# Path2AGI

**Repository Path**: qdphenix/Path2AGI

## Basic Information

- **Project Name**: Path2AGI
- **Description**: https://github.com/datawhalechina/Path2AGI
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-26
- **Last Updated**: 2026-04-26

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

---
title: 知识地图
aliases:
  - 从基础学科到通用人工智能
  - Index
category:
  - 导航与索引
tags:
  - ai-foundations
  - index
  - knowledge-map
type: topic
status: stable
importance: core
version: v3.0
date: '2026-04-21'
---

# 从基础学科到通用人工智能：29 学科知识地图

> **上帝视角**：这不是某一门学科的专题文，而是整套知识库的导航页。它要回答的是两个问题：第一，哪些基础学科共同汇聚成了今天的 AI；第二，读者应该沿什么路径进入这套跨学科知识，而不在大量专题之间迷路。

---

## 1. 上帝视角：为什么 AI 需要一张知识地图

AI 从来不是单一学科的自然延伸。它更像一个汇流系统：

- 数学与形式基础负责给出表示、优化、推理和不确定性的语言；
- 计算与系统工程负责把这些理论变成可运行、可扩展的系统；
- 认知、生物与语言研究解释自然智能如何形成，并持续为 AI 提供结构启发；
- 决策、交互与社会机制告诉我们多主体、资源、激励和博弈如何影响系统行为；
- 物理与哲学基础则分别从能量、相变、认识论与心灵问题上约束我们如何理解智能；
- 社会科学与人文学科则揭示AI如何嵌入社会结构、制度与文化，以及如何治理其影响。

因此，索引页的职责不是替代正文，而是把全书压缩成一张结构图，让读者始终知道：

- 自己正在学哪一类问题；
- 这个问题与哪些学科直接相连；
- 接下来最自然的阅读迁移方向是什么。

### 1.1 当前覆盖范围

截至 `2026-04-21`，中文专题文档按 29 个学科组织为六组：

1. 数学与形式基础（01-09）
2. 计算与系统工程（10-15）
3. 认知、生物与语言（16-20）
4. 决策、交互与社会机制（21-23）
5. 物理与哲学基础（24-25）
6. 社会科学与人文学科（26-29）

### 1.2 这张地图不替代什么

本页不直接替代：

- 各篇专题中的公式推导和例题；
- 代码示例、图表与可视化脚本；
- 英文版内容；
- 尚未独立展开的时间线页和学科关系图。

它的作用始终是：**帮助定位，而不是代替正文。**

---

## 2. 历史脉络：AI 为什么必然是跨学科产物

把 29 个学科放进同一张图里，并不是人为拼盘，而是因为 AI 本身就沿着这条汇流史发展：

- **1943**：McCulloch 与 Pitts 提出人工神经元模型，神经科学与计算理论首次直接耦合；
- **1948**：Wiener 发表控制论，Shannon 建立信息论，AI 的反馈与信息语言同时成形；
- **1950**：Turing 提出图灵测试，把”机器能否表现出智能”变成可讨论问题；
- **1956**：达特茅斯会议标志 AI 作为独立研究方向形成；
- **1986**：反向传播重新点燃连接主义，优化、数值计算与神经科学重新汇流；
- **2012**：AlexNet 借助 GPU 训练取得突破，数学方法与硬件系统开始大规模合流；
- **2017**：Transformer 让表示学习、语言学、系统工程和规模化训练进一步汇聚；
- **2022 以后**：大语言模型、Agent 和对齐问题把哲学、经济学、复杂性科学、社会学、法学与人类学等重新拉回 AI 中心。

因此，这张索引不是静态目录，而是对一条真实历史汇流过程的结构化整理。

---

## 3. 核心知识点详解

### 3.1 按学科簇浏览

> **关于学科粒度的说明**：本知识库中学科粒度的选择基于"对AI的直接贡献密度"而非学科本身规模。例如，"AI伦理与治理"虽是新兴领域，但在大模型时代的重要性足以单列；"哲学"虽宽泛，但仅聚焦认识论与心灵哲学两个与AI直接相关的分支；"计算机科学"虽覆盖广，但本库重点在其为AI提供的可计算性理论、算法复杂度与系统架构基础。这种不均匀粒度是有意为之，目的是突出各学科对AI的核心贡献点。

#### 数学与形式基础（01-09）

这一组回答的是：AI 的数学语言、形式边界与结构表达从哪里来？

- [[01-probability-and-statistics|概率论与数理统计]]
- [[02-linear-algebra|线性代数]]
- [[03-calculus-and-optimization|微积分与优化理论]]
- [[04-information-theory|信息论]]
- [[05-approximation-theory|逼近论]]
- [[06-graph-theory|图论]]
- [[07-topology-and-geometry|拓扑与几何]]
- [[08-logic|逻辑学与形式推理]]
- [[09-causal-inference|因果推断]]

#### AI 中的角色

这一组决定 AI 的底层表达能力：怎样描述不确定性、怎样进行可微优化、怎样表示关系结构、怎样讨论规则与机制边界。

#### 计算与系统工程（10-15）

这一组回答的是：理论成立之后，AI 怎样被算出来、控出来、部署出来，并演化成复杂系统？

- [[10-computer-science|计算机科学]]
- [[11-numerical-analysis|数值分析]]
- [[12-signal-processing|信号处理]]
- [[13-cybernetics|控制论]]
- [[14-complexity-science|复杂性科学]]
- [[15-computing-hardware-and-parallel-computing|AI 计算硬件与并行计算]]

#### AI 中的角色

这一组把”理论上可行”的方法变成”工程上可落地”的系统，同时解释规模化、反馈和复杂行为为何会在真实 AI 中出现。

#### 认知、生物与语言（16-20）

这一组回答的是：自然智能如何形成，以及这些形成机制对 AI 有何启发与约束？

- [[16-neuroscience|神经科学]]
- [[17-cognitive-science|认知科学]]
- [[18-psychology|心理学]]
- [[19-linguistics|语言学]]
- [[20-evolutionary-biology|进化生物学]]

#### AI 中的角色

这一组提供自然智能的参照系，帮助我们理解注意力、记忆、语言、行为和适应机制如何被 AI 吸收、改写或偏离。

#### 决策、交互与社会机制（21-23）

这一组回答的是：主体如何决策、互动、协商和竞争，激励结构如何改变系统行为？

- [[21-operations-research|运筹学]]
- [[22-game-theory|博弈论]]
- [[23-economics|经济学]]

#### AI 中的角色

这一组处理的是单个模型之外的问题：多主体如何互动，资源如何配置，激励结构如何改变系统结果。

#### 物理与哲学基础（24-25）

这一组回答的是：系统的能量、相变与知识边界如何约束我们对智能的理解？

- [[24-statistical-physics|统计物理]]
- [[25-philosophy|哲学：认识论与心灵哲学]]

#### AI 中的角色

这一组分别从物理系统与认识边界两端，约束我们如何理解学习、能量、解释、意识与 AGI 问题。

#### 社会科学与人文学科（26-29）

这一组回答的是：AI如何嵌入社会结构、制度与文化，以及如何治理其影响？

- [[26-ai-ethics|AI伦理与治理]]
- [[27-sociology|社会学]]
- [[28-law|法学]]
- [[29-anthropology|人类学]]

#### AI 中的角色

这一组处理的是大模型时代最紧迫的议题：对齐问题、偏见与公平、可解释性、责任归属、隐私与自主性、治理与监管、社会分层、数字劳动、算法治理、文化相对性与法律合规。它直接影响模型设计、部署策略、组织流程与公共政策。

### 3.2 按 AI 能力形成路径浏览

如果你更关心“能力如何长出来”，而不是“学科如何分类”，可以按下面几条路径进入。

#### 路径一：表示与训练

> 你会理解向量表示如何形成、梯度如何更新、有限精度与硬件为何共同决定模型是否可训练。

[[02-linear-algebra|线性代数]] → [[03-calculus-and-optimization|微积分与优化理论]] → [[11-numerical-analysis|数值分析]] → [[15-computing-hardware-and-parallel-computing|AI 计算硬件与并行计算]]

#### 路径二：结构与关系

> 你会理解当世界不是规则网格，而是关系网络与连续空间时，AI 如何表示结构。

[[06-graph-theory|图论]] → [[07-topology-and-geometry|拓扑与几何]] → [[10-computer-science|计算机科学]] → [[14-complexity-science|复杂性科学]]

#### 路径三：不确定性、信息与机制

> 你会理解模型如何处理不确定性、压缩信息，以及如何区分相关与因果。

[[01-probability-and-statistics|概率论与数理统计]] → [[04-information-theory|信息论]] → [[09-causal-inference|因果推断]] → [[24-statistical-physics|统计物理]]

#### 路径四：控制与智能体

> 你会理解反馈、序贯决策和多主体互动为什么是 Agent 系统的理论前身。

[[12-signal-processing|信号处理]] → [[13-cybernetics|控制论]] → [[21-operations-research|运筹学]] → [[22-game-theory|博弈论]]

#### 路径五：自然智能与 AGI

> 你会理解大脑、认知、行为、语言、哲学与治理问题为何始终是 AGI 讨论的背景层。

[[16-neuroscience|神经科学]] → [[17-cognitive-science|认知科学]] → [[18-psychology|心理学]] → [[19-linguistics|语言学]] → [[25-philosophy|哲学]] → [[26-ai-ethics|AI伦理与治理]]

#### AI 中的角色

这部分把静态目录改写成动态能力形成路径，让读者围绕训练、结构、控制、推理和 AGI 问题组织阅读，而不是被学科名称本身牵着走。

### 3.3 按读者目标进入

#### 路线 A：面向机器学习 / 深度学习

[[01-probability-and-statistics|概率论]] → [[02-linear-algebra|线性代数]] → [[03-calculus-and-optimization|微积分与优化]] → [[04-information-theory|信息论]] → [[11-numerical-analysis|数值分析]] → [[15-computing-hardware-and-parallel-computing|AI 计算硬件与并行计算]]

#### 路线 B：面向结构化 AI / 图学习

[[06-graph-theory|图论]] → [[07-topology-and-geometry|拓扑与几何]] → [[10-computer-science|计算机科学]] → [[14-complexity-science|复杂性科学]]

#### 路线 C：面向强化学习 / 智能体

[[01-probability-and-statistics|概率论]] → [[03-calculus-and-optimization|优化理论]] → [[13-cybernetics|控制论]] → [[21-operations-research|运筹学]] → [[22-game-theory|博弈论]] → [[14-complexity-science|复杂性科学]]

#### 路线 D：面向推理 / AGI / 治理

[[08-logic|逻辑学]] → [[09-causal-inference|因果推断]] → [[10-computer-science|计算机科学]] → [[17-cognitive-science|认知科学]] → [[19-linguistics|语言学]] → [[25-philosophy|哲学：认识论与心灵哲学]] → [[26-ai-ethics|AI伦理与治理]] → [[27-sociology|社会学]] → [[28-law|法学]]

#### AI 中的角色

这部分的作用是降低进入门槛，让不同目标的读者都能快速找到一条可执行的入门路径，而不是在 29 个专题之间平均发力。

### 3.4 当前最值得优先阅读的 14 个专题

如果你第一次进入这套知识库，可以先抓住下面 14 个支点：

| 专题 | 为什么优先 |
|------|------------|
| [概率论与数理统计](./01-probability-and-statistics.md) | 不确定性、统计学习与贝叶斯思维的起点 |
| [线性代数](./02-linear-algebra.md) | 几乎所有现代模型都运行在向量与矩阵上 |
| [微积分与优化理论](./03-calculus-and-optimization.md) | 训练过程本质上是可微优化 |
| [信息论](./04-information-theory.md) | 熵、压缩、互信息与损失函数语言 |
| [图论](./06-graph-theory.md) | 关系结构与图学习的基础入口 |
| [逻辑学与形式推理](./05-logic.md) | 符号推理与规则系统的基础 |
| [因果推断](./09-causal-inference.md) | 让模型从相关走向机制 |
| [控制论](./15-cybernetics.md) | 反馈、闭环和智能体问题的前史 |
| [AI 计算硬件与并行计算](./18-computing-hardware-and-parallel-computing.md) | 理解为什么现代 AI 必然是系统工程 |
| [哲学：认识论与心灵哲学](./25-philosophy.md) | 解释”什么算理解、推理、意识与 AGI” |
| [AI伦理与治理](./26-ai-ethics.md) | 大模型时代的对齐、公平、可解释性与治理问题 |
| [社会学](./27-sociology.md) | 理解AI如何嵌入社会结构与权力关系 |
| [法学](./28-law.md) | AI的法律边界、责任归属与监管合规 |
| [人类学](./29-anthropology.md) | AI的文化参照系与技术全球化 |

#### AI 中的角色

这一部分相当于全书的”最短抓手”。如果读者时间有限，这 14 个专题能最快搭起现代 AI 的主梁。

### 3.5 使用建议

在 Obsidian 或本地知识库环境中，最有效的读法通常是：

- 从本页进入任一专题后，继续使用该页的 `相关主题` 横向跳转；
- 用反向链接查看某个学科被哪些篇章共同引用；
- 把本页作为工作台首页，避免阅读路径只沿单一学科线性展开。

#### AI 中的角色

导航效率本身会影响跨学科学习质量。阅读顺序若只沿单一学科推进，读者很容易错过 AI 最关键的“汇流点”。

---

## 4. 对 AI 的核心贡献

作为一页索引，本页的贡献不在于提供新理论，而在于提供新结构。

### 4.1 把分散专题压缩成可理解的地图

单篇专题容易让人获得”局部正确”，但难以形成整体判断。知识地图的作用，是把 29 个专题重新压缩为一套可导航的结构。

### 4.2 把“学科目录”翻译成“能力路径”

目录只告诉你有哪些主题，路径则告诉你这些主题如何共同形成表示、训练、推理、控制、交互和 AGI 讨论。

### 4.3 降低跨学科学习成本

读者不必先一次性掌握全部学科，仍可以按目标选择入口，并沿着跨学科链接逐步扩展。

---

## 5. 前沿与开放问题

这张地图本身也仍在演化。接下来值得持续完善的方向包括：

- 更细的时间线导航；
- 学科之间的关系图谱；
- 英文版同步；
- 代码示例与专题页之间的双向链接；
- 面向不同读者画像的定制阅读路径。

---

## 6. 推荐阅读与参考文献

这页更像导航页，因此推荐优先阅读以下全局性材料：

### 教材与全景综述

- Russell, S., & Norvig, P. (2020). *Artificial Intelligence: A Modern Approach*. Pearson.
- Marr, D. (1982). *Vision*. W. H. Freeman.
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). *Deep Learning*. MIT Press.

### 关键论文与里程碑

- Turing, A. M. (1950). Computing machinery and intelligence. *Mind*, 59(236), 433-460.
- McCarthy, J., Minsky, M., Rochester, N., & Shannon, C. (1955). A proposal for the Dartmouth summer research project on artificial intelligence.
- Mitchell, T. M. (1997). *Machine Learning*. McGraw-Hill.
- LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. *Nature*, 521, 436-444.
- Vaswani, A., et al. (2017). Attention is all you need. *NeurIPS*.
- Sutton, R. S., & Barto, A. G. (2018). *Reinforcement Learning: An Introduction*. MIT Press.
- Bommasani, R., et al. (2021). On the opportunities and risks of foundation models. *arXiv:2108.07258*.
- Bronstein, M. M., et al. (2021). Geometric deep learning: Grids, groups, graphs, geodesics, and gauges. *arXiv:2104.13478*.
- Kaplan, J., et al. (2020). Scaling laws for neural language models. *arXiv:2001.08361*.

若想先看项目层面的全景综述，可继续阅读 [00-overview.md](./00-overview.md)。

## 7. 本篇在全书中的位置

本篇就是整套知识库的入口层。它不属于某一个单独学科，而是为全部 29 个专题提供结构索引、阅读顺序和横向迁移入口。

最适合的使用方式是：

- 第一次进入本库时，从这里找到你的起点；
- 读完一篇专题后，再回到这里决定下一跳；
- 当你想理解“这门学科在 AI 全景里到底处于什么位置”时，再回到这里校准自己的地图。