AI 课程需求激增，计算机科学入学人数下降

Google News 聚焦了美国校园中一个显著的逆转：人工智能课程需求正在上升，而传统计算机科学的入学人数却在下降。

学生并非只是放弃科技领域。许多人正转向更短期、应用导向和跨学科的路径，将 AI 与心理学、音乐、商业、写作、医疗保健和设计结合起来。

这一区别改变了叙事。如今的竞争不再是 AI 教育与非技术教育之间的竞争，而是专业化计算机科学训练与面向几乎所有学生的广泛 AI 素养之间的竞争。

2026 年 8 月的一份校园 AI 报告记录了这一变化，涉及弗吉尼亚联邦大学、西北大学、哈佛大学、普渡大学、俄亥俄州立大学和东门诺大学等高校。

报道中的繁荣并不意味着每个 AI 项目都在蓬勃发展。全国数据显示，传统计算机与信息科学项目的入学人数正在走弱。

因此，大学正在同时押注两条路径：开设技术型 AI 学位，同时将基础 AI 能力融入无关的专业。

这种做法或许能让更多学生为 AI 塑造的职场做好准备。但如果院校只教授工具，而不教授背后的推理、数据和评估技能，也可能催生浅层的资格认证。

美国大学发生了什么变化

AI 教育正从计算机科学的专业领域，进入大学通识课程体系。

弗吉尼亚联邦大学开设了 AI 辅修课程，部分面向传统计算机项目以外的学生。美联社报道了心理学专业学生 Faith Maeba 的情况：她在考虑研究生学习时选择了这门辅修。

她的案例体现了新的需求。她主要不是为了成为软件工程师而接受训练，而是希望理解机器学习如何影响人类行为和工作场所。

西北大学也正在以更大规模推进类似转变。随着新入学计算机科学学生群体缩减，其计算机科学系正准备教授更多非本专业学生。

该系已开设 AI 辅修课程，并正推出本科 AI 专业。它还在简化进入 AI 和机器学习课程的路径。

西北大学的新 AI 专业结合了数学基础、编程、数据结构、机器学习、基础设施、伦理与以人为中心的设计。

西北大学任何学院的学生都可以在保留原所属学院的同时，将 AI 作为第二专业。这样的结构让 AI 成为跨学科的一层能力，而非完整的学术身份。

该校还将 AI 引入此前远离计算领域的学科。其音乐学院提供了连接音乐与人工智能的证书课程。

东门诺大学计划打造一个更为融合的课堂。音乐、戏剧、艺术、工程、数学和计算机科学专业的学生将共同学习 AI。

该课程将研究编辑或生成鼓轨等任务。其更广泛的目标是培养创意与技术专家之间的协作能力。

哈佛已将大型语言模型引入新生写作课程。大型语言模型会根据从海量数据集中学习到的模式来预测和生成语言。

据报道，这些课程将该技术与版权、错误信息和写作实践联系起来。这并非传统编程教学，却仍需要批判性的技术理解。

普渡大学已引入与 AI 相关的毕业要求。俄亥俄州立大学则正将 AI 教学嵌入其各学院的本科教育。

这些案例共同揭示了 AI 课程需求的真实规模。大学不只是在为工程专业学生增设选修课，而是将 AI 素养视为一项通用学术能力。

Google News 的标题捕捉到了可见的繁荣，但其背后的机制更重要。需求之所以扩大，是因为潜在受众如今几乎涵盖所有专业。

这创造了一个远大于旧模式的市场；旧模式中，高级机器学习课程仅限于计算机科学系学生。

Google News 揭示了更复杂的入学故事

AI 课程热潮正与传统计算领域入学人数的可量化下降同时发生，而非建立在计算机科学持续增长之上。

National Student Clearinghouse 的数据显示，2025 年秋季美国高等教育总入学人数有所增长。入学学生超过 1,940 万人，同比增长 1%。

计算机与信息科学则朝相反方向发展。该领域在报告涵盖的每种学位层级和院校类型中，入学人数均有所下降。

根据秋季入学数据，降幅从以副学士学位为主院校本科生的 3.6%，到研究生层级的 14% 不等。

美联社随后报道称，2026 年春季又出现了一轮下降。四年制院校的计算机与信息科学入学人数下滑超过 8%。

这些数字令“学生因 AI 而纷纷涌入技术领域”的说法变得更复杂。这一转向更具选择性。

一些学生仍希望构建模型、基础设施和 AI 产品。另一些学生则希望掌握足够的知识，以便在不同职业中安全地应用 AI。

在西北大学，计算机科学教师队伍此前已因应早期需求而扩充一倍。该系如今预计将教授更多来自其他专业的学生。

计算机科学系主任 Samir Khuller 向美联社表示，该系正尝试再招聘三名教授。尽管新入学的计算机科学专业学生有所减少，这一招聘仍在进行。

当把不同学生群体区分开来时，表面上的矛盾便消失了。专业入学人数与课程选课人数衡量的是不同的行为。

一名学生可以不选择四年制计算机科学专业，同时修读 AI、数据或编程课程。另一名学生也可以在不改变心理学或音乐学位的情况下增加 AI 辅修。

劳动力市场有助于解释这一区别。初级软件开发岗位不再像过去那样，似乎天然通向稳定的专业工作。

AI 编程系统能够生成函数、测试、文档和常规应用组件。因此，雇主或许会预期更少的初级开发人员完成同等工作量。

学生已经注意到这种不确定性。一些人正在寻求 AI 专项能力，另一些人则在寻找将技术熟练度与领域知识相结合的学位。

理解模型局限性的心理学学生可以研究职场行为。音乐人可以评估合成媒体。商科学生可以审视自动化决策。

这些路径并未消除对计算机科学的需求。每个可运行的 AI 系统仍依赖软件、数据结构、基础设施、安全性和数学推理。

然而，学历信号正在变化。通用计算机科学学位不再带有早先科技招聘热潮期间那种毫无疑问的承诺。

因此，AI 课程需求在一定程度上具有防御性。学生希望证明自己能够与正在改变其预期职业的系统协同工作。

大学正面临双向压力。它们既要更新技术学位，也要为缺乏高级先修条件的学生提供易于参与的教学。

这正是为什么 Google News 对需求上升的报道不应被解读为一次简单的入学胜利。它反映的是科技教育内部兴趣的重新分配。

AI 素养正成为通用要求

大学越来越将 AI 素养视为类似定量推理的能力：即使毕业生从不构建模型，也需要具备这种能力。

德克萨斯大学奥斯汀分校计算机科学系主任 Peter Stone 直接阐述了这一立场。他认为，学生需要一定程度的 AI 素养，就像需要数学、阅读和写作能力一样。

Stone 最近为计算机科学专业以外的学生开发了一门 AI 基础导论课程。“基础”一词表明，其教育目标不同于工程学课程序列。

这类课程中的学生需要理解 AI 能做什么、其输出从何而来，以及其答案为何可能失效。

他们还需要识别幻觉，即缺乏可靠证据支持、却看似合理的输出。这项技能在法律、医学、研究、新闻业和日常办公室工作中都很重要。

俄亥俄州立大学已将这一前提转化为全校范围的项目。其目标是让从 2029 届开始的每位学生在毕业时都具备与所在领域相关的 AI 熟练度。

该校的AI Fluency 项目在必修研讨课和大学一年级体验课程中设置了生成式 AI 基础教学与工作坊。

其明确的学习成果不止于提示词写作。学生应理解基础概念，评估输入与输出，判断准确性，并审视法律和伦理影响。

随着各学院制定各自的实施计划，俄亥俄州立大学的做法最终可能覆盖约 5.3 万名本科生。

这一规模说明，大学 AI 项目已不再局限于计算机科学系。单一的技术课程体系无法涵盖所有职业场景。

护理专业学生需要评估临床支持系统和患者隐私。设计师需要审视作者身份、偏见和合成媒体。

产品经理需要测试自动化工作流是否解决了预期问题。研究人员需要记录 AI 在分析或写作中何时提供了协助。

这些应用共享若干基础，但需要不同的案例、风险和评估方法。

这一变化也影响了学生组织知识的方式。AI 工具可以快速给出答案，但学生仍需要可靠的源材料和持久的上下文。

个人知识系统可以帮助学生在让 AI 建立联系之前，保留阅读材料、课堂笔记和证据。该工具不能替代学科专业知识。

这一区别至关重要。AI 熟练度应当意味着知情使用，而非持续依赖聊天机器人。

大学还必须决定，应将 AI 设置为专门课程，还是融入既有学科。独立课程能够提供聚焦，而嵌入式教学则能将 AI 与真实的学科实践相连接。

俄亥俄州立大学正在采用两种路径。它提供通用教学，同时要求各学院界定 AI 如何适用于本领域。

西北大学的结构遵循相同的总体逻辑。它支持技术型专业、跨学科辅修，以及面向寻求单门课程学生的切入点。

这种分层模式正成为主流回应，因为学生目标差异很大。有些人需要素养，有些人需要应用能力，还有些人需要工程深度。

Google News 对这一趋势的关注反映了其广泛的受众。几乎每一位学生、家长、教育工作者和雇主，都与如何正确界定这些层级息息相关。

热潮正超越课程标准

快速扩张带来了质量问题，因为打着相似 AI 标签的项目，对技术和伦理准备的要求可能相差甚远。

东北大学的研究人员在 2026 年春季绘制了美国四年制大学中 350 多个本科 AI 项目的分布图。

他们的项目映射研究检索了 560 多所院校，这些院校培养了美国 86% 的本科计算机科学毕业生。

该数据库涵盖主修、辅修、专业方向和证书。这些类别代表着投入程度截然不同的学习路径，但学生可能会在同一个 AI 标签下接触到它们。

研究人员分析了 66 个 AI 主修项目和 87 个 AI 辅修项目的要求，发现项目规模和课程设置存在显著差异。

所有被审查的主修项目都要求学习通用人工智能课程或机器学习。这提供了一定的技术基础，但伦理要求的一致性较低。

超过三分之一的主修项目要求修读 AI 伦理课程。包含这一要求的辅修项目不足四分之一。

这些发现揭示了一项核心权衡。大学希望迅速推出相关项目，但负责任的 AI 教学需要的不只是工具演示。

学生需要理解训练数据、统计不确定性、评估方法、隐私、安全、知识产权，以及计算带来的环境成本。

技术类学生同样需要扎实且持久的基础。当前的界面和模型品牌变化速度，可能远快于数学、算法、系统设计和实验推理。

研究计算机科学教育的华盛顿大学博士研究员 Murtaza Ali 在 AP 报道中指出了另一项风险。

当学生要求 AI 编写代码时，系统也可能承担部分底层问题分析。输出结果或许能够运行，但学生可能没有掌握其中的推理过程。

这带来了棘手的评估问题。提交的程序已经无法可靠地表明学生是否能够拆解任务、选择方法并诊断错误。

同样的担忧也适用于编程之外。一篇润色精美的论文，并不能证明其作者评估过资料来源，或真正理解其中的论证。

一份生成的市场分析可能掩盖虚构的数据。一张合成图像可能违反许可规则，或复制带有偏见的模式。

因此，有效的大学 AI 项目必须评估过程，而不仅是结果。学生应解释自己的决策、测试结果、记录资料来源，并识别模型失误。

作业可能需要口头答辩、课堂练习、开发日志或受控的实践评估。否则，大学可能认证的只是工具使用权限，而非能力。

师资容量构成另一项限制。AI 课程需求可能在数月内迅速上升，但聘请专家和批准课程通常需要更长时间。

哈佛大学教育学者、前大学校长 Paul LeBlanc 承认，教育机构无法完美跟上技术发展的速度。

这种滞后并不意味着课程可以一成不变。但它确实意味着，学校应避免围绕暂时性的产品功能来设计整个项目。

其中还存在品牌激励。AI 能吸引申请者、捐助者、研究伙伴和机构关注。

大学将现有的数据科学或计算路径更名为 AI，往往比创建真正独特的学术项目更快。

因此，学生应审视课程要求，而不是依赖项目名称。可信的技术学位应清楚展示其数学、计算、数据、系统和评估基础。

应用型辅修项目应明确界定毕业生能够评估或产出的内容。通识素养要求则应涵盖证据、局限性和负责任的使用方式。

2026 年的AI 教育研究发现提出了另一项警示。AI 相关项目正在增长，但获取机会和准备程度仍不均衡。

扩张不会自动解决这些差距。资金充足的大学里的学生，可能获得专家授课、计算资源和研究机会。

其他学生可能只会接受一场围绕商业工具展开的短期研习。尽管准备程度不同，两类学生离开时都可能持有标注为“AI 熟练”的证书。

这正是这波热潮背后的主要挑战。大学必须扩大获取机会，同时避免将 AI 教育简化为提示词和产品教程。

传统计算机科学仍提供基础

跨学科 AI 的兴起并未让计算机科学过时；它只是让计算机科学的边界变得不那么清晰。

现代 AI 系统依赖于数十年来在算法、软件工程、统计学、数据库、分布式系统和计算机体系结构上的积累。

西北大学的新主修项目承认了这一传承。其课程包括数据结构、数学基础、编程、基础设施、机器学习和自然语言处理。

它还加入了传统项目有时视为次要的领域，包括以人为中心的设计、隐私、可持续性和知识产权。

这一组合表明，“AI 对比计算机科学”是一种不完整的框架。AI 教育重组了课程，但并未脱离计算基础。

学习部署模型的学生，必须理解数据如何在系统中流动。可靠性需要测试、监控、访问控制和故障处理。

评估生成结果的学生需要统计学和领域知识。缺少这些基础，信心的增长可能快于能力的增长。

因此，更合适的对照不是 AI 与计算机科学，而是广泛的 AI 素养与证书的深度。大学必须决定每个学生需要掌握什么，以及哪些工作只有专家才能负责任地完成。

对非主修学生而言，目标应是知情应用。学生应知道何时 AI 适合某项任务、如何验证输出，以及何时必须由人类判断作出决定。

对技术专家而言，要求应更高。他们应理解模型训练、评估、基础设施、安全、优化以及部署的后果。

大学也需要在这两类群体之间搭建桥梁。当参与者理解彼此的假设和限制时，跨学科项目才能发挥最佳效果。

音乐专业学生可能定义艺术要求，而计算机科学学生设计处理系统。双方都应评估署名、同意和输出质量。

心理学学生可能提出研究问题，而数据专家构建分析工作流。双方都需要识别抽样问题和隐私风险。

这些合作解释了为何即使主修人数下降，计算机科学系依然繁忙。它们的教学如今服务于大学中更多的学科领域。

然而，如果不改变师资配置和课程设计，院系无法吸收无限增长的需求。面向非主修学生的入门课，需要与专家培养序列不同的节奏。

教师还必须确定哪些先修要求确属必要。取消不必要的门槛可以扩大机会，但移除关键基础也会削弱学习效果。

Google News 的报道往往将这些差异压缩为一段单一的增长叙事。校园内部的转型实际上更具结构性。

计算机科学正从一个终点式主修专业，转变为共享的学术基础设施。它的概念日益支撑着全校范围内的课程。

如果大学为这一转型提供资金支持，它可以强化该领域。但如果领导者在没有教师、助教或计算资源的情况下增加要求，它也可能让院系不堪重负。

因此，招生人数下降不应被视为计算已经失去相关性的证据。它表明学生正在重新评估自己希望如何获得这种相关性。

有些人会选择完整的技术学位。另一些人则会将针对性的计算课程与医疗保健、金融、科学、政府或创意工作方面的专长结合起来。

雇主最终会检验这些组合是否能产生有价值的判断力。仅凭学位名称无法回答这个问题。

学生和大学接下来应关注什么

下一项考验是，增长中的 AI 招生能否带来持久技能、可信评估和更好的就业结果。

第一个信号将是课程完成率和进阶情况。初始选课人数可能反映好奇心，但高阶课程的选修情况能够显示学生是否正在建立持续的能力。

大学应公布有多少学生从入门素养课程进入辅修、主修、研究项目或应用学科工作。

如果进阶情况保持强劲，这波热潮反映的就不只是短暂兴趣。如果学生在一门入门课后大量流失，需求可能广泛却浅薄。

第二个信号将是课程质量。项目映射研究已经显示，技术和伦理要求存在很大差异。

认证机构、教师团体和雇主可能开始为 AI 主修、辅修和通识素养证书制定更清晰的期望。

这将通过让证书更易于解读而强化当前的转变。持续的不一致则会削弱人们对新项目标签的信心。

第三个信号将来自劳动力市场。大学部分是在回应雇主对毕业生 AI 能力的疑问。

学校需要证明，接受过 AI 培养的毕业生能够评估系统、跨学科协作，并完成超出常规工具使用范围的任务。

实习成果、毕业生就业、作品集质量和雇主反馈，将比新宣布课程的数量更重要。

学生也应关注初级岗位如何变化。传统软件岗位减少，并不必然意味着技术工作减少。

公司可能寻求同时具备编程能力、产品判断力、安全、研究、运营或特定行业知识的候选人。

大学在解读这些信号时必须谨慎。短期招聘疲软，可能在四年制学生群体毕业前发生变化。

仅为当前招聘广告设计的课程，可能很快过时。持久的推理能力和技术基础，能更好地抵御这种周期。

最强的大学 AI 项目很可能具备四项特质。

• 它们区分通识素养与专业工程能力。

• 它们要求学生验证输出并记录资料来源。

• 它们将领域专长与适当的技术深度相结合。

• 它们评估独立推理，而不仅是经过 AI 辅助后显得精美的结果。

评估项目的学生也应提出同样直接的问题。毕业生能够构建或评估什么，大学又如何测试这些能力？

他们应审查先修要求、必修课程、教师专长、项目机会以及负责任使用 AI 的规则。

他们也应询问，辅修是否能补充自己的主领域，还是仅仅增加另一项证书。答案取决于他们希望从事的工作。

对大学而言，任务更为艰巨。它们必须扩大机会，同时不能假装一门课程就能让每位学生成为 AI 专家。

它们必须保留计算机科学基础，同时承认 AI 能力如今应贯穿整个课程体系。

因此，Google News 的热度只是一个早期指标，而非最终结论。招生人数证明了关注度，但尚不能证明教育价值。

真正有意义的结果会在毕业生面对陌生系统和模糊证据时显现。他们能否质疑输出、检验假设并作出可追责的决定？

今年选择课程的学生应超越 AI 标签。寻找一个能教会你如何作出系统无法替你决定的判断的项目。