16门课、先测评再配课、学完发证：高校教师的AI培训，开始按"继续教育"的规矩办了

教育部高等教育司2026年度"人工智能赋能高等教育人才培养"系列师资培训正在各校教务处的通知栏里刷屏。主办是高教司，承办单位一溜排开：北京大学、中国农业大学、北京邮电大学、复旦大学、浙江大学、中南大学、全国高校教师网络培训中心。培训对象写得很实——全体专任教师，不是骨干班，不是种子教师班。

内容分三大专项、六个小组别：未来教师专项，学科专项（文科、理工科、农科、医科四选一），实验教学专项。课程涵盖人工智能通识教育、"人工智能+专业教育"、大模型在教学中的应用、人工智能理论与实践研究、人工智能伦理风险防范、人工智能赋能实验教学改革。学习方式是线上，平台是全国高校教师网络培训中心（aigc.enetedu.com），要求完成不少于16门课程并通过测试，才能拿到证书。时间卡得很紧：11月30日前完成学习与测试，12月31日前自行导出证书。

真正的变化在流程，不在课程表

过去的教师培训，流程是"通知—听讲座—签到—结束"，讲完就散。这次的流程是四步：先做"未来教师素养测评"；系统依据测评结果，从未来教师专项模块里智能推送3门适配课程；再按所属学科完成10门学科专项课程；最后在实验教学专项里按需完成至少3门，合计不少于16门，然后线上测试，合格发证。

这套流程的意义在于它把"培训"改造成了"认证"。测评是入口，推课是个性化，测试是出口，证书是凭证。16门不是建议数，是门槛；证书不是纪念品，是可以被收集、被统计、被写进教师发展档案的东西。各校通知里那句"请各学院收集本单位参训教师的培训证书，统一命名后报送"，已经说明了它的用法——它会被当作一项可考核的覆盖率指标。

往前接一条线就更清楚了。《"人工智能+教育"行动计划》已经把AI素养纳入教师资格考试与认证的讨论范围，北京等地市属高校在推新生AI通识课全覆盖，市教委层面开始统一采购智能体和Token。培训、认证、课程、算力，这四件事正在被同一套逻辑串起来：AI能力从"个人兴趣"变成"岗位要求"。

学校这一端，已经开始分路子

11月12日中国教育报那篇《人工智能时代大学教育范式变革》把高校该做的事列了五条：建设人工智能公共基础课和交叉课程群；推进评价方式改革，每门课明确AI使用边界，建立过程证据、现场答辩、项目成果和反思说明相结合的评价体系，对临床判断、工程安全、法律论证、科研诚信这类高风险能力保留"无AI或限AI"的评估场景；重建教师发展体系，培训要覆盖教学设计、学习分析、提示工程、学科知识库建设、伦理治理、评价改革；建设校级AI基础设施，统一身份认证、模型接入、数据分级、日志审计，避免各院系碎片化采购；深化产学研协同，但不把人才培养完全交给短期市场需求。

西安几所高校的做法更能看出差异。西安理工大学给AI使用划了"四张清单"，把能用、限用、禁用、须声明的情形分开；西安外国语大学做"外语+专业+AI"的复合培养；西安科技大学以教学大赛为抓手，推"师—生—机"协同课堂；西安财经大学把财经专业整体做数智化升级。四所学校四种路子，共同点是都没有一刀切禁止，而是先把边界画出来。

再往深一层，评价是最难动的。生成式AI让作业、论文、报告的真实性越来越难判断，靠"查重"已经挡不住。可行的办法是把评价往情境性、个体化、过程性、现场性上挪：口头答辩、课堂展示、草稿链、版本记录、实践作品、反思说明。这些话写进文件容易，落到一门具体课程的期末成绩里，要改的是教师的工作量结构。

我的看法和推测

我的看法是：这轮培训最聪明的地方，是没有从"教什么工具"入手，而是从"测评"入手。工具半年一换，测评维度相对稳定；先测后配课，至少承认了文科老师和实验课老师的AI需求不是一回事。16门课听起来多，但摊到三大专项里，真正硬的部分是学科专项那10门——它逼着每个学科回答一个问题：AI进入你的专业之后，哪些知识还有教学价值。

不过我对"证书化"保持警惕。教师资格、职称评审、年度考核一旦把AI培训证书设为硬指标，最容易出现的是挂机刷课、代刷、题库互传。16门线上课，如果只有观看时长和一次测试，通过率会高得没有区分度。真正有效的部分反而在那些不容易量化的地方：一门课敢不敢把期末论文改成现场答辩，一个学院敢不敢把"AI使用声明"写进作业规范，一所学校敢不敢统一采购模型接入而不是让二十个院系各自买账号。

做几个推测。其一，未来一年内会出现省级层面的"高校教师AI素养标准"或测评题库，测评结果可能与教师发展学分、评优、职称评审的继续教育学分挂钩，证书从"荣誉"变成"学分"。其二，16门课之后会分化：通识部分很快标准化、平台化，甚至被做成慕课；真正拉开差距的是学科专项，文科的文本分析、医科的影像判读、农科的田间数据、工科的仿真实验，各自会长出不同的课程包和案例库。其三，实验教学专项值得单独盯——AI赋能实验教学牵涉设备、安全、数据采集，是投入最重、也最容易做出差异化的一块，工科院校会在这里形成可见的护城河。其四，评价改革会先从"高风险能力"下手，临床、工程安全、法律论证、科研诚信这几类场景会率先出现"限AI"的考试形式，比如现场操作、口试、手写推导。其五，校级AI基础设施会变成新的校际差距来源：有统一身份认证、统一模型接入、日志可审计的学校，能把AI嵌进教学流程；没有的学校，师生只能各自用公开工具，数据安全和学术诚信风险都留在个人身上。其六，教师之间的分化会比学校之间的分化更快——愿意重构课程的那批人，三年内会把课上成另一个样子；不愿意动的那批人，课件里加两页"AI提示词示例"就算交差。其七，培训市场会跟进，各类"AI教学设计师""提示工程师"认证会密集出现，学校需要提前想清楚认哪些、不认哪些。

说到底，判断这轮培训成不成，不看多少人拿了证书，看三件事：下个学期有多少门课的考核方式真的改了；有多少教师把自己学科的知识库建起来了；有多少学校把AI使用边界写进了课程大纲而不是宣传稿。这三件事做成一件，比一万张证书有用。