Crash Course Computer Science
先讓自己覺得 CS 不枯燥。短影片、動畫化，從電腦歷史、二進位、邏輯閘、程式、網路、資安到 AI。
Computer Science / AI / 2026-2040 出路學習地圖
這份地圖把內容分成：
① CS/IT 入門與整體觀。
② AI 興趣培養與工具素養。
③ 2026-2030 各領域出路與代表公司/平台/產品例子、包含產品、商業、顧問、管理、創業與內容型職涯，不只限於技術工程職。
④ 2030+ 後 10 年的長期趨勢與不易被 AI 取代的能力。
⑤ 各領域。
1. CS / IT：先建立整體觀與興趣
一開始不要急著刷題或背語法，先理解：電腦怎麼運作、網路怎麼連接世界、軟體怎麼變成產品，以及 IT 到底有哪些路線。
Harvard CS50
當已經有興趣後，再用 CS50 建立演算法、資料結構、C、Python、SQL、Web 與軟體工程基礎。
Computerphile
用短影片補充 CPU、記憶體、Hash、DNS、加密、AI、網路等主題，適合讓自己挑有興趣的方向。
建議觀看路線
第 1 步：看見 CS 很有趣
Crash Course 先看 5～10 集：Early Computing、Electronic Computing、Binary、Boolean Logic、Instructions & Programs。
Crash Course 先看 5～10 集：Early Computing、Electronic Computing、Binary、Boolean Logic、Instructions & Programs。
第 2 步：看見 IT 出路很多
搭配 roadmap.sh 看 Backend、Frontend、AI Engineer、Cybersecurity、DevOps、Data Engineer、Product Manager 等路線。
搭配 roadmap.sh 看 Backend、Frontend、AI Engineer、Cybersecurity、DevOps、Data Engineer、Product Manager 等路線。
第 3 步：正式開始學
看 CS50 Week 0，再依興趣進 Week 1～3；或用 MIT Python 入門開始寫小程式。
看 CS50 Week 0，再依興趣進 Week 1～3；或用 MIT Python 入門開始寫小程式。
其他免費資源
MIT 6.0001 Python 入門
適合想開始寫程式，理解程式如何解決問題。
OSSU Computer Science
完整免費 CS 學習地圖，適合看整個資工系課程架構。
roadmap.sh
現代 IT 技術與職涯地圖。
2. AI：興趣培養、入門路徑與工具素養
AI 最好的切入點不是一開始讀論文，而是先看見 AI 能做什麼、自己能做什麼小作品，再慢慢補數學、資料與 CS 基礎。
Andrej Karpathy
適合理解 LLM、神經網路、Software 3.0 與 AI 如何改變軟體工程。
Google / Microsoft / OpenAI / Anthropic 官方資源
適合認識生成式 AI、Prompt、工具使用、AI 安全與負責任使用。
ByteByteGo
理解大型 AI 服務背後需要資料庫、快取、Queue、CDN、Load Balancer、雲端與監控。
AI 工具素養：Codex / Claude Code / Copilot
定位：AI 工具不是用來跳過 CS 基礎，而是用來加速理解、實作、除錯、閱讀專案與完成作品。要學會問問題、驗證答案、看 diff、寫測試，而不是盲目貼上 AI 產生的程式。
| 階段 | 工具 | 學生要學什麼 | 可做作品 | 連結 |
|---|---|---|---|---|
| 1 | ChatGPT / Claude / Gemini | 解釋概念、整理筆記、把艱深內容轉成例子、產生練習題。 | CS 學習筆記、概念卡片、小測驗 | ChatGPT、Claude、Gemini |
| 2 | GitHub Copilot | 程式補全、解釋程式碼、重構小功能、建立測試。 | Todo App、簡單 API、小工具網站 | GitHub Copilot |
| 3 | OpenAI Codex | 讓 AI 讀 repo、規劃修改、修 bug、做 code review。 | 修一個既有專案 bug、加一個功能、產生 PR | Codex CLI、Codex GitHub Review |
| 4 | Claude Code | 在終端機協作、理解專案脈絡、拆任務、修改多檔案。 | 小型網站改版、API 串接、文件生成 | Claude Code Docs |
| 5 | Agent Mode / Coding Agent | 從需求 → 計畫 → 實作 → 測試 → Review 的完整協作流程。 | Issue 轉 PR、專案自動化任務 | GitHub Copilot Coding Agent |
AI 入門作品路線
第 1 週：AI 是什麼
看 Karpathy / Crash Course AI 相關影片，用 ChatGPT/Claude 解釋「LLM、Token、Prompt、Embedding」。
看 Karpathy / Crash Course AI 相關影片，用 ChatGPT/Claude 解釋「LLM、Token、Prompt、Embedding」。
第 2 週：做第一個 AI 小作品
做一個「AI 學習助教」或「文件摘要工具」，重點是完成作品，不是追求完美。
做一個「AI 學習助教」或「文件摘要工具」，重點是完成作品，不是追求完美。
第 3 週：理解 RAG
把 PDF / 網頁 / 筆記丟進向量資料庫，做一個可以查資料來源的問答系統。
把 PDF / 網頁 / 筆記丟進向量資料庫，做一個可以查資料來源的問答系統。
第 4 週：用 AI 工具開發
用 Copilot / Codex / Claude Code 改功能、寫測試、做 README，練習人類審查 AI 結果。
用 Copilot / Codex / Claude Code 改功能、寫測試、做 README，練習人類審查 AI 結果。
3. 2026-2030 領域與出路：技術 + 商業 + 產品 + 管理
CS/AI 的出路不只工程師。未來更需要懂技術、懂產業、懂商業、懂流程的人，把 AI 變成真正的產品與組織能力。
讀法：第 3 頁偏「2026-2030 目前業界可見的出路」；第 4 頁偏「2030-2040 後仍然可能有長期價值的能力與方向」。工作名稱會變，但底層能力會延續。
避免誤解：表格中的「代表公司 / 平台 / 產品」是幫你理解該領域常見的技術生態與產品型態，不代表出路只有進 OpenAI、Anthropic、Google、Microsoft 這類公司。實際出路也包含一般企業、SI、顧問公司、金融、製造、醫療、教育、政府、公部門、研究機構、半導體廠、機器人公司與自行創業。
| 領域 | 2026-2030 發展方向 | 常見出路 | 代表公司 / 平台 / 產品 不是唯一雇主或只能進這些公司 | 學歷與能力需求 |
|---|---|---|---|---|
| AI 應用開發 / LLM / RAG / Agent | 企業導入 AI 的核心：知識庫、客服、內部助理、文件自動化、流程代理人。 | AI Engineer、RAG Engineer、Agent Developer、AI Solution Architect | OpenAIAnthropic ClaudeMicrosoft CopilotGoogle GeminiLangChainLlamaIndexPinecone | 學士 + 作品可切入；懂後端、資料庫、權限、安全、評估更有優勢。 |
| AI 前沿研究 / ML Research | 研究新模型架構、訓練方法、推理效率、多模態、對齊、安全與評測，是 AI 技術源頭之一。 | AI Research Scientist、ML Scientist、Applied Scientist、Research Engineer | OpenAIAnthropicGoogle DeepMindMeta AINVIDIA Research大學研究室中研院 / 研究機構 | 通常需要碩士/博士；數學、機率統計、線性代數、深度學習、論文閱讀與實驗能力很重要。 |
| AI Infra / GPU / Model Serving | 讓大型模型能穩定、快速、低成本服務大量使用者，包含推論加速、GPU 叢集、模型部署與監控。 | AI Infra Engineer、ML Platform Engineer、LLMOps Engineer、GPU Cloud Engineer | NVIDIAAWS BedrockGoogle Vertex AIAzure AIvLLMKubernetesRunPod | 學士可切入；需要 Linux、Cloud、Docker/K8s、網路、GPU 基礎、效能與成本觀念。 |
| 半導體 / 晶片設計 / 製程 / EDA | AI 對算力需求提高，晶片設計、先進製程、封裝、EDA、記憶體與伺服器硬體會持續重要。 | IC Design Engineer、EDA Engineer、Process Engineer、Packaging Engineer、Hardware Verification Engineer | TSMCNVIDIAAMDIntelASMLSynopsysCadenceMediaTek | 多數偏電機/資工/物理/材料；設計與 EDA 偏 CS/EE，製程偏 EE/材料/化工；碩士常有優勢。 |
| 機器人 / 自動化 / Physical AI | AI 從螢幕走向真實世界，結合感測器、控制、視覺、機械、工廠自動化與服務型機器人。 | Robotics Engineer、Autonomous Systems Engineer、Computer Vision Engineer、Control Engineer | Tesla OptimusBoston DynamicsNVIDIA IsaacROSABBFanuc工研院 / 製造業自動化 | 通常需要 CS/EE/ME/控制背景；數學、控制、ROS、Computer Vision、嵌入式與硬體整合很重要。 |
| AI 產品管理 / AI PM | 把 AI 能力包成產品，決定使用情境、體驗、定價、風險與成效指標。 | AI Product Manager、Technical PM、Product Owner、Growth PM | Notion AICanva AIMicrosoft 365 CopilotAdobe FireflyDuolingo Max | 不一定要 CS 學位，但需懂 AI 限制、資料流程、UX、商業模式與指標。 |
| AI 顧問 / 數位轉型 / 解決方案銷售 | 企業想導入 AI，但缺乏場景盤點、ROI 評估、流程再設計與落地方法。 | AI Consultant、Solution Consultant、Pre-sales、Digital Transformation Consultant | AccentureDeloittePwCIBM ConsultingAWS / Azure / Google Cloud Partner | 商管/資管/CS 都可；需要簡報、需求訪談、產業知識、PoC 規劃與成本估算。 |
| 資料分析 / BI / 決策科學 | 企業仍需要把資料變成決策，AI 會加速報表、洞察與預測。 | Data Analyst、BI Analyst、Analytics Engineer、Decision Scientist | Power BITableauLookerdbtSnowflakeBigQuery | 學士即可；SQL、統計、商業理解、資料視覺化與溝通很重要。 |
| 資料工程 / Data Platform | AI 需要乾淨、可治理、可追蹤的資料管線與資料平台。 | Data Engineer、Data Platform Engineer、Lakehouse Engineer | DatabricksSnowflakeKafkaAirflowClickHousedbt | CS/資工/資管佳；需要 SQL、Python、ETL、雲端、資料治理。 |
| 雲端 / DevOps / SRE / Platform | AI 服務要穩定、可擴展、可觀測、可控成本，平台工程會更重要。 | Cloud Engineer、DevOps Engineer、SRE、Platform Engineer | AWSAzureGCPKubernetesGrafanaDatadog | 學士常見；實務經驗、Linux、網路、CI/CD、K8s、監控比學歷更關鍵。 |
| 資安 / AI Security / GRC | AI 導入後會帶來資料外洩、Prompt Injection、模型濫用、供應鏈與合規風險。 | Security Engineer、AI Security Analyst、GRC Specialist、Privacy Engineer | CrowdStrikePalo Alto NetworksCloudflareWizOktaMicrosoft Defender | CS/資安/法律商管皆可；技術線重實作，GRC 線重法規、稽核、風險管理。 |
| UX / 產品設計 / AI 互動設計 | AI 產品要設計「人如何和 AI 協作」，包含信任、可解釋、失敗處理與審核流程。 | UX Designer、Conversation Designer、AI Interaction Designer、UX Researcher | FigmaCanvaAdobeChatGPTClaudeIntercom | 設計/心理/商管/CS 都可；需要 UX、使用者研究、Prompt flow 與產品感。 |
| AI 業務開發 / Partnerships / Customer Success | AI SaaS 競爭激烈，懂技術的商務人才可協助銷售、導入、續約與客戶成功。 | Business Development、Partnership Manager、Customer Success Manager、AI Sales Engineer | Salesforce EinsteinHubSpot AIZendesk AIIntercom FinServiceNow | 商管/資管/CS 皆可；需要產業知識、簡報、談判、PoC 管理、基本技術理解。 |
| 教育科技 / AI Tutor / 課程設計 | AI 會重塑學習：個人化學習、智慧助教、內容生成、學習分析。 | EdTech PM、Learning Designer、AI Curriculum Designer、教育產品創業 | Khan Academy KhanmigoDuolingoCourseraQuizletGoogle Classroom | 教育/商管/CS 都可；懂教學設計、學習評量、AI 工具與產品化更吃香。 |
| 創作者工具 / 內容科技 / AI Media | 生成式 AI 會降低內容、影片、設計、遊戲素材與行銷素材製作門檻。 | AI Content Strategist、Creator Tool PM、Prompt Designer、Media Technologist | RunwayMidjourneyAdobe FireflyCanvaCapCutYouTube | 不一定需 CS；需作品集、審美、內容策略、AI 工具鏈與商業變現能力。 |
| 金融科技 / InsurTech / RegTech | 金融業導入 AI 於客服、風控、反詐騙、合規、投資研究與流程自動化。 | FinTech PM、Risk Analyst、AI Compliance Analyst、金融資料分析師 | StripePlaidRobinhoodPalantirBloomberg銀行內部 AI 平台 | 商管/金融/CS/統計皆可；需懂資料、法規、風險、流程與安全。 |
| 醫療 / 生技 / HealthTech | AI 用於醫療文件、影像輔助、藥物研發、病患互動與醫院流程最佳化。 | HealthTech PM、Clinical AI Specialist、Bioinformatics Engineer、醫療資料分析 | EpicTempusDeepMind AlphaFoldNVIDIA Healthcare醫院 AI 系統 | 跨域門檻高；醫療/生科/CS/資料科學皆可，重視法規、隱私與 domain knowledge。 |
| 遊戲 / 互動娛樂 / 虛擬角色 | AI 會影響 NPC、關卡生成、玩家分析、素材製作與個人化互動。 | Game Developer、Technical Artist、AI Gameplay Designer、Game PM | UnityUnreal EngineRobloxInworld AINVIDIA ACE | 作品集非常重要；CS、遊戲設計、美術、互動設計皆可切入。 |
| AI 創業 / Micro-SaaS / Indie Product | 小團隊可用 AI 快速做出垂直產品，重點在找痛點、客戶與可收費場景。 | Founder、Indie Hacker、Micro-SaaS Builder、垂直 AI 產品開發者 | CursorReplitVercelStripeSupabaseOpenAI / Claude API | 學歷不是主因；更需要產品驗證、銷售、開發速度、成本控制與長期迭代。 |
如何選方向
走工程線
Backend、AI Engineer、Data Engineer、Cloud、Security、Game Dev。作品集與實習很重要。
走產品 / 顧問 / 商務線
AI PM、Solution Consultant、Customer Success、Business Development。需要能把技術翻成商業價值。
走創作 / 教育 / 媒體線
AI 課程設計、Creator Tools、EdTech、AI Content。作品、受眾與變現能力很重要。
走垂直產業線
金融、醫療、法律、製造、教育、房地產、零售。懂產業流程的人會比只懂工具更稀缺。
2026-2030 的 CS/AI 出路，不只是「會寫程式的人」；更是「能把技術、資料、流程、商業與人類需求連起來的人」。
4. 2030+ AI 時代後 10 年趨勢：哪些能力會延續？
2030 年後，很多職稱可能還在，但工作內容會被 AI 改寫。更重要的不是背某個框架，而是培養「AI 放大後仍有價值」的能力：系統思維、跨領域整合、產品判斷、商業理解、資料治理、安全與人機協作。
2030+ 後仍會更強的方向
| 長期方向 | 為什麼會更重要 | 可能角色 | 代表公司 / 平台 / 產品 不是唯一雇主或只能進這些公司 | 應培養 |
|---|---|---|---|---|
| AI System Architect / AI Solution Architect | 企業需要把模型、資料、權限、流程、資安、成本與監控整合成可營運系統。 | AI Architect、Enterprise AI Architect、Solution Architect | Microsoft Copilot StudioOpenAI EnterpriseAnthropic ClaudeGoogle Vertex AIAWS Bedrock | 系統設計、API、資料庫、雲端、資安、商業流程。 |
| AI 前沿研究 / Frontier AI Research | 模型能力仍會持續演進，包含多模態、推理、世界模型、AI safety、資料效率與新硬體協同設計。 | Research Scientist、Research Engineer、AI Safety Researcher、Applied Scientist | OpenAIAnthropicGoogle DeepMindMeta AI學術研究室 | 博士或研究型碩士較有利；數學、論文、實驗、工程實作都需要。 |
| AI 晶片 / 半導體 / 先進製程 | 算力、能源效率與供應鏈會成為國家與企業競爭核心，AI 專用晶片與先進封裝需求會長期存在。 | Chip Architect、EDA Engineer、Process Integration Engineer、Packaging Engineer、Hardware Verification | TSMCNVIDIAAMDASMLSynopsysCadence | EE/CS/材料/物理/化工背景；硬體設計、製程、EDA、效能與系統架構。 |
| 機器人 / Physical AI / 自動化 | AI 會逐步進入製造、物流、照護、農業、家庭與災害救援，真實世界整合難度高、不易被純軟體取代。 | Robotics Engineer、Autonomous Systems Engineer、Industrial Automation Architect | NVIDIA IsaacTesla OptimusBoston DynamicsROSABB / Fanuc | 控制、機械、電子、嵌入式、Computer Vision、感測器、系統整合。 |
| Agent Workflow / 人機協作設計 | 未來不是單次問答，而是多步驟代理人協作；重點在流程拆解、驗證、權限與失敗處理。 | Agent Workflow Designer、Automation Architect、AI Operations Designer | OpenAI CodexClaude CodeGitHub Copilot AgentZapiern8n | 流程分析、提示設計、測試、稽核、例外處理、工具串接。 |
| AI Product / 商業產品化 | AI 會降低開發成本，但真正稀缺的是找對問題、定義價值、設計體驗與商業模式。 | AI PM、Product Strategist、Growth PM、Vertical AI Founder | Notion AICanva AIDuolingo MaxAdobe FireflyServiceNow AI | 需求訪談、MVP、定價、UX、指標、產業理解。 |
| AI Security / Governance / Compliance | AI 導入愈深，資料外洩、模型誤用、Prompt Injection、版權、合規與稽核需求愈高。 | AI Security Engineer、GRC Specialist、Privacy Engineer、AI Risk Manager | CloudflarePalo Alto NetworksCrowdStrikeMicrosoft DefenderWiz | 資安基礎、權限控管、資料分類、法規、風險管理。 |
| Domain + AI 跨領域專家 | AI 工具會普及，但懂醫療、金融、教育、法律、製造、房地產等流程的人更能找到高價值場景。 | AI Consultant、Industry AI Specialist、Vertical SaaS PM、Domain Data Analyst | PalantirSalesforce EinsteinEpicBloombergKhanmigo | 一個主領域 + 基本 AI + 資料理解 + 溝通能力。 |
| Robotics / Automation / Edge AI | AI 從螢幕走向實體世界，製造、物流、照護、農業與居家設備都會需要自動化。 | Robotics Engineer、Automation Engineer、Edge AI Engineer、Product Engineer | NVIDIA RoboticsTesla OptimusBoston DynamicsFigure AIROS | 數學、控制、感測器、嵌入式、機器學習、硬體整合。 |
| AI Education / AI Literacy / 組織導入訓練 | 所有行業都需要學會和 AI 共事，企業與學校會需要新型課程、教材與訓練顧問。 | AI Trainer、Learning Designer、AI Curriculum Designer、Corporate AI Coach | CourseraKhan AcademyMicrosoft LearnGoogle Skill BoostUdemy | 教學設計、簡報、課程規劃、案例設計、AI 工具實作。 |
2030+ 可能被 AI 壓縮的方向
| 方向 | 為什麼容易被壓縮 | 升級建議 |
|---|---|---|
| 純 CRUD / 純手刻 API | AI coding agent 越來越能產生標準增刪改查、API、測試與文件。 | 升級到系統設計、資料模型、權限、安全、效能、domain workflow。 |
| 純切版前端 | 設計稿轉 HTML/CSS、一般互動元件會大量自動化。 | 升級到 UX、產品設計、AI interaction、前端架構、可用性研究。 |
| 純初階測試 | 單元測試、簡單 E2E、測試資料產生會被工具加速。 | 升級到品質策略、測試平台、風險分析、安全測試、AI evaluation。 |
| 純報表 / 純資料搬運 | AI + BI 工具會自動產生查詢、圖表與摘要。 | 升級到資料治理、指標設計、商業分析、資料產品、決策科學。 |
| 只會操作單一工具 | 工具介面會變，AI 會降低使用門檻。 | 培養可遷移能力：問題定義、流程設計、資料理解、溝通與驗證。 |
2030-2040 最不容易被取代的能力地圖
看懂整體，而不是只看單點
能理解使用者、資料、模型、後端、前端、雲端、資安、成本與營運如何連在一起。
知道什麼值得做
AI 能產生很多功能，但人要判斷哪個問題有價值、誰願意付費、如何衡量成效。
會指揮 AI，也會驗證 AI
能拆任務、寫清楚需求、審查輸出、設計測試、控制風險，而不是盲目相信 AI。
Domain + AI
懂一個產業的流程、痛點、資料與法規，再用 AI 解決真問題。
AI 的燃料仍是資料
知道資料從哪裡來、能不能用、品質如何、是否合規、如何驗證結果。
讓 AI 可被企業採用
包含權限、稽核、隱私、資安、模型評估、錯誤處理與人類審核流程。
長期選擇建議
喜歡技術深度
走 AI Infra、Security、Data Platform、Robotics、Distributed Systems。這些方向學歷與底層能力更重要。
走 AI Infra、Security、Data Platform、Robotics、Distributed Systems。這些方向學歷與底層能力更重要。
喜歡產品與人
走 AI PM、UX、Solution Consultant、Customer Success、Business Development。重點是把技術翻成價值。
走 AI PM、UX、Solution Consultant、Customer Success、Business Development。重點是把技術翻成價值。
喜歡某個產業
選一個 domain：教育、金融、醫療、法律、製造、房地產、零售，再加上 AI 工具與資料能力。
選一個 domain：教育、金融、醫療、法律、製造、房地產、零售，再加上 AI 工具與資料能力。
想創業或自由工作
練習 Micro-SaaS、內容產品、AI 自動化服務、垂直工具。作品集、銷售與持續迭代比學歷更重要。
練習 Micro-SaaS、內容產品、AI 自動化服務、垂直工具。作品集、銷售與持續迭代比學歷更重要。
2030+ 後真正有價值的不是「記住某個工具」，而是能持續把 AI、資料、系統、商業與人類需求連起來。
5. CS 領域關聯圖：從基礎到 AI、硬體、商業應用
這張圖的目的不是把所有名詞背起來，而是讓自己看懂：Computer Science 的各領域是互相支撐的。AI 不是孤立科目，它建立在數學、程式、資料、系統、硬體與產品場景之上。
數學與邏輯
離散數學、線性代數、機率統計、最佳化，是演算法、AI、資安與圖形學的底層語言。
Computer Science 核心
用計算思維解決問題：抽象化、演算法、資料結構、系統設計與工程化。
程式與軟體工程
Python、Java、JS/TS、Git、測試、設計模式、API、文件與團隊協作。
資料結構與演算法
Array、Hash、Tree、Graph、Sorting、Search、DP，是高效率軟體與 AI 系統的基礎。
作業系統
Process、Thread、Memory、File System、Scheduling，支撐伺服器、容器與高效能運算。
網路與分散式系統
TCP/IP、HTTP、DNS、TLS、Queue、Cache、Load Balancing，支撐雲端與大型平台。
資料庫與資料平台
SQL、Index、Transaction、Query Plan、Data Warehouse、Lakehouse、Streaming。
計算機組織與硬體
CPU、Memory、Cache、GPU、FPGA、晶片架構，是 AI 算力與效能的根基。
AI / ML / Deep Learning
機器學習、神經網路、NLP、CV、多模態、LLM、模型評估與訓練。
RAG / Agent / LLMOps
Embedding、Vector DB、工具呼叫、Workflow、Eval、Guardrails、成本與監控。
半導體 / EDA / 製程
晶片設計、EDA、先進製程、封裝、驗證，連接 CS、EE、材料與物理。
機器人 / Physical AI
控制、感測器、嵌入式、Computer Vision、路徑規劃，讓 AI 進入真實世界。
資安 / 隱私 / 治理
身份驗證、授權、加密、攻防、AI 安全、合規與風險管理，支撐企業導入。
產品與 UX
把技術轉成好用產品：需求探索、使用者體驗、AI 互動設計、指標與迭代。
商業與顧問
AI PM、解決方案顧問、售前、客戶成功、數位轉型、商業模式與 ROI。
產業應用 Domain
教育、金融、醫療、製造、法律、房地產、遊戲、媒體，形成 Domain + AI 優勢。
雲端與平台工程
AWS、Azure、GCP、Kubernetes、DevOps、SRE、Observability，讓服務可營運。
創業 / Micro-SaaS
用 AI 工具快速驗證痛點，將技術、產品、銷售與持續迭代整合起來。
藍：CS 基礎綠：系統工程紫：AI橘：硬體/半導體紅：商業/產品灰：跨域橋接
領域依賴關係：可以這樣理解
數學 / 邏輯→演算法 / 資料結構→程式與系統→資料平台 / 雲端→AI / LLM / Agent→產品 / 商業 / 產業應用
計算機組織→CPU / GPU / 晶片→AI Infra→模型訓練與推論→半導體與雲端算力產業
OS / Network / Security→分散式系統→企業平台→RAG / Agent 系統→合規導入
看這張圖後，如何選第一條路？
| 興趣感覺 | 適合先探索 | 未來可能方向 |
|---|---|---|
| 喜歡解謎、邏輯、競賽 | 演算法、資料結構、離散數學 | 軟體工程、AI Research、資安、Compiler |
| 喜歡做網站、App、產品 | 程式、Web、資料庫、UX | Full-stack、Backend、AI App、AI PM、SaaS 創業 |
| 喜歡大型系統如何運作 | OS、Network、Database、Cloud | Cloud、SRE、Data Platform、AI Infra、Solution Architect |
| 喜歡 AI、聊天機器人、生成圖文 | Python、ML 基礎、RAG、Agent、Prompt/Eval | AI Engineer、LLMOps、Agent Workflow、AI Product |
| 喜歡硬體、晶片、機器人 | 計算機組織、電子電路、控制、嵌入式 | 半導體、EDA、Robotics、Physical AI、Edge AI |
| 喜歡人、商業、產業問題 | 產品、資料分析、AI 工具、產業案例 | AI PM、顧問、客戶成功、Domain + AI、創業 |
CS 的核心不是「學會某個工具」，而是學會用計算思維，把硬體、軟體、資料、AI、產品與真實世界問題連起來。
6. 推薦訂閱與科技新聞：建立 AI 時代世界觀
真正重要的不只是追新聞，而是建立「技術 + AI + 商業 + 系統 + 創業」的大局觀。以下是最適合 IT / CS 學習者長期追蹤的網站、電子報與頻道。
| 類型 | 推薦來源 | 適合目的 | 特色 |
|---|---|---|---|
| 每日科技摘要 | TLDR | 快速掌握 AI / IT / Startup | 每天 5 分鐘，適合建立科技敏感度。 |
| AI 趨勢 | The Rundown AI | 追蹤 OpenAI / Anthropic / Gemini | 整理 AI 工具、模型、Agent 生態與 AI 商業。 |
| 工程職涯 | The Pragmatic Engineer | 理解真正業界 | 大型科技公司文化、AI 對工程師的影響與高薪職涯。 |
| 科技商業 | Stratechery | 理解 NVIDIA / OpenAI / Apple 等戰略 | AI 時代最有影響力的科技商業分析之一。 |
| AI 研究前沿 | Import AI | 理解 Frontier AI 與 AGI | Anthropic 共同創辦人 Jack Clark 的 AI 研究觀察。 |
| 工程社群 | Hacker News | 全球工程師社群 | 新技術、開源、AI、系統架構與創業討論集中地。 |
| AI / ML 教育 | The Batch | AI 入門到中階 | Andrew Ng 團隊整理的重要 AI 趨勢與應用。 |
| 大型系統 | ByteByteGo | 理解分散式系統與 AI Infra | Cache、Queue、Database、Cloud、ChatGPT 架構解析。 |
| AI 工具與 Workflow | Ben's Bites | AI Builder / AI 創業 | AI 工具、Agent Workflow、AI SaaS 生態快速更新。 |
| AI 世界觀 | Andrej Karpathy | 理解 LLM 與 Software 3.0 | 最適合建立 AI 時代整體觀的內容之一。 |
推薦訂閱組合
不要 overload
先建立習慣：
- TLDR
- The Rundown AI
開始建立世界觀
加入工程與商業視角：
- Pragmatic Engineer
- Hacker News
- ByteByteGo
AI / 創業 / 架構
建立長期 AI sense：
- Stratechery
- Import AI
- Ben's Bites
- Karpathy
AI 時代真正重要的不是每天追一堆新聞，而是逐漸建立：
技術 sense、AI sense、商業 sense、系統觀與長期學習能力。
整理日期：2026-05-20。連結包含 Harvard CS50、MIT OCW、Crash Course / PBS、OSSU、roadmap.sh、OpenAI Codex、Anthropic Claude Code、GitHub Copilot、Google ML Crash Course、Microsoft Learn AI 等公開資源。代表公司/平台/產品為方向參考，並非唯一雇主或就業限制，實際職缺與需求會隨市場變動；2030+ 趨勢為基於目前 AI 與產業發展的方向性整理，不代表保證預測。