AI 学习路线图 01 · 计算机基础

ielts 👁 2 · 💬 0 · 📅 2026-09-16

📌 AI

← Blog 📡 RSS

English version: AI Learning Roadmap 01 · Computer Foundations

01 · 计算机基础

AI 学习路线图 · 第 1 站（共 9 站）

为什么这一站重要

每一个 AI 系统——每一个模型、每一次训练、每一个智能体——本质上都是一个跑在计算机上的程序。如果你对这台机器不熟练，后面的每一站都会变成一场搏斗：你会把时间花在跟环境较劲上，而不是学习梯度下降或注意力机制。

好消息是：你不需要计算机科学学位。你需要的是对"AI 工作中真正重要的那 20% 计算机知识"有扎实的掌控。这正是这一站要交付的东西：

Python —— 整个领域的语言。几乎所有 AI 库都说 Python。
开发者环境 —— 终端、Git、编辑器、笔记本。专业人士真正生活在这里。
计算机如何工作 —— 足以理解"跑一个模型"到底意味着什么。
必备数据结构与算法 —— 高效程序的词汇表。
网络基础 —— 因为每一次大模型 API 调用都是一个 HTTP 请求。

核心概念

1. Python —— 你的第一门语言

如果你从未编过程序，Python 是最温柔的入口。它读起来几乎像英语，而且它的哲学（"可读性至上"）意味着你在这里写的代码，会在你之后遇到的每一个 AI 库里都似曾相识。

从这些基础开始：

**语法与数据类型：**整数、浮点数、字符串、布尔值；if / elif / else；for 和 while 循环。
四个主力数据结构：list（有序、可变——数组）、dict（键 → 值，瞬间查找）、set（唯一元素，成员判断）、tuple（有序、不可变——固定记录）。这四样东西你 AI 生涯的每一天都会用到。
函数：def 名称(参数): return ...。函数是把逻辑打包、便于复用和测试的方式。
推导式：[x*2 for x in nums] —— 一行代码构建列表和字典的 Python 风格写法。一开始看着像魔法；一周之内你就会觉得自然。
**模块与导入：**代码组织在文件（模块）和包（package）里。import numpy as np 将来会熟悉得像呼吸一样。
错误处理：try / except —— 理解错误是调试的前半程。
**面向对象基础：**类、属性、方法、__init__。你需要的是词汇，不是理论；PyTorch 和所有框架都到处用类。

现在就开始养成一个重要习惯：写代码、运行、弄坏它、修好它。 读 Python 教程教不会你 Python。亲手把每个例子敲一遍。

2. 开发者环境

专业人士不是在单个窗口里写代码的。你需要四个工具协同工作：

**终端。**一个用文本操作电脑的界面。你用它运行程序、安装包、管理 Git。要学：目录导航（cd、ls / dir）、运行脚本（python script.py），并且明白"害怕终端"是不必要的——它只是一个带超能力的文本框。
**Git 与 GitHub。**Git 记录你代码的每一次改动——你自己的撤销按钮和历史版本。GitHub 把这份历史放到网上，也是这个行业的职业名片。要学核心流程：clone / add / commit / push / pull，外加 branch 和 merge。你不需要高级 Git；你需要让日常流程变成肌肉记忆。
**编辑器。**VS Code 是默认选择：免费、强大、内置 Python 支持。安装 Python 扩展和 Pylance 语言服务器。
**Jupyter 笔记本。**一种把代码、输出和笔记混在一起的文档。AI 工作是探索性的，笔记本就是探索发生的地方。分析和实验在这里写；生产代码放在 .py 文件里。

最后是包管理：Python 库用 pip（或 conda）安装。每个项目应该有自己的虚拟环境（venv），避免项目之间互相打架。要学：创建 venv、激活它、pip install <包>，并把版本固定到 requirements.txt 里。

3. 计算机实际如何工作

你不需要造一台计算机；你需要一个心智模型。下面这个就是关键：

**一切都是数字。**文本、图像、声音——计算机统统以二进制数字存储。你作为 AI 从业者的工作，常常是把真实世界的东西变成数字（这被称为表示 representation）。
**CPU、内存、磁盘。**CPU 执行指令；内存（RAM）存放 CPU 正在处理的资料；磁盘永久保存资料。当程序"运行"时，操作系统把它加载进内存，CPU 逐条执行。
**进程与操作系统。**你的操作系统（Windows、macOS、Linux）是一个管理者：它同时运行很多程序（进程）、在它们之间分配 CPU、并让它们互不干扰。训练一个模型是一个进程；一个 API 服务器也是一个进程。
**Python 如何运行。**Python 是解释型语言：解释器读取你的代码并逐步执行。这就是为什么 Python 比编译型语言慢，但写起来和迭代起来容易得多。AI 的秘诀在于：慢的内层循环是用底层编译型语言（C/C++）写的——Python 只是控制层。

4. 必备数据结构与算法

你的职业生涯里永远不会被要求实现一棵红黑树，但你必须理解数据结构是什么、什么时候该用哪一个。核心思想：结构的选择决定了操作的代价。

大 O 记号 —— 描述"有多快"的语言。它表示一个操作的成本如何随输入规模增长。O(1) = 无论多大都瞬间完成（查字典键）；O(n) = 随规模线性增长（扫描列表）；O(n²) = 平方级（嵌套循环——要避免）。
数组 vs 链表 —— 数组（Python 的 list）在连续内存中存储元素，按下标访问是瞬时的；链表用指针把元素串起来。实践中你只会用数组；理解这个概念是为了理解内存。
哈希表 —— Python 的 dict。整个计算领域最重要的结构：键 → 值，O(1) 查找。遇到任何"把这些东西分组/计数"的问题，第一直觉就是它。
栈与队列 —— 后进先出（LIFO）和先进先出（FIFO）的次序。你会在智能体的上下文管理和搜索算法里再次遇到它们。
树与图 —— 层级与网络。文件系统是一棵树；社交网络是一张图；向量数据库在概念上就是一张"相似事物"的图。要学：树遍历（DFS/BFS），以及"图 = 节点 + 边"这个想法。
排序与查找 —— sort() 已经存在；要理解为什么排序能让查找变快（二分查找是 O(log n)）。

为什么这对 AI 特别重要？因为每个数据集都是行的数组；每次 token 查找都是哈希表；每个检索系统都是查找问题；每个神经网络都是一张图。理解了这些结构，就是理解了这些系统。

5. 网络基础 —— 因为你每天都会调用 API

现代 AI 很大程度上是通过网络使用模型。这意味着 HTTP：

HTTP 请求 —— 客户端（你的代码）向服务器发请求；服务器返回响应和状态码（200 = 正常，404 = 未找到，500 = 服务器错误）。
API —— 通过 HTTP 对外暴露功能的服务器。几乎每家 AI 公司都通过 API 出售模型访问权限：你发文本，你收文本。
JSON —— API 的标准数据格式。它长得像 Python 字典（因为就是受它启发的）。{"role": "user", "content": "你好！"} —— 你在第 7 站会天天见到这个形状。

边做边学：用 Python 的 requests 库调用一个免费公共 API（天气、名言，什么都行），把返回的 JSON 打印出来。

工具与技能

这一站结束时，你应该熟练使用（而不仅仅是听说过）：

工具	用途
Python 3.12+	语言本身
VS Code + Python 扩展	你的编辑器
Git + GitHub	版本控制与作品集
Jupyter（VS Code 内或浏览器）	探索性工作
venv + pip	包管理

动手任务

按顺序做。不要跳过"无聊"的部分——流畅才是目标。

**Python 练习（第 1–5 天）。**写脚本：用 dict 统计一段文本的词频；用推导式过滤和变换列表；定义带默认值和返回值的函数；用 try/except 优雅地捕获错误。
**终端 + Git（第 3–7 天）。**建一个项目文件夹；git init，add，commit，push 到新的 GitHub 仓库。一周内做三次提交（养成习惯）。
**数据分析器（第 6–10 天）。**随便找一个 CSV 文件（下载一个公开的，比如天气或城市数据集）。写一个脚本：读文件、计算汇总统计（均值、最大值、计数）、打印一份小报告。这是你的第一个真正的程序。
**API 调用（第 8–10 天）。**用 requests 调用一个免费公共 API 并打印结构化输出。注意 JSON——你已经在做每个大模型应用都会做的事了。
**数据结构热身（第 9–12 天）。**给定一个数字列表，用 set 在 O(n) 时间内找出重复项；给定两个列表，找出交集。大声解释（真的说出来）为什么你的方案快。

里程碑检查点

满足以下条件，你才能进入第 2 站：

你能不打开教程，从零写一个 Python 脚本：读取 CSV、分析、打印报告。
你的项目在 GitHub 仓库里，至少 3 次有意义的提交。
你能不查资料说出 dict、set、list 的查找成本各是多少，以及什么时候用哪个。
你能用 requests 调用公共 API 并解析 JSON 响应。
你能用一句话解释运行 python my_script.py 时发生了什么。

如果五条都轻松，就前进。如果不行，再多花一周——这些基础决定了你后面是顺风顺水还是步步挣扎。

精选资源

《用 Python 自动化无聊的事》（免费在线书）—— 最好的实用 Python 入门；做里面的项目，一个都别跳。
CS50x（哈佛） —— 想要更深的计算机科学背景就选它；第 0–4 周覆盖编程、内存和数据结构。可选但很优秀。
《计算机科学精粹》（Wladston Ferreira Filho） —— 一本简短易读的书，覆盖大 O、数据结构和计算机工作原理。读前四章。
Git 官方文档 / GitHub Skills —— 在浏览器里交互式练习 Git。
Python 官方教程 —— 权威参考；早期略读，永远可以回来查。

时间规划

**总计：**约 4 周，每周 10–15 小时（约 50 小时）。
**建议安排：**第 1–2 周 → Python 流畅度（任务 1–2）；第 3 周 → 数据分析器 + API（任务 3–4）；第 4 周 → 数据结构、Git 打磨、里程碑。

衔接下一站

你的机器准备好了，你也准备好了。第 2 站才是真正的 AI 开始：一切模型赖以建立的数学。这里有个让你松口气的秘密——你已经知道一半了。向量不过是一串数字；矩阵乘法不过是一种结构化地组合它们的方式。我们先建立直觉，而这一站结束时，你会亲手用 NumPy 实现梯度下降。