人工智能学院与计算机学院：学科关系与专业布局的探讨

首页 > 最新动态 > 人工智能学院与计算机学院：学科关系与专业布局的探讨 | CCCF精选

最新动态

人工智能学院与计算机学院：学科关系与专业布局的探讨 | CCCF精选

2026-01-2117

本文描述了人工智能的含义、组成，并试图厘清与计算机学科及专业的关系，提出人工智能学院与计算机学院学科、专业发展的一些建议，期望为后续相关研究提供参考。

引言

2025年8月26日国务院发布的《关于深入实施“人工智能+”行动的意见》中明确提出：深入实施“人工智能+”行动，推动人工智能(artificial intelligence, AI)与经济社会各行业各领域广泛深度融合，重塑人类生产生活范式，促进生产力革命性跃迁和生产关系深层次变革，加快形成人机协同、跨界融合、共创分享的智能经济和智能社会新形态。

20世纪中叶以来，对人工智能的研究一直存在两种范式：一种是受逻辑学与心理学启发的范式。该思路认为智能的本质是推理，研究的重点是用符号表达与符号规则实现推理，基础的理念是“物理符号系统假设”，奠基人是赫伯特·亚历山大·西蒙(Herbert Alexander Simon)和詹姆斯·麦卡锡(James McCarthy)等。另一种是受生物学与大脑神经机制启发的范式。此思路主张智能的本质是学习，研究的重点是学习人类神经网络连接的模式和机理，基础的理念是通过基于统计推理的机器学习，可以实现人脑的大部分功能，奠基人是杰弗里·辛顿(Geoffrey Hinton)等。

随着第三波人工智能浪潮来袭，各类研究证明，基于统计推理的机器学习是发展人工智能不可忽视的方向。2024年诺贝尔物理学奖获得者辛顿的本科专业是实验心理学，同年因研制出AlphaFold模型而获得诺贝尔化学奖的戴密斯·哈萨比斯(Demmis Hassabis)的博士学位专业是神经科学，这些人工智能大师都是跨学科的学者，从人才培养的角度看，人工智能也不仅仅是计算机学科的一个分支。

机器学习大模型的突破性进展，标志着计算技术正在经历从确定性计算到概率性计算的范式转换。大语言模型(large language models, LLMs)基于大规模的数据和参数，打破了传统程序设计的确定性框架，构建起“预训练+微调”的全新计算范式。上万亿参数构成的认知模型，展现出令人震撼的泛化能力。自注意力机制如同数字世界的量子纠缠，在参数空间中建立起复杂的关联网络，使机器首次展现出对语义的深度理解能力。机器学习确实拓展了计算的边界，使得许多过去难以形式化的问题可以通过数据学习的方式进行近似计算（非确定性概率计算）。

为适应国家和行业对人工智能发展的强烈需求，2017年起国内许多高校纷纷设置人工智能学院、学科和专业，有的高校基于计算机学科团队成立人工智能学院，有的高校基于自动化学科团队进行人工智能学科建设，有的高校基于多个学科团队进行人工智能专业建设。从实际运行情况看，人工智能与计算机学院、学科及专业的边界仍不够明晰。

人工智能的含义及组成

人工智能的含义可以从以下3个维度进行理解。

狭义定义

人工智能也称为机器智能，是通过模拟生物智能（主要是人类智能）的大脑智能活动，深入探索智能本质，研究如何制造智能机器和系统的科学与工程。它是一门包含计算机、控制论、神经生理学、心理学、语言学的应用交叉学科，研发智能处理的模型、算法、工具和平台。它不仅是简单的机器智能，还是对人类的思维、意识、情感和世界观的模拟，可分为强人工智能和弱人工智能，这些系统通过自然语言处理、深度学习等算法和技术模拟人类的智能。

机器学习(machine learning, ML)是AI的核心，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，是计算机具有智能的主要途径，包括监督学习、无监督学习、半监督学习、强化学习、自适应学习等多种方法。机器学习目前以神经网络模型的深度学习为主，其理论基础实际上并不是严格的逻辑学，而是统计学和计算机科学里的算法与优化，以及越来越多的微观经济学。

广义定义

在国内AI产业报告中，AI主要包括算力、算法、数据（算料）和应用场景4个要素（如图1所示），以AI技术为龙头，力求促进信息产业和传统产业发展。此定义下的AI内容比较泛化，较难聚焦，其包括计算机学科的大部分关键技术。在算力、算法、数据等AI共性技术与基座平台、通用大模型方面，计算机学科更具优势；在应用场景方面，针对行业大模型、场景大模型和企业大模型，具备相应行业应用背景的学科，如医学、机械、金融、交通等领域，在研发应用模型方面更具优势，这些不同特点对学科建设也具备借鉴意义。

图1 AI 产业的4个要素

多交叉学科定义

目前教育部定位AI学科不是一级学科，而是一个交叉学科，是多学科交叉的复杂理论和技术（如图2所示），可与许多领域开展智能交叉应用，跨学科和专业之间存在合作与竞争。其主要内容包括以下3个方面。

图2 AI交叉学科的组成层次

AI基础理论层　从哲学层面探讨“智能”的本质和基础理论，生物（神经脑科学、心理学）、数学、物理、化学等基础学科是AI基础理论诞生的重要推手，这从2024年诺贝尔物理学奖和化学奖的获奖工作可以得到验证。在AI基础模型层面，核心任务是建立认知层面的生物模型和数理模型，涵盖符号推理、神经网络、决策树、支持向量机、分类/聚类、演化计算、优化理论、认知计算、类脑计算等。自动化、通信、电子等数理基础好的学科中，许多科研团队都在积极开展AI模型和算法研究，有较强竞争力。

但是，从2025年1月开始，以DeepSeek-R1为代表的大模型面世，算力增加、参数增大已经不再能够明显改进大模型的性能，迫切需要研发新的大模型理论、网络结构和学习方法。

AI关键技术层　包括自然语言处理、计算机视觉、人机交互、知识工程、模式识别、群体智能、具身智能、智能体、判别模型、大语言模型、AI伦理与安全、基于AI的软件工程等研究领域。常用的深度学习模型有30多种，具体有MLP、CNN、RNN、GNN、LSTM、VAE、GAN、Transformers、强化学习、自适应学习、混合类学习模型等。目前的主要工作是，针对Transformers等具体AI模型，开发优化算法，提高训练、推理和应用的计算效率。

AI交叉应用层　随着AI模型、算法和平台的不断成熟，交叉融合更为广泛，存在“AI+”和“+AI”多种方式，与“理工文医”多学科开展交叉融合应用，如机器人、无人机、无人车、专家系统、推荐系统、机器翻译、数字人、ChatGPT聊天机器人、文本/视频AI内容生成、科学智能(AI for science, AI4S)等技术和系统，将模型落地到软/硬件平台，优化计算、存储，形成可用的产品和系统，促进多学科发展。

计算机学科及专业与AI的关系

计算机科学与技术分为计算机系统结构、计算机软件与理论和计算机应用技术3个二级学科，人工智能是建立在计算机系统结构和计算机软件与理论基础上的一个重要的计算机应用技术方向（如图3所示），包含智能处理的模型、算法、工具和平台，是一种重要的赋能技术，虽然计算机学科是AI的主体学科和基座，但是，“计算机≠AI”，AI的理论、模型、算法和应用内容远远超出计算机领域范畴。

图3 计算机学科和人工智能学科关系

因此，在此认知和定位基础上，“AI+”时代的计算机学科建设、专业设置和人才培养应避免“本末倒置”“头重脚轻”和“AI泛化”，如果过于偏重AI，将会冲淡计算机学科自身的发展重点。

实际上，目前我国大模型产业的“卡脖子”问题主要集中在算力方面，涉及芯片、计算机体系结构、并行计算、算力网等计算机基础系统和技术。

计算思维是人类在面对复杂问题的时候，通过计算解决问题的一种方式，尤其是采用计算机等机器在算法有限运算步骤内得到结果，能极大提升解决问题的效率。

计算机学科不要“AI是个筐，什么都往里面装”“种了别人的地，荒了自己的田”，应该“融合是机遇，分开是挑战”，交叉中不要失去计算机学科的“计算”核心特色和竞争力，注意“AI+”和“+AI”的区别，多采用“AI+”方式，发挥计算机学科的主导和领导位置，不要沦为其他学科融合发展的工具，要成为造工具的学科。

发展建议

从学科发展、科研平台、专业设置、学生培养、师资建设、国际合作等方面，人工智能学院和计算机学院应该合理设置，明确二者的学科、专业定位和边界，有机协调二者关系，发挥各自学科和专业的优势，大力发展自主可控技术，实现各自的重点任务（如图4所示）。

图4 人工智能学院与计算机学院关系

人工智能学科、专业和学院设置，要处理好3个关系：一是学科、专业和学院自身的定位与工作重点要聚焦；二是与计算机学科、专业和学院的关系要有区分度；三是与“文理工医”多学科、专业和学院的交叉关系要有支撑力。

具体来说，人工智能学院要聚焦AI模型、算法和“AI+”交叉应用场景要素，“AI赋万物、万物皆智能”，围绕AI基础理论、关键技术、重大平台和交叉应用4个大方向，解决AI领域的“卡脖子”问题；持续夯实专业基础、拓展学科内涵，整合“文理工医”多学科交叉的优势资源，支撑“AI+”交叉学科和专业建设；培养国家战略急需的AI复合型创新人才，建设重点行业的领域/场景大模型，引领行业发展。

计算机学院要聚焦算力、数据和系统要素，“一切皆可计算”，围绕先进计算理论、关键技术、计算机系统和创新应用4个方向，解决计算机系统领域的“卡脖子”问题；融合AI理论和技术，平衡设置人才培养课程体系和科学研究内容，打造“AI+”时代的计算机学科和专业特色体系；重点突出计算机学科的基础理论以及xPU芯片、计算机体系结构、算力网络、数据科学、软件工程、系统软件、工具软件、工业软件等先进计算核心技术，支撑人工智能学科、专业和其他“AI+”交叉学科发展。