杨 波，梁 晟

（贵阳学院 计算机科学学院，贵州 贵阳 550005）

人工智能（AI，Artificial Intelligence）这一名词自1956 年诞生以来，60 年间几经兴衰。自诞生伊始到20 世纪70 年代初，人工智能的研究尚处于“推理期”。这一阶段人们认为“智能的”机器应具备逻辑推理能力，研究工作主要以数理逻辑的表达和推理作为理论基础。数理逻辑体系完备、优雅，但没有出现特别实用的落地应用。1970年代中期以后，人们意识到机器要达到人类所具有的判断、决策能力，需要兼具推理能力和知识，人工智能的研究由此进入“知识期”。这一时期的研究以各类专家系统为代表，在很多应用领域取得了大量成果。但由于缺乏完备的理论根基和所谓“知识工程瓶颈”，经过几年的兴盛后再度没落［1］。人工智能的研究逐渐分化出计算机视觉、自然语言理解、认知推理、机器学习、博弈伦理、机器人学等几个领域［2］。到1980 年代中后期，这些分支都逐渐开始以概率建模和随机计算作为新的理论基石。进入21 世纪，由于互联网时代的海量数据累积和云计算带来的算力提升，机器学习中深度学习方法的潜力得到释放。以Alpha Go 战胜李世石作为标志性事件，激发起人工智能研究和应用的第三次热潮。

尽管学界对由数据驱动的智能系统持谨慎态度，但毋庸置疑，随着产业界推出的各类专用智能系统在不同应用领域的成功落地以及理论和技术的不断创新，人工智能已开始深刻影响到国计民生各方面，已成为各国抢占科技创新制高点、促进产业升级转型、提升社会生产力的关键领域。2017年，国务院发布《新一代人工智能发展规划》［3］，提出中国发展人工智能的“三步走”战略。2018年，教育部印发了《高等学校人工智能创新行动计划》［4］，明确提出“高校成为建设世界主要人工智能创新中心的核心力量和引领新一代人工智能发展的人才高地，为我国跻身创新型国家前列提供科技支撑和人才保障”。在此背景下，地方高校作为为地方经济发展培养人才的主力军，必须要积极思考如何面对人工智能时代带来的挑战，从自身特点出发探索人工智能人才培养的合理模式，更好地为国家和地方经济社会发展服务。

1 环境与形势

科技领域的竞争归根结底是人才的竞争，社会生产力的提升也必须依靠专业人才。根据《2019 人工智能发展报告》［5］，美国在机器学习、知识工程、计算机视觉等13 个人工智能重点领域的人才数量和质量都遥遥领先，欧洲、亚洲人才数量也相对较多。我国人工智能人才数量在大部分领域领跑第二梯队，但与美国相比，在人才数量和结构上都存在一定程度的差异。数量上，我国具有高影响力的顶级学者占比较少，人工智能产业从业人员也只有美国一半左右。人员结构上，我国人工智能界的关注热点和从业人员主要集中在应用层，而在理论层和技术层的人才储备则比较薄弱［6］。

为更好地服务于国家战略和社会经济发展，各高校陆续开始创办人工智能学院/研究院，同时开设人工智能相关专业。至2020 年12 月，全国高校先后设立了近150 所人工智能学院/研究院［7］。学校层次涵盖双一流高校、一般省属公办院校和省属民办本科院校及高职（高专）院校。2019 年9月，全国首批获得人工智能本科专业建设资格的35 所高校陆续开始招收人工智能专业本科学生，其中双一流高校占比近60%［8］。截至2020 年，又有309 所高校新增人工智能本科专业，已基本覆盖各类型层次的高校［9］。还有更多高校开设了与人工智能相关的“智能科学与技术”、“数据科学与大数据技术”和“机器人工程”等专业。

2 地方高校针对人工智能人才培养的应对策略

在各层级高校纷纷投入人工智能研究和人才培养的形势下，地方高校必须顺应趋势，在未来社会中扮演好合适的角色。但顺应趋势并不是盲目跟风一哄而上，应植根于实际，结合自身特点，找准位置，确定合理的目标和发展路径，庶几方能切实有效地为地方科技人才培养服务，真正适应社会需求。

2.1 地方院校的人工智能人才培养定位

地方高校一般是教学型学校，在科研基础、师资力量等方面显然无法与双一流高校相比，因而不太可能考虑培养人工智能领域进行前沿研究的高层次人才。更现实的考量是从地方社会发展与企业需求出发，结合自身实际和特点，为地方企业培养人工智能方向应用型、技能型支撑人才。

作为首批获人工智能本科专业建设资格的地方高校，长春师范大学立足于自身师范院校的特色，根据学校已有的学科和教学平台，面向基础教育培养人工智能师资，为全民智能教育项目的实施提供人才储备［10］。西南民族大学则是从“为少数民族地区培养人才”的办学宗旨出发，结合学校自身在硬件人才培养方面的优势和民族地区的实际应用需求，形成“智能+民族”“软硬结合”“重工程、偏应用”的人工智能人才培养特色，同时将工程教育思想贯穿于人工智能专业各方向的课程体系中［11］。

以上两校的做法为地方院校探索人工智能人才培养提供了有益的参考：充分认识学校自身的定位和能力，根据自身特长和已有优势，结合地方政府和企业需求，培养具有较强实践能力的高素质应用型、技能型人工智能人才。

2.2 建设思路

人工智能研究是模拟和拓展人类智能的理论、方法、技术，并开发相应的应用系统，是涉及计算机科学、数学、电子信息、工程学、认知科学等多领域的一门交叉型学科，具有知识体系庞杂、数理基础要求较高、理论与实践联系紧密、应用场景多样等特征。这就决定了人工智能人才培养体系的建立并不是简单易行的，不可能一蹴而就。高校应在准确定位本校人工智能人才培养目标的前提下，制定清晰可行的路线图，设置阶段性目标任务，逐步推进建设进度。具体到地方普通院校，可以考虑沿以下路径推进：

（1）强化现有计算机类核心基础课程及人工智能相关数学类课程，为人工智能课程或专业的开设作准备。对本校已经开设的计算机类专业的课程进行梳理，加强计算机类核心课程（如操作系统、数据结构、程序设计、数据库等）及人工智能相关课程（数学、逻辑、统计类）的建设。虽然人工智能是一门交叉学科，但计算机科学中的很多课程是其核心基础。筑牢这些课程的知识体系，是学生进入人工智能领域学习的基石。数学类课程则是培养学生针对实际问题进行建模和求解的能力，这是人工智能理论研究和实际应用必不可少的重要技能。

上述准备工作可作为下一步整合相关专业开设人工智能专业的初步尝试和实践。事实上，信息与计算科学专业的课程体系基本综合了以上两类课程，可以其为基础进行相应调整，再适当增加一些人工智能通识或入门类课程，引导学生对人工智能这一领域形成基本的认识。即使本校暂不具备开设人工智能本科专业的条件，也可为学生提供尽可能坚实的学科基础，为其毕业后进入人工智能方向的升学或就业提供助力。

（2）师资力量储备和团队协作。人工智能专业的师资需要在数学、计算机科学等领域有较坚实理论基础，具备较宽泛人工智能专业知识和在人工智能相关领域较深入的研究或开发经验，还需要了解社会需求、具备较丰富的行业从业及工程开发经验。显然，地方院校很难满足这样综合型的师资要求。如何解决？可以从几个不同方向努力。首先，从已有师资中识别具有合适知识结构且有进行人工智能方向教学和研发意向的教师，鼓励他们参与（1）中的准备工作，在计算机相关专业开设人工智能类课程。同时加强这部分教师的对外交流和学习，积累经验，教学相长，成为可胜任人工智能专业基础课程的支撑力量。其次，以优厚条件吸引省内外院校人工智能方向硕、博毕业生，积极展开青年人才引进工作。但在人工智能人才大量短缺的当下，此项工作对于地方院校而言存在较大难度，尚需探索更为有效可行的途径，从实力较强的外校聘请兼职教师也可作为一种可能考虑。第三，与地方IT 企业形成长期、稳定合作关系，增加企业工程师和高校教师间的交流和协作互补，既为高校解决了缺乏实践、开发型师资的问题，也可为企业提供技术支持和人才储备。最后，与在人工智能产业人才培养方面有丰富经验的企业合作，积极探索并形成校企联合人才培养机制。借助企业的经验和教学资源，一方面可避免在课程或专业建设上走弯路，也可助推本校的人工智能师资团队建设。

（3）根据本校的人工智能人才培养目标和培养方向，加强相关学科专业间的联系，建立起跨学科专业的合作机制。这些学科专业既包括与人工智能密切相关的数学、电子信息、自动化等领域，也包括其他与人工智能应用相关的领域，如生物、交通、农业等等。只有相关学科专业间形成合力，才能真正实现具有自身优势和特色的人工智能人才培养目标。

2.3 课程体系改进

南京大学人工智能学院《南京大学人工智能本科专业教育培养体系》给出了人工智能本科人才培养体系的一个规范，涵盖了数学基础课程、学科基础课程、专业方向基础课程及专业选修基础课程四个板块的教学大纲［12］。该体系贯穿了人工智能专业各方向从理论基础、方法技术到应用实践的全过程，为高校开设人工智能专业提供了极为有益的参照。

如周志华教授所言，计算机类专业的课程体系不能满足人工智能本科专业建设的需求［13］。但地方高校并不具备一流高校在科学研究、师资力量等方面的条件，不可能照搬南京大学的课程体系，只能量体裁衣，逐步建立适于本校人工智能人才培养定位的课程体系。

地方院校设立人工智能本科专业的条件尚不成熟，可尝试对计算机类专业的课程体系进行改造并逐步进化，为今后开设人工智能专业进行课程和师资方面的准备工作。在表1 中给出了计算机类专业主要课程的设置建议。

表1 主要课程设置

第一，高等数学、线性代数、离散数学、概率论与数理统计等课程是培养学生对现实问题进行建模、求解和推导能力的重要工具，是人工智能理论研究和实际应用必不可少的数学基础。因此，应适当增加这些数学类课程的学时，同时提升教学深度和考试难度。综观各层级高校人工智能专业的课程体系，第一、二学年的数学基础课通常设置为高等数学/数学分析10 学分，线性代数4 学分，离散数学3～4 学分，概率论与数理统计3～4 学分。基于此，对于面向人工智能的计算机类专业，这些课程的学分数均应不低于以上设置。表1 中将数理逻辑课程作了单列，不仅是因为数理逻辑本身是计算机科学的重要理论基础，更进一步的考虑是，学生通过数理逻辑（特别是命题逻辑和谓词逻辑部分）的学习，能更深入认识和理解证明方法、推理系统、形式化方法等内容。这些内容，对于开发具有认知和推理能力的智能系统都是必须的。如暂不具备单独开设数理逻辑课程的条件，可考虑在离散数学课程中增加12～18 学时，用于加强、拓宽命题逻辑和谓词逻辑部分的学习。

第二，应夯实计算机科学学科的核心基础课程（包括数据结构、计算机组成原理、操作系统、编译原理、数据库原理、计算机网络等）。这些课程是计算机科学的重要核心，牢固掌握这些知识体系是学生进入人工智能领域学习的基石。同时，为强化学生的算法理解和设计能力，在第3 学期完成数据结构课程的学习后，可考虑在第4 学期单独开设算法分析与设计课程，强化学生对于分治、贪心、动态规划等常见算法设计技术的深入理解，以利于后续学习和掌握人工智能方向相关算法。若因学分限制等原因不能增设，可将数据结构课程增扩为数据结构与算法分析，适当增加周学时，在讲述完数据结构及相关经典算法后，再添加对前述内容的介绍。

第三，提升学生代码编写能力，针对程序语言类课程中增加课程设计环节，通过项目化方式加强工程实践。在第1、2 学期分别开设程序设计基础（一）（二），由基础的C 过渡到C++。C 中重点讲述代码基础、程序基本结构、指针运算及内存的使用，C++中重点针对面向对象的思想和方法进行拓广和纵深。在第3、5 学期依次开设Java 和Python 语言程序设计，为后续数据处理与分析类课程做准备。在语言类课程的教学中，学生往往存在“知易行难”问题［14］。要提升学生的代码编写能力，必须适当增加课程的实践学时。表1 中程序语言类课程的周学时设置均大于学分数，即是考虑了充分的实践学时。条件许可的学校，语言类课程可辅以对应的课程设计环节，保证学生学透练熟，具备熟练运用主流语言进行开发的能力。

第四在第5 学期后可增设大数据和人工智能入门类相关课程，如人工智能导论、大数据原理与技术、数据挖掘、机器学习概论、人工神经网络。通过这些课程的学习，让学生对当前数据科学及人工智能领域相关的基本概念和理论、技术平台、研究方向等具备较为全面和基本的认识，理解和掌握主流的数据处理与分析方法及相关的人工智能算法，为其后进入行业参与应用开发奠定基础。

3 结语

在人工智能已进入人类社会各领域并逐渐发挥巨大作用的趋势下，必然需要大量面向不同领域的各类人工智能人才。在医疗、教育、交通、城市管理等热点应用领域，都需要基于产业需求提供最佳的人工智能解决方案。当前，对于人工智能学科基础理论以及与其他学科的交叉应用的理解还不够深入，人工智能人才的培养体系也还处于初级阶段。数据与算力结合的方式基本已很难适应未来的发展，人工智能需要与认知科学深度融合，突破深度学习的限制，建立具有推理机制的智能系统。2021 年10 月，周志华教授在第一届国际学习与推理联合大会的开场主旨报告中就提出人工智能界面临的圣杯挑战是找到一个能够融合机器学习和逻辑推理并使得二者协同工作的统一框架。在这样的趋势下，人工智能行业的入行门槛必然会逐渐提高，对人工智能人才的知识和技能要求也将不断变化和提升。在这一过程中，高等院校的人工智能人才培养应放眼于未来，制订较为长远的人才培养战略。地方高校更应立足当下，不盲目跟风，根据学校自身特点和所在区域经济、科技发展现状，提出切合实际的人工智能人才培养目标，并由此制订有效可行的培养方案，才能提供适用且可扩展的人工智能人才储备，更好地服务社会，推进地方经济建设和科技发展。