凰家访谈|陈明教授:智能制造需要“π型人才”,以产教融合打通创新与产业应用链条
深圳
深圳 > 科技 > 正文

凰家访谈|陈明教授:智能制造需要“π型人才”,以产教融合打通创新与产业应用链条

自动播放

11月3日至6日,2026汉诺威上海工业联展在上海新国际博览中心举行。随着人工智能、数字孪生等新一代信息技术加速融入制造业,产业智能化转型对复合型工程人才培养、科研成果转化及产学研协同创新提出了更高要求。

展会同期,第九届中国大学生机械工程创新创意大赛智能制造赛和首届国际大学生智能制造邀请赛举行。赛事以企业真实工程需求为导向,鼓励学生跨学科、跨国别协作,为探索智能制造人才培养与产业实践深度融合提供了重要平台。

展会期间,《凰家访谈》对话国家智能制造专家委员会委员、国际智能制造联盟人才组组长陈明,围绕智能制造人才培养、工程教育改革、科研成果转化及产学研协同机制等话题展开交流,探讨如何以产业需求为牵引,推动教育、科技与产业深度融合。

从“I型”到“π型”,重新定义智能制造人才培养方向

随着制造业向数字化、网络化、智能化加速转型,产业对工程技术人才的要求正在发生深刻变化。传统单一学科培养模式已难以满足复杂工业系统对跨领域知识与综合创新能力的需求。

针对这一趋势,陈明提出了“π型人才”的培养理念。

“过去强调精通单一领域的I型人才,后来强调‘一专多能’的T型人才。”陈明介绍,进入智能制造时代,工程师不仅要扎根机械、材料、工艺、装备和控制等制造本体,还需要掌握数字化、网络化、人工智能等赋能技术,并通过系统工程与创新能力贯通两条知识主线,形成“π型”知识与能力结构。

这一理念不仅强调知识领域的拓展,更要求工程技术人才具备跨学科融合与复杂系统创新的能力。

在高校人才培养方面,陈明强调,教育改革不能简单理解为增加几门人工智能课程,更不能因此削弱数学、物理和工程基础。

高校首先应明确人才定位,分类培养工程科学家、卓越工程师和创新型创业人才;其次,要打破专业与院系壁垒,鼓励学生跨学科选课、组建团队并参与真实工程项目;同时,改变传统以教师讲授为主的课堂模式,利用人工智能支持自主学习,将教学重点转向基本原理、研究方法、工程判断与结果验证。

人才培养的评价标准也需要同步调整,从关注学生“掌握了多少知识”,转向衡量其能够发现什么问题、创造什么产品,以及解决何种复杂工程问题。

这种以能力和创新为导向的培养模式,将更加重视学生的持续学习能力,为智能制造产业发展提供长期人才支撑。

从“课程附带项目”到“项目牵引课程”,让真实工程场景融入教学

如何让高校教学与企业实际需求紧密衔接,是培养智能制造复合型人才的重要环节。

对此,陈明主张从传统的“课程附带项目”转向“项目牵引课程”,让真实工业场景成为学生学习与实践的主线。

高校可以与企业共建长期演进的智能制造项目平台,将一个智能制造单元贯穿本科四年培养过程。

例如,大一阶段重点认识产品、材料和制造过程;大二逐步完成机械结构、传感检测与装备控制;大三引入工业网络、数字孪生和人工智能优化;大四则面向企业真实需求开展系统集成与毕业设计。

学生在不同阶段参与相应任务,通过完成具体工程成果获得学分,实现知识学习与工程实践的持续衔接。

不过,项目牵引并不意味着“用到什么才学什么”。高校仍需要通过核心课程、知识地图和阶段性考核,保障学生基础知识体系的完整性,避免工程实践碎片化。

高水平工程创新竞赛同样是推动教学改革的重要载体。

本届CeMAT ASIA期间举办的第九届中国大学生机械工程创新创意大赛智能制造赛和首届国际大学生智能制造邀请赛,均以企业真实工程需求为赛题来源,鼓励学生跨专业组队,综合运用机械、控制、数字化和人工智能等技术解决实际问题。

其中国际邀请赛还鼓励不同国家、不同专业的学生混合编队,通过跨文化交流与协作激发创新思维。

“以真实工程问题牵引学习,以竞赛促进教学改革,以跨学科协作培养创新人才。”陈明希望通过这种方式,让工程教育更加贴近产业发展需求,推动学生从知识学习走向综合创新实践。

打通科研与产业应用链条,推动产学研从项目合作走向长期协同

人才培养之外,如何进一步推动科研创新、技术研发与产业应用有效衔接,同样是智能制造高质量发展的重要课题。

当前,产学研合作仍面临高校重学术成果、企业重实际应用的问题,双方在项目目标、考核周期及风险承担机制方面尚未形成充分衔接。

要改变这一现状,关键是将合作起点前移。

陈明提出,产学研协同不应等到科研结束后再寻找企业转化,而应从项目立项开始,就让企业、科研人员和最终用户共同定义问题、确定性能指标,形成面向真实产业需求的研发机制。

对于应用目标明确的项目,可以由企业牵头提出实际需求,高校聚焦科学问题和关键共性技术,科研机构承担工程验证与中试支撑,并将技术研发、样机制造、工艺适配、可靠性测试和用户验证组织成连续过程。

以工业母机为例,科研成果不能仅以控制算法或样机性能作为评价依据,还必须关注精度保持性、长期可靠性、加工成本以及实际工况下的运行表现。

在合作机制上,企业与高校可以共同建设联合实验室、中试和试验验证平台,建立定期更新的产业技术问题清单,并通过双导师培养、人员双向流动、知识产权共享及收益分配等方式,推动合作从一次性项目走向持续协同。

相应的考核体系也应更加关注工程应用和实际产业贡献,而非仅以学术成果作为评价标准。

“只有把人才培养、技术攻关和企业发展放在同一机制中,才能从一次性项目合作走向持续协同创新。”

从技术突破到规模化应用,AI赋能产学研融合新模式

科研成果能否真正实现产业化,既取决于技术创新水平,也依赖于工程验证、成本控制和市场适配能力。

陈明指出,高校在成果转化中的核心价值,是提出新原理、新方法和关键技术,同时培养能够将科学知识转化为工程能力的人才;企业则更加了解用户需求、生产工艺、成本质量及真实市场环境。

双方应在科研早期就开展合作,而不是等高校形成论文、专利或实验室样机后,再由企业被动承接成果。

以工业人工智能为例,模型在实验室数据集上表现优秀,并不意味着能够在实际生产线上稳定运行。在工业现场,还需要综合检验不同工况下的准确性、实时性、稳定性、网络安全、系统兼容性及投入产出效果。

因此,企业应尽早开放真实应用场景,提供工艺专家、试验设备和用户反馈;高校负责技术迭代,专业机构则协助开展中试、检测与认证。对于高端装备和基础材料,还需要特别重视长期可靠性和批次一致性。

科研成果的评价,也应从论文和专利数量,进一步转向能否形成可制造、可验证、可交付,并被市场持续采用的产品与解决方案。

面向新一代智能制造,产学研融合正呈现出三个方向:从单学科、单项技术合作走向跨学科系统创新;从“先科研、后转化”走向需求、研发、试验与应用同步迭代;从短期项目关系走向人才共育、平台共建、成果共享的长期创新共同体。

人工智能的深度应用,也将为这一转变提供新的技术支撑

其中,AI for Engineering可以辅助开展跨专业建模、设计、仿真和试验优化,工业智能体则有望促进工程知识与工具协同,提高复杂工程问题的分析与解决效率。

但技术赋能并不意味着取代工程实践。“AI只能增强创新体系,不能取代真实工程验证和人的责任。”陈明强调。

从“π型人才”培养到项目牵引的工程教育改革,再到产学研协同与人工智能赋能,智能制造创新正在由单一技术突破向人才、技术与产业融合发展转变。

未来,只有进一步建立以产业需求为牵引、以真实工程项目为纽带、以人才成长和产业价值为共同评价标准的长效机制,才能让创新成果更有效地走向产业应用,为制造业智能化转型提供持续动力。