龚超教授是深圳清华：大学研究院下一代互联网研发中心副研究员、未来基因（北京）人工智能研究院院长。
本文经龚超教授本人授权转载，
来源于“未来基因”公众号。
》》为了方便读者阅读，特将本文制作了思维导图。
![]()
摘要：文章探讨了人工智能在跨学科教育中的作用，区分了“人工智能赋能”和“人工智能跨学科”的概念。文章指出，人工智能赋能主要通过工具提升教学便捷性，而真正的人工智能跨学科教育则要求将人工智能的核心知识深度融入学科内容中，以实现知识的交叉融合。文章进一步提出了有效建设人工智能跨学科课程的建议，包括明确人工智能在学科中的角色、系统梳理人工智能知识点、提升教师人工智能素养，以及设定人工智能应用标准。这些建议旨在通过人工智能思维的应用和技术的整合，帮助学生掌握解决复杂问题的创新能力，为未来智能化社会培养具备多学科素养的高素质人才。
关键词：人工智能跨学科 人工智能赋能学科 人工智能素养
![]()
一、背景
自《新一代人工智能发展规划》颁布以来，人工智能教育在中国基础教育和高等教育体系中逐步推广，得到了高度重视。从小学到大学，各级学校逐步引入人工智能课程，目的在于帮助学生建立对人工智能的基本认知，为未来的智能化社会发展奠定坚实基础。随着人工智能课程的逐步落地，一些中小学也开始探索如何将人工智能知识应用到其他学科中。这种做法使人工智能从单一课程逐步拓展到跨学科应用，初步展现了人工智能在不同学科领域的潜在价值。国家对交叉学科的重视也为人工智能跨学科发展提供了引领和支持。交叉学科的设立，使得人工智能成为多学科问题解决的关键手段之一。在政策的支持下，2024年全国两会首次将“人工智能+”写入政府工作报告，表明了国家对人工智能在各领域跨学科应用的重视。政策的推动使得教育系统推进人工智能跨学科建设的力度进一步增强，鼓励学校、研究机构将人工智能应用纳入教学和科研实践中。此外，2024年诺贝尔物理学奖和化学奖授予了从事人工智能研究的学者，这一学术成就展示了人工智能在科学研究中的突破性贡献。诺贝尔奖对人工智能研究的认可无疑为人工智能跨学科发展注入了更强的动力，也展示了人工智能不仅能在单一学科中获得巨大成就，同时具备推动跨学科知识创新的广阔前景。然而，笔者通过长期的调研发现，目前国内中小学中人工智能跨学科的实施还存在一些误区。一些课程尽管包含了人工智能的元素，但本质上并不是真正的“人工智能跨学科”。二、什么是“人工智能赋能”与“人工智能跨学科”
笔者认同《跨学科主题学习是什么？怎么做？》一书中所说：“如果‘配乐诗朗诵‘仅仅是在语文课上由老师展现，音乐只是一个便于理解诗歌的背景音，不需要学生去分析音乐与诗在音律、内容等方面的匹配度，不需要学生自己去选择诗或配乐，不需要学生去解决一个主题任务——如根据诗歌去配乐并说明其恰切度——这就不是跨学科主题学习，而只是这节语文课的上课方式。在具体论述之前，笔者先对“人工智能赋能”与“人工智能跨学科”做一个定义上的界定：什么是人工智能赋能？人工智能赋能是指将人工智能技术作为辅助工具，用于提升学科教学的便捷性和效率，增强教育资源的生成和分配能力。赋能过程主要体现在人工智能作为服务性工具的应用，如个性化学习推荐、自动化批改和资源生成等功能，旨在优化教学过程，而非对学科知识体系进行深层次的改造和融合。什么是人工智能跨学科？人工智能跨学科是指将人工智能的核心知识、算法和方法论深度融合于不同学科的内容和研究中，通过多学科交叉的视角与方法解决复杂问题，创造新的知识点和认知视角。这种融合不仅要求学生理解人工智能的工具性，还要求他们在应用过程中掌握人工智能的原理和逻辑，使人工智能成为多学科知识体系中的关键构成部分。许多教育者在实践中往往容易将人工智能的“赋能”误当成了“跨学科”，实际上这是对人工智能跨学科本质的一种误解。赋能和跨学科虽都涉及人工智能在教育中的应用，但它们的目标、深度和教育效果大不相同，简单地将工具使用等同于跨学科会导致教育效果的偏差，甚至会削弱跨学科课程的真正价值。人工智能技术，尤其是生成式人工智能等技术，确实在课程中带来了极大便捷性，例如通过内容生成和个性化学习材料提升资源配置和教学效率。然而，将“赋能”误认为“跨学科”是一个常见误区。如果人工智能仅作为工具，虽然能辅助教学过程，却无法在知识层面对学科内容产生深层次的融合。例如，在语文课上使用生成式人工智能设计阅读材料或在数学课上利用人工智能计算参数，这类应用解决了教学效率问题，但未改变学科内容和知识体系的构造。因此，赋能与跨学科的核心区别在于知识融合的深度与创新性。真正的人工智能跨学科不仅要让学生会用人工智能工具，还要让学生理解和应用人工智能的核心原理，将其与学科知识深度结合。例如，在跨学科课程中，学生不仅要使用人工智能完成任务，还要在任务中掌握人工智能算法的逻辑和应用的适用性，将其融入问题解决中。这样，学生可以理解人工智能技术在实际情境中的应用逻辑和学科价值，从而真正掌握跨学科所需的知识和技能。混淆赋能与跨学科的后果在于，学生在课程中只能体验到人工智能工具的表面功能，而无法理解和掌握人工智能与学科的知识交叉。这种“伪跨学科”容易让学生误以为人工智能的价值仅在于提高学习效率，而忽视了人工智能作为知识体系如何参与到多学科知识的生成和创新中。这不仅影响了学生对人工智能的深入理解，也限制了教育目标在培养学生跨学科问题解决能力上的实现。在真正的人工智能跨学科课程建设中，课程核心在于让学生通过人工智能的思维方式和核心技术来理解和解决现实问题。因此，在人工智能跨学科建设中，要实现人工智能与学科知识的真正融合，必须深入引入人工智能的核心知识，如逻辑推理、搜索算法、知识图谱、机器学习、深度学习、强化学习等，并将这些技术与学科内容有机结合。以下是一些围绕人工智能核心知识的跨学科建设策略的初步思考：在人工智能跨学科课程中，知识的深度融合需要引入人工智能的核心技术和思维方式，将其与学科的基本概念结合起来。例如，在地理课程中引入人工智能的模式识别方法，学生可以通过对地理数据进行识别分析，观察不同地区的气候变化趋势，并理解数据在人工智能算法中如何被分解、提取和应用。这种结合让学生既理解了地理知识，又掌握了人工智能在数据分析中的逻辑，从而形成多学科的交叉理解。又例如，在数学和科学课程中应用逻辑推理和搜索算法，学生不仅仅是完成计算，更是通过人工智能算法的分步分析和逻辑推导去理解复杂问题的解决方式。比如在生物学课程中，学生可以学习如何使用搜索算法进行基因序列比对，掌握人工智能如何在大量数据中高效寻找最优解或相关项。这种跨学科应用帮助学生从学科知识出发，形成对人工智能算法思维的理解，从而在多学科任务中使用人工智能的解决路径来推进问题的解答。2. 任务驱动的跨学科项目：将人工智能核心技术应用于实际问题任务驱动是跨学科建设的核心，旨在通过实际问题的解决来引导学生将人工智能的技术与学科知识综合运用。在这些项目中，不仅要让学生应用人工智能的工具，还要引导他们将人工智能的机器学习、深度学习和强化学习技术带入跨学科实践中。例如，在环境科学的项目中，学生可以通过构建机器学习模型来预测空气污染的变化趋势，或者应用深度学习技术分析图像数据，检测水资源的污染情况。这样的项目设计让学生在现实情境中将人工智能技术与科学原理结合，通过多学科的视角理解人工智能对科学探究的促进作用。再如，在社会学和数据科学结合的项目中，学生可以利用强化学习的思维方式设计自适应的社会模拟模型，观察不同政策的实施对群体行为的影响。任务驱动的探索让学生通过人工智能的算法设计和自适应模型的优化，认识到人工智能如何在动态问题中不断迭代，从而培养他们在多学科任务中的系统性和探索性。通过这种任务驱动的设计，学生不但掌握了人工智能技术的应用方式，更能够在学科项目中思考人工智能的决策逻辑和问题解决路径，从而实现真正的知识融合。3. 建立人工智能思维：从基础知识到问题求解的多步逻辑要在跨学科中真正运用人工智能思维，课程设计需引导学生逐步形成人工智能的系统性思维，尤其是通过问题分解、模式识别、算法设计、数据驱动等方式，使其能够将复杂问题拆分并进行科学求解。例如，在地理和环境科学的跨学科项目中，学生可以学习搜索算法来优化路径规划，用人工智能的模式识别来分析气候数据中的变化趋势。这些人工智能思维方式不只是为了处理数据，更是为了让学生在人工智能框架内形成结构化的解决思路。在此过程中，引导学生从数据处理的思维方法出发，理解人工智能是如何在多步分析和逻辑推理下得出结论。例如，通过逻辑推理和决策树算法，学生可以在社会科学项目中分析某一现象的原因和结果，提出具有科学依据的解释和预测。这种思维训练有助于学生在其他学科中以人工智能逻辑来解构和分析问题。4. 深度应用人工智能知识：从算法构建到自适应系统的设计在跨学科项目中，仅使用人工智能工具生成内容是不够的。要实现人工智能思维的跨学科应用，课程应鼓励学生从基础算法构建到系统设计的全流程参与。以物理或化学为例，学生可以通过强化学习构建模拟系统，使其自适应地寻找最优解，比如在物理项目中模拟粒子运动或在化学项目中进行分子结构优化。学生在这个过程中不仅要了解强化学习的算法原理，还要应用人工智能自适应系统的设计思维去解决问题。例如，在经济学与人工智能的跨学科项目中，学生可以用机器学习模型分析历史数据，预测市场变化趋势。然后，结合博弈论来研究不同经济决策的潜在影响，这种设计思路培养了学生从模型训练到预测验证的完整人工智能应用能力，帮助他们在学科知识的基础上生成新的认知视角。通过人工智能的自适应设计和优化算法，学生能够在动态复杂的环境中找到创新性的解答路径，而非仅依赖于传统的学科方法。5. 创造人工智能驱动的跨学科学习场景，鼓励学生提出问题并构建人工智能解决方案跨学科课程应注重设计人工智能驱动的学习场景，让学生在其中提出问题并设计相应的人工智能解决方案。这一过程需要学生从问题出发，结合多学科知识来构建人工智能模型，探索人工智能在实际应用中的挑战和潜力。例如，在一个社会学和计算机科学的跨学科任务中，学生可以通过知识图谱构建社会网络模型，探索人际关系和传播模式；再通过自然语言处理技术分析社交媒体的文本数据，得出关于群体行为的洞察。这种人工智能驱动的场景使学生亲身体验如何通过人工智能思维提取复杂数据中的知识和规律，形成人工智能思维的闭环。在此场景中，学生必须自己提出问题、收集数据、构建模型，并根据人工智能分析的结果调整方案。这不仅帮助学生熟悉人工智能模型的搭建和应用，还让他们在跨学科的实际应用中领会到人工智能方法对问题的解决价值。这样的项目会让学生充分理解人工智能思维如何在学科融合中发挥作用，并赋予他们独立设计解决方案的创造性。人工智能跨学科的建设要让学生在多个学科的知识交叉中掌握人工智能思维，真正实现从数据分析、模型构建到算法设计的全流程学习。通过引导学生在复杂问题解决中应用逻辑推理、搜索算法、机器学习、自适应系统设计等核心人工智能知识和思维方式，跨学科课程不仅提升了学生的综合能力，也使人工智能在多学科知识融合中的核心价值得以体现。这样，学生不只是使用人工智能工具，而是在深入理解和应用人工智能逻辑的过程中，获得了解决复杂问题的创新能力。人工智能跨学科的有效建设需要从几个关键方面入手，明确人工智能在学科中的具体作用、梳理跨学科教学中的人工智能知识点，以及提升教师的人工智能素养。以下是针对这些方面的建议：人工智能在跨学科教学中的作用不仅是工具层面的赋能，更在于通过算法思维、数据处理、模式识别和问题建模等方式，为学科教学带来新的方法和思路。因此，课程设计者和教师在进行跨学科建设时，应明确人工智能的功能不只是完成单项任务，而是推动学生以人工智能的方式理解问题和创造解决方案。建议：在每个跨学科项目中，设定人工智能在任务中的具体作用，例如通过知识图谱关联历史事件，或利用强化学习优化生态模拟。这种设定让学生明确人工智能是如何作为“知识桥梁”贯穿于学科任务中的，并帮助教师在设计课程时清晰定位人工智能的角色。2. 梳理跨学科课程中的人工智能知识点，确保教学内容的清晰性和目标性在跨学科课程中，梳理清楚每节课涉及的人工智能知识点是至关重要的。学生需要清晰知道在每个任务中将学习到哪些人工智能知识，如逻辑推理、机器学习、深度学习等。这不仅帮助学生理解人工智能的技术原理，也让他们在具体学科任务中能识别人工智能的实际应用。建议：在课程设计时，建立一个知识点清单，清晰列出课程涉及的人工智能概念和技术。每节课围绕特定人工智能知识点展开教学，例如，在生态学中引入模式识别帮助理解生物多样性，或在经济学中利用强化学习探索决策的动态影响。这种清单能确保人工智能知识点在学科融合中得到系统性呈现，使学生在实践中掌握人工智能思维。3. 提升教师的人工智能核心素养，支持跨学科教学的高效实施教师的人工智能素养是实现人工智能跨学科教学的关键。若教师不熟悉人工智能的核心知识、算法和思维方式，就难以正确设计和有效实施跨学科项目。因此，需要通过培训和资源支持，帮助教师掌握人工智能技术的基础和应用。建议：为教师提供分层次的人工智能培训，尤其在机器学习、数据分析、知识图谱、逻辑推理等方面，帮助教师构建基本的人工智能思维。培训内容应包括人工智能的技术原理和教学应用场景，使教师既能在技术上理解人工智能，也能在课程设计中灵活使用。可以通过线上课程、实操练习、案例学习等多种方式，让教师在应用中巩固人工智能素养。4. 为跨学科项目设置人工智能应用标准，促进实践中人工智能与学科知识的深度融合每个跨学科项目的人工智能应用应有具体的标准，确保学生通过课程能将人工智能知识深度融入学科任务。例如，针对项目的人工智能应用效果、学生的理解深度以及问题解决的创新性设立评估标准，让学生在多学科背景下学会灵活运用人工智能知识。建议：在课程标准中增加对人工智能应用效果的要求，评价学生如何通过人工智能模型、数据分析等方式解决学科任务。例如，在地理项目中，评估学生是否能通过人工智能的模式识别技术分析地理数据或利用强化学习设计自适应决策模型。这类标准有助于在教学中巩固人工智能与学科知识的融合效果，也帮助学生在综合运用中更好地掌握跨学科解决问题的技能。总之，真正的人工智能跨学科建设，需超越工具赋能，深入挖掘人工智能技术在不同学科知识体系中的交互潜力。通过人工智能的逻辑推理、算法思维和数据驱动模型，学生在跨学科项目中不仅能学会用人工智能解决问题，更能掌握其中的科学逻辑，促进创新思维的成长。未来的教育建设中，人工智能跨学科课程将成为培养学生复合型素养的重要途径，建设和实施真正的人工智能跨学科课程，将为智能化社会的多学科需求储备更多高素质人才。![]()
理念作帆，实践为本！
AI agents are set to revolutionizezeducation
by offering tailored learning experiences.
They will adapt teaching methods to
each student's interests and learning styles,
enhancing both teaching
and learning processes.
人工智能体将通过
提供量身定制的学习体验来彻底改变教育。
它们将调整教学方法
以适应每个学生的兴趣和学习风格
从而增强教学和学习过程。
