抛开家境，如果你想在一个理工科专业做的很好，长期来看，那么有所侧重的跨学科发展一定是更好的；
但是如果你只是一个没有背景、天赋也一般的的小镇做题家，抱歉，你也许很难在不同的高水平大学和不同专业之间转换，一是难在认知，二是难在被录取，那么你应该深耕一个极其细小的点，在这个点上证明你是最好的，才能给自己创造更好的机会。
后来如果你想走的更远，那只能后面慢慢补其他学科的事情了。
首先，作为一个人来说，历史、金融、适当的营销学、你自己的那个专业、AI如何介入你的工作，这五块知识其实都是必须的。通过读历史来获得做人做事的智慧、通过学习财经来让自己了解这个世界、通过适当的营销把自己的产品和自己这个人推广出去……另外做重要的是，你自己的专业一定要有足够大的不可替代性。
这里容易搞错的一点是，以为AI就是一个和你来回对话的聊天窗口，那就大错特错了。AI的本质上是降低了使用各种计算机工具的门槛，让你更加容易成为一个超级个体，提高你的不可替代性。
另一方面，在你的专业里面也是一样，如今计算机行业卷到上天，其实在我的评论区里天天和我杠说计算机大于一切的人真的可以休息会了。毕竟我也知道计算机很不错，起薪很高，但是更加激烈的竞争下，能获胜、不被裁员、一毕业就拥有百万年薪的真的是你吗？时代的红利造就了马云马化腾，但是更多无名氏和他们做了同一个方向，最后变成了时代的眼泪。
在这个过程中，其实AI for Science是有非常广阔的应用场景的。这就需要你了解，科学事物的本质、很多具体的问题和好的计算机使用能力。这些手段几乎缺一不可，而且在很多时候可以做到奇效。
这里面，数学和物理是重要的理解方式，计算机是重要的做事方式，而生物医学是目前最大的问题来源的一个库。当然，如果你还能掌握更多的手段比如化学、材料等自然是非常好，只是普通人一般很难做到这一点。一般来说，计算机或者数学的本科，去做任何一个你感兴趣的理工科专业的（包括生化环材的）硕博是最理想的一种方式。
你会发现，这个时代几乎所有厉害的成果，背后都很难只有一种学科在起作用。未来的科研，大科学和多学科交叉是根本动力。
张峰，在Crispr的各种应用和理解里面，你很难区分他倒是是生物物理学家、生物学家、化学家还是生医工的专业。他也用到大量的计算机技术扶持他们的科学和产业化；
施一公，大家都知道他用冷冻电镜很厉害，但是你会发现如果要优化冷冻电镜，给grid加上石墨烯算材料和物理，优化三维重构的算法算是计算机，而纯化蛋白算生物和化学，本质上又都是生物甚至医学问题。他说的话里面包含了大量他学习人文社科的内容用于培养学生的过程中，让他变成了一个教育学家。
……
只是，普通人要精通这么多学科，而且学到什么程度如果没有高人指路，单靠自己是很难的。因此如果你是普通人，你需要的是把某一个点打透，卷到一百分。让大佬有能用你的时候，你才有机会可以继续学习跨学科的事情
其中材料科学和物理、化学、生物医学关系很紧密，而计算机几乎和什么都可以交叉，生物医学就是一个最大的问题库，让你永远不愁没有好的问题可以做。
不用再一味地鼓吹计算机等热门学科就是强无敌的最上位学科了，厚此薄彼脱离事物的规律，最终改变人类的AI，也是因为AI影响了各行各业，而不是AI本身就可以改变人类。
于是，或早或晚，人类都需要成为一个交叉学科的人才 才能真正解决实际问题，创造自己的不可替代性。