一张网传PPT引发热议:高校AI人才培养,为什么越来越难?
- 2026-09-23 08:55:29
近日，一张题为“人工智能学院面临的困难”的PPT截图在网络流传，引发高校圈和人工智能从业者关注。
截图中列出了几项颇为尖锐的问题：高校在人工智能前沿研究中的位置受到挑战；部分前沿成果并不完全开放；年轻人特别是学生在技术创新中发挥越来越大的作用，传统教育科研体系难以及时适应；人工智能本身也在快速改变人工智能教育和研究的方式。
但这张截图之所以能够引起广泛讨论，是因为它触及了一个高校正在真实面对的问题：
当人工智能以“月”甚至以“周”为单位快速迭代，仍以四年本科培养周期、固定课程体系和传统科研组织方式运行的大学，该如何跟上？
01 · 专业扩张
AI专业快速扩张，培养质量进入检验期
过去几年，人工智能成为高校专业布局最热门的方向之一。
2019年，首批35所高校获批设置人工智能本科专业。此后，开设这一专业的高校迅速增加。
全国高校人工智能与大数据创新联盟、华算人工智能研究院公布的数据显示，2025年其调研范围已经覆盖621所开设人工智能本科专业的普通高校；到2026年，这一数字进一步增至651所。
人工智能本科专业扩张速度
35所
2019年首批获批设置人工智能本科专业高校
621所
2025年相关调研覆盖高校数量
651所
2026年相关调研覆盖高校数量
从最初几十所，到如今数百所高校布局人工智能，短短几年间，AI本科教育已经完成了一轮快速扩张。
但专业数量增加之后，更难的问题随之而来：
师资能不能跟上？
课程能不能及时更新？
学生有没有足够的算力和实践平台？
学校教授的内容，与企业真正使用的技术之间还有多大距离？
最新就业数据已经显现出这种矛盾。
麦可思《2026年中国本科生就业报告》相关数据显示，2025届人工智能专业本科毕业生中，工作与专业相关度约为56%，低于同期本科毕业生整体71%的水平。
更值得关注的是未对口就业的原因。
在选择与专业无关工作的人工智能专业毕业生中，因为“专业工作岗位招聘少”而转向其他工作的比例并不高；相反，有31%表示原因在于自身“达不到专业相关工作的要求”。
毕业生对学校教学的反馈同样值得高校关注。
2025届人工智能专业毕业生相关反馈
56%
工作与专业相关度
31%
未对口就业者中，认为自身“达不到专业相关工作的要求”
54%
认为培养中实习和实践不足
52%
认为课程内容不实用或陈旧
这组数据很难简单归结为“AI专业不好就业”。
恰恰相反，人工智能领域依然存在大量高技能人才需求。麦可思的另一项数据显示，2025届进入AI相关职业的本科毕业生月收入达到8180元，高于同期工学本科毕业生平均水平。
真正出现的问题，是岗位需求和人才供给之间存在明显的能力门槛。
市场需要AI人才，但不意味着所有接受过AI专业教育的学生，都已经具备产业所需要的能力。
02 · 速度差
最大的挑战，或许是大学和产业之间的“速度差”
人工智能人才培养为什么特别容易出现这种错位？
一个重要原因是技术迭代速度。
传统大学专业的培养方案通常需要经过论证、审批，再落实到课程、教材和教师队伍中。一名本科生的完整培养周期则长达四年。
人工智能的技术演进速度远远快于这个周期。
2022年底ChatGPT引发生成式人工智能浪潮，此后大模型、智能体、多模态模型等技术迅速发展。大量今天进入企业生产环境的技术，在几年前制定本科培养方案时甚至还没有成为主流。
这给教师带来了一个过去很多专业没有如此强烈面对的问题：
课程刚刚建设成熟，产业前沿可能已经发生变化。
《中国新闻周刊》此前调查人工智能本科教育时，就记录了高校教师不断调整课程的现象。清华大学计算机系教授刘知远在ChatGPT出现后，很快将自然语言处理课程中的相关内容向大模型方向调整。
浙江大学教授吴飞则提出，人工智能本科教育除了教材体系，还需要持续解决师资、实训环境和培养方式等问题。
这也是AI专业与很多传统专业不同的地方。
数学、物理等基础知识具有相对稳定的知识体系，而人工智能大量应用技术仍在快速演化。
如果高校过度追逐最新工具，课程可能很快过时；
如果只教授基础理论，又可能出现学生进入产业后实践能力不足。
如何在“基础”与“前沿”之间找到平衡，已经成为人工智能人才培养的一道难题。
03 · 知识生产
最前沿的技术，越来越多出现在企业
另一个变化，则发生在知识生产的场所。
过去很长一段时间，大学是基础研究和前沿知识的重要来源，企业更多承担技术应用和产业化角色。
在人工智能领域，这种边界正在改变。
大型模型训练需要海量算力、数据、用户反馈和真实应用场景。这些资源往往集中在大型科技企业。
推荐算法需要真实用户行为数据，自动驾驶需要持续产生的道路测试数据，大模型需要巨大的算力投入和工程系统支持。
这些资源仅靠传统高校实验室并不容易获得。
福耀科技大学校长王树国今年在一次公开论坛中就谈到了这一变化。
他认为，新技术革命背景下，社会与大学之间正在出现一种新的知识交流关系，一些最先进的技术已经出现在企业，高校需要更加主动地与社会和企业对话。
这一判断并不意味着大学在人工智能研究中已经失去价值。
基础理论研究、长周期科研、原创性探索以及系统的人才培养，仍然是大学不可替代的功能。
真正发生变化的是：
高校不再天然拥有所有前沿知识和技术资源。
对于人工智能这样的快速迭代领域，如果大学与产业保持过远距离，人才培养就更容易出现课程与实践脱节。
04 · 师生关系
“学生比老师更前沿”，高校应该怎么看？
网传PPT中另一句引起讨论的话是：“学生比老师更在前沿。”
这当然不能简单理解为学生已经普遍超过教师。
但在人工智能时代，知识传播方式确实发生了变化。
过去，一项专业知识往往先进入科研领域，再进入教材，由教师系统教授给学生。
如今，一个新的大模型、一套新的开发框架或一个新的AI工具发布后，学生可能当天就在GitHub、论文平台和技术社区上开始使用。
教师和学生获取新知识的时间差被大幅缩短。
在一些应用性强、更新速度快的领域，甚至可能出现学生先接触新工具、教师随后将其纳入课程的情况。
这给大学课堂带来的变化，并不是简单的“老师落后了”，而是传统的单向知识传授模式正在改变。
教师的价值越来越不只是告诉学生“最新工具是什么”，还包括帮助学生建立稳定的知识基础、理解技术原理、判断技术边界，并形成持续学习和解决复杂问题的能力。
人工智能时代变化最快的是工具，大学真正需要帮助学生建立的，反而是那些不会随着一个模型版本更新就迅速失效的能力。
05 · 培养改革
AI时代，高校人才培养必须跟着变
从651所高校布局人工智能专业，到毕业生反馈课程和实践仍需改进，高校人工智能教育已经从“有没有这个专业”，进入“能不能把这个专业办好”的阶段。
接下来，至少有几件事情越来越重要。
01 首先是课程更新机制
人工智能专业不能完全按照传统专业几年一次修订培养方案的速度运行。基础课程保持稳定的同时，前沿课程、实践项目和教学案例需要建立更加灵活的更新机制。
02 其次是加强真实场景中的实践
对于人工智能专业而言，仅仅完成课堂实验和课程作业远远不够。高校需要通过联合实验室、企业项目、实习实训等方式，让学生接触真实数据、真实工程系统和真实产业问题。
03 第三是改变师资结构
除了传统学术型教师，高校可以进一步引入具有产业经验的工程师、企业技术人员和“双师型”教师参与培养，缩短课堂与技术一线之间的距离。
更重要的是，人工智能人才培养不能简单追逐热门技术。
数学、计算机基础、算法思维以及解决复杂问题的能力，依然决定着一个学生能够在技术快速变化中走多远。
因此，高校真正需要解决的，并不是如何让课堂每天追赶最新模型，而是如何建立一种能够适应持续变化的人才培养体系。
过去几年，高校回答的是“要不要建设人工智能专业”。
接下来真正需要回答的问题已经变成：
当技术本身比大学课程更新得更快，高校究竟应该怎样培养人工智能时代的人？
这可能比再增加多少个人工智能专业，更值得关注。
来源：综合整理自综合整理自麦可思《2026年中国本科生就业报告》、中国新闻周刊、经济观察报、全国高校人工智能与大数据创新联盟及高校公开资料等。。
声明：本文仅作资讯传播与学习交流之用。如相关内容侵犯您的合法权益，敬请联系我们，我们将及时核实并予以更正或删除。
