2026 年想学 AI,最不缺的是课程和教程,最缺的是判断力:该学什么、先学什么、什么时候可以停下来。这篇文章给出一条以「做出东西」为目标的路线:先能用,再懂原理,最后能把 AI 接进真实系统。文中的周期都是经验值,按每天 1–1.5 小时估算;课程和工具更新很快,具体以官方文档为准。
一、先定目标:你要「会用」还是「会造」
同样说「学 AI」,三个目标的路线差别很大:
- 应用者:会用现成模型、工具和工作流解决自己的问题。重点是指令设计、检索、评测,约 2–8 周(经验值)。
- 开发者:能调用 API、写脚本、搭服务、做微调和部署。重点是 Python、工程能力和数据,约 3–6 个月(经验值)。
- 研究者:能读论文、复现实验、改进方法。重点是数学、论文与算力,通常 1 年以上(经验值)。
建议先按「应用者」走两周:如果满足于解决问题,就停在这里;如果发现自己想造东西,再补 Python 和工程。多数人卡住的原因不是笨,而是直接按研究者路线开局,第三周就放弃。
唯一的判断标准:能不能交付一个别人愿意用的东西。收藏了 50 个课程、没跑通过一个脚本,等于没学。
二、第 0 阶段:环境与基本功(约 2–3 周,经验值)
这一阶段先不碰「AI」,只解决「代码能不能跑起来」。
时间分配建议(经验值):前 5 天把环境装好、跑通官方示例,剩下两周每天写 30–60 分钟小脚本。遇到报错先读最后一行错误信息,再用完整报错文本去搜索,多数环境问题都能这样解决。
- Python:变量、列表与字典、函数、类、异常、虚拟环境(venv 或 uv)、用 pip 装包。
- 工具:VS Code、Jupyter Notebook、Git 的 clone / commit / push。
- 数据:会用 pandas 读 CSV、筛选、分组、画最简单的图。
- 网络:能用 requests 调一个公开 API,并看懂返回的 JSON。
资源推荐:Python 官方教程;Kaggle Learn 的 Python 与 Pandas 短课(免费、带练习);Google Machine Learning Crash Course(有交互练习,先看前几节建立概念)。
检验标准:能独立写一个脚本,读入一份 CSV、做一次统计、把结果写成新文件;能在 Notebook 里把别人的示例代码跑通而不报错。
不要在这一阶段啃《深度学习》花书或手推反向传播。等你有过一个能跑的项目之后再补数学和理论,吸收效率完全不同。
三、第 1 阶段:建立机器学习直觉(约 4 周,经验值)
目标不是「会调参」,而是看到一个业务问题,能判断该用规则、传统机器学习,还是大模型。
- 核心概念:监督与无监督、训练/验证/测试集、过拟合、损失函数、特征、基线。
- 经典模型:线性回归、逻辑回归、决策树、随机森林、K 近邻。
- 评估指标:分类看准确率、精确率/召回率、F1 与混淆矩阵;回归看 MAE / RMSE。
- 工具:scikit-learn。
资源:Google MLCC 的模型与评估章节;Kaggle 的 Intro to Machine Learning 和 Intermediate Machine Learning;scikit-learn 官方文档里的示例。
动手:在 Titanic(分类)和房价(回归)两个经典数据集上各做一个基线模型,并记录「改了什么、指标怎么变」。
这一阶段最有价值的产出不是模型,而是一份记录:数据从哪来、验证集怎么划、基线是多少、每次改动带来多少提升。
四、第 2 阶段:深度学习与大模型(约 6–8 周,经验值)
到这里再上 PyTorch 和 Transformer,顺序建议「先会跑,再拆开」:
- PyTorch 基础:张量、自动求导、Dataset / DataLoader、训练循环、保存权重,跑通官方的入门教程。
- 一个完整任务:图像分类或文本分类任选其一,用公开数据集训练到能解释清楚指标含义。
- Transformer 与大模型:注意力机制、token、上下文窗口、预训练/微调/对齐的区别;能读懂模型卡(model card)。
- 三种改造方式:提示词(不训练)、RAG(外挂知识库)、微调(改权重)。先做 RAG,再考虑微调。
资源:fast.ai 的 Practical Deep Learning for Coders(自顶向下,先出结果再讲原理);Hugging Face 的 LLM Course(免费,含数据集与微调章节);PyTorch 官方教程。
动手:用 transformers 加载一个开源小模型,做一个「上传文档 → 提问 → 带出处回答」的 RAG 小 demo。不用追求效果,先跑通链路。
判断一门课程或一个模型值不值得投入,看两点:它解决的问题是否和你的项目相关;学完能不能产出一个可展示的结果。两点都不满足,再热门也可以先放着。
2026 年模型迭代很快,但「任务定义、数据质量、评测方法」的权重没有下降。不要为了追新模型反复推翻已有项目。
五、第 3 阶段:把 AI 接进真实系统(约 4 周,经验值)
从「Notebook 里能用」到「别人能用」,差的是工程环节:
- 接口:用 FastAPI 包一层 API,明确输入输出格式,尽量用结构化输出。
- 工具调用:让模型调用函数、检索或数据库;了解 function calling 与 MCP(Model Context Protocol)这类标准化连接方式。
- 评测:准备 20–50 条固定样例,换提示词或换模型后跑同一套,记录通过率与失败类型。
- 成本:记录每次调用的 token 与耗时;先小流量验证,再谈优化。
- 安全:密钥不进代码库;用户数据脱敏;高风险输出加人工确认。
交付物建议:一个真实可用的小工具,比如「把群聊记录整理成周报」或「按关键词监控行业新闻并生成摘要」。先上线,再完美。
上线前先问三个问题:出错时用户看到什么?数据存在哪、谁能访问?服务挂了怎么恢复?这三个问题比多接一个模型更重要。
没做评测,就不要对外承诺「准确率 95%」。模型输出会随版本、温度和提示词变化,你能拿出的只有自己测试集上的结果。
六、常见弯路与 12 周参考表
最常见的五条弯路:
- 只收藏不练:课程收藏夹 100 个,代码 0 行。
- 只看不写:视频看得很爽,关掉就忘。
- 开局啃数学:没有项目锚点,公式记不住也用不上。
- 追模型不追问题:换了 8 个模型,还没定义要解决什么。
- 无限准备:等买显卡、等学完 Python、等有空,一直不开始。
下面是一份 12 周参考表(经验值,按每周 8–10 小时设计):
| 周次 | 重点 | 产出 |
|---|---|---|
| 1–2 | Python、环境、Git | 能跑通一个 CSV 处理脚本 |
| 3–6 | 机器学习直觉、scikit-learn | Titanic 与房价两个基线 |
| 7–10 | PyTorch、一个完整任务 | 一个可复现的训练流程 |
| 11–12 | RAG、FastAPI、评测 | 一个能演示的小工具和测试集 |
如果时间被工作切碎,把 12 周拉长到 16 周完全正常,关键是每个阶段都有可验收的产出。
最后提醒:AI 领域信息噪音极大,课程、工具、排行榜每周都在变。把注意力放在「问题—数据—评测—交付」这条链上,框架和模型只是零件。遇到版本差异,先查官方文档,再问社区。
学 AI 最有效的捷径:选一个小问题,做完它,然后复盘。
参考与延伸阅读
- Practical Deep Learning for Coders(fast.ai)
- Machine Learning Crash Course(Google for Developers)
- Intro to Machine Learning(Kaggle Learn)
- Hugging Face LLM Course
- AI for Everyone(DeepLearning.AI)
外链内容由对应网站负责,访问以实际可用性为准。