问题——人工智能浪潮快速推进，但人才培养与创新转化仍有“断点”。近一段时间，人工智能应用加速渗透科研、产业和社会治理，但高校人才培养链条中，仍普遍存在两类突出矛盾：一是“学与用脱节”，学生掌握概念与工具，却缺少真实问题牵引，难以产出可验证的产品与方案；二是“学科壁垒”，技术与行业场景之间缺少稳定对接机制，导致不少创意停留在报告和演示层面，难以进入持续迭代与市场检验。面对这个现实，如何在高校内部构建可复制的创新创业训练体系，成为提升学生“AI+创新”能力的重要课题。 原因——以公共选修为入口、以项目实战为抓手，推动教育供给侧的组织创新。据了解，南京大学推出面向全校、不限学科背景的人工智能创新创业公共选修课，并将其纳入研究生“AI+创新能力提升”有关行动计划，旨在以更低门槛扩大覆盖面，让文理工医等不同背景学生进入同一训练场。课程设计强调“双轨并行”：课堂环节系统梳理人工智能知识体系与应用方法；项目环节采用项目制学习，由学生自主组队、围绕问题形成产品原型，并以路演作为阶段性评价。同时，引入具备产业经验的导师对团队开展伴随式指导，必要时组织集中研讨，解决关键难点。教学组织从“讲授中心”转向“任务中心”，将学习过程与真实交付绑定，使学生在约三个月周期内完成需求定义、数据处理、模型与产品迭代、用户反馈、商业表达等关键环节，把抽象知识转化为可操作能力。 影响——课堂成为“孵化场”，跨学科团队在真实约束中形成协同能力并产出初步成果。课程热度背后，是一批项目从“作业”走向“作品”乃至“产品”的变化。来自不同学院、不同专业的学生围绕健康管理、宠物陪伴、文化内容等方向开展探索：有的项目在赛事中获得认可，有的完成用户验证并持续迭代，个别团队推进到公司注册阶段。从能力结构看，这类项目实践放大了人工智能的“催化效应”：一上，AI工具降低了从想法到原型的门槛，使非技术学生也能导师与团队协作下完成从需求到实现的关键跨越；另一上，跨学科协作把技术可行性与场景合理性放到同一套约束中，促使团队在算法指标之外关注产品体验、合规伦理与商业模式，推动技术同学理解行业限制，也推动非技术同学掌握数据处理与评测等基础方法。，课堂内形成的创新共同体，为科研成果转化以及与校友、企业资源对接提供了“低成本试错”的空间，有助于产学研要素在校园内更早耦合。 对策——在扩面与提质之间把握尺度，建立更稳健的资源与评价体系。实践表明，面向全校开放的课程更容易形成“跨界反应”，但要将热度转化为可持续的培养成效，仍需在制度与资源层面持续完善：其一，强化问题来源机制，鼓励与医院、企业、城市治理等真实场景对接，引导学生在真实需求与数据条件下开展研究与开发，减少“为做而做”；其二，完善算力、数据与工具链等基础支撑，推动合规可用的数据资源供给与安全规范培训，确保学生项目在隐私保护、数据使用与模型安全等守住底线；其三，优化评价标准，既看技术实现，也看问题定义、验证过程与社会价值，鼓励“可解释、可落地、可持续”的成果；其四，建立从课程到孵化的衔接通道，形成导师库、投融资与知识产权咨询等服务支持，帮助成熟项目走向更高水平的研发与应用，同时为未成熟项目提供复盘与再训练路径，形成良性循环。 前景——以“AI+”为牵引的通识化、实战化培养将成为高校创新体系的重要增量。当前，人工智能正在重塑科研范式与产业形态，高校人才培养也需要从单一知识传授转向综合能力塑造。以项目制为核心的课程探索，有望在三个层面释放更大价值：对学生而言，形成“懂技术、懂场景、懂表达”的复合能力，提升就业与创业的适配性；对学校而言，推动学科交叉与成果转化机制前移，促进科研、教学与产业需求之间形成循环；对社会而言，为新质生产力培育提供更充足的人才与应用供给。可以预期，随着课程体系、资源保障与治理框架完善，类似模式将从“爆款课程”走向“常态化能力建设”，并在更大范围内促进产学研协同创新。
南京大学AI创新创业课的实践显示，高等教育要提升培养质量，关键在于打破学科壁垒、引入产业经验、让学生在真实问题中释放创新能力。当AI技术成为加速器，不同学科背景的学生在共同的创新实践中实现思维碰撞与能力提升，课堂才能更有效地连接科研、产业与社会需求。此产学研融合的探索，为高校人才培养模式改革提供了参考，也为教育与产业协同发展打开了新的路径。