← 返回历史
Untitled
历史版本：Mechanical and Automation Engineering (MAE) 机械与自动化
2026/5/25 08:01:28
Mechanical and Automation Engineering (MAE) 机械与自动化工程
Hi 我是23届毕业于MAE的Wenhao，本科期间研究方向是UAV、robotics相关，现在在UPenn GRASP继续搬砖机器人相关的工作。
鉴于MAE稀少的内地生和学生水平巨大的方差，在基本的介绍后，我会着重聊聊之后的发展方向选择。私货很多，干货也很多。
1 概述
MAE是一个和硬件关系比较多的专业。但由于一些原因*，和硬件关系越大，收入越低；和软件关系越大，收入越高。所以MAE显然不是一个想要赚大钱的好专业**。
如果你已经选了MAE也不用太担心。不同专业间的上限其实基本上没有差距，MAE不会限制你的发展，厉害的人在哪都能厉害。专业间有差距的是下限和平均值。
顾名思义，机械自动化研究的是机械和自动化。而研究一个机械，就需要搞清楚它的材料属性和热力学属性。自动化主要在制造领域和机器人。因此，这个专业学的内容主要和热学、流体、材料、控制、制造有关。
香港MAE的毕业生主要会去铁路公司、一些做政府项目工程的公司，或者是去一些业务范围比较广的公司当机械工程师。内地机械工程的学生，出路就比较广了，有去当机械工程师的，也有去做产品经理项目经理的，也有去创业的，去精密制造领域的，当然还有很多做交叉方向转码的。
*“一些原因”指硬件迭代慢，难以商业化，所以对人才市场需求低。
**“想赚大钱的好专业”指CS、量化金融。
2 培养计划
大一的时候你会和其他工院的本科生一起上faculty package，也就是微积分，线性代数，多元微积分，基础C编程。你可能会选一门solidworks画图的课程。
大二的时候会有专业数学课，比如说复变函数和微分方程。一些专业课，比如说基本的力学分析，电路，材料，热学。
大三的时候会学控制，更深的热学，基本的流体和机械设计。这时候你有了一些选修的选择，可以在我们之前提到的主要范围中选择一些更深的内容。
大四主要就是final year project。 缺啥补啥。放飞自我。
这个培养计划中规中矩，算不上好坏，几乎所有学校都是这样子。
2.1 我应不应该学MAE？
关于“卷”：
EE的内地生比例较小，而且CUHK EE在香港DSE收分不高，而且EE本科生大多数是local学生。所以经过高考磨炼的内地生拥有着不错的数理基础，在EE专业课程考试上形成降维打击，而且EE给绩点相对较好，拿高Major GPA是容易的事情（因为CUHK给grade大多还是按照人数百分比（排名）的，俗称拉curve）（前提是你得好好学，躺平的话可没办法）。相比于其他学院或者工院某些内地生多的专业，在EE你能以90%的努力（90%的肝和卷）拿到110%的GPA，对你以后交换、奖学金、实习、暑研、找工作、申研或申博士奖学金都是有利的。
【EE以考试和手写作业为主的评分模式真的很适合经过应试教育的高考生刷龟！我本科期间专业课也就2个A-，其余专业课都有A】
和MAE完全一致。这位学长说的比较委婉。
为了照顾大多数的本地学生，CUHK EE开设的专业课难度并不高。相比内地985高校类似的专业课，CUHK EE专业课内容较少，深度较浅。但我认为这并不影响未来发展，因为很多专业课学了之后不用也是忘，既然都是忘那么学多学少其实无所谓。以后需要用到什么的时候，现学现用就是了。想深入钻研什么就自己看书，大学里一定要学会自学
MAE同样内容少，深度浅。对自己能力很强的人来说确实负面影响较小，但对普通学生还是很影响的。对学过的东西，学的越深记忆越深，对没学过的东西，刚接触学第一遍的速度明显更慢。所以课程内容少+深度浅的代价就是已学内容忘得快+未来学新东西慢。
系里对学生发展规划的指导很少，建议这些可以找教授，学长姐，助教（同校PhD）聊聊
Agree。建议找高年级phd和prof聊。大你一年两年的优秀学长姐很可能只能提供 1年内的 local optimal，无法提供10年内的 local optimal。大一想获得学术规划上的指导请不要找大二或者大三的学长姐聊。相信我，即使是最优秀的那一批，在大二大三阶段也对职业发展学术发展所知甚少。
有机会尽量跟教授做项目（包括但不限于暑研和毕设FYP），尽量在大三下学期选毕设之前确定自己的方向。Elective选课尽量是在同一方向的
Elective选课不是在同一方向很正常，本科期间完全可以多试多看。别担心。
2.2 一条信息
如果你是在纠结选专业问题，我觉得你很有必要知道这条信息，然后才能做出informed decision：
一个人在一个专业的体验很大程度取决于 他在这个专业的能力 和 他对这个专业的情感。
一个人能力很强、他在这个专业排名很高、发展很好，他就会对这个专业给出更加正面的评价，更喜欢这个专业。如果他很喜欢自己的专业，他就不会希望别人说这个专业不好。但能力和喜好是非常因人而异的，不能迁移的，这会导致学长学姐对这个专业的就读体验和你可能并不一样。
同时，一个很讨厌自己专业的人不会太乐意在公共平台分享。
这两个因素加在一起会导致 这些分享很可能会使你低估一个专业的风险和坏处。
专业就读体验-工学院下的 MIE的分享、EE的分享、AIST的分享、CS的分享，这些分享者都是18 19级top10%甚至1%的那些学长姐，他们的体验感多大程度能作为你的参考，得看自己权衡。
2.3 培养计划之外
（以下私且干的货，仅针对CUHK工学院大二以上的同学。还在选专业的小朋友可以直接跳过。）
课程计划中规中矩，但事实执行起来就是依托答辩。这其实不能怪MAE，而是整个CUHK工学院的计划都是依托答辩。因此，这一部分内容并不会帮你判断选专业。你已经来CUHK了，选MAE和选其他的差距也不大了。我希望尝试说服你，抛开学系计划，努力靠自己成长为一个优秀的工程师。
如果仅仅是按照学系的培养计划那样按部就班上完课，那么四年下来你会发现你根本学不到东西。原因主要有几个。
- 课程太少。一学期一共就六门课，其中有一半都是在上通识，大中大英FNFHABCD，这样一直持续四年。有多少时间真正分在专业上呢？
- 课程内容太少。大部分课程就是一次期中，一次期末，四次作业，即使是ESTR课程，也就多一次presen。但是写作业能学到什么有用的东西吗？找工作也不会让你手解微分方程啊？不做project，就不知道学的东西是怎么用的，就没有竞争力。
这样说比较抽象，我们聊点具体的。
代码：
以比较经典的课Introduction to AI为例子。
在UofT（多伦多大学），这门课有四次project，代码框架已经搭建好了，配有详细的注释和文档，大概1k行，由学生根据在课上学到的知识来实现核心功能。这样的project很花时间，也很锻炼。类似的作业在cu很少看见。CU的课，大部分是每学期4-6次作业，手写的。
如果一学期上五门课，其中三门是这样的project的形式，一个学期就有12个project，也就是上万行代码阅读量。文件、函数之间怎么耦合；面向对象怎么设计；数据结构怎么用，这种能力就是大量阅读积累的。这和阅读太少就写不出来好作文是一个道理。学生在不同的大学四年下来的差距，就是 写高效简洁优雅的系统vs写屎山。
然而，UofT这门课只是伯克利CS188的低配版。原版课程一学期10次书面作业，5个project。于是就会造成，同样是大三的学生，伯克利学生简历上项目经历已经写不下的时候，cu的学生除了GPA无话可写。
数学：
概率论，被定为大二的课，不知道学了个啥。那个midterm抓个高中生来写都能写个80分。这门课原本是和统计一起上的，18年的时候被拆成了两门，原因是学生反映太难。
当你上完了前两年的课，也不知道这些课的用处，也不知道scipy.linalg、eigen和numpy。这些都是常见的用来计算的编程库，但我们都不教，数学课学的全部内容不过是写几道计算题。那伯克利在上什么呢？基础的概率/离散课会讲RSA、网络拓扑设计、稳定匹配算法、哈希表设计，高阶的概率课会讲马尔可夫链、希尔伯特空间、卡尔曼滤波、随机图。还是14次作业9个编程作业。当你学完神经网络，就能去做神经网络的工作了吗？学完了控制，就能去做控制的工作了吗？答案显然是完全不能。
硬件、物理：本科四年，MAE机械方面只教到最最最基本的solidworks的用法，怎么画一个正方体、圆柱体、正方体切去一个圆柱体。热学、流体课上了不少，雷打不动的每学期四次作业，基本没做过仿真分析、现代工业界用的研究方法。那这些知识有什么用、工作中会怎么用到、我为什么要学这些东西、我需要掌握哪些技能，都不知道。
UofT的材料力学project是做四个工程分析。Manufacturing课project是设计sorting方案，每个lab都是实践。你说要是你是研究生招生委员会/ 公司HR，你愿意招哪个大学的。
直白点说，CUHK工学院只教人做数学题，根本不教技术。这就造成了学生在就业市场上被降维打击（指被美加顶尖学校本科打击。但可以放心的是内地所有985也都和CUHK是一样的，大家菜鸡互啄）。
说了这么多，那我们应该怎么做呢？
自学。利用一切资源自学。最好的资源来源于网上，哔哩哔哩，YouTube，MIT有很多公开课，edX，万门大学，crash course，知乎，csdn等等等等。只要你想学，就没有找不到的。CS方向的学习可以参考CS自学指南，斯坦福CS学习计划，伯克利CS学习计划。
一个理想的学习课程要有平缓的学习曲线，要有足够的实践项目来让你知道你学了这个东西能够干什么，否则很容易中途放弃。一个理想的学习材料要有足够多的例子，来帮助你理解那些晦涩的概念。先明确自己的目的，搭建好知识的框架，然后再不断地往框架中填充内容，螺旋式提升，百利而无一害。
自学课程很难坚持，那可以从project开始。比如，我想搭建一个机械臂，用电脑里的图形化界面控制，那就需要学控制理论、编程、3D打印、传感、单片机开发等等。这样的小项目在github上面有很多。
那重要的事情就变成了，想明白自己想干什么。
怎么想呢？多聊，多试。
要时刻记得，学习的目标是做出真正有价值的工作，而不是考个高分（当然考高分在本科阶段也重要）。
3 研究方向
热学
流体
材料
机器人
控制
精密制造/先进制造
4 Robotics
机器人是一个非常非常混杂的方向。它包括各种各样的研究内容，覆盖CS EE ME三个专业，对数学编程的要求都非常高，所以选择这个方向就要做好学更多东西付出更多努力的准备。但同时它也是一个非常有前景的方向。可以预见的是，假如在未来几十年里人类没有生物+计算机方向的巨大突破（实现虚拟生命），那机器人大规模走进现实就是必然。
有人说，机器人学是屠龙之术。因为他会教你很多很fancy的、很困难的技术，但你学很多年也很难自己搭建出一个大家心目中的那种像终结者一样的机器人。截止到2022年，大部分机器人算法、研究都只停留于实验室，离商业化还有一段距离。机器人在工业工厂中环境中的应用已有规模，但对于消费级的产品，商业化的案例几乎只有扫地机器人一个。这就造成了，市面上对口机器人的岗位特别少，甚至没有一个叫机器人工程师的岗位。你可能造过很多有趣的机器人，但面临找工作的时候还是很困难。
不好找工作的另外一个原因是机器人这个范围太大了。在一个公司中，一个高效的市场中，人们会把这些工作分成不同的岗位。比如设计电路板的就设计师，在板子上写代码的就叫嵌入式工程师，设计机械结构的就叫机械工程师，写代码的就叫软件工程师，而软件工程师中甚至还分负责开发的和负责算法的，他们也是完全不同的职责。
因此，在广泛的学习机器人各个领域的知识的时候，你还需要有一技之长。他是真正能帮助你找工作的。
机器人的研究主要分为几个部分：感知，认知，规划决策，控制。
感知主要研究如何用传感器的数据提取出有用的信息，怎么建立对环境的理解。比如计算机视觉，一幅图片给它，它能判断它是猫还是狗，现在的主流方法是深度学习。比如SLAM（Simultaneous localization and mapping），它能在机器人移动的同时给周围的环境建立一个地图，现在的主流方法是基于概率论的状态估计+雷达/摄像头数据。
认知研究提取出的这些有用信息要怎么样整合在一起，也就是我们常说的人工智能。比如当我知道眼前是一只猫之后，我就能够对它的其他特点进行判断，它可能会迅速跑走。当我从感知部分得到“一瓶可乐放在桌子上”的时候我就会知道当桌子倾斜，可乐就会掉下去。
当我建立起了对世界的认识，并且有一个任务的时候，我就需要做决策去实现目标。决策规划就研究怎么样做规划，能够更好地实现目标。比如机器人发现前面有一个障碍物，它就需要绕过障碍物走。
最后，控制就是当你有一个计划的时候，你要把它实现出来。比如你给电机的指令和它实际执行的指令之间总有一段差距，所以你需要通过设计你的控制算法来尽量减小这种差距。
路漫漫修远，这里是一个学长的规划，你可以照着这个规划自己的学习路径：
正是因为这是一个非常混杂的方向，所以本科的学习肯定是不够。如果你想要从事这个方向，你大概率会在本科结束后去到其他大学/研究所深造。
大部分地区的机器人的研究也确实是分布在CS EE和ME 3个专业下的，不同学校的研究不同系的研究各有侧重。只有比较少的学校，有单独的机器人实验室。那就贴几个链接吧。