---
url: https://ain.hmgf.hxcn.space/ai/ai-researcher-blogs-202605.md
description: 从站点背景、代表文章和阅读方式出发，整理两个适合追研究脉络的 AI 科研博客。
---
# 两个值得长期追的 AI 科研博客
科研博客和 X 上的快讯流不是一类东西。快讯适合知道"最近又出了什么"，博客适合看"一个人怎么把问题想明白、怎么把材料组织起来"。如果你想追研究脉络、阅读路径和论证过程，博客更适合长期放进书签栏。
这里选的两个站点，风格差异很明显。`hellojialee.github.io` 更偏"研究训练营"：课程、工具、PyTorch 经验、组内学习建议混在一起，适合刚进入实验室或刚准备转向 AI 研究的人。`jiaxuanzou0714.github.io` 更偏"理论研究笔记"：主题集中在 mechanistic interpretability、optimization、scaling law 和 μP 相关问题，适合已经能读一些论文、想看作者如何推导和串联问题的人。
## 科研博客的价值
社交媒体的信息更新快，但结构通常很薄。你看到的是标题、截图、几句观点，真正关键的推理过程往往没有展开。科研博客的价值恰好在这里：
* 站点本身就是作者的长期目录，能看出研究兴趣怎么变化；
* 单篇文章更容易保留前提、定义、引用和推导顺序；
* 同一作者的多篇文章放在一起读，能看到问题是如何一步步收束的；
* 你可以据此建立自己的阅读顺序，不至于一直跟着信息流跑。
所以这篇不做"大神推荐榜"，只做逐站介绍：这个站从哪篇开始读，能读到什么，分别对应什么阅读阶段。
## 一、Jia's Blog：从入门、工程到科研习惯放在同一处
博客：
About：
Archives：
GitHub：
Scholar：
作者主页：
### 站点背景
这个站点的作者是 Dr. Jia Li（李佳）。公开 About 页写得很完整：她目前是合肥工业大学副教授，研究兴趣包括 multimodal affective computing、computer vision 和 embodied intelligence。站点本身不大，但结构很清楚，有 About、Tags、Categories、Archives 几个入口。按归档页和分类页来看，文章总量不算多，却覆盖了学习、科研、软件工具等几个很实用的维度。
这个博客最有价值的地方，在于作者把带学生、做实验、配环境、整理工具的经验都放进了同一个地方。很多学术主页只看得到论文列表，这里能看到更贴近真实训练过程的内容。
### 阅读建议
如果你是下面这几类人，这个站会很顺手：
* 刚准备进组，想知道深度学习和视觉方向该怎么起步；
* 已经开始跑 PyTorch，但经常卡在环境、训练细节、分布式配置；
* 想看一个老师会怎么把课程、工具链和科研习惯连在一起讲。
站内分类里有 `学习`、`科研`、`软件工具`，说明作者写博客时把"研究"和"做事方法"放在了一起。它适合阶段性补课，不是每天刷新一次的站点。
### 代表文章
#### 1. 深度学习、计算机视觉入门和技能经验
博客：
这是最适合作为入口的一篇。它像一封写给组内新同学的长邮件，把课程、工具、服务器连接、文献管理、代码助手、科研习惯都串起来了。对已经在实验室里的人来说，这篇文章的价值不只是"推荐了哪些资源"，更在于它给出了一条导师视角下的起步顺序：补公开课、搭环境、学会读文献和跑实验，然后再谈 idea。
如果你最近正处在"东西看了不少，但顺序很乱"的阶段，这篇比单独一份资源表更有用。
#### 2. Pytorch实用指南
博客：
这一篇明显偏工程。它把训练和建模里常遇到的细节问题集中整理出来，不走从零入门那条线。这类文章可以当随查手册，不必从头背到尾；写模型、改 loss、看梯度、排查奇怪行为时回来翻，会很顺手。
很多研究博客只讲思路，不讲代码层的手感；这篇刚好补了那一块。
#### 3. 一个 Pytorch 训练实践 (分布式训练+半精度or混合精度训练)
博客：
这篇能看出作者是按真实实验流程在写：单卡、多卡、分布式训练、Apex、混合精度，一路往前推。它很适合给"已经能跑单机脚本，准备把实验正式搬到服务器"的读者看。
如果你只收藏一篇实践向文章，我会优先留这篇，因为它离"研究中的工程现实"更近。
#### 4. 多模态数据预处理速通
博客：
这篇根据归档页标题和站点整体主题保留。它和作者在 About 页写明的 multimodal affective computing 方向直接相关。对做多模态任务的人来说，数据预处理往往比模型结构更早决定项目能不能推进；所以即便你暂时还没切到这个方向，也值得记住这篇入口。
### 读完之后你会得到什么
这个站可以当成"研究训练营资料夹"。你不一定会连续追更，但很适合在几个节点反复回来：刚入门时看起步顺序，开始跑实验时看 PyTorch 和训练实践，转向多模态时再看相关内容。它给人的帮助很具体，主要集中在"研究是怎么做起来的"。
## 二、Jiaxuan's Blog：把理论问题拆开，再一篇篇接回去
博客：
Blog：
Publications：
官网：
### 站点背景
这个站点作者是 Jiaxuan Zou（邹嘉轩）。公开主页写得很直接：他是西安交通大学数学与统计专业本科生，同时在中国人民大学高瓴人工智能学院做研究实习。研究重点放在 mechanistic interpretability、deep learning theory、optimization 和 scaling laws。
和前一个博客相比，这个站点的主题收得更窄。首页和博客页都在强调 long-form notes，标签也集中在 `optimizer`、`muP`、`tensor-programs`、`feature-learning`、`deep-learning` 这些关键词上。核心内容始终围绕几个问题持续展开。
### 阅读建议
如果你已经能接受下面这些阅读场景，这个站点会更对路：
* 想知道一篇理论笔记是怎么从问题、定义、推导一路写到参考文献的；
* 对 μP、Tensor Programs、优化器、scaling law 这类问题有明确兴趣；
* 不满足于只看论文摘要，想看作者怎么把几篇论文重新组织成自己的理解。
它不适合作为"每天刷一篇"的轻量博客，可以把它当成一套逐步扩写的研究笔记库。读的时候最好顺着站内已有导航走，不要随机点开。
### 代表文章
#### 1. μP Map
博客：
如果你第一次进这个站，可以从这篇开始。它本身就是一篇导航文，把 μP 相关博客整理成几条阅读路线：背景问题、Tensor Programs 路线、球面动力学路线、Hyperball 扩展和范数估计补充。好的地方在于，它不只列链接，还解释每篇在整条链里解决什么问题。
这类文章最能看出作者是不是在长期经营同一个问题。从这篇可以明显看出，作者在维护一个逐步成形的专题目录，不是零散地记几篇笔记。
#### 2. 在 LLM 语境下，梯度里的噪声会如何影响 training dynamics？
博客：
这一篇很能代表他的写法：立问题、给数学建模、往下推导，再补数值验证和参考文献。你即便暂时不关心归一化优化器，也能看出作者是在用博客承接研究表达，不是随手摘几段观点。
对想练习"怎么把一篇论文问题重新讲一遍"的读者，这篇很值得细看。
#### 3. 并行性与表达能力的权衡：从 $AC^0$/$TC^0$ 到 Linear Attention 的理论边界
博客：
这篇很适合看作者怎么处理跨主题问题：Transformer、CoT、linear attention、电路复杂度，原本是几条不短的线，他把它们收进同一个论证框架里，最后落到"并行性与表达能力的 trade-off"上。
如果你对理论文章常见的写法还不熟，这篇可以当范例：它把问题拆开，再把结论一层层接回去，没有故作玄虚。
#### 4. Tensor Programs (二)：从Tensor Programs到 μP
博客：
这一篇适合已经读过一些 μP 相关文章的人。它把 Tensor Programs、LLN、CLT 和学习率缩放的关系拆得很细，也顺手告诉读者哪篇该先读。这个博客有个很实用的特点：作者很愿意写"阅读顺序"，不会默认读者已经知道上下文。
对长期追博客的人来说，这种自带索引感的写法很省时间。
### 读这个站时该有的预期
这个站点不适合当新闻源。更新一篇的成本明显更高，所以你更应该把它当作"专题进展记录"。一旦它更新了，往往值得完整读完；但它不会替你覆盖整个 AI 研究面。它适合的是少量、深读、做笔记。
## 怎么把这类博客真正用起来
只收藏链接还不够，最好配一套稳定的阅读方式：
1. **用 RSS 或浏览器书签文件夹订阅**：这样你不会被社交平台算法决定看到什么。
2. **按主题记笔记，不按日期记笔记**：比如单独建 `优化`、`μP`、`多模态预处理` 这些页，把不同博客的文章放进同一个主题下。
3. **把代表文章和论文管理工具连起来**：如果文章里引用了 arXiv、会议论文或作者自己的论文，顺手存进 Zotero、Paperpile 或你在用的文献管理器。
4. **保留一层自己的阅读备注**：哪怕只写三句话，记下"这篇解决什么问题、我没看懂哪一段、下次该接着看什么"，以后回访会轻松很多。
## 放进收藏夹之后
这类博客适合长期跟，不适合当每日新闻源。你从它们得到的，更多是"某个人在一段时间里持续追一个问题时，会留下什么样的思考轨迹"，而不是当天的信息流。
如果你正想从信息流里退一步，换一种更稳的输入方式，这两个站可以先放进收藏夹。一个帮你把研究训练的地基铺平，一个帮你看清理论问题是怎么被拆开再重组的。