人工智能学习路线与六校课程总览
这一部分专门整理 Stanford、MIT、Harvard、Berkeley、Princeton、CMU 六所美国 CS 强校里最值得系统学习的 AI 课程。这里的“AI 课程”按计算机科学视角定义，优先收录长期稳定开设、能形成完整知识链、且在官方目录或近年课程网站中可查的主干课程；不把短期 seminar、一次性 special topics、纯政策伦理课全部混进来。课程信息已按 2026 年 4 月 23 日 能查到的官方资料做过一轮核对。
这套目录怎么用
本科高年级入门：先建立“智能体、搜索、推理、概率、不确定性”的整体框架。机器学习：补全监督学习、统计学习、优化、泛化与经典模型。深度学习：进入神经网络、表示学习、生成模型和现代训练范式。自然语言处理、计算机视觉、强化学习：按应用方向深入。概率推断、机器人、信息与网络：补足图模型、决策、不确定性建模、图学习、搜索与自主系统。AI 系统与专题：补充边缘智能、AI 研究实践、医疗 AI、符号系统、大模型系统和社会技术专题。
收录标准
- 以学校官方课程目录、培养方案、院系 AI/ML 课程页、课程官网为主。
- 重点覆盖适合自学和搭建知识体系的长期课程，而不是短期读论文班。
- 同一所学校如果存在“本科导论课 + 研究生进阶课”的结构，会两类都保留。
- 对已经改过编号或轮换开课的课程，会在正文标明“当前常见编号”或“近年轮换”。
推荐学习顺序
- 先学一门 AI 导论：优先
CS188、CS221、6.034、15-281/15-381。 - 再学一门 ML 主课：优先
CS229、CS189、6.3900、COS324、CS1810、10-315/10-605。 - 深度学习建议接
CS230、CS182、6.7960、11-485。 - NLP 优先
CS224N或6.8611；CV 优先CS231N或16-385；RL 优先CS234或CS285。 - 想继续往研究走，再补
CS228、COS424、10-701、CS236、CS237A、6.4110这类更偏理论或系统化建模的课。
六校整体特征
- Stanford：AI 课最成体系，NLP、CV、RL、图学习和生成模型公开资料都非常丰富。
- MIT：课程更强调数学建模、优化、推断、机器人与系统能力，课程编号近年更新较多。
- Harvard：课量不如 Stanford/Berkeley 密集，但导论、ML、NLP、TinyML 和研究实践几门很有代表性。
- Berkeley：本科 AI/ML 训练非常强，CS188、CS189、CS182、CS285 的社区影响力都很高。
- Princeton：课程数量适中，但理论 ML、CV、NLP、神经网络的链路很完整，适合偏理论训练。
- CMU：覆盖最广，尤其强在 ML、NLP、CV、机器人与工程落地，很多课程直接贴近研究和工业实践。
阅读建议
- 如果你是第一次系统学 AI，不要一上来就冲
CS231N或CS224N。 - 真正高效的路径是：
AI 导论 -> 机器学习 -> 深度学习 -> 分支方向 -> 高级专题。 - 每门课程页我都统一补了课程定位、核心内容、作业形态、先修要求、学习难点和后续衔接，你可以直接把它当成选课和自学导航来用。