深度之眼2025-2026科研大会员课件及资料合集

这份资料的主体是深度之眼 2025-2026 科研大会员课件与配套资料，按专题拆分成七个方向：免训练扩散模型、PINN、Graph Mamba、多模态大模型 DeepSeek、知识图谱与大模型、基于强化学习的深度推理增强、以及人形机器人强化学习。它不是一门线性推进的入门课，更接近一份按研究方向归档的技术素材库——每个专题自带课件、论文线索或实践材料，适合带着具体问题去挑对应模块看。

技术栈分布：七个专题各自的坐标

把七个专题放到一张图上看，它们覆盖了当前 AI 科研里几条相对独立的线：生成方向是免训练扩散模型，它关心的是不重新训练模型、通过采样策略或引导方式改变生成结果；科学计算方向是 PINN，把物理方程约束进神经网络损失，用于求解偏微分方程类问题；序列建模方向是 Graph Mamba，把状态空间模型扩展到图结构数据；大模型方向占了三个专题——多模态大模型 DeepSeek、知识图谱与大模型、强化学习增强深度推理，分别对应模型能力、结构化知识注入、以及推理链路的后训练增强；最后一类是具身智能，落点在基于强化学习的人形机器人控制。

这种分布意味着读者很难用一条主线串完，但好处是每条线都能单独作为切入点。如果你在做扩散模型采样加速，专题一的材料可以直接对照；如果你在做 LLM 推理能力提升，专题六的强化学习增强路径和专题四的 DeepSeek 研究资料可以放在一起看。

项目结构与资料组织方式

从组织上看，每个专题基本按「课件 + 资料」两层来放。课件承担概念梳理、方法推导和实验设定的讲解，资料部分则偏向论文、代码参考或补充阅读。这种结构的实际用法是：先看课件建立对方法框架的理解，再顺着资料里的线索去读原始论文或复现实验。

需要提醒的是，这类合集的价值不在于「看完」，而在于「查到」。它更像一个按主题切好的索引，你在写综述、选 baseline、或者确定实验方案时，能快速定位到对应方向的主流做法和参考材料，比从零开始检索效率高一些。

可复用的模块与切入建议

• 免训练扩散模型部分：关注采样与引导策略的实现思路，这类方法通常改动小、易嵌入已有扩散 pipeline，复用成本低。
• PINN 部分：损失函数中物理约束的构造方式、边界条件处理，是可迁移到其他科学计算任务的通用套路。
• Graph Mamba 部分：图结构与状态空间模型的结合点，适合做图神经网络的读者对照现有 GNN 方案。
• 知识图谱与大模型部分：结构化知识如何与大模型对齐、检索增强的实现路径，是工程落地中常被问到的环节。
• 强化学习深度推理与具身智能部分：奖励设计、训练稳定性、仿真到现实的迁移，是两条线共同的工程难点。

自学路径怎么排

如果按先易后难、先通用后专用的顺序，建议从多模态大模型 DeepSeek 和知识图谱与大模型入手，这两块与当前大模型工程实践衔接最紧，理解成本相对可控。接着可以看基于强化学习的深度推理增强，它依赖对大模型训练流程的基本认识。扩散模型、PINN、Graph Mamba 这三块偏方法研究，需要一定数学和领域背景，适合有明确课题时再深入。人形机器人强化学习放在最后，因为它同时涉及控制、仿真环境和强化学习训练，门槛最高，但如果你本身就是做具身智能的，可以直接从这一块开始。

整体上，这份资料适合拿来对照实践：选一个和你当前任务最接近的专题，把课件过一遍方法脉络，再从资料里挑一两篇原始文献精读，最后尝试在自己数据集或环境上跑通一个小实验。空看视频或只翻课件，很难把这七个方向真正转化成能用的东西。