高中三年是为未来铺路的黄金窗口。不需要现在就学 AI，但需要积累三样东西：扎实的数理基础、对 AI 的真实兴趣、以及"我适合走哪条路"的自我认知。
无论走哪条路，数学是 AI 唯一硬通货
判断自己是真喜欢还是叶公好龙
AI 的前沿 99% 是英文
研究型还是应用型？不需要定死但要思考
████████ ← 未知 ▓▓▓▓████ ← 刚点亮一小块 ████████ ████████
一章一章学，学完才知道全貌。永远在"探索未知"，迷茫"学这个有什么用"。
┌──数学全貌──┐ │代数│几何│函数│ │数列│概率│导数│ └────────────┘
先铺开整张地图，三年学习是在已知版图上"逐步点亮细节"。主动、清醒。
💡 核心洞察：人脑天然倾向于先建立"框架"再填充"细节"。没有框架的知识就像没有书架的散页——有框架后每个新知识自动归位，记忆效率提高数倍。学霸的秘密不是更聪明，是他们脑子里早就有一张地图。
初中数学
│
├── 1. 代数深化（高一上）— 集合、不等式 → 打语言基础
├── 2. 函数王国（高一） — 指数/对数/三角 → 数学的"动词"
│ ↓
│ 导数（高二/三）→ 函数的"显微镜"
├── 3. 几何世界（高一/二）— 立体几何 + 解析几何
│ ↓
│ 向量 → 几何的"翻译官"
├── 4. 数列与递推（高二）— 模式识别的数学语言
├── 5. 概率统计（高二/三）— AI/ML 的数学根基
└── 6. 选修拓展（高三） — 极限、复数 → 大学数学预告片一句话：高中数学不是零散三十章，是六大板块拼成的一幅画。函数是核心线索。
台阶 1：运动学（高一上）→ "怎么动？" — 描述，不追问原因
台阶 2：力学（高一） → "为什么动？" — 牛顿定律 + 能量守恒
台阶 3：电磁学（高二） → 从"看得见的力"到"看不见的场"（认知飞跃）
台阶 4：热学与波动（高二/三）→ 微观粒子行为 → 量子力学直觉
台阶 5：近代物理（高三）→ 相对论、量子力学初步 → 打开新世界一句话：从"看得见的运动"逐步深入到"看不见的场和粒子"，每级台阶建立在前一级之上。
第一层：微观结构（贯穿）→ 原子→周期律→化学键 → "为什么有这些性质？"
第二层：变化规律（高一/二）→ 速率→平衡→氧化还原 → "反应怎么发生？"
第三层：物质世界（贯穿）→ 无机物→有机物→材料 → "有哪些物质？"一句话：结构决定性质，性质决定反应，反应产生产物。每章都在三层之间穿梭。
传统：知识点 → 知识点 → 知识点 → 考完后"原来如此"
全量：全局地图 → 点点点 → 地图越来越清晰
↑
每学一个点，都在地图上插一面旗
三年后：一张完整地图 > 一堆碎片记忆| 维度 | 行动 |
|---|---|
| 数学 | 跟紧课内，额外做竞赛思维题 |
| 物理 | 认真学力学电磁学，看 3Blue1Brown |
| 英语 | 每天 20 词 + 读科技新闻 |
| 编程 | Python 写几个小项目（爬虫/游戏） |
| 探索 | 看 AI 科普视频，玩 ChatGPT |
| 维度 | 行动 |
|---|---|
| 数学 | 接触微积分直觉（导数/极限） |
| 编程 | 数据结构基础 + 30 道 LeetCode Easy |
| AI | 日常用 ChatGPT，理解 prompt |
| 竞赛 | 有余力参加 NOIP 或数学竞赛 |
| 阅读 | 读技术博客（机器之心、知乎 AI） |
| 维度 | 行动 |
|---|---|
| 数学 | 高考冲击 140+ |
| 物理 | 高考冲击 95+ |
| AI | 每周 30 分钟保持手感 |
| 心态 | 不焦虑别人开始学 ML |
| 工具 | 用 AI 整理错题、翻译 |
覆盖所有理工专业，走医学 AI、生物信息学的最佳组合。
物化绑定后可灵活选第三科。绝大多数 AI 专业要求物化。
如果化学实在学不动。但 AI 方向强烈建议选物理。
⚠️ 想走 AI 方向，物理几乎是必选。越来越多学校要求"物化绑定"。物理不仅是高考科目，更是未来"物理智能"时代的入场券。
两条路不是"高端 vs 低端"，而是"不同角色"。
看公式比看代码更兴奋
"为什么这样 work？"
一个课题做 2-3 年不放弃
GPA 前 5%，有竞赛最佳
想做教授/研究员/首席科学家
本科：数学 > CS理论 > 物理 > 统计/运筹
研究生：博士首选，顶级导师 > 学校名气
海外：美国 Top 20 / ETH / 剑桥 / 清北中科院| 能力 | 要求 | 训练方法 |
|---|---|---|
| 数学 | 线代、概率、优化、信息论 | 啃经典教材+习题 |
| 论文 | 读得懂、写得出、讲得清 | 每周精读 1 篇顶会 |
| 编程 | PyTorch/JAX，能复现 | 复现 10 篇经典论文 |
| 研究嗅觉 | 知道什么方向有前途 | 跟踪顶会+跟导师聊 |
大一-大二 → 数学+Python+入门 ML
大二-大三 → 进实验室，发第一篇论文
大三-大四 → 独立课题，冲刺顶会
博士阶段 → 建立学术声誉
最终 → 顶级 Lab / 高校教职| 梯队 | 院校 | 优势 |
|---|---|---|
| T0 | 清华、北大 | 全方向，资源碾压 |
| T1 | 上交、浙大、中科大、南大 | 各有所长 |
| T2 | 华科、北航、哈工大、西交 | 性价比高 |
| 特色 | 中科院自动化所/计算所 | 纯研究环境 |
"能解决什么"比"算法多优雅"重要
享受搭系统、调 bug
对医疗/金融/制造有热情
想看到产品被人用
能算清 ROI
核心工科：CS > 软工 > 自动化 > 电子信息
⭐ AI + X（强烈推荐，赛道不拥挤）：
医疗 · 金融 · 机械/车辆 · 农业 · 法律 · 设计/艺术
黄金公式：AI 能力 + 行业深度 = 跨界竞争力| 能力 | 要求 | 训练方法 |
|---|---|---|
| 编程工程 | Python + 后端 + 框架 | 做项目、打比赛 |
| ML/DL 应用 | 会用不一定会推导 | Kaggle + 实际业务 |
| 系统设计 | 设计完整 AI 产品 | 从 0 搭 RAG 系统 |
| 行业知识 | 深入一个垂直领域 | 实习、行业研究 |
| MLOps | 部署、监控、迭代 | Docker/K8s 部署 |
大一-大二 → 编程 + 数据结构 + 数学够用
大二-大三 → ML/DL + 项目 + Kaggle
大三-大四 → 实习！(比上课重要)
毕业 1-3 年 → 深耕一个场景
毕业 3-7 年 → 带团队/架构师| 梯队 | 院校 | 特色 |
|---|---|---|
| T1 | 清华、浙大、上交、北航 | 业界认可度最高 |
| T2 | 华科、成电、西电、东南 | 性价比极高 |
| T2 | 北邮、南邮 | 通信+AI，就业导向 |
| 维度 | 研究路线 | 应用路线 |
|---|---|---|
| 占比 | ~1% | ~99% |
| 使命 | 创造新算法/架构 | 解决实际问题 |
| 学历 | 博士几乎是门槛 | 本科可入行 |
| 数学 | ⭐⭐⭐⭐⭐ | ⭐⭐ |
| 编程 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 核心竞争力 | 论文、学术声誉 | 项目、行业理解 |
| 职位 | 研究科学家、教授 | ML 工程师、AI PM |
| 收入天花板 | 极高 | 高 |
| 职业风险 | 高 | 中 |
大学最值钱的不是学了多少课，而是找到了自己适合什么。
研究路线和应用路线没有高低之分。中国 AI 行业缺的不是发论文的人，缺的是能把 AI 真正用起来的人。
不确定走哪条路 → 先走应用。从应用转研究难，从研究转应用容易。
对高中生来说，最重要的三件事：数学要稳、英语要好、编程要早。这三样到位，大学选哪条路都有底气。