南京大学作为国内顶尖高校，其人工智能相关专业的博士研究生选拔以深厚的学科基础、前沿的科研能力和创新潜力为核心考察目标，具体考核内容围绕“初试+复试”展开，涵盖专业知识、科研素养、英语水平及综合素质等多个维度，以下从初试科目、复试重点、备考建议等方面详细说明。
初试科目：夯实学科基础，突出核心能力
南京大学人工智能考博初试通常分为外国语和业务课两门，具体科目根据报考学院（如计算机科学与技术系、人工智能学院、电子科学与工程学院等）及研究方向略有差异,但核心内容高度聚焦。
外国语考试
外国语科目一般为英语，部分方向可选其他语种（需提前确认）,重点考察：
- 阅读理解：涵盖人工智能领域前沿文献（如顶会论文、综述文章），要求快速抓取关键信息、理解复杂句式及学术观点；
- 翻译：中英互译，涉及专业术语（如深度学习、强化学习、自然语言处理等）的准确表达；
- 写作：针对人工智能领域的热点问题（如伦理挑战、技术发展趋势）或学术话题撰写议论文，需逻辑清晰、观点明确。
业务课考试
业务课通常分为“人工智能基础”和“专业方向综合”两门,具体内容如下表所示：
| 考试科目 | 核心考察内容 | 参考方向举例 |
|---|---|---|
| 人工智能基础 | 机器学习（监督/无监督/强化学习核心算法、模型评估）、深度学习（CNN/RNN/Transformer等网络结构、优化方法）、数学基础（线性代数、概率统计、最优化理论） | 适用于所有人工智能方向，侧重基础理论与方法。 |
| 专业方向综合（如计算机科学与技术） | 自然语言处理（词向量、句法分析、预训练模型）、计算机视觉（图像识别、目标检测、生成模型）、多模态学习、AI系统架构等 | 根据导师研究方向确定，如报考NLP方向则需重点掌握Transformer、BERT等模型及应用。 |
| 专业方向综合（如控制科学与工程） | 智能控制理论（强化学习在控制中的应用）、机器人学（运动规划、感知与决策）、智能系统设计与优化等 | 适合交叉学科方向，需结合控制理论与AI技术。 |
业务课考试注重理论与实践结合，既有对经典算法和模型的考查（如支持向量机的原理、反向传播的推导），也有对最新研究进展的考察（如大语言模型的微调方法、AI for Science的应用案例）。
复试环节：聚焦科研潜力，综合评估素养
初试通过后，复试是博士选拔的关键环节，通常包括材料审核、专业笔试、综合面试（含英语口语）和导师考核,重点考查以下方面：
科研经历与学术潜力
- 科研成果：已发表的论文（一作/通讯优先）、参与的科研项目（国家级/省部级）、专利等,需体现研究深度和创新能力；
- 研究计划：报考时需提交《博士学位研究生研究计划书》，内容需包括研究背景、国内外现状、研究目标、技术路线、创新点及预期成果，要求逻辑严谨、具有前沿性和可行性；
- 学术视野：对所报考领域热点问题的理解（如AI伦理、可解释性AI、联邦学习等）,以及对导师研究方向的认识。
专业笔试与面试
- 专业笔试：部分方向设置，通常为开放性问题（如“设计一个解决小样本学习问题的模型框架”“分析当前大语言模型的局限性及改进方向”）,考查知识综合运用能力；
- 综合面试：
- 专业知识问答：针对业务课及研究方向深入提问（如“请解释注意力机制的数学原理及其在CV/NLP中的应用差异”）；
- 英语口语与听力：自我介绍、学术文献朗读与翻译、日常交流等,要求具备流畅的学术英语表达能力；
- 综合素质：逻辑思维、抗压能力、学术道德及团队协作意识,通过案例分析或情景模拟考查。
导师匹配度
复试中，导师会重点考查学生的研究兴趣是否与课题组方向契合，是否具备独立开展科研工作的潜力，部分导师还会安排面谈,沟通研究计划细节及未来培养规划。
备考建议：明确方向，系统提升
- 夯实基础：系统学习《机器学习》（周志华）、《深度学习》（Ian Goodfellow）等经典教材，掌握核心算法原理与数学推导；关注顶会（NeurIPS、ICML、CVPR、ACL等）最新论文,了解领域前沿动态。
- 科研积累：积极参与科研项目，尝试撰写论文或技术报告，即使未发表，也能体现研究能力；提前联系意向导师，了解其研究方向及课题组近期课题,针对性准备研究计划。
- 英语提升：通过阅读英文文献（如arXiv预印本）、练习专业术语翻译、参与英语学术讨论等方式提升英语应用能力。
- 模拟面试：针对研究计划、专业知识准备答辩材料，模拟面试场景,锻炼表达逻辑和应变能力。
相关问答FAQs
Q1：南京大学人工智能考博是否必须发表过论文？
A：并非强制要求，但有高质量论文（如CCF A类/B类会议/期刊）会显著提升竞争力，对于科研经历较少的考生，可通过详细阐述参与的科研项目、技术贡献及研究计划中的创新点来体现科研潜力,关键在于展示独立思考和解决问题的能力。
Q2：跨专业考生如何备考人工智能考博？
A：跨专业考生需额外补充数学基础（线性代数、概率统计、微积分）和机器学习核心课程（建议通过Coursera、吴恩达《机器学习》等资源学习），结合本科专业与人工智能的交叉点（如数学专业可侧重优化算法，自动化专业可侧重智能控制）制定研究计划，突出跨学科优势，并提前联系导师说明背景与规划,争取导师的指导与认可。
