訪、文：愛麗絲

科技發展日新月異，大數據分析、機械學習等詞彙在市場內逐漸興起。近年香港幾間大學都開設數據科學、商業智能、金融科技、應用人工智能等新興學科 [1]，以培育具備相關技能的學生，應對社會企業的人才需要。中大近年亦開辦三個新的本科課程，包括工程學院的「金融科技學」、「人工智能：系統與科技」，以及社會科學學院的「數據科學及政策研究」。為了讓同學更加了解這三個新辦學科，筆者邀請了各科的第一屆本科生接受訪問，談談對課程的期望與落差，以及就讀新辦學科的感受和掙扎。

金融科技學
#BEng in Financial Technology
#2017 年開辦

大家有聽過「加密貨幣」嗎？如果沒有，大家對比特幣（Bitcoin）一詞又有沒有印象呢？比特幣屬於加密貨幣的一種，早在十年前已開始廣泛使用。比特幣不需透過中央機構發行新錢，而是由一串使用密碼學方法相關聯產生的數據塊 （即區塊鏈）完成。這創新的貨幣概念，正正是金融科技的其中一個課題。

金融科技泛指工程科技在金融服務中的應用，以改變其傳統行業的性質。對區塊鏈（Blockchain）和加密貨幣（Cryptocurrency）等議題有興趣的三年級生 P 同學，選科時既期望學習編寫程式碼，又擔心專注工程會太過 沉悶，所以最終選擇包括金融的工程學科。「嗰時我只係預期佢教到依兩樣（區塊鏈和加密貨幣）就足夠，但坦白講對成個課程嘅 Big picture 唔係話睇得好透。」後來 P 發現課程內的金融的份量比想像還要多，「其實依科 Engine 同 Finance 嘅比例係一半一半嘅，但如果有啲人淨係睇到科技而入讀嘅話，讀 Finance 會讀到好悶。而且畢業生出嚟都係做銀行，FinTech 公司依啲金融行業，如果學生入讀前對金融冇一定興趣，會有啲麻煩。」

金融科技學固然結合工程和金融兩方面的知識，但是筆者查看中大金融科技學（FTEC）的課程編排，發現其工程部份夾雜系統工程（SEEM）、計算機工程（CS）、信息工程（IE）等課程，變相減少只適用於 FTEC 的課程，擔心這會減低學生的專業程度。不過，P 認為 「依科冇太明顯話左抽右抽其他 Engine Major 嘅概念，因為 SEEM 同 FTEC 其實係同一科嘅嘢，而 CS、 IE 嗰啲都係一兩個 Course，仲要係基本嘅，就好似讀 Risk Management 都要讀統計同數學嗰啲 Course。」加上，金融科技學不同以往的工程學科，「依科係 Application engineering，即係所學嘅 Engine（知識）要應用埋落去 Finance Sector 到」，綜合多種工程的基本知識也是必要的。」

人工智能：系統與科技
#BEng in Artificial Intelligence: Systems and Technologies（AIST）
#2019 年開辦

說起「人工智能」（AI），你們腦海中第一時間想起的畫面，是不是西方電影中那個外貌彷如人類，聲線不帶任何感情，語調沒有一點起伏的機械人呢？

人工智能大概指透過計算機系統呈現人類智慧的技術。時至今日，在科技發達的國家例如德國和美國，人工智能技術早已應用在金融、醫學、機器人技術、多媒體等方面。反觀而言，香港首個此類的本科課程卻是中大去年才開設的人工智能學（AIST），可見香港人工智能的發展相當緩慢。原先想修讀計算機工程（CS） 的一年級生 C 同學，因為 JUPAS 不能直接選擇中大的 CS，Year 2 才能選讀 CS 主修；又擔心 Year 1 仍要像 DSE 般瘋狂讀書，會花耗大量時間和精力，而錯失享受大學生活的機會，所以最後選擇與 CS 有關的 AIST。可是，C 在選擇新學科時難免有所猶豫。「揀得新 Major 當然會高風險，始終好似白老鼠咁。但係我嗰陣諗，最多咪照搬 CS 嘅內容落嚟，所以都唔驚得幾多。再加上讀出黎都係大部分 Programming 都係 Engine 嘅嘢，就算唔係 AI 個課程都唔會得個殼。」

獲派中大人工智能學的 C 同學期望課程首先學習編寫程式碼，然後學習有關人工智能的演算法。「本身都幾想了解多啲 AI 嘅，期望會接觸到多啲 AI 嘅 Concept，或者簡單喺一個細 Course、玩下 AI 嘅嘢，但係成年讀落嚟好似同 Broad-based engineering 差唔多，得 3 Cred 唔同 [2]。加上嗰 3 Cred 讀嘅嘢都係比較 General 嘅 Programming 概念同應用，只有少少帶過 AI，其實有少少落差。」不過不論是大多開辦了十多幾年的傳統學科，還是只有一兩年「歷史」的新辦學科，第一年的課程內容都是較廣泛而淺薄，評論整體學科的深入程度乃言之尚早。

另外，AIST 與 FTEC 相似的地方，就是其課程編排都夾雜其他已有的工程課程，導致 AIST 的課程佔整體學科比例較少。雖然 C 亦希望專注學習有關人工智能的知識，「但係無可否認，喺 Engineering 的確有唔少重疊嘅必修知識，最好有啲可以淨係屬於 AI 嘅 Course 畀我哋，或者喺原本 Course 度改啲更適合 AI 嘅內容。」

數據科學及政策研究
#BSSc in Data Science and Policy Studies（DSPS）
#2019 年開辦

相較以上兩種學科，有關數據科學的課程在香港各大院校中就普遍得多。數據科學指從大量而複雜的數據之中，抽取有價值的部分進行分析，而中大的數據科學及政策研究學科（DSPS）則着重把分析結果應用於政府決策，制定有數據支持的政策以解決社會問題。本身對統計甚有興趣的一年級生 F 同學，認為與統計有關的數據科學將成為新時代的趨勢；同時希望修讀的理論能應用在智慧城市等政府決策，所以選擇中大的 DSPS。「當其他人都揀咗條比較有保障和大約可以預計嘅路，自己冒險揀一科未有人讀過嘅學科，對之後就業冇乜概念嘅時候，嗰陣下呢個決定的確唔容易。」

可能大多人以為與數據科學有關的課程就是由理學院或工程學院開辦，但是中大的 DSPS 卻由社會科學院所開辦的，突顯課程內容比起其他大學更加重視研究政策的應用。「記得上年 8 月中 Reg Day 諗住去社會科學間房睇下自己 Programme 有冇 Ocamp 或者類似嘅迎新活動，但係嗰度啲學生聽到 Data Science 個名就問翻我有冇記錯學院。不過之後 Programme 嗰邊有寄 Email 畀我哋話有一日 Oday，結果嗰一日朝早就喺會議室入面逐個逐個企喺身自我介紹，然後同教授一齊食 Lunch，下晝分組同讀 Social Science 嘅師兄姐傾下計，咁就一日喇。雖然我都預咗第一年嘅迎新活動係冇咁多姿多采，但我自不然就會驚新科會唔會少啲資源等等。當然我依家梗係知唔關事喇，不過諗翻起嗰陣真係好易擔心，Sem 頭嗰排每隔三四日就諗有冇揀錯科。」

F 期望首學年學習有關政策研究和數據科學的基本知識，希望加深對兩者的了解。經過兩個學期後，F 對於政策研究的課堂沒有特別大的落差，「同預期讀嘅內容差唔多」；相反，她對數據科學的掌握卻無所適從。「關於數據科學嗰個 Foundation course 唔知真係教得太快，定係因為數據科學嘅本質就係咁，感覺好似將 Statistics、Programming、Machine Learning 入面好多種概念炒埋一碟，一開始覺得幾亂同埋跟得幾吃力。不過網上有好多自學網站，有時約埋啲同學一齊睇下唔多唔少都有幫助。」

結語

以上三位同學都是各學科的第一屆本科生，選科時難免會卻步，正如 P 所言，「第一屆嘅概念係：冇上年個 Admission Score、冇上年嘅師兄姐同你解釋、冇任何就業嘅 Reference；所有嘢都係靠個 Faculty 同你講，你就要信，即係好似白老鼠咁。」相信每一個第一屆學生的內心曾經亦有過這些顧慮、不安、焦燥。但其實絕大部分的新生對自己所選的學科了解不深，例如有幾多個社會學系的學生知道涂爾幹的理論如何解釋社會的運作？又有幾多個選讀哲學系的學生知道未來的就業出路是怎樣？

筆者同樣身為新學科的第一屆學生，當然亦認為選擇新學科確實是高風險；曾經日日夜夜拷問內心底處，這學科是否真的適合自己。不過日子久了，漸漸發覺不論是修讀新辦學科的學生，還是傳統學科的學生，我們早在 JUPAS 排位時已經下了決定，其實已經算是冒險，只不過新辦學科的不確定性比較高而已。就好像大部份人都走上主流認為車水馬龍的大路，而其餘的小部份人選擇一條甚少人走過、連終點都不知道在哪的荒僻小路，同樣地無法預計未來發生的事。

現在拿着這本《迎新特刊》的你可能正在憧憬四年的大學生活，可能你為未來的方向而感到沮喪，可能你第一年被逼修讀大量與你主修無關的課程而感到迷失，或可能你和我一樣放榜後已經稍有後悔，倒不如好好享受人生最自由奔放的幾年時間，多探索嘗試，好好認識自己，說不定你會有新的體會。

註：
[1]：例如香港大學的「應用人工智能」及「金融科技學」、香港科技大學的「數據科學及技術」、香港城市大學的「數據科學」及「數據與系統工程」、香港恆生大學的「數據科學及商業智能學」等。
[2]：主修 AIST 的學生第一年需要修讀 15 個學分的工程學院及數學系基本課程，以及 3 個學分人工智能的課程。

分享至: