2025 AI 技术成长复盘与深度学习实践心得
站在年末的节点回望,2025 年可以说是我成长速度最快的一年。从经济与管理学院转专业到计算机科学与技术,再到研究生阶段深入人工智能领域,这段旅程充满了挑战与蜕变。我想记录下这其中的个人成长历程,以及在学术、创作方面的突破,分享如何平衡生活与技术的经验。
一、修行之路:从零基础到科研一线
学业转型与基础夯实
在大一上学期,我还是一名经管专业的学生。出于对技术的向往,我在大一下做了一个大胆的决定——转专业到计算机学院。转专业的过程堪称'地狱难度'。当时的我对编程的理解几乎为零,甚至连电脑基本操作都不利索。更要命的是,因为转专业,我完美错过了大一上的《C 语言》基础课,直接开始学习《C++》和《数据结构》等课程。
那年期末,面对晦涩的指针链表,我启用了一个现在看来最'笨'、但在当时最有效的算法: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技术博客的初衷——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。如果你现在也觉得难,不妨试试'笨方法',坚持下去,时间会给你答案。
高并发时刻与多线程补修
如果说大一是在'预热',那大二简直就是大学生涯的'高并发'峰值时刻。因为转专业,我不仅要跑通本学期的主线程任务,还要开启'多线程'模式,去补修大一上学期欠下的所有技术债(比如 C 语言)。每天满课的状态,简直是在对我的大脑进行 24 小时极限压力测试。
幸运的是,遇到了一位能把底层逻辑讲得透彻的老师。他不仅教我 C 语言,更是我后来强化学习的引路人。正是因为遇到了他,我才在那个最累的学期,依然保持着对代码的热爱。由于有些课程会冲突,我基本上都是在 B 站看课程,然后针对一些难理解知识点整理笔记。在那年学期中,我也开始在技术社区分享我的学习历程。
你以为理工男只会敲代码?No No No。和朋友在学校操场搞了一次微型创业——卖花。主要是为了体验一下这个好玩的事情。这段经历让我明白,技术之外,商业思维和用户体验同样重要。
科研炼丹与算力突围
大三阶段,我正式拜入导师门下,开启了我的科研'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。快乐在于写代码、攻克算法的成就感;痛苦在于——贫穷限制了我的算力。
当时实验室没有高性能 GPU,我们只能在云平台上按小时租赁 GPU。对于学生党来说,每一分钟流逝的不仅是时间,更是真金白银!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。回头看,那些睡在实验室地板上的夜晚,不仅跑通了代码,也跑通了我通往技术进阶之路。
大三这一年,我的核心关键词从 Dev(开发者)升级为了 Leader。感谢老师的信任,我接过了接力棒,正式担任学院 e 智团队队长。从秋招纳新的'抢人大战',到手把手教萌新配置环境、Debug,再到带领大家攻坚硬核的科研项目。在这个过程中,我仿佛在运营一个线下的技术社区——不仅要自己强,还要把经验毫无保留地开源给学弟学妹。看着团队成员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。
论文录用与行业视野
大三暑期,我迎来了科研路上的第一个 High Point:我的第一篇一作论文被 CCF NCCA 录用!带着这份激动,我前往苏州参加学术会议。在苏州,我深刻体会到了什么叫'比你优秀的人比你还努力'。这里的每一次茶歇交流,都像是在阅读一篇高质量的技术博文。
会议期间,我见识了做 3D 点云检测的同学,技术深不可测;还有医学图像检测已经落地成智能眼镜产品的团队,导师甚至开了公司进行成果转化。亲自体验 Demo 的那一刻,我看到了代码改变世界的实体模样。会议的讲座环节简直是'神仙打架'。我听了教授关于智慧医疗的分享,笔记记了满满几页。最让我激动的是见到了中国科学院院士陈润生先生。这次会议就是一场盛大的线下开源社区面基,让我看到了技术落地的无限可能。
大四的主旋律,似乎从'疯狂输出'变成了'静默沉淀'。为了考研,我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。但我想说的是:在技术社区写过的每一行代码、记录的每一个项目,都没有白费。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,我回答得很好。那些熬夜跑通的 Demo,成了我面试时最硬核的通行证。
二、技术洞察:机器学习与深度学习的本质
机器学习的工程化视角
我是 AI 专业,包括现在做的也是 AI 相关的工作。下面我想谈谈我对 AI 的理解,目前我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。包括分类任务(非黑即白,或者多选一)和回归任务(预测连续数值)。


