AI 大學學士通常不是從第一天就只學生成式 AI。真正的基礎仍是程式設計、演算法、線性代數、微積分、機率統計與電腦系統，再往 Machine Learning、Deep Learning、NLP、Computer Vision、Robotics 等方向延伸。
一、AI 大學學士最常見的兩種結構
Computing-based：先把 Computer Science 的核心打底，再逐年增加 Machine Learning、Deep Learning、NLP、Computer Vision、Robotics。Imperial 的 Computing (Artificial Intelligence and Machine Learning) 就是這種架構。
Math + Computing：數學比重更高，會強調 Calculus、Linear Algebra、Probability、Statistical Modelling，再搭配 Machine Learning 與 Software Engineering。這類課程適合數學基礎強的學生。
二、AI、Computer Science、Data Science 怎麼分？
- Computer Science：最廣，包含 algorithms、systems、software、databases、networks、AI。
- Artificial Intelligence：更集中在 learning、reasoning、perception、language、robotics。
- Data Science：更重 statistics、data analysis、data engineering、visualisation 與 modelling。
三、高中階段怎麼準備？
最重要的是數學。若目標是英國或加拿大較強的 AI／Computing 課程，要特別注意 Mathematics、Calculus 與進階數學要求。程式設計經驗很有幫助，但不要把「會用 ChatGPT」當成 AI 學術準備。
四、適合什麼學生？
喜歡抽象邏輯、數學、程式、反覆除錯，並願意理解模型為什麼有效或失敗的人會比較適合。若只喜歡 AI 應用，但不喜歡數學與 coding，可以改看 Business Analytics、AI in Business 或 Digital Business。
五、常見職涯
Machine Learning Engineer、AI Engineer、Data Scientist、NLP Engineer、Computer Vision Engineer、Software Engineer、Research Engineer。研究型職涯通常還需要碩士或博士。