高校学科治理是大学内部治理的核心环节，关乎办学方向、资源效益与发展动能。然而，当前高校学科治理在应对新一轮科技革命和产业变革时，已显现出响应速度慢、创新协同难等适应性短板。2025年4月，教育部等九部门联合印发《关于加快推进教育数字化的意见》，明确提出“以人工智能技术推动科研范式变革，提高科研组织效率，提高成果转化效率，衍生学科增长点，助力建设一批新兴学科、交叉学科”，为高校学科治理转型提供了政策指引。这场转型的本质绝非工具层面的简单叠加，而是深刻的范式革命，即从传统行政管理逻辑的旧范式转向以数据智能、算法模型为核心驱动力的新范式。

　　一是打破学科壁垒。传统院系建制的物理分割与学科评价体系的单一导向，在一定程度上固化了知识生产的组织形态，使得跨学科交流与合作面临诸多体制机制障碍。人工智能为打破这一壁垒提供了技术可能。首先，通过自然语言处理技术，AI可以高效挖掘和分析海量的学术论文、专利、项目数据，自动识别不同学科领域间的知识关联、概念迁移与融合热点，绘制出动态、可视化的跨学科知识图谱。其次，基于学术大数据和协作平台，AI算法可以精准匹配具有不同学科背景但研究兴趣互补的学者，智能推荐合作者和合作团队，促成“人以群分”的智慧聚合。最后，AI驱动的跨学科研究将不再局限于形式上的机构合并，而是深化为基于共同科学问题和数据智能的内在知识融合，为攻克综合性重大科学难题提供全新的组织模式。这种基于数据智能的协同赋能模式，展现了AI在重构科研组织模式、赋能学科治理决策方面的巨大潜力，为高校构建跨学科研究基础设施、革新科研范式提供了重要借鉴。

　　二是优化资源配置。传统资源分配常存在粗放管理问题，难以精准契合学科发展的实际动态需求。人工智能通过数据驱动的预测与决策，极大提升了资源配置的科学性。在财力资源方面，AI模型可以综合分析学科的历史投入、产出绩效、未来发展趋势、国家战略需求等多维数据，对学科的发展潜力与投资回报进行预测性评估，为预算制定和经费划拨提供量化依据，实现资源配置效益的最大化。在人力资源方面，AI在人才引进与评价中发挥着重要作用。通过分析全球顶尖学者的学术轨迹、合作网络和研究成果影响力，AI可辅助人事部门在全球范围内精准识别和引进与学校学科发展战略高度匹配的领军人才和青年才俊，避免“唯头衔”引才的盲目性。在物力资源方面，AI驱动的智能排课系统、实验室共享平台、大型仪器设备使用效率监控系统等可最大化盘活现有资产，提升使用效率，避免重复建设和资源闲置。人工智能正将学科资源配置从静态的“历史分配”转型为动态的“预测优化”，这种转型正是AI赋能下学科治理“数据驱动”对传统“经验分配”的核心突破。

　　三是革新评价体系。现有评价体系过度依赖论文、“帽子”、项目等易量化的短期指标，而忽视学科的社会贡献、创新潜力与人才培养质量。人工智能通过构建多维评价体系，能够整合学术影响力、社会服务、国际合作、学生成长等多元数据，形成动态、综合的评价模型。通过文本分析和情感计算，AI可以评估科研成果的社会舆论反响、政策引用情况；通过分析专利转让、技术合同等数据，可更客观地衡量科技成果转化的实际效益；通过分析课程大纲、教学互动数据、学生成长轨迹等，能够对人才培养质量进行更具过程性的评价。利用机器学习模型，AI可追踪一个学科或学者5—10年内的学术影响力演变，识别那些“十年磨一剑”的原创性成果。针对基础学科、应用学科、人文学科的不同特点，AI可以训练不同的评价模型，设置差异化的指标体系，尊重不同学科的发展规律与知识生产逻辑。AI赋能下的评价体系最终将从“管理工具”转向“发展指南”，更好地激发学科内涵式发展的内生动力。

　　四是防控治理风险。学科治理是复杂的系统工程，充满不确定性与风险，如顶尖人才流失、研究方向偏离主流、学术不端、学科建设同质化等。传统治理模式对风险的感知常显滞后，待问题显现或已造成难以挽回的损失。人工智能的核心能力之一在于预测与预警。通过建立学科发展监测平台，AI可实时抓取、分析内外部数据，监控师资结构稳定性、科研产出活跃度、学生培养质量等关键指标的变化趋势；还可以追踪全球学科发展前沿，对标国际一流高校及国内优势学科的建设动态，以及就业市场对专业人才需求的变化等。当数据出现异常波动或偏离预设的发展轨道时，AI系统能及时发出早期预警信号。例如，通过分析学者学术活跃度的变化，预测人才流失风险；通过分析科研论文选题的集中度，预警研究方向过于狭窄或趋于同质化的风险；甚至可以利用算法检测论文图片、数据的异常，辅助甄别学术不端行为。这能够使学科治理者提前制定预案，提升决策的预见性和韧性，从而保障学科建设的行稳致远。

　　需要指出的是，高校学科治理的范式转型也面临其特有的挑战：评价体系中算法若依赖历史数据，可能固化“传统优势学科偏好”的偏见；人才资源配置中，AI抓取的“学术影响力数据”可能泄露学者隐私；学科风险预警中，过度依赖技术可能弱化治理者的人文判断。为此，需构建“技术规范、制度约束、人文校准”的三重应对机制，即技术上优化算法透明度，制度上建立高校AI治理伦理委员会，人文上保留“人机协同”的决策环节。未来的方向应是“智能向善”（AI for Good），高校应坚持工具理性与价值理性的统一，在将人工智能深度融入治理体系的同时，始终牢记立德树人的根本任务和追求真理的学术使命。

　　（作者系宁波大学教师教育学院副教授；宁波大学科学技术学院副研究员）