人工智能作为引领新一轮科技革命和产业变革的战略性技术，是推动教育科技人才一体发展的关键驱动力。当前，全球科技竞争日趋激烈，必须抢抓人工智能发展重大战略机遇，将人工智能深度融入教育、科技、人才发展各环节各领域，破解体制机制障碍，激活创新发展最大动能[1]。习近平总书记指出：“人工智能带来前所未有发展机遇，也带来前所未遇风险挑战。”深刻把握人工智能发展趋势和规律，充分认识并妥善应对人工智能对教育改革发展带来的机遇挑战，加快推进教育强国建设，是当今教育界必须共同回答好的重要课题。进入21世纪的第三个十年，人工智能(AI)、大语言模型、自主智能体、知识图谱、智能实验室和边缘计算等技术快速扩散，正在改变知识生产、知识传播、学习评价、科研组织和产业转化。与以往教育技术相比，人工智能正在推动高等教育由局部技术应用走向整体性范式重构，它能够生成内容、支持分析、参与反馈并影响评价证据的形成，进而嵌入大学的目标、组织和治理层面，其影响已从“工具使用”逐步转向“系统重构”。

　　高等教育发展史是一部伴随社会经济形态、政治制度、科学技术和知识观念不断重组的范式变迁史。每当旧有体系无法适应新现象、解决新问题、回应新需求时，大学就需要重新定义和重塑自身。每一次变革，都是适应经济发展、技术进步、社会变化的结果。反之，大学范式的转型也在重塑时代精神、推动经济社会发展。按照历史脉络，大学教育范式大致可概括为四种：以博洛尼亚大学为代表的制度化专业教育范式，以柏林洪堡大学为代表的研究大学范式，以威斯康星大学麦迪逊分校为代表的社会服务范式，以及以斯坦福大学为代表的创业教育范式。斯坦福创业教育范式进一步打通大学、产业、资本和政府之间的壁垒。大学不仅培养人才和科学研究，也生产论文、专利、公司、产业网络和全球创新规则。更重要的是，成熟的创业教育并非单纯功利化，而是强调价值驱动和原则性创业，要求学生理解技术扩散所携带的伦理后果、社会责任和治理风险。该范式不仅向社会输出改变世界的技术与公司，更致力于输出具备高度社会责任感和伦理自觉的商业领袖。这一价值底色，正是人工智能时代大学治理的关键参照。

　　需要指出的是，这四种范式并非彼此替代，而是在历史中层层叠加。博洛尼亚范式奠定了大学制度和学位认证体系，洪堡—新人文主义范式确立了研究教学统一、学术自由和人的全面发展理念，威斯康星范式拓展了大学服务社会的功能，斯坦福范式则强化了创新创业和成果转化机制。本文将人工智能驱动下的大学教育新形态概括为“数智共生大学”，这一范式正是在以上历史遗产基础上形成的。

　　人工智能时代高等教育新范式的底层逻辑

　　当前，以生成式人工智能和大模型为代表的技术正在快速演进，模型能力、可用性与场景渗透度持续提升，进而改变知识生产与教育组织的基本条件。人工智能已经日益融入学习、工作和生活场景，人机协同能力正逐渐成为学习适应与未来职业发展的重要能力。这一技术不仅改变工业界的生产关系，更以前所未有的势头向学术界和教育界渗透，推动大学教育全面进入新范式。这一范式超越以往任何一次渐进式的改良，直接触及大学存在的本体论基础，引发了从科研主导权、师生互动模式到人才培养目标的系统性重构。人工智能推动的高等教育新范式具有三个深层逻辑。

　　一是知识生产主体的重组。长期以来，大学被视为前沿知识和技术的源头，产业界更多承担成果转化和应用扩散角色。但在大模型时代，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。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，人工智能驱动的科学研究(AI for Science)正在形成新的研究范式[2]。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。这一新范式与一体推进教育科技人才发展的内在逻辑高度统一。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。这一范式既是一体推进教育科技人才发展在大学落地的组织载体，也是大学核心功能系统重构与办学转型的逻辑起点。

　　人工智能对大学核心功能的系统重构

　　人工智能对大学的影响并非局限于课堂教学，而是涉及知识传播、人才培养、科学研究和社会服务等核心功能。其总体趋势是由标准化、分段式和单向传递，转向个性化、人机协同和持续反馈。以下从四个方面具体分析。

　　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。学生可以借助人工智能获得即时解释、个性化练习、语义检索、写作辅助和多模态学习资源；教师则可以通过学习数据了解学生的知识盲点、思维路径和任务进展。由此，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)。现有分析表明，人工智能辅助学习对部分学习结果和学生参与具有潜在促进作用，但实际效果受到学科、教学方式、介入时间和具体使用情境的影响。人工智能也正在把传统“教师—学生”二元结构拓展为“教师—学生—智能体”三元结构[7]。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，大学课堂有必要减少对标准答案和低阶知识复现的依赖，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。

　　评价方式是上述变化能否真正落实的关键。如果高校仍然主要依赖可由人工智能生成的课后论文、标准化问答和非监考作业，评价结果的真实性和区分度将受到影响。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。课程还应根据教学目标明确区分“允许使用人工智能”“限制使用人工智能”和“禁止使用人工智能”的任务类型，使人工智能使用规则成为课程设计和评价设计的组成部分[8][9]。

　　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。在信息相对稀缺的时代，知识记忆和信息掌握本身具有较高价值；在模型能够即时生成文本、代码、图像和分析结果的条件下，问题定义、证据判断、跨域整合、价值选择和系统实施的重要性进一步上升[10]。大学培养的学生不应只是能够熟练操作某种工具的人，而应能够把知识、数据、模型、制度、场景和团队组织起来，解决复杂现实问题的人。

　　因此，大学不能把人工智能教育简单理解为工具使用培训，而应将人才培养目标由“掌握单项技能”提升为“统筹复杂问题解决全过程”。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

　　2026年5月20日，OpenAI披露，其内部通用推理模型在平面单位距离问题上构造出一组新的例子，推翻了长期以来关于方格构造近乎最优的核心猜想，相关证明经外部数学家核验。这一进展表明，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。当然，人工智能对科研的影响并非单向增益，而是“效率提升—可信性挑战”并存。它既改写了科研的产出节奏，也改写了学术伦理的责任结构。

　　4.社会服务与成果转化机制重构

　　如果把新范式理解为数智共生大学，那么人工智能带来的关键变化是把原本“科研之后再转化”的后置链条，改造成“问题发现—课程任务—实验验证—原型开发—转化反馈”的并行链条。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。

　　这种变化既体现在科研成果产业化方面，也体现在公共政策、智慧城市、精准医疗、智能制造、数字农业、文化传播和继续教育等社会服务领域。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。由此，教学、科研、成果转化和社会服务之间原有的时间差被压缩，大学逐步形成“问题发现—课程参与—科研验证—原型开发—应用反馈”的循环体系。

　　这一逻辑与“三螺旋”理论所揭示的大学、产业和政府协同关系相一致[11]。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

　　人工智能对大学人才培养、知识生产、科研组织和社会服务方式的重构，正推动教学、科研与社会实践由相对分离走向人机协同、跨界融合和持续反馈。世界知识产权组织(WIPO)的《生成式人工智能专利态势报告》显示，生成式人工智能专利族数量从2014年的733件增长到2023年的1.4万件；同期科学出版物从116篇升至34000多篇[12]。更重要的是，在全球生成式人工智能高产出研究机构中，中国科学院、清华大学、斯坦福大学、上海交通大学等科研机构/高校位据前列。这意味着大学不仅在教人工智能，更在很大程度上定义人工智能知识前沿及其专利—论文—产品链条的位置[13]。面对人工智能浪潮，大学最应该做的是加快办学转型。

　　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。不同高校路径差异明显，但成功经验具有共通性：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。

　　清华大学的路径强调校级统筹与学科知识基础设施建设。人工智能学伴、人工智能讲伴、备课助手、学科知识引擎和成长助手等场景，说明人工智能可以从课前备课、课中交互、课后答疑延伸到学生成长支持。其意义在于，专业教学不能直接依赖通用大模型，而需要构建可信的领域知识图谱、学科数据基础和校内应用规范。复旦大学的路径强调课程体系重构。AI-BEST体系把人工智能课程分为基础、核心、进阶和垂域应用，并通过“X+AI”双学位推动交叉培养制度化。这说明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

　　面向人工智能时代，高校应重点推进以下几方面工作。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、算法伦理、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。教师培训不能只教工具操作，而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。教师智能素养应成为高校教师发展、资格认证和教学评价的重要内容。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。对重要教学和科研场景，应优先使用可控、可审计、可溯源的平台。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。大学仍应承担公共服务、基础研究、伦理审查和社会批判职能，这是人工智能时代大学区别于企业培训机构的根本所在。

　　3.人工智能应用的风险防范与治理要求

　　人工智能应用可能带来的风险不容忽视。大学在积极吸纳人工智能带来的效率提升与创新潜能的同时，也要保持理性审视，坚守学术自由、公共责任、人文价值与人的主体性。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。

　　参考文献：

　　[1]丁奎岭.推动人工智能赋能教育科技人才一体化改革[N].学习时报，2025-11-10(1).

　　[2]赵晓伟，王小雨，王艺蓉，等.人工智能赋能高校科学研究范式创新: 价值、风险与进路[J].重庆高教研究，2025(1).

　　[3]荀渊，余芷欣.人工智能驱动科研范式下科研基础设施变革趋势与高校应对策略[J].大学与学科，2026(2).

　　[4]邵博云，沈利华，杨柳.AI4R素养的理论探索及面向研究生的教学实践——以浙江大学图书馆为例[J].大学图书馆学报，2026(3).

　　[5]谈哲敏.AI时代大学教育的范式重构与本质坚守：AI教育悖论破解[J].中国高教研究，2026(5).

　　[6]杨振斌，丁奎岭.高水平研究型大学如何一体推进教育科技人才发展[J].求是，2026(12).

　　[7]SELWYN N.Should robots replace teachers? AI and the future of education[M].Cambridge: Polity Press，2019.

　　[8]BIGGS J，TANG C.Teaching for quality learning at university[M].4th ed.Maidenhead: Open University Press，2011.

　　[9]邢园园，钱玲.美国一流大学应对人工智能教学应用的改革行动与反思[J].开放教育研究，2025(2).

　　[10]郝展欣，马乐天，龙芸，等.人工智能时代高校教师教学创新动因、模式与演化机制探究[J].中国电化教育，2026(7).

　　[11]ETZKOWITZ H，LEYDESDORFF L.The dynamics of innovation: From national systems and "Mode 2" to a Triple Helix of university-industry-government relations[J].Research Policy，2000(2).

　　[12]WORLD INTELLECTUAL PROPERTY ORGANIZATION.Generative artificial intelligence: Patent landscape report[R].Geneva: WIPO，2024.

　　[13]OPENAI.Introducing ChatGPT Edu[EB/OL].(2024-05-30)[2026-07-27].https://openai.com/index/introducing-chatgpt-edu/.

　　[14]Arizona State University. ASU and OpenAI launch innovative collaboration to enhance student success, research and organizational processes[EB/OL]. (2024-01-18)[2026-07-27]. https://news.asu.edu/.

　　[15]GOEL A K，JOYNER D A.Using AI to teach AI: Lessons from an online AI class[J].AI Magazine，2017(2).

　　【作者：中国工程院院士、中南大学校长】

　　(原载2026年第19期《中国高等教育》杂志)