人工智能专业是否要学计算机？

这是一个非常好的问题,也是很多高中生和大学生在选择专业时的困惑。

简单直接的回答是：是的，人工智能专业不仅要学计算机，而且计算机科学是人工智能的基石和骨架，可以说，不懂计算机，就无从谈起人工智能。

下面我将从几个方面详细解释为什么,以及它们之间的关系。

核心关系：计算机科学是土壤，人工智能是果实

你可以把计算机科学（CS）想象成一片肥沃的土壤,它提供了构建一切复杂系统的基础，

• 硬件基础：计算机是如何工作的？CPU、内存、GPU的原理是什么？
• 软件基础：如何编写程序？数据结构（如何高效地组织数据）、算法（如何高效地解决问题）、操作系统、计算机网络等。

而人工智能（AI）是种在这片土壤里的一棵特别的树，它利用CS提供的土壤、阳光（算力）和水（数据）,生长出了自己的枝干和果实：

• 机器学习：核心算法，如线性回归、决策树、神经网络。
• 深度学习：更复杂的神经网络架构，如CNN（图像识别）、RNN（序列处理）、Transformer（大语言模型）。
• 自然语言处理：让机器理解和生成人类语言。
• 计算机视觉：让机器“看懂”图像和视频。
• 机器人学：将AI与物理世界连接。

没有扎实的CS基础，AI就只是空中楼阁。 你可以记住一些AI模型的公式，但你无法理解它们为什么有效，更不用说去改进、优化或创造新的模型了。

人工智能专业的课程设置（通常包含两部分）

一个典型的人工智能专业，其课程体系是“计算机科学基础” + “人工智能专业核心”的组合。

第一部分：计算机科学基础（地基，占比很高）

这部分课程和计算机科学与技术专业高度重合,是必须掌握的。

• 编程语言：Python（AI领域的绝对主流）、C/C++（用于底层和高性能计算）。
• 数学基础：高等数学、线性代数、概率论与数理统计，这三门是AI的“内功”，决定了你能走多远，线性代数是描述数据和模型的工具,概率论是理解不确定性和学习算法的基础。
• 计算机核心课程：
  • 数据结构与算法：AI的核心就是算法,如何高效地处理海量数据至关重要。
  • 计算机组成原理：理解硬件如何执行你的代码,对优化AI模型性能有帮助。
  • 操作系统：了解程序是如何在计算机上运行的。
  • 计算机网络：数据如何在机器间传输。
  • 数据库系统：如何存储和管理AI训练所需的海量数据。

第二部分：人工智能专业核心（上层建筑）

这部分是AI专业区别于传统CS专业的特色所在。

• 机器学习：入门必修,介绍各种经典学习算法。
• 深度学习：当前AI领域的核心,重点学习神经网络。
• 自然语言处理：例如机器翻译、情感分析、聊天机器人。
• 计算机视觉：例如图像识别、目标检测、人脸识别。
• 语音识别与处理
• 知识图谱
• 强化学习：让AI通过试错来学习,如AlphaGo。
• AI伦理与社会：探讨AI带来的偏见、隐私、安全等社会问题。

两者学习的侧重点对比

为了更清晰地理解,我们可以做一个简单的对比：

总结与建议

1. 必须学计算机：选择人工智能专业，你首先要接受的是作为一名计算机科学学生的全套训练，编程、数据结构、算法、数学等硬核课程一个都不能少，不要指望AI专业是“轻松写代码+调用现成模型”的专业。

2. AI是CS的“专业方向”：你可以把人工智能理解为计算机科学众多分支中的一个最高级、最前沿的方向，它对数学和统计学的要求,通常比传统CS专业更高。

3. 如何选择？

   • 如果你热爱编程，喜欢构建软件系统，对如何做一个优秀的App、一个高效的后台服务感兴趣，那么计算机科学可能更适合你。
   • 如果你对数学有浓厚兴趣，着迷于从数据中发现隐藏的规律，想知道机器如何“思考”，并愿意为此投入大量时间研究复杂的算法模型，那么人工智能可能更适合你。

一个形象的比喻：

• 计算机科学是教你如何制造一辆汽车（发动机、底盘、电路、外壳等）。
• 人工智能是教你如何制造一辆自动驾驶汽车，它不仅需要懂汽车（CS），还需要懂传感器（数据）、导航算法（机器学习）、决策系统（强化学习）等。

如果你对AI充满热情，那就勇敢地选择它吧！但请务必做好学好计算机科学基础课程的准备,这是你未来在AI领域取得成功的必经之路。