在课程结构方面 ， 虽然各校模块结构的名称不同 ， 但基本是将课程根据领域和方向进行分类 ， 允许学生选择若干“宽领域”课程、随后进阶学习“特定领域”课程 。 这样既可以保证培养的专业性、完成学分硬性要求 ， 也可以尽可能满足学生个性化的、更贴近于职业发展的实用需求 。 相较而言 ， 美国课程更注重学生的数理基础 ， 英国课程更注重算法实现及与其他学科的融合应用 。
在培养方案方面 ， 相较于学术学位 ， 专业学位项目对实践性产出要求更高 ， 对学术成果要求更加灵活 。 一些方案中 ， 学生不仅需要完成课程学分和(论文、实践、报告等)环节学分 ， 并达到最低要求的累计GPA ， 有的还需要完成特定的项目(如MIT的“专业视角要求”、CMU要求的“顶点行业项目”) ， 才能获取学位 。
在特色课程方面 ， “AI+X”的趋势明显 ， 出现了愈加细化多元的交叉课程 ， 从涉及计算机、机械、电子、机器人 ， 扩展到航空航天、生物、医学、语言、社会、经管、建筑、教育、艺术、哲学、人文、土木、交通、农业等领域 。 有些课程特别注重对学生动手实操的能力培养 ， 还会结合社区与产业需求 ， 要求学生在现实环境完成特定项目 。 同时 ， 还设置了人文素养、法律、伦理、表达沟通、写作等培养综合能力的课程 。
在交叉培养方面 ， 案例高校均建立了贯通产学研的交叉平台 ， 积极与校内多学科的学术资源、社区内的多种产业资源、政府项目资源相结合 ， 为人才培养和科研创新提供良好的支撑 。
在师资队伍方面 ， 各高校不断扩充优秀的科研队伍 ， 既包括来自多学科、关键领域的教授 ， 或聘为终身教职 ， 或授予名誉/讲席教授；也吸纳很多了解行业产业的资深人士 ， 作为兼职教授/企业导 。 一些学校通过设立新的交叉研究平台创造新的岗位(如教学岗位、交叉研究岗位、或校外参与的岗位) ， 一定程度上帮助解决了青年学者的教职/科研身份 。
同时人工智能学科和培养也体现出若干国际趋势 。 首先 ， 院系合作、设立交叉培养平台是促进“AI+X”广度和深度发展的重要方式 。 其次 ， 与校外的公司、政府、研究机构紧密合作 ， 可以吸纳外部优势资源和力量 ， 构建“产学研一体化”的学科生态 。 再次 ， 实践类、项目类、应用类课程增多 ， 课程内容更加跨学科、更贴近产业需求 ， 同时注重对工科学生的人文素养、综合素质的培养 。 培养方案的设计愈加体现专业性与灵活性的统一 。 最后 ， 持续扩充多元背景的师资队伍 ， 是促进人工智能学科发展的重要基础 。
【世界一流大学如何建设人工智能学科】(作者：李锋亮 庞雅然 ， 分别系清华大学教育研究院副教授和博士生)