Từ con số 0 đến Kỹ sư AI - Lộ trình chi tiết

Sai lầm $300/tháng

Sáu tháng trước, tôi đã trả $49/tháng cho Coursera Plus, $39/tháng cho DataCamp, và chi $199 cho hai gói Udemy. Tôi thu thập chứng chỉ như thẻ Pokémon và không thể tự xây dựng một thứ gì từ đầu.

Sau đó, tôi tìm thấy thứ đã thay đổi mọi thứ: các công ty thực sự xây dựng AI - Google, Anthropic, OpenAI - đã bắt đầu cung cấp miễn phí các khóa đào tạo của họ. Không phải video giới thiệu sơ sài. Các khóa học đầy đủ kèm chứng chỉ. Trong khi đó, GitHub có các kho lưu trữ với hơn 95.000 sao dạy tốt hơn bất kỳ khóa học nào tôi đã trả tiền.

Tôi đã hủy mọi gói đăng ký. Xây dựng một AI agent quản lý thói quen buổi sáng của tôi. Và tôi đã làm tất cả với $0.

Bài viết này là hệ thống chính xác mà tôi ước mình có khi bắt đầu. Không phải danh sách link. Không phải "30 tài nguyên bạn sẽ không bao giờ mở." Đây là một lộ trình từng bước: làm cái này trước, rồi cái này, rồi xây dựng cái này. Hãy làm theo thứ tự. Trong 14 tuần, bạn sẽ đi từ con số 0 đến triển khai các hệ thống AI thực tế.

Cách Sử Dụng Hướng Dẫn Này

Quy tắc 1: Đừng nhảy cóc. Bước 3 giả định bạn đã làm Bước 2. Nếu bạn nhảy đến LLMs mà không hiểu gradient, bạn sẽ chỉ copy code mà không hiểu.

Quy tắc 2: Ghi chép. Tôi dùng Obsidian (miễn phí, local, markdown). Sau mỗi buổi học, viết ra ba điều: bạn đã học được gì, điều gì làm bạn ngạc nhiên, điều gì còn chưa rõ. Đây là điều bắt buộc.

Quy tắc 3: Xây dựng ở mỗi bước. Mỗi bước kết thúc bằng một checkpoint. Nếu bạn không làm được, hãy quay lại.

Thiết lập cấu trúc thư mục này trong Obsidian trước khi bắt đầu:

Bước 1: Thiết Lập Môi Trường (Ngày 1)

Trước khi học bất cứ điều gì, hãy thiết lập công cụ của bạn. Một buổi tối. Đừng suy nghĩ quá nhiều.

Cài Đặt Công Cụ

1. Python 3.11+ - python.org/downloads. Chọn "Add to PATH."

1. VS Code - code.visualstudio.com. Cài đặt Python extension.

1. Git + GitHub - github.com. Để fork repo và lưu dự án.

1. Obsidian - obsidian.md. Tạo cấu trúc thư mục ở trên.

1. Ollama - ollama.com. Để chạy model local. Cài đặt ngay, bạn sẽ dùng từ Bước 4.

Tạo Tài Khoản Miễn Phí

1. Anthropic Academy - anthropic.skilljar.com. 16 khóa học miễn phí kèm chứng chỉ. Nền tảng học AI bị đánh giá thấp nhất năm 2026.

1. OpenAI Academy - academy.openai.com. Workshop, hướng dẫn, khóa AI Foundations miễn phí.

1. Google AI - grow.google/ai. Google AI Professional Certificate — 7 module, miễn phí qua Coursera audit.

1. Coursera - coursera.org. Chế độ audit = miễn phí. Dành cho IBM ML Certificate và các khóa Google.

Chế Độ Audit trên Coursera

Khi Coursera yêu cầu bạn trả tiền, hãy tìm link nhỏ "Audit this course" ở cuối trang. Truy cập đầy đủ tất cả video và tài liệu, miễn phí. Không có chứng chỉ Coursera, nhưng bạn sẽ nhận chứng chỉ trực tiếp từ Anthropic, OpenAI và Google.

CHECKPOINT:

Python + VS Code + Ollama đã cài đặt. Tài khoản GitHub đã tạo. Obsidian vault sẵn sàng. Tài khoản trên Anthropic Academy, OpenAI Academy, Google AI và Coursera.

Bước 2: Kiến Thức Nền Tảng AI - Hiểu Bạn Đang Xây Dựng Gì (Tuần 1–2)

Tại sao điều này quan trọng trong năm 2026:

Kiến thức AI giờ là bộ lọc tuyển dụng. Một phân tích của WEF năm 2025 cho thấy người lao động có kiến thức AI được trả lương cao hơn 15–22%. Hiểu được nền tảng đưa bạn lên trước 90% ứng viên.

Tuần 1: Bức Tranh Tổng Thể

Đầu tiên → Google AI Professional Certificate (Module 1–3)

grow.google/ai-professional - Khởi đầu nhẹ nhàng nhất. Không code. Bao gồm: AI là gì, brainstorm với AI, nghiên cứu với AI. Cung cấp cho bạn vốn từ vựng.

Sau đó → Anthropic Academy: AI Fluency: Framework & Foundations

anthropic.skilljar.com - Khung AI Fluency 4D. Đồng phát triển với giáo sư đại học. Mất 2–3 giờ. Đây là một trong những khóa giới thiệu tốt nhất hiện có ở bất kỳ đâu trong năm 2026, và chứng chỉ thực sự đẹp trên LinkedIn - nó đến từ Anthropic, công ty đứng sau Claude.

Tuần 2: Code Đầu Tiên + Khái Niệm Đầu Tiên

Sau đó → microsoft/generative-ai-for-beginners (Bài 1–6)

github.com/microsoft/generative-ai-for-beginners - Hơn 95.000 sao. 21 bài học. Fork repo này và làm bài 1–6: GenAI là gì, LLMs hoạt động thế nào, sử dụng prompt, ứng dụng chat đầu tiên.

CHECKPOINT:

Bạn có thể giải thích LLMs, tokens và transformers bằng lời của mình. Jupyter notebooks đầu tiên đã chạy. Obsidian có 4–6 ghi chú.

Bước 3: Nền Tảng ML - Học Toán Đằng Sau Phép Màu (Tuần 3–5)

Tại sao điều này quan trọng trong năm 2026:

Nền tảng ML là sự khác biệt giữa người copy tutorial và người debug model. Các công ty trả $150K+ cho kỹ sư hiểu tại sao model hoạt động kém, không chỉ cách gọi API.

Chính: microsoft/ML-For-Beginners

github.com/microsoft/ML-For-Beginners - Hơn 44.900 sao. Chương trình 12 tuần: hồi quy, phân loại, phân cụm, NLP cơ bản. Câu đố, notebook, thử thách. Chúng ta rút gọn xuống 3 tuần với 2 bài/ngày.

Song song: IBM Machine Learning trên Coursera

coursera.org/professional-certificates/ibm-machine-learning - Chế độ audit miễn phí. Định dạng video truyền thống hơn. Sử dụng cùng với repo Microsoft — hai góc nhìn về cùng chủ đề = ghi nhớ tốt hơn.

Tham khảo Toán: mlabonne/llm-course (Nền Tảng)

github.com/mlabonne/llm-course — Hơn 40K sao. Phần đầu: đại số tuyến tính, giải tích, xác suất. Chỉ toán liên quan đến ML. Tham khảo khi bạn gặp điều gì chưa quen.

Dự án Tuần 5: Chọn một bộ dữ liệu từ repo Microsoft. Xây dựng model phân loại của riêng bạn từ đầu. Push lên GitHub.

CHECKPOINT:

Bạn hiểu hồi quy, phân loại, phân cụm, gradient descent, hàm mất mát, overfitting. Bạn đã huấn luyện model trên dữ liệu thực. Một dự án trên GitHub.

Bước 4: Deep Learning & Neural Networks - Xây Dựng Từ Đầu (Tuần 6–8)

Chính: karpathy/nn-zero-to-hero

karpathy.ai/zero-to-hero.html (video) + github.com/karpathy/nn-zero-to-hero (code)

Andrej Karpathy, cựu Giám đốc AI tại Tesla, đồng sáng lập OpenAI. Ông xây dựng neural networks từ đầu - không framework, chỉ Python và toán. Bạn xây dựng: micrograd, makemore và nanoGPT.

1. Tuần 6: Bài giảng 1–3 (micrograd + makemore). Code theo. Tạm dừng, gõ từng dòng, chạy nó, phá nó.

1. Tuần 7: Bài giảng 4–5 (activations, BatchNorm, backprop). Dày đặc - một bài giảng mỗi ngày. Ghi chép chi tiết.

1. Tuần 8: Bài giảng 6–7 (GPT từ đầu + tokenization). Phần thưởng: bạn xây dựng một transformer.

Thí nghiệm song song với Ollama:

Trong khi bạn xây dựng nanoGPT, hãy chạy ollama run llama3.2:3b trong một terminal khác. So sánh đầu ra của model "đồ chơi" của bạn với model thực 3B tham số. Điều này thu hẹp khoảng cách giữa "tôi hiểu lý thuyết" và "tôi có thể chạy model local." Thật mở mang tầm mắt khi thấy 3 tỷ tham số so với 10 triệu của bạn ảnh hưởng thế nào đến chất lượng đầu ra.

Bổ sung: microsoft/AI-For-Beginners (Deep Learning)

github.com/microsoft/AI-For-Beginners - Tuần 7–12: CNN, RNN. Mở rộng ngoài Karpathy, đặc biệt cho thị giác máy tính.

Cầu nối đến API: Anthropic Academy - Building with the Claude API

anthropic.skilljar.com - Giờ bạn đã hiểu model từ bên trong, hãy học cách sử dụng chúng qua API. Bao gồm auth, system prompt, tool use, streaming. Cầu nối từ lý thuyết đến sản phẩm.

CHECKPOINT:

Bạn đã xây dựng neural network từ đầu. Bạn hiểu backprop, attention, transformers. Bạn có thể giải thích cách GPT hoạt động. Bạn có thể chạy model local với Ollama. Bạn biết Claude API.

Bước 5: LLMs & Prompt Engineering - Làm Việc Với Model Thực (Tuần 9–10)

Đi Sâu: mlabonne/llm-course (LLM Scientist Track)

github.com/mlabonne/llm-course - Chương trình LLM miễn phí toàn diện nhất. Colab notebooks cho mọi chủ đề.

1. Kiến trúc LLM - kết nối với những gì bạn đã xây dựng với Karpathy

1. Fine-tuning (LoRA, QLoRA) - tùy chỉnh model cho các tác vụ cụ thể

1. Lượng tử hóa - chạy model local (kết nối với thiết lập Ollama của bạn)

1. Đánh giá - đo lường xem model của bạn có thực sự tốt không

Prompt Engineering

OpenAI Academy: academy.openai.com/public/content - "Intro to Prompt Engineering" và "ChatGPT for any role" từ đội ngũ đã xây dựng ChatGPT.

Anthropic Prompt Engineering: docs.anthropic.com - Có thể nói là hướng dẫn prompt engineering hay nhất trên internet. Không phải khóa học — một tài liệu tham khảo cực kỳ chi tiết.

Tiếp tục: microsoft/generative-ai-for-beginners (Bài 7–21)

Quay lại và hoàn thành bài 7–21. Với kiến thức sâu, những bài nâng cao này sẽ sáng tỏ: RAG, function calling, design patterns, fine-tuning.

Dự án Tuần 10: Xây dựng RAG trên ghi chú Obsidian của bạn

Sử dụng ChromaDB hoặc LanceDB (cả hai đều miễn phí, local) để index vault AI-Learning của bạn. Xây dựng công cụ trả lời câu hỏi về mọi thứ bạn đã học. Bạn thực sự đang xây dựng bộ não thứ hai trên bộ não thứ hai của mình. Push lên GitHub.

Bước 6: AI Agents - Xây Dựng Thứ Gì Đó Thực Tế (Tuần 11–12)

Chính: microsoft/ai-agents-for-beginners

github.com/microsoft/ai-agents-for-beginners - 12 bài học: tool use, memory, multi-agent systems, orchestration.

Đi Sâu: Anthropic Academy - MCP Courses

anthropic.skilljar.com - "Introduction to Model Context Protocol" + "MCP: Advanced Topics." MCP là tiêu chuẩn mở của Anthropic để kết nối AI với các công cụ bên ngoài — tiêu chuẩn năm 2026 cho việc sử dụng công cụ của agent. Các khóa học này dạy bạn xây dựng MCP servers và clients từ đầu.

Framework: LangGraph (bởi LangChain)

Dành 2–3 buổi cho LangGraph trong Colab notebooks miễn phí. Đây là framework phổ biến nhất để xây dựng các quy trình agent đa bước, có trạng thái. Bổ sung cho cách tiếp cận MCP của Anthropic — LangGraph cho orchestration, MCP cho kết nối công cụ.

Bonus: Anthropic Cookbook

docs.anthropic.com/en/docs/about-claude/use-case-guides - Các ví dụ thực tế tốt nhất về tool use và MCP patterns. Nghiên cứu chúng như các case study.

Dự Án Agent Cuối Cùng:

Xây dựng một agent sử dụng MCP + Claude để làm việc với các file local của bạn. Ví dụ: agent đọc vault Obsidian của bạn, kiểm tra web để cập nhật về các chủ đề bạn đang học, và tạo bản tóm tắt hàng ngày gửi đến Telegram của bạn. Tham khảo bài viết "I Built an AI Agent That Manages My Life" của tôi về kiến trúc.

CHECKPOINT:

Bạn đã xây dựng một AI agent hoạt động với MCP. Bạn hiểu kiến trúc agent, tool use và quy trình đa bước. Portfolio của bạn phát triển.

Bước 7: Production, Portfolio & AI Có Trách Nhiệm (Tuần 13–14)

Triển Khai (tất cả miễn phí)

Lấy dự án tốt nhất của bạn và triển khai nó:

1. Gradio + Hugging Face Spaces - cách nhanh nhất để chia sẻ demo ML. Hosting miễn phí.

1. Streamlit Community Cloud - cho ứng dụng tập trung vào dữ liệu. Gói miễn phí.

1. Vercel - cho công cụ AI dựa trên web. Gói miễn phí.

Đánh Giá Model Của Bạn

Một model đã triển khai mà không có đánh giá là một rủi ro. Học cách đo lường chất lượng:

1. DeepEval - framework mã nguồn mở để đánh giá LLM.

1. RAGAS - đặc biệt để đánh giá pipeline RAG (Obsidian RAG của bạn từ Bước 5).

1. LLM-as-Judge - sử dụng một LLM để đánh giá đầu ra của LLM khác. Claude rất xuất sắc cho việc này.

AI Có Trách Nhiệm & An Toàn

Đây là nơi 90% hướng dẫn miễn phí thất bại. Họ dạy bạn xây dựng nhưng không dạy xây dựng có trách nhiệm.

1. Constitutional AI - hiểu cách các model hiện đại được căn chỉnh. Cách tiếp cận cốt lõi của Anthropic.

1. Phòng thủ prompt injection - cách bảo vệ ứng dụng của bạn khỏi đầu vào độc hại.

1. Red-teaming - cách kiểm tra sức chịu đựng hệ thống của bạn trước khi người dùng làm điều đó.

Tài nguyên: Hướng dẫn an toàn chính thức của Anthropic + khóa Responsible AI trong Anthropic Academy.

Portfolio & Sự Nghiệp

Hồ sơ GitHub của bạn LÀ sơ yếu lý lịch của bạn trong AI. Đây là cách làm cho nó có giá trị:

1. GitHub README - README hồ sơ chuyên nghiệp + README dự án với sơ đồ kiến trúc và link demo trực tiếp.

1. Case studies trên LinkedIn - viết 2–3 case study ngắn về dự án của bạn. Vấn đề gì, bạn đã xây dựng gì, bạn đã học được gì.

1. Lộ trình sự nghiệp - Kỹ sư AI Junior ($80–120K) → Kỹ sư Prompt/Agent ($120–180K) → Kỹ sư Sản phẩm AI ($150–250K).

Dự Án Tổng Kết:

Xây dựng một AI agent đạt chuẩn production giải quyết một vấn đề thực tế trong cuộc sống của bạn. Đã triển khai. Với hệ thống đánh giá. Với kiểm tra an toàn. Đây là thứ bạn cho nhà tuyển dụng thấy. Đây là thứ bạn tweet về. Đây là bằng chứng.

CHECKPOINT:

Bạn có một hệ thống AI đã triển khai, đánh giá, kiểm tra an toàn. Hồ sơ GitHub chuyên nghiệp. Case studies trên LinkedIn. Bạn sẵn sàng cho công việc.

Chế Độ Duy Trì: Cách Cập Nhật

AI thay đổi nhanh. Đây là nghi thức hàng tuần để đi trước sau khi hoàn thành lộ trình:

1. Thứ Hai: Kiểm tra ghi chú phát hành của Anthropic, OpenAI và Google. 10 phút.

1. Thứ Tư: Duyệt arxiv-sanity-lite để tìm bài báo thú vị. Đọc 1 tóm tắt. 15 phút.

1. Thứ Sáu: Xem một video của Yannic Kilcher hoặc 1littlecoder về một bài báo/công cụ mới. 20 phút.

1. Hàng tháng: Xây dựng một dự án nhỏ với công cụ hoặc kỹ thuật mới. Push lên GitHub.

Tổng thời gian: ~1 giờ/tuần. Điều này giữ bạn trong top 10% người thực hành AI.

So Sánh

So sánh trung thực giữa lộ trình này và các lựa chọn thay thế:

Danh Sách Tài Nguyên Đầy Đủ

Khóa Học Miễn Phí (kèm chứng chỉ)

• Anthropic Academy - anthropic.skilljar.com - 16 khóa học, chứng chỉ miễn phí

• OpenAI Academy - academy.openai.com - workshop, hướng dẫn, AI Foundations

• Google AI Professional Certificate - grow.google/ai - 7 module

• IBM ML trên Coursera - chế độ audit miễn phí - chứng chỉ ML đầy đủ

• NVIDIA DLI - developer.nvidia.com/training - GPU & deep learning

• DeepLearning.AI - Khóa ngắn của Andrew Ng, đặc biệt "Agentic AI" và "LangChain for LLM Apps"

Kho Lưu Trữ GitHub

• microsoft/generative-ai-for-beginners - 95K★ - 21 bài học GenAI

• microsoft/ML-For-Beginners - 45K★ - 12 tuần ML cổ điển

• microsoft/AI-For-Beginners - 35K★ - 24 bài học deep learning & CV

• karpathy/nn-zero-to-hero - neural nets từ đầu bởi Andrej Karpathy

• mlabonne/llm-course - 40K★ - lộ trình LLM hoàn chỉnh + Colab

• microsoft/ai-agents-for-beginners - 12 bài học AI agents

• ashishpatel26/500-AI-ML-DL-Projects - 500+ ý tưởng dự án

Công Cụ (Miễn Phí)

• Ollama + Open WebUI - chạy model local, thay thế ChatGPT tự host

• Anthropic Cookbook - docs.anthropic.com - ví dụ tool-use và MCP tốt nhất

• Hugging Face Course (2026) - đặc biệt phần Agents và Evaluation

• ChromaDB / LanceDB - cơ sở dữ liệu vector local miễn phí cho dự án RAG

YouTube (Miễn Phí)

• Andrej Karpathy - Neural Networks: Zero to Hero

• 3Blue1Brown - neural networks & linear algebra trực quan hóa

• Yannic Kilcher - phân tích bài báo AI

• 1littlecoder - công cụ và triển khai AI mới nhất (trọng tâm 2026)

• Matt Wolfe - tin tức AI và đánh giá công cụ

Bắt Đầu Tối Nay

Đây chính xác là những gì cần làm trong 60 phút tới:

1. Cài đặt Obsidian và tạo vault AI-Learning. 5 phút.

1. Đăng ký Anthropic Academy. Bắt đầu AI Fluency. Xem module đầu tiên. Viết ghi chú đầu tiên. 30 phút.

1. Fork microsoft/generative-ai-for-beginners trên GitHub. Mở Bài 1. Đọc nó. 20 phút.

Đó là tất cả. Ba việc. Tối nay.

Những người thực sự sẽ học AI trong năm 2026 không phải là những người đánh dấu 50 bài viết. Họ là những người mở terminal và bắt đầu.

Tôi đã bắt đầu trả $300/tháng cho các khóa học dạy tôi copy-paste code mà tôi không hiểu. Hôm nay tôi xây dựng AI agents để giải trí và toàn bộ chi phí giáo dục là $0. Các tài nguyên ở ngay đó. Câu hỏi duy nhất là liệu bạn có bắt đầu hay không.

pls sub me on tg <3 - https://t.me/+y1dBeWEIm_plMGNi