一、为什么要画这张技术地图

最近在学习 AI 和计算机技术的过程中，我逐渐意识到一个问题：

很多人都在学习技术，但没有一张完整的技术地图。

例如我最近接触的内容包括：

• 操作系统训练营

• AI Agent

• 具身智能

这些内容看起来彼此之间关系并不明显：

 AI
 操作系统
机器人
AI Infra
系统工程

很多人的学习方式其实是：

学一个技术
做一个项目
刷一个课程

但却不知道：

自己在整个技术体系中的位置。

于是我尝试整理出一张 AI 技术地图。

---

二、AI技术全景图

如果从宏观角度观察现代 AI 技术体系，其实可以抽象为 四层结构：

┌─────────────────────────────┐
│ 具身智能 / 机器人 │
│ Embodied AI / Robotics │
│ 自动驾驶 / 机器人 / 智能设备 │
└─────────────────────────────┘
↑
┌─────────────────────────────┐
│ AI系统工程层 │
│ AI Systems / AI Infra │
│ 分布式训练 / 推理优化 / MLOps │
└─────────────────────────────┘
↑
┌─────────────────────────────┐
│ AI能力层 │
│ Machine Learning / Deep Learning │
│ LLM / 多模态 / Agent │
└─────────────────────────────┘
↑
┌─────────────────────────────┐
│ 计算机基础层 │
│ 数学 / 编程 / 操作系统 / 网络 │
└─────────────────────────────┘

这四层共同构成了现代 AI 技术体系。

---

三、第一层：计算机基础

计算机基础是所有技术领域的底层能力。

无论是 AI、系统工程还是机器人开发，都离不开这一层。

主要包括三个部分。

---

1 数学基础

机器学习与深度学习依赖大量数学工具：

线性代数

• 向量

• 矩阵

• 特征值

概率论与统计

• 概率分布

• 贝叶斯理论

微积分

• 导数

• 梯度

• 优化问题

优化理论

• 梯度下降

• 凸优化

---

2 编程与软件工程

任何技术最终都需要通过代码实现。

核心能力包括：

编程语言

• Python

• C++

• Rust

• JavaScript

数据结构

• 数组

• 链表

• 树

• 图

软件工程

• Git

• 单元测试

• CI/CD

• 项目架构设计

---

3 计算机系统

计算机系统是很多 AI 工程师容易忽视的一部分。

主要包括：

操作系统

• 进程

• 线程

• 内存管理

计算机网络

• TCP/IP

• HTTP

• RPC

计算机组成

• CPU

• GPU

• 存储系统

分布式系统

• CAP理论

• 一致性问题

很多 AI 系统的性能瓶颈其实来自 系统层。

---

四、第二层：AI能力层

AI能力层解决的核心问题是：

如何让机器具备智能。

---

1 机器学习

机器学习是 AI 的基础。

常见方法包括：

• 回归

• 分类

• 聚类

---

2 深度学习

深度学习是现代 AI 技术的核心。

常见模型包括：

• CNN

• RNN

• Transformer

深度学习让 AI 在多个领域取得突破：

• 计算机视觉

• 自然语言处理

• 语音识别

---

3 大模型与Agent

近年来 AI 的最大突破来自大模型，例如：

• GPT

• Claude

• Gemini

在大模型基础上，一个新的概念开始出现：

AI Agent

Agent 的本质可以理解为：

大模型
+ 工具调用
+ 自动执行任务

AI 不再只是回答问题，而是 能够完成复杂任务。

---

五、第三层：AI系统工程

当 AI 模型规模越来越大，一个新的问题出现：

如何让 AI 系统高效运行。

这形成了一个新的领域：

AI Systems / AI Infra

主要包括：

AI训练系统

• GPU调度

• 分布式训练

• 数据管线

AI推理系统

• 推理加速

• 模型压缩

• Serving系统

AI开发工具

• LangFlow

• ComfyUI

这些工具的核心目标是：用可视化方式构建 AI 工作流。

我目前参与的项目 DoraMate 也属于这一类工具。它基于机器人开发框架：Dora。核心目标是：将机器人系统的数据流进行可视化。

---

六、第四层：具身智能

当 AI 不再只存在于软件系统中，而是进入现实世界时，就出现了：

具身智能

机器人开发中最重要的框架之一是：

• ROS

典型技术包括：

机器人算法

• 强化学习

• 模仿学习

感知系统

• 视觉

• 激光雷达

• 多传感器融合

在这一层中，AI 系统开始与现实世界交互：

感知世界
理解世界
执行动作

---

七、AI工程师成长路线图

一个 AI 工程师的成长路径通常可以分为五个阶段：

阶段1
计算机基础
编程 + 数据结构 + 操作系统

阶段2
AI基础
机器学习 + 深度学习

阶段3
AI应用开发
LLM + Agent + AI产品

阶段4
AI系统工程
分布式训练 + 推理系统

阶段5
具身智能
机器人系统 + 自动驾驶

不同工程师可能会在不同阶段深入发展。

---

八、AI创业机会地图

目前 AI 创业主要集中在三个方向：

1.AI应用
  AI Agent产品
  AI自动化工具

2.AI基础设施
   AI开发平台
   AI工具链

3.具身智能
  机器人
  自动驾驶

不同方向的技术门槛和市场空间差异很大。

---

九、我的技术探索路径

目前我的技术探索主要来自三个方向：

1.AI项目实践

我目前参与的项目是 DoraMate。

这个项目让我接触到了：

• 机器人系统

• AI开发工具

• 数据流架构

2.系统工程能力

我正在参加操作系统训练营。

因为很多 AI 系统实际上依赖：

• GPU调度

• 分布式系统

3.具身智能探索

随着 AI 与机器人技术结合，一个新的领域正在快速发展：

Embodied AI

---

十、总结

这篇文章对我来说，不只是一次知识整理。

它更像是一张 技术世界地图。

通过这张地图，我可以更清晰地理解：

• 不同技术之间的关系

• 自己目前的位置

• 未来的发展方向

未来我也会持续记录：

• AI学习

• 技术项目

• 技术成长路径

如果你也在学习 AI 或计算机，希望这张地图对你有所帮助。