【专业介绍】在红鸟湖畔训练模型：香港科技大学（广州）大数据智能理学硕士

广州南沙，蕉门水道与红鸟湖之间，一片清水混凝土建筑把湿地、风道和算法装进同一幅画面。
香港科技大学（广州）的大数据智能理学硕士（MSc in Data-Centric Artificial Intelligence Technology）就藏在这片楼群之中。项目两年制，却像一段可并行计算的脚本：上课、实习、论文三条线程同时跑，学生被允许在真实世界的数据里反复调试自己。以下是一份“非官方手记”，写给想把代码写成生活、把生活写回代码的人。
一、课程骨架：把“数据”与“智能”压进同一条流水线
48 学分被切成五段函数，调用顺序可重排，但每条都带返回值：
核心模块（15 学分）
数据科学计算：把 HDFS、Spark、MLOps 串成一条本地-云端可迁移的管道；
高级机器学习：从凸优化讲到 Transformer，作业是复现一篇论文并给出可复现性报告；
深度学习与图模型：把 GNN 用在南沙公交网络，看能否提前 15 分钟预测客流；
人工智能伦理与法律：写一份 800 字市民小册子，解释“算法偏见”如何被量化。
方法选修（9 学分）
三选二：强化学习、因果推断、高维统计。每门课配一张 GPU 卡，学生可以把自己养的实验环境打包成 Docker 镜像带走。
领域选修（9 学分）
金融、医疗、制造、城市四选一，也可混选。近年出现过的组合：
金融风控 + 图神经网络：把跨境人民币交易拼成一张动态图，找异常子图；
医疗影像 + 联邦学习：让三家医院数据不出院墙，也能联合训练肺癌早筛模型；
智能制造 + 时序预测：给家电工厂写一条“备件需求预测”API，把库存周转天数压到 7 天内。
工业实习（12 学分）
整整 12 个月，全职在企。学院先开“需求市集”，学生举牌组队，像选课一样竞标。客户名单每年滚动：阿里、京东、微软亚洲研究院、三星、NAVER、小鹏、广汽、微众银行……实习期间，学生被当作“远程员工”：打卡、领工牌、参加 OKR 评审，年底回校答辩，把 KPI 写成毕业论文的一部分。
毕业设计（3 学分）
可延续实习课题，也可另起炉灶。要求：把“可复现性”写进评审标准——代码、环境、数据、随机种子必须公开，供下一届同学 fork。
二、双导师制度：让“学术线程”与“工业线程”随时通信
每位学生自带两名导师：
学术导师：来自数据科学与分析学域（DSA）或清水湾 CSE 系，负责理论、论文、方法论；
工业导师：来自实习企业，负责场景、数据、工程落地。
两名导师每月开一次“三方例会”，学生做会议纪要。常见场景：学术导师嫌特征工程太粗糙，工业导师回一句“线上 QPS 限 50 ms，只能这么做”，学生把两边需求写成 GitHub issue，再调参、压测、写技术博客，一篇可复现的报告就此诞生。
三、硬件与数据：让“校园”成为可远程调用的算力节点
教学楼地库藏着 200 张 A100/V100，通过 40 G 校园光纤接入广州超算中心；学生账户默认 5 TB 分布式存储，可随项目扩容。
更有趣的是“数据沙盒”：
南沙区把公交 GPS、地铁闸机、共享单车站点脱敏后放进校园集群，供学生做时空预测；
广汽提供 1000 小时自动驾驶路测视频，标注好的目标框超过 2 亿个；
微众银行放出 100 G 合成金融时序数据，用来跑联邦学习原型。
这些数据只在校园网内流转，学生可远程 Jupyter，也能把容器镜像推到集群，毕业时再一键导出。
四、职业出口：让“模型”成为可被社会调用的 API
两年下来，学生简历里会出现三条并行经历：
课程项目：开源代码 + 技术报告；
工业实习：真实 KPI + 线上模型；
毕业设计：可复现 Repo + 公开演讲。
近三届毕业流向大致如下：
互联网与云厂商 35%：阿里云、腾讯、字节、华为、NAVER；
金融与风控 20%：微众、招联、平安、广发、港交所；
车企与制造 15%：广汽、小鹏、博世、西门子；
继续读博 15%：港科大清水湾、EPFL、ETH、UW；
创业与家族企业数字化 10%：把实习项目孵化成公司，已有人拿到 Pre-A；
公共部门与智库 5%：广东省政数局、深圳科创委、香港生产力促进局。
招聘形式多数靠“嵌入式内推”：
秋季“数据开放日”把企业真实数据包提前两周发给学生，48 小时 hackathon 后现场点评，优胜队伍直接收实习面试；
春季“模型答辩”对外开放，企业工程师坐在台下，学生边跑代码边回提问，Offer 常在现场诞生。