01 / 07人工智能
Artificial Intelligence.
人工智能
探索大模型、计算机视觉与智能体前沿，运用 AI 原理与算法解决实际工程问题，打通端云协同与算法工程化落地全流程。
02 / TOOLCHAIN MATRIX
核心技术栈与工程基座。
Python
功能强大、语法优雅的高级动态编程语言，AI 与数据科学首选基座。
03 / RESEARCH DOMAINS
主攻方向与研发链路。
大语言模型与智能体工程
LLM, RAG & Autonomous Agents
聚焦 Transformer 机制、模型微调、RAG 向量检索增强与基于 ReAct 状态循环的多工具自主智能体研发。
工业机器视觉与目标检测
Computer Vision & Defect Detection
深入 YOLO 实时检测框架与特征金字塔，结合微米级表面缺陷识别算法，赋能工业产线高精度质检。
数据清洗与标注
多模态数据采集清洗与特征对齐标注
网络搭建与调优
损失函数定制与反向传播梯度优化
量化剪枝与导出
ONNX 图优化与 TensorRT INT8 标定加速
端云协同与部署
微服务高并发 API 与嵌入式边缘交付
04 / ARCHITECTURE & THEORY
计算图、反向传播与跨模态大模型前沿。
从底层张量求导、神经网络全连接突触到 Transformer 多头自注意力与端侧推理量化，掌握前沿 AI 算法的工程化落地。
为什么深层网络不能仅由线性层堆叠，且必须严格设计激活函数？
- −0.79 · h12+0.134
- +0.32 · h13+0.102
- +0.62 · h11−0.074
- +0.22 · h14−0.022
- +0.12 · h15−0.017
- INPUT
- 正常工件特征向量
- DEPTH
- 3 层
- ACT
- GELU
- w > 0 兴奋
- w < 0 抑制
全连接层（Dense/Linear Layer）执行仿射变换 z = W · x + b，并通过非线性激活函数 a = σ(z) 引入特征空间的非线性扭曲。在反向传播中，基于链式求导法则，第 l 层的误差敏感度 δ^[l] 通过权重转置与下一层敏感度点乘得到。选择 GELU 或 LeakyReLU 能有效避免深层网络中的梯度消失（Vanishing Gradient）与神经元坏死问题。
避坑：网络层数越深、神经元越多，模型的泛化能力和准确率就一定无条件上升。→过深的网络若无残差连接（Residual Connection）和归一化（LayerNorm），会导致梯度弥散爆炸并陷入过拟合；网络的实际容量受制于有效特征秩与正则化策略。
IntelliBuddy 智学伴
在个性化学习问答中训练专用轻量级评分与意图分类 MLP 网络，推理延迟小于 8ms。
05 / STAGE ROADMAP
三年培养体系与阶段里程碑。
大一 · 底层启蒙与数据科学基础
打牢 C/C++ 内存控制基础，掌握 Python 数据处理与线性代数算法，建立代码版本管理习惯。
06 / WORKS & HONORS
落地工程与赛事荣誉。
智学伴 · AI 智能学习平台
基于 AntV X6 知识拓扑 DAG 与大模型流式适配层的交互式学习平台，支持多模型顺序容灾降级。
iCAN 大学生创新创业大赛 AI 视觉检测设计挑战赛
全国一等奖
赛项 // AI 视觉检测设计挑战赛 · 全国总决赛
07 // RECRUITMENT