深度之眼2025-2026科研大会员课件及资料合集

这套资料解决的是「看懂前沿论文」这件事

先说结论：这不是一门带你从零入门的课，而是一套面向已有一定深度学习基础、想跟进 2025 年前后 AI 前沿方向的专题资料合集。它的价值不在「教你调包跑通一个 demo」，而在于把几个正在快速演化的研究方向（免训练扩散模型、物理信息神经网络、Graph Mamba、多模态大模型、知识图谱结合大模型、强化学习推理增强、人形机器人）拆成可读的课件加配套材料，让你少走一遍「到处翻论文、拼凑复现」的弯路。

如果你目前连反向传播、Transformer 注意力机制都还没吃透，这套资料会读得很吃力，建议先补基础再来。如果你已经能独立读完一篇顶会论文并大致复现，那它的性价比就体现出来了。

它覆盖哪些具体方向

从专题划分看，内容集中在当下讨论度高的几个交叉领域：

• 免训练扩散模型：不重新训练的前提下做生成与编辑，涉及采样加速、条件控制这一类工程上很实用的思路。
• PINN（物理信息神经网络）：把物理方程约束嵌进网络损失，用于求解 PDE、做科学计算，是 AI for Science 里比较硬的一块。
• Graph Mamba：把状态空间模型用到图结构数据上，适合做图学习、时序图、分子图等方向的人跟。
• 多模态大模型与 DeepSeek 相关研究：偏应用与研究整理，讲清模型能力边界和落地方式。
• 知识图谱结合大模型：解决大模型事实性不足、幻觉问题的一条常见技术路线。
• 强化学习增强深度推理：对应推理模型训练中的 RL 环节，是理解当前推理能力来源的关键。
• 具身智能与人形机器人：基于强化学习的机器人控制实战，面向机器人、运动控制方向。

学完能独立做什么

按专题逐个对应，比较现实的目标是：能读懂该方向近两年的代表性工作，能判断一篇新论文的方法属于哪条技术脉络、创新点在哪；能在自己的数据集或仿真环境里，把免训练扩散的编辑流程、PINN 的求解框架、图上的 Mamba 结构、推理增强的 RL 训练流程跑起来并做基本调参。它不承诺你学完就能发论文或直接拿到 offer，但能让你在组会、面试、选题时不至于对前沿方向一无所知。

需要提醒的是，这类前沿专题的资料时效性强，部分方法可能在你学习时已经被更新的工作超越。把它当作「快速建立方向认知的地图」，而不是「一劳永逸的标准答案」。

资料适合什么基础的人

比较适合三类人：一是研究生或准研究生，需要为选题和文献阅读打底；二是工作一两年的算法工程师，想从业务模型转向前沿方向；三是跨专业转行、已经自学完深度学习基础、正找切入点的学习者。不适合完全零基础，也不适合只想拿现成代码改改交差的人——这类资料的重点是理解方法，不是提供产品级代码。

使用建议：按专题逐个推进，不要贪多同时开三个方向。每个专题先过一遍课件理清思路，再对照配套材料动手复现，遇到读不懂的部分回到原论文。基础薄弱的专题可以先跳过，等有需要再回头补。