为什么全球顶尖名校更热衷录取IOAI获奖选手？看了伯克利的AI课程设置你就明白了
伯克利的本科AI
加州大学伯克利分校没有把人工智能单列成一个本科专业。AI是计算机、电子工程和数据科学这几个专业里的方向，核心课有六门。
| 课号 | 课名 |
| CS 61A | 程序的构造与解释 |
| Data 8 | 数据科学基础 |
| Data 100 | 数据科学原理与技术 |
| CS 188 | 人工智能导论 |
| CS 189 | 机器学习导论 |
| EECS 182 | 深度神经网络 |
每门课教什么：
• CS 61A：用Python讲抽象、递归、对象，最后让学生自己写一个解释器
• Data 8：表格、可视化、抽样、假设检验、置信区间、回归、分类
• Data 100：pandas、数据清洗、特征工程、梯度下降、交叉验证、逻辑回归、聚类、PCA
• CS 188：搜索、博弈树、马尔可夫决策、强化学习、贝叶斯网
• CS 189：从感知机到SVM、决策树、随机森林、反向传播、CNN，全程要推导
• EECS 182：优化、卷积网络、Transformer、预训练与微调、生成模型
IOAI的考场上，做的是这几门课的期末项目
2024年那一届的现场轮，8小时，3道题。
第一道叫Lost in a Hyperspace。给一组"发光超立方体"的数组，选手要自己造特征，训练线性回归去预测三个属性。限制是每个模型最多用300个特征，而且必须在Colab上5分钟内跑完，三个属性各算RMSE。
这道题的内容就在Data 100后半段：特征工程、交叉验证、正则化。区别在于，Data 100的作业不会限制你用多少个特征，也不掐运行时间。
第二道叫Help BOBAI。发下来的不是文本，是一串数字：mBERT这个语言模型把每段话压成的768个数。原文拿不到。手上有一个已经训练好的5分类器，参数冻结不许动，要把它扩成7分类。训练得在一块L4显卡上1小时内跑完，500个样本的推理不超过2分钟，按macro F1打分。
冻结参数、只在表示层上想办法、算力和时间双重卡死，这是EECS 182讲迁移学习和微调的那一段。
第三道给一个扩散模型，只允许改其中一个层，让它以后凡是要生成牛的图，就自动带上一个消防栓。
2025年在北京的个人赛是6道题：古画真伪鉴定、数鸡、图标猜词、CLIP零样本分类、毫米波雷达语义分割、卫生间图标配对。考试环境是Python 3.12.7，依赖版本锁死，选手不能自己装第三方库。
这几道题做得下来，伯克利那几门课满分通过应该没什么问题。
实验舱IOAI备赛课程与伯克利课程对比
| 课号 | 课名 | 对应伯克利课程 |
| AI 101 | Python | CS 61A（前十周） |
| AI 102 | 数据处理与可视化 | Data 100前半 + Data 8的推断部分 |
| AI 103 | 机器学习 | Data 100后半 + CS 189的树与集成 |
| AI 104 | 神经网络与深度学习 | EECS 182 |
| AI 201 | 自然语言处理 | CS 288（自然语言处理） |
| AI 202 | 计算机视觉 | CS 194-26（计算机视觉与计算摄影） |
| AI 203 | 音频 | 伯克利本科没有对应的课 |
| AI 204 | 大模型 | CS 294-196（大语言模型智能体） |
| AI 205 | 竞赛综合 | 没有对应的课，伯克利把打榜放在各门课的作业里 |
| AI 301 | Kaggle实战营 | CS 189的作业是Kaggle入门赛；Kaggle商业赛难度大得多，本科和研究生用来锻炼和证明自己的能力 |
这六门课是伯克利AI方向的核心课，本科生要一门门按顺序修上来。IOAI选手在进大学之前，就已经具备了这些课要求的能力。
同样是大一新生，有人从第一门编程课开始上，有人可以直接选高年级的课，直接去找导师谈课题。大学四年，获得的资源和机会完全不一样。
