随着新工科建设走向深入，人工智能专业成为当前高校新兴专业建设的重点之一。2018年至今已经有222所高校获批设立人工智能专业，可以说人工智能专业的布局已具规模。接下来的问题是如何建设好这些人工智能专业，新工科之“新”如何落地在专业建设方案中。

笔者认为，人工智能专业的建设，需要遵循新工科建设的基本理念，瞄准未来社会对人工智能人才的需求，从专业的人才培养理念和目标、教育教学方式以及教学组织模式等方面进行系统革新，践行当前教育领域从以教师为中心到以学生为中心的范式变革。本文从四个方面分析新时代人工智能专业的建设理念和策略。

基于人工智能发展趋势把握未来专业人才的核心特征

实际上当前不仅人工智能专业需要人才培养模式的革新，高校所有的专业都需要。这恰恰是由于人工智能对教育的冲击造成的。

随着互联网和人工智能技术的深入发展，产业变革和社会演化加速，人的生活方式和学习方式正在发生翻天覆地的变化。在这种情况下，未来社会中的人才需要具备的素养和能力发生了变化，解决问题的能力、终生学习能力、创新精神、沟通合作能力等变得更加重要。要有效提升学生的这些能力，革新过去三百年来主导的以教师为中心，以知识传授为目标的人才培养体系迫在眉睫。

对于人工智能专业，除了要适应这些变化外，还需要考虑其独特性。人工智能在未来可能不仅是一个行业，而是其他很多甚至所有行业的依赖的基础技术，甚至可能成为颠覆很多行业的武器。

因此未来的人工智能人才不仅需要精通人工智能领域的知识和技能，还需要熟悉这种技术的应用场景，即各行各业的发展和变革。只有这样才能真正推动国家倡导的通过人工智能加快产业革新的战略。因此高校人工智能专业培养的人才，一个很重要的特征就是利用人工智能技术来解决特定产业场景中的问题的能力，以及利用人工智能技术来变革既有产业或者创建新产业的能力。

重新定义人工智能专业的培养目标

我国当前高教体系中的专业人才培养目标基本上沿袭了上世纪五十年代从苏联引进的模式，即以学科知识体系为基础设计相应的培养目标，学生课程学习的主要目的是学会某个学科领域的知识。

直到今天，国内大学专业人才培养方案中对于目标的描述依然非常简洁，主要强调学生需要掌握的知识。人才培养方案的主要内容是罗列具体的知识点以及把这些知识点安排到一个学期的教学中，遵循的是以知识点为导向的理念。

重新定义人工智能专业的培养目标是高校创新发展引领新工科建设的第一步，也是目前国家一流专业建设中产出导向理念的具体要求。重新定义专业目标，首先是从低阶目标到高阶目标的升级。国家在倡导金课建设时提出要把高阶目标作为衡量课程质量的重要标准，所谓的高阶目标是相对于过去知识和技能类低阶目标而言的，包括问题解决能力、批判性思维、合作沟通能力、自主学习能力、数字素养等。

笔者看到近两年新成立的人工智能专业中，已经有个别专业的目标中设置了高阶目标，说明高校在这一轮的大改革中已经意识到革新目标的重要性，并且已经开始付诸行动。但是，针对人工智能专业人才未来需求的独特性，这些专业还需要研究的问题是如何把引领产业发展与变革的能力、定义和解决社会问题的能力纳入到专业培养目标中。

 探索全新的教育教学模式

要真正实现上述的人才培养目标，当前大学的教育教学模式也需要做出根本性革新。这种革新的核心理念是从过去的以教师为中心到以学生为中心，从以知识学习为中心到以健康成长为中心的转变，具体体现在以下三个方面。

新工科的基本理念之一是构建跨学科的知识体系，对于人工智能专业，可以整合计算机科学、大数据处理、人工智能技术等领域的知识，形成跨学科的体系，这已经在获批的专业中得到体现。

但是，能力导向的学习，并不简单是从一个窄的学科知识体系扩展到一个更宽的知识谱系就能达到，而是需要改变学习的出发点和目的。

面向未来的学习的出发点不是学会特定的知识，而是通过学习知识的过程，训练学生的问题解决能力、沟通合作能力和自主学习能力等面向未来的人才素养。而要通过这个过程训练这些能力，就需要从实际问题出发开展学习，而不是从特定的知识和理论体系出发。特定的真实问题既是调动学生积极性的有效策略，更是训练学生透过现象抓住问题本质的能力的载体。

从问题出发，是连接学生的理论学习和实际应用的桥梁。这种链接与传统教学中先理论学习后实践应用的逻辑不同，倡导学生一开始就要关注真实社会中感兴趣的问题，然后广泛地搜索和整合对解决问题有帮助的知识。
 

这个过程是先关注需要解决的问题，再去学习解决问题需要的知识，正好与传统的教学过程相反。这个过程对学生的训练主要是面对特定的真实问题，学生可以通过一套程序提供完整的解决方案的能力，这可以有效解决传统教育中先理论学习后实践应用导致的知识体系很完善但是实际应用能力不强的问题。

对于人工智能专业，大学需要建立起学生的理论学习和广泛的人工智能技术应用场景之间的紧密联系，不仅让学生学会和人工智能相关的知识，更重要的是训练他们如何在具体的应用场景中利用人工智能的理论和技术解决特定的问题，或者主导特定的产业变革和重组。

学习流程是一系列学习活动按照特定逻辑的组合。特定的学习活动，会产生特定的学习结果。例如，集中听讲的学习有利于学生记忆和理解特定的知识，小组学习活动有利于训练学生的合作沟通能力，以问题解决为目的的项目式学习有利于培养学生发现问题和解决问题的能力。

在传统的教学中，学生的学习活动主要包括课前预习、课中听讲、讨论和课后作业等，这些活动在课程学习中往往重复度高，其中学生较为被动的课中听讲很多时候占据学生绝大部分的学习活动时间，这样的设计很适合知识的习得，但不利于学生能力和素养的提升。

培养面向未来的人工智能人才，需要重构学生的学习活动。人工智能专业的学生学习活动，需要瞄准专业的人才培养目标。例如，利用人工智能技术解决特定场景中的问题的能力，学生需要参与大量的从真实场景中提炼核心问题以及面对特定问题设计解决方案的训练，这些活动需要设计在人工智能的专业培养过程中。

同时，未来人工智能专业的学生要推动产业的变革，必须要和熟悉产业的以及善于创新的人一起合作，因此学生与不同学科背景的人在一起合作的活动就非常重要。要训练对每一个大学生非常重要的自主学习能力，就需要大幅减少教师通过课堂讲授知识点的活动，增加教师引导学生在特定问题下自主搜索和整合知识的活动。

可以说，一个人工智能专业的质量，很大程度上取决于是否充分设计和囊括了这些学习活动，把它们整合为一体并落实到位。

要实现上述第一条从真实问题出发的学习，以及第二条学生的学习活动和真实的世界紧密相关，学生的学习环境需要从传统的课堂学习中解放出来，更多地接近真实的世界，特别是人工智能技术的真实应用场景。

近年来，在教育部产教融合战略的引导下，很多学校的很多专业都开始重视为学生提供在真实的场景中学习的机会，这对人工智能专业尤其重要。但是，目前学生在真实场景的学习，大多还是进行传统的学习活动，多是在传统的先理论学习后实践观察的框架下的实践教学和实习。

本文所倡导的学习场景的革新，是在真实的环境中开展以真实问题而非知识为导向的学习，并且学生的学习活动包括问题识别、知识和信息的搜索和整合以及与他人合作开发问题解决方案等一系列核心的学习活动，而不是理论学习后的实习。

要实现这种革新，靠当下大学和产业之间松散和相对浅层的合作方式是很难支撑的。探索大学和产业界之间的深度融合，是当前人工智能专业需要应对的挑战。

这种深度的融合，不仅是企业为大学生提供实习机会，也是大学和企业共同设计学生的学习方案，共同支持和引导学生在真实环境中开展核心的学习活动，不局限在当下主流的学生实习环节。由于这一模式下企业的付出很多，如何通过大学和企业之间的合作机制设计调动企业的积极性，是亟需突破的难题。

改造人工智能专业的教学组织形式

人才培养方案的革新以及教学过程的变化，必然要求教学组织方式的改变。特别是像人工智能这样的新兴专业，面临着在高起点上如何持续改进教学质量，如何真正体现新工科专业带给学生切实的学习成效，以及如何协调不同背景的人引导和支持学生的学习等挑战。本文主要从两个方面简单论述如何应对这些挑战。

人工智能作为新专业，很多实践尚属探索中。如何确保专业建设不断完善持续改进，对于刚刚拿到专业建设权的高校来说至关重要。而要实现这一点，最关键的是要建立一套以持续改进为理念的质量保障体系。持续改进的理念，提倡不简单以某个时间点达到某个标准为理念，而是以每时每刻发现问题并随时解决问题的理念来不断提升质量。

构建一个随时解决问题持续改进的质量保障体系，有三个关键行动。

首先需要在教学的治理上做出安排，要把所有的教学人员纳入质量保障体系中成为主动责任者，改进由某个办公室或者少数几个人来监督其他教学人员的质量保障体系。可以通过建立委员会的方式来把所有教师纳入质量保障框架，赋予他们特定的职责。

其次，需要建设持续讨论教学质量、同行判断教学水平的教学共同体，一门课程的水平高下，不能简单由行政领导说了算，而是首先确定标准，交给由普通老师组成的委员会来判断。这种普通老师之间广泛地讨论教学和判断教学质量的组织就是教学共同体，简单讲是一种通过教学同行来评议教学的机制。

最后，教学共同体要想运转，需要有一致的教学理念和标准，目前在工科领域，全世界都在倡导的结果导向的体系值得参考，即任何关于教学的水准的讨论和判断都要基于其在多大程度上能促进学生的学习结果这一准则。

要培养学生在真实场景中解决问题的能力，大学和产业的融合以及跨学科的团队建设是必然选择。首先是产业界和教育界师资的融合，这里最具挑战的是如何确保产业界教师的教学质量。其次是大学里面不同专业的教师的融合，这里最大的挑战是由传统的大学按照学科门类分割为不同的院系来管理的体系所造成的不同部门的人很难合作到一起的问题。

这些问题，都有待年轻的人工智能专业去探索和突破。

▪ 文中配图选自https://pixabay.com