AI时代的好专业：大学教育如何被重构

概览

本期围绕高考出分后的志愿填报问题，讨论“AI时代什么才算好专业”。节目认为，AI改变的不只是某些职业前景，而是过去“学会确定性知识和规则，就能换取确定性回报”的大学教育底层逻辑。

三位记者分别从工科、医学、基础理科等采访进入，比较AI对不同学科的冲击：初级程序员、翻译等基础岗位受到更直接影响；医学更多体现为辅助诊疗和教学改革；基础理科则在AI for Science背景下重新凸显计算、数学、理论和跨学科能力的重要性。

讨论最后回到学生和家长关心的选择问题。节目没有给出“报什么专业最安全”的答案，而是强调系统性思维、跨学科迁移、AI协作能力、基础学科功底、创新意识，以及在医学等领域尤其重要的共情、责任和人的主体性。

分段落总结

[00:05] 从高考志愿切入AI时代的专业选择

[事实] 主持人介绍本期主题是“什么是AI时代的好专业”，参与讨论的是三位参与封面报道的记者黄子翊、吴淑彬和李小杰。

[事实] 节目选择在高考成绩陆续公布、考生即将填报志愿的节点讨论这个话题。

[事实] 主持人说明，本期并不是主要讨论AI技术本身，而是讨论AI如何改变人们对专业、大学教育和未来就业的看法。

[推测] 节目的核心关切是，传统按热门专业押注稳定职业回报的逻辑，在AI冲击下变得不再可靠。

[02:10] AI瓦解“确定性知识换确定性回报”的教育前提

[事实] 黄子翊说，报道最初关注的是AI对理工科专业，特别是软件、计算机和程序员岗位的影响。

[事实] 她提到，过去几年“转码”和程序员高薪曾是热门话题，但近两年AI对初级程序员岗位造成明显冲击，大厂也出现裁撤程序员的讨论。

[事实] 她认为，过去大学教育的底层假设是老师传授确定性知识和规则，学生掌握后在劳动力市场换取稳定回报，而AI正在瓦解这个前提。

[事实] 复旦软件相关教师担心，学生用AI完成代码任务后，大一大二阶段的基础训练被抽掉，能力可能出现“空心化”。

[推测] 这一段把“好专业”的问题从就业冷热，转向了大学还能否有效训练人的基础能力和高级能力。

[05:39] AI影响的不是单一职业，而是执行确定性规则的能力

[事实] 黄子翊认为，AI可能替代的不是某些特定职业或专业，而是执行确定性规则的能力本身。

[事实] 她提到，初级程序、初级法务、初级会计、初级翻译和设计都可能受到较大影响。

[事实] 主持人补充，过去填志愿常被理解为选对专业就对应一个安稳工作，但这套逻辑正在被改变。

[推测] 节目把AI冲击理解为对“初级、标准化、可规则化任务”的系统性重估，而不是简单的行业兴衰。

[06:58] 文科与翻译：基础岗位需求被压缩

[事实] 吴淑彬回顾此前关于文科的报道，提到蒙特雷高翻的变动曾引发外界对AI冲击翻译教育的讨论。

[事实] 她认为，语言学和翻译受到AI冲击很大，因为AI本身就是大语言模型。

[事实] 她强调，顶尖翻译人才未必容易被AI取代，但翻译金字塔中下层的大量基础岗位会受到需求缩减影响。

[事实] 她提到，人在翻译相关工作中可能越来越多转向AI审核者、校对者或训练者的角色。

[推测] 文科领域的变化不是“人完全消失”，而是岗位数量、工作层级和入行路径被重塑。

[09:06] 临床医学：AI已进入实践，但更多是辅助而非替代

[事实] 吴淑彬说，临床医学受到AI影响，但不像程序员或翻译那样直接替代一批工作。

[事实] 她举例说，AI已用于医学影像、肿瘤放疗区域勾画、读片提醒，以及外科手术中的辅助器械。

[事实] 她指出，政策层面要求AI工具作为辅助，不允许其作为独立接诊角色。

[事实] 她认为，医疗涉及人的安全和健康，病人需要与医生之间的信任和情感连接。

[推测] 医学的“好专业”判断不能只看AI能否完成技术任务，还要看责任、信任和临床经验是否能被机器替代。

[11:48] 医学经验、泛化能力与AI局限

[事实] 吴淑彬提到，医学领域中有30年经验的老专家，其临床经验不是AI短时间内能获得的。

[事实] 她说，医生具有泛化能力，能从有限病例延伸出对同类疾病治疗的判断。

[事实] 她提到，当AI训练集和测试集接近时准确率较高，但面对病情变化和新病人时准确率可能下降，这在具体病人身上是很大的问题。

[事实] 她总结，AI在医学中的影响更多体现为临床工具和医学教育方式变化，而不是直接取代年轻医生。

[推测] 医学教育未来的重点会从“是否使用AI”转向“如何培养能与AI协同但仍能负责判断的医生”。

[13:18] 基础理科：AI冲击明显，但重要性反而上升

[事实] 李小杰说，她关注的是AI与基础理科，尤其是数学、物理、化学之间的关系。

[事实] 她认为，AI在基础知识和执行层面已经做得不错，但基础理科在AI冲击下变得越来越重要。

[事实] 她以化学为例说，自动化设备、机械臂和机器人可以完成重复性高、基础性的实验，因此“化学是一门实验学科”这句话正在受到挑战。

[事实] 她指出，计算化学和理论化学本来就接触编程、Python和计算机知识，因此与AI天然更接近。

[推测] AI for Science让过去被认为“冷门”或“天坑”的部分基础理科方向，重新获得科研和就业价值。

[15:43] 计算化学与融合人才变得吃香

[事实] 李小杰说，计算化学近几年逐渐变热，一些老师认为它正在“脱离大坑”。

[事实] 她解释，这类学生既懂实验基础操作，又懂人工智能技术和理论，因此在科研中更受需要。

[事实] 她提到，AI for Science时代，计算、数学、理论和物理知识的重要性都在上升。

[事实] 她举例采访到一位强基计划进入天津大学化学专业的本科生，后来较早做AI与化学科研结合，毕业后创业。

[推测] 基础理科的机会更多出现在“专业知识+AI能力”的交叉处，而不是单靠传统学科标签。

[18:17] 大学该不该继续教基础知识

[事实] 主持人提出，既然AI已经掌握很多基础知识，大学是否还需要教学生背诵和学习基础内容。

[事实] 讨论由此转向高校如何调整教学，以及是否需要教学生与AI合作。

[事实] 黄子翊随后解释工科与“新工科”的区别。

[推测] 这个问题实际指向大学教育的重心转移：从传授答案，转向训练判断、推理、实践和协作能力。

[19:03] 新工科：从传授式教育转向真实问题解决

[事实] 黄子翊介绍，传统工科包括计算机、软件、机械、电子、电气、自动化、材料、化工等领域。

[事实] 她说，新工科改革旨在改变传统传授式、标准化的工科教育，强调系统解决问题的能力。

[事实] 她提到，国家从2017年开始推进新工科教育改革，并形成过“复旦共识”“天大行动”等倡导性成果。

[事实] 新工科强调产教融合，学生毕业设计常以真实企业课题为导向。

[推测] 新工科试图把大学工程教育从“培养优秀执行者”，推向“培养能面对产业真实问题的创新者”。

[23:04] AI加速新工科改革的紧迫性

[事实] 黄子翊认为，AI相当于加速了新工科改革的进程。

[事实] 她说，传统工科人才擅长优化生产环节和解决局部问题，但新工科希望培养能定义新标准、新品类，甚至产生颠覆式创新的人才。

[事实] 她提到，中国与美国的科技竞争、全球产业链重构，以及AI进入产业，共同提高了改革的紧迫性。

[事实] 在机械方向，具身智能让传统机械控制与AI、多模态大模型、感知和推理决策结合得更紧。

[推测] 工科教育正在被迫从“掌握工具”转向“理解系统并能重构工具”。

[25:20] 机械、自动驾驶与追风口的风险

[事实] 黄子翊提到，一位浙大青年教师因坚持机械机电方向，没有在当年转码潮中转码，如今机械机电方向因具身智能变得更热门。

[事实] 她说，机械、电子、控制等专业这几年报录比上升，因为AI要进入物理世界，暂时仍需要这些高阶人才。

[事实] 复旦一位开设自动驾驶课程的老师发现，选课学生中也出现哲学系、外文系等文科生，因为AI能帮他们解决部分技术问题。

[事实] 这位老师也担心，如果机械设计趋于模块化、标准化，当前培养的人才未来仍可能被替代。

[推测] “热门方向”本身并不等于长期安全，真正关键的是能否跨越风口周期、处理尚未标准化的问题。

[28:21] 不要只追风口

[事实] 吴淑彬提到一位微软AI研究员的经历：他2017年读博时进入大模型方向，当时这一领域在国内很冷门，后来毕业时赶上大模型爆发。

[事实] 这位研究员认为，如果一直想着追风口，最后可能追不到，因为当前热门并不可靠。

[事实] 黄子翊补充，大学培养周期很长，硕博乃至博士培养常常需要多年，等学生毕业时产业风向可能已经变化。

[推测] 对考生来说，按当下热度填报专业的风险在于，教育周期和产业周期并不同步。

[29:16] 本博贯通与长周期培养

[事实] 黄子翊说，采访中发现不少做新工科改革的高校在推进“本博贯通”。

[事实] 她介绍，过去本科四年、硕士两年、博士五年可能共11年，现在一些方案希望把本硕博压缩到约8年。

[事实] 吴淑彬补充，医学中八年制是较常见的路径，例如一些医学院学生一进来就一直读到博士毕业。

[事实] 讨论指出，无论8年还是11年，学生毕业时产业风口都可能已经变化。

[推测] 长周期培养越明显，越要求学生选择能迁移、能持续生长的能力，而不是只押注某个短期岗位。

[30:32] 医学教育的痛点：理论多、临床少

[事实] 吴淑彬说，医学本科五年中大量时间用于理论学习、记忆疾病和治疗知识，临床训练时间相对有限。

[事实] 她举眼科教学为例，16个学时后配一周临床见习，但约三成学生一周内可能遇不到典型病人。

[事实] 她说，现在医学教育默认一个学生本科五年出来不会看病是正常的，但这本身也是痛点。

[事实] 医学院还希望评价学生的“胜任力”，也就是距离成为能给病人看病的医生还差多远，而不只是课程分数。

[推测] AI进入医学教育的重要意义，是帮助学生更早接近临床情境，而不只是提高考试效率。

[34:40] 医学教育中的AI：从记忆转向推理和过程评价

[事实] 吴淑彬说，基础知识仍然重要，但重点不是机械记忆，而是能否将知识用于真实问题判断。

[事实] 她举例，学生不再只是背角膜炎特点，而是要根据图片判断类型、解释病灶特点，并提出治疗方案。

[事实] 她提到，AI平台可以帮助做讨论课、实验课中的过程评价，观察学生分析案例、推理逻辑和操作过程是否正确。

[事实] 有老师要求学生用AI分析病例，但不能直接提交AI答案，而要说明用了哪种AI，并用修订模式改正AI错误。

[推测] AI把医学教育的评估对象从“记得多少”推向“能否识别、判断、解释并纠错”。

[38:09] AI模拟病例，弥补临床经验不足

[事实] 吴淑彬说，AI可以模拟真实病例图片，也可以生成疾病发展轨迹。

[事实] 她以角膜炎为例，AI可以展示病情好转或加重时眼部表现如何变化。

[事实] 这种模拟无法替代医生三年、五年甚至十年的临床积累，但能一定程度上缓解医学教育与临床脱节的问题。

[事实] 她认为，AI可以帮助学生在本科或八年制毕业前积累一些临床经验。

[推测] 医学教育中的AI价值，不是让学生绕过临床，而是让学生更早带着具体情境进入临床。

[40:10] 医学大模型与学校资源差异

[事实] 吴淑彬介绍，浙大的医学教育大模型以DeepSeek和通义千问等为底座，再结合医学院和计算机学院团队进行医疗领域调优。

[事实] 浙大拥有附属医院资源，可以投喂教材、题库和多年积累的实际病例，并由专家校准。

[事实] 她指出，病人隐私资料限制了这类平台在不同医学院之间的通用性。

[事实] 对没有能力开发整体平台的学校，单门课程老师也可以与商业公司合作开发智能体，或直接使用通用大模型来设计作业。

[推测] 未来高校竞争的一部分，可能会体现在模型、数据、附属医院资源和教学场景设计上。

[44:27] 基础理科本科改革较慢，但AI课程正在进入

[事实] 李小杰说，基础理科与行业和企业距离更远，尤其本科阶段主要还是学习理论基础和基础实验。

[事实] 她认为，AI出现后，基础理科本科阶段教育变化有但不算特别大。

[事实] 一些学校尝试设置双学位、微专业，让学生在化学或物理之外学习人工智能。

[事实] 她提到，本科课程体系变动受审批和学生负担限制，不能随意增减课程。

[推测] 基础理科本科改革慢，不等于AI不重要，而是传统学科知识体系和AI融合需要更长时间磨合。

[47:00] AI导论课不够，真正难的是学科融合

[事实] 李小杰说，天津大学较早从2020年前后开始探索给化学专业课程加入人工智能内容。

[事实] 她提到，早期学生学习编程、装环境时会遇到困难，也会质疑这些内容是否重要。

[事实] 三年后，随着人工智能与科研结合变得明显，学生即使抗拒，也会为了未来就业学习基础计算机能力。

[事实] 她说，很多学校与AI结合只是开一门“人工智能导论”，但这类课讲深了学生觉得不必要，讲浅了AI本身就能回答。

[推测] 对基础理科来说，AI教育的关键不是介绍AI概念，而是把AI真正嵌入化学、物理、实验和科研问题中。

[49:55] 硕博阶段更容易与科研和产业接轨

[事实] 李小杰说，基础理科在硕博阶段与AI结合会更好一些，也存在本博贯通和联合培养。

[事实] 联合培养中，学生可能博一在高校上课，博二开始更多进入研究机构做项目。

[事实] 这些项目与企业和产业联系更紧密，可能针对企业遇到的棘手问题进行攻关。

[事实] 研究机构能提供更多企业对接、算力和数据资源，最终学位仍由高校授予。

[推测] 基础理科学生的职业路径，正在从单一学术训练扩展到科研机构、企业研发和AI for Science产业应用。

[50:34] AI拓宽基础理科就业方向

[事实] 李小杰说，过去基础理科本科毕业后，就业可能较窄，常见方向包括中学教师、教培、公务员、银行、保险等。

[事实] 她认为，AI结合后，半导体、新能源电池、制药等领域都需要懂实验、懂AI、懂理论的融合型人才。

[事实] 她提到，以前一些企业基本不招计算化学学生，现在放开了很多。

[事实] 在制药和新材料领域，AI可以通过数据库和智能体提出组合方案、筛选实验，再由人验证，从而缩短研发过程。

[推测] 基础理科就业改善并不是因为传统岗位突然增多，而是因为AI让这些学科知识更容易进入产业研发流程。

[53:36] 所有专业都更需要哪些能力

[事实] 主持人提出，除了掌握AI之外，不同专业是否还有更稀缺的能力或素养。

[事实] 她指出，大家常说没有绝对不会被AI替代的专业，但某些人的特质可能不容易被替代。

[事实] 随后讨论集中到系统思维、跨学科迁移、创新力、AI协作能力，以及人的情感和责任等方面。

[推测] 节目在这里把“好专业”进一步转化成“什么样的人更不容易被AI替代”。

[54:56] 软件教育：系统观和演进观比写几行代码更重要

[事实] 黄子翊提到，复旦一位软件教师开设生成式软件开发课程，教学生通过与AI协作生成程序和界面。

[事实] 这位老师认为，编程可以是功能单一、逻辑简单的一段代码，但软件是复杂庞大的系统，可能包含大量代码和多个模块。

[事实] 他强调软件设计需要“系统观”和“演进观”：理解模块边界、相互关系，并预判系统未来会往哪些方向演进。

[事实] 他用电视剧中胡同里盖房子的例子说明，复杂系统设计要处理邻里、空间、大树生长等多重约束。

[推测] AI降低了入门门槛，但也让真正的软件能力更集中在复杂系统判断上。

[57:01] AI作业泛滥与能力空心化

[事实] 黄子翊说，复旦软件教师发现很多学生用AI完成作业，甚至把不达标的东西交上来。

[事实] 有老师反馈，学生平时作业分数不错，但期末基础考试分数较往年明显下降。

[事实] 这位教师因此把课程作业设计得更复杂，让学生面对AI难以独立完成的系统架构和多轮迭代问题。

[事实] 有学生尝试一人成组、纯靠AI完成软件系统设计，到了后期发现AI难以解决复杂架构和模块边界问题。

[推测] 教育者正在用更复杂、更开放的任务迫使学生认识AI局限，而不是简单禁止AI。

[58:44] 跨学科迁移与T型人才

[事实] 黄子翊提到浙大本科生院院长讲过一个例子：一名化学本科生想用AI做药物合成研究，并最终申请读人工智能方向博士。

[事实] 这位老师最初担心跨度太大，因为过去主要招计算机专业博士，但后来看重学生在化学和AI之间迁移整合的能力。

[事实] 黄子翊认为，AI时代T型人才重要：既在某个领域扎得深，又能横向理解产业其他环节和学科边界。

[事实] 这种能力包括知道不同学科边界在哪里，以及如何在产业中更好整合使用。

[推测] 未来更有价值的不是“纯AI人”或“纯专业人”，而是能把AI嵌入具体领域问题的人。

[61:12] 基础理科仍然要求扎实专业底座

[事实] 李小杰说，在基础理科采访中，多位受访者认为，如果比较两类能力，基础数理能力或化学专业能力仍然更重要。

[事实] 他们认为，数理能力好的学生再上手AI、学习模型架构和知识会更快。

[事实] 如果只懂AI，却不懂物理方程组或化学问题，再进入基础理科场景效率可能更慢。

[事实] 她还提到，很多老师强调创新思维、主动思考，以及如何向AI提问和设计实验方案。

[推测] AI没有削弱基础能力的重要性，反而让真正扎实的基础能力更容易迁移到新工具和新领域中。

[63:20] 医学最强调人的情感、责任和主体性

[事实] 吴淑彬说，医学领域中“人之所以为人”的部分会更明显，因为医生不仅要判断疾病，还要与病人打交道。

[事实] 她举天津大学遗传学老师开发AI智能体的例子，学生练习的不是看病，而是如何向遗传病来访者解释病情和风险。

[事实] 这个练习显示，学生一开始会耐心安慰和解释，但随着病人反复追问，后面可能变得不耐烦。

[事实] 她认为，医生与AI的重要区别在于医生要共情、给出结合具体家庭情况的方案，并对自己的建议承担责任。

[推测] 医学中的不可替代性不只是“技术更强”，而是能在不确定、脆弱和高风险情境中承担人的责任。

[70:20] 给学生的建议：先探索自己真正擅长和热爱的东西

[事实] 主持人说明，节目不是专业志愿报考机构，无法给出特别具体的报考方向判断。

[事实] 李小杰说，她采访时问了每位受访者给基础理科学生的建议，答案包括学好英语、学会思考等。

[事实] 她最终引用一位联合培养博士的建议：高考后的暑假可以用来探索自己真正喜欢、擅长或热爱的东西。

[事实] 这位博士认为，大学之后学生会忙于绩点、学分、考研、出国等，高考后暑假可能是少有的完全属于自己的探索时间。

[推测] 这条建议把选择专业前的重点放在自我认识，而不是立刻寻找最热门的赛道。

[72:54] 驾驭AI，而不是指望AI抹平差距

[事实] 黄子翊说，她不建议直接给出AI时代的好专业，而是强调如何驾驭AI、建立系统思维、跨学科能力和人机协同能力。

[事实] 她认为，AI作为前沿技术不会缩短人与人之间的差距，甚至可能放大差距。

[事实] 她以浙大未来学习中心和天津大学相关学习空间为例，说明不同学校在资源、空间、算力和前沿人才配置上存在差异。

[事实] 她提到，部分学校通过未来学习中心、创新学院等方式，在校内聚集有创新意识的学生和项目。

[推测] 资源强校、主动学生和创新项目可能更早获得AI时代的机会，而普通学生更需要自主学习和主动连接资源。

[76:07] 非头部学校学生更需要主动学习和AI素养

[事实] 黄子翊指出，AI看重前沿人才、算力资源和学校投入，浙大、天大等学校更有条件配置这些资源。

[事实] 她担心中西部或资源较少学校的学生可能缺乏同等机会。

[事实] 她认为，这些学生可能要更早建立自主学习、主观能动性和AI素养。

[事实] 主持人在结尾提到，本期杂志还有另一篇文章专门写学生自发组成的学习社群或学习共同体。

[推测] 在学校资源不均衡的背景下，学生自组织学习和跨校学习共同体可能成为弥补差距的一种方式。

播客点评/总结

本期的价值在于，它没有把“AI时代好专业”简化成专业排行榜，而是通过工科、医学、基础理科和文科案例，解释AI如何改变大学教育、就业入口和能力结构。节目最清晰的判断是：可规则化、初级化、标准化的工作更容易被冲击，而复杂系统判断、跨学科整合、临床责任和人的共情更难被替代。

亮点是案例具体，既有软件作业被AI影响、医学AI模拟病例、计算化学变热，也有新工科、本博贯通、未来学习中心等大学内部改革细节。它适合高考生、家长、大学生、教育工作者，以及正在思考AI如何影响职业路径的人收听。

局限是节目明确不提供具体志愿填报方案，也没有系统比较各专业录取、就业数据或地区差异。[推测] 如果听众期待“哪个专业最值得报”的直接答案，可能会觉得本期更像一次趋势分析，而不是实操指南。

[推测] 本期最值得带走的不是某个专业名称，而是一组判断标准：选择能让自己积累深厚基础、接触真实问题、训练系统思维、学会与AI协作，并保留人的判断力和责任感的学习路径。