过去几十年，新加坡一直在回答同一个问题：一个没有庞大本土市场、自然资源有限的城市国家，如何在全球产业链中占据重要位置？
它的答案，是制造业、精密工程、半导体和数字化。从吸引跨国企业落地，到建设高度数字化的城市，新加坡逐渐形成了一套独特的竞争优势：既能承接复杂的制造任务，也拥有发展数字技术所需要的基础设施、人才与国际网络。
但AI正在改变下一阶段的竞争规则。当人工智能不再只存在于电脑屏幕中，而是开始驱动机器人走进工厂、建筑工地和公共设施，决定一家科技企业竞争力的，就不再只有算法和软件。芯片、传感器、机械结构、控制系统，以及让它们协同工作的技术，都变得同样重要。
这恰好把新加坡过去积累的两种能力——制造与数字技术，重新推到了同一个赛道上。
图源：dConstruct
一家来自新加坡的机器人企业新创智能（dConstruct），正在这个交汇点上寻找机会。它获得的大额融资，固然是值得关注的商业新闻，但比融资本身更值得讨论的，是它所代表的另一种可能：新加坡能否在继续参与全球科技产业的同时，培育出更多拥有自主技术、核心产品和国际市场的本土企业？
如果这种可能逐步成为现实，变化就不会只发生在工厂和科技公司里，也会延伸到大学课堂。
对于计划赴新加坡留学的学生而言，一个值得重新思考的问题随之出现：当AI开始进入真实世界，未来想进入科技行业，是否还应该只盯着计算机科学？人工智能、数据科学、计算机工程、机器人与机械控制等专业，又分别在培养什么样的人才？
要回答这个问题，不妨先从新加坡正在面对的产业变化说起。
AI的下一站，不只是写代码
过去几年，人工智能竞争主要围绕大语言模型、算力、数据和算法展开。ChatGPT等生成式AI产品的普及，也让许多人形成了一种印象：AI产业的核心，就是软件和模型。
但当AI开始进入现实世界，技术面临的挑战发生了变化。
以机器人为例，一台能够在建筑工地自主巡检的设备，不仅需要识别环境，还必须知道自己在哪里、怎样规划路线、如何避开障碍，以及怎样在不断变化的环境中稳定运行。它需要将感知、定位、决策、控制和机械执行整合成一个完整系统。
dConstruct的业务就涉及这一技术链条。通过三维扫描、传感器和自主移动技术，机器人可以获取环境信息、建立空间模型，并在建筑、设施管理等场景中执行巡检与相关任务。
这类产品的难点，并不只是让机器具备某种智能，而是让它在真实场景中持续、可靠地工作。
语言模型生成一段错误内容，通常可以重新生成；机器人如果在工地、铁路或公共空间中判断失误，则可能带来现实风险。技术不仅要有效，还必须考虑安全、稳定性和实际运行成本。
因此，具身智能并不是给大语言模型装上一副机械身体那么简单，它需要计算机科学、人工智能、电子工程、机械设计、控制系统和数据处理等多种能力共同参与。
当AI从数字世界走进物理世界，技术竞争的边界也随之扩大。
这也是机器人产业值得关注的原因。它让软件重新与制造业发生深度联系，也让工程教育与计算机教育之间的关系变得更加紧密。
新加坡的优势，为什么恰好在这里？
图源：AI
新加坡今天的产业基础，并非一朝一夕形成。独立初期，新加坡面对的是就业机会不足、资源有限和国内市场狭小等现实问题。
通过建设工业区、吸引跨国公司投资、完善基础设施与职业教育，新加坡逐步从劳动密集型制造转向半导体、精密工程、航空和生物医药等高附加值产业。
这套发展模式让新加坡积累了成熟的制造能力、工程人才、国际供应链和稳定的营商环境。
进入数字化时代，新加坡又通过Smart Nation等战略，持续推动公共服务、交通、支付和城市管理的数字化。制造业与数字技术，成为支撑其经济发展的两类重要能力。
而AI进入现实世界，让这两类能力有了进一步融合的机会。
一方面，机器人产业需要精密硬件、传感器、工程系统和实际应用场景；另一方面，它也需要算法、软件、数据与智能决策能力。新加坡长期积累的工业基础和数字化经验，可以为这类技术提供发展条件。
对于一个人口和国内市场有限的城市国家而言，这也可能是一条更现实的产业升级路径：不必在所有环节与全球最大经济体竞争，而是寻找具有技术门槛、能够服务国际市场的细分领域。
当然，dConstruct获得融资，并不意味着新加坡已经完成从制造中心向AI创新中心的转型。硬科技企业从研发走向规模化商业应用，仍要面对成本、可靠性、市场需求和国际竞争等挑战。
但它所代表的方向值得观察：新加坡能否不只为全球科技企业提供生产与研发条件，还能培育更多掌握核心技术、拥有自主产品并走向国际市场的本土公司？
如果这一转变逐步发生，对人才的需求也可能随之扩展。
想学AI，别只盯着计算机科学
产业变化最终会反映到人才培养上。对计划赴新加坡读本科的学生来说，一个重要的变化是：AI相关职业并不只有一条专业路径。
第一条路径：计算机科学与人工智能。
*NUS的计算机学院本科课程
如果学生喜欢编程、数学、算法和模型研究，可以重点了解新加坡国立大学（NUS）的Computer Science、Artificial Intelligence，以及南洋理工大学（NTU）的Computer Science、Data Science and Artificial Intelligence等本科项目。
这类专业通常重视计算机基础、算法、数据处理和机器学习。进一步学习后，学生可以根据课程选择与个人兴趣，探索计算机视觉、自然语言处理、智能系统等方向。
这条路径适合希望从软件和算法层面解决问题的学生。不过，AI专业并不意味着可以绕过数学、编程和计算机基础。真正理解模型为什么有效、何时会失效，往往需要扎实的理论训练。
第二条路径：计算机工程与电子电气工程。
如果学生对芯片、传感器、嵌入式系统和软硬件协同更感兴趣，计算机工程可能是另一种选择。
NTU的Computer Engineering项目结合计算与电子工程，涉及计算系统、硬件与软件集成等内容，与机器人、智能设备和工业系统等应用方向存在联系。
这类专业关注的不只是软件如何运行，还包括计算系统如何与真实设备连接。对于希望参与智能硬件、机器人系统或边缘计算开发的学生，值得进一步了解其课程结构与实践机会。
第三条路径：机器人、机械工程与控制相关方向。
如果学生更喜欢设计实体设备、研究运动控制和解决机器在现实环境中遇到的问题，机器人学、机械工程及相关工程方向同样值得考虑。
NTU设有Robotics本科项目，相关培养涉及机器人系统及其所依赖的机械、电气、控制和智能技术。
这条路径尤其能说明一个问题：想进入机器人产业，并不一定要从纯计算机专业起步。算法工程师、硬件工程师、控制工程师和机械设计人员，可能在同一套产品中承担不同但互相依赖的任务。
此外，新加坡科技设计大学（SUTD）的Computer Science and Design、Design and Artificial Intelligence等方向，也可以作为关注计算、设计与产品开发的学生的考察对象。
需要强调的是，学校提供某个专业，不代表该项目的所有课程都集中在机器人或具身智能上。具体选择仍应查看当年的课程结构、选修空间、项目实践和招生要求，而不是只根据专业名称判断。
专业选择的关键，不是追逐最热的名称
面对AI热潮，不少家长习惯先问：哪个专业最热门？哪所大学的AI排名最高？毕业以后是不是更容易找到工作？
这些问题可以参考，却不足以支撑长期的专业选择。更重要的是理解孩子对什么问题真正感兴趣，以及不同专业需要怎样的能力基础。
喜欢编程、算法和抽象推理，可以深入研究计算机科学与人工智能；对数学、概率和数据建模感兴趣，可以考察数据科学；希望理解芯片、硬件和软件如何协同，可以了解计算机工程；喜欢实体设备、机械结构与运动控制，则可以进一步研究机器人和相关工程专业。
这不是说某个专业一定比其他专业更有前景，而是AI应用范围正在扩大，技术岗位所需的能力也更加多元。
与此同时，学生还需要关注专业的实际培养方式。同样叫作人工智能的项目，可能在数学基础、计算机核心课程、工程实践和跨学科训练方面存在明显差异。选择时应比较具体课程，而不是只看专业名称或宣传中的热门关键词。
就业问题也需要理性看待。机器人企业获得融资，不等于相关专业的毕业生就业率必然上升；国家重视AI，也不代表所有AI毕业生都能获得理想岗位。国际学生还需要结合实际岗位需求、毕业生就业数据，以及毕业时适用的工作准证政策综合判断。
真正有价值的专业选择，不是追逐今天最热的名称，而是建立能够适应技术变化的基础能力。
