L6专家进阶
前五个阶段让你「能做事」。这一阶段让你「能做别人做不了的事」。
先接受一个事实
「专家」不是学完某一门课，而是在某个具体方向上，你的判断比大多数人更可靠。 所以本阶段最重要的一件事不是学更多，而是选一个方向扎下去（见 领域专精）。
专家与高级工程师的分界
| 高级 | 专家 |
|---|---|
| 能用好现有模型 | 知道现有模型为什么不行，并能改 |
| 会调参 | 知道该改哪个结构、为什么 |
| 复现别人方案 | 提出新方案并验证 |
| 解决已知问题 | 定义问题、判断「什么值得做」 |
| 依赖公开结论 | 能自己设计实验得出可信结论 |
| 单点深度 | 深度 + 能判断规模化的代价 |
四条能力主线
| 主线 | 内容 | 章节 |
|---|---|---|
| 规模 | 多卡/多机训练、显存优化、通信 | 分布式训练 |
| 效率 | 压缩、蒸馏、高效架构、稀疏 | 模型压缩 |
| 研究能力 | 读论文、复现、设计实验 | 论文与复现 |
| 方向深度 | 在某个领域做到前沿 | 领域专精 |
三条达成路径（按你的位置选）
路径 A：算法研究型
| 阶段 | 目标 |
|---|---|
| 1 | 精读 20 篇该方向核心论文，写出每篇的「问题-方法-局限」 |
| 2 | 完整复现 3 篇（含失败记录） |
| 3 | 在复现基础上做一个小的改进，做消融实验 |
| 4 | 投稿/开源/写技术报告 |
路径 B：系统架构型
| 阶段 | 目标 |
|---|---|
| 1 | 独立部署并调优一个推理集群（vLLM/SGLang，多卡） |
| 2 | 做一次完整的训练任务（LoRA/全参），解决显存与吞吐问题 |
| 3 | 设计一个能扛量的 AI 系统（QPS/成本/降级/多租户） |
| 4 | 沉淀为可复用的平台能力 |
路径 C：应用深耕型
| 阶段 | 目标 |
|---|---|
| 1 | 在自己行业做出 3 个可量化的落地案例 |
| 2 | 建立行业评测基准（别人愿意用的那种） |
| 3 | 形成方法论（可复制的方案模板） |
| 4 | 对外输出（分享、开源、标准） |
通过标准
常见卡点
| 卡点 | 真相 |
|---|---|
| 「什么都想学」 | 专家是窄而深，不是宽而浅 |
| 「只读论文不动手」 | 不复现等于没读 |
| 「追最热的题」 | 热题竞争激烈，冷门方向更容易做出成果 |
| 「不做实验就下结论」 | 这是研究者最大的信誉损失 |
| 「不敢承认不确定」 | 能说清「我不知道边界在哪」才是专业 |