你現在正面對的處境，可能是這樣的：本科讀的是商科、社科或文學，工作兩三年後想轉往AI相關領域，於是打開香港幾間大學的課程頁面，發現「人工智能」「數據科學」「金融科技」這些名字看起來都相關，但越看越不知道該選哪一個。更麻煩的是，跨專業申請不像本科同背景的人那樣，可以靠 GPA 和專業課直接比高低，你必須先回答一個問題：讀完之後，你要做什麼工作？

這個問題不是空泛的生涯規劃，而是最實際的篩選工具。香港的AI相關碩士課程，表面上都叫AI，實際上的出路差異很大。有的課程掛在工程學院底下，核心是演算法、機器學習模型與系統實作，畢業生主要投遞演算法工程師、機器學習工程師這類技術崗位；有的課程開在商學院或管理學院，內容是AI在金融、營運、行銷中的應用，畢業生往數據分析師、產品經理、顧問方向走；還有一部分課程偏向研究和學術，適合打算繼續讀博士的人。

如果你把「職業方向」當作第一輪篩選標準，而不是用學校排名或課程名稱來選，很多原本看起來差不多的選項會立刻分開。想做技術開發的人，應該優先找課程結構中程式設計、機器學習、深度學習佔比高的項目；想轉往商業分析或產品方向的人，則應該找有產業實習、案例研究、跨領域專案的課程。這個篩選不需要精確到每一門課，而是看整體課程設計的傾斜方向。

第一輪篩選完成後，你手上大概會剩下三到五個課程。接下來要做的，是逐一核對三件事。

先看必修課與畢業專案，確認課程不是「掛名AI」

跨專業申請者最容易犯的錯誤，是看到課程名稱有 AI 就以為內容符合自己的職業目標。實際上，有些課程的AI成分只佔少數選修課，主體仍然是傳統的資訊管理或商業分析。你應該把每一門感興趣的課程頁面打開，找出必修課列表，數一數其中有幾門是真正的機器學習、自然語言處理、電腦視覺、深度學習，有幾門只是把「AI」當作形容詞的商業課程。

同時留意畢業專案的形式。如果課程要求學生在真實企業數據上完成一個AI應用專案，這對跨專業背景的人來說是重要的履歷素材；如果畢業要求是寫一篇文獻回顧論文，那課程可能偏向學術訓練，對就業的幫助會間接一些。

核對先修要求與銜接機制，別把錄取門檻和畢業門檻混為一談

香港的大學對跨專業申請者的態度不同。有些課程明確列出先修要求，例如必須修過微積分、線性代數或程式設計；有些課程則接受非本科背景，但要求入學後補修基礎課。你需要區分兩件事：一是申請時能不能被錄取，二是入學後能不能跟上進度。

如果課程頁面沒有清楚列出先修要求，最直接的方法是寫信給課程主任或招生辦公室，問清楚「非本科背景的學生，入學後是否需要補修學分，補修是否計入畢業學分」。這個問題會影響你的修業時間和費用，必須在申請前確認，而不是等拿到 offer 才發現。

把就業資源當作課程的一部分來比較

跨專業申請者最大的劣勢是缺乏相關實習與專案經驗，因此課程是否提供產業連結就變得格外重要。你可以查看課程是否有合作的企業夥伴、是否有專屬的就業輔導、校友大多進入什麼類型的公司。這些資訊不一定會寫在課程官網的首頁，但通常可以在課程手冊、校友訪談或系所公告中找到。

比較的標準不是「哪間學校排名高」，而是「哪個課程的畢業生去向與你的目標職業最接近」。這個資訊可能不容易取得，但值得花時間查，因為它比任何排名都更能預測你畢業後的位置。

AI選校結果的複核清單

當你用職業方向完成第一輪篩選，並逐一核對課程內容、先修要求與就業資源後，接下來才輪到AI選校工具出場。AI可以幫你整理課程資訊、比較不同選項的異同、甚至根據你輸入的背景資料給出初步建議，但它的結果只能當作參考，不能直接當作申請清單。

具體來說，你至少需要人工複核以下四件事：

• 課程名稱與內容是否一致：AI可能根據課程名稱推斷內容，但實際的必修課列表必須以官網為準。
• 先修要求是否與你的背景匹配：AI不知道你修過哪些課、成績如何，這部分只能由你自己核對。
• 申請截止日與文件要求：這些資訊隨時可能變動，AI的資料庫不一定是最新的，必須回到官方頁面確認。
• 職業方向的匹配度：AI可以歸納課程特點，但無法替你判斷「這個課程是否適合我的職涯目標」，這需要你對自己的職業規劃有清楚的認識。

跨專業申請香港的AI課程，真正困難的不是找到「有AI字眼」的課程，而是找到「讀完之後能帶你到達目標職業」的課程。先用職業方向做第一輪篩選，再逐步核對細節，最後用AI工具輔助整理與比較，這個順序會比反過來更可靠。