从应用数学到系统设计：我的学习路径

从一门课走到一个问题

有一次，我原本只想弄清楚：为什么不能直接让语言模型操控机械臂？接着我问，人有没有类似的想象能力，世界模型会不会融入多模态模型，NLP 与 CV 这样的分类以后还是否合适。问到最后，问题落回了自己身上：如果知识的组织方式也在变化，我是不是需要根据自己的认识调整学习路线？这串追问没有给我一张现成课表，却让我看见了课表之外的问题。

对我而言，一个更有用的学习问题是：这个概念能够解释哪种现象，又在哪些条件下不再适用？它不必立刻变成完整产品，但最好能留下一个推导、一个小程序或一个可重现的反例。

让理解留下痕迹

这比只记录“学过某个工具”更慢，也更诚实。一个程序能运行，只是起点；如果我说不清输入限制，或者不能解释一个失败样本，就说明理解还有缺口。

系统最终要被人使用

企业数字化提供了另一组值得追问的问题：数据是谁定义的，状态由谁确认，错误由谁更正？这些不是把课程价值换成商业标签，而是提醒我，形式化表达之外还存在协作和责任。本文不把这种学习取向写成已取得的业务成效。

我会继续在算法、数值方法、软件系统与业务对象之间寻找连接，也给不直接服务项目的学习保留空间。学习的价值不能完全由即时产出决定；探索与修正本身，也是形成判断的过程。

学校课程跟不上变化时，我该怎么办

在连续追问语言模型、世界模型和机械臂之后，我把问题转回自己：学校的课程会不会跟不上，需要根据对前沿的认识调整学习？我不想只在课表里等答案，也不想每天追着新名词换方向。

一个可尝试的办法，是把学习路线分成稳定基础和正在解决的问题。线性代数、概率、算法和系统知识，帮助我判断新方法；论文、实现与实际失败，则告诉我哪些问题值得继续深入。这是从原问题展开的学习设计，不代表我已经完成一套固定的追踪计划。

一张学习路线，也需要决定暂时不学什么

我在关于学历的短稿里写下的核心想法是：学历不等于学习。继续往下问，真正难的便是如何分配注意力。今天补一个框架，明天追一篇新论文，表面上一直向前，实际可能没有一个问题被理解得更深。

可以用一个很小的研究问题约束路线：例如，让路径规划器在道路临时封闭后重新给出路线。先写清楚图如何更新、旧结果何时失效，再实现一个可复现的小例子。读到新方法时，问它改善了重算时间、表达能力还是验证方式；如果答不上来，就先放进待读清单，不必立即更换整个技术栈。这是一种可采用的学习安排，不是已完成实验的报告。

也要留下一条停止条件：当一个问题已经能被解释、复现，并且知道哪些输入会使它失败，就可以暂时收束。否则“还需要再学一点”很容易变成无限延期。收束不等于穷尽知识，它让下一次学习有一个可以接续的位置。学校的系统训练、自由阅读与项目实践由此可以互相补位，而不是争夺唯一正确的路线。

用一个问题维护路线，而不是收集热点

比如研究机械臂，不必从所有模型名字开始。可以先选一个动作，列出观察、预测、控制和反馈分别需要什么，再找相关研究。读不懂某个推导时回到数学，无法复现时补系统知识。前沿问题为基础训练提供方向，基础又防止我把宣传当成理解。

回看这串问题，可以把它整理成一种学习方法：从一个想做的动作出发，追问它缺少什么能力，再找出需要补足的基础。这里的方法是对会话的进一步提炼，不是一套我已经长期执行并验证过的制度。对我而言，值得保留的不是某张永远正确的 AI 分类图，而是当问题变了，愿意重新画图的能力。