今年，教育部批准9所高校“具身智能”专业招生。
我们仔细阅读了其中7所高校的具身智能本科专业设置申请表：西安交通大学、浙江大学、上海交通大学、东北大学、北京邮电大学、北京理工大学、北京航空航天大学。
从这些申请表中，我们梳理出了 6 条有意思的信息。
专业基本定位：同一个专业名称，实际有五种专业类归属
从上表中，我们可以看出各院校的具身智能专业建设并没有统一采用“人工智能学院牵头”的组织方式。
机械学院、控制学院、机器人学院都可以成为建设主体，关键在于能否组织跨学科教学。
招生与培养出口：整体偏向小规模、高投入、研究与工程并重
值得注意的是：
-
五校填写每年30人，体现出明显的小班培养倾向。
-
西交、上交预计超过八成学生继续升学，本科培养承担了较强的科研人才储备功能。
因此，不能用“本科毕业直接成为顶尖具身算法专家”来概括这些方案。
更准确的理解是：本科建立跨学科基础和系统开发能力，其中相当一部分学生通过后续深造形成研究专长。
专业核心课程：各校最值得关注的课程、实践和建设逻辑
根据申请表的详细培养方案，我做了以下分析：
-
西安交通大学方案的特色是“机器人与具体工程对象结合得深”，尤其适合借鉴到巡检、预测性维护、工业设备诊断和人机交互项目中。
-
浙江大学最值得借鉴的是“课程、平台、任务与评测统一设计”。专业建设不止是新增几门前沿课，还包括统一开发接口、工具链和实机验证流程。
-
上海交通大学最突出的不是某一门课，而是“持续迭代同一个系统”的教学组织方式。这种方式有利于解决学生“课程学了很多，却无法独立完成系统”的问题，也便于形成可追踪的个人成果档案。
-
东北大学方案的优势是“场景明确、核心课集中、实验要求具体”。
-
北京邮电大学更突出“多个智能体如何互联协同”，而不是仅围绕单台机器人展开。
-
北京理工大学方案强调“技术研究—工程实现—产品创新”的连续培养。
-
北京航空航天大学的特点是“机械本体、运动控制和智能算法共同支撑系统能力”。其航空航天与无人系统背景是应用特色，但课程并未局限于飞行机器人。
横向看课程：共同知识框架已形成，但必修深度并不一致
有3个容易被课程清单掩盖的差异：
-
大模型已经进入专业课程，但不代表7所学校都要求完整学习同一套大模型技术。
西交直接设置VLA相关必修课；浙大将深度学习与大模型合并；东北大学和北邮开设大模型必修课；上交的多模态大模型属于模块限选；北理工的大模型原理与应用属于学科选修。
-
强化学习的地位不同。
上交、北航明确列为必修；浙大、东北大学、北理工相关课程列在选修部分。
-
ROS、仿真和部署未必以独立必修课出现。
有的学校单独设课，有的融入实验和系统实践。
具身智能专业为什么要学这么多“老课程”？
看过上述的课程设置，大家或许会有这个疑问：
具身智能专业为什么还要学这么多“老课程”？
北航的培养方案，有理论力学、材料力学，也有机器人动力学与控制；
西安交大的方案，工程图学、机械设计、电工电子、运动控制占据明确位置，同时又将视觉—语言—执行大模型、脑机接口纳入专业核心课程。
如果只看课程名字，有人可能会失望：
这和想象中的“前沿AI专业”不太一样，但让机械臂把杯子放到桌上，远不止理解“放杯子”三个字。它还要知道手臂怎么运动、夹多紧、什么时候松手，以及碰到桌面之后如何处理。语言理解正确，并不保证动作可靠。
机械、控制和力学课程，承担的正是其中一部分基础。
真正值得探讨的是：这些基础应该学到多深，才能支撑新能力，又不挤掉必要的AI训练？四年的学分有限。每增加一门前沿课程，就需要回答它依赖哪些基础、服务哪项能力、如何验证学生已经掌握。
尤其当大模型、脑机接口、机器人控制等内容都进入培养体系时，学校面临的考验会更大：学生能把这些知识连接起来吗？
课程表可以很丰富，学生的能力必须有主线。
一条主线，不同的实现路径
通过上述各方面的展示，我们可能会觉得7所学校的方案差别很大，但它们共享一条主线：
尝试把人工智能、机器人、控制及相关工程知识连接起来，并通过实践让学生面对物理世界中的任务。
差别主要在于从哪里出发，以及把有限的培养资源放在哪里。
机械与控制基础、模型与交互、网络与协同、持续项目训练、产品与产业视角，在7校材料中呈现出不同的组合。这些组合反映了各自的学科积累，也意味着不同的教学难题。
因此，讨论具身智能专业，不能停留在“新不新”“热不热”。更应该问：这所学校选择了哪条培养主线，又用什么课程和实践把它兑现？
普通高校最该警惕的，是把七校的亮点全部抄进一张课表：
大模型要有，强化学习要有，脑机接口要有，群体智能要有，人形机器人也要有。
每所学校需要依托各自长期积累形成的特色，不能简单叠加成一所学校四年的教学任务。对于正在建设专业的高校，更有价值的工作，是先回答三个问题：
（一）学生毕业时，能够独立完成什么任务？
是部署巡检系统、开发操作功能，还是研究机器人学习方法？可以分方向，但要有清楚的能力要求。
（二）四年里，学生会反复训练哪条完整能力链？
感知结果如何进入决策，决策如何变成动作，执行失败如何反馈？课程之间应当有可验证的连接。
（三）怎样证明每个学生都学会了？
团队展示之外，能否安排个人编程、现场排错和独立复现？
专业名字可以相同，培养路径可以不同。真正需要较真的，是路径能否走通。
如果四年后，学生能说清几十个模型名词，却不能解释机器人为什么在现场失败，这份培养方案就该被重新审视。
扫码添加阿蓝，选择想要加入的交流群即可
（按照提交顺序邀请，请尽早选择）
👇
