2026 AI RC 科研竞赛营
AI Research and Competition (AI RC)
Embedded Files
The first step for students to understand AI, engage in real research, and ignite future innovation.
The first step for students to understand AI, engage in real research, and ignite future innovation.
让孩子真正学懂 AI 、掌握科研思维，为科创项目、竞赛、夏校、论文及大学申请奠定核心基础。
AIRC 科研竞赛培养体系
AIRC 科研竞赛培养体系
让学生从“认识AI”走向“做自己的科研项目”
AI RC 科研竞赛培养体系是一套面向 8–12 年级学生的系统化课程路径，由来自 MIT、CMU 的前沿科研人员共同设计，由App-In Club AI Research Team执行。该体系旨在帮助学生在人工智能时代建立深度理解、科研思维与创新能力，让学生不仅“会用AI”，更能“理解AI、分析AI、创造AI”。
整个体系并非传统意义上的“编程工具课”或“人工智能模型课”，也不是简单的科研教学，而是以 科研素养（Research Literacy） 为核心，以人工智能为导向，将 AI 的数学直觉、语言模型原理、编程框架技术、论文阅读方法、实验设计、科研写作等融为一体，让学生逐步走向真正的科研竞赛实践，系统培养：
AI 时代必备的理解能力（AI Literacy）
阅读科研论文的学术能力
提出科学问题与验证假设的研究能力
进行学术表达、写作与展示的能力
完成真实学术成果的创新能力
让学生真正具备：
“理解AI → 做出产品 / 研究 → 创造价值 → 提升升学竞争力”的系统成长路径。
让孩子从“AI 使用者”成长为“AI 理解者”，成为未来的“AI 创造者”
⭐ 为什么这个学习路径重要？
⭐ 为什么这个学习路径重要？
学生不能只会“使用 AI”，他们需要能够理解 AI、分析 AI，并用 AI 创造新事物。
这条培养路径通过 兴趣 → 理解 → 技能 → 成果 → 升学与职业优势 的清晰进阶体系，帮助 8–12 年级的学生，即使从零基础，也能逐步成长为真正具备科研能力的 AI 学习者与创造者。
Level 1：AI 科研入门（零基础）
Level 1：AI 科研入门（零基础）
学生真正“理解 AI”，建立科研思维，收获一套未来时代最重要的核心能力：
建立系统且清晰的 AI 概念理论框架，真正弄懂语言模型（如 GPT）背后的核心原理
对 AI 系统的构成、应用逻辑与技术框架有基础认知，为后续项目的技术与科研学习奠定坚实基础。
掌握初步的科研素养，包括阅读论文、提炼重点、识别创新点与评价研究方法，提出科研想法的能力，能够从观察中形成可探索的问题
学生将创建自己的GitHub，使用VS Code完成AI小项目，开启属于自己的AI工程化学习，为未来科研、竞赛与作品集打下基础。
Level 2：AI 技术实战（AI 科研 / 应用竞赛）
Level 2：AI 技术实战（AI 科研 / 应用竞赛）
学生进入AI 技术实战，分轨走向科研或竞赛，产出 AI 作品或科研项目：
Track A：AI Research Path（科研轨）强化 AI Python 编程、数学、概率统计、机器学习基础，学习数据预处理、模型训练、性能评估，完成一个Mini 项目训练
Track B：AI Application Path（竞赛应用轨）学会使用主流AI框架，使用 Python、机器学习与深度学习工具（如 PyTorch、LangChain 等），学习将模型部署到实际应用中。
Level 3：AI 论文发表 VS 高阶竞赛（选拔制）
Level 3：AI 论文发表 VS 高阶竞赛（选拔制）
学生在导师指导下完成大学水平科研项目，包括：
文献综述
实验设计与论文复现
项目创新和模型改进
论文写作与可视化
完整科研论文与投稿准备，冲刺高含金量会议和竞赛如：IEEE、MIT /Stanford AI Conference、ISEF/STS
学生从“学会科研”带到“产出成果”的关键阶段，为大学申请建立极强竞争力。
Level 4：AI Elite 精英科研
（邀请制）
只面向在表现卓越、具备科研潜力的学生开放
Level 4：AI Elite 精英科研
（邀请制）
只面向在表现卓越、具备科研潜力的学生开放
冲刺顶级 AI 学术会议（NeurIPS / ICLR / AAAI等）
进入科研团队，获得真实研究经历
获得科研实习和推荐信
在大学申请中形成远超同龄人的竞争优势
这是让学生从“优秀”走向“顶尖”的关键一步
专业导师团队（来自 MIT、CMU、STANFORD 等顶尖高校科研团队）
专业导师团队（来自 MIT、CMU、STANFORD 等顶尖高校科研团队）
导师 A，现于 MIT 人工智能实验室（MIT CSAIL） 从事人工智能研究，同时担任 Cleanlab 机器学习工程师、App Inventor Foundation 人工智能研究员。其研究与工程工作发表于 NeurIPS、ICLR、AAAI 等国际顶级人工智能会议，并长期专注于将前沿 AI 研究转化为真实应用与高质量科研训练。多次指导学生成果进入顶会 workshop 与 IEEE 会议。
导师 B，卡内基梅隆大学（CMU）语言技术研究所（LTI） 研究生，专注自然语言处理与机器学习方向，NeurIPS国际顶会论文作者，同时具备扎实的工程与科研背景。在 CMU 高级智能体与机器人实验室及华盛顿大学计算机科学与工程学院从事研究工作，研究与实践涵盖机器学习系统、智能体与强化学习。拥有丰富的一线工程经验，曾在 Amazon 工作。具备丰富的教学和指导学生经验。
Level 1（AIRC 101）：
Level 1（AIRC 101）：
— 人工智能基础 · 科研思维训练 · AI 项目式学习
— 人工智能基础 · 科研思维训练 · AI 项目式学习
AIRC 101 是一门以科研思维为核心的 AI 基础课程，系统训练学生理解现代人工智能的工作原理、研究方法与工程逻辑。课程通过真实科研视角与项目式学习，帮助学生完成第一份具备科研与展示价值的 AI 项目提案，为后续科研、竞赛与深度技术学习奠定坚实基础。
课程关键信息
适合年级： 8–12 年级（具备高中数学代数以上基础）
授课形式： 在线课程（名校导师团授课）
课程节奏： 每周 1次课，共 10 次 · 20 学时
课程周期： 2/15/2025 – 4/19/2025
课程价格： $1880
先修要求： 无
课程介绍（Course Overview）
课程通过系统化的理论讲解、真实论文拆解与项目实践，帮助学生建立完整的 AI 学习底层框架，理解现代人工智能的核心原理与研究逻辑。学生将深入认识 GPT 等语言模型的工作机制，学习科研中“如何提出问题、设计方案、验证想法”，并完成一个具备科研与应用价值的 AI Project Proposal，迈出科研与工程训练的第一步。
教学模块（Course Modules）
Module 1 — AI 基础与理论理解（从零起步，建立现代 AI 与机器学习的核心概念框架）
Module 2 — 科研素养与问题发现能力 （学习论文阅读、研究问题拆解与科研思维方法）
Module 3 — 工程技能入门 ：GitHub 创建与使用；VS Code 基础实操；
Module 4 — AI 项目 （团队协作完成一份完整的 AI 项目提案）
技术内容覆盖范围（Technical Concepts Covered）
ML / NLP 基础概念
机器学习基础：向量运算（Vector operation）、损失函数（loss functions）、神经网络（neural networks）、梯度下降（gradient descent）
NLP 基础：稀疏词向量（sparse word representations）、文本分词（tokenization）、词向量与嵌入（vector embeddings）、语言模型目标函数
模型结构：RNN、LSTM、Attention、Transformer
主流 AI 工具与框架（行业标准）
PyTorch：深度学习训练与模型基础
LangChain：LLM 工程化应用构建
课程价值（Course Value）：
真实科研语境（Real Research Context）
站在LLM大语言模型前沿（Language Model Frontier）
科研协作与发表逻辑
最终产出：指导学生组队完成一个可展示可应用的 AI Project Proposal
为未来 科研、竞赛、作品集（Portfolio）、大学申请 打下关键基础。
2026 Spring 课程时间：咨询（rolling 周日开班）
Level 2 （AI RC 201）：AI 技术实战
— AI 实战进阶 · 科研工程技能 · 研究者工具箱
Level 2 （AI RC 201）：AI 技术实战
— AI 实战进阶 · 科研工程技能 · 研究者工具箱
AIRC 201 是 AIRC 体系中的技术实战与科研工程能力强化阶段，也是从“理解 AI”迈向“像研究者一样做 AI”的关键一步。课程系统训练学生使用 Python 构建完整机器学习流程，掌握真实科研与工程中必备的实验、评估、可视化与写作能力，为后续独立科研与论文发表（AIRC 301）做好全面准备。
课程关键信息
课程关键信息
适合对象：完成 AIRC 101 或具备基础 ML / Python 认知的学生
授课形式：在线直播课程｜名校导师授课
单节时长：2 小时
课程形式：讲授 + 课堂 Mini Project + 技术实操 + 互动讲解
作业安排：少量或无课后作业（以课堂完成为主）
课程定位：Researcher Toolkit（研究者工具箱阶段）
课程介绍（Course Overview）
课程介绍（Course Overview）
AIRC 201聚焦“如何真正把 AI 做出来”。学生将从真实数据出发，完成从数据处理、模型训练、评估分析到结果展示的完整机器学习工作流**。课程强调实验的可复现性、结果的可解释性，以及研究成果的清晰表达。
技术内容覆盖范围（Technical Concepts Covered）
技术内容覆盖范围（Technical Concepts Covered）
Python 机器学习实战：科研级代码结构、Notebook 使用规范、调试与项目组织
数据分析与可视化：NumPy 数据流程、探索性分析（EDA）、Matplotlib 科研图表
基线模型与评估：Scikit-learn 管线、数据划分与交叉验证、性能指标与误差分析
AI 项目展示：使用 Streamlit 构建可交互的模型与结果展示 Demo
科研写作实训：多智能体策略对比实验，结果分析与研究局限性总结
课程价值（Course Value）
课程价值（Course Value）
从“会用模型”升级为“会做实验、会解释结果”
建立科研级工程与实验规范
获得完整的AI+DATA 研究型项目 + Mini Paper 实践经验
为 AIRC 301的原创研究与论文发表做好充分准备
2026 Spring 课程时间：2/28/2025—5/2/2025 （已满班）
2026 Level 3 （AI RC 301）：AI 论文发表 VS 高阶竞赛（选拔制） （咨询课程顾问）
2026 Level 3 （AI RC 301）：AI 论文发表 VS 高阶竞赛（选拔制） （咨询课程顾问）
2026 Level 4 （AI RC 401）：AI Elite 精英科研（邀请制） （咨询课程顾问）
2026 Level 4 （AI RC 401）：AI Elite 精英科研（邀请制） （咨询课程顾问）
Page updated
Google Sites
Report abuse