人工智能学科研究人工智能的理论、方法、系统、应用、赋能、伦理与治理等，是一门典型的交叉学科。随着近年人工智能的快速发展，其学科内涵、体系架构等随之不断丰富与发展。文章在分析人工智能发展态势的基础上，从理论方法、智能形态、学科融合和应用赋能等4个视角阐释人工智能学科内涵，提出由基础支撑学科、基本知识体系、主要智能形态和应用赋能扩展构成的人工智能学科体系框架。在新形势下，应从夯实学科基础、深化交叉融合、强化应用赋能、加强人才体系培养等方面系统推进人工智能学科体系建设，促进其开放演化和高质量发展。
人工智能作为一门旨在创造能够思考、学习和行动的智能机器的学科，自诞生之日起，其发展道路就充满了哲思的辩论与技术路线的更迭。它汇聚了计算机科学、数学、系统控制科学、神经科学、心理学、语言学和哲学等领域的思想成果，构成了一个典型的多学科交叉领域。人工智能学科的发展历程是三大核心思潮螺旋上升的科技“史诗”，同时其发展态势呈现出前所未有的复杂性与战略性。人工智能作为新一轮科技革命和产业变革的核心驱动力，正在重塑国家竞争优势，引领全球智能化发展。
一、人工智能的发展态势
人工智能的发展并非单一路线的线性推进，而是在多种理论范式和技术路径的演进中不断展开的。符号主义、联结主义和行为主义作为最具代表性的3种基本范式，深刻塑造了人工智能的发展脉络。符号主义长于逻辑推理和知识表示，联结主义长于表征学习和模式识别，行为主义长于环境交互和自主决策。三者并非彼此割裂的平行路线，而是在不同历史阶段分别回应人工智能发展中的知识表示、表征学习和环境交互等关键瓶颈，并在基础模型、神经符号推理、强化学习、智能体和具身智能等新方向中呈现出重新融合的趋势。当前，人工智能的发展态势呈现出前所未有的复杂性与战略性。一方面，技术体系、算力基础、数据要素和应用场景均在快速更新迭代，科技竞争的门槛不断提高，迭代速度也在持续加快；另一方面，安全、伦理、可信、绿色等约束条件日益凸显，使人工智能从“技术竞争”走向“体系竞争”。
面向未来，人工智能的发展呈现出五大趋势。
① 技术体系不断拓展，正迈向多智能融合和通用智能阶段；
② 人工智能成为第四次工业革命的重要驱动力，推动产业结构重塑与智能经济兴起；
③ 人工智能技术的普及将深刻影响社会生活方式与文化生态，带来广泛的社会变革；
④ 人工智能的跨界应用同时伴生安全、伦理与信任风险，亟须建立健全的治理体系；
⑤ 全球日益重视人工智能的可持续发展与治理协同，国际竞争与合作格局正在重塑。
（1）人工智能正在迈向多智能融合的新阶段
以GPT系列、Claude系列、DeepSeek系列等为代表的大模型技术实现了重大突破，打开了迈向通用人工智能的序幕，掀起了新一轮研发热潮。大模型成为主流技术路线并在快速迭代演进，基础模型技术出现突破性升级，全新深度网络架构相继涌现，多模态智能体和世界模型成为当前模型研发的主攻方向。多技术路径交叉融合加速通用人工智能的到来，大模型技术正在与人工智能各领域交叉融合，基于底座大模型技术的具身智能、分布式群体智能、人机物混合增强智能、自主决策通用智能体等通用人工智能新路线加速实现能力突破和性能提升，推动人工智能由以深度学习为主导的模型驱动范式，向多模态、协同化和自主智能演化的新范式转变。
（2）人工智能成为第四次工业革命的核心驱动力
人工智能是第四次工业革命的核心驱动力，推动传统实体经济实现革命式升级换代，催生智能经济新形态，成为发展新质生产力的重要引擎。人工智能加速传统产业转型升级，实现质量变革、效率变革、动力变革，重塑工业基础再造、生产与服务模式创新等环节，引领新型工业化发展，为智能经济发展提供全新动能。人工智能创新商业模式和经济形态，正以前所未有的速度影响和渗透到各行各业，构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态，形成新的经济增长点。
（3）人工智能正引发社会发展深远变革
人工智能将广泛应用于教育、医疗、护理、家政等领域，随着智能化水平的提升，服务机器人将走进千家万户，创造美好生活。大模型技术在医疗领域推广应用，将加快实现个性化、专属化的数字医院愿景。人工智能将创新文化创作和传播方式，在创造生产力工具的同时，也在革新知识生产方式，繁荣文化产品，提升跨领域、跨时空的文化传播效率，加速文化融合进程。人工智能有望推动人类社会迈进智能增强时代，人机共存、物理世界与虚拟信息世界将交互并行，人、物理世界的二元空间将转变为人、物理世界、智能机器、虚拟信息世界的四元空间。
（4）人工智能的大规模跨界应用将重塑安全治理体系
以生成式大模型为代表的人工智能技术，可以极低成本生成对人物和事件的不实描绘，降低民众对真实信息的整体信任，引发认知混乱，冲击原有的社会生活秩序。人工智能的误用滥用、隐私泄露等问题，以及对人工智能产品或系统的不当使用带来的价值扭曲和情感依赖，会违背伦理道德、破坏公平正义，从而导致伦理失范，引发深层次的伦理道德问题。人工智能的智慧可能在部分领域超过人类智慧，将威胁人类的共同利益。我们将如何在确保安全可控的前提下，与人工智能共存，更好地造福人类社会，成为需要全球共同面对的重大议题。
（5）人工智能的可持续发展与全球治理成为新的焦点
在安全风险之外，人工智能的长期健康发展还面临算力消耗、能源使用和碳排放等可持续性挑战。同时，人工智能的快速演进超越了单一国家和行业的边界，迫切需要建立开放、透明、可协调的治理机制，确保技术演进与社会价值一致。国际社会在人工智能伦理规范、跨国协同监管、开源共享和标准化建设方面的探索步伐加快，人工智能治理正从原则倡议走向制度实践，成为全球科技治理体系的重要组成部分。
二、人工智能学科的内涵
人工智能学科研究人工智能的理论、方法、系统、应用、赋能、伦理与治理等，是一门典型的交叉学科。人工智能学科在其发展历程中，融合了计算机科学、数学、系统控制科学、脑科学、心理学等多个学科的知识，延展出面向感知、决策、行为、情感等不同智能形态的学科方向，并通过应用赋能与应用领域的知识深度融合，进一步拓展了其学科边界，形成了独特的学科体系。下面，我们从理论方法、智能形态、学科融合、应用赋能4个视角，进一步阐释人工智能学科的内涵。
2.1 理论方法视角下的学科内涵
人工智能实现的起点是假设智能是一个可计算过程，即学习、推理、决策等问题最终都能转化为计算问题。由此出发确立了人工智能的学科内涵：它不涉及意识的形而上问题，而是专注于智能的功能性实现，从而确立了人工智能“可计算”的科学边界，并由此发展出相关理论与方法。在这个基础上，通过在计算的形式化框架中通过将智能抽象为可建模、可操作、可扩展的机制或框架，逐步构建起人工智能学科的基本知识体系。
从人工智能系统的实现方法来看，人工智能学科的基本知识体系沿着3条互为补充的路径延伸，即人工智能发展过程中的“三个主义”——符号主义、联结主义与行为主义。“三个主义”在人工智能的发展历程中既交替繁荣，又相互融合，共同塑造了人工智能学科的知识体系。
① 符号主义强调通过逻辑与形式系统来刻画知识与推理，把智能还原为符号操作与约束求解。它们奠定了人工智能的知识形式表达基础，使智能系统能够在“可证明-可推导”的层面建模世界，并催生出知识表示、规划与约束满足等系统性方法。
② 联结主义主张通过神经网络的神经元相互连接和多层表征来实现学习与泛化。相关技术进步极大地增强了人工智能模型的表示与泛化性能，使系统具备了大规模模式识别和感知、推理的能力。这一脉络逐渐发展为深度学习的方法体系。
③ 行为主义强调智能系统通过“感知—行动—反馈”的闭环来学习和适应环境，主张智能并非静态表征，而是嵌入环境互动中的动态优化过程。行为主义为人工智能学科提供了强化学习、策略优化与自组织等系统性交互与学习框架。
总体来看，“三个主义”及其衍生的理论方法，从3个基本维度构建了人工智能学科知识体系的基本架构和演进路径——从形式化到经验化，从静态结构到动态交互，从分立到融合。
2.2 智能形态视角下的学科内涵
人工智能学科的知识体系在长期演进中不断地与应用场景相融合，呈现为不同功能和不同行为的多元智能形态。这些形态既映射了人脑作为智能原型的核心功能，又体现了个体在与环境和社会交互中的行为特征。
从内在结构来看，智能形态的多元性与大脑功能分区现象密切关联。智能的多种形态可以理解为对这些脑区功能的计算化再现：感知智能对应感觉通路的建模，认知与决策智能模拟额叶的执行控制，情感智能借鉴边缘系统机制，群体智能参考社会脑网络，生成式智能则呼应跨模态整合与创造性加工。
从外在行为来看，智能形态的多元性源自不同智能功能与应用场景的信息加工方式的差异性。语言与逻辑推理对应认知智能，空间与环境感知对应感知智能，身体运动智能为行为智能提供参照，人际与情绪智能分别对应于群体智能与情感智能，内省智能关联决策智能，而人类的创造能力则外在体现为生成式人工智能。
从发展趋势来看，智能形态已不再局限于单一功能或能力的构建，而是呈现出多形态融合与新兴形态持续涌现的态势。感知、认知与决策等基础智能形态在系统框架中逐步整合，形成融合环境感知能力、语义理解能力与自主决策能力等多种能力的综合或组合型智能体。随着交互场景的复杂化与任务需求的多样化，传统智能形态之间的边界逐渐模糊，催生出具身智能、艺术智能、社会智能等更多新型智能形态。这些不断融合与涌现的智能新形态，已成为人工智能学科的新方向与新内涵，持续拓展学科的边界。
2.3 学科融合视角下的学科内涵
人工智能学科具备交叉融合的知识扩展特性。正因如此，其知识体系并非对单一学科的简单依附，而是通过多学科的互动与融合逐步形成。这种独特的交叉性，构成了人工智能学科坚实的内生基础，并持续推动着其理论方法与技术不断演进。
（1）人工智能学科自身的理论与方法在历史发展过程中，广泛融合了若干个基础学科的知识
人工智能的知识表达学习算法建立在数学所提供的符号表达、概率建模与最优化方法等形式化工具的基础之上；学习机制与模型结构，尤其是人工神经网络，在很大程度上受到脑科学与心理学的启发；面对复杂环境时，智能系统的稳定性与适应能力，则依赖于系统控制科学中的动态建模、反馈调节与鲁棒控制等方法；此外，计算机科学与工程在算法设计、架构优化与算力平台构建方面的进展，为人工智能从理论模型走向大规模工程实践提供了关键支撑。这些学科的深度交叉与融合，共同构筑起人工智能的基本知识体系。
（2）人工智能学科在发展过程中，不断吸收电子学、机械工程、材料科学等众多其他传统自然科学与工程学科的知识
电子学为人工智能计算系统提供了计算与感知的底层硬件基础，机械工程学使智能体能够在物理世界及虚拟世界中实现可靠操作，而材料科学的发展则为新型传感材料、柔性电子、类脑器件等前沿硬件奠定了坚实的基础，推动了智能计算和感知能力的突破。人工智能与这些学科的交叉融合，显著拓展了学科知识体系的边界。
（3）人工智能与社会科学的交叉，为该学科注入了独特的社科和人文属性
在传统人工智能算法、模型与系统工程基础之上，人工智能日益需要面对社会运行机制、制度安排与价值规范等复杂问题，正逐步吸收社会学、法学、经济学、心理学、伦理学等多个学科的理论与方法。
2.4 应用赋能视角下的学科内涵
人工智能作为实现人类智能的一种普适性理论方法，呈现出“元方法”或“通用使能技术”的属性，系统性地推动了社会变革与发展，尤其是科学研究的范式变革和学科体系的演进。
人工智能技术作为通用赋能工具，正通过“人工智能+X”的融合模式深刻地重塑着各行各业。在产业方面，人工智能驱动工业过程全环节实现智能化联动，培育智能原生业态，并推动农业与服务业的数智化转型升级；在民生方面，人工智能通过智能终端与智能服务，创造出涵盖工作、学习、医疗、文化等场景的新模式与新体验；在治理方面，人工智能助力构建人机共生的社会治理新图景，通过智能化手段提升城市运行、公共安全与生态治理的效能。总之，人工智能展现了其作为新质生产力的核心引擎，推动经济社会实现全方位变革的普遍价值。
特别地，人工智能学科正以应用赋能的全新方式系统地推动科学研究的范式变革。
① 人工智能正在推动科学研究从传统的“假设驱动”向“数据驱动”与“智能驱动”深度融合的科学发现模式演进。这一转变深刻地重塑了知识的生成与建构过程。
② 针对传统科学方法难以解决的复杂系统建模与高维问题求解难题，人工智能学科提供了全新的计算范式。它将一大批因非线性、高维度、强耦合而长期存在的“不可计算”问题，转化为数据驱动下的“可优化”问题，克服了复杂问题空间的组合爆炸难题。由此，人工智能极大地扩展了科学探索的“计算可行域”，构成了新一代科学研究的基本范式和基础设施。
展望未来，人工智能的进一步发展必将带来人类生产生活方式的重塑、生产力的革命性跃迁及生产关系的深层次变革。同时，人工智能学科也将在持续的应用赋能过程中不断拓展出新的问题域，实现学科内涵的不断发展与更迭。
三、人工智能学科体系
人工智能学科体系，是人工智能作为一门独立学科所形成的知识框架和研究体系，其目的在于从整体上阐明人工智能的基础知识、研究内容和方法路径。总体来看，人工智能学科体系可以概括为基础支撑学科、基本知识体系、主要智能形态和应用赋能扩展4个层次。其中，基础支撑学科构成学科发展的底层根基，基本知识体系构成学科的主体框架，主要智能形态体现人工智能能力的外在展开，应用赋能扩展则反映人工智能在与具体领域深度结合过程中形成的知识延展与边界拓展。
图1 人工智能学科体系架构
3.1 基本知识体系
人工智能学科的基本知识体系是在“智能可计算”的基本假设下，由核心问题、基本方法与支撑平台3个核心要素构成的系统化框架。这一框架构成了一个从理论方法到工程实现的知识体系。
人工智能学科的核心问题围绕“感知与表征”“认知与知识建构”“学习与适应”“决策与行动”4个关键环节展开，构成了一个感知驱动认知、认知支撑学习、学习优化决策、决策又反馈于感知的动态循环知识系统，共同推动人工智能核心能力的发展。
人工智能学科的基本方法以“感知—认知—学习—决策”为技术主线，通过知识表示、知识学习与知识应用的3个关键环节，将智能的不同功能与行为以可计算的方式实现。这3个环节的技术相互支撑、交织循环，构成智能实现的完整链条，并在符号主义、联结主义、行为主义等不同方法论及多学科理论的支持下持续发展，推动人工智能在开放环境、多模态融合、动态交互等方向不断拓展能力边界。
人工智能学科的支撑平台以数据、算法与算力为核心要素，构成从理论模型到真实系统的基础支撑。3类平台相互耦合，形成“数据驱动认知—算法生成智能—算力保障执行”的闭环，共同推动人工智能向鲁棒、可信与协同的方向持续演进，成为支撑人工智能技术发展与演化的关键基础平台。
人工智能的基本知识体系明确了人工智能作为独立学科的基本知识构成，是人工智能学科体系的最核心组成部分。
3.2 主要智能形态
人工智能的形态，是基本知识体系在具体智能类型与功能上的具象化呈现。这些智能形态构成了学科发展的载体，推进人工智能学科在基本知识体系的基础上进一步衍生出不同的学科方向。
感知智能是机器通过传感器和计算模型识别环境模式的基础能力，其核心在于实现类似人类感官的交互功能。该能力本质上是基于机器学习的模式识别，并依托计算机视觉、听觉及多模态感知等技术持续演进。认知智能是机器在感知基础上，通过知识构建、逻辑推理与因果归纳实现理解、决策与创造的高级能力。决策智能是机器在动态不确定环境中进行分析、优化并执行行动的高阶能力，核心在于解决多目标复杂决策问题。行为智能是机器通过物理实体与环境进行具身交互并基于感知完成决策与动作执行的能力。该能力的实现依赖于智能本体、核心模型与仿真平台的协同，旨在实现从机械反应到适应性智能的跨越。群体智能是多个智能体通过局部交互与自组织，形成超越个体能力的整体智能，以应对单一系统无法解决的复杂问题。
人机智能是人类与机器智能通过双向耦合实现能力互补与协同共生的高级形态，核心在于构建超越单一方能力的增强型智能体系。该形态主要依托脑机接口、人机交互与虚实融合三大技术方向，推动从功能辅助走向认知共生。情感智能是人工智能系统感知、理解、表达与调节情绪，以实现共情交互的关键形态。该智能的核心在于通过多模态情绪识别、情感建模与个性化干预技术，建立具有情感温度的人机关系。生成式智能是人工智能系统通过学习数据中的潜在模式，生成符合该分布的全新内容的创造能力。该智能的核心由大语言模型等基础模型驱动，并从单一文本生成扩展为多模态内容创造，标志着人工智能向创造性伙伴的转变。
智能形态的实现，通常会采用不同的人工智能理论与方法。在不同的形态中，智能通常表现为不同形式的信息加工和知识处理方式。这些面向不同智能形态实现的理论与方法，进一步丰富了人工智能的基本知识体系。
3.3 基础支撑学科
人工智能学科体系的形成，源自数学、系统控制科学、脑科学、心理学、计算机科学等基础支撑学科的深度交叉融合。这些学科既各自提供理论与方法支撑，又在融合中催生新的研究范式，共同构成了人工智能学科的知识根基。
数学为符号主义提供符号推理与可计算性基础，也为深度学习的能力刻画与训练优化提供理论和算法支撑；系统控制科学奠定了闭环控制、系统稳定与最优决策及强化学习的总体框架，推动科学计算能力演进并保障智能行为的可靠实现；脑科学以神经元与层级加工、注意与工作记忆等机制启发神经网络结构和学习范式，并推进事件驱动计算与脑机交互的发展；心理学以注意、记忆、强化与模仿学习等认知理论启发智能建模框架，并引入社会与情绪机制以完善人机协作；计算机科学则以体系结构、并行与分布式计算、编译与框架生态构成算力与平台基础，支撑人工智能方法的计算实现。
展望未来，这些基础支撑学科将继续推动人工智能向更高级智能形态演进。数学将以几何、微分方程与范畴论进一步推动模型设计和训练范式的发展，借助因果与拓扑方法增强系统的可解释性和安全性，逐步构建可验证的理论框架；系统控制科学将面向开放环境与多智能体协同，完善可验证、安全与低能耗的在线闭环与运行治理机制；脑科学将推动类脑计算架构与神经形态硬件协同演进，将可塑性与具身交互机制纳入持续学习和规划的过程；心理学将以因果归因、反事实推理与元认知提升自我监控和行为解释水平，并在社会与道德规范框架下完善人机交互框架；计算机科学将通过算法与硬件协同、边云协同与绿色算力等技术，构建高保真仿真与可复现实验平台，支撑高效、可控与可迁移的智能计算系统。
3.4 应用赋能扩展
人工智能在应用领域的持续赋能，正推动人工智能在经济社会各行业、各领域广泛渗透与深度融合，重塑人类的生产方式与生活方式，促进生产力革命性跃迁和生产关系深层次变革。
人工智能不仅属于基础科学领域，也具有鲜明的应用科学属性。在与科学研究、产业发展和社会治理等领域持续结合的过程中，人工智能不断与具体领域知识发生深度融合，并由此形成新的问题域、方法需求和知识内容。在科学研究方面，人工智能正在推动科研基础设施和研究平台加快智能化升级，促进高质量数据资源汇聚和复杂数据处理能力提升，进而改变科学发现、技术研发和知识生产的方式；在产业发展方面，人工智能通过与制造、农业、服务等领域结合，推动经济结构优化升级和智能经济新形态发展；在社会治理方面，人工智能通过提升城市运行、公共安全、生态治理等领域的智能化水平，推动形成更加高效的人机协同治理模式。更重要的是，应用赋能并不是学科体系之外的附属部分，而是在与现实问题持续结合的过程中，不断反向推动人工智能扩展知识边界、丰富学科内容、深化内在结构的重要力量。
正是在这一意义上，人工智能学科体系不是封闭静止的，而是在基础支撑学科、基本知识体系和主要智能形态相互作用的基础上，通过持续的应用赋能不断发展和更新。
四、推动人工智能学科发展的建议
在人工智能从单点技术突破走向体系化创新的大背景下，人工智能学科的建设也相应地从重点关注具体理论与技术应用，转向更为系统化的学科体系建构。面向未来，应遵循人工智能学科发展规律，围绕夯实学科体系基础、深化多学科交叉、强化应用赋能和加强人才体系培养推进，不断丰富学科内涵、拓展学科边界，推动人工智能学科体系开放演化和高质量发展。
4.1 夯实学科体系基础，凝练多范式融合的知识内核
人工智能学科体系建设的一个重要任务是在人工智能理论、技术、应用等不断发展与更新过程中，及时凝练与更新本学科知识内核。当前，基础模型、智能体系统和具身智能等的发展，使符号主义、联结主义和行为主义在新的技术条件下重新汇合，但这种融合仍主要表现为工程系统层面的集成，尚未充分上升为统一理论框架。未来应超越具体模型形态和阶段性技术热点，围绕智能的基本问题，系统凝练人工智能学科的核心概念、基础理论和方法体系。
① 凝练基本问题。系统梳理人工智能的核心概念、问题谱系和方法边界，明确学科发展的主干逻辑。
② 强化基础理论研究。加强知识表示、表示学习、因果推理、优化理论、闭环控制、可信学习等方向研究，推动多范式从工程集成走向理论融合。
③ 完善学科知识体系。系统梳理人工智能的理论基础、方法体系和系统实现，明确不同知识模块之间的内在联系，形成结构清晰、层次合理、能够持续更新的学科知识体系。
4.2 深化多学科交叉，拓展人工智能学科发展空间
人工智能是一门典型的交叉学科，面向人工智能发展的新问题和新形态，应推动多学科之间由方法借鉴进一步走向概念融通、问题共建和知识共创，不断拓展人工智能学科的理论边界和发展空间。
① 深化基础学科交叉。推动数学、计算机科学、控制科学、脑科学、心理学等围绕智能机制、智能建模和智能系统开展协同研究，促进不同学科理论与方法的双向融通。
② 拓展新兴交叉领域。面向科学智能、人机智能、社会智能、艺术智能等新兴方向，凝练具有学科意义的理论问题和方法体系，培育人工智能学科新的增长点。
③ 健全交叉协同机制。加强跨学科研究平台、长期合作机制和重大研究任务建设，促进交叉知识的积累和沉淀。
4.3 强化应用赋能，促进人工智能学科创新发展
应用赋能不仅是人工智能发挥经济社会价值的重要途径，也是推动人工智能学科发展的重要动力。科学研究、产业发展和社会治理等领域的真实需求，能够不断提出新的任务、约束和评价要求，其中具有普遍意义的问题可以进一步转化为新的理论问题、研究方法和知识内容，进而丰富人工智能学科的内涵。
① 从重大应用中凝练学科问题。面向科学发现、先进制造、医疗健康、教育和社会治理等重要领域，识别应用实践中的共性需求和关键挑战，并将其转化为具有普遍意义的人工智能学科问题。
② 推动应用知识融入学科体系。总结应用实践中形成的共性规律、方法创新和评价准则，将其转化为人工智能学科新的概念、方法和知识内容，持续丰富学科内涵。
③ 促进理论创新与应用创新相互支撑。发挥基础理论对应用发展的引领作用，同时以应用实践检验和拓展理论方法，推动基础研究、技术创新和应用研究相互促进。
4.4 加强人才体系培养，支撑人工智能学科长远发展
人才培养是人工智能学科建设的核心任务。人工智能知识更新速度快、交叉融合程度高，兼具理论性、工程性和实践性，对人才的知识结构、创新能力和综合素养提出了新的要求，对人才培养带来新的挑战。应面向人工智能学科发展的长期需求，统筹教育、科技和人才协同发展，完善多层次、分类别、开放式的人才培养体系，为学科持续发展提供人才支撑。
① 完善培养目标与知识结构。根据人工智能学科知识体系和主要智能形态的发展，明确不同层次、不同类型人才的培养目标，优化课程体系和知识结构，强化理论基础、工程能力、交叉视野培养。
② 深化科教融汇与产教融合。将前沿科学研究、重大科研任务和真实应用问题融入人才培养过程，推动高校、科研院所、企业和应用部门协同育人，增强人才培养与学科发展的衔接。
③ 健全人才成长与评价机制。加强高水平师资队伍和教学科研平台建设，健全适应基础研究、交叉研究和应用创新特点的人才培养与评价机制，为人才成长创造良好环境。
文章来源
中国科学院学部人工智能赋能科学研究咨询项目学科组. 人工智能学科体系：内涵、架构与发展建议. 中国科学院院刊, 2026, 41(6): 1079-1088.
DOI: 10.3724/j.issn.1000-3045.20260514006.
长宏网配资提示：文章来自网络，不代表本站观点。
