去年到今年，高校信息化圈子里被问得最多的一句话，大概是“你们学校部署大模型了吗”。开会碰到同行，寒暄完就是互相打听：装的满血版还是蒸馏版？多少张卡？并发扛得住吗？有位干了二十年网络中心的老主任感慨，头一回被这么多部门主动找上门谈需求，十多年没这么受重视过。

 

　　热闹是真的。DeepSeek开源之后，部署门槛一下子降了下来，短短几个月，公开报道里完成本地化部署的高校就过了百所。动作快的学校春季开学前就上了线，有的平台首日用户突破二十万；数字员工、智能体广场、“一句话办事”，新名词一个接一个。

 

　　但还有另一面，很少有人愿意多说：不少学校的智能问答平台，上线那周轰轰烈烈，半年后日活掉到两位数；花大几十万部署的模型，机房里风扇转着，来问它的人却不多；师生试了几回，发现问校历它背规章、问报销它讲原理，慢慢也就不用了。

 

　　一边是发布时的热闹，一边是机房里的冷清。这个落差，比任何一份规划文本都更值得琢磨。本文想借着这一落差，谈谈对高校信息化、数字化、智能化建设的几点想法。

 

 

　　把各校这一年多的实践放在一起看，有个现象很有意思：大家部署的其实是同一批开源模型，效果却天差地别。

 

　　用得好的学校，模型接进了办事大厅，师生一句话就能把访客预约、学费缓缴这类流程走完；又接进了课程平台，成了学生随叫随到的答疑助手；还接进了财务系统，数字员工审单子比人工快好几倍。建设相对落后的学校里，模型就是个聊天窗口，和网页版没什么区别——甚至还不如网页版，因为并发一高就“服务器繁忙”。

 

　　模型是一样的，卡也未必差多少，差在哪里？

 

　　差在模型之下的东西。办事大厅能做到“一句话办事”，前提是这个流程本来就在线上跑得通，接口是活的；答疑助手能答对问题，前提是知识库里的制度文件是最新的、成体系的；数字员工能审单，前提是审核规则本来就梳理得清清楚楚。简言之，大模型放大了各校信息化的家底——家底厚的，如虎添翼；家底薄的，AI一来，反倒把多年的窟窿照得清清楚楚。

 

　　所以，我校的一个基本判断是：智能化竞争，表面上比的是谁的卡多、谁的模型新，实际上比的是过去十几年信息化、数字化的积累。智能化的天花板，恰恰是数字化的地板。

 

 

　　信息化、数字化、智能化，教科书上常说是三个阶段：信息化把流程搬上网，数字化让数据流动起来产生价值，智能化让机器承担一部分原来只有人能干的活。这个说法本质没错，但容易让人误以为三者是接力赛，跑完一棒交一棒。

 

　　实际情形则更像欠账和还账的关系。AI落地时遇到的每一个坎，追根溯源，几乎都能对应到前两个阶段欠下的账（如图1所示）。

 

 

　　智能问答“一本正经地胡说八道”，很多人将其归咎于模型有幻觉。但真去查，往往发现知识库三年没更新，规章制度还躺在扫描版PDF里，几个部门的数据口径互相打架——这是数据的账。

 

　　智能体想帮师生把事办了，一动手发现业务系统根本没有开放接口，或者接口文档早就没人维护；有的流程线上点完，线下还得拿着纸质表再跑一遍——这是系统和流程的账。

 

　　想让模型按身份提供服务，学生查自己的成绩、教师看自己课程的学情，才发现数据权限从来没有认真分级，要么全开，要么全关——这是治理的账。

 

　　这些账，平时藏在一个个“能用就行”的系统背后，谁也不想翻。但AI一来，全翻出来了。

 

　　坦率地说，这恰恰是这波AI热潮对高校信息化最大的贡献。以前跟学校谈数据治理、谈接口规范，领导未必听得进去，觉得那是技术部门自己的事。现在不一样了——为什么校内的AI答错话？因为喂给它的数据是错的。为什么其他高校能一句话办事，咱们不能？因为系统接口不开放。多年推不动的事，如今有了推力。这个窗口期，千万不能只浪费在买卡上。

 

 

　　媒体上的案例，主角多是头部高校：几十台服务器、上百张卡、成建制的团队。但全国几千多所高校，大多数没有这个家底。一年几百万的信息化经费，要养网络、保安全、维持几十个系统运转，能挤给AI的本就不多。这些学校怎么办？本文的看法是：不追算力军备竞赛，把有限的钱和人，用来补好三门课（如图2所示）。

 

 

　　第一，算力和模型这门课，够用就好，能借则借。满血版当然好，但值不值得每所学校都自建一套，要打个问号。现在的选择其实很多：区域算力联盟、高校之间的后端共享；云端API按量付费，涉及敏感数据、必须留在校内的场景，再用本地蒸馏版兜底。模型迭代这么快，今天重金购置的卡，两年后未必跑得动新模型，为峰值需求囤硬件，多半会后悔。省下来的钱若投到数据和人身上，回报率高得多。

 

　　第二，数据这门课，目标是从“能出报表”走到“机器能读”。过去数据治理服务的对象是人，报表能出、大屏能亮，就算交差。现在多了一个用户——大模型。它要的是成体系、够新鲜、口径一致的知识：制度文件得是可解析的文本，办事指南得有人定期维护，数据得按社会公开、校内公开、特定权限分好级，按身份精准供给。另有一类新资产值得留心：反复调教出来的提示词、编排成熟的智能体模板，这些东西攒下来、传下去，比多买两张卡值钱。

 

　　第三，系统这门课，核心是学会“如何调用”。过去建系统讲究界面友好，服务的是人；往后的系统还要服务机器——把可复用的功能以API开放出来，让智能体查得到数据、发得起流程、办得完事。函数调用、MCP等技术已经比较成熟，新建系统应当把“可被智能体调用”写进验收条款。一时改不动的老系统，用RPA模拟人工操作迂回一下也能应付，但属于权宜之计，不应当成长久打算。

 

　　场景上，我们不赞成铺大摊子。应先挑师生抱怨最多的三五件事下手——办事大厅里最堵的流程、迎新季问得最多的问题、报销时最烦的单子。这些场景痛点真、数据全、容错高，见效快，口碑也好攒。有了口碑和经验，再往教学、科研这些深水区走拓展。此外，可以把师生发动起来共建智能体，信息化部门管好平台、数据和规则就行，不必事事亲力亲为。

 

 

　　这一轮变革里，最该重新想想定位的，是信息化队伍自己。

 

　　角色确实在变。过去我们是建系统的、修网络的；而往后相当一部分精力，要花在管理一支不领工资的“数字员工”队伍上——选型像招聘，微调像培训，评测像考核，下线像辞退。有人说，未来的IT部门会变成“数字劳动力的人力资源部”(如图3所示)。

 

 

　　困境依然存在。既懂业务又懂AI的人，市场上抢手，学校的编制和待遇很难留住；不少学校的AI平台靠外包公司撑着，合同一到期，谁来接？这些问题没有标准答案，但有一点可以肯定：外面买得到模型、买得到算力，买不到懂这所学校的人。队伍的能力建设，比设备更新更要紧。

 

　　回到开头的场景。被全校主动找上门的日子，网络中心等了十多年。这是机会，也是考验——如果两三年过去，交出的答卷只是机房里多了几台带GPU的服务器，这个窗口就算错过了。模型还会一代代更新，今天的部署经验很快会过时；但补上的数据、理顺的流程、带出来的队伍，有长期价值。

 

　　地基打牢了，才谈得上智能。