李建成：人工智能时代大学教育范式变革

人工智能时代高等教育新范式的底层逻辑

一是知识生产主体的重组。在大模型时代，基础模型研发依赖巨量算力、海量数据、工程化团队和持续迭代平台，产业界在资金、算力、数据和人才聚集上形成显著优势。由此，企业技术创新首次大规模反向推动，甚至部分主导学术研究议程，大学不再天然占据所有知识前沿的中心位置。

二是科研过程的人机协同化。人工智能不仅可以用于文献检索、数据清洗、图像识别和代码生成，也可以参与假设形成、实验设计、材料筛选、分子发现、模型模拟和自动化实验闭环。其关键影响不是把研究者替换掉，而是改变“提出问题—形成假设—设计实验—验证结果—发表转化”的时间结构，使科研从线性流程转向人机协同、并发探索和快速反馈。

三是大学组织运行的闭环化。传统大学常以“课程—科研—成果转化”的串联方式运行。课程负责培养，科研负责发现，转化负责产业连接，各环节之间存在明显时间差。人工智能使这一关系变为并行循环[3][4][5]。产业和社会问题进入课程任务，课程数据沉淀为研究线索，研究过程生成原型和专利，转化结果反哺课程和能力标准，学习评价则在整个过程中持续生成证据。

因此，新范式的本质并不是“把人工智能加进大学”，而是用人工智能重新组织大学的时间结构、知识结构和协作结构。它使大学从低频、分段、学科化的组织，转向高频、闭环、跨学科的智能增强型组织，推动形成“数智共生”新的教育范式。人工智能把教育教学、科研组织与人才培育连接为数据贯通、实时反馈的闭环，教育链、创新链、人才链得以在同一生态中贯通衔接。教育、科技、人才进而由“物理叠加”转向“化学反应”，释放“1+1+1>3”的聚变效应[6]，使大学成为教育科技人才交汇、循环的枢纽。

人工智能对大学核心功能的系统重构

1.知识传播机制重构

在知识传播方面，人工智能正推动大学教学由静态教材、统一进度和标准答案，转向自适应、个性化和动态反馈的学习生态。课堂的重心不再只是完成教材内容和知识讲授，而是更多围绕复杂任务、真实问题和高阶思维活动组织学习（课堂互动结构对比见表1）。教师的知识讲授功能仍然重要，但其专业价值将更多体现为学习目标设计、问题链设计、认知脚手架搭建、过程评价、伦理边界设定和情感支持。

课堂时间的使用也将随之改变。基础概念、背景知识和初步练习，可以由学生在课前通过人工智能辅助完成；课堂则更多用于苏格拉底式追问、案例讨论、批判性假设检验、项目协作和成果展示。随着人工智能生成能力不断增强，大学课堂有必要转而将教学重心放在问题质量、证据质量、论证质量和行动质量上。未来的评价应由单一结果评价转向过程与结果相结合，既考察最终作品，也考察问题形成、资料来源、提示词迭代、草稿版本、团队协作、反思日志、现场答辩和实践影响。

2.人才培养目标重构

在人才培养方面，人工智能正在推动大学由学科内部的知识传授和单项技能训练，转向情境化、跨学科、伦理嵌入的综合能力培养。本文将这种能够贯通问题识别、任务分解、知识整合、模型选择、方案实施、协同沟通和责任承担的综合能力，概括为“端到端系统架构能力”。这一能力至少包括六个方面（表2）。

3.知识生产机制重构

通用人工智能模型已经开始参与乃至自主地推进部分前沿数学问题的探索。在化学和材料科学研究中，将机器学习、自动化设备和机器人实验相结合，可以提高实验通量和过程标准化程度，并形成面向新材料发现的闭环实验流程；在医学与公共卫生研究中，系统评价等高度依赖劳动密集型文献筛选的环节，通过人工智能工具处理数万篇文献，可将人工工作量平均减少约一半。

而在华东师范大学一项前瞻性实验中，人工智能被明确设定为论文的“第一作者”，负责提出研究假设、设计研究框架、进行数据分析及撰写文本主体，而人类研究员则转变为任务发起者、指令设计者、质量评估者和流程监督者。在传统实验科学、理论科学、计算科学和数据密集型科学之后，AI for Science正在形成一种新的科研范式。其关键影响：一是改变了科学研究方式，从以个体经验和单一学科积累为主的研究方式，转向数据密集、模型驱动和多智能体协同；二是改变了科研“提出问题—形成假设—设计实验—验证结果—发表转化”的时间结构，使其由相对线性的流程，逐步转向人机协同、并发探索和快速反馈；三是改变了研究主体的角色定位，研究者由部分具体任务的执行者，更多转向问题提出者、任务组织者、结果审查者和责任承担者。

4.社会服务与成果转化机制重构

政府、企业、社区和行业的真实问题可以更早进入课程和科研过程；课程和项目中形成的数据可以转化为研究线索；研究过程可以同步形成原型、专利或解决方案；实际应用中产生的反馈，又可以反过来调整课程内容、研究方向和能力标准。大学的社会服务可能发展为由数据、模型、平台和智能体支持的持续协作机制。人工智能进一步提高了三者之间的信息流动和反馈速度，使大学能够更加持续地连接人才培养、知识生产、成果转化和社会需求。但需要注意的是，成果转化只是大学社会服务的一部分，大学在参与产业创新的同时，仍应保持基础研究、公共服务、伦理审查和社会批判等功能。

适应人工智能时代，推动大学办学转型

1.高校人工智能转型的主要实践路径

从现有实践看，高校人工智能转型至少呈现四种路径：全校生态化融入、课程体系化重构、平台合作式扩散和课程智能体嵌入。人工智能不能停留在单门课程或单次展示，而必须进入课程体系、学习支持、科研工具、数据治理和教师发展机制。高校人工智能改革不能只是增加几门选修课，而应把人工智能素养、学科知识、场景应用和交叉训练嵌入培养方案主干。亚利桑那州立大学的路径体现平台合作与治理规则并行[14]。学校通过与OpenAI合作、AI Innovation Challenge和ChatGPT Edu等方式逐步推动教学、科研和管理场景孵化，同时对数据使用、合规边界和用户培训作出制度安排。其启示在于，平台接入必须与治理规则同步推进，否则技术扩散越快，隐私、合规和责任风险越集中。佐治亚理工学院的Jill Watson说明，人工智能也可以从课程层面成为基础设施[15]。基于课程许可资料和检索增强生成技术的智能助教，可以在大规模在线或混合式教学中提供全天时答疑，把教师从重复性劳动中解放出来，使教师将更多精力用于高阶指导、学习设计和复杂反馈。

2.高校办学转型的重点任务

第一，建设人工智能公共基础课和交叉课程群。以公共基础课为入口，以交叉课程群为主体，高校应把人工智能素养、数据治理、提示与验证、算**理、知识产权和安全合规建设为全体学生的基础能力，同时根据学科特点形成“人工智能+法学”“人工智能+医学”“人工智能+材料”“人工智能+人文社科”等模块化课程群。第二，推进评价方式改革。每门课程应明确人工智能使用边界，建立过程证据、现场答辩、项目成果和反思说明相结合的评价体系。对于高风险能力，如临床判断、工程安全、法律论证和科研诚信，应保留必要的无人工智能或限人工智能评估场景。第三，重建教师发展体系。教师培训要覆盖人工智能教学设计、学习分析、提示工程、学科知识库建设、伦理治理、评价改革和学生心理支持。第四，建设校级人工智能基础设施。高校应建立统一的身份认证、模型接入、数据分级、日志审计、知识库管理和风险评估机制，避免各院系碎片化采购和无序接入。第五，深化产学研协同。大学需要与企业共同建设真实问题场景、实习项目、联合实验室和成果转化平台，但不应把人才培养完全交给短期市场需求。

3.人工智能应用的风险防范与治理要求

一是防范数据治理和隐私风险。区分公共数据、内部数据、敏感数据和禁止外发数据，建立数据最小化、可追踪授权、脱敏处理、日志审计和退出机制。二是防范学术诚信和评价失真风险。生成式人工智能使传统作业、论文和报告的真实性更难判断，要提高情境性、个体化、过程性和现场性，通过口头答辩、课堂展示、草稿链、版本记录、实践作品和反思说明来重建评价证据。三是防范认知替代和能力分化风险。人工智能可以降低学习门槛，也可能诱发过度依赖，既可能缩小差距，也可能放大数字鸿沟。四是防范知识产权、科研伦理和成果分配风险。把人工智能使用透明度、模型版本记录、数据来源说明、人工复核责任和伦理审查机制纳入科研流程。

（来源：《中国高等教育》2026年第19期）