全美top20又传来好消息！
密歇根大学安娜堡分校（UMich）近日更新本科申请政策：工程学院和文理学院内部，针对计算机科学专业设置的提前筛选机制已经取消。
学校给出的原因是：随着教学能力提升，CS专业的入学规模已经趋于稳定，因此不再需要通过提前筛选控制人数。
也就是说，校内学生完成相应课程和专业申报要求后，就能按照正常流程申报CS！
两组数据
都指向了CS入学降温
截至2025—2026学年，Computing Research Association发布的Taulbee Survey显示，在连续参与调查的美国、加拿大研究型大学计算机院系中，CS本科新生入学人数同比下降12.9%。
另一组数据来自美国国家学生信息交换所National Student Clearinghouse（NSC，美国权威教育数据服务机构，被称为美国版“学信网”）：
其2026年6月发布的春季入学报告显示，美国四年制大学中，Computer and Information Sciences本科在读人数同比下降8.4%。
注：Computer and Information Sciences大类并不只包括CS，还可能包括信息技术、信息系统、信息安全等专业。
图片来自NSC Research Center
这都表明，美国本科CS及部分相关专业的入学热度，已经出现降温迹象。不过计算领域的整体规模依然庞大。
为什么传统CS的入学
热度开始降温？
过去十多年，CS一度被视为“高薪、好就业、容易留美”的标准答案。
尤其是在2020—2022年，科技公司集中扩张，“学CS—进大厂—拿高薪”似乎是一条清晰而确定的路径。
但随后，市场发生了变化。一方面，CS毕业生数量持续增长，人才供给迅速扩大；另一方面，科技公司裁员、放缓校招，不断砍掉初级岗位招聘需求。
生成式AI的迭代式发展，又进一步放大了这种不确定性。
截图来自xhs
企业更加需要能够理解需求、设计系统、判断风险、验证结果，并解决复杂问题的人。
美国劳工统计局的预测也体现了这种分化：以编写、修改和测试代码为主要职责的Computer Programmer岗位，预计在2024—2034年间减少6%；但负责需求分析、系统设计和完整软件开发的Software Developer岗位，预计增长16%。
所以AI时代，只会完成标准化编码任务的价值正在下降，但拥有算法、系统、数据和行业理解能力的人，依然稀缺。
“消失”的学生
去了哪里？
当就业预期下降、申请竞争又非常激烈时，一部分学生自然开始寻找更具体的方向。
转向AI、数据科学等细分计算方向
包括：
- Artificial Intelligence人工智能
- Data Science数据科学
- Statistics and Machine Learning统计和机器学习
这些专业仍然离不开编程、算法、数据结构、概率统计等计算机基础，但比传统CS更强调某一个具体方向。
例如，AI专业可能更集中于机器学习、计算机视觉和自然语言处理；数据科学更强调统计建模、数据处理与行业分析。
因此，这部分学生并不是真的“离开了计算机”，而是从相对宽泛的CS专业，转向了名称更明确、应用方向更清晰的技术项目。
转向软硬件结合的工程方向
包括：
- Computer Engineering计算机工程
- Mechanical Engineering机械工程
- Robotics机器人工程
- Semiconductor Engineering半导体工程
这一类方向的升温，和AI产业的发展密切相关。
AI要真正进入自动驾驶、机器人、医疗设备、无人机和智能制造等现实场景，不能只依赖算法和软件，还需要芯片、传感器、电机、机械结构、嵌入式系统和控制系统共同配合。
转向“计算机＋行业”的交叉专业
随着AI工具逐渐降低基础编程的门槛，单纯“会写代码”已经不足以形成明显优势。
越来越多学生开始把关注点从技术本身，转向技术能够解决的具体问题。
例如，计算生物学利用算法分析基因和生命科学数据；健康信息学关注医疗数据和数字化医疗系统；金融科技将编程、统计和金融模型结合；环境数据科学则利用数据和模型研究气候与生态问题。
这些专业的优势在于，学生不仅需要掌握技术，还要理解一个具体行业中的真实需求。
所以，所谓的CS降温，并不意味着学生集体远离计算机，只是从传统CS分流到了更具体、更应用型的方向。
对美本申请而言
头部学校CS并没有因此变得容易
CS方向在读人数下降，不等于MIT、CMU、Stanford、Berkeley、UIUC、Georgia Tech等学校的CS申请会同步降温。
即便整体热度有所回落，头部项目的招生名额依然有限。聚集的也仍然是准备充分、专业能力较强的申请者。
未来更有竞争力的申请者，展示的不再只是“我会几门编程语言”，而是拥有：
扎实的数学与计算机基础 + AI工具能力 + 一个明确的应用领域 + 能解决真实问题的经历
reddit上拿到藤校cs录取的学生发帖
与此同时，越来越多大学开始推出AI、数据科学和跨学科技术项目。对此感兴趣的同学们，到底该如何筛选？
判断一个项目是否真正有价值，至少应该看清这三个问题：
- 它有没有扎实的数学和计算机基础？
- 它有没有真实的实践资源？是否拥有稳定的实验室、科研项目、实习合作和跨学院资源？
- 它毕业后究竟通向什么方向？课程设置与目标岗位之间是否真正匹配？
上一轮科技红利属于“把一切做成软件”，这一轮科技红利正在转向“为AI建造基础设施，并让AI进入物理世界”。
未来需要的，也不再只是会写代码的人，而是既理解计算技术，又能够将它放进芯片、机器人、医疗、能源或其他真实场景中解决问题的人。
参考链接：
- https://cse.engin.umich.edu/academics/undergraduate/admissions/
- https://www.washingtonpost.com/technology/2026/04/13/computer-science-major-ai/?utm_source=chatgpt.com
