上篇 · 坐标系:为什么一个非科班的人,我推荐先学这套斯坦福 CS 骨架
一、你的天花板在哪
先把话说透:会用 AI 工具的人,现在满地都是。
会用 ChatGPT 写文案、会用 Claude 写小脚本、会把各种 agent 串成一条流水线——这些我都能做到,而且做得相当熟练。我搭过自己的模型代理栈,跑过几十个自动化项目,工具用起来比大多数程序员还顺手。
但有一天我发现了一件事:工具用得好,不等于能造工具。
当我想从"调一个现成的模型接口"变成"训练一个自己的模型",从"把别人的开源项目跑起来"变成"读懂它为什么这么写",从"脚本能跑就行"变成"跑得快、跑得稳"——我撞到了一堵墙。这堵墙不是某种具体工具的门槛,而是系统知识的门槛。
具体说,就是这些问题的答案:程序从源代码到运行,中间发生了什么?数据结构为什么是这个复杂度?算法什么时候该用动态规划?线性代数、概率这些数学,到底在机器学习里扮演什么角色?
过去我回避这些问题的方式,是"用到再查"。查一次会一点,会一点忘一点。知识像一堆散在地上的珠子,每颗都有用,但串不起来。
直到我意识到:自学的人缺的不是课,是坐标系。
二、为什么是"培养计划"
“培养计划"这个词听起来很行政,像教务处墙上贴的那种没人看的表格。但换一个视角看,它是一个大学用几十年、几代人反复打磨出来的知识地图。
每一门课为什么存在、为什么排在这个位置、为什么是这门课的学分而不是那门课——这些安排背后是深思熟虑的依赖关系:先学 A 才能学 B,B 又给 C 铺路。
自学最容易犯的错,就是没有这张地图。今天看到一篇讲神经网络的文章觉得酷,学两天;明天刷到讲操作系统的视频觉得"这好像不急”,跳过;后天想学算法,发现数学没底,又回头补。来回横跳几个月,产出为零——因为缺乏依赖关系的学习,学的都是孤立点,最后谁也连不上谁。
而借用一个成熟培养计划的骨架,等于直接站在别人的肩膀上。你不用重新发明"先学什么",“往后学什么"也会自然浮现:因为每门课都指向下一门课。
这也是为什么我最后选了**斯坦福 CS(Bachelor of Science in Computer Science)**的本科培养计划,而不是自己拼一个"AI 速成清单”。
三、为什么是 CS,而不是"AI 应用",也不是纯"数据科学"
我认真想过另外两条路,先说为什么排除:
“AI 应用速成路线”:各种培训班、付费课,教你几天内调库、跑 demo、接 API。学完确实能做点东西,但天花板很明显——你学的是"怎么用",不是"怎么造"。当工具升级、库变了、或者你要做的东西没有现成库时,你就归零了。这不是学习,是消费。
纯"数据科学"路线:我这种有统计/数据分析背景的人最容易走这条路。但它有个问题:数据科学的知识像一层"附加层",它盖在计算机基础之上,却常常不补地基。你学了一堆 pandas、SQL、统计检验,但不知道数据库底层怎么工作、程序怎么被优化,遇到真实工程问题依然抓瞎。而且对我这种已经有 R 底子的人来说,纯数据科学的边际收益是递减的——重复已知,不增长能力。
计算机科学(CS):它是所有这一切的地基。AI 是盖在地基上的楼,数据科学是地基上的一层装饰。CS 核心教的是:编程(怎么把想法变成代码)、数据结构与算法(代码怎么写才高效)、计算机系统(代码实际怎么跑)、数学(智能背后的形式语言)。
一句话:学 AI 应用,你学会用锤子;学数据科学,你学会测房子;学 CS,你学会盖房子。 而斯坦福 CS 的特别之处在于,它的 AI 方向深度课(机器学习、NLP、CV)本身就是 CS 体系的一部分——地基和楼是同一张图纸,不用分两次学。
四、斯坦福 CS B.S. 到底在教什么
先看官方结构:斯坦福 CS 本科学位总共 180 单位,其中计算机主修约占 96 单位,拆开是——
- 数学基础 26 单位:微积分、线性代数、概率
- 科学基础 11 单位:物理等
- 工程基础 10 单位
- CS 核心、深度、毕业设计 43 单位:这是主体
对自学者,那些科学/社科/写作的学分要求可以全部忽略,真正值钱的是这个骨架:
第一层:编程入门 —— CS106A → CS106B A 是编程方法论(Python 入门,2023 年起由 Java 改为 Python),B 是编程抽象(数据结构+递归)。这是整套体系的入口,解决"会写代码"的问题。没有这一层,后面全是空中楼阁。
第二层:数学地基 —— 线性代数、离散数学(CS103)、概率(CS109) 几乎所有劝退自学者的话都是"算法/机器学习难",但难的不是算法本身,是它脚下的数学。CS103 教离散数学(证明、集合、图论、逻辑),CS109 教概率论。这两门的课件公开度极高,是在家可以完整自学的。注意:CS103 没有前置要求,不必排在编程课前面——它通常和 CS106A/B 并行、或稍后上,甚至放到 CS107 之后也不迟。真正的入口永远是先写代码的 CS106A。
第三层:系统核心 —— CS107(计算机组成与系统)、CS111(操作系统原理) 这一层解决"程序到底怎么跑"的问题:内存、指针、编译、操作系统调度。很多人学编程多年,在这层第一次真的搞懂"我的代码在机器上发生了什么"。这是区分"会写代码"和"懂计算机"的分水岭。(注:老的 CS110 已于 2022 春退役,现在操作系统课是 CS111。)
第四层:算法 —— CS161(算法设计与分析) 把数据结构课学到的工具,升级成"面对新问题怎么设计解法"的能力。Big-O、分治、动态规划、图算法——面试考的就是它,实际工程里它决定你的代码是快 10 倍还是快 100 倍。
第五层:方向深度 —— AI / 系统 / 理论 / HCI 等 track 斯坦福官方要求选一个方向深入(25+ 单位,约 7 门课)。AI 方向的旗舰组合是:CS221(AI 原理)+ CS229(机器学习)+ CS224N(自然语言)+ CS231N(计算机视觉)。这四门,就是全世界最顶尖的 AI 公开课序列;自学者不贪多,选其中二到三门学透,就足以撑起一个 AI 方向。
注意这套结构在教什么:它不是在教 7 门孤立的课,而是在建一张图——从"代码"到"机器"到"算法"到"智能",每一层都踩在上一层上。 这就是坐标系。
五、为什么是斯坦福,而且一定要配 MIT OCW
选斯坦福,不是因为牌子,是因为课件公开度。你要自学,能不能免费拿到完整的课件、视频、作业,是生死问题。
斯坦福的公开课体系(Stanford Engineering Everywhere,简称 SEE)把 CS106A/B、CS107、CS229 这些核心课的视频和课件直接公开可下载,CS224N、CS231N 的课件 PDF 也在官网公开,作业和往年考试随手可拿。这在全球名校里是独一份的慷慨。
但它也有缺口:部分课程(比如 CS103、CS161、CS110)的视频放在校内系统里,公网看不了。
这时候就用上第二张牌:MIT 开放课程(OCW)。MIT 的教学风格和斯坦福互补,而且它的规矩是"全部开放"——PDF 讲义、作业、考试打包下载,多数配了视频。比如斯坦福的视频看不了的离散数学,直接用 MIT 的 6.042J 顶;算法用 MIT 6.006 → 6.046J 顶;机器学习用 6.036 打底。
斯坦福提供"最好的课",MIT 提供"全都能下载的课"。两个拼起来,就是一张没有死角的免费自学地图。 这个组合,全球找不到第三家。
六、学完 AI 方向,意味着什么
把这套骨架学完,尤其是走到 AI 方向那几门课,你的能力会发生一次质变。
CS229 会教你把"机器学习"从玄学变成可推导的数学:线性回归、逻辑回归、神经网络,公式从哪来、为什么有效,你都能自己推出来。CS224N 教你用深度学习做语言任务,CS231N 教你做视觉任务。到这一步,你不再是"调用别人模型的人",而是能读懂模型、能改模型、能自己训模型的人。
对一个搞了几年 AI 工具的人来说,这是从"用户"到"作者"的那一步。区别就像:会用手机拍照,和能自己做一台相机。
七、对想变现的人,这套体系值多少钱
如果只是陶冶情操,学什么都行。但你和我关心的都是变现——那时间就是最贵的资本,每一小时都得花在回报最高的地方。
我的判断是:对非科班、想靠技术变现的人,系统学 CS 核心是投入产出比最高的时间投资,理由有三:
第一,每门课都直接折算成能力。学完 CS106B 能写 500 行以上的工具;学完 CS161 能过算法面试、能写高性能代码;学完 CS229 能做自己的模型。没有一门课是"浪费学分"。
第二,它是可借贷的资产。速成课的知识三个月就折旧,因为工具会变;CS 核心的知识十年不过时,因为它是底层规律。你借的是"接下来十年都能用的能力"。
第三,它抬高了你的市场定位。市面上"会用 AI 的人"已经过剩,但"懂系统、能造工具、又懂 AI"的人是稀缺的。这套骨架把你从红海挪进蓝海。
八、终点:一张能落地的学位
如果只是想"学到东西",到这里地图就够了。但你可能想要一个更实在的落点——学位。我的规划里,这张地图的终点就挂着一个学位:佐治亚理工的在线计算机硕士(OMSCS)。
选它的理由:第一,便宜:整个学位按 2026 年费率约 7,000-9,500 美金(30 学分 × 约 $227/学分 + 每学期杂费,总额随修课节奏浮动),是全世界性价比最高的顶尖 CS 硕士(美国普通硕士要 5-10 万美元)。第二,边工作边读:每学期一两门课,三到六年读完,不耽误赚钱。第三,不考 GRE。
但有三件事必须提前知道,否则会踩坑:
1. 光靠免费自学课,申请时不够。 OMSCS 官方说得直接——“光 MOOC 很少够,除非你有 STEM 类本科”。它要的是"可客观证明的 CS 基础":编程、面向对象、数据结构与算法。官方推荐两条补课路径:GT edX 认证证书(Python 入门、Java 面向对象、数据结构与算法,带考试、发证书,约 4-5 千人民币),或美国社区大学 2-4 门带学分课程拿 B 以上。
2. 录取别想当然。 整体录取率确实有 60-80% 量级,但那是算上大量 CS/工程背景申请者的;非 CS 背景是逐案评估,竞争更激烈。别把"录取率高"理解成"好申请"。
3. 国际生还有硬门槛。 TOEFL ≥ 100 或 IELTS ≥ 7.0,不达标直接拒;入学后 12 个月内要修完 2 门基础课且拿到 B 以上。另外纯在线学位无法通过教育部留学服务中心认证——国内体制内、考公、高校评职称不认,但私企、外企、创业、海外完全认。
所以路线仍是三层:
免费课学知识,证书课拿凭证,OMSCS 拿学位。
免费自学课(本文整套)负责把知识打扎实,这是真正的地基;GT 证书负责"证明你会";OMSCS 负责把能力落成一张学位。三样东西同一条链路,和这张地图完全同向。
九、结尾:坐标系比课程重要
最后说回开头那句话:自学的关键不是找课,是找坐标系。
斯坦福 CS 培养计划的价值,不在于"名牌大学的课",而在于它是一张经过几十年迭代、每一门课都指向下一门课的地图。你拿着这张地图走,每一步都知道自己在哪、下一步去哪;你东拼西凑地学,走了三年可能还在原地打转。
接下来的两篇,我会把这张地图展开:
地图已经摊开了。接下来,就是按图走路的事。