引言：AI教育的新时代
深圳的冬天依然晴朗无云。站在2025年IDEA大会的会场，我今年最大的感受是大会现场有关「AGI焦虑」变少了，对AI落地的「颗粒度」变细了。与去年相比，人们不再讨论AGI到底什么时候到来，不再充斥着对参数规模的盲目崇拜，而是更关注如何让AI带来更多的价值。
大会的核心看点依然是IDEA研究院创院理事长、美国国家工程院外籍院士沈向洋。不同于其他大厂高管热衷画「技术路线图」，沈向洋这次给出的更像是一个「思考框架」。他没有预测下一个GPT-6何时到来，而是直接抛出了智能演进的五个维度：算法范式、智能载体、交互范式、计算架构、数据。当前，绝大多数AI创业公司只在「算法」或「应用」这两个维度上卷，而忽略了系统性看待AI上下游的重要性。
我们从这次主题演讲能够比较明显地看出沈向洋想要传递的信号是：AI的下半场不仅仅是模型参数的竞争，而是各个维度之间的协同性。
一、当70%的学生选择AI，教育如何应对「暴力式创新」？
1. AI时代的教育新模式
我们进入AI时代以后，很多的教育、培养会不会跟以往有不一样的方式？
哈工大校长韩杰才表示：AI出来以后讨论最多、担忧最大的就是大学校长，我们大学校长坐在一起谈的都是AI。AI作为新一代的工具性的东西创新更容易，但要考虑的是把创新水平放在哪个阶段？低水平创新现在不需要，AI就可以替代。这就要求我们未来培养的人要更高水平，我们学生的水平要高于智能体。
大学有老师，有智能体、有学生，是三元结构，老师水平比智能体低就麻烦了。现在学生获取知识方面很容易，我们需要培养什么样的人才？我在大学当校长的时候，认为有两个事是必须的：一是基础性的东西，100年基本上没变的基础一定要掌握透。二是通过实践，坐在教室学习肯定是不对的，大学里全面改变了学习模式，以学习为主体。现在是人工智能强化学习，学生可以让AI作为工具来用。
下一步如果是自主学习的话，大学要干什么？大学一个是平台作用要凸显出来，通过你这个平台可以从社会、全世界，特别是顶尖资源里培养人的能力就变得非常重要。个体获得这些资源难度大资源。
我们现在强调基础研究，要关注原创性、颠覆性技术的需求、创新也不是原来拿来主义的东西，底层的逻辑是你的，这就越来越重要，我们的创新从大学开始做项目，大一一进入哈工大就让学生必须进入实验室，需要什么知识，该学哪个老师的课就去学，一生一策个性化的教，这样才能有个性化、特色突出的创新人才。
2. 教育改革面临的机遇与挑战
香港科技大学（广州）校长倪明选分享了他们的教育改革经验：我们学校大三才选专业，选任何专业没有名额限制，现在第一批学生70%选AI，20%选大数据，10%选智能制造，学生知道智能制造重要，可是他妈妈讲你只有选AI，因为报纸上天天讲AI。教育要改很多问题。改革最大的阻力就是老师，我们学校的老师都是国外名校回来的，可是他们在国外研究成果很好、paper写很多，国外的教学和学生的素质也不一样。回到AI的时代，学生比你还聪明，AI比你用得还好，对老师的挑战是很大的。我们学校不会用AI工具的老师基本上不能通过考试。
3. AI时代的创新模式
我们会发现AI真正的突破很大程度上是暴力式的创新，AI显学进入暴力式的创新，需要堆很多的资源，会不会变成更多工程化、使命型的创新？
韩杰才校长认为：暴力式创新最后形成的创新的角度我觉得不一定，有些是有原创的，不一定办出很大、很好的公司。有些没有原创反而很大，这就是原来这种状态。
我最近在探讨，智能时代创新什么最有生命力？文化基因最重要。为什么现在码农、硅谷印度人少了，中国人现在慢慢走在一线了。我认为要跟文化关联起来。智能时代的创新，有人说DeepSeek的思路是有文化的因素，像中文就不一样，我们写中文不写得很复杂，特别是法律方面的东西很麻烦，联想太多。
大学培养人的时候，智商是有限定的，广义理解情商越来越重要。它会有新的东西，只是这一阶段抓到机遇获得成功，跟我们搞电池一样，锂电池我们超越了，下一步全固态电池、其他电池的覆盖率是一样，是叠盖、覆盖的概念。
倪明选校长补充道：学校暴力不起来，几千卡都不得了，只有有些实验室才能做些暴力的东西。学校发展来讲，目前的暴力是大语言模型，应用还没做得很好，学校里做很多AI+的东西，智能体推理做得比较多。DeepSeek一出来为什么我们发现算力只有1/20、1/10，是不是有超越Transformer的东西出来？这是学校要做的，我们鼓励给他们更多的空间。科技大学里大概10%的老师自由探索，大部分老师还是AI+，不光是AI的老师，甚至做科技政策的老师也在用。
跟企业的关系，一般学校科研是走在企业的前面，这个领域企业走在学校前面，我们把学生送到企业界，算力的问题、数据的问题，企业和学校合作是双赢的。
4. 平衡学生选择与未来发展
倪明选校长还面临着一个棘手的问题：学校没资源做暴力美学，学生已经开始暴力选择AI的时候，作为大学的校长怎么平衡学生的未来？这个周期很长，他这次暴力选了，四年以后才能证明错了，他已经没有机会纠正了。
倪校长分享道：我上个礼拜四选择30个本科生到我家里来聚餐，我也跟同学说了同样的问题，不管做制造、材料、微电子都这么鼓励他们,但父母说必须选AI，现在是没办法跟父母沟通。
二、新型科研机构的「分账」逻辑与生存法则
1. 新型研究机构的定位与评价
新型研究机构如何定位、如何评价？现在大学里的科研和工业里的科研分不是很清楚，如果我们既想要灵活又想有学术的强项，又想接触市场，各方向的好处都想得，我们有没有这样的定位？我们应该关注哪些问题？我们应该向谁报告？我们如何评价我们做得好不好，向外如何汇报我们做得成功？
清华大学汪玉教授表示：我还有一个身份是清华大学天津电子信息研究院的院长，某种意义上来说也是一个新型研发机构，这个机构是在2015年成立，到现在十年，政府直接给的钱力度肯定没深圳这么大，当年我们的定位想得比较简单，我们孵化一些有影响力的公司。学校这边构建整个的生态，研究院作为成果转化办公室和对外合作办公室，并没有在里面放研究人员，当时看到的问题是怎么在市场竞争这么激烈的地方吸引最好的人才，这里又给不出最高的薪水，小公司的方式让他们成长起来我们在背后推动，把电子系的成果可以放进去，影响力做大，对于学校是好事，对于天津也是好事。刚才你说的，「股东」要满意，我服务清华成果转化，还要天津给一些支持。这是最早的，第一个五年、第二个五年，我们是这么干的。现在没有站得足够高，我们站在下面一层成果转化，对于一些中小 企业和大 企业的需求并没有摸得特别透，我们是孵化的逻辑，中间还有中小企业的逻辑，只靠政府投入不可能长期稳定的干好一个研究院，不能只靠政府投入，三重力量要融合起来。
香港科技大学(广州)陈雷教授分享道：我到港科大时候倪校长是计算机系主任，我是助理教授，当时港科大拿20篇Top conference和20篇Top journal，加3个RGC就可以升职，非常清楚。我当时很害怕，我玩命的写，玩命的带学生，我申请的是50+50+3。年轻人看到我说，老师你年轻的时候就在玩命写Paper，你现在不让我写Paper什么意思？
我们想和工业界结合，大方向要做Impact，那基础学科怎么做？Data For AI，训练的时候怎么把数据集减小做训练，推理怎么用KV Cache，最终落到基础问题Data怎么去存，服务于训练和推理。
这是一个基础问题，「既要还要」要跟工业界结合，不能自己写文章，写文章发得很嗨，每天都在写，impact在哪儿。做的过程中不能说老师我是做基础学科的，你给我5年、10年时间我给你憋个大招出来，我说行，但是5年之后你要憋不出来，我要你还是不要你，在此基础上像工业界有那么好的问题，为什么不能随地「下蛋」。我前两天和华为同学聊天，他们说在研究大模型投毒、被污染的问题，这些问题很新很有意义，在学校里面学习不到。哪怕做个专利和论文，至少看见你在做这件事情。转换赛道一定要把这个概念跟年轻人讲清楚，我们怎么去衡量，方向对了，impact也有了，积少成多，也有盼头，这是我的想法。
香港科技大学谢源教授则从产业角度补充：我博士毕业以后第一份工作在IBM做芯片设计，之后做教授，后面切换到AMD Research，再到加州大学，在阿里的五六年期间，阿里的五年是比较特别的时期，一方面我还继续保持加州大学的实验室，那里还可以做非常前沿的研究，同时有阿里的达摩院，相当于是公司的研究团队。第三个角色带着平头哥数据中心大芯片的四个方向，CPU、GPU、存储、网卡芯片，那段时间特别可以感受到今天的问题，UCSB的团队可以做非常基础的工作，Research For Fun，完全兴趣驱动。达摩院是要为产品部门做积累，比较近期的工作，「平头哥」是纯工程的事情，一定要实现5纳米的CPU，实现GPU可以在阿里云里用起来。
新型研发机构要解决的问题是「达尔文死海」，不需要太考虑能不能落地，完全是兴趣驱动。另一方面产业考虑的是近期，能不能马上用到平头哥的产品里，新型研发机构要做桥梁。
评价体系对于新型研发机构来讲，不单纯是以学校或是公司，可能从三个维度，学术影响力就是研究的深度，技术影响力是对整个产业影响，某种程度上是广度问题，产业和社会的影响力是产生价值，能给企业、产业带来价值。
2. 新型科研机构的组织方式
这样的机构应该怎么组织？除了常见的公司项目体系或者学院课题方式？还有什么其他的组织方式吗？怎么能以学科为基础还是项目为基础的两种方式中间找到平衡
汪玉教授分享道：电子系有两个一级学科，信息与通讯工程，更多干的是大系统，包括关键的数学基础。另外是偏芯片的，电子科学与技术，在大平台上做基础的器件和芯片。AI时代我自己感受都得有一个中台，底层的大平台，底层大平台本身需要更多的支持，比如说建一条线，我们会有一条线我们叫厨房，老师们或是小团队是厨师，做出菜来，这个菜怎么卖是怎样的事儿。偏器件层面大概率还是要按这套体系，需求的来源是外部的，做菜本身的团队是自由的、小的。我感受到前面的一级学科开始往这个方向走，特别是最近Agent起来，底层还是AI和工具，上面又变成小团队。自己往后走有底层的平台，上面有一些垂直的行业，跟模拟芯片的厂商很像，跟ADI、TI很像，工艺、设计共用的部分是基础，上面一堆不同的团队做分散的产品。
陈雷教授则提出了更灵活的组织方式：虽然我是信息学院，我办公室旁边坐的人是生命科学，右边坐的是搞材料的，老师一进来是随便选办公室，大学里老师们坐得乱七八糟，找学校的老师开会都要Zoom。学生拿奖学金，老师是没有钱的，要跟学生讲，我可以带这个项目。我带了一个碳中和的项目，做碳吸附、碳存储，我就得找搞环境、碳中和、材料老师，我们组成一个team，这种跟之前完全不一样，原来是校长把钱给我，我为什么要跟你们合作，现在学生都组队了，要把学生抢过来，把钱给想做的学生，老师帮助他们去做，我觉得这种真的是在新型院校里，校长敢大胆改革。作为老师、院长我也不开心，我也没钱，只能求着学生，学生就去参加环境大赛，碳吸附、碳存储，环境大赛都拿奖，而且是一个团队，后面的老师是各领域老师，一下子就把这个方面带起来了，这是非常好可以借鉴的方法。
谢源教授以芯片领域为例：我简单用我们在芯片领域的组织模式是矩阵式的管理方式，我觉得首先是有个能力中心，这是纵向的，偏设计的人员、偏验证的人员，他们作为能力中心，偏法、偏架构、偏底层设计，作为能力中心是一个维度，第二个维度是横向，项目维度，我们为了设计CPU、GPU，需要调配设计架构+验证的人，三是技术平台，所有的项目需要走到后端的设计，平台部需要为所有的项目和能力提供平台基础设施。
3. 新型科研机构的资金支持
怎么支持研究机构，钱从哪儿来？有一个困难，研究的时候经常有些不确定性，我做问题A，后来发现问题A没做出来，对问题B有些进展，但问题B不能挣钱，这个问题经常发生。怎么支持不确定的研究能往前走？
汪玉教授认为：这是两份钱，第一份钱是整个机构的钱，整个机构的钱还得找有钱的帮支持，比如说当年贝尔实验室是垄断企业，深圳有钱让政府持续给也不容易，还得把深圳本地潜在有钱的吸引进来，这是最重要的，赚钱的闭环最好跟研究闭环不要太耦合，否则就扭曲了。这样的机构里有20%的人随便干，80%的人有些目标。
陈雷教授则分享了他们的经验：谈到钱的事，港科广是政府给钱建的学校，校董会和校长特别要求下未雨绸缪，如果政府不给你钱怎么办？我们已经开始好多相关工作，到目前为止，昨天是第19个工业和学术Joint Lab成立，明年就有30个，每个实验室的投资是1000万，资方会越来越向工业界。假设我做一个很简单的项目、横向的项目，做完了以后不work，但我有一个B，我要做实验室不怕，把B给你，联合实验室要专利给你专利，要论文给你论文，东西出来了。你想让我做A，我做A，B也不错，有专利、有论文，资方也很开心，而且他也收获了意想不到的东西，这种情况下作为高校不可能总靠政府资金，就跟工业界合作，帮工业界做点东西你总得给我钱吧，而且越来越多，五年以后有100家Joint Lab，这个学校就没有问题了，学生的项目也会做得非常开心，这是我们学校和工业界强强合作。
谢源教授提出了四四二分的资金分配模式：他们谈到找钱，用钱的角度就是用灵活的资金支持动态的合作，服务于坚定的方向就可以。汪玉提到八、二分，在我这儿是四四二分，基础有40%，40%是项目相关，20%是作为侦察兵、种子，这是对应汪玉的八二。
三、AI原生编程语言出现时，程序员都消失了吗？
1. AI友好的编程语言
TypeScript语言第一次超越Python成为GitHub最受欢迎的编程语言，因为TypeScript可以更好的让AI生成。未来有专门为AI设计的AI友好的编程语言吗？
中山大学王焱林教授指出：这个月GitHub出了报告，TypeScript成为Top1的编程语言，这是过去十多年编程语言格局最大的改变。我总结出最大的区别，TypeScript是静态的语言，MoonBit也是静态的，我也看好MoonBit的发展。我认同AI友好的编程语言的概念，也有一些语言特性是未来作为对AI友好编程语言一定要有的，一是类型系统是静态约束越清晰、越强越好。二是模型对机器是友好的，这也是TypeScript做得比较好的点。三是对人友好，最终的编程知识要转到人上。四是特别重要但比较被人注意到的，要对演化友好，现在coding Agent出来很震撼，给他一个指令就会做出一个游戏、网站，但是是需要迭代的，他生成很多的东西里面有很多的错误，我们迭代的时候才是最痛苦的。未来编程语言设计一定要把刚才这几个点考虑进去。
2. AI编程智能体的护城河
微软的Copilot送Token更多，可以说量大管饱。AI编程时代，AI Coding智能体的护城河在哪里？
王焱林教授分析道：Cursor有一个很大的特点，迭代速度非常快，几个月可以迭代非常多次，背后的原因是最看重的是体验，开发者在IDE里到底体验、流畅感是怎样，也是Cursor的硬实力，硬实力会被厂商抹平，一些软实力，让一个Agent陪伴我在一个仓库里执行一些动作的时候，希望他一定是越来越懂我的，Memory也很重要，它懂我踩过哪些坑，我很难切到另一个智能体，哪怕生成准确度提高5%，我感受不到，更在意软实力是非常重要的。
3. AI时代的程序员未来
有些人会建议AI编程取代人类，以后没有程序员了，有人觉得AI增加了很多的长尾需求，以后人人都是程序员，这是两个截然相反的观点。AI的天花板在哪里，未来程序员是增加还是减少？
王焱林教授认为：很难从数量的角度说未来程序员的数量是增加还是减少，我们中午也讨论到程序员的概念会变化，并不会像现在映射的coding概念，可能成了真正软件工程师，从一个软件的需求开发测试到后面维护都要了解，能力是增强的。我想分享一个案例，我在浙大读书，周末在酷家乐做实习生，现在是杭州六小龙，那个时候他的员工是30到50位之间，那个时候人特别少，我做的是「家风水」板块，一个人负责整个板块，我进去的岗位是开发工程师，我当时进去的时候在想，我是程序员做coding，实际上我要对「风水」，用户上传的户型图要分析户型的风水怎么样，提一些风水的改进建议，这是我知识之外的东西，我相当于要做PM产品经理，得调研户型风水的东西。创始人还带着我去杭州风水大师家里请教户型风水的知识，白天coding，晚上看《易经》，后端要设计整个系统的架构，前端还好，配了一位前端工程师，还得设计数据库的东西，测试也是我。十几年前我对程序员的概念就是全栈的概念，AI时代未来更是，单点的开发者概念被模糊了。
对于未来每个人都是程序员还是只需要专业的程序员这个问题，王教授回答：不是每个人都是程序员，是让每个人都可以写点代码，这个时候软件工程能力更重要了，更加系统化的能力。
4. 国内AI编程创业环境
硅谷的独角兽最多是编程，很容易达到10亿美金，反观国内做AI编程的反而是大的公司，比如说字节、阿里、快手、美团，这些大厂都在做AI编程，国内的独角兽好像没有出来，各位都是创业者，是因为我们的大模型能力没到还是因为这个领域在国内比较难？
王焱林教授从人才培养角度分析：创业方面我很难给出一个趋势判断，我从高校人才培养方面谈谈创新创业我们怎么做，coding智能体要想做好，人才这块是非常稀缺的，本身要做好从编程语言、编译器方面的人才就非常稀缺，又要让它懂AI、大模型，这是非常稀缺的。我们国家的优势是人特别多、人才也特别多。我有一个观察，前年是我在中大第四年教编译原理，每一届学生问的问题变化非常大，我感受非常深刻。前面两届问环境配不通，这四年也是AI迅速发展的四年，我发现今年他们会问这个词法分析算法可以做个创新，问我能不能行得通。有的同学说能不能不用C语言Python写，下面推荐MoonBit写。他们思考的方式变化让我觉得是很正面的，我们又有人才基数，又有AI带来的加持。科研能力也是大幅提升，我在微软亚研工作几年，那个时候我们发现搞好科研发论文的都是博士，少量的硕士。我去了中大以后，前两年也主要是这样，这两年我发现有非常多的本科生做科研也很好，这是大模型的加持。
结语：AI时代的教育新生态
AI时代的教育正在经历一场深刻的变革。从IDEA研究院沈向洋提出的智能演进五维度框架，到各大学校长分享的教育改革实践，我们可以看到，AI不仅是教育的内容，更是教育的工具和思维方式。当70%的学生选择AI专业时，教育者需要思考如何培养高于AI水平的人才，如何构建产学研深度融合的新生态。
未来的教育将更加注重基础研究与实践应用的结合，更加注重个性化培养与团队协作的平衡，更加注重学术影响力与技术影响力的统一。新型科研机构将成为连接学术界与产业界的重要桥梁，而AI原生编程语言的出现则将重塑软件工程的发展方向。
在这个AI与人类协同进化的新时代，教育的核心使命不是培养与AI竞争的人才，而是培养能够驾驭AI、创造AI、引领AI发展的高水平创新者。这需要我们重新思考教育的本质，重新定义学习的边界，重新构建知识的体系。
