408 里最硬的 45 分，
正好是硬件课。

软件工程跨到人工智能，方向上不算大跨。两个专业同属计算机大类，很多学校的初试科目、复试科目、导师方向都高度重叠。真正要补的是硬件语汇：那些解释「程序怎么在电路上跑起来」的知识。

补硬件有三个理由，按回报从高到低排

1. 专业课里的 45 分。计算机学科专业基础综合里，计算机组成原理占 45 分，和数据结构并列最高，而它考的就是硬件。
2. 复试会被追问。「为什么有了 L1 还要 L2」「GPU 为什么适合矩阵乘」，答不上来会显得只会调库。
3. 科研方向的入口。AI 系统、推理加速、边缘智能、智能芯片，这几个方向共同的语言是体系结构，不是算法。

硬件课那么多，哪些现在不用碰

先自测一下

数字电路只解决一件事：用两种稳定状态的器件，搭出能比较、能加减、能记住结果的东西。它分成两半，组合逻辑管「输入决定输出」，时序逻辑管「记住过去发生过什么」。

学完必须能做到的三件事

• 给一个四变量逻辑函数，用卡诺图化简成最简与或式。
• 给一个模 6 计数器，画出它的状态转换图和时序图。
• 用 Verilog 写一个 4 位加法器，在仿真里跑出正确的波形。

这三件事都能做，说明你已经可以直接进计算机组成原理，不用回头补。

怎么学

• 教材用阎石《数字电子技术基础》。跟着视频学时不要另换一本，符号约定不一致会很痛苦。
• 课程跟清华王红的《数字电子技术基础》。讲得慢，但每一步都交代清楚，适合零基础。
• 动手先用 Logisim-evolution 画一个全加器，再把它级联成 4 位加法器。看得见波形，比看十遍视频有用。

计算机组成原理是专业课里唯一需要建立硬件直觉的科目。它的特点是：听懂了不算懂，能画出来才算懂。软件背景的考生在这里丢分最多，也最容易靠提前动手把它变成优势。

按考试权重排的五个模块

两遍学习法

• 第一遍在大一末到大二上，跟哈工大刘宏伟或华中科大谭志虎，目标是建立直觉，允许记不住细节。
• 第二遍在大三上，跟着考研课程刷题，目标是分数。
• 两遍之间至少隔一个学期。挨着看两遍，第二遍等于重学。

判断自己学会了没

• 能徒手写下一个直接映射 Cache 的地址划分，并算出命中率。
• 能说出流水线三种冒险的名字、成因和各自的解决办法。
• 能画出从取指到写回五个阶段的数据通路。

这门课的价值不在考试，在于它是你简历上唯一能被老师追着问半小时的东西。也是你第一次真正感受到硬件有脾气的地方：程序没错，线接错了，它就是不亮。

三步走，每一步都有产出

1. 点亮一个 LED，再用定时器让它呼吸。这一步会逼你弄懂时钟、寄存器、GPIO 这三样东西。
2. 用 I2C 读一个传感器，把数据通过串口打到电脑上。你会在这一步第一次用上逻辑分析仪，也会第一次体会到抓波形的快乐。
3. 做一个能被讲述的项目。比如用摄像头加一个轻量模型做手写数字识别，结果显示在一块小屏幕上。面试官只会追问这一条。

现成参考：BV1QyvCesEukSTM32 卷积神经网络动作识别 · 33 分钟 · 带开源代码

跟谁学

• 江协科技的 STM32 教程是公认最好的入门课，寄存器和库函数两条路都讲，配套板子很便宜。
• 正点原子和野火的资料最全，遇到具体外设问题时当手册查，不用从头看。
• 想往机器人或边缘设备方向走，再看韦东山的嵌入式 Linux。

计算机组成原理讲一个处理器怎么工作，体系结构讲怎么把很多个凑在一起变快。深度学习的训练和推理，全部建立在那一层上。你的模型跑得慢，问题通常不在 Python。

三个必须弄懂的东西

• 存储层次与局部性。为什么改变循环的遍历顺序能让程序快三倍。这是 Cache 友好，也是所有算子优化的起点。
• 并行。指令级并行、数据级并行、线程级并行，以及多核之间怎么保证数据一致。
• GPU 的执行模型。为什么几千个简单核心做矩阵乘比几个复杂核心快。关键词是吞吐与延迟、单指令多线程、显存带宽、占用率。

第一个能写进简历的实验

写一个向量加法和一个矩阵乘法，分别实现 CPU 版和 GPU 版，然后测出加速比。把这个数字写进简历，比「熟悉深度学习框架」有说服力得多，因为它是你亲手量出来的。

想动手，配这两门

• 国防科技大学《计算机体系结构》35 讲：BV1aJ411g7LM，21 小时，大二下再看。
• 《CUDA 编程基础入门系列》：BV1sM4y1x7of，不到 5 小时，看完就能写出上面那个矩阵乘。

到了这一层，硬件不再是考研的负担，而是你的差异化。电子科大在这条线上本来就是主场，校内的老师、实验室、课程都在这附近。

三条可选路线

• 智能芯片与加速器。数据流、脉动阵列、量化、稀疏化、存算一体。入门看中科院计算所陈云霁的《智能计算系统》：BV1WE411A7tv。
• 边缘 AI。在树莓派、Jetson 或者单片机上部署模型。关键词是模型格式转换、推理引擎、量化。想看最便宜的一条路，从 TinyML 开始：BV1e8UeB6E5X。
• FPGA 加速。用 Verilog 写一个卷积加速器。三条里最难，但在简历上也最硬。

大一不需要现在决定走哪条。但大二结束前要有一个倾向，因为大三的时间和精力只够深挖一条。三条路线共同的地基都是计算机组成原理加体系结构，所以现在开始学什么都没有浪费。

每一条都给了 BV 号和播放量，点开就能看。数据是 2026 年 10 月 7 日从 B 站抓的，播放量会随时间变。同一个内容有多个版本时，优先看大学官方账号或老师本人账号发的，最不容易失效。

下面每一件都标了价格和买它的理由。勾上你打算买的，顶上的合计会跟着变。价格按 2026 年的大致行情估，实际以电商为准。

这张表里唯一不能动摇的，是大一的数学和计算机组成原理。其他都可以顺延，这两件顺延了会很贵。

每周留多少时间

硬件每周 6 到 8 小时就够，拆成两到三次，每次两小时左右。这门东西靠的是每周都不断，不是周日一次坐十小时。剩下的时间按课表走，高数和英语不要欠账。

卓越工程师方向，先问清楚一件事

卓越工程师的培养方案里通常有大三的企业实习或项目实训，那一段时间正好和大三上的第一轮复习撞车。开学前两周就去学院教务或者学长那里问清楚：实习在大三上还是大三下、能不能自己找单位、能不能延期。知道日期之后，把复习计划按最坏的安排往前排，而不是等通知下来再慌。

如果你最后选具身智能，这张表要加什么

大二上开始把 ROS2 和机器人运动学插进来，每周三小时；大二暑假在仿真里做一次抓取或者导航；大三上学期想办法进一个有真机的实验室。真机是这条线上唯一买不到的东西，也是唯一能证明你做过的东西。

如果你最后选 Agent 或 Harness

不用等。大二开始用 Python 写一个小工具，让大模型能调用它；大三把它扩成一个带评测的小项目。这条线只看你手上有没有能跑的东西，不看你看过多少课。

先分清你要报的是什么。学术型的计算机科学与技术、专业学位里带人工智能方向的电子信息，以及部分学校开设的智能科学与技术交叉学科，这三个方向的初试科目可能完全不同。先把目标定在方向级别，再谈复习。

1. 目标院校的考试科目。研招网的硕士专业目录，加学院官网的招生简章。每年九月更新，不要用去年的截图做决定。
2. 参考书目和复试细则。一般在学院官网的「研究生教育」栏目下，包含复试笔试科目和面试形式。
3. 导师的研究方向。学院官网的师资页面，加近两年的论文。这决定你复试时该说什么、简历上该突出什么。

四个常见的坑

• 用自己学校的培养方案决定复习范围。考什么由目标院校的招生目录决定，和你的课表无关。
• 把硬件留到「以后再说」。计算机组成原理是专业课里最大的一块，大三才从零开始会非常痛苦。
• 用买设备代替学习。一块板子不会让你会嵌入式，焊在上面的那个项目才会。
• 忽略数学。数学是拉分最狠的一科，大一的高数课就是你的第一轮复习，别当成水课。

你想走的三个方向，对应的是三份不同的工作。它们有重叠，但不是同一条路。把真实要求摆在一起，才能看出哪些课是三个都要的，哪些只服务其中一个。

先说结论

主攻边缘 AI 加硬件操控，终点放具身智能，Agent 当横切技能，不当主攻。三个理由：第一，边缘 AI 是三条里唯一能在本科阶段就做出成果的，大二结束前你就能有一个跑在板子上的项目；第二，它是通往具身智能的必经之路，反过来先啃具身智能，会因为硬件底子不够而卡住；第三，它进可攻退可守，往上走是具身智能，往旁边走是 AI 推理基础设施，而后者要的正是边缘 AI 那套功夫——量化、推理引擎、C++。

先说清楚：你手上那两条路线

两条路线的成分都对，但都是「一步学完再下一步」的长链，按字面执行要四到五年，而且最后两步和前六步之间没有依赖关系。具体三个问题：

• 把两个职业串成了一条。ROS2 到 VLM 是机器人，Agent 到 Harness 是大模型应用基础设施。它们唯一的交集是「用 Agent 去指挥硬件」，这确实是最值钱的位置，但要两边都有底子之后才做得动。
• 漏了具身智能真正的核心。两条路线里都没有「感知」和「控制」，也没有「数据」。具身智能的瓶颈不是算力，是真机数据：仿真、遥操作、模仿学习，这三件事决定你能不能做出东西。
• 顺序有反的地方。C/C++ 和 Linux 应该和计算机组成原理同期学，它们是学计组和嵌入式的工具，不是学完之后的奖品。

还有一条：Agent 这条线不用等。它不需要任何前置硬件知识，现在就能开始，而且可以一直和主线并行。

合并成三层，而不是一条链

底层，必须，和考研完全重合：数学、C/C++、计算机组成原理、操作系统与 Linux、计算机体系结构。不管你最后走哪个圈，这一层都要，而且专业课统考直接考。

支线，决定你属于哪个圈：大一下开始单片机，大二上 ROS2 加机器人运动学，大二下计算机视觉、深度学习、仿真，大三视觉语言动作模型和边缘部署。这一层是简历上唯一会被追问的部分。

横切，可以马上开始，不占主线：Python 工程、大模型接口、工具调用与 MCP、评测。这就是 Agent 和 Harness 的入门，纯软件。

三个必须知道的现实

• 具身智能的岗位大部分要求硕士及以上。这条线的正解是考研进一个有真机的实验室，本科自学再强，也很难补上「没有真机」这一条。
• 边缘 AI 是三条里最容易靠项目拿到面试的。一块带 NPU 的国产开发板加一个能跑起来的部署项目，就够聊半小时。
• Agent 和 Harness 看工程能力，不太看学历。能拿出一个自己写的小 harness，比证书有用。

什么时候必须选

大二结束前选一条做主攻。大三要开始专业课复习，精力只够深挖一条。选的时候看两件事：你愿不愿意长期和真机、示波器、报错的硬件打交道；以及你能不能接受这个方向里大部分岗位要读研。

这些不是空话，有公开的实例

先说明一下：我没有一个可以查询的数据库，也没有联网搜新闻。下面是我知识范围内的公开信息，加上今天用 B 站接口实际核到的课程，你可以自己搜名字验证。

• 视觉语言动作模型已经是公开主线：Google 的 RT-1 和 RT-2、开源的 OpenVLA、Physical Intelligence 的 π0、NVIDIA 的 GR00T、清华的 RDT。B 站能搜到 π0 论文精讲和 OpenVLA 讲读，说明这条线已经有中文社区在跟。
• 国内具身智能公司在招人：宇树、智元、银河通用、星海图、逐际动力、傅利叶、优必选。方向集中在机器人本体、运控、感知和大模型。
• 边缘 AI 的国产硬件路线是真实的：瑞芯微 RK3588 自带 NPU，B 站上有在它上面部署 Qwen3-VL 和 DeepSeek 小模型的实战视频，一块板子一两千块。
• Agent 侧的公开参照：Codex、Claude Code、Cursor 这一类就是 harness；开源的有 LangGraph、AutoGen、OpenHands；协议是 MCP。B 站有三十万播放的 MCP 教程。

把基础教材翻一遍之后，你会同时知道 CNN、Transformer、强化学习这些词，也能讲清它们大概在做什么。这个状态有用，但离「会做」还有一段明确的距离：能解释一件事、能把它做出来、能把它调好，是三件事。

三道门槛

多数人的自评停在第一层。把视觉、自然语言、强化学习三块的名词和直觉都过一遍是很好的广度，缺的通常是第二层和第三层。

自测：四条都做到，才算真的进门

• 不用 PyTorch，只用 numpy 手写一个两层网络和反向传播，结果和 PyTorch 对得上。
• 从零写一个完整训练循环：数据加载、前向、损失、反向、优化、验证，并且能解释每个超参数在调什么。
• 在小数据集上复现一篇论文或一个开源实现，说出它比基线好在哪、代价是什么。
• 把训练好的模型量化后跑在一块开发板上，给出帧率和精度两个数字。

第四条是嵌入式方向最想看到的，前三条是通用的入场券。

数学只补三样，边用边补

• 链式法则。反向传播就是它。能把两层网络的梯度手推一遍，比刷十道微积分题有用。
• 矩阵求导。把损失对权重求导写成矩阵形式，你就明白代码里的维度为什么要那样排。
• 概率与极大似然。交叉熵不是天上掉下来的，它从最大似然推出来。

不要先花一个学期把数学学完再回来做模型。学到矩阵求导就回来推一遍反向传播，两边都记得住。

四个容易想歪的地方

• 万能逼近定理说的是「存在」，不是「训得出来」。它保证存在一个网络能拟合目标函数，不保证数据够、算力够、能优化到那组参数。再加上没有免费午餐定理：没有任何一个模型在所有问题上都最好。
• 网络结构不等于训练范式。循环神经网络、卷积网络是结构；自监督、有监督是训练范式。用循环网络预测下一个词是自监督，用它做分类是有监督，同一张网可以两种都用。
• softmax 要和交叉熵一起用，梯度才干净。单独看它容易当成普通激活函数，其实它是把打分变成概率。自己推一次 softmax 加交叉熵的导数，会得到一个很简洁的结果。
• 贝尔曼方程的矩阵解只在状态很少时可用。直接解那个线性方程要作矩阵求逆，状态一多就算不动，迭代法就是为这个来的。状态再变连续、数量爆炸，就得上函数逼近，那正是深度强化学习的起点。

从一个模型到一块板子：四周的最小闭环

1. 第一周：用 numpy 手写两层网络和反向传播，和 PyTorch 对齐结果。目的是把这层黑箱拆开。
2. 第二、三周：自己写训练代码，在手写数字或小图像数据集上跑通，画出损失和验证集曲线。全程不复制别人的 notebook。
3. 第四周：把模型量化，部署到一块跑得动的设备上（单片机太勉强就上带 NPU 的板子），记录帧率和精度，写成一页说明。
4. 之后：装一个仿真环境，把计算机视觉和强化学习连起来做一个小任务，比如仿真里抓取或者走迷宫。这一步是具身智能的入口。

关于递材料

如果你要递给一个嵌入式或边缘计算方向的团队，对方想看的不是你读过哪些课，而是一个跑在设备上的东西，加上两个数字：帧率和精度，以及你踩过的坑。理论笔记证明你能学，跑在板子上的项目证明你能做。两份都递，但把项目放前面。