人工智能

从机器学习的数学基础到大语言模型的系统实现，这个板块覆盖 AI 算法与系统的完整知识链。对做硬件研究的人来说，机器学习基础和 AI 系统（ML Systems）是与芯片设计交叉最深的两个子方向。

课程关系

箭头从前置课程指向后置课程。

graph TB
    A[入门速成] --> B[机器学习]
    B --> C[深度学习]
    C --> D[深度生成模型]
    D --> L[大语言模型]
    B --> E[机器学习理论]
    B --> G[强化学习]
    B --> X[AI交叉应用]
    C --> H[类脑与SNN]
    C --> F[AI系统]
    L --> F

    classDef intro fill:#EFF6FF,stroke:#3B82F6,stroke-width:2px
    classDef algo fill:#F0FDF4,stroke:#16A34A,stroke-width:2px
    classDef sys fill:#FFFBEB,stroke:#B7791F,stroke-width:2px
    classDef theory fill:#F8FAFC,stroke:#64748B,stroke-width:1.5px,stroke-dasharray:3 3
    class A intro
    class B,C,D,L algo
    class F sys
    class E,G,H,X theory

主链是算法层，入门 → 机器学习 → 深度学习 → 深度生成模型 → 大语言模型。AI 系统在算法层之上，讲怎么把模型高效跑起来，是芯片研究者最该投入的一层。机器学习理论、强化学习、类脑与SNN、AI交叉应用是从主链分出的专题方向，按研究需要选学。

---

入门速成 — Neural Networks: Zero to Hero、CS50 AI、CS188；几天之内建立 AI 的基本图景，适合从零开始。

机器学习 — CS229、CS189、Data100；监督学习、优化、泛化理论；做 AI 硬件协同设计的数学基础。

AI 系统 — CMU 10-414、TinyML、MLC（mlc.ai）；研究如何把 AI 模型高效部署到各类硬件上，与处理器架构、存算一体方向直接交叉。

深度学习 — CS231n、CS224n、李宏毅机器学习；神经网络的主流模型（CNN、Transformer）及训练技术。

深度生成模型 — VAE、GAN、扩散模型；了解 AI 前沿模型的工作原理与计算需求。

大语言模型 — CS336 from scratch、CMU 11-711、OpenBMB；LLM 的训练与推理，当前 AI 系统研究的主要工作负载。

强化学习 — 赵世钰数学原理 + David Silver 经典；ML for EDA / 机器人控制策略的核心算法。

类脑与SNN — 脉冲神经网络基础资源；目前无完整公开课，收录 EPFL Gerstner / snnTorch 等次优资源。

机器学习理论 — 概率图模型、统计学习理论；理论方向的进一步深入。

AI交叉应用 — AI 用于 EDA、制造、自动驾驶等领域的复旦课程；与系统架构板块的 AI加速器（为 AI 造芯片）互为镜像。

相关科研方向

对应科研方向	推荐子板块	为什么
AI 算法与系统	AI 系统 + 深度学习 + 大语言模型	这是本方向的本体——量化、推理优化、LLM serving 都来自这里
处理器架构与编译系统	AI 系统 (TVM/MLC)	AI 编译器是当前体系结构最热的研究分支之一
存算一体与近存计算	入门速成 + AI 系统	至少要看懂 attention、MAC 在做什么,才能设计 PIM 加速器
类脑芯片	机器学习 + 深度学习	SNN 与 ANN 共享反向传播框架
具身智能	深度学习 (CS285 强化学习) + 深度生成模型	机器人控制策略是 RL + LLM Agent 的混合
EDA 与设计自动化	机器学习 + 深度学习	ML for EDA 是该方向的子领域,GNN/RL 用于布局布线

写给硬件方向的同学: 不必把所有算法原理都吃透,但至少要能看懂 PyTorch 一段 forward 代码,以及一个 transformer block 的计算量分布——这是和 AI 同事沟通的最低门槛。AI 系统板块比深度学习板块更直接。

待建的槽位

以下子领域已规划进知识框架，但还没有经过验证的课程推荐。欢迎熟悉这些领域的同学通过参与建设补全：

• 类脑与SNN（无完整公开课，收录次优资源，欢迎补充）