这几天,大家应该都吃了不少NVIDIA的瓜。
11月12日,NVIDIA突然宣布,黄仁勋辞去公司CEO、总裁及董事职务,原首席财务官Colette Kress出任临时CEO。

图源|Reuters
这位执掌NVIDIA长达33年的科技领袖突然离任,迅速引发全球科技圈关注。
然而,就在今天,事情又有了新的进展。
11月16日,据英国《金融时报》报道,黄仁勋正在考虑重返NVIDIA担任CEO,并已与亲近人士讨论回归的可能性。

图源|Reuters(origin from Financial Times)
与此同时,部分硅谷科技企业家和投资者也在推动黄仁勋复职。据报道,其支持者正在组织游说行动,希望说服NVIDIA董事会重新考虑这一决定。
此前,马斯克也公开表达了对黄仁勋的支持。当有人在社交平台上建议他聘请黄仁勋时,马斯克回应:“那将是我的荣幸。”

图源|X社交平台
不过,目前NVIDIA尚未正式宣布黄仁勋回归,公司董事会仍在寻找长期继任者。相关调查和后续人事安排,也有待进一步确认。
从突然辞职,到传出可能回归的消息,这场风波究竟如何发展,或许全世界都选择了“在线吃瓜”。
但比起猜测黄仁勋最终是否会重返NVIDIA,还有一个问题值得思考:
为什么一家科技公司的创始人离任,能够在整个AI产业引起如此大的震动?
这不仅与黄仁勋个人的行业影响力有关,也与NVIDIA在全球AI产业链中的关键地位密不可分。
从最初的图形处理器,到如今支撑大模型训练和推理的GPU、加速计算系统和CUDA软件生态,NVIDIA已经成为全球AI计算基础设施的领军企业。
但NVIDIA并不是这场AI竞赛中唯一值得关注的企业。
AMD、Broadcom、TSMC、SK hynix、Samsung、ASML,以及负责AI服务器与基础设施建设的企业,都在这条产业链的不同环节发挥作用。
AI时代的竞争,早已不只是算法与大模型之间的竞争,而是一场涉及芯片、存储、制造、网络、软件和系统工程的综合技术竞争。
支撑这场竞争的,是大量不同专业背景的技术人才。
这也引出了一个与留学家庭密切相关的问题:
如果孩子未来希望进入NVIDIA、AMD,或者Google、Meta、Microsoft这样的科技巨头,究竟应该学习什么专业?又有哪些美国大学值得重点关注?
今天,我们就从AI算力产业链说起,看看科技企业需要怎样的人才,以及美国15所值得关注的AI与半导体就业导向的大学。
想进入AI科技巨头
究竟应该学什么?
如果从具体岗位倒推专业选择,思路会清晰很多。

点击图片可放大查看
例如,
●如果希望进入NVIDIA从事GPU架构设计,计算机工程、电子电气工程和计算机体系结构,可能比单纯学习AI算法更加直接相关。
●如果希望进入Google、Meta等公司的机器学习工程团队,则需要同时关注算法能力、软件工程和系统开发。
●如果目标是前沿模型研究,数学基础、机器学习理论和科研经历的重要性通常更高。
因此,想进入AI行业,不等于一定要申请名字叫Artificial Intelligence的专业。专业名称只是培养路径的起点,真正需要研究的是课程结构和能力训练。
美国AI招聘市场
正在释放什么信号?
美国企业的招聘数据,也为这种判断提供了参考。
斯坦福大学《2026 AI Index Report》汇总了劳动力市场数据机构Lightcast的相关分析。
报告显示,2025年美国AI相关招聘信息中,Python、计算机科学、系统可扩展性、自动化、工作流管理等专业技能被频繁提及。

注:表格统计的是美国AI相关招聘信息中出现的专业技能,不是半导体行业的全部岗位,也非每种技能对应的独立职位数量。
这组数据最值得关注的,并不是Python排在第一位。
而是系统可扩展性、自动化、工作流管理、云计算等技能,也出现在大量AI相关招聘信息中。
这说明企业对AI人才的需求,除了算法知识,还涉及软件系统、数据基础设施和工程交付。
从职业规划的角度,它提示了一个值得大家重视的方向:
AI人才的培养,不能只围绕模型和算法展开,还需要理解技术如何进入真实系统、解决真实问题。
美国15所值得关注的
AI与半导体就业导向大学
如果将AI研究、芯片设计、计算机工程、软件系统和跨学科资源放在一起考察,美国有一批大学值得重点研究。
不过,首先也需要和大家说明:以下15所学校,是基于学科培养与研究资源整理的选校观察名单,并不是按NVIDIA、AMD、Google等企业录用人数计算的就业排名。
目前,由于各大学公布的毕业去向数据在年份、学历、专业和统计样本上存在差异,不足以支持一份统一的大厂录用率排行榜。
我们将学校分成三类,帮助不同职业目标的学生缩小研究范围。
A类:AI前沿研究与算法培养
01|Stanford斯坦福大学
❗️ 重点关注:计算机科学、机器学习、Stanford Artificial Intelligence Laboratory(SAIL)、Stanford HAI等研究资源。
斯坦福的AI培养主要依托计算机科学及相关研究体系,并不需要依靠一个独立AI本科专业来组织全部教学。
对于希望研究机器学习、自然语言处理、计算机视觉或AI产品的学生,值得深入了解其课程和研究机会。
02|MIT麻省理工学院
❗️重点关注:Artificial Intelligence and Decision Making本科专业、计算机科学、电子电气工程及CSAIL。
MIT的培养特点,是将AI与决策科学、计算系统和工程问题结合。
对于关注AI算法、智能系统、机器人及计算硬件交叉研究的学生,这种课程结构值得重点研究。
03|CMU卡内基梅隆大学
❗️重点关注:独立AI本科专业、机器学习硕士、机器人和计算机科学研究。
CMU是美国较早建立独立AI本科专业的顶尖大学之一。
学校官方页面显示,2025届AI本科毕业生中,91%在毕业六个月后已就业或继续深造,公布的平均薪资为160,688美元。
对于希望进入机器学习工程、机器人、算法研发等领域的学生,CMU是值得重点研究的学校。
04|UCBerkeley 加州大学伯克利分校
❗️重点关注:EECS、计算机科学、Berkeley Artificial Intelligence Research(BAIR)及相关计算系统研究。
伯克利的培养体系将AI研究与计算机科学、电子工程等学科联系起来。
对于希望在算法与计算系统之间探索不同方向的学生,值得比较其本科、硕士及博士项目。
B类:计算机工程、芯片、AI基础建设
05|UIUC伊利诺伊大学厄巴纳香槟分校
❗️重点关注:计算机科学、计算机工程、电子电气工程及计算系统。
对于关注芯片架构、系统软件和AI基础设施的学生,值得研究其课程与工程实践资源。
06|Georgia Tech 佐治亚理工学院
❗️重点关注:计算机科学、电子电气工程、计算机工程和机器人。
适合希望将AI与硬件、系统开发及工程应用结合的学生进一步比较。
07|UTAustin 得克萨斯大学奥斯汀分校
❗️重点关注:计算机科学、电子与计算机工程、机器学习及半导体相关研究。
对于关注芯片设计、计算系统和AI工程的学生,值得深入研究其不同项目。
08|Michigan 密歇根大学安娜堡分校
❗️重点关注:计算机工程、电子电气工程、机器人、半导体器件及智能系统。
适合希望探索芯片、智能硬件、机器人和自动驾驶等方向的学生。
09|Purdue 普渡大学
❗️重点关注:电子与计算机工程、微电子、半导体器件、制造及工程研究。
对于希望进入芯片设计、制造和半导体产业链的学生,普渡值得特别关注。
C类:AI应用、智能系统与跨学科培养
10|UW 华盛顿大学
❗️重点关注:计算机科学、自然语言处理、机器学习和计算系统。
适合希望探索AI算法、系统软件和相关工程岗位的学生。
11|Cornell 康奈尔大学
❗️重点关注:计算机科学、机器学习、机器人、计算机工程及跨学科研究。
适合希望在AI算法与实际应用之间寻找结合点的学生。
12|UPenn 宾夕法尼亚大学
❗️重点关注:人工智能本科工程学位、计算机科学、机器人及工程交叉。
宾大在2024年宣布开设B.S.E. in Artificial Intelligence,为本科生提供了明确的AI专业培养路径。
不过,独立AI学位是否适合某个学生,仍需要结合课程与职业目标判断。
13|UCSD 加州大学圣迭戈分校
❗️重点关注:计算机科学、电子与计算机工程、数据科学及计算系统。
适合关注AI工程、数据应用、通信和智能硬件的学生。
14|UCLA 加州大学洛杉矶分校
❗️重点关注:计算机科学、电子工程、机器学习、计算机视觉及智能系统。
适合希望在算法、系统与工程应用之间保持探索空间的学生。
15|USC 南加州大学
❗️重点关注:AI本科、计算机科学、电子与计算机工程、智能系统及产业应用。
USC在2026年秋季迎来新设AI本科专业的首届学生。
这也为希望本科阶段进入明确AI培养体系的学生提供了新的选择。

15所大学汇总表
同样想进入AI大厂
本科、硕士、博士应该怎么规划?
当我们明确了职业目标后,学历的选择也会更加具体。
▎本科:扎实基础,不必过早锁定狭窄方向
如果希望从事AI算法、软件开发或AI工程,可以重点关注计算机科学、数学、统计以及相关AI课程。
如果希望进入芯片设计、GPU架构或半导体制造,则需要关注电子电气工程、计算机工程、材料科学和物理等学科。
本科阶段尤其重要的是基础课程是否扎实,以及能否通过项目、实验室和实习逐步探索职业方向。
▎硕士:从目标岗位倒推项目内容
硕士阶段更需要判断具体项目能够提供什么训练。
●如果希望成为机器学习工程师,可以重点考察机器学习、软件工程、系统部署、数据处理及实践项目。
●如果希望从事芯片设计,可以关注计算机体系结构、VLSI、数字电路、硬件验证等课程。
●如果目标是半导体制造,则应关注器件物理、材料、工艺开发及实验室训练。
对于国际学生,还需要核实项目的STEM资格、CPT/OPT适用条件、实习安排与职业支持。
▎博士:研究能力重要,但不是所有岗位的必要条件
对于前沿AI算法、先进芯片架构和半导体器件等研究方向,博士阶段的科研训练可能具有重要价值。
但软件工程、AI产品开发、模型部署和部分芯片设计岗位,并不普遍要求博士学位。
因此,是否读博,应该取决于目标岗位对科研能力的要求、学生的研究兴趣,以及时间和机会成本。
延伸话题:AI半导体行业的逻辑
为什么AI越火
半导体越重要?
让我们再来延伸聊一聊AI半导体行业的产业逻辑。
今天,NVIDIA的业务早已不局限于图形处理。随着大模型和生成式AI快速发展,GPU与加速计算系统成为AI产业的重要基础设施。
为什么人工智能的发展,会让芯片企业受到如此高的关注?
因为AI模型的训练和运行,都离不开计算。
在模型训练过程中,计算系统需要处理大量数据、执行数学运算并反复调整参数;模型投入使用后,每一次生成文字、图像或视频,也都需要计算资源支持。
GPU具有高度并行计算的特点,适合执行深度学习中大量重复且可并行处理的运算,因此成为现代AI训练和推理的重要硬件之一。
不过,AI芯片并不等于GPU。
除了GPU,CPU、专用AI加速器、存储器、网络芯片等,也共同影响AI计算系统的性能、成本和效率。
更重要的是,一枚先进AI芯片从设计到真正投入使用,背后涉及一条复杂的半导体产业链。
我们先来简单了解一下AI半导体产业链:

点击图片可放大查看
▎第一环:芯片架构与设计
这一阶段需要决定芯片的计算架构、电路功能、性能目标、功耗和应用场景。
代表性企业包括NVIDIA、AMD、Qualcomm和Broadcom。
这些企业的产品路线并不相同,但都涉及复杂的芯片设计与工程研发。
▎第二环:晶圆制造
完成设计后,芯片需要通过复杂的半导体制造工艺,在硅晶圆上形成电路结构。
TSMC、Samsung和Intel Foundry等企业参与这一环节。
先进制造不仅需要持续提升晶体管性能,还要解决工艺稳定性、生产良率和制造成本等问题。
▎第三环:HBM高带宽存储
这是很多非行业人士容易忽略,却对AI计算十分重要的一环。
HBM的全称是High Bandwidth Memory,即高带宽存储器。
简单理解,GPU负责执行大量计算,而存储系统需要及时提供数据。
如果计算芯片处理得很快,但数据供应跟不上,整体性能仍然会受到限制。
HBM通过特殊的存储芯片堆叠和互联技术,为高性能计算提供更高的内存带宽。
SK hynix(SK海力士)、Samsung和Micron(美光)是这一领域的重要企业。
▎第四环:先进封装与测试
芯片制造完成后,还需要经过封装、测试以及必要的集成。
对于高性能AI计算系统,先进封装尤其重要,因为它关系到计算芯片、存储器和其他组件如何高效协同工作。
TSMC、ASE和Amkor等企业在相关环节具有重要业务布局。
▎第五环:网络与高速互联
当大量GPU组成计算集群,新的问题就出现了:这些芯片之间如何交换数据?如何减少通信带来的延迟?如何让成千上万颗计算芯片高效协同?
这就需要高速网络、交换芯片和互联技术的支持。
NVIDIA、Broadcom、Arista、Marvell等企业,都在相关领域拥有业务布局。
▎第六环:AI服务器与基础设施
芯片并不是产业链的终点。
真正投入使用的AI计算系统,还需要服务器、机柜、网络设备、供电和散热设施。
随着AI计算系统规模扩大,稳定供电、液冷技术、热管理和能效优化的重要性也在提升。
鸿海(Foxconn)、广达(Quanta)、Vertiv等企业参与相关设备与基础设施的制造或供应。
当然,产业链并非只有这六个环节。
还有两类关键支撑技术,贯穿芯片研发和制造过程。
一类是EDA(电子设计自动化)工具。
Synopsys、Cadence等企业提供芯片设计、仿真和验证软件,帮助工程师完成复杂的电路开发。
另一类是半导体制造设备。
ASML、Applied Materials、Lam Research等企业提供光刻、沉积、刻蚀等关键设备及相关技术。
这些工具和设备都是支持芯片设计与制造的重要基础。
AI算力的竞争,表面上是芯片性能的竞争,背后却是设计、制造、封装、软件和系统工程能力的共同竞争。
这也意味着,AI产业需要的人才,远远不止机器学习算法工程师。
回到最初的问题。
如果孩子未来希望进入NVIDIA、AMD等科技公司,应该如何选择大学?
我们认为,至少需要完成三个层次的判断:
●首先,判断目标岗位需要什么能力。
想做前沿AI研究,就要关注数学、算法、导师和科研训练。
想做GPU架构或芯片设计,就要关注电子工程、计算机体系结构和硬件项目。
想做AI工程,则需要关注计算机科学、软件系统、数据基础设施和工程实践。
●其次,判断学校的培养资源是否真正能够被学生使用。
一所大学拥有顶尖AI实验室,不代表所有本科生都能参与研究。
学校拥有丰富企业合作,也不意味着每个硕士项目都能获得实习机会。
因此,研究大学不能只停留在综合排名和学院介绍,还需要深入具体项目、课程、实验室、实践机会及毕业生去向。
●最后,要客观看待就业数据。
学校整体就业率不等于AI专业就业率;计算机科学毕业生的平均薪资,也不能直接当作AI工程师的薪资。
对于中国家庭,还需要考虑留学成本、项目时长、国际学生就业支持及毕业后的工作身份等现实因素。
黄仁勋的离任让NVIDIA再次成为全球关注的焦点。
但无论这场风波如何发展,AI产业背后的技术分工都值得认真理解。
从半导体材料、芯片设计、先进制造,到软件系统、模型研究和产品应用,每一个环节都需要不同的人才。
而美国大学的培养路径,也正是沿着这些不同的知识体系展开。
未来想进入AI大厂,最重要的不是找到一所名字里有AI的大学,而是先弄清楚自己希望参与产业链的哪一环,再找到真正能够培养相应能力的学校和项目。
从职业目标理解产业需求,从产业需求研究学科培养,再从具体项目判断资源与机会。这比单纯追逐一份大学排名,更接近一次有依据的长期教育决策。





