工信部印发“人工智能+软件”方案,高校所有专业都该认真读

工业和信息化部近日印发《“人工智能+软件”专项行动实施方案》（工信部信发〔2026〕209号），提出到2028年推广应用覆盖2万家规模以上软件企业，在重点行业打造100个智能体软件标杆应用；到2030年关键软件全面实现智能化升级。

这份文件看起来是软件工程、计算机科学的事。但这恰恰是最大的误解。

这跟高校所有专业都有关系。

如果把这份文件和国家网信办、国家发展改革委、工业和信息化部四个月前联合印发的《智能体规范应用与创新发展实施意见》放在一起读，才能看懂国家到底要干什么。

《智能体规范应用与创新发展实施意见》明确智能体是“具备自主感知、记忆、决策、交互与执行能力的智能系统”，提出19个典型应用场景。这是一份“应用端”的规划，告诉各行各业：智能体要来了，你们要准备好。

19个应用场景，覆盖科学研究、产业发展、提振消费、民生福祉、社会治理五大方向。从智能制造到农业生产，从金融服务到医疗健康，从司法服务到教育教学，从能源资源到招标投标。每一个场景背后，都是一个具体的行业。每一个行业背后，都是一个具体的专业领域。

《“人工智能+软件”专项行动实施方案》是一份“供给端”的规划，告诉软件行业：你们要为各行各业提供智能体开发的底座和工具。

两份文件放在一起，构成一个清晰的逻辑链条：国家已经画好了智能体应用的蓝图，备好了智能体开发的工具。蓝图有了，工具有了，缺的是人。缺的不是程序员，是能把行业业务逻辑定义清楚的人。

这些智能体由谁来设计？由谁来定义业务逻辑？由谁来评估AI的能力边界？

“人工智能+软件”的核心不只是写代码，而是让每个专业领域的人都具备用AI智能体重构本行业业务流程的能力。

所以，国家政策真正的要求不是“学计算机的怎么做AI”，而是“学财税、学医、学法、学农、学教育的人，怎么成为智能体的设计者”。

一个被忽略的高校人才培养政策

《“人工智能+软件”专项行动实施方案》中有一句话：“强化软件人才培育与供给。面向软件领域新职业、新岗位需求，加强复合型人才培养。支持高校结合产业发展更新相关学科专业，深化学科交叉融合。鼓励校企合作开设产教融合课程、共建人才实训基地，实施卓越工程师培养计划与职业教育高技能人才集群培养计划。搭建国际交流平台，加强海外顶尖人才引育。”

什么叫复合型人才？

简单说，“既懂行业又懂AI”。

以财税行业为例。一个企业开一张增值税发票，表面上看是财务人员点几下鼠标的事。实际上，这张发票背后涉及税务系统的税率规则、海关系统的进出口数据、社保系统的缴费基数、财政系统的补贴政策、银行系统的资金流水。无数个系统，无数条规则，跨越多个政府部门和金融机构。

正是这种复杂性，催生了一个庞大的行业：代理记账。中国有超过6300万户中小企业，绝大多数没有独立的财务部门。报税、做账、开票、社保代缴，全部交给代理记账机构。

那么，财税智能体能不能重构这个行业？

通过AI算法优化对接流程，实现智能流程自动化，构建统一API接口池，解决多系统适配问题。技术上完全可行。

但问题来了：税务法规怎么理解？各地规则差异在哪里？财政系统的数据接口有哪些限制？社保缴费基数的计算逻辑是什么？哪些异常情况必须人工复核？

这些问题的答案，不在AI工程师的代码库里。这些答案，在财税专业的人脑子里。

财税智能体的设计，需要的是“懂财税的人”来定义“智能体应该怎么做”，而不是“懂代码的人”来告诉财税从业者“你的业务该长什么样”。

这就是“设计者”的价值。这就是为什么《“人工智能+软件”专项行动实施方案》要专门强调“强化软件人才培育与供给”。

所有专业都需要“+人工智能”

《智能体规范应用与创新发展实施意见》列出的19个应用场景，几乎涵盖了所有应用型学科。

金融服务场景需要懂金融风控的人来设计信贷审批智能体。

医疗健康场景需要懂医学的人来设计疾病诊断推理智能体。

司法服务场景需要懂法学的人来设计全流程办案辅助智能体。

农业生产场景需要懂农学的人来设计农业服务智能体。

教育教学场景需要懂教育学的人来设计学情分析智能体。

智能制造场景需要懂工业制造的人来设计生产管理智能体。

能源资源场景需要懂环境科学和电力系统的人来设计环境感知和电力调度智能体。

交通运输场景需要懂交通管理的人来设计交通安全监管智能体。

政务服务场景需要懂公共管理的人来设计政策咨询智能体。

城市治理场景需要懂城市规划的人来设计城市治理智能体。

这个名单可以一直列下去。

每一个场景，都需要“既懂行业又懂AI”的复合型人才。每一个专业，都面临课程体系重构的命题。

中国人民大学在“人工智能+软件”交叉培养上的布局，核心逻辑是“不另起炉灶”，在人文社科的优势土壤上，让每个专业长出AI的根系。

“金融与大数据技术创新人才班”是一个标志性案例。 这个项目由财政金融学院与信息学院共同培养，毕业获经济学、工学双学士学位。它的前身是2019年创立的“金融学-数据科学与大数据技术（工学）实验班”，是国内“双一流”高校中首个金融学与计算机、大数据学科交叉复合型人才培养项目。2023年升级为双主修模式的双学士学位项目，每年招收30人左右，独立建制培养。培养方案要求学生系统学习经济学/金融学核心课程和数据科学与大数据技术核心课程，并将“人工智能与Python程序设计”纳入个性化选修课。这个项目的设计逻辑很清晰：不是让金融专业的学生去学编程，而是让未来的金融从业者具备用数据和AI重构金融业务流程的能力。

“X+人工智能”课程体系覆盖了更广泛的学科。 人大推出了近百门“X+人工智能”专业课程，法学院开设“人工智能与法律规制”，商学院开设“商业智能及数据挖掘”，新闻学院开设“算法新闻”。这些课程不是计算机专业课程的简化版，而是从各专业自身的业务逻辑出发，教学生如何在本领域内应用和设计AI工具。

对于正在思考“课程体系怎么改”的高校来说，人大的参考价值在于：如果连人文社科旗帜的高校都能拆掉学科围墙，其他高校没有理由说“我们做不到”。

人大没有把学生当作“学AI的人”，而是当作“用AI定义本行业业务逻辑的人”。这个定位的转变，才是人大案例最值得学习的地方。

“三懂”人才的能力模型

那么，“既懂行业又懂AI”的复合型人才，到底应该具备什么能力？

可以概括为“三懂”。

第一，懂业务流程。

知道行业的痛点在哪里，知道现有的业务流程为什么是这样设计的，知道哪些环节最容易出错，知道哪些环节最耗费人力。一个财税智能体的业务需求方，需要知道代理记账行业的核心痛点是什么。一个医疗智能体的业务需求方，需要知道医生在看影像时最需要什么样的辅助信息。这些知识，来自在行业里的实际经验积累，来自对业务逻辑的深度理解。

第二，懂数据逻辑。

知道哪些数据可以喂给AI、哪些不能。财税数据涉及企业隐私，医疗数据涉及患者隐私，法律数据涉及案件保密。数据的使用边界在哪里，数据的质量如何评估，数据的标注标准是什么，这些判断需要行业知识。不知道数据背后的业务含义，就无法判断数据使用的合规性和有效性。

第三，懂AI能力边界。

知道智能体能做什么、不能做什么。一个财税智能体在什么情况下会出错？一个医疗智能体在什么情况下需要人工复核？一个法律智能体在什么情况下需要律师介入？这种判断力，来自对业务的理解和对AI的了解。不了解AI的能力边界，就无法设计出可靠的工作流。

这三个“懂”加在一起，构成了“复合型人才”的差异化价值。本质上，就是让每个专业的学生都成为本行业的“设计者”。

对高校来说，这意味着一个根本性的转变：从“培养单一专业能力”转向“培养复合能力”。不是让学生转行去学软件编程，而是在本专业内增加AI应用能力模块。

高校面临的三大结构性挑战

培养“三懂”人才，对高校来说意味着三个层面的系统性挑战。以财税专业为例。

挑战一：课程体系如何重构？

目前的课程体系是工业时代的产物，专业细分、壁垒分明。财税专业的学生学税法、会计、审计，计算机专业的学生学数据结构、操作系统、编程语言。两者之间的交叉非常有限。

如果要在财税专业中融入AI应用能力，需要增加什么课程？不是“信息技术基础”这样的通识选修课，而是“财税智能体设计与应用”“财税业务流程自动化”“财税数据分析与建模”这样的专业融合课。

这些课程需要谁来教？既懂财税又懂AI的老师，目前极为稀缺。

挑战二：师资能力如何提升？

大多数财税专业的老师，没有AI背景。大多数计算机专业的老师，不懂财税业务。要培养“既懂行业又懂AI”的学生，首先需要“既懂行业又懂AI”的老师。

短期内，可以通过校企合作引入产业导师。中期来看，需要建立教师跨学科培训机制，让财税专业的老师了解AI能力边界，让计算机专业的老师了解财税业务逻辑。长期来看，需要在教师招聘和评价体系中，为跨学科人才开辟通道。

挑战三：实践平台如何搭建？

“三懂”人才的核心能力，不是从课本上学来的，是从实践中练出来的。学生需要有机会接触真实的业务场景，需要有机会参与真实的智能体设计项目。

产教融合基地、校企联合实验室、真实项目实训，这些都需要高校和企业深度合作。不是签一个框架协议、挂一块牌子的形式主义合作，而是让学生真正参与到智能体从需求分析到设计开发再到落地部署的全流程中。

要培养“设计者”，高校面临的不是加几门课的问题，而是课程体系、师资能力、实践平台三个层面的系统性挑战。

“鼓励校企合作开设产教融合课程、共建人才实训基地，实施卓越工程师培养计划与职业教育高技能人才集群培养计划”。这些政策信号，为高校的产教融合提供了明确的方向指引。

一个可供参考的推进路径

对于高校领导和老师来说，全面重构课程体系不现实，一刀切地要求所有专业都“+AI”也不现实。一个可行的推进路径是分三步走。

第一步，通识层：面向全体学生开设AI通识必修课。 让学生理解AI的基本原理、能力边界和伦理规范。不是为了让学生成为AI专家，而是为了让所有学生都具备与AI协同工作的基本素养。

第二步，融合层：在重点专业开设“专业+AI”融合课程。 选择与19个应用场景直接对应的专业，比如财税、金融、医学、法学、教育学、农学等，率先开设融合课程。课程内容不是“AI原理”，而是“AI在财税中的应用”“AI在医疗中的应用”“AI在法律中的应用”。让学生理解AI如何重构本行业的业务流程。

第三步，高阶层：在优势专业设置“AI+专业”交叉方向或联合学位。这一层适合有条件的重点高校和优势学科先行先试。

三步走的最终目标，是让每个专业的学生都具备成为“设计者”的能力。

关键在于：不是等条件成熟了再动手，而是在行动中逐步完善条件。课可以边开边改，老师可以边教边学，教材可以边用边编。最怕的是等。

一个正在关闭的窗口期

三步走说起来清晰，但留给高校的时间窗口并不宽裕。

在未来一段时间内，低技能岗位的就业压力和高技能人才的紧缺会同时存在。

当智能体在各行各业规模化落地时，最先受益的，一定是那些已经做好了人才储备的高校。当财税智能体、医疗智能体、法律智能体大规模普及时，那些率先培养了“既懂行业又懂AI”的毕业生的高校，将在就业市场上获得明显的竞争优势。

而那些还在犹豫“要不要改课程体系”的高校，可能会发现：不是自己想不想改的问题，而是学生用脚投票的问题。

回到《“人工智能+软件”专项行动实施方案》中的那句话：“支持高校结合产业发展更新相关学科专业，深化学科交叉融合。”

这句话不长，但分量很重。它意味着，从财税到医疗，从法律到农业，从教育到金融，每一个专业的课程体系、培养方案、能力模型，都可能面临一次系统性的重构。

这次重构的核心，不是“加一门AI课”，而是“让每个专业的学生都具备用AI智能体重构本行业业务流程的能力”。

这个任务，比让计算机专业的学生学AI难得多。但它必须做。

工信部政策原文，点击阅读原文。