在全球AI竞争加剧的背景下，分析了我国AI人才面临的挑战，并针对这些挑战从产教融合角度提出了一些可行性的对策建议。

过去两年 ，大模型和机器学习算法的跃升让人们见证了新一代人工智能的火热程度和强大力量，世界各国在人工智能领域的竞争比以往任何时候都激烈 ，美国 、英国 、欧盟等国家和地区都在积极制定和实施人工智能战略 。我国也加紧进行战略规划和布局， 以确保在全球新一轮人工智能竞争中占据有利地位 。人工智能大竞争本质上是围绕 AI 生态系统中不可或缺的要素——人才的大竞争。

一是顶尖人才数量与美国差距大， 国外留学毕业生极少数回到国内就业 。近些年来， 为了响应国家人工智能战略， 我国加大了青年科技人才的选拔和培养力度， 已培养输送出一批世界级顶尖人才 。据 2023 年 3 月 8 日美国智库 MacroPolo 发布的数据， 从 2019 年到 2022 年， 中国在世界上培养出的顶尖 AI 研究员比例从 29% 上升到 47%， 增长了 18% 。但就最顶尖 AI 人才（约前 2%） 来看， MacroPolo 数据显示 ，美国拥有全球 AI 精英最多，约占 57%， 中国排名第二 ，约为 12% 。可见 ，美国仍然是顶级 AI 人才的首选工作地 ，这些由中国培养去美国深造的毕业生大部分留在国外 ，极少数回到国内就业 。另外， 随着英国 、 日本 、韩国 、欧盟等国家和地区在人工智能方面投入力度的加大 ，他们也会对我国的 AI 顶尖人才形成虹吸效应。

二是复合型人才培养难度大， 难以满足“AI+”多场景应用需求 。人工智能是一个学科交叉融合十分强的领域 。随着 AI 大模型横空出世 ，全球科技界资本和人才都投向 AI 在现实生活中的应用实践 。随着人工智能 + 的不断深入，AI 将深度应用在科研 、产业 、职业 、教育等千行百业 ，知识交叉融合会超出想象 。但我国院校学科专业设置相对稳定 ，一直以来很难与技术创新应用同频共振 ，再加上各学科之间都有自己的管理规则和评价标准 ，跨学科复合型人才培养难度很大，不能很好适配“AI+”人才需求。

三是顶尖人才培养周期长 ，无法及时跟上科技创新发展速度 。人才迭代快是 AI 领域人才需求的另一个显著特点 。ChatGPT 爆火与Sora 横空出世引发两轮 AI 人才需求狂潮 ，算法 、大模型等相关岗位人才需求井喷 。与 2023 年相比 ，我国 AIGC 人才需求暴涨近 613% 。算法人才尤其复杂算法人才需要深厚的数学和物理学功底 ，这种素养从基础教育就

要开始培养和选拔 ，再加上从本科学习到获得博士学位还需要 9 年至 11 年的培养时间 ，而生成式 AI 技术正在加速摩尔定律 ，每年都在不断突破 ，这对我国 AI 科技人才培养提出了很大挑战。

四是国际技术交流与合作受限 ，深度影响我国AI 人才国际化水平 。当前，AI 已经成为全球范围内的一项通用技术 ，其应用和发展跨越了国界和文化的限制 。因此 ，对于从事 AI 研究和应用的顶尖人才来说 ，必须具备国际化视野和能力 。然而 ，近年来由于国际政治环境等因素 ，一些中国学者和研究人员参与国际项目 、参加国际会议受到很大限制， 阻碍了中国 AI 人才与国外同行的交流学习 ，极大影响了我国 AI 人才的国际化水平。

五是人才岗位能力标准和评价体系尚未建立，无法有效指导人才引培留用 。随着新技术 、新应用的不断涌现，AI 人才的岗位能力也在不断变化 ，这使得建立一个长期有效的评价体系变得尤为困难。当前对 AI 技术职位 ，企业普遍采用的招聘标准很难全面评估人才对新技术的应用能力和伦理法规意识。高校人工智能相关专业的教学内容与行业的最新需求存在一定程度的脱节 ，很多 AI 课程依然注重基础理论 ，而忽视最新的 AI 技术动态和实际应用。

从二十大报告明确提出产教融合 、科教融汇以来 ，产教融合相关政策密集出台 。产教融合载体如雨后春笋般出现， 截至 2024 年 4 月， 教育部备案市域产教联合体 209 个 ，行业产教融合共同体 1121个 。产教融合已成为新型的教育理念和产业人才培养模式， 它的影响和意义已远远超出了职业教育的范畴 ，成为国家人才培养战略的重要组成部分。

创新大学办学形态 。构建跨学科课程体系， 设计包含 AI 基础 、数据科学 、机器学习等课程 ，并结合其他学科如医学 、金融 、心理学等的交叉课程，以培养学生的跨学科知识 。强化项目驱动学习 ，让学生在解决具体问题的过程中学习如何将 AI 技术与

其他学科知识相结合 。设立专门的交叉学科产教融合协同创新中心 ，鼓励学生参与跨学科的科研项目和实验室工作 ，培养学生的创新思维和解决复杂问题的能力 。设立交叉学科研究中心 ，专注 AI 与其他学科的交叉融合应用研究。

向院校开放算力或数据中心 ，开源基础大模型，共享 AI 算法 、算力和数据资源等 ，促进学术界和工业界的紧密合作， 为学生提供实际操作的机会 ，让他们在解决实际问题过程中深化对 AI 技术的理解和应用 。建立访问学者互派机制 ，鼓励院校专家与企业专家双向流动， 加速知识 、技术 、成果迁移 ，促进高校与企业之间了解彼此在 AI 领域的最新进展与实际需求 。产教融合共建实验室或研究中心 ，共同研发项目， 为学生和研究人员提供算力 、数据资源和 AI 实践平台。

面向全球开放的科研平台正成为世界 AI 资源整合和人才集聚的重要载体 。打开围墙 ，成立全球科研中心， 通过组织国际性项目研发 、会议 、论坛、大赛等活动 ，为 AI 技术研究人员提供科研合作 、学习 、交流平台 。设立外籍人才访问学者项目 ，邀请国际知名学者到中国进行学术交流和项目合作 ，促进外籍人才引培留用 。开源 AI 社区 ，建立虚拟研究社群等 ，利用线上平台和工具加强人才交流 。积极组织 、参加国际大赛 ，选拔 、培养青年顶尖人才。

深入分析 AI 的人才需求和技术发展趋势 ，构建一套覆盖技术技能 、创新能力 、团队合作 、项目管理 、伦理法规等多维度的人才岗位能力标准， 为教育部门 、企业和政府机构培养 、招聘 、引进人才提供科学依据 。聚焦人才创新价值 、能力和贡献 ，构

建一套产业人才动态评价体系， 畅通人才职称晋升和能力提升通道 。建立区域人才评价或认证中心，评价人才纳入区域科技 、人社 、工信等人才政策。

围绕 AI 伦理原则 、法律法规 、风险评估等方面 ，加强对 AI 人才的伦理意识培训 ，强调 AI 开发者和使用者应承担的社会责任 。将伦理课程融入人工智能及相关专业的教育体系中 ，使学生在学习技术知识的同时 ，深刻理解伦理原则 。鼓励人工智能与哲学 、社会学 、法律等学科的跨学科合作 ，共同推进人工智能伦理教育 。加强在职人员培训 ，确保他们能够跟上 AI 伦理标准和实践的最新发展 。