2025 AI 技术成长复盘与深度学习实践心得

• 分类示例：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。
• 回归示例：在污水厂，我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。

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。

深度学习的特征提取本质

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，我们很容易陷入一种'按部就班'的误区：做视觉（CV）我就只学卷积神经网络（CNN）；做时间序列预测我就死磕循环神经网络（RNN/LSTM）；做自然语言处理（NLP）我就只看 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转化为数据表示（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。

思考 1：万物皆可'张量' (Data Representation)

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。

思考 2：多模型协同 (Hybrid Models) —— 各取所长

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。

思考 3：多模态融合 (Multimodal Learning) —— 五感全开

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。

• 什么是多模态？ 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（是不是变绿了？）和纹理特征（有没有漂浮物的聚集纹理？）。
  • 模态 B（时序 - 微观）：水下传感器监测的水温 (T)、总磷 (TP)、总氮 (TN) 的时间序列数据。使用 LSTM 或 GRU 提取水质参数的变化趋势（比如温度突然升高，营养盐富集）。
  • 模态 C（文本 - 外部环境）：气象局发布的天气预报文本（例如：'未来三天持续高温，无风'）。提取特征：使用 Transformer/BERT 处理文本，提取气象条件（高温、静风是水华爆发的催化剂）。
• 融合效果：如果只看传感器，总磷高不一定爆发水华（可能因为阴天光照不足）；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（传感器）'+'天气给力（天气预报）'+'苗头已现（图像）'，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。

三、阴阳之道：生活与博客的平衡

拒绝精神内耗

博客就是用来记记成长、积累知识的，而非成为自我消耗的。有灵感和感悟就记录一下，科研很忙或者是其它重要的事情要做的时候，也可以暂时不更新的。博客的内容都从平时的学习过程和所做过的项目中来，不能专门为了写博客硬凑内容，平时踩的坑、修好的漏洞、看明白的论文，随手理一理就是一篇好文章。

坚持锻炼、坚持早起

科研和技术的竞争拼到最后拼的从来都不只是智力，更是能支撑长期深耕的体力。日常可以跑跑步、打打球，不求练成线条分明的肌肉猛男，也不求达到专业运动水准，只求能稳住发际线，让常年伏案敲代码、看论文的颈椎腰椎不发出'警报'，以健康的状态扛住高密度的科研任务。所以不要每天不停的干活哦，要经常的去运动呀。

早起去食堂吃免费或半价早餐，是最划算的决定！这绝不仅是为了省下那几块伙食费，更重要的是把它当作强制自己规律作息的'硬约束'。当同实验室的同学还赖在被窝里的时候，我已经坐在食堂里，啃着热乎的包子、喝着暖胃的粥，慢悠悠开启新一天的科研节奏。感觉比别人多偷一点时间、多抢一步先机。

注意休息、劳逸结合

哪怕 Paper 没写完，该约饭还是要约饭。和哥们/闺蜜出去吐槽一下科研项目、聊聊八卦，是缓解科研压力的特效药。可以去滑雪，玩剧本杀，去旅游，去看电影。要是时间不充足的话，也可以简单的找个地方和朋友一起玩桌游，都是很快乐的。

没事的话，也可以去图书馆看看书之类的。学校的活动能蹭就蹭，不管是讲座还是各种晚会。这不仅是为了热闹，更是为了以后回忆起来，研究生生活除了代码和烧杯，还有点别的颜色。

学业事业和情感上的平衡

关于友情：我们会参加学生组织的小型学术会议，然后讨论学术。平时也会互相送礼物之类的。

在这个阶段，最好的恋爱关系不是天天腻在一起玩，而是'顶峰相见'。你在跑模型，她在看文献；你为了进大厂刷题，她为了雅思背书。两个人像是同一个战壕里的战友，互相督促，谁也不许掉队。现在我们的压力都很大，大家都忙，不要总是要那些虚头巴脑的仪式感。还有就是不要回避谈论未来。早点把职业规划摊开聊，求同存异。不要为了恋爱而去恋爱，伴侣应该是你战友而不是打发无聊时间的方式。还有一个就是一定要对对方有足够的信任，没有把握的，无法求证的，伤人的话尽量不要说。有误会就要及时的沟通，不要成为遗憾吧。

我是个好朋友，但不是个好伴侣。我习惯把自己的人生写成代码，每一行都经过严密的逻辑推演。特别是对于重要的事，我会预判所有可能的 Bug，并设计好 Exception Handler（异常处理）。为什么我把'计划'看得很重？因为我没有任何兜底和依靠，很多事情对我来说，机会只有一次。所以，当变故突然发生——尤其是这个'异常'是由我在意的人引发，且在我明明预警过的情况下发生时——我的系统会瞬间崩塌。那种'一切都完了'的绝望感，不是因为我小题大做，而是因为我的容错率太低。

当有矛盾的时候，见解不同，想法不同，都不可怕。可怕的是我们人为的分成两个不同的阵营。对峙之局若起，怎么可能不裹胁他人？不管身在其中的初衷为何，两方对立走到最后，立场必会先于是非。我们是人生的战友，而不是非得要你死我活。

我本身就是做多目标优化的课题的，很多道理逻辑一旦跑通了，就能想得明明白白；唯独在'感情与事业'这道多目标优化题面前，我至今算不出最优解。也许真的是我成长的速度太慢了吧，既想要'鲜衣怒马少年时，一日看尽长安花'的快意，又想要在红尘的江湖里肆意潇洒，温酒伴人，风花雪月。

四、剑指苍穹：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. 在年前巩固自己金刚凡境的境界，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，保持粉丝增长，阅读量提升。
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。

给大家分享一句我最喜欢的诗句吧：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。

尾声：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'。

论文导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。毫不夸张地说，他是学院最好的老师之一。他的课是必须要抢的，他的指导是必须要听的。感恩相遇！

感谢带我入门 C 语言和强化学习（RL）的洪老师。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。

大二大三时，我还是个涉世未深的'愣头青'。感谢石老师的信任，把学院 e 智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！

最后，必须隆重安利一下中科院大气物理所的吴老师！这绝对是一位超级有实力且对学生超级好的宝藏导师。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，欢迎私信我！我可以帮忙牵线搭桥哦。

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。如果这篇'大学四年回忆录'让你有所触动，或者让你想起了自己的大学时光，别忘了【点赞 + 收藏】一键三连！你的支持，是我更新的最大动力！我们下期见！