WalkingLab：AI 时代的开源实验室

今天，我们正式向你介绍 WalkingLab，一个专注于真实世界 AI 、项目制学习的开源非营利实验室。

我们认为，教会机器思考的能力，应该属于更多人；这就是 WalkingLab 的起点。

01

与 AI 解决真实问题 

AI 时代，每个人所面对的知识环境，正在前所未有的发生变化。

学习正在变成典型的信息过载问题。AI 论文、课程和开源模型越来越多，真正的难点已不是缺少资料，而是如何从「接触 AI」到理解系统、完成实验，并最终「解决真实问题」。看过大量教程，却不会解释一个 Agent 为什么有效；学过强化学习和大模型原理，却没有跑过一次完整复现训练。了解和创造之间，有明显的能力断层。

WalkingLab 希望补上这段空白，以项目制学习与开源项目连接课程、论文和工程实践：如何在真实问题中理解系统如何运行、如何失败；如何从智能的使用者，走向智能的创造者；如何在跨学科联系中，发现 AI 更好的应用场所。

▲ WalkingLab  主页  https://walkinglabs.github.io/homepage/

项目制 PBL 学习（Project-Based Learning），即以真实项目为主线、「在做中学」，是 WalkingLab 的核心方向。在一个个项目中，人工智能应用的原理、业务范围，都被你一次次掌握。智能是手段，人始终是目的。技术终究为更多人能够创造，而你也可以创造。

02

刚刚好，五个月

WalkingLab 诞生刚满五个月，很年轻，但和你一样上进。

这五个月，我们集中于建设 AI 新时代最迫切、也最需要被讲清楚的教程——分别从工程实践、强化学习和大语言模型三个角度出发，带学习者从基础原理进入真实系统。在逐步覆盖常见学习路径之后，我们会把更多注意力放到工具链、真实项目，以及更有难度、适合开发者继续进阶的内容。

▲ WalkingLab 三门核心课程

依靠海内外网友的自发分享，WalkingLab 在 GitHub 目前累计获超 20,000 Star，X 平台浏览量突破 200 万，并登上过 Hacker News 首页。

▲ Learn Harness Engineering Hacker News 讨论

立足国内，面向世界。从中国、美国、越南、日本、再到南美与印度；在哪都有参与学习的身影。

▲ Learn Harness Engineering 在泰国的开发者大会作为 Workshop 实战教程

▲ 海外不同国家开发者自发推荐 Learn Harness Engineering

无论中学生、大学生、博士生、货车司机、程序开发者，还是普通职员、运营、产品经理；年龄、身份与专业不是边界，你的好奇是探索的上限。

也许有一天，即使只是一名中学生，一台电脑、一块显卡、一个机械臂和 AI，也能在物理世界和虚拟世界实现最前沿的探索，解决最真实的问题。

03

在项目中学会，在创造中毕业

未来的人才从哪里来？答案是真实项目。

在这里，所有教程与探索实践，都将全部围绕真实需求与项目展开。学习素材来源于前沿论文与产业实际课题，相信并坚持 Build in Public 的理念。我们认为：“决定未来人与人之间能力区别的，更应该是谁更早关注、进入真实问题。”

问题定义内容，实验校验认知，作品产出实力。WalkingLab 的 PBL 教育理念深度借鉴了三类全球标杆实践：

MIT NEET  贯穿式项目教育以项目为主线，串联跨学科知识、团队协作与长期能力培养，让学生面向真实复杂挑战，持续设计、验证和迭代可用方案。

Olin College  跨学科学习链路从大一开始开展动手实践与项目制学习，并在大四通过企业或外部机构支持的全年 Capstone 项目，让学生以真实工程成果、设计过程和解决问题的能力证明所学，而非仅依赖考试成绩。

University of Washington Industry Capstone  规模化校企协作机制建立了规模化的企业项目平台，由企业提供真实课题、专业资源与项目反馈，学生团队在教师和行业伙伴的共同指导下完成交付。其价值不仅在于项目本身，更在于形成了一套能够持续连接企业需求、课程教学与学生能力评价的运行机制。

▲ 理念源头：Olin College × MIT NEET （图片来源： Olin College 与 MIT 官方网站）

让学习围绕真实问题和可交付作品发生，用能够运行、解释、修改和继续发展的项目证明你已真正掌握。

下面的例子，展示了通过以上理念，在 WalkingLab 的开源项目中，你能学到什么。

视觉游戏训练：让智能体直接读取游戏画面，用 DQN 学习 Pong 中的接球与得分，再尝试 ViZDoom、宝可梦和 Minecraft 中的射击、导航与收集子任务，探索智能如何在游戏中逐渐成长。

让世界模型学会“想象”下一帧：

搭建一个带记忆的状态预测模块，有新画面时修正判断，没有新画面时继续向前预测。实验研究观察和记忆怎样共同影响模型的预测。

语言模型训练实战：从整理语料开始，预训练一个小参数语言模型，再完成 SFT 指令微调、RL 强化学习与标准评测集测试的过程。

具身仿真实验：结合公开的真机资料，在 MuJoCo、Isaac Sim、Isaac Gym 等平台中开展运动控制仿真与策略训练。

04

Ego很小，愿景很大

WalkingLab 不想从宏大的命题开始。

相比于讨论一个遥远而抽象的未来，更愿意关注一个个具体、真实、可以被验证的问题，以人为本的解决问题。

欢迎企业、研究机构、开发者与我们一起，把更多真实问题变成可以公开探索的项目。这些问题有些来自产业，有些来自研究，来自于生活，也可能只是某个人突然产生的好奇：

• 机器能不能真正理解并量化一种味道？
• 大模型是否一定只能逐个预测下一个 token？
• 面对规模庞大的人体基因数据，还能设计怎样新的计算方法？
• 多模态模型如何真正联合理解文本、图像、声音与现实环境，而不仅仅是把几种输入放在一起？

• 一个算子还能怎样被重写，才能进一步减少显存占用、提升计算效率？
• 在你家猫咪想你的时候，是否可以通过一个 Agent 龙虾在手机端引起你的注意？

Ego 很小，是因为我们知道自己能做的事情有限；愿景很大，是因为我们仍然希望加速 AGI 的来临。

05

散着步，走向 AGI

WalkingLab 发起团队来自于清华大学与香港大学。缘起南北紫荆，同行于开放世界，我们将持续与基础模型、具身智能厂商、社区开放合作，携手魔搭社区、AMD、阶跃星辰、Datawhale 等伙伴，让好的内容、真实问题和实践机会触达更多人。

“Walking” 代表探索智能的方式。不用急着追赶，也不用害怕走得慢。 很多真正重要的创造，本来就来自长期行走、反复实验，以及对一个问题持续保持好奇。

欢迎与我们一起散着步，走向 AGI。

如果你认识一个应该来这里的人，

请把这篇文章发给 TA

WalkingLab 是非营利的开源 AI 实验室，聚焦前沿 AI 与项目制实践，推动更多人参与开源项目与智能系统的构建。您可以通过 Github 首页、微信群、公众号、邮箱与我们联系。

欢迎高校、企业、研究机构与开发者提交真实课题与产业命题，共同推进项目制教学与合作。

向所有持续推动智能进步的人致敬。

文章来自于微信公众号 “Walkinglab”，作者 “Walkinglab”