理论与实践的机器学习之旅
在卡内基梅隆大学的机器学习课程中，课程设置呈现出鲜明的层次感：从基础的回归、分类、聚类和降维方法，到集成方法、正则化和超参数调优等模型提升技术，最后延伸到模型评估、过拟合处理与可解释性等实际应用环节。“我们不仅要掌握技术，更要理解每个技术背后的数学原理和适用场景”马宇琛强调道。
让他印象深刻的是课程强调的两大能力培养——结果复现（Reproducibility）和结果解读（Storytelling）。在小组项目中，他们使用亚特兰大市的公共数据开发预测模型时，不仅需要确保实验结果的可复现性，还要学会将技术成果转化为对商业决策或政策制定有意义的建议。
这种培养模式与他在广州算力中心的实习经历形成了完美衔接。“在广州算力中心，我已经接触过真实的产业需求和数据挑战，这让在CMU的课程项目中能够更快上手，也更能理解每个技术决策背后的实际意义。”
马宇琛分享在CMU的学习概况
中美学习环境的差异
对比中美的AI学习环境，马宇琛有着独到的见解。“美国的教育体系侧重小组项目和从0到1的技术应用。我们需要自己跑模型、做训练，更注重实践。”
CMU的“三角式”教学模式给他留下深刻印象：理论讲座+编程作业+小组项目，三者相互支撑。“这种模式的出发点，是要我们不仅学会构建模型，更理解每个参数的现实意义，以及如何有效呈现和解释结果。”
他观察到国内教学更注重理论基础夯实。“这没有优劣之分，只是不同的教育哲学，但在我身上，两者形成了很好的互补。就像线性回归的公式在哪里都一样，关键是应用环境和方式。”
算力中心实习的长期价值
在广州算力中心的实习经历，对马宇琛适应美国的学习模式有关键影响。“在算力中心参与医疗影像AI分析项目时，我们遇到了模型训练效率的挑战，通过精确分工和合理排期，确保项目交付阶段性成果。那时以团队形式参与进行项目的经验，让我能比较轻松地融入美国的教学环境。”
他清晰记得与广州算力中心导师和技术团队的交流：“特别是关于参数优化与显卡内存平衡的讲解，让我对模型训练有了更深理解。这些知识在CMU的研究中仍然有用。”
项目实践提升了他的技术能力，也培养了他对AI落地的敏感度。“算力中心的经历让我早早意识到，AI不仅是算法问题，更关乎解决实际场景中的需求。”
马宇琛作为广州算力中心讲师，开展“AI大模型实战训练营”培训授课
创新需要包容的环境和敢于试错的勇气
“即使你在台上讲的全是错的，也不会有人去笑话你。”马宇琛分享着他在CMU沟通课上印象最深的一句话。“我想把这句话分享给在AI领域求学的朋友，我们要更自信，创新没有绝对的对与错。”
这种心态影响着他的未来规划。虽然身处美国的AI研究前沿，马宇琛更倾向于回国发展。“签证政策只是一个小难点，更因为看到国内AI应用的广阔天地。中国在产业化落地方面比美国更迅速。”
他认为自己的优势在于跨文化视角：“英语能力让我能直接接触最前沿的研究，而算力中心的经历让我对国内AI发展有深入理解。这种双重背景在沟通国内外技术生态方面有独特价值。”
对同样在AI领域求学的学子，马宇琛强调自信的重要：“AI是一个年轻领域，没有绝对权威。就像DeepSeek也是一群年轻人创造的。不要害怕犯错，勇敢表达自己的想法。”
电话：15078300275
邮件：aipcc-gz@grg.net.cn
地址：广东广州市天河区平云路163号
