FDE 企业 AI 落地与交付 · 组织采用与项目陪跑 · 2026-07-31

产教融合如何重塑AI人才培养:来自Kimi K3论文一作高中生陈广宇的启示

高中生陈广宇(Kimi K3论文一作)启示:产教融合重塑AI教育,打破技能训练局限,强调真实问题实践。 核心内容:

  1. 产教融合的系统工程:深度共创而非简单校企合作
  2. AI教育现状反思:技能训练≠核心素养,需综合实践
  3. 高中生陈广宇案例:Kimi K3论文一作的实践启示

笔者近几年一直在探索如何与产业界携手推动产教融合的AI课程建设,从高校到基础教育阶段都进行了一些尝试。这些探索让我深切感受到,产教融合不是简单的“企业提供案例、学校安排实习”,而是一项需要双方深度共创的系统工程。在此,也诚挚期待与更多关注AI教育的同行者交流碰撞,共同探讨产教融合在AI教育中的更多可能。


作者介绍:龚超博士,深圳清华大学研究院副研究员、未来基因(北京)人工智能研究院院长


AI Education

一、产教融合视角重新审视AI教育

AI教育已经成为基础教育领域的必修一环。越来越多学生开始接触 Python、数据分析、机器学习和生成式AI,课程资源也日益丰富。然而,一个不容回避的问题是:会写几段代码、会调用一个模型、会完成一道有标准答案的练习,是否就意味着具备了AI的核心素养?答案显然是否定的。AI不是一组彼此分离的知识点,而是一套围绕真实问题展开的综合实践。学生只有经历问题界定、数据处理、方案选择、实验验证、失败修正和成果应用,才会从“知道”转化为“做到”。

笔者多次在公开讲座中提及,目前国内的AI教育,尤其是基础教育领域,很多时候上的并不是AI课程,更多的是编程课。即便一些学校开设了硬核课程,如机器学习、深度学习,也往往是一些被过度简化的内容,学生们并没有得到系统、全面的AI核心素养的培养。如下图所示,那些没有被重视的内容往往是培养学生思考问题,理解场景,项目/情景教学等重要的一环;而建模这种需要更多数学、程序设计高阶基础的课程,却经常在基础教育中被过度青睐。

近几年,笔者越发认为,带着问题学习AI,正在变得十分重要。下图均为中学生利用AI解决问题的实例,其共同点之一是解决实际问题并在过程中得到成长。如果学生不知道具体要解决什么问题,也就是不清楚目标,就会不知为何要学习AI,于是很多AI课程流于形式。

此外,AI技术发展十分迅猛,外部环境发生了很大的改变,很多原有素材内容尽管看似很新,实则早已跟不上发展。因此,在学校课程和基础训练之外,让产业以适当方式介入 AI 教育,让学生接触真实任务、真实约束和真实反馈,“干中学”,解决实际问题,这不失为一条有效路径,能够补上课堂学习与技术实践之间最容易断裂的一环。

AI Education

二、少年案例的启示:

不在于“天才”,而在于真实实践

Kimi K3 发布后,高中生陈广宇受到广泛关注。需要准确说明的是,他是 K3 技术报告作者之一,也是核心技术论文《Attention Residuals》中三位同等贡献作者之一,这篇论文据报道称就连马斯克也亲自点赞,被称为是继上次DeepSeek发布引发世界轰动后的再一次引发全球关注的事件。陈广宇同学经历十分丰富:从校内AI项目、开源社区和黑客马拉松,到AI初创公司实习,再到进入 Kimi 团队参与机器学习研究,他不断把所学知识放进更真实、更复杂的任务之中。

2024年11月,陈广宇在学校里做学术分享。

这个案例真正值得讨论的,不是“17岁发表论文”,而是学习环境发生了变化。在学校项目中,问题开始来自现实;进入企业后,问题还要同时经受数据质量、算力成本、通信效率、训练稳定性和团队协作的检验。一个算法不能只在演示中“跑起来”,还必须证明它为什么有效、在什么条件下有效、是否值得投入更多资源。正是这种持续的实践,让知识、方法和判断力被连接起来。

由此可以看到,学生成长并不只取决于“学了多少”,也取决于“用所学解决过什么”。产业介入 AI 教育的价值,首先就在于为学习提供有用武之地的实际问题,让学生的知识、逻辑和能力得到综合的检验与提升。

AI Education

三、真实问题是AI学习最好的组织方式

传统课程常按知识体系展开:先学语法,再学数据结构;先讲回归与分类,再讲神经网络。这样的顺序有利于夯实基础,…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/AIpeixun/2026073101683.html