如何选择方向¶
很多人刚开始接触 AI，面对 CV、LLM、具身智能、AI for Science、AI Infra 这些方向，都会问：哪个更热门，哪个更好就业，哪个更容易做出成果？这些问题值得考虑，但它们很少能直接给出答案。
这一页的核心观点：
选方向不是押注风口，而是在「兴趣」「资源」「产出」「长期信念」之间找到一个现在能真正做进去的切入点。
不要只追热点¶
今天最热门的方向，几年后很可能也是竞争最激烈的方向。
现在大模型火，很多人去做大模型；具身智能热起来，又有不少人转向机器人。但对 AI 专业的学生来说，从本科到硕博毕业往往要七年甚至更久，而一轮技术热点大概率不能持续这么久。尤其是 AI 的发展日新月异。
等到真正找工作的时候，今天的风口可能已经变了。一些现在稀缺的能力，可能会被新的工具替代；一些现在看起来很缺人的方向，到时候也可能已经挤满了背景相似甚至比你更强的人。
更稳的判断方式
不要只问“这个方向热不热”，还要问：我能不能进入这个方向，能不能持续积累，能不能做出项目、论文、代码、竞赛成绩或其他能进入下一阶段的产出。
四个判断维度¶
| 维度 | 你要问自己的问题 | 如果答案偏弱，可能意味着 |
|---|---|---|
| 兴趣 | 我愿不愿意连续几个月读它、写它、调它、复盘它？ | 方向听起来厉害，但日常工作未必适合你 |
| 资源 | 身边有没有老师、项目、数据、算力、学长学姐或团队入口？ | 暂时只能远观，很难形成真实积累 |
| 产出 | 半年到一年内能不能留下代码、报告、复现、比赛或论文雏形？ | 投入很久之后，可能没有可展示的成果 |
| 信念 | 我是否真的相信这个问题长期值得做？ | 一遇到枯燥阶段，就很容易放弃 |
一个方向再前沿，如果身边没有合适的老师，没有稳定的项目，也缺少数据、算力和能带你入门的人，那它暂时就只是一个听起来很厉害的名词。
反过来，有些方向没那么热门，但如果老师靠谱，问题比较清楚，也有成熟的研究方法可以学习、合适的项目可以加入，可能反而更适合作为起点。
先做一段时间¶
比较实际的做法，是先找一个自己感兴趣、也有资源进入的方向，花一段时间真正做一做。
你可以这样试：
- 去合适的组里听几次组会。
- 读几篇入门论文，整理一页笔记。
- 复现一个小项目，哪怕只跑通核心流程。
- 跟学长学姐聊聊他们平时到底在做什么。
- 给自己设一个小产出，比如 demo、技术报告、仓库或分享。
很多方向远看很有意思，真正做起来可能完全是另一回事。做过一段时间之后，再看自己是不是愿意继续。
如果发现不适合，早点换也很正常。大学早期本来就是用来试错的，没有必要因为已经投入了一点时间，就一直留在一个不适合自己的方向里。
但也不要一直换
什么都想了解，什么都舍不得放下，最后很容易变成每个方向都知道一点，却没有一件事真正做深。试错应该留下东西，而不是只留下焦虑。
方向背后是你相信什么¶
选方向也不应该只剩下就业、论文和资源这些现实计算。
能让一个人长期做下去的，很多时候还是因为他真的相信某件事。
有人相信大模型还会继续发展，Scaling Law 还远没有走到尽头，今天的 LLM 也许真的能一步步走向更通用的智能。
有人相信具身智能会把 AI 从屏幕里带到物理世界，让机器接手大量危险、重复和繁琐的工作。
也有人相信，AI 的价值不只是帮人写代码、做表格，而是有一天能够参与科学发现，自己提出问题、设计实验，帮助人类解决药物、材料、能源这些更难的问题。
这些判断未必都对，最后也不一定会按今天想象的方式实现。但如果你真心相信某条技术路线值得走下去，这种相信会让很多枯燥的工作变得可以忍受。
给未院同学的建议¶
对未来学院的同学来说，能接触到的资源和选择可能更多，但选择多不一定更轻松。
没有固定的培养路径，意味着很少有人会直接告诉你下一步该做什么。很多事情都要自己慢慢判断：自己擅长什么，身边能拿到什么资源，哪个问题是自己愿意长期做的，哪条技术路线又是自己真正相信的。
这些问题不太可能一开始就想明白，通常还是要边做边调整。方向也未必需要一次选对，重要的是每次尝试都留下点东西：代码、项目、论文、经验，或者至少是对自己的进一步认识。
下一步可以这样走：
- 先读一遍 AI 学习基础路线，确认基础短板。
- 在 LLM、CV、具身智能、AI for Science 里选一个最想了解的方向。
- 给自己设一个 4 周小实验：读论文、跑代码、写笔记、做展示。
- 用真实体验重新判断：继续、微调，还是换方向。