大多数人学 AI 的路径是这样的：先学 Python，再学 PyTorch，跟着调几个模型，然后一头扎进 Transformer、注意力机制、Scaling Law 这些"前沿"话题。速度很快，但总感觉少了点什么——知其然，不知其所以然。
Datawhale 的 Path2AGI 项目做了一件费力不讨好的事：它不教你调模型，而是把 AI 背后的 29 个基础学科铺开，告诉你每块砖从哪来、为什么这块砖非有不可。
项目地址：https://github.com/datawhalechina/Path2AGI
Path2AGI 的核心论点很明确：现代 AI 不是计算机科学的分支，而是一门汇聚型学科。
反向传播继承自微积分与优化；神经网络的结构灵感来自神经科学；强化学习的数学骨架来自概率论、运筹学与控制论；大语言模型既依赖统计学习，也依赖语言学、认知科学与大规模系统工程；对齐、激励、多智能体与治理问题又把经济学、博弈论、哲学和复杂性科学拉回中心。
项目把这 29 个学科分成六组：
| 分组 | 学科 | 核心问题 |
|---|---|---|
| 数学与形式基础 | 概率统计、线性代数、微积分优化、信息论、逼近论、图论、拓扑几何、逻辑学、因果推断 | AI 用什么数学语言表示世界 |
| 计算与系统工程 | 计算机科学、数值分析、信号处理、控制论、复杂性科学、AI硬件与并行计算 | 理论怎样变成可运行的系统 |
| 认知、生物与语言 | 神经科学、认知科学、心理学、语言学、进化生物学 | 自然智能如何形成，对 AI 有何启发 |
| 决策、交互与社会机制 | 运筹学、博弈论、经济学 | 多主体如何互动、分配资源、形成激励 |
| 物理与哲学基础 | 统计物理、哲学 | 学习系统的能量、相变与认识边界 |
| 社会科学与人文学科 | AI伦理与治理、社会学、法学、人类学 | AI 如何嵌入社会结构、制度与文化 |
这不是知识的拼盘。作者在文中反复强调一个判断：这 29 门学科构成了一个从表示到系统、从个体到社会、从实现到边界再到治理的闭环。
项目最有价值的部分之一，是一条压缩时间线。不是 AI 编年史，而是把 AI 背后的所有学科源头按时间排开：
这条时间线说明一件事：AI 从来不是某一门学科的自然延伸，而是多条历史线索在同一时间点的交汇。
项目不要求你 29 门全学，而是根据你的目标给了四条路线：
路线 A：面向机器学习 / 深度学习
概率论 → 线性代数 → 微积分与优化 → 信息论 → 数值分析 → AI 计算硬件与并行计算
这是最经典的"炼丹师"路线。搞清楚不确定性怎么描述、向量空间怎么组织、梯度怎么更新、信息怎么压缩、有限精度怎么处理、GPU 为什么是必须的。
路线 B：面向结构化 AI / 图学习
图论 → 拓扑与几何 → 计算机科学 → 复杂性科学
世界不是规则网格，而是关系网络与连续空间。这条路线教你理解 AI 如何表示结构。
路线 C：面向强化学习 / 智能体
概率论 → 优化理论 → 控制论 → 运筹学 → 博弈论 → 复杂性科学
RL 和 Agent 不是凭空冒出来的，它的理论前身是控制论、运筹学和博弈论。这条路线把数学骨架讲清楚。
路线 D：面向推理 / AGI / 治理
逻辑学 → 因果推断 → 计算机科学 → 认知科学 → 语言学 → 哲学 → AI 伦理与治理 → 社会学 → 法学
这是最长的路线，也是最被忽视的。当你思考 AGI 到底意味着什么、对齐问题怎么解决、AI 该如何被监管时，这些学科缺一不可。
项目里有些学科在 AI 语境中很少被提及，但作者给出了有说服力的论证：
逼近论——万能逼近定理解释了"网络能不能表达"与"网络能不能训练好"是两个不同问题。深度、宽度与函数复杂度的关系，不是玄学，是逼近论。
数值分析——梯度消失与爆炸从数值稳定性角度理解；混合精度训练、量化和迭代求解都依赖数值分析。深度学习不是连续数学，是有限精度下的近似。
进化生物学——遗传算法、多样性维持、开放式搜索、群体适应，这些不只是启发式技巧，而是有完整理论基础的搜索策略。
人类学——当 AI 服务在全球部署时，不同文化对隐私、同意、透明度的理解完全不同。全球化 AI 治理需要文化适配，这不是技术问题，是人类学问题。
项目还给出了"最短抓手"——如果时间有限，先看这 14 个：
概率论与数理统计、线性代数、微积分与优化理论、信息论、图论、逻辑学与形式推理、因果推断、控制论、AI 计算硬件与并行计算、哲学（认识论与心灵哲学）、AI 伦理与治理、社会学、法学、人类学。
这 14 个能最快搭起现代 AI 的主梁。
Path2AGI 的价值不在于教了什么新技术，而在于它把散落的知识重新组织成了地图。
学 AI 的人经常遇到的困境是：知道怎么调参、怎么训模型，但不知道为什么这些方法有效、不知道它们从哪来、不知道边界在哪。这种"技术债"在前期不明显，但当你开始做研究、做架构决策、或者需要对齐和治理相关的工作时，就会暴露出来。
29 个学科听起来多，但项目给了导航——按目标选路线，按优先级选专题。不需要全部啃完，但需要知道每块知识在地图上的位置。
项目由 Datawhale 社区维护，目前 292 Star，6 个 commit，文档质量很高。适合想系统理解 AI 基础的开发者、研究者和学生。
——来自公众号：人生几十年噢耶
作者: itech001
来源: 公众号：AI人工智能时代
主页: https://www.theaiera.cn，每日分享最前沿的AI新闻和技术。
本文首发于 AI人工智能时代，转载请注明出处。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。