本文转自：中国科学报
郑南宁
■郑南宁
当前，人工智能（AI）正以前所未有的深度与广度重塑高等教育。这已成为当代高等教育发展最重要的时代背景。作为大学的根本使命，人才培养必须主动回应这一深刻变革。
在AI技术深度嵌入知识生产与科学研究的今天，基础学科拔尖创新人才培养路径系统性重构，已成为关乎高校核心竞争力与国家未来的关键命题。面对这一时代课题，唯有突破传统思维定式，推动教育范式整体跃迁，才能培育出真正具备未来竞争力的创新力量。
在我看来，在AI时代，基础学科拔尖创新人才培养应坚持并做到“三性一体”。
基于时代挑战的“三性一体”
眼下，AI正在倒逼基础学科人才培养进行深层次逻辑重构，这一变革的深度与广度远超以往任何一次技术革新。在基础学科领域，AI不再只是辅助工具，而是深度参与知识生产全过程的核心要素——从数据获取的精准化、模型构建的智能化到计算效率的跃升、规律发现方式的突破，AI几乎贯穿科学研究的全链条。
当科研范式发生根本性转变时，传统教育模式的弊端也就愈发凸显了。
长期以来，高校普遍采用基础课-专业基础课-专业课的“三段式”教学结构，过度强调知识的系统性传授，却相对忽视知识生成过程的理解与创新能力的培养。在AI能够快速存储、精准计算并高效解析海量知识的背景下，单纯依赖知识记忆与解题训练，已难以构成人才的核心竞争力。
如果教育范式仍停留在原有轨道，人才培养目标势必出现系统性错位。正是基于这一前所未有的挑战，我提出了“三性一体”的教育理念。
所谓“三性一体”，即研究性地教、探究性地学、创新性地做。这并非局部的教学方法调整，而是面向拔尖创新人才培养的整体性教育范式跃迁。
具体而言，“研究性地教”的核心在于教师角色的深度重构。传统教学往往侧重知识结论的传递，而对知识背后的假设、推理路径与边界条件关注不够。在AI时代，教师应以研究者的视角重构教学逻辑——以科学问题为线索组织教学内容，以研究逻辑为脉络设计教学流程，从“结论导向”转向“过程导向”。
简言之，教师的核心价值不再是“教授多少知识”，而是“引向何种方向”。关键在于能否提出高质量问题、构建具有挑战性的认知情境、揭示知识生产的内在逻辑，引导学生由被动接受转向主动探究，在理解知识的基础上学会创造知识。
“探究性地学”则强调学生学习方式的根本转变。基础学科拔尖创新人才的典型特质，在于问题意识强于答案意识、理解动机强于应试动机、对“为什么成立”的关注远胜于“如何计算”。这要求学生摆脱被动听讲的学习模式，持续经历提出问题—构建模型—验证假设—修正认知的完整探究过程。
“创新性地做”主要指向从“理解世界”到“改变世界”的跨越。拔尖创新人才培养的终极目标是使学生具备在未知领域提出新问题、构建新理论、形成新解释的能力。因此，其所“做”必须是真实的。真问题源自国家需求与学科前沿，真数据保障研究的科学性，真不确定性锤炼抗压能力，真失败积累创新经验。
在这一环节，AI的赋能作用尤为突出，一方面能够降低创新的技术门槛，让本科生更早接触前沿课题；另一方面，能抬高创新上限，支持更复杂、更大规模的探索实践。当前，越来越多的高校将真实科学项目与工程实践融入本科生培养体系，正是对“创新性地做”的积极回应。
拔尖创新人才的三维画像
在“三性一体”理念指引下，AI时代基础学科拔尖创新人才应具备清晰的三维画像，同时拥有坚实的共性能力底座。这既是人才培养的目标导向，也是高校制定相关培养规划的核心依据。
在认知层面，拔尖创新人才应具备极强的抽象能力、建模意识与边界敏感性。基础学科的核心价值在于从复杂现象中提炼本质规律，而抽象能力与建模意识是实现这一目标的关键。对假设条件与适用边界的高度敏感，能帮助研究者在探索未知时保持理性判断，避免陷入认知误区——这正是人类智慧区别于AI的核心优势，也是实现原创性突破的重要前提。
在能力结构层面，拔尖创新人才需在人机协同中保持主体性，以自身直觉与创造性驾驭AI，而不是依赖AI。当前，科学突破多发生在学科交叉地带，这要求人才具备跨学科范式迁移能力。同时，科研探索往往在信息不完备、路径不清晰的条件下推进，这要求人才具备在不确定性中持续推进研究的能力。
特别值得一提的是人机协作研究能力——既善于运用AI拓展研究边界，也要具备判断模型合理性、识别AI“伪合理结果”的批判性思维。在AI仍存在“幻觉”问题的现实背景下，这种甄别能力已成为基础学科拔尖创新人才的必备素养。
在精神层面，拔尖创新人才需要具有向未来挑战的勇气、对失败的耐受力以及对科学真理的执着，这是拔尖创新人才的共同气质。科学研究追求理性成果，但探索过程往往需要一种近乎“疯狂”的力量，这既是屡败屡战和百折不挠的坚持，也是抵御功利诱惑的纯粹。要知道，拔尖创新人才从不是通过标准化考试筛选出来的，而是在真实探索中经受失败仍坚守初心而成长起来的。
具体到数学、物理、化学三大基础学科，其拔尖创新人才的核心特质虽各有侧重，但均紧扣上述三维画像。
数学拔尖创新人才需对抽象结构高度敏感，能够在公理体系内进行深度推理，从具体现象中提炼一般性结构与理论。数学并非单纯的逻辑思维训练。其与形象思维、直觉推理密切相关，核心能力体现为公理化思维、结构化理解以及“定理-证明-反例”的敏锐把握。其培养重点在于“结构理解与理论生成”。
物理拔尖创新人才的关键能力不是公式推导的熟练程度，而是从复杂现象中提炼物理模式、构建“物理图像”并判断近似合理性的能力。其核心素养包括模型意识、尺度分析能力以及理论与实践的双向理解能力，培养重点在于“建模能力与物理直觉”。
化学拔尖创新人才的核心不在于对化学反应过程的机械记忆，而是对分子结构与反应机理的深度理解，能够自主设计反应路径并在实验中发现新现象。其能力集中体现在结构-性质-功能关系把握、实验设计与数据验证上。AI构建的虚拟实验室在药物筛选、分子设计等领域的应用，正成为能力培养的重要载体，其培养重点在于“分子层面的理解与实验创新”。
尽管学科特质不同，三大基础学科的拔尖创新人才共享两大共性能力底座。一是计算与数据素养。数据是AI时代的核心要素，对数据科学知识的掌握是开展一切研究的基础，具体包括参数探索、模拟加速、模式发现等能力。二是人机协同能力。其本质在于“驾驭AI”，在充分利用AI工具优势的同时，保持人类特有的创造性与批判性思维。
让培养规划真正落地生根
纵观国外一流大学的拔尖创新人才培养实践，其核心逻辑与“三性一体”理念高度契合。
比如，美国麻省理工学院的“物理与数学”基础课主要围绕个性化问题展开教学，强调假设与边界探究，将AI用于拓展参数空间；美国哈佛大学在“数学与化学”课程中，坚持小班研讨与开放性问题设计，AI仅作为推演验证工具，把判断权交给学生，鼓励其挑战权威；英国牛津大学在本科阶段就推行科研式课题教学，及早将学生推向真实的科研场景，明确AI支持思考但不替代思考。
这些做法的共同之处在于以学生为中心、以问题为导向，充分发挥AI的辅助作用，同时牢牢坚守创新能力培养这一核心目标。
反观我国高校，传统“三段式”教学模式与培养同质化倾向，已成为制约拔尖创新人才培养的主要障碍。一些培养方案换个校名即可通用，缺乏与学校优势、国家需求及学科发展趋势的精准对接，难以形成真正有效的人才培养体系。
要破解这一困境，需要在规划理念、实施机制与评价体系3个层面协同发力。
首先，AI赋能的关键在于教育逻辑重构，而非单纯的技术叠加。若将AI作为传统教学的辅助工具，而不改变知识传授的核心逻辑与评价标准，AI就只能成为提高教学效率的手段，无法从根本上提升人才培养质量。
真正的AI赋能是借助技术，打破传统教育的时空限制与思维定式，系统重构教学模式、课程体系与评价机制，让教育更好地服务于创新能力培养。
其次，拔尖创新人才培养必须将研究环节前移，强化全员参与。让学生尽早进入真实的科研场景，比单纯增加课程难度重要得多。
在传统模式下，大多数学生往往到研究生阶段才接触科研，错失了创新能力培养的关键期。应将科研训练贯穿本科教育全过程，同时推行“系统规划”与“全员规划”理念。通过各职能部门与院系深度协同、师生广泛参与，形成集体共识。如此一来，即使校领导更迭，稳定的中层力量与集体共识也能保障培养方案的延续性与执行力。
最后，课程教学与评价体系必须协同改革。如果仍以标准化考试为主要评价方式，“研究性地教、探究性地学、创新性地做”便难以落地。应建立多元化评价体系，将过程性评价与结果性评价相结合，既关注知识掌握情况，也重视研究能力、创新精神与实践成果。同时，区分常规性教学与战略性培养的实施路径。对于拔尖人才培养这类关乎国家长远发展的战略任务，应设立专项机制、配备独立资源，形成区别于常规教学的制度保障。
（作者系中国工程院院士、西安交通大学原校长广东股票配资网，本报记者陈彬据其在“基础学科拔尖学生培养计划2.0”基地建设工作交流会上的讲话整理）
泓阈资本提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
