博士课程大纲：高级人工智能（16 学时）

课程目标

本课程面向人工智能及相关领域博士研究博士课程大纲：高级人工智能（16 学时）生，聚焦近 3-5 年 AI 领域的核心理论突破、技术瓶颈与科研创新方法论。课程旨在帮助学生建立 “理论根源 – 技术演进 – 场景落地” 的完整认知体系：既能拆解 NeurIPS/ICML/ICLR 等顶会的前沿成果、识别技术痛点，又能将大模型、多模态、强化学习等前沿方法与自身科研课题（如 AI + 科学发现、智能机器人、医疗 AI 等）深度结合，最终具备独立设计创新性研究方案、撰写顶会级论文的能力。

课程结构（总计 16 学时，分 4 周，每周 4 学时）

第一模块：AI 基础理论与范式演进（4 学时）

1. AI 范式的迭代与核心理论问题（2 学时）

范式跃迁：

从 “传统机器学习” 到 “深度学习”：以 AlexNet（2012）、ResNet（2016）为例，解析 “特征工程自动化” 的本质；从 “单任务模型” 到 “基础模型（Foundation Model）”：GPT/LLaMA/PaLM 的 “预训练 – 微调” 范式，解决 “数据稀缺” 与 “场景泛化” 的核心矛盾；从 “统计关联” 到 “因果推断”：传统 AI 的 “相关性偏见”（如医疗 AI 误将 “设备型号” 当作疾病特征），因果图（Do-Calculus）与不变风险最小化（IRM）的理论突破。
核心理论挑战：
泛化性问题：分布偏移（Domain Shift）下的模型失效（如训练数据是晴天，测试是雨天的自动驾驶感知），解决方案如域适应（Domain Adaptation）、测试时自适应（Test-Time Adaptation）；鲁棒性与安全性：对抗攻击（如微小扰动导致图像分类错误）、模型幻觉（大模型生成虚假事实）的理论根源与防御机制（如对抗训练、事实一致性约束）。
顶会案例拆解：解析 ICML 2023《Invariant Risk Minimization for Out-of-Distribution Generalization》的理论框架与实验设计，理解 “因果推断如何提升泛化性”。

2. 机器学习理论的前沿进展（2 学时）

核心方向：

大模型泛化理论：模型规模（参数量）与泛化误差的关系（如 “双下降” 现象），过参数化模型的泛化边界分析；小样本 / 零样本学习理论：元学习（MAML）的 “先验知识迁移” 数学基础，提示学习（Prompt）的 “分布校准” 机制；优化理论：深度学习优化器的收敛性（如 AdamW vs SGD 的适用场景），大模型训练中的 “鞍点规避” 与 “梯度消失” 解决方案。
小组研讨：围绕 “‘大模型越大泛化性越好’是否成立？” 展开辩论，要求结合顶会文献（如 NeurIPS 2024《Scaling Laws Revisited: 泛化误差的饱和点》）提出论据，15 分钟分组后派代表分享；作业布置：撰写 1500 字 “某类 AI 理论问题（如分布偏移 / 小样本泛化）与自身课题的关联分析”，需引用 5 篇以上近 3 年顶会论文（1 周内提交）。

第二模块：AI 核心技术前沿突破（6 学时）

3. 大模型技术：训练、微调与效率优化（2 学时）

核心进展：

基础模型训练：大规模预训练数据的筛选（如 C4 数据集的去噪策略）、混合专家模型（MoE）的并行训练（如 GPT-4 的 MoE 架构）；高效微调技术：参数高效微调（PEFT）如 LoRA（低秩适应）、QLoRA（量化 LoRA）的原理与适用场景（如资源有限下的大模型适配）；大模型压缩与部署：模型量化（INT8/INT4）、稀疏化（结构化稀疏）、蒸馏（知识蒸馏）的技术细节，边缘设备（如 FPGA / 嵌入式）的部署挑战（如实时性约束）。
顶会案例：拆解 NeurIPS 2023《QLoRA: Efficient Finetuning of Quantized LLMs》的量化策略（4-bit 量化）与实验结果（在 7B 模型上精度损失 < 1%）；实战演示：基于 PyTorch 实现 LoRA 微调 LLaMA-7B 模型（针对特定任务如 “AI + 材料设计”），讲解超参数调优（秩大小、学习率）与效果评估。

4. 多模态 AI 与跨模态融合（2 学时）

技术痛点：

跨模态异构性：文本（语义）、图像（像素）、语音（波形）的数据结构差异，模态间 “语义鸿沟”（如 “红色苹果” 的文本与图像特征对齐）；模态噪声与缺失：医疗场景中 “CT 影像 + 病理文本” 的模态缺失（如部分病例无病理文本）、自动驾驶中 “LiDAR 点云 + 相机图像” 的雨天噪声。
前沿方法：
跨模态对齐：对比学习（CLIP 的 “文本 – 图像配对预训练”）、生成式对齐（DALL・E 的 “文本生成图像” 双向映射）；模态融合框架：早期融合（特征级拼接，如将图像特征与文本特征输入 Transformer）、晚期融合（结果级投票，如多模态检测框加权融合）、端到端融合（如 FLAVA 的 “统一模态编码器”）。
案例分析：解析 ICML 2024《Causal Fusion for Multi-Modal AI: Mitigating Modal Bias》的创新点 —— 通过因果图分离 “有效融合特征” 与 “冗余模态噪声”，提升医疗多模态诊断精度。

5. 强化学习与决策 AI 的前沿（2 学时）

核心挑战与突破：

样本效率低：传统 RL（如 DQN）需百万级交互样本，解决方案如模型基强化学习（Model-Based RL，用环境模型生成虚拟样本）、元强化学习（Meta-RL，快速适应新环境）；安全与约束：强化学习在工业控制（如机器人装配）中的 “安全边界”，解决方案如约束强化学习（CRL）、安全探索（Safe Exploration）；多智能体强化学习（MARL）：多智能体协作与竞争的动态建模（如联邦强化学习在分布式机器人中的应用）。
顶会案例：拆解 ICLR 2024《Model-Based RL with Neural ODE for Fast Adaptation in Robotic Control》的环境建模方法 —— 用神经 ODE 提升模型预测精度，减少实际交互样本；小组任务：设计 “某场景下的 RL 方案”（如 “AI + 化工流程优化”），明确状态空间、动作空间、奖励函数设计，10 分钟小组汇报。

第三模块：AI 场景落地与技术挑战（4 学时）

6. 典型场景的 AI 应用与瓶颈（2 学时）

场景 1：AI + 科学发现：

核心任务：材料设计（如 AI 预测催化剂性能）、药物发现（如分子生成与活性预测）、天体物理（如引力波数据分析）；落地挑战：小样本数据（如稀有分子实验数据）、物理规律约束（如符合量子力学定律）。
场景 2：医疗 AI：
核心任务：病灶检测（如肺结节 CT 分割）、疾病预测（如基于电子病历的糖尿病风险评估）；落地挑战：可解释性（医生需理解 AI 决策依据，如 Grad-CAM 可视化）、数据隐私（联邦学习适配，避免原始病历泄露）。
场景 3：工业智能：
核心任务：设备故障预测（如基于传感器数据的电机故障诊断）、生产优化（如 AI 调度流水线）；落地挑战：实时性（工业场景需毫秒级响应）、抗干扰（车间振动导致传感器噪声）。
案例对比：分析 “实验室精度”（如医疗 AI 在公开数据集上的 95% 准确率）与 “临床落地精度”（实际医院场景 88% 准确率）的差异原因，聚焦 “数据分布差异”“硬件约束”。

7. AI 伦理、合规与安全验证（2 学时）

伦理核心议题：

算法公平性：避免性别 / 种族偏见（如招聘 AI 对女性候选人的歧视），解决方案如公平性约束正则化；数据隐私：符合 GDPR、中国《生成式 AI 服务管理暂行办法》，技术手段如差分隐私（DP）、联邦学习；安全责任：AI 决策失误的责任界定（如自动驾驶 AI 误判导致事故），安全验证方法如形式化验证（Formal Verification）。
政策与标准：解读 ISO/IEC AI 标准（如 AI 系统的风险评估框架）、欧盟 AI 法案（将 AI 分为 “禁止类 / 高风险类 / 低风险类”）；模拟辩论：围绕 “‘AI 生成内容的著作权归属’” 展开对抗式讨论，要求结合伦理理论与政策条款，培养博士的社会责任感。

第四模块：AI 科研方法论与趋势研判（2 学时）

8. 科研选题、顶会写作与趋势预测（2 学时）

科研选题方法论：

痛点导向：从场景落地问题中提炼研究点（如 “医疗 AI 可解释性不足”→“基于因果图的医疗 AI 解释框架”）；技术导向：从方法瓶颈中寻找创新（如 “大模型推理效率低”→“轻量化推理引擎设计”）；交叉创新：AI 与自身课题的交叉（如 “AI + 机器人”→“基于多模态大模型的机器人操控”）。
顶会论文写作技巧：
创新点提炼：顶会论文（NeurIPS/ICML）的 “三要素”—— 问题新颖性（解决未被解决的痛点）、方法创新性（提出新框架 / 改进）、实验充分性（多数据集验证、 ablation study）；拒稿应对：解读评审意见（如 “实验不充分”“创新点不明确”），重投修改策略（补充对照组、强化创新点论述）。
未来趋势预测：
短期（1-3 年）：AI + 科学发现（如 AI 辅助核聚变模拟）、边缘智能（端侧大模型部署）；长期（3-5 年）：通用人工智能（AGI）的初步探索、AI 与脑科学的交叉（如类脑神经网络）。
课程总结：学生分享 “课程对自身课题的启发”，教师针对性点评，明确后续科研方向（如 “如何将多模态融合应用于自身的‘AI + 遥感’课题”）。

教学方式

顶会案例驱动：以近 2-3 年 NeurIPS/ICML/ICLR 顶会论文为核心素材，拆解 “问题提出 – 方法设计 – 实验验证 – 结论升华” 的逻辑链，避免纯理论空谈；前沿学者讲座：邀请 1-2 位 AI 领域青年学者（如顶会 Area Chair、杰青团队核心成员）分享最新研究（如大模型压缩、AI + 科学发现）与科研经验（如顶会投稿技巧）；研讨式学习：每个模块设置 30 分钟 “学生主讲 + 师生讨论”，要求学生提前研读指定文献（每模块 3-5 篇顶会论文），准备 “问题 – 方法 – 不足 – 改进思路” 的深度观点；实战训练：通过 “大模型微调实战”“RL 方案设计” 等任务，强化 “理论 – 代码 – 实验” 的转化能力，避免 “纸上谈兵”。

评估体系（总分 100 分）

阶段性作业（40 分）：

前沿技术综述（20 分）：选择 1 个模块主题（如大模型微调 / 多模态融合），撰写 3000 字综述，要求梳理技术脉络、指出核心瓶颈、结合自身课题提出创新方向（需引用 8 篇以上近 3 年顶会论文）；实战任务报告（20 分）：提交 “大模型微调代码（如 LoRA 微调 LLaMA）” 或 “RL 方案设计报告”，含结果对比、参数调优分析、1 个小改进尝试（如微调时加入领域数据）。

课堂表现（30 分）：

主题主讲（15 分）：1 次模块前沿主题主讲（15 分钟），评估逻辑清晰度、技术深度（如是否能拆解论文创新点）与表达能力；互动参与（15 分）：课堂提问、小组辩论的积极性与观点创新性（如提出 “某技术的未解决瓶颈” 或 “场景适配新思路”），避免空泛表态。

期末项目（30 分）：

科研创新方案（20 分）：结合自身课题，设计 “基于 AI 前沿技术的创新研究方案”，含问题定义（需明确痛点）、方法设计（关联课程所学技术）、预期实验结果（如 “精度提升 5%，效率提升 20%”）；学习总结（10 分）：1500 字总结，重点说明 “课程内容如何解决自身课题的现有困惑”“后续科研计划调整”（如 “计划将因果推断加入现有医疗 AI 模型”）。

拿高分策略

1. 以 “顶会深度拆解” 构建学术深度，避免 “表面读懂”

博士课程的核心是 “科研思维”，研读顶会论文时需超越 “理解方法步骤”，聚焦三个维度：

创新点本质：如某大模型压缩论文的 “稀疏化策略” 是否真的解决了 “精度 – 效率平衡” 的核心痛点？对比同类方法（如量化、蒸馏）的优势；实验设计逻辑：为何选择某数据集 / 基线模型？对照组如何设置以凸显创新点？（如 NeurIPS 论文中 “ablation study” 的变量控制，需明确 “每个模块的贡献”）；技术局限性：论文未解决的问题（如 “某多模态模型仅适配文本 – 图像，无法处理语音”），可作为课堂讨论的观点或自身课题的切入点。

建议建立 “顶会笔记模板”，固定 “问题 – 方法 – 创新点 – 不足 – 改进思路” 栏目，课堂研讨时能快速输出有深度的观点，轻松拿下互动参与分。

2. 让 “作业与自身课题强绑定”，凸显 “科研实用性”

博士阶段的作业不是 “完成任务”，而是 “课题预研”，需避免 “泛泛而谈”：

技术综述：不要覆盖所有方向，而是聚焦 “与自身课题相关的细分领域”（如研究 “AI + 农业遥感” 的学生，重点综述 “多模态 AI 在遥感图像解译中的应用”），并在 “展望” 部分提出 “将某前沿技术（如因果融合）应用于课题的具体思路”；实战任务：选择与课题相关的任务（如研究 “AI + 机器人” 的学生，微调大模型用于 “机器人指令理解”），复现后尝试 “针对性改进”（如加入机器人领域术语的预训练数据），即使改进效果不显著，清晰的 “改进逻辑 + 实验分析” 也能体现科研能力，轻松获得实战报告高分。

3. 主动主导课堂研讨，展现 “思辨与学术素养”

课堂表现占 30%，需主动把握机会，避免 “被动听课”：

主题主讲：提前 1 周与教师确认主讲方向，结合自身课题补充案例（如讲 “多模态 AI” 时，加入 “自身研究的‘遥感图像 + 气象数据’融合场景”），让内容更具个性化与深度；互动环节：针对 “技术瓶颈” 主动提问（如 “大模型微调在小样本医疗数据上的精度损失如何解决？”），或在辩论中结合文献提出论据（如 “算法公平性可参考 ICML 2024 某论文的‘公平性正则化方法’”），避免 “我同意 / 不同意” 的空泛表态，凸显学术素养。

4. 期末创新方案 “聚焦落地性”，体现 “课题价值”

期末项目是得分关键，需避免 “空中楼阁”，满足三个要求：

问题定义精准：基于自身课题的真实痛点（如 “现有遥感 AI 模型无法处理‘云遮挡’图像”），而非虚构问题；技术适配合理：选择课程覆盖的前沿技术（如 “用多模态 AI 融合‘遥感图像 + 气象文本’，解决云遮挡问题”），并说明 “为何该技术能解决痛点”（如 “气象文本可提供云分布信息，辅助图像补全”）；预期成果具体：明确 “可量化的实验指标”（如 “云遮挡场景下的作物分类精度从 75% 提升至 88%”），而非模糊的 “提升性能”。

若能在方案中引用课程中的顶会案例（如 “参考 NeurIPS 2023 某论文的多模态补全框架”），更能体现对前沿的掌握，轻松获得高分。

5. 多与教师沟通 “课题适配性”，获取 “针对性指导”

博士课程的核心是 “服务课题”，主动与授课教师沟通能少走弯路：

课前：告知教师自身课题方向（如 “AI + 材料设计”），询问 “课程中哪些模块 / 技术需重点关注”（如 “大模型生成式设计”“强化学习优化材料性能”）；课后：针对作业或研讨中的困惑（如 “如何将安全强化学习应用于材料合成流程优化”），寻求具体建议（如 “可参考 ICLR 2024 某论文的‘约束强化学习框架’”）；期末前：提交创新方案草稿，获取 “技术可行性”“实验设计” 的修改意见（如 “建议补充‘材料合成成本’作为 RL 的奖励约束”）。

教师的针对性指导能帮助避开 “偏离课题”“技术不切实际” 的坑，确保成果既符合课程要求，又能直接服务后续科研（如作为顶会论文的初步框架）。