1. 引言
新一轮科技革命与产业变革浪潮下，工程教育范式正经历深刻重构。为应对未来社会经济发展的不确定性，培养具备创新精神、实践能力与国际竞争力的新型工程人才，“新工科”建设应运而生[1]。新工科强调学科交叉、产教融合、技术创新与素养提升，其教学模式亟需从传统的知识传授向能力培养与价值塑造转变。然而，传统工科教学普遍面临真实实验设备昂贵、高风险操作难以开展、复杂系统难以具象化、教学过程数据采集困难、个性化指导不足等现实困境。
在此背景下，虚拟仿真(Virtual Simulation, VS)与人工智能(Artificial Intelligence, AI)技术展现出巨大的教育应用潜力。虚拟仿真通过构建高度逼真的数字化环境，使学生能够安全、低成本地进行反复实践与探索[1] [2]。人工智能技术，特别是机器学习、计算机视觉和自然语言处理等，则为实现个性化学习路径规划、智能辅导、自动化评估以及数据驱动的教学优化提供了可能[3] [4]。
1.1. 虚拟仿真与人工智能在教育领域的应用
1.1.1. 基础科学教育中的应用
虚拟仿真与人工智能技术在基础科学教育中的应用取得了显著成果。例如，在基础力学实验中，传统教学模式存在设备数量有限、学生动手操作机会不足等问题。通过引入虚拟仿真平台和人工智能技术，可以为学生提供更灵活的实验路径规划，并借助虚拟仿真系统开展多场景训练，从而有助于提升学生的操作规范性、实验报告质量和知识应用能力[1]。在职业教育领域，虚拟仿真与人工智能技术也被广泛应用于艺术插花课程的教学改革中。通过模块化知识结构设计、特色功能构建以及创新产教融合路径，重构课程体系，为教学效果的提升提供了支持[2]。类似地，在人工智能课程教学中，基于虚拟仿真环境设计的教学框架有助于激发学生的学习兴趣和创造力，并促进其人工智能素养的提升[3]。
1.1.2. 职业教育与实践教学
虚拟仿真与人工智能技术在职业教育和实践教学中的应用尤为突出。例如，在职业院校的虚拟仿真实训基地建设中，已有研究表明，虚拟仿真实训系统开发以桌面式虚拟仿真系统为主，强调资源的开放性和共享性[5]。此外，虚拟仿真实训教学已广泛应用于教育教学，尤其在职业教育中表现最为显著[5]。在药剂学实验教学中，虚拟仿真与人工智能结合不仅为提升学生的实践能力和创新精神提供了途径，还在实验场景、知识体系、实验环境、学习路径及辅导反馈等方面展现了优化潜力[6]。类似的成果也在服装专业实践教学中得以体现，通过结合人工智能技术和虚拟仿真技术，为激发学生的创新思维提供了新的可能性[7]。
1.1.3. 医学教育与健康领域
在医学教育与健康领域，虚拟仿真与人工智能技术的应用同样具有重要意义。例如，在口腔医学教育中，人工智能技术在创建高保真虚拟教学内容、提升临床模拟逼真度、实现智能化评估与个性化自适应学习以及提供智能交互与指导等方面展现了关键的赋能作用[4]。此外，基于三维运动捕捉技术构建的蒙医震脑术虚拟仿真模型，能够实现施术者和受试者的运动姿态可视化，为蒙医传统疗术的标准化、数字化、可视化研究奠定了基础[8]。在公共卫生领域，虚拟仿真技术也被用于流行病学调查培训系统的开发。通过对比系统培训前后学员的成绩，结果显示，虚拟仿真训练系统在实操能力方面表现出优于传统培训模式的潜力[9]。
1.2. 虚拟仿真与人工智能的技术融合与发展
虚拟仿真与人工智能技术的深度融合推动了许多创新性系统的构建。例如，针对实体机器人价格昂贵、应用困难等问题，设计了一种人工智能视听感知机器人虚拟仿真实验平台，旨在培养学生运用人工智能技术设计与开发基于视听觉感知信息控制机器人的能力[10]。该平台通过整合汉字、语音、手势等多种控制方法，实现了人工智能技术从“理解”到“应用”的一体化[10]。在医学教育领域，虚拟仿真技术与人工智能技术的结合也展现出了广阔的应用前景。例如，虚拟仿真教学所产生的个性化数据，经由机器学习算法进行分析处理，能够制定符合医学学习者个体的评估标准和学习方案[11]。这种个性化评估和学习方案的运用，已在临床技能训练和医学人文教育中显示出巨大的潜力[11]。
数据驱动与智能算法是虚拟仿真与人工智能技术融合发展的另一重要方向。例如，在风场预测中，基于支持向量机(SVM)的非高斯风压预测仿真方法已被广泛应用。通过选择适当的核函数，能够有效提升预测精度[12]。类似地，在地铁盾构施工过程中地表沉降预测中，多层逆向传播(BP)神经网络模型也被用来分析不同输入量及隐含层数量等因素对预测性能的影响[13]。在交通管理工程虚拟仿真教学中，人工智能算法也被用于交通流量预测、交通信号优化以及交通事故预防等方面[14]。通过结合虚拟仿真技术，能够实现更为精准的交通管理系统设计和优化。
1.3. 行业特定应用与创新发展
在工程与制造领域，虚拟仿真与人工智能技术的应用也非常广泛。例如，在无人驾驶车辆的安全行驶保障中，基于人工智能技术的无人驾驶虚拟仿真测试平台能够有效模拟车辆在多种场景中的行驶状态，并通过碰撞检测和决策控制系统实现对车辆运行的有效控制[15]。类似地，在土木工程课程中，虚拟仿真实验教学也被认为是提高高校智能建造教学质量的重要环节[13]。
在农业与生物技术领域，虚拟仿真与人工智能技术的应用同样具有重要意义。例如，在农业机械操作培训中，虚拟仿真教学系统能够打破传统培训模式的时空限制，通过构建高度拟真的操作场景，有效降低培训成本、规避实操风险并实现个性化教学[16]。此外，在生物学实验教学中，人工智能技术也被用于实验内容和模块的优化整合，以及智能化管理平台的搭建[17]。
综上所述，VS与AI的融合已在多个教育领域展现出巨大潜力。然而，如何系统性地将这两种技术融入新工科教学的整体架构，形成稳定、高效、可推广的创新教学模式，仍需深入探索。本文基于现有理论与实践案例，旨在系统性地整合VS与AI技术，构建一个新工科教学模式框架，并提供一套可操作的实施蓝图，以期为新工科建设与工程教育创新提供参考。
2. VS与AI深度融合的新工科教学模式构建
新工科人才培养要求突破学科壁垒，强调解决复杂工程问题的综合能力。基于此，我们提出一个以“项目制学习(PBL)”为核心，虚拟仿真与人工智能技术贯穿始终的深度融合教学模式。该模式旨在构建一个“虚实结合、数据驱动、智能引导、持续迭代”的教学新生态。
2.1. 理论基础
本教学模式的构建植根于经典教育学理论，旨在实现技术与教育的深度融合。首先，情境认知理论强调学习发生于特定的情境之中，知识是活动、情境与文化的产物。本模式通过虚实融合环境，为学生创设高度逼真、可交互的工程情境，使学习者在近似真实的实践环境中建构知识、发展能力。其次，维果茨基的“最近发展区”理论指出，教学应走在发展的前面，在成人或有能力的同伴帮助下，学习者可以解决其独立无法完成的任务。本模式中，数据驱动的个性化推荐系统通过分析学生的学习行为数据，动态识别其“最近发展区”，并提供恰到好处的学习支架与挑战性任务。最后，建构主义的“做中学”思想强调学习者通过主动参与实践活动来建构知识的意义。本模式以项目制流程为核心，让学生在解决真实工程问题的完整过程中，主动探索、协作与实践，从而深度建构跨学科知识与工程思维。
2.2. 教学模式框架
该模式框架包含四个核心层次。与原有研究相比，本文的主要贡献在于系统性整合VS与AI的关键要素，并结合教育学理论构建可操作的教学蓝图。
(1) 基础资源层
整合虚拟仿真软件(如Visual Components，Simcenter，ROS/Gazebo)、AI开发平台(如PaddlePaddle，PyTorch，Hailo SDK)、数字孪生系统、工业网络协议(如Modbus，EtherCAT)以及课程知识点结构库。此层为教学活动提供技术底座和资源支撑。在教育学意义上，这一层相当于为“情境认知”创设可沉浸的学习环境，使学生在贴近真实工程情境的条件下建构知识。
(2) 教学实施层
以“项目任务”为驱动，组织教学活动，学生在虚拟认知、仿真设计、算法开发与系统联调中逐步推进学习。此阶段强调“做中学”的建构主义理念，学生通过在虚拟/真实情境中持续试错与反思来实现知识生成。教师从知识讲授者转变为引导者。
(3) 智能赋能层
AI技术在此层深度融入。利用机器学习算法对学生在虚拟仿真环境中产生的操作数据、设计参数、故障处理记录等进行分析，实现：a) 个性化学习路径推荐：根据学生能力短板动态调整项目难度和学习资源；b) 智能评测与反馈：自动评估仿真结果、代码质量、系统性能，并提供即时、精准的改进建议；c) 虚拟辅助：基于大语言模型构建领域知识问答系统，辅助学生解决疑难问题。其中，基于数据的个性化推荐机制契合维果斯基“最近发展区(ZPD)”理论，通过动态识别学生当前能力水平，为其匹配略高于现有水平、但可在支持下完成的学习任务。
(4) 估优化层
建立多元综合评估体系，不仅关注最终项目成果，更重视过程性数据的采集与分析(如仿真迭代次数、算法优化效果、团队协作记录)。基于评估数据，利用AI模型持续反哺教学设计的优化，形成“教学–数据–评估–优化”的持续改进闭环。此层体现“反馈驱动的学习改进”原则，使教学系统呈现循环式迭代特征，而非一次性设计。
2.3. 核心特征
VS与AI深度融合的新工科教学模式展现出四个鲜明的核心特征，这些特征共同塑造了一种适应未来工程教育需求的新形态。
环境虚实融合是该模式的物理与逻辑基础，其设计充分体现了情境认知理论的思想。通过数字孪生技术，物理世界中的实体，如工业机器人、智能制造生产线，与其高保真的虚拟模型建立起实时映射关系。这种融合创造了支持情境认知的教学条件：学生可以在虚拟环境中无风险、低成本地进行诸如高危设备操作、复杂工艺调试等高成本实践，在近似真实的工作情境中反复试错直至熟练掌握。在完成方案验证后，既可无缝对接到物理系统进行真实执行，检验虚拟设计的成效，也可以完全在虚拟空间中进行超越物理限制的综合创新设计，极大地拓展了教学与创新的边界。
过程数据驱动构成了该模式的“神经中枢”。在整个教学过程中，学生的每一步操作、每一个设计决策、每一次仿真结果都会被数字化记录，形成海量的、多维度的行为数据。人工智能技术，特别是机器学习算法，对这些数据进行深度挖掘与分析，能够洞察个体及群体的学习规律，精准预测潜在的学习困难与风险，并客观揭示教学流程中存在的瓶颈问题。这使得教学管理从传统的经验判断转向基于数据的科学决策，为实现精准干预和教学优化提供了坚实依据。这一特征与“最近发展区”理论相呼应，系统通过数据分析识别每个学生的能力边界，为其提供处于“最近发展区”内的个性化学习支持。
评价智能精准特征旨在改进传统教学评价方式。它突破了主要依赖教师主观经验的评价局限。对于工程教育中尤为重要的复杂操作过程、设计方案的创新性、系统集成的性能优劣等维度，人工智能技术可以对其进行精细的量化分析。例如，通过计算机视觉算法评估操作动作的规范性，利用自然语言处理技术分析设计报告的逻辑性与创新点，或通过性能仿真数据自动评判系统设计的效率。这使得评价结果更加客观、精准和高效，并能提供具象化的改进反馈。
最终，这一切服务于学习个性化自适应的根本目标，体现了建构主义“做中学”的核心理念。系统能够通过对学生持续学习数据的分析，动态识别并构建出每个学生独特的知识图谱、技能画像和学习风格偏好。在此基础上，系统可以为不同学生智能推送定制化的学习内容、匹配其“最近发展区”的挑战性任务，以及提供针对性的辅导支持。这为实现规模化教育下的个性化培养提供了一种新的解决思路，使“因材施教”这一教育理念在新工科背景下成为可操作的现实。
3. 典型案例设计：以“智能电机产线数字孪生与AI质检”项目为例
为了将上述理论框架具体化，设计了一个名为“智能电机产线数字孪生与AI质检”的综合性教学项目。此案例旨在通过一个完整的工程周期，让学生沉浸式地体验从概念设计到系统优化的全过程。
3.1. 项目背景与目标
本项目设定在一个典型的工业升级场景中：一条现有的电机精密压装产线面临着提升效率与质量的迫切需求。学生需要承接这个虚拟的“改造项目”，对该产线的整体布局、核心压装工艺参数以及最终的质量控制环节进行全面的仿真分析与优化升级，并重点引入人工智能视觉技术以实现生产线的智能化质检。
通过完成该项目，教学目标聚焦于培养学生掌握机电系统协同设计、数字孪生模型构建、工业现场通信协议应用、AI模型部署与系统集成等关键跨学科知识与技能。最终，核心目标是致力于提升学生面对复杂工程问题时，所需的分析、设计、集成与创新的综合能力。
3.2. 教学实施流程
项目的实施遵循“由虚入实、层层递进、智能闭环”的原则，划分为五个有机联系的阶段。
第一阶段是虚拟环境构建与系统建模。在此阶段，虚拟仿真技术占据主导地位。学生的核心任务是利用Visual Components等专业工业仿真软件，根据给定的设备技术参数，在虚拟空间中从无到有地构建出整条电机产线的三维布局模型。其中包括工业机器人、伺服压机、传送带、安全光栅等关键设备的精准摆放与逻辑连接。在此过程中，学生需要学习和应用软件操作、机器人运动学配置、生产线布局原则以及EtherCAT/Profinet等工业网络通信配置知识。VS与AI的初步融合体现在，AI可以基于布局原则对初始方案的合理性进行快速预判，而虚拟仿真则用于深入验证机器人的工作可达性、生产节拍以及运动过程中的避障能力。
第二阶段是工艺仿真与数字孪生开发。此阶段标志着VS与AI开始初步结合。学生的任务聚焦于产线的核心工艺——例如“立轴压6804轴承”的压装过程。他们需要在虚拟环境中定义精确的压装力、行程、速度等参数，设计相应的压装时序图，并建立仿真系统与虚拟PLC (可编程逻辑控制器)之间的逻辑关联，从而实现一个初级的、可交互的数字孪生系统。学生将深入学习压装工艺原理、时序图设计、PLC基础编程和数字孪生核心概念。AI的赋能作用在于，可以通过回归分析等算法，对仿真产生的不同工艺参数(“配方”)与压装质量结果进行关联分析，帮助学生初步理解参数优化的方向。
第三阶段是AI视觉质检算法开发与集成。此阶段，人工智能技术转为教学的主导。学生需要独立开发一个基于YOLOv5/v8等先进目标检测模型的视觉质检系统，用于自动识别电机装配完成后可能存在的划痕、零件错位或漏装等缺陷。他们要在虚拟产线的适当位置配置相机模型，并利用合成数据生成技术或真实数据集来完成模型的训练与优化。这一阶段涵盖深度学习基础、YOLO模型原理、数据标注、模型训练与Hailo/TensorRT等推理加速技术的知识领域。VS与AI的深度融合在此尤为突出：虚拟仿真环境能够模拟相机拍摄，生成大量带精确标注的合成数据，极大缓解了AI模型训练的数据采集难题；同时，训练好的AI模型被直接集成回虚拟产线，对仿真运行中产生的“虚拟产品”进行实时在线质检，形成了一个虚拟的闭环。
第四阶段是系统联调与优化迭代。这是VS与AI深度耦合的关键阶段。学生需要将前阶段开发的AI质检模块与整个产线仿真系统进行联动集成。当质检模块在仿真中检测到缺陷产品时，应能触发机器人执行次品分离动作。随后，学生对整合后的完整系统进行效率仿真，分析找出生产流程中的瓶颈环节。在此，学生需运用系统集成、数据交互(如Modbus TCP)、产线节拍分析和优化算法等知识。AI的高级应用体现在，它可以分析系统运行产生的海量数据，自动生成关于布局调整或生产调度的优化建议(例如，采用强化学习策略)；学生则根据这些智能建议，在虚拟环境中进行快速的迭代验证，从而亲身实践“仿真–分析–优化”的智能决策闭环。
第五阶段是虚实联动与综合评估(拓展)。此阶段为具备硬件条件的教学环境提供了进阶路径。核心任务是将经过多轮虚拟迭代优化后的控制逻辑与AI质检模型，部署到实体实验平台(如小型化产线模型)上运行，实现数字孪生从虚到实的双向联动与价值兑现。这涉及到硬件在环(HIL)技术、边缘计算和系统部署等更深入的工程知识。项目的评估方式也随之革新，采用过程性评价与结果性评价相结合的综合体系。过程性评价关注仿真模型的质量、代码的规范性、AI算法的精度以及学生在迭代中展现的优化能力；结果性评价则衡量产线的最终效率、质检准确率和项目报告的质量。在整个评估过程中，AI系统可以辅助教师进行大量量化指标的采集与分析，使评价更为全面和客观。
4. 实施挑战与对策
尽管VS-AI融合教学模式展现出应用潜力，但其在推广与实践过程中仍面临一系列现实挑战，需要未雨绸缪，制定有效的应对策略。
技术集成复杂度高是首要障碍。不同来源的虚拟仿真平台、多样化的AI开发框架与各类硬件设备之间，往往存在兼容性和接口标准不统一的问题，构成了显著的技术集成壁垒。为应对此挑战，院校或教育机构可以致力于建立标准化的中间件或构建统一的集成教学平台，将底层复杂的技术细节进行封装，为师生提供友好一致的交互界面。同时，开发模块化、组件化的教学资源包，能够有效降低初始使用的技术门槛，让师生更专注于教学本身而非技术调试。
师资能力要求提升是另一项关键挑战。成功实施该模式要求教师不仅具备深厚的本学科工程知识，还需对虚拟仿真技术和人工智能应用有相当的理解与实践能力。这对传统工科教师的知识结构提出了更新要求。对策在于系统性开展跨学科师资培训，并积极组建跨领域的教学团队，汇聚专业教师、计算机科学专家和企业工程师的集体智慧。此外，与行业领先的科技企业建立深度合作关系，共建实验室与课程，是快速引入前沿技术和实践经验的有效途径。
教学评价体系重构亦是一个亟待解决的难题。如何科学、公正地评价学生在虚拟环境中的创新思维过程、团队协作表现以及AI算法设计的效能，超越了传统笔试或报告的评价范畴。应对之策在于充分利用学习分析技术，构建一个多维度、数据驱动的智能评价模型。这个模型应能自动采集并分析学生在项目过程中的一系列行为数据(如尝试次数、方案迭代路径、协作沟通记录)，并将其与最终的项目成果数据相结合，形成更全面、立体的评价结果。
伦理与安全考量也不容忽视。在虚拟教学环境中，学生的行为数据隐私如何保护？AI算法决策是否公平、透明且可解释？在虚实联动环节，如何确保物理系统的操作安全？针对这些问题，必须在教学过程中有机地嵌入工程伦理教育，提高学生的伦理意识。同时，院校需要建立严格的数据管理规范、算法审查机制和物理安全操作规程，为这一创新教学模式的健康发展保驾护航。
5. 结论与展望
本文系统探讨了虚拟仿真与人工智能技术深度融合赋能新工科教学模式创新的理论与实践路径。通过构建“VS-AI深度融合”的教学框架，并结合“智能电机产线数字孪生与AI质检”这一典型项目案例，详细展示了该模式如何通过虚实融合、数据驱动和智能赋能，旨在提升学生的工程实践能力、创新思维和解决复杂问题的综合素养。
需要明确指出的是，本文的核心贡献并非发明了全新的单项技术或基础理论，而是基于现有技术，系统性地整合并构建了一个融合框架，并提供了一套在新工科背景下可操作的实施蓝图，为相关领域的教育创新提供了一种新的解决思路。
未来，随着生成式AI、元宇宙等技术的不断发展，VS-AI融合教学有望呈现更广阔的前景：生成式AI可用于自动生成无限接近真实的仿真场景与故障案例；元宇宙技术则可能构建出沉浸感更强、社交互动性更高的协同学习环境。下一步的研究将聚焦于基于大语言模型的智能导学系统在虚拟仿真项目中的深度应用，以及跨校、跨地域的虚拟仿真联盟建设，以期共享优质资源，共同推动新工科教育向更高质量、更加公平、更有效率的方向发展。
基金项目
湖南工业大学新工科课程建设项目(编号：011861)。