夜雨聆风“免责声明：本文仅供科研信息整理、学习讨论与科普交流使用。内容可能存在理解偏差或遗漏，欢迎读者批评指正。所有课程信息、技术细节和学术判断，请以原课程材料、论文原文和官方说明为准。
30 秒摘要
如果你以为 AI 的尽头是聊天机器人，那可能已经落后半拍了。
MIT Media Lab 2025 年春季课程 How To AI (Almost) Anything，第一讲真正想抛出的不是“怎么用 ChatGPT”，而是一个更野心勃勃的问题：
如果人类是通过语言、视觉、声音、身体、传感器和社会关系理解世界的，那么 AI 凭什么只靠文字理解世界？
这门课的核心关键词不是 chatbot。 也不是 prompt engineering。 而是：
AI for Anything.
也就是说，AI 不只要处理文本和图像，还要进入医学、传感器、可穿戴设备、网页操作、机器人、健康、情绪、社会互动和真实物理世界。
这篇文章是本系列第一篇。我们先不讲课程行政信息，不讲作业要求，只讲它背后的 AI 思想： 下一代 AI 的竞争，不只是模型大小，而是谁能真正理解复杂世界。
AI for Anything：AI 正在离开聊天框
1. 这门课为什么值得看？
现在中文互联网上讲 AI 的内容很多。
有人教你怎么写 prompt。 有人教你怎么用 AI 画图。 有人每天追逐“今天又发布了哪个新模型”。 这些当然有用，但它们多数停留在工具层面。
MIT 这门课更值得看的地方在于：它把 AI 从“工具使用”重新拉回到“科学问题”。
它问的是：
AI 如何处理新的数据模态？ AI 如何进入真实世界？ AI 如何连接语言、视觉、声音、传感器和行动？ AI 如何服务健康、创造力、生产力和人类体验？ AI 如何从单一模型变成和人协作的系统？
这就比“今天哪个模型更强”深一层。
因为真正决定 AI 未来的，未必是某个聊天机器人多会说话，而是 AI 能不能处理真实世界里那些混乱、异质、有噪声、难标注、难评价的数据。
简单说：
ChatGPT 是入口，但不是终点。
2. 第一讲的关键词：AI for Anything
第一讲有一个非常醒目的表达：AI for Anything。
这句话容易被误解。它不是说 AI 可以无条件解决所有问题。 它更像一个研究宣言：
只要一个问题里有数据、有结构、有任务、有反馈，我们就可以问：AI 有没有可能进入这个系统？
这个系统可以是语言。 可以是图像。 可以是声音。 可以是医学影像。 可以是病理切片。 可以是可穿戴设备。 可以是城市传感器。 可以是网页操作。 可以是机器人身体。 也可以是人的情绪、社交和健康状态。
这正是课程开头最重要的转向：
过去很多 AI 研究默认处理的是标准数据集。 比如图片分类、文本生成、语音识别。
但真实世界不是标准数据集。
真实世界是混乱的。 数据是不完整的。 标注是昂贵的。 模态之间是错位的。 任务目标经常会变化。 人类反馈也并不总是理性、稳定、清晰。
所以真正难的不是“套一个模型”。 真正难的是把现实问题转化成 AI 可以学习、可以推理、可以评价、可以部署的问题。
这也是这门课的野心所在。
从聊天机器人到真实世界 AI
3. 什么是“模态”？为什么它是理解这门课的钥匙？
在 AI 里，模态可以简单理解为一种信息形式。
文字是一种模态。 图像是一种模态。 声音是一种模态。 视频是一种模态。 传感器时间序列是一种模态。 医学影像、病理切片、表格数据、脑电信号、触觉数据、运动轨迹，也都可以是模态。
用更直白的话说：
模态就是世界把自己呈现给我们的不同方式。
人类理解世界时，从来不是只靠一种模态。
你听一个人说“我很好”，但你会同时观察他的语气、表情、动作、沉默、眼神。 你判断一个病人的健康状态，也不会只看一句主诉，而会看血检、影像、病理、行为、睡眠、运动和长期病史。 你判断一个实验结果是否可信，也不会只看一张图，而会看实验设计、统计方法、原始数据、重复性和生物学机制。
这就是多模态问题。
多模态 AI 的核心，不是把各种数据粗暴拼在一起，而是回答三个问题：
第一，不同模态有什么不同？图像有空间结构，语言有语法结构，声音有时间结构，表格有变量结构。
第二，不同模态之间如何连接？图像里的“狗”和文字里的“dog”可以指向同一个概念。 病理图像中的组织结构和临床指标可能共同指向疾病状态。
第三，不同模态放在一起后，会不会产生新的信息？单看一句话可能不知道是否讽刺，但加上语气和表情，意思就变了。 单看一项医学指标可能不够，但结合影像、病史和行为数据，风险判断可能完全不同。
这三个词非常重要：
异质性、连接、交互。
这也是理解多模态 AI 的三把钥匙。
多模态 AI 的三把钥匙：异质性、连接、交互
4. 为什么这比“多放几个输入”难得多？
很多人会以为，多模态 AI 就是把文字、图片、声音一起塞进模型。
这就太天真了。
多模态 AI 难就难在：不同模态不是同一种东西。
图像是二维空间。 声音是时间波形。 语言是符号序列。 表格是变量集合。 传感器数据可能是长时间、低信噪比、强噪声的连续信号。 病理切片可能是超大图像，局部结构和整体组织形态都重要。
这些数据有不同的尺度、噪声、采样方式和错误来源。
更麻烦的是，不同模态之间并不总是整齐对齐。
一段视频和字幕可能不同步。 医学影像和电子病历可能来自不同时间点。 一个人的情绪状态可能无法被单一标签准确概括。 传感器记录到的行为，也可能只是健康状态的间接影子。
所以多模态 AI 的核心挑战，不是“输入更多数据”，而是：
如何知道哪些数据在什么时候有用？ 哪些数据只是噪声？ 哪些模态之间真的有关系？ 模型有没有真正学到跨模态交互？
这也是为什么多模态 AI 很迷人，也很危险。
迷人在于，它更接近真实世界。 危险在于，如果做得不好，它可能只是把更多噪声包装成更高级的幻觉。
5. 医学健康：未来很多指标不在医院里产生
第一讲里有一个很有冲击力的观点：
未来大量医学指标，可能并不是在医生办公室里采集的。
这句话非常值得生命科学和医学读者注意。
传统医学数据主要来自医院： 血检、影像、病理、诊断、处方、病历。
但人的健康并不只发生在医院里。 健康发生在睡眠里，发生在运动里，发生在社交里，发生在情绪变化里，发生在日常行为里。
手机、可穿戴设备、语音、面部行为、运动轨迹、社交节律、环境暴露，都可能包含健康相关信号。
这会让医学 AI 的边界发生变化。
过去的医学 AI 可能更像一个“读片助手”。 未来的医学 AI 可能更像一个“长期健康状态理解系统”。
它不只问：
“这张影像有没有病灶？”
它还会问：
“这个人的身体、情绪和社会状态，是否正在发生长期变化？”
这听起来很强大，但也必须谨慎。
因为健康数据越接近日常生活，隐私风险就越高。 模型越想理解人的状态，就越容易越界。 AI 越像一个健康伴侣，就越需要可靠性、可解释性和伦理边界。
所以医学多模态 AI 的关键问题不是“能不能做”，而是：
哪些信号真正有医学意义？ 模型如何表达不确定性？ 人类医生如何参与判断？ 数据如何保护？ 错误预测由谁承担？
这才是值得严肃讨论的问题。
整体健康：身体、社会与情绪
6. 网页 Agent：AI 不只是回答，而是行动
第一讲还提到了另一个关键方向：AI agents for the web and digital automation。
这部分很重要，因为它标志着 AI 的角色正在变化。
普通聊天机器人主要做一件事： 你问，它答。
但 agent 不是只回答。 Agent 要在环境里行动。
比如，你让一个网页 agent 帮你买一副评分至少 4.5 星的耳机，并寄给你。
这听起来简单，但背后其实包含一串复杂步骤：
它要读懂你的需求。 打开网页。 搜索商品。 识别评分。 比较价格。 判断是否符合条件。 点击按钮。 填写信息。 遇到不确定时向你确认。 操作失败时重新规划。
这已经不是“文本生成”。 这是观察、计划、行动、反馈和纠错。
也就是说，AI 正在从“会说话的模型”变成“会做事的系统”。
这会改变很多行业。
办公软件、网页表单、数据分析、文献检索、科研流程、实验记录、代码执行、报告生成，都可能被 agent 重塑。
但问题也随之而来：
如果 agent 点错按钮怎么办？ 如果它误解了你的任务怎么办？ 如果它在网页上泄露隐私怎么办？ 如果它为了完成目标而走捷径怎么办？
所以 agent 的未来，不只是更强的推理能力，也包括更强的安全机制和人类监督。
一句话：
当 AI 开始行动，它就不能只被评价为“聪明”，还必须被评价为“可靠”。
从聊天机器人到网页 Agent
7. 这门课真正适合谁看？
这门课不是只适合 AI 专业学生。
恰恰相反，它对有领域背景的人尤其有价值。
如果你是生命科学学生，你可以问： AI 如何理解细胞图像、单细胞测序、空间转录组和免疫动态？
如果你是医学背景，你可以问： AI 如何连接影像、病理、病历和长期行为数据？
如果你是材料科学背景，你可以问： AI 如何理解结构、性能、制备条件和实验噪声之间的关系？
如果你是生物物理或数学建模背景，你可以问： AI 模型和机制模型能不能结合？ 生成模型能不能提出新的假设？ 贝叶斯推断能不能帮助模型表达不确定性？
如果你是普通读者，你也可以问： AI 会如何改变我们工作、学习、创作和生活？
这门课最有价值的地方，是它不把 AI 看成一个孤立工具，而是把 AI 放进真实问题里。
这对科研尤其重要。
因为很多真正值得做的问题，不是“我能不能用最新模型”，而是：
我的问题里到底有什么数据？ 这些数据有什么结构？ 模型学到的东西能不能解释？ 预测结果能不能验证？ 它会不会真的改变我们理解世界的方式？
8. 本系列接下来会讲什么？
这篇是开篇。后面我们会沿着课程结构，做一个中文精读系列。
我不会做逐页翻译。 逐页翻译没有意思，也不适合公众号。
我会做三件事：
第一，把课程里的 AI 概念讲清楚。 第二，把它们和生命科学、医学、材料、生物物理、科研训练联系起来。 第三，尽量把每篇文章写成一个可以独立阅读的小专题。
后续计划如下。
第二篇：怎么做 AI 研究，而不是只会调用模型
我们会讨论 AI research 的基本逻辑：如何读论文，如何找问题，如何判断一个 idea 是否值得做，如何设计实验，如何避免“看起来很 AI，实际上没有科学问题”。
第三篇：数据、结构与信息
AI 首先不是模型问题，而是数据问题。 我们会讲不同数据为什么需要不同结构：图像、序列、表格、图网络、时间序列、医学数据到底有什么本质差别。
第四篇：实用 AI 工具
PyTorch、Hugging Face、调参、debug、fine-tuning。 这篇会更偏实用：一个非计算机背景的人，如何开始真正动手。
第五篇：模型架构
CNN、Transformer、图神经网络、集合模型。 这篇会讲一个核心思想：模型架构不是玄学，而是对数据结构的假设。
第六篇：多模态 AI 的连接与对齐
图像和语言如何对齐？ 医学影像和病历如何对应？ 同一个概念如何在不同模态里出现？
第七篇：多模态交互与融合
什么时候多个模态真的产生了新信息？ 什么时候只是把噪声拼在一起？ 如何判断模型有没有学到真正的跨模态交互？
第八篇：大模型为什么大，以及大有什么问题
预训练、scaling、fine-tuning、instruction tuning、LoRA、quantization。 这篇会讲大模型的工程逻辑，也会讲它的限制。
第九篇：大多模态模型
为什么现在的 AI 不满足于文字？ 视觉语言模型、医学多模态模型、embodied multimodal model 会走向哪里？
第十篇：生成式 AI
Diffusion、Flow Matching、可控生成。 这篇会讲为什么 AI 画图、生成视频、生成分子、生成材料，背后其实有共同数学思想。
第十一篇：AI Agent、推理与行动
当 AI 不只是回答问题，而是开始操作网页、调用工具、规划步骤，它到底需要什么能力？
第十二篇：人机交互、安全与可靠性
最终的问题不是 AI 能不能强大。 最终的问题是：
我们如何和一个强大的 AI 系统共同生活、共同工作、共同创造？
本系列路线图
9. 为什么我想写这个系列？
因为现在中文 AI 内容有一个问题：
太多内容在追热点，太少内容在讲结构。 太多内容在讲“怎么用”，太少内容在讲“为什么”。 太多内容在制造焦虑，太少内容在帮助读者建立判断力。
AI 当然会改变世界。
但如果我们只停留在“哪个工具更好用”，我们会永远被产品发布牵着走。 今天一个模型，明天一个平台，后天一个新名词。 热闹很多，理解很少。
我更想做的是另一件事：
把 AI 当作一门正在成形的科学和工程体系来读。 把课程、论文、模型和真实问题连接起来。 把复杂概念拆开，但不把它讲得廉价。 让没有纯计算机背景的读者，也能逐渐理解 AI 的核心逻辑。
这个系列不会假装 AI 很简单。 但我会尽量让它变得可进入、可讨论、可继续学习。
如果你对生命科学、医学、材料、生物物理、数学建模、科研训练，或者下一代 AI 感兴趣，可以关注这个系列。
我们从第一讲开始，不追风口，追结构。 不迷信模型，理解问题。 不只问 AI 会不会替代人，而是问：
AI 会如何改变我们理解世界的方式？
参考资料
MIT Media Lab, MAS.S60 How To AI (Almost) Anything, Spring 2025, course homepage and Lecture 1 slides. Paul Pu Liang, Amir Zadeh, Louis-Philippe Morency. Foundations & Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions. Tadas Baltrušaitis, Chaitanya Ahuja, Louis-Philippe Morency. Multimodal Machine Learning: A Survey and Taxonomy. Yoshua Bengio, Aaron Courville, Pascal Vincent. Representation Learning: A Review and New Perspectives.
