010-68332837
全国咨询热线
摘要
全国超 80% 高校已开设 AI 课程，北京 459 门 AI 通识课进入课表，但 "开出来" 和 "上得好" 之间差距很大。内容定位模糊、师资储备不足、"一刀切" 教学，让不少课成了 "水课"。高校怎么做才能让学生真正爱上 AI？
"老师把人工智能的历史从头讲到尾，每个概念都点了，但每个都没讲透。"" 第一堂课就讲神经网络和反向传播，满屏的公式和代码，我直接懵了。" 这是当前高校 AI 通识课上学生最真实的反馈。据不完全统计，全国超过 80% 的高校已开设 AI 相关课程，在北京，459 门 AI 通识课已进入课表。但 "开出来" 和 "上得好" 之间的距离，比想象中大得多。
内容定位模糊是首要问题：AI 通识课到底该教什么？是技术原理、工具使用，还是思维方式？很多高校开设课程时没想清楚，导致课程要么偏技术（文科生听不懂），要么偏科普（理工科学生觉得太浅）；
师资储备不足是核心瓶颈：AI 是快速迭代的领域，但多数高校的 AI 通识课教师并非 AI 专业出身。有教师坦言，"我自己也不是学这个专业的，摸不准学生到底对什么感兴趣。众口难调，学校又要求开，只能边学边教。" 当教师缺乏自信和深度时，学生的学习体验自然大打折扣；
"一刀切" 的教学方式加剧问题：同一门通识课面向所有专业学生，但文科生、理工科生、医学类学生对 AI 的认知基础和应用需求差异巨大。用同一套内容、同一种节奏去教，必然有人觉得太难、有人觉得太浅。
北京航空航天大学的《人工智能导论》提供了一个值得参考的样本。这门课覆盖全校大一新生，年覆盖超 4000 人，学生专业背景和数理基础各不相同。课程组的做法是：
分类定制案例：将学生划分为信息、航天、理科、文科四大类别，保持统一的核心理论框架，但为每个类别定制差异化案例。信息类学生深耕算法优化，航天类学生推演月球车避障逻辑，文科生借助 AI 创作诗词、梳理《红楼梦》人物关系图谱；
分级实验体系：搭建 "基础 — 拓展 — 挑战" 三级实验体系。零基础学生可依托低代码工具，15 分钟完成手写数字识别的基础任务；中等阶段结合专业场景开展拓展实训；高阶挑战任务联动校内科研资源，供学有余力的学生深度钻研；
课堂从 "概念灌输" 转向 "问题驱动"：吴文峻教授在课堂上让学生现场向 AI 提问，通过一个荒诞的回答引出 "大模型幻觉" 的概念，让抽象的技术问题变得可感可知。课后调研显示，"时代感"" 有趣 ""丰富" 成为学生评价这门课的高频关键词。
这类做法揭示了一个核心原则：高校 AI 通识课的质量，不取决于讲了多少技术概念，而取决于学生能不能在自己所学专业的语境中理解和运用 AI。 换句话说，好的 AI 通识课不是 "教 AI 本身"，而是让 AI 成为各专业学生都能理解和运用的工具 —— 这需要从 "以技术为中心" 转向 "以学生为中心"。
需要指出的是，AI 通识课的质量瓶颈，很大程度上不是靠一门课本身能解决的：
教师 AI 素养培训是前置条件：教师如果自己缺乏 AI 应用的切身体验，就很难在课堂上讲出 "活" 的内容。北京邮电大学在全国率先开展覆盖全校教职工的人工智能素养培训，打造 "认知重塑 — 能力训练 — 共研共创" 的分层分类发展体系，2025 年累计培训 41 讲、参训 3448 人次。这种 "先把教师变成 AI 使用者，再让教师去教学生" 的路径，值得更多高校借鉴；
课程需要持续迭代机制：AI 领域迭代极快，课程缺乏动态更新，第一年讲的内容到第二年就过时了。AI 通识课需要建立课程内容的动态更新机制，包括引入行业案例、跟踪工具迭代、收集学生反馈并快速调整。
这篇观察戳破了一个现实：高校 AI 通识课 "开出来" 容易，"上得好" 很难。80% 的高校开了 AI 课程，但很多沦为学生口中的 "水课"，根源不在技术本身，而在内容定位、师资储备和教学方式三个维度 —— 这正是多数人容易忽略的地方。 北航的做法给出了清晰的方向：AI 通识课的核心不是教多少技术概念，而是让学生在自己专业的语境里理解和运用 AI。分类定制案例、分级实验体系、问题驱动课堂，本质都是 "以学生为中心" 的落地。而北邮的教师素养培训更点出一个关键 —— 教师的 AI 使用能力，是通识课上得好的前置条件。 对普通读者来说，这篇的启示不止于教育界。AI 素养从来不是 "会不会用某个工具"，而是能不能在自己所处的领域里理解和运用它。无论是学生、职场人还是管理者，与其焦虑 "要不要学 AI"，不如先想清楚：AI 在我的领域里能解决什么问题？当技术回归到具体场景，它就不再是抽象的 "水课"，而是实实在在的竞争力。
