最近在几个技术社区里看到不少很有意思的帖子：有人翻出当年的《线性代数》教材，说“当年矩阵相乘都觉得要命，现在看大模型的注意力机制全是在玩矩阵”；也有人把《概率论》的课件重新找出来，说“终于搞懂老师当年为什么天天强调贝叶斯了”。还有个说法特别扎心——大二没听懂的课，是到AI时代来“还债”了。作为一个半路被AI浪潮推着走、又回头补了不少数学和计算机基础的人，我特别理解这种焦虑。

说实话，当年我上这些课的时候，也问过那句经典的话：“学这个到底有什么用？”线性代数老师站在讲台上说“以后你们做图像处理、做机器学习都用得上”，我低头看了看手机上的游戏，觉得他离我好远。直到几年后，我开始接触大模型，看到Transformer结构里那个被反复提到的注意力机制，突然发现它本质上就是一组权重矩阵在跟输入向量做乘法，那一刻，当年没听进去的课像潮水一样涌回来了。

这篇文章就想聊聊这个“还债”现象。我会结合自己补课的真实路径，说说为什么大二的课在AI时代突然变得值钱了，哪些课最值得优先补，以及更重要的——怎么用大模型时代特有的方法，以用带学，把这笔“债”高效还清，而不是重新掉进刷题背公式的坑里。

1. 为什么大二的课突然“值钱”了

1.1 从“学分工具”到“理解世界的钥匙”：知识价值被重估

先讲个我自己的事。当年学线性代数，我只关心一件事情：期末考试怎么不挂科。考试范围里有个重点叫“矩阵的秩”，我背了定义，会算简单的题，考完一个星期就忘干净了。后来在理解大模型的时候，有个概念叫“低秩近似”，用在模型压缩和高效微调上。我第一反应是——秩？我学过吗？翻书才发现，不仅学过，考研还考过。

为什么同样的知识，当年觉得没用，现在觉得是钥匙？核心原因是：知识的“使用场景”变了。

大学课堂上的知识，很多时候是为了考试、为了学分而存在的。考试考什么，我就学什么；不考的，一律归类为“以后再说”。而“以后”总是太远，远到让人产生一种错觉——永远不会来。但AI时代不一样了。当整个行业都在讨论大模型的原理、训练、微调、推理优化时，这些基础课里的概念直接从课本跳进了工作流。矩阵乘法不再是试卷上的计算题，而是每一次网络前向传播里真实发生的计算；概率分布不再是公式推导练习，而是大模型生成文字时背后在做的采样。

这是个特别典型的价值重估过程：一件事物的价值，取决于它在多大程度上能解决你当下的问题。过去我们觉得线性代数没用，是因为我们面前没有需要它的实际问题。现在大模型把问题摆在了每个人面前，知识自然就变得值钱了。

1.2 不只是程序员要补：AI时代的基础课已成“通用基础设施”

还有一个更关键的变化：需要“还债”的不只是计算机专业的人。

我在一个AI工具的学习社群里，见过学新闻的同学在啃概率论，问为什么大模型有时会生成胡说八道的内容。学设计的同学在研究词嵌入和向量相似度，想搞清楚怎么用语义检索帮自己找灵感。还有做运营的朋友，专门去补了基础的统计学知识，不然看不懂AI输出的那堆置信区间到底在说什么。

这种情况在前AI时代是很难想象的。以前，线性代数、概率论、数据结构这些课，是特定专业的“专用工具”。你学新闻的，不碰代码，毕业了真不需要知道矩阵长什么样。但现在，AI应用深入到各行各业，几乎所有人都需要跟AI打交道。要理解“为什么这个提示词的效果比那个好”，你不需要会推导公式，但你需要懂一点概率层面的直觉；要判断“这个AI生成的结果靠不靠谱”，你最好知道一点关于数据分布和随机性的基本概念。

于是，这些曾经属于“理工科专业”的基础课，在AI时代变成了一种通用基础设施。它们像语言一样，不是每个使用者都需要成为语言学家，但如果你想真正用得好、用得明白，基础的语感和语法规则是不能完全不懂的。这也是为什么那么多非技术背景的人，也开始觉得“大二没听懂的课”需要还。

2. 哪些课最需要“还债”，优先级怎么排

2.1 第一梯队：数学三件套，AI的地基

如果要给“还债清单”排个优先级，我建议先把数学三件套放最前面：线性代数、概率论与数理统计、微积分与优化。

先说线性代数。大模型里反复出现的词嵌入，本质是建立一个高维向量空间，每个词在其中是一个点；注意力机制里的Q、K、V矩阵，是输入向量和权重矩阵的乘法；多头注意力就是同时做多组这样的线性变换。这些内容说白了全是线代。我补课的时候最大的感受是：当年学矩阵只知道它是“一张数表”，现在才理解矩阵是“一个线性映射的描述”，是“一种变换”。这个视角一转换，很多网络结构的代码就变得可读了。

然后是概率论。大模型生成一个词，不是每次都挑概率最大的那个，而是按照概率分布去采样。为什么要有温度这个参数？因为它会调整概率分布的“尖锐程度”——温度低了，几乎总是选最可能的词；温度高了，不太可能的词也有机会出现。这背后的直觉，就是概率论里的分布和随机变量。学新闻的同学想理解“AI为什么会胡说八道”，本质上就是没学过一个叫“概率分布”的概念——模型的每一次输出，都是一种基于分布的抽样，自然会有小概率抽到不合理结果的情况。

第三块是微积分与优化。模型训练用的梯度下降，核心思想是：算一个损失函数的梯度，沿着梯度减小的方向更新参数。这背后的链式法则、偏导数、学习率调节，全是微积分和优化的内容。这部分对于想深入调模型、做训练的人尤其重要，但如果只是做应用，可以先了解原理，不用死磕推导。

2.2 第二梯队：计算机核心课，AI的引擎

数学是地基，计算机核心课就是发动机。

数据结构与算法是我最推荐优先补的一门。这两年RAG（检索增强生成）特别火，很多应用是把知识库内容切成小块、向量化、存进向量数据库，用户提问时先做检索、再把检索结果拼给大模型做参考。这个流程的核心，就是数据结构的检索和排序逻辑。你不需要从零手写一个索引结构，但得理解为什么向量检索比关键词检索效果好的原因，理解相似度计算在不同场景下的取舍。这些基础知识，能让AI应用从“跑通demo”进化到“调好效果”。

操作系统和网络协议看起来离AI很远，但用到的时候是真要命。训练跑不起来，得排查显存和内存的问题；推理部署上线，得懂一点并发和IO。TCP/IP这些网络知识，在做分布式训练或者调用远程API的时候会频繁遇到——为什么连接超时了？为什么并发一高就报错？这些坑，如果在学校认真学过操作系统和计算机网络，排查起来会高效很多。没学过，就只能拿搜索引擎一步步碰。

数据库这门课也值得补。传统的SQL数据库和新的向量数据库之间，其实有一脉相承的东西：索引的结构决定查询的性能，这是《数据库原理》里的基础内容。理解了传统数据库的索引机制，再去看向量数据库里的HNSW（分层可导航小世界）算法，就不会觉得它是个天外来物。

可以用一个表格把这两梯队的课的“旧价值”和“新价值”对照起来看，会更加直观：

2.3 第三梯队：选修项，按需补漏

第三梯队是“按需选修”，也就是不需要所有人都补，但如果你在某个方向深入，大概率绕不开。

比如信息论。如果你对模型压缩、量化感兴趣，信息论里的熵、互信息这些概念会反复出现。如果你研究大模型的上下文窗口和多轮对话，对信息瓶颈会有些直接的理解需求。再比如数值计算：做推理时经常遇到精度问题，FP16和FP32的差别，各种归一化运算的数值稳定性，这些都和数值分析的知识有关。还有离散数学，如果你对Transformer里的位置编码、图结构等感兴趣，离散数学里的组合、图论概念会帮上忙。

这部分不用列入“还债”的第一批清单。我个人的经验是：先遇到问题，再倒查知识。不要为了“显得有文化”去把整个知识图谱都扫一遍，那样效率太低，而且容易再次陷入“学了不知道有什么用”的循环。

3. 大模型时代的高效“还债法”：以用带学

3.1 观念转换：别再用刷题的心态补课

很多朋友找我聊“还债”的时候，第一反应都是：“我是不是要把同济版的《线性代数》从头到尾重新刷一遍？”我特别理解这个反应，毕竟我们对“学习一门课”的固有认知，就是从头到尾、一章一章地推进。但我要说的是：在AI时代补基础课，如果还用当年期末备考的思路，大概率会再次翻车。

原因很简单。当年我学不会、学不进去，不是因为我笨，而是因为我不知道这些知识将来会出现在哪里。如果现在我还是拿着一本教材，从行列式定义开始背、一章一章往后啃，很容易在“这个学了到底有什么用”的疑问中再次放弃。而且，我们比当年更忙了——要上班、要带娃、有各种生活琐事，不可能像大二那样有大块的时间耗在一门课上。

所以我的建议很明确：转换思路，从“知识驱动”的学习模式，切换到“问题驱动”的模式。不要问“这门课讲什么”，而要问“我这个月要实现的那个小项目，需要我先搞懂哪个知识点”。以项目倒推知识点，再把知识点放回项目里理解，这样才能在有限的时间内，把大二欠下的账，真正还出效率来。

3.2 一个可落地的“项目倒推学习法”

具体怎么操作？我拿自己补线性代数的经历举个例子。

当时我接手一个需求：要理解并调试一个简单的文本分类模型。这个模型第一步是做一个词嵌入层，把每个词映射成一个向量。我对着代码看了很久，只看到一堆矩阵运算，于是决定把“手撕一次注意力机制的前向传播”当成我的“还债项目”。

我先不去管行列式、特征值这些传统考试的章节，而是直接看一个最简版的注意力计算流程：输入序列经过三个线性层变成Q、K、V三个矩阵；Q和K做点积，得到一个注意力分数矩阵；对分数做softmax归一化；再和V相乘。这个流程里，我只需要搞懂三件事：矩阵乘法是怎么定义和执行的；点积的几何意义是什么；softmax是怎么把一个向量变成概率分布的。

你看，这三个知识点分别对应线性代数里的矩阵乘法、向量内积，以及概率论里的归一化。它们都是大学课程里最基础的部分，但当年学的时候，我是分开学的：线代课上算矩阵，概率课上算分布，完全不知道它们会在一个神经网络里如此紧密地配合。而当我直接对着代码，一点点把这三个知识串起来的时候，“为什么需要这样的结构”这个问题就有了答案。这个“为什么”一旦通了，知识就真的长在你身上了，而不是背在你的笔记本上。

这样的项目可以有很多变体：

• “理解大模型的采样策略”可以倒逼你去补概率分布和随机变量的知识；
• “给本地知识库加一个向量检索”可以倒逼你补数据结构里的索引与相似度计算；
• “看懂一次模型训练过程的loss曲线”可以倒逼你补梯度下降和优化器的概念。

每个项目都不大，但都是一个把基础知识和现实问题连起来的钩子。钩子多了，基础知识的网自然就织起来了。

3.3 把大模型当作“随叫随到的助教”

我还想特别强调一个在AI时代才有的红利：我们可以拿大模型本身来辅助学习基础课。它就像一个随叫随到的助教，而且这个助教不会因为你问的问题太基础而流露出不耐烦的情绪。

我补概率论的时候，经常拿着一些问题直接问大模型：“请用买菜的例子解释一下贝叶斯公式的直觉”“为什么大模型的temperature越高，输出越随机？能结合概率分布图解释吗？”它每次都会耐心地给出解释，而且你可以要求它换一种类比，直到你听懂为止。这个体验，在当年是没有的——那时候只能问同学，问多了不好意思；或者去问老师，但老师讲了半小时，我可能还是卡在第一句话上。

不过在享受这份便利的同时，我也踩过一些坑，总结下来有三条特别重要：

第一，不要让大模型直接替你“学”。你可以让它解释概念、帮你出题、跟你对练，但不要让它直接把一个知识点的结论塞给你，然后你就以为自己会了。学习本质上还是要靠自己的脑子把逻辑走通一遍的。如果连“为什么这个公式长这样”都需要AI替你想，那这个知识还是AI的，不是你的。

第二，一定要学会追问“为什么”。很多人在用AI解释概念时，得到一段通顺的回答就走了。我建议多追问一句：“背后的直觉是什么？”“为什么要这样设计，而不是那样设计？”正是这些追问，才能真正把那些大二没听懂的内容补进脑子里。

第三，交叉验证答案。大模型偶尔会一本正经地给出错误解释，尤其是在数学细节上。我习惯在关键公式上，同时查一下教材或者让大模型再换一种推导方式，如果前后说法一致，心里会踏实很多。

3.4 一个30天“还债”计划样例

把上面这些方法整理成一个可执行的时间表，对“想动但不知道怎么动”的朋友会很有帮助。

第一周，主打线性代数与注意力机制。找一个开源的、最简单的注意力实现代码（不用太长），把前向传播拆开、注释、手动计算每一层的张量形状。遇到不会的矩阵概念，回到教材查定义。目标不是学会所有线代，而是彻底搞清楚“QKV三件套”里到底发生了什么。

第二周，主打概率论与生成逻辑。挑一个文本生成的主流脚本，调一调temperature、top_p这些采样参数，观察输出的变化。然后去补概率分布、采样、熵这些基础概念。目标不是会算概率题，而是能用自己的话说清楚“为什么随机性对生成模型是必要存在的”。

第三周，主打数据结构与RAG。搭一个简单的本地知识库问答：切分文档、做向量化、实现相似度检索、拼进提示词。过程中会遇到向量存储、相似度度量、排序这些概念，摸着石头过河。目标不是写一个高性能的检索引擎，而是搞懂一个AI应用里检索模块的基本工作原理。

第四周，综合成一个迷你项目。比如把前三周的知识串起来，做一个“能引用你指定的参考资料来回答问题的聊天小程序”。在这一步，你大概率会用到更多知识，比如并发、异步、API调用，这些都是自然的扩展，遇到什么补什么即可。

这套计划有一个很明确的取舍：不追求学科体系的完整性，只追求“用得上”和“能落地”。欠了多年的课，确实需要还，但不一定非得按照教科书原封不动地从头还。用更短的时间，把最关键的知识和现实场景接上头，就是对“还债”最好的交代。

4. 常见问题与避坑经验实录

4.1 高频问题速查表

我把被问到最多的问题整理成一个速查表，方便你对照自己的情况判断。

4.2 我踩过的三个坑

第一个坑是“收藏即学会”。刚开始补课时，我特别爱收藏各种“大模型数学基础导图”和“AI学习路线图”，收藏完觉得自己已经进步了一大截。直到有一天我发现自己连一篇带公式的推文都读不完，才意识到收藏和学会之间隔着十万八千里。现在的做法是：看到好的资料，当天就留出时间消化其中最核心的一小段，哪怕只看懂一张图、一个公式，也比吃灰强。

第二个坑是“贪多嚼不烂”。有一段时间我立了个flag，说要在一个月内把微积分、线代、概率论全部重修一遍，结果坚持了十来天就崩了。后来想明白了：这些知识在大学里要学一整年，用一个月扫完，除了制造焦虑，没有任何意义。现在我把目标拆成最小可执行的单元，比如“今天只搞懂什么是梯度”，搞懂了就停下来，绝不多看一章。小步子往前走，反而走得更远。

第三个坑是“只看不练”。看讲解视频的时候，觉得“懂了懂了”；关上视频，拿起代码却不知道从哪里下手。后来我给自己定了一条规矩：任何概念，必须能在代码里看到它的影子才算真正了解。比如学“归一化”，就去找一个实际运用归一化的模型代码，亲眼看看它在哪里被调用。从“眼睛会了”到“手会了”，这中间就差一个“亲自操作”的距离。

4.3 几条值得记住的“心态级”经验

最后，聊几条心态层面的东西，这些比具体的知识点更让我受益。

第一，把“还债”当成一次“重学”，而不是“补救”。同样的知识，当年是被动输入，今天带着场景主动回来学，理解深度完全不是一个量级。我补线代的时候，甚至比当年上课更有兴趣——因为我知道每一步在现实里长什么样，这种连接感让学习变得好玩了。

第二，知识是分轮次加深的，不必苛求一次到位。第一轮我只求知道“矩阵是变换”；第二轮我能看懂注意力代码；第三轮我可能才去啃特征值分解。你不用在第一轮就把所有东西都弄懂，第二轮、第三轮会不知不觉地帮你补齐前一轮的漏洞。

第三，跟当年的自己和解。大二没听懂，不是你不够聪明，很可能只是“时机不对”——知识在没有场景的时候，天然缺乏吸引力。现在场景来了，你愿意回头补课，已经是很勇敢的行为了。不用为过去的划水感到愧疚，更不用觉得“现在开始已经晚了”。种一棵树最好的时间是十年前，其次是现在。这句话放在补课上，一样成立。

我在实际补课过程中体会最深的一点是：AI时代没有让大二那些课变得简单，但它让那些课变得具体了。一个抽象公式背后站着什么现实问题，现在很容易就能找到答案。有了这层具体感，当年那个坐在阶梯教室后排、看着满黑板符号发呆的自己，也终于能跟那些“没听懂”和解了。