一名AI算法工程师的2025：从转专业到万粉博主的成长实录

转专业的代价：从NULL开始补代码债

大一上学期，我还是经济与管理学院的学生。大一下决定转专业到计算机科学与技术学院时，我对编程的理解几乎是NULL——连电脑基本操作都不利索。

转专业的代价是惨痛的。我完美错过了大一上的《C语言》基础课，直接开始学习《C++》和《数据结构》。面对晦涩的指针和链表，我启用了一个现在看来最笨、但当时最有效的算法：死记硬背。我把书上所有代码一行一行刻在脑子里。

那个念头后来成了我在CSDN写博客的初衷：如果有一个平台，能有人把这些天书一样的代码讲得通俗易懂该多好？因为我淋过雨，所以想给后来人撑把伞。

那个学期我拿到了班级第三。除了硬啃代码，大一也是我身体机能的巅峰版本：早睡早起，坚持运动。高度自律的节奏让我能时刻保持最佳状态去Update自己的知识库。

大二：多线程压力测试与B站+CSDN自学

大二简直是大学生涯的高并发峰值。因为转专业，我不仅要跑通本学期主线程，还要开启多线程模式补修大一下欠下的技术债。每天满课的状态，简直是对大脑进行24小时极限压力测试。

幸运的是遇到了洪老师。他不仅教我C语言，后来还带我入门强化学习。他是那种能把底层逻辑讲得透彻的老师，让我在最累的学期依然保持对代码的热爱。

由于课程冲突，那个学期我基本上在B站看课程，然后在CSDN找针对难理解知识点的博客。也是在那年学期中，我开始在CSDN分享自己的学习历程。

大三：睡实验室地板的守夜人

正式拜入刘老师门下后，我和葛同学、沈同学组成三剑客，一头扎进计算机视觉与深度相机的研究中。快乐在于写代码、攻克算法的成就感；痛苦在于贫穷限制了我的算力。

实验室没有高性能GPU，我们只能在云平台按小时租赁。对于学生党来说，每一分钟流逝的不仅是时间，更是真金白银。为了省钱，我经常熬到深夜，等模型一跑完立马停止计费。

那段时间我几乎成了实验室的守夜人，直接睡在工位旁，伴着机箱轰鸣声入眠。但这些熬夜守出来的经验，让我积累了大量Linux环境配置、云端算力调度、模型轻量化的实战技巧。后来把这些踩坑记录整理发到CSDN，帮助了很多同样买不起3090的无卡党。

回头看，那些睡在实验室地板上的夜晚，不仅跑通了代码，也跑通了我通往技术博主的进阶之路。

这一年我还接过学院e智团队队长的担子。从秋招纳新到手把手教萌新配置环境、Debug，再到带领大家攻坚科研项目，仿佛在运营一个线下的CSDN社区。我们团队成了学院的大神孵化器，各班级综测Top 3基本被我们承包。

大三暑期迎来第一个High Point：第一篇一作论文被CCF NCCA录用。带着这份激动去苏州参加学术会议，途经合肥时特意去中科大朝圣。在苏州深刻体会到什么叫比你优秀的人比你还努力。

茶歇时认识了做3D点云检测的王同学，现已去西湖大学深造；东北林业大学的张同学让我大开眼界，他们组的医学图像检测已经落地成智能眼镜产品；还有玩智能无人车的太原理工王同学、专攻水下机器人的哈工大林同学。

最激动的是见到了中国科学院院士陈润生。遗憾的是，作为果壳学子这学期没抢到陈院士的课，会场也没来得及要签名。更离谱的是会议结束后才发现，坐我旁边的低调小哥是ACM亚洲区域赛金牌第五名。

大四：静默沉淀与考研复试

大四主旋律从疯狂输出变成静默沉淀。为了考研暂时减少博客更新，进入全封闭的系统内核升级阶段。

但在CSDN写过的每一行代码、记录的每一个项目都没有白费。研究生复试环节，因为本科期间做了大量扎实的项目，面对老师的提问回答得很好。那些熬夜跑通的Demo，成了面试时最硬核的通行证。整个复试流程异常顺利，像代码一次性Build Success般丝滑。

对机器学习的理解：软测量的本质

学完机器学习和深度学习后，我对AI的理解逐渐清晰。机器学习主要包括监督学习和无监督学习。监督学习有分类和回归任务，无监督学习包括聚类和降维。

在实际工作中，分类任务比如给模型喂pH值、COD、总氮等数据，问它这水能喝吗；回归任务比如在污水厂根据进水情况和调节参数预测出水是否达标，或用光强反推牛奶蛋白质含量。

透过算法看本质，机器学习在工程应用中往往扮演软测量的角色：建立容易测量的指标与难以直接测量的指标之间的对应关系。我们利用特征去逼近真相，无论是预测未来还是分类现状。

虽然深度学习很火，但在实际落地时传统机器学习依然是王者。相比于深度神经网络的黑盒和庞大算力需求，机器学习模型参数量少、计算资源消耗低，非常适合部署在嵌入式硬件或边缘设备上。

对深度学习的理解：特征提取的漏斗

深度学习本质上是一个不断提取特征的过程。可以把它想象成一个漏斗：前端神经网络层层剥茧，将原始数据中的关键信息提取出来；中端将提取到的多维特征拍扁，展开成特征长条；后端这个特征长条被送入全连接层，通常先映射到高维空间让数据线性可分，最后再降维映射到低维空间输出结果。

刚入门时很容易陷入按部就班的误区：做视觉只学CNN，做时间序列死磕RNN/LSTM，做NLP只看Transformer，想发论文就拿YOLO改个模块水一篇。这种想法能解决问题但容易遇到瓶颈。

神经网络不应该被名字框住，它本质上就是一个处理张量变换的机器。深度学习最重要的是数据表示——如何把实验数据优雅地翻译成计算机能理解的张量。

图片数据是(3, 224, 224)的立方体数据块；光谱数据是长度为1000的长条向量；分子结构可以用图神经网络或SMILES编码；单词可以通过Embedding层变成512维的向量，在这个空间里污水和废水距离很近，和牛奶距离很远。

混合模型与多模态融合

深度学习是顶级的眼睛，机器学习是顶级的逻辑脑。深度学习极其擅长特征提取，能从乱糟糟的图片里找出规律；传统机器学习在数据量没那么大时，分类和回归效果往往更稳、解释性更强。

比如预测污水处理厂的出水COD：第一步用CNN处理进水口视频监控画面，不直接输出结果，而是提取描述水面波动和颜色的特征向量；第二步把这个特征向量连同传感器测到的pH值、温度一起喂给XGBoost模型，综合视觉特征和数值特征给出精准预测。

单一数据源就像盲人摸象，多模态则是眼观六路、耳听八方。预测蓝藻水华预警系统：模态A用CNN处理无人机航拍图提取水体颜色和纹理特征；模态B用LSTM或GRU处理水下传感器监测的水温、总磷、总氮时间序列数据；模态C用Transformer/BERT处理气象局天气预报文本提取气象条件。融合后模型综合营养够了、天气给力、苗头已现，给出极高准确率的红色预警。

科研与生活的平衡术

博客是用来记记成长、积累知识的，而非成为自我消耗。有灵感和感悟就记录一下，科研很忙或其他重要事情要做时也可以暂时不更新。内容都从平时学习过程和所做项目中来，不能专门为了写博客硬凑内容。平时踩的坑、修好的漏洞、看明白的论文，随手理一理就是一篇好文章。

科研和技术的竞争拼到最后拼的从来都不只是智力，更是能支撑长期深耕的体力。日常跑跑步、打打球，不求练成肌肉猛男，只求稳住发际线，让常年伏案敲代码、看论文的颈椎腰椎不发出警报。

早起去食堂吃免费或半价早餐，是强制自己规律作息的硬约束。当同实验室同学还赖在被窝里时，我已经坐在食堂啃着热乎包子、喝着暖胃的粥，慢悠悠开启新一天的科研节奏，感觉比别人多偷一点时间、多抢一步先机。

哪怕Paper没写完，该约饭还是要约饭。和哥们出去吐槽科研项目、聊聊八卦，是缓解科研压力的特效药。可以去滑雪、玩剧本杀、旅游、看电影，时间不够就简单找个地方玩桌游。

关于亲密关系，在这个阶段最好的关系不是天天腻在一起玩，而是顶峰相见。你在跑模型，她在看文献；你为了进大厂刷题，她为了雅思背书。两个人像是同一个战壕里的战友，互相督促，谁也不许掉队。不要总是要那些虚头巴脑的仪式感，也不要回避谈论未来，早点把职业规划摊开聊，求同存异。

2026年的几个小目标

年前巩固金刚凡境的境界，把几大神经网络复习一遍，所有网络的实战项目再手搓一遍。针对现在做的时间序列任务，多做些自己的网络结构。

下学期选深度学习和强化学习的课程，之前基本上都是自己学习，学校老师都超级厉害，希望可以学到更多东西。

写更多高质量博客，CSDN粉丝破3w+，阅读量破100W+。

努力做好学术研究，争取早出一点科研成果，也希望科研成果可以真正落地应用。

最后一个愿望：希望我爱的人和爱我的人都可以平安喜乐。