曾几何时，计算机科学（Computer Science，简称CS）几乎是美国大学申请中当之无愧的黄金专业 —— 高薪、就业率高、发展空间广，再加上Google、Amazon、Meta等科技巨头持续扩张。
过去几年里，CS是不少家庭眼中的"高性价比"专业。不仅家长希望孩子学CS，高中的升学顾问也强烈推荐CS，大学也不断扩招、增设相关项目。
然而，进入2026年，风向似乎正在发生变化。
根据美国国家学生信息中心研究中心（National Student Clearinghouse Research Center）的数据，2025-26学年，美国四年制大学计算相关专业的入学人数下降了8.1%；其中，计算机科学本科生入学人数更是下降了11.2%，成为同类STEM专业中跌幅最明显的领域之一。
连加州大学系统也出现了类似趋势。数据显示，2025年UC系统计算机科学专业入学人数下降了6%。
很多留学家庭也许都有一个疑问：曾经炙手可热的CS，如今怎么开始"降温"了？更重要的是，对于未来即将进行美本申请的学生来说，CS究竟还是不是一个值得投入的方向？
从"黄金门票"到遇冷
CS到底经历了什么？
要理解今天的变化，首先要回到几年前。
过去十多年，CS之所以能够成为美国大学最热门的专业之一，很大程度上是因为它的前景极具吸引力 —— 学CS，毕业后容易找到工作，而且工资高，即使AI快速发展，也很难取代真正的程序员。
这套逻辑在很长一段时间里确实成立。Meta、Amazon、Google等科技巨头在2010年代持续扩张，大量招聘工程师和开发人员，科技行业也成为年轻人眼中的高薪职业天堂。
对于正在考虑大学专业的高中生来说，CS似乎是一个几乎不需要犹豫的选择。
根据美国大学与雇主协会（National Association of Colleges and Employers，简称NACE）的数据，2022届计算机科学毕业生的平均起薪达到86,964美元，在本科专业中处于非常高的水平。
高薪、就业前景和科技行业的快速增长，共同推动了越来越多学生涌入CS。
但问题也恰恰出现在这里。当一个专业越来越热门，进入的人越来越多，它所对应的人才市场就不可能永远保持高速扩张。
根据斯坦福大学人工智能研究院的数据，2012年至2022年间，美国计算机科学本科毕业生数量几乎增长了三倍。
换句话说，CS人才供给正在快速增加，而就业市场并没有以同样的速度扩张。
与此同时，2023年开始的科技行业大规模裁员，更进一步打破了很多人对于"CS等于稳定高薪"的固有认知。
仅2023年，Amazon、Google、Meta、Salesforce、Microsoft等科技公司就裁掉了超过26万名员工。到了2026年，科技行业依然持续存在裁员和公司关闭现象。
对于刚刚准备进入大学、需要在几年后面对就业市场的高中生来说，这无疑是一个需要认真考虑的信号。
真正受到冲击的
可能不是CS，而是"初级岗位"
但如果因此直接得出"CS已经不行了"的结论，可能又过于简单，因为这轮科技行业变化中，受到冲击最严重的恰恰是入门级岗位。
过去，简单编码、脚本编写、数据录入和基础数据分析等工作，往往是计算机科学毕业生进入科技行业的第一步。
但随着AI工具越来越强，这些重复性、标准化程度较高的任务正在被大量自动化。
这就给刚毕业的学生带来了一个现实困境 —— 一方面，大量拥有多年经验的工程师在裁员后重新进入就业市场，与应届毕业生直接竞争；另一方面，原本可以帮助年轻人积累经验的初级岗位，又正在被AI逐渐压缩。
于是，学生面对的已经不再是过去那种毕业就可以进入科技公司的简单路径。
不过，值得注意的是，科技行业就业市场的变化也不能简单归因于AI。
专家指出，近年来科技行业招聘放缓，还与利率上升、税收政策变化以及疫情期间大规模招聘后的调整有关。
一些曾经被大肆报道的科技行业裁员，后来也出现了反转，比如部分公司重新招聘此前被裁掉的员工，而一些过度依赖AI的企业也开始意识到：AI并没有让人类专业人才变得不重要，反而暴露出了对经验和专业判断的需求。
因此，与其说"AI正在消灭CS"，不如说AI正在重新定义CS毕业生应该具备什么能力。
AI真的会取代计算机科学吗？
答案可能比想象中复杂。
AI确实已经可以完成一部分过去由程序员承担的工作，尤其是基础编码、脚本编写、数据处理等任务。
但另一方面，AI的发展本身恰恰建立在计算机科学之上。从AI模型的设计、训练，到算法、系统和基础设施的开发，都离不开计算机科学。
因此，未来真正需要担忧的可能并不是所有CS专业的学生，而是只会完成最基础编码工作的人。
这一点，其实从美国顶尖大学近年来对本科计算机教育的布局中已经可以看得非常清楚。
以麻省理工学院为例，学校的本科计算相关项目早已不只是传统意义上的学编程。目前，电气工程与计算机科学系（Department of Electrical Engineering and Computer Science，简称 EECS）体系下设有多个CS跨学科项目：
MIT CS相关专业
计算机科学与工程
Computer Science and Engineering
计算机科学与工程专业主要围绕软件工程、计算机系统以及计算机科学理论展开，同时允许学生进一步探索计算机体系结构、人机交互与计算机图形学，以及人工智能与机器学习等方向。
人工智能与决策
Artificial Intelligence and Decision Making
人工智能与决策专业聚焦于分析与构建能够与外部世界进行交互的系统。这类系统可以通过感知、通信和行动与环境互动，同时具备学习、决策以及适应不断变化环境的能力。
电气工程与计算
Electrical Engineering with Computing
电气工程与计算专业以电路、系统和计算机体系结构为核心基础，同时帮助学生建立扎实的计算基础。在此基础上，学生可以进一步探索电气工程的多个领域，包括模拟电路设计、计算机工程、量子工程以及通信等方向。
计算机科学与分子生物学
Computer Science and Molecular Biology
由生物学系（Department of Biology）联合开设。
计算机科学与分子生物学专业旨在为学生进入生物学与工程学交叉领域的新兴方向做好准备，包括制药、生物信息学以及计算分子生物学等领域。
计算与认知
Computation and Cognition
由脑与认知科学系（Department of Brain and Cognitive Sciences）联合开设。
计算与认知专业聚焦于一个正在快速发展的领域，即运用计算与工程学方法研究脑科学、认知以及机器智能。
计算机科学、经济学与数据科学
Computer Science, Economics, and Data Science
由经济学系（Department of Economics）联合开设。
计算机科学、经济学与数据科学专业旨在培养学生在经济学、计算机科学和数据科学方面的综合能力。这些技能在商业领域和学术研究中都越来越受到重视。该专业充分利用三个领域在博弈论、数学建模以及数据分析等方面的交叉与共通之处，帮助学生建立跨学科的知识体系与分析能力。
城市科学与规划（计算机科学方向）
Urban Science and Planning with Computer Science
由城市研究与规划系（Department of Urban Studies and Planning）联合开设。
城市科学与规划（计算机科学方向）专业强调培养学生在城市规划与公共政策领域的基础能力，涵盖伦理与公平、统计学、数据科学、地理空间分析与可视化，以及计算机科学、机器人学和机器学习等多个方向。
这意味着CS正在主动与人工智能、生物学、认知科学、经济学和数据科学发生更深层次的融合。
卡内基梅隆大学同样如此。作为全球顶尖的计算机科学强校之一，CMU的本科CS项目不仅强调扎实的计算机科学基础，还要求学生在另一个领域修读Minor，从而获得计算机科学之外的深度知识。
▲ CMU计算机科学专业官网
与此同时，CMU还提供人工智能、计算生物学、人机交互、机器人等多个本科项目。
对于AI本身，CMU已经设置了独立的人工智能专业（B.S. in Artificial Intelligence）项目，并允许学生将AI作为附加专业（Additional Major）或Minor，与自己的主修领域结合。
▲ CMU人工智能专业官网
斯坦福大学的CS专业也展现出了类似趋势，采用Track体系，允许学生在确定最终专业方向之前，充分探索不同的细分领域，具体包括：
人工智能
Artificial Intelligence
人工智能（AI）方向涵盖逻辑、概率、统计学、语言等基础领域，以及这些知识与不同实际应用之间的联系。
该方向的学习内容包括知识表示、逻辑推理、机器人学、机器学习、概率建模与推断、自然语言处理、认知科学、语音识别与合成、计算机视觉以及计算生物学等。
计算生物学
Computational Biology / Biocomputation
计算生物学是一个跨学科方向，重点关注生物学和医学信息学应用领域中的计算问题及其解决方案。
课程内容涵盖高级算法、数据库、网络、建模与仿真，同时包括计算生物学、生物工程和医学信息学等相关领域。
计算生物学方向的一个独特之处在于，它对数学和科学课程要求进行了相应调整，从而为学生提供必要的生物学知识基础。此外，学生还可以通过计算机科学学位，同时满足部分医学预科（Pre-med）课程要求。
计算机工程
Computer Engineering
计算机工程方向将计算机科学与电气工程结合起来，帮助学生掌握设计和构建通用计算机系统以及特定应用计算机系统所需的知识。
该方向主要聚焦于三个领域：网络（Networking）、数字系统（Digital Systems）、机器人与机电一体化（Robotics and Mechatronics）。
在网络方向，学生将学习网络硬件与软件的基础知识；数字系统课程则帮助学生掌握数字硬件设计与构建，以及支持这些硬件运行的底层软件。
机器人与机电一体化则让学生获得设计和构建机器人及机械系统软硬件的实践经验。
视觉计算
Visual Computing / Graphics
在现代计算领域，创建、处理和理解视觉信息，包括图像、视频、三维几何模型以及模拟虚拟世界，已经成为非常重要的技术。
视觉计算广泛应用于娱乐领域，如电子游戏、影视CGI；数字成像，如智能手机摄像头、AR/VR采集以及科学成像；机器人领域，如驾驶辅助、自动驾驶汽车和医疗机器人；同时也应用于工程和电子商务等领域。
视觉计算方向位于人工智能/机器学习（AI/ML）、计算机图形学（Graphics）和计算机系统（Systems）的交叉领域，旨在帮助学生掌握视觉计算的核心技术，并进一步开发新的视觉计算技术与应用。
由于视觉计算的应用与现代AI/ML、高级计算机系统以及现实世界的精细建模之间存在紧密联系，该方向也为学生提供了深入学习这些领域、建立扎实基础的机会。
人机交互
Human-Computer Interaction
人机交互（HCI）是一个多学科交叉方向，研究人类如何与计算设备进行互动，从大型计算机到手持设备，再到无处不在的微型计算设备，都属于其研究范畴。
HCI方向强调以用户为中心的设计思维，重点涵盖普适计算、新型交互技术、提升设计师创造力的工具以及快速原型设计等。
这些技能可以应用于协作工作、信息可视化以及实体交互计算等领域。
信息
Information
信息方向整合计算机科学多个领域的知识，重点研究现代世界中数字信息的创建、处理与理解。
该方向覆盖范围非常广，从计算机数据存储开始，延伸至数据模型、形式化查询语言、数据完整性等问题，同时也关注如何从网页、人类语言以及 DNA 等非结构化数据源中搜索和提取信息。
学生将学习利用机器学习、数据挖掘等技术处理和分析这些信息。
系统
Systems
系统方向主要研究计算机系统的设计与实现，包括编译器、数据库、网络和操作系统等。
课程主题涵盖软硬件接口、网络协议栈、数字架构、内存模型、优化、并发、隐私、安全、分布式系统与大规模系统、可靠性与容错，以及相关算法和理论知识。
理论
Theory
理论方向关注计算领域的基础理论、计算技术的能力及其内在局限性。
学习内容包括数据结构、串行与并行算法、计算几何、程序与编程语言的设计和分析、逻辑与形式化方法，以及组合数学、逻辑数学和代数数学等相关理论基础。
综合方向
Unspecialized
综合方向允许学生从计算机科学系的不同领域中广泛选课，从而获得更加全面、多元的知识体系。
专业要求包括一门系统课程、一门人工智能课程、一门应用课程，以及从CS通用选修课程列表中选择的其他课程。
自主设计方向
Individually Designed
学生还可以根据自己的学术兴趣与学习需求，申请设计一个个性化的CS专业方向。
自主设计的Track必须构成一个具有内在逻辑和学术连贯性的学习体系，并且其内容不能与现有Track重复。
申请方案必须至少包含：25个学分（units）、7门课程，其中至少 4门必须是课程编号为100或以上的 CS课程，每门课程至少修读 3个学分
自主设计方向必须获得学生的本科生导师以及副系主任批准。
而加州大学伯克利的CS本科教育也明确将人工智能、自然语言处理、算法、计算机系统等纳入广泛的计算机科学训练之中，并强调为学生未来的研究和技术领导力打下基础。
▲ 加州大学伯克利计算机科学专业官网
这些顶尖大学释放出的信号其实非常明确 ——学校并没有因为AI的发展而放弃CS，而是在重新定义"CS应该学什么"。
顶尖大学都在告诉我们
未来的CS，不只是CS
从上述CS课程设置变化就能发现，顶尖大学并没有在CS和AI之间做简单的二选一，而是在不断扩大计算机科学的边界，AI只是其中的一部分。
计算机科学正在与生物医学、经济学、工程、认知科学、机器人、人机交互、数据科学等领域发生越来越紧密的联系。
这其实也意味着，在如今的就业市场，会写代码知识基础，真正想要脱颖而出，不仅需要拥有扎实技术基础，还需要会利用计算技术解决真实的问题。
这也是为什么，对于准备申请美国大学的高中生来说，选择专业时不能只盯着"CS"两字 —— 有些学生适合传统CS，有些学生可能更适合AI，有些学生则可能在CS与生物、商业、工程、经济等领域的交叉方向上找到自己的优势。
真正重要的不是专业名称听起来有多热门，而是这个专业能不能让你的兴趣、能力和未来想解决的问题连接起来。
2026年，CS还值得学吗？
与几年前相比，选择CS的逻辑已经发生了变化。
过去，学生可能只需要证明自己会编程，就拥有不错的就业竞争力；而今天，仅仅拿到一张CS专业的学位证书，已经很难成为足够有说服力的竞争优势。
真正能够拉开差距的，是你能不能把计算机科学与其他领域结合起来，比如CS+金融、CS+生物、CS+工程、CS+商业、CS+设计，甚至CS+社会科学。
当AI越来越擅长完成标准化的技术任务，人类真正不可替代的价值，反而越来越集中在判断、沟通、创造、领导以及解决复杂问题这些能力上。
这也是为什么不少顶尖大学正在通过双专业、跨学科课程、AI项目以及不同领域的细分方向，为学生创造更多"CS+X"的可能。
对于高中生而言，这种趋势其实也带来了新的机会。如果你对计算机科学感兴趣，但同时又热爱生物学，那么未来完全可以探索计算生物学；如果你喜欢经济学和数学，可以关注CS+经济学+数据科学；如果你对机器人和硬件感兴趣，那么计算机工程、机器人等方向可能更加适合你。
对于即将准备申请美本的同学们，与其简单地问"CS还值不值得学"，不如先问自己三个问题：
01、你是否真的喜欢计算机科学？
如果只是因为CS工资高、容易找工作而选择它，当行业发生变化时，很容易失去方向。
但如果你本身就喜欢数学、逻辑、编程和解决问题，那么CS依然是一条非常值得探索的道路。
尤其是在顶尖大学的CS培养中，扎实的数学、算法、计算机系统等基础依然非常重要。AI越强，越需要学生真正理解背后的原理，而不是只会调用工具。
02、你能不能把CS与其他兴趣结合起来？
未来的竞争，重点会越来越偏向于"将不同领域的知识连接起来"。这种跨学科能力可以从大学申请阶段就开始培养。
除了CS课程之外，也可以主动探索AI、数据科学、工程、经济、生物、商业等领域，找到真正属于自己的交叉方向。
03、你是否有真实的实践经历？
实习、科研、个人项目、竞赛以及能够解决真实问题的实践经历，都会越来越重要。
因为在AI能够帮助完成大量基础任务的时代，招生官和未来的雇主真正想看到的，不只是学生学了什么，而是关心他们用这些知识做过什么。
如果一个学生只是把CS作为一个热门专业写在申请表上，却没有任何能够体现计算机兴趣和能力的课程、项目、科研或者实践经历，那么CS本身并不能自动成为竞争优势。
反过来，如果学生能够围绕自己的真实兴趣，长期探索一个问题，并进一步把计算机科学与其他学科结合起来，那么这样的申请者反而更容易形成清晰、独特的个人画像。
CS没有"跌落神坛"
而是进入了下一个阶段
CS曾经有过一段非常火热的时期。
那时候，学CS似乎就意味着更多的就业机会、更高的薪资，以及进入科技行业的入场券。这股热潮并非没有道理，也确实让一大批优秀的工程师和计算机科学家走上了职业舞台。
但到了今天，CS的热度开始降温，同样不是没有原因。
AI正在改变科技行业，也正在改变企业真正需要什么样的人才。过去很多岗位需要大量人力完成的编程、测试和基础开发工作，如今正在被AI工具不断提效。与此同时，计算机科学本身也在发生变化。
从MIT、CMU、斯坦福到伯克利，看看这些美国顶尖大学近年的CS课程设置，会发现一个很明显的趋势：CS并没有"过时"，但它也确实在发生变化。
CS与人工智能、生物、经济、机器人、认知科学、城市规划等更多领域的交叉越来越普遍，这其实也意味着，未来真正有竞争力的科技人才，绝不局限于只会写代码。
他们可能既懂CS和AI，又了解某一个具体行业；既能做技术，也能理解商业和真实需求；更重要的是，能够把计算机技术用来解决其他领域的问题。
所以，对于正在考虑专业选择的高中生来说，到了2026年，CS依然值得学。
但如果你选择CS，最好不要把自己的目标只停留在成为一名程序员。比起单纯追逐某一门热门技能，更重要的是把计算机科学的基础打牢，同时尽早找到自己愿意深入的另一个领域 —— 可以是AI，也可以是生物、金融、机器人、工程、设计，甚至是你真正感兴趣的任何领域。
