MBZUAI跳过基础教AI真的没问题吗

你是否有过这样的经历？

跟着教程做出了一个应用，感觉成就感满满。

可一旦把应用发布到网上，使用者却寥寥无几。

想优化，却又不知道从哪里开始。

这也就是 MBZUAI “先实践后基础” 模式的甜蜜陷阱：快是快，不过容易变成 “AI 调包侠”。

穆罕默德・本・扎耶德人工智能大学（MBZUAI）位于阿联酋阿布扎比，2019 年由阿联酋政府成立，是全球第一所专注研究生培养的研究型人工智能大学。该校提供计算机科学、计算机视觉等 5 个专业的硕士和博士课程，师资雄厚，汇聚众多国际权威学者。学校科研实力强劲，发表众多顶会论文，还自行训练开发 65B 规模大模型。在 CS Rankings 排名中，其人工智能综合排名全球第 15 名，自然语言处理专业全球第 11 名。MBZUAI 为学生提供全额奖学金等福利，毕业生多进入顶尖企业，就业前景良好，阿联酋还会为其颁发 10 年黄金签证吸引人才留居。

不是 “先有鸡还是先有蛋”，而是 “基础有 3 层”

有人可能会说：“学 AI 像学摄影，先拿手机拍再说”，这个类比其实遗漏了关键：学好摄影的确能够拍出好看的照片，但要是想当大厨，光会按菜谱做番茄炒蛋可不够 —— 得懂火候以及食材的化学反应。

AI 的 “基础” 同样如此，不是扁平的 “公式” 或者 “工具”，而是3 层立体结构：

1. 工具性基础：能上手，但别停在这

这是最表层的 “基础”，比如：

（1）调用 Hugging Face 模型的代码该怎么写

（2）numpy 矩阵运算的基本指令

（3）git 开展代码管理工作的几个常用命令

就如同 “1 + 1 = 2”，学了就能用，能够快速获得 “我会用 AI” 的成就感。

MBZUAI 运用这种方式拉新入门，没什么问题。但要是只停在这，那就永远解决不了 “模型为什么错” 的问题。

2. 原理性基础：卡壳时的 “救命稻草”

当调参数调到崩溃时，那就该往这层钻研了：

（1）反向传播为什么能让模型 “学会”？

（2）Transformer 的注意力机制，到底在 “注意” 什么？

（3）交叉熵损失函数，适宜你的分类任务吗？

这就好比理解 “1 + 1 = 2” 背后的皮亚诺公理 —— 知道了原理，才能够把 “不好用的工具” 改成 “好用的”。

有个 AI 从业者吐槽：“以前只会调用模型，遇到数据量太大的情况，只能干等着。后来补充了计算机体系结构知识，才知道怎么优化部署，效率直接提高了 3 倍。”

3. 思想性基础：决定你能走多远

这是最 “虚” 但最关键的一层：

（1）什么是真正的 “智能”？AI 的边界在哪里？

（2）符号主义和联结主义的争论，对现在的大模型有什么影响？

就像追问 “什么是数学” —— 它不直接帮你做题，但能够让你看清 AI 的未来方向。诺贝尔奖获得者杰弗里·辛顿（Geoffrey Hinton）能够提出深度学习，依靠的就是这层思考。

别纠结 “先学啥”，用 “螺旋式” 破解

其实不用选择 “先基础后实践” 或者 “先实践后基础”，正确路径是 3 步：

（1）从工具入手：用一个小项目（比如做个 AI 聊天机器人）点燃兴趣；

（2）遇坑补原理：模型报错、效果差时，针对性学习反向传播、注意力机制；

（3）偶尔想 “大事”：学透原理后，琢磨下 “AI 能解决什么真正的问题”。

就像先跟着菜谱做番茄炒蛋，觉得不够香，再去学习美拉德反应 —— 这样的 “基础”，才是有用的。

#AI教育 #AI学习路径 #基础分层 #螺旋式学习 #MBZUAI

同类讨论还可以看一次简单提问，暴露AI的4大盲点和阶段复盘的复盘。其他阅读路线见自部署阅读路线。

• AI
• 教育
• 基础能力
• 学习路径

这篇如果有用，欢迎自愿赞助，用来继续更新博客和自部署笔记。这不是慈善捐赠。