AI 时代的发展离不开 “算法、算力、数据” 三要素：算法是挖掘数据智能的钥匙（如神经网络、深度学习），算力是 AI 运行的基础（依赖计算机、芯片等载体），数据则是训练算法的关键（海量优质应用场景数据决定精度）。斯坦福大学 HAI 研究所 2024 年发布的《2024 年全球 AI 活力工具》报告也印证，这三要素的突破，让 AI 发展驶入快车道，同时也在改变各类工作的形态 —— 部分重复性工作（如生产管理 / 运营、商超 / 酒店 / 娱乐管理 / 服务等）可能被 AI 替代。

AI代替重复性工作

《The Future of Employment》报告指出，未来47%的工作可能会被人工智能取代，但这并不意味着所有职业都会消失。以下五种职业在AI时代依然难以被替代，它们需要人类独特的技能和素质。社交型、创造型、感知型、决策型、智能网络型工作，仍需依赖人类独有的技能与素质。

AI无法替代的工作

“专业+AI”在油气学科领域研究优势突出，在非常规、深水、深地、清洁能源、管网安全等领域持续产出重大成果，在油气智能化、氢能、储能、CCUS等新兴研究领域取得快速发展，入选国家储能技术产教融合创新平台。

过去，大学是知识的 “储存库” 和 “传播者”；如今，在知识唾手可得的 AI 时代，大学的核心价值已转向能力培养，成为探索未知、解决复杂问题的 “孵化器” 和 “思想健身房”。具体变化体现在这三点：

“专业+AI”在油气学科领域研究优势突出，在非常规、深水、深地、清洁能源、管网安全等领域持续产出重大成果，在油气智能化、氢能、储能、CCUS等新兴研究领域取得快速发展，入选国家储能技术产教融合创新平台。

个性化学习：AI 会根据你的学习进度、风格和兴趣，定制专属学习路径。比如通过分析你的作业完成情况、课堂讨论参与度，自动推送你薄弱知识点的补充材料，真正实现 “因材施教”。

个人行为学习数据

课堂讨论文字云

AI 混合式教学：课前，你可以通过 AI 工具、数字教材完成基础知识学习；课堂上，时间不再用于 “满堂灌”，而是用来深入讨论、做项目协作、解决实际问题。教授的角色，也从 “讲师” 变成了 “教练” 和 “导师”。

数字教材

知识图谱

AI 已成为科研的 “基础设施”，推动 “AI for Science” 发展：斯坦福大学用 AI 加速文献分析（如 Semantic Scholar）、破解蛋白质结构（如 AlphaFold）；斯坦福儿科心脏病专家与计算机科学家合作开发的 AI 模型，分析儿童心脏超声视频的准确率达 98.7%，速度比人工快 10 倍。

对大学生来说，“专业 + AI + 学科交叉” 是必然选择。以能源领域为例，油气学科与 AI 结合，在油气智能化、氢能、储能等领域产出重大成果；未来，无论你学的是医学、工程还是人文，懂 AI、能跨界，才能更有竞争力。

AI 不是对手，而是工具。想成为 AI 的 “主人”，而非被替代者，大学生要牢记 “脑有思、眼有光、胸有墨、手有灰、脚有泥”，具体怎么做？

逻辑推理思维：通过案例分析、项目实践，学会用逻辑解决实际问题；

创新性思维：跳出传统框架，比如挑战课堂上的开放性任务，激发创造力；

系统性思维：从宏观视角规划生涯，整合学习、实践所需的资源；

批判性思维：评估信息可靠性，比如在分析热点事件时，多角度思考，不盲从 AI 给出的答案；

适应性思维：适应技术快速变化，比如主动了解 AI 新工具、新应用；

数智思维：理解数据与智能的关联，为 “专业 + AI” 打好基础。

世界发展趋势：2035 年中国将实现重要发展目标，亚太地区也将成为全球能源消费量最高的地区，你的专业如何对接国家与世界需求？

专业发展趋势：比如能源领域，氢能、储能、CCUS（碳捕集利用与封存）是新兴方向，提前了解行业动态，才能让学习更有针对性；

AI 发展趋势：AI 在医疗、教育、能源等领域的应用不断深化，思考你的专业如何与 AI 结合，避免陷入 “被替代” 的职业风险。

以 STEAM 教育（科学 Science、技术 Technology、工程 Engineering、艺术 Arts、数学 Maths）为核心，既要夯实专业基础，又要学习 AI 相关知识，同时涉猎交叉学科：

学医学的，可了解 AI 辅助诊断技术；

学工程的，可探索 AI 在智能制造中的应用；

学人文的，可研究 AI 对文化传播的影响。

知识体系越多元，越能在 AI 时代立足。

专业+AI+学科交叉知识

技术素养：熟练使用数智工具（如数据分析软件、AI 绘图工具），掌握网络技术与信息安全知识；

信息素养：快速检索、筛选、处理信息，比如用学术数据库找资料，不依赖 AI 的碎片化信息；

数据素养：学会收集、分析数据，同时重视数据隐私保护；

数字沟通能力：用在线工具高效协作，比如参与跨校的线上项目，培养团队协作技巧。

更重要的是 “多实践”：参与科研项目、企业实习、学科竞赛，让 “专业 + AI” 落地。比如学计算机的，可尝试开发 AI 小应用；学环境的，可用 AI 分析环境数据 —— 只有 “手沾灰、脚沾泥”，才能将知识转化为能力。