传统教育体系答不了“钱学森之问”，鄂维南院士谈AI时代如何培养领军人才

“如何答好‘钱学森之问’一直备受关注，但我想说，传统的教学体系如果不变革是很难培养出大师的，那些已有的大师很可能都是‘漏网之鱼’，是他们自己想方设法或者无意间绕开了那些会影响他们成长为大师的障碍。”昨天（4月20日），在上海交通大学首届“AI交汇点”学术论坛上，中国科学院院士、上海交通大学人工智能学院讲席教授鄂维南直言不讳的一席话，引得全场掌声雷动。

鄂维南直言，人工智能快速发展的当下，如果还是让学生淹没在壁垒森严的细分学科中，不改变课程老化、学习效率低下的问题，不改变科研与产业脱节的问题，那么很难培养出领军人才，而且“卷”的问题也只会更严重，因为“创新的能力如果受到限制，那就只能比卷了”。

大学困局：受困于评价体系，对实际问题关注不够

在这一轮AI发展中，国内外高校所作的贡献都很有限。鄂维南向在场的所有人提了一个问题：为何大学会在这一轮产业变革中掉队？

“外面热火朝天，高校却风平浪静。”他以今年春节期间DeepSeek带来的一波AI热为例，“那段时间很多AI公司都在争分夺秒地更新技术，有的甚至全员无休；而高校却很平静地过寒假，直到2月中旬开学。如果只靠高校，实现技术跃迁的机会早就‘黄’了。”
究其原因，高校科研受困于评价体系，对实际问题的关注不够——教师忙于“刷论文”“接项目”。“其实，一个团队做十几个项目不如认真把一个项目的每一个环节都打通，其间的逻辑都弄透。”鄂维南说，高校科研要面对实际问题，而不是只关注发文章，当科研工作者长期不关注实际问题，那么研究者对社会需求的敏感度必然下降，研究者的社会责任感也会下降。
除了关注实际问题，学科专业越分越细，也让高校难担重任。他举例道，电池的研发横跨化学、材料、电子工程等领域，目前不可能有哪个专业能系统集成所有研发工作。

AI破局：让科学研究尽量工程化

“AI的发展必然使我们进入‘大科研时代’，必须要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。”鄂维南举例，传统光谱分析依赖经验判断，而AI可实现“智能化、自动化”；科研文献阅读门槛也大大降低，学生用AI工具，5分钟就能摸清一个领域的核心问题。

AI for Science（即AI4S，科学智能）的概念已经深入人心，但是在学界，仍然存在“人工智能究竟是‘科学’还是‘工程’”的争议。鄂维南说：“AI4S的核心就是让科学研究尽量工程化，AI能让科研从作坊模式变成工业化的模式。”

他还提出，基础研究与应用落地之所以脱节，很重要的原因就是“我们不重视工程”。作为数学家出身的他举了个例子，深度神经网络本质是数学工具，本应由数学界主导突破，但至今为止，数学对AI的贡献不大，正是数学科学研究对工程不重视所导致的。

鄂维南透露，他在上海交大人工智能学院将推进“平台科研”模式，即通过整合理论、实验、文献和计算工具，打造类似“安卓系统”的底层科研平台，任何领域的科研问题，都能在这个平台上调用跨学科资源，直接对接产业需求。

重塑教育：从“300学分焦虑”到领军人才培养

“如果按传统课程培养AI人才，可能需要300个学分，更不用说领军人才——这显然不现实，因为大学四年一般的学分是100多个。”鄂维南认为AI领军人才需要三个能力：基本原理思维、工程实践能力、对社会需求的深刻理解能力，而这些都必须通过教育变革才能培养。

他表示，上海交大人工智能学院将开启全新的人才培养范式，用AI打破学科壁垒、用平台整合资源、用新机制激活创新。包括重构数学和物理的基础课程，提供新的文献工具、智能实验室，以及创新评价机制。“不是堆砌知识点，而是培养抽象思维能力和严谨的思维”。

学院将使用自主开发的“学伴”系统，用AI智能体辅助教学。同时，具身智能体教室、智能化实验室等一系列新空间将打造全新学习体验。学院还将作为人才特区，改革评价机制等，充分发挥科研人员的创新能力、挖掘青年学生的创新潜力。