一份面向高职院校的 AI 课程指南，把「通识」两个字重新定义了一遍。
2026 年 5 月，全国人工智能通识教育产教融合共同体等三家单位联合编制了《高等职业院校人工智能通识课程体系建设指南》。工作小组花了近六个月研讨、征询意见、修改，落到纸上的目标只有一句话：让学生懂 AI、会用 AI、善用 AI、合规用 AI。
第一个信号是排序。它把「岗位需求为导向、岗课赛证融合为路径」写进了编制原则（来源：《高等职业院校人工智能通识课程体系建设指南》），也就是说，通识课不是给全校上一门简化版的计算机导论，而是要给每个专业群配一套能接上岗位的能力训练。它依据的上位文件，是《「人工智能+教育」行动计划》（来源：《「人工智能+教育」行动计划》）。
培养目标四条，没有一条叫「会写代码」
指南给 AI 通识教育定了四个培养目标：思维认知与人机协同素养、工具应用与数据实践能力、专业融合与岗位胜任能力、伦理安全与持续发展能力。
这四条的顺序值得细看：排第一的不是工具操作，是人机协同的思维认知；排最后的才是伦理、安全与职业规范。中间两条是能力，一条是数据和工具，一条是专业和岗位。
换句话说，学智慧农业的学生不需要和计算机专业的学生比谁会调参；他要知道 AI 在育种、植保、农机调度里能做到什么、做不到什么，以及自己专业里哪些数据能喂进去。这个定位比「让所有学生都学会 Python」务实得多。
五个知识模块，重心不在编程
课程内容被拆成五个知识模块：模块一是人工智能基础与通用工具应用；模块二是职业场景数据处理实操；模块三是人工智能融合专业场景与岗位应用；模块四是人工智能前沿技术与产业新应用；模块五是人工智能伦理、安全与职业规范（来源：《高等职业院校人工智能通识课程体系建设指南》）。
只有模块一偏基础认知，后面四个全部绑在职业场景上。模块二讲的是本专业常见的脏数据怎么清洗、标注、脱敏；模块三讲的是把 AI 塞进真实工作流程之后，岗位职责怎么变；模块五则要落到职业规范层面——哪些数据不能交给外部模型，生成内容的版权和署名怎么处理。
这个结构和企业需求对得上。在我们自己做的项目里，制造、能源类客户的新人上手最慢的环节从来不是不会用工具，而是不知道什么情况下不该用、用完的结果该由谁复核。
三类课程，十二个交叉方向
具体开课，指南给了三档。通识基础型四门：人工智能基础与大模型应用、计算思维与人工智能素养、大模型与 AIGC 应用、人工智能项目实践基础。通识技术型五门：Python 与人工智能基础、AI 数据处理与标注、机器视觉基础与应用、人工智能导论、深度学习。
第三档叫通识交叉型，列了十二个方向：智能制造、智慧财贸、智慧服务、智慧农业、智慧医疗与康养、智慧交通、智能媒体与创意、智慧水利、智慧轻工、智能电子与信息、智慧文旅、智慧教育与体育。
这一档才是通识课真正难的地方。十二个方向意味着十二套案例库、十二套实训环境、十二组懂行业又懂 AI 的老师。指南因此在实施建议里专门写了三件事：分层分类的课程规划、模块化课程结构加项目化教学、双师型师资队伍的培养机制，同时要求院校配套算力与实训平台、行业案例与项目资源库。这两样是硬投入，缺一样，交叉型课程就只能停在 PPT 上——一个院校要同时开十二个行业方向的 AI 课，靠外部讲座补不上长期缺口。
图注：前两档解决基础能力，真正拉开院校差距的是第三档——十二个方向要配十二套行业案例与实训环境
先让系统理解「学生怎么想」
课程体系解决的是教什么，还有一份白皮书在追问另一个问题：教育系统本身该长成什么样。
《世界模型驱动的教育AGI白皮书：从认知仿真到教育智能体的范式跃迁》给出一个略带刺痛感的判断：过去二十年的教育数字化，本质上是一场「信息迁移」——把黑板搬上屏幕，把纸质作业搬进数据库，把课堂讲授录成视频。信息层做得极成功，认知层却卡住了：系统能精确记录学生做了什么，却回答不了学生为什么这样想；能推荐下一道练习题，却无法推演哪种干预最能促成概念的根本转变（来源：《世界模型驱动的教育AGI白皮书》）。
它的技术主张是以认知世界模型为底座、以 LAM（学习—评估—建模）闭环为范式，用教育仿真器、规划器、渲染器组成三位一体的工程架构，并提出「涌现式教育」的愿景——理想的学习路径难以完全先验设计，而是在系统与学习者的持续交互中实时生长。白皮书自己列出了四道深水区：认知状态不可直接观测、概念转变是非线性的、教学干预存在长期延迟反馈、认知数据的隐私边界。
一个补的是当下，一个赌的是以后：前者看就业率，后者还说不清，这本身就是它需要更长窗口期的原因。
图注：从「信息迁移」到「认知仿真」，教育技术要换的不是工具，是底座
源势AI观点
企业招人时抱怨的从来不是学生不会用某个工具——工具半年一换，学了也会过期。真正缺的是判断力：知道这个任务该不该交给模型，知道模型给的结果该怎么验。
所以看到这份高职指南把「岗位需求为导向」写在前面、把「伦理安全与职业规范」单列成一个模块，我们是认同的。AI 通识课的价值不在于把学生训练成工具的熟练工，而在于让他们在进入岗位前就建立起对 AI 能力边界的常识。
落到执行，别一上来就铺满十二个方向：先挑两三个和本地产业最贴的方向做试点，把行业案例和实训流程跑通、沉淀成可复用的资源包，再往外扩。课程体系可以一次性发文件，师资和案例库只能一个个长出来。
对我们自己，这件事还有一层现实意义。源势AI 做企业 FDE 落地时，客户的痛点往往不在技术侧，而在业务侧没人能准确说出「哪些环节可以让模型接手」。这类判断力，本该在学校里就开始培养。
教什么，最终决定企业要补多少课。
