更新日志

  • 2026.04.14：优化为 2026 版，彻底重构架构，相对隔离了 AI 科研、AI 应用、Python 前后端以及数据分析
  • 2026.02.07：增加必要的考核，并且去除考核内 AI 参与撰写的文档
  • 2026.01.15：补充一些细节，修正一些语句以及 markdown 格式
  • 2025.10.19：初稿完成

思考

趁着睡不着觉，大概谈谈西二 AI 的考核设计思路，以及自己对 AI 学习路线的思考。

有些人可能觉得 2024 西二 AI 的考核路线学的太注重 oop，过于底层，“学院派”，没有应用。作为 2024 西二 AI 考核的亲历者，我深刻认识了这些，并且下定决心探索一条适合的学习路线，为后来者开路。

首先必须明确的是，24 的西二 AI 考核是合理的。这是一次大胆探索，相比再前两年 AI 组初次开组时的考核，在结构上更完整。23 年考核更注重 AI 应用，对底层思维训练相对不足。

2026.01.15 补：事实上，放在 23 年的环境下，这样的考核是合理的，但是随着时代的发展，AI 库封装的完善，当时的考核放在现在，只是调一个语句的事情。

2026.04.14 补：经过 26 版的修改，才意识到应该相对隔离 AI 科研、AI 应用、Python 前后端以及数据分析，毕竟这些方向的能力结构差异较大，混在一起反而不清晰了。24 版的专注于 AI 科研，而经我第一版构建的 25 版反而杂糅。

事实上，23 版的作业也算是 AI 科研，当时还没有那么成熟的库。

并且当时学习和参考资料极其匮乏，24 的组长为之添加了诸多详实的材料，我的工作也不过是基于他的基本路线，优化考核的难度曲线，以及补充一些对应用相关的部分。

这几个月在看 go 组的考核，并且目前也亲手写了前四个 task。go 组的考核经过重构后，变得极为合理，路线明朗。

第一二轮的语法基础和爬虫是标配，这不必多说。第三轮就是使用现代框架 hertz 写一个简单的备忘录 demo，第四轮则是实现一个丐版抖音，第五轮是把抖音升级为微服务架构。

更后面，就是写 mit6.824（已更名为 mit6.5840，25spring 的 golang 版本采用的是 1.23.5），这是一个分布式集群的项目，是可以写在简历上的。

以及再然后，西二这边会组织开源活动，参加过开源活动后，你手头的简历已经非常牛逼了，再准备一下算法和八股，投中小厂实习手到擒来，再凭借着中小厂实习以及开源的经验，暑期实习进大厂就是板上钉钉的事情，几个月后实习转正，大厂得手。

这一整个过程大约耗时 2-3 年，可以看到，go 考核路线清晰明确，从初学到项目，到开源最后到实习，大厂，清晰明确。

那么对于 AI 呢？

首先，AI 并不像后端那样，它并不是很成熟的东西，充满了未知性。市面上的学习路线庞杂不堪，而且没有清晰的导向，来说明你整条路线到底最后是去干嘛的，是去搞 AI 应用，还是去做 AI 科研，这两者就已经有很大的不同。

其次，AI 卡学历，一个研究生的学历是最基本的。在福大这样的 211 下，保研既困难，也不困难。你如果是计科的，那有福了，保研线非常高，虽说一旦保研就基本厦大到手。若是软工或者其他小类，算是还好，但 5 % 的 985 保研率也是很难的。我现在在这里说如果是想搞科研的，保或考福大研也不错，小登们肯定目前是听不下去的，当然也有像本人这种学历不甘是福大的。

对于考研，如果是考外校 985，通常需要花费 9-11 个月，每天 7h+ 的学习，如果是考本校，通常是 6-7 个月，每天 7h+ 的学习。试想，对于 all in AI 的来说，如果保研没得保，考研又没考上，那有福了，虽说福州这边基本你是福大的就要，但是 7k 的薪资不是开玩笑的，这也是本人为什么选择在今年 7 月开始学习 golang 的原因之一，起码考研没上岸，还稍微有点能力去挣扎一下。

最后，AI 目前处于红利期，未来的发展很不确定。目前 AI 对于算法这块的进展没什么很大的突破，架构基本都源自于 2017 年的 transformer，这几年 AI 蓬发的原因是硬件进步。然而刚开始的竞争还在优化算法，现在的竞争都变成堆卡了。谁的卡多，谁训练的模型久，谁得出的效果就更好。

此外，还有一点我非常担忧的，AI 的顶层封装的太完善了，这是一件好事，也是一件坏事。pytorch 已经封装的很好了，pytorch 上面还有一层 transformer 库，transformer 库上还有继续 hugging face 封装的各种插件。而这些，你是不需要去学习前置知识的，只需要看文档，即使看不懂也无所谓，然后调库即可。

放弃思考，直接调库。

我不说一个其他方向精通的人想转 AI，就说即便是其他理工科专业，甚至是文科专业的人，想去直接学这些顶层的是非常简单的。因为你不需要去理解背后的反向传播，矩阵偏导，数学原理到底是什么，也不需要去了解什么是 softmax，什么是卷积，甚至不需要去了解什么是 transformer。他们只需要阅读文档，知道这个技术大概是做什么的，有什么效果的，然后调用，调参，就能达到很好的效果。

我不说一个其他方向精通的人想转 AI，就说即便是其他理工科专业，甚至是文科专业的人，想去直接学这些顶层的是非常简单的。因为你不需要去理解背后的反向传播，矩阵偏导，数学原理到底是什么，也不需要去了解什么是 softmax，什么是卷积，甚至不需要去了解什么是 transformer。他们只需要阅读文档，知道这个技术大概是做什么的，有什么效果的，然后调用，调参，就能达到很好的效果。

那么从最底层开始往上学到底有什么效果呢，我不禁思考，如果有一条捷径摆在我眼前，能立刻出结果，出成果，我会不会走？

答案是否定的，至少现在，我不会。曾经的我也是会在数据机构课上大放厥词，说这课一点用都没有，背后的底层机理学来干嘛，直接掉stl库不就好了，但是这样的提升对自身毫无帮助。

尤其要记住，我是，当然你也是，是 cs 学生。若是不了解底层，你和其他专业的学生没有任何区别，只是会使用工具，你完全不懂背后的原理。

不懂底层，同时也意味着—可代替性极强。

此前和一些人争论到底要不要直接学顶层的问题，现在想来也争累了。我在这里下个结论：

如果你想真正的做科研，做产品，完成端到端的交付，清晰明了的掌握每个环节的实现，那你应该从底往上学。

如果你只是想打一些比赛，看顶层就够了。

2026.04.14 补：关于从底往上学，这个论证其实是有问题的。我在当时并不能完全理解 AI 应用是什么，只是以为 AI 应用是要做一个聊天机器人。

但是真正的 AI 应用事实上是后端 / 运维的分支，也就是你得掌握这两方面知识之后才是锦上添花。具体的我在 26 版 application1.md 刚开始写的很详细了。

包括下面所说的一些论证，放在现在的环境下有失偏颇。

讲到这里，又回到之前的那个问题，学习路线上来。那么无论是你未来要做 AI 应用 还是投身科研，基础都是必要的。

而西二 AI 考核路线要求的，只是基础。学完了那些基础，你就拥有了可以阅读任何一篇顶会，复现论文代码的能力，也能快速深层次理解更高层的封装，方法，和学习部署 AI 应用的能力。

这段话写的很高大上，其实意思就是—

你学完了考核的要求，恭喜你，AI 基础学完了。

是的，只是基础，而且只是理论基础。所以我才想着在考核结束后面继续加东西，并且补充考核间的应用，而不只是写一个公开课就了事，其他什么都不管。

AI 需要的前置知识太多了，不像其他语言那样那种，面向对象面向用户的应用居多，AI 的本质其实是数学，是算法。

……

（后文待有时间迁移）