作者简介：李培根，华中科技大学原校长、教授，中国工程院院士。

一、引言

AIGC（AI generated content）、AI大语言模型（Large Language Model，LLM），如ChatGPT等的出现，令世界惊异无比。

可以预计，AI大模型对技术和产业的影响势必波及对工程人才的需求，当今工程人才的哪些能力将被未来的智能系统所替代？在AI大模型时代，如何体现工程技术人员的存在感和价值感？如何培养出未来能够弄潮大模型时代的企业家和卓越工程师？这些恰恰是工程教育需要直面的问题。当我们看到拐点即将来临之时，就需要谋划更为彻底的转型与变革。^[1]

工程教育要能适应智能时代的需求，恐需若干方面的转型，其中最为关键的可能是从“知识导向”到“问题导向”的转型。

二、AI的挑战

（一）知识的多寡将不再是学习和教育的关键

ChatGPT能够与用户进行逼真的自然语言交互，能够理解语境。语言是认识世界的基本要素，仅从语言能力而言，ChatGPT具备认识世界的初步能力。而且，目前水平的AI大模型已经能够掌握许多专门知识，如它已经具有一定的数学能力，虽然有糊涂的时候，但确实能够解决某些大学生都难以解答的数学问题。可以想见，未来AI大模型经过在各个领域的专门训练之后，其知识的广度和深度在很多方面都会超越专业人士。

有学者认为^[2]，人类自我认知经历了前三次革命——哥白尼革命、达尔文革命、神经科学革命。而现在，第四次革命的种子已经播下。人类已不再是信息圈毋庸置疑的主宰，人类在宇宙中的特殊地位受到了威胁，数字设备开始代替我们执行越来越多的原本需要人的思想来解决的任务。

未来人类运用已有知识的脑力活动将越来越多地被AI替代。虽然，目前生成式AI尚远不及人类的思考和创造能力，但其知识的丰富程度却是任何人不可及的。对于现在的从业人员讲，搜寻知识已经变得越来越容易。未来的改变则不止于知识的搜寻，还包括知识的生成。因此，知识的多寡将不再是学习和教育的关键。此言并非意味着知识不重要，只是表明知识的获取变得更容易，因为有AI的存在。

（二）知识传授将不再是教师的优势

长期以来，知识传授是学校和教师的主要任务。在智能时代，大多数知识传授活动应该可以由智能系统替代。此一预见基于两方面的考虑。

其一，教师知识传授活动数字化。未来每个行业甚至个人，都可能拥有自己的定制化人工智能大模型，数字教师必然出现。目前某些业务方面已经开始拥有“数字员工”“虚拟人物”。利尔·米克拉（Lil Miquela）是一个在Instagram上拥有近300万粉丝的虚拟网红。^[3] 粉丝们完全明白她不是一个真实的人，就像他们知道Alexa（亚马逊人工智能助手）和Siri（苹果智能语音助手）不是“真实存在”一样。利尔·米克拉被赋予“真实”与“真诚”的个性，这大概是粉丝愿意与其交流的原因。同样，我们可以期盼数字教师的出现。每一个教师可以使用与自己主导课程有关的“数字教师”，甚或可以定制富有自己个性的“虚拟教师”。再者，虚拟教师或数字教师还可以具备人类教师难以拥有的某些能力（本文第五部分将作讨论）。

其二，恰恰是因为AI的出现，学生的自学习能力将大大增强。即便当前，互联网已经给人们自学习提供了极大的便利，更何况未来各种智能工具的支撑。

因此，相对于AI而言，知识传授不再是人类教师的优势。

过去，工程师应用CAD（计算机辅助设计）系统进行设计，这种人-机系统中，人还是“主”，机器是“从”。可是“生成式设计”（Generative Design）之类的设计系统，正在逐步改变这种关系。未来，肯定会转向人辅助设计（Human-Aided Design，HAD）。HAD中，机是“主”，人是“从”。未来工程领域类似的情况只会越来越多。一个很严肃的问题摆在我们面前：谁是工具？尽管技术的发展已经能够部分地颠覆人和机器的主-从关系，但人类显然不能从属于智能机器。

（四）未来工程人才的能力体现

在阿联酋召开的2023年世界政府峰会上，埃隆·马斯克接受了远程访谈，谈到针对问题进行教学。而目前，人们不是针对问题开展教学，而是针对工具进行教学。这就像开设了一门螺丝刀课程或扳手课程，但不理解为什么你要有一门课程，学习螺丝刀和扳手。^[4]

马斯克针砭当今教育的弊病，实则是批评“知识导向”。并不是说以前学校传授的知识与问题完全无关，但那只是针对既定问题，且欠缺对学生问题意识的训练。如果说在工业时代，利用知识解决既定工程问题还应该是工程师的主要能力的话，那么在智能时代此种能力则为越来越多的“智能体”所取代。也就是说，需要实现工程师的能力转型。如何具有良好的问题意识以达成创造创新能力——这才是未来卓越工程师、优秀工程师所需要的。工程教育需要实现从“知识导向”到“问题导向”的转型——这正是本文讨论的核心。

二十世纪五、六十年代就始于加拿大McMaster大学的“基于问题的学习”（Problem Based Learning，PBL）因其在医学教育中的应用而闻名，PBL有两个基本假设——通过解决问题来学习，对于创造未来“可用”的知识体系更为有效；对病人来说，医生最重要的技能是解决问题的技能，而非记忆技能。^[5] 其后，经过很多人的探究和实践，PBL的应用也拓展到工程领域。可以认为，本文中提出的“问题导向”应该包含PBL的内容，且是PBL在智能时代的深化与拓展。关于PBL，很容易查阅到大量文献，本文不作介绍。读者从下文中将可以看到“问题导向”与PBL的诸多不同。

（一）问题的含义

“问题”（problem）这个词起源于希腊语“problem”，意思为障碍或阻力（obstacle）。“问题”又指疑问或质疑（question）或者是不确定的事件（issue）。^[6] 本文中的“问题”一词还包含“提问”“提示问题”（prompting）的意思，这是智能时代人与AI系统交互所必要的，也是未来工程人才重要的能力体现。

（二）“问题导向”的内涵

之所以强调工程教育需要从“知识导向”转向“问题导向”，一则因为知识传授不再是教师的主要任务；二则因为未来工程人才的能力更多地体现在其视野，而视野主要不体现在知识多少上，而是体现在“问题”上；三是有意识地关联问题、想象问题、形成新问题不仅是与AI交互所需，而且是创新、创造能力的关键。如何让学生具有宽广的问题视野和问题意识？这是能否培养出卓越人才的关键。

强调“问题导向”并非否定知识（尤其是基础知识）的作用。认识工程问题并具备工程创新能力依然需要很多知识，只是知识可以通过数字教师或其他智能系统获取，此外在“问题导向”的学习过程中可以得到很多跨学科的知识。

简而言之，“问题导向”教育模式的内涵就是帮助学生形成良好的问题意识和视野。此模式触及诸多“问题”，如：如何帮助学生构建问题空间？工程问题空间中的节点关联；学生之间的“问题互联”；基于问题的思维链；提问与问题提示；学生的“问题”能力检测。下面分而述之。

（三）工程问题空间中的关联

这里“工程问题”的载体可以是一个工程，一个企业，一个系统（含功能部分、过程等），一个产品……其“问题”可以是载体中的主要部分（如某一装备的机械、电子、软件……），关键指标（如企业的效率、成本、市场占有率……），性能要素（如某一机床的转速、主轴回转精度、进给精度、能耗……），工作情景或环境（如汽车的加速、刹车、超车、冰雪道路、下坡……），可能出现的需要避免的问题（如故障、污染、数据失真、数据安全……）等等。某一个载体的问题集合即形成工程问题空间。

国际著名教学设计专家乔纳森指出，问题解决需要对问题进行思维表征，又称建构问题空间、问题图式。问题空间包括一系列符号表征的构成元素（空间状态）和操作符集合。为了理解问题元素、元素之间的相互作用以及问题解决的过程，问题思维建模非常重要。在问题情境中，问题解决者只有建构了问题模型后，才能够找到一种可行的问题解决途径，但是理解和迁移未必会发生。另一方面，为了找到问题解决途径，需要对问题模型进行一些操作和测试。问题解决者需要在问题空间上提出假设，并对这些假设进行检验，找出问题解决办法。^[6]

传统工程教育中颇具普遍性的缺陷是重视知识的系统性、完整性，却忽略了突出“问题”节点。加拿大学者乔治·西蒙斯提出一种关联主义的学习理论，认为学习与知识是建立于各种节点之上，学习是将不同专业节点或信息源连接起来的过程。^[7]

一个“问题”可以分解成若干子“问题”，就像一个系统可以有分系统，分系统下面还有子系统。如机器人由执行机构、驱动装置、检测装置、控制系统和复杂机械等组成。驱动装置又可以下分步进电机、伺服电机、液压、气动，如此等等。虽然传统工程教育中也会涉及这些内容，但对于某些关键问题节点之间的关联，未能给学生想象空间。如机器人的运动轨迹与工作空间有关联，这是显而易见的。但运动轨迹与动力学问题、运动精度、电能消耗等存在复杂关联吗？教学中未必要把所有问题讲清楚，但需要呈现一些关键的、可能的复杂关联，给学生印象，给学生想象空间。

工程问题往往非常复杂，尤其是复杂系统。关于问题关联，教学中可以借助一些现代方法或工具。如问题建模概念图是对概念及概念的相互联系（命题）的空间表征。随着面向对象、图形化、可视化的系统建模工具的应用，基于模型的系统工程（Model-Based Systems Engineering，MBSE）应运而生。图示方法应该注重对问题的展示。如图1展示的主要还是工具，进一步还可以针对问题展开，如需求、功能、场景所涉及的各种问题……。

图 1  基于MBSE的系统工程过程^[8]

（四）“问题空间”之间的关联

上面谈到的是“问题空间”中问题之间的关联。一个复杂的系统如企业，其中有诸多“问题空间”，“问题空间”之间当然也可能存在某种关联。如关于成本的“问题空间”包含的问题有采购成本（原材料、零部件等）、运输成本、仓储成本、劳动力成本、设备折旧成本、能源消耗……成本问题其实和企业的很多业务问题是有关联的，只是因为太复杂，人们只有忽略，充其量就拍脑袋而已。如成本问题显然与加工有关系，加工的“问题空间”包含机床、夹具、刀具、工件……再进一步考虑一些子问题，如工件材料、加工精度要求、机床主轴转速、进给速度、刀具材料、刀具几何角度、刀具生产厂家……其实这些因素可能与成本有某种细微、隐性的关联，只是通常被忽略了。如果教学中点到可能存在的关联（无须详论），未来在企业中碰到实际问题时再应用智能工具分析，进而采取相应措施，则有可能进一步降低企业的成本。

有时候看似完全不同的领域，其问题空间之间可能存在关联。如城市中，通讯、交通、电力等问题空间之间存在关联，因此融合移动通讯、交通、电力等方面的数据，有助于发现一些隐性的关联，从而提升城市的运行效率。

未来跨学科的科学研究特别重要，有些看似关系不大的学科领域（问题空间）之间存在某种关联。2021年11月4日，DeepMind创始人Demis Hassabis在推特上发文，宣布成立一家新的Alphabet子公司——同构实验室（Isomorphic Labs），利用AI加速药物发现。Hassabis发布的公开信中谈到：“我认为生物学可以被认为是一个信息处理系统，虽然它非常复杂和动态。从这个角度来看，生物学和信息科学之间可能存在一个共同的底层结构，即两者之间的同构映射。这也是公司名字的由来。^[9] ”生物学和信息科学看起来是迥异的学科，其问题空间之间存在什么样的关联，有待人们去探究。如果教学中多呈现类似的问题，有可能大大拓展学生的问题视野。

（五）学生之间的“问题互联”

强调问题导向，不能只是学生独自地面向问题。尤其在学生自学习的过程中，每一个学生关注的问题不一样，进行问题关联的过程也不同。学生之间如果能够就“问题”进行分享交流，效果理所当然地不一样。因此，问题导向需要学生之间的“问题互联”。

人类有别于其他动物的地方在于，人类是唯一一种能够利用过去的知识和创新去创造的动物。人类可以交流、学习、改进旧观念、交换灵感和洞察力，动物可不会这么做。人类学家将人类的这种文化累积的过程（会有相对较少的丢失）称为“文化棘轮效应”。贝尔实验室意识到那些和一群不同领域知识分子出差的人更容易构想出新的创新。正如进化遗传学家马克·托马斯所言：“并不是需要你有多聪明，而是要看你的交际范围有多广。”互联性是文化棘轮效应中一个关键的运行机制。^[10]

诚然，即便在当下，学生之间的交流也存在，尤其在类似“基于课题的学习”（Project-Based Learning，也简称PBL）活动中，若干学生一组，有充分交流讨论的机会。在智能时代，PBL等模式依然有意义。此外，需特别注意的是，未来自学习在整个学习过程中所占比重将越来越大。学生关注的问题各异，学生向AI提问都不一样，各个学生的体悟也不一样，这种情况下学生之间的“问题互联”就愈加重要。观察同伴不一样的提示、不同的提问方式而获得的不同效果，一定会从中得到启发和提高。

对于教师而言，如何引导学生之间的“问题互联”？构建什么样的有利于学生“问题互联”的虚拟学习环境（平台）？都需要进一步的思考和探究。

（六）提问与提示

AI风暴催生了一个全新的岗位——提示工程师（Prompt Engineer）。所谓提示工程师，主要通过与AI交互给出相关提示，一方面训练AI系统，另一方面帮助用户通过AI生成更完美的内容。

未来的工程师都应该具备一定的提示技能。换句话说，提示技能应该成为工程师的基本技能，是工程师能否善用AI的关键。普通工程师之提示技能的作用主要表现在两方面，一是如专业的提示工程师那样训练AI应用系统，二是通过好的提示获得来自AI的、满意的工程问题解决方案（包括由AI的启示而产生的创新方案）。提示技能包括基于问题或问题关联的提示词，也包括向AI系统的提问。

提问可以通过多个途径来促进问题的解决。回答深度推理的提问有利于学习者阐明因果过程以及目标、计划、行动和逻辑判断，这些均属于问题解决的关键过程。在问题解决过程中，学习者试图理解问题和寻求解决方案，而提问对于引导学习者的推理至关重要。这个问题属于什么类型？之前是否解决过类似的问题？以前的问题解决方案是否奏效？提问与解决问题过程中所需做出的决定是相辅相成的关系，通过提问来引导学习者进行分析有利于其问题解决。当学习者在遇到新的问题时能够自己提出解释性的提问，这标志着其提问技能的迁移。^[6]

图 2  标准提示学习和思维链提示的不同之处^[12]

即使大语言模型表现出了前所未有的能力，但思维链暴露出它依然是鹦鹉学舌，而非真的产生了意识。基于大模型的AI系统的思维能力还是很有局限性的。尽管AI已经在很多方面超越了人类智慧，但人类的思考、意识还是AI所不及的。因此，要使AI系统更好地发挥作用，就应该让人的思维、意识去弥补AI的不足。精彩的提示恐将成为工程师能够善用AI、利用AI工具而提升自身能力的关键！

关于问题的思维链，需要培养学生三个方面的意识。

首先，学生或未来的工程师在利用AI系统时，以清晰的思维链提示，使AI系统产生满意的结果。在与AI互动的提示过程中，如何将一个具体的问题进行拆分？拆分过程展示的是问题的思维链。如果人在与AI互动时应用正确的思维链提示技术，自然能够获得更好更可靠的结果。工程问题当然远比上面问题复杂，所幸的是，Wei指出，问题越复杂，思维链的提升效果越好。前面谈到问题空间、问题节点、节点之间的关联等，这些都有利于形成针对某一工程问题的思维链。

其次，学生（或工程师）在学习或处理实际工程问题的过程中，要善于从AI系统获得思维链呈现。如希望了解机器人动力学方面的问题，AI大模型可能很快地列出涉及的问题因素：速度、加速度、质量、惯量、外部载荷……它还可以告知机器人动力学的两类问题：正动力学和逆动力学。进一步正动力学和逆动力学分别是……AI大模型所呈现的思维链能够引导学生或工程师快速地学习相关的基础知识。在处理某个实际工程问题中，大模型呈现的思维链或许能够给工程师很好的提示。

第三，人与AI系统相互学习。2023年3月14日，GPT-4发布，美国奥数队总教练（领队）、卡耐基梅隆大学数学系教授罗博深（Po-Shen Loh）兴奋地测试了一个晚上。在GPT-4出现之前，ChatGPT在数学上的表现并不算好，那时他认为AI对科学、数学、工程等影响不大，但后来发现GPT-4能做到很多ChatGPT以前做不到的事情。他问GPT-4一个简单的问题，把899因数分解成两个质数，它很快给出了29和31这组正确答案。接下来罗博深问它是如何得出这两个数字的，它回答是从最小的2开始尝试，发现2不能整除之后继续尝试下一个质数，直到29。其后当罗博深提示它899=900-1后，它立刻得出了新的思路，告诉900-1可以分解为（30+1）x（30-1）。^[13] 这个很小的提示，就让GPT-4立刻跳到平方差公式（a+b）(a-b)=a²-b²。显然，AI大模型具有相当的学习能力。未来的工程师在应用AI大模型的过程中，在相互的思维链提示过程中也不断提升自身的能力。

（八）劣构问题

良构问题呈现了解决问题所需的全部信息，它们要求应用有限的、规律性的外部规则或原理，故而拥有正确的收敛答案，并且可提供规划好的解决过程。而劣构问题是在日常生活或工作中经常碰到的，它们不局限于学校里学到的知识，其解决方案通常也是不能收敛和事先预测的。工程中大量问题是劣构的，它们通常需要整合使用多个领域、多学科的知识。工程中有些目标相互矛盾、拥有多种解决方法，没有成功标准，也没有限制条件。很多情况下，因为有一个或多个问题要素不清楚或者有某种程度的不确定性而拥有多种解决方案、多种解决途径或者一种解决方案也找不到。^[6]

设计问题或许是最劣构的一类问题。不管是电子元件，机械部件、一种新型的制造系统，只有具备大量的专业知识和策略知识，才能产生一份原始设计。设计问题最让人争论不休的部分就是它们拥有评价解决办法的多种标准，并且这些标准常常是未知的。还有，设计者必须取悦于客户，但是可接受的设计标准通常是未阐明的。如关于汽车车身的工业设计即是典型的劣构问题，没有固定的设计标准，设计结果与设计者的喜好有关，当然也与流行的时尚有关。

每一个企业都希望高质量发展，这本身就是多目标的：高效、低成本、低碳……而目标之间往往是矛盾的，如低碳与高效。因此，企业采取哪些措施，也是典型的劣构问题。

不难理解，前述的思维链在处理良构问题时更有效。因为基于逻辑、原理而展开的问题链路也容易得到收敛的结果。而处理劣构问题时，基于逻辑、原理之思维链的效果可能有限，因为问题本身无固定答案，且往往与个人喜好有关。但这并不妨碍人们借助AI处理劣构问题。

现在已有的智能设计系统，如生成式设计（Generative Design）系统能够自动生成一些超越人类思维的结构构形。如设计一把椅子，只需要告诉智能系统设计要求，如椅子能承受的最大重量、椅子本身的重量、椅子的最高成本、材质等，系统可生成成千上万个形态各异的、且大多都是完全出乎人意料之外的椅子，人们可以选择其中最中意的设计。

虽然说智能系统在某些方面可以提供一些我们根本意想不到的设计，那么人的作用呢？未来的工程师如何更好地利用AI做出更有创意的设计？

的确，人类需要利用自己的意识流去驱使AI、驾驭AI。工程教育又该如何培养学生相应的能力？

四、意识流与思维方式

号称美国心理学之父的威廉·詹姆斯（William James）在其《心理学原理》^[14]第九章中提出“思想之流”（steam of thought）、“意识流”（stream of consciousness），书中“思想（thought）”和“意识（consciousness）”常混用。他认为，意识流“像一条绵延不断，不可分割的河流。”人的意识中有很大一部分是非理性和无逻辑的。因此，人的意识是由理性的、自觉的意识和无逻辑、非理性的无意识所构成。

通常，思考问题其实是意识流驱动的，思考的过程也是意识流进程的体现。

问题恰如一个个裂缝，填补裂缝的过程逐渐逼近问题解决。针对对象的问题是离散的，但人的意识却是连续的。根据论证的进程（争议、折衷或者权衡），不同的提问可以导致学习者对议题有不同的思考。

知识导向的教育所培养的学生，其思维方式容易显现为收敛式、集中式。按照既有的知识、逻辑，沿袭固有的途径，解决既定的问题。这种方式对于处理一般工程问题是有效的。这种思维所形成的意识流显然不利于创新，尤其是原始创新。而发散思维却是创造性思维非常重要的内容，它是扩散的、求异的。大脑处于一种发散状态时，其思路会很活跃且开阔，视野也比较宽广，这种状态对于一个人的创造力形成是非常重要的。

知识导向的教育容易导致学生在解决工程问题时围绕既有或固有的目标。OpenAI研究员肯尼斯·斯坦利在2023年7月的一次活动中指出^[16]，单一目标导向常常成为人们惯有的思维缺陷。“单一的目标导向思维会阻碍创造力和创新”。在AI时代,个人如何保持创新？斯坦利认为：

（1）看到这条路的前景，也要超越眼前的道路；

（2）期待惊喜的出现；

（3）准备好接受欺骗。即使看起来是在做正确的事情，结果也会是错误的，或者看起来是错的结果却是对的；

（4）相信有趣的事物，质疑所谓的标准；

（5）不要随波逐流，而要追随有趣；

（6）不起眼的事物可能带领人们去到全新的领域，即使当下我们未能察觉；

（7）必须学会接受一定程度的风险。追求有趣的事物，并不能保证你一定会做出惊人的成就，你只是有取得成功的可能。

成功的关键在于，我们要对一个不断变化的环境保持开放态度。在这个环境中，既定目标带来的虚假表象可能会欺骗我们，但看穿它就可以带来解放和自由。^[17] 我们可以看看那些伟大的创新者，他们头脑中充满与众不同的、批判性的思维方式。如果进一步考察他们的特别之处，可以发现那样的思维之流、意识流不止建立在思维的技能上，还要建立在个人存在价值的取向上。马斯克、OpenAI的创新者们均如是。他们宁可接受欺骗、接受风险和失败，也要追求自由、兴趣，不惜在荒漠中游离、探究。这也是一种人文价值的体现，难道不是未来工程教育所应该追求的？

意识活动不仅具有流动特性，还存在飘忽特性。意识流、思想流常常是跳跃的，如浪花跃起，不甘心一直平稳地流淌，纵身一跃，哪怕只看一眼流域的精彩也心甘。意识流有时也如湍流，在纷乱、矛盾中激烈乱撞，毫无头绪。尽管在多数时候，这种意识和思维也许不会产生惊人的结果，但伟大的思考和新问题的发现却可能出自这种非常规的意识活动。

有一点需要特别指出，前述单一的目标导向思维会阻碍创造力和创新，那么“问题导向”难道没有问题？这里的区别在于，“目标导向”总是存在收敛倾向，使人专注于目标而忽略了对新奇踏脚石的搜寻；而“问题导向”却是发散的，不断滋生新的问题，而其中某些问题便可能是通往宝藏地的新奇踏脚石。在意识流的某一刻里，瞬间闪出的一个新奇想法，也许那就是一块与以往完全不一样的踏脚石，这时不妨在其上伫立良久，思绪着、窥探着下一个新的踏脚石。试想，如果执念于一个遥远的目标，实则是一个无法自我扩展、无法做到“抛砖引玉”的踏脚石，其近处没有其它的踏脚石，那才是最糟糕的，无论当下站在上面的感觉有多好。创新者，即某种意义的寻宝者，其兴趣在于收集更多的踏脚石，而不是自始至终把目光聚焦于某一伟大目标。所以，“问题导向”的过程不断引发新的问题，即不断地寻找新的踏脚石，找到的踏脚石越多，就越有机会前往潜力更大的地方。

五、教师在基于“问题导向”的教育中的作用

前面已提到，教师在知识传授方面较之AI将不再具有优势，这就意味着未来教师的主要任务并不体现在知识传授上。那是否意味着未来教师的存在价值会降低呢？恰恰相反，基于“问题导向”的教育对教师提出了新的挑战和新的要求，教师自身的素养至关重要。

也许有人质疑，既然基于“问题导向”的教育对教师的要求更高了，这样的教育模式值得推崇吗？企业的自动化、智能化不是对工人和工程师的要求也降低了吗？问题是教育的受益对象主要是学生，作为教师的难度不是一种教育模式优先考虑的出发点。况且，未来知识传授的主要工作可由“数字教师”替代（数字教师在知识传授方面可能有比人类教师更好的表现，如节点及节点关联，借助元宇宙等技术的空间与情景展现……），教师在知识传授方面的工作量将大大降低，对教师讲课技巧的要求也随之降低。当然在其它方面却对教师有更高的要求。这就类似于“以学生为中心”的教育，针对学生的不同情况，强调调动学生的潜能，提高学生“主动学习”的能力，这对教师的要求更高。之所以如此，是因为“以学生为中心”的教育模式需要教师面对更多的变化、更多的不确定性。“以教师为中心”的教育，多是教师讲什么，学生听什么。这样的模式呈现出的变化和不确定性都会小一些，教师也易于面对。从前面的阐述可以看出，基于“问题导向”的教育模式较之“以学生为中心”的模式将呈现更多的易变性、不确定性和复杂性，此即难点所在。

“问题导向”的学习之关键首先在于对问题的敏锐和开放。“问题”可以是课程学习中碰到的问题，可以是实践环节中的问题，也可以是与AI系统交互感受到的问题……敏锐地观察问题，不断发现新的问题，寻找新的踏脚石。而且同学之间可以就问题进行自由交流。为了更好地帮助学生游弋在问题的海洋中，未来可以开发相应的数字工具，以便清晰地呈现前人已经面对的问题；学生提出的问题（实名或匿名，根据学生意愿）；问题演化的次序；AI系统演化的中间及最终结果……教师可以跟学生一起讨论，某个问题的可能解决方案，不同的问题怎样导致不同的结果。即便没有老师详细的讲解，学生们从问题和结果的呈现以及相互的讨论中都将得到启发，自然也是能力的提升。

前面已经提到，好的思维与意识习惯的养成是“问题导向”的学习之要。要引导学生不囿于常规的思维方式，首先需要教师加强在这方面的修养。学校可以组织对教师进行相关的培训。教师可以把思维方式的理论方法以及前述的“问题导向”之要融入到教与学的各种活动中。

教师作用的发挥还表现在如何评估学生的学习效果。传统教育中基本以考试成绩衡量学生学习效果，这种考核方式显然不适合于基于“问题导向”的学习。就对“问题”的关注这一点而言，什么样的问题是好“问题”？不同的人会有不同的看法。可以想象，教师对一个学生的新奇问题的肯定会激发学生的创新欲望；反之，对一个新奇问题的否定可能抑制学生的创新欲望。一个优秀教师的视野、非常规的思维以及对问题的敏锐性决定了他对问题的判断能力。未来，开卷可能成为“问题导向”之考核方式的不错选择。

基于“问题导向”的教育中切忌设立标准的、统一的目标。长期以来，我们在推进某种教育模式的时候，习惯于设立标准的、可检查的指标。即使教育理念是正确的，但标准的、统一的目标或指标无助于先进理念的推行。我们无需对未来的考核方式给出明确的定义，只要教师正视评估和考核方式需要改变，众多教师的尝试一定会产生一些契合“问题导向”模式的评估和考核方式。

总的来说，数字技术以及AI的发展必然导致教育的转型与变革。传统的“知识导向”的教育模式不适合于创新人才的培养。工程教育需要从“知识导向”到“问题导向”的转型。基于“问题导向”的教育对教师提出更高的要求，同时也更能体现教师的水平与存在价值。