约 116 分钟阅读 · 2026-05-22

title: "全球结构化 AI 学位 / 项目课表汇编"

date: 2026-05-22

scope: "1 年以上结构化 AI 学位、硕博项目、研究院 fellowship；只抓课表本身"

note: "所有学校 / 项目 / 课程名保留英文；课表内容尽量按官方培养方案 / handbook / program sheet 还原"

全球结构化 AI 学位 / 项目课表汇编

用途：作为 AI 时代专业博士课程设计的参考材料。每个项目只列：项目身份信息、招生门槛、完整课表、capstone / 论文形态、线上线下、一句话特点。不做分析比较。

A 类：北美顶级 AI 硕士 / 项目#

1. CMU MSAII — Master of Science in Artificial Intelligence and Innovation#

• 机构：Carnegie Mellon University, School of Computer Science, Language Technologies Institute
• URL：https://msaii.cs.cmu.edu/
• 学位 / 学制：MS 学位，2 年（4 学期 + 暑期实习）
• 招生门槛：CS / 工科本科背景，强编程能力（建议 Python + 一门系统语言）、3 封推荐信、TOEFL / IELTS、GRE 可选；申请材料含 SoP + 简历；MSAII 偏好有产品 / 创业兴趣的申请者
• 线下 / 线上：线下（匹兹堡）
• 一句话特点：MS in AI + 产品创新 + 暑期实习 + 团队 capstone，把 LTI 的 NLP / ML 深度课包成"做 AI 产品"的训练。

完整课表（195 units 总量）

Core Curriculum（84 units，含 36-unit Capstone）

Knowledge Requirements（72 units，6 门）

Summer Internship

• 11-934 MSAII Practicum Internship（3 units，必修，暑期工业界实习）

Electives（≥36 units，3 门或以上）：从 25+ 门 SCS 研究生课中选，覆盖 Cloud Computing、Robotics、Distributed Systems、Computer Vision、Software Engineering、Big Data Analytics 等方向。

Capstone 形态：第 4 学期 36-unit 团队 capstone，与外部合作方（公司 / 研究机构）共同识别 AI 产品 niche 并开发原型，期末做项目展示。

2. CMU MIIS — Master of Science in Intelligent Information Systems#

• 机构：Carnegie Mellon University, School of Computer Science, Language Technologies Institute
• URL：https://miis.cs.cmu.edu/
• 学位 / 学制：MS 学位，16 个月（4 个学期）
• 招生门槛：CS 本科背景，扎实编程基础（C / C++ / Java / Python）、概率统计、线性代数；3 封推荐信、SoP；TOEFL / IELTS；GRE 可选；优先有 NLP / 信息检索 / 数据系统经验者
• 线下 / 线上：线下（匹兹堡）
• 一句话特点：CMU LTI 的 "应用型研究" MS，半课程 + 半项目，从无结构文本 / 语音 / 视频中"抽取意义"——典型 IR + NLP + ML 三件套。

完整课表（核心结构）

Breadth Requirements（4 门，覆盖 4 个领域，每个领域 1 门）

• Machine Learning / Statistical Models 领域：例如 10-601 Machine Learning, 10-701 ML PhD-level
• Language and Statistics 领域：例如 11-711 Algorithms for NLP, 11-411 NLP
• Information Retrieval 领域：例如 11-642 Search Engines, 11-741 Machine Learning for Text Mining
• Systems / Engineering 领域：例如 10-605 ML with Large Datasets, 11-637 / 11-731 等

Capstone Planning Seminar

• 11-634 MIIS Capstone Planning Seminar（设计 capstone 项目）

Directed Study Project（导师指导研究，2 个学期）

Summer Internship（暑期工业界实习）

Capstone Project（最后一学期，团队制大型项目）

Electives（其余 LTI / SCS 课）：可从全部 LTI / MLD / RI / CSD 研究生课中选。

Capstone 形态：团队 capstone 项目跨一整学期，由 faculty + 外部 stakeholder 联合指导，最终交付报告 + 演示。

3. CMU 10-715 Advanced Introduction to Machine Learning#

• 机构：Carnegie Mellon University, Machine Learning Department
• URL：https://www.cs.cmu.edu/~mgormley/courses/10715/（不同学期对应不同 instructor 与 URL）
• 类型 / 学时：单门课程（非项目），PhD / 高年级 MS / 高级 MS 第一学期使用，12-unit graduate course
• 招生 / 入读门槛：MLD PhD / SCS MS 学生为主；扎实多元微积分、线性代数、概率、Python 编程；通常先修 10-301 / 10-601 或等价 ML 课
• 线下 / 线上：线下（教室授课 + 录播给 SCS 学生）
• 一句话特点：CMU 给 PhD 第一学期上的 "ML 加强版"，覆盖经典 ML 全部主题但以 measure-theoretic 概率与数学化推导为主。

完整 syllabus（典型一学期 24-28 次课）

• Foundations: Probability, Linear Algebra Refresher, Decision Theory
• Linear Regression, Logistic Regression, Generalized Linear Models
• Optimization: Gradient Descent, SGD, Convex Optimization
• Classification: Perceptron, SVM, Kernel Methods, Multi-class
• Generative Models: Naive Bayes, Gaussian Discriminant Analysis
• Mixture Models & EM Algorithm
• Graphical Models: Bayesian Networks, Markov Random Fields, Inference
• Variational Inference, Sampling (MCMC, Gibbs)
• Hidden Markov Models, Conditional Random Fields
• Decision Trees, Random Forests, Boosting (AdaBoost, Gradient Boosting)
• Neural Networks, Backpropagation, Deep Learning intro
• Representation Learning, Autoencoders
• Reinforcement Learning basics (MDP, Q-Learning)
• PAC Learning, Rademacher Complexity, Generalization Bounds
• Online Learning, Bandits
• Causal Inference intro

作业 / 评估：4-5 次 written homework + programming assignments，1 次 midterm，1 次 final project（小组研究复现 + 创新）。

Capstone 形态：期末 final project（research-style replication + extension）。

4. Stanford MS in Computer Science — AI Track#

• 机构：Stanford University, Department of Computer Science
• URL：https://www.cs.stanford.edu/masters-specializations
• 学位 / 学制：MSCS 学位（AI specialization），通常 1.5–2 年（6 quarters）
• 招生门槛：CS / 强 STEM 本科背景；扎实算法、系统、数学基础；3 封推荐信、SoP；GRE 已不再要求（自 2020 起）；TOEFL；强研究 / 实习经历优先
• 线下 / 线上：线下（HCP 学生可远程，部分 AI 课在线）
• 一句话特点：Stanford CS 经典学术型 MS，AI 方向走"四门课打底 + 21 unit depth"路线，CS 221 / 224N / 229 是标配。

完整课表（45 units 总量）

Foundations（4 门，每门约 3-5 units）

• CS 103 Mathematical Foundations of Computing
• CS 107 Computer Organization & Systems
• CS 109 Introduction to Probability for Computer Scientists
• CS 161 Design and Analysis of Algorithms

（可豁免 / 替换，按背景）

Significant Implementation Requirement（1 门）

• 从指定列表选 1 门以编程项目为核心的课，例：CS 140 Operating Systems, CS 143 Compilers, CS 144 Networking, CS 145 Database, CS 148 Computer Graphics, CS 248 Interactive Computer Graphics

Breadth Requirement（3 门，跨 Area A/B/C/D，1 门 / 区）

• Area A (Mathematical/Theoretical Foundations)：CS 154 / 157 / 168 / 254 / 261 / 265；EE 364A/B；Phil 251
• Area B (Computer Systems)
• Area C (Real-world Applications)
• Area D (Human-centered AI)

Depth — AI Specialization（21 units）

• 必修：CS 221 Artificial Intelligence: Principles and Techniques
• 从下列至少选 4 门：

- CS 223A Introduction to Robotics

- CS 224N Natural Language Processing with Deep Learning

- CS 224U Natural Language Understanding

- CS 224S Spoken Language Processing

- CS 224W Machine Learning with Graphs

- CS 228 Probabilistic Graphical Models

- CS 229 Machine Learning

- CS 230 Deep Learning

- CS 231A Computer Vision: From 3D Reconstruction to Recognition

- CS 231N Convolutional Neural Networks for Visual Recognition

- CS 234 Reinforcement Learning

- CS 237A Principles of Robot Autonomy

- CS 238 Decision Making under Uncertainty

• 其余 depth 学分从更大的 AI 选修池中凑足（CS 224R / 224V / 273 / 224B / 326 / 329 等）

Capstone / Thesis 形态：AI track 默认课程型（不强制 thesis）；可选"Master with Distinction in Research"（额外做 thesis）；CS 229 / 230 / 231N 等课均含期末项目。

5. Stanford HAI Fellowship / Stanford AI Lab#

• 机构：Stanford University, Stanford Institute for Human-Centered Artificial Intelligence (HAI) + Stanford AI Lab (SAIL)
• URL：https://hai.stanford.edu/ ；https://ai.stanford.edu/
• 类型 / 学制：

- HAI Fellowship：1 年制驻校 fellowship（不是学位），面向中后期 PhD / postdoc / 跨学科学者

- SAIL：研究实验室，不直接颁学位，其成员是 Stanford CS PhD 学生

• 招生门槛：HAI Fellowship 要求博士学位（或博士在读后期）+ AI 相关研究计划；按 cohort 选拔
• 线下 / 线上：线下（Stanford 校园）
• 一句话特点：研究 fellowship，不是结构化课程项目；fellow 自主推进研究，参加 HAI seminar / 跨学科 workshop / policy roundtable。

"课表"：无固定课程。fellow 活动包括：

• HAI Weekly Seminar Series
• HAI Annual Fall Conference
• 跨学科研究 working groups（AI + Healthcare / Education / Law / Climate / Policy 等）
• Stanford CS PhD 学生（含 SAIL 成员）按 Stanford CS PhD 培养方案：Breadth Requirement、Qualifying Exams、TA、Research Area Exam、Thesis Defense

Capstone 形态：研究产出（论文 / 报告 / policy brief），非 capstone。

6. Berkeley MIDS — Master of Information and Data Science（在线）#

• 机构：UC Berkeley, School of Information
• URL：https://ischoolonline.berkeley.edu/data-science/
• 学位 / 学制：MIDS 学位，12-32 个月（accelerated 12 个月，standard 20 个月，decelerated 32 个月）
• 招生门槛：本科学位 + 编程经验（Python）、微积分、统计；3 封推荐信、SoP、简历；无 GRE；TOEFL
• 线下 / 线上：在线（同步授课 + 异步内容），但需到 Berkeley 校园参加 1 次 2-3 天 immersion
• 一句话特点：iSchool 出的在线数据科学硕士，27 units = 4 门 core + 5 门 advanced + 1 门 capstone。

完整课表（27 units，9 门课，每门 3 units）

Foundation Courses（4 门，必修）

• DATASCI 200 Introduction to Data Science Programming
• DATASCI 201 Research Design and Applications for Data and Analysis
• DATASCI 203 Statistics for Data Science
• DATASCI 205 Fundamentals of Data Engineering

Advanced Courses / Electives（从下列选 4 门）

• DATASCI 207 Applied Machine Learning
• DATASCI 209 Data Visualization
• DATASCI 221 Modern Artificial Intelligence Strategy and Applications
• DATASCI 231 Behind the Data: Humans and Values
• DATASCI 233 Privacy Engineering
• DATASCI 241 Experiments and Causal Inference
• DATASCI 255 Machine Learning Systems Engineering
• DATASCI 261 Machine Learning at Scale
• DATASCI 266 Natural Language Processing with Deep Learning
• DATASCI 267 Fundamentals of Generative AI
• DATASCI 271 Applied Time Series Analysis and Forecasting
• DATASCI 281 Computer Vision
• DATASCI 290 Special Topics

Capstone

• DATASCI 210 Synthetic Capstone（小组制，跨整学期，综合实战项目）

7. Berkeley MEng — AI / Data Science focus#

• 机构：UC Berkeley, EECS Department
• URL：https://eecs.berkeley.edu/academics/graduate/industry-programs/meng/
• 学位 / 学制：MEng 学位，1 年（2 学期）
• 招生门槛：EECS / CS / EE 本科背景；3 封推荐信；TOEFL；GRE 可选；要有 leadership / 产业意愿（program 强调 engineering leadership）
• 线下 / 线上：线下（Berkeley 校园）
• 一句话特点：1 年制 EECS 工程师 MEng，技术 + 领导力 + capstone 三件套，Data Science focus 走 CS 189/280/282 路线。

完整课表（25 units 总量）

Technical Courses（4 门，AI/DS focus）

至少 3 门来自下列：

• CS C200A Principles and Techniques of Data Science
• CS 282A Designing, Visualizing and Understanding Deep Neural Networks
• CS 285 Deep Reinforcement Learning, Decision Making, and Control
• CS 289A Introduction to Machine Learning
• EECS 283A Natural Language Processing
• CS 260A/B, CS 264, CS 265, CS C267, CS 270, CS 271, CS 276, CS 280A, CS C280, CS 288 等

Engineering Leadership Courses（8 units）

由 Fung Institute 教授，含 leadership communication、entrepreneurship、product management、IP & ethics 等。

Capstone（5 units，跨 2 学期）

团队工程项目，与产业 / 校内研究组合作交付。

8. Cornell Tech — MEng in Computer Science（AI focus）#

• 机构：Cornell Tech (Cornell University)
• URL：https://tech.cornell.edu/programs/masters-programs/master-in-computer-science/
• 学位 / 学制：MEng 学位，1 年（2 学期，纽约 Roosevelt Island）
• 招生门槛：CS 本科或等价；3 封推荐信、SoP、面试（必有）；GRE 可选；TOEFL
• 线下 / 线上：线下（纽约）
• 一句话特点：Cornell 工程学院的"产品 + 工程 + 创业"一年制 MEng，独有 Studio 课系列。

完整课表（30 credits）

Technical Courses（18 credits）

• 5 门 CS 课（15 credits，含 AI for Engineers Certificate 的下列课程）

- CS 5785 Applied Machine Learning

- CS 5781 Machine Learning Engineering

- CS 5787 Deep Learning

- CS 5788 Engineering AI Solutions

- CS 5789 Reinforcement Learning

- CS 5740 Natural Language Processing

- CS 5670 Computer Vision

- CS 5434 Database Systems

• Technical Electives（3 credits）：CS / ORIE / ECE / INFO

Studio Courses（8 credits，Cornell Tech 招牌）

• TECH 5900 Product Studio（4 credits，与外部公司合作做产品）
• TECH 5910 / 5920 / 5930 Startup Studio / BigCo Studio / PiTech Impact Studio（3 credits，3 选 1）
• TECH Studio Elective（1 credit）

General Electives（4 credits）

AI for Engineers Certificate（选）：3 门 AI 课 + 1 门 LAW / INFO supporting 课。

Capstone 形态：Studio 课全年都是 capstone-like 团队项目，与公司 / startup / 公益机构交付实际产品。

9. NYU Tandon — Online MS in CS（AI track） + NYU CDS MS Data Science#

#### 9a. NYU Tandon MS in Computer Science（AI track）

• 机构：NYU Tandon School of Engineering
• URL：https://engineering.nyu.edu/academics/programs/computer-science-ms
• 学位 / 学制：MS in CS，1.5–2 年（30 credits）
• 招生门槛：CS 或相关本科；GRE 可选；TOEFL；3 推荐信
• 线下 / 线上：线下 + 在线（部分专业方向）
• 一句话特点：30 credits，灵活 specialization，AI / 数据科学方向通过 core electives 拼出来。

完整课表（30 credits）

• 3 credits Algorithms：CS-GY 6033 Design and Analysis of Algorithms I（或 CS-GY 6043 II）
• 12 credits Core Electives（含可作 capstone 的课）：例如

- CS-GY 6313 Information Visualization

- CS-GY 6923 Machine Learning

- CS-GY 6953 Deep Learning

- CS-GY 9223 Natural Language Processing

- CS-GY 6643 Computer Vision

- CS-GY 6573 Penetration Testing

• 3 credits Capstone Course（独立项目 / 论文）
• 12 credits General Electives

Capstone 形态：CS-GY 9963 / 学期 capstone 课（独立项目 + 报告）。

#### 9b. NYU Center for Data Science — MS in Data Science

• 机构：NYU Center for Data Science (CDS)
• URL：https://cds.nyu.edu/masters-in-data-science-curriculum/
• 学位 / 学制：MS in Data Science，36 credits，2 年
• 招生门槛：理工本科 + 数学（线代、概率、微积分）+ Python；GRE 可选；TOEFL
• 线下 / 线上：线下（纽约 Washington Square）
• 一句话特点：NYU CDS（Yann LeCun 学派）经典 MS，6 门核心 + 6 门方向选修 + capstone。

核心课程（6 门，18 credits）

• DS-GA 1001 Introduction to Data Science
• DS-GA 1002 Probability and Statistics for Data Science
• DS-GA 1003 Machine Learning
• DS-GA 1004 Big Data
• DS-GA 1006 Capstone Project and Presentation
• 1 门 Data Science 方向选修（见下）

Data Science 方向选修（选 1 门作必修，更多门作 elective）

• DS-GA 1005 Inference and Representation
• DS-GA 1008 Deep Learning
• DS-GA 1011 Fundamentals of Natural Language Processing
• DS-GA 1012 Large Language Models: Evaluation and Applications
• DS-GA 1013 Mathematical Tools for Data Science
• DS-GA 1014 Optimization and Computational Linear Algebra
• DS-GA 1015 Text as Data
• DS-GA 1016 Computational Cognitive Modeling
• DS-GA 1017 Responsible Data Science
• DS-GA 1018 Probabilistic Time Series Analysis
• DS-GA 1020 Mathematical Statistics
• DS-GA 1021 Probability and Statistics 2

General Electives（18 credits）：可选 tracks（Big Data, ML, NLP, Computational Biology, Mathematical Data Science, Physics）。

Capstone 形态：DS-GA 1006 Capstone Project（小组 + 工业 / 学术 mentor，最终演示）。

10. MIT MicroMasters in Statistics and Data Science（edX）#

• 机构：MIT Institute for Data, Systems, and Society (IDSS) + MITx on edX
• URL：https://micromasters.mit.edu/ds/
• 类型 / 学制：MicroMasters credential（非学位），通常 1–1.5 年（4 门课 + capstone exam）
• 招生门槛：开放注册；推荐有微积分、线代、Python 基础
• 线下 / 线上：完全在线（edX 平台），但 capstone exam 需 virtually proctored
• 一句话特点：MIT IDSS 出的官方在线 credential，可抵 PhD 第一学期或部分高校 MS credit。

4 门课程 + 1 个 capstone exam（按 track 选择）

核心课程（所有 track 共享 3 门）

• 6.431x Probability — The Science of Uncertainty and Data
• 6.419x Data Analysis: Statistical Modeling and Computation in Applications
• 6.86x Machine Learning with Python: from Linear Models to Deep Learning

第 4 门 = track 选修

• General Track：14.310Fx Data Analysis in Social Science (orig. 18.6501x Fundamentals of Statistics)
• Methods Track：18.6501x Fundamentals of Statistics
• Social Sciences Track：14.310Fx Data Analysis in Social Science
• Time Series & Social Sciences Track：14.310Fx + 14.382x Time Series Analysis 等

Capstone Exam：监考综合考试，全部 4 门课内容综合考察。

11. MIT Schwarzman College of Computing — Common Ground / AI 相关项目#

• 机构：MIT Stephen A. Schwarzman College of Computing
• URL：https://computing.mit.edu/
• 类型 / 学制：跨学科 "Common Ground" 课程矩阵（本科 + 研究生层级），不是单一学位；Schwarzman College 下还包含 EECS PhD / MEng / 6-x degrees 等已有学位
• 招生门槛：随各承办系（EECS / IDSS / Sloan / Mathematics）规则
• 线下 / 线上：线下
• 一句话特点：MIT 把计算 + AI 嵌入所有院系的"通识工程"，以 ".C" 编号跨系合开课。

Common Ground 课程（以 ".C" 标识，跨多个系号同号开设）

• 6.C01 / 18.C01 Modeling with Machine Learning: From Algorithms to Applications
• 6.C09 / 6.C29 / 6.C85 Linear Algebra and Optimization
• 6.C40 / 6.C41 AI and Rationality
• 6.C57 / 6.C75 Optimization Methods
• 9.C20 / 16.C20 / 18.C20 Introduction to Computational Science and Engineering
• 11.C25 Real Estate Economics + Computing
• 6.C25 / 6.C85 / 6.C35 Real-World Computer Systems Security 等

研究生层 AI 项目：EECS Department 下的 MEng 与 PhD 都涵盖 AI；IDSS 提供 Social and Engineering Systems PhD 与 Statistics PhD。

Capstone 形态：按所在系规则（EECS MEng 有 thesis；IDSS PhD 有 dissertation）。

12. Columbia MS in Data Science#

• 机构：Columbia University, Data Science Institute (DSI)
• URL：https://datascience.columbia.edu/education/programs/m-s-in-data-science/curriculum/
• 学位 / 学制：MS in Data Science，30 credits，1.5 年
• 招生门槛：本科 STEM 背景 + 微积分 / 线代 / 概率 / 编程；3 推荐信、SoP；GRE 可选；TOEFL
• 线下 / 线上：线下（纽约 Morningside）
• 一句话特点：DSI 出，21 学分 core + 9 学分以上 electives + capstone 三件套，统计 / CS / 工程交叉。

完整课表

核心课程（21 credits）

• COMS W4121 Computer Systems for Data Science（3 credits）
• COMS W4721 Machine Learning for Data Science（3 credits）
• CSOR W4246 Algorithms for Data Science（3 credits）
• STAT GR5701 Probability and Statistics for Data Science（3 credits）
• STAT GR5702 Exploratory Data Analysis and Visualization（3 credits）
• STAT GR5703 Statistical Inference and Modeling（3 credits）
• ENGI E4800 Data Science Capstone and Ethics（3 credits）

Electives（≥9 credits，4000+ level letter-graded）

代表性选修：

• COMS W4705 Natural Language Processing
• COMS W4995 Applied Machine Learning / Deep Learning / Causal Inference
• COMS E6998 High Performance Machine Learning / Social Meaning in NLP / Probabilistic Programming
• IEOR 4572 ML in Insurance/Banking
• IEOR 4573 Large Language Models
• IEOR E4721 Big Data in Finance
• STAT GR5293 Financial Modeling / Image Analysis / Online Experiments
• STAT 5293 Computer Vision

Capstone 形态：ENGI E4800 Capstone，3-4 人小组配 faculty mentor，与产业 / 学术伙伴合作完成实际数据问题，每周 cohort meeting 讨论伦理、设计思维等。

13. UPenn — MSE in CIS（AI specialization）/ MSE-AI Online#

• 机构：University of Pennsylvania, School of Engineering and Applied Science (SEAS), Department of Computer and Information Science (CIS)
• URL：https://www.cis.upenn.edu/mse-in-cis/ ；https://online.seas.upenn.edu/degrees/mse-ai-online/
• 学位 / 学制：MSE in CIS（AI specialization）或 MSE-AI Online，10 course units，1.5–2.5 年
• 招生门槛：CS / 工科本科背景；3 推荐信；GRE 可选；TOEFL；MSE-AI Online 强调编程 + 数学预修
• 线下 / 线上：MSE in CIS 线下；MSE-AI 在线
• 一句话特点：UPenn 工程学院 CIS 系 AI 方向，MSE-AI Online 用 7 门固定 core 把 AI / 数据 / 系统 / 伦理打包成在线 MSE。

MSE-AI Online — 7 门 Core

• CIS 5210 Artificial Intelligence
• CIS 5300 Natural Language Processing
• ESE 5410 Machine Learning for Data Science
• ESE 5420 Statistics for Data Science
• ESE 5460 Deep Learning
• CIS 5550 Internet and Web Systems
• EAS 5240 Technology Ethics and Legal Landscape（与 Penn Law 合开）

MSE-AI Online 余下 3 门 electives：从 SEAS / CIS / ESE / EAS 列表中选。

MSE in CIS — General requirements

• 10 course units 总量
• 至少 7 门 CIS 课
• 4 门 Core 课：其中至少 1 门 systems（或 CIS 5710），至少 1 门 theory，最多 1 门 machine learning
• 3 门 CIS electives + 3 门外系 / SEAS electives

Concentrations：Computer Vision / Systems / AI / Software Foundations / Theoretical Foundations

Capstone 形态：MSE in CIS 默认课程型；可选 thesis path（CIS 597 Independent Study + CIS 599 Thesis）。

14. USC ISI / Viterbi — MS Computer Science (AI / Data Science)#

• 机构：USC Viterbi School of Engineering, Thomas Lord Department of Computer Science；研究侧 USC ISI (Information Sciences Institute)
• URL：https://www.cs.usc.edu/academic-programs/masters/artificial-intelligence/
• 学位 / 学制：MS in CS（Artificial Intelligence）或 MS in CS（Data Science），32 units，1.5–2 年
• 招生门槛：CS 或强 STEM 本科；GRE 可选；TOEFL；3 推荐信
• 线下 / 线上：线下；部分课程 DEN 在线
• 一句话特点：USC CS 系 AI 方向有 5 门固定 core + 3 门分组选修，强调 ML / DL / NLP / CV / Robotics 平衡。

MS in CS — Artificial Intelligence（32 units）

Core Required Courses（20 units，5 门）

• CSCI 561 Foundations of Artificial Intelligence
• CSCI 566 Deep Learning and Its Applications
• CSCI 567 Machine Learning
• CSCI 570 Analysis of Algorithms
• CSCI 571 Web Technologies

Electives（12 units，3 门，每组至少 1 门）

Group 1 — Machine Learning & Deep Learning：

• EE 546 Mathematics of High-Dimensional Data
• EE 588 Optimization for Information and Data Sciences
• ISE 633 Large Scale Optimization and Machine Learning

Group 2 — NLP & Speech：

• CSCI 544 Applied Natural Language Processing
• CSCI 662 Advanced Natural Language Processing
• EE 519 Speech Recognition and Processing for Multimedia

Group 3 — Computer Vision & Robotics：

• CSCI 445L Introduction to Robotics
• CSCI 545 Robotics
• CSCI 677 Advanced Computer Vision
• EE 569 Introduction to Digital Image Processing

MS in CS — Data Science（32 units）

核心 包含 CSCI 585 Principles of Database Systems 等；与 MS-CS-AI 重叠 ML / Algorithms 等。

Capstone 形态：课程型为主；可选 CSCI 599 / 699 Directed Research。

15. Northeastern — Align MS in Computer Science（AI specialization）#

• 机构：Northeastern University, Khoury College of Computer Sciences
• URL：https://www.khoury.northeastern.edu/programs/align-masters-of-science-in-computer-science/
• 学位 / 学制：MSCS（Align track），36-44 credits，2–3 年（含 16-credit bridge）
• 招生门槛：非 CS 本科；3 推荐信；GRE 可选；TOEFL；强调转专业意愿
• 线下 / 线上：线下 + 在线（Boston / Seattle / Silicon Valley / Oakland / Vancouver / 在线）
• 一句话特点：专为非 CS 本科设计的"桥接 + MSCS"项目，先把本科 CS 缺口补齐再走标准 MSCS。

完整课表

Bridge Coursework（16 credits，必修，需 B 以上）

• CS 5001 & CS 5003 Intensive Foundations of Computer Science and Recitation
• CS 5002 Discrete Structures
• CS 5004 & CS 5005 Object-Oriented Design and Recitation
• CS 5008 & CS 5009 Data Structures, Algorithms, and Their Applications within Computer Systems and Recitation

Core Requirement

• CS 5800 Algorithms

Breadth Requirements（12 credits，从 3 个 breadth 区中选 2 区，3 门）

• AI and Data Science：CS 5100 / 5150 / 5200 / 5330 / 6120 (NLP) / 6140 (ML) / 6200 / 6220 / 6240 / 7140 (Advanced ML)
• Systems and Software：CS 5400 / 5500 / 5520 / 5600 / 5610 / 5700 / 5850 / 6410 / 6510 / 6620 / 6650
• Theory and Security：CS 6760 / 7805 / CY 5770 / CY 6740

Electives（12 credits）：含 CS 7990 Thesis 或 CS 8674 Master's Project

Capstone 形态：可选 CS 7990 Thesis 或 CS 8674 Master's Project；AI 方向常用 ML capstone 项目。

16. UWaterloo MDSAI / UToronto MScAC AI#

#### 16a. University of Waterloo — Master of Data Science and Artificial Intelligence (MDSAI)

• 机构：University of Waterloo, Faculty of Mathematics
• URL：https://uwaterloo.ca/data-science/masters-data-science-and-artificial-intelligence-mdsai
• 学位 / 学制：MDSAI，1 年（course-based）或 16-24 个月（co-op）
• 招生门槛：CS / Stats / Math 本科；3 推荐信；TOEFL；强数学背景
• 线下 / 线上：线下（Waterloo）
• 一句话特点：CS + Stats + C&O 三系联合，"必须有一门优化课"是标志。

完整课表（9 门）

• 1 门 Foundation Course
• 5 门 Core Courses（CS / Stats / C&O 三大单元各有要求）
• 3 门 Electives
• 必修：Ethics in Data Science and Artificial Intelligence（3-day workshop）

代表课程：CS 680 Introduction to Machine Learning, CS 686 Introduction to AI, CO 487 Applied Cryptography 等。

Capstone 形态：course-based 不含 thesis；co-op track 含 industry term。MMath in Data Science 同校另一项目则含 thesis。

#### 16b. University of Toronto — MScAC (Master of Science in Applied Computing) AI Concentration

• 机构：University of Toronto, Department of Computer Science
• URL：https://mscac.utoronto.ca/artificial-intelligence/
• 学位 / 学制：MScAC，16 个月（含 8 个月工业 internship）
• 招生门槛：CS 本科；3 推荐信；TOEFL；面试
• 线下 / 线上：线下（Toronto）
• 一句话特点：UofT CS 系工业向 MS，特色是强制 8 个月 industry internship。

完整课表（4.0 FCEs 总量）

Required Courses（2 门，1.0 FCEs）

• CSC 2701H Communication for Computer Scientists
• CSC 2702H Technical Entrepreneurship

AI Concentration Coursework（3.0 FCEs，6 门）

• 3 门 AI 区课程（1.5 FCEs，含 2 门 core AI + 1 门 additional AI）
• 0.5 FCE 跨 group 1 / 3 / 4 之一
• 最多 2 门可从 CS 系外选

Industrial Internship（必修）

• CSC2703H 8-month industrial internship（pass/fail）

Capstone 形态：以 8 个月 industrial internship 为核心交付物，非传统 thesis。

B 类：欧洲 AI 硕士 / 长周期项目#

17. Cambridge — MPhil in Machine Learning and Machine Intelligence (MLMI)#

• 机构：University of Cambridge, Department of Engineering
• URL：https://www.mlmi.eng.cam.ac.uk/
• 学位 / 学制：MPhil 学位，1 年（Michaelmas + Lent + Easter）
• 招生门槛：高分 STEM 本科（first-class 等价）；强数学背景；2 推荐信；个人陈述；IELTS / TOEFL
• 线下 / 线上：线下（Cambridge）
• 一句话特点：剑桥工程系 ML 一年制 MPhil，分 5 个 track 各有自己的 core module 组合，最后是 Easter 起的 research dissertation。

5 Tracks

• Speech and Language Processing (SLP)
• Computer Vision and Robotics (CVR)
• Machine Learning (ML)
• Human-Computer Interaction (HCI)
• Biological Learning (BIO，2026 新设)

Core Modules（所有 track）

Track-Specific Core Modules

• SLP：MLMI 5 Spoken Language Processing and Generation (Lent Half), MLMI 6 Advanced Speech Recognition (Lent Half), MLMI 8 Large Language Model Applications (Lent Half)
• CVR：4F12 Computer Vision (Michaelmas Full), 4M20 Introduction to Robotics (Michaelmas Full), MLMI 17 Advanced Computer Vision (Lent Half)
• ML：MLMI 4 Advanced Machine Learning (Lent Full)
• HCI：MLMI 16 Advanced Human-Computer Interaction (Lent Full), MLMI 10 Designing Intelligent Interactive Systems (Lent Half)
• BIO：4G3 Computational Neuroscience (Lent Full)

Elective Module（1 门）：可选其他 MLMI 模块或 Engineering Dept. 第四年课。

Capstone 形态：Easter 起 research dissertation + poster presentation。

18. Oxford — MSc in Advanced Computer Science（AI track）#

• 机构：University of Oxford, Department of Computer Science
• URL：https://www.cs.ox.ac.uk/teaching/MSCinCS/
• 学位 / 学制：MSc，1 年（Michaelmas + Hilary + Trinity + 暑期 dissertation）
• 招生门槛：first 或 high 2:1 等价 CS 本科；2 推荐信；TOEFL / IELTS；个人陈述 + 写作样本
• 线下 / 线上：线下（Oxford）
• 一句话特点：Oxford CS 的一年制 advanced MSc，每学期最多 4 门课，可分流到 MSc in Advanced Computer Science (Artificial Intelligence) 或 (Foundations of Computer Science)。

完整课表

• 每学期最多 4 门 schema 课
• AI 相关课程包括：Machine Learning, Probabilistic Model Checking, Computer Vision, Computational Game Theory, Computational Biology, Concurrent Algorithms and Data Structures, Geometric Modelling, Quantum Information, Computer-Aided Formal Verification, Categories Proofs and Processes, Combinatorial Optimisation, Lambda Calculus & Types, Principles of Programming Languages, Distributed Processes, Types and Programming, Law and Computer Science 等
• 限制：在 Computer-Aided Formal Verification / Geometric Modelling / Lambda Calculus & Types / Machine Learning / Principles of Programming Languages / Quantum Information 这 6 门中最多选 2 门

专门 stream：MSc in Advanced Computer Science (Artificial Intelligence) — 需选满 AI 相关 schema 课 + AI 主题 dissertation。

Capstone 形态：Trinity Term 起 4-month dissertation（research project，独立完成）。

19. UCL — MSc Machine Learning / MSc Data Science and Machine Learning#

• 机构：University College London, Department of Computer Science
• URL：https://www.ucl.ac.uk/prospective-students/graduate/taught-degrees/machine-learning-msc
• 学位 / 学制：MSc，1 年（180 credits）
• 招生门槛：upper second-class UK Bachelor's 等价 + 量化背景（线代 / 微积分）；2 推荐信；IELTS L2
• 线下 / 线上：线下（London）
• 一句话特点：UCL CS 系经典 1 年 MSc，必修只有 Supervised Learning + dissertation，其余全部从 COMP00xx 系列里凑。

完整课表（180 credits）

Term 1

• 必修：COMP0078 Supervised Learning
• 选修：从 COMP00xx 中选

Term 2 — 主要选修 / 进阶必修

代表课程：

• COMP0081 Applied Machine Learning
• COMP0083 Advanced Topics in Machine Learning
• COMP0085 Approximate Inference and Learning in Probabilistic Models
• COMP0087 Statistical Natural Language Processing
• COMP0089 Reinforcement Learning
• COMP0137 Machine Vision
• COMP0168 Machine Learning Seminar
• COMP0171 Bayesian Deep Learning
• COMP0197 Applied Deep Learning
• COMP0080 Graphical Models
• COMP0086 Probabilistic and Unsupervised Learning
• Open-Endedness and General Intelligence（新设）

Term 3

• 必修：COMP0091 MSc Machine Learning Project（dissertation，4 周 background → 12 周 implementation → 4 周写作）

Capstone 形态：COMP0091 MSc 项目，可与产业 partner 或学术合作，30–100 页 dissertation。

关联项目：MSc Data Science and Machine Learning（COMP0158 dissertation 单元）。

20. Imperial — MSc Artificial Intelligence / Computing (AI & ML)#

• 机构：Imperial College London, Department of Computing
• URL：https://www.imperial.ac.uk/study/courses/postgraduate-taught/artificial-intelligence/
• 学位 / 学制：MSc AI，1 年（Sept – Sept）
• 招生门槛：2:1 等价 + 强数学背景；2 推荐信；IELTS / TOEFL
• 线下 / 线上：线下（South Kensington）
• 一句话特点：Imperial Computing 系一年制 MSc，5 门 core + 5 门 selective + group project + 个人 project / 实习。

完整课表

Compulsory Core Modules（5 门）

• Introduction to Machine Learning
• Python Programming
• Introduction to Symbolic Artificial Intelligence
• Ethics, Fairness, and Explanation in AI
• Software Engineering Group Project

Selective Modules（5 门，其中 ≥4 门来自 Group 1，≤1 门来自 Group 2）

Group 1（AI/ML focus）：

• Computer Vision
• Reinforcement Learning
• Computational Optimisation
• Mathematics for Machine Learning
• Formal Methods for Safe AI
• Logic-Based Learning
• Deep Learning
• Probabilistic Inference
• Machine Learning for Imaging
• Natural Language Processing
• Robot Learning
• Robotics
• AI Ventures
• Computational Neurodynamics
• Deep Graph-Based Learning
• Human-Robot Interaction
• Software Engineering for Machine Learning Systems
• Non-Euclidean Methods in Machine Learning

Group 2（互补主题）：

• Computational Finance
• Principles of Distributed Ledgers
• Quantum Computing
• Statistical Information Theory

Project

• Group Project（spring term）
• Individual Project / Internship（mid-May – mid-Sep，可在 Imperial 或在产业 / 研究机构）

Capstone 形态：Individual Project（实习或研究项目）+ thesis，约 4 个月。评估：20% coursework + 30% exams + 50% projects。

21. ETH Zurich — MSc in Data Science#

• 机构：ETH Zurich, Department of Computer Science（与 Math、ITET 合办）
• URL：https://inf.ethz.ch/studies/master/master-ds.html
• 学位 / 学制：MSc，2 年（120 ECTS，4 学期）
• 招生门槛：CS / Math / EE 强本科；CGPA 高；推荐信；TOEFL
• 线下 / 线上：线下（Zurich）
• 一句话特点：ETH 三系联合的 DS MSc，120 ECTS 分到 5 个 category + thesis，Data Science Lab 与 6-month thesis 是重头。

完整课表（120 ECTS）

Core Courses（32 ECTS）：覆盖数据科学基础（如 Algorithms Lab, Statistical Learning Theory, Machine Learning, Probabilistic Artificial Intelligence 等）

Data Analysis Electives（16 ECTS）：覆盖 Computational Statistics, Statistical Modeling 等

Data Management and Processing Electives（16 ECTS）：覆盖 Big Data, Database Systems, Information Systems 等

Subject-Specific Electives（20 ECTS）：跨学科领域应用

Data Science Lab（10 ECTS）：实战项目课

Seminar / Science in Perspective（2 ECTS）

Master's Thesis（30 ECTS）：6 个月全职研究，不建议同时上课

代表 ETH AI/DS 课：

• Research in Data Science
• Randomized Algorithms and Probabilistic Methods
• Natural Language Understanding
• Reliable and Interpretable Artificial Intelligence
• Deep Learning

Capstone 形态：6-month Master's Thesis（在 ETH 实验室或与产业 partner 完成）。

22. EPFL — Master in Data Science / Computer Science#

• 机构：EPFL (École polytechnique fédérale de Lausanne), School of Computer and Communication Sciences (IC)
• URL：https://www.epfl.ch/education/master/programs/data-science/
• 学位 / 学制：MSc，2 年（120 ECTS）
• 招生门槛：CS / EE / Math 强本科；推荐信；TOEFL
• 线下 / 线上：线下（Lausanne）
• 一句话特点：EPFL IC 学院的 DS MSc，core 课每门 8 ECTS、必修 4 门起，强制工业实习 + 30 ECTS 论文。

完整课表（120 ECTS）

Core Courses Group 1 — Master 1（Winter）

• CS-450 Algorithms II（8 ECTS）
• CS-401 Applied Data Analysis（8 ECTS）
• COM-406 Foundations of Data Science（8 ECTS）
• COM-402 Information Security and Privacy（8 ECTS）
• CS-433 Machine Learning（8 ECTS）

Core Courses Group 1 — Master 2（Summer）

• CS-552 Modern Natural Language Processing（8 ECTS）
• CS-439 Optimization for Machine Learning（8 ECTS）
• CS-460 Systems for Data Management and Data Science（8 ECTS）

Mandatory Non-Technical

• HSS Introduction to Project（Winter，3 ECTS）
• HSS Project（Summer，3 ECTS）
• COM-412 Semester Research Project（12 ECTS）

Electives Group 2（70+ 门可选，4–8 ECTS 每门）：跨 deep learning、NLP、cryptography、statistics、computational methods

Industry Internship

• 必选：8 周暑期 internship，或 6 个月全职 internship（可与 thesis 合并）

Master Project

• COM-598 Master Project（30 ECTS，18 周校内或 26 周校外）

Capstone 形态：30-ECTS Master Project（论文 + 答辩）。

23. PSL — Master 2 IASD (Intelligence Artificielle, Systèmes, Données)#

• 机构：Université PSL（Université Paris Dauphine-PSL + ENS-PSL + Mines Paris-PSL）
• URL：https://www.masteriasd.eu/
• 学位 / 学制：Master 2（法国学制最后一年），1 年（60 ECTS）
• 招生门槛：完成 Master 1 in CS / Math 或等价；强数学 + 编程；2 推荐信；个人陈述；本国 / 国际申请双轨
• 线下 / 线上：线下（巴黎，多个校区）
• 一句话特点：法国三所顶尖院校（Dauphine + ENS + Mines）联合的 M2 IASD，1 学期 7 门 mandatory + 1 学期 6 门 options + 6 个月 internship。

完整课表（60 ECTS）

Semester 1 — Common Core（Sept–Dec，28 ECTS，7 门 mandatory courses）

• Data Science Lab（4 ECTS）
• Foundations of Machine Learning（4 ECTS）
• Optimization for Machine Learning（4 ECTS）
• Reinforcement Learning（4 ECTS）

CS Track 特有（3 门）

• Data Acquisition, Extraction, and Storage（4 ECTS）
• Deep Learning for Image Analysis（4 ECTS）
• Large Language Models（4 ECTS）

Math Track 特有（替换 CS 三门）

• Bayesian Statistics（4 ECTS）
• High-Dimensional Statistics（4 ECTS）
• Optimal Transport（4 ECTS）

Semester 2 — Options（Jan–Mar，22 ECTS，6 门从 20 门选）

• Computational Statistics and Markov Chain Monte Carlo Methods
• PSL Intensive Week (Data@PSL)（2 ECTS）
• Advanced Machine Learning
• Bayesian Case Studies
• Bayesian Machine Learning
• Computational Social Choice
• Dimension Reduction and Manifold Learning
• Graph Analytics
• Incremental Learning, Game Theory, and Applications
• Introduction to Causal Inference
• Knowledge Graphs, Description Logics, Reasoning on Data
• LLM for Code and Proof
• Machine Learning on Big Data
• Machine Learning with Kernel Methods
• Mathematics of Deep Learning
• Monte-Carlo Search and Games
• Non-Convex Inverse Problems
• NoSQL Databases
• Point Clouds and 3D Modeling
• Topics in Trustworthy Machine Learning

Internship（Apr–Sep，10 ECTS）

• 6 个月学术研究 lab 或产业 R&D 实习

Capstone 形态：6 个月 internship + research report + 答辩。

24. TU Munich (TUM) — MSc Data Engineering and Analytics / MSc Informatics (AI focus)#

• 机构：Technical University of Munich, TUM School of Computation, Information and Technology (CIT)
• URL：https://www.cit.tum.de/en/cit/studies/degree-programs/master-data-engineering-and-analytics/
• 学位 / 学制：MSc，2 年（120 ECTS，4 学期）
• 招生门槛：CS / Math / Stats 本科 + 强数学 / 编程；2 推荐信；TOEFL
• 线下 / 线上：线下（Munich）
• 一句话特点：TUM 把 AI / 数据放进 Informatics MSc 与 Data Engineering and Analytics MSc 两条线，"先 53 ECTS 必选 + 选修 → thesis"结构。

MSc Data Engineering and Analytics（120 ECTS）

Mandatory Modules（31 ECTS）

• IN2326 Foundations in Data Engineering（8 ECTS，Winter）
• MA4800 Foundations in Data Analysis（8 ECTS，Summer）
• IN2107 Advanced Seminar Course（5 ECTS）
• IN2106 Advanced Practical Course（10 ECTS）

Elective Modules（≥53 ECTS）

• Data Engineering, Analytics & Analysis（≥15 ECTS，每子类 ≥1 门）
• Advanced Topics（≥25 ECTS）含 IN2169 Research Work under Guidance 或 IN2328 Application Project
• Support Electives（6 ECTS）：3 ECTS Master Informatics + 3 ECTS Social and Political Aspects of Data Science

Master's Thesis（30 ECTS，6 个月）

MSc Informatics（AI specialization）：相似结构，53 ECTS Elective + 30 ECTS thesis，其中可全部选 ML / AI 子领域。

Capstone 形态：6-month Master's Thesis。

25. KTH Stockholm — MSc Programme, Machine Learning (TMAIM)#

• 机构：KTH Royal Institute of Technology, EECS School
• URL：https://www.kth.se/en/studies/master/machine-learning/msc-machine-learning-1.48533
• 学位 / 学制：MSc，2 年（120 ECTS，4 学期）
• 招生门槛：CS / Math / EE 强本科；推荐信；TOEFL
• 线下 / 线上：线下（Stockholm）
• 一句话特点：KTH 经典 2 年 ML MSc，必修 + conditionally elective + 30 ECTS degree project 三段式。

完整课表（120 ECTS）

Year 1 — Mandatory / Conditionally Elective

• DD2421 Machine Learning（7.5 ECTS）
• DD2380 Artificial Intelligence（6 ECTS）
• DD2434 Machine Learning, Advanced Course
• DD2424 Deep Learning in Data Science
• DD2437 Artificial Neural Networks and Deep Architectures
• DD1420 Foundations of Machine Learning
• DA2205 Introduction to the Philosophy of Science and Research Methodology
• DD2301 Program Integrating Course in Machine Learning（贯穿全程）

Year 1 — Conditionally Elective

按 ML / Robotics & Autonomous Systems / Computer Vision 等子方向各有不同 conditionally elective 列表，例：

• DD2412 Deep Learning, Advanced Course
• DD2417 Language Engineering
• DD2418 Language Technology
• DD2419 Project Course in Robotics and Autonomous Systems
• DD2421/2434 升级版

Year 2 — Elective + Degree Project

• Free electives（从 KTH 二循环课程中选，≤30 ECTS 可来自一循环）
• DA225X Degree Project in Computer Science and Engineering, Specialising in Machine Learning（30 ECTS，全职 1 学期）

Capstone 形态：30 ECTS Degree Project（学术研究或产业项目，单独答辩）。

C 类：亚洲 AI 学位 / 项目#

26. 清华大学智班 / 姚班（计算机科学实验班）#

• 机构：清华大学 交叉信息研究院 (IIIS)
• URL：https://iiis.tsinghua.edu.cn/
• 学位 / 学制：本科 4 年（学士），后接保研 / 直博通道
• 招生门槛：高考 + 学校二次选拔；提前批 + 校内转入；2022 起姚班、智班、量信班"合并"为统一姚班下设 3 专业方向：计算机科学与技术、人工智能、量子信息
• 线下 / 线上：线下（清华校园）
• 一句话特点：姚期智院士设计的本科精英班，"前两年通用 CS / Math 基础 + 后两年方向专精"，全英文专业核心课。

完整课表（约 25 门专业 + 核心课，分两阶段）

前两年：CS / Math 基础强化

• 高级离散数学 / Advanced Discrete Mathematics
• 数学分析 / Mathematical Analysis
• 高等线性代数 / Advanced Linear Algebra
• 概率论 / Probability Theory
• 计算几何 / Computational Geometry
• 算法设计 / Algorithm Design
• 数据结构 / Data Structures
• 计算机科学理论 / Theoretical Computer Science
• 计算机网络 / Networks
• 操作系统 / Operating Systems
• 编译原理 / Compilers
• 并行与分布式算法 / Parallel and Distributed Algorithms

后两年：8 大方向专业课（按所选方向）

• Theory（计算复杂性、博弈论、密码学）
• Security
• Systems
• Computational Economics
• Computational Biology
• Machine Intelligence（机器学习、深度学习、强化学习、计算机视觉、NLP、机器人学等）
• Network Science
• Quantum Information

人工智能方向典型课程：

• Machine Learning
• Deep Learning
• Reinforcement Learning
• Computer Vision
• Natural Language Processing
• AI + Robotics
• Probabilistic Graphical Models

Capstone 形态：本科毕设（Senior Thesis）+ 大量 SRT / research project；很多学生大三起进 IIIS 实验室。

27. 清华大学 交叉信息研究院 AI 硕博#

• 机构：清华大学 交叉信息研究院 (IIIS)
• URL：https://iiis.tsinghua.edu.cn/
• 学位 / 学制：硕士 2–3 年 / 博士 4–5 年 / 直博 5 年
• 招生门槛：本科强 CS / Math；推荐信；学校研究生招生考试或免试推荐；面试
• 线下 / 线上：线下（清华校园）
• 一句话特点：IIIS 自己的研究生项目，硕博偏研究型，导师制；选课与姚班后两年专业课打通。

研究生核心课程（典型选择）

• 高级机器学习 / Advanced Machine Learning
• 深度学习 / Deep Learning
• 强化学习 / Reinforcement Learning
• 概率图模型 / Probabilistic Graphical Models
• 优化理论 / Optimization Theory
• 计算复杂性 / Computational Complexity
• 算法博弈论 / Algorithmic Game Theory
• 计算生物学 / Computational Biology
• 量子计算 / Quantum Computing
• 密码学 / Cryptography

Capstone 形态：硕士论文 / 博士论文 + 答辩；论文要求在 top venue（NeurIPS / ICML / ICLR / STOC / FOCS 等）发表。

28. 北京大学元培学院 通用人工智能实验班（"通班"）#

• 机构：北京大学 元培学院 + 北大智能学院 + 清华自动化系（联合培养）
• URL：https://www.ai.pku.edu.cn/info/1064/1888.htm
• 学位 / 学制：本科 4 年（学士）
• 招生门槛：高考 + 元培选拔 / 智能学院推荐；面向元培学院和自动化系学生
• 线下 / 线上：线下（北大校园）
• 一句话特点：朱松纯领衔的"通识 + 通智 + 通用"本科实验班，140 学分跨 7 大模块，AI 与人文 / 法学 / 社科交叉课是亮点。

完整课表（140 学分，7 大模块）

人工智能核心课程（21 学分）

7 门 AI 核心课，覆盖：

• 视觉 / Computer Vision
• 语言 / Natural Language Processing
• 认知 / Cognitive Science
• 机器人 / Robotics
• 机器学习 / Machine Learning
• 多智能体 / Multi-Agent Systems
• 通用 AI 综合课

人工智能选修课程（12 学分）

计算机科学核心课程（16 学分）

人文艺术心理认知课程（17 学分）

4 门 AI x 人文 / 社科 / 哲学 / 艺术 交叉课，例如：

• 人工智能与艺术
• 人工智能与人文
• 人工智能与国学
• 人工智能与法律、经济、社会

数理核心课程（26 学分）

数学、物理、统计基础

人工智能实践（6 学分）

3 门 AI 系统实习实践课

毕业论文（6 学分）

Capstone 形态：本科毕设（与北大智能学院 / 清华自动化系导师合作）；高比例本科生进入 PhD 通道。

29. 复旦大学 计算与智能创新学院（含 AI 方向 / 智能科学）#

• 机构：复旦大学 计算与智能创新学院（原计算机科学技术学院 + AI 学院相关方向）
• URL：https://ai.fudan.edu.cn/
• 学位 / 学制：本科 4 年 + 硕士 2-3 年 + 博士 4 年
• 招生门槛：高考 + 本研融通项目选拔；研究生考研 / 推免
• 线下 / 线上：线下（复旦校园）
• 一句话特点：复旦 2024-2025 推行"AI 大课全覆盖 + 41 个 X+AI 双学位 + 14 个本研融通"——这个项目侧重把 AI 嵌入所有学科。

本科 AI 专业 + AI 大课体系

• 计算机科学与技术、人工智能、软件工程、信息安全
• 拔尖人才试验班、UCD 合作办学项目、卓越工程能力培养计划
• 41 个 X+AI 双学士学位
• 14 个本研融通项目
• 学校层 100+ 门 "AI 大课"（"AI-BEST" 系列）

AI 专业核心课程（参考公布的"2+X"培养方案）

• 程序设计、数据结构、算法
• 人工智能导论
• 机器学习
• 深度学习
• 计算机视觉
• 自然语言处理
• 知识工程与推理
• 强化学习
• 智能系统综合实践
• 数学基础（高数、线代、概率统计）

Capstone 形态：本科毕设 + 项目实践；研究生论文（硕 / 博）。

30. 上海交大 IEEE 试点班 / 人工智能学院#

• 机构：上海交通大学 电子信息与电气工程学院（SEIEE）IEEE 试点班 + 人工智能学院
• URL：https://www.seiee.sjtu.edu.cn/
• 学位 / 学制：本科 4 年；后接硕博
• 招生门槛：高考 + 校内二次选拔；IEEE 试点班招收"电子信息科学类"考生；人工智能（卓越人才试点班）4 年
• 线下 / 线上：线下（上海闵行校区）
• 一句话特点：IEEE 试点班"四制"培养（导师制 + 方向制 + 选课制 + 项目制），大一进班后大二选方向（CS / 信息安全 / 人工智能 / 自动化）。

本科课表（人工智能方向典型）

第 1-4 学期：通识 + EECS 基础

• 高等数学、线性代数、概率论与数理统计
• 电路、电子学
• 程序设计、数据结构、算法
• 离散数学、组合数学
• 数字逻辑
• 信号与系统

第 5-8 学期：AI 方向专业课

• 机器学习
• 深度学习
• 计算机视觉
• 自然语言处理
• 强化学习
• 智能机器人
• 大数据分析
• AI 系统设计
• 人工智能伦理

第 7-8 学期：综合项目 + 毕设

• IEEE 班大三后必修课减少，给学生自由设计后两年课程组合

Capstone 形态：本科毕业设计；强项目化导向（"项目制" + 实验室科研训练）。

31. HKUST (Guangzhou) — PhD in Artificial Intelligence（先导计划）#

• 机构：The Hong Kong University of Science and Technology (Guangzhou), AI Thrust, Information Hub
• URL：https://ait.hkust-gz.edu.cn/
• 学位 / 学制：PhD 学位，4–5 年
• 招生门槛：CS / EE / Math 等强本科 / 硕士；2-3 推荐信；TOEFL / IELTS；研究计划 + 面试
• 线下 / 线上：线下（广州南沙）
• 一句话特点：港科大广州独立法人下的 AI 学域 PhD，"跨学科 + 思创"双修，"先导计划"由内地与港科大双方课程组成。

博士培养结构（典型）

Year 1-2 — Coursework Phase

• AI 基础课（Machine Learning, Deep Learning, Reinforcement Learning, Computer Vision, NLP）
• 数学 / 优化课（Optimization, Probability, Statistical Learning Theory）
• 跨 hub 选修：Function Hub / Society Hub / Systems Hub / Information Hub
• 研究方法 + 学术写作

Year 1-2 — Qualifying Exam

• 资格考试（基础 + 方向 + 研究 proposal）

Year 2-5 — Research Phase

• 跟随导师做研究，论文产出
• 中期答辩

Capstone 形态：博士论文 + 公开答辩；要求 top venue 论文产出。

关联项目：IDEA-HKUST(GZ) 联合培养 PhD（两阶段：港科大广州课程 + IDEA 研究院研究）。

32. 港中文（深圳）人工智能学院 — MPhil-PhD in Artificial Intelligence#

• 机构：The Chinese University of Hong Kong, Shenzhen (CUHK-SZ), School of Artificial Intelligence (SAI)
• URL：https://sai.cuhk.edu.cn/
• 学位 / 学制：MPhil 2 年 / PhD 4 年（MPhil-PhD 联合通道）
• 招生门槛：CS / EE / Math 等强本科 / 硕士；推荐信；TOEFL / IELTS；研究计划 + 面试
• 线下 / 线上：线下（深圳龙岗）
• 一句话特点：港中深 2024 新设的 AI 学院（独立 school），覆盖 AI 基础理论 / 核心算法 / 感知技术 / 机器人 / 应用实践。

博士培养结构

Coursework Phase

课程覆盖：

• AI Foundations（认知科学、机器学习、具身智能、信号表示、AI 基础设施）
• Core Algorithms（深度学习、强化学习、优化）
• Perception Technologies（计算机视觉、语音、自然语言处理）
• Robotics（机器人感知、控制、规划）
• Application Practices（产业级 AI 系统）

Qualifying Exam

Research Phase

• 单主导师制 或 主导师 + 联合导师制
• 论文研究 + top venue 论文产出
• 中期答辩 + 最终答辩

Capstone 形态：博士论文 + 答辩。

33. NUS — Master of Computing in Artificial Intelligence (MComp in AI)#

• 机构：National University of Singapore, School of Computing
• URL：https://www.comp.nus.edu.sg/programmes/pg/mcomp-ai/
• 学位 / 学制：MComp（AI），1.5 年全职 / 2.5 年在职（最长 3 年）
• 招生门槛：CS / 数学 / 工程本科；强编程数学背景；推荐信；TOEFL；面试可能
• 线下 / 线上：线下（新加坡）
• 一句话特点：NUS 计算学院 AI 专门 MComp，40 Units = 5 门 essential + 5 门 elective，可换为 dissertation track。

完整课表（40 Units）

Coursework Option

• 5 门 Essential Courses（20 Units），覆盖 4 个 AI sub-areas 中的至少 3 个
• 5 门 Elective Courses（20 Units），从 level 4000–6000 SoC 课中选；最多 2 门 level 4000

Dissertation Option

• 3 门 Essential Courses（12 Units），≥3 个 sub-areas
• 3 门 Elective Courses（12 Units）
• Dissertation（16 Units，相当于 4 门课）

4 AI Sub-Areas

1. 1. Perception（计算机视觉、语音、多模态）
2. 2. Reasoning and Planning（搜索、规划、知识表示）
3. 3. Learning and Optimization（机器学习、深度学习、优化）
4. 4. AI Governance（AI 治理 / 伦理 / 安全）

代表课程（CS5xxx / CS6xxx 级）：CS5246 Text Mining, CS5340 Uncertainty Modelling in AI, CS5242 Neural Networks and Deep Learning, CS5446 AI Planning and Decision Making, CS6101 Exploration of Computer Science Research, CS6208 Advanced Topics in AI, CS6216 Advanced Topics in Machine Learning 等。

Capstone 形态：Coursework path 无 capstone；Dissertation path 写 16-unit 论文。

34. NTU — Master of Science in Artificial Intelligence (MSAI)#

• 机构：Nanyang Technological University Singapore, College of Computing and Data Science
• URL：https://www.ntu.edu.sg/education/graduate-programme/master-of-science-in-artificial-intelligence
• 学位 / 学制：MSc in AI，1 年全职（30 AUs）/ 2 年在职
• 招生门槛：CS / EE / 数学本科；推荐信；TOEFL
• 线下 / 线上：线下（Singapore）
• 一句话特点：NTU CCDS 招牌 AI MSc，30 AUs = 12 AUs core + 18 AUs project + electives，1 年制密集。

完整课表（30 AUs）

Core Courses（12 AUs，4 门）

覆盖：

• Machine Learning
• Deep Learning
• Mathematics for AI
• AI Ethics

Electives + Master Project（18 AUs）

电选覆盖：

• Computer Vision
• Natural Language Processing
• Robotics
• IoT Data Analytics
• Generative AI
• Time Series Analysis

Master Project（6 AUs，1 年期，非强制）

每门课 3 AUs / 39 contact hours / 13 weeks。

Capstone 形态：可选 Master Project（1 年研究，含实习对接）。

关联项目：MS in Enterprise AI、MComp in Applied AI (MCAAI)。

35. Tsinghua-Berkeley Shenzhen Institute (TBSI) — Master in Data Science and Information Technology#

• 机构：Tsinghua University + UC Berkeley 联合办学，Shenzhen
• URL：https://tbsi.berkeley.edu/
• 学位 / 学制：双学位 2.5–3 年（清华 MS in Data Science + Berkeley MEng in Engineering Leadership）
• 招生门槛：CS / EE / Math / Stats / Info Engg 本科；推荐信；TOEFL；面试
• 线下 / 线上：线下 + 跨校区（深圳 + Berkeley）
• 一句话特点：清华 + 伯克利双学位联合培养，三阶段（深圳 → Berkeley → 深圳）。

完整课表结构

Phase I（深圳，清华授课）：

• 数据科学基础
• 信息论 / Information Theory
• 算法 / Algorithms
• 概率统计

Phase II（Berkeley）：

• 工程领导力课（Fung Institute Engineering Leadership 系列：E270 / E295 等）
• Berkeley EECS 技术选修
• Berkeley 同方向技术课

Phase III（深圳）：

• 毕业项目（capstone）
• 论文准备 / 实习

代表 TBSI 课程领域：纳米器件、传感器与微系统、信息论、网络物理系统、数据分析、机器学习。

Capstone 形态：清华 MS 论文 + Berkeley capstone project（两边都要符合学位要求）。

D 类：研究机构 / 国家实验室长周期 fellowship / training#

36. Mila — Quebec AI Institute（PhD pipeline / TRAIL / 内部课程）#

• 机构：Mila – Quebec Artificial Intelligence Institute（与 Université de Montréal / McGill / Polytechnique Montréal / HEC Montréal 联合）
• URL：https://mila.quebec/
• 类型 / 学制：本身不颁学位；学生通过联合大学注册（硕 2 年 / 博 4-5 年）；Mila 提供研究环境 + 课程矩阵 + TRAIL 责任 AI 项目
• 招生门槛：通过合作大学（UdeM / McGill / Poly / HEC）注册研究生；研究计划匹配 Mila supervisor
• 线下 / 线上：线下（Montréal）+ 部分课程线上
• 一句话特点：Bengio 创立的 AI 研究院，研究生通过 4 所合作大学注册，Mila 提供"研究 lab + 学术活动 + 课程"。

Mila Course Matrix（学生通过合作大学选课）

• IFT 6390 Fundamentals of Machine Learning (UdeM)
• IFT 6135 Representation Learning (UdeM)
• IFT 6269 Probabilistic Graphical Models (UdeM)
• IFT 6759 Advanced Projects in ML (UdeM)
• COMP 551 Applied Machine Learning (McGill)
• COMP 652 Machine Learning (McGill)
• COMP 767 Reinforcement Learning (McGill)
• MATH 80629A Machine Learning for Large-Scale Data Analysis (HEC)
• MTH 8408 Polytechnique 优化课

TRAIL Program

• Trustworthy and Responsible AI Learning：覆盖伦理、公平、责任 AI 实践、风险评估

Capstone 形态：硕士 / 博士论文（在所注册大学走流程）+ Mila supervisor 共同指导。

37. Vector Institute — Applied Master's / VSAI Recognized Programs#

• 机构：Vector Institute for AI（Toronto），与 Ontario 15 所合作大学联合
• URL：https://vectorinstitute.ai/programs/ai-masters-programs/
• 类型 / 学制：Vector 自身不颁学位；Vector "Recognized AI Master's Programs" 通过合作大学注册（1–2 年）
• 招生门槛：通过所选合作大学申请；Vector 提供 VSAI 奖学金
• 线下 / 线上：取决于合作大学
• 一句话特点：Hinton 创立的 Vector，把 Ontario 各校的 AI 硕士项目认证为"Vector Recognized"，配合 industry-partnered project 和 coop。

Vector Recognized AI Master's Programs（部分代表）

• University of Toronto MScAC AI Concentration
• University of Guelph MDS Master of Data Science
• University of Waterloo MMath / MDSAI
• York University MS in AI
• Western University MSc / MEng AI Concentration
• University of Ottawa MCS Applied AI Concentration
• Ontario Tech MITS Applications of AI in IT Security
• University of Windsor MSc CS AI thesis-based
• Queen's University, McMaster, Brock, Lakehead, Laurentian, Trent 等

Vector Curriculum Components

• ≥3 AI-related courses（覆盖 ML / DL / NLP / CV / RL 等）
• Two-term industry-partnered project
• Coop work term
• Vector 自身的 short courses / bootcamps / seminars

Capstone 形态：依据合作大学规则（thesis 或 capstone project + industry term）。

38. DeepMind Scholarships (UCL & Imperial CDT in AI)#

• 机构：Google DeepMind + UCL AI Centre for Doctoral Training + Imperial College Department of Computing
• URL：https://www.imperial.ac.uk/engineering/departments/computing/prospective-students/deepmind-scholars/
• 类型 / 学制：scholarship（不是独立学位），覆盖 UCL CDT PhD（4 年）或 Imperial MSc / PhD（1 / 4 年）
• 招生门槛：通过 UCL CDT in AI 或 Imperial Computing 申请，scholarship 50% 留给 underrepresented backgrounds
• 线下 / 线上：线下
• 一句话特点：DeepMind 资助 UCL CDT 与 Imperial Computing 的 AI PhD / MSc 奖学金，附带 DeepMind mentor + 顶级会议参会机会。

UCL CDT in AI — 4 年 PhD 培养结构

• Year 1：Cohort taught year（核心 ML / 数学 / 编程模块 + cohort project）
• Years 2-4：PhD research + 论文 + 答辩

Imperial MSc/PhD：见 #20 Imperial MSc AI 课表；PhD 走 Imperial Computing 标准 4 年 research-only。

Scholarship 内容

• 全额学费
• £21,420 生活补贴
• £1,700 设备
• £2,200 会议旅行
• DeepMind mentor
• 参加 DeepMind 内部活动

Capstone 形态：UCL 4 年 PhD thesis；Imperial PhD thesis。

39. OpenAI Residency Program#

• 机构：OpenAI
• URL：https://openai.com/residency/
• 类型 / 学制：6 个月 residency（非学位）
• 招生门槛：跨领域人才（不限学位），强编程 + 高级数学（线代 / 微积分 / 概率 / 统计）
• 线下 / 线上：线下为主（San Francisco，每周 ≥3 天到岗）
• 一句话特点：OpenAI 6 个月加速器，"无课表，跟着 OpenAI 团队做活的研究"，导师制 + 实战项目。

Residency 培养结构（无 curriculum-based 课程）

• 跟 OpenAI 内部团队做 frontier 研究
• 学习设计 / 运行 / 评估 experiments
• 与 senior researchers / technical leaders 1-on-1 mentorship
• 月薪约 $18,300

Capstone 形态：研究产出（论文 / 模型 / 代码）—— 部分 residents 完成后转为 full-time。

40. Anthropic Fellows Program#

• 机构：Anthropic
• URL：https://alignment.anthropic.com/2025/anthropic-fellows-program-2026/
• 类型 / 学制：4 个月 fellowship（非学位），每年 2 个 cohort（May / July）
• 招生门槛：工程师 / 研究人员，强编程 + ML 背景，对 AI safety 有兴趣
• 线下 / 线上：线下（旧金山 + 伦敦）+ 远程混合
• 一句话特点：Anthropic 出的 4 个月 AI safety 研究 fellowship，按 6 个研究方向分流，目标产出 first-author 论文。

6 个研究方向（"track"）

• Scalable Oversight
• Adversarial Robustness & AI Control
• Model Organisms
• Mechanistic Interpretability
• AI Security
• Model Welfare

Fellowship 培养结构（无 curriculum-based 课程）

• 每周 research meeting + Slack 讨论
• Anthropic researcher mentorship
• 周薪 $3,850 USD / $2,310 GBP / $4,300 CAD
• ~$15k/month compute budget

Capstone 形态：产出 (co-)first-authored AI safety 论文（首届 cohort >80% 完成论文，>40% 转 full-time）。

41. BAAI — 北京智源人工智能研究院 / 智源学者 / 青源会#

• 机构：北京智源人工智能研究院 (Beijing Academy of Artificial Intelligence)
• URL：https://www.baai.ac.cn/
• 类型 / 学制：研究院 fellowship + 联合培养，非独立学位项目
• 招生门槛：智源学者面向"领军 + 青年科学家"；青源会面向青年 AI 学者；与高校联合培养 PhD 通过合作高校招生
• 线下 / 线上：线下（北京）
• 一句话特点：国家支持的非营利 AI 研究院，三层人才：智源学者（领军）+ 青源（青年）+ 联合培养博士。

项目矩阵

智源学者计划

• 领军学者：长期支持基础理论研究
• 青年学者：探索性 / 开放性研究
• 项目周期典型 5 年，与北大 / 清华 / 中科院联合

青源会

• 青年 AI 研究者学术交流平台

智源研究院开放招聘

• 配合"海外优青"项目，提供实验室与算力支持

联合培养博士

• 与北大、清华、中科院、上交大、复旦等高校联合培养
• 学位通过合作高校颁发
• 学生在 BAAI 实验室做研究

Capstone 形态：依据合作高校规则（PhD thesis + 答辩）。

42. Allen Institute for AI (AI2) — Predoctoral Young Investigators (PYI)#

• 机构：Allen Institute for Artificial Intelligence (Ai2), Seattle
• URL：https://allenai.org/predoctoral-young-investigators
• 类型 / 学制：predoctoral fellowship（非学位），灵活时长（1–2 年常见）
• 招生门槛：本科 / 硕士毕业，未来 1-2 年内将申请 PhD（或 PhD 早期），AI 强背景
• 线下 / 线上：线下（Seattle）
• 一句话特点：AI2 给"准博士"配 mentor 一起发论文的 1-2 年预博项目，无教学 / 行政责任。

项目结构（无 curriculum-based 课程）

• 与 Ai2 researcher 配对做研究
• 使用 Ai2 数据、工程基础设施、研究工具
• co-author 论文 in top venues（NeurIPS / ACL / CVPR / ICLR / EMNLP）
• 团队对接：Mosaic、PRIOR、Aristo、Semantic Scholar、AllenNLP 等
• 经济条件：industry-level 工资 + benefits

Capstone 形态：研究产出（论文）—— 多数 PYI 完成后进入 top PhD program。

43. Microsoft Research Asia Fellowship#

• 机构：Microsoft Research Asia (MSRA), Beijing
• URL：https://www.microsoft.com/en-us/research/academic-program/fellowships-microsoft-research-asia/
• 类型 / 学制：fellowship（不是独立学位，而是认可博士在读期间的奖学金），1 年
• 招生门槛：Asia-Pacific 高校 PhD 在读（CS / EE / Info Science / Applied Math）；导师推荐；筛选材料 + 面试
• 线下 / 线上：线下（北京）/ 远程
• 一句话特点：MSRA 出的 PhD 在读奖，含 $10k 奖金 + 3 个月 MSRA 实习 + 1-on-1 senior researcher mentorship + PhD Forum。

Fellowship 内容（无 curriculum-based 课程）

• $10,000 USD cash award
• 3-month internship at MSRA（guaranteed but not required）
• Senior researcher mentorship
• MSRA PhD Forum 参会
• 历史授予累计 452 位

Capstone 形态：研究产出（与 MSRA mentor 合作论文）。

44. Schmidt Sciences AI2050 Fellows#

• 机构：Schmidt Sciences（前 Schmidt Futures 项目，由 Eric Schmidt + James Manyika 共同主持）
• URL：https://ai2050.schmidtsciences.org/
• 类型 / 学制：fellowship（非学位），3 年
• 招生门槛：

- Senior Fellowship：成熟领军学者

- Early Career Fellowship：postdoc / pre-tenure 研究者

• 线下 / 线上：所在机构进行，年度 fellow gathering 集中
• 一句话特点：Schmidt 出资支持"对让 AI 利于社会至关重要的硬问题"3 年研究 fellowship。

项目结构（无 curriculum-based 课程）

• 个人研究项目（围绕 AI2050 hard problems）
• 年度 Fellows Gathering（分享 / 网络 / 学习）
• Collaboration grants（fellows 之间联合项目）

关注硬问题

• 技术能力扩展
• 负责任部署
• AI 利于社会

Capstone 形态：研究产出（论文 / 报告 / 政策影响）。

45. Open Philanthropy AI Fellowship / Century Fellowship#

• 机构：Open Philanthropy（现部分迁移至 Coefficient Giving）
• URL：https://www.openphilanthropy.org/century-fellowship/ ；https://coefficientgiving.org/ai-fellowship/
• 类型 / 学制：

- AI Fellowship：博士在读 PhD 资助（typically 5 years，每年 stipend + research expenses）

- Century Fellowship：2 年（+ 可续 2 年），独立早期 career fellowship；已于 2023 年关闭申请

• 招生门槛：

- AI Fellowship：进入 / 在读 ML / AI top PhD program 的 long-term beneficial AI 研究者

- Century Fellowship：早期 career；不限领域（含 AI / biosecurity 等长期未来议题）

• 线下 / 线上：所在机构进行
• 一句话特点：长期主义视角的 AI 安全 / 长期未来 fellowship，AI Fellowship 长期资助 PhD（最长 5 年），Century Fellowship 2 年独立项目。

AI Fellowship 内容（无 curriculum-based 课程）

• 5 年内每年 ~$40-50k stipend + 学费 + 研究经费
• 长期 beneficial AI / AI safety / AI alignment 方向
• 自由选择 PhD 项目 + 自由选导师

Century Fellowship 内容

• 2 年 $100k/year base + $10k/year personal development
• 长期影响项目（含 AI safety、biosecurity、talent pool building 等）

Capstone 形态：研究产出 / 项目影响力（非学位）。

附录：信息源主要清单#

主要官方页面#

• CMU MSAII：https://msaii.cs.cmu.edu/curriculum-0
• CMU MIIS：https://miis.cs.cmu.edu/learn-us-curriculum
• Stanford CS：https://www.cs.stanford.edu/masters-specializations
• Berkeley MIDS：https://ischoolonline.berkeley.edu/data-science/curriculum/
• Berkeley MEng：https://eecs.berkeley.edu/book/requirements/ds/
• Cornell Tech MEng CS：https://studentaffairs.tech.cornell.edu/academics/curriculum/meng-in-computer-science/
• NYU CDS：https://cds.nyu.edu/masters-in-data-science-curriculum/
• NYU Tandon CS：https://engineering.nyu.edu/academics/programs/computer-science-ms
• MIT MicroMasters：https://micromasters.mit.edu/ds/
• MIT Schwarzman College：https://computing.mit.edu/
• Columbia DSI MSDS：https://datascience.columbia.edu/education/programs/m-s-in-data-science/curriculum/
• UPenn MSE-AI / MSE in CIS：https://online.seas.upenn.edu/degrees/mse-ai-online/ ；https://www.cis.upenn.edu/mse-in-cis/
• USC Viterbi MS CS (AI)：https://catalogue.usc.edu/preview_program.php?catoid=12&poid=14514
• Northeastern Align MSCS：https://catalog.northeastern.edu/graduate/computer-information-science/computer-science/computer-science-mscs-align/
• UWaterloo MDSAI：https://uwaterloo.ca/data-science/masters-data-science-and-artificial-intelligence-mdsai
• UToronto MScAC AI：https://mscac.utoronto.ca/artificial-intelligence/

欧洲#

• Cambridge MLMI：https://www.mlmi.eng.cam.ac.uk/about-programme/course-structure
• Oxford MSc ACS：https://www.cs.ox.ac.uk/teaching/MSCinCS/
• UCL MSc ML：https://www.ucl.ac.uk/prospective-students/graduate/taught-degrees/machine-learning-msc
• Imperial MSc AI：https://www.imperial.ac.uk/study/courses/postgraduate-taught/artificial-intelligence/
• ETH Zurich MSc DS：https://inf.ethz.ch/studies/master/master-ds.html
• EPFL MSc DS：https://edu.epfl.ch/studyplan/en/master/data-science/
• PSL Master IASD：https://www.masteriasd.eu/
• TUM MSc Data Engg & Analytics：https://www.cit.tum.de/en/cit/studies/degree-programs/master-data-engineering-and-analytics/
• KTH MSc ML：https://www.kth.se/en/studies/master/machine-learning/msc-machine-learning-1.48533

亚洲#

• 清华 IIIS 姚班：https://iiis.tsinghua.edu.cn/
• 北大通班：https://www.ai.pku.edu.cn/info/1064/1888.htm
• 复旦计算与智能创新学院：https://ai.fudan.edu.cn/
• 上交 IEEE 试点班：https://www.seiee.sjtu.edu.cn/
• HKUST(GZ) AI：https://ait.hkust-gz.edu.cn/
• CUHK-SZ SAI：https://sai.cuhk.edu.cn/
• NUS MComp AI：https://www.comp.nus.edu.sg/programmes/pg/mcomp-ai/
• NTU MSAI：https://www.ntu.edu.sg/education/graduate-programme/master-of-science-in-artificial-intelligence
• TBSI：https://tbsi.berkeley.edu/

研究机构 / Fellowship#

• Mila：https://mila.quebec/
• Vector Institute：https://vectorinstitute.ai/programs/ai-masters-programs/
• DeepMind Scholarships：https://www.imperial.ac.uk/engineering/departments/computing/prospective-students/deepmind-scholars/
• OpenAI Residency：https://openai.com/residency/
• Anthropic Fellows：https://alignment.anthropic.com/2025/anthropic-fellows-program-2026/
• BAAI：https://www.baai.ac.cn/
• AI2 PYI：https://allenai.org/predoctoral-young-investigators
• MSRA Fellowship：https://www.microsoft.com/en-us/research/academic-program/fellowships-microsoft-research-asia/
• Schmidt AI2050：https://ai2050.schmidtsciences.org/
• Open Philanthropy AI Fellowship：https://coefficientgiving.org/ai-fellowship/

备注#

• 部分项目的官方页面在抓取时返回 PDF / 403 / 404，已通过搜索引擎索引与其他二手页面（学校 bulletin / handbook / 留学站汇总）交叉补全；核心课程列表以官方页面信息为准，但具体课号 / 学分细节请以官方最新培养方案为准。
• KTH TMAIM、NUS MComp AI 具体课号、NTU MSAI 具体课号、CUHK-SZ SAI 具体课表、HKUST-GZ AI Thrust 具体课表 因官方 PDF 抓取失败 / 信息散落，列出的课程为典型课程结构与已知关键课程；建议直接联系项目办公室核对最新培养方案。
• 复旦 / 北大 / 清华相关项目培养方案最详尽的版本在内网 / 学院 PDF，外网信息以学院公告 + 媒体报道交叉，已按最新公开信息整理。
• 部分 fellowship（OpenAI Residency、Anthropic Fellows、AI2 PYI、Schmidt AI2050、Open Phil）严格意义上没有 "课表"，结构以"导师制 + 周会 + 期末研究产出"为主，已如实标注。