2025 AI 技术成长复盘：从机器学习到深度学习的实践思考

无监督学习：主要包括聚类（Clustering）和降维（Dimensionality Reduction）。其中降维（如 PCA）常用于简化模型的输入特征，去除冗余信息，让模型跑得更快更稳。

透过算法看本质，我认为机器学习在工程应用中，往往扮演着'软测量'的角色。它的核心价值在于：建立'容易测量的指标'与'难以直接测量的指标'之间的对应关系。我们利用特征（Feature）去逼近真相，无论是为了预测未来，还是为了分类现状。

为什么我们依然需要传统机器学习？虽然深度学习很火，但在实际落地（Deployment）时，传统机器学习依然是王者。相比于深度神经网络的'黑盒'和庞大算力需求，机器学习模型的参数量少、计算资源消耗低，非常适合部署在嵌入式硬件或边缘设备上，实现高效、实时的现场检测。

深度学习的理解

举一个卷积神经网络用于图像识别的例子。我们的大脑其实是在不断地提取特征：黄色的、方块形状、身上有洞、穿着方裤子……当这几个特征凑在一起，我们的大脑就反应过来了：'哦！这是海绵宝宝。'AI 的原理其实一模一样。

我们把很多海绵宝宝的照片输入给 AI，告诉它'这就是海绵宝宝'。AI 就会疯狂地在这些照片里找共同点（提取特征）。通过这种训练，它不断调整自己大脑里的参数。训练好了，它也能一眼认出：'这也是海绵宝宝！'所以 AI 的本质就是提取特征，换句话说，AI 的本质是'生成'和'模仿'，而不是从无到有的'创造'。

深度学习的本质，确实是一个不断提取特征（Feature Extraction）的过程。我们可以把它想象成一个漏斗：

1. 前端（特征提取）： 神经网络层层剥茧，将原始数据（图片、声音）中的关键信息提取出来。
2. 中端（Flatten & Projection）： 最后将提取到的多维特征'拍扁'，展开成一个特征长条（Feature Vector）。
3. 后端（高维变换与降维）： 这个特征长条随后被送入全连接层。通常，网络会先将其映射到高维空间（为了让数据线性可分，把纠缠在一起的特征分开），最后再降维映射到低维空间（比如分类任务的类别数），输出最终结果。

刚入门深度学习时，很容易陷入一种'按部就班'的误区：做视觉只学 CNN，做时间序列死磕 RNN/LSTM，做 NLP只看 Transformer。这种想法虽然能解决问题，但很容易遇到瓶颈。现在，我们需要站在更高的维度去理解这一切。神经网络不应该被名字框住，它本质上就是一个处理张量变换的机器。

核心结论：深度学习最重要的就是把特征工程数据表示（Data Representation）——即如何把你手头的实验数据（无论是水质指标、光谱数据还是图片数据），优雅地翻译成计算机能理解的张量表示。

万物皆可'张量'

我们在实验室里拿到的数据五花八门，有图片、有波形、有表格。神经网络不挑食，但它只吃一种格式——张量 (Tensor)。

• 图片数据的张量表示： 一张拍摄活性污泥的显微镜照片（RGB 彩色），大小是 224*224。在计算机眼里，它就是一个 (3, 224, 224) 的立方体数据块。
• 光谱数据的张量表示： 测量的近红外光谱（NIR），横坐标是波长，纵坐标是吸光度。如果扫了 1000 个波段，它就是一个长度为 1000 的长条向量。
• 分子/化学结构的张量表示： 水分子 (H₂O)。方法 A（图神经网络 GNN）：把它看作三个节点（原子）和两条边（化学键），用邻接矩阵表示连接关系，用特征矩阵表示原子属性。方法 B（序列）：用 SMILES 编码（如 O 代表水），转化成类似文字的 One-hot 编码。
• 单词/文字的张量表示： 比如'污水'这个词。计算机不认识字，但我们可以查字典（Embedding 层），把它变成一个长度为 512 的向量。在这个向量空间里，'污水'和'废水'的距离很近，和'牛奶'的距离很远。

多模型协同与多模态融合

深度学习 (DL) 是顶级的'眼睛'，机器学习 (ML) 是顶级的'逻辑脑'。

为什么这么做？ 深度学习（如 CNN）极其擅长特征提取，能从乱糟糟的图片里找出规律；而传统的机器学习（如 XGBoost、SVM、随机森林）在数据量没那么大时，分类和回归的效果往往更稳、解释性更强。

举个栗子，预测污水处理厂的出水 COD。 第一步（DL）：用一个 CNN 处理进水口的视频监控画面，它不直接输出结果，而是提取出一个描述'水面波动和颜色'的特征向量（比如 128 维）。 第二步（ML）：把这个特征向量，连同传感器测到的 pH 值、温度，一起喂给 XGBoost 模型。这样 XGBoost 综合了视觉特征和数值特征，给出了一个精准的 COD 预测值。

单一的数据源就像'盲人摸象'，多模态则是'眼观六路，耳听八方'。就是把不同性质的数据（图片 + 文字，声音 + 图像，传感器 + 视频）结合起来一起训练。

例如蓝藻水华预警系统，预测某个湖泊或水库未来 24 小时内是否会爆发蓝藻水华。

• 模态 A（视觉 - 宏观）： 无人机拍摄的水面航拍图或卫星遥感图。使用 CNN 提取水体表面的颜色特征和纹理特征。
• 模态 B（时序 - 微观）： 水下传感器监测的水温、总磷、总氮的时间序列数据。使用 LSTM 或 GRU 提取水质参数的变化趋势。
• 模态 C（文本 - 外部环境）： 气象局发布的天气预报文本。提取特征：使用 Transformer/BERT 处理文本，提取气象条件。

融合效果：如果只看传感器，总磷高不一定爆发水华；如果只看照片，水变绿可能只是树的倒影。多模态融合后，模型综合了'营养够了'+'天气给力'+'苗头已现'，从而给出极高准确率的红色预警。

AI 算法工程师的五重境界

我觉得 AI 可以分成这几种境界：

1. 武夫： 学会了 Python 和 PyTorch。
2. 金刚凡境（工程）： 能做完整的工程项目。
3. 自在地境（算法）： 能为特定问题定制算法。
4. 逍遥天境（领域）： 在某个细分领域做到极致/SOTA。
5. 神游玄境（开创）： 开创全新的领域或流派。

未来展望

2026 年，又是一个新的起点，新的一年，我对 2026 年的一些期望：

1. 巩固基础，把几大神经网络复习一下，把所有网络的实战项目再手搓一遍。针对我现在做的时间序列任务，多做些自己的网络结构。
2. 下个学期选深度学习和强化学习的课程，之前基本上都是自己学习，学校的老师都超级厉害，希望可以学到更多的东西。
3. 写更多高质量博客，争取阅读量破 100W+。
4. 努力做好学术研究，争取可以早出一点科研方向的成果，也希望自己的科研成果可以真正的落地应用。
5. 最后一个愿望希望爱我的人和我爱的人都可以平安喜乐。

给大家分享一句最喜欢的诗句吧：我们准备着我们准备着深深地领受那些意想不到的奇迹，在漫长的岁月里忽然有彗星的出现，狂风乍起。新的一年希望大家的生活中都会有彗星的出现和意想不到的奇迹。

致谢

在技术社区写了这么多代码逻辑，今天想写写代码背后的人。一个计算机学生的成长，除了自己的努力，更离不开导师们的指引。回头看这四年，我是如此幸运，遇到了这几位'神仙老师'。

• 刘老师： 既是我的本科论文导师，也是核心专业课的任课老师。在我从'经管'转到'计科'最迷茫的时候，是他无私的指导让我稳住了阵脚。他的课是必须要抢的，他的指导是必须要听的。
• 洪老师： 带我入门 C 语言和强化学习（RL）。他是我目前遇到过授课水平最高的老师。他让我明白，编程不仅仅是工具，更是一种思考世界的方式。希望未来我也能成为一名像他一样，眼里有光的老师。
• 石老师： 大二大三时，信任地把学院团队队长的重担交给了我。她是一点点教我怎么打比赛、怎么带团队的。除了搞科研，石老师最可爱的点是经常带我们出去团建吃好吃的！
• 吴老师： 中科院大气物理所的宝藏导师。超级有实力且对学生超级好。如果有学弟学妹想报考吴老师的研究生，或者对大气物理+AI 交叉方向感兴趣，欢迎交流。

计算机不是一座孤岛，代码可以定义世界，但朋友才能温暖生活。特别感谢每一位认真写下评论的你。在后台看到大家暖心的留言，真的超级感动！这是对我的认可，也是我未来可以改进的方向。未来的日子里，希望我们能继续在技术社区并肩作战。博主会继续努力，为大家带来更多硬核干货。