一门AI通识课从“全校水课”到“选课秒光”，这位老师做了什么？给高职教师的三个启示

2025年以来，全国高校和高职院校陆续把人工智能通识课开了起来。可到了2026年春天，第一批课程结课，社交媒体上一片吐槽——“水课”“听不懂”“全是废话”成了高频词。某高校论坛甚至出现了这样的帖子：“这学期的AI课，是我这几年睡得最香的课，没有之一。”这样的声音看似扎心，却很有代表性：它提醒我们，开一门AI通识课容易，把它上成学生真正觉得“有用”的课，难得多。本文转述的，就是一位老师完整经历这门课从“翻车”到“逆袭”的完整过程，并把其中最值得高职教学团队借鉴的思路提炼出来。

问题一：好好的AI通识课，为什么会上成“水课”？

核心症结在于“供需错位”——老师给的是“说明书”，学生要的是“武器”。

先还原一个典型场景。一位老师的第一版AI通识课大纲，逻辑是这样的：“人工智能概述”讲AI是什么，“机器学习基础”讲算法分类，“深度学习入门”讲神经网络结构，“AI伦理与社会影响”讲几个大词和一堆案例。整门课的逻辑链：先讲概念，再讲原理，再讲伦理，最后——没了。有学生用一句很精辟的话点破它：“讲得挺好的，但我听完就忘了，像听天气预报，听完也不知道明天该不该穿外套。”另一条评论更直接：“老师讲得很认真，但内容跟B站上三年前的科普视频差不多。”

问题就在这里。这门课犯了典型的“以知识为中心”的老毛病：它把AI当一门“技术”来讲，可通识课的学生并不是来学技术的。他们带着各自的专业困惑走进课堂——文科生想用AI写论文摘要、做文献综述；工科生想用AI写代码、调试程序；设计生想用AI生成创意素材。这些需求的共同指向是：他们想知道“怎么让AI为我工作”，而不是“AI是怎么工作的”。当课程供给的是后者、而学生需要的是前者时，哪怕老师备课再认真，在学生的体验里它仍然是“水课”。正如一位老师复盘时悟到的那样：“他给学生的是‘说明书’，学生要的是‘武器’。”

问题二：摆脱“水课”，第一步该从哪里动手？

答案是先放下“教什么”的执念，去弄清楚学生“要什么”——用问卷和对话，把隐性的需求打捞出来。

这位老师在被吐槽之后做的第一件事，不是改PPT，而是自己设计了一份匿名问卷。它避开了教务系统那种“您对课程满意度如何”的官样问题，只问了三个直击要害的问题：你将来最可能用AI做什么（请写具体场景）？在这门课上你最想问但没敢问的问题是什么？如果能把课程删掉一半，你想删哪半、留哪半？

回收的几百份回答信息量很大。关于“想做什么”，答案高度集中在三类专业诉求（见上表）；关于“最想问的问题”，几乎不约而同是“到底怎么用AI做我这个专业的事情”“那些算法我真的需要知道原理吗”“学了这门课我能比没学的人强在哪儿”；关于“删哪半留哪半”，几乎一致指向——删掉公式推导、算法原理、历史沿革，保留怎么用、怎么用好、怎么不出错。这三个问题的答案，就是课程重构最可靠的“需求地图”。

更值得借鉴的是他做的第二件事——去旁听几门口碑好的通识课。他发现《电影赏析》《生活中的经济学》这类“好课”有个共同点：它们不是先教知识，而是先抛问题、再引知识。老师放一段电影，问“安迪为什么要在雨中张开双臂”，学生讨论够了，才引出“镜头语言”的概念；抛一个“奶茶店为什么扎堆开”的问题，聊透了，才引出“聚集效应”。这些课的逻辑是反过来的：先遇到问题，再引出知识——知识是工具，不是目标。

给高职的启示：重构AI通识课，别从“教什么”开始，而从“学生要拿AI解决什么场景下的什么真问题”开始。 对高职而言，这个“场景”往往更具体——数控专业的学生关心“怎么用AI排查加工参数异常”，电商专业关心“怎么让AI写产品话术又不失真”，护理专业关心“怎么让AI预演查房流程”。把课程内容锚定在这些真实岗位场景上，供需就对上了。

问题三：内容重构后，课程应该长成什么样？

一套被验证可行的结构是“三模块”：一个面向全体的“AI思维”模块打底，加两个按专业群区分的“AI+人文”“AI+工程”分支。

经过一学期的打磨，这位老师把课重新切成了三个模块——所有学生必修第一个，再在第二、三模块中二选一。

模块一“AI思维”，是给所有人的“说明书”，不讲算法、不讲原理，只讲三件事：AI能做什么、不能做什么、怎么跟它相处。他设计了一节“开锅实验”：让学生两组分别“直接给新闻稿取标题”和“先用AI生成10个标题再修改”。结果后者得分更高，但学生普遍“心里没底”——不知道AI生成的标题为什么好、更不知道AI给出垃圾时怎么救回来。他借此引出全课第一个核心观点：AI不是替代你的思考，而是放大你的思考，前提是你得先会思考。他用“厨房做菜”类比串起全模块：AI是看过所有菜谱、能一秒出菜的超级厨子；但“咸了淡了、哪道菜配哪道酒”它不知道，需要“品菜师”；而你就是那个品菜师。整个模块不讲任何公式，只靠大量案例、练习和讨论——用AI写代码让学生自己解释，用AI生成摘要让学生挑事实错误，用AI作画让学生评好坏。每一节课都是同一件事：让AI干活，让学生给AI的活打分。

模块二“AI+人文”，面向文科专业，核心是“省时间、提质量”。用一个历史研究的例子切入：研究生翻上千份海关档案要三个月，而AI提取关键数据、生成表格不到十分钟。但重点不是省下的时间，而是——省下来的时间用来做什么？答案是去思考AI想不明白的“为什么”：为什么某年某商品进口量骤降？是政策、战争还是消费习惯？这个模块教学生用AI做文献综述、辅助翻译、文本分析，但每节课最后都问学生同一个问题“AI给了你什么？你还缺什么？”反复强调那句核心逻辑：AI负责“知道”，人负责“理解”——AI是助手，不是替身。

模块三“AI+工程”，面向理工专业，核心是“快上手、少踩坑”。用“被bug卡三天”的例子引入：但重点同样是——省下的时间用来做什么？是去理解项目架构、思考代码可维护性、研究更优雅的设计模式。这个模块不教怎么写代码（那是专业课的事），只教怎么用AI辅助写代码、调试程序、理解复杂文档。每一节给的是“任务”而不是“知识点”：比如“给你一个陌生项目，用AI理解它的结构”“给你一个复杂报错，用AI找到方案”。他反复强调：未来程序员的核心竞争力不是写代码的速度，而是理解问题的深度——AI能把编码速度提十倍，但前提是你要知道该编什么、为什么这么编。

问题四：考核方式，怎么考才不“水”？

最有力的一招，是把期末考试换成“项目制”——让学生用AI做成一件结合本专业的真事，而不是说出AI是什么。

如果期末考“谈谈你对AI的理解”，学生就会交上一篇自己都觉得是废话的800字作文——连AI自己都说不清楚它是什么。这位老师的做法是取消期末笔试，改成项目制考核：学生自由组队（3-5人），必须结合自己的专业，用AI解决一个具体的小问题，期末提交项目报告并现场展示。打分标准很明确：40%看“AI工具使用的合理性”，40%看“专业问题的解决度”，20%看“团队协作与表达”。

过程中当然有“翻车”。一组文科生选题“用AI辅助写古诗词分析”，直接把AI生成的赏析贴进报告、连改都不改。老师一句“AI写的这些东西，你自己信吗”把学生问住了，随即点醒他们“你要做的不是让AI写作业，而是用AI帮你更好地理解古诗词”。后来这组学生做出了“杜甫心情曲线图”这样真正有思考的成果——分析不同时期诗作中“忧愁”“漂泊”“家国”等关键词的频率变化，并给出了“安史之乱时期忧愁最多、晚年闲适增多”的解读。老师追问“这个结论AI能得出来吗”，学生摇头，老师便说“那就对了，你的项目就是让AI帮你挖数据，然后你自己给出AI得不出来的结论”。

最出彩的是一组设计系学生，她们最初直接让AI生成几十张“潮汕风”文创图，千篇一律毫无新意。经点拨后，她们改成先用AI分析潮汕传统建筑的元素（木雕纹样、屋顶弧度、墙面色彩），自己画设计草图，再用AI把草图细化为高保真效果图，最后做出一套以“下山虎”建筑结构为灵感的茶具、一个提取“嵌瓷”色彩纹样的丝巾系列。当被问“这些东西AI自己能设计出来吗”，带队女生答：“能，但它设计出来的东西，可能更像‘潮汕风格’，而不是‘潮汕’。”——这句话，恰恰宣告了通识课要培养的那份“人的判断力”已经立住了。

给高职的动作建议：考核指标完全可以照搬这套权重，但要叠加上高职的“专业群”维度——比如电商专业的项目可设为“用AI完成一次店铺活动方案”，数控专业设为“用AI排查某工序的常见故障参数”，并明确要求学生在项目中呈现“AI做了什么、人的判断补在哪”，从而倒逼真应用、真思考。

复盘：一门“不水”的AI通识课，到底把握住了什么？

一学期结束，这门课的论坛口碑已经从“黑榜第一”逆转为“没选到也建议蹲在门口旁听”。评论区里学生的话很有信息量：“我终于知道AI能帮我做什么了，更重要的是知道它不能帮我做什么”“这门课让我第一次觉得，文科生在AI时代也有用武之地”。这位老师自己的三条总结，值得每个高职 AI 通识教学团队抄下来——

其一，AI通识课教的不是“AI”，是“人”。大部分“水课”输在太把AI当技术来教。真正该教的是人的判断力、审美和批判思维。一个硬判断标准浮现出来：如果你连学生用AI写的论文好坏都看不出，那你的学生大概率也看不出。

其二，好的课程设计是“倒过来”的。从“先教AI是什么”掉转为“先让学生用AI、遇到问题、再解决问题、最后自己总结出AI是什么”。先做、后知，先见森林、再认树木。

其三，考核方式决定课程“含金量”。考“说出AI是什么”只能得到800字废话；考“用AI做成一件事”，学生的思考、能力、创意就藏不住了。项目制考核的核心逻辑是：让学生“把AI用成事”，而非“把AI说成话”。

把这三条合起来看，背后其实是一个更根本的转向：AI越强大，“通识”的定义就越需要更新——从“什么都懂一点”变成“在AI能搞定一切‘知道’的时代，依然保有理解、判断和创造的能力。” 这几样，AI暂时学不会，但人不能丢。