人工智能赋能与特色软件人才培养

邓 磊，姚 鑫，刘佳琦，陈志刚

中南大学 计算机学院

随着全球数字化转型的推进，软件已经成为驱动各领域发展和影响人民生活方方面面的重要力量。从国之重器的工业控制软件到寻常百姓的移动应用，软件正在以前所未有的速度重新塑造社会经济的每一个行业。然而，我国在关键基础软件、大型工业软件等领域仍面临“卡脖子”技术问题。在这样的背景下，教育部开启了特色化示范性软件学院建设，目的是瞄准解决软件行业共性难题，深化产教融合与学科交叉，培养支撑软件产业高质量发展的高素质创新复合型软件人才。

近年来，以ChatGPT、DeepSeek为代表的生成式人工智能技术飞速发展。“AI+人才培养”已经成为当前软件工程教育教学范式变革的关键突破口。在2025年于哈尔滨举行的特色化软件人才培养年会上，核心议题是研讨生成式AI如何赋能软件工程的教学改革与人才培养。随着机器承担更多重复性编程工作，特色软件人才的培养又应当如何定位？未来需要培养怎样的核心能力？因此，将人工智能从技术课程内容转化为特色软件人才培养体系变革的核心驱动力，对软件工程教育教学提出了全新的要求。

在新一轮科技革命和产业变革背景下，软件已成为国家安全、产业升级和科技创新的重要基石。与通用软件不同，基础软件、大型工业软件、行业应用软件等特色领域软件具有较高的技术壁垒、庞大的工程体系以及较长的研发周期等鲜明特征，其发展水平在很大程度上决定着产业链是否具备自主可控能力。在此背景下如何构建与之相适应的人才培养体系，已成为当前工程教育必须面对的重要问题之一。

从国家战略层面看，近年来针对软件产业、数字经济、人工智能发展所进行的顶层设计（见表1），已经清晰释放出如下信息：高质量的软件人才供给已成为制约技术突破和产业升级的关键因素。2020年，教育部与工信部联合发布《特色化示范性软件学院建设指南》^[1]，明确提出要聚焦关键基础软件、大型工业软件、行业应用软件、新兴平台软件、嵌入式软件五大领域，遴选特色化示范性软件学院，打造培养支撑国家软件产业高质量发展的核心力量，为特色软件人才培养提供了明确的实施路径。2021年12月，北京大学、清华大学、浙江大学等33所高校入选首批特色化示范性软件学院建设名单，特色软件人才培养迎来规模化、体系化推进的新局面。特色软件学院联盟定期举办系列研讨会来持续深化人才培养模式的改革创新。以AI赋能为路径、产学研一体化为机制的软件人才培养模式已然成为特软学院建设的重点工作方向之一。

人工智能并不是对传统工程教育方式的简单技术升级，而是对原有的工程教育逻辑发起了挑战。软件工程教育不能满足于对单门课程、单一工具的调整，要在培养目标、课程结构及教学模式等方面作出系统的回应，这也是应对国家重大战略需要，带动我国工程教育由数量扩张到内涵提升转变的历史机遇。

AI新技术的发展为特色软件人才培养奠定了新基础，但同时对现有工程教育模式提出了新的挑战。

首先，人工智能技术迭代速度远大于高校课程体系更新换代的速度，因此对新技术的课程教学时常落后于人才培养需求。

其次，大量应用AI工具存在教学评价难、学术不端易发的问题，如何正确引导和鼓励学生充分合理地使用辅助工具进行学习，保证考核可以对学生系统的思维能力和工程综合能力作出合理的评价，是今后开展工程教育必须解决的问题。

再次，复合型师资供给不足是限制教改深入发展的重要因素之一，须建立完善的教师评价制度、邀请产业导师来校任教以及推动校企协同育人等方面的措施。

最后，因算力、实验资源等方面的原因，难以大面积开展AI实践教学，通过校企合作、校际协同的方式共建实验平台、共享教学资源，能有效破解这一难题。

在国家推进软件工程自主可控，人工智能新技术飞速发展的今天，软件工程人才培养的转型压力进一步加大。基于清华大学、北京航空航天大学、国防科技大学、中南大学等高校在软件工程和人工智能交叉培养上的前期探索，在汇总和归纳既有经验的基础上，我们打造了以“能力塑造”为中心的AI驱动特色软件人才培养体系（如图1所示）。

培养目标是人才培养的“起始点”。当生成式人工智能大规模介入到软件开发的过程中后，“技能举例式”的目标表述已经不能适应软件工程专业新时代背景下的要求。

首先，传统的培养目标默认软件开发过程是高度可控和可预测的，凭借掌握的语言、框架、流程就可以实现工程任务，但以大模型为代表的智能软件系统，其算法行为存在很大的概率性和不确定性。系统性能受数据的质量、模型训练的质量以及运行时的环境等诸多方面的影响，仅仅凭借编码的能力已经很难胜任一个复杂系统的设计和实现。部分高校的培养目标仅仅简单加上“掌握人工智能基础”“具备智能应用开发能力”这样的描述，并没有理清人工智能能力在整个工程体系当中所占的位置，在教学实践与培养目标上是完全割裂开的状态。

其次，AI在编码、测试、文档生成方面可以极大地节省人力成本，但也降低了学生对底层的认知程度，使得有些学生会过于相信AI自动生成的结果，缺乏对程序运行后所产生结果的判断能力和责任意识。针对这些问题，在培养目标中要将代码能力转变为智能系统的设计、评估和约束能力，重视学生做需求、搞架构、控风险、做决策的主体责任。

为此，笔者提出以“智能架构师”为目标，培养学生3种核心能力：能够清楚描述系统需求并且了解智能工具行为特征的建模能力和沟通能力；能够将多种来源的算法构件、AI服务、传统软件等有机组合起来，并最终应用于工程实现的系统集成能力；能够在不确定性中做出工程化判断、承担工程化决策的能力。同时也要看到，这里并不是不要基本的编程能力，而是以掌握足够深厚的基本编程能力为基础去提高更高层次的能力。

相对于培养目标来说，课程体系是具体的，也是实施中遇到阻力最大的环节，不少学校还是按“语言—平台—工具”来进行课程设置，这种静态的课程结构很难及时反映最新技术的发展情况。例如，在人工智能时代，很多传统软件工程课程，并没有涉及相关的知识点，这就决定了学生的知识结构存在先天性的缺陷。而现有关于人工智能的相关课程知识大多是以独立的方式出现，没有跟软件工程专业课打通对接，这样一来就无法将机器学习等内容直接运用到软件开发的实际工作中去。此外，单纯依靠老师的经验或部分企业的实际来调整课程，缺乏系统的对整个产业生态发展情况的收集和汇总，在制订课程体系的过程中很容易造成课程知识碎片化或者同质化。

针对此类问题，在保证软件工程专业课程深度的同时，应加强AI技术、软件工程技术的交叉融合（如图2所示），例如设置智能软件工程、机器学习应用开发等相关课程，并培养学生对模型能力边界、接口约束以及系统风险的认识，在此基础上培养学生能够应用于工程的智能技术，而非仅仅学会如何调用算法。另外，人工智能技术本身也可以成为一门基础课程，结合产业招聘信息、开源社区技术栈、学术前沿及国家政策文件等多项数据的融合，有助于及时发现最新技术趋势并对课程内容进行实时更新，有利于打破目前高校课程体系中由于各种原因造成的一些固有的弊端和缺陷。

在基础软件、大型工业软件等特色软件领域，课程体系还需要融入国产化技术生态。当前，有不少学校的信创课程建设还存在诸如内容散乱、缺少实践等问题，通过与头部企业的合作，开设国产芯片（如海光、龙芯、昇腾）、国产操作系统（如银河麒麟、鸿蒙）、国产中间件等课程模块，让学生能在真实环境中了解和掌握国产技术路线，有助于避免“概念化教学”。

教学模式决定着学生形成能力的方式，传统软件工程的教学主要是讲授加验证性实验，适用于传授确定性的知识。解决那些复杂、开放的工程问题，并不能很好地培养学生系统的思维和创新的能力。尽管近年来很多学校大力推行项目制的教学方法，但受实验环境、教师精力以及评价机制的限制，项目的深度以及持续的时间是远远不够的。

人工智能技术给教学模式的创新带来了一种可能：利用虚拟仿真、数字孪生等方式，建立起类似企业真实的生产环境中的实验场景，让学生利用所学知识来解决各种问题，体会整个系统设计的过程。例如智能制造或者智慧医疗相关场景，教师带领学生从零开始解决问题，完成整个系统的业务流程设计及部署，让学生建立起更为整体的认知。人工智能工具也给教学带来一定助力，但要避免过度使用，否则可能导致学生失去学习的主动性；同时，也要在使用人工智能的过程中真正发挥出其工具的作用，自动批阅、自动反馈可以大量节约老师的时间，使老师有更多精力更好地专注于高阶能力的培养。教学模式创新的关键不是是否使用AI的问题，也不是教师能不能胜任的问题，而是怎么样将AI嵌入教学闭环当中，用AI支持更高阶能力的发展。

在实际教学中，可以考虑构建覆盖教学生命周期全过程的智能导师系统，对学生的设计方案、代码结构和协同过程提供辅助性的分析，为教师提供参考依据，而不是代替教师作判断，使教师有更多的时间用于启发式指导与创新训练，在规模化教学下也能做到有的放矢。

评价是重要的“指挥棒”，对教学起着决定性的作用。AI赋能教学条件下，仅凭考试成绩或最终实践成果已经无法完全评估学生的真实情况。很多高校采用项目考核，但有的学校依然只是依据项目成果的展示，而没有体现学生在项目过程中的思考、决策和协作能力。

以学习过程数据为基础的分析给评价体系改革提供了新的思路。根据学生实验、项目开发和小组合作过程中的行为数据，可以实现不同层次不同维度的能力画像，为教师调整教学方案提供参考。但是需要注意的是，此类评价需要对数据的收集、管理和隐私保护以及教师的解读都有更高的要求，并不能简单地套用已有的技术方案。另外通过引入同行互评、开题答辩等形式，让其注重系统的逻辑性和工程决策过程，不要让评价标准太过于工具化。同时，在评价体系改革的过程中也应考虑该评价方案是否符合我们的培养目标，是不是有利于提高学生长期发展的能力，而不只是基于分数来判断学生优秀与否。

为验证AI驱动特色软件人才培养体系的可行性与实际成效，中南大学计算机学院在软件工程专业中推进人工智能赋能的培养方案改革。

在人才培养顶层设计层面，中南大学对软件工程专业培养方案进行了系统性修订，明确将“人工智能背景下的复杂软件系统设计与工程实践能力”作为人才培养的重要目标之一。与以往以技术模块为主体的培养逻辑不同，新方案基于系统化能力建构、连续性成长路径和产业发展需要，在培养目标表达上突出工程判断力、自主学习力、解决产业问题的能力。这一调整在实际实施中有效缓解了学生“课程学得多但能力碎片化”的问题，使培养目标与教学内容、实践环节之间的对应关系更加清晰；同时也能从制度层面保证人工智能与软件工程的深度融合，并在教改持续进程中形成较为稳定、可循的实施机制。

在课程体系建设方面，新版培养方案对原有课程结构进行了大幅度调整与优化，共新增与升级课程42门，占专业课程总量的84%。这些课程并非简单增加人工智能相关内容，而是围绕智能软件工程、行业软件应用、大模型与系统集成等方向，对原有课程体系进行了重构与深化，增加了课程之间的衔接性和完整性。大模型理论与应用、知识图谱与工业大模型、智能服务工程等课程促使学生将人工智能不再视为独立的技术单元，而是逐步理解其在软件系统架构、服务设计和工程实现中的具体作用。学生的工程意识得到提升，也为未来遇到复杂的工程问题提供一种全局性思考的方式。同时，课程体系中设置的工业软件课程群与行业智能软件课程群，为学生提供了特色方向选择，使其能够根据个人兴趣和发展规划进行有针对性的能力积累，增强了人才培养的差异性与特色化。

实践教学是检验培养体系是否能培养符合要求的特色人才的试金石。课程组以实践教学体系为指导思想，将课内实践、集中实践和校企联合实践等多个层次相结合，将实践类学时占总学时的比例提高到近30%。多层次实践体系有效解决了以往实践教学中存在的“前轻后重”或“内容割裂”问题。学生在低年级通过程序设计实践和案例分析逐步建立工程意识，在高年级通过大型平台软件设计实践、行业软件创新实习和毕业设计等环节，系统参与真实或准真实的软件工程项目，实践内容与课程学习形成良性互动。校企联合培养阶段，在企业真实项目和工程规范下，学生能够提前适应产业环境，对软件工程中需求变更、质量控制和团队协作等问题形成更直观的认识。企业多位导师反馈，学生项目理解能力、系统设计意识较以往有明显提升。

在评价机制方面，中南大学在培养方案实施过程中探索引入过程性评价与多元考核方式，如增加了“开源贡献度”“项目协作表现”等新的评价指标进入课程和实践环节考评之中。这一做法在一定程度上改变了学生以结果为导向的学习策略，促使他们更加注重工程过程、代码质量以及协作能力的培养。根据教学实践情况来看，多元评价机制提高了学生参与复杂项目和长期任务的积极性，也促使教师在教学设计中更加关注学生能力成长轨迹，而非单一成绩。当然，这一评价方式在实施过程中仍对教师工作量和评价标准一致性提出了更高要求，但从目前的效果来看已经逐步显现出了对学生的指导作用。

在产教融合层面，中南大学通过设立特软专班，并与万兴科技、华为、小米等企业共建实践基地和联合实验室，累计建成17个校外实践教学基地。通过引入企业导师队伍弥补校内教师产业经验短板，教学更贴近工程实际，依据企业的技术需求及行业发展要求完善教学内容和更新教材。从学生反馈来看，与企业工程师的直接交流有助于其理解行业技术演进方向和职业能力要求，对学生职业规划产生了积极影响。

人工智能技术的深度融入为特色软件人才培养注入了新的生命力。这种融合不是简单的功能叠加，而是涉及育人理念、培养方式、评价体系的全面重构。通过构建面向AI的特色软件人才培养新体系，建立产教深度融合的协同育人新范式，探索立足中国实际的软件人才自主培养之路。面对技术迭代加速、师资力量不足、资源相对有限等挑战，需要发挥产学研等多主体协同育人作用。展望未来，随着AI技术的持续演进与教育改革的深化，我们将培养出更多能够驾驭智能时代、服务国家软件产业发展的拔尖创新人才，为我国加快强国建设步伐、推进科技自立自强进程提供人才保障。

END

引用格式：邓磊,姚鑫,刘佳琦,等.人工智能赋能与特色软件人才培养[J].计算机教育,2026(3):3-8.