人物介绍
杨夕凯现任高德地图智能应用与基建平台负责人，先后负责动态数据、AI 导航、智能应用及基建平台等方向。其工作涉及地图数字孪生、空间智能、AR/数字人、AI 导航算法模型，以及支撑大规模数据的端云一体化基础设施和工业级 AI 研发体系建设。
导语
当 AI 从论文模型走向真实产品，工程团队常被问到：哪些阅读材料能真正帮助做 AI 系统的人？以下内容整理自杨夕凯及其团队在 AI 导航与智能应用基建方向的一线实践，围绕工程视角下的 AI 阅读选择展开。
从工程问题出发选择阅读材料
采访者：很多做 AI 产品的工程师会纠结，到底应该读偏理论的书，还是直接看工程文档。你们平时怎么判断一本书值不值得读？
受访者：我一般先看它能不能解释真实系统里的关键问题。AI 工程不是只把模型跑起来，还要理解输入数据为什么这样、模型预测为什么可靠、系统如何在真实环境中持续工作。比如地图导航这类场景，模型要处理动态数据、空间关系和用户实时反馈，单纯会调参还不够。
所以我会把阅读分成两类：一类帮助理解智能系统的基本原理，另一类帮助建立工程实现的方法框架。前者不一定直接给代码，但能解释为什么某些方法有效；后者则更关注模型、数据和系统之间的关系。真正做 AI 产品时，这两类都不可少。
对 AI 工程来说，阅读的价值不在于记住多少概念，而在于能否把原理转化为可验证的系统设计。
神经科学视角对 AI 系统设计的启发
采访者：你提到《千脑智能》这本书，它看起来不是传统意义上的工程书，为什么会被纳入 AI 工程阅读范围？
受访者：《千脑智能》从神经科学角度出发，讨论大脑如何利用经验预测未来。它提到，如果要创造像人一样思考的 AI，需要先理解大脑的神经编码机制。这类内容对工程团队的启发在于，它提醒我们不要只盯着模型结构，还要看模型如何从经验中形成预测。
在地图和导航这类业务里，预测是非常核心的能力。路况、位置、用户行为都存在不确定性，系统需要根据历史经验和实时信号不断估计下一步状态。虽然工程系统不会直接复制大脑，但「利用经验预测未来」这个思路，可以帮助我们设计更合理的特征、时序建模方式和反馈机制。
这本书的价值在于，它把生物智能原理和人工智能开发联系起来，让工程师重新思考：什么是有效的学习信号，什么是有意义的表示。对于做空间智能、动态数据或实时决策系统的人来说，这种视角比单纯追求某个模型指标更有长期价值。
经典深度学习教材在工程中的位置
采访者：另一本是《深度学习》，这本书经常被称作理论书。对已经要上线产品的团队来说，它还重要吗？
受访者：重要，但读法不一样。《深度学习》由该领域三位顶级专家共同撰写，内容全面且深入浅出，既适合刚开始涉猎的初学者，也适合需要深入本质理论的专业研究者。对工程团队来说，它更像一本基础参照书，而不是操作手册。
实际做 AI 产品时，团队会遇到很多不是调接口就能解决的问题：为什么训练不稳定，为什么泛化效果不符合预期，为什么某个模块在实验环境有效但上线后波动很大。这些问题最终往往要回到模型、优化、表示和概率基础。《深度学习》提供的是对这些底层问题的系统解释。
我们团队在建设工业级 AI 研发体系时，不会要求每个人都从头到尾读一遍，但会在关键节点引用其中的概念。例如讨论模型容量、正则化、优化目标或表示学习时，经典教材能减少团队内部沟通成本。大家有一个共同的基础语言，讨论工程问题会更准确。
经典教材不是用来证明理论多深，而是帮助工程团队在复杂问题面前少犯低级错误。
从阅读到 AI 研发体系的落地
采访者：如果工程师读完这些书，怎么把内容真正用到 AI 产品和基础设施里？
受访者：阅读本身不会自动变成工程能力，关键是要有承接它的研发体系。我们做智能应用与基建平台时，很重视把算法、数据和工程链路放在一起考虑。比如支撑大规模数据的端云一体化基础设施，不只是存储和计算资源，还要让模型训练、评估、部署和反馈形成闭环。
以 AI 导航为例，模型效果不能只看离线指标，还要看真实道路环境中的稳定性。团队需要把数据更新、模型迭代和线上监控连接起来。《千脑智能》强调经验与预测，《深度学习》强调模型与表示，它们最终都要落到工程系统里：数据如何变成训练样本，预测如何被验证，模型如何在真实场景中持续修正。
所以我更建议工程师带着问题读。比如当前系统最不稳定的是预测环节，就可以重点读与预测机制、时序表示相关的内容；如果问题是模型难以维护，就回到深度学习基础，梳理训练目标和评估方式。阅读只有和真实项目绑定，才会产生工程价值。
工程负责人更看重长期基础能力
采访者：从团队负责人角度看，阅读这些材料对 AI 工程团队的能力建设有什么意义？
受访者：AI 产品迭代很快，工程团队容易被新模型、新工具牵着走。但真正长期做系统，会发现很多问题反复出现：数据质量、表示方法、预测可靠性、系统反馈、研发流程。经典阅读的作用，是帮助团队建立稳定判断力。
我们团队在地图数字孪生、空间智能、AR/数字人和 AI 导航算法模型等方向都有持续投入，这些场景共同要求模型不仅「能算」，还要「可信、可维护、可迭代」。如果团队只关注短期技巧，很容易在复杂业务里失去方向；如果只读理论，又可能无法把想法变成系统。比较好的状态是，用工程问题牵引阅读，再用阅读成果反哺系统设计。
对年轻工程师来说，也不必追求读完多少书。更重要的是能否把书中的概念转成自己的问题：这个原理能不能解释我遇到的现象？能不能设计实验验证？能不能沉淀为平台能力？这样阅读才会变成工程成长的一部分。
核心要点
- AI 工程阅读应围绕真实系统问题展开，而不是单纯追求理论深度或工具技巧。
- 《千脑智能》从神经科学角度解释经验与预测，对实时决策、空间智能等场景具有方法论启发。
- 《深度学习》作为基础参照书，可帮助团队理解模型训练、表示学习和泛化问题。
- 阅读价值需要通过数据闭环、模型评估和端云一体化基础设施等工程体系落地。
- 对 AI 产品团队而言，长期基础能力比短期热点更能支撑复杂业务迭代。
