47 万缺口、99.18%使用率：AI 时代的课堂缺了哪一课
9月23日早上 9 点 44 分，人民网观点频道发了一篇评论，《当 AI 成为「标配」，大学该教什么》。同一天下午两点，上海松江大学城视觉艺术学院德稻大师楼 8 楼，一场名为「AI 工具集在产教融合领域的应用」的线下沙龙开场，六场演讲，一场圆桌。但它们问的是同一件事：当 AI 什么都能给你，人还该干什么？面向全国 400 余所高校 1953 名本科生的调查显示，AI 工具使用率已达 99.18%，超过六成学生对 AI 使用的合理边界感到困惑，不到三成表示学校提供了系统的 AI 相关课程。
开学季这几年，北大、复旦、南科大等多所高校校长在新生典礼上不约而同提到 AI，提醒大家警惕「认知卸载」「虚假掌握」「思维外包」。但文章真正要紧的一句话在这里：需要厘清的不是该不该用 AI，而是「代劳」与「代想」的边界。程序可以让 AI 辅助编写，数据可以请 AI 辅助分析。但哪里可能出错、结果能不能使用、出了问题由谁负责，不能由 AI 代劳。AI 与搜索引擎不一样，它会重新组织和生成内容，再形成一套形式严谨的答案。面对表达流畅、结构清晰的回答，人很容易放松核验，把「像答案」当成「真答案」。所以文章的结尾落在方向盘上：人工智能能发挥多大作用，取决于前面的「人工」，人提出什么问题，提供什么材料，设定什么边界，怎样核验结果，又把结果用于什么地方。「算法」越强，「写法」越不能丢。工具越是聪明，越要防止学习变成「无人驾驶」。9 月 9 日，人力资源社会保障部等部门正式发布第八批新职业，共 11 个新职业、23 个新工种，数字孪生工程技术人员位列其中，职业编码 2-02-38-14，标注 S，属于数字职业。
官方定义是：从事数字孪生技术研发、规划设计、工程实施、调试优化及运行维护的工程技术人员。1. 截至 2026 年 9 月，我国已发布的数字职业达到 113 个；2. 已发布的 8 批共 121 个新职业中，数字职业 58 个，占比接近一半；3. 据中国信通院《数字孪生城市研究报告（2026 年）》预测，今年我国数字孪生市场规模将突破 220 亿元，同一份报告提到的人才缺口是 47 万；一个设岗位，一个设工种，指向的是同一件事：国家正在把「人怎么跟 AI 协作」写成职业标准。再看这个新职业的工作内容，研发、规划、实施、调试、优化、运维，六个词里没有一个词是「生成」。它的全部内容，都是围绕一个已经生成出来的东西反复确认：设计得对不对，实施能不能落地，调试到什么状态算合格，运行维护由谁兜底。换句话说，这是一个对结果负责的岗位。而这恰好就是人民锐评里说的那件不能由 AI 代劳的事。大学课堂上，AI 给错一个数据，后果是一篇论文分数低一点。一个水电站的机组仿真，流场算错了，可能是叶片空化；一个变电站的设备温度阈值设错了，可能是一次非计划停运；一个工厂的产线节拍推演错了，可能是几百万的库存压在仓库里。差别在哪儿？工业场景的「答案」不是一段文字，它必须落到具体的空间、具体的设备、具体的时间点上，被人再验一遍。模型接不上数据，一眼就看得出来；仿真结果和实际工况对不上，曲线会直接打架。这也是数字孪生这几年在工业侧走得比在课堂侧更快的原因。我们做 CIMPro 孪大师的思路，可以拆成三层。平台原生兼容 BIM、倾斜摄影、手工模型、GIS 数据、3D Tiles 等 30 多种数据源，支持 TB 级模型加载与全球尺度的空间定位漫游；工业协议侧兼容 OPC UA、Modbus、MQTT 等标准，可以直接对接 SCADA、PLC、各类传感器以及 AIS 数据流。这一步解决的是原材料从哪来、能不能对得上。多源异构数据如果融不进同一个空间基准，后面所有的分析、仿真和判断都是空中楼阁。工程现场最常见的情况不是没有数据，而是数据在七八个系统里各说各话，时间戳对不齐，坐标系不统一，同一个设备在两个系统里有两个名字。平台提供 AI 数字人能力，用户用自然语言就能调用场景数据、切换三维视角、启动仿真推演。大模型负责理解和组织，智能体把一句话拆成可执行的步骤，把「问一句」变成「跑一条链路」。但门槛降下来之后，对人的要求反而变了：你说得越含糊，它跑出来的结果越像答案而不像答案。提问能力和边界设定能力，成了新的基本功。工信部《空间智能发展报告》把空间智能分成感知、建模、认知、决策、交互五层，我们的自研图形引擎 PiCIMOS 把这五层做成了工程化的工具：感知层接多源实时数据，建模层用孪生体编辑器把三维模型与后台数据服务绑定，认知层把设备状态映射成颜色、高亮、位移，决策层把告警推到场景里定位并调出预案，交互层用二三维联动和数字人把操作变成一句话。AI 生成的东西，必须在一个有物理约束的空间里被验一遍。大模型可以给你十种方案。但哪一种在你的厂房里跑得通，哪一种会让设备超温，哪一种的检修窗口最短，只有把它放回三维场景里跑过才知道。这一层，AI 代替不了，平台也代替不了，只能由人来判断。平台能做的，是把判断需要的证据摆在你面前，摆全、摆准、摆在正确的空间位置上。来的人主要是高校实训教学一线的教师、产业研究领域的专业人士，以及企业里负责人才培养和项目交付的从业者。六场演讲的安排，恰好对应着「新的工具怎么用，老的训练怎么留」：我们对产教融合的理解，不是把一套软件送进实验室就完事真正有用的是把工程链路搬进去：一份真实的图纸，一套真实的测点数据，一个真的会出错的工况，一次真的要交付的验收。学生在这条链路上要花的，恰恰是人民锐评里列举的那些看似可以被 AI 省掉的时间：读懂一份难懂的文献，反复修改一段论证，为了一个数据查上几种材料，与同伴争论一个观点。放到数字孪生的语境里，就是把模型拆开再装回去，把仿真结果和实际工况对着看，发现对不上，回头查是边界条件哪里设错了，还是数据源本身就脏。人民锐评那篇文章的最后一段，值得每个做产业的人读一遍。人提出什么问题，提供什么材料，设定什么边界，怎样核验结果，又把结果用于什么地方。平台可以把 30 多种数据源融进同一个空间，可以把 TB 级模型压到流畅运行，可以让大模型听懂一句话就调出一张图、跑一场仿真。它做不到的是替你判断这个结果能不能用，更做不到替你签字。工具会越来越聪明，聪明的工具需要更清醒的人。这也是今天这场沙龙想留下的东西：不是教学生怎么用 AI，是教学生在 AI 面前，怎么做一个能提问题、会核验、敢负责的人。
