美国人工智能研究生培养策略探析

甘宜涛 林颖

摘 要：卡内基梅隆大学最早开设人工智能专业，“人工智能与创新理学硕士”项目旨在培养解决实际问题的应用型专业硕士研究生，培养过程中注重交叉学科课程设置，跨学科师资队伍建设，项目式实习实践，为我国人工智能领域研究生培养提供些许参考。

关键词：人工智能研究生;卡内基梅隆大学;人工智能与创新理学硕士;培养策略

2020年2月，教育部公布的新增专业名单中，180所高校新增“人工智能”专业，与智能领域相关的专业也成为多所高校的新增备案热门[1]。高校在大力发展人工智能本科教育的同时，研究生的人才培养也在同步加快。《关于“双一流”建设高校促进学科融合 加快人工智能领域研究生培养的若干意见》提出，构建基础理论人才与“人工智能+X”复合型人才并重的培养体系，适度扩大研究生培养规模[2]。但是，我国高校人工智能相关学科建设和人才培养与发达国家相比还存在着一定的差距，尤其是研究生培养。作为最早开设人工智能专业的卡内基梅隆大学，已经构建了系统、完备的人才培养体系，其“人工智能与创新理学硕士”（Master of Science in Artificial Intelligence and Innovation，MSAII）人才培养在实践中形成自身鲜明的特征，为我国人工智能领域研究生培养提供了参考。

培养人工智能研究生的應然诉求

1. 国家战略驱动人工智能研究生培养

《关于“双一流”建设高校促进学科融合 加快人工智能领域研究生培养的若干意见》将人工智能纳入“国家关键领域急需高层次人才培养专项招生计划”范围，要求安排相关学科研究生招生计划转向增量，精准扩大人工智能高层次人才培养规模。《2019全球人工智能人才报告》（2019 Global AI Talent Report）指出，美国、中国、英国、澳大利亚、加拿大分别为人工智能领域影响前五的国家，报告中分析了22，400名论文作者，在美国获得博士学位的人数超过44%，中国的比例则为接近11%;46%的论文作者在美国工作，在中国的比例为11%[3]。由此看来，无论是相关人才培养还是人才吸引力，我国与美国还存在一定差距。

人工智能是新一轮产业革命的核心驱动力，催生新技术、新产品、新产业、新业态、新模式。从国家战略的视角看，人工智能将是未来国家之间竞争的关键赛场，美国启动了人工智能国家计划，率先发力军事国防、类人仿真等应用;英国审慎发展人工智能技术，大力推进5G网络应用和布局;日本投入大量科研精力发展机器人、脑信息通信、语音识别、大数据分析等 [4]。从某种程度上讲，大国间竞争的实质是人工智能人才竞争，研究生是不可或缺的组成部分。

2.人才需求的现实推动人工智能研究生培养

中国制造业转型升级，“智能制造”进入发展关键期。理论研究者认为智能制造是一种由智能机器和人类专家共同组成的人机一体化智能系统[5]。人工智能技术和机械制造设备的结合是以人工智能技术为支撑的，其实质是依靠人工智能技术以实现制造业的转型升级。要实现智能制造业的不断升级和发展，仅仅依靠人工智能技术这一支撑是远远不够的，它的核心驱动力是推动人工智能技术进步的“人的智能”，即创新型人工智能人才。

我国人工智能发展仅次于美国，但最核心、最原创的内容方面贡献不多，基础性、开创性研究能力还有待进一步提高。《2018人工智能产业创新评估白皮书》显示：语音交互、文本识别、计算机视觉和深度学习四大技术领域的高级专业人才，美国超过1.3万人，中国不足0.5万人;其中，计算机视觉相关的高端人才占比最高，达38%，美国5，432人，中国1，892人;有关人士估计，我国整个人工智能领域的人才数量缺口在百万级别，各高校培养输送的人才只占市场所需人才的30%至40% [6]。

卡内基梅隆大学“人工智能与创新理学硕士”人才培养特征

卡内基梅隆大学MSAII依托计算机科学学院语言技术研究所培养。该项目设立于2018年，在生物技术、创新和计算理学硕士（Master of Science in Biotechnology，Innovation and Computation，MSBIC）的基础上发展而来，[7]经过多年的实践，形成了系统、完备的人才培养体系及鲜明的特征。

1. 学科交叉课程设置

课程是人才培养的基石，是人才培养目标实现的保障。MSAII学科交叉课程既重视学生专业知识和技能的训练，同时不忽视学生人文素养的培养，由预备课程、核心课程、知识领域课程、选修课程四部分组成，一般分四个学期完成（如表1所示）[8]。

预备课程是针对被卡内基梅隆大学录取的、尚未入学的学生开设的课程，旨在为研究生的正式学习储备必备知识。在入学前学生应以远程学习的方式通过“计算机系统概论”这门课程的学习，但所修学分不计入毕业学分。如果该课程未能通过，学生可以选择在秋季或春季学期重修。但是，该课程是攻读学位课程的前提，如果不通过，则不允许在秋季学期开始攻读学位课程。核心课程旨在强化学生的专业知识学习，以备学生掌握所需的核心知识及专业技能。依据创新发展的四个阶段，核心课程按顺序开设如下：“人工智能与未来市场”，第一个秋季学期，学生被分成多个小组，调查人工智能的应用，向教师和同学介绍人工智能发展成熟的领域，并必须设计一个产品;“计算机技术法律”，第一个秋季学期，主要是学习适用于计算机发展的法律原则;“人工智能工程”，第一个春季学期，该课程致力于使用TensorFlow①和Python②构建深度学习应用程序，以使学生能够使用高级工具设计有效的机器学习模型;“人工智能创新”，第二个秋季学期，学生通过开发团队产品的业务模型及策略来学习如何创办企业;“顶点课程”，第二个春季学期，学生通过完成一些实用性、真实性的项目将所学知识及技能用于解决实际问题，为其进入真实世界及职业生涯做准备。[9]知识领域课程主要是针对人工智能领域所需技术、技能而开设的课程，帮助研究生掌握开发、设计解决人工智能领域实际问题所需技术、技能，以确保能够开发高级人工智能应用程序。根据MSAII培养方案规定，这些课程为必修课程，并且必须按照规定的顺序修读。学院为学生提供了多门选修课程，按照要求学生修满36学分即可。从选修课的内容来看，大致包括对专业知识补充的课程、培养学生兴趣爱好的课程、培养与人工智能有关的人文素养课程。

2. 跨学科师资队伍建设

人工智能专业知识的特殊性、跨学科性、复杂性及多样性决定其教育教学需要多元化的师资队伍。卡内基梅隆大学MSAII项目的师资队伍建设注重学科交叉、单位交叉、领域交叉，以课程或教学研究项目为牵引，打破以往的学院边界，构建不同学科教师共同参与的、新的教学团队，共同承担相关专业的教学任务。

从教师的隶属关系来看，MSAII项目相关的教师分为三种类型，即专职教师、附属教员、兼职教师，这样的教师构成决定了其教师并不完全隶属于负责人工智能研究生培养的计算机科学学院语言技术研究所。不少教师来自于卡内基梅隆大学计算机科学学院的计算机科学系、机器学习系、软件研究所以及企业等其他单位。这样就打破了原有师资队伍固定的隶属关系，有利于教师间的交流，促进跨学科知识的传授。从学科属性看，MSAII项目相关教师除人工智能学科的专业教师外，还有生物、环境工程、哲学、艺术、公共政策等相关学科领域的教师[10]。这种跨学科领域的师资组合，保障了研究生培养兼顾专业知识、技能与人文素养的协调统一。差异化的学科背景为学科交叉融合提供了保障。从教师的所属领域看，学校和企业之间通过合作关系确保师资双向跨界、自由流转。一方面，学校里的人工智能专家可以主持与企业合作的项目，为项目的开展提供理论及知识支持;另一方面，学院引進企业科学家、工程师对研究生进行实践性指导，尤其是为研究生开设实践课程。

3. 项目式实习实践

实习实践是MSAII培养的重要环节。学院建议学生在第一学年和第二学年之间的暑假参加实习，但并不是强制性要求，这一时期的实习能让学生有机会运用第一学年所学的知识和技能，深入了解人工智能和未来的市场需求，以进一步积累经验，为第二学年的专业课程学习打下坚实的基础。研究生实习优先选择与自己研究领域或职业目标相吻合的单位。所有在卡内基梅隆大学以外获得带薪实习机会的学生，按要求必须注册实习课程，获得3学分计入毕业学分，国际留学生另有规定。国际留学生必须通过国际教育办公室申请实践课程，申请时必须提交一份包含工作时间、就业日期、工资或津贴等内容的录用通知。另外，学校职业发展中心（Career and Professional Development Center）和学院就业中心（Career Center）会通过招聘会、会议或其他活动为学生与雇主搭建平台，促进学生实习实践及就业。

项目式实习实践是研究生在企业完成源于企业生产实际的真实项目，在相关专家的指导下运用所学专业知识解决项目中的真实问题，可以有效检验研究生专业知识的学习效果，发现问题，为下一步的学习提供指引。

我国人工智能领域研究生培养策略

卡内基梅隆大学MSAII项目培养应用型人才以解决人工智能领域的实际问题为目标，交叉学科课程设置、跨学科师资队伍建设、项目式实习实践等特征，为我国人工智能领域研究生培养，尤其是专业学位研究生培养提供些许参考。

1. 优化课程体系建设

第一，丰富选修课程。人工智能领域涉及多学科、多类型的知识。卡内基梅隆大学为MSAII研究生提供选修课程既涉及多个学科领域，数量又多达二十多门，这不仅增加了学生选择的自由，而且也为学有余力的学生提供了更多学习的机会。基于此，我国人工智能领域研究生的培养应该尽可能丰富选修课程，在条件允许的情况下，可以引入企业相关研究人员为研究生开设选修课程，以使课程更加贴近现实，也能为研究生未来的职业生涯做准备。

第二，及时更新课程，切中行业发展的真实痛点。课程体系更新是课程发展的必然选择，也是时代发展对课程体系建设提出的基本要求。国外领先高校的课程体系也无例外，也会适时对其课程予以更新，如麻省理工学院对其计算与人工智能学院进行“重塑”，实施项目式中心课程。鉴于人工智能更新换代速度之快，我国人工智能领域课程体系的优化应该寻找行业发展的真实痛点，直击要点，与企业、行业进行深度融合，基于行业发展对人工智能提出的新要求，为行业发展急需知识开设相关的课程。

第三，开设基于真实项目的实践课程。基于真实项目的实践课程，以问题为导向，以解决项目中的实际问题为最终目的，注重学生系统性思维、解决实际问题能力的培养。随着项目的推进，学生以项目为载体，将理论知识与实践融为一体，实现理论学习、技能训练、能力培养相融合。这种课程不仅使学生的专业综合技能得到培养，而且在解决项目提供的真实问题过程中，了解真实工作环境，提高分析、判断及解决实际问题的能力，也为将来的职业生涯做准备。

2. 组建跨学科师资队伍

第一，去除教师组织边界。现有的“校—院—系—专业”教师组织模式已经对教师的跨学科合作、交流以及人才培养产生了一定消极影响。为了适应人工智能研究生培养，可以在保持教师原有隶属关系不变的情况下，以人才培养中的学科、科研项目为依托，以科研所需人才为指引，引导教师管理、承担相应的人才培养工作。

第二，组建跨学科、跨领域的教师团队。人工智能作为交叉学科，没有固定的边界，涉及多学科、多领域的知识，这就要求其教学应该由跨学科、跨领域的教师来承担。基于此，高校应该开放教师合作机制，在校内形成交叉学科教师团队的基础上，吸纳相关企业的资源，尤其是加强与行业领先企业的合作，灵活吸纳高端人才，提升人工智能专业师资队伍水平。

第三，灵活引进人才。人才引进是补充师资力量的重要途径。一方面，要加大人才引进力度，尤其是加大引进综合素质高、能力强、适合人工智能教学科研的海外人才;另一方面，要适当引进人工智能领域以外的人才，实现人工智能领域师资队伍的多元化发展。

3. 完善校企协同合作机制

人工智能领域研究生培养应尽可能地发挥企业的主体作用，完善企业和高校的协同合作机制。

第一，建立双向交流渠道，为校企之间的人才双向流动提供保障。一方面，企业可以为高校人才培养提供实践岗位或协同建立实践基地，实现研究生培养的理论知识与实践结合，促进理论知识的转化及解决实际问题能力的培养;另一方面，高校可以引进企业内的人工智能领域的专家为研究生开设相关课程，承担相应的教学任务，这能帮助研究生及时了解人工智能发展的前沿动态，对未来职业生涯形成初步认识，同时也是优化学校师资队伍建设的重要举措。

第二，校企合作制定人工智能研究生培养方案。企业的参与能促使人才培养更加贴近现实需求，增强人工智能研究生社会适应性。企业可以从自身发展需求出发，为高校提供课程设置的依据。企业所需人才应该具备的知识，尤其是事实知识需要通过教育活动获得。企业参与课程开发，可以提升课程的针对性、科学性。

人工智能发展处于重要战略机遇期，培养人工智能领域研究生既是国家战略需求，也是人工智能学科发展的必然选择。这将加快推进人工智能多层次人才培养，进一步推动智能制造建设。人工智能领域研究生培养还有很长的路要走，加快人工智能领域研究生培养还需要多方参与，共同推动人工智能领域研究生教育高质量发展。

注释：

① TensorFlow 是一个端到端的开源机器学习平台.

② Python是由荷兰计算机程序员吉多·范罗苏姆设计的程序设计语言.

参考文献：

[1]2019年度我国高校新增1853个本科专业 人工智能专业成热门[EB/OL].（2020-03-03）[2020-03-20].http：//m.cnr.cn/news/djnews/20200303/t20200303_525001452.html.

[2]教育部 国家发展改革委 财政部印发《关于“双一流”建设高校促进学科融合 加快人工智能领域研究生培养的若干意见》的通知[EB/OL].（2020-02-24）[2020-03-20].http：//www.moe.g

ov.cn/srcsite/A22/moe_826/202003/t20200303_426801.html.

[3]2019 Global AI Talent Report [EB/OL].（2019-04-02）[2020-03-20].https：//www.elementai.com/news/2019/2019-global-ai-talent-report.

[4]全球主要国家战略布局人工智能 持续加码研发投入[EB/OL]. （2019-05-14）[2020-03-21]. http：//big5.xinhuanet.com/gate/big5/www.js.xinhuanet.com/2019-05/14/c_1124491562.htm.

[5]楊若凡，刘军，李晓军.多方协同开展智能制造新工科人才培养的思考与实践[J].高等工程教育研究，2018（5）：30-34.

[6]蔡姝雯，黄星月.人工智能人才短缺困局待破[N].新华日报，2019-01-23（11）.

[7]SHAMOS M.MSAII Established as Successor to the MSBIC Program[EB/OL].[2020-03-21].https：//msaii.cs.cmu.edu/node/222215632.

[8]Language Technologies Institute.Learn at Language Technologies Institute[EB/OL].[2020-08-06].https：//www.lti.cs.cmu.edu/learn#quicktabs-master_of_science_in_intelligent=2&quicktabs-master_of_science_in_biotechnolo=3.

[9]Carnegie Mellon University.Curriculum[EB/OL].[2020-08-06].https：//msaii.cs.cmu.edu/curriculum-0.

[10]郭娇，秦奕萱，朱雅洁.美国人工智能方向的研究生培养案例研究[J].世界教育信息，2020，33（1）：34-40，63.

（作者单位：扬州大学教育科学学院）

[责任编辑：卜 珺]