超级会员免费看
人工智能专栏致力于呈现AI领域最新理论、关键技术与工程应用。每篇文章从原理出发，兼顾代码实现、实验与产业案例，覆盖基础模型、视觉与语言、多模态、强化学习、可解释性与系统架构等方向。面向研究者与工程师，提供深度解析、实践指南与前瞻讨论，帮助读者把握技术趋势、提升研发能力并将前沿成果快速落地。
深入理解张量
专栏简介
本专栏系统构建人工智能的数学根基——张量理论，从标量、向量到高阶张量的严格数学定义出发，层层递进至张量分解、计算框架与自动微分，最终深入CNN、Transformer、GNN等核心架构的张量本质，并前瞻量子机器学习与神经算子等前沿方向。五级目录贯通理论与实践，既剖析PyTorch/TensorFlow底层机制，又揭示MobileNet压缩、扩散模型等技术的数学原理，为AI研究者提供从基础到前沿的完整张量知识体系。
第二章 张量分解与降维 (Tensor Decompositions & Dimensionality Reduction)
第3章 张量计算框架与自动微分 (Tensor Computing Frameworks & Autodiff)
一、大模型实战系列（LLM实战）
表格
复制
二、机器学习深度解析
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【机器学习深度解析】第一章 机器学习导论：从理论到实践的深度解析 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 【机器学习深度解析】第二章 特征工程深度解析 | https://blog.csdn.net/vectorshift/article/details/161981030 |
三、现代机器学习研究进展（系统教材）
第一部分：数学与概率工具箱
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 现代机器学习研究进展 第一部分 数学与概率工具箱 第一章 概率论与信息论 | https://blog.csdn.net/VectorShift/article/details/154433284 |
| 2 | 现代机器学习研究进展 第一部分 数学与概率工具箱 第二章 随机过程与随机微分方程（SDE）基础 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 现代机器学习研究进展 第一部分 数学与概率工具箱 第三章 优化理论与深度学习收敛 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 现代机器学习研究进展 第一部分 数学与概率工具箱 第四章 泛化与统计学习理论 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 现代机器学习研究进展 第一部分 数学与概率工具箱 第五章 度量与分布距离（理论推导） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 现代机器学习研究进展 第一部分 数学与概率工具箱 第六章 函数逼近与算子视角 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 7 | 现代机器学习研究进展 第一部分 数学与概率工具箱 第七章 自动微分、数值稳定性与微分方程数值解法（理论推导版） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 8 | 现代机器学习研究进展 第一部分 数学与概率工具箱 第八章 随机近似与退火方法（原理推导版） | https://blog.csdn.net/vectorshift/article/details/161981030 |
第二部分：模型与架构
表格
复制
第三部分：学习范式与训练技巧
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 现代机器学习研究进展 第三部分 学习范式与训练技巧 第19章 监督学习的工程实战 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 现代机器学习研究进展 第三部分 学习范式与训练技巧 第20章 自监督学习：掩码建模与对比学习 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 现代机器学习研究进展 第三部分 学习范式与训练技巧 第21章 表征学习的可迁移性 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 现代机器学习研究进展 第三部分 学习范式与训练技巧 第22章 少样本与元学习（Few-Shot & Meta-Learning） | https://blog.csdn.net/vectorshift/article/details/161981030 |
四、人工智能核心技术详解
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【人工智能核心技术详解】1 随机梯度下降与动量变体 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 【人工智能核心技术详解】2 深度神经网络训练基础：梯度传播与自适应优化完全解析 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【人工智能核心技术详解】3 深度神经网络可微分计算框架：从链式法则到现代自动微分系统 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 【人工智能核心技术详解】7 深度神经网络正则化技术体系：贝叶斯视角下的统一理论 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 【线性系统与抽象映射】0 映射与可逆性基础教程 | https://blog.csdn.net/vectorshift/article/details/161981030 |
五、YOLO系列
YOLOv8全方位学习手册
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 20个YOLOV8 自定义即插即用模块 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 【YOLOv8全方位学习手册】第四章 数据增强：从扩充数据到塑造模型的认知边界 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【YOLOv8全方位学习手册】第五章：训练优化 超参数调优（完整源码） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 【YOLOv8全方位学习手册】第六章：超越边界框 - YOLOv8的多任务学习与实践（代码实战版） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 【YOLOv8全方位学习手册】第八章：实战部署——从云端到边缘（专家级架构与实践） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 【YOLOv8全方位学习手册】第九章：深入 YOLOv8 架构（代码级深度剖析） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 7 | 【YOLOv8全方位学习手册】第十章：源码修改与扩展 | https://blog.csdn.net/vectorshift/article/details/161981030 |
YOLOV26
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【YOLOV26】第1章 YOLO系列演进与YOLO26定位 | https://blog.csdn.net/VectorShift/article/details/159998857 |
| 2 | 【YOLOV26】第2章 目标检测基础回顾 2.1 单阶段检测数学原理 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【YOLOV26】第2章 目标检测基础回顾 2.2 特征金字塔与多尺度检测 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 【YOLOV26】第2章 目标检测基础回顾 2.3 注意力机制在检测中的应用 | https://blog.csdn.net/VectorShift/article/details/160010922 |
| 5 | 【YOLOV26】第3章 YOLO26 数据流与预处理管道 3.2 标注格式与标签分配 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 【YOLOV26】第3章 YOLO26 数据流与预处理管道 3.3 数据增强策略 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 7 | 使用YOLOV26进行光伏板隐裂无人机巡检 | https://blog.csdn.net/vectorshift/article/details/161981030 |
六、具身智能机器人
具身智能机器人高级实战
表格
复制
深度强化学习在足式机器人中的应用
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 深度强化学习在足式机器人中的应用（一）：基础原理与仿真环境 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 深度强化学习在足式机器人中的应用（二）：基础步态的强化学习训练（完整源码） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 深度强化学习在足式机器人中的应用（三）：复杂地形适应与鲁棒性增强 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 深度强化学习在足式机器人中的应用（四）：模仿学习与敏捷运动 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 深度强化学习在足式机器人中的应用（六）：多模态感知与终身学习 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 深度强化学习在足式机器人中的应用（七）：从仿真到现实的部署实践 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 7 | 深度强化学习在足式机器人中的应用（八）：技术栈总结、成果展示与未来展望 | https://blog.csdn.net/vectorshift/article/details/161981030 |
高级具身智能
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【高级具身智能：物理、模拟与世界模型的协同进化】导论与基础框架 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 【高级具身智能】第一讲：现代物理模拟引擎深度解析（注重代码实现） | https://blog.csdn.net/vectorshift/article/details/161981030 |
人形机器人开发全面指南
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【人形机器人开发全面指南】1 引言：目标、受众与实验环境准备 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | Key Points on Simulation Fundamentals for Humanoid Robots | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【人形机器人开发全面指南】第二章 仿真基础与快速上手 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 【人形机器人开发全面指南】第三章 运动学/动力学/低阶控制 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 【人形机器人开发全面指南】第四章 行走与平衡 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 【人形机器人开发全面指南】第五章 操作与双臂协调 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 7 | 【人形机器人开发全面指南】第六章 感知与场景理解（多模态融合提升理解） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 8 | 【人形机器人开发全面指南】第七章 高阶决策与语言接口（LLM 驱动智能） | https://blog.csdn.net/vectorshift/article/details/161981030 |
七、几何深度学习（Geometric Deep Learning）
表格
复制
八、图神经网络：原理与实战
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【图神经网络：原理与实战】第十章 可解释性与可证实性 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 【图神经网络：原理与实战】第十二章 大规模 GNN 系统设计 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【图神经网络：原理与实战】第十三章 13.1 推荐系统：动态图与自监督实践 | https://blog.csdn.net/VectorShift/article/details/155090664 |
九、多模态与视觉
多模态情感识别
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 第一章 引言与领域概览 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 第2章 深度学习方法与多模态特征工程 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 第三章 多模态融合范式与固有局限 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 第四章 自适应融合与梯度优化技术 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 第五章 基于 Transformer 的进阶融合模型 | https://blog.csdn.net/VectorShift/article/details/152555521 |
| 6 | 第六章 自监督学习在多模态情感识别中的应用 | https://blog.csdn.net/vectorshift/article/details/161981030 |
多模态视觉革命
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【多模态视觉革命：架构、生成与安全】第1章 从Attention到状态空间模型（SSM） | https://blog.csdn.net/vectorshift/article/details/161981030 |
多模态大模型
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 多模态大模型对比评测：GPT-4V、Claude 3、Gemini 的 2026 实战选型指南 | https://blog.csdn.net/vectorshift/article/details/161981030 |
3D视觉与生成
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 基于深度学习的 3D 多模态研究（完整源码） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 基于生成模型的可控3DGS建模 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 3D数字人与Avatar生成（附完整源码） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 基于草图+文本跨模态条件的三维模型生成（教程+可运行代码示例） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 基于生成式AI的三维形状&纹理可控编辑 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 多模态 3D 场景感知与可控推理（Segmentation/Detection/Captioning） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 7 | 三维高斯对抗样本生成：针对点云分类器的可优化高斯扰动攻击 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 8 | 基于具身感知的动态人体三维重建 | https://blog.csdn.net/vectorshift/article/details/161981030 |
研究生课题
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【研究生课题】三模态对抗网络的深度原理与文本生成机制：数学推导与理论分析 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 【研究生课题】三模态对抗网络的深度原理与文本生成机制 —— 完整代码与深度解析 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【研究生课题】多尺度特征医学多模态图像融合技术详解与实现 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 【研究生课题】基于特征分解的多模态模型视觉Token压缩算法研究（初稿及完整源码） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 【研究生课题】基于多模态深度学习的火电机组智能故障诊断与预测性维护系统（初稿及完整源码） | https://blog.csdn.net/vectorshift/article/details/161981030 |
十、扩散模型与生成式AI
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 基于扩散模型的多模态生成与可控图像风格迁移：理论与算法研究 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 基于扩散模型的多模态生成与可控图像风格迁移——代码实现 | https://blog.csdn.net/vectorshift/article/details/161981030 |
十一、物理信息神经网络（PINN）
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 傅里叶基础混合物理信息神经网络（FMPINN）：原理、完整推导与一致性证明 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 基于傅里叶特征PINN的地震多频波场模拟算法原理 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 全局–局部傅里叶神经算子（GL-FNO）：原理、严格推导与 PINN 混合策略 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | AdaI-PINNs：高效求解界面问题的自适应物理信息神经网络框架 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | PINNACLE：PINN自适应配点与实验点选择算法 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 【PINN系列】PSO-PINN：粒子群优化训练物理信息神经网络的原理与推导 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 7 | PirateNets: Physics-Informed Deep Learning with Residual Adaptive Networks | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 8 | 贝叶斯物理约束极限学习机（BPIELM）：原理与推导、复现 | https://blog.csdn.net/vectorshift/article/details/161981030 |
十二、雷达感知与学习
高级雷达感知与学习
表格
复制
无线电控制与数据链探测系统
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【无线电控制与数据链探测系统】第1章 理论基础：定义、模型与基本推导 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 【无线电控制与数据链探测系统】第8章 被动雷达与联合感知（ISAC） | https://blog.csdn.net/vectorshift/article/details/161981030 |
十三、状态空间模型与序列建模
表格
复制
十四、联邦学习与隐私计算
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【机器学习系列】一文搞懂联邦学习 | https://blog.csdn.net/vectorshift/article/details/158355988 |
| 2 | 【联邦学习高级应用】第1章 垂直联邦学习（VFL）基础与形式化定义 二 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【联邦学习高级应用】第3章 超大规模联邦学习的系统架构 第一部分 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 【联邦学习高级应用】第3章 超大规模联邦学习的系统架构 第二部分 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 【联邦学习高级应用】第四章 垂直领域合规方案设计（医疗与金融） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 【联邦学习高级应用】HIPAA技术专题 原理和实现 | https://blog.csdn.net/vectorshift/article/details/161981030 |
十五、零知识机器学习（zkML）
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【机器学习系列】一文搞懂 零知识机器学习（zkML） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 【机器学习系列】零知识机器学习（zkML）高级应用 DeFi可验证AI交易代理 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【机器学习系列】零知识机器学习（zkML）高级应用 通用 zkML 开发框架：EZKL 端到端实战 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 【机器学习系列】零知识机器学习（zkML）高级应用 生物识别身份验证：Worldcoin World ID zkML 实现 | https://blog.csdn.net/vectorshift/article/details/161981030 |
十六、机器学习势能（MLPs）与科学计算
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 机器学习势能（MLPs）第一章 基础理论与核心概念 第二章 数据生成与训练集构建 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 机器学习势能（MLPs）第三章 模型训练与超参数优化 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【机器学习势能（MLPs）】第四章 模型验证与性能评估 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 【机器学习势能（MLPs）】第五章 软件工具与生产部署 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 【机器学习势能（MLPs）】第六章 高级应用与前沿方向 一 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 【机器学习势能（MLPs）】第六章 高级应用与前沿方向 二 | https://blog.csdn.net/vectorshift/article/details/161981030 |
十七、张量理论与计算
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 深入理解张量 第一章 张量理论基础 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 深入理解张量 第二章 张量分解与降维 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 深入理解张量 第3章 张量计算框架与自动微分 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 深入理解张量 第4章 张量在深度学习架构中的核心应用 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 深入理解张量 第5章 张量网络与量子机器学习 | https://blog.csdn.net/vectorshift/article/details/161981030 |
十八、量化与部署优化
大模型量化技术
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 大模型量化技术——第一章 量化算法的数学基础 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 大模型量化技术——第一章 量化算法的数学基础 代码实现 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 大模型量化技术——第二章 基础量化算法 —— 统计与映射 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 大模型量化技术 第二章 基础量化算法 —— 统计与映射 | https://blog.csdn.net/vectorshift/article/details/161981030 |
CUDA编程部署教程
表格
复制
NPU与边缘计算
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | NPU：AI时代的计算核心与架构演进 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | RKNN 3588 RKNPU 的算力到底怎么算？ | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | RK3588 NPU 核心命令汇总 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | RKNN-Toolkit2 转换脚本 | https://blog.csdn.net/vectorshift/article/details/161981030 |
谷歌TPU全栈技术解析
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【谷歌TPU全栈技术解析】第一章 设计哲学与架构演进史 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 【谷歌TPU全栈技术解析】第二章 核心计算引擎微架构 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 【谷歌TPU全栈技术解析】第三章 存储层次与片间互连网络 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 4 | 【谷歌TPU全栈技术解析】第四章 软件栈与编译优化 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 5 | 【谷歌TPU全栈技术解析】第五章 集群部署与性能工程 | https://blog.csdn.net/vectorshift/article/details/161981030 |
十九、视频降噪算法
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 高效视频降噪算法的研发与实现 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 2 | 【视频降噪算法】引言：面对 RAW 域的挑战与机遇 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 3 | 【视频降噪算法】第二章 第一部分 原理阐述：联合任务的轻量级架构 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 【视频降噪算法】第二章 轻量级架构 第二部分 算法实现 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 5 | 【视频降噪算法】第三章 构建高保真RAW数据集 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 6 | 【视频降噪算法】第四章 复合损失函数设计 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 7 | 【视频降噪算法】第五章 从云端到终端 —— RK3588平台部署与性能验证 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 8 | 【视频降噪算法】第六章 FastDenoiseNet — 原理详解与完整代码实现 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
二十、智能体与推理系统
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 第 1 章 绪论：智能体的必要性与工程挑战 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 2 | 第2章 从 CoT 到 ReAct：智能体认知架构的范式革命 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 第3章 近年关键进展综述：Reflexion、强化学习与层次化规划 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 4 | 第4章 ReAct 的形式化与核心实现 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 5 | 第5章 工具箱设计与安全（Tools & Safety） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 6 | 第6章 框架整合：LangChain、LangGraph 与自研微服务 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 7 | 第7章 追踪、日志与可视化（Observability） | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 8 | 第8章 强化学习改进（扩展与工程落地）：将 ReAct 视为策略（PPO / RL） | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 9 | 第9章 语言级自我改进：Reflexion 与记忆机制 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 10 | 一文搞明白PYTORCH | https://blog.csdn.net/vectorshift/article/details/161981030 |
二十一、概率与统计方法
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 概率神经网络（PNN）详解与现代扩展 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 2 | 一文全部读懂人工智能可解释性 | https://blog.csdn.net/vectorshift/article/details/161981030 |
| 3 | 基于"分而治之"的传递强化学习 (Transitive RL) | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 4 | Word2Vec 学习动力学：从特征提取到矩阵分解的洞见 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 5 | 一文搞懂逆向卡尔曼滤波（Inverse Kalman Filter） | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 6 | 【联合逆向学习框架：IPFDDP算法技术】第1章 理论基础与对抗环境建模 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 7 | 【联合逆向学习框架：IPFDDP算法技术】第2章 依赖狄利克雷过程（DDP）的贝叶斯非参数框架 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 8 | 【联合逆向学习框架：IPFDDP算法技术】第3章 IPFDDP算法核心实现 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 9 | 【因子图优化（FGO）】原理到实现 第一章 理论与数学 第二章 核心库实现(C++)与工程实践 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 10 | 【因子图优化（FGO）】第三章：前沿应用与扩展方向 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
二十二、高光谱与遥感
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 基于高光谱的物质反演与分类 — 技术文章（原理详解 + 深度代码实现） | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
二十三、对抗样本与安全
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 三维几何数据（点云与网格）对抗样本生成的理论与方法研究 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 2 | 三维几何数据对抗样本生成：理论与实现 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
二十四、神经形态计算
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 【神经形态计算】从原理到实现完整解析（一） | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 2 | 【神经形态计算】从原理到实现完整解析（二） | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
二十五、医疗数据与应用
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | 医疗数据集汇总 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
二十六、其他专题
表格
复制
| 序号 | 文章标题 | 链接 |
|---|---|---|
| 1 | BED（Bayesian Evidence Decoding）任务的新型网络设计 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
| 2 | 逆卷积（Reverse Convolution）与图像恢复 | 人工智能技术白皮书专栏 — 完整总目录-CSDN博客 |
学习路线图
Mermaid
全屏
下载
复制
代码预览
阶段六：前沿交叉
阶段五：边缘部署与系统
阶段四：具身智能与机器人
阶段三：大模型与生成式AI
阶段二：核心模型与架构
阶段一：数学与理论基础
概率论与信息论张量分解与计算度量与分布距离逆向卡尔曼滤波GNN/GCN/GATPointNet/图Transformer几何深度学习VAE/Flow/EBM自监督学习模型压缩与稀疏Transformer第一性原理Attention机制详解RAG高级实战生成式AI生命周期大模型量化技术JEPA/Titans/RWKVKV-Cache压缩具身智能原理感知-认知-行为框架世界模型与因果推理足式机器人DRL人形全身控制VLASim2Real部署NPU架构与算力RKNN转换与部署CUDA/TensorRT优化神经形态计算PINN/神经算子雷达信号处理量子计算多模态融合工业故障诊断
图注：学习路线图总览。蓝色为数学基础，绿色为核心模型，橙色为大模型，紫色为具身智能，红色为边缘部署，黄色为前沿交叉，灰色为工业应用。箭头表示推荐学习顺序。
分阶段学习建议
路径 A：理论研究者（Research Track）
推荐顺序：阶段一 → 阶段二 → 阶段六 → 阶段三 → 阶段四
-
先夯实数学基础（概率论、张量、优化）
-
深入理解 GNN、VAE、自监督等核心模型
-
探索 PINN、量子计算等前沿交叉
-
最后接触大模型与具身智能的应用层
路径 B：工程实践者（Engineering Track）
推荐顺序：阶段一（选读） → 阶段三 → 阶段四 → 阶段五
-
快速了解概率与信息论基础
-
直接进入 Transformer 与 RAG 实战
-
学习具身智能机器人部署（Sim2Real、LeRobot、Isaac Lab）
-
掌握 RKNN/NPU 边缘部署技能
路径 C：机器人 Specialist（Robotics Track）
推荐顺序：阶段一 → 阶段四（具身智能） → 阶段五 → 阶段六（多模态）
-
从具身智能的理论根基开始
-
系统学习感知、认知、行为框架
-
深入足式/人形机器人的控制与部署
-
扩展到雷达感知与多模态融合
专栏文章数量统计
表格
复制
| 主题分类 | 已扫描文章数 | 预估总文章数 |
|---|---|---|
| 基础理论与数学工具 | 8 | ~20 |
| PINN与神经算子 | 6 | ~15 |
| 现代机器学习研究进展 | 3 | ~30 |
| 几何深度学习 | 14 | ~25 |
| 大模型与生成式AI | 11 | ~30 |
| 具身智能原理与系统 | 20 | ~40 |
| 机器人高级实战 | 13 | ~20 |
| 人形机器人前沿解读 | 10 | ~20 |
| 智能体认知架构 | 2 | ~5 |
| 状态空间模型 | 3 | ~10 |
| 多模态与视觉 | 4 | ~12 |
| 雷达感知 | 5 | ~15 |
| AI芯片与边缘计算 | 5 | ~12 |
| 量子计算 | 1 | ~8 |
| 工业应用 | 2 | ~5 |
| 合计 | 约150篇 | 250+篇 |
扫一扫
239
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
