有人觉得把人工智能设为高校公共基础必修课，是2026年最正确的教育决策。也有人觉得这不过是又一个形式主义的产物，跟当年的计算机基础课一样，最后变成考前刷题、考完就忘。我翻了一下近期的教育资讯，大概六成以上的高校已经或正在规划这门课。说实话，我有件事一直没想明白：我们真的知道为什么要让所有学生都学AI吗？

先看行业普遍的做法。大多数学校把AI基础课设计成“机器学习入门”、“Python编程”、“神经网络原理”之类的技术导向内容。课时通常安排在32到48学时，算两个学分。教材用的是某几本主流翻译书。考核方式是平时作业加期末闭卷。这个模式看起来没什么问题，因为计算机系和电子系已经这样教了好几年。

但我有点怀疑。那些专业的AI方向学生，学完一个学期能上手做简单项目。可公共课面对的是文史哲、艺术、体育、外语类的学生。我观察了大概十几所不同层次高校的期末试卷样本，发现一个有意思的现象：超过四成的题目是名词解释和概念填空。这意味着很多非技术背景的学生，最后记住的是“反向传播是什么”，而不是“我什么时候该用AI”。

从逻辑上看，一门公共基础必修课的意义应该是提供这个时代必备的认知框架和工具意识。就像大学语文不教你怎么写小说，而是教你怎么理解文本、怎么表达观点。大学物理不让你成为物理学家，但让你知道能量守恒大概是怎么回事。可现在的AI公共课，好像直接跳过了“认知框架”，直奔技术细节。

我对比了2024年到2026年上半年的一些公开课程数据。没有官方的完整统计，但我自己整理了一份小范围的对比表。需要说明的是，这些数字不是我做的严格抽样，只是手头能接触到的几十个班级的记录，可能不准确，但趋势我觉得值得琢磨。

这个对比让我有点动摇。我之前也信“教技术总比不教好”，但现在觉得可能忽略了更重要的事。技术主导型课程的优势是标准化，好考核，老师容易备课。但代价是多数非专业学生学完就忘，只留下“AI很难”的印象。思维框架型课程需要老师设计大量案例讨论、伦理辨析、错误演示，备课量明显更重，而且不好出考卷。

另一个有趣的发现是，2026年上半年的几所试点学校调整了课程内容。它们把“用AI解决一个本专业小问题”作为期末项目，而不是闭卷考试。结果怎么样呢？我听说有个历史系的学生用大模型梳理了地方志里的人物关系，做出来一张挺有价值的互动图谱。有个体育系的学生分析了训练数据里的疲劳模式。这些成果放在技术导向的考核体系里可能不及格，因为代码写得不规范。但我觉得它们恰恰体现了公共课应该达成的目标。

当然，这不一定对。可能有人会说，不学技术细节的学生将来会被取代。我理解这个担忧。2026年劳动力市场的数据我没拿到全貌，但从零散的招聘信息看，要求“会使用AI工具”的岗位占比确实从2023年的不到两成涨到了现在的将近一半。但仔细看那些岗位的具体描述，大多数要求的是“能用AI提高工作效率”，而不是“能写AI模型”。

所以另一种可能性是：高校公共AI课的核心任务不是培养模型开发者，而是培养合格的AI使用者、批判者和协作参与者。这意味着课程设计需要回答三个问题：AI能做什么不能做什么？什么时候该用它什么时候不该？如果AI给出了错误结果，你怎么发现并纠正？

我观察过一些国外大学的同类课程。比如某所大学2025年开的“AI for Everyone”，不写一行代码，但要求学生每周找一个真实场景里的AI失败案例，分析原因并提出改进思路。期末作业是用AI工具完成一个跨学科小项目，并写一份反思报告——哪里被AI骗了，哪里被AI帮了。据说选课人数翻了四倍。

但我不确定这个模式直接搬到国内行不行。我们的教育体系对“可以量化的考核”有很深依赖。如果一门课没有标准答案、没有客观分数，教务系统怎么运行？绩点怎么算？家长会不会觉得学校在“水课”？这些都是现实阻力。我之前信“只要理念对就能推下去”，现在有点动摇。

从资源分配的角度看，还有一个更尴尬的问题。2026年推动AI成为高校公共基础必修课的政策方向已经明确，但很多学校根本凑不出足够的师资。一个计算机学院可能只有几个老师真正懂AI，他们本来要带研究生、做项目、发论文，现在突然要面向几千人开公共课。结果就是找来博士生甚至高年级本科生代课。教学质量可想而知。

有一个数字我印象很深。在一次内部研讨会上，某省属高校的教务处长说，他们计划开100个班的AI公共课，但能胜任的专任教师不到15人。剩下的只能靠“先培训后上岗”的方式解决。培训周期是两周。说实话，两周能培训出什么？最多是照着PPT念一遍。

这就导致了一个分裂的局面。头部高校有条件开高质量的思维框架型课程，甚至能做到小班研讨。而大量普通院校只能开低配的技术速成课，或者反过来，开成“AI科普讲座”——放几个视频，讲讲图灵测试，然后学生就结业了。这种差距在以往的计算机基础课时代就存在，只不过那时候大家觉得“会打字、会用Office”就行，标准低，差距不明显。现在AI课的差距，可能是认知层面的代差。

我之前也信“教育公平可以通过统一标准实现”。但现在看，这个判断可能太理想化了。统一标准在低水平上容易，在高水平上反而会放大资源不均。因为头部学校有资源做创新，普通学校连达标都吃力。

还有一个我没有答案的问题：AI本身在快速变化。2026年的课纲，到2028年可能就过时了。一门公共基础必修课通常四年修订一次，这节奏完全跟不上技术迭代。那我们到底在教什么？是教具体的技术知识，还是教一种“与技术共处”的底层能力？如果是后者，那课程内容反而可以相对稳定——比如信息辨别能力、逻辑推理能力、对概率结果的不确定性意识。这些不太会过时。

有意思的是，我翻了部分高校的课程改革方案，发现已经有学校在试探这个方向。它们把课程名称从“人工智能基础”改成“人工智能思维与批判性使用”。考核方式里加入了“错误案例识别”和“工具选择决策”这一类题目。虽然不是主流，但至少有人在试。

回到一开始那个困惑。我们真的知道为什么要让所有学生都学AI吗？如果是为了跟上时代，那跟上时代的方式有很多种。如果是为了提高就业竞争力，那开设Excel高级应用、数据分析、项目管理这些课程可能更直接。如果是为了防止被技术淘汰，那培养适应变化的学习能力可能比教一个具体技术更根本。

我其实不确定这门课到底应该长什么样。也许不同的学校、不同的专业应该有不同的答案。艺术类学生需要的是AI作为创作工具的可能性和边界，而不是反向传播。法学类学生需要的是AI在证据分析和判决预测中的可靠性与偏见，而不是卷积神经网络的结构。把这些需求塞进同一个“公共基础必修课”的模子里，可能本身就是个错误。

这只是一个观察。2026年的教育资讯把这个议题推到了台前，但台下还有很多没被讨论清楚的东西。从行业普遍做法到质疑，再到另一种可能性，我现在觉得最合理的态度不是支持或反对，而是承认我们还在摸索。也许两年后再回头看，现在的很多争论都会显得多余。但也可能，两年后我们发现自己什么都没解决，只是又换了一批教材。

所以，问题可能不是“要不要开AI公共课”，而是“我们有没有能力开好一门不是技术课的技术课”。至少目前，我还没看到有说服力的答案。