AI Time¶
约 831 个字 预计阅读时间 3 分钟
如果说从2000年开始互联网领域开始爆发，那么从2022年开始就是AI大模型领域的爆发，约莫20年的变革足以改变行业内的版图。计算机科学的历史其实并不长，但是发展的速度越来越快。
早期从机器学习到深度学习，训练方式还处于数据集的特征处理和信息抽取，未能发现隐藏机制和深层信息，自然语言处理还在传统的word2vec，计算机视觉仍是ResNet和YOLO的天下。直到2017年的一篇《Attention is All You Need》轰动全球，OpenAI推出的GPT系列更是改变了传统计算机与软件工程的发展方向。
如今行业迭代的速度肉眼可见地加快：
- 以年为单位的工程迭代（2022-2024 Prompt Engineering → 2025 Context Engineering → 2026 Harness Engineering）；
- 以月为单位的模型迭代（26年一季度各家公司已经推出若干旗舰模型，这一速度正在不断加快）；
- 以周为单位的产品迭代（产品设计方案和产品原型层出不穷，个人智能体兴起，AGI加速演进）。
不少人直言"只要学的慢什么都不用学"。AI时代到底学什么？怎么学？我也正在逐步探索这个问题。对于入门，我觉得必须要看llm-course！而下面这个板块，就是我以"从模型基座到AI应用"为主线搭建的 AI 知识库。
知识地图¶
整个板块按"从理论到落地"的主线组织，分为四个阶段：
一、基础理论¶
理解模型的来路，打好地基。
| 板块 | 简介 |
|---|---|
| 机器学习 | 经典机器学习基础：模型评估与选择、线性模型、决策树、SVM、聚类、集成学习等 |
| 深度学习 | 神经网络入门：CNN、ResNet、生成/判别模型、VAE、GAN |
| 自然语言处理 | 文本预处理、词向量、RNN、预训练语言模型、机器翻译、情感分析 |
二、模型基座¶
大模型本体，理解模型本身。
| 板块 | 简介 |
|---|---|
| 大语言模型 LLM | 从 Tokenization、Transformer 到 MoE/Mamba、预训练、微调、对齐、Scaling Law |
| 扩散语言模型 DLM | U-Net、DDPM、DDIM、Flow Matching、DiT、LDM、LLaDA |
| 多模态大模型 MLLM | ViT、CLIP、BLIP、LLaVA、离散 Tokenization |
| 生成式 AI AIGC | Stable Diffusion、Midjourney、DALL-E、Suno |
三、模型工程¶
模型如何被训练、优化与部署，走向生产。
| 板块 | 简介 |
|---|---|
| LLM 强化学习 | RLHF、RLVR、RLAIF、Agentic RL |
| 分布式训练与推理 | KV-Cache、FlashAttention、DDP/ZeRO、Megatron、vLLM、推测解码 |
| 模型压缩 | 剪枝、量化、稀疏注意力、上下文稀疏 |
| 部署 | LLM API 等上线相关 |
| 评测 | LLM 评估方法与基准 |
| 安全 | MIA、Agent 安全等 |
四、应用落地¶
如何让模型可靠地做事，工程化与产品化。
| 板块 | 简介 |
|---|---|
| 提示词工程 | CoT、ChatGPT 策略、System Prompt、学术提示词 |
| 上下文工程 | 上下文分类、Context-Rot、渐进式披露 |
| 驾驭工程 | 六层架构、一线公司（Anthropic/OpenAI）实践 |
| 智能体 Agent | ReAct、MCP、A2A、工具、框架、Sandbox、记忆、Skill |
| 检索增强生成 RAG | 向量数据库、GraphRAG、RAG 评估、高级 RAG |
| 深度研究 | Deep Research 产品、DeerFlow |
| 工作流 | AI 工作流与工具使用：Claude Code、Codex、Dify、Coze、n8n 等 |
| 模型平台 | models.dev、OpenRouter、ModelScope、HuggingFace |