问题—— 当前，人工智能等新技术快速演进，带动相关课程、训练营和“速成路径”升温。
一些学生在选择课程与投入时间时，更倾向于围绕短期就业导向、特定工具链与流行框架进行学习，而对高等数学、物理建模、信号与系统等基础性训练投入不足。
杨立昆指出，这种“只达标、不打底”的学习方式，在技术路线发生结构性变化时，容易暴露能力短板，甚至导致多年学习难以转化为可持续的专业能力。
原因—— 一是技术更迭周期显著缩短。
新概念、新范式层出不穷，学习路径被“热点”牵引，容易造成知识结构碎片化。
二是课程体系差异客观存在。
在一些高校，计算机科学课程对数学要求相对有限，学生即便只修读较低门槛的数学课程也可满足毕业条件，难以形成系统的数理训练。
三是学习时间配置不够理性。
面对海量信息与工具更新，一些学生将主要精力用于“可立刻展示的技能”，忽视对抽象能力、建模能力和工程方法论的长期积累。
杨立昆特别强调，真正具备长期价值的是能够与现实世界建立联系的基础数学、建模方法以及工程体系中的关键内容。
影响—— 从个体发展看，基础薄弱将限制学习深度与迁移能力。
当研究方向或产业需求从某一具体技术栈转向新的方法体系时，缺少数理与工程底座的人才往往难以快速理解新范式的原理与边界，只能被动跟随。
对团队与产业而言，这会加剧“会用工具但不懂原理”的结构性矛盾：短期可上手，但在算法可靠性、系统鲁棒性、工程落地和安全治理等关键环节缺乏支撑，影响创新效率与技术质量。
就人工智能发展本身而言，控制理论、信号处理、优化方法、概率统计等基础学科与工程知识，往往是突破瓶颈、提升可解释性与可控性的关键来源，忽视这些基础可能导致能力上限受限。
对策—— 杨立昆给出的建议核心在于“把时间用在更耐久的知识上”。
其一，强化数理基础与建模训练。
围绕微积分、线性代数、概率统计、优化等内容构建体系化能力，而不是停留在“够用即可”。
其二，重视工程学科的交叉吸收。
电子工程、机械工程等领域常要求更扎实的数学训练，并覆盖控制理论、信号处理等与智能系统高度相关的内容，可为理解学习算法、感知系统与实际部署提供支撑。
其三，坚持计算机科学基本功。
无论自动化工具如何提升效率，程序设计、数据结构、系统思维与调试能力仍是把想法变成产品与研究成果的基础。
其四，处理好“热点技能”和“底层能力”的关系。
流行技术可以学，但应建立在可迁移的原理与方法之上，形成“原理—方法—工具—应用”的学习链条，避免用短期技巧替代长期能力建设。
前景—— 从趋势看，人工智能将进一步向更强的工程化、更广的学科融合发展，既需要掌握算法与系统的人才，也需要能跨越理论、工程与场景的复合型能力。
随着产业对可靠性、安全性、成本与合规要求提升，单纯依赖工具使用与模板化开发的优势将逐步减弱，能够理解原理、进行建模与系统设计的人才将更具韧性。
教育层面也有望在课程设置上强化基础与交叉：一方面提高数学与工程训练的系统性，另一方面引导学生在实践中理解基础学科如何转化为真实世界的问题求解能力。
科技发展日新月异，但基础理论的价值历久弥新。
杨立昆的建议提醒我们，在追求技术前沿的同时，更应重视基础学科的学习和积累。
只有打牢理论根基，才能在变革浪潮中站稳脚跟，为科技进步贡献更大力量。
这不仅是对个人发展的明智选择，更是推动整个行业健康发展的必然要求。