最近的AI创业新闻里，陈勇超这个名字，吸引了不少目光。
95后、清华大学最年轻助理教授、拥有哈佛与MIT的科研训练经历——这些标签已经足够亮眼。更引人关注的是，他创办的超衍智能，成立不到半年，就宣布获得了累计近4亿元人民币融资。
陈勇超正在探索的方向叫作RSI（Recursive Self-Improvement），也就是“递归自进化”。听起来有点绕，我们可以这样理解：
过去，想让一个AI模型变得更好，主要靠研究员准备数据、设计实验、检查结果，再调整训练方法。
而RSI希望让AI逐步参与这些工作，帮助训练出能力更强的模型；能力提升后的AI，再参与下一轮改进。
就像一位研究助手，逐渐学会帮助研发更好的下一代研究助手。
这件事如果做成，影响的可能不只是让聊天工具变得更聪明。它有望帮助研究人员更快地测试想法、改进模型，并把相关能力用于机器人、物理仿真等领域。
看到这里，很多家长可能会想到：如果我家的孩子将来也想进入AI领域，现在应该怎么做呢？大学究竟应该学什么？是直接选人工智能，还是选计算机？数学、电子工程、机器人，又和AI有什么关系？
对于这些疑问，陈勇超的经历，恰好提供了一个有意思的切口：
他本科主修理论与应用力学、辅修应用数学，博士研究的是电气工程，博士期间接受哈佛与MIT导师共同指导。他的本科专业名称里，并没有“人工智能”四个字。
那么，让我们借着这条新闻，和大家聊聊：美国大学现在有哪些AI相关的本科选择？不同的孩子，又可以从哪里开始了解？
直接读AI专业：
课程里到底学些什么？
现在，一些美国大学已经把人工智能设为独立本科专业。不过，即使名字相近，学习重点也可能有所不同。
卡内基梅隆大学：人工智能
Artificial Intelligence，BS
卡内基梅隆大学的人工智能本科项目授予理学学士学位。
翻开课程表，会看到数学与统计、计算机科学、人工智能及伦理等内容。进阶学习还涉及机器学习、感知与语言、决策与机器人、人机交互等领域。
这也让我们对“大学里学AI”有了更具体的认识。
模型为什么能从数据中学习？怎样处理不确定性？如何判断一个算法是否有效？
——这些问题背后，都有数学和计算机知识在支撑。如果孩子喜欢使用AI工具，可以把这份兴趣作为起点，再试着接触编程和数学，看看自己是否也喜欢研究工具背后的原理。
MIT：人工智能与决策
Artificial Intelligence and Decision Making，
Course 6-4
MIT这个专业的名字里，多了“决策”两个字。
它关心的是：一个智能系统怎样感知外部世界、与环境互动，并在变化中学习和作出决定？
专业融合了电气工程、计算机科学、统计、运筹学，以及脑与认知科学等领域。比如，机器人发现前面有障碍，下一步应该绕开、停下，还是换一条路线？
如果孩子对这类问题感兴趣，MIT的课程设置可以帮助他进一步了解：原来AI还包含这样一片天地。
宾夕法尼亚大学：人工智能
Artificial Intelligence，BSE
宾大的人工智能本科项目授予工程学学士学位。
学校公布的培养方案包含机器学习、信号与系统、优化与控制、视觉与语言，以及AI项目等内容。
从这些课程中，可以看到AI与工程的连接：模型需要和数据、设备、控制系统及实际任务一起工作。
所以，即使都叫“人工智能”，也值得多翻几页课程介绍。不同学校，可能会带孩子从不同角度走进这个领域。
选计算机，
也可以深入学AI
有些家长查学校时会发现：明明这所大学的AI研究很有名，怎么本科专业列表里没有单独的“人工智能”？
这时，可以继续看看计算机专业内部有没有AI方向。
斯坦福大学就是一个例子：
学生可以在计算机科学本科专业中选择人工智能方向，也就是AI Track。
学校介绍的内容包括逻辑推理、机器学习、概率建模、自然语言处理、计算机视觉和机器人等。
——这条路径，是在计算机科学的基础上向AI深入。
对于喜欢计算机、但还没确定具体兴趣的学生，这种结构很值得了解。高中时被大模型吸引，到了大学，也许会发现自己更喜欢计算机系统、图形学或人机交互。这些变化都很正常。
比较AI与计算机专业时，我们可以和孩子一起问：这套课程里，有哪些是我想学的？如果兴趣发生变化，我还有哪些选择？
同样叫AI，
也可能学得很不一样
普渡大学的设置，还让我们看到了大学学习AI的更多可能。
它提供不同的AI本科学习路径，其中包括理学学士和文学学士项目：
●理学院的AI理学学士路径，包含编程、数据结构与算法、线性代数、概率、机器学习等课程，也涉及认知心理学或神经科学，以及伦理。
●文理学院的AI文学学士路径，则更关注人与AI的互动，以及隐私、偏见和技术伦理等问题。
也就是说，两名学生都可能说自己“学AI”，但日常接触的问题可能很不一样。一名学生可能在研究怎样提高模型表现，另一名学生可能在讨论算法怎样影响人的判断和社会生活。
对于想做模型和算法研发的学生，需要仔细看看数学、编程和计算机课程的深度。如果孩子对技术与社会的关系更感兴趣，也可以进一步了解相应的人文社会科学路径。
至于BA、BS、BSE这些学位名称，能提供一些线索，但还不能代替课程表。不同学校的命名方式和培养要求，需要放在各自的背景下理解。
喜欢机器人、数据分析，
也有相关选择
AI的学习机会，还分布在机器人、数据科学等专业里。
卡内基梅隆大学
Robotics，BSR
卡内基梅隆大学设有独立的机器人本科专业。
学生除了学习编程、数据结构和数学，还会接触计算机视觉与感知、机构与操作、规划与控制，并参与机器人的设计、制作和测试。
让机械臂拿起一个杯子，看起来是个小动作，背后却有不少问题：杯子在哪里？应该从哪里抓？怎样移动才不会碰倒旁边的东西？动作失败后，又该如何调整？
如果孩子喜欢动手，也愿意反复调试、琢磨原理，机器人是一个可以尝试了解的方向。
机械工程、电气工程、计算机工程等专业，也可能提供相关课程与研究机会，具体要看学校的设置。
加州大学伯克利分校
Data Science，BA
伯克利的数据科学本科项目授予文学学士学位，强调计算与推断方面的技术训练。
数据科学与AI有交集，同时也关注数据怎样获得、整理、分析，以及结果应该怎样解释。
如果孩子喜欢统计，愿意从数据中寻找规律，也喜欢把分析用到现实问题里，可以进一步看看这类专业。
未来若想深入机器学习，还可以对照课程表，看看数学、算法和计算方面的训练是否符合自己的目标。
学校名单看花眼了，
可以从哪里开始？
看完这些项目，有些家庭可能更感兴趣了，也可能觉得：“选择这么多，到底怎么比较？”
不妨先和孩子一起做三件小事:
01
先挑几门课，看看他是否真的想学
不用一开始就研究整套培养方案，可以先找编程、线性代数、概率统计、机器学习等课程的简介，了解它们在解决什么问题。
如果有条件，再体验一门入门课或做一个小项目。实际学过之后，孩子对自己的兴趣往往会有更具体的感受。
02
再看看，本科生能参与什么
学校有没有毕业设计、研究项目和学生团队？参加需要什么基础？相关课程有哪些先修要求？
资源丰富很吸引人，孩子能怎样一步步走到这些资源面前，也值得了解。
03
最后，查清专业选择和调整规则
申请时是进入大学、学院，还是直接进入专业？入学后怎样确定方向？转专业、辅修和跨学院选课有什么条件？
尤其是还想保留探索空间的学生，这些信息会很有用。也别预设先进入一个相关专业，之后就一定能转入计算机或AI。
AI的下一步，
也让我们重新想一想“学什么”
陈勇超教授对未来有一个很大胆的设想：有一天，AI能够替代他的工作，让公司在不需要他的情况下也能正常运转。这是他的长期目标，距离实现还有很多问题需要解决。而在谈到眼下的困难时，他反复提到的是高质量数据和验证。
在他的判断中，数据自进化会成为RSI的重要竞争方向。他也谈到，需要把不同领域专家的经验转化为可用的数字化内容，同时设计好验证机制，判断AI是否真的完成了任务。
这些话放到大学专业选择上，也能给我们一些启发:
随着AI参与越来越多工作，理解数学和计算仍然重要，理解某个领域的问题、判断结果是否可靠，也同样有价值。
有人可能擅长研究算法，有人喜欢机器人，有人愿意深入生物、物理或其他学科，再尝试把AI用进去。
这些都是可以慢慢探索的方向。
看到年轻学者的成功故事，我们很容易既兴奋，又有一点着急：机会来得这么快，孩子是不是也该早点决定？
但选专业这件事，可以从更小、更具体的问题开始:
孩子喜欢AI的哪一部分？是使用工具时的便利，编程时的创造感，还是反复解决一个难题的过程？
他愿意花时间学哪些基础？遇到困难以后，还想不想继续？
这些答案，往往需要通过课程、项目和一次次尝试，慢慢变得清楚。
陈勇超的经历让我们看到，力学、数学、电气工程与AI之间，可以建立很深的连接。每个孩子，也都有机会找到属于自己的学科连接。
在我们看来，了解热门专业的意义，是帮助孩子多认识一些可能性，再结合兴趣、能力和实际学习体验，作出更适合自己的选择。
从一条AI新闻开始，和孩子一起翻翻课程表、聊聊他真正好奇的问题，也许就是一次不错的生涯探索。
