智谱&和鲸：
《AI融合高等教育：从通识到专业——学科 AI人才培养白皮书》

（完整版.pdf ）
以下仅展示部分内容
下载方式见文末

该白皮书围绕 AI 与高等教育融合，从现状、培养体系、实践模式、技术应用、案例、评估及未来挑战等方面展开，为 “学科 + AI” 人才培养提供理论与实践指引，以下是详细总结：

一、AI 与高等教育融合现状

1. 技术与产业驱动学科重构

• 技术层面
  ：生成式 AI、大模型等技术颠覆知识传授范式，如 DeepMind 的 AlphaFold 推动生物学与计算机科学融合。
• 产业层面
  ：企业对 AI 技能需求激增，未来五年数据分析师等岗位需求预计增加 30-35%，复合型人才缺口显著。

• 国际战略
  ：美国通过 OPT 政策吸引 AI 人才，欧盟推动跨学科 AI 课程并强调伦理监管，日本推出 “数学、数据科学、人工智能高等教育认证计划”。
• 中国政策
  ：2024 年被称为 “智慧教育元年”，教育部等部门出台多项政策，推动 AI 与教育深度融合，京津冀等地区率先启动 AI 通识课程建设。

• 国内外举措
  ：MIT 设立施瓦茨曼计算机学院，清华、北大等国内高校开设 AI 通识课程并建设智能教学平台。
• 面临挑战
  ：课程更新滞后于技术迭代，70% 地方高校缺乏校企联动 AI 实训环境，非计算机教师 AI 素养达标率仅 34%，传统评价体系难以评估跨学科能力。

二、学科 + AI 人才培养体系

1. 人工智能通识教育

• 内涵与框架
  ：构建知识结构、实践转化、价值判断三维素养框架，课程分为基础认知、素养支撑、交叉融合三类。
• 实施路径
  ：遵循 “认知筑基 - 能力迁移 - 创新融合” 路径，如南开大学《人工智能与创新》课程面向大一新生开设。
• 国际经验
  ：美国分布式渗透模式、欧洲伦理锚定模式、亚洲技术整合模式各有特色。

• 工科
  ：车辆工程设《智能车辆感知与数据工程》等课程，机械工程聚焦智能制造与机器人。
• 理科
  ：数学专业设《机器学习的数学原理与算法实现》，统计学强调统计视角下的机器学习。
• 文科
  ：历史学推《数字史学研究设计与实践》，经济学结合深度学习与文本数据应用。
• 医科
  ：临床医学设《AI 在医学影像与诊断中的应用》，康复医学关注智能康复技术与人机交互。

三、AI 实践教学与技术应用

1. 实践教学模式

• 本质与价值
  ：培养数据思维、算法调试等能力，遵循 “问题 - 数据 - 算法 - 验证” 四阶段框架。
• 教学平台
  ：好的 AI 教学平台需具备实训导向、案例更新等特性，如和鲸 ModelWhale 平台支持多场景教学。

• 技术底座
  ：大模型通过跨学科知识整合等特性成为教育智能化基石，多所高校部署 DeepSeek 等模型。
• 核心场景
  ：AI 助手覆盖智能助教、助研、助学、助管等场景，如北邮 “码上” 平台提供编程辅导。

四、实践案例与评估体系

1. 国内高校案例

• 清华与北大
  ：清华启动 AI 赋能教学试点，北大推出 “北大智学” 教学平台。
• 复旦与上交
  ：复旦建设 AI-BEST 课程体系，上交提出 “AI+HI” 理念。
• 产教融合
  ：南大与和鲸、智谱合作建设 AI 通识课程，西安交大与吉利合作开发智能制造教学平台。

• 美国高校
  ：斯坦福 HAI 研究院开发 AI 培训课程，卡内基梅隆大学启动生成式 AI 教学研究计划。
• 其他国家
  ：剑桥大学设 AI 伦理委员会，日本推动高校 AI 与数据科学学科建设。

• 通识教育评估
  ：从技术理解、伦理意识等 4 维度 12 指标评估，如 AI 素养雷达图。
• 专业教育评估
  ：构建 “能力标准 - 课程体系 - 认证通道” 体系，对接行业需求。
• 教学质量评估
  ：融合教学过程数据采集等模块，关注教师技术敏感度等指标。

五、未来展望与挑战

1. 技术驱动教育革新
   ：AI 推动教育从 “知识传授” 向 “能力构建” 转型，需建立 “技术 - 教学” 双向反馈机制。
2. 跨学科融合深化
   ：需打破学科壁垒，建立学分互认等制度，如动态课程池每学期更新 30% 内容。
3. 师资与伦理挑战
   ：非技术教师 AI 素养需提升，需嵌入伦理模块并建立审查委员会。
4. 全球化战略选择
   ：需兼顾国际联合培养与国产技术生态建设，平衡技术自主与国际合作。