从认知地基到前沿突破，一条可执行的自学路径。
覆盖理论根基、算法体系、大模型全栈、工程落地与产业战略视野。
开始系统学习前，先破除偏见、了解赛道、确立方向。这些内容帮你回答"我适合走哪条路"。
诚实面对智商差距 + 四大突围路径 + 人生发现阶段指南 + 全岗位薪资/强度/环境真实数据。AI 行业 90% 岗位不需要天才。
全量认知地图法 + 高中三年行动计划 + 大学双轨详解（研究路线 vs 应用路线）。含选科建议、暑假规划、自问清单、院校推荐。
四层产业共识：算力瓶颈与泡沫本质、企业落地性价比、传统软件为何不会被取代、人才与教育方向。穿越幻想回归 ROI。
竞赛金字塔（CSP→NOIP→省选→NOI→IOI）、训练时间线、核心算法技能体系、NOI→AI 能力转化对照表。
FRC/VEX/RoboMaster 三大赛事对比、机械+电子+编程三合一体技能体系、NOI vs 机器人终极对比。
厘清包含关系是入门第一课。AI 是大愿景，ML 是实现路径，DL 是当前最有效的一类 ML 方法。包含 5 篇深度子页面：AI完整版图、ML范式革命、DL奥秘、三代对照、决策框架。
参数 → 自回归 → Token → 概率。大模型本质是"文字接龙"——基于上文语境，通过数学公式计算概率，精准预测并输出下一个 Token。
为什么 GPU 是大模型的命根子？CPU = 一个数学天才一次做一道，GPU = 一千个小学生同时做一千道。理解并行矩阵乘法的核心地位。
每个参数是一个可调整的小数（如 -0.847、0.003）。7B 模型有 70 亿个这样的旋钮。从 FP32 到 INT4 量化，理解参数如何存储与优化。
现代 AI 竞争早已脱离单纯"参数量堆砌"。行业共识转向"能力密度"——通过算法优化让每一个参数蕴含更高的智慧与效率。
一张图看懂机器学习全貌：监督/无监督/强化学习、传统算法、深度网络、前沿分支的完整版图与概念索引。
数据是燃料，模型是引擎，算力是跑道。理解三者的相互制约和协同关系，是所有 ML 工程决策的出发点。
线性回归 → 逻辑回归。从预测连续值到判断概率，理解"从回归到分类的思维跃迁"中损失函数的关键角色。
决策树 → 随机森林 → XGBoost。从一棵树到一片森林，再到极致工程优化的梯度提升。理解 Bagging 与 Boosting 的核心思想。
支持向量机的数学直觉：在高维空间中找到最优分类超平面。核技巧的优雅与威力。
最近邻分类、均值聚类、密度聚类——同一个"距离"概念，三种截然不同的应用范式。
归一化、标准化、类别编码、特征交叉。降维视角：PCA 的方差最大化，t-SNE 的可视化魔力。
交叉验证、混淆矩阵、ROC/AUC、精确率与召回率。过拟合的诊断与正则化治疗（L1/L2/ElasticNet）。
Pipeline + ColumnTransformer，构建可复用的端到端 ML 工作流。从数据预处理到模型部署的一条龙自动化。
前向传播的层层变换、反向传播的链式法则、梯度下降三种变体（SGD / Momentum / Adam）。激活函数为何必须非线性。
卷积核就是"模式探测器"——边缘→纹理→部件→对象。经典架构：LeNet → ResNet 残差飞跃 → EfficientNet 效率哲学。
循环神经网络的记忆困境，门控机制的优雅解决方案。理解为什么 RNN 最终被 Transformer 取代。
Self-Attention 直觉、Multi-Head 分工、Positional Encoding。从"Attention Is All You Need"开始的范式转移——RNN 是排队发言，Transformer 是同时举牌打分。
混合专家模型——"以数学补物理"的关键技术。稀疏激活让参数规模暴涨的同时计算成本可控。中美在 MoE 路线上各有千秋。
GAN 的博弈之美（生成器 vs 判别器）、VAE 的隐空间优雅、Diffusion 的渐进生成哲学——从随机噪声到逼真图像的一步步去噪。
学习率调度（Warmup + Cosine）、BatchNorm vs LayerNorm 适用场景、Dropout 的集成学习视角、迁移学习的实践智慧。
Tokenizer（BPE/SentencePiece）→ Embedding（词向量到上下文）→ Transformer 层叠 → RLHF / DPO（对齐）。每环节的设计决策都影响最终能力。
从裸数据到 AI 助手的完整管线。预训练（Tokenization → 数据处理 → Scaling Laws → 成本估算）+ 后训练（SFT → RLHF/PPO → DPO）。基于斯坦福 CS 讲座内容深度扩展。
跟随讲者原话走进 LLM 训练管线。保留即兴问答、精妙比喻和独特洞察（BPE 彩色演示、SFT 幻觉假说、数据净化七步）。每段附扩展解读。
Transformer 论文原作者 Llion Jones 提出的新架构：把时间还给神经元。技术原理、硬件困境、地缘格局、中国布局——一场可能重构 AI 产业价值链的范式颠覆。
5 篇深度子页面：AI完整版图、ML范式革命、DL奥秘、三代实战对照、ML vs DL决策框架。建议在深入 LLM 前完成。
给 LLM 装上"外部记忆"。向量数据库 + 语义检索 + 上下文注入。解决幻觉问题的最实用方案。含完整架构图与代码示例。
从"问答机"到"能干活的助手"。Function Calling、ReAct 模式、多 Agent 协作。OpenClaw 本身就是学习 Agent 架构的最佳样本。
CLIP 的对齐魔法、GPT-4V 原理推断、文生图/文生视频技术栈。图像和文本在同一个语义空间中的相遇。
Few-shot / Chain-of-Thought / 结构化 Prompt / System Prompt 设计。把模型从"随便回答"调教成"精准输出"。提示工程是每个 AI 从业者的基本功。
MMLU、HumanEval、Chatbot Arena Elo、GSM8K 等主流基准。理解评估指标背后的设计哲学与局限性。知彼知己，百战不殆。
全量微调 vs 参数高效微调（PEFT）的取舍。LoRA 低秩分解原理、QLoRA 量化加速、实际场景中的选型决策。
顶尖模型综合评分差距已缩至微小。国产模型在长程任务、硬核编程等赛道实现单点反超。ICLR/NeurIPS Oral 论文占比仍是差距指标。
ArXiv 速览 → 摘要筛选 → 方法精读 → 实验复现。追踪 ICLR / NeurIPS / ICML / ACL。每月精读 1 篇，建立"论文嗅觉"。
量化（INT8/INT4/GGUF）、vLLM 的 PagedAttention、投机采样、Flash Attention。让大模型在消费级硬件上也能跑起来。
FastAPI + Docker 部署推理服务。批处理优化、请求队列、负载均衡。把训练好的模型变成可调用的 API。
实验追踪（MLflow/W&B）→ 模型注册 → CI/CD 流水线 → A/B 测试 → 线上监控与告警。机器学习工程化的完整闭环。
数据采集、清洗、标注到特征存储。Garbage In, Garbage Out 的永恒真理——数据的质比量更重要。
轻量高性能，Rust 编写，Docker 一行部署。向量分片、过滤、降噪去重。含 Python 代码示例。RAG 项目首选向量存储。
节点+关系+属性，储存逻辑脉络而非数据罗列。Cypher 查询 + 知识图谱。多跳查询毫秒级响应。
向量库做"像不像"，图库做"通不通"。普通 RAG 只需向量库，高阶智能需两者联动。含三维决策指南。
选一个你关心的领域（教育/自动驾驶/内容生成/A股量化），走完数据→训练→评估→部署完整闭环。代码比笔记更诚实。
国家推动 AI 与产业、文化、民生深度融合。AI + 教育、AI + 医疗、AI + 金融、AI + 制造——跨学科视角是未来 AI 人才的核心竞争力。
RLHF/DPO 的对齐原理、红队测试、越狱攻防、数据隐私保护、算法偏见治理、生成内容合规。技术狂奔的同时必须筑牢伦理屏障。
中国《生成式 AI 管理办法》、欧盟 AI Act、美国行政令。理解各国监管思路的差异与产业影响。合规是 AI 产品的生命线。
"师—生—机—环"四元互动的教学生态。理解 AI 教育从基础教育到高等教育的贯通设计，把握时代趋势。
HuggingFace / GitHub / ModelScope 的开源力量。理解开源对 AI 发展的推动作用，学会参与和贡献。一个人的力量有限，社区的力量无穷。
AI 领域半年一大变。如何建立信息渠道（Twitter/X、Reddit r/ML、ArXiv、公众号）、保持技术敏感度、规划下一步学习方向。
每月精读 1 篇顶会论文
从读懂到复现
每阶段 1 个完整项目
代码比笔记更诚实
本周学了什么
卡在哪里 下周计划
费曼学习法
教别人是最好的学