人工智能-推免中国科学院
AI入门这件事，很多人搞复杂了。
核心就一个：动手。
别整虚的，看十篇科普文章不如自己写十行代码。
我是怎么入门的
2018年，AlphaGo击败柯洁那会儿，我刚高考完。
那时候满屏都是”AI取代人类”的新闻，我看着既兴奋又焦虑。兴奋的是这玩意儿好像很厉害，焦虑的是我啥也不懂。
后来我想明白了：与其被AI取代，不如去学AI。
结果上了大学我才知道——人工智能，比想象的要难得多。
你们知道AI专业要学什么吗？机器学习、深度学习、计算机视觉、自然语言处理……每一门课都需要扎实的数学基础。高数、线代、概率论、最优化……这些是地基，地基不稳，后面学什么都浮着。
但我后来发现，更大的问题不是数学，是大多数人从一开始就搞错了方向。
数学是地基，但别沉迷其中
很多人问我：学AI要不要把数学学得非常扎实？
我的判断是：要，但不是在本科阶段就把数学学透。
什么意思？
你学高数的时候，不需要把所有定理的证明都搞得明明白白。你需要的是理解导数、积分、梯度这些概念怎么用到机器学习里。学线代的时候，不需要啃完一本矩阵论，你需要知道矩阵乘法、特征值、奇异值分解在算法里是什么意思。
核心是：带着问题去学数学。
比如你学梯度下降，就去搞懂它的数学原理——为什么要沿着负梯度方向走？学习率为什么不能太大也不能太小？
别整虚的，直接上代码。调通一个模型，比看十章数学推导有用得多。
第一次跑通模型
大一的时候，我参加了一个预测房价的比赛。
我什么都不懂，只能从零开始学：Python、pandas、sklearn……
那段时间，我每天泡在图书馆，看教程、敲代码、调参数。
第一次跑通模型的时候，我激动得差点叫出来。
虽然预测结果很差，但那种”让机器学会东西”的感觉，让我上瘾了。
我记得那天晚上回宿舍，跟室友分享了我的成果。他听完后说：“你这不就是调库侠吗？用的都是sklearn封装好的算法，有什么厉害的。”
我一时语塞，不知道怎么反驳。
但后来我想明白了：不管是调库还是自己写算法，能让模型跑起来、解决问题，就是本事。等有了基础，再去追求更底层的东西也不迟。
进实验室：第一次发论文
大二的时候，我进了实验室，跟着导师做科研。
研究方向是计算机视觉——让机器能够”看懂”图像和视频。
具体来说，我做的是”目标检测”——在图像中找出我们关心的物体，并标出它们的位置。
我的第一个课题是”基于YOLO的目标检测算法优化”。
YOLO是一种实时的目标检测算法，速度快但精度一般。我的任务是改进它的精度。
我读了几十篇相关论文，试了十几种方法，最后提出了一种新的特征融合策略。实验结果表明，新方法在COCO数据集上提升了2.3%的mAP。
这个成果让我发表了一篇会议论文。
说实话，科研没有想象中那么高大上。大部分时间是在读论文、调代码、等实验结果。很枯燥，但出成果的那一刻很爽。
推免：我的策略
大三下学期，我开始准备推免。
我的绩点排专业前5%，英语六级通过，有科研经历和竞赛获奖……这些条件，让我有了推免的资格。
我申请了几所学校：中科院自动化所、清华、北大、浙大……
中科院自动化所是国内AI领域的顶级研究��构，研究方向跟我很契合。
面试那天，我穿了件白衬衫，打了领带。结果到了面试地点，发现其他同学都穿得很随意，有的甚至穿着T恤牛仔裤。
我心想：完蛋了，我是不是太正式了，显得格格不入。
后来面试的时候，面试官看到我，还夸了一句：“这位同学很重视今天的面试嘛。”
我尴尬地笑了笑。
面试那天，我讲了自己的科研经历和未来规划。面试官问了我一些技术问题，我都回答了。
有一个问题我印象很深：“你认为深度学习目前面临的最大挑战是什么？”
我想了想，回答说：“我觉得有两个挑战。一是可解释性，深度学习是个黑箱，我们不知道模型为什么做出这样的决策。二是数据依赖，深度学习需要大量标注数据，获取成本很高。”
面试官点了点头，没说好也没说不好。
一周后，我收到了offer。
我被中科院自动化所录取了。
读研之后的感受
读研之后，我才真正理解了什么叫”科研”。
以前本科的项目只是”照着做”，现在要做的是”自己发现问题、提出方案、验证假设”。
我的研究方向还是计算机视觉——具体来说，是”图像分割”。
图像分割的任务是：把图像中的每个像素都标上类别。这个任务比目标检测更难，但也更有意思。
每天的生活是：读论文、做实验、写代码……
压力很大，但成长也很快。
我记得刚进组的时候，导师给我一个课题：“基于Transformer的医学图像分割”。
我查了大量文献，发现这个方向目前还没有人做太多的工作。这既意味着机会，也意味着风险——没人做过的东西，谁也不知道能不能成功。
我花了三个月时间搭框架、做实验，结果发现效果并不好。那段时间我很焦虑，头发都掉了不少。
后来我跟导师讨论，他建议我换一个思路：在现有的Transformer基础上，加入一些attention机制来增强特征表达。
按照这个思路又做了两个月，效果终于提上来了。虽然不是state-of-the-art，但也有一定的创新性。
后来这篇工作发表在了Medical Image Analysis上，是本领域的一个顶刊。
几点核心建议
1. 数学要扎实，但别沉迷
高数、线代、概率论……这些是AI的地基。别整虚的，把核心概念理解透就够了。剩下的在实际项目中补。
2. 编程要熟练
Python是AI的标配，越早学会越好。我大一就开始学Python了，当时还花了200块钱买了个网课。现在想想挺值的，至少比后来花几万块报培训班强。
3. 多做项目
光理论不够，要有实际的项目经验。本科四年，我做了大大小小十几个项目。虽然很多都是”玩具项目”，但积累了不少经验。这些项目经历在我推免面试时帮了大忙。
4. 持续学习
AI技术更新很快，要不断学习新知识。我现在每天都会看arxiv上最新的论文，了解业界动态。周末还会刷刷GitHub，看看有没有新的开源项目。
5. 选对方向
计算机视觉、自然语言处理、语音识别……每个方向都不一样。选方向很重要。我建议大一的时候就多尝试，看看自己对哪个方向感兴趣。等确定了方向，再深入学习。
6. 英语不能丢
AI领域的前沿论文大部分是英文的。英语不好，你看不懂最新研究。我六级考了550分，算是比较高的。但现在每天还在用扇贝背单词，就是怕把英语丢了。
关于2026年AI就业
2026届毕业生规模1270万人，考研报名人数343万，较峰值下降27.6%。出国人数回暖，约75万人。
国考报名人数371.8万人，首次超过考研。考公持续升温。
但AI方向不太一样。这个行业缺人，缺的是真正有本事的人。不是你会调两个参数就叫AI工程师，是你能解决实际问题、能看懂论文、能复现实验的人。
工资方面，头部企业的算法岗年薪30万起步，优秀的能到50万甚至更高。
我的规划是：硕士期间发2到3篇论文，继续读博深造，以后进高校或者研究院。
AI这条路，需要持续学习。我导师常说：“做AI这行，就是活到老学到老。你要是停止学习，三个月后就跟不上时代了。”
我觉得他说得很对。
关联阅读
- 保研参考 3.保研_高价值信息差
- 专业参考 人工智能.md
- 案例索引 0000_1001案例总索引
- 知识库总索引 0000浪尖大学四年知识库_总索引