AI越强，深度学习基础为什么反而更重要？

现在，AI Agent已经可以帮我们搜索论文、整理资料、生成代码，甚至快速搭建一个完整实验。
但越是这样，一种能力反而越稀缺：判断。

这个研究问题是否真的成立？

一个模型为什么有效？

Loss下降是否代表学到了正确能力？

一个新模块解决的是表示问题、优化问题，还是仅仅增加了参数？

FLOPs降低，为什么真实速度可能没有提升？

一个Idea究竟值得投入一个月，还是应该先用一个最小实验否定它？

很多人学过深度学习，也学过CNN、Transformer、生成模型和强化学习，但真正进入科研之后，仍然会遇到一个问题：知识很多，却无法形成可以用于研究的结构。

模型名称不断变化，但它们背后的很多基础问题从未改变：

数据如何构成学习信号；

模型学习什么表示；

信息如何在网络中流动；

梯度如何分配责任；

训练为什么稳定或失败；

推理过程如何产生结果；

复杂度能否在真实硬件上转化为速度；

实验是否真的验证了研究主张。

因此，我们设计了这次：

7天深度学习第一性原理研讨班
我们更希望帮助参与者建立一套可以迁移到：

大语言模型；

扩散模型与Flow Matching；

强化学习；

世界模型；

具身智能；

未来尚未出现的新模型的深度学习科研底座。

第7天还会专门讨论一个很多课程忽略的问题：

在写代码之前，如何从参数量、FLOPs、显存、复杂度、硬件瓶颈与加速上界出发，判断一个Idea是否值得做？
优秀研究者并不是不需要实验。
真正的区别在于，他们能够在实验前：
更快识别主导问题；
建立合理的理论上界；
发现隐藏成本；
设计最小验证；
更早淘汰不成立的方向。
工具会不断升级，但判断问题、理解机制和设计实验的能力，不会因为模型更新而过时。
7月25日—7月31日。
从知道更多模型，走向真正理解模型。
从快速执行，走向高质量判断。
#深度学习
#人工智能
#机器学习
#AI科研
#科研方法
#研究生
#计算机学习