如果今天一个刚进大学的人问我“AI4Science到底该学什么”，最容易得到的答案大概是Python、ML、数学、统计，再补一点Biology或Chemistry。每一项都对，但放在一起几乎没法指导选择。

英国2025年的《AI for Science Strategy》有个很有意思的张力：它说AI应该逐渐像statistics、scientific method一样成为科学训练的基础能力；同一份文件又强调，真正的团队需要domain scientist、ML specialist、data wrangler、research engineer等不同角色。很多人以后都得懂AI，但没必要都学成AI researcher。

ISCB的bioinformatics competency framework更直接。Discovery Biologist需要很深的life science判断，software engineering只要能和专家协作；Bioinformatics Software Developer则反过来。2026年Turing和EMBL-EBI的新标准，也用共同baseline加不同persona来设计能力深度。

所以我现在会把学习路线分两层：底层是quantitative reasoning、programming/data、AI literacy、scientific method/validation和跨专业协作；上面那层故意学得不均匀。

你需要有一块真正站得住的home base，再把相邻能力补到目标role需要的深度。CS学生不必自动重读半个Biology本科，Biology学生也不用因为AI火了就把自己改造成ML engineer。

课程、MSc、PhD都放到后面判断。做真实项目，看自己愿意对model、experiment、engineering、clinical还是别的环节负责，再决定下一道gap怎么补。

以后又冒出新agent、新模型、新专业，也不用把人生重画一次。问一句：它改变了我负责的哪一段科研工作？

#人工智能 #AIforScience #大学生 #科研 #教育
#AI4Science学习路线 #跨学科学习 #AI职业规划 #科研能力 #大学专业选择