高考刚过，又一批学生站在人生的十字路口：要不要选计算机专业？

过去十几年，“学计算机=高薪”几乎成了共识。但到了2025年，情况已经变了。AI能写代码、能调试、甚至能生成完整应用——入门级程序员的“搬砖”工作，正在被机器取代。

那么，计算机专业还值得选吗？

我的答案是：值得，但前提是你真正对它感兴趣，而不是因为“它曾经很火”。

一、别再盲目跟风：计算机已进入“深水区”

计算机产业早已过了野蛮生长的红利期。如今行业趋于成熟，竞争激烈，门槛反而更高了。

  • 会写代码 ≠ 有竞争力。在Copilot、Cursor、GPT等AI工具的辅助下，一个非科班学生几周就能做出一个可用的产品。
  • 企业真正需要的，是能理解系统本质、设计复杂架构、解决真实问题的人——这恰恰是计算机专业要教你的东西。

所以，请问自己一个问题：

我是想“学会编程”，还是想“理解计算机”？

如果是前者，完全可以通过在线课程+AI工具自学；如果是后者，那计算机专业依然是不可替代的选择。

就像为了日常交流去学英语没问题，但没必要因此去读“英语专业” —— 同理，为了做项目而读计算机，可能得不偿失。

二、计算机专业≠学编程，而是学“计算的原理”

很多人以为计算机专业就是天天敲代码。其实不然。真正的计算机教育，核心是理论 + 数学 + 系统思维。

尤其在AI时代，如果你连梯度下降、矩阵分解、概率分布都搞不清，光会调用PyTorch API，很难走得远。

计算机对数学的要求，比你想象中高得多

不是说“写个网页需要微积分”，而是：

  • 想搞懂神经网络？你需要微积分、线性代数、概率论、统计学；
  • 想优化算法性能？你需要离散数学和组合优化；
  • 想做分布式系统？你需要图论和形式化方法。

这些数学不是要你成为数学家，而是掌握基本工具。成为数学家需要相当的天赋，然而只是理解几百年前的人已经发现的数学知识，对大多数人来说，只要认真学，完全能学会，也够用。

很多人从小对数学很畏惧，这不一定是智商问题，也许仅仅是因为在迈过那道门槛的时候，没有合适的老师/教材手把手带你走过去。选择合适的教材非常重要。有的教材一上来就摆出一张臭脸，拿鞭子抽打蹒跚学步的婴儿，嫌弃走得慢，姿势不标准，达不到奥运冠军的速度。这种教材是最容易遇到的，请毫不犹豫丢掉它们。找那种能能温柔地牵着你的手、一步一步带你走下去的。

三、先看看计算机专业到底学什么

在决定是否报考前，不妨先了解这个专业的真实面貌。以下是我整理的核心课程与推荐读物，适合高中生或大一新生提前预习。

📚 数学基础

前四门数学课（微积分、线代、概率、统计）不仅是AI的基础，也应是每个大学生的通识素养，不论什么专业，都应该学一学。

微积分

这几本教材任选其一作为入门都很合适：

  • 《普林斯顿微积分读本》（友好入门）
  • 《斯图尔特微积分》（系统全面，已有中文上册）
  • 《Calculus》 Ron Lason。也是一本非常棒的入门教材，可惜没有中文版

线性代数

  • 《线性代数导论》（Gilbert Strang 著，第5版有中文）

概率论

学完微积分后，就可以开始学习概率论。概率论中的一些知识需要用到积分知识。概率论入门可供选择的教材也不少：

  • 《概率论基础教程》（Sheldon Ross）
  • 《哈佛概率公开课》
  • 《统计学》，David Freedman，据说很经典的教程，可惜已经很难买到了

统计学

这两本都是入门级的，不需要多强的数学知识。

  • 《行为科学统计》（高中数学即可入门）
  • 《基础统计学》，Mario F Triola。

离散数学

  • 《离散数学及其应用》（Kenneth Rosen）—— 计算机的“专属数学”

💻 计算机核心理论

这才是专业的价值所在。在学习上述数学课程时，可以同步学习计算机的理论知识。这些知识并不十分依赖数学，至少入门阶段如此。有些书很厚，需要耐心读，不过厚并不意味着难，只是作者怕你学不会所以写的详细而已。

计算机系统

  • 《计算机系统概论》（Yale Patt）—— 薄而精
  • 《深入理解计算机系统》（CSAPP）—— 经典但厚，建议配合实验
  • 《计算机程序的构造和解释》 可以让你了解软件和编程层面的原理。

算法

  • 《算法图解》→ 入门友好
  • 《算法导论》→ 进阶参考（不必硬啃）

⚠️ 关于刷题：如果不是为了面试，LeetCode不必强求。理解算法思想比刷100道题更重要。

操作系统

  • 《操作系统导论》（Remzi Arpaci-Dusseau）
  • 《Unix/Linux编程实践教程》 Bruce Molay

计算机网络

  • 《计算机网络：自顶向下方法》（Kurose）

数据库

  • 《数据库系统概念》（“恐龙书”）

编译原理

  • 《Crafting Interpreters》（有中文版，实践导向）
  • 《用Go语言自制解释器/编译器》——适合动手党

💻 编程语言：打好基础，别追风口

  • C语言是理解计算机底层的钥匙。推荐：《C和指针》《征服C指针》。
  • Python是AI时代的通用胶水语言，易学且强大，无论是否做程序员都值得掌握。
  • 不建议初学者从JavaScript/TypeScript入手——前端离用户太近，离系统太远，不利于建立完整的计算观。

四、关于“我想学AI”的常见误区

很多人冲着大模型、AIGC来学计算机，但AI ≠ 编程。

  • AI的本质是数学 + 工程 + 领域知识。会用PyTorch，不代表懂反向传播；
  • 最低门槛：必须掌握导数、链式法则、条件概率、正态分布、方差等概念；
  • 编程只是实现工具，Python足够，不需要精通多种语言。

📘 AI入门路径建议

1. 先打好数学基础

前面介绍的微积分、线性代数、概率论、统计学四门课。

2. 读斋藤康毅系列

  • 《深度学习入门：基于Python的理论与实践》
  • 《深度学习入门：自制框架》
  • 《深度学习进阶：自然语言处理》

这位作者的系列中1、3这两本非常适合入门用。不过因为用numpy写的，所以要自己实现求导操作，对于初学者来说其实没有太大的必要，容易分散注意力。可以跳过向后传播部分的实现，理解原理就行了，向后传播这一部分更适合从业者想要了解PyTorch这些框架的实现时学习。

本系列第二本《自制框架》初学者可跳过，初学者容易陷入细节。

我用PyTorch重写了《自然语言处理》中的主要内容，发布在掘金，可以参考交叉阅读。

3. 进阶实战

  • 《从零构建大模型》——适合已能跑通基础模型的人

4. 理论拓展

  • 《人工智能：现代方法》（AI圣经，当参考书即可）
  • 《动手学深度学习》（D2L）——适合作为代码手册查阅；
  • 《Speech and Language Processing》（NLP经典，第三版草稿免费公开）
  • 《信息检索导论》了解一下搜索引擎的原理

我翻译了S&LP部分章节（链接），供参考。

你可能很容易看到《动手学深度学习》这本书，口碑很好，但是个人不建议用来入门，上手以后可以当参考书用。

最后：选择专业的唯一标准，是兴趣

计算机专业依然有价值，但它不再是“万能跳板”，也不是“躺赢赛道”。

  • 如果你看到指针就头疼，一行代码都不想写，那请果断放弃，这个世界还有太多选择，还有太多领域供你探索；
  • 如果你享受逻辑推演、喜欢拆解系统、对“机器如何思考”充满好奇，那这里就是你的战场。

真正的热爱，才能支撑你在深夜debug时不崩溃，在AI浪潮中不被淘汰。

总结一句话：2025年，选计算机，不是因为它“有用”，而是因为你“喜欢”。