说明：本目录基于对 CSDN 专栏「人工智能技术白皮书」的扫描结果整理。该专栏共收录246 篇文章，由于 CSDN 未登录分页限制，以下目录基于已扫描到的100+ 篇核心文章构建，按主题分类合并，并给出学习路线图。未扫描到的文章可通过专栏首页继续浏览。
专栏首页：https://blog.csdn.net/vectorshift/category_13024450.html
一、总目录：按主题分类
1. 基础理论与数学工具箱
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 1.1 | 现代机器学习研究进展 第一部分 数学与概率工具箱 第一章：概率论与信息论 | 链接 |
| 1.2 | 现代机器学习研究进展 第一部分 第三章：度量与分布距离 | 链接 |
| 1.3 | 深入理解张量 第二章：张量分解与降维 | 链接 |
| 1.4 | 深入理解张量 第三章：张量计算框架与自动微分 | 链接 |
| 1.5 | 一文搞懂 >>> 逆向卡尔曼滤波（Inverse Kalman Filter） | 链接 |
| 1.6 | 概率神经网络（PNN）详解与现代扩展 | 链接 |
| 1.7 | 影子学习（Shadow Learning） | 链接 |
| 1.8 | 无线电控制与数据链探测系统 第1章：理论基础 | 链接 |
2. 物理信息神经网络（PINN）与神经算子
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 2.1 | 全局–局部傅里叶神经算子（GL-FNO）：原理、严格推导与 PINN 混合策略 | 链接 |
| 2.2 | PINNACLE：PINN自适应配点与实验点选择算法 | 链接 |
| 2.3 | 基于傅里叶特征PINN的地震多频波场模拟算法原理 | 链接 |
| 2.4 | AdaI-PINNs：高效求解界面问题的自适应物理信息神经网络框架 | 链接 |
| 2.5 | 【PINN系列】PSO-PINN：粒子群优化训练物理信息神经网络的原理与推导 | 链接 |
| 2.6 | 傅里叶基础混合物理信息神经网络（FMPINN）：原理、完整推导与一致性证明 | 链接 |
3. 现代机器学习研究进展（系统教材）
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 3.1 | 第二部分 模型与架构 第15章：隐变量模型（VAE、Flow、EBM） | 链接 |
| 3.2 | 第二部分 模型与架构 第17章：模型压缩与结构化稀疏 — 原理推导 | 链接 |
| 3.3 | 第三部分 学习范式与训练技巧 第20章：自监督学习（掩码建模与对比学习） | 链接 |
4. 几何深度学习（Geometric Deep Learning）
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 4.1 | 几何深度学习（Geometric Deep Learning）—— 原理与核心算法 | 链接 |
| 4.2 | Graph Convolutional Network（GCN）实现示例 | 链接 |
| 4.3 | Graph Attention Network（GAT）完整实现 | 链接 |
| 4.4 | GraphSAGE 代码示例 | 链接 |
| 4.5 | Graph Transformer | 链接 |
| 4.6 | PointNet & PointNet++ (点云) | 链接 |
| 4.7 | MeshCNN, Graph U-Net | 链接 |
| 4.8 | 物理对称性嵌入网络 | 链接 |
| 4.9 | 统一框架：GNN 与 GDL 的关系 | 链接 |
| 4.10 | 高阶群的可微实现 | 链接 |
| 4.11 | 大规模动态图（Dynamic Graphs） | 链接 |
| 4.12 | 跨模态几何融合 | 链接 |
| 4.13 | 几何深度学习与群论：从对称性到可解释的图网络 | 链接 |
5. 大模型与生成式 AI（LLM 实战系列）
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 5.1 | 【大模型实战系列】导读：从基础模型到具身智能的系统性学习路径 | 链接 |
| 5.2 | 【大模型实战系列】第一章：深度剖析AI范式转移与高级RAG实战 | 链接 |
| 5.3 | 【大模型实战系列】第二章：生成式AI生命周期的架构、理论与工程深度解析 | 链接 |
| 5.4 | 【大模型实战系列】第三章：基础模型的统一框架与Transformer架构的第一性原理 | 链接 |
| 5.5 | 【大模型实战系列】第四章：对《Attention Is All You Need》的详细解读 | 链接 |
| 5.6 | Magnum Opus: The Generative AI Lifecycle from Primordial Soup to Aligned Intelligence | 链接 |
| 5.7 | Google Titans 深度解析 | 链接 |
| 5.8 | RWKV全解析 | 链接 |
| 5.9 | 大模型量化技术——第一章：量化算法的数学基础 | 链接 |
| 5.10 | JEPA 深度实战：从理论到工业部署 | 链接 |
6. 具身智能：原理、算法与系统（30章深度专栏）
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 6.1 | 第1章：具身智能的本质与范畴 | 链接 |
| 6.2 | 第3章：具身智能的感知-认知-行为（PCB）框架 | 链接 |
| 6.3 | 第4章：归纳偏置与学习效率 | 链接 |
| 6.4 | 第5章：双过程理论与认知架构 | 链接 |
| 6.5 | 第6章：视觉感知与场景理解 | 链接 |
| 6.6 | 第7章：触觉与力觉感知 | 链接 |
| 6.7 | 第8章：听觉与其他感知模态 | 链接 |
| 6.8 | 第9章：主动感知与注意力 | 链接 |
| 6.9 | 第10章：感知中的不确定性 | 链接 |
| 6.10 | 第11章：世界模型学习 | 链接 |
| 6.11 | 第12章：因果推理与物理理解 | 链接 |
| 6.12 | 大型感知-认知-行为（PCB）模型：核心原理与技术 | 链接 |
| 6.13 | Cosmos Reason 2 指南：从入门到高级应用 | 链接 |
| 6.14 | 基于具身感知的动态人体三维重建 | 链接 |
7. 具身智能机器人高级实战（工程部署）
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 7.1 | 具身智能机器人高级实战：从前沿理论到行业应用案例 | 链接 |
| 7.2 | 第4章：驱动具身智能的关键算法原理（二）强化学习 | 链接 |
| 7.3 | 第6章（二）：智能决策系统构建 | 链接 |
| 7.4 | 第6章（三）：运动控制与执行系统设计 | 链接 |
| 7.5 | 深度强化学习在足式机器人中的应用 (二)：基础步态训练 | 链接 |
| 7.6 | 深度强化学习在足式机器人中的应用 (三)：复杂地形适应 | 链接 |
| 7.7 | 深度强化学习在足式机器人中的应用 (七)：从仿真到现实的部署实践 | 链接 |
8. 人形机器人与全身控制（前沿论文解读）
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 8.1 | LeVERB框架——基于潜在视觉-语言指令的人形全身控制 | 链接 |
| 8.2 | WholeBodyVLA：面向全身移动操作的统一潜在视觉-语言-动作模型（一） | 链接 |
| 8.3 | WholeBodyVLA（二）：实验验证与前沿拓展 | 链接 |
| 8.4 | TTT-Parkour 第一章：理论基础与核心范式 | 链接 |
| 8.5 | TTT-Parkour 第二章：关键技术组件深度解析 | 链接 |
| 8.6 | TTT-Parkour 第三章：实验验证与系统部署 | 链接 |
| 8.7 | ZEST：零样本具身技能迁移算法 第一章：理论基础 | 链接 |
| 8.8 | ZEST 第二章：算法架构与训练机制 | 链接 |
| 8.9 | ZEST 第三章：实验验证与部署实践 | 链接 |
| 8.10 | HUSKY——物理感知全身控制人形滑板系统 | 链接 |
9. 智能体（Agent）认知架构
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 9.1 | 第2章：从 CoT 到 ReAct：智能体认知架构的范式革命 | 链接 |
| 9.2 | 第4章：ReAct 的形式化与核心实现 | 链接 |
10. 状态空间模型（SSM）与序列建模
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 10.1 | 状态空间模型及其在高分辨距离像识别中的应用 绪论部分 | 链接 |
| 10.2 | 状态空间模型及其在高分辨距离像识别中的应用 第二章：SSM基础与HRRP预处理 | 链接 |
| 10.3 | 【多模态视觉革命】第1章：从Attention到状态空间模型（SSM） | 链接 |
11. 多模态融合与视觉
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 11.1 | 第三章：多模态融合范式与固有局限 | 链接 |
| 11.2 | 【YOLOV26】第2章：目标检测基础回顾 2.3 注意力机制在检测中的应用 | 链接 |
| 11.3 | 逆卷积（Reverse Convolution）与图像恢复 | 链接 |
12. 雷达感知与信号处理
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 12.1 | 【高级雷达感知与学习】第九章：雷达成像与 SAR / ISAR | 链接 |
| 12.2 | 【雷达原理 学习笔记 卫青老师】系列（P54-P69） | 链接 |
| 12.3 | 雷达信号处理基础课后习题 | 链接 |
| 12.4 | 雷达信号处理 | 链接 |
13. AI 芯片、边缘计算与部署
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 13.1 | NPU：AI时代的计算核心与架构演进 | 链接 |
| 13.2 | RKNN 3588 RKNPU 的算力到底怎么算？ | 链接 |
| 13.3 | RK3588 NPU 核心命令汇总 | 链接 |
| 13.4 | RKNN-Toolkit2 转换脚本 | 链接 |
| 13.5 | Intel Hala Point —— 全球最大神经形态系统的架构 | 链接 |
| 13.6 | 声学信号处理参考手册 | 链接 |
14. 量子计算
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 14.1 | 离子穿梭与QCCD架构：从单阱到百万量子比特的跃迁 | 链接 |
15. 工业应用与交叉领域
| 序号 | 文章标题 | 地址 |
|---|---|---|
| 15.1 | 【研究生课题】基于多模态深度学习的火电机组智能故障诊断与预测性维护系统 | 链接 |
| 15.2 | BED（Bayesian Evidence Decoding）任务的新型网络设计 | 链接 |
二、学习路线图（Mermaid 图）
图注：学习路线图总览。蓝色为数学基础，绿色为核心模型，橙色为大模型，紫色为具身智能，红色为边缘部署，黄色为前沿交叉，灰色为工业应用。箭头表示推荐学习顺序，粗线表示关键路径。
三、分阶段学习建议
路径 A：理论研究者（Research Track）
推荐顺序：阶段一 → 阶段二 → 阶段六 → 阶段三 → 阶段四
- 先夯实数学基础（概率论、张量、优化）
- 深入理解 GNN、VAE、自监督等核心模型
- 探索 PINN、量子计算等前沿交叉
- 最后接触大模型与具身智能的应用层
路径 B：工程实践者（Engineering Track）
推荐顺序：阶段一（选读） → 阶段三 → 阶段四 → 阶段五
- 快速了解概率与信息论基础
- 直接进入 Transformer 与 RAG 实战
- 学习具身智能机器人部署（Sim2Real）
- 掌握 RKNN/NPU 边缘部署技能
路径 C：机器人 specialist（Robotics Track）
推荐顺序：阶段一 → 阶段四（具身智能30章） → 阶段五 → 阶段六（多模态）
- 从具身智能的理论根基开始
- 系统学习感知、认知、行为框架
- 深入足式/人形机器人的控制与部署
- 扩展到雷达感知与多模态融合
四、专栏文章数量统计
| 主题分类 | 已扫描文章数 | 预估总文章数 |
|---|---|---|
| 基础理论与数学工具 | 8 | ~20 |
| PINN与神经算子 | 6 | ~15 |
| 现代机器学习研究进展 | 3 | ~30 |
| 几何深度学习 | 13 | ~20 |
| 大模型与生成式AI | 10 | ~25 |
| 具身智能原理与系统 | 14 | ~40 |
| 机器人高级实战 | 7 | ~15 |
| 人形机器人前沿解读 | 10 | ~20 |
| 智能体认知架构 | 2 | ~5 |
| 状态空间模型 | 3 | ~8 |
| 多模态与视觉 | 3 | ~10 |
| 雷达感知 | 4 | ~15 |
| AI芯片与边缘计算 | 6 | ~12 |
| 量子计算 | 1 | ~8 |
| 工业应用 | 2 | ~5 |
| 合计 | 约92篇 | 246篇 |
提示：剩余约 150 篇文章因 CSDN 分页限制未在本次扫描中完整获取，建议直接访问专栏首页按时间线或主题标签继续浏览。
本目录最后更新：2026-06-13
方法覆写实例创建过程)
