當人工智慧成為全球科技產業的競爭焦點，越來越多計劃赴新加坡留學的中國學生和家長，開始把目光投向計算機科學、人工智慧、數據科學等專業。
但在選專業時，一個容易被忽略的問題是：同樣與AI有關，不同大學的培養目標可能並不相同；即使在同一所大學，計算機科學、人工智慧和計算機工程之間，也存在值得認真區分的學習路徑。
以新加坡國立大學（NUS）、南洋理工大學（NTU）和新加坡科技設計大學（SUTD）為例，三所大學都提供與計算、AI相關的本科教育，卻呈現出不同的課程組織方式和培養側重。
NUS提供計算機科學、人工智慧、計算機工程等多種專業選擇；NTU在計算機科學、數據科學與人工智慧、人工智慧與社會、計算機工程等方向上形成了較清晰的專業分支；SUTD則將計算、人工智慧與設計思維相結合，強調從技術理解走向真實問題的解決。
對於學生而言，真正需要比較的，不只是學校排名和專業名稱，而是四個問題：學什麼、怎麼學、適合誰，以及未來希望解決什麼類型的問題。
NUS：在計算機基礎之上，提供更細分的專業選擇
NUS計算機學院的本科項目覆蓋多個方向，包括Computer Science（計算機科學）、Artificial Intelligence（人工智慧）、Computer Engineering（計算機工程）、Business Analytics（商業分析）、Information Security（信息安全）等。不同項目對應不同的知識結構，也為學生提供了多種進入科技行業的路徑。
計算機科學與人工智慧，究竟差在哪裡？
不少家長會直接把人工智慧視為計算機科學的升級版，或者認為只要未來想進入AI行業，就應該優先申請AI專業。實際上，兩者並不能簡單畫等號。
NUS的計算機科學專業更強調廣泛的計算機知識基礎，包括算法、數據結構、軟體工程等。學生可以在打好基礎後，繼續學習人工智慧、機器學習、計算機視覺、自然語言處理等領域。
人工智慧專業則更集中地圍繞AI展開。根據NUS公布的課程設置，相關學習包括人工智慧基礎、機器學習、負責任的AI，以及感知與語言等內容，目標是讓學生更深入地理解和開發智能系統。
兩條路徑的區別，不在於誰更先進，而在於知識覆蓋的廣度和專業聚焦的程度。
如果學生希望先建立相對完整的計算機知識體系，再根據興趣探索軟體開發、系統設計、AI等方向，計算機科學可能提供更寬的起點；如果學生已經對機器學習、智能決策、計算機視覺等領域有較強興趣，並願意深入相關技術，人工智慧專業則值得重點研究。
值得注意的是，NUS在2025/26學年起對計算機科學與人工智慧本科項目採用共同招生池。學生入學後，前四個學期可以接觸兩個項目的相關課程，再選擇最終的學位方向。學校也說明，兩個項目在前兩年的課程存在較多共通之處。具體招生與專業選擇規則仍應以申請年度的官方說明為準。
這一安排的意義在於：學生不必在高中階段就完全確定自己未來要成為哪一種技術人才，可以先通過基礎課程了解不同領域，再逐步明確方向。
如果想進入機器人、智能硬體領域呢？
NUS的計算機工程專業提供了另一條路徑。
與主要研究軟體、算法和計算系統的計算機科學不同，計算機工程更關注計算系統與電子硬體之間的聯繫。對於希望理解晶片、嵌入式系統、硬體與軟體協同設計的學生而言，這一方向值得關注。NUS也將計算機工程單獨列為本科項目。
這與上一篇文章討論的機器人產業變化存在直接聯繫：當AI進入真實世界，技術不再只是在螢幕上運行，還需要與傳感器、計算設備和實際系統協同工作。
因此，NUS的選擇邏輯可以概括為：從計算機科學建立廣泛基礎，向AI深入，或者轉向計算機工程等相鄰方向。學生應根據課程內容和自身興趣決定，而不是單憑專業名稱判斷發展空間。
NTU：從計算機科學到數據科學與AI，專業分支更值得細看
NTU的計算機與數據科學教育由計算機與數據科學學院（College of Computing and Data Science，CCDS）提供。其本科項目包括計算機科學、數據科學與人工智慧、人工智慧與社會，以及計算機工程等。學校同時提供雙學位、第二主修和輔修等延伸路徑。
如果說選擇NUS時，學生需要理解計算機科學與AI之間的區別，那麼選擇NTU時，還需要進一步分辨：自己更偏向通用計算能力、數據驅動的分析與建模，還是AI技術的開發與社會應用。
計算機科學：不只是學習編程
NTU的Computer Science強調軟體算法、數據結構以及計算範式的設計與整合，關注如何構建高效、可靠的計算系統。
這意味著，計算機科學並不等於簡單地學習幾門程式語言。編程是工具，算法設計、系統思維和解決複雜問題的能力，才是專業訓練的重要部分。
對於未來希望從事軟體工程、計算系統開發，或者希望在本科階段保留較廣泛技術選擇的學生，計算機科學是一條值得認真考慮的路徑。
數據科學與人工智慧：從數據中提取規律，再建立智能應用
NTU的Data Science and Artificial Intelligence（DSAI）項目由CCDS與數學、物理及其他相關科學領域共同參與提供，課程將計算機科學與數據科學、人工智慧結合起來。
這條路徑尤其值得數學基礎較好、喜歡分析和建模的學生關注。
在實際應用中，AI系統不僅需要算法，還需要數據。數據如何收集和處理，如何建立模型，如何評估結果，如何將分析轉化為可用的解決方案，都可能成為學習的重要環節。
不過，數據科學與人工智慧並不是完全脫離計算機科學的獨立領域。學生仍需要重視編程、算法、數學和統計基礎，不能因為專業名稱里有「AI」，就忽視這些底層能力。
人工智慧與社會：技術能力之外，還要理解技術影響
NTU的Bachelor of Computing (Hons) in Artificial Intelligence and Society（人工智慧與社會）將AI技術基礎與倫理、設計、開發和部署等內容結合起來。
這一專業名稱背後的一個重要信號是：人工智慧教育不只是研究技術能做什麼，也需要討論技術應該如何被使用，以及它會如何影響組織、社會與個人。
隨著AI應用逐漸進入金融、醫療、教育、公共服務等場景，模型表現只是系統價值的一部分。數據隱私、可靠性、公平性、治理和實際應用環境，同樣會影響技術能否真正落地。
因此，對AI技術感興趣、同時也希望理解技術與社會關係的學生，可以將這一方向納入比較範圍。當然，是否適合某位學生，仍需進一步查看具體課程、數學與編程要求，以及項目實踐安排。
計算機工程：把計算能力帶到硬體與實體系統中
NTU的Computer Engineering強調計算機科學與工程的結合，以及硬體與軟體協同設計，涉及嵌入式系統等相關領域。
如果學生對機器人、智能設備、晶片、嵌入式系統或軟硬體整合更感興趣，就不應該只盯著計算機科學和人工智慧兩個名稱。
這也說明，AI相關人才並非只有算法工程師一種類型。一個智能設備從設計到運行，可能涉及數據處理、模型開發、硬體設計、系統集成和實際場景測試。不同專業培養的能力可以相互銜接，卻不能簡單互相替代。
SUTD：計算、AI與設計結合，強調把技術轉化為解決方案
與NUS、NTU相比，SUTD的一個鮮明特點，是將技術教育與設計思維、跨學科學習和實踐項目結合起來。
SUTD本科課程採用核心課程與可選課程相結合的結構，學生在完成基礎學習後，可以通過不同專業、第二主修、輔修和專業方向逐步形成自己的知識組合。學校還設置跨專業的畢業綜合項目（Capstone），鼓勵學生與不同專業的同學共同解決真實問題。
在計算機與AI相關方向中，有兩個項目尤其值得關註：Information Systems Technology and Design（ISTD，信息系統技術與設計，現有課程體系中的計算機科學與設計本科項目）和Design and Artificial Intelligence（DAI，設計與人工智慧）。
計算機科學與設計：既理解技術，也關注技術如何被使用
SUTD的Computer Science and Design本科項目，屬於Bachelor of Engineering體系。它並非只把計算機知識作為孤立的技術訓練，而是將計算與設計相結合。
對於希望學習計算機技術，同時對產品、交互、系統設計和真實場景中的技術應用有興趣的學生，這是一條值得深入研究的路徑。
例如，開發一個軟體產品，除了代碼是否能夠運行，還要考慮用戶需求、交互方式、系統結構，以及產品如何在真實環境中發揮作用。設計思維可以幫助學生從問題本身出發，而不只是從已有技術出發尋找應用場景。
需要強調的是，設計並不意味著降低技術要求。真正有價值的跨學科教育，是在技術基礎之上增加理解問題和組織解決方案的能力，而不是用寬泛的「創新」概念替代紮實的專業訓練。
設計與人工智慧：不只研究AI，還要思考AI如何服務人
SUTD的Design and Artificial Intelligence（DAI）項目，將AI能力、設計思維與對人和社會的理解結合起來。
尤其值得注意的是，SUTD從2026年9月起為新申請學生推出更新後的DAI課程體系，設置Societal and Systems Intelligence（社會與系統智能）和Human-Centred Intelligence（以人為中心的智能）兩條路徑。前者結合經濟、商業與AI，後者關注心理學、哲學及人機互動等領域。學校希望學生不僅掌握AI工具，也能理解技術與人的關係，並對AI系統進行審慎評估。
這條路徑適合什麼樣的學生？
如果學生對AI感興趣，但關注點不僅是算法本身，還包括AI如何改善服務、支持決策、改變人機互動，或者如何解決複雜的社會與商業問題，那麼DAI值得進一步了解。
不過，必須區分兩個概念：「學習AI」與「專攻AI底層技術」並不完全相同。 DAI的設計與人本導向，與以算法、機器學習和計算機系統為核心的技術路線有不同側重。希望深入研究模型、算法或底層計算系統的學生，應認真比較各項目的技術課程比例、數學要求和進階選修內容。
