引言
作为一名人工智能专业的研究生，回顾 2025 年，这是充满挑战与蜕变的一年。站在年末的节点回望，我想记录下这段旅程：个人成长历程，以及在学术、创作方面的突破，分享如何平衡个人生活与技术探索的经验。
学业与成长之路
转专业与基础夯实
很多人问我是否天生就是技术大佬，其实并非如此。大学四年前四学期 GPA 3.64，加权平均分 88.87，综合测评班级第一。43 门课取得满绩点，占课程总数的 55%。
大一上学期我还在经济与管理学院，出于对技术的向往，大一下决定转专业到计算机科学与技术学院。转专业过程堪称'地狱难度'。当时对编程的理解几乎为零，甚至电脑基本操作都不利索。更麻烦的是，因为转专业，错过了大一上的《C 语言》基础课，直接开始学习《C++》和《数据结构》。面对晦涩的指针链表，我采用了一种看似最'笨'但最有效的方法：死记硬背。我把书上所有的代码，一行一行地刻在脑子里。当时我就在想：'如果有一个平台，能有人把这些天书一样的代码讲得通俗易懂该多好？'这也成了后来坚持写'保姆级教程'的初衷——因为我淋过雨，所以想给后来人撑把伞。
事实证明，笨鸟先飞是有用的。那个学期，我拿到了班级第三。除了硬啃代码，大一也是我身体机能的'最佳版本'：早睡早起，坚持运动。那种高度自律的生活节奏，让我能时刻保持最佳状态去更新自己的知识库。
大二期间，为了补修大一欠下的技术债（比如 C 语言），每天满课的状态简直是在对我的大脑进行极限压力测试。幸运的是遇到了很好的老师，他不仅教我 C 语言，更是强化学习的引路人。正是因为遇到了能把底层逻辑讲得透彻的导师，我才在那个最累的学期，依然保持着对代码的热爱。由于有些课程冲突，大部分时间我在 B 站看课程，然后针对难理解知识点整理笔记。
大三阶段，正式拜入导师门下，开启科研'炼丹'之路。我们团队一头扎进了计算机视觉（CV）与深度相机的研究中。那是一段痛并快乐着的时光。快乐在于攻克算法的成就感；痛苦在于算力限制。当时实验室没有高性能 GPU，只能在云平台上按小时租赁。对于学生党来说，每一分钟流逝的都是真金白银！为了省钱，我经常要熬到深夜，等模型一跑完立马停止计费。那一阵子，我几乎成了实验室的'守夜人'，直接睡在工位旁，伴着机箱的轰鸣声入眠。但也正是这些熬夜'守'出来的经验，让我积累了大量关于 Linux 环境配置、云端算力调度、模型轻量化的实战技巧。
大三这一年，核心关键词从开发者升级为 Leader。担任学院 e 智团队队长，从纳新到手把手教萌新配置环境、Debug，再到带领大家攻坚科研项目。看着学弟学妹们从小白变成竞赛大佬，拿奖拿到手软，那种满足感，比自己拿了满绩点还要爽。
大四的主旋律，似乎从'疯狂输出'变成了'静默沉淀'。为了考研，暂时减少了博客更新频率，进入了全封闭的系统内核升级阶段。在研究生复试环节，因为本科期间做了大量扎实的项目，面对老师的提问，回答得很好。那些熬夜跑通的 Demo，成了面试时最硬核的通行证。
荣誉与竞赛
回顾本科生涯，论文发表 6 篇，研究方向横跨计算机视觉、智慧农业、医药 AI、嵌入式系统等多个领域。虽然没有拿到过国家级的奖项，但这些奖项的含金量，依然是用无数个熬夜和代码换来的。在大一参加'三创赛'和'节能减排大赛'，止步于校级奖项。当时什么都不懂，让老师费心指导。发现我属于典型的'成长型选手'。一开始面对从未接触过的领域，确实会手忙脚乱，但只要给我时间去训练，一旦积累了经验数据，就能迅速收敛，在这个领域做到 Top 级别。
科研认知
在技术社区混久了，大家都知道一句名言："Talk is cheap, show me the code (project)."如果说论文是理论内功，那项目就是实战招式。本科四年，一共参与了 5 项硬核科研项目，亲历了从'小打小闹'到'国家级立项'的完整版本迭代。
很多学弟学妹问：'本科生怎么找项目？'我的答案是：不要怕，还要从校级项目开始，也不要怕去打扰导师求机会。所有的国家级项目，都是从校级一点点'跑'出来的；所有的科研直觉，都是在给导师打杂中练出来的。
何为科学？何为技术？这个问题我也纠结过很久。直到后来明白，科学是'发现'，技术是'实现'。假设我们在实验室里做实验：
- 阶段一（Science）： 通过大量数据发现，用近红外光照射牛奶，蛋白质会吸收特定波长的光。不同的蛋白质含量，对应着不同的剩余光强，且两者之间存在一个线性关系。这就是科学。我们在探索未知的自然规律，发现现象，解释机理。
- 阶段二（Technology）： 现在有一家科技公司，基于我发现的这个规律，设计了一个电路，训练了一套算法模型，并将它们部署到一个嵌入式设备上。最终，这台仪器可以直接显示牛奶的蛋白质含量。这就是技术。我们利用已知的规律，去解决实际问题，制造工具。
我认为最理想的科研路径是：始于科学，终于技术。前面做一个敏锐的观察者，发现一种现象；后面做一个硬核的工程师，利用这种现象创造一个技术。
技术理解与进阶
机器学习的理解
目前基本上是学完了机器学习和深度学习。机器学习主要包括监督学习和无监督学习，有监督学习就是有标签的数据，无监督学习就是没有标签数据。监督学习包括分类任务，和回归任务。无监督学习包括聚类任务和降维任务。
我是怎么在实际工作中用它们的？比如'分类'：想象一下，我给模型喂一堆数据——pH 值、COD、总氮等等，然后问它：'这水能喝吗？'或者丢给它一张照片：'这是几类水？'这就是典型的分类任务，非黑即白，或者多选一。
比如'回归'：在污水厂，根据现在的进水情况和调节参数，预测出水达不达标；或者像我之前做的实验，用光的强度去反推牛奶里的蛋白质含量。这类预测连续数值的任务，就是回归。
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：
- 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。
- 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）。
- 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：
- 武夫： 学会了 Python 和 PyTorch。
- 金刚凡境（工程）： 能做完整的工程项目。
- 自在地境（算法）： 能为特定问题定制算法。
- 逍遥天境（领域）： 在某个细分领域做到极致/SOTA。
- 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：
- 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。
- 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。
- 写更多高质量博客，争取阅读量破 100W+。
- 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。
- 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。