帝国理工G700 | 现代数学启蒙

slug

imperial

type

Post

status

Published

一、先给结论：G700 是什么项目？

帝国理工的 MEng Computing (Artificial Intelligence and Machine Learning)，UCAS 代码 G700，是一个 4 年制、全日制、隶属于 Department of Computing 的本硕一体化 integrated Master’s 项目，校区在 South Kensington。官网给它的核心定义很明确：这不是一个只讲“应用 AI 工具”的项目，而是一个以 完整 Computing 基础 为底盘、再逐步向 AI、knowledge engineering、machine learning、复杂认知与社会行为的计算建模 倾斜的工程型计算机项目。它的目标不是把你培养成只会调包的“AI 使用者”，而是培养成能理解系统、算法、数学、硬件、软件工程，再进一步进入 AI/ML 深水区的人。 (Imperial College London)

这一点特别重要。很多学生一看到专业名里有 “Artificial Intelligence and Machine Learning”，就以为从大一开始就会一路猛学深度学习、CV、NLP。不是。 Imperial 的设计逻辑恰恰相反：先把你按一个强硬核 computing 学生来训练，再让你在后两年把重心转向 AI/ML。官网 Year 1 和 Year 2 的结构已经说明这一点：前两年主要还是计算机系统、数据库、架构、算法、离散数学、线性代数、微积分、概率统计、软件工程、操作系统、网络、计算理论、group project；真正显著“AI 化”是在 Year 2 开始出现 Machine Learning，然后到 Year 3/4 才大规模展开 Deep Learning、NLP、Computer Vision、Reinforcement Learning、Mathematics for Machine Learning、Robot Learning、Generative AI 等模块。 (Imperial College London)

所以，G700 的本质不是“AI 专科”，而是 Imperial 风格的“高强度 Computer Science 主干 + AI/ML 专门化”。这也解释了为什么这个项目在行业里会被看作“更稳”的路线：你毕业时不是单点技能型选手，而是具备系统、数学、工程和 AI 能力叠加的复合型毕业生。 (Imperial College London)

二、项目的学术地位：不是热门包装，而是站在强系之上的专业方向

G700 的价值，很大程度上来自于它所在的平台。官网显示，这个项目由 Imperial Department of Computing 开设；该系公开表述自己的使命是推进世界领先的 Computer Science and Artificial Intelligence 研究，把研究转化为解决现实问题的方案。Imperial 官方还写明，其 Computer Science 在 QS 2026 中位列 英国第 3、世界第 9；同时 Imperial 在 2021 REF 中的计算机相关研究也表现极强，校方新闻页写到 Imperial 在计算机与工程相关研究输出、环境、影响等方面位居英国顶尖。 (Imperial College London)

这意味着你读 G700 时，真正拿到的不是一个“AI 名字好听”的课程包，而是进入一个 研究强度、雇主认可度和同侪质量都很高 的 computing 生态。Imperial 官方对该项目的描述里也直接说，随着课程推进，你会接触大量“draw on current research taking place in the Department”的高级模块，也就是课程内容会不断和系里的前沿研究发生连接。 (Imperial College London)

换句话说，G700 的上限并不只是“找工作好”。它还能给你提供通往研究、博士、算法研发、ML systems、机器人、AI safety / verification、计算金融等方向的入口，因为它的四年级已经明显带有硕士层次选修和 substantial individual project 的结构。 (Imperial College London)

三、课程结构：四年到底怎么学？

1）Year 1：先把你打造成真正的 computing 学生

Year 1 的核心模块包括：

Introduction to Computer Systems

Introduction to Databases

Introduction to Computer Architecture

Computing Practical 1

Discrete Mathematics, Logic and Reasoning

Graphs and Algorithms

Calculus

Linear Algebra (Imperial College London)

你从这里就能看出 Imperial 的逻辑：第一年不是“AI 启蒙”，而是“计算机与数学地基施工”。而且这个地基并不软。它同时要求你适应系统、数据库、架构、算法、离散数学和两门大学数学。对于真正想做 AI/ML 的人，这是好事，因为后面的机器学习、深度学习、优化、强化学习，最后都要回到线代、概率、算法复杂度、表示、系统效率这些底层能力。 (Imperial College London)

很多学校的 AI 本科会让学生很早接触“模型”，但学生的系统观很弱。Imperial 的 Year 1 则是在告诉你：不会因为你学 AI，就允许你跳过真正的计算机科学。 这也是 Imperial 这种工程名校的风格。你以后无论做 model training、ML infra、agent systems，还是做 quant / big tech software，都会受益于这套底盘。 (Imperial College London)

2）Year 2：开始进入 Imperial 风格的“硬核 CS + 初级 AI 过渡带”

Year 2 的核心模块有：

Algorithm Design and Analysis

Software Engineering Design

Models of Computation

Operating Systems

Networks and Communications

Probability and Statistics

Computing Practical 2

Computing Group Project

Machine Learning

另有一个选修：Symbolic Reasoning 或 Computational Techniques。 (Imperial College London)

这一年非常关键。因为从培养结构看，它大概是你从“会写代码的优秀高中生”转变为“真正受过计算机科学训练的本科生”的一年。算法、操作系统、网络、计算模型、软件工程、概率统计，加上 group project，这一套是非常经典也非常扎实的 core。与此同时，Machine Learning 在第二年就作为核心模块出现，这说明 G700 与普通 computing 项目相比，AI/ML 的专门化确实启动得更早。 (Imperial College London)

更有意思的是那个可选模块 Symbolic Reasoning。这反映了 Imperial 对 AI 的理解，并不只等于神经网络。官网在 overview 里写到该项目会让你专注于 artificial intelligence and knowledge engineering，这说明它仍然把符号推理、知识表示这一脉看作 AI 训练的一部分。也就是说，G700 的 AI 观更“学院派、更完整”，不是只围着大模型转。 (Imperial College London)

3）Year 3：真正分流、真正专业化、真正进入 industry

Year 3 的核心模块里最显眼的是：

Industrial Placement (First Part)

I-Explore

此外会从大批可选模块里选课，如：

Computer Vision、Software Engineering Group Project、Networked Systems、Deep Learning、Natural Language Processing、Robotics、Graphics、Network and Web Security、Advanced Computer Architecture、System Performance Engineering、Operations Research、Type Systems 等。 (Imperial College London)

这里有两个关键信号。

第一，第三年开始，AI/ML 味道一下子浓起来了。 Deep Learning、NLP、CV、Robotics 已经全面展开，这意味着你终于进入“专业名副其实”的阶段。前两年的硬核训练不是拖慢你，而是在为这一年做准备。 (Imperial College London)

第二，placement 是 G700 的真正王牌之一。 Imperial 官网写得很清楚：在第三年结束时，你会通过 industrial placement 获得技能与经验；另一个官方 placement 页面说明 Department of Computing 每年有 250+ 学生 参加工业实习，而针对 MEng Computing 学生，placement 通常为 6 个月，从 4 月第一周到 9 月底。学校 Careers Service 也明确表示他们不发布 unpaid placements，并认为实习/placement 应当是 paid；甚至 Computing 系某个工业实习模块页面直接写明：学生将在 industry 中 as a fully-paid employee 工作一段延长期限。 (Imperial College London)

这说明 G700 的 placement 不是“可有可无的小暑研”，而是 正式纳入培养结构的产业阶段。官网还写明它 does not contribute to your final degree classification，也就是说它更偏向能力、经验和职业发射台，而不是单纯 GPA 工具。评估方式主要是 pass/fail、短报告、对低年级做 presentation、接受 tutor 和 employer 的共同评估。 (Imperial College London)

对国际学生来说，这个 6 个月 placement 非常值钱。因为在英国 tech 招聘里，实习经历和 return offer 往往比“学校名气”更直接。Imperial 自己的博客也写到，internships 是 tech graduate recruitment 的最常见路径，几乎所有 Imperial 学生在毕业前都会做至少一次。 (Imperial blogs)

4）Year 4：进入硕士层次，决定你最终长成什么样

Year 4 的核心模块是：

Individual Project

Industrial Placement (Second Part)

同时可选模块非常豪华，包括：

Deep Learning、Natural Language Processing、Machine Learning for Imaging、Mathematics for Machine Learning、Reinforcement Learning、Modal Logic for Strategic Reasoning in AI、Robot Learning、Scalable Systems and Data、Privacy Engineering、Cryptography Engineering、Computational Finance、Advanced Computer Security、Program Analysis、Quantum Computing、Computational Optimisation、Hardware and Systems for Machine Learning、Generative Artificial Intelligence 等。 (Imperial College London)

这一年是 G700 和普通三年制 BEng/BSc 路线拉开身位的核心。首先，Individual Project 很重要，因为它通常决定你最后是偏 research、偏 engineering implementation，还是偏某个领域应用。其次，七门左右的高阶选修给了你非常强的“自我定制权”。你可以把自己塑造成：

偏算法与模型的 AI/ML 学生

偏 ML systems / hardware / optimisation 的工程学生

偏 security / privacy / formal methods 的高可靠系统学生

偏 robotics / CV / RL 的智能系统学生

甚至偏 computational finance 的跨界技术学生。 (Imperial College London)

从这个意义上说，G700 不是一条单轨道，而是一个“用 AI/ML 为主轴、但允许你在第四年完成二次分化”的项目。 这对优秀学生很友好，因为你不会被一个窄标签锁死。 (Imperial College London)

四、教学方式与学习体验：不会轻松，但训练非常“真”

官网给出的 teaching and learning 平衡显示，Years 1 and 2 大致是 30% lectures/tutorials、10% laboratory sessions、60% independent study。教学方式包括 lectures、tutorials、laboratory-based teaching、in-class problem solving、以及 personal supervision of project work。评估方式则包括 programming exercises、computer-based programming tests、written coursework、computer-based coursework、examinations、software demonstrations、group work、written reports、research summaries、oral presentations 等。 (Imperial College London)

这组信息非常能说明 Imperial 的风格。第一，它不是那种“老师手把手喂到嘴里”的课程。Independent study 占比很高，这意味着你如果自驱力弱、时间管理差、面对抽象内容容易拖延，会很痛苦。第二，它的 assessment 很多元，不是只会卷笔试。你要写代码、做 demo、做 group work、写报告、做 presentation，这更接近真实工程和研究环境。 (Imperial College London)

也就是说，G700 的体验大概率会是：

忙，而且不是单一维度地忙。

你既要能做理论题，又要能写系统和项目；既要会在 deadline 下交付，又要能在更开放的问题上独立推进。对很多中国学生来说，真正的适应难点不是“内容太难”，而是“从应试型优秀，切换到持续输出型优秀”。 (Imperial College London)

五、这个项目最强的地方：不是“AI 热门”，而是四个维度叠加

1）底盘硬

前两年的系统、算法、架构、数学、概率统计、软件工程和 group project，让你不是空心化 AI 学生。 (Imperial College London)

2）AI 专门化足够深

从 Year 2 的 Machine Learning，到 Year 3/4 的 Deep Learning、NLP、CV、RL、Mathematics for Machine Learning、Generative AI、Hardware and Systems for Machine Learning，深度和宽度都足够。 (Imperial College London)

3）placement 很强

6 个月正式 paid placement、作为 fully-paid employee 工作、系里每年 250+ placement，说明这不是点缀，而是 Imperial Computing 培养模式的一部分。 (Imperial College London)

4）毕业出口非常强

Discover Uni 公布的 Imperial 计算机相关课程数据显示，Imperial 全日制 Computer Science 课程毕业生 15 个月后平均收入约 £70,000，3 年后约 £64,000，5 年后约 £83,500；相应英国整体 computer science 对照值明显更低。Imperial 某些 computing 课程页面还显示，15 个月后 100% 进入 highly skilled work，15 个月后 100% work and/or study。不过要注意：Discover Uni 也明确说明，对某些较新的具体课程，公开数据有时会借用同校同学科 broader computing 数据，因此这些数字更适合作为 Imperial computing 整体就业实力参考，而不是 G700 单独 cohort 的精确薪资承诺。 (discoveruni.gov.uk)

这个 caveat 很重要，但即使保守地看，结论也不变：Imperial computing 的就业强度和薪资上限，在英国本科层面属于第一梯队。 Imperial 自己的 careers/prospects 页面也直接说，Computing graduates 是全球雇主最追捧的人群之一，并且吸引英国最高起薪之一。 (Imperial College London)

六、它适合什么样的人？

非常适合：

第一类，数学底子不错，愿意做硬核训练的人。因为这个项目并没有放弃 calculus、linear algebra、probability、algorithms 这些真正决定上限的东西。 (Imperial College London)

第二类，不想把自己锁死成“只会模型调参”的人。如果你希望未来既能冲 big tech / quantitative / ML engineering，也保留转 research 或高阶系统方向的空间，G700 很合适。 (Imperial College London)

第三类，很重视实习和职业起跑线的人。6 个月 placement 是巨大优势。很多英国项目最大问题是课程很强，但 industry exposure 不够系统；G700 在这方面明显更完整。 (Imperial College London)

第四类，能承受高密度竞争环境的人。项目申请竞争比在官网显示为 13:1（2025），最低入学标准为 AAA 或 A*AAA，且要求数学 A*；这意味着你的同学普遍不会弱。对强学生来说，这是加成，因为 cohort 质量会抬升你的上限。 (Imperial College London)

不太适合：

第一类，只想“蹭 AI 热门”但不想学硬数学、硬算法、硬系统的人。这类学生在前两年会比较难受。 (Imperial College London)

第二类，希望课程非常轻松、生活平衡优先的人。Imperial 这套课从 teaching/assessment 结构就能看出来，不是轻量路线。 (Imperial College London)

第三类，对 AI 的期待过于单一的人。如果你脑中“AI=天天做大模型产品”且对系统、理论、数学毫无兴趣，那你可能会低估这个项目前两年的“传统 CS 含量”。 (Imperial College London)

七、你读完以后最可能走向哪里？

Imperial 官网说，Computing graduates 会进入 application/web development、software engineering、systems analysis、technical consultancy、finance、further study 等广泛路径；并与 major employers, big tech companies, major finance houses 保持紧密联系。 (Imperial College London)

结合 G700 的课程结构，我认为它最典型的出口有六条：

第一，Software Engineering / Backend / Distributed Systems。

因为前两年 core 很硬，Year 3/4 也保留 networked systems、scalable systems、advanced architecture、security、software reliability 等内容。你不会因为读 AI 方向就失去 SDE 出口。 (Imperial College London)

第二，Machine Learning Engineer / Applied Scientist / AI Engineer。

这是项目名义上最直接的出口，尤其适合在 placement 和 individual project 上继续做相关积累的人。Deep Learning、NLP、CV、RL、Generative AI、ML for Imaging、Math for ML 这些模块都能形成简历故事。 (Imperial College London)

第三，ML Systems / Infrastructure / Hardware for ML。

这是 Imperial 很强、但很多学生会忽视的路线。因为 G700 有 Hardware and Systems for Machine Learning、Custom Computing、Advanced Computer Architecture、Scalable Systems and Data 这类模块。未来真正高价值的 AI 岗位，很多并不只是“会调模型”，而是懂训练系统、推理优化、硬件-软件协同。 (Imperial College London)

第四，Quant / Tech in Finance。

Imperial computing 本身和伦敦金融市场距离很近，课程里也有 computational finance、optimisation、probability/statistics 这些配套内容。官网 careers 页面也把 finance 视为主要出口之一。 (Imperial College London)

第五，Robotics / Vision / Autonomous Systems。

如果你在 Year 3/4 选 Robotics、Computer Vision、Robot Learning、RL，最终会形成很明确的智能系统画像。 (Imperial College London)

第六，继续升学或读博。

Imperial Department of Computing 本身研究强，第四年 individual project + 硕士层级选修非常适合你为 MSc/PhD 做准备。尤其如果你最终更喜欢理论 ML、strategic reasoning、verification、complexity、quantum computing 这类方向，G700 的学术延展性很强。 (Imperial College London)

八、这个项目的风险和现实面：你要提前知道

第一，“AI/ML”不等于毕业自动高薪。

Imperial computing 的整体就业数据确实强，但这些结果通常来自学校品牌、学生能力、伦敦区位、placement、项目经历、求职准备共同叠加。你如果在四年里没有把 placement、项目、社团、刷题、CV 这些做好，仅凭专业名本身，并不会自动兑现顶薪。 (discoveruni.gov.uk)

第二，竞争会非常强。

Imperial 本身就是强者密集环境，而 G700 这种项目往往还会吸引数学强、竞赛强、代码强、目标明确的人。你可能在高中是班里最顶尖，但到了这里，周围很多人也一样。官网的高 entry standard 和 13:1 申请比已经说明了筛选强度。 (Imperial College London)

第三，你需要主动经营 placement。

虽然项目把 placement 纳入结构，但 offer 不等于 placement 自动掉下来。你仍然要自己申请、面试、准备技术能力和行为面表现。Imperial 会提供 Careers Service、JobsLive、招聘会、雇主连接等资源，但最终拿到什么样的 placement，还是很看你个人。 (Imperial College London)

第四，课程可能更新。

官网明确写了结构页会 regularly updated，但课程信息 subject to change，选修组合也可能受 timetable conflict 影响。尤其 AI 相关课程变化快，所以你应把目前页面理解为“高可信的当前结构”，但不是一成不变的法律文本。 (Imperial College London)

九、如果你已经拿到 offer，我最建议你现在怎么准备

如果我是站在你这个阶段，我会把准备重点放在四件事上。

第一，线代 + 概率 + Python/算法，不要停。

因为这三样直接决定你入学后的前两年舒适度，也决定你以后读 ML 模块时能不能游刃有余。官网课程结构已经把这些核心前置暴露得很清楚。 (Imperial College London)

第二，尽早建立“项目作品意识”。

G700 很看重项目、实践、group work、demo、report、presentation。你现在就应该开始想：我将来要往什么方向构建作品集？是 software engineering？ML application？CV/NLP？还是 systems for ML？ (Imperial College London)

第三，早点理解 placement 游戏规则。

因为 G700 的一大王牌就在这里。你越早准备简历、LinkedIn、OA、技术面、行为面，你越容易把这个 6 个月 placement 的收益最大化。 (Imperial College London)

第四，别把自己定义得太窄。

G700 的真正优势就是“AI/ML 主轴上的多出口”。你可以先进来，再根据课程体验和 placement 反馈，决定自己最终偏模型、偏系统、偏工程、偏研究还是偏金融科技。不要在入学前就把自己锁死。 (Imperial College London)

十、最后的总体评价

如果要我用一句话概括：

G700 不是“帝国理工蹭 AI 风口”的项目，而是 Imperial 把自己最强的 computing 主干、工程训练、研究资源和产业连接，压缩进一个以 AI/ML 为主要方向的四年制 integrated Master’s。

它的优势不只是“牌子大”，而是结构真的很完整：

有硬核基础，有逐步专门化，有正式 paid placement，有高阶硕士层级选修，有 individual project，有很强的就业和升学延展性。 (Imperial College London)

它的代价也很清楚：

难度不会低，竞争不会小，学习不会轻松，成功不会自动发生。你必须真有数学能力、真能自学、真能做项目、真能抢 placement、真能在强者环境中持续输出。 (Imperial College London)

但如果你本来就属于那种：

数学不错

对计算机底层和 AI 都有兴趣

愿意卷项目、卷实习、卷能力

想在英国本科阶段就把职业上限拉高

那我会认为，G700 是英国最值得读的本科 AI/Computing 路线之一，而且是那种“读完后你会真正变强”的项目，而不只是“毕业证看起来很热”的项目。 (Imperial College London)

帝国理工 G700：MEng Computing (Artificial Intelligence and Machine Learning) 全面介绍

一、G700到底是什么？

帝国理工 G700 的正式名称是 MEng Computing (Artificial Intelligence and Machine Learning)，中文可译为：计算机科学，人工智能与机器学习方向，本硕连读工程硕士。它不是普通的“三年制 Computer Science BSc”，而是一个 四年制 MEng Honours 项目，地点在伦敦 South Kensington，授课院系是 Imperial College London 的 Department of Computing。Discover Uni 页面显示，该项目为全日制、四年制、无 year abroad、无 placement year 标记，但课程说明中又明确提到第三年末有工业实习经验，第四年达到硕士水平并完成个人项目。这里要注意：英国官方统计页面里的 “placement year: not available” 通常指“额外一整年 sandwich placement”，而 G700 的 industrial placement 是嵌入式课程组成部分，不等于多读一年。(discoveruni.gov.uk)

G700 的核心不是“只学 AI”，而是先接受一套非常硬核的 Imperial Computing 基础训练，然后在高年级向人工智能、机器学习、深度学习、自然语言处理、计算机视觉、知识工程、智能系统等方向集中。换句话说，它更像是：

强计算机科学基础 + 强数学基础 + AI/ML方向深化 + 工程项目训练 + 工业实习 + 四年制MEng研究/工程项目。

这点非常重要。很多人一听 “AI & ML”，会以为这个专业从大一开始就在训练 ChatGPT、做深度学习模型、调大模型 API。实际上，帝国理工的设计逻辑更接近传统顶尖 CS 培养：先把计算机系统、算法、离散数学、数据库、操作系统、网络、编译器、软件工程、概率统计等基础打牢，再进入机器学习和高级 AI 方向。The Uni Guide 转述帝国官方课程介绍时也强调，课程核心是理解现代计算机与通信系统如何工作，并能用这些系统构建下一代计算应用；课程还强调离散数学、经典数学和统计学，以及实验课、问题解决课、项目设计工作。(大学指南)

二、为什么 G700 含金量高？

G700 的含金量来自四个层面。

第一，学校品牌极强。Imperial College London 在全球 STEM 领域声誉非常高。QS 2026 世界大学排名中，Imperial 位列全球第 2；QS 2026 Engineering & Technology 大类中，Imperial 位列全球第 7。(Top Universities)

第二，计算机学科本身很强。Times Higher Education 2026 计算机科学学科排名显示，Imperial Computer Science 位列全球第 9、英国第 3；帝国官网也在其声誉页面列出 Computer Science: 3rd in the UK, 9th in the world。(Times Higher Education (THE))

第三，Department of Computing 的研究实力强。帝国理工官方 REF 2021 新闻称，其 Faculty of Engineering 在 Computer Science and Informatics 以及 Engineering 两个 REF 单元中研究质量均位居英国第一；Department of Computing 官网也称其在 REF 2021 中为英国研究卓越度第一。(Imperial College London)

第四，毕业结果极强。Discover Uni 对 G700 相关数据的页面显示，Imperial 全日制 Computer science 毕业生在该课程页面下的平均收入为：毕业 15 个月 £70,000，三年后 £64,000，五年后 £83,500；15 个月后 95% 的 G700 毕业生进入工作或继续学习，职业类别中 95% 属于 highly skilled work，并且显示为 Information Technology Professionals。这里要注意样本量不大，Discover Uni 自己也提醒劳动市场和地区会影响收入，但这个结果已经非常突出。(discoveruni.gov.uk)

所以，G700 的价值不是单纯因为名字里有 AI，而是因为它同时叠加了：

Imperial 品牌 + Computing 学科声誉 + AI/ML热门方向 + 伦敦地理位置 + 高薪就业出口 + 四年制MEng深度。

三、G700 的课程结构：从硬核 CS 到 AI/ML

根据公开课程信息，G700 的四年设计大致可以理解为：

Year 1：计算机科学地基年

第一年主要是打基础，典型内容包括：

Introduction to Computer Systems、Introduction to Databases、Introduction to Computer Architecture、Computing Practical 1、Discrete Mathematics, Logic and Reasoning、Graphs and Algorithms、Calculus、Linear Algebra 等。Bachelorsportal 对课程模块的概述列出了这些 Year 1 内容；帝国官方课程片段也显示 Year One 包括 Introduction to Computer Systems、Introduction to Databases 等模块。(bachelorsportal.com)

这一年不是“轻松适应年”。对于中国 A-level 学生来说，数学基础通常比较强，但真正的挑战在于三点：

第一，编程速度和工程习惯。

你不能只会做算法题，还要能写可维护代码、调试代码、使用开发工具、读文档、做小项目。

第二，离散数学和理论抽象。

A-level 数学强并不等于自动适应 CS 离散结构。集合、逻辑、关系、图、递归、证明、复杂度分析，会逐渐成为后续算法、自动机、编译器、AI 的语言。

第三，系统思维。

很多高中生学编程时只接触 Python 或 Java，但 Imperial Computing 会让你理解计算机系统、体系结构、数据库、底层抽象，这和“会写程序”不是一回事。

Year 1 的真正目标是把学生从“高中高分选手”转化为“计算机科学本科生”。

Year 2：核心 CS 强化年

第二年通常会进入更系统、更抽象、更工程化的内容。公开的 Imperial 模块列表显示，Year Two 包括 Algorithm Design and Analysis、Software Engineering Design、Operating Systems、Probability and Statistics、Models of Computation、Networks and Communications、Computing Practical 2、Intro to Compilers、Machine Learning 等内容。(doc.ic.ac.uk)

这是 G700 形成竞争力的关键年份。因为真正能把 AI 学好的人，不是只会调用 sklearn、PyTorch、OpenAI API 的人，而是能理解：

算法为什么有效；

模型复杂度如何变化；

数据结构如何影响运行效率；

操作系统如何调度资源；

网络如何影响分布式系统；

概率统计如何支撑机器学习；

编译器和计算模型如何揭示程序本质。

对未来做 AI 的学生来说，Year 2 的 Probability and Statistics、Algorithm Design and Analysis、Machine Learning 非常关键。尤其是概率统计，它是后续机器学习、贝叶斯推断、深度学习、强化学习、自然语言处理的根基。

Year 3：AI/ML方向进入深水区

第三年会更明显地进入选择性方向。Bachelorsportal 的课程概述提到，Year 3 包括 Industrial Placement 的第一部分、I-Explore，以及如 Computer Vision、Introduction to Machine Learning 等选修方向。Imperial 当前学生模块页也显示 60012 Introduction to Machine Learning 的目标是让学生理解核心机器学习思想和概念。(bachelorsportal.com)

这一阶段的学习开始接近研究和产业应用。你可能会接触：

机器学习基础；

计算机视觉；

自然语言处理；

高级算法；

并发编程；

图形学；

安全；

数据库系统；

分布式系统；

机器人或智能系统相关主题。

G700 的学生在这一阶段会逐渐分化。有些人会偏向 AI research，有些人会偏向 software engineering，有些人会偏向 quantitative finance / trading，有些人会偏向 data science，有些人会偏向 startup 或 product engineering。

这也是为什么 G700 的好处不只是“AI方向”。它保留了 Imperial Computing 的广度，让学生毕业时不被锁死在某一个细分岗位上。即使未来 AI 行业结构变化，G700 学生仍然可以转向软件工程、系统开发、金融科技、量化、云计算、数据工程、咨询、研究生深造等路径。

Year 4：MEng 高级课程 + 个人项目

第四年达到 Master’s level。The Uni Guide 转述帝国官方课程说明：最后一年有较宽的 optional modules 选择，并完成一个 substantial individual project。Discover Uni 也显示该项目是 MEng Honours、四年制。(大学指南)

第四年的意义很大。它不是简单地“多读一年本科”，而是让学生在更接近研究生水平的课程和项目中完成一次方向深化。你可以把第四年理解为：

高级 AI/ML 课程 + 研究型/工程型个人项目 + 工业实习经验总结 + 专业方向定型。

如果学生未来想申请 PhD，第四年的个人项目很重要；如果想去大厂、金融、AI 公司，第四年项目也可以成为简历上最有说服力的技术证明。

四、G700 学什么样的 AI？

G700 的 AI 不是“玄学 AI”，也不是“产品经理式 AI”。它更偏工程、数学和计算科学。AI/ML 方向大体包括以下几层：

第一层是数学基础：线性代数、微积分、概率、统计、优化。

机器学习本质上离不开矩阵、向量空间、梯度、损失函数、概率分布、估计、泛化误差等概念。

第二层是算法基础：复杂度、图算法、搜索、动态规划、近似算法、随机算法。

AI 系统表面上是模型，底层仍然依赖算法设计。

第三层是机器学习基础：监督学习、无监督学习、模型评估、泛化、正则化、分类、回归、聚类、降维等。

第四层是深度学习与现代 AI：神经网络、卷积网络、序列模型、Transformer、表示学习、生成模型等。

第五层是 AI 应用方向：计算机视觉、自然语言处理、机器人、智能体、多智能体系统、知识表示、数据科学、自动推理等。

第六层是工程落地：数据管道、系统部署、模型效率、分布式训练、软硬件协同、可维护代码、工程伦理、安全与可靠性。

G700 的优势在于它不是只教“模型”，而是把 AI 放在完整 computing 体系中学习。这个培养模式对于未来就业非常重要。因为企业真正需要的不是只会跑 notebook 的学生，而是能把 AI 模型变成可靠系统的人。

五、学习强度：G700 难在哪里？

G700 很强，但也很难。它的压力主要来自五个方面。

1. 同学水平高

Imperial Computing 的学生整体数学和编程基础非常强。The Uni Guide 页面显示，相关 Computing 学生中常见 A-level 科目包括 Further Mathematics、Mathematics、Physics、Computer Science、Chemistry，且显示的典型成绩为 A*。这不是录取要求本身，而是 HESA 统计中学生实际背景的呈现。(大学指南)

这意味着你身边很多人不仅成绩高，而且从高中就参加过 Olympiad、编程竞赛、数学竞赛、科研项目或开源项目。进入这个环境后，不能再用“我是高中尖子生”的心态判断自己，而要接受一个事实：大家都很强。

2. 课程密度高

Imperial 的课程节奏通常很快。计算机专业尤其容易出现“每门课都不算特别难，但所有课叠加起来非常重”的情况。理论课、lab、coursework、project、考试、组队任务、实习申请会同时进行。

3. 数学与代码双重要求

有些学生数学强但工程弱，有些学生编程强但数学弱。G700 要求两边都不能太差。AI/ML 尤其如此：你既要懂数学推导，也要能实现模型；既要理解算法复杂度，也要能写稳定代码；既要读论文，也要能做项目。

4. 竞争性就业环境

帝国的就业出口很强，但强出口也意味着强竞争。很多学生大一大二就开始申请 spring week、summer internship、quant internship、big tech internship。你如果完全等到大三才开始准备，会觉得压力很大。

5. 心理落差

对于中国顶尖 A-level 学生来说，最大的挑战不一定是智力，而是心理。以前你可能长期处于班级前几名，到了 Imperial Computing 后，你可能第一次发现自己只是“很多强者之一”。这需要重新建立自我评价体系：不要只看排名，要看自己是否持续成长。

六、G700 的就业方向

G700 的就业方向非常广，主要包括：

1. Software Engineer / Software Developer

这是最典型出口。Imperial Computing 学生可以进入 Google、Meta、Amazon、Apple、Microsoft、Bloomberg、Palantir、Stripe、Jane Street、Citadel、DeepMind、ARM、各种 fintech 和 AI startup。

2. Machine Learning Engineer

G700 名字里带 AI/ML，自然适合 ML Engineer。但要注意，ML Engineer 不只是调模型，还需要数据处理、模型训练、工程部署、评估监控、MLOps、系统设计。

3. Data Scientist / Data Engineer

有些毕业生会进入金融、咨询、科技、医疗、能源等行业做数据科学或数据工程。G700 的概率统计、机器学习、数据库、算法训练对这些岗位都有帮助。

4. Quant Developer / Quant Researcher

Imperial Computing + 强数学背景，非常适合申请量化金融。伦敦本身也是金融中心。如果学生数学、概率、算法、C++/Python 都强，G700 是很好的跳板。

5. AI Research / PhD

如果第四年项目做得好，成绩也强，可以继续申请 AI/ML、CS、robotics、NLP、CV、theoretical CS 等方向的博士。Imperial 自身研究环境也不错，REF 2021 和 THE 学科排名都说明其计算机科研实力强。(Imperial College London)

6. Startup / Product Engineering

伦敦有丰富的创业生态，AI 应用、fintech、healthtech、edtech、climate tech 都有机会。G700 学生如果兼具技术和产品理解，创业或加入早期公司也有空间。

七、薪资与 ROI：G700 是否“值”？

从 ROI 角度看，G700 是英国本科里非常强的选择之一。

Discover Uni 页面显示，G700 相关的 Imperial full-time Computer science 毕业生收入数据为：毕业 15 个月平均 £70,000，典型范围 £40,000–£89,500；三年后 £64,000，典型范围 £50,000–£90,000；五年后 £83,500，典型范围 £62,500–£126,000。15 个月后 95% 工作或继续学习，且职业类型中 95% 为 highly skilled work / Information Technology Professionals。(discoveruni.gov.uk)

这里要谨慎解读：

第一，这些数据主要覆盖英国本土可追踪毕业生和回应样本，不一定完整代表国际学生。

第二，收入会受岗位、地区、签证、行业周期影响。

第三，Imperial Computing 的高收入一部分来自学生本身能力很强，并不完全是学校“自动制造”高薪。

第四，AI/ML 当前热门，但行业变化快，不能只押注一个细分方向。

但是，即便考虑这些限制，G700 的 ROI 仍然非常突出。原因是：

学位品牌强；

专业赛道强；

伦敦位置强；

毕业出口广；

可进入高薪软件、AI、金融科技、量化行业；

四年 MEng 在英国和部分国际市场有更高学历含金量。

如果是国际学生，学费和伦敦生活费确实高。但如果家庭能够承担，且学生本身目标明确、执行力强，G700 的长期回报潜力非常好。

八、G700 与 G400 / G401 普通 Computing 的区别

很多人会问：G700 和普通 Computing 有什么区别？

可以这样理解：

G400/G401 更像通用计算机科学主线；G700 是在通用 Computing 主线基础上更早、更明确地向 AI/ML 聚焦。

但二者不是完全割裂。G700 仍然要学习大量通用 CS 核心内容。它不是“少学系统、多学 AI”的轻量专业，而是在 Imperial Computing 的共同基础上增加 AI/ML 定位。

G700 的优势是方向明确，适合已经确定对 AI/ML 感兴趣的学生。

普通 Computing 的优势是灵活度更大，适合还没有确定方向、想在高年级再选择 AI、系统、安全、软件工程、理论、视觉、机器人等方向的学生。

如果学生已经确定未来想做 AI、ML、数据科学、智能系统、NLP、CV、量化中的机器学习方向，那么 G700 的专业名和课程路径更有辨识度。

如果学生想保留最大自由度，普通 Computing 也非常强。

九、G700 与牛津/剑桥 CS 的区别

G700 与 Oxbridge CS 的差异可以从培养风格看。

牛津、剑桥更强调 tutorial/supervision、小班深度讨论、理论抽象、学术传统。

Imperial 更强调工程、项目、产业连接、伦敦就业生态、STEM 集中度、技术应用和高强度实践。

不是谁绝对更好，而是风格不同。

如果目标是理论计算机、数学化 CS、学术路线，Oxford/Cambridge 的训练非常有吸引力。

如果目标是 AI 工程、大厂、金融科技、量化开发、伦敦实习就业、项目导向，Imperial G700 极有竞争力。

对中国学生来说，Imperial 的一个明显优势是：它的 STEM 氛围非常集中，学生之间技术讨论多，求职导向强，伦敦资源直接。劣势是：节奏快、压力大、生活成本高、学生需要更强自驱力。

十、G700 与 LSE Data Science 的区别

G700 和 LSE Data Science 是完全不同风格。

G700 是 Computing 学院下的工程型计算机专业，核心是 CS + AI/ML。

LSE Data Science 更偏数据、统计、社会科学应用、经济金融场景、数据分析和建模。

如果你想成为软件工程师、机器学习工程师、AI 工程师、系统型技术人才、量化开发，G700 更直接。

如果你想走数据分析、金融数据、咨询、政策分析、商业分析、经济数据建模，LSE Data Science 的品牌和地理位置也很强。

从技术深度看，G700 的 CS 硬度通常更高；从社会科学和金融商业语境看，LSE 有独特优势。

十一、什么样的学生适合 G700？

最适合 G700 的学生通常具备以下特点：

数学强，尤其是代数、微积分、概率、逻辑能力强。

愿意大量写代码，不怕 debug。

能接受高压、高强度、多任务。

喜欢抽象思考，也愿意做工程实现。

对 AI/ML 有兴趣，但不只是追热点。

愿意主动申请实习、做项目、参加 hackathon 或研究。

能在全英文环境中快速读 lecture notes、documentation、paper。

心理韧性强，不因为身边人太强就自我怀疑。

不太适合的人包括：

只想“轻松读个名校专业”；

只喜欢数学不喜欢写代码；

只喜欢调现成模型不想学系统和理论；

不能接受 coursework 密集；

不愿意主动探索实习和项目；

英语阅读和技术文档能力很弱；

对伦敦高成本和高竞争没有准备。

十二、入学前应该准备什么？

对于已经拿到 G700 offer 的学生，从现在到开学前，最值得做的不是盲目刷很多 AI 课程，而是打好四类基础。

1. Python + Java / C++ 编程能力

至少要能熟练写 Python，理解函数、类、文件、异常、常见数据结构、递归、测试、包管理。

如果想走算法或量化，C++ 也值得提前学。

如果高中主要学 Java，例如 AP CSA，那么要尽快补 Python 的科学计算生态。

建议准备：

Python 基础；

NumPy；

Pandas；

Matplotlib；

基本面向对象；

Git / GitHub；

Linux 命令行；

VS Code 或 JetBrains 工具链。

2. 数学基础

重点复习：

线性代数：矩阵、向量空间、特征值、正交、SVD 基本思想；

概率统计：随机变量、分布、期望、方差、条件概率、贝叶斯、最大似然；

微积分：多元微积分、偏导、梯度、链式法则；

离散数学：逻辑、集合、关系、图、归纳证明、递归。

3. 算法与数据结构

至少掌握：

数组、链表、栈、队列、哈希表、树、堆、图；

排序、二分、DFS、BFS、动态规划、贪心；

时间复杂度和空间复杂度；

基本证明思路。

LeetCode 不需要疯狂刷几百道，但要能把核心模式掌握。

4. AI/ML 入门

入学前可以轻量了解：

线性回归；

逻辑回归；

决策树；

k-means；

神经网络基本结构；

训练/验证/测试集；

overfitting；

gradient descent；

PyTorch 基础。

但不建议一开始就沉迷大模型应用。G700 前两年真正决定你上限的是基础 CS 和数学，不是 prompt engineering。

十三、中国学生在 G700 的优势与短板

中国 A-level 背景学生常见优势：

数学基础扎实；

考试能力强；

勤奋；

抗压能力较强；

愿意投入大量时间学习；

如果有竞赛背景，算法和逻辑能力不错。

常见短板：

英文表达和课堂讨论不够主动；

project presentation 经验不足；

代码工程规范弱；

不习惯 open-ended coursework；

不习惯没有标准答案的研究项目；

networking 和实习申请开始偏晚；

对英国求职流程不熟悉。

因此，中国学生最应该提前补的是：

英语技术表达；

GitHub 项目展示；

简历和 LinkedIn；

英国实习申请节奏；

team project 沟通；

office hour 提问能力；

写 report 和 presentation 的能力。

十四、G700 的最大风险是什么？

G700 的风险不是“专业不好”，而是“学生没有用好这个平台”。

主要风险有四个。

第一，被课程压着走，没有形成自己的方向。

如果四年只是完成作业和考试，没有项目、实习、研究、竞赛或开源积累，Imperial 的平台价值会打折。

第二，过度迷信 AI 热点。

AI 行业变化快。今天火的是大模型，明天可能是 agent、robotics、AI infrastructure、AI safety、edge AI、scientific ML。真正稳的是数学、算法、系统和工程能力。

第三，忽视求职节奏。

英国 top tech 和 finance 实习申请很早。很多 spring week / summer internship 需要提前一年准备。不能等到大三才开始。

第四，心理压力管理不足。

Imperial Computing 强度高，身边人强，很容易焦虑。必须建立长期节奏：睡眠、运动、社交、学习计划、心理支持都很重要。

十五、我的总体判断

如果用一句话评价：

Imperial G700 是英国本科阶段最适合“数学强、逻辑强、想进入 AI/ML/软件/量化/高端科技行业”的项目之一。

它的优势非常明显：

学校世界声誉强；

计算机学科强；

AI/ML方向热门；

课程基础硬；

就业数据强；

伦敦资源强；

MEng 四年深度强；

未来路径广。

它的挑战也非常明显：

课程难；

竞争强；

生活成本高；

需要自驱；

不能只靠高中成绩；

要尽早规划实习和项目。

对于你这种背景——A-level 数学和进阶数学已经非常强，TMUA 7.9，竞赛和理科背景也很好——G700 的匹配度非常高。你最大的优势会是数学、逻辑、考试能力和长期积累；入学前最应该补的是工程化编程、Python/C++、GitHub 项目、Linux、算法实战、英语技术表达和英国求职节奏。

从长期 ROI 看，如果能在 Imperial 四年中做到以下几点：

第一年适应编程和系统基础；

第二年拿稳算法、操作系统、概率统计和机器学习；

第三年争取高质量实习；

第四年做出有说服力的 AI/ML 项目；

同时保持成绩、项目、实习、英语表达同步提升；

那么 G700 不只是一个名校 offer，而会成为进入全球高端科技就业市场的强跳板。