AI · 学习路线¶

时间紧时

先做快速入门，再按本页三轮补全。速成覆盖第二轮的共享基础和一个部署作品。

知识地图负责覆盖，路线负责取舍。结合你已有的数学、信号处理、几何与嵌入式背景，先查缺口，再做一次连续实现，随后选择一到两个跨方向体验。

分三轮推进¶

轮次	内容	主资源与范围	完成标准
第一轮 · 全貌	AI 首页 + 各模块概念表 + 前沿索引	只读输入输出、目标、关系与局限；约 1–2 周的选读	看见一个术语能判断它是架构、学习目标、任务还是系统方法
第二轮 · 共享基础与一次实现	P0 数据/优化/评估，按需补 PyTorch	已有 Karpathy/F4 主线；基础够用时跳过重学；约 2–4 周参考	独立跑训练/验证，改一个因素，解释模型与结果
第三轮 · 选一到两个体验	视觉表示、生成、图、RL、科学 AI 中选择	每个方向只跟一个官方例子；不并行完整上多门课	用结果和兴趣选择求职深入方向

时间是规划参考，按实际缺口和可用时间调整。第一轮不要求先学完概率图、拓扑、SDE、完整 SLAM 或大规模预训练。

项目	入口	前置与设备	应得到的经验
AI-1 · 简单基线	基础	Python、数据划分；CPU	过拟合、指标与数据泄漏
AI-2 · 表示迁移	表示	F1 等价训练能力；GPU 更方便	冻结/微调、标签量与域偏移
G1–G3 · 几何与生成	生成专题	G1 可 CPU；G2/G3 需概率与 PyTorch	数据几何、去噪、向量场与采样
AI-3 · 小图 GCN	图学习	图概念、PyTorch；小图 CPU	关系结构、图划分与基线
AI-4 · CartPole	决策学习	MDP、训练循环；CPU 可起步	交互、探索与重复评估
AI-5 · 信号/物理实验	科学 AI	时间划分；算子/PINN 后续	衔接已有研究，验证物理与泛化
AI-6 / AI-7 · 系统与可靠性	工程 / 评估	复用以上任意模型	测性能、可靠性与实际局限

对你的默认建议：先完成共享基础自查与 F4 小实现；然后在 AI-2 和 G2/G3 中选一个，在 AI-5 或具身 E3 中选一个。图或 RL 若更感兴趣可替换。AI-6/AI-7 是已有项目上的检查，不再新增一个大项目。

主线基石 · 概念与纯手写实现

李宏毅导论打通全局视野；Karpathy Zero to Hero 亲手写出小型 GPT。已会内容自测跳过。

访问 Karpathy 系列
视觉与表示 · CS231n 2026

只选读对应卷积、残差连接与自监督讲次，使用公开讲义补齐表征视角，不强制通刷作业。

查阅 Stanford 课表
几何与生成 · MIT 6.S184

一套讲义与 Labs 串通扩散、流匹配与潜空间 ODE 演化，避免在多套符号与代码间切换。

访问主课与 Labs
专精方向 · 图 / 强化学习 / 科学 AI

选定深入方向后再进入对应主课（CS224W / David Silver / NeuralOperator），其他保留知识定位。

查看体验项目池

全貌和至少一个实现完成后，对照 3–5 个真实岗位，比较兴趣、可迁移能力、算力/设备与可展示成果。选择一条主线做持续改进，而不是把“认识术语”写成“掌握技术”。

LLM 后训练、RAG、Agent、推理系统沿基础模型路线；VLA、控制与迁移沿具身路线。