在实验中理解
运行代码、比较方案，用结果与反例检查自己的理解。
Coding with AI
from Zero to Hero
2026 秋季
从理解模型，到用 AI 推进研究。
以代码和实验连接模型基础、编程实践与智能体系统。
每周一
–
北京时间（UTC+8）
- 上课地点
- 上海创智学院201 教室
- 教师
- 王德泉
16 讲 · 每讲 3 课时
理解原理，动手检验，形成判断。
从模型如何学习开始，逐步走向能组织信息、调用工具并根据反馈行动的智能体。
带着研究问题实践
逐步形成选题，与同伴合作，把尝试推进为可检验的项目。
课程安排
14 讲主题学习，2 讲项目展示与讨论。
2026 年 9 月 14 日—2027 年 1 月 4 日 · 每周一
第一阶段
理解模型
第 01–04 讲
学习、网络架构、可迁移表示与生成。
-
AI 如何学习，又如何行动
从一次学习到一项工作，理解 AI 能力如何增长，以及人、模型与工具怎样配合完成任务。
展开学习内容收起学习内容
-
神经网络：结构、计算与效率
从卷积与残差到自动设计、动态计算，理解架构如何处理信息，并在计算预算下检验取舍。
展开学习内容收起学习内容
-
视觉表示：从识别到多模态感知
沿学习信号、空间输出与视觉语言三条线，理解学到的表示怎样迁移到新任务。
展开学习内容收起学习内容
国庆假期 · 停课
-
生成模型
理解生成模型如何学习数据分布，比较生成质量、条件控制与理解能力的边界。
第二阶段
从信息到行动
第 05–09 讲
组织上下文、检索与记忆，用工具和代码获得反馈。
-
序列建模、注意力与上下文
从序列建模到注意力机制，理解模型如何组织和使用上下文。
-
预训练、规模扩展与上下文学习
理解预训练与规模扩展，比较训练资源、模型能力和使用时示例的作用。
-
搜索、推理与验证
在有限计算预算下，比较推理深度、搜索广度与结果验证。
-
检索、记忆与上下文工程
组织检索、记忆与上下文，分析信息齐备时仍然出错的原因。
-
工具、代码与可验证反馈
调用工具、执行代码并检查结果，用可验证的反馈修正行动。
第三阶段
组织与检验智能体
第 10–14 讲
比较人机与多智能体协作，用世界模型和长任务检验系统。
-
单个编程智能体
从生成代码走向操作真实代码库，完成定位、修改与测试。
-
人机协作与共享控制
划分人与 AI 的决策和执行职责，设计有效的澄清与确认。
-
多智能体的组织与协作
比较多智能体的分工、通信与协作，分析收益和协调成本。
-
世界模型与闭环反馈
用行动后果的预测辅助规划，再根据真实反馈调整计划。
-
评测基准与长时程证据
用评测基准与长任务证据，检查系统的可靠性和持续使用表现。
展示与讨论
第 15–16 讲
项目展示与讨论
说明问题、方案、实验结果与适用边界。
-
项目展示与讨论（一）
展示问题、方案与实验结果，讨论核心主张是否获得证据支持。
-
项目展示与讨论（二）
继续展示与讨论，梳理尚未检验的假设和下一步实验。
参与要求
适合谁
面向希望将 AI 用于科研的多学科博士生。不预设系统的 AI 训练；有基础编程经验会更容易上手。
飞书课程群
通知、学习材料与提交方式在群内发布。调课、补课及补交安排以群内通知为准。
平时学习
30%
课前阅读后，提交简短的问题、判断或回应。
达到基本要求即可获得该次满分，允许按安排补交。第一讲不设问卷。
课堂实验用于观察与讨论，不另设必交作业。
课程项目
70%
原则上三人一组，围绕真实问题完成 AI 研究或系统实践，最后两讲展示。
评价关注问题与方案、实现与评测，以及对失败和适用边界的分析。
最佳实践
把课件变成与 AI 共学的起点
教师、学生与 AI 全程参与。从课堂上的一条线索，走向你自己的问题与探索。
- 教师铺设线索
- 组织知识框架，提供材料与判断依据。
- 学生主动探索
- 提出具体困惑，用解释与实践检验理解。
- AI 协助展开
- 结合课程材料解释概念、连接知识、辅助实验。
给人看的主线
图解、讲授与阅读材料帮助你快速把握知识框架。课堂提纲挈领，课后沿着线索深入。
给 AI 的上下文
原始论文、代码、背景说明，以及课件打磨中的论证、修订与探索记录，让每条线索都有据可循。
从听懂，到学会
听课，抓住主线
线下听课或线上看录像，先建立整体认知。
定位，找到材料
回到没理解的那一页，打开学习材料与说明。
带着困惑问 AI
把链接交给 GPT，说清已知什么、卡在哪里。
动手，检验理解
自己复述，或在 Deepnote 中改变条件、观察结果，再继续追问。
