香港大学JS6298介绍 | 现代数学启蒙

slug

type

status

1. 这是什么项目：把“工程的硬核”与“人文的视角”强行焊在一起

在传统理解里，AI/Data Science 往往属于工程学院或计算机学院的“纯技术路径”：数学、编程、算法、系统、数据。港大这个项目的不同点在于：它是一个五年制双学位，把 **BEng（人工智能与数据科学）**的技术训练，与 **BA（面向“AI 与人文”主题）**的人文训练，整合成同一套培养方案。官方对它的描述强调：学生既要掌握 AI 与数据科学的前沿能力，也要在伦理、社会、法律、文化影响等维度具备批判性思维与价值判断能力，能够面对“真实世界的复杂问题”。 (香港大学招生处)

这类设计背后的逻辑很清晰：

AI 的影响不是只发生在代码里，它影响公共政策、司法、教育、传媒、创意产业、劳动力市场、个人隐私与社会公平。

单纯“会训练模型”不足以解决“模型应该如何被部署、谁承担责任、如何合规、如何避免偏见、如何解释与沟通”的问题。

所以项目希望培养一种“跨界型”人才：既能做技术决策，也能对外部世界（人、制度、文化）负责。 (香港大学招生处)

2. 学制与总学分：五年十学期、300 学分的大工程

根据港大课程条例（Regulations），该双学位课程通常需要不少于五个学年（十个学期）全日制学习。 (香港大学艺术学院)

课程大纲（Syllabuses）明确：整个 BA&BEng(AI&DataSc) 总计 300 学分，由五大块组成：

Major in Artificial Intelligence and Humanity（AIH）共 78 学分

含 42 学分 AIH 核心课程（含 6 学分 capstone）

加上 36 学分的人文方向选修（在某一个文学院项目内完成）

Professional Core in Artificial Intelligence and Data Science 共 144 学分（工程/计算与数据科学主干）

36 学分基础课程（Foundation Courses）

24 学分入门学科核心（introductory discipline core）

30 学分进阶学科核心（advanced discipline core）

36 学分学科选修（discipline electives）

18 学分 capstone（含 6 学分 internship）

University Requirements 共 42 学分

包含：

CAES1001 学术英语（0 学分，部分学生可豁免）

English in the Discipline 6 学分（可选多门之一；亦可在高年级修“Technical English for Computer Science”等）

中文强化 6 学分（按背景选相应课程）

AI Literacy 6 学分（如 AILT1001 等）

Common Core 通识 24 学分（来自不同 AoI）

Free Electives 自由选修 36 学分（除 Common Core 外，跨学院自由组合，可选 minor）

另含国民教育与国家安全教育等非学分要求（按校方当年规定执行）。

把这些加总你会发现：这不是“工程学位 + 随便修点人文课”，而是人文与技术都占据明确、刚性的学分结构，并且两边都有 capstone（项目/毕业整合环节），这是该项目最核心的制度化特色。

3. 人文主线（AIH 78 学分）：不是“水课”，而是围绕 AI 的社会议题系统训练

3.1 AIH 核心课：从一开始就把“人”拉进来

在课程大纲里，AIH 核心课从 Year 1 就安排了标志性课程，例如：

AIHU1001 Foundations of AI and humanity（6 学分）

AIHU1002 Ethics, society and law of Artificial Intelligence（6 学分）

大纲对 AIHU1001 的课程描述强调：它要讨论 AI 与人文学科如何形成跨学科协作，如何把 AI 设计与部署到能“丰富社会与人类经验”的方向；并且评核以 coursework 为主。

AIHU1002 则直指伦理、社会与法律挑战：公平、问责、透明、隐私、社会不平等、AI 决策的道德困境、治理框架等，并强调不同文化/政治/经济情境下的 AI 监管差异。

这意味着：项目并不把伦理/治理当作高年级的“附加讲座”，而是把它当作 AI 学习的底层框架——你越早进入模型与数据的世界，越早需要理解它对社会意味着什么。

3.2 36 学分 Humanities Electives：你可以把“文学院的一个专业”当作你的长期人文训练基地

AIH 的 36 学分人文选修要求：学生需要在文学院某一个单一 Arts programme中完成一定层级的课程（例如哲学、语言学、英文、中文、人文等相关学系/中心提供的项目），从而形成持续、成体系的训练，而不是东一门西一门地“凑学分”。官方“选课指引”也列出可来自文学院多个 teaching units。 (香港大学艺术学院)

你可以把这理解为：

工程主线保证你“能做”；

人文主线保证你“知道自己在做什么、为什么做、如何对人负责，以及如何把技术解释给世界听”。

4. 工程与数据主线（Professional Core 144 学分）：AI/Data Science 的硬能力训练仍然是主战场

虽然项目强调跨学科，但从学分结构看，144 学分的 Professional Core仍然是重量级主体之一。它包含基础课、核心课、进阶课、选修与 capstone/实习。

4.1 课程内容会学到什么：从“基础—核心—前沿应用”逐层推进

在双学位课程大纲的课程列表中，可以看到一批典型的 AI/Data Science/统计与安全相关课程（示例）：

COMP4510 Principles of machine learning

COMP4511 Principles of deep learning

COMP4512 Advanced computer vision

SDST3612 Statistical machine learning

SDST3621 Statistical data analysis

COMP3523 Security and privacy in artificial intelligence

COMP3524 Web intelligence

甚至包括 Distributed ledger and blockchain 等与数据基础设施/可信计算相关的内容

这些名字背后对应的能力链条大致是：

数学与统计（线性代数、概率统计、统计建模、时间序列/多元分析等）

机器学习/深度学习方法论（监督/无监督、优化、表示学习、泛化、评估）

数据工程与可视化（数据清洗、分析、展示、解释）

安全与隐私（AI 系统在真实部署时绕不开的合规与风险控制）

值得注意的是，选课指引里还给出一个很实际的提示：如果学生对数学更有兴趣，可以选更“硬核”的线性代数、多元微积分课程来替换相应数学课。 (香港大学艺术学院)

这类提示通常意味着：项目允许你在一定范围内把“理论深度”再往上拉，适合未来想走研究或算法岗的同学。

4.2 实习与 Capstone：把“会做题”推进到“能落地”

港大 School of Computing and Data Science 的本科说明提到：两类 BEng 项目都设有实习要求，通常在三年级后暑期参与 4–12 周行业实习以获得工作经验。 (HKUCS)

而在双学位课程结构中，Professional Core 的 capstone 里明确包含 internship 学分（例如 6 学分）。

从培养逻辑看，这种设计很关键：AI/Data Science 的能力很容易停留在“课程作业/竞赛”，但真正的价值在于把模型、数据与业务流程结合，处理数据权限、隐私与合规，面对不完美数据与跨团队沟通——这些必须通过实习与 capstone 才能系统经历。

5. 大学通识与能力底座：AI Literacy + Common Core + 语言要求，保证“能沟通、会表达、懂通识”

很多理工科同学会低估港大对“大学共同培养”的重视程度。这个项目在 University Requirements 42 学分中，把几件事写得非常硬：

Common Core 通识 24 学分，并且要求来自不同 Areas of Inquiry，通常建议在前三年完成。

AI Literacy 6 学分：例如 **AILT1001 Artificial Intelligence Literacy I（3 学分）**等，强调基础 AI 素养与“面向全社会的 AI 理解”。

英文与中文能力：包含 English in the Discipline 以及中文强化课程（按学生语言背景设置不同选项），并指出部分学生可因 HKDSE 英文成绩达到指定等级而豁免 CAES1001。

这些要求共同指向一个目标：你未来不论是做工程师、产品经理、创业者还是研究者，都需要把技术讲清楚、把影响说明白、把方案写成文档、把风险沟通给非技术利益相关方。这个项目在制度层面把“沟通表达”当作工程能力的一部分。

6. 五年怎么学：负担重，但也更“可塑”

官方选课指引给了学习负载的参考：常规每学期约 30 学分，允许在一定区间内（例如 24–36 学分）调整；并说明每学年最高修读学分等规则。 (香港大学艺术学院)

直观感受是：

前两年：基础数学/统计/编程与入门核心课程 + AIH 人文核心课 + 通识与语言要求，节奏会比较紧。

三四年：进入更强的 ML/DL/统计学习/安全隐私/数据可视化等进阶课，同时开始为实习与 capstone 做准备。 (HKUCS)

第五年：更偏向整合（capstone、跨学科项目、与“AI in humanity”相关的毕业项目等），把技术与人文议题真正焊在一个作品里。 (香港大学艺术学院)

“可塑性”来自 36 学分自由选修与人文选修的组合空间：你完全可以把自由选修用来加强数学、统计、经济金融、心理学、语言学、法律、媒体研究等，形成你自己的“AI+X”。

7. 申请与遴选：JUPAS 信息、面试与名额都值得关注

在 JUPAS 的 JS6298 页面中，港大给出了一些对申请者很有用的信息：

学制 5 年

有面试（selective basis）

First Year Intake 显示为 20（页面也提供过往申请与录取统计） (JUPAS)

这类信息的含义通常是：项目规模相对小、对匹配度更敏感，面试可能会重点看：

你对 AI/Data Science 的理解是否停留在“热门”层面，还是能说出具体兴趣方向；

你是否愿意并有能力在伦理、社会、法律与文化议题上进行严肃讨论；

你是否具备跨学科表达与写作能力（尤其是英文论证能力）。

另外，港大文学院的奖学金页面提到：对 JS6298 等项目，达到某些入学成绩门槛的学生可获入学奖学金，额度可能覆盖从首年到规范学习年期的学费不等（具体以当年公布与个人情况为准）。 (UG @HKUARTS)

8. 学费与成本：UGC 资助、第五年可能转为“自资”费用逻辑

8.1 本地（UGC 资助）学费的年度调整

香港特区政府新闻稿说明：UGC 资助课程的学费在 2025/26–2027/28 有分年调整（例如 2025/26 为 44,500 港币、2026/27 为 47,000 港币、2027/28 为 49,500 港币）。 (香港政府资讯)

JUPAS 的 JS6298 页面也显示该项目 First Year Tuition Fee 为 HK$47,000，并提示：超过四年课程年期的学习年数将以 self-financing basis（自资）方式收取更高的 composition fees。 (JUPAS)

这点非常关键：因为这是一个五年双学位，实际费用结构会比普通四年制更复杂，建议你在申请/入学前，结合自己入学年份对应的港大学费表与项目说明做精算。 (JUPAS)

8.2 非本地（Non-local）学费：STEM 与非 STEM 可能不同

港大本科手册的 composition fee 页面列出：2025–26 学年全日制本科 local 为 44,500 港币，而 non-local 在 STEM faculties 下为 218,000 港币（另有 non-STEM 198,000 的档位，具体取决于归类）。 (handbook.hku.hk)

由于本项目跨文学院与工学院，但技术主线显著，实际适用类别建议以港大当年的官方归类与缴费通知为准。 (handbook.hku.hk)

8.3 生活成本：住宿与校外租房差异很大

港大招生网站给出生活成本的示例范围：

校内住宿（住宿舍/书院等）约 HKD 17,290–37,940/年（按其页面口径）

校外住宿约 HKD 30,000–50,000/年（视地区与房型） (香港大学招生处)

9. 读完能做什么：技术岗、治理岗、跨界岗位都在射程内

从培养结构看，这个项目的毕业生通常会落在三类路径：

9.1 “硬核 AI/Data Science 路径”（工程/算法/数据）

如果你把自由选修更多投入数学、统计、系统与 ML/DL 方向，再加上实习与 capstone，毕业后走数据科学家、机器学习工程师、AI 产品与工程结合岗位，是很自然的路线。项目的 Professional Core 设计与实习要求也明显支撑这一点。

9.2 “AI 治理与合规/政策路径”（法律、伦理、公共治理、企业风控）

AIHU1002 等课程对公平、隐私、问责、治理框架的强调，使得它对“AI policy、tech ethics、合规与风险治理、算法审计与解释”等方向更友好——这类岗位在大型科技公司、金融机构、咨询公司、监管相关机构、NGO 与国际组织中都越来越常见。

9.3 “AI + 内容/语言/文化/教育/创意产业”等跨界路径

当你用 36 学分人文选修去深耕语言学、传播、文化研究、哲学等方向，你会比传统工程生更容易进入“AI 与内容/语言/文化产业结合”的岗位，例如：NLP 与多语言产品、教育科技、创意工具、数字人文项目、文化机构的数据化转型等。项目的初衷也正是培养能理解社会与文化影响的技术领导者。 (香港大学招生处)

10. 谁适合读：用三个问题自测匹配度

你是否愿意把时间投入到数学/统计/编程这些“慢热但决定上限”的基础上，同时还能应付文科的阅读、写作与论证？（双学位强度客观上更高）

你对 AI 的兴趣是否不仅是“训练模型”，还包括：隐私、公平、治理、责任、人与社会的关系？（项目从 Year 1 就会问你这些）

你是否希望未来成为“能把技术讲清楚、把影响想明白、把产品做落地”的复合型人才，而不仅是单一赛道的技术执行者？ (香港大学招生处)

如果三题你都倾向“Yes”，这类跨学院双学位的收益会非常明显；反之，如果你只想“尽快纯粹卷算法/科研”，也许需要认真比较港大更纯工程的路径（或用选修把数学与理论拉满）。 (HKUCS)

如果你愿意，我也可以基于港大官方大纲把它进一步拆成一个“五年学习路线图”（每年学什么、哪些课更适合走研究/走就业/走治理与政策），并给出一套更贴近申请材料的“为什么选这个项目”的写作框架（Personal Statement/面试回答结构）。

下面我分 两大部分 给你一套**“可直接用来规划 + 申请”的完整方案**：

一、五年学习路线图（Year 1–Year 5 可执行版）

目标人群假设：
学术能力中上或偏强
对 AI/数据科学 有真实兴趣
同时愿意在 伦理、社会、语言、文化 等问题上做严肃思考
未来不排除 研究 / 高端技术岗 / AI 治理 / 跨界岗位

项目：

The University of Hong Kong – BA & BEng in Artificial Intelligence and Data Science

Year 1｜打地基 + 建立“AI ≠ 只有代码”的世界观

🎯 核心目标

建立 数学 + 编程 + AI 人文视角 的三重基础

适应港大 英文授课 + 大学写作

不急着“卷模型”，先把底层逻辑立稳

📘 学术主线（典型组合）

工程 / 数据基础

微积分 / 线性代数（工程数学）

基础统计或概率

Python / 编程导论

数据思维入门（可能含简单分析、可视化）

AI & Humanity 核心

Foundations of AI and Humanity

Ethics, Society and Law of AI

👉 这两门课非常关键：

你会第一次系统性地讨论：

算法偏见

数据是否“中立”

AI 决策的责任归属

不同社会对 AI 的态度差异

📚 通识 & 语言

Common Core（选 社会 / 科学 / 全球议题 类）

Academic English / Chinese（按背景）

🧠 Year 1 战略建议

不要跳过数学：这是后面 ML/DL 的“天花板决定器”

AIH 课程的 essay：

不写“空泛道德说教”
多用 真实案例（算法歧视、隐私泄露、自动化失业）

Year 2｜进入“真正的 AI 与数据科学”

🎯 核心目标

从“会写代码” → “理解模型为什么这样工作”

建立 统计 + 机器学习 的方法论意识

开始形成个人方向偏好

📘 学术主线

工程 / 数据

数据结构与算法（重要）

概率论 / 数理统计

机器学习导论

数据分析 / 数据管理

人文方向

AIH 进阶课程

文学院某一方向的 连续性选修（非常重要）

🔍 人文选修如何选？

建议三种路线之一：

路线	适合谁	示例方向
AI + 哲学/伦理	思辨强	科技伦理、责任、意识
AI + 语言/传播	表达强	语言学、传播、话语分析
AI + 社会/政策	现实导向	公共政策、社会不平等

⚠️ 不要乱选

你未来的 PS 和面试，需要一条“连续叙事线”。

🧠 Year 2 战略建议

开始参加：

数据竞赛（Kaggle 初级）
学院 research seminar

暑假尝试：

初级数据分析实习
或 research assistant（哪怕 unpaid）

Year 3｜能力分化期：你开始“不像普通 CS 学生”

🎯 核心目标

掌握 核心 ML / 数据建模能力

明确：

👉 我更偏 算法 / 数据 / 治理 / 跨界 哪一侧？

📘 学术主线

工程 / AI

Machine Learning（核心）

Statistical Machine Learning

数据可视化 / 数据系统

AI 安全 / 隐私（非常加分）

人文

AIH 高阶课程

文学院中高阶课程（写作量明显上升）

🧪 实践

暑期 正式行业实习（4–12 周）

Tech 公司
金融数据岗
GovTech / 咨询 / NGO（AI policy）

🧠 Year 3 战略建议

开始为 capstone 想方向

如果考虑研究：

主动找教授
争取 co-author 或 research project

Year 4｜整合期：技术 + 人文真正融合

🎯 核心目标

从“课程型学习者” → “问题驱动型学习者”

为毕业后路径（就业 / 研究）做定型准备

📘 学术主线

工程

Deep Learning

Computer Vision / NLP

Advanced AI electives

人文

AI 治理 / 法律 / 社会影响专题

高强度写作课程（policy brief / critical essay）

🧩 Capstone（开始）

你可能做的项目例子：

用 ML 分析 算法歧视

NLP 分析 媒体话语偏向

AI 系统的 隐私风险评估

数据驱动的 公共政策模拟

Year 5｜毕业整合年：你是谁，由这个项目定义

🎯 核心目标

完成 双学位 capstone

输出一个 “能给别人看懂”的 AI 项目

🎓 毕业成果应具备

技术报告（模型、数据、方法）

人文分析（影响、伦理、社会意义）

Presentation（非技术听众也能听懂）

🚀 毕业去向

AI / Data Scientist

AI Policy / Governance

Tech + 咨询 / 金融

硕士 / 博士（CS / AI / STS / Public Policy）

二、申请文书 & 面试「高命中率」模板

1️⃣ Personal Statement 核心结构（强烈推荐）

第一段｜一个“问题”，不是一个兴趣

❌ 错误：

I have always been interested in AI…

✅ 正确：

During my exposure to machine learning, I realised that algorithmic accuracy alone does not determine whether an AI system benefits society.

第二段｜你做过什么“具体的事”

项目 / 竞赛 / 研究 / 实习

强调：

👉 技术能力 + 反思能力

例：

While building a prediction model, I noticed how training data choices affected fairness across groups…

第三段｜为什么是这个“双学位”，而不是普通 CS

关键词一定要出现：

interdisciplinary

ethics / society / governance

human-centred AI

例：

HKU’s BA & BEng structure uniquely allows me to study AI not only as an engineering system, but as a socio-technical force.

第四段｜你未来想成为什么样的人

不是岗位，而是角色：

bridge-builder

responsible AI practitioner

technically grounded policy contributor

2️⃣ 面试常见高频问题 & 思路

Q1：为什么不选纯 Computer Science？

答题思路：

Because many AI failures are not technical failures, but failures of design, governance and communication.

Q2：你如何看待 AI 的风险？

答题结构：

技术风险（bias, robustness）

社会风险（inequality, misuse）

治理风险（regulation lag）

Q3：你更偏技术还是人文？

高分答案：

I see them as mutually reinforcing rather than competing.

三、一句话总结这个项目（你可以直接用）

This programme is designed for students who want to build AI systems that work not only in theory, but responsibly in society.