区分“人工智能”一词与其涵盖的职业
招聘信息使用的术语往往含糊不清。“人工智能”这一标签下，至少有四类岗位，其名称因企业而异。
- 研究：设计新的机器学习方法，通常需要博士学位。
- 机器学习工程：训练、评估模型，并将其部署到产品中。
- 数据工程：构建收集、清洗和存储数据的流程。
- 数据分析与数据科学：解读数据，为商业决策提供支持。
此外，还有一些相关岗位：产品管理、安全、合规、技术写作。在选择学习方向之前，阅读多份真实的职位描述、识别所要求的技能，比仅凭职位名称判断更有帮助。
审慎衡量需求
世界经济论坛（WEF）的Future of Jobs 2025报告调查了超过1,000家雇主。根据这一版报告，86%的受访者预计，到2030年，人工智能和信息处理将改变其企业。人工智能与机器学习专家、大数据专家以及金融科技工程师，是按百分比计算增长最快的三类岗位。
在增长最快的技能中，报告将人工智能与大数据列在首位，其次是网络与网络安全，再次是数字技能。根据报告的分析，到2030年，人工智能和信息处理预计将创造约11,000,000个就业岗位，同时减少约9,000,000个就业岗位。
这些数字反映的是雇主的预期，而不是正在招聘的职位。它们主要表明一种趋势：某些任务正在消失，另一些任务正在出现。
梳理学习路径
进入这些职业的学习途径并非只有一条。根据目标岗位的不同，常见专业包括计算机科学、数学与统计学、软件工程或电气工程，以及近年出现的数据科学或人工智能专项专业。
研究岗位通常需要博士学位。工程岗位通常要求扎实的计算机科学学士教育背景，并辅以硕士学习或项目经验。分析岗位接受的专业背景更加多样，包括经济学、社会科学或管理学，但也需要具备编程基础。
几乎所有专业都设有数学先修要求：线性代数、概率论、统计学和微积分。在选择国家之前，比较这些先修要求、必修课程以及实践项目所占的比重很有帮助。学位名称有时会掩盖课程内容上的显著差异。
解读2026年QS数据科学与人工智能排名
QS于2026年3月25日发布的学科排名（QS World University Rankings by Subject）包含“数据科学与人工智能”榜单。这份榜单历史较短：2023年首次推出时收录20所大学，随后每年扩大规模。2026年版共有201所大学上榜，而2025年为104所。QS称其为新增上榜院校最多的学科。
这种扩张解释了部分名次变动，而这些变动并不总是反映质量变化。当一百多所院校同时进入榜单时，原本上榜的院校即使没有变化，名次也可能下降。
| 2026年QS排名 | 大学 | 国家或地区 |
|---|---|---|
| 1 | 麻省理工学院（Massachusetts Institute of Technology） | 美国 |
| 2 | 斯坦福大学（Stanford University） | 美国 |
| 3 | 新加坡国立大学（National University of Singapore） | 新加坡 |
| 4 | 南洋理工大学（Nanyang Technological University） | 新加坡 |
| 5 | 卡内基梅隆大学（Carnegie Mellon University） | 美国 |
| 8 | 哈佛大学（Harvard University） | 美国 |
| 9 | 剑桥大学（University of Cambridge） | 英国 |
| 10 | 清华大学（Tsinghua University） | 中国大陆 |
此处未列出并列第6名的两所院校。QS指出，新加坡国立大学是美国以外排名最高的大学，而清华大学是首次进入这份榜单。
将这份榜单放回QS整体排名中理解
人工智能榜单只是2026年版55个学科排名之一。据引用QS数据的伊斯坦布尔理工大学（Istanbul Technical University）介绍，共有6,273所大学接受分析，1,908所在各学科排名中上榜。不同榜单的院校数量差异很大，从几十所到几百所不等。
QS设有门槛：如果一所院校在某个学科的研究产出或声誉未达到最低要求，就不会出现在该学科榜单中。因此，未上榜并不意味着院校不开设相关专业，只意味着它没有进入排名。
这一点也适用于相邻的计算机科学与信息系统学科，QS将其描述为全球上榜院校最多的学科之一。同一所院校在计算机科学与数据科学中的名次可能有明显差异，因为参与比较的院校群体并不相同。
核查排名背后的评价标准
在学科排名中，QS综合考量学术声誉、雇主声誉、引用影响力和h指数。这些指标主要衡量研究表现和知名度，对于一年级教学质量、班级规模或实习机会的说明有限。
对于学士阶段，更具体的信息往往更重要：课程内容、实习机会、向学生开放的实验室，以及院校公布的就业率。对于博士阶段，研究导师和实验室的情况比大学排名更重要。
对于一份历史较短且规模快速扩大的排名，结合其他来源进行核查更有帮助：专业网站、研究人员的出版物、校友经历分享，以及产业合作伙伴名单。
比较大学学位与短期培训
人工智能领域有大量证书课程和强化培训，其推广者往往宣扬培训成效。在本文查阅的来源中，未找到关于这些短期培训就业能力成效的已发布且可比较的数据。最好以可核实的信息为依据。
世界经济论坛将人工智能与大数据技能列为增长最快的技能：市场需求针对的是技能，而非某一种特定学位。不过，研究岗位仍与研究生学位密切相关，某些受监管职业也要求获得认可的学位。
要比较短期培训与大学专业，院校公布的信息最有参考价值：详细课程内容、时长、是否包含接受评估的项目、学分是否获得大学认可，以及合作雇主名单。而数学理论基础在工具发生变化时仍然有用。
加拿大的情况如何？
加拿大于2017年启动泛加拿大人工智能战略，加拿大高等研究院（CIFAR）称其为全球首个国家级人工智能战略。该战略依托三个国家级研究所：位于蒙特利尔的Mila、位于多伦多的Vector Institute，以及位于埃德蒙顿的Amii。这些研究所与邻近大学有联系，并接纳研究人员和研究生。
本文未引用加拿大院校在2026年QS该学科榜单中的具体名次：撰写时无法查阅完整的详细排名，相关名次可在QS网站上核实。
如需探索学习路径，StudyCanada提供多伦多大学（University of Toronto）介绍页、蒙特利尔大学（Université de Montréal）介绍页、麦吉尔大学（McGill University）计算机科学B.Sc.课程页面，以及滑铁卢大学（University of Waterloo）计算机科学专业页面。各介绍页均说明数学先修要求及国际学生申请条件。