AI 学习路线图 00 · 路线图总览

ielts 👁 9 · 💬 0 · 📅 2026-09-16

📌 AI

← Blog 📡 RSS

English version: AI Learning Roadmap 00 · The Map of the Road

00 · 先读这篇：路线图总览

AI 学习路线图 · 第 0 站（共 9 站）

为什么这一站重要

你即将踏上一段当前最具回报的学习旅程。人工智能已经从研究实验室进入了软件的每一个角落，而你在未来十到十二个月里建立的技能，正是当下行业正在招聘的技能：理解模型如何学习、知道如何在模型之上构建应用、能够打造真正干活的智能体。

但这个领域也很嘈杂。有几百门课程、几千篇论文、每周都有新的"必学"框架。没有地图，你很容易把几个月浪费在错误的事情上——背那些很快就会过时的 API，或者在还没打牢基础之前就去读论文。

这份路线图就是那张地图。它是一条精心排序的路径，带你从零开始——没有编程经验、没有机器学习背景——一路走到构建可上生产环境的大模型应用和 AI 智能体。把这一篇认真读完，把它当作你的参考，让它在每一步告诉你：你现在在哪里。

全景图：一个心智模型

在进入各个阶段之前，你需要一个清晰的全局心智模型，明白整个领域是怎么拼起来的。本路线图的每一站，都是沿着下面这张图往上走。

人工智能（Artificial Intelligence）
│  让机器做需要智能才能做的事
│
└─ 机器学习（Machine Learning）
   │  让系统从数据中学习，而不是靠人工编写规则
   │
   ├─ 经典机器学习       → 决策树、回归、聚类
   └─ 深度学习（Deep Learning）→ 多层神经网络
      │
      ├─ 计算机视觉      → 图像（CNN）
      ├─ 语音与音频
      └─ 自然语言处理    → 文本
         │
         └─ 大语言模型（LLM）→ 参数规模达到数十亿的神经网络
            │
            └─ 智能体（Agent）→ 大模型 + 工具 + 记忆 + 循环

用一句话概括每一层：

**人工智能（AI）**是总目标：构建能感知、推理和行动的机器。
**机器学习（ML）**是主流方法：不再手写规则，而是给程序看例子，让它自己找出规律。
**深度学习（DL）**是用神经网络做机器学习——多层模型，逐层学习越来越抽象的表征（边缘→形状→物体；字母→单词→语义）。
**大语言模型（LLM）**是把深度网络放大，用海量文本训练出来的模型。它的核心技巧简单得惊人：反复预测下一个词。从这一个简单的目标里，涌现出了写作、推理、编程等通用能力。
**智能体（Agent）**是把大模型放进一个循环里：它能调用工具（搜索、代码、数据库）、记住做过的事、规划一系列动作，并持续执行直到任务完成。

本系列的九个阶段，每一站教你一层。到第 8 站你就能构建智能体；第 9 站告诉你前沿在哪里。

这份路线图如何运转：节奏与结构

整个系列分成五个阶段。节奏和内容同样重要：每个阶段都在吸收（学习基础与理论）和创造（构建真实的东西）之间交替。这种交替是保持动力的关键，也能避免两种经典失败模式——只学理论不实践，或者只顾搭建却不求甚解。

阶段	站点	主题	时间
I · 打地基	0–2	工具与数学	第 1–2 个月
II · 懂原理	3–4	理解机器如何学习	第 3–5 个月
III · 入大模型	5–6	Transformer 与大模型	第 6–7 个月
IV · 做产品	7–8	应用与智能体	第 8–10 个月
V · 向未来	9	前沿与职业	第 11 个月起

每篇文章都遵循同一个八段式模板，所以你永远知道接下来会看到什么：

为什么这一站重要 —— 动机，以及它在整张地图上的位置
核心概念 —— 先讲直觉、再讲公式
工具与技能 —— 你实际会用到的工具
动手任务 —— 具体的练习
里程碑检查点 —— 一个自测，证明你已准备好进入下一站
精选资源 —— 一份短小精悍的清单（3–5 项）
时间规划 —— 小时数和每周建议安排
衔接下一站 —— 一段话连接向前

里程碑检查点不是建议，而是阶段之间的真正关卡。如果自测没过，就在这一站再花一周；如果轻松通过，就加速前进。

五条学习原则

这些原则已经渗透进每一篇文章。读一遍，它们能帮你省下几百个小时。

1. 在搭建中学习。 你不可能靠看视频学会梯度下降；你要亲手实现它，看着损失曲线一路下降。每一站都以动手项目收尾，而这些项目才是整个系列的核心。

2. 遵循二八法则。 每篇文章刻意覆盖一个领域里"带来 80% 实用能力的 20% 内容"。冷门算法和学术深度都标注为"深入钻研"选项——可选，不是必读。

3. 数学按需学。 数学在最需要的时刻出现，直觉优先、公式其次。你永远不会看到一个脱离"这里会用到它"说明的抽象概念。

4. 让知识复利。 每一站都会明确复用前一站的内容。当你从一个新角度再次遇到旧概念——你一定会遇到——那不是重复，而是同一个想法真正长在你身上。

5. 让进步可见。 你用里程碑追踪进度，并把学到的东西写下来。把学到的讲出来，是发现自己哪里还没懂的最好方式。（这个系列之所以存在，正是因为写作是检验理解的最佳方式。）

你会遇到哪些工具

这是你将一站一站积累的工具箱。现在不用学它们，只要记住名字，以后不会感到意外。

站点	工具
1	Python、Git 与 GitHub、VS Code、Jupyter
2	NumPy、Matplotlib
3	pandas、scikit-learn
4	PyTorch
5	Hugging Face Transformers
6	vLLM / Ollama、评测框架、模型 API
7	LangChain / LangGraph、向量数据库、评测框架
8	LangGraph（或其他等价框架）
9	你的综合项目需要什么就用什么

以上全部免费、文档齐全、社区庞大。走完这份路线图，你不需要为软件花一分钱。

心态：什么真正决定成败

决定这段旅程成败的，有四件事比天赋更重要：

1. 坚持胜过强度。 每周十小时坚持十个月，胜过每周四十小时猛冲两个月——因为后一种安排会以 burnout 告终。像对待一份工作一样保护你的每周节奏。

2. 调试才是真正的技能。 作为 AI 从业者，你的大部分时间都在问"为什么这不行？"——损失不下降、模型总是重复、智能体陷入死循环。好消息是：调试是一种可以习得的技能，每一站都在训练它。遇到失败，读报错，改一处，再测。这个循环就是工作本身。

3. 卡住是过程，不是问题。 概念终于想通之前那段不舒服的时间，正是学习发生的地方。不要一困惑就去找答案；先给自己一个真正挣扎的时间盒（比如 30 分钟），然后再动用资源。

4. 用 AI 当你的老师。 你在学 AI 的时代，恰好是 AI 最强的时候。用聊天机器人解释概念、审阅代码、考你、帮你解卡——但永远别让它替你做学习。一条好规则：如果你无法把 AI 的回答复述出来，你就还没学会。

里程碑检查点

在进入第 1 站之前，完成这份清单：

写下你的个人计划：每周能投入几小时，安排在哪些天。写在你能看到的地方。
搭好环境：安装 Python 3、VS Code 和 Git；注册 GitHub 账号。（第 1 站会逐步讲解。）
自测：向朋友（或对着空气大声）解释 AI、机器学习、深度学习、大语言模型和智能体的区别——用上面的图。

如果自测能通过，你就算正式上路了。

精选资源

本路线图 —— 你的第一资源；迷失方向时随时回到这一篇。
Andrej Karpathy —— "Intro to Large Language Models"（YouTube，约 1 小时）—— 关于大模型最精炼的一小时总览；现在看一遍，到第 6 站再看一遍。
3Blue1Brown —— 神经网络系列（YouTube 系列）—— 关于网络如何学习的最佳视觉直觉；从第 2 站起就很有用。
Lilian Weng —— "What Are LLMs?" —— 一个会陪着你成长的深度技术博客档案库。

清单刻意保持简短。每一站我们最多给 3–5 个资源；选择更多不等于学得更多。

时间规划

**总计：**约 1 周（共 10–15 小时）。
**本周安排：**完整读一遍本篇；看一遍 Karpathy 的视频；写下你的计划；搭好环境。剩下的时间是你的——如果提前完成，可以早点开始第 1 站。

衔接下一站

你已经有地图了。第 1 站给你交通工具：Python、Git，以及对底层计算机工作原理的扎实理解。一旦这些基础真正属于你，本系列后面的内容就没有什么难的了——所以，让我们把它好好打牢。