原理与实现，通过编程实践提升模型构建与优化能力。*详见附录 3：理科与人工智能融合课程体系构建与实施路径参考学科+AI 专业教育27深度学习的数学

69、与模型优化：深入理解深度学习模型的数学基础，学习模型优化技术，为解决复杂问题提供高级工具。数学驱动的 AI 创新实践：综合运用所学数学知识和 AI 技能，通过项目实践探索数学理论在 AI 算法设计中的创新应用。技能目标：培养学生在数学理论基础上，掌握现代机器学习、深度学习和数据分析技术，能够运用数学工具和AI 技能解决复杂问题，具备在 AI 算法设计中的创新应用能力。大气科学专业：AI+素养和交叉融合课程：大气科学数据处理与可视化：学习大气科学数据的基本处理方法和可视化技术，为后续数据分析和建模提供数据支持。气象机器学习与预测基础：在掌握数据处理基础上，学习机器学习方法，应用于气象要素预测和天

70、气模式识别，提升预测能力。大气科学中的深度学习与 AI 气象大模型：深入学习深度学习技术在大气科学中的应用，通过实践掌握 AI气象大模型的使用与优化。智能气候建模与应用实践：综合运用所学知识，设计并实现智能气候模型，通过项目实践提升气候预测与分析能力。技能目标：培养学生处理和分析大气科学数据的能力，掌握机器学习和深度学习技术在气象预测和气候建模中的应用，能够设计和实现智能气候模型，提升气候预测与分析能力。实践环节：通过数据驱动的研究课题（如气象预测、材料建模），学生将进行实验设计与分析，推动科研创新。具体实践内容包括：数据采集与分析：学生将参与科研数据的采集、清洗与分析，运用 AI 技术进行数

71、据处理、特征提取和模型训练。模型开发与验证：学生将应用机器学习与深度学习方法开发模型，进行预测与优化，验证模型的准确性与适应性。跨学科合作与创新：学生将在跨学科项目中合作，通过整合数学建模、数据科学与领域专业知识，解决实际科学问题。成效评估：通过学生科研成果（如论文发表、研究模型）评估其知识转化能力，特别是如何将 AI 技术应用于科学研究，推动学科前沿发展。培养需求：文科领域的人才需掌握 AI 技术在文本分析、社会网络分析和文化数据挖掘中的应用，并发展跨学科的批判性思维和社会决策能力。AI 技术不仅能辅助文科学生进行数据分析，还能帮助他们从多角度理解社会问题，做出科学的决策与预测。举例：为了理

72、解 AI 在文科领域的具体应用，以下是几个典型的场景：公共政策分析：如何运用 AI 分析社会问题，提供精准的政策建议。新闻传播：如何通过 AI 技术分析社交媒体数据，洞察公共舆论。(3)文科领域：社会应用与批判性思维为导向学科+AI 专业教育28社会网络分析：如何通过 AI 技术揭示社会群体之间的关系，预测社会趋势。所需技能：学生需要掌握 AI 技术在文本分析、社会网络建模中的应用，并具备批判性思维、社会数据分析的能力。培养路径：针对文科领域，以下是两类专业的培养路径示例：新闻与传播：AI+素养和交叉融合课程：媒介数据分析与可视化：从新闻传播领域的数据获取和处理入手，学习数据可视化技术，为后续

73、深度分析和内容创作提供基础。计算传播：AI 工具入门：在掌握数据可视化基础上，学习 AI 工具的基本应用，提升新闻内容生成和分析的效率。生成式 AI 与智能内容创作：深入学习生成式 AI 技术，应用于新闻写作、图像生成等，探索智能内容创作的新模式。智能传播策略与实践：综合运用数据分析、AI 工具和内容创作技能，设计并实施智能传播策略，提升传播效果。技能目标：培养学生掌握媒介数据的分析与可视化技能，能够运用 AI 工具进行智能内容创作和传播策略设计，提升在数字媒体和智能传播领域的创新实践能力。历史学：AI+素养和交叉融合课程：历史文献数智化整理入门：从历史文献的数字化整理入手，学习基础工具的使用

74、，为后续分析和研究提供*详见附录 4：文科与人工智能融合课程体系构建与实施路径参考学科+AI 专业教育29数据支持。历史文本分析工具与方法：在掌握文献整理基础上，学习文本分析工具，提升对历史文本的深度解读能力。历史时序网络与空间分析：深入学习时序和空间分析方法，结合历史事件和人物关系，探索历史发展的动态模式。数字史学研究设计与实践：综合运用数智化整理、文本分析和时空分析技能，设计并完成一个数字史学研究项目，提升研究能力。技能目标：培养学生具备历史文献的数字化整理、文本分析和时空分析能力，能够运用数字工具和方法进行历史研究设计与实践，提升其在数字史学领域的研究与创新能力。实践环节：结合实际案例，

75、学生将通过数据分析、新闻预测或历史研究项目，应用 AI 技术解决社会文化、历史研究等领域的实际问题，提升批判性思维与决策能力。实践内容包括：文本挖掘与分析：学生将参与历史文本、新闻报道等大规模数据集的处理与分析，运用机器学习进行趋势预测、情感分析等。社会网络建模与优化：学生将利用社交媒体数据分析和社会网络建模，揭示群体间关系和社会趋势，形成数据驱动的决策报告。跨学科项目实践：学生将在社会科学研究中与技术专家合作，进行跨学科项目的实践，推动社会研究和文化数据的智能化处理。成效评估：通过学生的案例分析报告、舆情监测报告或历史研究成果，评估其在 AI 技术应用中的创造性与批判性思维能力。培养需求：医

76、学领域的人才需掌握 AI 技术在疾病预测、诊断支持、个性化治疗和健康管理中的应用，具备生物数据分析、医学影像处理和智能决策支持系统的能力。随着人工智能在医疗健康领域的深入应用，未来的医生和医学研究人员将需要运用 AI 技术来提高诊断精度、预测疾病风险并制定个性化治疗方案。举例：为了理解 AI 在医科领域的具体应用，以下是几个典型的场景：疾病预测与早期诊断：如何利用 AI 分析临床数据和影像数据，提前预测疾病并进行早期诊断。智能化健康管理：如何通过 AI 分析患者健康数据，为患者提供个性化的健康管理方案。个性化治疗方案：如何通过 AI 技术分析患者的基因组数据，为每个患者定制个性化的治疗方案。所

77、需技能：学生需要掌握生物信息学、医学影像分析、机器学习、深度学习等技术，能够将 AI 应用于医学诊断、个性化治疗及健康管理。培养路径：(4)医科领域：精准医疗与智能健康为核心学科+AI 专业教育30针对医科领域，以下是两类专业的培养路径示例：临床医学：AI+素养和交叉融合课程：临床数据分析与可视化：学习临床数据的预处理、描述性统计和可视化技术，为后续的机器学习和 AI 应用打下坚实基础。医学机器学习方法应用基础：在掌握数据分析基础上，学习机器学习模型的训练、评估和应用，解决临床分类和预测问题。AI 在医学影像与诊断中的应用：深入学习 AI 在医学影像分析和临床文本处理中的应用，掌握调用预训练模

78、型进行辅助诊断的技能。临床智能决策支持应用实践：综合运用数据分析和 AI 技术，设计并实现临床智能决策支持系统，提升解决实际问题的能力。技能目标：培养学生掌握临床数据处理、机器学习应用和AI辅助诊断的能力，使其能够设计和实现智能医疗系统，提升临床决策的科学性和准确性。公共卫生：AI+素养和交叉融合课程：公共卫生数据分析与可视化：学习公共卫生数据的预处理、描述性统计和可视化技术，为后续的机器学习和 AI 应用打下坚实基础。公共卫生机器学习方法应用基础：在掌握数据分析基础上，学习机器学习模型的训练、评估和应用，解决*详见附录 5：医科与人工智能融合课程体系构建与实施路径参考学科+AI 专业教育31

79、人工智能作为新一轮科技革命的核心驱动力，正重构各领域的知识生产模式与问题解决路径。在学科教育中嵌入AI课程，并非简单叠加技术模块，而是构建“专业+”的智能素养培育体系。其核心在于立足学科本体特征，通过“三层次融合”即思维范式、方法工具、应用场景的交叉渗透，培养学生运用 AI 技术拓展专业边界、解决复杂问题的能力。课程设计的考量维度应遵循三大原则：专业锚点性聚焦本学科最具突破潜力的 AI 应用场景（如医学影像分析之于临床医学、生成式设计之于建筑学），避免泛技术化教学；认知阶梯性从基础原理认知（如机器学习基础概念）、工具链实践（如 MLOps 平台操作）到专业场景创新（如结合领域知识优化算法），形

80、成渐进式能力培养链条；伦理前瞻性结合专业特性探讨算法偏见（如司法量刑模型）、人机责任划分（如医疗辅助诊断）等命题，强化技术应用的价值观塑造。公卫领域中的风险预测和因素识别问题。AI 在流行病监测与健康管理中的应用：深入学习 AI 在传染病监测、慢性病管理和健康行为干预中的应用，掌握调用预训练模型进行数据分析的技能。公共卫生智能应用实践：综合运用数据分析和 AI 技术，设计并实现公共卫生智能应用，提升解决实际问题的能力。技能目标：培养学生掌握公共卫生数据处理、机器学习应用和 AI 辅助决策的能力，使其能够设计和实现智能公共卫生系统，提升流行病监测和健康管理的效率和准确性。实践环节：通过医院、实验

81、室合作项目、医学数据分析比赛等，学生将增强在医疗健康场景中的应用能力。医学影像与数据分析：学生将使用 AI 技术处理医学影像，进行疾病诊断和预测，帮助临床医生提供精准治疗方案。个性化健康管理：学生将设计和开发个性化健康管理系统，利用 AI 分析患者健康数据，预测疾病风险，制定定制化健康计划。临床决策支持：学生将参与开发医学决策支持系统，优化诊疗流程，提升医疗服务质量。成效评估：根据学生在医学影像分析、疾病预测模型、个性化治疗方案设计中的表现，评估其技术应用能力及知识转化能力。2.专业课程体系构建原则(1)各专业方向的核心课程设计建立协同机制：建立行业与高校的紧密协作机制，定期调研 AI 技术在

82、不同行业中的发展趋势，识别企业、科研和社会对于“学科+AI”人才的需求动态。根据问卷调查结果，企业倾向于人才掌握数据分析、建模等实际应用能力，科研机构强调 Python 等基础技能及其科研应用。这些需求应成为课程更新的重要参考。技术与场景融合：以“技术+场景”驱动课程内容更新，注重将前沿 AI 技术与实际行业应用场景结合，如智能制造(2)以行业需求为导向的课程更新机制学科+AI 专业教育32中的深度学习应用、气象数据分析中的机器学习模型等。问卷中教师和企业人员均认可实验课和项目驱动教学的有效性，这表明将行业场景嵌入课程具有重要价值。0204060801001201401601802000102

83、030405060数据来源：和鲸科技（）经调研得出。引用请注明出处。数据来源：和鲸科技（）经调研得出。引用请注明出处。企业对人才的 AI 能力需求科研机构对 AI 技能人才的需求重要性：实践教学环节是学科知识与 AI 技术融合的核心载体，能够帮助学生通过真实问题的解决过程加深对理论的理解，同时提升动手能力和创新能力。问卷显示，学生渴望参与实践项目和竞赛，教师和企业也一致认可动手实践在教学中的重要作用，表明实践教学是满足各方需求的关键。设计思路：引入真实企业项目：开展基于企业实际问题的项目合作教学，例如智能交通优化方案设计、自动驾驶算法开发等。开放科研实验室：鼓励学生参与科研课题，通过实际研究任

84、务，如气象预测、材料建模，培养其数据处理与模型构建能力。校企联合实训基地：通过建立校企联合实训基地，为学生提供技术应用场景与产业实践机会，帮助其熟悉 AI 技术在不同行业的具体应用。(3)实践教学环节在学科+AI 人才培养中的重要性与设计思路学科+AI 专业教育33数据来源：和鲸科技（）经调研得出。引用请注明出处。学生希望学校提供的支持学科+AI 专业教育34第三章AI 实践教学模式与工具一、AI 实践教学的本质与价值二、AI 教学平台是 AI 教学实践必备的承载工具三、AI 教学平台的技术先进性35尽管应用场景差异显著，各学科 AI 实践均遵循“问题-数据-算法-验证”四阶段螺旋式进阶：领域

85、问题 AI 化重构（如将建筑声学设计转化为约束满足优化问题）多源异构数据治理（如地学领域融合卫星遥感、地质钻孔与地震波数据）算法适配与轻量化（如嵌入式 AI 在农机故障诊断中的模型剪枝部署）领域逻辑驱动的验证（如法学领域用判例库反事实推理检验量刑推荐系统）4.跨学科 AI 实践共性框架区别于传统实践对操作熟练度的单一追求，AI 实践教学需重点锤炼以下能力：数据思维构建：从噪声数据中提取有效特征（如金融专业学生清洗非结构化财报文本构建投资信号）；算法迭代调试：理解超参数对模型性能的影响规律（如环境科学领域调整 LLSTM 网络预测污染物扩散）；人机协同设计：将人类先验知识编码为模型约束条件（如药

86、学专业注入分子键能规则优化生成式药物设计）；系统鲁棒性验证：通过对抗样本测试模型可靠性（如新闻学专业检验舆情分析模型在虚假信息冲击下的稳定性）。在智能技术渗透所有学科领域的今天，传统专业实践课程（如医学解剖实验、机械装配实训）主要聚焦物理世界的技能习得与流程验证，而 AI 实践教学则致力于构建数字世界的认知框架与创造范式。两者的本质差异体现在三方面：方法论革新：传统实践强调“经验传承式”操作训练（如化学滴定实验），AI 实践则要求“数据驱动式”探索（如通过分子性质数据集训练材料发现模型）；工具属性迭代：传统实践工具（如测绘仪器、实验反应釜）具有功能稳定性，而AI工具链（如AutoML平台、预训

87、练模型）持续动态演进，需培养“技术追踪-适配-再创造”的元能力；问题复杂度跃迁：传统实践多针对确定性场景（如机械零件加工误差分析），AI 实践需处理开放域问题（如基于用户行为数据的个性化教育路径生成），要求跨模态信息整合与不确定性决策能力。2.AI 实践教学的不可替代性3.AI 实践的核心能力维度人工智能实践教学并非简单的编程训练或工具使用，而是通过数据、算法与领域知识的动态耦合，培养学生将抽象智能技术转化为解决专业问题的工程化能力。其核心特征体现为：在真实或仿真的专业场景中，基于AI技术链（数据采集-特征工程-模型构建-部署验证）完成从问题定义到解决方案的完整闭环，同时嵌入对技术适用性、伦理

88、风险及人机协同模式的批判性思考。1.AI 实践的定义与内涵一、AI 实践教学的本质与价值AI 实践教学的本质与价值36AI 教学的核心特征包括：个性化学习、高效性、数据驱动、互动性、资源优化、适应性强、持续更新、辅助教师角色转变和可扩展性。通过定制化学习路径、快速批改与辅导、学习数据分析、趣味化互动、优质资源共享、多场景应用、自我优化、协同教学和大规模应用等方式，提升教学效率和质量。如何实践 AI 教学的核心特征，一个好的 AI 教学平台是必备工具。什么样的平台是一个好的 AI 教学平台？可以对比传统教学平台展开来看：二、AI 教学平台是 AI 教学实践必备的承载工具AI 教学平台是 AI 教

89、学实践必备的承载工具37问卷中教师反馈在使用或计划使用帮助 AI 教学的工具教师对 AI 支持和培训的需求数据来源：和鲸科技（）经调研得出。引用请注明出处。数据来源：和鲸科技（）经调研得出。引用请注明出处。AI 教学平台是 AI 教学实践必备的承载工具010203040605038三、AI 教学平台的技术先进性在当今数字化教育浪潮中，AI 教学平台需要能够既有效支持千人规模的 AI 通识教育，也能支持专业课阶段的学科+AI 实践，还能有效结合最先进的大模型技术，为教学赋能。因此，平台教学工具需要能同时满足不同年级学生需求，能提供灵活可靠的算力支持，以及提供大模型智能体工具。在技术上体现在以下

90、3 个方面：确保低代码和全代码实验实训工具，能够共享同一个后端计算引擎，从而为学生提供了一个高度兼容的实训环境。无论是通过低代码方式进行方法探索，还是进入编程环境深入学习实现细节，都能一键实现实例呈现、逻辑复用以及操作无缝衔接。这种统一的计算引擎架构有效避免了不同前端工具之间的数据冲突和逻辑不一致问题，保障了学生在不同学习阶段的平滑过渡，提高了学习效率和知识掌握的连贯性。1.不同实训环境，同样的计算引擎技术AI 教学平台的技术先进性多可用区跨云调度技术，使平台能够灵活调配不同云资源池中的 GPU 算力，根据教学需求的动态变化，实时将闲置资源引导至高并发热点区域，确保教学场景下大量并发请求得到及

91、时响应，学生能够流畅地进行实验操作和模型训练，无需担心因资源短缺而导致的学习中断。2.支持跨云调度、GPU 虚拟化GPU 虚拟化技术进一步提高了 GPU 资源的利用率，将一台物理 GPU 虚拟化为多个逻辑 GPU，允许多个学生同时共享使用，降低了学校的硬件成本投入，同时保障了每个学生都能获得充足的计算资源来支持复杂的人工智能实验和项目开发。弹性调度和流量访问的 HPA（Horizontal Pod Autoscaler）机制则根据实际流量和负载情况，自动调整服务的水平扩展，确保在高并发期间系统性能稳定，服务的可用性得到最大程度的保障，为人工智能教育的规模化开展提供坚实的技术支撑。3.大小模型结

92、合的智能体搭建能力平台需支持以智能体的形式灵活串联不同学科的模型，方便不同学科知识点的系统整合和关联展示，通过模型服务的工具化调用，让教师和学生无需深入了解底层模型实现细节，轻松构建复杂的学科知识图谱和教学应用场景，降低人工智能技术融入教学的门槛。平台作为管理不同大模型的关键枢纽，能够根据不同学科场景对大模型的需求，进行灵活配置和管理。结合 MaaS 平台的易用性、系统兼容性和扩展性等优势，教师可以轻松引入合适的大模型，为学生提供更加丰富多样的学习资源和个性化的学习体验，满足不同层次学生的学习需求。通过将学科智能体以插件或 API 形式嵌入教学实训平台，平台成功实现了 AI+X 的深度整合。无

93、论是虚拟实验环境构建、智能辅助教学，还是基于模型的项目实训，都能无缝融合到日常教学流程中，打破了传统教学模式的局限，让人工智能技术全面赋能教育，推动教育教学向智能化、个性化方向发展。39第四章人工智能赋能高等教育：从大模型技术底座到 AI 助手的场景化创新一、大模型技术底座：高等教育的智能化基石二、核心场景：AI 助手的高等教育实践三、技术伦理与规模化落地挑战四、从工具到生态的演进40大语言模型通过“大数据+大算力+强算法”的融合，构建了高等教育智能化的底层架构，其核心特性包括：跨学科知识整合能力：基于数学与计算机科学底层逻辑，支持复杂学科问题解析（如医学文献综述生成、工程代码调试）。低成本与

94、高效率：通过模型架构优化（如 DeepSeek-R1 的开源策略），高校可本地化部署模型，覆盖教学、科研、管理等全场景。政策与生态驱动：教育部“人工智能+高等教育”典型案例征集及校企合作，加速技术落地。国内部分高校部署 Deepseek 情况表：随着人工智能技术的突破性发展，全球教育领域正经历从“信息化”向“智能化”的深刻转型。AI 技术通过其通用认知能力与跨模态生成特性，成为重塑高等教育范式的核心驱动力。我国教育部人工智能赋能教育行动明确提出“以AI助推高等教育质量革命”，要求高校探索技术落地的创新模式。在此背景下，大语言模型（如DeepSeek、ChatGPT等）因其跨学科知识整合能力与低

95、成本高效率优势，成为技术落地的核心引擎，而 AI 助手作为技术赋能的“最后一公里”，则是实现教学、科研、管理全流程智能化的关键载体。一、大模型技术底座：高等教育的智能化基石同济大学广东医科大学济南大学北京交通大学湖南大学上海交通大学北京航空航天大学武汉大学浙江大学华东师范大学中国人民大学北京师范大学海南师范大学华南理工大学东南大学香港科技大学（广州）郑州大学南开大学中山大学河北工业大学2025 年 1 月 24 日2025 年 2 月 16 日2025 年 2 月 17 日2025 年 2 月 19 日2025 年 2 月 13 日2025 年 2 月 17 日2025 年 2 月 17 日2

96、025 年 2 月 19 日2025 年 2 月 14 日2025 年 2 月 17 日2025 年 2 月 18 日2025 年 2 月 19 日2025 年 2 月 21 日2025 年 2 月 22 日2025 年 2 月 16 日2025 年 2 月 17 日2025 年 2 月 19 日2025 年 2 月 21 日2025 年 2 月 22 日2025 年 2 月 22 日DeepSeek-R1 各系列模型Deepseek-GDMU（医学垂直领域模型）DeepSeek-R1DeepSeek-R1DeepSeek-R1DeepSeek 671B（R1+V3 全系列）DeepSeek-

97、R1 满血版DeepSeek 全系大模型DeepSeek-V3、R1DeepSeek-R1 满血版DeepSeek-R1（671B）满血版DeepSeek-R1DeepSeek-R1（671B）DeepSeek-R1（671B）满血版DeepSeek-R1 满血版DeepSeek-R1 671BDeepSeek-R1DeepSeek-R1 满血版DeepSeek-R1（671B）满血版DeepSeek-R11591326101437111517194812161820序号高校名称官方部署时间Deepseek 版本大模型技术底座：高等教育的智能化基石41AI 助手通过“教-学-研-管”四大场景重

98、构高等教育全流程。二、核心场景：AI 助手的高等教育实践清华大学南京大学中国地质大学（武汉）中国地质大学（北京）桂林电子科技大学山东大学深圳技术大学中国石油大学（华东）中南大学北京中医药大学西南石油大学三峡大学四川美术学院黑龙江大学黄河科技学院井冈山大学河南工业大学中国科学技术大学2025 年 2 月 23 日2025 年 2 月 24 日2025 年 2 月 26 日2025 年 2 月 28 日2025 年 3 月 20 日2025 年 2 月 23 日2025 年 2 月 24 日2025 年 2 月 26 日2025 年 2 月 28 日2025 年 2 月 24 日2025 年 2

99、月 24 日2025 年 2 月 27 日2025 年 3 月 3 日2025 年 2 月 24 日2025 年 2 月 26 日2025 年 2 月 28 日2025 年 2 月 25 日2025 年 2 月 27 日RealSafe-R1（“安全增强版 DeepSeek”）DeepSeek-R1、DeepSeek-V3 满血版DeepSeek-R1 满血版DeepSeek-R1DeepSeek-R1（671B）满血版DeepSeek-V3、R1 满血版DeepSeek-R1、DeepSeek-V3 满血版DeepSeek-R1 满血版DeepSeek-R1 满血版DeepSeek-R1 满

100、血版DeepSeek-R1 671B/70B 双版本DeepSeek 满血版DeepSeek-R1（671B）DeepSeek-R1 百亿参数大模型DeepSeek-R1DeepSeek-R1DeepSeek-R1DeepSeek-R1（671B）212530353822263136232732372429342833序号高校名称官方部署时间Deepseek 版本备注：以上信息基于网络公开资料检索整理，受限于信息获取的的局限性与时间限制，数据的缺失与遗漏难以完全避免，无法覆盖所有高校，主要展现高校行动趋势。核心场景：AI 助手的高等教育实践42人工智能加速课程智能化改革，AI 赋能教学有机会实

101、现个性化学习和规模化培养的统一，将使学生的个性化成长获得前所未有的助力，这是开展教学变革的重大契机。1.智能助教：教学流程的重构(1)智能出题智能体定义：能够基于教材内容智能生成高质量试题的工具 智能体特色：用户及使用流程：难度自主调控：支持自行设定题目难度，适配不同学习场景和能力水平，满足多样习题需求 题型丰富定制：可按需求自由定义选择、填空、简答等多种题型 知识点全面覆盖：依托教材的精准分析，能基于单个、多个知识点或全部教材内容出题 双向反馈优化机制：可随时反馈题目难度、表述清晰度、正确性等问题，系统据此持续优化 答案详尽解析：每道题都配有精准详细答案，深入剖析解题思路、知识点和易错点教师

102、：根据教学目标和学生学情圈定知识点、设置题目难度，选定题型完成出题 学生：基于学习阶段和知识点掌握程度自主生成个性化测试题目，实时评估学习效果(2)自动批改智能体定义：自动化批改学生作业并进行学情分析的工具 智能体特色：用户及使用流程：批量化快速处理作业批改任务：自动批改作业，减轻教师工作压力 个性化因材施教的学情分析：为学生提供个性化错因分析、知识点强化和学情分析 提供高质量的教学优化建议：为教师提供教学建议，助力教学改进 海量作答情况的统计学分析：收集并分析作答数据，便于教师和校方掌握学习情况教师端：上传学生作业，由批改 agent 进行自动批改，并根据学生作答情况获得教学建议，优化后续授

103、课进程。学生端：上传已完成的作业，获得习题解析、知识点分析、错因分析等指导，利于后续补强自身的薄弱项。系统端：根据海量学生作答情况，对准确率、错误率、平均分等数据进行统计学分析，利于教师和校方掌握学生学习情况(3)智能课件制作智能体定义：辅助老师生成讲义和教学文档，完成教学设计 智能体特色：用户及使用流程：灵活的教材课时划分：依托对教材的精准解析，支持对课时做便捷划分，根据指定范围的教材内容生成讲义 结构化长文本生成：生成主题明确，结构清晰，各个模块都能兼容的长教案，包括讲解内容、思路、练习题、参考资料等 灵活的 AI 编辑能力：在生成内容上，可以针对部门内容做 Prompt 调整优化，做局部

104、内容的完善；自动生成 PPT：根据编辑好的教案，自动生成 PPT老师：上传教材-课时划分-生成讲义-AI 编辑-PPT 生成核心场景：AI 助手的高等教育实践43(2)学情分析助手智能体定义：根据学生做题、学习、问答数据，针对单个学生或班级，提供个性化学习情况分析，为个性化教案和出题提供依据 智能体特色：个性化学情总结：针对学生和班级画像，个性化总结学习情况，生成报告 学习路径规划：根据学生的情况，提供个性化学习路径的规划和学习材料的生成 个性化教案和出题：可以细化到针对单个学生的教案设计和出题(1)AI 学伴智能体定义：根据老师的讲义 PPT，逐页逐段生成讲解文本，并逐页逐段关联教学资源等参

105、考资料 智能体特色：用户及使用流程：PPT 和教学资源的关联：将解析好的 PPT 内容，逐段的关联到教材、文献和参考资料上去 PPT 内容通俗易懂的讲解：根据老师讲义内容和参考资料，生成通俗易懂的讲解文本 随时问答：随时暂停讲解内容，发起提问，做深入理解或扩展学习老师：上传讲义-自动解析生成讲解内容和关联教学资料-纠正讲义切分、关联材料和讲解方式 学生：找到讲义-听讲解-课堂提问-扩展问答案例：山东大学“计算机通识课程智能数字教师”“基于知识图谱和大模型的计算机通识课程智能数字教师”解决了计算机通识课程授课过程中学生数量众多、师资不足且水平参差不齐等问题。在案例实施过程中，通过人机耦合、自动抽

106、取等技术构建了计算思维课程知识图谱，梳理出 419 个知识点，挂载115 个教学资源和 346 个习题，打造了可视可听、可训可练的智慧课程。借助 AI 助教的大模型能力，在知识图谱导航下，实现了问题的答疑解惑、教学资源的智能推荐及学习路径规划，尤其是在编程辅导方面，为学生提供智能代码纠错、差异化代码修改对比、1 对 1 启发式编程辅导等服务，缓解非计算专业教师辅导答疑工作压力，提高学生编程学习效率和代码质量，实现“老师轻松教，学生高效学”的目标。案例中的AI助手功能强大，教师通过编辑授课讲稿，借助AI助手可自动生成PPT和授课视频，搜索科研文献及相关图片，为教师备课提供高效支持。同时，AI 助

107、手能有效采集分析学生学习数据，辅助教师优化教学内容，进行课程动态维护，助力实现精准化教学。案例围绕知识图谱自动构建、教学资源动态更新、数字教师实时交互、引导式编程辅导、个性化自适应学习、千人千面因材施教，探索了传统教学中教师角色向“师-机-生”融合的智能化教学转变，创新了“数字课程+数字教师”智能化教学模式，为 AI 赋能教育教学改革发挥了引领示范作用。2.智能助学：学习范式的革新核心场景：AI 助手的高等教育实践44案例：北京邮电大学“码上”智能编程教学平台“码上”是北京邮电大学 EZCoding 雏雁/大创团队自主研发、运营和支撑的大模型赋能的智能教学平台。针对编程教学过程中学生亟需一对一

108、辅导的需求痛点，基于大模型，采用北邮自研核心技术，为学生提供实时、个性化、启发式的编程辅导服务，为教师提供灵活、高效、多维度的教学支持服务，可有力支撑学校的有组织编程教学，提高学生学习效率，减轻教师工作负担，促进教育数字化转型，引爆“以学生为中心”的学习革命。案例：哈尔滨工业大学“AI 自主实验教学系统”哈尔滨工业大学电工电子国家级实验教学示范中心将 AI技术融入到实验教学平台、资源建设和教学过程中，实现了实验教学视频资源的快速更新和制作。中心建设的远程在线实验教学平台，利用人工智能专家系统对学生的远程实验操作进行实时指导，专家系统实时判断学生的操作是否正确，并提供必要的错误提示与实验指导。(

109、1)AI 科研助手从自然语言检索加速科研信息获取，到论文对话加速文献理解，到知识管理构建知识体系，再到基于知识库的创作，AI 科研助手为科研群体打造 AI 科研工作站。智能体特色：基于亿级文献、专利、项目的原始数据构建具备知识关系网络的科研知识库，为科研助手提供可信数据源支撑用户问题理解和科研信息处理、分析的“科研大脑”，在科学文本理解、数学计算和科研任务处理等方面做加强，训练更懂学术的科研大模型 相较于直接生成答案的笼统型总结，AI 科研助手将人类思考框架和科研工作方法应用到信息处理中，并对生成的答案提供句子级别的知识溯源(2)AI 阅读助手通过科学文本加强训练和文档多模态解析，AI 阅读助

110、手在文献对话阅读上提供更专业和更详细的理解问答。智能体特色：PDF 文档的多模态解析：文本、图片、表格 基于全文生成论文概要和章节速览 基于研究问题和全文，生成关键问题 图片解读、复杂科学概念解释、多语言翻译3.智能助研：科研效能的跃迁核心场景：AI 助手的高等教育实践45AI 辅导员智能体定义：校内外、课内外学习生活相关的知识问答、政策咨询和打通学工政工系统的办事 智能体特色：用户及使用流程：政策问答：政策内容的关联和深度解读 自助办事：打通学工、政工系统，通过自然语言即可完成请假、填表等事项学工人员：发布政策-查看问答 辅导员：查看问答4.智能助管：学工+AI人工智能赋能高等教育的过程中，

111、仍需直面技术伦理与规模化落地的双重挑战。一方面，过度依赖 AI 可能导致学生批判性思维弱化、数据隐私泄露等风险，需通过强化教师引导机制、完善政策规范等构建防护体系；另一方面，技术落地受限于师资数智素养不足与生态协同缺位，需通过系统性师资能力升级和校企联合开发教育专用模型打通实施路径，形成“技术-人才-制度”协同驱动的可持续发展模式。三、技术伦理与规模化落地挑战解决学工处和辅导员在学生工作+AI 方面面临的诸多痛点，提供 AI 辅导员的能力体系。技术伦理与规模化落地挑战46随着大模型技术持续迭代（如 DeepSeek-R2 多模态能力升级），人工智能将推动高等教育向更深层次变革：通过 AI助手实

112、现个性化学习与教育资源普惠化（如北邮“码上”平台赋能贵州长顺县教育），重塑“教师-学生-AI”协同关系教师角色加速向“思维教练”转型（同济大学“2+1+X”培养体系），AI 助手则承担知识传递与流程优化职能；技术应用场景将从课堂教学、科研协作向心理健康辅导、跨校联合实验等长尾领域延伸，最终构建覆盖“教学-管理-服务”全链条的人机共融教育生态，为高等教育高质量发展提供持久动能。四、从工具到生态的演进从工具到生态的演进47第五章学科+AI 人才培养实践案例一、国内高校学科+AI 人才培养优秀案例二、国外高校在学科+AI 教育方面的先进经验借鉴48为探寻人工智能融合教育的前沿方向，我们选取了 202

113、5 年我国 QS 排名前 200 中的 9 所高校，从体系架构搭建、特色课程开发到教学实践落地，系统梳理其 2024 年至今的创新探索，其共性规律与创新路径可为高校人工智能教育提供从顶层设计到实践落地的可复制范式。所有案例均源自高校官方公开渠道，因信息检索与人工筛选的局限性，虽未能呈现全貌，但已涵盖关键亮点与核心经验。1.设计路径与落地成果展示一、国内高校学科+AI 人才培养优秀案例(2)北京大学(1)清华大学全新 AI 通识核心课：人工智能与计算思维，讲授数据科学与人工智能的核心知识，设 8 个不同主题的平行班，阐述人工智能在各学科领域至 2024 年秋季学期，学校 113 门课程实践了人工

114、智能赋能教学；设计建立了应用层、引擎层、模型层的三层解耦体系架构，并依托荷塘雨课堂平台，上线智能学伴、智能讲伴、智能批改等十大功能场景，为师生提供了全方位技术支撑。2024 年 9 月，北京大学 TBI 国际教育集团共同设立“北京大学-TBI 人工智能教育研究联合实验室”;北京大学软件工程国家工程研究中心联合北京大学教育学院共同研发博雅人工智能教育大模型，同时推出了基于博雅教育大模型的“北大智学”教学平台和课程教学创新项目;研发学生 AI 成长助手“清小搭”，发挥人工智能技术优势，根据每位同学的认知模式提供“全过程、全方位、全天候”的陪伴与支持，助力学生全频谱、个性化成长；发布人工智能素养网站

115、，由学校一线师生讲授，围绕生成式 AI 概念、AI 赋能教与学、伦理责任等进行介绍，持续更新 AI 前沿动态，分享实践案例；研发的“全 AI 守护课堂”上线国家智慧教育公共服务平台并面向社会公众开放；案例“清华大学人工智能赋能教学试点”入选首批“人工智能+高等教育”应用场景典型案例名单；案例“清华大学环境学科人工智能引擎建设”入选第二批“人工智能+高等教育”应用场景典型案例名单。主办人工智能赋能教育高质量发展研讨会，来自全球的 1200 余位专家出席举办学习科学、人工智能与教育融合创新研讨会成立北京大学科学智能学院成立清华大学人工智能学院，重点布局“人工智能核心”与“人工智能+”两大前沿方向；

116、成立清华大学计算机系人工智能通识教育研究中心推出人工智能辅修学位和课程证书项目；举办“创新清华”对话科学品牌活动，首场以“重构未来：AI 如何影响科学研究”为主题。核心课程落地细节核心课程落地细节教学资源与平台支持教学资源与平台支持配套活动与学术生态配套活动与学术生态清华大学于 2023 年 9 月 28 日正式启动“清华大学人工智能赋能教学试点课程工作方案”，根据不同学科特点开发大语言模型的垂直应用，打造智能助教、知识图谱等多元化教学场景，并深入观察和分析人工智能技术与教育教学融合所带来的深远影响。启动背景及计划：落地成果：国内高校学科+AI 人才培养优秀案例49(3)复旦大学建设 AI-B

117、EST 课程体系，“AI 大课”面向文社理工医不同学科、不同阶段的学生，形成AI 素养-AI 能力-AI 创新的多目标、多层次的培养体系；目标到 2025 年实现三个渗透率 100%（覆盖全体本研学生、全部一级学科、全部专业培养方案）。AI-BEST 涵盖：AI 通识基础课程（AI-Basic Courses）、AI 专业核心课程（AI-Essential Courses）、AI 学科进阶课程（AI-Subject Courses）、AI 垂域应用课程（AI-Thematic Courses）。启动背景及计划：落地成果：AI 通识基础课程（AI-BEST）现已推出 116 门 AI-BEST

118、序列课程，其中 2024年秋季学期已开 61 门。代表性课程：走近人工智能：涵盖大模型技术、提示词撰写、AI 生成内容实践等，强调“不写代码、不做数学推理”的文科友好型教学。具身智能引论：通过实践项目（如设计机器人）培养学生 AI 应用能力，课程采用“项目分阶段+隐藏关卡”模式，支持学生利用 CFFF 算力平台完成实验。社会计算引论：聚焦 AI 在社会科学中的应用，如舆情分析、城市治理等，结合政府平台案例讲解自然语言处理技术。组建“AI 大课”建设战略咨询委员会，由国内外 AI 领域顶尖科学家和垂直领域顶尖行业专家组成；为促进全校 AI for Science 发展而建设校级智能计算平台 CF

119、FF 平台，为 38 门 AI-BEST 课程提供计算资源，服务 2000+师生；在 本 科 生 学 术 研 究 资 助 计 划（Fudan Undergraduate Research Opportunities Program，中文简称复芏计划，英 文 简 称 FDUROP）下 设 立 AI 2.0+师生共创智教智学专项计划。联合华东五校推出“AI+X”微专业，通过共建共选、学分互认、证书共签和 SPOC 授课形式运行；增设 23 个“X+AI”双学士学位项目，并将在部分一级学科试点“学科博士+AI 硕士”双学位项目；复旦大学“伏羲”大模型凭借较高的预测准确度与较长的预测周期，成为首批上线

120、国家智慧教育公共服务平台 2.0 智能版的 10款 AI 应用之一。核心课程落地细节教学资源与平台支持配套活动与学术生态(4)上海交通大学践行“学在交大”育人理念，深入推进人工智能赋能教育教学变革，提出“AI（Artificial Intelligence，人工智能）+HI（Human Intelligence，人类智慧）”构建未来高等教育的理念，发布“AI 教育教学”三年行动方案，从 AI 知识融合、AI 技术融合双向发力，牵引专业设置、培养计划、课堂形态、实验实践等系统性改革。学校特设立“AI+教育教学”专栏，分享典型实践案例，展示前沿探索成果，持续助力面向未来的拔尖创新人才培养。启动背景

121、及计划：应用的典型案例，使学生初步掌握人工智能在解决实际问题中的应用方法，培养学生的计算思维。4 款应用上线国家智慧教育平台“AI 试验场”；案例“口腔虚拟仿真智慧实验室的建设与应用”入选首批“人工智能+高等教育”应用场景典型案例名单;案例“北大问学智能教学平台”入选第二批“人工智能+高等教育”应用场景典型案例名单;在“开学第一课”中，智能学院、人工智能研究院院长朱松纯教授携全球首个通用智能人小女孩（Little Girl）“通通”亮相举办“AI 时代的本科教育圆桌系列论坛”，第一场活动围绕“智能时代的学习：多学科视角下本科教育逻辑的挑战与重构”主题展开深度交流国内高校学科+AI 人才培养优秀

122、案例 50落地成果：(5)浙江大学将人工智能通识课融入本科生通识必修课程体系，2024-2025 学年秋冬学期，浙江大学开出人工智能基础通识课程试点班，探索人工智能通识课程教育教学，2024-2025 学年春夏学期人工智能通识课将面向全校全面开设，实现理工农医人文社科各专业“人人可学、处处可学、时时可学”人工智能。启动背景及计划：落地成果：开设人工智能与人文社科、生命的设计与调控:人工智能应用与展望两门通识核心课程；推出精品 AIGC 微专业课程，培育下一代 AI 创变者。全面升级计算机类课程体系，面向不同学科专业开设多层次的人工智能通识课程，包括“人工智能基础 A”“人工智能基础 B”“人工

123、智能基础 C”，分别主要面向理工农医类、社会科学类和人文艺术类学生；建设 158 门覆盖全校所有 专 业 的“AI+X”和“X+AI”交叉类课程；推出 DeepSeek 系列专题线上公开课。开设人工智能拔尖英才班、数学-人工智能双学位；立项 50 项“生成式人工智能+教育”专项基金，吸引了来自 25 个院系的教师积极参与；启动“AI 教师+HI 导师”课堂变革行动计划，前期十位一线教师凭借出色的教育理念与创新思维获得成功立项；长期开展人工智能赋能（AI+）课程建设交流会，助力教师数字素养提升与教学模式转型；建设了综合性 AI 助学平台“思源 AI 助学平台”，整合了商业大模型和本地部署大模型，

124、已向 50 位教师及相关课程试点开放；上海交通大学“AI 助教”作为首批 10 款应用之一，上线国家智慧教育平台“AI 试验场”；案例“AI+HI构建未来高等教育”入选第二批“人工智能+高等教育”应用场景典型案例名单。发布人工智能通识基础系列教材，是全国首创按学科类别分层次出版人工智能通识系列教材；举办首期人工智能通识教育师资培训班，全体人工智能通识课程任课教师及各院系人工智能教育教学工作牵头人参与首期培训；牵头申报“高等学校人工智能教材研究基地”正式获批国家教材建设重点研究基地（高等学校人工智能教材研究）；浙江大学上海高等研究院、一蓦科技、壁仞科技、中兴通讯联合打造智海 AI 教育一体机，实

125、现了国产算力与 DeepSeek 的适配及知识课程、实训课题、智能体等教学工具的设计开发；案例“新一代科教平台（智海平台）赋能知识点微课程教育”入选首批“人工智能+高等教育”应用场景典型案例名单。案例“以微致通：AI+X 微专业赋能交叉人才培养”入选第二批“人工智能+高等教育”应用场景典型案例名单。联 合 华 东 五 校 推 出“AI+X”微 专 业，通 过 共 建 共 选、学分互认、证书共签和 SPOC 授课形式运行；发布上海交通大学关于在教育教学中使用 AI 的 规 范，确保 AI 在教育教学中的规范、有序应用。联 合 华 东 五 校 推 出“AI+X”微 专 业，通 过 共 建 共 选、

126、学分互认、证书共签和 SPOC 授课形式运行；举办高校人工智能教育教学创新研讨会，联合 24 家国内顶尖的人工智能教育单位发起成立“高校人工智能教育教学创新协作机制”，正式发布大学生人工智能素养红皮书。核心课程落地细节核心课程落地细节教学资源与平台支持教学资源与平台支持配套活动与学术生态配套活动与学术生态国内高校学科+AI 人才培养优秀案例51(6)中国科学技术大学“人工智能数学原理与算法”本科生通修课，于 2025 年春季学期开设小班试讲，预计未来逐步推广至全校。建设人工智能与数据科学学院，服务于人工智能与数据科学前沿交叉理论及应用研究的高端人才培养；建设中国科大东风云计算平台，实现计算、存

127、储、网络等公共基础设施资源的统一管理，保障各项上云业务的高效运行，同时优化公共基础设施资源利用和降低运维成本。联合华东五校推出“AI+X”微专业，通过共建共选、学分互认、证书共签和 SPOC 授课形式运行；举办网络与人工智能赋能教育改革发展学术交流会；承办人工智能与人形机器人前沿论坛人工智能分论坛；举办 2024 年度人工智能应用创新大赛，设立“创意设计”与“创新应用”两大赛道。核心课程落地细节教学资源与平台支持配套活动与学术生态(7)南京大学(8)同济大学发布“人工智能通识核心课程体系”总体方案，围绕本校本科育人目标和课程建设目标，建设“1+X+Y”三层次“人工智能通识核心课程体系”，以 1

128、 门必修的人工智能通识核心课+X 门人工智能素养课+Y 门各学科与人工智能深度融合的前沿拓展课为基础，从知识、能力、价值观与伦理三个维度开展教育教学。发布人工智能赋能学科创新发展行动计划（2024-2027），提出了“1+N”的人工智能赋能学科创新发展思路，部署启动八大核心任务，加强人工智能学科建设，系统性推动人工智能赋能学科创新发展、让老树吐新芽，赋能人才培养、科学研究、社会服务、国际合作、文化传承创新、数字校园等各领域实现全方位高质量发展。启动背景及计划：启动背景及计划：落地成果：1 门人工智能通识核心课聚焦文理融通，面向全体本科新生开课，由中科院院士谭铁牛、欧洲科学院院士周志华等人工智能

129、领域的顶尖学者领衔，人文社科名师大家加盟；X 层次人工智能素养课聚焦通专融合、Y 层次人工智能前沿拓展课聚焦科教融汇，于 2024 年秋季学期开设 40 余门 X 层次和 Y 层次课程。南京大学计算机新技术全国重点实验室牵头，40 家相关领域的全国重点实验室、江苏省实验室、江苏省重点实验室、教育部重点实验室等共同参与建设计算机与人工智能领域重点实验室联盟；着力开发支撑人工智能教学和考核的智能化教学平台，开发“AI 助教”等智能化教学辅助系统；联合头部企业为师生提供 AI 大模型实践应用平台，提供使用指引，课程也可自主应用行业领域的相关平台和系统。联合华东五校推出“AI+X”微专业，通过共建共选

130、、学分互认、证书共签和 SPOC 授课形式运行；举办 2024 年拔尖创新人才培养研讨会暨双高合作高质量发展论坛第十九届地学文化节，以“爱（AI）融地学，智启新篇”为主题，旨在推动地球科学与新兴技术交叉融合，服务国家生态文明建设和全球可持续发展战略。召开2025年度“AI+实验教学”及“AI+虚拟仿真”研讨会，进一步提升实验教学水平和虚拟仿真资源建设水平承办 C9 高校联盟教务处处长会暨人工智能赋能拔尖创新人才培养研讨会，推动九校协同探索 AI 与教育融合路径。核心课程落地细节教学资源与平台支持配套活动与学术生态国内高校学科+AI 人才培养优秀案例 52落地成果：打造人工智能通识精品课程“人工

131、智能科学与技术”，由同济人工智能 顶 尖 学 者 领 衔，100余名来自各大类专业教师参与，于 2025 年春季学期面向全体大一新生开课；从 30 家海外顶尖高校引进以“人工智能+”为核心的百门拔尖创新人才培养国际课程。同济大学艺术与传媒学院与国家广播电视总局广播电视科学研究院共建“人工智能跨媒介传播与艺术科技创新实验室”；成立计算机科学与技术学院，着力提升计算机学科整体创新能力；在工科试验班（国豪精英班）基础上增设未来技术班，未来技术班学生将深度进入“人工智能+”交叉领域（机器人、智能网联车辆、工业互联网、智慧城市）；扩容升级同济大学 AI 应用创新平台，实现 DeepSeek 全面适配、智

132、能体搭建等能力；案例“人工智能赋能招生选拔基于 ChatTJ 的智慧招生管理平台建设与应用”入选第二批“人工智能+高等教育”应用场景典型案例名单。同 济 大 学 知 识 大 模 型CivilGPT 是全国教育系统首个完成生成式人工智能服务备案的大模型，在基座模型、知识图谱构建及智能教学等方面取得重要进展；牵头课题“上海人工智能领域推进教育、科技、人才协同发展的策略研究”；举办“同心论坛”，以“人工智能与大模型发展”为主题，旨在搭建交流平台、凝聚智慧力量，助力学校高质量发展。核心课程落地细节教学资源与平台支持配套活动与学术生态(9)武汉大学围绕学校数智生态蓝图建设目标，学校发布了武汉大学数智教育

133、白皮书（数智人才培养篇）武汉大学数智教育支撑体系建设指南武汉大学数智教育实践创新平台学生使用指南系列成果，提出了一体化的数智人才培养体系、全栈式的数智教育实验创新教学体系。武大全校开放人人可学的大数据与人工智能课程，不仅为学校的数智转型注入了强劲动力，更为培养未来社会的数智人才提供了有力支撑。启动背景及计划：落地成果：17 门本科数智教育公共课程形成了独具特色的“1+16”课程体系，“1”指的是“数智+”基础通识课程“人工智能导引”；“16”则是指16 门数智教育核心课程，涵盖了人工智能、大数据、云计算等多个前沿领域；设计了“通识、赋能、应用、专业”四大类型课程，并采用了“分类+梯度”模块化选

134、课、“融通+创新”灵活性设课及“基础+场景”差异化授课的策略，实现了从高中到本科、研究生阶段的全面覆盖、贯通培养。成立武汉大学人工智能学院，由中国科学院院士、武汉大学校长张平文教授担任首任院长；推出“数智教育实践创新平台”和“珞珈在线 AI 智慧教学中心”，以数智教育赋能学生实践创新发展；推出了包括武汉大学数智教育白皮书（数智人才培养篇）在内的“1+5”武汉大学数智教育丛书，凝练出“五数一体”“五体驱动”的数智人才培养理念，在全新修订的本科人才培养方案（2024 版）中融入数智人才培养理念，重点推进“数智+”课程体系构建，着力多元化人才培养；成立数智教育教学研究中心，推进数智教育课程体系落地，

135、提升学校数智人才培养的综合实力；案例“创新“AI+”专业图谱，贯通“教学管评”全链路”入选第二批“人工智能+高等教育”应用场景典型案例名单。牵头成立“数智教育实践创新联盟”，召开第一届数智教育实践创新论坛；数智教育展厅开展相关活动 56 场，接待超 3000 人，成为学校重要的对外宣传和科普窗口；开展武汉大学人工智能赋能高等教育典型应用场景案例大赛。核心课程落地细节教学资源与平台支持配套活动与学术生态国内高校学科+AI 人才培养优秀案例532023 年 9 月 28 日，清华大学启动了一项新的试点计划人工智能赋能教学。清华大学以“千亿参数多模态大模型GLM”为平台与技术基座，研发出多个 AI

136、助教系统。自 2023 年秋季学期开始 8 门课程试点，已有 5 门课的智能助教系统完成开发并投入使用。这些 AI 助教系统不仅能够提供 24 小时的个性化学习支持、智能评估和反馈，还能辅助学生进行深入思考，激发学习灵感。在清华大学“化工热力学”课程中，授课教师、化工系教授卢滇楠将 100 多篇相关文献和书籍用于垂直模型的持续训练与校准。目前，该系统已完成初步开发，具备主动出题与答题功能，并在学期末课程大作业中作为辅助工具被使用。卢滇楠指出，生成式人工智能将对未来的教育产生革命性的影响。尽管目前其在专业课教学中的精确度还有待提高，但作为“伴学”，它已能够很好地启发学生进行深入思考，并与他们共同

137、成长。清华大学建筑学院副教授龙瀛的“新城市科学”课程基于教师提供的教材、习题、最新论文等大量材料，实现了自动知识点抽取，并打造了人工智能助教系统。通过知识库的辅助，智能助教将答题正确率从 80%提升到了 95%，并附带了详细的答题解释。该系统还设计了多种功能卡片，学生可以通过输入相关需求，与智能助教实时交互以获得课程辅导，例如课程项目设计的思路提示、流程设计、分析角度等，从而加深对相关知识的理解和研究思路的启发。“心智、个体与文化”授课教师、社科学院副教授钱静介绍，智能助教系统不仅能生成写作评价标准，还能针对学生的写作给出具体评价。智能助教能够快速学习心理学知识、理论，并为学生提供及时有效的反

138、馈。“环境决策实践”课程基于任课教师自主研发的天工 AI 大模型，为学生提供个性化学习支持、智能评估和反馈，以辅助其学习过程。电机系教授于歆杰讲授的“电路原理”课程，基于教学团队录制的慕课、雨课堂授课材料、往期教学数据等大量资源，进行了知识点输入和抽取工作，在完成电路图数据处理和建模理解后，将于 2024 年春季学期中投入使用。“智能助教可以更好地为学生提供随时随地的答疑解惑；同时，可以协助教师推荐相关资源，为有需求的学生给出延展性学习建议。”于歆杰说道。2024 年 2 月 27 日，南京大学宣布将面向全体本科新生开设“1+X+Y”三层次人工智能通识核心课程体系；7 月，南京大学计算机学院大

139、学计算机基础教学部与上海和今信息科技有限公司以及北京智谱华章科技有限公司共同签署“101 数智领航计划”。校企三方以“人工智能通识课程”为合作起点，充分发挥各自优势。和鲸将发挥在第二课堂的组织与开展模式方面的积淀，通过数据、项目案例、实训实践资源、活动、竞赛等多种形态融入至 X 与 Y 课程建设中，推动学生实践能力和创新思维的养成。智谱的大模型技术将助力加快“1+X”课程体系的落地进程，并在学科大模型的构建、智能体辅助教学等方面扮演重要角色。清华大学南京大学双一流双一流985985211211(1)协同共建：人工智能通识素养课程深度合作2.产教融合标杆案例：校企协同共塑 AI 人才培养新范式国

140、内高校学科+AI 人才培养优秀案例 54要培养学生解决多学科、多领域复杂问题的能力、创新能力、干事创业的企业家精神，校企合作是非常重要的，我们很高兴与和鲸开展技术、资源、课程等多维度的合作，共同建设赋能教育的平台和智能体工具，强化对课程教学各个环节的有效供给，积极探索高校与企业之间的互动的新机制与新形式。我们使用和鲸平台来进行实验班的 Python 编程基础的教学，教学过程分两条线，一条线是学生在课堂上解决一个个问题，另一条线是学生要自主发现问题，完成创新性项目求解。平台集成了编程环境，通过实践学生的反馈都是比较好的。金莹 教授 执行主任南京大学计算机学院大学计算机基础教学部 赵宏 教授南京大

141、学计算机学院教授左：和鲸社区合伙人兼运营总监唐铭；中：南京大学计算机学院大学计算机基础教学部主任金莹；右：智谱 AIGC 事业部产品负责人袁会会自 2023 年起，南开大学校级教学团队带头人赵宏教授与和鲸紧密合作，共同面向大一新生打造了Python 程序设计基础与数据分析基础系列课程，课程基于“问题逻辑认知模式成果导向教育（POT-OBE）”及“5E（Excitation、Exploration、Enhancement、Execution、Evaluation）”教学范式，在和鲸的全力支持下，让学生聚焦解决问题思维和能力的训练。2024 年，南开大学承担两门天津市级人工智能通识示范课程建设任务

142、，其中赵宏教授团队负责的人工智能与创新课程，面向全校近 4000 名大一新生开设，切实解决了人工智能通识教育教学的“落地”问题，有效培养了学习者驾驭人工智能技术进行创新的能力。南开大学 双一流985211国内高校学科+AI 人才培养优秀案例55和鲸平台的内容沉淀可以用于丰富和支持教学内容，为科研工作提供多样的模型方法和交叉学科的视角。同时，借助和鲸社区运营能力，我们可以进一步发挥浙江大学地科学院人才优势，促进知识沉淀与传承，引领数据驱动的地学研究。2024 年，浙江省资源与环境信息系统重点实验室（依托于浙江大学地球科学学院）与和鲸，以助推“数据+算力+模型+科研场景”的地球科学研究范式变革，孕

143、育地球科学基础理论的重大突破，推进地球科学领域以数据为驱动的跨学科研究的共同发展为宗旨，达成全面战略合作关系。双方确立了三个主要的合作方向：科研项目合作共同探索地学大模型的平台能力支撑建设、教学合作推动“AI+地科”交叉领域的学科建设、专业建设与人才培养，以及科研生态合作持续探索从数据到研究到成果落地的交叉共创模式。此前，浙江大学地球科学学院与和鲸曾共同参与建设国际大科学项目“深时数字地球”（Deep-time Digital Earth，DDE）。双方打造了一套完整、成熟，且具备开放创新生态的地学在线协同科研系统。2019 年起，和鲸与中国石油大学（华东）携手见证专业发展。理学院基于 OBE

144、 模式，以学生就业与深造为导向，融合学校能源与海洋特色，搭建起完备的课程教学体系，并打造“五位一体”实践教育体系。面对课堂实践面临环境搭建繁琐、资源与算力不足等难题，和鲸协助理学院建设大数据实践教学平台，针对核心专业课推行先实践后理论的创新教学模式，并依托和鲸社区丰富资源，激发学生学习热情。课外实践中，理学院与和鲸打造“课赛结合”模式，赛题融合真实场景与课程进度，通过“算法学习+算法竞赛”提升学生能力。自 2021 年起，双方已连续举办四届竞赛，第四届更是覆盖青岛所有高校。学生通过校内竞赛积累经验，在高级别竞赛中屡获佳绩，这些成绩成为他们就业时的有力“加分项”。浙江大学地球科学学院中国石油大学

145、（华东）理学院双一流双一流985985211211(2)理工科+AI 人才培养胡林舒 研究员浙江大学地球科学学院研究员国内高校学科+AI 人才培养优秀案例 56和鲸的平台能很好地帮助学生快速上手，学生在实践课上调用过以后就会产生好奇心，比如当他想知道如何改进优化结果时，就会反过来激发他了解内部机理、学习理论课的热情。和鲸的平台能够帮助学生更直观地理解地理学的魅力，让他们在探索中感受到学科的重要性，从而激发他们的兴趣和责任感。陈华 副教授中国石油大学(华东)理学院金晓斌 教授 副院长南京大学地理与海洋科学学院2024 年 10 月，和鲸与南京大学地理与海洋科学学院召开合作洽谈会，双方就人工智能素

146、质培养展开更多战略合作进行了深入交流，和鲸社区合伙人唐铭、南京大学地理与海洋科学学院副院长金晓斌教授、南京大学图书馆馆长黄贤金教授等多位专家共同出席。会上，双方就通过多样化的大模型工具打通教学和实践的壁垒，助力人才培养与科技创新达成共识，将通过“X+AI”与“AI+X”双模式，进一步助推南京大学地理与海洋科学学院在“AI+”地理学科素质培养方面进行深入探索。西安交通大学机械工程学院王保建老师牵头的AI 赋能的智能制造实践类课程教学模式案例成功入选教育部高等教育司第二批 32 个“人工智能+高等教育”应用场景典型案例名单。案例响应国家关于推进教育现代化的战略部署，与吉利汽车等头部企业合作，设计了

147、面向实际工程场景、融入数字孪生和 AI 技术的挑战性实践任务，将人工智能技术在智能制造实践类教学中进行了应用；案例借助生成式模型等 AI 技术，赋能智能制造实践类课程智能备课、编程指导和考核评价，生成式大模型的应用能够帮助教师根据学生的自身能力与南京大学地理与海洋科学学院西安交通大学机械工程学院双一流双一流985985211211左：和鲸社区合伙人唐铭；右：南京大学地理与海洋科学学院副院长金晓斌国内高校学科+AI 人才培养优秀案例57中国人民大学携手和鲸，共建数据生态智能平台 Datahub，深度融合教学实训与科研创新场景，面向全校师生开放使用，提供一站式的全流程支撑能力。平台建设近两年，已为

148、中国人民大学 3 个学院、5 位授课老师的 12 门课程，设置了 45 项实训内容，形成了涵盖 50 多项数据分类、覆盖各大学科领域的丰富数据生态，并沉淀了超过 1TB 的经典数据供全校师生使用。平台聚焦教学场景的实验实训，并非完全替代理论课程，而是通过打造规范化、统一化、一站式的实训环境，有效解决学生在实训中遇到的代码运行问题。考虑到不同用户的学习需求，Datahub 提供了交互式 Notebook、低代码开发工具和纯代码编写工具，为学生提供了多元选择。Datahub 在教学实训领域的探索，为高校将理论教学与实践操作有机结合提供了新范式。兴趣制定个性化的任务目标，同时减轻学生在多学科交叉难题

149、面前的入门难度；对标制造业真实场景，构建了多学科交叉融合的智能制造“数字孪生”教学平台，平台将智能制造系统物理空间和数字空间双向映射，打破时间、空间壁垒，开设多项虚实融合的智能制造类综合性实验，实现了实验教学的数字化、智能化升级，有效满足多地协同教学及本硕贯通培养，形成了 AI 赋能的智能制造实践类教学模式，取得了较好成效。该案例是西安交大探索传统机械类专业转型升级的成果总结，也是对智能制造拔尖创新人才培养需求的积极响应。中国人民大学双一流985211智能制造数字李生教学平台(3)文科+AI 人才培养国内高校学科+AI 人才培养优秀案例 58学科内容与实践平台无缝、深度地融合，确实能够产生比较

150、好的效果，可以作为未来教学发展的方向之一，若是能够更多地去构造一些好的跨学科案例，且这些案例能够以比较不错的方式实现共享，那么无论是通识课还是专业课的教学体系，都会得到大幅优化。相较于人文学科的感性色彩，统计学与运筹学更重理论逻辑，若把握不到位很容易产生枯燥感，所以教师需要不断创新授课模式。数据模型决策是我们面向学生的一次比较成功的尝试，和鲸的低代码工具与数据案例资源都获得了很好的反馈。某授课教师张建同 教授同济大学经济与管理学院自 2021 年起，同济大学经济与管理学院携手和鲸持续探索交叉融合的“经济管理+人工智能”学科建设模式，并为学院师生建设了一套承载教学和科研的人工智能基础设施与实践环

151、境。教学方面，针对“AI+”课程的落地困境，通过将业务场景与数据以及人工智能技术的应用相互串联，以产教融合，以练带学的方式，让没有编程能力与经验的学生在课堂中借助低代码拖拉拽开发工具，通过可视化图形连接完成数据分析流程与相关应用模型的搭建，完成电商数据分析、消费者购物数据分析等多个案例。科研方面，平台打通数据、算力、算法人工智能三要素，一体化解决数据安全应用、底层工程繁复、研究成果难流转复现等问题，使学院的师生能够更为便捷、高效地开展数据驱动的经济与管理研究，加速全院老师以及研究生同学开展深度学习研究以及大模型探索的研究工作。2025 年，和鲸人工智能导论：思维与应用课程走入同济大学课堂，以“

152、从 GPT 到 DeepSeek”为题，旨在帮助不同学科背景的学生掌握实际工作中运用 AI 技术解决问题的必备知识与技能。自 2019 年起，山东大学数字人文实验室就与和鲸展开了合作，共同深入探索人工智能领域，推动从“数字平台”向“数智平台”的转变。2024 年初，双方携手打造了数智实践课堂，以趣味教学赋能数据人才培养。在和鲸的支持下，山东同济大学经济与管理学院山东大学数字人文实验室双一流双一流985985211211国内高校学科+AI 人才培养优秀案例59作为人文学者，和鲸平台的使用体验非常令人满意，不仅是技术工具，更是协作与知识共享的空间，能够支撑交叉型人才的培养，让人文学科科研与教学得以

153、拥抱数智化变革。24 年，我们与和鲸、智谱的校企合作迈入新阶段，共同开启大模型赋能学科发展的崭新篇章。教育，并不等同于教学，我们应为教育引入更多形式，激励学生将知识应用于实际。和鲸协助我们中心落实赛训一体的方针，过程中引入了平台工具和许多案例资源，不仅对教育本身有促进作用，也为我们教师大幅减负。陈建红 副主任山东大学数字人文实验室汤胤 教授暨南大学经济管理实验教学中心暨南大学经济管理实验教学中心依托和鲸平台开展商业大数据分析教学，每学年近 400 名学生参与课程学习，通过“打开网页学编程”的便捷方式，高效掌握编程技能。和鲸“平台+资源生态”模式，既有力推动教学质量提升，又显著减轻教师教学负担。

154、此外，双方联合举办首届“暨南大学数字商业挑战赛”，要求选修该课程的学生全员参赛，竞赛成绩与课程绩点挂钩。此举不仅丰富了课堂形式，更激发学生动手实践，产出完整数据分析作品，成功落实中心对学生“创新、创意、创业”能力的培养目标。同时，和鲸积极践行中心“虚拟仿真实验+校企合作实践”改革方针，助力其顺利搭建并完善应用型数据科学人才培养体系与方法论。大学东亚数字人文团队搭建数字人文教研一体化平台，面向全校学生推出了数字人文通用技术与实践课程，旨在广泛传播数字人文知识。2024 年 12 月，“边疆大模型暨综合智能体”发布会在山东大学威海校区举行，会上，校企三方共同签署了“101 数智领航计划”。此次合作

155、以数字人文创新发展为引领，旨在充分发挥山东大学数字人文实验室先导优势，实现强强联合和多学科交叉融合。暨南大学经济管理实验教学中心双一流211左：和鲸市场合伙人林志超；中：山东大学数字人文实验室主任苗威；右：智谱 AIGC 事业部解决方案总监初宪国内高校学科+AI 人才培养优秀案例 60目前，国内兼具医学背景和工程技术实践能力的高素质复合型人才稀缺，人才缺口较大。为打破医学教育与工程教育之间的壁垒，上海交通大学医学院在实践中探索出两条路径：一是将有数理背景的人才向临床医学方向培养；二是降低临床医生使用方法学的门槛，提升其自主分析能力。自 2002 年起，上海交通大学医学院开设“4+4”硕博班，专

156、门面向理工科背景的本科毕业生，采用 4 年医学教育模式，致力于培养高级复合型医学创新人才。在此过程中，和鲸的教学实训平台为相关课程的开展提供了有力支持，让学生能够在确保“数据不落地”的前提下，运用医学传统“R”语言进行分析建模等工作。同时，交大医学院借助该平台对临床医生展开培训，将流程和规范融入工具之中，助力临床医生提高自主数据挖掘分析能力，进而提升临床研究的整体质量与效率。北京中医药大学管理学院于 2024 年建成健康医疗人工智能实验室，聚焦“中医药+AI”人才培养及学科建设。实验室搭载和鲸人工智能实训平台，一体化满足实践教学、课程实训、学生竞赛、科研和团队管理等不同场景的需求，并在此过程中

157、，实现了国内首个人工智能分析应用临场实践考核，举办了医学数据分析大赛。自平台使用以来，目前已支持了超过 7,000 个小时的学习时长，学生的毕业设计，机器人开发、中药饮片识别等实践项目均可基于该平台完成，其中舌象识别的诊断模型已成功应用于中医四诊仪，还打造了一套智能中药识别系统。学生培养方面，大数据管理与应用专业首届本科毕业生硕果累累，17 名学生成功发表了科技核心期刊论文，多名学生更是成功升学至国内外知名高校。上海交通大学医学院北京中医药大学管理学院双一流双一流985211211(4)医学+AI 人才培养医学生课业压力很大，让他们再真正掌握一门编程语言是不现实的，所以我们的医学大数据分析课程

158、实际是通过和鲸的低代码平台将代码和分析过程都封装好，学生只要在此基础上进行选择与修改，这也能够帮助他们从感性上克服对于计算机程序的畏惧感。张维拓 副研究员上海交通大学医学院临床研究中心 国内高校学科+AI 人才培养优秀案例61和鲸科技于 2024 年 5 月全新发起和鲸 101 数智领航计划，通过产教融合、科教融汇双循环，整合和鲸社区近十年积累的多学科实践资源、ModelWhale 教研训一体化平台和智谱 AI 大模型，打造 AI 创新虚拟实验室，帮助高校解决“学科+人工智能”的落地难题，培养创新型高质量人才，推动创新成果产出。为满足专业发展和科研需求，我们学校计划建设一个人工智能实验室。在深

159、入调研了 22 家企业，软件方面选择了和鲸，充分满足了我们对实践教学、课程实训、学生竞赛、科研和团队管理等不同场景的需求。韩爱庆 教授北京中医药大学管理学院医疗大数据与信息管理教研室在高等教育和未来就业市场中，AI 的影响日益加深。AI 能够迅速识别学习者的技能水平，智能推荐弥补技能缺口的策略，并精准地将他们与亟需这些专业技能的工作岗位对接；高质量的 AI 课程不仅能吸引更多学生，也有助于提升学校的学术声誉和社会影响力，“AI+高等教育”的融合业已成为全球教育界的共识与趋势。当前，美国已有数百所高校率先行动，推出了与 AI 紧密相关的学位课程。这些课程项目广泛覆盖了计算机科学、工程学、统计学等

160、多个关键领域，旨在全方位培养学生的 AI 能力，实现从理论学习到实践应用的深度融合与跨越。美国：多元探索、广泛实践1.探索“AI+高等教育”融合：全球教育界的共识与新兴趋势二、国外高校在学科+AI 教育方面的先进经验借鉴国外高校在学科+AI 教育方面的先进经验借鉴62斯坦福大学一直是“人工智能+教育”融合领域的先行者，早在 2014 年便开设了深度学习相关课程。其人工智能实验室（SAIL）率先行动，共有 100 多名博士生以及众多硕士生参与人工智能领域的计算机视觉、自然语言处理、机器人，航空航天等前沿课题。斯坦福大学校长 Jonathan Levin 表示，“人工智能改变的更多是我们学什么，而

161、非怎么学。我们应该更多地关注如何思考、如何批判性推理和做决策。”在此基础上，斯坦福大学创立了以人为本人工智能研究所（HAI），形成了一个跨越研究领域、产业界、政策制定与民间社会的多学科社群，致力于将人工智能融入高等教育。另外，过去三年里，HAI 与美国总务管理局（GSA）及白宫管理与预算办公室携手，开发了系列人工智能培训课程，吸引了超过 10000 名学员参与，其中：卡内基梅隆大学于 2023 年启动了为期三年的“生成式人工智能教学研究计划”（GAITAR），旨在促进生成式人工智能技术在高等教育中的应用。该计划鼓励教师将生成式人工智能技术融入课堂教学，设计并实施创新教学方案，同时推动相关研究的

162、深入发展，实现教学与科研的良性互动。以全美首个关于人工智能如何革新对创意表达的理解和互动的课程 AI for Humanities 为例，课程从人文学科的视角出发，探讨人工智能在语言学习、艺术表达和文化沉浸等领域的变革潜力，例如大型语言模型对第二语言习得的深远影响、虚拟体验不同的文化传统与社会视角等，吸引了来自商学院、梅隆科学学院和美术学院的学生参与。联邦雇员人工智能培训系列课程不仅涵盖技术基础与公共部门应用案例，还涉及风险缓解策略，助力学员在工作中有效管理和应用人工智能。2024 年，HAI 进一步扩展课程内容至八节，凸显了政策相关议题的重要性，如经济高效的大语言模型训练及多模态基础模型的变

163、革潜力。此外，GSA 还将培训范围扩展至州和地方政府雇员，今年报名人数创下新高，超过 3500 名政府雇员参与。另一门在线课程公务员人工智能基础：机遇、风险与策略，由 HAI 与斯坦福在线教育平台（Stanford Online）及 Apolitical 合作开发，旨在向全球公务员普及人工智能知识，目前已有超过 1700 名学员加入。国外高校在学科+AI 教育方面的先进经验借鉴63伊利诺伊大学香槟分校在“人工智能+教育”领域同样表现突出，建立了数个跨学科的人工智能研究中心，涵盖农业、化学合成及教育等领域，并在产学研协作方面取得显著成果，以下为该校与科技公司共同建立的人工智能相关研究所：C3.a

164、i 数字化转型研究所成立于 2020 年 3 月，研究所的目标是加速人工智能在商业、政府和社会中的应用，汇聚全球顶尖科学家，专注于人工智能、机器学习、云计算、物联网、大数据分析、组织行为学、公共政策与伦理学等领域的研究，并培训数字化转型的实践者。为促进高校与产业在人工智能领域的深入合作，该所启动了“行业合作伙伴计划”，鼓励业界与学术界共同开发研究项目和课程，推动创新与实践的紧密结合。IBM-Illinois 发现加速器研究所成立于 2021 年 5 月，致力于应对未来混合云的重大挑战和技术，具体包括人工智能与增强人类智能、量子计算、碳捕获技术（以实现计算技术与环境的可持续性）以及人工智能（以驱

165、动新材料发现）等领域。国外高校在学科+AI 教育方面的先进经验借鉴64英国：政府牵头、高校并进日本：政策推动、高校联动在英国，截止 2022 年已有 4.6 万名学生顺利完成与 AI 相关的高等教育课程，规模位居欧洲第一。日本文部科学省于 2021 年推出了“数学、数据科学、人工智能高等教育认证计划”，旨在 2025 年前使约 50 万名大专学生具备数理、数据科学与 AI 相关的素养和基础应用能力，以此激发数据科学与 AI 领域的创新潜力，发掘并培育能在全球舞台上发挥积极作用的顶尖人才。在此背景下，多所日本高校增设了 AI、数据科学等领域的学部或研究科，东京大学编纂了数理数据科学人工智能入门教

166、程，并携手千叶大学、筑波大学、山梨大学等五所国立大学，对区域内 263 所国公立大学开展 AI 教学活动的指导、人才培养及学术会议组织等工作。英国首相基尔斯塔默(Keir Starmer)表示，英国政府将全面落实AI 机遇行动计划，大力推进英国 AI 发展。该计划短期目标是在 2030 年培养数万名 AI 专业人才，并积极增加英国在全球顶尖 1000 名 AI 研究人员中的占比。剑桥大学不仅推出了 MPhil Human-Inspired Artificial Intelligence 项目，旨在通过跨学科研究深化对 AI 启发式原理的理解，还设立了 MPhil in Ethics of AI

167、,Data and Algorithms 项目，专注于 AI、数据及算法伦理与社会影响的深度剖析；伦敦大学学院 MSc Medical Robotics and Artificial Intelligence 项目则聚焦于手术环境中 AI 技术的应用，力求提升治疗精确度并革新医疗保健服务，如引入手术机器人实施微创手术；伦敦国王学院 MSc Artificial Intelligence 项目则致力于为学生提供 AI 领域的全面理论与实践知识，赋能学生掌握评估、设计及构建智能系统的能力，为智能软件系统的开发奠定坚实基础。国外高校在学科+AI 教育方面的先进经验借鉴65(1)工科+AI工科与 AI

168、 融合的课程体系不仅强调学生需具备坚实的工程学科基础知识，还着重于培养他们在主修领域内应用人工智能的创新技能，涵盖人工智能基础、机器学习、数据可视化、图像处理等多个方面。更进一步，通过设计思维课程及人工智能专业研讨会等形式，学生将获得跨学科的解决问题能力，并深化对专业领域的见解，以下是部分高校“工科+AI”课程：ENG-SCI 26:Humanity and its Futures:AI and Human CognitionCOMPSCI 1060:Software Engineering with Generative AI本课程将重点放在相互关联和反馈循环上，探讨一个重要的跨学科问题：人

169、工智能（AI）及其与人类认知的关系。学生通过使用现代工具（包括生成式 AI、自动化测试、持续集成和持续部署（CI/CD）来构建软件即服务（SaaS），从而学习和实践工业软件工程。参与系统和范式、智能本质、计算方法、心智与机器隐喻、人工智能中的认知偏差以及人工智能在创造力和直觉中的作用等方面的讨论。遵循软件开发生命周期，规划、设计、实现、测试、部署和维护一个小型的基于云的 SaaS 系统。学校代表性课程核心内容应用场景综上所述，全球范围内的顶尖高校已率先行动起来，通过构建系统化的教育体系，着力提升学生的 AI 素养与综合能力，确保他们能在现代社会中深刻理解并有效运用 AI 技术，做出明智决策，并

170、负责任地参与技术发展进程。和鲸特此整理了国外部分顶尖高校在工科、理科、医科、文科等领域内“人工智能+教育”的代表性课程，以期为相关领域的教育工作者与学习者提供参考与启示。图源：https:/en.apu.ac.jp/academic/information_literacy/2.按学科领域划分的国际部分高校代表性课程示例哈佛大学（QS-4）国外高校在学科+AI 教育方面的先进经验借鉴66COMPSCI 1820:Planning and Learning Methods in AISC1015:INTRODUCTION TO DATA SCIENCE&ARTIFICIAL INTELLIGEN

171、CEBNG 502:Advanced Bioengineering II:Theory,Computation,&Analysis10351:ARTIFICIAL INTELLIGENCECPSC 414:Computing Then and Now:How Digital Technology EvolvesCPSC 370:Section 01,CRN 20176Artificial Intelligence课程涵盖的主题大致分为搜索与规划、优化与博弈、以及不确定性与学习三个部分，旨在教会学生为各种计算任务识别有效的表示方法和解决方案。课程从数据科学的核心原理讲起，配备数据处理、探索性数据

172、分析、数据可视化、基于数据的推理以及数据为中心的沟通的基本工具和技术。课程还会介绍人工智能的基础知识状态空间、搜索问题、计算机视觉和自然语言处理。课程涵盖生物工程领域至关重要的理论与计算原理、工具和技术，包括：1.生物工程中的数学框架：涵盖生物分子动力学、常微分方程模型和反应扩散。2.分子模拟技术：包括随机方法和确定性方法。3.使用 Python 和MATLAB 的实用方法：侧重于数据分析、编码（使用关键软件包）、经典机器学习和图像处理。4.AI/ML 基础：探讨监督学习和无监督学习、神经网络和泊松分布。需有 Python 基础；课程内容包括状态空间问题表示、问题归因及图表、博弈与启发式搜索、

173、谓词演算、归结定理证明、用于知识表示的人工智能系统与语言、机器学习与概念形成等。对当前新兴的计算技术（如人工智能、自动驾驶汽车、自主无人机、量子计算机和区块链）进行批判性思考。课程探讨人工智能（AI）的基础技术，涵盖搜索、规划、学习和不确定性推理等主题。通过动手编程项目，学生学习实现基础AI 算法所需的概念、算法和实际操作知识。特别关注人工智能的伦理考量以及有益于社会的应用。能够识别和定义现实生活中的数据导向问题和数据驱动的决策，能够利用数据探索和可视化来讨论和说明这些问题，能够应用基本的机器学习工具从数据中提取推理信息，能够在搜索问题和游戏领域应用基本的人工智能技术，并能够讨论和解释计算机视

174、觉和自然语言处理的概念。医疗与生物制药、生物制造与生物能源、生物环保与生态修复、农业与食品工程以及跨学科合作。学习构建智能计算机系统所需的基本技术。探讨了选定数字技术从理论根基到广泛应用的历史演变，涵盖计算机硬件与软件系统、网络技术、算法设计以及各类应用场景。了解 AI 问题的历史和广度，并准备好学习机器人技术、计算机视觉、自然语言处理和机器学习等更高级的课程。哈佛大学（QS-4）南洋理工大学（QS-15）普林斯顿大学（QS-22）哥伦比亚大学（QS-34）学校代表性课程核心内容应用场景耶鲁大学（QS-23）国外高校在学科+AI 教育方面的先进经验借鉴6718-495:Speech Techn

175、ology for Conversational AI11.158 Behavioral Science,AI,and Urban Mobility18-462:Principles and Engineering Applications of AI课程提供关于如何利用语音处理技术构建对话式人工智能系统的实践知识和理论知识。课程涵盖了语音识别、说话人识别、语音合成、语音增强、语音翻译、口语对话系统、语音基础模型以及其他语音和音频处理任务。课程介绍了利用新技术和测量手段感知出行行为的方法；通过感知和偏好塑造来引导行为；设计集成了自动驾驶车辆、共享出行和公共交通的出行系统和商业模式；以及通过考虑

176、行为因素的交通政策来调控出行。课程涵盖人工智能的基本原理，具体主题包括：1）智能体；2）单智能体系统和多智能体系统；3）不确定知识与推理（包括概率推理、随时间变化的概率推理、贝叶斯网络、动态贝叶斯网络、隐马尔可夫模型、卡尔曼滤波器、MCMC 算法等）；4）通信、感知和执行等。学习构建功能性的语音识别和合成系统，或利用现有的大型语音和语言模型，并结合现有工具包创建一个语音界面。鼓励学生进行行为实验试点，并设计创新的出行系统、商业模式和政策。医疗应用、视频游戏、自动驾驶、自主机器人、金融与经济、军事、艺术、广告等项目实践。麻省理工学院（QS-1）学校学校代表性课程代表性课程核心内容核心内容应用场景

177、应用场景*若您想了解上述课程更多详情，可访问下方链接哈佛大学官网 https:/courses.my.harvard.edu/psp/courses/EMPLOYEE/EMPL/h/?tab=HU_CLASS_SEARCH南洋理工大学官网 https:/www.ntu.edu.sg/docs/librariesprovider124/economics-and-data-science/sc1015-introduction-to-data-science-ai.pdf?Status=Master&sfvrsn=b6e8f226_4普林斯顿大学官网 https:/registrar.princ

178、eton.edu/course-offerings/course-details?term=1254&courseid=017735耶鲁大学官网 https:/registrar.yale.edu/yale-course-search哥伦比亚大学官网 https:/doc.sis.columbia.edu/#subj/COMS/W4701-20242-001/卡内基梅隆大学官网 https:/courses.ece.cmu.edu/18495 https:/courses.ece.cmu.edu/18462(2)理科+AI传统理科教育侧重于事实传授与信息记忆，并将其作为衡量学习成效的关键指标。

179、然而，人工智能正逐步革新科学研究范式，且影响力日益显著。科学家们现已利用人工智能来生成假设、设计实验方案、高效收集并分析数据，从而揭示出仅凭传统科学方法难以触及的深刻见解。鉴于这一趋势，多所高校已积极行动，以下是部分高校“理科+AI”课程：卡内基梅隆大学（QS-58）国外高校在学科+AI 教育方面的先进经验借鉴68SCIENCE 5:An Introduction to Computation for Contemporary ScienceEARTHSYS 144:Fundamentals of Geographic Information Science(GIS)(ESS 164)651-

180、4284-00 GAI-assisted codingin python and collaborative project development with GitGEOG 582:AI in Spatial Data Science计算机编程的入门介绍，无需编程经验；学习以地球和生命系统为重点的数据驱动型和模型导向型案例分析，来掌握计算机编程的实践和量化提问的方法。概述当前在研究背景下使用空间数据的方法，包括地理对象及其相关数据的建模、地理空间的建模以及“空间思维”的概念基础、现场数据收集、基本空间统计分析、遥感与卫星图像的使用、“大数据”和机器学习方法等。无需 Python 编程基础；如

181、何使用 Python 进行科学计算编程，包括代码测试、可重复性和可读性的最佳实践。专注于空间数据科学与人工智能交叉领域的空间推理、空间分析和地图设计，对实现 GeoAI 目标的科学进展进行情境化分析和批判。用 Python 编 程 语 言 创 建notebooks，为本科生提供参与量化研究的经验和工具。空间数据的创建、捕获、管理、分析和呈现。掌握科学计算中的 Python 编程技能，学会使用 AI 辅助编程工具，并能够与同伴协作开发并共享高质量的代码项目。为 AI 支持的空间数据科学任务开发定制解决方案。哈佛大学（QS-4）斯坦福大学（QS-6）苏黎世联邦理工学院（QS-7）宾夕法尼亚州立大学

182、（QS-89）学校代表性课程核心内容应用场景*若您想了解上述课程更多详情，可访问下方链接麻省理工学院官网 https:/catalog.mit.edu/哈佛大学官网 https:/courses.my.harvard.edu/psp/courses/EMPLOYEE/EMPL/h/?tab=HU_CLASS_SEARCH斯坦福大学官网 https:/explorecourses.stanford.edu/苏黎世联邦理工学院官网 https:/www.vvz.ethz.ch/Vorlesungsverzeichnis/lerneinheit.view?semkez=2025S&ansicht=A

183、LLE&lerneinheitId=190278&lang=en宾夕法尼亚州立大学官网 https:/dutton.psu.edu/geog582_sample_syllabus(3)文科+AI在社会科学学习方面，人工智能的作用至关重要。社会科学材料研究社会现象，涵盖地理、经济、社会学、历史、政治、文化等综合性研究，内容极为复杂。对于动态发展的问题，需要进行综合分析，因此人工智能作为一种分析、模拟及构建互动学习场景的工具，对于解决社会中的各种社会现象必不可少，以下是部分高校“文科+AI”课程：Master of Science in Digital Scholarship2022 年新设立的硕

184、士学位：聚焦数字工具和方法在传统人文学术研究中的应用，课程通过讲座、研讨会、技术课程、学位论文一对一指导以及项目实习来授课。数字项目管理与领导；文化遗产保护与数字化。牛津大学（QS-3）学校代表性课程核心内容应用场景国外高校在学科+AI 教育方面的先进经验借鉴69OIT351 AI and Data Science:Strategy,Management and EntrepreneurshipOIT367:Business Intelligence from Big Data363-1196-00 GAI in Production ManagementINFO 290:Data Scien

185、ce and the HumanitiesGLBL 5087 Generative AI and Social MediaMGT 853AI Strategy&MarketingMGT 899Generative AI&EntrepreneurshipFINTECH FOR REAL:AI IN BANKING&FINANCE研究处于不同规模和阶段的公司，应如何利用人工智能、数据科学和机器学习来构建高效的团队、核心竞争力和竞争优势。要有一定的数理学和统计学基础学习应用人工智能、Python 和 SQL 等技术来分析数据集，并生成有助于决策的知识。课程涵盖了数据驱动决策的基础，包括统计建模、机器

186、学习和实验设计。从对 AI 主题的通用介绍开始，讨论生产管理的常见挑战。介绍不同的最新框架，提供关于在每个阶段成功实施 AI 所需的工具、框架和概念的理论和实践知识。探讨数据科学方法在数字人文研究中的应用，涉及利用 AI 技术分析文化数据、理解社会现象，涵盖数据挖掘、网络分析和可视化技术。不要求具备编程经验；介绍分析和创建社交媒体数据所需的关键量化工具，包括测量社交媒体情绪、AB 测试内容参与度、寻找影响者、用户细分、可视化网络数据、创建有说服力的文本和图像内容。向学生介绍人工智能/机器学习方法，包括无监督学习、监督学习和强化学习；评估如何将人工智能融入决策过程，并研究开发和使用人工智能/机器

187、学习技术的公司所面临的战略选择。学习如何利用人工智能开发创新产品并建立人工智能驱动的企业；探索广泛使用的概念、技术和框架，如提示工程、处理外部结构化和非结构化数据集、知识提取、代理工作流程、多媒体搜索和生成、代码生成、聊天机器人等。无需编程基础；掌握人工智能及其在银行业与金融业应用的基础知识。学习如何权衡在公司内部建立数据科学能力的成本与收益，如何最佳地管理团队以最大限度地提高绩效和创新，以及如何从投资者的角度评估数据和人工智能创造的价值。广告、电子商务、金融、医疗保健、市场营销和收益管理。在生产管理中使用 AI 所需的具体挑战、实践和转化技能。通过数据分析研究文学作品主题演变，利用网络分析方

188、法研究社会关系和传播模式，使用可视化技术展示历史事件的时空分布。使用各种人工智能（AI）和统计工具，包括如变换器神经网络和聚类算法等分析工具，以及如 ChatGPT（文本生成）和MidJourney（图像生成）等生成工具。消费者和决策者如何评价人工智能系统做出决策。深入探讨大型语言模型运维的各个方面，探索提高性能和准确性的微调和Graph-RAG等策略；理解生成式人工智能公司的格局以及存在的机遇和挑战。金融机构、金融科技公司和其他企业如何应用 AI 技术来推动业务创新和内部管理效率提升。学校代表性课程核心内容应用场景斯坦福大学（QS-6）苏黎世联邦理工学院（QS-7）加州大学伯克利分校（QS-

189、12）新加坡国立大学（QS-8）耶鲁大学（QS-23）国外高校在学科+AI 教育方面的先进经验借鉴7082-183:The Multi-Dimensions of World Languages,Arts&Cultures课程围绕两个核心问题展开：人工智能如何丰富人文学科的研究、教学和应用领域？人文学科研究又能为人工智能的发展提供哪些视角？学会分析、评估和清晰阐述人工智能在人文学科中应用的伦理影响，以及人文学科视角在指导负责任的人工智能开发中的价值。综合人工智能和人文学科的视角，解决复杂的跨学科挑战。卡内基梅隆大学（QS-58）学校代表性课程核心内容应用场景*若您想了解上述课程更多详情，可访问

190、下方链接牛津大学官网 https:/www.ox.ac.uk/admissions/graduate/courses/msc-digital-scholarship 斯坦福大学官网 https:/bulletin.stanford.edu/courses/2257741 https:/bulletin.stanford.edu/courses/2137231苏黎世联邦理工学院官网 https:/www.vvz.ethz.ch/Vorlesungsverzeichnis/lerneinheit.view?semkez=2025S&ansicht=ALLE&lerneinheitId=189939

191、&lang=en新加坡国立大学官网 https:/executive-education.nus.edu.sg/programmes/enhancing-banking-finance-with-ai-business-analytics-for-executives/加州大学伯克利分校官网 https:/courses.ischool.berkeley.edu/i290-dds/s16/耶鲁大学官网 https:/registrar.yale.edu/yale-course-search卡内基梅隆大学官网 https:/www.cmu.edu/dietrich/lcal/courses/un

192、dergraduate-seminars/ai-humanities.html(4)医科+AI人工智能已开始在机器人辅助手术程序、诊断和风险评估，以及药物的开发和定制等领域逐渐运用。要在临床实践中推进人工智能的实施，医师需要更好地理解人工智能及其在临床实践中的应用。然而，医学教育在很大程度上仍基于传统课程，往往缺乏对人工智能和其他新兴技术的基本概念，基于此，全球范围内已在努力将人工智能教育纳入各级医学培训，以下是部分高校“医科+AI”课程：HT 18:Artificial Intelligence in HealthCare IIBIODS 221:Machine Learning Appro

193、aches for Data Fusion in Biomedicine 无需具备 AI 或机器学习的背景知识；向医学生介绍人工智能（AI）在解决医疗保健问题中的核心概念。目标是向医疗保健从业者提供技能，帮助他们：1）认识到人工智能，特别是机器学习，能够解决哪些临床问题；2）批判性地评估在临床环境中应用机器学习的日益增长的文献；3）认识到当使用 AI/ML 为临床决策提供信息时其存在的局限性。课程介绍在生物医学决策支持的背景下，生物医学数据的多组学、多模态和多尺度数据融合方法。用于临床风险分层的深度学习、解释复杂的机器学习模型、临床机器学习中的偏见与公平性、大型语言模型以及生成式预训练转换器（

194、GPT 模型）。以协同的方式连接不同类型的生物医学数据，以及开发数据融合方法以改进生物医学决策支持，改进患者的诊断、预后以及个性化治疗反应。哈佛大学（QS-4）斯坦福大学（QS-6）学校代表性课程核心内容应用场景国外高校在学科+AI 教育方面的先进经验借鉴71BIOS244:Applied Artificial Intelligence in Health CareBIODS295:Generative AI in HealthcareCOS 557/QCB 557:Artificial Intelligence for Precision Health课程不要求具备编程经验；在整个课程期间，

195、学生将开发和评估一个假设的人工智能系统，涵盖计算机视觉、自然语言处理和强化学习并评估人工智能系统（包括稳健性、偏见、隐私和可解释性）及其应用（包括放射学、自杀预防和临终关怀）。侧重于使用人口生物银行等数据集，以及从这些大规模人口数据集中训练模型来部署生成式 AI。课程涵盖的关键主题包括生成式AI在医学图像合成中的应用、诊断能力的提升，以及使用基因组和蛋白质语言模型进行变异效应预测。课程不要求具备生物学或医学的先验知识；课程会提供这些主题和生物数据性质的介绍；课程涵盖的主题包括基因组和临床数据的分析，以及健康领域中的多模态人工智能模型。在医疗保健领域的负责任开发与使用。了解生成式 AI 的最新进

196、展，探索针对医疗保健挑战而定制的先进模型和技术，学习生成式模型在医学影像、药物发现和患者护理中的成功应用。了解人工智能和机器学习方法（包括大型语言模型）在精准健康领域的前景和挑战。学校代表性课程核心内容应用场景斯坦福大学（QS-6）普林斯顿大学（QS-22）*若您想了解上述课程更多详情，可访问下方链接哈佛大学官网 https:/courses.my.harvard.edu/psp/courses/EMPLOYEE/EMPL/h/?tab=HU_CLASS_SEARCH斯坦福大学官网 https:/explorecourses.stanford.edu/search?https:/bulleti

197、n.stanford.edu/courses/2243571 https:/bulletin.stanford.edu/courses/2259361普林斯顿大学官网 https:/registrar.princeton.edu/course-offerings/course-details?term=1254&courseid=017231国外高校在学科+AI 教育方面的先进经验借鉴72第六章AI 融合高等教育的评估与质量保障体系一、AI 通识教育评估二、学科+AI 专业教育评估三、教学质量评估73以构建全体学生的数字时代认知基座为目标，围绕技术原理、伦理决策、应用实践与批判反思四个维度建立

198、评估体系。设计上采用动态演进的评价标准，通过跨学科情境模拟检验知识迁移能力，例如在技术理解层面对基础算法进行可解释性分析，在伦理维度设置多利益主体冲突下的价值权衡任务。评估机制内置自适应校准功能，依据技术发展与社会需求变化实时调整权重分配，重点监测不同学科背景学生的认知差异演化规律，为分层教学提供数据支撑。评估工具包：AI 素养雷达图（4 维度 12 指标）：技术理解维度基本概念掌握：例如能解释监督学习/无监督学习区别（评估工具：选择题测试）算法逻辑推演：例如用流程图描述推荐系统工作原理（评估工具：流程图绘制任务）数据素养：例如识别数据集中的缺失值/偏差（评估工具：数据科学类实战竞赛）伦理意识

199、维度隐私保护实践：例如设计符合国际隐私标准的 AI 产品数据方案（评估工具：选择测试题）偏见识别能力：例如检测招聘算法中的性别歧视倾向（评估工具：选择测试题）一、AI 通识教育评估AI 通识教育评估74伦理框架应用：例如如使用功利主义/义务论分析自动驾驶伦理困境（评估工具：选择测试题）应用能力维度工具使用熟练度：例如用机器学习平台完成图像分类任务问题拆解能力：例如将校园垃圾分类需求转化为技术需求文档跨学科整合：例如在历史研究中应用 NLP 进行古籍分析批判思维维度技术质疑能力：例如指出人脸识别在昏暗环境下的失效场景（评估工具：场景漏洞分析报告）影响预测能力：例如预判聊天机器人对心理咨询行业的冲

200、击路径（评估工具：SWOT 分析矩阵）风险评估能力：例如量化 AI 医疗误诊的法律责任权重（评估工具：风险矩阵评分表）社会影响案例库：建设标准：选取 20 个争议性案例（如 AI 招聘性别偏见、自动驾驶伦理困境），配套结构化辩论指南使用方式：小组辩论得分=观点逻辑性（40%）+证据支撑度（30%）+伦理框架适用性（30%）着力破解学科壁垒与产业需求错配问题，构建“能力标准-课程体系-认证通道”三位一体的评价范式。设计层面强调行业核心能力向教学目标的定量转化，通过模块化拆解形成可测量指标，同步对接权威资格认证体系实现培养成效验证。评估过程引入技术成熟度监控，动态追踪前沿领域变革对既有知识体系的影

201、响，建立课程内容预警与快速响应机制，确保专业教育始终与产业技术代际演进保持同步。行业需求对接机制：能力矩阵对标表：工科+AI（以智能制造为例）二、学科+AI 专业教育评估工业视觉系统调试预测性维护算法优化机器视觉与质量控制时序数据分析企业参与的认证实操考核数据科学竞赛 TOP20%企业能力需求举例课程映射举例认证方式举例学科+AI 专业教育评估75课程动态更新触发器：当行业技术更新率（专利/论文增量）15%时，启动课程修订流程校企联合实验室每季度提交技术采纳报告，作为课程权重调整依据基于教育成效反向推导的闭环控制模型，建立教学要素全流程量化监测体系。设计上融合教学过程数据采集、产业需求反馈分析

202、、科研成果转化追踪三大模块，通过多源数据交叉验证识别课程结构失衡、师资能力断层等潜在问题。评估标准突出产教融合深度，要求理论教学与实践环节的时空配置符合行业研发节奏，同时构建教师技术敏感度、知识更新速率等新型评价指标，驱动教学系统形成自我迭代的生态化演进能力。教师能力发展工具箱：三、教学质量评估文科+AI（以数字人文为例）古籍 OCR 精度提升虚拟文物修复方案生成文字学与算法实践生成式建模技术 国家图书馆古籍修复 AI 工具测试认证数字文物修复师实操考核企业能力需求举例课程映射举例认证方式举例医科+AI（以肿瘤诊断为例）肺部结节动态追踪系统开发急诊分诊优先级算法优化医学影像处理运筹学与医疗资源

203、调度医疗 AI 平台开发者认证急诊系统压力测试 TOP5%企业能力需求举例课程映射举例认证方式举例教学质量评估理科+AI（以天文大数据为例）星系分类模型开发射电信号噪声过滤天体物理数据挖掘信号处理与傅里叶分析天文数据处理认证大型科学装置算法部署实战考核企业能力需求举例课程映射举例认证方式举例76AI 教学能力认证路径：课堂诊断 AI 助手：功能：例如自动分析教学视频，识别知识密度（概念/分钟）、学生参与度（面部朝向/肢体动作）输出：生成改进建议（如“第 32 分钟技术原理讲解需增加生活场景类比”）教学质量评估77第七章未来展望与挑战一、技术驱动的教育范式革新 二、跨学科融合的深化路径三、师资与

204、教学能力的升级挑战四、伦理与可持续发展的平衡五、全球化竞争下的战略选择78根据和鲸问卷数据显示，多数学生对 AI 技能在未来职业中的应用充满期待，渴望借助 AI 技术提升工作效率和质量，解决工作中遇到的各种问题，展现出对 AI 技术的高度热情和积极态度，也希望学校通过多种方式帮助他们更好地掌握 AI 技能，以适应未来职业发展的需求。AI 与高等教育的融合是一场涉及技术、制度、文化的系统性变革，唯有以动态适应的教育生态应对不确定性，以跨域协同破解深层矛盾，才能在全球智能革命中培育出引领未来的创新力量。这场变革不仅关乎教育本身，更将重塑国家竞争力的底层逻辑。数据来源：和鲸科技（）经调研得出。引用请

205、注明出处。数据来源：和鲸科技（）经调研得出。引用请注明出处。未来展望与挑战79技术驱动的教育范式革新非技术领域教师的 AI 素养断层已成为制约学科融合的关键因素。例如，2024 年针对医学专业教师的研究显示，其人工智能技术采纳意愿处于中等水平，技术熟悉度、易用性不足及伦理顾虑是主要障碍。未来需构建“三位一体”能力升级体系：分层培训机制：针对不同学科设计差异化的 AI 培训内容（如文科教师侧重文本挖掘工具应用，医科教师聚焦医学影像分析）；校企双师制：引入企业工程师担任实践课程导师，与高校教师联合开发“技术+场景”融合教案；智能教学助手：利用 AI 工具自动生成教学案例、批改作业，降低教师技术应用

206、门槛。然而，教师教学理念的转变难度远超技术培训从“知识权威”到“学习引导者”的角色重塑，需要系统性支持。三、师资与教学能力的升级挑战 杨茜茜，全雨欣，杨琳琳.医学专业教师在教学过程中人工智能技术采纳意愿现状及影响因素研究 J.统计学与应用,2025,14(3):75-83.AI 与学科的深度融合正推动传统学科边界消融，“学科+AI”教育模式需从课程叠加转向知识体系重构。未来，生物信息学、智能法学、量子机器学习等新兴交叉学科将大量涌现，要求高校建立灵活的跨学科制度：学分互认体系：打破院系壁垒，允许学生自由组合主修与辅修课程，例如计算机科学+医学影像分析双学位；动态课程池：每学期更新 30%课程内

207、容，引入行业真实案例（如自动驾驶算法优化、气候预测大模型开发）；跨学科研究平台：依托国家新一代 AI 开放创新平台，构建算力、数据、算法共享的科研基础设施。但学科融合面临深层次阻力：传统学科评估体系与资源分配机制仍以单一学科为中心，跨学科成果的学术价值认定、教师职称评审标准等制度瓶颈亟待突破。二、跨学科融合的深化路径 随着生成式 AI、多模态大模型、具身智能等技术的突破，高等教育将加速从“知识传授”向“能力构建”转型。AI 技术不仅能够实现个性化学习路径的动态生成，还能通过智能助教、虚拟实验平台等工具重构教学场景。例如，基于大模型的交互式学习系统可实时解答学生疑问，并推荐跨学科知识模块；数字孪

208、生技术则能模拟真实产业场景，让学生在虚拟环境中完成复杂问题的协同解决。然而，技术快速迭代也带来挑战：高校课程更新周期（通常 3-5 年）与 AI 技术迭代速度（6-12 个月）的脱节可能加剧人才培养与产业需求的错配。如何构建“技术-教学”双向反馈机制，将前沿技术转化为可规模化落地的教育资源，是未来亟需解决的难题。一、技术驱动的教育范式革新 80AI 技术的广泛应用引发隐私泄露、算法偏见、学术诚信等伦理问题。例如，生成式 AI 可能削弱学生的批判性思维，过度依赖工具导致原创能力下降；医疗 AI 模型若训练数据存在偏差，可能加剧诊断不公平。未来教育需建立“技术-伦理”协同框架：课程嵌入伦理模块：所

209、有 AI 相关课程强制加入社会影响分析（如欧盟人工智能法案要求）；伦理审查委员会：高校设立跨学科伦理审查机构，对 AI 教学工具、科研项目进行风险评估；可持续发展导向：将绿色 AI（低能耗算法）、可解释 AI 纳入人才培养目标，避免技术滥用。但伦理治理的全球共识尚未形成，不同文化背景下的价值冲突可能影响国际合作。四、伦理与可持续发展的平衡 在 AI 大国博弈背景下，高等教育成为人才争夺的核心战场。美国通过 OPT 政策吸引全球 AI 人才，中国依托“101 计划”加速本土化培养，欧盟则以伦理标准构建竞争壁垒。未来战略需兼顾开放与自主：国际联合培养：与顶尖高校共建双学位项目，例如“AI+公共卫生

210、”全球硕士计划；国产技术生态：推动自主 AI 框架（如华为昇思、百度飞桨）进课堂，减少对国外技术依赖；数据主权保护：建立教育数据跨境流动的安全机制，平衡开放创新与国家安全。如何在技术自主与国际合作间找到平衡点，将决定我国在全球 AI 教育生态中的话语权。五、全球化竞争下的战略选择 伦理与可持续发展的平衡81结语结语人工智能技术的迅猛发展正以前所未有的速度重塑全球高等教育格局。从通识教育的普及到跨学科专业教育的深化，AI 与高等教育的融合不仅是技术赋能的必然选择，更是培养未来创新型人才的战略路径。过去几年中，我国在政策引领、校企协同、课程体系革新等方面取得了显著进展。2024 年作为“人工智能教

211、育元年”，见证了国家级顶层设计的系统落地、省级统筹的全面推进以及高校实践的百花齐放。双一流高校率先构建“1+X+Y”通识课程框架，推动 AI 与工科、理科、文科、医科等学科的深度融合；省市层面通过标准化课程建设与资源共享，加速 AI 素养的普惠化进程；企业深度参与产教融合，以真实场景赋能实践教学，为复合型人才培养注入活力。国际经验亦表明，顶尖高校通过跨学科制度设计、动态课程池更新、产业项目制实践等方式，正在探索AI与教育协同进化的新范式。然而，这场教育变革仍面临多重挑战。课程体系滞后于技术迭代、学科壁垒阻碍知识重组、师资能力断层制约教学创新、评价体系失准弱化人才甄别等问题亟待解决。未来，需以“

212、动态适应”为核心逻辑，构建教育生态：1.推动课程与技术的双向迭代，建立行业需求驱动的课程更新机制，将生成式 AI、多模态大模型等前沿技术转化为教学资源；2.打破学科藩篱，通过学分互认、交叉研究院、跨学科项目制学习，培养兼具专业深度与跨界能力的“T 型人才”；3.重塑师资能力，构建“高校-企业-平台”联动的教师培训体系，提升非技术领域教师的 AI 素养与教学转化能力；4.革新评价标准，引入能力本位评估，将项目成果、行业认证、创新实践纳入人才评价维度；5.强化生态协同，依托国家算力基础设施与行业数据集，打造“教育-科研-产业”数据闭环，实现知识生产与应用的螺旋升级。智能时代的高等教育，不再是知识的

213、单向传递，而是创造力与生产力的孵化器。唯有以开放姿态拥抱技术变革，以系统思维重构教育生态，才能培养出驾驭 AI、引领创新的新一代人才，为全球科技竞争与国家高质量发展提供持久动能。这场关乎未来的教育革命，正在书写新的历史篇章。82参考文献1Ott,C.,Benson,A.,&Eastwood,M.Ay190-Computational AstrophysicsM,20142U.S.Department of Education,Office of Educational Technology.Artificial Intelligence and the future of teaching a

214、nd learning:Insights and recommendationsR.Washington DC:,2023 3Altundal,B.A Review of Artificial Intelligence and Its Use in EducationJ.Artificial Intelligence in Educational Research,2024,1(1):28-38.4Hashim,M.A.M.,Tlemsani,I.,Mason-Jones,R.,Matthews,R.,&Ndrecaj,V.Higher education via the lens of in

215、dustry 5.0:Strategy and perspectiveJ.Social Sciences&Humanities Open,2024,9:100828.5 洪明,刘晓笨.美国人工智能辅助教学的前沿进展 J.基础教育参考,2024(10).6 刘琼,刘星,刘桂锋.人工智能+高等教育 应用场景下的 AI 素养框架研究 J.农业图书情报学报,2024,36(8):43-55.7 教育部.教育部高等教育司关于公布首批“人工智能+高等教育”应用场景典型案例的通知 EB/OL.(2024-4-12).http:/ 中国教育发展战略协会人才发展专业委员会.人工智能教育与人工智能赋能教育的区别

216、EB/OL.(2024-12-29).https:/ 全国高等院校计算机基础教育研究会.人工智能通识课程体系规范【草案】EB/OL.(2024).http:/ 国务院.国务院关于印发新一代人工智能发展规划的通知 EB/OL.(2017-07-20).https:/ 教育部.教育部等五部门印发普通高等教育学科专业设置调整优化改革方案EB/OL.(2023-04-04).http:/ 教育部.教育部高等教育司负责人就普通高等教育学科专业设置调整优化改革方案答记者问 EB/OL.(2023-04-04).http:/ 王吉伟.从国内外 10 个智能体案例，看 AI Agent 在教育领域的应用 EB

217、/OL.(2024-09-18).https:/ 正在走向自律.AI 教学能力：开启教育新纪元 EB/OL.(2024-12-18).https:/ EB/OL.(2024-11-23).https:/ 郑小健.Kubernetes 环境下基于微服务架构的容器化 AI 应用部署与管理最佳实践 EB/OL.(2024-08-19).https:/ 佛州小李哥.在亚马逊云科技上搭建云原生生成式 AI 教育学习平台 EB/OL.(2024-08-12).https:/ University Human-Centered Artificial Intelligence.AI IndexEB/OL.(2

218、025).https:/aiindex.stanford.edu/report/19Stanford University Human-Centered Artificial Intelligence.Empowering Policymakers:Stanford HAI Trains Public Sector at Every LevelEB/OL.(2025-01-16).https:/hai.stanford.edu/news/empowering-policymakers-stanford-hai-trains-public-sector-every-level20Emma Tho

219、mpson.Rising demand for AI courses in UK universities shows 453%growth as students adapt to an AI-driven job marketEB/OL.(2024-11-11).https:/ Burke.Why more colleges are embracing AI offeringsEB/OL.(2025-01-02).https:/ Asia Pacific University.Approved Program for Mathematics,Data Science and AI Smar

220、t Higher Education,designated by the Gov of JapanEB/OL.(2023).https:/en.apu.ac.jp/academic/information_literacy/23GOV.UK.AI Opportunities Action PlanEB/OL.(2025-01-13).https:/www.gov.uk/government/publications/ai-opportunities-action-plan/ai-opportunities-action-plan参考文献84调研目的：深入了解不同人群（学生、教师、科研机构人员、

221、企业员工）对人工智能（AI）在各行业和学科中的应用现状、教育需求以及对职业发展的影响，为推动 AI 教育和行业应用提供依据。目标群体：目标群体主要包括学生、在职人员（教师、科研工作者、企业职员）、自由职业者等不同职业身份的人群。样本规模和数据收集方式：样本量总计 2502 份，发放渠道包含和鲸社区、社群、朋友圈和邮件定向邀请等。受访者共 2502 位，身份多样，其中学生 1473 人（58.87%）、在职人员 929 人（37.13%），在职人员分别为企业职员、高等院校工作者、科研机构人员和自由职业者。身份背景：整体身份分布：非学生身份分布：附录附录 1:AI 融入行业及学科情况调查问卷与结果

222、分析1.引言2.受访者背景分析附录 1:AI 融入行业及学科情况调查问卷与结果分析附录185附录 1:AI 融入行业及学科情况调查问卷与结果分析学生的学科分布：1.工科（如计算机科学、电子工程等）：占比最大，约为 53.82%2.商科与管理学：占比 18.67%3.理科（如物理、化学、生物等）：占比约为 17.83%4.医学：占比 2.21%5.艺术与设计：占比最少，仅为 0.34%6.人文学科（如历史、哲学、语言文学等）：占比约为1.87%7.社会科学（如心理学、社会学、法学等）：占比 2.55%8.其他：占比 2.71%可以看出工科是参与问卷的学生中最主要的学科方向。教师的学科分布：1.工

223、科（如计算机科学、电子工程等）：占比最大，约为 50%2.商科与管理学：占比 23.68%3.理科（如物理、化学、生物、地球科学等）：占比约为 17.11%4.医学：占比 2.63%5.人文学科（如历史、哲学、语言文学等）：占比 3.95%6.社会科学（如心理学、社会学、法学等）：占比 2.63%可以看出工科是教师中最主要的学科方向。学科分布：附录186企业人员的行业分布：1.信息技术与软件：占比最大，约为 27.84%2.金融与银行：占比 13.92%3.制造业：占比 13.19%4.教育与培训：占比 6.59%5.零售与消费品：占比 8.43%6.能源与公共事业：占比 5.13%7.通信与

224、媒体：占比 5.49%。8.交通与物流：占比 4.03%。9.医疗与健康：占比 2.93%。10.其他：占比 12.45%。可以看出在填写问卷的企业在职人员中，信息技术与软件行业的人员占比最多。科研人员的行业分布：1.地球科学（如地质学、气象学、海洋学等）：占比 31.25%2.生物医学与健康科学：占比 23.44%3.环境科学与可持续发展：占比 12.5%4.计算机科学与信息技术：占比 9.37%5.社会科学与人文：占比 9.38%6.人工智能：占比 7.81%。7.材料科学与工程：占比 3.13%。8.经济学与管理学：占比 3.12%。可以看出参与问卷的科研人群中，地球科学、生物医学与健康

225、科学是最主要的研究领域。行业分布：附录 1:AI 融入行业及学科情况调查问卷与结果分析87“哪些技术属于人工智能（AI）”这个问题的结果（上图）反映了参与问卷的用户对不同人工智能技术的认知和选择情况，其中机器学习、深度学习和大语言模型是最被认为属于人工智能的技术。1.学科中是否融入 AI 相关课程或内容 部 分 融 入 了 一 些 AI 的 基 础 内 容：占 比 最 高，为 62.14%还没有涉及 AI 相关内容：占 20.03%是，已有完整的 AI 课程：占 17.83%这表明大部分学科已经开始融入一些 AI 的基础内容，但仍有相当一部分学科还未涉及 AI 相关内容，只有较少学科有完整的

226、AI 课程。学生：3.AI 技术认知与应用现状0100200300400500600700800900附录 1:AI 融入行业及学科情况调查问卷与结果分析882.对学科中融入 AI 课程的态度 非常感兴趣，觉得对未来发展有帮助：占比最高，为 58.4%比较感兴趣，希望学一些基础内容：占 33.79%一般，主要是为了学分：占 7.3%不感兴趣，觉得与自己学科关系不大：占 0.51%绝大多数学生对学科中融入 AI 课程表现出浓厚的兴趣，认为这对未来发展有帮助。只有极少数学生对此不感兴趣。3.在学科中学习 AI 相关技能的重要性 非常重要，对未来职业发展非常有帮助：占比最高，为 63.5%比较重要，

227、可以增加职业选择的多样性：占 29.88%一般，只是作为补充技能：占 5.6%不太重要，对未来职业发展影响不大：占 0.68%完全不重要：占 0.34%学生们普遍认为在学科中学习 AI 相关技能非常重要，对未来职业发展有很大帮助。只有极少数学生认为 AI 相关技能不重要。附录 1:AI 融入行业及学科情况调查问卷与结果分析894.哪些 AI 相关技能对未来职业发展最重要 数据分析与处理能力：占 29.7%使用 Python 等编程语言的能力：占 24.81%机器学习与模型应用：占 20.98%大模型等 AI 工具的应用：占 11.39%自然语言处理：占 5.32%AI 在特定行业的应用（如金融

228、、医疗等）：占 7.49%其他：占 0.31%学生们认为数据分析与处理能力、使用 Python 等编程语言的能力以及机器学习与模型应用是对未来职业发展最重要的 AI 相关技能。学生们对学科中融入 AI 课程和学习 AI 相关技能表现出高度的兴趣和重视，认为这对未来职业发展有很大帮助。目前，大部分学科已经开始融入一些 AI 基础内容，但完整的 AI 课程还较少。学生们认为最重要的 AI 相关技能包括数据分析、编程和机器学习。1.学科是否融入 AI 相关课程或技能教学 部分融入了一些 AI 相关内容：占比最高，为 65.79%还没有涉及：占 19.74%是，已有完整的 AI 课程：占 14.47%

229、这表明大部分学科已经开始融入一些 AI 相关内容，但仍有相当一部分学科还未涉及 AI 相关内容，只有较少学科有完整的 AI 课程。教师：附录 1:AI 融入行业及学科情况调查问卷与结果分析902.学科在融入 AI 教学时面临的主要挑战 缺乏 AI 教学资源：计数最高，是学科融入 AI 教学面临的最主要挑战。缺乏 AI 实验室环境或相关工具：计数也较高，AI 教学往往需要实践操作和工具支持。教师缺乏 AI 相关技能：教师是教学的主导者，若教师自身缺乏 AI 相关技能，将难以有效地传授知识和指导学生。学生的学习基础不足：学生的知识储备和学习能力会影响 AI 教学的推进。课程时间安排有限：教学时间的

230、限制可能导致 AI 教学内容无法充分展开，影响教学质量和深度。其他：计数极低，说明大部分学科在融入 AI 教学时面临的主要挑战集中在上述几个方面。教师们认为在学科中融入 AI 教学面临的主要挑战包括缺乏教学资源和工具、学生学习基础不足以及教师自身缺乏相关技能。01020304050603.学科领域融入 AI 教学的必要性 非常必要：占比最高，为 76.32%较为必要：占 15.79%一般：占 2.63%较不必要：占 5.26%大多数教师认为在学科领域融入 AI 教学非常必要，只有少数教师认为较不必要。附录 1:AI 融入行业及学科情况调查问卷与结果分析914.AI 融入学科最主要的价值体现 增

231、强学生的数据分析能力和问题解决能力：占 22.97%提高学生的就业竞争力：占 21.62%推动学科内容和技术发展：占 19.6%满足行业对 AI 技能的需求：占 18.24%促进学术研究和创新：占 17.23%其他：占 0.34%教师们认为 AI 融入学科的主要价值在于增强学生的数据分析和问题解决能力，以及提高学生的就业竞争力。5.学生对 AI 课程融入的态度 非常感兴趣，并希望学习更多 AI 相关内容：占比最高，为 72.37%有一定兴趣，但不愿意花太多时间学习：占 27.63%教师们认为大部分学生对 AI 课程融入非常感兴趣，并且学生希望学习更多相关内容。教师们普遍认为在学科中融入 AI

232、教学是非常必要的，尽管目前大部分学科只是部分融入了一些 AI 相关内容。在融入 AI 教学时，教师们面临着缺乏教学资源和工具、学生学习基础不足以及自身缺乏相关技能等挑战。教师们认为 AI 融入学科的主要价值在于提升学生的数据分析和问题解决能力，以及提高学生的就业竞争力，并且学生们对 AI 课程融入表现出较高的兴趣。附录 1:AI 融入行业及学科情况调查问卷与结果分析921.日常工作中是否会使用 AI 技术 部分使用，在特定任务中会应用 AI：占比最大，占 41.39%是，AI 技术是我工作中的重要工具：占比较多，为 39.56%很少使用，仅在少数情况下尝试：占 16.12%从未使用过 AI：占

233、 2.93%这表明大部分企业人员在工作中会使用 AI 技术，其中部分使用和将其作为重要工具的比例较高。2.在工作中主要使用哪些 AI 相关技能或工具 大模型工具（如 ChatGPT、GPT-4 等）：计数最高，是工作中使用最广泛的 AI 相关技能或工具，可用于多种场景，如文本生成、问答等，能提高工作效率和质量。数据分析与报告制作（如使用 Python、R 进行分析）：计数也较高，Python 等工具在数据分析和报告制作方面发挥重要作用，帮助处理和分析数据，生成有价值的报告和见解。数据处理与清洗：是常见的工作内容，相关技能和工具用于整理和优化数据，确保数据的准确性和可用性。机器学习/深度学习应用

234、（如预测模型、分类模型等）：在工作中也有较多应用，可用于预测、分类等任务，为决策提供支持和依据。数据可视化（如 Tableau、Power BI 等工具）：有助于将数据以直观的方式呈现，便于理解和分析，在工作中被广泛使用。自动化工具（如 RPA 工具实现业务流程自动化）：可提高工作流程的自动化程度，减少人工操作，提升工作效率。自然语言处理工具（如文本分类、情感分析）：在处理文本相关工作时发挥作用，如分析文本的情感倾向、进行文本分类等。其他：计数极低，说明大部分工作中主要使用的 AI 相关技能或工具集中在上述几种。企业人员在工作中最常使用的 AI 相关技能是大语言模型用于文本生成，其次是数据分析

235、与报告制作。企业人员：020406080100120140160180200220 附录 1:AI 融入行业及学科情况调查问卷与结果分析933.AI 技术对工作帮助有多大 非常有帮助，AI 显著提高了我的工作效率和质量：占比最大，为 50.18%较为有帮助，在部分工作中能显著提升效率：占 37.36%一般，AI 对我的工作影响不大：占 8.06%较少帮助，AI 对我个人的工作影响有限：占 4.4%大部分企业人员认为 AI 技术对他们的工作有很大帮助，能够显著提高工作效率和质量。4.使用 AI 技术能在工作中带来哪些帮助 提升工作效率（如加快数据处理、自动化重复劳动、自动化流程等）：计数最高，是

236、 AI 技术在工作中最显著的帮助，能大幅减少人工操作和时间成本，使工作流程更加高效快捷。降低工作中的重复劳动，专注于更高价值的任务：计数也较高，AI 可承担大量重复性工作，让员工将精力集中在需要创造力和决策力的高价值任务上，提升工作质量和价值。提高工作成果的准确性（如通过预测模型提高预测准确性等）：有助于减少人为失误，通过精准的算法和模型，提高工作成果的质量和可靠性。提供更好的信息获取与知识支持（如利用大模型工具进行信息检索与知识补充）：方便员工快速获取所需信息和知识，为工作提供有力支持和参考，拓宽思路和视野。支持复杂数据的分析和可视化（如撰写报告、数据可视化等）：能高效处理和分析复杂数据，并

237、以直观的方式呈现，帮助员工更好地理解和解读数据，做出科学决策。帮助更好地做出决策（如利用 AI 进行风险评估、方案优化等）：凭借其强大的数据分析和预测能力，为决策提供依据和建议，辅助员工做出更明智的决策 减少工作中的人工错误：通过自动化和智能化的方式，降低因人为因素导致的错误，提高工作的精准度和规范性。其他：计数极低，说明 AI 技术在工作中的主要帮助集中在上述几个方面。企业人员认为 AI 技术在工作中最主要的帮助是提升工作效率，其次是提高工作成果的准确性。020406080100120140160180200220240附录 1:AI 融入行业及学科情况调查问卷与结果分析94企业人员普遍认为

238、 AI 技术在工作中具有重要作用，能够显著提高工作效率和质量。大语言模型用于文本生成和数据分析是最常使用的 AI 相关技能。AI 技术主要通过提升工作效率、提高工作成果准确性等方式帮助企业人员。1.在当前科研工作中是否使用 AI 技术 是，AI 技术是科研工作的重要组成部分：占比最大，为 40.63%部分使用，在特定项目或任务中应用 AI：占 35.94%很少使用，只涉及基础的 AI 工具：占 21.87%从未使用过 AI：占 1.56%这表明超过七成的科研人员在工作中会使用 AI 技术。2.AI 在当前科研工作中的必要性 较为必要，能显著提升科研效率：占 51.56%非常必要，AI 是不可或

239、缺的工具：占 42.19%一般，只在某些特定研究任务中有帮助：占 6.25%大部分科研人员认为 AI 在科研工作中是必要的，是显著提升科研效率的工具。科研人员：附录 1:AI 融入行业及学科情况调查问卷与结果分析953.在科研工作中必要的 AI 技能或技术 数据处理与清洗：计数最高，接近 60 机器学习模型开发与应用：计数约为 40 深度学习（如神经网络等）：计数约为 40 使用 AI 工具（如 TensorFlow、PyTorch 等）：计数约为 30 统计分析与数据建模：计数约为 30 计算机视觉（如图像识别等）：计数约为 20 自然语言处理（如文本分析、语言生成等）：计数约为 10在科研

240、工作中，数据处理与清洗是最被认为必要的 AI 技能，其次是机器学习模型开发与应用以及深度学习。4.AI 在科研工作中主要带来的帮助 提升数据处理效率（如加快数据清洗和分析的速度）：在词云中字体较大，是科研机构认为 AI 带来的主要帮助之一。提高科研数据管理的能力（如处理大规模数据集）：字体也较大，被广泛认可。支持科研中的创新，探索新的研究方向和假设、支持复杂数据的可视化，帮助更好理解数据关系、提高科研结果的准确性（如更精确的模型预测）、提升科研论文和文献分析的效率（如快速找到相关文献、提取信息）、加快实验过程中的自动化（如通过自动化建模减少人力）：这些方面也在词云中较为突出，表明科研机构认为

241、AI 在这些方面对科研工作有重要帮助。02040600 0 020202040 040科研机构人员高度认可 AI 在科研工作中的重要性和必要性，大部分人在科研工作中使用 AI 技术。数据处理与清洗、使用 AI 工具和机器学习模型开发与应用是被认为最必要的 AI 技能。AI 主要在处理效率和结果准确性、数据管理、创新支持、数据可视化等方面对科研工作有很大帮助。附录 1:AI 融入行业及学科情况调查问卷与结果分析96学生：4.AI 技能与课程内容需求1.目前正在或计划学习的 AI 相关技能 数据处理与分析：在词云中字体最大，表明这是学生最关注和计划学习的 AI 相关技能。编程基础（如 Python

242、）：也是学生较为关注的技能，字体较大。大模型工具应用：受到较多学生关注。机器学习基础：被不少学生提及。计算机视觉、自然语言处理等也有一定比例的学生关注。目前没有学习计划：也有部分学生处于这种状态。2.主要学习 AI 相关技能的方式 自学（通过书籍或网络资源）：占比最高，为 29.77%学校的正式课程：占比 28.51%在线课程和教程：占比 28.26%，与学校正式课程占比相近 实验室项目或科研活动：占比 12.95%其他：占比 0.51%学生主要通过自学、学校正式课程和在线课程等方式学习 AI 相关技能，其中学校课程和在线课程的选择比例相当。附录 1:AI 融入行业及学科情况调查问卷与结果分析

243、973.学习 AI 相关技能过程中遇到的主要困难 缺乏足够的学习资源：占比 24.62%，是学生面临的主要困难之一 课程内容理解难度大：占比 21.4%，不少学生觉得课程内容较难理解 缺少实践机会：占比 24.08%，实践机会的缺乏也给学生带来困扰 缺少指导和答疑的机会：占比 15.64%时 间 不 够，无 法 投 入 足 够 的 学 习 时 间：占 比 为 13.92%，反映了学生在时间安排上的困难 其他：占比 0.34%学生在学习 AI 相关技能时，主要面临着学习资源不足、课程难理解、缺少实践机会方面的困难。学生对 AI 相关技能有较高的学习需求，尤其是数据处理与分析、编程基础等方面。他们

244、主要通过自学、学校课程和在线课程等方式学习，但在学习过程中遇到了缺乏资源、课程难、缺少实践等困难。这提示教育者和相关机构需要在资源提供、课程设计和实践机会等方面给予更多支持和改进。教师：1.学生需要学习的 AI 相关技能 Python 编程及 AI 工具使用和数据处理与分析：占比最高，是教师认为学生最需掌握的技能。大模型工具使用：占比较高，受到较多关注。机器学习基础：也有一定占比，被教师认为是学生需要学习的技能之一。计算机视觉、自然语言处理等专用技术：占比相对较低。其他：占比极低。01020304050607080附录 1:AI 融入行业及学科情况调查问卷与结果分析982.学科融入 AI 教学

245、的合理课程目标 培养学生在学科问题中应用 AI 工具的能力：占比最高，是教师心中最主要的课程目标。帮助学生了解 AI 在行业中的实际应用场景和培养学生的数据分析与处理能力：占比较高，也是重要的课程目标。使学生掌握 AI 的基础概念和理论和使学生具备基础的编程技能（如 Python）：占比适中。促进学生学科的创新能力：占比相对较低。其他：占比极低。010203040506070803.适合加入学科教学的 AI 相关技能 数据处理与可视化：占比最高，是教师认为最适合融入学科教学的技能。Python 编程基础及相关 AI 库（如 Scikit-learn 等）：占比较高。大模型工具应用和行业应用案例

246、分析（例如，金融、医疗等）：占比也较高。机器学习基础理论与应用和基于 AI 的小型项目开发与实践：占比相对适中。自然语言处理基础和计算机视觉的基本概念和应用：占比相对较低。010203040506070教师普遍认为学生应重点学习 Python 编程及 AI 工具使用、数据处理与分析等技能，学科融入 AI 教学的核心目标是培养学生应用 AI 工具解决学科问题及了解行业应用等，而数据处理与可视化、Python 编程等技能最适合纳入学科教学，这体现了教师对 AI 教学内容及目标的侧重与期望。附录 1:AI 融入行业及学科情况调查问卷与结果分析991.招聘新员工时对 AI 相关能力的看重程度 看情况，

247、某些岗位需要具备 AI 技能：占比最高，为 60.44%，表明多数企业会根据岗位情况来考量 AI 技能 是，非常看重 AI 技能在业务中的应用能力：占比也较高，为 25.27%，说明有相当一部分企业对 AI 技能较为重视 不太看重，仅对特定技术岗位有要求：占比 12.82%，相对较少 完全不看重 AI 技能：占比极低，仅为 1.47%2.招聘中最看重候选人的 AI 相关能力 数据分析与处理能力：计数最高，是企业最看重的能力。使用 Python、R 等编程语言进行数据分析的能力：计数较高，也受到企业重视。商业洞察力和数据驱动决策的能力、使用大模型工具（如 ChatGPT、GPT-4 等）进行内容

248、创作和问题解决的能力：计数相近，均被企业关注。使用自动化工具提高业务效率的能力、机器学习模型的理解与应用、数据可视化与展示能力：计数相对较低，但也在企业考量范围内。其他：计数极低。企业人员：020406080100120140160180200附录 1:AI 融入行业及学科情况调查问卷与结果分析1003.认为未来加入公司的员工在本科教育阶段应掌握的 AI 相关技能 数据分析与报告能力：计数最高，是企业认为本科阶段应重点掌握的技能 使用 Python、R 等编程语言进行数据分析、基于数据分析的业务问题解决能力：计数较高，也是企业期望员工具备的技能 机器学习和深度学习的基本理解与实践、熟练使用 A

249、I 应用工具（如自动化营销等）、熟练使用大模型工具、对大数据的处理和管理能力、商业洞察力和数据驱动决策能力：计数较为接近，均是企业认为本科阶段需要掌握的重要技能 其他：计数极低企业在招聘新员工时，多数会根据岗位情况考量 AI 技能，部分企业非常看重。数据分析与处理能力等是企业招聘时最看重的 AI 相关能力，同时企业期望未来加入的员工在本科教育阶段掌握数据分析、编程、机器学习等多方面的 AI 相关技能，以适应企业发展需求。科研机构认为未来从事科研的学生在本科阶段应重点掌握 Python 编程等基础技能，以及机器学习、数据处理等相关技能。1.未来从事所在研究领域的学生在本科教育阶段应掌握的 AI

250、相关技能 Python 或其他编程语言：计数最高，是科研机构认为本科阶段学生最应掌握的技能 基础的机器学习算法与应用、统计分析与数据建模、数据处理与数据清洗：计数较高，也是重要的技能 大模型工具使用、深度学习框架（如 TensorFlow、PyTorch 等）：受到一定关注 自然语言处理、计算机视觉等具体应用技术：计数相对较低，但仍被提及科研机构：0102030405060 附录 1:AI 融入行业及学科情况调查问卷与结果分析020406080 100 120 140 160 180 2001011.适合在学科中融入 AI 内容的教学方式 实验课和动手编程：占比最高，约为 44.22%，表明教

251、师认为这种实践操作的方式最适合融入 AI 内容，能让学生更好地掌握相关技能。项目驱动学习：占比 36.06%，也是教师较为认可的方式，通过项目让学生在实践中应用 AI 知识。线上自学与课程结合：占比 10.2%，有一定比例的教师认为线上自学与课程结合的方式可行。讲座式教学：占比 9.52%，相对较少教师认为这种方式最适合融入 AI 内容。2.使用或计划使用帮助 AI 教学的工具 使用编程环境（如 Jupyter Notebook 或其他云端编程工具等）：计数最高，是教师使用或计划使用最多的工具，说明编程环境在 AI 教学中受到高度重视。使用 AI 平台（如 TensorFlow Playgro

252、und、ModelWhale等）、使用在线学习资源（如 Coursera、学堂在线等AI 课程）、使用数据科学或 AI 实验室环境、使用本地的计算资源进行 AI 实验：这些工具的计数较为接近，都被不少教师考虑用于 AI 教学。尚未使用，但计划未来引入 AI 工具：也有一定数量的教师处于这种状态，显示出教师对引入 AI 教学工具的积极性。没有使用 AI 相关工具，也没有计划使用：计数较低，表明大部分教师都有使用或计划使用 AI 教学工具的意愿。其他：计数极低。教师：5.教学模式与工具应用0102030406050附录 1:AI 融入行业及学科情况调查问卷与结果分析1021.科研人员对学生学习 A

253、I 技能方式的看法 通过项目驱动的方式参与真实项目：占比最高，为45.3%，科研人员认为此方式能让学生将理论应用于实际，提升实践、问题解决及团队协作能力，更好适应未来需求。动手实践，掌握具体的编程和 AI 工具：占比相对较高，为 32.48%，科研人员可能认为在项目驱动和理论学习中会自然掌握，但动手实践仍不可或缺。系 统 学 习 AI 理 论 和 模 型 的 数 学 基 础：占 比 约 20.51%，科研人员重视理论基础，其为深入理解和掌握 AI 技术的关键，提供知识框架，助力分析与创新，使实践更得心应手。与科研团队/企业合作，共同完成课题：占比仅 1.71%，虽占比小但有价值，可拓宽视野，促

254、进产学研结合，为学生发展提供更多可能。科研人员：教师群体认为实验课和动手编程、项目驱动学习是在学科中融入 AI 内容的较优教学方式，而在教学工具方面，编程环境是使用或计划使用最多的，同时 AI 平台、在线学习资源、实验室环境和本地计算资源等也受到较多关注，多数教师有引入 AI 教学工具的意向，以更好地开展 AI 教学。附录 1:AI 融入行业及学科情况调查问卷与结果分析1031.企业人员对学生学习 AI 技能的看法 通过项目驱动的方式参与真实项目：占比 39.13%，企业人员认同项目驱动的学习方式，这种方式能让学生在模拟或实际的企业项目中积累经验，培养团队协作能力和项目管理能力，使学生更好地符

255、合企业对人才的实际需求。动 手 实 践，掌 握 具 体 的 编 程 和 AI 工 具：占 比 30.83%，企业人员更注重学生的实际操作能力，认为熟练掌握编程和 AI 工具是学生进入企业后快速适应工作的关键，能直接提升学生运用 AI 技术解决业务问题的效率。系统学习 AI 理论和模型的数学基础：占比 21.34%，企业人员也认识到理论基础的重要性，良好的理论基础有助于学生更好地理解和优化 AI 技术在企业中的应用，为技术创新和问题解决提供理论支持。与科研团队/企业合作，共同完成课题：占比 8.5%，企业人员认为这种合作方式可以让学生提前了解企业的工作流程和文化，增强学生与企业的互动和沟通，有利

256、于企业发现和培养潜在的人才，同时也能为学生提供更贴近实际的学习和实践机会。其他：占比 0.2%，占比极低，说明大部分企业人员的观点集中在上述几种方式上。企业人员：科研人员和企业人员均认为学生学习 AI 技能，通过项目驱动参与真实项目和动手实践掌握具体工具是比较好的方式。附录 1:AI 融入行业及学科情况调查问卷与结果分析1041.学生对 AI 支持和培训的需求 更加灵活和多样化的课程选择：占比 26.14%，学生希望学校能提供丰富多样的课程，以满足不同学习风格和兴趣方向，使他们能根据自身情况灵活选择，更好地学习 AI 技能。增强实践环节的支持（如实验室设备、实践项目等）：占比 25.66%，学

257、生重视实践环节，希望学校能提供更好的实验室设备和更多实践项目，以便他们在实际操作中巩固理论知识，提升动手能力和解决实际问题的能力。更多与企业或科研机构的合作机会：占比 23.28%，学生期望能有更多与企业或科研机构合作的机会，这样可以让他们接触到实际的行业场景和前沿技术，拓宽视野，增强实践能力和就业竞争力。辅导老师的指导和答疑：占比 14.57%，学生在学习过程中需要辅导老师的及时指导和答疑，以解决遇到的问题和困惑，确保学习的顺利进行和知识的有效掌握。提供学术竞赛或项目的机会：占比 10.14%，学生认为参与学术竞赛或项目有助于激发学习兴趣，锻炼团队协作和创新能力，还能在竞赛或项目中检验自己的

258、学习成果，发现不足并加以改进。其他：占比 0.21%，占比极低，说明大部分学生的需求集中在上述几种方面。学生：6.支持与培训需求 附录 1:AI 融入行业及学科情况调查问卷与结果分析1051.教师对 AI 支持和培训的需求 建立专门的实验室和实验环境：在词云中字体较大，是教师较为迫切的需求之一。教师认为专门的实验室和实验环境有助于学生更好地进行实践操作，提升对 AI 技术的实际应用能力，也便于教师开展实验教学和指导。促进校企合作，设计实际应用场景的教学内容：字体也较大，教师希望通过校企合作，引入实际应用场景，使教学内容更贴近实际工作需求，让学生所学知识能更好地与企业实际接轨，增强学生的就业竞争

259、力和实践能力。为教师提供 AI 相关技能的培训：这是教师关注的重点，教师自身需要不断提升 AI 技能，才能更好地传授给学生。相关培训可以帮助教师更新知识体系，掌握最新的教学方法和技术，提升教学质量。提供丰富的 AI 教学资源（如教材、教学案例、实验数据等）：丰富的教学资源是教学的基础，教师需要多样化的教材、生动的教学案例和真实的实验数据等，以丰富教学内容，激发学生学习兴趣，提高教学效果。提供更多的硬件设备（如计算机、服务器、GPU 等）：硬件设备是开展 AI 教学和实践的重要保障，更多的硬件设备能满足教学和学生实践的需求，提高教学和学习的效率。增加 AI 课程开发和教学的时间与资金支持：教师认

260、为充足的时间和资金支持对于 AI 课程的开发和教学至关重要，能让他们有更多精力去精心设计课程和开展教学活动，提升教学质量和水平。提供在线学习平台和工具的支持（如编程环境、数据科学平台等）：在线学习平台和工具可以为教学提供更多便利和资源，便于学生自主学习和教师教学管理，提升教学的灵活性和互动性。教师：这些需求反映了教师在将 AI 融入教学过程中，对教学环境、资源、合作、培训等方面的多维度期望，以更好地开展 AI 教学工作，培养适应时代需求的学生。附录 1:AI 融入行业及学科情况调查问卷与结果分析106总体而言，学生对 AI 技能在未来职业发展中的应用充满期待，希望学校通过多种方式帮助他们更好地

261、掌握 AI 技能，以适应未来职业发展的需求。1.学生对未来职业发展中 AI 技能应用的期待 非常期待，希望能在工作中使用 AI 技术解决实际问题：占比最大，为 65.71%，表明多数学生对 AI 技能在未来职业中的应用充满期待，渴望借助 AI 技术提升工作效率和质量，解决工作中遇到的各种问题，展现出对 AI 技术的高度热情和积极态度。比较期待，认为 AI 技能会在部分工作中有帮助：占比次之，为 29.03%，也有相当一部分学生认可 AI 技能在未来职业中的价值，认为其能在部分工作环节中发挥积极作用，对 AI 技能的应用持有较为乐观的态度。一般，没有特别的期待，只是基础技能之一：占比相对较小，为

262、 4.24%，这部分学生将 AI 技能视为众多基础技能中的一项，虽然没有特别的期待，但也意识到其在未来职业发展中的基础性地位。没有期待，觉得 AI 技能在未来职业发展中用处不大：占比极低，仅有 1.02%，只有极少数学生对 AI 技能在未来职业发展中的作用持消极态度，可能是对 AI 技术的了解和认知还不够深入。2.学生认为学校帮助其掌握 AI 技能的方式 开设 AI 技能的培训班或工作坊：在词云中字体较大，是学生较为期望的方式之一。培训班或工作坊具有针对性强、时间集中、实践操作多等特点，能够让学生在短时间内集中学习和实践 AI 技能，快速提升相关能力。增加 AI 相关课程和实践内容：字体也较大

263、，学生希望学校能在课程体系中增加更多与 AI 相关的课程，并注重实践内容的设置，使理论学习与实践操作相结合，更好地掌握 AI 技能。提供更多与 AI 相关的实习或项目机会：受到学生关注，实习和项目机会能让学生将所学知识应用到实际场景中，积累实践经验，了解 AI 在实际工作中的应用情况，增强就业竞争力。提供更多 AI 学习的资源和在线课程：丰富的学习资源和在线课程可以满足学生自主学习的需求，方便学生随时随地进行学习和复习，拓宽学习渠道和知识面。邀请企业专家或科研人员讲授 AI 应用案例：学生希望通过企业专家或科研人员的分享，了解 AI 在行业中的最新应用和实际案例，拓宽视野，激发学习兴趣，同时也

264、能更好地把握行业动态和发展趋势。学生：7.AI 技能对职业发展的影响 附录 1:AI 融入行业及学科情况调查问卷与结果分析1071.教师对 AI 技能职业发展的期待 非常有帮助：占比高达 84.21%，绝大多数教师认为在自己的学科中，学习 AI 技能对学生未来的职业发展具有非常大的帮助。这表明教师们普遍认可 AI 技能在当今及未来职业领域的重要性和价值，认为掌握 AI 技能将为学生的职业发展带来显著的优势和机遇，如提升竞争力、拓展职业选择范围、适应数字化工作环境等。较为有帮助：占比 11.84%，这部分教师也认同 AI 技能对学生职业发展的积极作用，只是程度上稍逊于“非常有帮助”的观点，认为

265、AI 技能能够在一定程度上助力学生未来的职业发展，为学生提供更多的可能性和发展空间。一般：占比 2.63%，持有这种观点的教师相对较少，他们觉得 AI 技能对学生职业发展的帮助处于中等水平，可能认为 AI 技能只是众多影响职业发展因素中的一部分，其作用并非决定性的。较少帮助：占比仅 1.32%，极少数教师认为 AI 技能对学生未来职业发展的帮助较小，可能是基于对自身学科特点或学生未来职业方向的特定考量，认为 AI 技能在学生职业发展中的应用场景有限或重要性不突出。教师：总体来看，教师群体对 AI 技能在学生职业发展中的积极作用持高度肯定的态度，认为 AI 技能将对学生未来的职业道路产生重要且深

266、远的影响，应重视学生 AI 技能的培养。附录 1:AI 融入行业及学科情况调查问卷与结果分析1081.AI 技能对学生未来职业发展的帮助 非常有帮助：占比高达 60.44%，这表明大部分企业人员认为在所在行业中，学习 AI 技能对学生未来职业发展具有极其重要的作用，能为学生带来显著的优势和机遇，助力他们在行业中立足和发展。较为有帮助：占比 31.87%，也有相当一部分企业人员认可 AI 技能对学生职业发展的积极影响，只是程度稍弱于“非常有帮助”，认为 AI 技能能在一定程度上推动学生的职业发展，为其提供更多可能性。一般：占比 6.59%，这部分企业人员觉得 AI 技能对学生职业发展的帮助处于中

267、等水平，可能认为其作用受到多种因素的综合影响，并非是决定性的关键因素。较少帮助：占比 0.73%，极少数企业人员认为 AI 技能对学生未来职业发展的帮助较小，可能是基于对行业特定岗位或工作内容的考量，觉得 AI 技能的应用场景有限。几乎没有帮助：占比仅 0.37%，极个别企业人员持有这种观点，可能是由于所在行业与 AI 技术的结合度较低，或者对 AI 技能的认知存在偏差。2.高校培养学生应具备的重要 AI 能力 创新性使用 AI 工具解决工作问题的能力：计数最高，企业人员最看重学生这方面的能力，表明企业希望学生能够灵活运用 AI 工具，创造性地解决实际工作中遇到的各种问题，以适应不断变化的工作

268、环境和需求。利用大模型工具提升效率的能力：计数也较高，反映出企业对学生利用大模型等先进工具提高工作效率的期望，这在当今数字化、智能化的工作场景中显得尤为重要。数据分析与建模的能力：受到企业关注，数据分析和建模是许多行业工作的基础，具备这种能力的学生能够更好地处理和解读数据，为决策提供支持。编程和实现 AI 算法的能力：也是企业看重的能力之一，这体现了企业对学生技术功底的要求，能够编程实现 AI 算法有助于学生在技术研发等岗位上发挥作用。与 AI 技术团队合作落地 AI 项目的能力：显示出企业对团队协作和项目落地能力的重视，学生不仅要掌握技术，还要能够与团队成员协作，将 AI 项目成功实施。对前

269、沿 AI 研究的理解和探索能力：企业也希望学生能够关注前沿研究，具备一定的探索精神和对新技术的敏感度，以便为企业的创新发展提供动力。企业人员：050100150200250 附录 1:AI 融入行业及学科情况调查问卷与结果分析1093.高校培养 AI 人才的改进方向 增加项目实践，让学生通过实际项目积累经验：计数最高，企业人员强烈建议高校增加项目实践环节，让学生在实际操作中提升技能，积累经验，更好地将理论知识与实践相结合，增强就业竞争力。提供更多跨学科的学习机会，让学生拓宽知识面：计数较高，反映出企业对跨学科人才的需求，跨学科学习有助于学生培养综合素养和创新思维，更好地应对复杂多变的工作任务。

270、加强编程技能和数据分析基础的教学：这是企业认为高校需要改进的重要方面，扎实的编程和数据分析基础是学生学习和应用 AI 技术的前提，能够为学生的职业发展打下坚实的基础。提高学生的商业思维和数据驱动决策能力：企业希望学生不仅具备技术能力，还能具备商业思维，能够根据数据做出合理的决策，为企业创造价值。与企业合作，开展实习和联合项目：企业人员认为高校与企业合作开展实习和联合项目很有必要，这样可以让学生提前了解企业的工作流程和需求，实现学校教育与企业需求的有效对接。企业人员普遍认为 AI 技能对学生职业发展有较大帮助，期望高校培养的学生具备多种 AI 能力，并在培养方式上做出相应改进以满足企业需求。附录

271、 1:AI 融入行业及学科情况调查问卷与结果分析0501001502002501101.AI 技能对学生未来职业发展的帮助 非常有帮助：占比高达 81.25%，这表明绝大多数科研人员认为在自己的研究领域中，学习 AI 技能对学生未来的职业发展具有极其重要的推动作用，能为学生在科研道路上提供强大的助力，使其更具竞争力和发展潜力。较为有帮助：占比 18.75%，也有一部分科研人员认可 AI 技能对学生职业发展的积极影响，虽然程度稍弱于“非常有帮助”，但也认为 AI 技能在一定程度上有利于学生在科研领域的发展，为其职业发展增添助力。2.高校培养学生应具备的重要 AI 能力（科研领域）利用大模型工具提

272、升效率的能力：计数最高，在科研中，高效利用工具可以节省时间和精力，大模型工具等的应用能力有助于提高科研效率和质量。编程和实现 AI 算法的能力：计数较高，编程和算法是科研的重要技术手段，学生掌握这些能力能够更好地开展科研工作，实现科研想法和模型构建。创新性使用 AI 工具解决科研问题的能力：计数较高，科研人员看重学生能否利用 AI 工具创造性地解决科研过程中遇到的各种问题，这是推动科研创新和发展的关键能力之一。与科研团队合作进行跨学科研究的能力：也受到关注，科研工作往往需要团队协作和跨学科知识的融合，具备这种能力的学生能够更好地参与到复杂的科研项目中，拓宽研究视野和思路。对前沿 AI 研究的理

273、解和探索能力：是科研人员认为重要的能力，学生需要紧跟前沿研究动态，具备探索未知的精神和能力，才能在科研领域不断取得新的突破和成果。数据分析与建模的能力：数据分析和建模是科研的基础，良好的数据分析与建模能力有助于学生从数据中挖掘有价值的信息，支撑科研结论和发现。科研人员：附录 1:AI 融入行业及学科情况调查问卷与结果分析1113.高校培养 AI 人才的改进方向（针对科研领域）增强学生的实际动手能力和项目经验：计数最高，科研人员强烈建议高校注重提升学生的实际动手能力，通过增加项目经验，让学生在实践中更好地掌握 AI 技能，提高解决实际科研问题的能力。提供更多跨学科的 AI 应用场景，以拓宽学生的

274、视野：计数较高，反映出科研人员对跨学科融合的重视，更多跨学科的 AI 应用场景可以激发学生的创新思维，培养学生综合运用知识的能力，适应科研领域的多元化发展。强化理论基础，尤其是数学和统计知识的学习：理论基础是科研的基石，特别是数学和统计知识在 AI 相关科研中至关重要，强化这些理论基础有助于学生深入理解和应用 AI 技术。提高学生的科研方法论和创新能力：科研方法论和创新能力是科研人员必备的素养，高校应加强这方面的培养，使学生能够掌握科学的研究方法，具备创新意识和能力，在科研道路上不断探索前行。提供更多的实习机会，与科研机构进行联合培养：科研人员认为高校与科研机构合作提供实习机会很有必要，这样可

275、以让学生提前接触科研环境和实际科研项目，将所学知识应用到实践中，同时也有助于科研机构发现和培养优秀的科研人才。科研人员高度认可 AI 技能对学生在科研领域职业发展的重要性，并对高校培养学生的 AI 能力及改进方向提出了具体的期望和建议，以更好地适应科研工作的需求和发展。0102030406050附录 1:AI 融入行业及学科情况调查问卷与结果分析112核心结论：行动建议：8.总结与建议AI 认知与应用：各群体对 AI 技术有一定认知，多数学生学科已融入部分 AI 内容，教师认为融入必要但面临资源等挑战；企业人员多使用 AI，科研人员也认可其在科研中的作用。技能与课程需求：学生具有学习 AI 技

276、能的意愿，但缺乏资源和实践；教师认为应教 Python 等技能，融入实验等教学；企业看重数据分析等能力，科研机构强调 Python 等基础及科研相关技能。教学模式与工具：教师认可实验课、项目驱动等教学方式，编程环境受重视；科研和企业人员认同项目驱动与动手实践。支持与培训：学生需多样课程、实践支持等；教师需要 AI 实验室等支持。对职业发展影响：各群体均认可 AI 技能对职业发展有帮助，企业期望创新等能力，科研机构强调动手等能力。学校：丰富 AI 课程体系，增加实践环节与项目。提供多样学习资源与在线课程，加强师资培训。建立 AI 虚拟实验室，促进校企、校研合作。教师：提升自身 AI 技能，优化教

277、学方法，融入实践项目。学生：主动自学，积极参与实践与竞赛，提升综合能力。企业：与学校合作，提供实习项目与案例分享，参与课程设计。科研机构：提供实习机会，与学校联合培养，分享前沿研究与应用场景。附录 1:AI 融入行业及学科情况调查问卷与结果分析113附录 2:工科与人工智能融合课程体系构建与实施路径参考以下四门课程可以分别面向理论基础、技术应用和实际工程项目，聚焦智能网联汽车、自动驾驶、车辆动力学与控制，使学生既掌握人工智能的核心概念，又具备将其应用到车辆工程的能力。同时，可以引入企业案例、仿真平台和实验项目，增强课程的实践性与前沿性。参考文献：清华大学车辆与运载学院车辆工程专业本科培养方案

278、https:/ 总线、V2X）的采集、处理、融合方法，理解常用车载传感器的原理与特性，为智能驾驶和车辆状态监控打下数据基础。适合人群：大二/大三本科生核心知识点：车载传感器原理与特性：摄像头、激光雷达(LiDAR)、毫米波雷达、IMU、GPS 等数据采集与总线技术：CAN/LIN/车载以太网数据采集与解析，传感器数据同步信号处理与滤波：传感器原始数据去噪、校准多传感器数据融合基础：空间对齐、时间对齐、状态估计算法入门（如卡尔曼滤波）数据标注与数据集构建：自动驾驶数据集介绍前置课程：电工电子学、传感器原理与应用、车辆工程基础、信号与系统、编程基础(Python)课程目标：掌握机器学习核心算法及其

279、在车辆状态监测、驾驶行为分析、故障诊断与预测性维护领域上的应用。适合人群：大三本科生核心知识点：机器学习基础回顾与应用：分类、回归、聚类算法在车辆数据上的应用特征工程：从时序传感器数据、CAN 信号中提取有效特征车辆状态监测与预测：电池健康状态(SOH)估计、零部件寿命预测驾驶行为识别：基于传感器数据的驾驶风格分类、疲劳检测故障诊断：基于模式识别的故障检测与分类模型评估与选择：针对车辆工程应用的指标(1)智能车辆感知与数据工程(2)车辆智能系统中的机器学习与深度学习附录 2:工科与人工智能融合课程体系构建与实施路径参考1.车辆工程附录2114附录2课程目标：深入学习自动驾驶中的关键 AI 技术

280、，包括基于深度学习的环境感知（检测、分割）、定位建图(SLAM)，以及行为决策与路径规划算法。适合人群：大四本科生核心知识点：深度学习感知：CNN 用于目标检测(YOLO,Faster R-CNN)、语义/实例分割；LiDAR 点云处理基础多模态感知融合：前融合/后融合策略，基于深度学习的融合方法高精地图与定位：SLAM 算法基础（视觉/激光），粒子滤波与高精地图匹配行为决策：有限状态机、决策树、基于强化学习/模仿学习的决策路径规划：相关算法，轨迹优化前沿接触：端到端自动驾驶模型概念；BEV（鸟瞰视图）感知；世界模型/大模型在自动驾驶决策中的应用潜力；车路协同(V2X)与协同感知/决策。前置课

281、程：车辆工程机器学习与模式识别、自动控制原理、车辆动力学课程目标：通过团队项目，综合运用感知、决策、规划、控制知识和 AI 技术，设计、仿真或搭建一个简化的智能车辆子系统（如特定场景下的自动泊车、自适应巡航、车道保持辅助），或完成一个深度数据分析项目（如大规模车队数据分析）。适合人群：大四本科生核心知识点：系统集成挑战：模块接口、实时性、鲁棒性仿真平台应用：CARLA,Apollo,Autoware 等仿真环境的使用模型部署与优化：嵌入式系统部署概念，模型轻量化简介项目示例：基于深度学习的交通标志识别系统；特定工况下的轨迹跟踪控制器设计与仿真；基于车辆运行数据的能耗优化策略分析；模拟环境中的具

282、身智能驾驶代理训练。测试与评估：仿真测试、实车测试（若有条件）的方法与标准前置课程：车辆工程机器学习与模式识别(3)自动驾驶环境感知与决策规划(4)智能车辆系统集成与实践前置课程：智能车辆感知与数据工程、概率论与数理统计附录 2:工科与人工智能融合课程体系构建与实施路径参考115针对机械工程专业向人工智能方向进行课程改造，可以结合当前 AI 技术的发展以及与机械制造的融合趋势，聚焦智能制造、机器人、工业大数据、智能设计与控制，推荐增加以下四门核心课程：2.机械工程课程目标：学习应用机器学习进行设备状态监测、故障诊断、寿命预测，以及工艺参数与产品质量的关系建模。适合人群：大三本科生核心知识点：机

283、器学习算法应用：分类（故障类型）、回归（剩余寿命预测 RUL）、聚类（工况识别）特征工程：从振动信号、声学信号、图像数据中提取故障特征智能诊断方法：基于数据驱动的故障检测与诊断流程预测性维护(PdM)：概念与基本实现方法模型评估：准确率、召回率、F1 分数、RMSE 等在工业场景的应用前置课程：机械工程数据分析与编程、信号与系统、机械原理/设计课程目标：掌握处理机械工程领域数据（传感器、实验、仿真、生产过程）的编程技能(Python)，学习数据清洗、统计分析、可视化方法，了解工业数据特点。适合人群：大二本科生核心知识点：Python 科学计算与数据处理库：NumPy,Pandas,Matplo

284、tlib/Seaborn工业数据来源与类型：传感器数据(振动、温度、力)、图像数据、日志数据数据预处理：时域/频域信号处理基础、滤波、特征提取入门统计过程控制(SPC)基础与编程实现数据可视化：绘制工艺参数曲线、设备状态图、性能散点图前置课程：高等数学、线性代数、概率论与数理统计、工程图学、编程基础(Python)(2)工业机器学习与智能诊断(1)机械工程数据分析与编程 参考文献：清华大学机械工程系机械工程专业本科培养方案 https:/ 2:工科与人工智能融合课程体系构建与实施路径参考116课程目标：通过项目实践，综合运用机械、控制、传感和 AI 技术，设计、仿真或搭建一个智能机器人应用系统

285、（如智能抓取、自主导航、人机协作）或智能自动化单元。适合人群：大四本科生核心知识点：机器人运动学与动力学基础应用机器人感知：视觉伺服、力觉感知、SLAM 应用智能规划与控制：基于 AI 的路径规划、轨迹跟踪、力控人机协作(Cobots)安全与交互策略项目示例：基于深度学习的工件识别与抓取系统；移动机器人在工厂环境中的自主导航与任务执行；基于强化学习的机器人装配任务（具身智能应用）；设计一个基于数字孪生的设备监控与预测性维护系统。系统集成与测试：ROS（机器人操作系统）基础应用前置课程：工业机器学习与智能诊断、机器人学基础（若有）课程目标：了解AI在智能制造各环节的应用，包括智能设计、工艺优化、

286、生产调度、质量控制，学习相关优化算法和系统集成概念。适合人群：大三/大四本科生核心知识点：智能设计：创成式设计(Generative Design)概念、拓扑优化与 AI 结合工艺参数优化：基于机器学习/深度学习的工艺-性能关系建模与优化智能调度：基于强化学习/启发式算法的生产调度优化智能质量检测：基于计算机视觉(CNN)的表面缺陷检测、尺寸测量数字孪生(Digital Twin)基础：概念、构建要素及其在制造中的应用前沿接触：大模型在工艺知识库构建和优化建议中的应用；柔性制造系统中的 AI 调度。前置课程：工业机器学习与智能诊断、制造技术基础、自动控制原理(4)智能机器人与自动化系统实践(3

287、)智能制造系统与优化3.电气工程及其自动化电气工程及其自动化专业推进人工智能融合转型，瞄准能源革命中智能电网优化、高可靠性电力系统控制等核心需求，附录 2:工科与人工智能融合课程体系构建与实施路径参考117课程目标：掌握处理电气工程领域数据（SCADA,PMU,仿真,实验）的编程技能(Python)，学习数据清洗、时序分析、统计建模和可视化方法。适合人群：大二本科生核心知识点：Python 科学计算库：NumPy,Pandas,Matplotlib/Seaborn电气数据特点：时间序列特性、高维性、噪声干扰数据处理与预处理：采样、滤波、同步、缺失值处理时序数据分析基础：自相关/偏自相关分析、平

288、稳性检验可视化：绘制电压/电流波形、负荷曲线、故障录波图电力系统数据格式简介（如 COMTRADE）前置课程：电路原理、模拟/数字电子技术、高等数学、线性代数、概率论与数理统计、编程基础(Python)课程目标：学习应用机器学习方法解决电力系统中的预测、分类和状态评估问题，如负荷预测、新能源出力预测、故障类型识别、暂态稳定评估。适合人群：大三本科生核心知识点：时间序列预测模型：ARIMA、指数平滑与机器学习回归模型（SVM,随机森林）的结合负荷预测：短期、中期、长期负荷预测方法与特征工程新能源预测：风电、光伏出力预测的影响因素与建模故障诊断与分类：基于电气量特征的故障类型识别暂态稳定评估：基于

289、运行数据快速评估系统稳定性模型评估指标：MAPE,RMSE,准确率等在电力系统预测与分类中的应用前置课程：电气数据科学与 Python 编程、电力系统分析(1)电气数据科学与 Python 编程(2)电力系统机器学习应用深度融合 AI 在电力负荷预测、设备状态诊断、多能协同调度等场景的前沿技术。推荐增加以下四门核心课程：参考文献：电机工程与应用电子技术系电气工程及其自动化专业本科培养方案 https:/ 2:工科与人工智能融合课程体系构建与实施路径参考118课程目标：掌握深度学习和强化学习在电力系统动态控制、电力电子变换器优化、电机智能驱动中的应用。适合人群：大三/大四本科生核心知识点：深度学

290、习模型：CNN 在暂态信号分析、RNN/LSTM 在时序预测中的应用强化学习基础与应用：用于频率控制、电压控制、最优潮流、电力电子控制参数自整定电力电子设备故障诊断与寿命预测：基于深度学习的精细化诊断电机智能控制：基于 AI 的参数辨识、故障诊断与优化控制前沿接触：能源大模型在电网调度优化中的应用；基于 AI 的电网韧性增强策略；边缘计算在分布式能源监控与控制中的应用。前置课程：电力系统机器学习应用、自动控制原理、电力电子技术、电机学课程目标：通过团队项目，综合运用电气工程知识和 AI 技术，设计、仿真或实现一个智能电网应用（如微网能量管理系统、配电网故障智能定位、基于 AI 的继电保护策略、

291、需求侧响应优化），或完成相关深度数据分析。适合人群：大四本科生核心知识点：智能电网关键技术回顾与集成系统建模与仿真：使用电力系统仿真软件（如 PSCAD,Simulink）结合 AI 模型算法实现与优化：针对具体应用场景选择或改进 AI 算法项目示例：基于强化学习的微网能量优化调度策略仿真；利用图神经网络进行配电网拓扑辨识与故障定位；基于深度学习的暂态过电压识别与分析系统；开发基于大模型的电网运行风险评估助手。方案评估与经济性分析前置课程：电力系统机器学习应用(3)智能控制与电力电子 AI(4)智慧电网技术与综合实践4.电子信息科学与技术电子信息科学与技术专业深化人工智能（AI）交叉融合，聚焦

292、 5G 通信、边缘计算、智能硬件等前沿领域，突破传统信号处理与硬件设计在动态环境感知、实时决策中的技术瓶颈。推荐增加以下四门核心课程：参考文献：电子工程系电子信息科学与技术专业本科培养方案 https:/ 2:工科与人工智能融合课程体系构建与实施路径参考119课程目标：掌握信号与信息处理中常用的编程工具(Python/MATLAB)和数据处理方法，学习数字信号处理的基本算法实现、数据可视化以及机器学习所需的基础。适合人群：大二本科生核心知识点：Python/MATLAB 编程：科学计算库(NumPy/SciPy)、信号处理库、绘图库数字信号处理算法实现：FFT、滤波器设计、相关分析数据表示与特

293、征提取：时域、频域、时频域特征概率统计与随机过程基础回顾与计算实现数据可视化：波形、频谱、星座图、特征分布图前置课程：高等数学、线性代数、概率论与随机过程、信号与系统、数字信号处理、编程基础课程目标：学习将机器学习应用于各种信号处理任务，如信号分类、识别、去噪、参数估计以及通信信号解调等。适合人群：大三本科生核心知识点：机器学习算法在信号处理中的应用：SVM 用于信号分类、回归模型用于参数估计、聚类用于信号源分离特征选择与降维：针对高维信号特征的 PCA、LDA 等方法通信信号智能处理：调制识别、信道估计、干扰抑制语音/音频信号处理：语音识别(ASR)基础、说话人识别、音频事件检测生物医学信号

294、处理：ECG/EEG 信号分类与异常检测模型评估与性能分析：误码率、识别准确率、ROC 曲线前置课程：信息处理编程与数据基础、通信原理课程目标：掌握深度学习模型（CNN,RNN,Transformer）在图像/视频处理、自然语言处理、智能通信系统中的核心应用。适合人群：大三/大四本科生核心知识点：(1)信息处理编程与数据基础(2)智能信号处理与机器学习(3)深度学习与智能信息系统附录 2:工科与人工智能融合课程体系构建与实施路径参考120课程目标：通过项目实践，了解 AI 模型在硬件（FPGA/ASIC/嵌入式 GPU）上的部署与优化方法，设计并实现一个软硬件结合的智能信息处理系统或边缘计算应

295、用。适合人群：大四本科生核心知识点：AI 硬件加速器原理：GPU,FPGA,ASIC(TPU/NPU)架构简介模型压缩与量化：剪枝、知识蒸馏、低比特量化技术硬件描述语言(Verilog/VHDL)与 FPGA 开发流程入门（可选）嵌入式 AI 平台：NVIDIA Jetson,Raspberry Pi,Mobile SoC 上的 AI 部署项目示例：基于 FPGA 的 CNN 加速器设计；在嵌入式平台上实现实时目标检测；设计低功耗的边缘传感器节点进行信号智能分析；开发一个简单的边缘智能网关。软硬件协同设计与优化前置课程：智能信号处理与机器学习、嵌入式系统（若有）、数字逻辑/计算机组成（建议）(

296、4)AI 硬件加速与边缘智能实践课程目标：掌握处理航空航天领域数据（飞行数据、仿真数据、遥感数据、测试数据）的编程技能(Python/MATLAB)，学习数据清洗、时空分析、统计建模和可视化。适合人群：大二本科生核心知识点：(1)航空航天数据科学基础5.航空与航天工程对于航空与航天工程专业进行人工智能方向的课程改造，可以从以下四门课程着手，聚焦飞行器设计、制导导航与控制(GNC)、推进系统、空天大数据，旨在将人工智能与航天工程结合，提升学生的跨学科能力。CNN 与计算机视觉：图像分类、目标检测、图像增强在信息系统中的应用RNN/LSTM/Transformer 与序列处理：自然语言处理基础（文

297、本分类、情感分析）、时间序列信号分析深度学习在通信中的应用：端到端通信系统设计、信道编码/解码、资源分配生成模型简介：VAE/GAN 在信号生成与增强中的应用前沿接触：多模态信息处理（文本、图像、音频融合）；语义通信；大模型在信息摘要、代码生成、人机交互中的应用。前置课程：智能信号处理与机器学习附录 2:工科与人工智能融合课程体系构建与实施路径参考121Python/MATLAB 编程与相关库航空航天数据类型：时序数据（传感器、飞行参数）、图像数据（遥感、检测）、结构化数据（性能参数）数据处理：滤波、插值、坐标系转换、时间对齐时空数据分析入门：轨迹分析、遥感影像初步处理数据可视化：飞行轨迹、姿

298、态变化、遥感图像、性能包线图前置课程：高等数学、线性代数、概率论与数理统计、飞行力学/空气动力学基础、编程基础课程目标：学习应用机器学习进行飞行器状态监控、故障诊断、性能预测、气动数据建模、遥感信息提取等。适合人群：大三本科生核心知识点：监督学习应用：飞行参数预测、飞行模式识别、结构健康监测、遥感图像分类无监督学习应用：飞行数据聚类（识别异常模式）、遥感地物分类特征工程：从飞行数据、传感器信号、遥感图像中提取关键特征代理模型(Surrogate Modeling)：使用机器学习模型替代复杂仿真计算模型评估与验证：结合航空航天背景评估模型性能前置课程：航空航天数据科学基础、自动控制原理课程目标：

299、掌握 AI（深度学习、强化学习）在飞行器制导、导航与控制（GNC）以及自主任务规划中的应用。适合人群：大三/大四本科生核心知识点：智能导航：基于视觉/惯性/卫星组合的智能导航算法，SLAM 在自主飞行中的应用智能控制：自适应控制、神经网络控制、基于强化学习的飞行控制律设计自主任务规划与决策：路径规划、目标分配、多智能体协同（基础）计算机视觉在航空航天中的应用：目标跟踪、姿态估计、着陆引导前沿接触：AI 辅助飞行器设计优化；数字孪生飞行器；人在回路的智能 GNC 系统；基于大模型的任务理解与规划。前置课程：航空航天系统机器学习应用、飞行控制系统、导航原理(2)航空航天系统机器学习应用(3)智能

300、GNC 与自主系统附录 2:工科与人工智能融合课程体系构建与实施路径参考122课程目标：选择一个航空航天相关问题，综合运用专业知识和 AI 技术，设计、仿真或实现一个智能子系统（如自主避障系统、智能故障诊断系统、遥感图像智能分析流程、多无人机协同任务规划），或完成相关数据驱动研究。适合人群：大四本科生核心知识点：系统需求分析与方案设计算法选择、实现与仿真验证多学科集成（气动、结构、控制、推进与 AI）项目示例：基于强化学习的无人机自主着舰控制仿真；利用深度学习进行飞行器结构损伤检测；开发卫星遥感图像变化检测的智能算法；设计一个简单的无人机自主巡检任务规划器（类具身智能）。性能评估与可靠性分析前

301、置课程：航空航天数据科学基础(4)航空航天智能系统设计与实践6.交通运输课程目标：掌握处理交通领域多源异构数据（检测器、浮动车、公交卡、问卷、视频）的编程技能(Python)，学习数据清洗、时空分析、统计建模和可视化。适合人群：大二本科生核心知识点：Python 编程与地理空间数据处理库(GeoPandas)交通数据类型：流量、速度、密度、占有率、OD（起点终点）、轨迹、事故数据数据清洗与融合：异常检测、缺失值填充、多源数据匹配时空数据分析：交通流时空演化、出行模式分析交通数据可视化：路网流量图、OD 弦图、轨迹热力图、时空速度图前置课程：交通工程学导论、高等数学、线性代数、概率论与数理统计、

302、编程基础(Python)(1)交通数据科学与可视化 参考文献：同济大学交通运输专业人才培养方案 https:/ 2:工科与人工智能融合课程体系构建与实施路径参考123课程目标：掌握AI（特别是强化学习、深度学习）在交通信号控制、匝道控制、路径诱导、公交调度等交通管理与优化问题中的应用。适合人群：大三/大四本科生核心知识点：交通信号控制基础与优化目标强化学习在单点/区域信号控制中的应用深度学习模型（CNN/RNN/GNN）提取交通状态特征用于控制决策智能路径诱导算法公交/物流调度优化：车辆路径问题(VRP)与 AI 求解方法前沿接触：城市交通大模型/数字孪生；车路协同(V2X)环境下的协同控制；

303、AI 驱动的交通仿真。前置课程：交通流理论与机器学习预测、运筹学/交通规划与管理课程目标：结合交通流理论，学习应用机器学习进行交通状态（流量、速度、排队长度）预测、出行需求预测、事故风险预测。适合人群：大三本科生核心知识点：交通流基本模型回顾（LWR,Cellular Automata 等）时间序列预测：ARIMA、季节性模型与机器学习回归（SVM,随机森林,GBDT）在交通预测中的应用短时交通流预测：特征工程（时间、空间、天气等因素）出行方式/目的地选择模型：Logit 模型与机器学习分类器的结合交通事故预测：基于历史数据和路网特征的风险评估模型模型评估：MAPE,RMSE,准确率等在交通预

304、测中的应用前置课程：交通数据科学与可视化、交通流理论(3)智能交通控制与优化(2)交通流理论与机器学习预测课程目标：选择一个未来交通场景或挑战（如自动驾驶与混合交通流管理、共享出行系统优化、城市空中交通(UAM)管理、可持续交通系统规划），综合运用交通工程知识和 AI 技术，进行方案设计、仿真评估或数据分析。适合人群：大四本科生(4)未来交通系统设计与实践附录 2:工科与人工智能融合课程体系构建与实施路径参考124课程目标：掌握处理能源与动力领域数据（设备运行参数、能耗数据、气象数据、仿真数据）的编程技能(Python)，学习数据清洗、时序分析、统计建模和可视化。适合人群：大二本科生核心知识点

305、：Python 科学计算与数据处理库能源数据特点：多尺度（秒级到年级）、多物理场耦合数据采集与预处理：传感器数据处理、热工参数计算、数据对齐时序分析与统计：负荷/发电量分析、效率计算、相关性分析可视化：运行曲线、效率图、能流图、热力图前置课程：工程热力学、传热学、流体力学、高等数学、编程基础(Python)(1)能源数据分析与 Python 应用7.能源与动力工程课程目标：学习应用机器学习进行能源负荷预测、新能源发电预测、设备状态评估、系统效率建模等。适合人群：大三本科生核心知识点：(2)能源系统机器学习建模与预测核心知识点：未来交通趋势分析与问题定义系统建模与仿真工具应用（SUMO,VISS

306、IM 等）AI 算法设计与集成项目示例：基于强化学习的自动驾驶车辆汇入匝道协调控制策略仿真；利用机器学习优化共享单车/网约车调度；基于 AI 的城市交通碳排放评估与减排策略分析；设计简单的无人配送车队调度系统（类具身智能）。多目标评估（效率、安全、公平、环境）前置课程：交通流理论与机器学习预测、自动驾驶技术（若有）能源与动力工程专业推进人工智能（AI）方向的课程改革，紧密围绕能源转换、传输及高效利用的核心目标，结合新能源开发、储能技术及智能电网建设的前沿需求，培养学生面向“双碳”目标的跨学科创新能力。推荐增设以下四门课程：参考文献：清华大学航天航空学院能源与动力工程专业本科培养方案 https

307、:/ 2:工科与人工智能融合课程体系构建与实施路径参考125时间序列预测模型：应用于电力负荷、热负荷、光伏/风电出力预测回归模型：建立设备/系统效率与运行参数的关系模型分类模型：用于设备故障诊断、运行工况识别特征工程：考虑天气、时间、设备参数等影响因素模型评估：针对能源预测和诊断任务的指标前置课程：能源数据分析与 Python 应用、概率论与数理统计课程目标：掌握深度学习和强化学习在能源系统优化调度、智能控制、故障诊断与预测性维护中的应用。适合人群：大三/大四本科生核心知识点：深度学习模型应用：CNN/RNN/LSTM 用于更精准的预测和故障诊断（如基于振动/声学信号）强化学习应用：用于电网/

308、微网的能量管理与优化调度、楼宇能耗优化控制、动力设备智能启停模型预测控制(MPC)与 AI 结合设备数字孪生基础与应用前沿接触：能源大模型（负荷预测、调度优化）；AI 在碳捕集、利用与封存(CCUS)中的应用；边缘计算在分布式能源监控中的应用。前置课程：能源系统机器学习建模与预测、自动控制原理课程目标：选择一个能源与动力工程问题（如综合能源系统优化、智能电厂运维、新能源并网控制、建筑节能），综合运用专业知识和 AI 技术，进行系统设计、仿真分析或原型验证。适合人群：大四本科生核心知识点：智慧能源系统架构设计多能源流协同优化AI 算法在具体场景下的实现与调试项目示例：基于强化学习的区域综合能源系

309、统优化调度仿真；利用深度学习进行燃气轮机/锅炉的燃烧优化或故障诊断；开发光伏电站智能运维（如故障检测）算法；设计一个基于 AI 的智能楼宇温控系统。经济性与环境效益评估(3)深度学习与智能能源优化控制(4)智慧能源系统设计与实践附录 2:工科与人工智能融合课程体系构建与实施路径参考126课程目标：掌握材料领域数据的表示、获取、处理和管理方法，学习使用Python进行材料数据的统计分析、可视化和数据库交互。适合人群：大二本科生核心知识点：材料数据表示与数据库（同理科）Python 数据处理与可视化（Pandas,Matplotlib/Seaborn）材料信息学库入门（pymatgen,ASE）实

310、验/工艺数据的处理与分析材料数据标准与共享前置课程：材料科学与工程基础、物理化学、高等数学、编程基础(Python)课程目标：学习应用机器学习预测材料的宏观/微观性能，掌握基于成分-工艺-结构-性能(PPSP)关系的建模方法，并用于材料的快速筛选。适合人群：大三本科生核心知识点：材料特征工程：成分特征、结构特征（晶体/微观结构）、工艺参数特征监督学习应用：预测力学性能、热学性能、电化学性能、腐蚀抗力等高通量虚拟筛选：结合数据库与机器学习模型快速筛选候选材料模型可解释性：理解哪些因素对材料性能影响最大模型评估与不确定性量化前置课程：材料信息学与数据工程、材料物理/化学/力学性能、概率论与数理统计

311、(1)材料信息学与数据工程(2)材料性能机器学习预测与筛选8.材料科学与工程前置课程：能源系统机器学习建模与预测、能源系统工程材料科学与工程专业推进人工智能方向的课程改革，聚焦材料结构-性能关联解析、新型材料设计、制备工艺优化及服役行为预测的核心任务，培养学生“材料基因组+智能研发”的跨学科创新能力。推荐增设以下四门课程：参考文献：材料学院材料科学与工程专业本科培养方案 https:/ 2:工科与人工智能融合课程体系构建与实施路径参考127附录 2:工科与人工智能融合课程体系构建与实施路径参考课程目标：掌握深度学习（特别是 GNN）和生成模型在设计新材料结构中的应用，学习利用 AI 优化材料制

312、备工艺参数。适合人群：大三/大四本科生核心知识点：图神经网络(GNN)在材料性能预测中的应用生成模型（VAE,GAN,RL）用于材料逆向设计（给定性能要求设计结构/成分）AI 优化工艺参数：基于机器学习模型优化热处理、合金成分、沉积工艺等参数以获得目标性能AI 加速计算材料学：构建机器学习力场、预测相图前沿接触：大模型在材料文献知识挖掘与合成路线规划中的应用；主动学习与贝叶斯优化在高通量实验/计算中的应用。前置课程：材料学基础、计算材料学、编程基础（Python）课程目标：选择一个材料研发或工程应用问题，综合运用材料科学知识、实验/仿真（可选）和AI方法，进行新材料设计、性能预测、工艺优化或失

313、效分析。适合人群：大四本科生核心知识点：研发问题定义与技术路线设计数据驱动与机理分析结合AI 模型选择、训练与验证项目示例：利用生成模型设计特定应用场景的高性能合金/陶瓷/高分子材料；开发 AI 模型预测材料在特定服役环境下的寿命；基于 AI 优化 3D 打印材料的工艺参数；结合 AI 与机器人自动化进行材料性能测试与数据分析（具身智能应用）。结果评估与工程应用潜力分析前置课程：材料性能机器学习预测与筛选(3)AI 驱动的材料设计与工艺优化(4)智能材料研发与应用实践128数学专业进行人工智能（AI）方向的改革，可以通过增加一些与 AI 密切相关的课程，帮助学生在数学理论基础上，掌握现代机器学

314、习、深度学习和数据分析等技术。以下是为数学专业设计的，结合了 AI 与数学的发展前沿的 4 门课程：课程目标：掌握利用编程工具（Python）实现基本数学计算、数据处理和可视化的能力，理解数据科学的基本流程，为后续学习机器学习的数学原理和应用打下基础。适合人群：大二本科生核心知识点：Python 编程基础与科学计算库：NumPy(数组运算),SciPy(科学计算),Pandas(数据处理),Matplotlib/Seaborn(可视化)数值计算基础：误差分析、数值积分、微分方程数值解法入门与编程实现数据处理与探索性分析：数据清洗、变换、描述性统计、数据可视化技术信息论基础：熵的概念及其在数据不

315、确定性中的应用图论基础：图的表示、基本算法及其在数据科学中的应用概率与统计的计算实现：随机数生成、蒙特卡洛方法入门、基本统计检验的编程实现前置课程：高等数学/数学分析、线性代数、概率论与数理统计、人工智能导论课程目标：深入理解主流机器学习算法背后的数学原理（线性代数、概率统计、优化），并能够使用编程工具实现和调用这些算法，理解模型评估与选择的数学依据。适合人群：大三本科生核心知识点：线性代数应用：向量空间、特征值/奇异值分解(SVD)在降维(PCA)和推荐系统中的应用 概率与统计应用：贝叶斯定理与分类器、最大似然估计(MLE)、最大后验估计(MAP)优化理论基础：梯度下降法及其变种(SGD,A

316、dam)的原理与实现，凸优化基础概念监督学习算法：线性回归、逻辑回归、支持向量机(SVM)的数学推导与编程实现无监督学习算法：K-Means 聚类的数学原理与实现(1)计算数学与数据科学引论(2)机器学习的数学原理与算法实现附录 3:理科与人工智能融合课程体系构建与实施路径参考1.数学附录 3:理科与人工智能融合课程体系构建与实施路径参考附录3129附录 3:理科与人工智能融合课程体系构建与实施路径参考模型评估与选择：偏差-方差权衡，交叉验证，正则化(L1/L2)的数学解释损失函数设计：常用损失函数及其数学性质图神经网络基础：图神经网络的基本原理和应用知识图谱基础：知识图谱的构建和应用，如实体

317、识别和关系抽取前置课程：计算数学与数据科学引论课程目标：掌握深度学习模型（特别是神经网络）的数学基础，理解其训练过程中的优化挑战，了解前沿模型（如Transformer）的基本数学思想，并接触 AI 在数学研究中的应用。适合人群：大三/大四本科生核心知识点：神经网络的数学表示：多层感知机、反向传播算法的矩阵推导深度学习中的优化：梯度消失/爆炸问题、高级优化器(Adam 等)原理、损失函数设计卷积神经网络(CNN)的数学：卷积运算、池化操作的数学意义循环神经网络(RNN)与序列模型：处理序列数据的数学模型(含 LSTM/GRU)Transformer 与注意力机制的数学基础图神经网络优化：图卷积

318、网络(GCN)和图注意力网络(GAT)的优化方法知识图谱应用：知识图谱在深度学习中的应用，如知识图谱增强的推荐系统和问答系统前沿接触：几何深度学习、拓扑数据分析概念；AI 辅助数学证明/猜想发现简介；大模型在数学推理/符号计算中的应用潜力介绍。前置课程：机器学习的数学原理与算法实现课程目标：通过项目实践，让学生运用扎实的数学知识和 AI 技能，探索数学理论在 AI 算法设计中的应用，或利用 AI 工具解决复杂的数学建模与计算问题。适合人群：大四本科生核心知识点：问题定义：选择一个结合数学与 AI 的课题（如算法效率分析、模型可解释性、AI 驱动的数值模拟、特定数学问题的 AI 求解器）理论分析

319、与建模：运用数学工具分析 AI 模型或设计新算法思路(3)深度学习的数学与模型优化(4)数学驱动的 AI 创新实践附录3130计算实现与验证：编程实现模型/算法，并通过实验验证其有效性信息论与图论应用：基于信息熵的特征选择和基于图的半监督学习前沿探索项目示例：基于几何/拓扑思想改进现有模型；利用大模型进行数学文献分析或辅助解题；设计基于 AI的优化算法。结果展示与论文撰写：清晰阐述研究过程、数学原理、实验结果和结论前置课程：机器学习的数学原理与算法实现统计学专业开展人工智能方向的课改，需依托统计学与 AI 的紧密联系，通过增设聚焦统计视角下机器学习（ML）、深度学习（DL）的课程，强化因果推断

320、、贝叶斯方法等统计学科特色，助力学生在扎实的统计理论基础上，掌握数据驱动的智能分析与建模技术，培养具备数据洞察与智能分析能力的复合型人才。以下是推荐的 4 门课程：课程目标：掌握使用 R 或 Python 进行高效统计计算、数据处理、模拟和可视化的能力，熟悉数据科学的基本工作流程，为后续学习统计机器学习打好基础。适合人群：大二本科生核心知识点：R/Python 编程进阶：数据结构、函数式编程、常用统计与数据处理包(dplyr/pandas,ggplot2/matplotlib)统计模拟：随机变量生成、蒙特卡洛积分、Bootstrap 与置换检验计算密集型统计方法：EM 算法、MCMC 入门数据

321、整理与可视化：Tidy data 原则，高级可视化技术可重复性研究：版本控制、报告生成(R Markdown/Jupyter)随机过程基础：马尔可夫链、泊松过程及其在数据科学中的应用前置课程：概率论、数理统计、线性代数、人工智能导论课程目标：系统学习主流机器学习算法的统计原理、假设和应用，理解模型选择与评估的统计基础，掌握从统计视角进行预测建模的方法。适合人群：大三本科生核心知识点：(1)统计计算与数据科学编程(2)统计机器学习方法2.统计学附录 3:理科与人工智能融合课程体系构建与实施路径参考131学习理论基础：偏差-方差权衡、PAC 学习理论简介、泛化误差线性模型扩展：岭回归、Lasso、

322、弹性网络及其统计解释监督学习：逻辑回归、SVM、决策树、随机森林、Boosting 算法的统计视角无监督学习：PCA、聚类分析（K-Means,层次聚类,DBSCAN）的统计意义模型选择与评估：交叉验证、AIC/BIC、ROC/AUC 分析实践：使用 R/Python 实现和评估模型随机过程应用：马尔可夫决策过程(MDP)和强化学习高斯过程应用：高斯过程在回归和分类中的应用，以及在贝叶斯优化中的应用前置课程：统计计算与数据科学编程课程目标：深入学习现代统计学习方法，包括深度学习的统计视角、贝叶斯方法；掌握因果推断的基本框架和常用方法，了解AI 在因果发现中的应用。适合人群：大三/大四本科生核心

323、知识点：深度学习的统计模型：神经网络的概率解释、变分自编码器(VAE)、生成对抗网络(GAN)入门贝叶斯统计与机器学习：贝叶斯推断、MCMC 应用、贝叶斯网络因果推断基础：潜在结果框架、混淆偏倚、倾向得分匹配/加权、双重差分法(DID)高级模型：高斯过程、强化学习入门的统计视角前沿接触：AI 用于因果发现（如基于图模型的方法）；大模型在统计建模和数据分析中的辅助作用。随机过程在因果推断中的应用：因果图和结构方程模型前置课程：统计机器学习方法课程目标：通过解决实际数据问题，综合运用统计学和 AI 知识，完成一个完整的数据科学项目，包括问题定义、数据获取与处理、模型构建与评估、结果解释与报告，培养

324、统计咨询能力。适合人群：大四本科生核心知识点：项目选题：选择具有现实意义的统计/AI 应用课题数据故事讲述：有效地将分析结果传达给非专业人士(3)高级统计学习与因果推断(4)统计 AI 应用与实践附录 3:理科与人工智能融合课程体系构建与实施路径参考132模型部署与监控概念前沿探索项目示例：利用大模型进行复杂数据探索性分析；结合因果推断与机器学习进行政策评估；构建贝叶斯深度学习模型解决不确定性量化问题。团队协作与沟通伦理考量：数据隐私、模型公平性、结果误用风险随机过程和图论在统计 AI 中的应用：基于马尔可夫链的序列分析和基于图的社区检测前置课程：统计机器学习方法物理学专业推进人工智能方向的课

325、程改革，需立足学科对模型构建与模拟分析的核心需求，借助 AI 技术赋能复杂物理系统的建模、实验数据的智能分析及潜在物理规律的挖掘发现，帮助学生在深厚的物理理论根基上，掌握 AI 驱动的计算模拟与数据解析技术。推荐增设以下 4 门课程：课程目标：掌握使用编程（Python）解决物理问题的基本方法，包括数值计算、简单模拟、实验数据处理与可视化，为后续应用 AI 分析物理系统奠定基础。适合人群：大二本科生核心知识点：Python 科学计算：NumPy,SciPy,Matplotlib 在物理学中的应用数值方法入门：常微分方程数值解（欧拉法、龙格-库塔法）、数值积分物理模拟基础：分子动力学/蒙特卡洛模

326、拟简单示例实验数据处理：数据读取、拟合（线性/非线性）、误差分析、可视化版本控制与代码规范前置课程：普通物理、高等数学、线性代数、人工智能导论课程目标：学习将机器学习方法应用于物理学问题，如从实验数据中识别模式、构建物理系统的代理模型、进行参数估计等。适合人群：大三本科生核心知识点：(1)计算物理与数据分析基础(2)物理系统中的机器学习3.物理学附录 3:理科与人工智能融合课程体系构建与实施路径参考133课程目标：了解深度学习等 AI 技术如何应用于加速物理模拟、求解复杂方程以及从数据中发现潜在物理规律等领域，接触科学智能(AI for Science)的前沿。适合人群：大三/大四本科生核心知

327、识点：神经网络求解微分方程（PINNs）概念与应用深度学习用于物理模拟加速（如流体、材料模拟）生成模型（VAE/GAN）在物理中的应用（如生成新的材料结构）符号回归与物理定律发现简介前沿接触：大模型在科学计算和物理文献理解中的应用；AI 控制实验/机器人（具身智能在科研自动化中的体现）。实践工具：Python(PyTorch/TensorFlow)前置课程：物理系统中的机器学习、理论力学/电动力学/热力学与统计物理/量子力学（根据方向选修）课程目标：选择一个物理学研究课题，综合运用物理知识、计算模拟和 AI 方法，进行深入探究，完成模型构建、数据分析、结果验证与展示。适合人群：大四本科生核心知

328、识点：研究选题：结合导师研究方向或个人兴趣文献调研：了解相关领域的物理背景和 AI 应用现状方法设计与实现：整合物理模型与 AI 算法结果分析与物理解释：将 AI 结果与物理理论联系特征工程：从物理观测量或模拟数据中提取有效特征监督学习应用：回归预测物理量（如材料性质）、分类识别物理现象（如相变）无监督学习应用：在高维物理数据中发现模式（如粒子径迹聚类）模型选择与评估：在物理背景下理解模型性能指标实践工具：Python(Scikit-learn,Pandas)前置课程：计算物理与数据分析基础(3)AI 驱动的物理模拟与发现(4)计算物理与 AI 融合研究实践附录 3:理科与人工智能融合课程体系

329、构建与实施路径参考134前沿探索项目示例：用 PINNs 求解特定物理问题；用生成模型设计新材料并模拟验证；用 AI 分析大型强子对撞机(LHC)等实验数据；开发 AI 驱动的自动化实验流程。前置课程：AI 驱动的物理模拟与发现化学专业开展 AI 方向的融合改革，可通过增设 AI 与化学交叉领域的核心课程，使学生在掌握化学学科本质规律的基础上，深度融合机器学习、数据分析和智能算法技术，提升分子结构解析、材料性能预测及化学反应路径优化等领域的创新研究能力。以下是推荐的 4 门课程：课程目标：掌握化学数据的表示方法、数据库的使用，学习使用编程工具（Python）处理化学结构信息、进行数据清洗和基本

330、分析，了解化学信息学基础。适合人群：大二本科生核心知识点：化学数据表示：SMILES,InChI,SDF/MOL 文件格式化学数据库：PubChem,ChemSpider 等数据库的访问与使用Python 化学库：RDKit 基础操作（分子读写、描述符计算、指纹生成）数据处理与可视化：Pandas 用于处理化学数据集，Matplotlib/Seaborn 进行可视化基本统计分析在化学数据上的应用前置课程：无机化学、有机化学、物理化学、人工智能导论课程目标：学习应用机器学习方法预测化合物的物理化学性质、生物活性（QSAR/QSPR），掌握模型构建、评估和选择的基本流程。适合人群：大三本科生核心知

331、识点：分子描述符与特征工程：选择和计算与性质相关的分子特征监督学习应用：线性回归、SVM、决策树、随机森林等用于性质/活性预测模型评估：回归（RMSE,R2）和分类（Accuracy,AUC）指标在化学中的应用交叉验证与模型选择(1)化学信息学与数据处理(2)化学机器学习：性质预测与模型构建4.化学附录 3:理科与人工智能融合课程体系构建与实施路径参考135课程目标：选择一个化学研究问题（新药发现、新材料设计、催化剂优化、反应机理探究等），综合运用化学知识、计算模拟（可选）和 AI 方法进行研究，完成数据分析、模型开发、结果验证与报告。适合人群：大四本科生核心知识点：研究选题与文献回顾数据收集

332、与准备：公共数据库、实验数据或模拟数据AI 模型选择与开发：应用或改进适用于化学问题的 AI 模型结果解释与化学意义：将模型结果与化学原理联系前沿探索项目示例：利用生成模型设计特定性质的分子；开发 AI 模型预测反应产率或选择性；结合 AI 与高通量虚拟筛选寻找药物候选物；使用 AI 分析光谱数据。前置课程：化学机器学习：性质预测与模型构建(4)计算化学与 AI 创新应用实践实践工具：Python(Scikit-learn,RDKit,Pandas)前置课程：化学信息学与数据处理课程目标：了解深度学习在分子生成、性质优化、反应预测和逆合成分析中的应用，接触AI在药物发现和材料设计中的前沿方法。

333、适合人群：大三/大四本科生核心知识点：图神经网络(GNN)基础及其在分子性质预测中的应用生成模型（VAE,GAN,Flow-based）用于分子设计序列模型(RNN/Transformer)在反应预测、逆合成分析中的应用AI 辅助的实验设计与高通量筛选概念前沿接触：大模型在化学文献挖掘、合成路线规划中的应用；AI 结合机器人自动化化学实验（具身智能）。实践工具：Python(PyTorch/TensorFlow,PyTorch Geometric,DeepChem)前置课程：化学机器学习：性质预测与模型构建、结构化学(3)AI 驱动的分子设计与反应预测附录 3:理科与人工智能融合课程体系构建与实施路径参考136生物统计学专业推进人工智能融合改革，立足生物学数据体量大、维度高、结构复杂的特点，聚焦 AI 在基因组学、蛋白质结构预测、生物系统建模等领域的突破性应用。以下四门课程形成阶梯式培养体