写在前面

在过去两年的大学生涯里，我从最开始扎进嵌入式学习，到实习时接触时序算法、参与具身机械臂的研发，再到如今深入学习控制原理和控制算法。某天在工位突然停下来想：这两年像散点一般的知识，是否能像穿针引线一样编织成属于我自己的知识体系？

于是我结合自己过往的学习积累，加上现在乃至未来深入学习冒出来的新感悟，打算开一个新专栏——《从底层控制理论到前沿大模型》。一方面是给自己做总结巩固并补全延伸自己的知识边界；另一方面也分享出来，和大家一起讨论，共同进步。

和大众分类的内容不太一样，本专栏完全依据自己的知识脉络整理，一共分成五部分：控制理论、控制算法、嵌入式、机器学习、大模型。这五块并非平行铺开的，而是螺旋上升的关系。我会先搭起整体框架，再带着具体问题往每一层里了解，来回循环着加深理解。

一、五层知识的整体脉络

先聊最核心的主线。从控制理论一路走到大模型，其实有一条特别清晰的演进逻辑：
从最开始只求系统能稳住，到追求控制得最优；从解决算法怎么落到硬件上，到升级成直接从数据里学规律，最后一步步走向通用智能。

每往上走一层，都是上一层的升维，同时又是下一层的底子。缺了哪一步，上面的东西都是空中楼阁。

图1 五层技术知识体系演进全景

简述一下每一层在解决什么问题：

• 控制理论：先回答最根本的定性问题——这个系统能不能控、能不能观测、能不能稳定。这是所有后续工作的前提，系统本身不可控不收敛的话，再精妙的算法都没有设计的意义。
• 控制算法：在能控的基础上，研究怎么控最好。是能耗最小、响应最快，还是抗干扰能力最强。把控制问题转化成优化问题，去追求定量的最优性能。
• 嵌入式：把数学里推导完美的算法，真正落到硬件上跑。算力够不够、实时性能不能保证、功耗能不能接受、恶劣环境下稳不稳——这些是工程落地的必要环节。
• 机器学习：当系统复杂到写不出精确模型的时候，换个思路：不研究机理而是直接从数据里学规律。绕开了人工建模的瓶颈，也打开了新的范式。
• 大模型：当模型、数据、算力都堆到一定规模，就从一个任务一个模型的专用模式，变成了一个模型解决一堆任务的通用模式，涌现出了很多小模型没有的能力。

二、贯穿五层的三条主线

梳理时有感，这五层看似跨了好几个领域，实则有三条线索从头到尾串着。

第一条：反馈回路的进化

从最底层的控制环到最高层的大模型智能体，本质上都是一个反馈环路。区别只是环的复杂度越来越高，能处理的问题越来越复杂，但响应速度也越来越慢。

图2 反馈环路的速度与智能度对应关系

具体到每一层：

• 控制理论层是最基础的负反馈闭环，微秒到毫秒级响应，用来处理简单的线性控制；
• 控制算法层是状态反馈搭配观测器，毫秒级响应，核心是实现最优控制；
• 嵌入式层是采样、计算、输出的硬件闭环，同样是微秒到毫秒级，优先级最高的是实时确定性；
• 机器学习层是训练迭代加反向传播的循环，响应周期从秒到小时级，做的是数据规律的拟合；
• 到了大模型Agent层，就变成了观察、思考、行动的完整循环，周期从秒到天级，用来解决复杂的推理决策问题。

这里有个很有意思的规律：反馈越快的环路越简单，越慢的反而越智能。

第二条：不确定性处理的升维

所有技术本质上都是在和不确定性交手，但每一层面对的不确定性，性质完全不一样。从下往上，不确定性从物理问题，慢慢变成了偏认知层面的问题，应对思路也从硬件兜底变成了代码引导。

最底层的控制和嵌入式，面对的是物理不确定性——传感器噪声、外界扰动、硬件参数漂移、时延抖动。应对方式很直接：留鲁棒裕度、做硬件冗余、按最坏情况设计，就是硬保障。

到了中层的机器学习，面对的是数据不确定性——采样有偏差、分布会偏移、数据里有噪声。核心是保证泛化能力，靠正则化、数据增强、泛化理论来应对，是统计层面的兜底。

再往上到大模型，面对的就是认知不确定性——会产生幻觉、输出不符合人的预期、推理会跳步出错。这时候没法靠硬规则卡死了，只能靠对齐、检索增强、思维链这些方式去引导，往人类想要的方向修正。

越往底层，越依赖数学证明和物理约束；越往高层，越依赖统计规律和人的引导。

第三条：优化目标的升级

每一层其实都在做优化，但优化的目标越来越复杂，约束也越来越多元。

控制理论层的优化目标很纯粹，就是稳定性和稳态误差，约束全来自系统本身的物理极限；
到控制算法层，目标变成了二次型性能指标最小化，多了状态和输入的约束；
嵌入式层的优化就更务实了，要在实时性、可靠性、低功耗之间权衡，约束全是硬件资源、成本、环境这些实打实的工程限制；
机器学习层的核心目标是泛化误差最小，约束在模型容量和数据规模；
而大模型层的目标已经变成了通用能力、对齐度、推理效率的综合优化，约束也升级成了算力、数据、安全合规这一套更宏大的命题。

越往上走，问题越接近真实世界的样子——没有单一的最优解，永远是多目标的权衡。

三、一点延伸思考：技术演进里的辩证规律

1. 对立统一：内在矛盾是跃迁的根本动力

每一层都有一对绕不开的核心矛盾，正是这对矛盾的张力，推着技术往下一层走。

• 控制理论：建模必须近似，但近似带来的误差又会威胁稳定性。这对矛盾推着控制从定性判稳，走向了定量处理不确定性的控制算法阶段。
• 控制算法：追求极致最优就对模型误差特别敏感，追求鲁棒保底又会牺牲性能上限。这对矛盾逼着算法走出数学理想国，去直面硬件时延、精度限制这些现实问题，也就落地到了嵌入式工程。
• 嵌入式：硬件资源永远有边界，但对性能的需求一直在涨。这对矛盾最终突破了人工写规则的路子，催生出了靠数据自动学策略的机器学习。
• 机器学习：拟合精度和泛化能力此消彼长，单任务专用模型总有瓶颈。这就推动了大规模预训练+下游适配的大模型范式。
• 大模型：规模越大、能力越强，可控性和对齐难度就越高。这对矛盾到今天也还在推着对齐技术往前走。

矛盾不是坏事，它就是技术往前走的内生动力。

2. 量变质变：规模攒够了，范式就变了

每一次层级跃迁，都不是简单的线性升级，而是量积累到临界值，突然发生的范式质变。我们常说的大模型涌现，就是最典型的例子。

• 从经典控制到现代控制：系统从单输入单输出变成多输入多输出，只是维度规模变了，结果方法论直接从传递函数的黑箱视角，变成了状态空间的白箱视角。
• 从嵌入式到机器学习：传感器数据本来只是控制环的输入，攒得多了就变成了训练模型的原料。数据的规模和用途变了，整个范式就从人工写规则变成了数据学规则。
• 从深度学习到大模型：参数量、数据量、算力一路堆，堆到某个阈值，多步推理、编程、数学解题这些小模型完全没有的能力突然就冒出来了，从专用拟合器直接变成了通用推理引擎。

3. 否定之否定：螺旋上升的闭环迭代

其实贯穿全程的反馈，本质就是一次次的否定修正，螺旋着往目标靠。

• 最底层的PID负反馈，用当前偏差修正输出，就是最朴素的否定之否定。
• 机器学习的反向传播，用损失去修正参数，每一轮迭代都是对上一轮参数的扬弃——留下合理的，修正偏差的。
• 大模型Agent的观察-思考-行动循环，用行动结果修正之前的规划，靠自我反思迭代策略，就是最高阶的辩证否定。

放大到整个范式跃迁也是一样：机器学习否定了控制理论的显式建模范式，但反馈、优化这些核心的东西全保留下来了；大模型否定了传统机器学习单任务专用的路子，但深度学习、梯度下降这些基础全继承了。
每一次否定都不是全盘推翻，而是克服旧的局限，留下核心内核，再抬到更高的层级去。

In the end：关于专栏的一点想法

以上只是本人的个人思考和感悟，在接下来的不断学习中会有新的思想和行动，后面我会慢慢更新每一层的具体内容，欢迎大家评论区指正，一起讨论进步。