校企深度融合：中国高校发展人工智能的“关键一招”*——《高等学校人工智能创新行动计划》解读之二

关汉男 万 昆 吴旻瑜

（1.华东师范大学 教育学部 教育信息技术学系，上海 200062；2.华东师范大学 国家教育宏观政策研究院，上海 200062；3.上海交通大学 中国城市治理研究院，上海 200030）

近年来，人工智能正在深刻影响着经济、政治、民生等各个领域，发展人工智能已经成为欧美发达国家的重要科技创新战略。我国也高度重视发展人工智能科学与技术，习近平总书记曾多次强调发展人工智能的重要性与紧迫性；2017年，国务院发布《新一代人工智能发展规划》（以下简称《规划》）[1]，指出要“抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国”，并提出了中国发展人工智能的“三步走”战略。2018年，教育部发布的《高等学校人工智能创新行动计划》（以下简称《行动计划》）[2]，也指出人工智能“是经济发展新引擎、社会发展加速器”，“正在渗透并重构生产、分配、交换、消费等经济活动环节，形成从宏观到微观各领域的智能化新需求、新产品、新技术、新业态，改变人类生活方式甚至社会结构，实现社会生产力的整体跃升”。可见，人工智能作为一项可能引领未来发展的重要科技门类，已受到国家层面的关注与重视，抢抓人工智能发展机遇已经上升为国家战略。

诚如《规划》所言，“发展人工智能是一项事关全局的复杂系统工程”，既然是“系统工程”就需要“系统布局”。如《规划》所述，在推进人工智能发展过程中，会“充分发挥社会主义制度集中力量办大事的优势”。但另一方面，人工智能却也不同于“两弹一星”，因此在强调政府作用的同时，《规划》更加强调了市场的作用，并把“市场主导”列为今后这一阶段我国推进人工智能发展的基本原则。具体而言，要“遵循市场规律，坚持应用导向，突出企业在技术路线选择和行业产品标准制定中的主体作用，加快人工智能科技成果商业化应用，形成竞争优势”。那么，该怎样处理好“系统布局”与“市场主导”之间的关系？这其中当然有“主导/从属”的关系，但落实到具体层面更有“分工/合作”的关系。人工智能是一个学科跨界、内容广泛的领域，从《规划》来看，下一阶段我国在人工智能领域所需发展、突破的，既包括基础理论，也包括关键技术，几乎囊括了目前人工智能领域所需解决的一切问题。那么，哪些问题该由谁来解决更为合适？

长期以来，高校和科研院所一直扮演着国家科技创新与发展的主引擎角色，在我国的历次重大科技进展过程中，高校和科研院所贡献尤多。在这一轮提升我国人工智能发展水平的行动中，高校也被寄予了很高的期待。《行动计划》对高校在我国人工智能整体发展与推进格局中的定位，是“引领我国人工智能领域科技创新、人才培养和技术应用示范，带动我国人工智能总体实力的提升”。并提出 “到2030年，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”这一蓝图。

从世界范围来看，“二战”之后，企业在世界各国（尤其是欧美发达国家）科技创新格局中的地位不断上升、贡献不断增大。特别是在医药、电子等与市场紧密联系的领域，无论是基础研究，还是技术研发，企业（尤其是资金实力雄厚的跨国公司）都有着更加突出的表现。从某种程度说，在一些领域，高校和企业事实上已经成为了竞争者。这一趋势近年来在我国也有显现。在科技研发方面，高校和企业各具特点、各有短长，面对这种局面如何在更高层次上“系统布局”，让高校为所当为，进一步发挥出高校的“科研国家队”的作用和价值，就成为了贯彻 《行动计划》，以及推动《规划》中各项目标达成的关键。为此，本文旨在借鉴国外相关经验的基础上，厘清今后这一阶段中国人工智能发展格局中，高校所应扮演的角色和承担的职责。

一、人工智能研究的根本属性：从知识生产模式视角分析

（一）什么是知识生产模式

人类任何的创新过程都属于知识的生产。人们将知识生产过程加以总结概括，形成知识生产的范式，即“知识生产模式”。这一概念由英国社会学家迈克尔·吉本斯（Michael Gibbons）等学者，在 1994年合著出版的《知识生产的新模式》一书中首次提出。吉本斯认为，20世纪后半叶以来，一种新的知识生产模式（知识生产模式Ⅱ）正在日益兴起。知识生产模式Ⅱ与传统的知识生产模式 （知识生产模式Ⅰ），在各方面均有着显著不同。而后，根据知识生产模式Ⅰ和模式Ⅱ的逻辑演变，美国学者埃利亚斯·G·卡拉雅尼斯（Elias G.Carayannis）等于2003年进一步提出并阐发了知识生产模式Ⅲ理论。三种模式的特征比较如表1所示。

在模式演进中，大学在知识生产过程中分别呈现着“垄断—参与—主导”的地位变化。而值得强调的是，知识生产模式Ⅰ至Ⅲ并不是简单的顺序演变，而是完全可能并存，并根据不同的知识生产对象，呈现不同的生产模式倾向。例如，在当今世界的综合性研究型大学中，数、理等基础学科的发展，仍旧更倾向于知识生产模式Ⅰ。而工科等应用属性突出的学科领域，则面临工业界的强烈挑战，具有生产模式Ⅱ的显著特征。缘于公民社会具有的更为广泛参与知识生产的技术手段，以及人工智能等交叉性、颠覆性技术，导致传统学科的边界日益模糊。这使得生产模式Ⅲ的产生，与信息时代新技术的兴起密不可分。

表1 生产模式Ⅰ、生产模式Ⅱ与生产模式Ⅲ的比较[3]

相较而言，知识生产模式Ⅱ是在已有学科体系下的应用领域发展，属于在原有学科路径基础上的创新，而模式Ⅲ则是打破学科边界，按照复杂问题解决所涉及的知识领域进行重组，进而形成知识群。新的知识群打破了传统学科门类、专业的组合，强调以跨领域、非均质性知识、碎片化知识为源头。因此，知识生产模式的演进，让知识的传统划分方式进一步融合，让基础研究的应用型发展路径和应用研究的基础型内涵路径，成为对社会创新系统的新诠释。

在这个过程中，大学不再是模式Ⅱ中的被动参与角色，而是在重新审视自身知识生产地位之后，主动建立起衔接市场的组织。如，大学的成果转化部门、孵化器等机构，以谋求与企业建立更为紧密的联系；而另一方面，随着企业知识创新能力的逐步提升，一些企业对于基础研究的重视程度也有所提高，企业独立研发部门的设置既为大学带来了挑战，也为大学提供了在知识生产领域开展深度合作的新机遇。除此之外，随着知识生产模式的变化，大学中的既有学科体系逐渐难以满足研究发展新技术的需求，新的学科往往以“跨学科”或“超学科”形式出现，大学中面向实际问题的综合研究中心，正有悄然崛起之势[4]。

（二）人工智能研究的根本属性

1956年夏天，约翰·麦卡锡（John Maccarthy）等首次提出“人工智能”这一概念，被认为是人工智能学科诞生的标志。在随后60余年的发展历程中，人工智能技术几经沉浮：上世纪60-70年代，处于起步阶段的人工智能研究大多局限于应用计算机进行单一复杂问题求解。人工智能一度陷入发展乏力，甚至“笑话百出”的发展低迷期。直到1980年前后，伴随计算机专家系统的蓬勃兴起，计算机智能化取得了一定的阶段性进展，人机协同工作成为可能，对于人工智能的研究也再次引发公众关注。但当时的人工智能水平与人类解决问题的能力相比尚存差距，因此，很快人工智能概念出现了分化，分化出计算视觉、认知推理、语言通讯、博弈伦理、机器人学、机器学习等若干相互独立发展的分支[5]。而且，这些学科基本抛弃了之前30年以逻辑推理与启发式搜索为主的研究方法，取而代之的是概率统计的方法[6]，主要目的是提升单一领域的问题解决水平，以期尽快赶超人类智能。

21世纪以来，特别是互联网普及化和大数据时代的到来，为基于大数据分析的机器学习技术提供了广阔的学习样本空间和便捷的应用环境，这使得解决单一问题的人工智能技术得到迅速发展，技术精度获得大幅提升。因此，以专用人工智能系统取得突破性进展（例如，AlphaGo战胜李世石）为标志，人工智能技术在近年间实现了爆发式增长，并受到空前关注。到目前为止，人工智能技术仍处于蓬勃发展的上升期。由于人工智能在完成单一任务（例如，专用智能机器人、图像识别、语音识别等）方面的迅速进步，使得人工智能研究涉及到了伦理法律、社会治理、哲学心理等诸多人文社科领域的研究。但不可忽视的是，目前，对于真正类人化的多任务人工智能系统的研究，仍处于缓慢发展阶段。许多学者认为，这一领域的突破要依赖于脑科学、认识理论、学习科学等其他领域的进步。

人工智能不仅在横向上涵盖的学科非常广泛，而且在纵向上涉及从基础理论、算法设计到程序开发、产品制造等一系列环节，涵盖了基础研究、应用研究与工程实践。因此，人工智能其实是涉及从理论到应用、跨越文理界限和传统学科边界的超学科研究领域。很显然，在知识生产模式视域下，人工智能的研究范畴，已经跨越了生产模式Ⅰ至Ⅲ的简单划分。因此，人工智能研究的系统布局，需要根据生产模式Ⅰ至Ⅲ的特点，有针对性地加以设计，其研究范式很有可能介于生产模式Ⅱ （企业主导）与模式Ⅲ（大学主导）之间。这其中，究竟哪一种模式更符合发展人工智能的需要？必须结合不同国情和经济社会发展的不同阶段，进一步加以分析。

二、美国人工智能的发展格局及其借鉴与思考

（一）美国的人工智能发展战略

2016年10月，美国国家科学与技术委员会相继发布了两份关于人工智能领域的美国国家战略报告——《国家人工智能发展与研究战略计划》（下文简称《战略计划》）和《为人工智能的未来做好准备》（下文简称《做好准备》）。《战略计划》主要从技术角度出发，明确提出了战略目标愿景、七个重点领域（人工智能研究的长期投资、开发有效的人类与人工智能协作方法、理解并解决人工智能的伦理法律和社会影响、确保人工智能系统的安全可靠、开发用于人工智能培训及测试的公共数据集和环境、制定标准以测量和评估人工智能技术、更好地了解国家人工智能人力需求[7]），以及若干工作建议。而《做好准备》更多是从政府与治理的角度，探讨人工智能的挑战与政府治理问题，具体包括公共物品与人工智能、人工智能在联邦政府的应用、人工智能与管制、人工智能与安全等主题[8]。这两份报告的出台，标志着全球最有影响力的发达国家正式提出了面向人工智能时代的国家战略规划。从对这两份报告的分析可见，美国的人工智能战略既具有鲜明的新技术时代特征，也具有与其传统优势相一致的战略导向。

（二）美国高校与企业在推进人工智能发展中的关系

尽管美国高校中不乏Harvard、MIT等世界级顶尖名校，更有Stanford等以科技成果转化见长，并与产业、工业界结合度十分紧密的创新型大学。但在人工智能等新兴技术的发展浪潮中，诸多现实数据表明，美国企业仍扮演着更为直接、主动的角色。著名人工智能专家、斯坦福大学李飞飞教授就曾在某次与国内高校专家学者有关会议上坦言：“美国的高校目前面临一个比较大的问题，就是人工智能方向的人才太难招了，因为工业界会重金挖人，连斯坦福这样的学校也未必抢得过他们”。

我们综合各种资料来看，美国的高校与企业在国家人工智能发展格局中的关系，体现出以下五个特点：（1）总体上，人工智能关键技术研发与应用推广的主体还是企业，在人工智能关键技术的发展中起到引领作用；（2）不少人工智能企业的核心技术，来自于知名大学教授或学生团队，在技术的原始积累与酝酿中，高校仍扮演重要角色；（3）工业界对人工智能顶尖人才的“虹吸效应”十分明显，创新引领型公司（如，Google、Facebook等）更容易成为核心技术与领军人物的聚集高地；（4）在人工智能基础理论、基础算法、前瞻性研究等领域，大学发挥了不可替代的重要作用；（5）大学是人工智能领域人才培养的主体，但相关的高水平师资队伍建设压力较大。

（三）“美国模式”对于我国高校的借鉴与思考

从美国的经验出发，似乎很容易得出结论——人工智能等革命性高新科技的发展，大多是发端于高校或科研院所，而成熟并兴盛于产业界，故高校应当做好人才培养、基础性研究等“擅长的事”；在提升应用核心能力方面要“让位”于工业界，让企业唱主角，从而实现资源的最优化配置。这也是目前诸多学者专家提出的主流观点之一。

尽管如此，我们认为，绝不能片面照搬西方国家推动高新技术发展的模式与经验，来决定中国人工智能发展战略的推进路径，而应充分认清国情，有所扬弃地吸收借鉴。这主要有三方面的理由：

（1）中美高校在长期演进中，由于制度、文化等背景原因，形成了制度体系和办学模式等方面的较大差异。仅从高校开展科学研究的使命和从事的具体领域来看，中美高校就大有不同。根据美国国防部于21世纪初提出并被广泛采用的TRL（Technology Readiness Levels）技术成熟度分级模型来看（如表2所示），技术成熟度被分为从1至9共九个等级，其中“1”代表发现或原理层面的基础性研究，“9”代表能够直接面向市场应用的研究成果。那么，美国高校大多数（尽管个体差异性也很大）从事于“1-3级”的研究工作，少数创业型高校可以延伸至“4-6级”。而中国高校在相当长一段时间内，则处于“1-9级”研究领域并存的现象。即中国高校与企业的分工的差异性，并没有美国表现得突出。

（2）中国企业总体上的创新研发能力与美国相比，尚有不小差距。改革开放40年来，中国经济发展模式经历了从资源与劳动密集型逐步向技术密集型的转变，尽管党的“十八大”以来，创新驱动已上升为国家战略，但不可否认，中国企业的创新研发能力尚处于上升期。根据2017年度全球研发投入100强企业排行榜（如图1所示）显示，进入世界企业R&D（Research And Development，研究与试验发展指标）资金投入百强的中美企业，在研发投入比重上差异明显，反映出中美企业创新能力尚存不少差距。

（3）中国高校更容易利用好“集中力量办大事”的体制优势。中美两国及高校具有截然不同的制度体制，大学作为中国国家体制内推进创新驱动发展战略中不可或缺的中坚力量，具有更高的战略关注度和制度执行力，更容易在短期内产生人才、资金、技术、政策的聚集效应。

表2 美国国防部（DoD）对技术成熟度九级标准（TRL）的描述[9]

图1 进入世界企业R&D投入百强的中美企业研发支出与销售收入占比对比[10]

综上分析，中国高校不必简单对标“美国模式”，而应在推动人工智能发展战略中,扮演更加积极主动的角色。但在当今中国国情背景下，高校与企业的长短利弊仍需要深入具体分析，以期找到更契合中国高校实际的人工智能发展模式。

三、人工智能发展格局中的高校角色

（一）高校在人工智能发展战略中的“用武之地”

大学承担着人才培养、科技创新、社会服务、文化传承与创新、国际合作与交流等重要使命。所谓“尺有所长，寸有所短”，高校若想在千帆过境、百舸争流的人工智能角逐中脱颖而出，必须要找准“用武之地”，从擅为之处入手，才能用好用足自身的比较优势。具体而言：

（1）高校是培养和输送各级各类人工智能人才的“造血库”。人工智能战略的竞争本质上是人才的竞争，根据高盛公司发布的 《全球人工智能产业分布》报告统计，我国人工智能的人才缺口超过500万人，供求比达到1:10[11]。而在全球人工智能人才储备中，中国只占5%左右。一方面是逐渐呈现井喷式发展的人工智能产业；另一方面则是“百年树人”的传统高校人才培养模式，两者相较，凸显了人工智能人才培养的紧迫性。在某种程度上，人工智能产业的高速发展正在倒逼高校大力布局人工智能学科建设、构建人才培养体系。而培养能够满足产业人才缺口的合格人工智能人才与从业者，则是高校舍我其谁的责任。

（2）高校是开展人工智能国际学术交流与合作的“桥头堡”。大学作为人类探求科学奥义和拓展知识边界的学术殿堂，往往成为新技术、新理念、新知识快速传播的发源地或桥头堡。其主要原因是大学的学术组织身份，具有与生俱来的开放互鉴的文化基因。这有助于在交流合作中，更好地规避商业利益纷争和政治文化隔阂，从而实现科学技术与思想理念的便捷交换。因此，在引进和传播人工智能先进技术及理论中，大学应发挥其特有的身份优势，开拓国际视野，跟踪发展现状，甚至要努力实现前沿技术的快速传播与转移。

（3）高校是开展人工智能领域的基础性、前瞻性、交叉性研究的“动力源”。企业逐利性的本质，决定了对于基础性、前瞻性的研究是普遍缺乏动力的，即便是处于行业领头羊地位的创新引领型公司，也必须遵循市场经营的规律办事，不会在这类研究领域中过多投入。而大学则承担着前沿公共知识供给的社会责任，是基础性、前瞻性研究的策源地和蓄水池。此外，人工智能的发展还波及伦理、就业等系统性社会问题，这些交叉领域的研究理所应当成为大学的重要职责。同时，大学也应针对人工智能可能引发的社会问题，积极为政府咨政建言。

（4）高校是人工智能综合应用场景的“试验田”。因高校是一个“五脏俱全”的小社会，加之用户群体易于接受新鲜事物，在部署人工智能应用时具有得天独厚的优势。人工智能与高等教育的碰撞，更催生了数字校园向智慧校园的转变，也为智慧城市的研发提供了“练兵场”。“互联网+”与人工智能技术在高校中的渗透与应用，将构筑智慧校园的新生态，呈现出新的数据形态、技术形态、组织形态与关系形态[12]。而实现这一目标，则需要高校和人工智能技术企业的共同深度参与[13]。

（二）高校在推进人工智能战略中的“困境之处”

（1）对顶尖人工智能科学家延揽能力不足。客观而言，工业界拥有比高校更强的人工智能人才集聚能力，例如，Google、Facebook以及国内的BAT等公司均持续加大对AI领域R&D的经费投入，其中Google公司2017年的投入，约为200至300亿美金。产业界的“重金挖人”，使得高校人工智能专家流失现象加剧。这一现象从人工智能发展的整体角度来看，未必一定是坏事，但对于高校开展人工智能人才培养和学科建设，却都是极大的挑战。

（2）对人工智能核心技术的攻坚能力尚待提高。我国人工智能的发展在核心算法、高端芯片、关键器件等领域，与世界一流水平尚存不小差距。高校作为推动自主创新的重要一极，需要在核心技术和重点原创性成果方面，进一步提升产出能力。

（3）人工智能人才培养体系与模式尚不成熟。尚需构建基础教育至大学本科、研究生一体化的人工智能培养体系，探索更具有针对性和时效性的培养模式。特别要注重培养数理基础厚实、应用能力突出的拔尖创新人才和具有多学科知识结构的复合型人才。

（4）支撑人工智能研究的多学科交叉协同机制不够畅通。人工智能涉及多学科、多领域的交叉研究，虽然一些综合性大学已经具备了开展人工智能研究的大部分学科门类，但如何组建深度融合、高效运行的跨学科研究力量，仍需探索成熟的做法。例如，如何科学合理地组建人工智能研究实体（如，人工智能研究院）？如何打通院系等既有办学单位的流通管道，以支撑相关师资的自由流动？如何跨越原有学科中学术共同体的藩篱？对从事交叉研究人员如何进行合理的绩效评价？等等。

四、对高校发展人工智能的政策建议

中国高校要在发展人工智能的国家战略中有为有位，就必须扬长补短。我们认为，以开展校企深度融合为主线，多措并举，是实现这一目标的“关键一招”。

（一）加强人才培养领域的校企协同

在当前形势下，由于人工智能产业需求不断扩大，甚至呈现指数增长之势。高校人才培养策略应当“量”与“质”并重。在“量”上要快速填补大量的人工智能行业人才缺口；在“质”上要及时抢占人工智能人才金字塔的“塔尖”。大学要完善人工智能领域多主体协同育人机制，将高校的基础性研究优势与企业的应用性研究优势合力转化为育人的优势。应鼓励高校联合企业研发部门组建人工智能产业技术创新联盟[14]，打通校企人才培养的壁垒，以扩展人才培养的边界。具体而言：一是高校可在人工智能领域推广产业导师和学术导师“双导师制”。通过校企联合培养研究生，既能快速提升学生的应用研究能力，又能让行业专家直接参与校内人工智能人才培养和学科建设，提高人工智能领域人才培养质量。二是对于人工智能领域人才实行校企双聘制度。不求所有，但为所用，允许条件适合的教师企业挂职或离岗创业，切实降低校企之间人工智能人才双向流动和共享共用的制度成本，以缓解目前人才紧缺的现象[15]。三是加强人工智能领域人才的前瞻布局[16]。一方面，鼓励更多高校开设人工智能本科专业，探索形成系统完备的人工智能课程体系和培养计划；另一方面，探索信息技术领域的拔尖创新人才培养新模式，特别要针对扎实数理基础和多学科知识结构的养成，将信息技术类的科创竞赛或实践活动 （如，ACM世界大学生程序设计大赛等）作为人工智能人才培养的重要抓手。

（二）加强科学研究领域的校企合作

加强新一代人工智能基础理论研究，推动关键核心技术攻关是国家发展人工智能技术的重中之重。尽管，国家自然科学基金委员会已于2018新增了“人工智能学科”和“交叉学科中的信息科学”两个子目录代码，旨在围绕人工智能的核心理论与关键技术加大研发投入力度。但相对于庞大的人工智能领域体量来看，其资源助推力还有限。因此，要进一步创新研发投入的体制机制，特别是要汇聚体制内外的资本力量，引导民间资本在人工智能的基础研究领域也能适当加大投入力度。比如，可通过高校与工业界相关企业的深度合作，共同设置校企人工智能研发资金，构建共同出资、成果共享、责任共担的研究资助共同体。再比如，可推广校企联合设置人工智能实验室的经验。目前，国内不少高水平研究型大学都成立了人工智能领域的研究实体，工业界也有阿里巴巴“达摩院”、“百度大脑”计划等研究实体，但真正校企联合开展的技术攻关实验室尚不多见。这其中有体制内外管理制度、校企行动愿景不一致等诸多因素的制约。但毋庸置疑，校企联合的攻关优势和潜力尚待挖掘。

（三）加强科技成果转化过程的校企联动

科技成果转化是促进知识成果成为现实生产力的关键环节。这对于市场热度高、应用潜力大的人工智能技术来说，显得尤为重要。高校应进一步突破科技成果转化的体制机制障碍，特别是要通过管理制度及激励导向上的调整，让人工智能领域的科技成果更易于与市场对接。例如，高校可以开放更多的人工智能学科的项目专利等科研成果给有关合作企业，实现专利信息的实时共享，弥合成果转化过程中的信息不对称；研究型大学应把握好研究导向与市场导向的平衡，必须认识到人工智能技术的应用属性，强调教师的分类发展，避免让从事科技成果转化的学者因论文等单一的学术导向而无所适从；高校应调整专利申请量或者授予量作为评估标准的做法，增加专利商业化和产业化作为评估标准的比重，具体而言，高校的专利审核应更加重视发明的商业潜力和市场前景，而不能仅仅看重其在理论方面的先进性[17]。

（四）发挥高校多学科优势，促进交叉研究

高校要加强学科统筹，探索设置人工智能学院的合理有效途径。目前，高校在人工智能学科建设方面处于战略上争抢高地、战术上“摸着石头过河”的起步阶段。因此，对于要不要设置学院，以及如何设置人工智能学院以加强学科建设的资源统筹能力，都有着不同的见解与尝试。我们总结国内外高校经验，大体可以分为两类做法：一是Horizontal模式（水平式），即将人工智能元素（主要包括培养方案、课程设置、师资队伍等）投入到几个相关学院，如，在计算机学院、教育学院、机械工程学院、生命医学院等。二是Centralized模式（中心式），即将各学院的人工智能相关师资力量，统筹成一个研究院或学院，集中式发展人工智能学科。这两种构建人工智能实体的方式，都能强有力地促进学科交叉，但也各具特点、各有利弊。“水平式”成本小、范围广，而集中式”则更容易在短期内产生集聚效应。

与此同时，高校还应充分认清并处理好人工智能学科布局中的“广”与“深”之间的关系。要冷静地看待目前高校中普遍存在的人工智能概念火热、人工智能项目泛化的现象。不少高校一夜之间出现了许多人工智能研究相关的教授或团队。这当然是市场热度牵引所致，但必须客观认识到，这些泛化的人工智能项目大多属于“X+人工智能”，而扎实的人工智能学科需要形成“人工智能+X”的格局，这需要首先做实做深计算机科学（Computer Science）等人工智能主干学科。没有主干学科的“深”，难以持续维系人工智能科研的“广”，也比较难以形成真正的核心竞争力。

五、结语

高校无疑是国家人工智能发展战略的重要力量，但高校在发展中如何处理好与企业的关系，实现扬长补短、错位发展、协同发力，从而取得最佳的发展绩效，是非常值得深思的重要命题。综上，中国高校一方面应用好用足科技第一生产力、人才第一资源、创新第一动力结合点的优势，在人工智能的人才培养、学科建设上，发挥无可替代的关键作用；在国际合作与交流中，发挥好人工智能学术交流的独特作用；在科学研究上重点布局前沿基础理论研究、应用基础理论研究和跨学科研究，确保做好这些自己得心应手的事。另一方面，高校要认识到企业的不可替代性，主动规避自身研究周期长、市场敏锐度底、应用部署能力弱等劣势，不进行盲目校企竞争，坚持在科技成果的应用与转化上以市场为主体，大力加强校企联动，推进校企深度融合。一旦校企融合这一关键点被打通，高校就能干成很多优势互补、事半功倍的事。因此，这无疑是中国高校发展人工智能的“关键一招”。