转载：AI时代，斯坦福计算机专业的学生在学什么?

转载声明：本文经原作者 liuyubobobo 授权转载。原文链接：微信公众号原文

AI 时代，很多同学都有这样的困惑：AI 写代码已经这么快了，计算机专业到底还要学什么？又该怎么学？

最近，斯坦福大学计算机系公布了 2026 年秋季的课表。

如果对这份课表的完整版感兴趣的同学，可以参考这里：

https://www.cs.stanford.edu/academics-courses-schedule-autumn-quarter

我顺着这份课表，梳理了其中一些课程的公开安排与变化，找到了一些值得分享的答案。

先看一个直观的比例。

剔除研究、实习等课程后，这份秋季课表还剩 80 个课程条目。

其中，AI 相关课程有 24 个，占 30%；

非 AI 课程有 56 个，占 70%。

AI 课程和非 AI 课程的比例大致是三七开。

我们先聊非 AI 课程。

这里所谓的非 AI 课程，基本涵盖了大家熟悉的传统计算机专业知识。

比如：编程语言、算法、数据结构、数学、操作系统、网络、数据库、图形学，等等等等。

也就是说，在 AI 大行其道的今天，这份课表里依然有七成课程，属于传统计算机专业的学习内容。

我个人觉得这是很合理的。

我一直认为，无论在哪个领域，专业和不专业的核心区别，都在于对基础的理解。

缺乏基础，就只能做一个盲目的使用者。面对 AI 生成的代码，也只能“知其然，不知其所以然”。既无法识别隐蔽的性能瓶颈与安全漏洞，也难以在程序报错或失效时定位根本原因。

更重要的是，基础知识里还藏着一个领域的发展历史和发展方向。只有理解基础，才能看清哪些问题还没解决，哪些问题更值得解决，进而推动这个领域往前走。

让我更感兴趣的一个问题是：在 AI 时代，这些基础课程的学习内容和学习方法是否有了变化？

我总觉得，在 AI 时代，很多课程的学习方式都会发生本质的变化。

比如学习一门编程语言，记忆语法细节、熟悉各种函数的写法，还需要花那么多时间吗？学习的重心，是不是应该更多地放在理解程序的运行逻辑，以及如何把实际问题转化为程序可以解决的问题上？

语法当然还要学。但学到什么程度，怎么学，或许都值得重新讨论。

从目前看到的公开材料来说，我还没发现斯坦福对这些基础课的学习方式做出大范围、系统性的调整。大部分课程都仍在使用非 AI 时代的经典教材。

但我相信，未来很多学科的学习内容和学习重点，都会发生翻天覆地的变化。

只是这还需要时间。

但在一些课程的具体的作业里，我们已经能看到一些课程正在尝试把 AI 融入其中。

比如，编程基础课 CS106A 布置了一份很有想象力的作业，叫 Infinite Story（无限故事）。

学生用函数和字典这些非常基础的知识，搭起一个冒险故事。玩家走到一个还不存在的场景时，需要用程序调用 AI，把新场景生成出来。

大家可以把它想象成一本边读边长出新章节的互动小说。

作为一份编程基础课的大作业，用到的技术都很基础。可它能让刚学编程的同学感受到编程的乐趣：原来，用最简单的计算机知识，也可以接入最先进的 AI 工具，借助 AI 的力量，做出一些很酷、很有创意的东西。

暂时还没有那么多计算机基础课，可以这样有趣地把 AI 融合在其中。

更多基础课程讨论的是：作业能不能用 AI？能用到什么程度？

比如概率论课程 CS109。

涉及编程时，大多数基础课也会明确要求学生避免让 AI 生成代码。

CS107（计算机组成与系统）就是其中之一。

理由也很直接：只有掌握基础，才能评估、调试、审查代码，也才能有效地向 AI 提问。

在 AI 时代，变化也出现在考核方式上。

CS147L（跨平台移动开发）和 CS107（计算机组成与系统）都引入了面试考核，不再只靠笔试或项目作业。

即使同学“偷偷”用 AI 交出了一份像样的作业，老师也能通过面试进一步确认：你到底理解了多少？

在 CS144（计算机网络导论）中，老师则会用 AI 来评判学生作业的代码风格和质量。

相对“形式化”的作业审查，可以借助 AI 提高效率，老师也就能把更多精力放在更重要的知识辅导上。

整体看下来，我觉得斯坦福对基础课的态度很清楚：

在大多数基础课的编程任务里，学生还是得有“古法编程”的能力，不能只让 AI 生成代码。

聊完非 AI 课程，再来看大家可能更关心的 AI 类课程。

在 AI 类课程中，核心基础课程是CS221，人工智能原理与技术。

这门课程的重点，并不是教你怎样使用最新的大模型，也不是怎样搭建 Agent，更不是关于配置 Skill 或者 MCP 的。

这门课程与我们每天在互联网上看到的 AI 热词，似乎没什么关系。

这门课程涵盖的内容包括机器学习、搜索、马尔可夫决策过程、博弈、约束满足、概率图模型、逻辑推理，等等等等。在我看来，它梳理了人工智能发展历史中的所有重要方法，也在追问一些更基本的底层问题：机器怎样从数据中学习？面对大量可能的选择，怎样找到好的方案？环境有不确定性时，又该如何做决策？

这门课程覆盖的范围，比大模型本身更广。

大模型只是今天解决 AI 问题的一条重要路径，但在很多专门的领域，更古老（或者说更经典）的智能算法，比如搜索、约束求解等，依然有用武之地。

学了这些基础，面对一个具体问题，我们就能知道还有哪些方法可选，各自适合什么条件。

这门课程的推荐教材之一，我以前在公众号上向大家推荐过，就是这本大名鼎鼎的《人工智能：一种现代的方法》。有中文版。

不过要注意，这本书属于比较老旧的大部头经典教材，没有决心认真“从头”学习人工智能的同学，不建议购买。对于大多数同学，还是从 LLM，Agent 这些概念学起比较友好。   比如，课程中有一个作业，是要做一个智能对话的选课助手。

最靠谱的做法，不是把信息直接喂给大模型，让它替你选课。而是先让大模型理解学生用自然语言表达的需求，生成具体的选课约束条件，再把这些约束交给专门的数学求解程序处理。

这份作业训练的，是先把问题和条件想清楚，再判断适合用什么方法。

以后无论学习大模型，还是开发 Agent，都可以带着这些问题去看新技术：它解决了哪一部分？依赖什么条件？又有哪些困难仍然需要解决？

这又回到了前面那句话：理解基础，才更容易看清一个领域的发展方向。

AI 工具会不断更新。如果学习总是围着“某个产品怎么用”打转，就很容易被一批又一批新名词牵着走。

理解这些方法的原理和适用条件，才更有可能对新技术形成自己的判断。

在这门人工智能基础课之下，斯坦福有许多细分领域的 AI 课程，比如机器学习、自然语言处理、计算机视觉、机器人，等等等等。

对这些课程逐一解读，我觉得普遍意义不大，就不展开了。

但有四门课，我想着重聊聊。它们和我们每天讨论的大模型、Agent、Skill、MCP、上下文工程等话题联系紧密。

关注 AI 的同学，了解一下这些课程在教什么、关注什么，或许能从中获得一些启发。

首先，我要重磅吐血推荐大家关注 CS146S：现代软件开发。

不只是专门做 AI 的同学，所有想用好 AI 编程的同学，都值得看看这门课。

顾名思义，这门课程讲的是如何开发软件。不过，它把与 AI 的协作放到了核心位置。MCP、Agent Skills、上下文工程，以及把产品需求写成可执行的规格，都在它的教学范围内。

我把这门课程的教学大纲截取出来，大家可以感受一下。

这也从侧面印证了：现代软件开发，已经离不开 AI 了。

AI 可以承担越来越多的代码编写工作。那么，开发者该怎样组织整个开发过程？这是这门课关心的重点。

要给 AI 哪些信息？怎样把模糊的需求说清楚？代码生成以后，又怎样通过测试和反馈继续改进？

如果让我用一句话总结，那就是：会写需求，正在成为编程能力的一部分。

不妨设想一个简单的练习：做一个校园活动报名网站。

你对 AI 说：“帮我做一个报名页面。”

它生成了输入框、按钮和成功提示。页面看起来是做完了。

可问题马上来了。活动只收 30 人，两个人同时抢最后一个名额，怎么办？

有人连续点击两次，算一次还是两次？

取消报名后，名额要不要释放？

这些条件没说清楚，代码就算没有一行语法错误，软件也可能把事情做错。

于是，开发者必须把需求写得更具体：一个账号只能占一个名额；满额后不能继续报名；取消报名，要释放名额；同时也得遵守人数上限；等等等等。

这里很有意思的是“同时抢最后一个名额”这个问题。它涉及典型的并发控制。如果两个请求都读到“还剩一个名额”，随后又都报名成功，就会出现竞争条件 。

开发者怎样才能意识到这些问题？这就又回到了基础。基础越扎实，就越容易发现隐藏在业务需求背后的技术问题。

我坚信，这是未来计算机专业人才的核心竞争力，也是专业和不专业的本质区别。

借助 Vibe Coding，非专业的同学也能做出一个能用的产品；而专业的同学，才有能力把产品做得安全、可靠、稳定。

这也是为什么，这门教学生用 AI 开发软件的课程，仍然要求学生具备 CS111（操作系统）、CS161（算法）等基础课程的知识。

有 AI 参与，开发者依然需要理解自己正在做的系统。

另一门让我非常感兴趣的课程，是CS336：从零构建语言模型。

在这门课程中，学生从亲手实现一个分词器开始，逐步搭建语言模型的各个组件，训练一个小型语言模型。接着，还要优化训练效率、处理预训练数据。最后，通过微调和强化学习，训练模型解决数学问题。

很多同学可能都有一个疑问：我们为什么要自己实现一个语言模型？

这门课的介绍里给出了一个很好的类比：学习操作系统时，我们也会亲手实现一个简易操作系统，来理解它是怎么工作的。

（说到这里，我也想吐血推荐斯坦福的经典操作系统课程 CS140。其 4 个 Projects 的设计，可谓操作系统领域经典中的经典）

学习语言模型也是如此。完整地走一遍开发过程，才更容易看清问题出在哪里：

模型效果不好，可能是数据的问题；

训练速度太慢，可能要检查计算和内存的安排。

很多 AI 问题，最终还是要靠对模型底层的理解来解决。

也正因为如此，CS336 不仅禁止学生使用 AI 生成代码，甚至强烈建议学生做作业时关闭 AI 自动补全。

不借助其他工具，自己从零实现一个语言模型，正是这门课希望学生经历的学习过程。

接下来我想介绍的这门课，就和当下的 Agent 热潮直接相关了：CS329Z，AI Agent 工程。

这门课程一共有两个大作业：

第一个大作业，是从零开始搭建一个企业内部 AI 助手。学生先学习 RAG，让系统能从真实的企业邮件中检索资料并回答问题；再逐步加入工具调用、记忆等功能，一步一步扩展 Agent 的能力。

这份作业不允许使用现成的 Agent 框架，但课程中也会介绍 DSPy、LangChain、LangGraph、LlamaIndex 等工具和框架。

这其实是计算机专业里一种经典的学习方法：先自己造轮子，再研究业界成熟的轮子。

亲手实现过，才更容易理解框架替我们做了什么、是怎么做的。遇到问题时，也更容易找到原因。

第二个大作业则完全换了一个方向。学生拿到一个已有的 Agent，要为它设计测试任务和评分办法。

哪些结果可以由程序自动检查？哪些需要让大模型充当裁判？其中至少要包含一种大模型裁判评测，还要分析出错的原因。

这份作业强调的是 Agent 开发中一个越来越受重视的环节：Evaluation，也就是评测。

学习搭建 Agent 时，我们很容易把注意力放在“怎样让它跑起来”。

至于效果怎么样、出了问题怎么检查，却未必会花同样多的精力。

但在现实中，我们不能只看 Agent 是否碰巧完成了一次任务，还要有办法检验它在不同情况下的表现。这就是评测的意义。

我们看到当下很多自媒体演示的 AI 开发的产品，很容易被一次成功的操作吸引。

但真要把它交给别人使用，就需要知道：它在哪些条件下会失败？失败发生在哪个环节？改了以后，怎样确认问题已经解决？

把这些问题解决好，一个 demo才有可能变成可以持续使用的产品。

（顺便吐槽一句：现在自媒体上，很多人展示的那些用 AI 搭出来的东西，更多还是 demo，或者叫 toy，离真正的产品还有距离。）

今年在关于 Agent 的讨论里，明显能看到越来越多的人开始提及 Evaluation 的重要性。这门课的两份大作业中，有一份专门做评测，我觉得非常与时俱进。

说到评测，还得提斯坦福的另一门老牌经典课程：CS224N，基于深度学习的自然语言处理。

这门课以前只介绍怎样创建一个基于深度学习的语言模型，但现在，它所涉及的内容已经从模型本身，延伸到了模型后训练、Agent、工具调用和 RAG。

近些年的各种新技术，就这样被放进了一个前后连贯的知识体系中。

这门课程的第四次作业，主题也是评测，只不过做的是大模型评测。

学生需要比较模型的表现，尝试修改提示词并检验效果。还要让一个模型充当裁判，评价其他模型的回答。

更有意思的是，作业还会要求学生亲自检查这些判分，找出自己不同意 AI 裁判的例子，并且分析这些“不靠谱”的回答产生的原因。

这里有个很容易被忽略的问题：如果我们用 AI 判断另一个 AI 的好坏，裁判 AI 本身也得接受检查。分数高，未必就意味着产品优秀，对用户的帮助大。

详细理解 AI 自身的局限性，对以后做 AI 产品是非常重要的。

把这些课程放在一起看，我个人觉得：

斯坦福已经在认真训练学生把 AI 纳入软件开发；

也在要求学生理解模型和系统为什么这样工作；

新工具带来的便利写进了课程；

怎样发现它的局限、验证它的效果，也写进了作业。

对普通软件工作者来说，未必人人都要从头训练一个语言模型。但随着 AI 成为开发工具和产品的一部分，理解模型的工作方式、组织人与 AI 的协作，以及评估整个系统的可靠性，会越来越多地进入我们的日常工作。

在我看来，这也是计算机教育正在回应的变化：代码之外，开发者需要理解和负责的事情更多了。

也正因为如此，我完全不认同“计算机专业会没有饭碗”的说法。

最近，我正好看到一位做安全工作的人，介绍他们公司的招聘策略。

说起来很简单：

首先，要证明你自己能做；

原因也很简单：如果你自己都不会，也就不知道 AI 什么时候错了。

再回头看斯坦福的课程设计，就会发现：他们就是在让学习者留下这两种证据。

第一种证据，证明你自己会。

大家加油！：）

P.S.

并非所有斯坦福的课程都是公开课，有公开的课程视频可以看。

但是大部分课程的课程大纲，阅读材料，使用课本，作业信息，全部都是公开的。

这已经非常有参考价值了。

我在 5 年前写过一篇旧文 国外公开课都没视频，怎么办？讲的就是这个问题。感兴趣的同学可以参考。