2025年伊始，國產大模型的集中涌現標志著我國在通用人工智能（AI）領域邁出了具有戰略意義的探索步伐。深度求索（DeepSeek）自問世以來，以相對較低的成本快速實現了多模態智能、推理能力與行業落地之間的高度耦合，展現了我國人工智能研發實力的躍升，也為全球多模態智能的發展提供了具有參考價值的樣本。DeepSeek通過構建開放生態體系，大幅降低本地部署AI模型的門檻。在國家政策積極引導、技術門檻降低、應用場景日益豐富的多重作用下，各高校于2025年逐步對DeepSeek進行本地部署，推動高等教育智能轉型，2025年可被視為我國高校的“DeepSeek元年”。

2025年高校布局校園版DeepSeek的趨勢統計

自2025年初以來，隨著我國在通用人工智能領域戰略布局的不斷深化，以及國產開源大模型研發體系的日益完善，高校加快推動以DeepSeek為代表的大模型工具在教學與科研體系中的部署與應用。DeepSeek依托其在語言理解、復雜推理與跨模態生成等方面的優勢，以及開放源代碼、低部署門檻、高適配能力等技術特性，逐漸成為高校推動人工智能賦能教育教學和科研創新的重要工具[1]。在國家政策支持、技術生態開放和成本結構優化的多重驅動下，部分高校率先完成本地部署，推動模型嵌入到智能教學輔助、科研支持、跨學科知識建模、行政管理自動化等具體場景。整體來看，DeepSeek在高校的推廣使用已由早期的觀望嘗試階段轉向系統性接入階段，呈現出部署規模化、應用體系化、功能協同化的趨勢。

1.時空特征與分布態勢

2025年以來，高校相繼推進DeepSeek系統的本地化接入。為梳理高校部署現狀，本文選取2025年1月1日至8月30日期間，147所“雙一流”高校作為主要研究對象，聚焦其在校園內本地部署DeepSeek系統的情況進行統計分析。數據主要來源于高校官方網站與教育新聞平臺，并開展多輪人工校驗與時間節點比對，從而確保數據的準確性與時效性。統計結果顯示，在上述高校中，已有125所高校明確披露完成本地部署，顯示出當前高校在推進AI基礎設施建設方面的高度積極性與響應力度。

如圖1所示，從“雙一流”高校本地部署DeepSeek的累加次數與百分比分布，可以清晰觀察到DeepSeek在高校中的推廣過程呈現出典型的S型擴散曲線特征，部署學校累加數量與百分比均顯示出由緩到快、再趨于平穩的演進軌跡，與創新擴散理論（Diffusion of Innovations Theory）中所描述的技術采納模式高度契合。在圖示初期階段（第1至7周，即2025年1月1日至2月18日），部署DeepSeek的高校數量緩慢增長，主要由以“985”高校為代表的技術創新者（Innovators）引領。這類高校具備雄厚科研基礎、較強風險承擔能力和對前沿技術的敏銳判斷力，是技術擴散的先行試點。進入中段（第8至10周，即2025年2月19日至3月11日）后，隨著早期部署高校的經驗示范效應增強以及大模型技術自身穩定性提升，越來越多“211”高校和部分其他“雙一流”高校開始加入部署行列，構成擴散中的早期多數（Early Majority）群體。此階段部署高校數量迅速上升，呈現加速擴張態勢，是擴散曲線的躍升期。隨著部署高校數量逼近飽和，圖示后期（第11至18周，即2025年3月12日至5月6日）增長曲線逐漸平緩，進入穩定擴散階段。剩余未部署高校為晚期多數（Late Majority）或滯后者（Laggards），其部署受限于資源條件與組織能力，往往需要政策激勵、區域協同等外部強干預力量推動[2]。

為深入分析我國“雙一流”高校在本地部署DeepSeek過程中的總體趨勢與差異特征，本文選取辦學層次、地域分布與部署時間三重變量交叉分析，以厘清不同類型高校在部署節奏與應用廣度上的差異，試圖以有限數據分析制度響應、組織慣性與資源環境配置的三元機制。具體而言，將“雙一流”高校按照辦學層次分為“985”高校、“211”高校以及其他“雙一流”高校，按照地域分布分為東部、中部與西部高校，并以首批部署時間為起點按照部署時間進行分類，通過列聯表卡方檢驗，分析DeepSeek的部署情況是否因高校屬性的差異而有所不同。結果如表1所示。

從創新擴散的視角來看，DeepSeek在高校層級與地域層面的推廣過程呈現出典型由上而下的擴散路徑，部署態勢表現出顯著的層級化差異。從辦學層次來看，DeepSeek部署比例隨著高校辦學層次遞減而逐級降低。如表1所示，截至2025年5月，全國“985”高校中已有38所部署DeepSeek，占比高達97.44%，“211”高校部署率為90.43%，而在非“211”高校但仍屬于“雙一流”建設高校中，僅有69.63%的高校完成部署，不同辦學層次的高校在是否部署DeepSeek上有顯著的統計學差異（p<0.001）。這一趨勢表明，辦學層次較高的高校更易獲得人工智能布局的政策與資源支持，部署節奏也更為迅速，展現出較強的先行示范效應。國家重點建設的“985”與“211”高校，通常擁有更充裕的科研經費與更強的技術基礎設施，在校內具備較為完善的信息化管理體系，更容易對接并落地通用大模型。相較之下，部分普通“雙一流”高校在硬件投入、技術團隊建設和跨部門協同方面仍存在短板，使其在部署大模型時面臨更多的現實制約。從高校地域來看，部署率在不同區域間的總體差異并不顯著，但仍呈現出一定的地域分布規律。地域差異的成因既包括地區經濟發展水平、教育信息化建設程度等客觀因素，也受到地方政策引導、教育行政管理方式與高校間協作機制的影響。中部地區有較強的區域協同傳統與高校聯盟體系，使得新技術推廣可以通過以點帶面的模式快速擴展。相較之下，東部地區的部署節奏反而略顯滯后，可能與高校自主性較高有關。從部署時間來看，高校大規模部署DeepSeek的時間集中在二月中旬到四月上旬，呈現出迅速增長到逐漸飽和的規律，“雙一流”高校對DeepSeek的部署時間上存在顯著的統計學差異（p<0.001）。

2.功能結構與場景譜系分析

為進一步揭示DeepSeek在“雙一流”高校中的功能定位與實際應用路徑，對其典型應用場景進行了系統梳理與歸類分析。結合政策文件、公開報道、高校實踐案例等多元數據來源，參考現有人工智能教育應用分類框架，本文將高校部署DeepSeek的主要應用場景劃分為六大類：即教學輔助中的“助教”類應用、學生支持中的“助學”類應用、教育“評價”類應用、學校治理中的“管理”類應用、“科研”類應用，以及涵蓋多個領域功能的“綜合”應用[3]。在分類基礎上，對樣本高校中各類應用出現的頻次進行了統計分析。結果如表2所示。

從當前統計數據來看，高校對DeepSeek模型的應用以綜合性部署為主，占比高達72%，涵蓋教學支持、科研輔助、教學管理與學習評價等多個功能，顯示出高校在頂層設計上對大模型賦能教育的系統性思維。相較之下，聚焦于助教（3.2%）、管理（12%）、科研（4%）、評價（0.8%）與助學（8%）的單一功能部署比例較低。不同類型高校在部署DeepSeek的場景選擇上存在差異，可能受制于組織數字能力、學科布局結構、教師數字素養等多重變量。后續研究可結合問卷與個案訪談，進一步識別影響各類場景部署優先級的深層因素。未來應進一步推動各場景應用之間的協同、數據互通與機制聯動，在保障數據安全與倫理合規的前提下，建構以大模型為核心的教育數智生態體系。

綜合性部署高校數量占據主導，反映出高校教育數智化正在由點狀試驗向面狀布局躍遷。綜合性部署不只是簡單的技術疊加，也體現出高校在資源協同、場景聯通與數據集成方面的深度整合。浙江大學部署了全套DeepSeek-V3與R1系列模型，構建專屬算力平臺，確保校內師生獲得高效、穩定的模型服務。結合華通云數據提供的算力池化技術，學校實現了GPU資源的動態調度，有效應對教學、科研、辦公等不同場景的負載需求。山東大學則提出“校內版DeepSeek-R1+本地知識庫”的融合架構，實現教學資料、科研文獻、行政文件的智能整理、深度分析與個性化推薦，為教師科研辦公、學生自主學習提供全天候、多模態支持服務。作為DeepSeek應用的重點領域，“智能助教”已在多個高校取得初步成果。北京師范大學在本地部署DeepSeek-R1模型基礎上，深度整合本校教學大綱、課程手冊與教學案例庫，為近萬門課程開發定制化智能助教系統。該助教能根據課程特點與學生的學習進度和薄弱點，動態推薦適配的學習資源與習題。本地部署保障了數據安全，還提升了知識庫定制的靈活性。高校基于大模型開發各類伴學智能體，面向學生需求提供個性化學習資源與路徑。上海交通大學將DeepSeek接入AI應用平臺，開發數學深度推理智能體，針對學生解題薄弱環節提供分步驟引導和錯題歸因分析，形成完整的認知反饋閉環。部分高校圖書館接入DeepSeek，幫助學生進行數據庫檢索，提升學生的效率。DeepSeek模型在科研領域的部署主要聚焦于大數據處理與跨學科問題建模。吉林大學利用本地部署的大模型系統，高效處理海量科研數據并輔助預判科研方向。華中科技大學則通過將AI系統與超算平臺結合，服務于材料科學與生物醫學研究，實現多模態數據的關聯分析與模型生成，為復雜研究任務提供算法支撐。此外，河北工業大學以DeepSeek為基礎，在多個產業領域構建知識體系與智能服務矩陣，為產學研協同提供高頻次、高保密性、高精度的智能支持。管理層面的應用強調大模型對教學管理、行政辦公與事務性流程的支撐能力。高校通過構建本地智能系統，將大模型嵌入到教務管理、科研申報、資料歸檔等關鍵節點，實現文本自動分類、事務智能檢索與流程節點優化。四川大學通過打造“大川智問”校園問答智能體，將DeepSeek嵌入學生服務全流程中，實現從新生入學導引、教務辦理指引到畢業離校手續等事項的智能應答與流程提醒。部分高校將DeepSeek接入招生問答系統中，為考生提供了定制化的報考答疑，減少了教師行政負擔。在評價方面，DeepSeek為實驗課程與技能實訓提供了新型解決方案。東南大學推出的“實驗Talk”平臺，通過模型分析學生上傳的圖像、圖表、文本與波形數據，自動生成實驗報告質量評估意見，突破了傳統“一對多”教學模式下指導不足的瓶頸。

高校部署DeepSeek的內在機制可從“技術—組織—環境”（Technology-Organization-Environment，T-O-E）框架視角進行系統分析，組織在面對新技術時，其采納與擴散受到技術屬性、組織條件與外部環境三重維度的共同影響[4]。從技術維度看，戴維斯基于理性行為理論與計劃行為理論提出的技術接受模型（Technology Acceptance Model，TAM）指出，用戶使用信息技術的行為由行為意向決定，行為意向由使用態度和感知有用性共同決定，而使用態度又由感知有用性和感知易用性共同決定[5]。DeepSeek所具備的開源靈活性、部署門檻較低及多模態任務能力，增強了技術的感知可用性與感知易用性，降低了高校技術采納的不確定性與初期成本，凸顯其在高校環境下的兼容性與響應性優勢。從組織維度看，組織內部資源結構、領導意愿、專業人力與數字化治理能力成為部署的決定性因素。多數率先部署的高校具備更強的算力基礎設施和教師數字素養，其組織結構也具備快速響應新技術的能力，體現出主動適配的組織行為特征。在環境維度方面，國家教育數字化戰略、區域算力布局計劃及大型科技企業開放生態共同構成高校本地接入DeepSeek的制度環境基礎。高校間的競爭機制也促成了競爭同形（Competitive Isomorphism）的擴散趨勢[6]，加快了平臺部署的群體性演化。

高校布局校園版DeepSeek的實踐問題分析

DeepSeek正在成為推動我國高等教育智能化轉型的重要技術力量，高校將其嵌入到教學輔助、科研支持、行政管理與教育評價等環節，形成以“大模型+教育”融合發展為特征的新型應用格局。從整體趨勢來看，DeepSeek在高校部署呈現出起步迅速、覆蓋面廣、場景豐富的特點。然而，盡管部署高校數量持續上升、應用范圍不斷拓展，大模型在推廣過程中仍面臨一系列現實挑戰。首先，高校部署缺乏差異化戰略，即總體性與技術性部署多，缺乏精細化應用性布局；其次，高校接入部署的供需銜接不暢，即技術供給過剩，需求側調研不足；此外，集成式人工智能技術凸顯了高校數據庫建設底層基礎設施薄弱；最后，高校接入DeepSeek的成本效益未被充分評估，資源投入與實際產出不成正比。總體而言，當前DeepSeek在高校的應用仍處于過渡階段，既需要技術路徑上的持續優化與場景適配，也亟需系統設計與支持，以實現人工智能與高等教育體系的真正融合。

1.DeepSeek部署的技術導向偏誤與場景契合困境

高校在部署DeepSeek過程中，更加關注技術層面的建設指標，側重于建設大規模算力平臺、私有大模型系統和統一管理平臺等技術指標，而忽略了以用戶需求、教學目標和學科特點為導向的精細化應用布局。從T-O-E模型的視角看，高校的技術采納不僅受制于技術本身的可用性，還深受組織內部資源配置與外部政策環境的影響[7]。競爭同形式的集體響應缺乏精細化應用性布局，未進行充分的需求和場景調研，缺乏將教學目標、學科特點與模型功能進行分層匹配的系統性研究，從而難以形成針對性強的場景適配方案[8]。高校在前期規劃中未能明確教師、學生與管理者等不同用戶群體的功能需求，未將技術部署與教學場景深度融合，導致部署后的大模型應用缺乏持續推進機制，難以形成有效的教育、學習、科研閉環。一方面，高校致力于搭建模型平臺，但缺乏直觀的可視化界面、終端工具和使用培訓，使得其無法真正融入師生日常教學與管理中。另一方面，高校尚未建立完善的應用評估與反饋體系，導致部署后使用熱情下降，未能充分發揮大模型對教學模式和管理創新的帶動作用。當前，多數高校尚未開展部署效果的系統評估與用戶調研，缺乏基于數據驅動的反饋機制與成本效益模型，制約了模型部署的精準性與可持續性。后續研究擬補充專家訪談與學生、教師問卷，重點聚焦高校在部署階段的管理機制、師生參與度與評估路徑等維度，提升研究的實證解釋力。

2.DeepSeek推廣的供需匹配失衡與用戶參與缺位

高校接入部署DeepSeek的供需銜接不暢，即技術供給過剩，需求側調研不足。參與式設計（Participatory Design）理論強調系統開發過程中用戶的早期參與對于工具功能適配性與用戶采納意愿起決定性作用。當前在高校推廣中，DeepSeek的技術供給往往由信息化部門或合作企業主導，導致教師與學生邊緣化，一線教學主體的參與不足使得需求方聲音難以充分反映在系統設計中。一方面，需求方未能參與設計與評價，容易形成技術與需求脫節，教師與學生在教學、學習、科研等層面的真正需求可能被忽視。另一方面，用戶群體的數字素養存在差距，部分教師與學生對新技術不夠熟悉，也削弱了新技術的感知可用性與易用性[9]。從感知易用視角出發，DeepSeek供給側冗余疊加，而需求側使用率低、滿意度差。供給端過度堆砌工具而不聚焦實質需求，造成經費投入與實際效益之間的錯配。當前市場和校內供給端同時涌現出生成式AI平臺、智能學習系統等多種AI產品，在功能上存在較多重疊，且多由不同部門各自推進，造成資源浪費。盡管部分高校將不同AI應用集成于校內智能體，融入現有教學平臺，但由于應用場景設置不清晰、指導不足，師生對新系統的使用率不高、使用深度有限，難以真正將AI深度融入教學與學習實踐。在環境資源配置中，高校在教育技術項目中普遍缺乏專業的產品管理能力。多數項目以技術實現為出發點，缺少面向用戶的需求調研和使用場景分析，也未建立持續收集用戶反饋的機制。技術部門無法及時了解教師和學生在使用過程中的痛點，難以根據反饋迭代技術并完善功能。同時，高校也缺乏系統的效果評估指標，對不同應用場景的投入產出比沒有精準測算，無法依據數據調整資源分配[10]。

3.DeepSeek應用的知識底座薄弱與數據融合滯后

DeepSeek大模型本質上是一種基于海量數據訓練的集成性工具，其效果不僅依賴模型能力，也高度依賴其與本地知識庫、教學資源庫的融合。然而，部分高校未能將本地化教學內容、課程案例與科研成果等數據接入校園DeepSeek，導致大模型無法與高校設置的具體課程和科研內容相對接，制約了模型的使用深度與專業化表現，本質上揭示了底層數據基礎設施建設的不足[11]。在組織結構層面，高校缺乏統一規劃的教育大數據平臺。部分高校的數據資源底板薄弱，學校教務、科研、圖書資源等數據分布在不同系統中，缺少統一標準和接口，各學院自行建設數據庫，沒有形成跨部門共享的完整數據資源庫，限制了大模型的知識底座建設。由于數據來源零散且更新不及時，供AI訓練的本地語料質量難以保證，影響專業化支持效果[12]。在技術配置層面，當前部署的DeepSeek大模型多為通用模型，更多基于公開大規模語料訓練，與本地教學資源耦合度低。由于本地化微調和專業知識嵌入成本高，不少學校暫時未對模型進行定制化改造，模型輸出容易出現通用性強但針對性弱的回答。DeepSeek的教育智能體功能未能精準對接各學科需求，限制了其在專業課程教學和研究指導中的價值。在環境維護層面，現有知識基礎設施建設多為一次性投入，缺乏持續更新維護機制。部分高校雖建立了知識圖譜或數據庫，但更新頻率較低，難以跟上學科進展與教育需求變化。知識圖譜構建和維護需要投入大量人力、物力以及專門技術，然而目前投入不足，致使知識底座建設難以形成良性循環。

4.DeepSeek建設的成本壓力增加與效益評估缺位

大規模部署DeepSeek大模型系統需要投入大量的軟硬件資源，包括算力中心建設、模型微調、人力培訓、安全審查等。其中，算力成本尤其突出。訓練或微調大型模型需要大量GPU/AI芯片資源，運行時也需持續高性能算力支持。此外，持續支出的系統維護成本也不容忽視，高校需要專門團隊負責模型監控、升級、故障處理、安全加固等工作。綜合來看，本地部署模式短期投入巨大，且高校在DeepSeek大模型項目上尚未建立系統的評估指標與機制，難以評估長期運行的投入產出比[13]。具體而言，對模型在教育教學中所產生的實際效果缺乏量化考核方法，對科研輔助和管理優化所帶來的效益也缺少清晰的評估框架。投入決策更多依賴經驗和預期，缺少科學依據。部分高校只關注短期的功能驗收，忽視了后續使用情況和價值產出。在當前教育數字化熱潮中，部分高校為了緊跟政策和潮流，傾向于盲目部署先進技術，而不考慮實際可用性。這種“為部署而部署”的思維導致資源使用效率不高。技術平臺建成后，如果教師和學生不適用或者未充分培訓學習，系統就可能長期閑置而價值難以體現。部分學院或項目組追求最新最強的模型版本，卻忽視了本校特色和需求特點，造成重復建設，浪費人才和經費資源。

進一步發揮DeepSeek賦能高等教育的思考

當前我國高校對DeepSeek系統部署已初具規模，整體應用呈加速擴展態勢。然而，從已有實踐經驗來看，部署過程中暴露出的問題也不容忽視，特別是在模型與教育場景的適配深度、資源利用效能及長效運行機制等方面，尚未形成穩定、成熟的體系。要實現從初步接入向深度融合的轉變，必須超越技術部署層面，從T-O-E模型出發，推動技術資源配置、組織協同與制度環境建設的系統提升。從教育實踐視角來看，模型部署引發教育理念、教學方法與組織流程的深度變革。因此，技術系統的有效嵌入必須與教育目標保持一致，服務于育人過程。從系統建設角度出發，應以整體性眼光構建包括基礎數據平臺、教師支持體系、學生使用反饋機制在內的復合型技術支持環境，為人工智能系統在高校的持續優化提供反饋閉環。推動DeepSeek在高校的高質量應用，不僅是人工智能技術發展的延伸，更是高等教育體系現代化轉型的重要契機，唯有技術—組織—環境協同多維發力，才能真正實現教育技術為育人賦能。

1.區域協同推動資源共享與應用落地

DeepSeek模型的有效運行高度依賴算力資源與技術平臺支撐。受制于地區間經濟發展不均與學校層級差異，高校在部署能力上存在顯著分化。以區域資源共享為基礎、以分層部署策略為保障，推動資源的高效配置，是提升DeepSeek部署效能的現實路徑[14]。在數字化環境共建中，應構建區域算力協作網絡，實現高校間異地部署與資源共享。借鑒美國國家科學基金會于2024年啟動的國家人工智能研究資源（NAIRR）試點項目的經驗，可以由教育主管部門統籌，聯合優勢高校、科研機構與算力平臺，設立區域性AI資源節點，支持高校異地訪問與遠程調用，以打破“強校強、弱校弱”的資源鴻溝[15]。在組織結構層面，應推動分層分級部署策略，實現因校制宜的模型落地。鼓勵行業聯盟或省級教育集群共建共享基礎設施，重點高校可建設本地高性能AI節點，并承擔服務共享職能。目前，浙江大學智能體“浙大先生”向全國CARSI聯盟的800余所高校開放，華南理工大學本地部署DeepSeek應用，面向廣東省內院校共享，促進了區域共建與教育公平。普通本科院校與職業院校則通過云端方式接入統一平臺，實現輕量化部署，減少重復投資與建設成本。在部署形態上，應探索“私有+公有+混合云”協同機制，以滿足高校不同場景的靈活接入需求。應集聚科研資源、人才與技術力量，構建協同發展的共建共用平臺，形成基礎設施協同、數據資源共享、場景開發共創的良性生態。

2.校企協同促進應用擴維與人才培養

DeepSeek賦能教育的實效性依賴模型架構的先進性，更取決于其與教育實踐的深度耦合。當前高校在應用層面面臨專業適配不足與人才供需錯配等問題，須通過校企協同，推動產學研一體化體系建設[16]。其一，鼓勵高校圍繞人工智能加快學科專業布局，構建“頂尖科學家人才+技術研發人才+應用實踐人才”的人工智能人才培養矩陣，加大對高素質人工智能人才培養的要素投入，提升人才供給能力。以課程、專業、能力三層級目標體系為牽引，推動教學內容、培養目標與AI應用場景的協同適配。其二，鼓勵校企聯合開發行業垂直模型，滿足教育、醫學、金融等不同專業的應用需求。當前DeepSeek在教育實踐中的拓展能力受限于語義遷移能力不足與場景適配結構的缺失。要打破模型通用性與專業化需求之間的矛盾，亟需在產學協同中引入垂直嵌入策略，即通過與企業共建領域知識圖譜，將教育語境下的教學流程、評價體系、學科標準等嵌入模型底層架構，形成語義對齊機制，提升其垂直領域效能。其三，在資源整合層面，鼓勵高校與企業共建AI教育聯合實驗室，集中整合課程數據、考試題庫、科研論文、知識圖譜等數據資源，為模型優化提供高質量語料支持。動員社會更多的資源力量投入人工智能與教育的融合創新應用，實現資源集約化、共享化利用。其四，在人才培養層面推行雙聘制機制，實現人才跨界流動。高水平AI技術人才與教育應用人才之間存在斷層，是制約DeepSeek落地的重要因素。高校應探索與企業之間的雙聘機制，促進高校教師與企業工程師雙向流動，以解決大模型研發、迭代、運維等人才供需錯配問題。

3.制度設計完善治理體系與績效機制

從教育治理視角來看，DeepSeek系統作為新型教學基礎設施，其部署需納入高校整體發展戰略與質量保障體系之中。高校在推動DeepSeek應用過程中，應重視產品思維，將“可用”轉化為“常用”。一是建立AI系統部署前期評估機制。美國非營利性組織EDUCAUSE發布的《AI政策與指南行動計劃》中指出，人工智能政策和指南應涵蓋機構治理、運營和教學的政策框架，并以此為基礎不斷發展[17]。高校應設立“人工智能教育指導委員會”，負責前期可行性研究、部署方案審查與需求匹配評估。借鑒項目生命周期管理理念，將DeepSeek部署分為需求調研、方案設計、試點應用、全校推廣四個階段，每一階段設立明確績效指標與驗收標準。二是制定部署操作指引與倫理規范，提升技術落地的安全性與規范性[18]。歐盟《教育工作者在教學中使用人工智能和數據的道德準則》指出，應明確AI工具的角色邊界與教學輔助性，避免教學權威的過度轉移[19]。我國高校應結合網絡安全法、個人信息保護法，制定《人工智能倫理規范》等制度文件，為教學場景中的AI應用劃定清晰邊界，保障人工智能技術在教學科研應用過程中的倫理規范。三是引入平臺績效考核體系，綜合考評使用頻率、滿意度與成果轉化比。歐洲11國高校聯合啟動了“高等教育中的生成式人工智能與大語言模型”項目，強調需求映射與政策制定相一致，通過與教學人員的合作，了解教學需求，制定相應的政策和實踐指南，促進AI技術融入教學[20]。當前部分高校缺乏AI平臺運行的系統性考核機制，難以判定其價值與效能。應建立涵蓋系統數據使用、師生滿意度調查、教學成效分析、科研成果轉化等維度的綜合評價指標體系，并結合預算分配與后續資源支持，形成以評促用、以評促優的動態優化機制。

4.數據底座支撐教學應用與科研創新

DeepSeek系統的智能水平不僅取決于算法與模型能力，更依賴于其所連接的數據底座。在高等教育環境中，模型必須與高校課程體系、教材資源、科研成果等本地知識深度耦合，才能實現真正的教學嵌入式支持。AI4EU是一個歐洲范圍的AI平臺，旨在為教育提供全面的資源支持。該平臺建立結構化教育資源庫，收集并整理各類AI相關的教育資源，供學生、教師和專業人士使用[21]。當前我國高校在數據資源建設方面尚屬薄弱，亟需構建完善的教育知識基礎數據底座。首先，加快本地教育知識庫建設，實現DeepSeek模型與課程體系深度耦合。知識庫建設應以課程標準與教學大綱為基礎，整合教材章節、課件資源、歷年試題、課堂筆記等教學內容，構建結構化知識單元與概念網絡，以支持AI系統精準推理與語義理解。同時，應針對不同學科建立個性化知識圖譜，滿足多學科語義建模需求[22]。其次，推動結構化教學資源體系建設，為模型輸入提供高質量語料支持。AI模型要發揮教育價值，必須基于結構化、標準化、可追蹤的高質量語料體系。因此，應加快資源標簽化、元數據標注、語義編碼等工程，實現課程內容的深層語義組織與數據接口標準建設。最后，建立資源持續更新機制，完善知識圖譜動態維護與智能反饋能力。高校應設置教育數據管理中心，負責教學數據收集、更新與知識圖譜動態維護工作，實現教學內容與模型能力的實時協同演進。

參考文獻：

[1]張樂，劉益伶.當高校“定制版”DeepSeek開啟“深度求索”[N].中國新聞，2025-02-26（8）.

[2]王袁欣，劉德寰.接觸與采納：基于人工智能早期體驗者的創新擴散研究[J].現代傳播（中國傳媒大學學報），2023（2）.

[3]馬志強，崔鑫，尤欣雅，等.DeepSeek在國內高校中的應用態勢分析：政策驅動、場景實踐與風險應對[J].中國教育信息化，2025（4）.

[4]Awa H O， Ojiabo U O， Orokor L E. Integrated technology-organization-environment (T-O-E) taxonomies for technology adoption[J].Journal of Enterprise Information Management，2017（6）.

[5]Davis F D. Perceived usefulness， perceived ease of use，and user acceptance of information technology[J].MIS Quarterly，1989（3）.

[6]宋鐵波，張雅，吳小節，等.組織同形的研究述評與展望[J].華東經濟管理，2012（5）.

[7]羅楊洋，周國輝，韓錫斌.高校數字化轉型如何適配有效策略？——基于技術、組織、環境協同的視角[J].現代教育技術，2025（6）.

[8]楊現民，曾佳堯，李新.人工智能與教育深度融合的場景細化及落地實踐——基于探索性多案例分析法[J].開放教育研究，2025（1）.

[9]費建翔，劉丙利，黨同桐.何以擁抱：高校教師教學人工智能技術采納意愿研究[J].現代教育技術，2025（5）.

[10]李煥宏，薛瀾.生成式人工智能應用的使能型風險規制——以高等教育應用為例[J].清華大學教育研究，2025（1）.

[11]楊寧霞，唐愛民.人工智能賦能高等教育治理：國際經驗與中國選擇[J].電化教育研究，2024（11）.

[12]劉驥，錢禹辰，郭桂真，等.2024年國際教育數智化轉型的十大趨勢[J].中國教育信息化，2025（3）.

[13]蔡君韜.生成式人工智能技術賦能高等教育現代化[J].中國高校科技，2025（4）.

[14]黃春晨，魯長風，田友誼.人工智能賦能高等教育的政策嬗變與展望——基于“主題—工具—評價”的三維分析框架[J].高教探索，2025（1）.

[15]U.S. National Science Foundation. Democratizing the future of AI R&D: NSF to launch National AI Research Resource pilot[EB/OL].https://www.nsf.gov/news/democratizing-fu-ture-ai-rd-nsf-launch-national-ai#:~:text=Alexandria%2C%20Virginia%3A%20Today%2C%20the%20U.S.%20National%20Science%20Foundation，necessary%20to%20power%20responsible%20AI%20discovery%20and%20innovation.

[16]楊勇軍，楊新榮.應用型高校深化產教融合的動力機制[J].繼續教育研究，2024（4）.

[17]Robert J， McCormack M. 2024 EDUCAUSE Action Plan: AI Policies and Guidelines[R]. Boulder: EDUCAUSE，2024.

[18]沈苑，汪瓊.人工智能在教育中應用的倫理考量——從教育視角解讀歐盟《可信賴的人工智能倫理準則》[J].北京大學教育評論，2019（4）.

[19]鹿星南，高雪薇.人工智能賦能教育評價改革：發展態勢、風險檢視與消解對策[J].中國教育學刊，2023（2）.

[20]FernUniversitat in Hagen. ADMIT–Generative AI and Large Language Models in higher education[EB/OL]. https://www.fernuni-hagen.de/bildungswissenschaft/bildung-medien/forschung/projekte/admit.shtml.

[21]AI on Demand. About AI4EU[EB/OL].https://www.ai4eu-rope.eu/about-ai4eu.

[22]劉驥，趙詢，羅陽.算法賦能高校治理的空間特性與與風險疏解[J].大學教育科學，2025（3）.

[本文為2025年教育部教育管理信息中心委托研究課題“生成式智能體賦能教育數字化的國際經驗與應用研究及數據庫建設”（編號：MOE-CIEM-2025007）的研究成果]

【作者單位：劉驥、薛夢姣，陜西師范大學教育學部；蘇福根，教育部教育管理信息中心研究處】

（原載2025年第21期《中國高等教育》）