随着科技的迅速发展，人工智能（AI）已经成为一个备受瞩目的领域。从OpenAI推出的ChatGPT到各种应用于企业和日常生活中的大规模语言模型（LLM），AI正以前所未有的方式塑造我们的世界。对于希望进入这个领域的学生而言，选择适合的入门课程十分关键，尤其是当前高校中的教育课程设置正面临着变革的需求。
在许多高校中，“人工智能导论（Introduction to AI）”是最受欢迎的基础课程之一，通常涵盖了人工智能的多种分支内容，例如机器学习、神经网络、自然语言处理、计算机视觉、强化学习等。其中，斯坦福大学的《CS221: Artificial Intelligence: Principles and Techniques》备受学生青睐，成为众多学校中类似课程的代表。
OpenAI研究科学家Noam Brown最近提出了一个颇具争议的观点，他认为对于打算学习人工智能的本科生“人工智能导论”不应再是他们的第一门课程。相反，他建议应优先选择“机器学习导论（Introduction to Machine Learning）”。他指出，过去15年间，深度学习和神经网络的发展使得AI技术取得了飞跃，而在许多院校中，机器学习内容往往仅被简单地几节课涵盖，这在新兴的技术背景下显得极其不足。
Brown强调，在理想的情况下，机器学习的入门课程应该包括线性回归、梯度下降、反向传播以及强化学习等核心概念。他认为，很多高校的课程大纲相差巨大，许多“人工智能导论”课程并未涵盖这些关键知识点。因此，学生在选择课程时，务必仔细查看课程内容，以确保能获得当今AI领域所需的现代技能。
在与多位大学教授就这一话题进行探讨后，Brown发现几乎所有人都同意“人工智能导论”课程的内容需要更多涵盖机器学习的元素。如何改进课程设置，并达成共识，成为了一个复杂的议题。比如，有人曾提议将约束满足问题（CSPs）等传统主题从课程中剔除，却引起了一些教授的不满。
相比于许多传统的人工智能导论课程，机器学习导论的内容则更加紧贴现代AI技术的发展，专注于一些当前在工业界和学术界都极具影响力的话题，如线性回归、逻辑回归、支持向量机（SVM）、集成学习和深度学习等。以吴恩达主讲的斯坦福《CS229: Machine Learning》为例，该课程已经成为无数希望进入AI行业学生的标杆，涵盖了监督学习、无监督学习、生成模型等诸多实用知识。
此话题引发了广泛讨论。Anthropic的一位研究人员表示，自己在本科时也对此感到疑惑，曾经在印度理工学院的“人工智能导论”课程中完全没有涉及到神经网络，而这一现象至今似乎没有得到改善。显然，当前的教育体系在某些方面已经滞后于行业的发展要求。
一些评论指出，“人工智能导论”的课程内容往往着重于搜索算法和专家系统，而这一类技术在的AI应用中已然过时，学生们却渴望掌握最新的transformer模型和反向传播算法。正如某位研究者所说，这就像是在智能手机时代仍然教授打字机的维护技术。
目前，人工智能领域的突破大多源于机器学习和深度学习相关的研究，而与旧版的“人工智能导论”课程相比，这些课程的内容显得更加贴近当下与未来的发展趋势。因此，逐步引入更多机器学习内容的呼声在高校中越来越高涨。对此，不少人建议，学生若能掌握提示词工程及其应用，便能更好地应对即将到来的技术挑战。
人工智能导论课程在教育中的地位正受到挑战，未来或将面临重要的转型。高校有必要依据当前科技领域的发展趋势，重新审视课程设置，为学生提供更具现实意义的学习体验。无论是选择“机器学习导论”还是重构“人工智能导论”课程，能够适应市场需求的教育模式，将关键在于如何有效结合现代技术与教学理念。希望在不久的将来，各大高校能够积极采纳这些建议，为推动人工智能领域的教育创新奠定基础。