AI越狂飙，越要啃透25门基础学科

当GPT能写代码、Agent能自主规划任务，甚至大模型还能自我迭代时，不少人开始犯嘀咕：既然AI什么都能做，那我们还要死磕线性代数吗？孩子还要刷物理题吗？上海交通大学金耀辉教授团队刚开源的Path2AGI项目，直接把这个问题的答案铺成了一张清晰的知识地图——AI从来不是某一门学科的独角戏，它是25门基础学科跨时空汇流的结果。这张地图里藏着一个反直觉的真相：我们以为AI在取代基础学科，实则它的根须早就扎进了每一门基础学科的土壤里。

25门学科，串起AI的400年进化史

你可以把Path2AGI看成一部AI的「学科家谱」。就拿线性代数来说，它不是课本里枯燥的矩阵公式，而是一条从17世纪延伸至今的脉络：莱布尼茨用行列式解方程组时，不会想到这会成为后来神经网络矩阵运算的基础；1858年凯莱提出矩阵理论时，也预见不到百年后会支撑起Transformer的注意力机制；1965年Golub和Kahan算出的奇异值分解（SVD），如今成了推荐系统、图像压缩的核心工具。

这不是个例。概率论让AI学会处理不确定性，神经科学启发了神经网络的结构，博弈论支撑着多智能体的协作，甚至哲学都在帮AI思考「智能的本质是什么」。每一门学科都不是孤立的知识点，而是AI进化链条上的关键齿轮——缺了任何一个，今天的大模型都可能只是空中楼阁。

不是学全25门，而是找对能力路径

Path2AGI最巧妙的地方，是把25门学科重新编织成了5条能力路径。你不用先啃完所有学科再碰AI：想搞懂深度学习的底层逻辑，就走「基础模型构建」路径；想理解大模型的涌现能力，就从「认知智能形成」路径切入；甚至你只是想思考AGI的未来，也有对应的「通用智能探索」路径。

这种设计戳破了一个常见误区：很多人学AI从Python编程开始，以为会调库、写脚本就算入门，却忽略了「知其然更要知其所以然」。比如你用梯度下降优化模型参数，要是不懂线性代数里的向量和矩阵运算，就永远搞不清参数是怎么更新的；要是不懂概率论的贝叶斯定理，也理解不了为什么大模型会出现「幻觉」。而Path2AGI的路径设计，就是让你从「用AI」的表层，挖到「懂AI」的根上。

基础学科，是AI时代的「反脆弱武器」

更值得注意的是，Path2AGI的出现，刚好回应了当下AI教育的一个隐忧：当工具越来越好用，我们正在失去对底层逻辑的掌控。现在不少AI学习者依赖大模型写代码、查公式，却连最基础的线性回归都推导不出来——这就像只会用计算器，却不懂加减乘除的原理。

而基础学科恰恰是应对这种脆弱性的武器。乔治亚理工学院的研究显示，那些能快速掌握新AI技术的工程师，无一例外都有扎实的数学和理论基础；美国劳工部的报告也提到，到2030年，AI时代最稀缺的不是会用工具的人，而是能理解工具、改进工具甚至创造工具的人。这些能力，恰恰藏在那些被认为「过时」的基础学科里。当然，Path2AGI也并非完美：它的学科内容更偏向理论框架，缺乏具体的实践案例，对于想快速上手的初学者来说，门槛依然不低。

当我们惊叹AI的狂飙速度时，往往容易忽略一个简单的道理：任何技术的爆发，都离不开底层基础的支撑。就像摩天大楼越高，地基就得打得越深，AI跑得越快，我们越要回头看看那些被遗忘的基础学科。

Path2AGI不是一本冷冰冰的学科手册，它更像一个提醒：AI的未来，从来不是技术单方面的突进，而是人类知识体系的整体协同。基础不牢，AI难成AGI。当我们把每一门基础学科的根扎稳，通向通用智能的道路，才会走得更扎实。