人工智能時代，基礎學科拔尖創新人才培養應“三性一體”

　　當前，人工智能（AI）正以前所未有的深度與廣度重塑高等教育。這已成為當代高等教育發展最重要的時代背景。作為大學的根本使命，人才培養必須主動回應這一深刻變革。

　　在AI技術深度嵌入知識生產與科學研究的今天，基礎學科拔尖創新人才培養路徑系統性重構，已成為關乎高校核心競爭力與國家未來的關鍵命題。面對這一時代課題，唯有突破傳統思維定式，推動教育范式整體躍遷，才能培育出真正具備未來競爭力的創新力量。

　　在我看來，在AI時代，基礎學科拔尖創新人才培養應堅持并做到“三性一體”。

　　基于時代挑戰的“三性一體”

　　眼下，AI正在倒逼基礎學科人才培養進行深層次邏輯重構，這一變革的深度與廣度遠超以往任何一次技術革新。在基礎學科領域，AI不再只是輔助工具，而是深度參與知識生產全過程的核心要素——從數據獲取的精準化、模型構建的智能化到計算效率的躍升、規律發現方式的突破，AI幾乎貫穿科學研究的全鏈條。

　　當科研范式發生根本性轉變時，傳統教育模式的弊端也就愈發凸顯了。

　　長期以來，高校普遍采用基礎課-專業基礎課-專業課的“三段式”教學結構，過度強調知識的系統性傳授，卻相對忽視知識生成過程的理解與創新能力的培養。在AI能夠快速存儲、精準計算并高效解析海量知識的背景下，單純依賴知識記憶與解題訓練，已難以構成人才的核心競爭力。

　　如果教育范式仍停留在原有軌道，人才培養目標勢必出現系統性錯位。正是基于這一前所未有的挑戰，我提出了“三性一體”的教育理念。

　　所謂“三性一體”，即研究性地教、探究性地學、創新性地做。這并非局部的教學方法調整，而是面向拔尖創新人才培養的整體性教育范式躍遷。

　　具體而言，“研究性地教”的核心在于教師角色的深度重構。傳統教學往往側重知識結論的傳遞，而對知識背后的假設、推理路徑與邊界條件關注不夠。在AI時代，教師應以研究者的視角重構教學邏輯——以科學問題為線索組織教學內容，以研究邏輯為脈絡設計教學流程，從“結論導向”轉向“過程導向”。

　　簡言之，教師的核心價值不再是“教授多少知識”，而是“引向何種方向”。關鍵在于能否提出高質量問題、構建具有挑戰性的認知情境、揭示知識生產的內在邏輯，引導學生由被動接受轉向主動探究，在理解知識的基礎上學會創造知識。

　　“探究性地學”則強調學生學習方式的根本轉變。基礎學科拔尖創新人才的典型特質，在于問題意識強于答案意識、理解動機強于應試動機、對“為什么成立”的關注遠勝于“如何計算”。這要求學生擺脫被動聽講的學習模式，持續經歷提出問題—構建模型—驗證假設—修正認知的完整探究過程。

　　“創新性地做”主要指向從“理解世界”到“改變世界”的跨越。拔尖創新人才培養的終極目標是使學生具備在未知領域提出新問題、構建新理論、形成新解釋的能力。因此，其所“做”必須是真實的。真問題源自國家需求與學科前沿，真數據保障研究的科學性，真不確定性錘煉抗壓能力，真失敗積累創新經驗。

　　在這一環節，AI的賦能作用尤為突出，一方面能夠降低創新的技術門檻，讓本科生更早接觸前沿課題；另一方面，能抬高創新上限，支持更復雜、更大規模的探索實踐。當前，越來越多的高校將真實科學項目與工程實踐融入本科生培養體系，正是對“創新性地做”的積極回應。

　　拔尖創新人才的三維畫像

　　在“三性一體”理念指引下，AI時代基礎學科拔尖創新人才應具備清晰的三維畫像，同時擁有堅實的共性能力底座。這既是人才培養的目標導向，也是高校制定相關培養規劃的核心依據。

　　在認知層面，拔尖創新人才應具備極強的抽象能力、建模意識與邊界敏感性。基礎學科的核心價值在于從復雜現象中提煉本質規律，而抽象能力與建模意識是實現這一目標的關鍵。對假設條件與適用邊界的高度敏感，能幫助研究者在探索未知時保持理性判斷，避免陷入認知誤區——這正是人類智慧區別于AI的核心優勢，也是實現原創性突破的重要前提。

　　在能力結構層面，拔尖創新人才需在人機協同中保持主體性，以自身直覺與創造性駕馭AI，而不是依賴AI。當前，科學突破多發生在學科交叉地帶，這要求人才具備跨學科范式遷移能力。同時，科研探索往往在信息不完備、路徑不清晰的條件下推進，這要求人才具備在不確定性中持續推進研究的能力。

　　特別值得一提的是人機協作研究能力——既善于運用AI拓展研究邊界，也要具備判斷模型合理性、識別AI“偽合理結果”的批判性思維。在AI仍存在“幻覺”問題的現實背景下，這種甄別能力已成為基礎學科拔尖創新人才的必備素養。

　　在精神層面，拔尖創新人才需要具有向未來挑戰的勇氣、對失敗的耐受力以及對科學真理的執著，這是拔尖創新人才的共同氣質。科學研究追求理性成果，但探索過程往往需要一種近乎“瘋狂”的力量，這既是屢敗屢戰和百折不撓的堅持，也是抵御功利誘惑的純粹。要知道，拔尖創新人才從不是通過標準化考試篩選出來的，而是在真實探索中經受失敗仍堅守初心而成長起來的。

　　具體到數學、物理、化學三大基礎學科，其拔尖創新人才的核心特質雖各有側重，但均緊扣上述三維畫像。

　　數學拔尖創新人才需對抽象結構高度敏感，能夠在公理體系內進行深度推理，從具體現象中提煉一般性結構與理論。數學并非單純的邏輯思維訓練。其與形象思維、直覺推理密切相關，核心能力體現為公理化思維、結構化理解以及“定理-證明-反例”的敏銳把握。其培養重點在于“結構理解與理論生成”。

　　物理拔尖創新人才的關鍵能力不是公式推導的熟練程度，而是從復雜現象中提煉物理模式、構建“物理圖像”并判斷近似合理性的能力。其核心素養包括模型意識、尺度分析能力以及理論與實踐的雙向理解能力，培養重點在于“建模能力與物理直覺”。

　　化學拔尖創新人才的核心不在于對化學反應過程的機械記憶，而是對分子結構與反應機理的深度理解，能夠自主設計反應路徑并在實驗中發現新現象。其能力集中體現在結構-性質-功能關系把握、實驗設計與數據驗證上。AI構建的虛擬實驗室在藥物篩選、分子設計等領域的應用，正成為能力培養的重要載體，其培養重點在于“分子層面的理解與實驗創新”。

　　盡管學科特質不同，三大基礎學科的拔尖創新人才共享兩大共性能力底座。一是計算與數據素養。數據是AI時代的核心要素，對數據科學知識的掌握是開展一切研究的基礎，具體包括參數探索、模擬加速、模式發現等能力。二是人機協同能力。其本質在于“駕馭AI”，在充分利用AI工具優勢的同時，保持人類特有的創造性與批判性思維。

　　讓培養規劃真正落地生根

　　縱觀國外一流大學的拔尖創新人才培養實踐，其核心邏輯與“三性一體”理念高度契合。

　　比如，美國麻省理工學院的“物理與數學”基礎課主要圍繞個性化問題展開教學，強調假設與邊界探究，將AI用于拓展參數空間；美國哈佛大學在“數學與化學”課程中，堅持小班研討與開放性問題設計，AI僅作為推演驗證工具，把判斷權交給學生，鼓勵其挑戰權威；英國牛津大學在本科階段就推行科研式課題教學，及早將學生推向真實的科研場景，明確AI支持思考但不替代思考。

　　這些做法的共同之處在于以學生為中心、以問題為導向，充分發揮AI的輔助作用，同時牢牢堅守創新能力培養這一核心目標。

　　反觀我國高校，傳統“三段式”教學模式與培養同質化傾向，已成為制約拔尖創新人才培養的主要障礙。一些培養方案換個校名即可通用，缺乏與學校優勢、國家需求及學科發展趨勢的精準對接，難以形成真正有效的人才培養體系。

　　要破解這一困境，需要在規劃理念、實施機制與評價體系3個層面協同發力。

　　首先，AI賦能的關鍵在于教育邏輯重構，而非單純的技術疊加。若將AI作為傳統教學的輔助工具，而不改變知識傳授的核心邏輯與評價標準，AI就只能成為提高教學效率的手段，無法從根本上提升人才培養質量。

　　真正的AI賦能是借助技術，打破傳統教育的時空限制與思維定式，系統重構教學模式、課程體系與評價機制，讓教育更好地服務于創新能力培養。

　　其次，拔尖創新人才培養必須將研究環節前移，強化全員參與。讓學生盡早進入真實的科研場景，比單純增加課程難度重要得多。

　　在傳統模式下，大多數學生往往到研究生階段才接觸科研，錯失了創新能力培養的關鍵期。應將科研訓練貫穿本科教育全過程，同時推行“系統規劃”與“全員規劃”理念。通過各職能部門與院系深度協同、師生廣泛參與，形成集體共識。如此一來，即使校領導更迭，穩定的中層力量與集體共識也能保障培養方案的延續性與執行力。

　　最后，課程教學與評價體系必須協同改革。如果仍以標準化考試為主要評價方式，“研究性地教、探究性地學、創新性地做”便難以落地。應建立多元化評價體系，將過程性評價與結果性評價相結合，既關注知識掌握情況，也重視研究能力、創新精神與實踐成果。同時，區分常規性教學與戰略性培養的實施路徑。對于拔尖人才培養這類關乎國家長遠發展的戰略任務，應設立專項機制、配備獨立資源，形成區別于常規教學的制度保障。

　　（作者系中國工程院院士、西安交通大學原校長，本報記者陳彬據其在“基礎學科拔尖學生培養計劃2.0”基地建設工作交流會上的講話整理）