让尝试成为下一步的起点
经过检验的代码和方法，可以用于后续实验；失败和反例，也能帮助修正方案。与同伴交换发现，让不同思路相互启发，而不必采用同一种解法。
2026 秋季
Coding with AI
from Zero to Hero
从理解模型，到用 AI 推进研究。
连接模型基础、编程实践与智能体系统，用代码和实验检验想法、改进方案。
每周一
–
北京时间（UTC+8）
- 上课地点
- 上海创智学院
- 教师
- 王德泉
共 16 讲；14 讲主题教学，2 讲项目展示与讨论；每讲 3 课时。
模型给出答案之后，研究还需要什么？
把 AI 用于科研，不只是得到一个回答，还需要把想法变成可以执行和检验的步骤，并根据结果调整方案。
理解学习、表示与生成，有助于判断模型适合处理什么问题、何时可能失效。课程用代码与实验连接这些基础和智能体实践，学习按任务需要组织信息、推理与行动，比较协作方式，并检验系统的表现。
形成自己的研究判断
课程提供基础知识与实践支持，AI 可以辅助理解、编码与实验。你可以在学习中逐步形成选题，与同伴在课程项目中比较方案、解释结果，并判断下一步值得尝试什么。
课程时间表
前 14 讲分为三个阶段，最后 2 讲展示与讨论课程项目。每讲围绕一个问题展开，具体案例随课程推进。
首讲为 2026 年 9 月 14 日，已确认。其余日期为计划安排，暂按 2026 年 10 月 5 日停课、不另行补课、之后每周一顺延排定，末讲为 2027 年 1 月 4 日。调整以飞书课程群通知为准。
第一阶段
理解模型的基础能力
第 01–04 讲
从学习与泛化出发，理解表示、迁移、多模态感知与生成。
-
学习、泛化与行动
模型在已有数据上表现良好，什么证据能支持它在新任务中的判断与行动？
-
表示学习与归纳偏置
数据更多了，模型结构中预先设定的假设还重要吗？
-
可迁移表示与多模态感知
从一种数据中学到的表示，怎样迁移到新任务，或与其他模态的信息配合？
国庆周 · 暂按停课安排（排期假设）
-
生成模型
生成结果看起来逼真，是否意味着模型理解了其中的规律？
第二阶段
连接信息、推理与行动
第 05–09 讲
理解上下文与推理，组织检索和记忆，通过工具与代码获得反馈。
-
注意力、Transformer 与上下文
上下文放得下更多信息，就意味着模型用得好这些信息吗？
-
预训练、扩展定律与上下文学习
预训练和规模扩展带来哪些能力，使用时给出的示例又能改变什么？
-
搜索、推理与验证
计算预算有限时，怎样在深入推理、探索不同路径和验证结果之间分配资源？
-
检索、记忆与上下文工程
找到了相关文档，也保留了历史信息，为什么系统仍会答错？
-
工具、代码与可验证反馈
怎样检查工具和代码的执行结果，并据此修正下一步行动？
第三阶段
组织智能体，检验系统可靠性
第 10–14 讲
从编程智能体出发，比较人机与多智能体协作，讨论世界模型如何辅助规划，并用长时程评测检验系统表现。
-
单个编程智能体
从生成一段代码，到在真实代码库中完成修复，还缺少哪些环节？
-
人机协作与共享控制
哪些行动适合交给 AI，哪些需要人来决定或确认？
-
多智能体的组织与协作
多智能体的分工与信息交换，何时带来收益，何时增加负担？
-
世界模型与闭环反馈
对行动后果的预测，何时有助于规划，实际反馈又该怎样改变下一步计划？
-
评测基准与长时程证据
一次演示成功之外，怎样判断系统能否完成长任务、经受持续使用？
课程收尾
第 15–16 讲
项目展示与讨论
围绕真实问题，说明技术选择、实验结果、失败与适用边界。
-
课程项目展示与讨论（一）
项目最重要的主张是什么，哪些结果支持它，哪些还不足以支持？
-
课程项目展示与讨论（二）
项目还有哪些关键问题未被检验，下一步最值得补充什么证据？
基本要求
适合谁
面向希望将 AI 用于科研的多学科博士生。不要求系统学过 AI，基础编程经验有帮助；选题可在课程中逐步形成。
飞书课程群
通知、课件、实验与阅读材料、作业要求及提交方式统一在群内发布。调课、补课与补交安排以群内通知为准。
平时学习
30%
根据课前阅读，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，可按课程安排补交。第一讲不设课前问卷。
课程项目
70%
原则上三人一组，自选真实问题，完成 AI 研究或系统实践项目，在最后两讲展示与讨论。
评价关注问题定义、技术方案、实现与评测证据，以及对失败原因、适用边界的分析和展示答辩。
AI 使用与课堂实验
可以充分使用 AI 辅助理解、编码、实验与表达。你需要理解自己的方案、检查结果，并判断证据能支持什么结论。
课堂实验用于观察与讨论，不另设必交作业。