今天的AI教育应该怎么搞.pdfVIP

今天的AI教育应该怎么搞

欢迎回到《科技参考》，我是卓克。

今天最热门的行业是AI。今天培养AI人才的机构，主要是高校里的计算机

系，但实际培养体系和人才需求是严重不匹配的。

尤其是这种不匹配还在动态扩大。高校计算机系的教材的更新，是以10年

为单位变化的。而AI界的主流模型、评测口径、硬件部署方式，那都是以6个

月为一个单位变化的。两者相差了几十倍。

于是，今天AI界的主力军，可以说全都不是系统化培养出来的，大都是边

干边学出来的。那有没有什么方法可以优化这个问题呢？今天的《科技参考》我

们就来讨论一下。

AI界培养体系的断层

今天AI界培养体系的断层，其实和100年前物理学领域的断层，是高度类

似的。

现代物理学的黄金年代是1905年-1928年。经过这20多年，突然出现了成

熟体系的量子力学和相对论，而在1905年之前只有经典力学、经典热学、经典

电磁学。

从那段历史看，最早把大学物理标准教科书里的内容，更新到相对论和量子

力学的，是索末菲（Sommerfeld），是在1919年做的。这时相对论已经100%发

育完毕，量子力学的基本体系发育了1/3。虽然索末菲在教学工作上反应速度是

极快的，但总体而言，那时候物理系毕业的同学，在学校学的内容和他们之后要

研究的东西，几乎没有什么关联。

今天的AI行业对高校计算机系有哪些不满呢？

当然很多是因为流程化的问题，高校简化了很多。比如，训练数据的版本号

标记不清，以为上线就是把模型扔到云端，或者不在乎模型响应时间等等。但这

些不需要高校做什么，只需要跟着公司流程走就可以马上改进了。

但高校中的知识体系对目前AI的发展是有缺陷的。

比如，概率论方面的知识。

今天高校只讲最基本的工程概率论，而几乎没有更深的内容了。训练模型需

要了解高阶概率论知识，比如测度、集中不等式，这些知识对于评估训练数据的

好坏至关重要。

比如，最初一上来给参数随机赋予权重的时候，怎么评估这些数值是否合适

呢？怎么让这些随机向量彼此在高维空间里都相互垂直呢？

还有，信息论方面的知识。

很多学校现在只把这门课归在通信专业下，对计算机系是选修，很多同学干

脆就没学过。而模型训练里的蒸馏、检索增强生成（RAG）都会用到这门课。

这些课程教会了学生描述真实数据需要的平均比特是多少。于是当你从大模

型里蒸馏出一个小模型，这个小模型是用10%的体积换来了80%的知识呢，还是

用10%的体积换来了65%的知识呢？或者当我们为了节省存储空间和硬件需求，

把数据格式从FP16改成FP4后，数据格式比特上的下降会引入多少失真呢？这

些评估强烈依赖于信息论方面的基础知识。

比如，最近DeepSeek刚刚提出的，把文字视觉化后增强上下文长度的突破，

就是这方面加深理解后的成果。

第三就是线性代数方面的知识。

我们知道自注意力机制对应的运算就是海量的矩阵乘法，所以当然要懂一些

线性代数知识，而且学生们也确实在学习。但学校教的线性代数只讲各种原理，

转置矩阵、逆矩阵、特征值、特征向量、对角化、二次型，然后就结课了。

但实际AI训练中的工程难题是巨大的矩阵怎么算得又快又稳的问题。你要

搞清楚最烧钱的部分在哪里，然后优化那部分就是最有价值的突破了。

比如，阿里最近提出的线性自注意力机制，就是这方面加深理解之后的成果。

还有，硬件方面的知识。

硬件方面知识的差距尤其大，很多在AI行业内是痛点的部分，在计算机系

的课程里甚至没有对应。

比如，针对大语言模型KV缓存的工程原理、NVLink和计算卡的结构原理、

检查点的重计算、跨厂商可移植栈、分布式存储和数据管理等等。

对中国来说，更多了一层代沟，那就是在没有NV计算卡的前提下，怎么从

技术上解决本身就是痛点的硬件短缺。

此外，还有随机过程、统计学方面也有类似的知识体系上的缺失。

这些缺失并不是用来追赶6-18个月一次大变样的AI行业变革的，因为这些

知识就是底层知识，利用数学思维看懂模型结构、算法漏洞用的，所以大概率说，

十年都不会过期。

尤其是今天的教育体系里本来就有这些课程，只不过是在传统分院系排课的

基础上，需要进行重新排列组合上的优化而已，所以完全可以尽早动手调整。

此外，计算机系的同学今天还在花大量