最近在几个技术社区里看到不少很有意思的帖子有人翻出当年的《线性代数》教材说“当年矩阵相乘都觉得要命现在看大模型的注意力机制全是在玩矩阵”也有人把《概率论》的课件重新找出来说“终于搞懂老师当年为什么天天强调贝叶斯了”。还有个说法特别扎心——大二没听懂的课是到AI时代来“还债”了。作为一个半路被AI浪潮推着走、又回头补了不少数学和计算机基础的人我特别理解这种焦虑。说实话当年我上这些课的时候也问过那句经典的话“学这个到底有什么用”线性代数老师站在讲台上说“以后你们做图像处理、做机器学习都用得上”我低头看了看手机上的游戏觉得他离我好远。直到几年后我开始接触大模型看到Transformer结构里那个被反复提到的注意力机制突然发现它本质上就是一组权重矩阵在跟输入向量做乘法那一刻当年没听进去的课像潮水一样涌回来了。这篇文章就想聊聊这个“还债”现象。我会结合自己补课的真实路径说说为什么大二的课在AI时代突然变得值钱了哪些课最值得优先补以及更重要的——怎么用大模型时代特有的方法以用带学把这笔“债”高效还清而不是重新掉进刷题背公式的坑里。1. 为什么大二的课突然“值钱”了1.1 从“学分工具”到“理解世界的钥匙”知识价值被重估先讲个我自己的事。当年学线性代数我只关心一件事情期末考试怎么不挂科。考试范围里有个重点叫“矩阵的秩”我背了定义会算简单的题考完一个星期就忘干净了。后来在理解大模型的时候有个概念叫“低秩近似”用在模型压缩和高效微调上。我第一反应是——秩我学过吗翻书才发现不仅学过考研还考过。为什么同样的知识当年觉得没用现在觉得是钥匙核心原因是知识的“使用场景”变了。大学课堂上的知识很多时候是为了考试、为了学分而存在的。考试考什么我就学什么不考的一律归类为“以后再说”。而“以后”总是太远远到让人产生一种错觉——永远不会来。但AI时代不一样了。当整个行业都在讨论大模型的原理、训练、微调、推理优化时这些基础课里的概念直接从课本跳进了工作流。矩阵乘法不再是试卷上的计算题而是每一次网络前向传播里真实发生的计算概率分布不再是公式推导练习而是大模型生成文字时背后在做的采样。这是个特别典型的价值重估过程一件事物的价值取决于它在多大程度上能解决你当下的问题。过去我们觉得线性代数没用是因为我们面前没有需要它的实际问题。现在大模型把问题摆在了每个人面前知识自然就变得值钱了。1.2 不只是程序员要补AI时代的基础课已成“通用基础设施”还有一个更关键的变化需要“还债”的不只是计算机专业的人。我在一个AI工具的学习社群里见过学新闻的同学在啃概率论问为什么大模型有时会生成胡说八道的内容。学设计的同学在研究词嵌入和向量相似度想搞清楚怎么用语义检索帮自己找灵感。还有做运营的朋友专门去补了基础的统计学知识不然看不懂AI输出的那堆置信区间到底在说什么。这种情况在前AI时代是很难想象的。以前线性代数、概率论、数据结构这些课是特定专业的“专用工具”。你学新闻的不碰代码毕业了真不需要知道矩阵长什么样。但现在AI应用深入到各行各业几乎所有人都需要跟AI打交道。要理解“为什么这个提示词的效果比那个好”你不需要会推导公式但你需要懂一点概率层面的直觉要判断“这个AI生成的结果靠不靠谱”你最好知道一点关于数据分布和随机性的基本概念。于是这些曾经属于“理工科专业”的基础课在AI时代变成了一种通用基础设施。它们像语言一样不是每个使用者都需要成为语言学家但如果你想真正用得好、用得明白基础的语感和语法规则是不能完全不懂的。这也是为什么那么多非技术背景的人也开始觉得“大二没听懂的课”需要还。2. 哪些课最需要“还债”优先级怎么排2.1 第一梯队数学三件套AI的地基如果要给“还债清单”排个优先级我建议先把数学三件套放最前面线性代数、概率论与数理统计、微积分与优化。先说线性代数。大模型里反复出现的词嵌入本质是建立一个高维向量空间每个词在其中是一个点注意力机制里的Q、K、V矩阵是输入向量和权重矩阵的乘法多头注意力就是同时做多组这样的线性变换。这些内容说白了全是线代。我补课的时候最大的感受是当年学矩阵只知道它是“一张数表”现在才理解矩阵是“一个线性映射的描述”是“一种变换”。这个视角一转换很多网络结构的代码就变得可读了。然后是概率论。大模型生成一个词不是每次都挑概率最大的那个而是按照概率分布去采样。为什么要有温度这个参数因为它会调整概率分布的“尖锐程度”——温度低了几乎总是选最可能的词温度高了不太可能的词也有机会出现。这背后的直觉就是概率论里的分布和随机变量。学新闻的同学想理解“AI为什么会胡说八道”本质上就是没学过一个叫“概率分布”的概念——模型的每一次输出都是一种基于分布的抽样自然会有小概率抽到不合理结果的情况。第三块是微积分与优化。模型训练用的梯度下降核心思想是算一个损失函数的梯度沿着梯度减小的方向更新参数。这背后的链式法则、偏导数、学习率调节全是微积分和优化的内容。这部分对于想深入调模型、做训练的人尤其重要但如果只是做应用可以先了解原理不用死磕推导。2.2 第二梯队计算机核心课AI的引擎数学是地基计算机核心课就是发动机。数据结构与算法是我最推荐优先补的一门。这两年RAG检索增强生成特别火很多应用是把知识库内容切成小块、向量化、存进向量数据库用户提问时先做检索、再把检索结果拼给大模型做参考。这个流程的核心就是数据结构的检索和排序逻辑。你不需要从零手写一个索引结构但得理解为什么向量检索比关键词检索效果好的原因理解相似度计算在不同场景下的取舍。这些基础知识能让AI应用从“跑通demo”进化到“调好效果”。操作系统和网络协议看起来离AI很远但用到的时候是真要命。训练跑不起来得排查显存和内存的问题推理部署上线得懂一点并发和IO。TCP/IP这些网络知识在做分布式训练或者调用远程API的时候会频繁遇到——为什么连接超时了为什么并发一高就报错这些坑如果在学校认真学过操作系统和计算机网络排查起来会高效很多。没学过就只能拿搜索引擎一步步碰。数据库这门课也值得补。传统的SQL数据库和新的向量数据库之间其实有一脉相承的东西索引的结构决定查询的性能这是《数据库原理》里的基础内容。理解了传统数据库的索引机制再去看向量数据库里的HNSW分层可导航小世界算法就不会觉得它是个天外来物。可以用一个表格把这两梯队的课的“旧价值”和“新价值”对照起来看会更加直观课程当年考试里的“代表题型”AI时代里的“实际场景”优先级线性代数求矩阵的逆、算行列式理解注意力机制中的权重矩阵、词嵌入向量空间第一梯队概率论与数理统计求期望、算方差、贝叶斯公式理解生成模型的采样逻辑、提示词的置信度第一梯队微积分与优化求导、求极值理解梯度下降、学习率、模型训练过程第一梯队数据结构与算法手写快排、计算时间复杂度理解RAG检索流程、向量相似度检索的核心逻辑第二梯队操作系统进程线程的概念题排查训练显存不足、推理服务并发瓶颈第二梯队计算机网络TCP三次握手画图调API超时的排查、分布式训练的通信机制第二梯队数据库原理写SQL语句、画ER图理解向量数据库的索引机制、知识库设计第二梯队2.3 第三梯队选修项按需补漏第三梯队是“按需选修”也就是不需要所有人都补但如果你在某个方向深入大概率绕不开。比如信息论。如果你对模型压缩、量化感兴趣信息论里的熵、互信息这些概念会反复出现。如果你研究大模型的上下文窗口和多轮对话对信息瓶颈会有些直接的理解需求。再比如数值计算做推理时经常遇到精度问题FP16和FP32的差别各种归一化运算的数值稳定性这些都和数值分析的知识有关。还有离散数学如果你对Transformer里的位置编码、图结构等感兴趣离散数学里的组合、图论概念会帮上忙。这部分不用列入“还债”的第一批清单。我个人的经验是先遇到问题再倒查知识。不要为了“显得有文化”去把整个知识图谱都扫一遍那样效率太低而且容易再次陷入“学了不知道有什么用”的循环。3. 大模型时代的高效“还债法”以用带学3.1 观念转换别再用刷题的心态补课很多朋友找我聊“还债”的时候第一反应都是“我是不是要把同济版的《线性代数》从头到尾重新刷一遍”我特别理解这个反应毕竟我们对“学习一门课”的固有认知就是从头到尾、一章一章地推进。但我要说的是在AI时代补基础课如果还用当年期末备考的思路大概率会再次翻车。原因很简单。当年我学不会、学不进去不是因为我笨而是因为我不知道这些知识将来会出现在哪里。如果现在我还是拿着一本教材从行列式定义开始背、一章一章往后啃很容易在“这个学了到底有什么用”的疑问中再次放弃。而且我们比当年更忙了——要上班、要带娃、有各种生活琐事不可能像大二那样有大块的时间耗在一门课上。所以我的建议很明确转换思路从“知识驱动”的学习模式切换到“问题驱动”的模式。不要问“这门课讲什么”而要问“我这个月要实现的那个小项目需要我先搞懂哪个知识点”。以项目倒推知识点再把知识点放回项目里理解这样才能在有限的时间内把大二欠下的账真正还出效率来。3.2 一个可落地的“项目倒推学习法”具体怎么操作我拿自己补线性代数的经历举个例子。当时我接手一个需求要理解并调试一个简单的文本分类模型。这个模型第一步是做一个词嵌入层把每个词映射成一个向量。我对着代码看了很久只看到一堆矩阵运算于是决定把“手撕一次注意力机制的前向传播”当成我的“还债项目”。我先不去管行列式、特征值这些传统考试的章节而是直接看一个最简版的注意力计算流程输入序列经过三个线性层变成Q、K、V三个矩阵Q和K做点积得到一个注意力分数矩阵对分数做softmax归一化再和V相乘。这个流程里我只需要搞懂三件事矩阵乘法是怎么定义和执行的点积的几何意义是什么softmax是怎么把一个向量变成概率分布的。你看这三个知识点分别对应线性代数里的矩阵乘法、向量内积以及概率论里的归一化。它们都是大学课程里最基础的部分但当年学的时候我是分开学的线代课上算矩阵概率课上算分布完全不知道它们会在一个神经网络里如此紧密地配合。而当我直接对着代码一点点把这三个知识串起来的时候“为什么需要这样的结构”这个问题就有了答案。这个“为什么”一旦通了知识就真的长在你身上了而不是背在你的笔记本上。这样的项目可以有很多变体“理解大模型的采样策略”可以倒逼你去补概率分布和随机变量的知识“给本地知识库加一个向量检索”可以倒逼你补数据结构里的索引与相似度计算“看懂一次模型训练过程的loss曲线”可以倒逼你补梯度下降和优化器的概念。每个项目都不大但都是一个把基础知识和现实问题连起来的钩子。钩子多了基础知识的网自然就织起来了。3.3 把大模型当作“随叫随到的助教”我还想特别强调一个在AI时代才有的红利我们可以拿大模型本身来辅助学习基础课。它就像一个随叫随到的助教而且这个助教不会因为你问的问题太基础而流露出不耐烦的情绪。我补概率论的时候经常拿着一些问题直接问大模型“请用买菜的例子解释一下贝叶斯公式的直觉”“为什么大模型的temperature越高输出越随机能结合概率分布图解释吗”它每次都会耐心地给出解释而且你可以要求它换一种类比直到你听懂为止。这个体验在当年是没有的——那时候只能问同学问多了不好意思或者去问老师但老师讲了半小时我可能还是卡在第一句话上。不过在享受这份便利的同时我也踩过一些坑总结下来有三条特别重要第一不要让大模型直接替你“学”。你可以让它解释概念、帮你出题、跟你对练但不要让它直接把一个知识点的结论塞给你然后你就以为自己会了。学习本质上还是要靠自己的脑子把逻辑走通一遍的。如果连“为什么这个公式长这样”都需要AI替你想那这个知识还是AI的不是你的。第二一定要学会追问“为什么”。很多人在用AI解释概念时得到一段通顺的回答就走了。我建议多追问一句“背后的直觉是什么”“为什么要这样设计而不是那样设计”正是这些追问才能真正把那些大二没听懂的内容补进脑子里。第三交叉验证答案。大模型偶尔会一本正经地给出错误解释尤其是在数学细节上。我习惯在关键公式上同时查一下教材或者让大模型再换一种推导方式如果前后说法一致心里会踏实很多。3.4 一个30天“还债”计划样例把上面这些方法整理成一个可执行的时间表对“想动但不知道怎么动”的朋友会很有帮助。第一周主打线性代数与注意力机制。找一个开源的、最简单的注意力实现代码不用太长把前向传播拆开、注释、手动计算每一层的张量形状。遇到不会的矩阵概念回到教材查定义。目标不是学会所有线代而是彻底搞清楚“QKV三件套”里到底发生了什么。第二周主打概率论与生成逻辑。挑一个文本生成的主流脚本调一调temperature、top_p这些采样参数观察输出的变化。然后去补概率分布、采样、熵这些基础概念。目标不是会算概率题而是能用自己的话说清楚“为什么随机性对生成模型是必要存在的”。第三周主打数据结构与RAG。搭一个简单的本地知识库问答切分文档、做向量化、实现相似度检索、拼进提示词。过程中会遇到向量存储、相似度度量、排序这些概念摸着石头过河。目标不是写一个高性能的检索引擎而是搞懂一个AI应用里检索模块的基本工作原理。第四周综合成一个迷你项目。比如把前三周的知识串起来做一个“能引用你指定的参考资料来回答问题的聊天小程序”。在这一步你大概率会用到更多知识比如并发、异步、API调用这些都是自然的扩展遇到什么补什么即可。这套计划有一个很明确的取舍不追求学科体系的完整性只追求“用得上”和“能落地”。欠了多年的课确实需要还但不一定非得按照教科书原封不动地从头还。用更短的时间把最关键的知识和现实场景接上头就是对“还债”最好的交代。4. 常见问题与避坑经验实录4.1 高频问题速查表我把被问到最多的问题整理成一个速查表方便你对照自己的情况判断。问题我的看法实操建议大二没学好现在补还来得及吗来得及。AI时代的学习路径比当年更灵活有项目驱动就不怕知识断层先挑一个最小项目下手不要从教科书第一章开始慢慢啃数学基础几乎为零能直接学AI应用吗能。应用层和理论基础之间不是绝对的前置关系可以先跑通应用再倒补理论先熟悉工具遇到报错和概念再回头查基础比一上来啃数学效率高怎么判断自己补到什么程度算“够用”没有固定标准以“能不能看懂代码、能不能排查问题”为准拿一段中等复杂度的大模型推理代码读一遍能说出每一步在做什么就算入门只补应用技术不补数学行不行行但有天花板。遇到调优、踩坑、复现论文时会卡壳至少把线性代数和概率论的核心直觉补上不需要会全部推导时间不够怎么取舍优先补“高频知识点”不追求学科完整参考前面表格里的第一梯队先把注意力机制和采样逻辑搞明白4.2 我踩过的三个坑第一个坑是“收藏即学会”。刚开始补课时我特别爱收藏各种“大模型数学基础导图”和“AI学习路线图”收藏完觉得自己已经进步了一大截。直到有一天我发现自己连一篇带公式的推文都读不完才意识到收藏和学会之间隔着十万八千里。现在的做法是看到好的资料当天就留出时间消化其中最核心的一小段哪怕只看懂一张图、一个公式也比吃灰强。第二个坑是“贪多嚼不烂”。有一段时间我立了个flag说要在一个月内把微积分、线代、概率论全部重修一遍结果坚持了十来天就崩了。后来想明白了这些知识在大学里要学一整年用一个月扫完除了制造焦虑没有任何意义。现在我把目标拆成最小可执行的单元比如“今天只搞懂什么是梯度”搞懂了就停下来绝不多看一章。小步子往前走反而走得更远。第三个坑是“只看不练”。看讲解视频的时候觉得“懂了懂了”关上视频拿起代码却不知道从哪里下手。后来我给自己定了一条规矩任何概念必须能在代码里看到它的影子才算真正了解。比如学“归一化”就去找一个实际运用归一化的模型代码亲眼看看它在哪里被调用。从“眼睛会了”到“手会了”这中间就差一个“亲自操作”的距离。4.3 几条值得记住的“心态级”经验最后聊几条心态层面的东西这些比具体的知识点更让我受益。第一把“还债”当成一次“重学”而不是“补救”。同样的知识当年是被动输入今天带着场景主动回来学理解深度完全不是一个量级。我补线代的时候甚至比当年上课更有兴趣——因为我知道每一步在现实里长什么样这种连接感让学习变得好玩了。第二知识是分轮次加深的不必苛求一次到位。第一轮我只求知道“矩阵是变换”第二轮我能看懂注意力代码第三轮我可能才去啃特征值分解。你不用在第一轮就把所有东西都弄懂第二轮、第三轮会不知不觉地帮你补齐前一轮的漏洞。第三跟当年的自己和解。大二没听懂不是你不够聪明很可能只是“时机不对”——知识在没有场景的时候天然缺乏吸引力。现在场景来了你愿意回头补课已经是很勇敢的行为了。不用为过去的划水感到愧疚更不用觉得“现在开始已经晚了”。种一棵树最好的时间是十年前其次是现在。这句话放在补课上一样成立。我在实际补课过程中体会最深的一点是AI时代没有让大二那些课变得简单但它让那些课变得具体了。一个抽象公式背后站着什么现实问题现在很容易就能找到答案。有了这层具体感当年那个坐在阶梯教室后排、看着满黑板符号发呆的自己也终于能跟那些“没听懂”和解了。