关于人工智能跨学科这个主题的思考，源于近期和多位教育从业者的交流探讨。早在2024年，我曾发表一篇引发行业讨论的文章《对不起，这不是人工智能跨学科》，核心观点是：当前许多教师将课堂中运用AI工具等同于开展了人工智能跨学科教育，但仅依靠人工智能活跃课堂氛围，或简单运用回归算法、分类算法处理基础问题，远不能等同于真正的人工智能跨学科教学。

深入探究可以发现，跨学科是一项复杂的多学科深度融合的过程，绝非简单的工具套用。

什么才是真正的人工智能跨学科教育

这里可以引入AI4S（AI for Science）的概念，也就是人工智能驱动各领域发展。目前行业内已有AI4S驱动科学研究、社科研究的相关探索，甚至提出“AI for everything”的理念。由此可知，真实场景驱动是助力人工智能学习的核心方式。真正的人工智能跨学科教育，应当回归真实场景、立足学科背景，借助人工智能实现场景赋能。

中国软件行业协会发起的"青少年人工智能应用创新人才培养工程"（AISE工程）与真正的AI跨学科理念高度契合。AISE工程聚焦AI工具实操、跨学科融合与真实场景创新，致力于培养能够运用人工智能解决复杂问题、具备持续创新能力的未来科技人才。

AISE工程的评估体系中有两个综合能力评定模块，一个是"技术融合应用"，另一个是"创新实践评定"。这两个模块都要求学生结合具体真实场景和需求进行AI项目研究、产出项目成果，然后将研究过程性证明和论文提交审核，由高校教授和企业专家一起进行评定，这对应的是科学素养与人工智能素养的综合运用。

计算思维与数据素养是AI跨学科底层基石

在长期教学实践中，我们发现制约学生开展人工智能实践的最大瓶颈，是计算思维与数据分析能力的缺失。我们原本希望学生通过项目制学习快速掌握场景应用能力，但学生普遍受限于编程能力与数据分析能力不足，不得不花费大量时间夯实基础。

由此，我们总结出人工智能驱动场景应用的核心素养体系：最底层、最核心的是计算思维与数据素养；在此之上是人工智能素养；最上层是科学素养——即理解、认知真实应用场景的能力。

我们的系列课程采用逆向教学逻辑：第一步建立计算思维（编程能力是不可或缺的基础）；第二步培养数据素养，完成真实场景中数据的收集、整理与分析；第三步开展人工智能核心知识教学；最后引导学生综合运用所学，完成场景实践与科学实验。

这一逻辑不仅适用于理科，对社科、医学、美术、人文等各类学科同样至关重要。北京大学团队依托大语言模型、智能体、自然语言处理、机器学习聚类等算法赋能人文研究；清华大学教师运用传统机器学习方法助力历史学科研究——这些实践充分证明，人工智能赋能学科发展，从业者必须具备扎实的计算思维、数据分析能力与人工智能素养，能够精准判断不同场景适配的AI模型与技术。

 关于人工智能跨学科的定义，行业内尚无统一标准，但可以确定的是：计算思维、数据素养、人工智能核心素养，是人工智能时代开展跨学科融合、场景应用的必备基础。

重构人工智能时代的教育模式

当下技术迭代速度持续加快，人工智能教育不能再局限于系统化的知识灌输。传统的教学模式是学生学完系统知识后再解决问题，而新时代人工智能教育，如AISE工程，更强调“干中学”，依托项目制、研究性学习，让学生在解决真实问题的过程中培养快速学习能力，将知识与技能转化为真实场景下的创新应用能力。这也意味着，人工智能时代的教育模式，需要迎来全方位的重构。

AISE工程聚焦AI技术与真实场景的深度融合，联合高校、科研院所及行业领先企业，通过标准研制、学术研究、课题协作、技术落地等路径，推动人工智能在教育、生活、产业等场景中的创新应用。

从掌握AI核心素养，到实现基于AI的应用创新，是当前人工智能教育的核心发展方向。我们可以将真实产业问题融入教学，结合产教融合理念，为学生拆解产业场景的底层逻辑，讲解场景所需的数据类型、数据分析方法、适配的算法模型，最终培养学生依托人工智能开展产业应用创新的能力，而这一能力需要从小培育。

我们已经看到了这样的教学实践案例：一名小学五年级学生，已能够独立解决科技企业的真实场景问题。从数据采集、数据清洗、数据标注，到运用对应算法解决低空经济领域的特色场景问题，形成了完整的人工智能应用闭环。在这一过程中，学生不仅锻炼了实操能力、深化了对真实场景的认知，还挖掘了科创兴趣，收获了项目实践的成就感，为后续依托人工智能开展学习与创新奠定了坚实基础。

这正是AISE工程所倡导的“干中学”理念的生动体现——让学生直面真实产业问题，在解决问题中完成从知识到能力的转化

资讯来源：AISE青少年人才培养工程