如果你刷B站大概率刷到过“稚晖君”这个名字。我第一次看他的视频是他那个能在桌面上跑Linux系统的超迷你小电脑当时脑子里的第一反应是“这人是开挂的吧”。后来慢慢了解发现他真名叫彭志辉从华为“天才少年”计划走出来后来自己创业创办了智元机器人。很多人习惯用“天才”两个字解释这一切但干过技术的人都明白单靠天赋撑不起这种量级的产出。真正值钱的是他那套把硬件、软件、控制、AI、结构设计全链路打通的“知识体系”。这篇文章我就围绕这个题目把稚晖君的知识体系拆开来看说说它由哪些部分构成、底层逻辑是什么以及普通人能从中借鉴什么。1. 稚晖君的知识体系全景不是“会得多”而是“串得通”1.1 从作品反推知识结构一张表看清跨界宽度要分析一个人的知识体系不能只看简历最好从他的实际作品反推。稚晖君在B站公开过的几个项目信息量非常大。项目类型核心看点涉及知识域超迷你Linux小电脑在极小体积里塞进可用的Linux系统嵌入式硬件、PCB设计、Linux底层、驱动适配、结构设计自动驾驶自行车让普通自行车自动保持平衡并行驶电机控制、IMU姿态解算、控制算法、视觉感知、嵌入式部署桌面级机械臂机械臂自动写字、跟随示教机器人运动学、动力学、伺服控制、力反馈、上位机软件、UI界面AI相关项目端侧模型与硬件结合深度学习、模型训练、模型压缩、端侧推理工程智元机器人把机器人与大模型结合做具身智能机器人硬件、感知规划、大模型、系统工程列这张表不是为了罗列作品而是想说明一件事稚晖君的知识不是分散的“兴趣点”而是围绕“智能硬件机器人”这个主线聚拢的。每个作品看起来在炫技其实都在补同一块版图。比如做自动驾驶自行车表面上是搞一辆自行车实际上把“传感器→状态估计→控制→执行”这一整条链路完整练了一遍这套链路放在任何机器人上都能复用。他真正的能力是把底层知识在不同项目之间迁移。会画PCB的不一定懂Linux驱动懂Linux的不一定调得好电机调得好电机的不一定玩得转深度学习能同时把这几样串起来的人非常少。稚晖君的特殊之处恰恰在于这些知识的“连接处”很少断。1.2 我拆出来的四层知识模型我给稚晖君的知识体系做了一个分层不一定完全准确但对我自己规划学习路径帮助很大。这里分享给你。L1 数理基础线性代数、概率统计、微积分、力学和电磁学。这是理解后续所有内容的地基比如机器人运动学需要线性代数和矩阵变换状态估计需要概率统计和贝叶斯思想控制算法需要微积分和微分方程。L2 计算机与电子系统计算机组成原理、操作系统、编译工具链、数据结构、软件工程以及模拟电路、数字电路、信号处理。这一层决定了你能不能理解“机器”本身是怎么工作的。L3 专业领域嵌入式Linux、机器人学、控制理论、SLAM、深度学习、模型部署。这一层是显性技能也是大多数人能看到的部分。L4 工程落地原理图绘制、PCB Layout、3D建模与打印、焊接与调试、仪器仪表使用、文档写作、视频剪辑。这一层最容易被人忽略但恰恰是“想法变成实物”的关键桥梁。很多人觉得稚晖君厉害是因为L3很豪华但我的观察是L2和L4才是他真正的护城河。L2足够扎实所以他能把上层的新模型、新算法接到真实硬件上L4足够强所以他能把一个构思快速变成能摸到的原型。L3很多人靠刷课也能补L2和L4却必须靠长期实践“喂”出来。1.3 为什么这套体系很难复制但值得研究难复制的原因有三点。第一知识量太大而且每层都不是“了解”而是“能干活”。第二各层之间有强耦合单独学某一块很难形成合力。第三技术栈本身一直在更新他做智元机器人之后还要持续补大模型、具身智能等新知识等于一直处于“动态升级”状态。但这不代表普通人不能研究它。恰恰因为这套体系是“以项目为核心编织起来的”我们可以用同样的组织方式去编织自己的知识网络。你不需要一上来就规划一个十年计划只需要从下一个真实项目开始把项目涉及的每一个知识点落到自己的学习清单里缺哪块补哪块。这是我从盘他知识体系的过程中收获最大的一点。2. 核心技术栈逐层拆解他到底“会什么”2.1 硬件与嵌入式从原理图到Linux内核的一整条链路硬件和嵌入式是稚晖君作品的底座。他的很多项目比如迷你Linux主机、各种自制板卡都离不开对硬件底层的理解。这条链路大致是原理图设计→PCB Layout→焊接调试→Bootloader→Linux内核裁剪→设备树适配→驱动开发→应用层控制。这里最难的不是某一个环节而是跨层排障。当一块板子起不来的时候问题可能出在电源纹波可能出在焊接短路也可能出在U-Boot配置。没有上下贯通的能力调试效率会非常低。我在自己做项目的过程中也有同感最耗时的事情不是写代码而是“不知道问题出在哪一层”。稚晖君能快速迭代原型靠的正是这种跨层排障能力。给你一个我自己的实用建议不要急着从STM32直接跳到复杂SoC。先把“点亮一颗LED→用定时器→接一个传感器→用一个实时操作系统”这条小链路完整走通再尝试跑Linux内核。等你亲手编译过内核、改过设备树之后再回头看嵌入式应用很多概念会变得非常清楚。2.2 机器人控制从PID到SLAM的算法储备机器人方向是稚晖君知识体系的主干。以自动驾驶自行车为例里面有几个关键问题如何用IMU估算自行车的姿态如何控制电机让车身保持平衡如何在行进过程中识别并避障这几个问题背后对应的是状态估计、控制算法、视觉感知三大块。状态估计里最经典的工具是卡尔曼滤波和它的各种变体比如扩展卡尔曼滤波、无迹卡尔曼滤波。很多初学者把卡尔曼滤波当成一个“公式库”来背但实际操作时更核心的是搞懂“预测”和“更新”两个步骤对应的物理意义。控制算法里大家最熟的PID反而是一开始最容易用错的因为P、I、D三个系数没有万能调法必须结合被控对象的响应特性去调。我自己调试无人机悬停时就花了整整两周才理解“加大P能更快回正但也会更容易震荡”这句话。如果你也想覆盖这个知识域我的建议是从一个简单问题开始先让一条直线上的小车走到目标点再用PID调一个自平衡小车或飞控的Roll轴。把这个闭环走通以后再碰SLAM和路径规划。机器人学不适合“先学完再用”更适合“用一阵子再回来补理论”。理论是常看常新的。2.3 AI与模型部署从训练到端侧推理做机器人一定会遇到AI。早期稚晖君的很多项目里AI更多是“感知”层面的比如视觉识别、目标检测到智元机器人阶段AI升级为“决策”层面比如让大模型理解指令并操作机器人。整体链路是数据采集→模型训练→模型压缩→端侧部署→推理优化。模型训练阶段的核心是数据和迭代。很多人拿到一个开源模型就想去Fine-tune但真正决定效果上限的往往是数据质量。模型部署阶段的核心是“妥协的艺术”因为端侧设备算力有限要反复权衡精度和速度。常用的手段包括剪枝、量化、知识蒸馏其中INT8量化在机器人场景里用得很多。我第一次把一个PyTorch模型转成ONNX再转到端侧推理框架时光算子兼容问题就排了一整天最后发现只是某个上采样写法不兼容。这里的重点不是列出所有框架而是强调一条原则模型必须能落到硬件上跑起来才算真正“会”。如果你正在学AI建议尽早拿一块带NPU的开发板把图像分类或目标检测模型部署一遍哪怕模型很小也没关系。部署过一次以后你对“算法工程师和工程实现之间的距离”会有一个非常直观的认知。2.4 软件工程与上层开发把想法变成产品的“最后一公里”底层再强最终也要通过软件把功能呈现出来。稚晖君项目的上层软件通常包括设备端的C/C控制程序、图像与信号处理逻辑、上位机软件常见用Qt或Web以及配套的交互界面。他的很多视频里会看到一套非常完整的“产品级”Demo而不是实验室原型这一点非常罕见。这也侧面说明他的软件工程意识很好。版本管理、代码组织、模块解耦、环境管理这些看似不“酷”的习惯恰恰是项目能持续迭代的保障。我自己早期做开源项目时很不注重这些每次都是“先跑起来再说”结果项目到后期改一个功能要重构半天的代码教训非常深刻。后来我学乖了动手之前先把仓库结构搭好至少要做到“代码、配置、脚本、文档分目录放”。如果你想像他一样做到全栈建议不要只写脚本偶尔要写一些有工程结构的程序。比如一个控制程序可以拆成“传感器模块→控制模块→执行器模块→日志模块”每个模块有清晰接口。这种分层意识是可以刻意练习的。3. 支撑知识系统的底层能力学习方法与工程素养3.1 快速检索与“站在巨人肩上”学习法知识体系不是全靠自己从零推导的更多时候是站在已有成果上做组合创新。稚晖君做项目时一定会大量查阅芯片手册、开源代码、论文和同类项目方案。快速检索能力直接决定了一个项目从想法到原型的周期。我自己的经验是搜索技术资料要会“组合关键词”。比如你想找某个型号IMU在Linux下的驱动直接搜“芯片型号 Linux driver”可能不够还要加“device tree”“mainline”“dts”这类上下文词。遇到问题先看官方文档再看排错论坛最后才去问AI或社区顺序反了会浪费很多时间。另外一个很容易被忽视的动作是读开源代码。很多人喜欢“拉下来编译一下能跑就行”但真正有价值的是读里面的目录结构、接口设计和消息流。挑一个质量高的开源项目精读比新建五个Hello World对本事的提升更大。3.2 项目驱动造完轮子才算真正掌握稚晖君几乎每一个作品都是“从零造轮子”的状态。这种学习方式的本质是以输出倒逼输入用完整项目把零散知识点串成系统。我特别喜欢他说的一个观点不要光看视频觉得别人厉害而是问自己能不能把它做出来。实操层面我可以分享一个自己验证过的方法。拿到一个新项目时先不要动手写代码而是花半天时间做“知识盘点”。拿出一张纸把项目切成几个模块为每个模块列清楚需要哪些前置知识、哪些工具、哪些元器件。盘点完以后你会发现很多地方是敢下手的真正需要新学的只是其中两三个点。这样既不会被“全栈大神”的复杂度吓退也能让学习节奏非常可控。项目驱动最大的好处是它会逼你去补细节。比如做一个桌面机械臂你会发现不仅要算运动学还要考虑舵机供电电流够不够、结构件会不会抖。这些细节光靠读书是永远覆盖不到的。3.3 内容输出与复盘用视频和开源反向压榨自己稚晖君有一个很多人忽略的能力内容输出。每一期视频都是一个项目从构思、踩坑、再到完成的全过程复盘。做视频这件事看起来只是分享实际上他在用最严格的方式逼自己把每个环节想明白。因为要讲给别人听自己就做不到“大概懂”。这个方法普通人完全能用。你不需要做视频写博客、发开源仓库、甚至在公司内部做一次技术分享都行。我在写技术博客的过程中有一个体会你以为自己学会了一个东西但一旦要写成文档马上就发现很多环节是模糊的。这种“模糊感”就是知识体系里的漏洞补上它你才是真正掌握了那个知识点。我做知识盘点时也建议把“输出物”当成项目验收标准。比如给自己定一个目标项目完成后必须产出一篇说明文档、一张总体框图和一个演示视频。这三样东西会反过来约束你让你的项目更完整、更可复现。4. 普通工程师可复制的分阶段路线图4.1 第一阶段把地基打扎实前3个月如果你现在的目标是“把知识体系补到能独立做项目”的程度我的建议是先不要碰那些看起来很酷的机器人项目而是花3个月左右打地基。具体包括线性代数与概率论基础、Python和C语言、基本的数据结构与算法、数字电路基础、Linux命令行操作。很多人觉得这些内容枯燥想直接跳去学机器学习或ROS。但我的经验是地基阶段省下来的时间最后都会在调试阶段加倍还回去。比如不熟悉Linux命令行后面编译内核、部署算法时会处处卡壳线性代数不牢看SLAM相关论文时只能靠猜。这个阶段不需要精通目标是“能看懂常见代码能跑通基础实验”。可以给自己设置一个阶段性检测题用C或Python实现一个链表和二叉树能在Linux环境里编译运行。做得到就说明这阶段过关了。4.2 第二阶段找一个深水区集中突破第4-6个月打好地基以后不要东学一块西学一块而是选一个“深水区”集中突破。根据你的兴趣可以是嵌入式Linux、机器视觉、控制算法或端侧AI部署。选方向时可以参考稚晖君的逻辑选一个未来能反复使用的技能而不是选一个“火但用不上”的。如果你选嵌入式方向这个阶段要完成的任务大概是看懂原理图、画一块简单的双层板、在板上跑通Linux系统、编写一个简单的外设驱动。如果你选AI部署方向要做的是训练一个目标检测模型、完成模型转换、在一台手机或开发板上跑通实时推理。这个阶段的目标是“成为某一小块的熟练工”。不需要做到专家级但要做到遇到这个领域的问题能自己检索、自己动手解决。这也是后续做交叉项目的基本底气。4.3 第三阶段用交叉项目打通全链路第7-12个月有了一个方向的深度以后就可以尝试做一个横跨多个领域的项目。这个项目不一定非要像稚晖君那样酷可以是桌面巡逻小车、语音控制机械臂、视觉分拣装置之类。关键是要同时包含感知传感器/AI、决策控制/逻辑、执行电机/舵机三部分。以“桌面机械臂写字”举例知识清单大概长这样模块涉及知识建议工具/平台机械结构3D建模与打印、关节设计FreeCAD/Blender、打印机运动控制正逆运动学、轨迹插补Python/C、ROS感知视觉标定、目标识别OpenCV、AprilTag交互上位机界面、配置管理Qt/Web、YAML动手前先做知识盘点我在3.2提到的方法把每个模块拆开标出自己会和不熟的部分。这个项目的价值不是把功能做出来而是让你亲身体会“多个领域的知识点如何在一个系统里协作”。协作过程中遇到问题不要怕这正是你知识体系开始长肌肉的时候。4.4 第四阶段学会“卖”自己的技术这里的“卖”不是功利的商业化而是学会展示和输出。我见过很多工程师技术不错但从来不写文档也不做分享结果个人影响力和职业机会都受限。稚晖君最值得普通人学的不是他的硬件能力而是他用输出撬动资源的能力项目开源、视频复盘、社区互动这些都是他后续创业的隐性资产。实操上你可以从“每个项目发布到GitHub并配一个README”开始然后写一篇技术复盘文章再试着录一条短视频。做这些事本质上都是在训练你自己把隐性知识显性化。这个过程很慢但复利极大。5. 梳理知识体系时最常见的四个坑5.1 坑一把“信息收藏”当“知识掌握”收藏夹里存了几百个教程、网盘里堆了几十个G的学习资料很常见。但收藏不等于学习更不等于掌握。我见过很多朋友教程刷了不少做起项目来还是无从下手原因就是知识没有经过“用”这个环节。避坑方法是给每个收藏打上一个“下一步动作”要么立即实践要么标记为参考要么直接删除。5.2 坑二迷信天才论低估工程纪律“人家是天才学不会正常的”这句话会悄悄毁掉一个人的行动力。稚晖君的很多能力确实是后天练出来的。他在公开场合分享过自己也经历过从零开始查资料、反复调试的过程。真正的差距更多来自工程纪律任务拆解是否清晰、日志是否完整、每个环节是否有验收标准。把“天才”当成借口就永远不会开始。5.3 坑三项目选得太大三个月就崩盘很多人在链路还没有打通的时候就直接挑战超大型项目比如想复刻一台自动驾驶自行车。结果学到一半发现要补的知识太多项目烂尾信心受挫。更好的做法是选一个“有点挑战但能完成”的项目把最核心的一个模块做到自己能掌控其他模块先借用成熟方案。项目成功带给你的正反馈比项目本身的难度更重要。5.4 避坑速查表典型坑常见表现应对方法收藏成瘾网盘满了能力没涨给资料加“下一步动作”标签天才迷信总觉得自己不是那块料记录每次调试成功的小里程碑项目过载三分钟热度频繁烂尾先做一轮知识盘点再开项目只学不写听懂了但讲不出强制输出一篇复盘文档无版本管理改来改去回退不了从第一个项目就启用Git不查官方文档被过时教程带偏把官方文档作为第一信息来源这张表也适合贴在你工位上每次项目遇到瓶颈就回来看一眼确认自己是不是踩了哪个坑。写到最后再说一点我自己的感受。盘点稚晖君的知识体系并不是要劝所有人都去做机器人或全栈而是想说明一个问题一个人真正值钱的不是会多少个工具而是能不能把零散的知识组织成可以“解决具体问题”的网络。我照着“项目知识盘点”的方式陆续整理过好几个领域的技能树效果比漫无目的地刷课好得多。你不需要成为下一个稚晖君但可以从他这套知识组织方式里拿出一两条为自己所用。哪怕只是坚持为每个项目写一篇复盘半年以后回头看你都会惊讶于自己的变化。