我要认证
很多学生进入大学后的第一年，还在适应新的学习和生活节奏。经济学专业的孙熙杰同学却已经开始思考另一个问题：当AI逐渐进入金融、产业研究、市场分析等领域，自己能否在学习经济学的同时，提前建立一套AI应用能力？
目前，孙同学一名准大二学生。在大一阶段，他先后完成了CAIE人工智能工程师认证及AI产品经理认证相关学习，并开始尝试把AI用于资料检索、课题选题和竞赛准备。对他来说，学习AI不是为了放弃经济学专业，而是希望让AI成为理解专业、完成项目和规划未来的一种工具。
孙同学对人工智能的兴趣，并不是从考证开始的。高中阶段，他曾参与过与具身智能相关的小项目，接触过传感器、图像识别等技术。虽然当时生成式AI还没有像现在这样普及，但这段经历让他较早意识到，技术并不是一个完全独立的领域，它可以与现实任务和不同专业发生联系。
进入大学以后，随着豆包、腾讯元宝、通义千问、讯飞星火等AI工具逐渐融入日常学习，他使用AI的频率越来越高。在做作业、准备竞赛和查找项目资料时，他都会根据不同任务选择相应的工具。
“每个AI都有自己相对擅长的领域。最近如果正在做项目，或者需要集中查资料，我使用AI的频率就会明显增加。”孙同学说。
不过，真正让他决定系统学习AI的，并不是工具越来越多，而是他发现：会打开AI、会进行简单对话，并不等于真正掌握了AI。
作为经济学专业的学生，孙同学经常需要查找论文、了解研究方向并为课题寻找参考资料。刚进入大学时，他只知道在中国知网上输入关键词查找文章，还不熟悉如何判断某一领域的主要期刊、研究热点和常见研究方向。
在没有掌握系统检索方法之前，AI成为了他的一个辅助入口。
例如，在确定某个经济学课题时，他会先让AI梳理相关概念、可能的研究角度和检索关键词，再根据这些线索前往知网等专业平台继续查找。这种方法可以帮助他更快地明确范围，减少完全没有方向的搜索。
但他也很快注意到，AI提供的参考文献并不一定真实存在。
“它可能一次给出十几条参考资料，其中有些是查不到的。但它给出的研究方向、关键词和部分有效线索，仍然能帮助我缩小范围。最终还是要回到知网或原始来源中核验。”
这段经历也让他形成了一个比较清晰的判断：AI适合辅助思考和提高检索效率，但不能替代专业数据库，更不能替代使用者对信息真实性的判断。
这种对AI幻觉和结果核验的认识，也成为他后来学习CAIE时重点关注的内容之一。
在学习CAIE之前，孙同学已经使用过不少AI工具。如果只是生成一段文字、回答一个问题或提供一些思路，他认为自己当时也可以算“会用AI”。
但这种“会用”还停留在比较宽泛的层面。
最开始接触AI时，他主要采用日常聊天的方式提问，很少主动设计提示词。如果生成结果不符合预期，第一反应往往是模型能力有限，而不是检查自己的问题是否表达清楚。
通过CAIE的系统学习，他开始关注任务背景、具体要求、输出格式和限制条件，并尝试在提问前重新整理自己的需求。
“如果提示词没有准确表达我的意思，AI产出的结果就很难达到预期。现在我会先把自己的需求、使用场景和具体要求整理清楚，再让AI完成任务，效率会比以前高很多。”
在孙同学看来，大模型能力和提示词设计是相互配合的。即使模型本身能力较强，如果使用者不能准确说明问题，生成结果仍然可能偏离目标；而当大家使用的AI工具差别不大时，任务拆解和表达能力往往会成为影响结果的重要因素。
这也是他学习CAIE前后感受最明显的变化：过去只是把问题交给AI，现在则会思考如何定义问题、补充条件、优化指令并检查答案。
AI相关的免费教程很多，孙同学最初也考虑过通过网络课程自学。但真正开始寻找资料后，他发现，对于刚接触AI的人来说，最大的困难可能并不是“找不到教程”，而是不知道自己应该学什么。
如果学习者还不了解Prompt、多模态、AI工作流、RAG和Agent等概念，就很难主动搜索这些内容。网络教程往往围绕某个工具或单一知识点展开，不同创作者的讲解方式和知识结构也存在较大差异。学习者可能看了很多内容，却仍然无法判断知识之间有什么关系。
“AI更新速度很快，网络上的内容也比较零散。对刚入门的人来说，我觉得先通过一套相对系统的路径建立整体认识，会更容易知道后面应该继续学什么。”
CAIE一级从人工智能基础认知、伦理与法规、大模型基础，到AI交互、Prompt设计、多模态应用、AI工作流以及RAG、Agent等内容，为他提供了一张较完整的知识地图。在建立整体框架后，他再接触新的AI工具和比赛要求时，理解速度也比过去更快。
恰好在完成一阶段系统学习后，他注意到一些面向大学生的竞赛开始增加人工智能相关赛道，有的要求参赛者搭建智能体，有的鼓励使用AI完成产品设计。这让他进一步确认，提前建立AI应用能力并不是脱离专业的额外负担，而是在为后续项目和竞赛做准备。
对于“企业看重的是能力，考证没有用”这一观点，孙同学并没有简单反驳。
他认为，在求职和实习过程中，企业通常会重点关注专业背景、项目经历、实习经验以及是否具备与岗位匹配的能力。一张证书不能直接替代这些内容，更不能保证获得录用机会。
但证书与能力也并非一定是对立的。
“如果考证的目的是通过系统学习真正了解AI，那么学习过程可以帮助你建立能力，也能为以后参加项目提供基础。但如果只是刷题、背知识点，目标只是拿到证书，实际能力的提升就会比较有限。”
对仍处在大学低年级的学生来说，项目和实习经历通常还不够丰富。一套明确的学习路径可以帮助他们较早发现兴趣方向，并为后面的竞赛、实践和实习做准备。证书则可以作为阶段性学习成果，但最终仍要通过实际作品、项目经历和解决问题的能力证明自己。
孙同学也坦言，如果两名求职者的专业背景和其他条件接近，AI学习经历可能带来一定差异化优势，尤其是在重视交叉学科能力、数字化转型或AI应用的岗位中。但这种优势能否发挥作用，仍然取决于具体岗位要求，以及个人能否讲清楚自己怎样使用AI完成过真实任务。
孙同学目前并没有把目标局限在某一个纯技术岗位上。他更希望探索AI与经济学、产业研究、政策分析、金融和市场之间的结合方式。
在他的规划中，AI不是替代经济学专业，而是一种可以参与专业研究的工具。例如，在产业经济研究中，AI可以协助整理政策资料、归纳行业信息和发现分析线索；在项目实践中，可以围绕特定产业或政策方向搭建智能体；在竞赛中，也可以利用AI完成信息处理、方案设计和产品原型。
目前，他已经开始关注以产业经济和政策研究为导向的AI智能体项目，希望未来能够参加更多与专业相关的比赛和实践。
这也是非计算机专业学生学习AI时值得参考的一种思路：不必一开始就把目标设定为掌握复杂算法或转向开发岗位，而是先思考自己所学专业中有哪些重复任务、信息处理任务和决策任务可以由AI辅助，再逐步形成“专业能力+AI应用能力”的组合。
面对这个问题，孙同学的回答并不是“所有人都必须学”。
他认为，如果学生本身对AI有兴趣，或者已经发现AI能够帮助自己的专业学习，就可以尽早了解和尝试。大学低年级的时间相对充足，较早接触AI，也有助于后续参加竞赛、完成项目和寻找实习方向。
但如果只是因为AI热门而盲目跟随，甚至只想快速获得一张证书，则应该先判断自己是否真正需要。
“每个人的兴趣和职业方向不一样。如果你在日常学习中发现AI确实能帮助自己，也愿意继续了解它，那么系统学习会比较有价值。如果只是跟随潮流，最好先体验一下，再决定是否投入更多时间。”
对于和自己经历相似的非计算机专业学生，他更愿意给出的建议是：不要因为专业背景而提前否定自己。AI正在与经济、金融、管理、市场等不同领域融合，非技术专业学生同样可以学习AI，重点是找到它与本专业的结合点。
谈到“CAIE持证人”这一身份未来能够带来什么，孙同学最期待的不是再增加一项简历内容，而是获得更多实习和实践机会。
无论是AI相关项目，还是市场分析、行业研究、金融经济等与专业相关的岗位，他都愿意尝试。他希望通过实际项目检验已经学到的知识，并在实践中进一步理解AI与经济学的结合方式。
从高中阶段接触图像识别和具身智能，到大学阶段系统学习AI，再到计划开展产业经济与政策方向的智能体项目，孙同学仍处在探索的早期阶段。他的经历没有给出一条适合所有人的标准答案，却提供了一个值得参考的样本：
大学生学习AI，不一定是为了离开原来的专业，也不应停留在使用几个热门工具。更重要的是，尽早建立基础认知，学会准确提出问题、核验信息和设计任务流程，再把这些能力放回自己的专业、竞赛和项目中。
对孙同学而言，CAIE不是学习的终点，而是把零散兴趣转化为系统认知的起点。未来一年，他希望自己对AI、经济学以及两者结合方式的理解都能继续加深，并真正完成一些可以被展示、被验证的项目成果。
CAIE官网：www.caieglobal.com
