WalkingLab:AI 时代的开源实验室

WalkingLab 是由清华大学与香港大学团队发起的开源非营利实验室,专注真实世界 AI 与项目制学习,成立五个月已推出涵盖工程实践、强化学习和大语言模型的三门核心课程,累计获超 20,000 GitHub Star 并登上 Hacker News 首页,致力于通过真实项目连接课程、论文与工程实践,加速 AGI 到来。

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”
Related topics
After reading
Join the AINRK community
Read how to join the community and connect with people working in AI.




