传统教育体系无法回答“钱学森之间”，鄂维南教授谈到如何培养AI时代的领军人才。

“如何回答‘钱学森之间’一直备受关注，但我想说，如果传统的教学体系不改变，就很难培养出大师，现有的大师很可能都是‘漏网之鱼’，这是他们想尽办法或不经意间绕过那些会影响他们成长为大师的问题。"昨日（4 月 20 日)，首届上海交通大学" AI 在交汇处的“学术论坛”上，中国科学院教授、上海交通大学人工智能学院教授鄂维南直言不讳的讲座引起了整个掌声。

鄂维南直言，随着人工智能的快速发展，如果学生淹没在壁垒森严的细分学科中，不改变课程老化、学习效率低下、科研与行业脱节的问题，很难培养出领先人才，“卷”的问题只会更加严重，因为“创新能力受到限制，只能比卷”。

大学困境：受困于评价体系，对实际问题不够重视。

在这一轮 AI 在发展过程中，国内外高校的贡献非常有限。鄂维南向在场的所有人提出了一个问题:为什么大学会在这一轮产业变革中落后？

“外面如火如荼，大学却风平浪静。”并且在今年春节期间 DeepSeek 带来的一波 AI 热为例，"那段时间有很多日子。 AI 企业都在争分夺秒地更新技术，有的甚至全员不休；而且大学却非常平静地度假，直到 2 月中开学。假如只靠大学，实现技术跃迁的机会早就‘黄’了。”

归根结底，高校科研受困于评价体系，对实际问题关注不够——教师忙于“刷论文”、“接项目”。”“事实上，一个团队做十几个项目比认真地把一个项目的每一个环节都打通，同时也能理解其中的想法。“鄂维南说，高校的科研应该面临实际问题，而不仅仅是发表文章。当研究人员长期不关注实际问题时，研究人员对社会需求的敏感度必然会降低，研究人员的社会责任感也会降低。

除了关注实际问题，学科和专业越来越密集，这也让大学很难承担重任。比如电池研发横跨化学、材料、电子工程等领域。目前，任何专业都不可能系统地整合所有的研发工作。

AI 破局：让科学研究尽可能工程化

" AI 随着我们的发展，我们必须进入“大科研时代”，打破学科之间的界限、理论与实验之间的界限、科研与产业之间的界限。比如鄂维南，传统的光谱分析靠经验来判断， AI 可以实现“智能化、自动化”；研究文献的阅读门槛也大大降低，学生使用 AI 工具，5 一个领域的核心问题可以在几分钟内被理解。

AI for Science（即 AI4S，科学智能的概念已经深入人心，但在学术界，仍然存在“人工智能是‘科学’还是‘工程’”的争议。鄂维南说: AI4S 其核心是使科学研究尽可能工程化，AI 可以使科学研究从作坊方式转变为工业化方式。”

他还提出，基础研究与应用脱节的重要原因是“我们不重视工程”。作为一名数学家，他举了一个例子。深度神经网络的本质是一种数学工具，应该由数学领域主导，但到目前为止，数学是对的。 AI 由于数学科学研究对项目的重视程度不高，所以贡献不大。

鄂维南透露，他将通过整合理论、实验、文献和计算工具，在上海交通大学人工智能学院推广“平台科研”模式，打造类似“安卓系统”的底层科研平台。任何领域的科研问题都可以在这个平台上调用跨学科资源，直接满足行业需求。

重塑教育：“从” 300 学分焦虑“培养领军人才”

“如果按照传统课程进行培训 AI 天赋，也许需要 300 一个学分，更不用说领军人才了——这显然是不现实的，因为大学四年的普通学分是 100 多个。”鄂维南觉得 AI 领导者需要三种能力:基本原理思维、工程实践技能和对社会需求的深刻理解能力，这些都需要通过教育改革来培养。

他指出，上海交通大学人工智能学院将开启全新的人才培养范式，运用 AI 打破学科堡垒，利用平台整合资源，利用新机制激活创新。提供新的文献工具、智能实验室和创新评价体系，包括重构数学和物理的基础课程。“培养抽象思维能力和严谨思维不是积累知识点”。

学院将采用自主开发的“学伴”系统， AI 智能体辅助教学。同时，智能体教室、智能实验室等一系列新领域将创造全新的学习体验。学校还将充分发挥科研人员的创新能力，探索青年学生作为人才特区、改革评价体系等的创新潜力。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com