去年从硅谷归国的徐梦迪，如今成了清华大学”姚班”（清华学堂计算机科学实验班）的班主任。这位本科读车辆工程的学者，从汽车赛道跨界至AI基础科学教育的权力中心，其个人轨迹的转折，恰恰映射了中国科技产业最深层的结构性焦虑与重构。
当自动驾驶从”代码驱动”转向”算力驱动”，当大模型训练对硬件算力的需求呈指数级增长，传统工科——尤其是被视为”夕阳”的汽车、机械、材料——正在被AI产业以另一种方式”征召”。徐梦迪的转身，不是个人的职业选择，而是产业逻辑在人才端的一次集中兑现。
从方向盘到算力底座：被低估的”旧工科”价值重估
徐梦迪的教育背景常被简化为”从汽车到AI的跨界”，但若仔细审视，会发现其中存在一条清晰的逻辑链条：车辆工程是传统工科中数学、物理、系统工程训练最为密集的领域之一，而大模型时代的核心瓶颈，恰恰从”算法”转移到了”算力”。
据公开信息显示，当前大模型训练对GPU集群的依赖已达到前所未有的规模。2025年，全球AI芯片市场规模突破千亿美元，中国本土厂商在推理芯片领域的出货量同比增长超200%，但高端训练芯片仍严重依赖进口。这意味着，”算力”不再是纯软件问题，而是涉及芯片设计、散热工程、电力调度、机械结构（如液冷系统）的系统工程——而这正是车辆工程训练的强项。
徐梦迪在姚班的角色，本质上是在培养”能理解算力物理层”的AI科学家。过去，姚班培养的是算法天才；未来，姚班可能需要的是”懂芯片、懂硬件、懂系统”的复合型研究者。这不是”降级”，而是产业需求倒逼教育重构。
归国潮下的”人才套利”：硅谷经验与本土产业的错配
徐梦迪的归国，发生在中美科技脱钩加速的背景下。2024-2025年，大量中国AI学者选择回国，原因复杂：既有对国内产业机会的认可，也有对地缘政治风险的规避。但”归国”本身并不等于”价值实现”。
据多家科技媒体报道，部分归国学者的研究发现，国内AI企业的”算力饥渴”与”算法崇拜”之间存在严重错配：企业愿意花重金买GPU，却缺乏优化硬件效率的能力；愿意投入大模型训练，却忽视推理环节的功耗与成本。这种错配，导致中国AI产业在”算力投入”上看似激进，实则效率低下。
徐梦迪选择进入姚班，而非直接加入某家AI公司，可能正是看到了这一结构性问题。教育是最底层的解决方案：培养一批既懂算法、又懂硬件、又懂系统的人才，才能从根本上解决”算力浪费”问题。这不是”曲线救国”，而是”源头治理”。
AI产业的”第二曲线”：从算法竞赛到工程竞赛
过去五年，AI产业的竞争焦点是”谁的模型更大、谁的算法更优”。2026年，竞争焦点正在转向”谁的算力效率更高、谁的推理成本更低”。这一转向，对人才需求产生了深远影响。
据斯坦福HAI《2026 AI指数报告》显示，全球AI研发投入中，硬件与基础设施占比已从2022年的15%上升至2026年的32%，而纯算法研发占比则从45%下降至28%。这意味着，AI产业的”第二曲线”不是算法，而是工程——芯片工程、系统工程、能效工程。
徐梦迪的跨界，是这一趋势的缩影。车辆工程训练的”系统工程思维”，在大模型时代的价值被重新发现。这不是”旧工科”的复兴，而是”新工科”的诞生：AI不再是纯软件学科，而是需要与硬件、物理、材料深度耦合的交叉学科。
教育重构的隐性信号：姚班的”去算法化”倾向
值得注意的是，姚班近年来的课程设置已出现”去算法化”倾向。据清华大学计算机系公开信息，姚班在保留核心算法课程的同时，新增了”硬件与系统”、”能效优化”、”分布式计算”等方向，且选修比例逐年上升。这一变化，与徐梦迪的归国时间高度重合。
这并非偶然。姚班作为清华最高水平的计算机人才培养项目，其课程调整必然反映产业需求的变化。当AI产业的竞争从”算法”转向”工程”，姚班必须培养”能解决工程问题”的人才，而非”只会跑模型”的工程师。
徐梦迪的班主任角色，可能正是这一调整的执行者。他需要做的，不是把姚班变成”AI培训班”，而是让姚班的学生理解：大模型的胜负手，不在代码里，而在芯片里、在散热系统里、在电力网络里。
徐梦迪从车辆工程到姚班班主任的转身，不是”旧工科”的挽歌，而是”新工科”的宣言。AI产业的竞争，已从”算法竞赛”进入”工程竞赛”。谁能优化算力效率，谁能在推理环节降低成本，谁就能赢得下一轮淘汰。而这一能力的根基，不在代码里，在物理层。姚班的课程调整，是产业需求倒逼教育重构的信号；徐梦迪的归国，是”旧工科”价值被AI产业重新发现的注脚。
当所有人都在追逐”大模型”时，真正的赢家，是那些能解决”算力浪费”的人。徐梦迪的选择，是对这一逻辑的最清醒回应。
About the Author
