在科技日新月异的今天，人工智能（AI）已成为推动社会进步的重要力量，特别是自ChatGPT等大型语言模型（LLM）问世后，AI的影响更是渗透到社会、企业乃至个人生活的方方面面。对于渴望踏入这一领域的初学者而言，选择一门合适的入门课程显得尤为关键。

在众多高校中，人工智能导论课程往往是许多学生的首选，其中斯坦福大学的《CS221: Artificial Intelligence: Principles and Techniques》尤为著名，备受学生青睐。这类导论课程通常涵盖了AI的多个分支，如AI基础、机器学习、神经网络与深度学习、自然语言处理（NLP）、计算机视觉以及强化学习等，为初学者提供了一个全面了解AI的窗口。

然而，近日OpenAI研究科学家Noam Brown却提出了一个不同的观点。他认为，对于对AI感兴趣的本科生来说，在选择第一门AI课程时应更加谨慎，不应直接将人工智能导论作为首选。相反，他建议学生优先考虑机器学习导论课程。

Noam Brown解释称，过去15年间，得益于深度神经网络的发展，AI技术取得了爆炸式的进步。然而，在许多学校，人工智能导论的课程大纲却几乎一成不变，仍然停留在2010年前后的内容，其中机器学习的部分往往只占少数课时。尽管许多大学意识到需要对这类课程进行“重构”，但由于存在争议，惯性往往占据了上风。

他进一步指出，学生在选择课程时不应仅凭课程名称来判断，而应仔细查阅课程大纲。一门理想的入门课程应涵盖线性回归、梯度下降、反向传播以及强化学习等核心内容。然而，不同学校的课程差异显著，有些“人工智能导论”课程确实包含了这些内容，但大多数则不然。

Noam Brown建议，如果学生的目标是未来从事AI相关职业，那么将人工智能导论课程留到后期学习可能更为合适，因为这有助于学生形成对智能的更广泛理解。然而，如果学生的目标是掌握现代聊天机器人、图像识别或生成工具、代码助手等背后的核心技术，那么他们真正应该优先学习的很可能是机器学习导论课程。

Noam Brown还与多位大学教授探讨过这个问题，几乎所有人都认为人工智能导论课程应增加机器学习的内容。然而，在删除哪些内容以为机器学习腾出空间的问题上，他们无法达成一致意见。例如，有一段时间他建议移除约束满足问题（CSPs），但这却冒犯了一些教授。

相较于人工智能导论课程相对“传统”的内容，如符号主义、专家系统等，机器学习导论课程则聚焦于现代主流的AI技术，通常涵盖线性回归、逻辑回归、神经网络、反向传播、支持向量机（SVM）、集成方法以及深度学习等，这些内容紧贴工业界和学术界的热点，非常适合未来打算进入工业界或从事应用研究的学生。

Noam Brown的观点引发了广泛讨论。有人表示，自己在本科时就读的“人工智能导论”课程完全没有提到神经网络，并且似乎至今仍未改变。有人则认为，“人工智能导论”课程确实存在陷阱，大学里教授的是搜索算法和专家系统，而学生真正想了解的却是Transformer和反向传播等现代技术，这就像在智能手机时代教学生修理打字机一样过时。

有观点认为，当今大多数AI领域的突破都来自于机器学习和深度学习，而非那些传统的人工智能导论课程所教授的内容。因此，对于初学者而言，选择一门注重现代AI技术的入门课程可能更为明智。