一、建设背景：瞄准学科融合，破解教学痛点

飞行器设计作为航空航天领域的核心专业，随着人工智能技术的快速发展，正迎来智能化变革的新机遇，给飞行器设计带来了一系列颠覆性突破。相比于传统飞行器设计教学，不仅需要在授课中引入人工智能方法帮助建立更加系统的飞行器设计知识体系，同时兼顾学生对飞行器设计个性化需求，还需要传授学生掌握人工智能技术与飞行器设计的融合，适配行业发展新变化与新要求。

在此背景下，上海交通大学航空航天学院“飞行器智能设计”教学团队立足知识基础，以培养学生AI与飞行器设计融合应用能力、提升学科热情为目标，通过可视化、体系化、智能化的设计，构建“AI+设计”的特色教学模式，实现专业教学的数智化升级。 

二、实施路径：“知识图谱+任务引擎”，理论实践融合教学

1. 三大核心模块，搭建递进式知识体系

课程以“基础铺垫-方法学习-融合应用”为核心逻辑，将课程内容拆解为“飞行器设计基础”“人工智能方法”“飞行器智能设计”三大模块，梳理出190个课程知识点，形成层层递进的知识架构，便于学习者逐步构建知识体系，明确各知识点在课程整体框架中的定位与学习重点。

(1) 飞行器设计基础：涵盖飞行器发展历程、设计原理、空气动力学基础等内容，为后续AI技术学习搭建专业基础；

(2) 人工智能方法：包括机器学习、监督学习、强化学习等算法原理，以及TensorFlow等工具的使用方法，让学生掌握跨学科的技术工具；

(3) 飞行器智能设计：将AI与飞行器设计相融合，包括机翼智能设计、智能路径规划、强化学习在翱翔模拟中的应用等知识点，实现“技术方法”到“工程应用”的落地衔接。

图1“飞行器智能设计”课程知识图谱

2. 关联多维资源，深化知识研习

课程深度聚焦细颗粒度知识点，通过配套课件讲义与超星发现数据库深度链接，搭建起课程知识点与海量学术资源的精准关联桥梁，将每个知识点与数据库中的相关学术文献、前沿行业研究报告、领域优质同类课程资源、经典案例资料等进行智能匹配与联动呈现，让学生在学习基础知识点的同时，能够快速延伸查阅拓展性资源，培养自主研究与深度探究的学习能力，让知识点学习不再局限于课程本身，形成“基础学习+深度拓展”的立体化学习模式。

图2“飞行器智能设计”知识点微课

图3“飞行器智能设计”知识点推荐资源

3. 跨课知识联动，打通课程壁垒

为打破专业课程间的知识壁垒，破除学生“单一课程学习”的认知局限，“飞行器智能设计”课程跨课关联了先修核心课程“航空航天概论”的部分知识点，围绕两门课程的知识逻辑开展深度知识点衔接与融合设计。课程团队精准梳理出“航空航天概论”中八大核心知识点，将这些航空航天领域的基础知识点关联在“飞行器智能设计”的知识图谱中，构建更完整、立体的航空航天领域知识体系。

图4“飞行器智能设计”跨课关联知识点

图5“飞行器智能设计”跨课关联知识点资源

4. 任务引擎筑闭环，以练促学践真知

为让课程理论知识真正落地工程实践，“飞行器智能设计”课程基于超星“任务引擎”模块设计教学案例，拆解为五大递进式任务板块，构建“理论学习-实操落地-创新延伸”的完整教学闭环，在沉浸式实践中全方位培养学生的代码框架构建、代码编译、仿真设计以及实机部署等能力。

任务引擎拆解为五大递进式任务板块，构建“理论学习-实操落地-创新延伸”完整教学闭环：任务分组一为论文精读与理论奠基（导入阶段），聚焦理论输入与科研启蒙，引导学生掌握核心原理、筑牢理论基础；任务分组二为代码架构探秘与环境搭建（准备阶段），聚焦实操铺垫，培养学生代码框架构建能力，完成实验技术准备；任务分组三为实验复现与结果验证（核心阶段），作为核心环节，重点培养学生代码编译、仿真设计、实机部署等全流程工程实践能力，深化原理与实操理解；任务分组四为成果总结与学术表达（收尾阶段），以8分钟答辩汇报和《最终项目报告》撰写为核心，提升学生学术表达能力；任务分组五为拓展延伸与创新孵化（拓展模块），激发学生创新思维，形成完整学习闭环，培养科研创新兴趣。

图6“飞行器智能设计”任务引擎

图7“飞行器智能设计”学生端任务引擎 

三、特色亮点：知识与技术深度融合AI，打造沉浸式学习体验

1. 夯实知识基础，AI驱动飞行器智能设计

本课程核心章节将AI技术深度融入飞行器设计、感知、控制、决策全环节，实现从传统模式到智能新范式的全面升级，四大核心模块各有突破、层层递进：

(1) AI驱动智能机翼设计，颠覆传统模式

摒弃依赖经验的手动试错设计，工程师定义气动力、面积、弯矩等核心参数和规律后，由AI算法在高维空间自主探索，从海量数据中挖掘物理规律，自主设计翼型和机翼，相比于传统优化设计思路不仅提升了效率，且更容易找到全局最优设计。

(2) AI赋能流动感知，打造数字化“神经系统”

AI结合本征正交分解等数学工具，对高维流场数据高效降维分析，突破传统离散感知的局限，让飞行器实时捕捉全场气流特性，精准识别气流的强度和方向以及流动分离、湍流特征等关键信息，为气动性能调控提供实时、精准的数字化反馈。

(3) AI主导智能流动控制，实现感知到行动的精准转化

以深度强化学习为控制中枢，AI控制器与流体环境持续交互，自主学习并演化适配不同飞行阶段的最优作动策略，精准抑制气流分离、提升升力；同时将流体力学定律嵌入物理信息神经网络，让AI决策遵循物理规律，破解黑盒算法可解释性难题，适配流动的智能控制。

(4) AI支撑智能规划决策，构建自主协同飞行体系

依托强化学习让飞行器从“被动克服气流”升级为“主动利用大气能量”，自主识别并利用上升气流规划最优航迹；借助多智能体强化学习，让飞行器成为独立智能体，可根据实时空域、气象信息自主避障、群体协同，为全自主智能化空域交通体系奠定算法基础。

2. 技术赋能，AI助教解锁学习新体验

课程构建了“多模态大模型+专属AI知识库”的技术架构，AI助教不仅能24小时答疑解惑，还能根据学生提问智能推荐相关资源，真正做到“有问必答、答中有导”。同时，AI助教具备自然语言交互能力，能在课余时间与学生进行课程相关的拓展讨论，营造沉浸式学习氛围。

图8“飞行器智能设计”课程AI助教

图9“飞行器智能设计”课程AI知识库

四、成效反馈：突破传统教学模式，全面提升学生综合能力

课程自上线以来，学生学习积极性显著提升。AI助教日均答疑量超过百次，学生普遍反映“问题有人答、资源有人推、路径有人导”。相较于传统课程以理论讲解、课堂灌输为主的教学模式，本课程立足AI与飞行器设计深度融合的前沿导向，真正实现从“知识传授”向“能力培养”的转变，让学生在系统化、工程化、实战化的训练中形成差异化竞争优势。

通过论文精读、项目复现、成果总结、答辩汇报等环节，学生的学术阅读能力、逻辑表达能力、团队协作能力、科研创新思维得到全方位锻炼。学生不再局限于书本概念与被动记忆，而是通过完整的任务驱动体系，系统掌握飞行器结构、空气动力学、人工智能算法、强化学习等跨学科核心知识，并熟练运用Python、TensorFlow/PyTorch等工具开展研发实践。在学习过程中，重点锤炼代码框架构建、程序编译调试、仿真实验设计、模型验证与实机部署等全流程工程实践能力，大幅提升动手能力与解决复杂工程问题的水平。