人工智能技术与前沿应用 · 修读回执档案

85分以上不得超过35%这一刀砍下来，直接把我稳稳卡在绩点地板上。

课程内容：水课，讲点算法与AI应用。 上课自由度：低，每节课都签到。 考核标准：10次左右的作业再叠两个小组大作业，p事真多。 授课质量：一般。为了卡优秀率简直无敌，分数没理由乱扣，给分随机性不强，但被优秀率调分的随机性还是有的，总有人要当那个不幸中招的，哪怕你这学期认真对待这门课也得看命。

老师科研是卷王天花板，但授课水平——三个字，非常非常非常一般，就是那种你本来不会这玩意儿，上完课你还是不会这玩意儿。后期的课基本是拿没coding基础的同学当空气，大作业（占比50%）出来的时候离期末周不到一个月，中期退课的口子早就焊死了。大作业每组发一张3090-24G当传家宝，部分摘录： > 本课程项目以轻量级图像超分辨率（Super-Resolution, SR）为主题，要求同学在模型参数量受限（0.5M）的前提下，设计并实现一个能够有效提升图像超分辨率重建性能的深度学习模型。项目旨在综合考察大家在模型设计与实现、实验设计与结果分析、工程规范与复现、以及团队协作与表达等多个方面的能力。 > > 所有同学需以小组为单位完成本次项目，六人组成一个小组，每位同学必须且只能参加一个小组。鼓励组内进行合理分工，例如有人侧重模型结构设计与代码实现，有人负责训练与调参，有人负责可视化与结果分析，还有人负责撰写报告和准备汇报，但最终成果属于全组共同完成。在项目报告中，建议简要说明各成员的主要贡献，以体现团队协作过程。 > > 本项目的核心任务是：在给定的训练和测试数据集设置下，针对轻量级图像超分辨率任务进行性能提升。训练数据集统一采用 DF2K，测试数据集统一采用经典的 Set5 数据集。同学们需要在 DF2K 上对所设计的模型进行训练与调参，并在 Set5 上进行统一评测。放大比例采用 x2倍率，要求在相同评测配置下对 Bicubic 插值方法和你们的小组模型进行公平对比，包括使用相同的颜色空间（仅在 Y 通道上计算 PSNR）以及相同的裁剪策略（去除边缘2像素）。 > > 需要上交以CVPR 2026的论文模板，使用Latex语言，全文采用英文的报告与源码，并且给一个课上答辩。 课程中一共7次作业，助教在课上反复念叨报告得有多好看，并且能因为“没展现出思考”这种理由，把基本做完了的作业给你刀了。 *** 课程那些难受的地方大概这么几摊： 1. 工作量整得跟马拉松一样长。2学分通识课，7份格式得规规矩矩凑齐的报告+1个大作业（还得训练+答辩+LaTeX报告写得漂亮，组内给分一条绳子拴死，你现在明白了为什么用博弈论视角下每个人都会选择“躺着吧”），对于摸过一点DL、CV的同学真的属于喝水难度，但对于就是想过来尝尝基础AI是啥味儿的“通识课”型朋友，这套操作下来只有一个词形容——只负责筛选，不负责上课，极致的筛选性; 2. 课堂画风弥漫着草台班子气息，整体体验可以总结为破财消灾式的选修。人家既然是CV老兵、头部网红导师，科研才是真主业，接这个通识课更像个课余打卡项目，但是草台般的讲法和随机漂移的代码演示着实是没在不会这块门路的学生身上追加太多可到账知识。前期教材部分是直接借来用Stanford CS188的现成内容，缝合效果和原作可完全打不着关系。就是靠喝奶茶送小礼物这一招，保持着教室里一点点说不清氛围; 3. 给分就跟拨号一样抖。开课时大纲写的成绩构成是10%课堂+40%课程项目+50%作业，最后公布的构成是20%课堂表现+30%项目+50%作业——而且课堂表现就采样飘忽，随机一抽就给出了表现分，问你今天没点到，就是你没表现到，课内分见罚四分。 *** 要说这门课耀眼的地方，也有： 1. 老师做科研那确实是天花板级的硬，而且课上一聊就忍不住给你讲讲自己早期写的许多影响力论文; 2. 老师这一轮大作业给算力给我们随意造，助教也维护了一份不错的code base，回话回得快，真上去稍微动了一点手就能混到性能上的分数加成; 3. 老师会安排组里的学生来做工作分享，分享一下里面近期的轻量化 Diffusion-based 方向和前沿界的一线视角; 4. 之前从还没接触过 SR 的我，搞完这套大作业，SR我总算是整明白了个大概，也可以说是知道了一点门槛——现实在知识量上算是被充值过一次了。 *** 总结一下就是把“不那么合理”当修饰词可以贴它标签但还绝不至于推着这课下楼的程度的一门通识课。只要你现在选课期间没那么拥挤得无法呼吸、而且在AI这块摸过一点门道，它算是一个可以贡献进工程模块学分的备选，**就是不确定之后大作业会不会每年都得做下去**，顺手说一句隔壁AI1003 就是一堆分享新工作玩的东西，是拿Pre展示的课。 不管怎么说这学期的助教老老实实在干活，老师人也是和和气气的，还是得给他们上一杯谢茶。

一个期中汇报整出这么复杂的规则，是几个意思？真把这门两学分的、纯纯抄CS188的课当回事了？要么老师要么助教，喜欢教评被打低分直说就行。 附：规则 2. 投票通道开放后，每组可对选题意向竞拍。规则： a) 每组可向多个目标题目投token表态，投得越多越想要；不想讲的可以不投，token数量必须为整数。 b) 投完还要写选题理由，没投token的题可不填。 c) 每组只准投票一次（组长填问卷），超一次以最后一次为准。 3. 投票关闭后，老师和助教梳理投票并分配选题： a) 先核对token总数，某组超过20枚就取消竞拍权，直接进未命中随机区。 b) 合格组的token分配整理，每个选题的token总数求和降序排。 c) 从token最多的题目开始分：对该题投token的组排序，投最多者获得介绍权。若不同组投一样多，则由老师和助教看选题理由酌情判给谁。已获权的组从后续剔掉。 d) 依次类推，直到所有投了token的题目分完。仍有组投了token却啥也没分到，就按上面规则二次分配，直到没组剩且所有投token的题都有1-2组被分到。按此拿到介绍权的组，会根据该题token总数（题的热门度）得到一些bonus，前三个冷门题有加分。 e) 若还剩下组和题，则这些组进未命中随机区，剩余题随机分给区内组，这样拿到的组不加分。 f) 通道开启期间没投票的组，视为接受随机分配，直接进未命中随机区。 4. 分配完后，助教会把结果和课题热门度发到课程网站供参考准备。 5. 该规则最终解释权归《人工智能技术和前沿应用》课程组。 6. 祝大家选题好运气，大吉大利，晚上中题！ ---- 给分真的帅，+2分

课程内容：都是些皮毛。毕竟是通识课，真想学到点东西是不太可能的，主打一个蹭个概念就算来过。 上课自由度：高，轻松拿捏。 考核标准：作业50，出勤10，报告40，一分布置一门心思。 授课质量：中规中矩，安全牌打出全垒打。 没有代码基础的同学也可以来选，因为作业简单，就是填一两行代码然后跑一跑交个结果，交给AI就很轻松。报告要求很多，有点繁琐。 作业+出勤应该是给满的，所以报告是关键点。老师比较注重同学们区别于AI的"自己的思考"，如果这个报告用AI也能生成，那竞争力不会高。如果报告做好了，那最后成绩就会比较高——AI能写，但有脑子的AI才能拿高分。

课程内容：机器学习和深度学习入门版大礼包 每节课抛一种或几种算法，你要是只想了解的机器学习原理，上这课确实能摸到门。但作业就是填空几句代码、拧拧参数、记录结果，扔给gpt都能代打，真想练代码还得自己另开副本。 上课自由度：低 每节课都要扫码签到，还搞不定期二次巡检，对着已签到名单点名，没到的当场把签到作废，堪比打副本中途查挂机。第一节课你干啥都行，第二节课专门留出来写作业，老师下场巡逻抓打游戏的。 考核标准：出勤+作业+项目project 一条工程类通识课的肝度流水线，不推荐选。每节课都布置作业，巨烦；大作业又要pre又要写论文，妥妥吞掉期末复习时间。 授课质量：还行

上课自由度：no 每节课都有签到，签到比食堂早饭还准时 考核标准：作业+期末pre（小组完成论文+ppt），最后期末还是被卡绩了 授课质量：除了最后一节课换了个老师来讲 感觉还比较有意思，其他的课都非常无聊。作业按照标记好的内容改代码，内容需要大量的重复工作！！！重复到你会怀疑自己是不是在给电脑做复健。

上课自由度：较高，差不多是撒手不管的程度。 考核标准：平时作业50+项目作业40+出勤10。平时作业对代码理解没有任何帮助，就是在参数上抠两下、跑个结果、截图上传，纯体力活；而且每次给分都很奇葩，后几次换了助教，给分奇低。项目展示每一组严格控制7分钟，内容多到像往针眼里灌大象，根本讲不深，只能草草收工。每节课都有签到。 以及84.8不捞到85，我是真的想不通，差这0.2是打算收过路费吗？ 授课质量：一般。 感觉一小时就能把一学期的内容囫囵吞完，水得能养鱼。

课程内容：宝宝巴士级别python，踩油门都嫌快。 上课自由度：签到没断过，像每天早起打卡领积分。 考核标准：作业40签到10pre50。 授课质量：优质水课。作业相当简单课上就能完成，期末有个pre，老师注重ppt质量——做好看比做对重要，美工系预备役。

课程内容：大部分就是基础的机器学习 上课自由度：一般 考核标准：ppt+平时作业，最后会临时改成绩拿来卡绩，我也被卡了 授课质量：怎么讲呢，人工智能技术与前沿应用，可老师上课几乎没提着什么前沿应用，一开头先给你上深度优先搜索。我倒要问了，这不是数据结构的活吗，一门”前沿应用“的课干嘛从最最基础开始翻土？我觉得卷积神经网络都算不上”前沿”了，至少对现在大部分活儿来说。要当地基直接开卷积神经网络再过渡到最重要的transformer不就完了。结果整个授课，最重要的tranformer近乎没讲，这就是让我有点泄气的地方，毕竟在我看来transformer就是好多前沿应用的地基，而且它本身就一点也不难，完全可以挑出来好好上，而不是去讲什么“深度广度优先算法”。我总觉得这上课内容和”人工智能技术与前沿应用“这标题就是对不上号的。大概老师觉得后面请几位老师来唠他们的科研方向，这就叫”前沿应用”了，我不买账，没有“前沿知识”垫底却去听“前沿应用”的讲座，这不纯纯地浪费时间嘛！ 我心里的理想排课就该参考台大李宏毅老师的路子，又要”前沿”又要“基础易懂”。那才是我想的最好的“人工智能技术与前沿应用”通识课；而对老师塞给我一大坨机器学习知识我是有点中意不上，真了这种连都普讲机器学习的打法下来，我并不是很推荐其他人选这门课。因为在我看来，大家冲人工智能来，是因为它爆火。而它爆火很大程度上是深度学习抬起来的，特别是transformer架架传统卷积神经网络，至于传统的SVM这些东西！！！

上课教的东西基础到啥程度？基础到你奶奶来听都能点头，过于基础了，基础得让人怀疑是不是在给AI做胎教。但凡你摸过一丁点机器学习，或者真心想认真学机器学习，听我一句劝：快跑，这课纯纯是项目经理给老板们画饼式地讲解人工智能。 虽然内容水得能养鱼，但他管得倒是挺宽，作业呢？纯粹的机械重复劳动，跟上面说的水课内容完美呼应——所有代码模板全给你写好了，你就负责不停地注释、去注释、换运行内容，再把结果拷进word里提交。但架不住有人会去排版、整理内容，卷成麻花刷分。 所以整体来看，这课对刷分人和想学知识的人意义完全不一样： 想刷分的，推荐分1分，因为老师给分奇低。不知道为什么，就特别喜欢卡分，我和我室友一个89一个84，纯纯卡分。上课的presentation只给一点点时间，根本无法展开。想刷分的同学一定慎选。 想学知识的，推荐分$-2147483648$分，这课你**绝对绝对**不可能**学**到任何对你未来有用的知识。上课特别注重应用，也可以说是目前人工智能领域“老航天”的一个缩影吧，对机器学习的理论基础和为什么可行完全不会分析和讲解，美其名曰“我们上课同学来自各个系，学术背景不同”，但正因为大家背景差异过大，对机器学习可解释性的需求也不一样，因此正应该教授相关内容，让大家在未来自己使用人工智能时能不被蒙骗，不被像老师这样的人画大饼不是么？说实话，我比较怀疑老师自己是否真的理解人工智能和深度学习，**个人认为**老师的理解大概也就停留在“哦哦哦这个模型又SOTA了，好好好。一问为什么可行、这个模型做了哪些假设、设计理念和incentive是什么，又搁哪儿啊黑箱黑箱~~”。 对这课**非常失望**，倒不是因为分数，我不准备出国，结课就行。但对上课内容非常失望，明明做了两次上课反馈，却完全不会反思，所谓调查大概也只是形式主义罢了。 分数高的人可能印象好，但我必须强调：分数的方差应该很大，选课刷分的自己斟酌是否愿意赌一下能否拿高分；选课学习的就直接放弃吧，选别的老师真正的机器学习入门内容，或者直接去旁听**真正地教授们**的课程，哪怕自己上网b站搜研究生做的论文导读都比这个老师教得好。 **不推荐、不推荐、不推荐。快跑就完事儿了。**

# 人工智能有人工，前沿应用无前语 课程内容：45分钟上课，45分钟课堂上把作业堆写完。课程内容基本就是科普？且都是十分基础的算法。 上课自由度：高 考核标准：签到+作业（课堂完成）+大作业（组队对一个算法或者一个领域进行介绍，老师打分+同学打分） 授课质量：低 作业难上天是怎么也上不了的，既机械又费时间。代码早就写好了，你单纯改改参数截个图贴上去，要改参数的地方全已标注好。一个参数要求改3-4次，好几个参数都得改，每改一下你都得截图。 45分钟过完，连调库都没学着。 上课45分钟，一节课一个算法，根本讲不深，难点细节几乎全一笔带过，就囫囵讲讲基础概念，而概念也没有讲多清楚，要说一节课的ppt大可以浓缩成2-3页吧，也一点不含数学。 老师美其名曰：着意照顾每位同学的水平不同。于是这节课负有人文美怀，毫零技父底蕴。既没技术，也没前沿的应用，人工智能也少的可怜。 总之，都多少有点编程和算法基础，就别来沾这课了，自己动手两小时自学，完全能把一两百周课的那点积货自学完。反之，如果一点编程和算法基础也没有？好吧这课一样不是佳启蒙。 给分更离谱，大作业那小组互相评分，不就是纯粹膈应人，一旦有人跟你暗饱走心踩你一脚，你就得扑下去。老师给分标准也很离谱，还得看ppt做得花不花，仿佛对技术难度一点要求也没。你不需要懂算法到底是为啥，只要东扯一句西扯一句算法概念便好。那干嘛管自己叫人工智能技术与前沿应用？不如改名叫《用ppt展示人工智能基础》。 最后不捞，不捞的啊。天黑了，前面的坑就摆在那。跑。

课程内容：一些深度学习比较基础的东西，深度但没有完全深度 上课自由度：非常高，基本上别太离谱老师都不怎么管，离谱的边界还挺宽 考核标准：平时作业 期末的团队合作作业pre，队友的靠谱程度是这门课最大的随机变量 授课质量：挺高的，看得出来老师非常有学问，也会在课上把自己研究的相关工作分享给我们听，属于是边听边觉得人家脑子是另一个牌子的