当人工智能成为全球科技产业的竞争焦点，越来越多计划赴新加坡留学的中国学生和家长，开始把目光投向计算机科学、人工智能、数据科学等专业。
但在选专业时，一个容易被忽略的问题是：同样与AI有关，不同大学的培养目标可能并不相同；即使在同一所大学，计算机科学、人工智能和计算机工程之间，也存在值得认真区分的学习路径。
以新加坡国立大学（NUS）、南洋理工大学（NTU）和新加坡科技设计大学（SUTD）为例，三所大学都提供与计算、AI相关的本科教育，却呈现出不同的课程组织方式和培养侧重。
NUS提供计算机科学、人工智能、计算机工程等多种专业选择；NTU在计算机科学、数据科学与人工智能、人工智能与社会、计算机工程等方向上形成了较清晰的专业分支；SUTD则将计算、人工智能与设计思维相结合，强调从技术理解走向真实问题的解决。
对于学生而言，真正需要比较的，不只是学校排名和专业名称，而是四个问题：学什么、怎么学、适合谁，以及未来希望解决什么类型的问题。
NUS：在计算机基础之上，提供更细分的专业选择
NUS计算机学院的本科项目覆盖多个方向，包括Computer Science（计算机科学）、Artificial Intelligence（人工智能）、Computer Engineering（计算机工程）、Business Analytics（商业分析）、Information Security（信息安全）等。不同项目对应不同的知识结构，也为学生提供了多种进入科技行业的路径。
计算机科学与人工智能，究竟差在哪里？
不少家长会直接把人工智能视为计算机科学的升级版，或者认为只要未来想进入AI行业，就应该优先申请AI专业。实际上，两者并不能简单画等号。
NUS的计算机科学专业更强调广泛的计算机知识基础，包括算法、数据结构、软件工程等。学生可以在打好基础后，继续学习人工智能、机器学习、计算机视觉、自然语言处理等领域。
人工智能专业则更集中地围绕AI展开。根据NUS公布的课程设置，相关学习包括人工智能基础、机器学习、负责任的AI，以及感知与语言等内容，目标是让学生更深入地理解和开发智能系统。
两条路径的区别，不在于谁更先进，而在于知识覆盖的广度和专业聚焦的程度。
如果学生希望先建立相对完整的计算机知识体系，再根据兴趣探索软件开发、系统设计、AI等方向，计算机科学可能提供更宽的起点；如果学生已经对机器学习、智能决策、计算机视觉等领域有较强兴趣，并愿意深入相关技术，人工智能专业则值得重点研究。
值得注意的是，NUS在2025/26学年起对计算机科学与人工智能本科项目采用共同招生池。学生入学后，前四个学期可以接触两个项目的相关课程，再选择最终的学位方向。学校也说明，两个项目在前两年的课程存在较多共通之处。具体招生与专业选择规则仍应以申请年度的官方说明为准。
这一安排的意义在于：学生不必在高中阶段就完全确定自己未来要成为哪一种技术人才，可以先通过基础课程了解不同领域，再逐步明确方向。
如果想进入机器人、智能硬件领域呢？
NUS的计算机工程专业提供了另一条路径。
与主要研究软件、算法和计算系统的计算机科学不同，计算机工程更关注计算系统与电子硬件之间的联系。对于希望理解芯片、嵌入式系统、硬件与软件协同设计的学生而言，这一方向值得关注。NUS也将计算机工程单独列为本科项目。
这与上一篇文章讨论的机器人产业变化存在直接联系：当AI进入真实世界，技术不再只是在屏幕上运行，还需要与传感器、计算设备和实际系统协同工作。
因此，NUS的选择逻辑可以概括为：从计算机科学建立广泛基础，向AI深入，或者转向计算机工程等相邻方向。学生应根据课程内容和自身兴趣决定，而不是单凭专业名称判断发展空间。
NTU：从计算机科学到数据科学与AI，专业分支更值得细看
NTU的计算机与数据科学教育由计算机与数据科学学院（College of Computing and Data Science，CCDS）提供。其本科项目包括计算机科学、数据科学与人工智能、人工智能与社会，以及计算机工程等。学校同时提供双学位、第二主修和辅修等延伸路径。
如果说选择NUS时，学生需要理解计算机科学与AI之间的区别，那么选择NTU时，还需要进一步分辨：自己更偏向通用计算能力、数据驱动的分析与建模，还是AI技术的开发与社会应用。
计算机科学：不只是学习编程
NTU的Computer Science强调软件算法、数据结构以及计算范式的设计与整合，关注如何构建高效、可靠的计算系统。
这意味着，计算机科学并不等于简单地学习几门编程语言。编程是工具，算法设计、系统思维和解决复杂问题的能力，才是专业训练的重要部分。
对于未来希望从事软件工程、计算系统开发，或者希望在本科阶段保留较广泛技术选择的学生，计算机科学是一条值得认真考虑的路径。
数据科学与人工智能：从数据中提取规律，再建立智能应用
NTU的Data Science and Artificial Intelligence（DSAI）项目由CCDS与数学、物理及其他相关科学领域共同参与提供，课程将计算机科学与数据科学、人工智能结合起来。
这条路径尤其值得数学基础较好、喜欢分析和建模的学生关注。
在实际应用中，AI系统不仅需要算法，还需要数据。数据如何收集和处理，如何建立模型，如何评估结果，如何将分析转化为可用的解决方案，都可能成为学习的重要环节。
不过，数据科学与人工智能并不是完全脱离计算机科学的独立领域。学生仍需要重视编程、算法、数学和统计基础，不能因为专业名称里有“AI”，就忽视这些底层能力。
人工智能与社会：技术能力之外，还要理解技术影响
NTU的Bachelor of Computing (Hons) in Artificial Intelligence and Society（人工智能与社会）将AI技术基础与伦理、设计、开发和部署等内容结合起来。
这一专业名称背后的一个重要信号是：人工智能教育不只是研究技术能做什么，也需要讨论技术应该如何被使用，以及它会如何影响组织、社会与个人。
随着AI应用逐渐进入金融、医疗、教育、公共服务等场景，模型表现只是系统价值的一部分。数据隐私、可靠性、公平性、治理和实际应用环境，同样会影响技术能否真正落地。
因此，对AI技术感兴趣、同时也希望理解技术与社会关系的学生，可以将这一方向纳入比较范围。当然，是否适合某位学生，仍需进一步查看具体课程、数学与编程要求，以及项目实践安排。
计算机工程：把计算能力带到硬件与实体系统中
NTU的Computer Engineering强调计算机科学与工程的结合，以及硬件与软件协同设计，涉及嵌入式系统等相关领域。
如果学生对机器人、智能设备、芯片、嵌入式系统或软硬件整合更感兴趣，就不应该只盯着计算机科学和人工智能两个名称。
这也说明，AI相关人才并非只有算法工程师一种类型。一个智能设备从设计到运行，可能涉及数据处理、模型开发、硬件设计、系统集成和实际场景测试。不同专业培养的能力可以相互衔接，却不能简单互相替代。
SUTD：计算、AI与设计结合，强调把技术转化为解决方案
与NUS、NTU相比，SUTD的一个鲜明特点，是将技术教育与设计思维、跨学科学习和实践项目结合起来。
SUTD本科课程采用核心课程与可选课程相结合的结构，学生在完成基础学习后，可以通过不同专业、第二主修、辅修和专业方向逐步形成自己的知识组合。学校还设置跨专业的毕业综合项目（Capstone），鼓励学生与不同专业的同学共同解决真实问题。
在计算机与AI相关方向中，有两个项目尤其值得关注：Information Systems Technology and Design（ISTD，信息系统技术与设计，现有课程体系中的计算机科学与设计本科项目）和Design and Artificial Intelligence（DAI，设计与人工智能）。
计算机科学与设计：既理解技术，也关注技术如何被使用
SUTD的Computer Science and Design本科项目，属于Bachelor of Engineering体系。它并非只把计算机知识作为孤立的技术训练，而是将计算与设计相结合。
对于希望学习计算机技术，同时对产品、交互、系统设计和真实场景中的技术应用有兴趣的学生，这是一条值得深入研究的路径。
例如，开发一个软件产品，除了代码是否能够运行，还要考虑用户需求、交互方式、系统结构，以及产品如何在真实环境中发挥作用。设计思维可以帮助学生从问题本身出发，而不只是从已有技术出发寻找应用场景。
需要强调的是，设计并不意味着降低技术要求。真正有价值的跨学科教育，是在技术基础之上增加理解问题和组织解决方案的能力，而不是用宽泛的“创新”概念替代扎实的专业训练。
设计与人工智能：不只研究AI，还要思考AI如何服务人
SUTD的Design and Artificial Intelligence（DAI）项目，将AI能力、设计思维与对人和社会的理解结合起来。
尤其值得注意的是，SUTD从2026年9月起为新申请学生推出更新后的DAI课程体系，设置Societal and Systems Intelligence（社会与系统智能）和Human-Centred Intelligence（以人为中心的智能）两条路径。前者结合经济、商业与AI，后者关注心理学、哲学及人机交互等领域。学校希望学生不仅掌握AI工具，也能理解技术与人的关系，并对AI系统进行审慎评估。
这条路径适合什么样的学生？
如果学生对AI感兴趣，但关注点不仅是算法本身，还包括AI如何改善服务、支持决策、改变人机互动，或者如何解决复杂的社会与商业问题，那么DAI值得进一步了解。
不过，必须区分两个概念：“学习AI”与“专攻AI底层技术”并不完全相同。 DAI的设计与人本导向，与以算法、机器学习和计算机系统为核心的技术路线有不同侧重。希望深入研究模型、算法或底层计算系统的学生，应认真比较各项目的技术课程比例、数学要求和进阶选修内容。
