你的 AI 学习路线图：46 个主题，按顺序，每周一个

如果你想在 2026 年学习 AI，却不知道从哪里开始，这个页面就是为你准备的。

互联网上充斥着各种 AI 建议，但大多数要么是：

1. 价值 2000 美元课程的推销广告
2. 一份 100 个链接的杂乱清单
3. 一本博士级别的教科书，第一页就把你吓跑
4. 关于 AGI 的炒作视频，毫无实用价值

你不需要这些。你需要的是一个学习顺序。你需要知道先学什么、什么建立在什么之上、什么可以跳过，以及学到多深。

这份路线图正是为此而设。它是我推荐学习 AI 的顺序——从完全零基础到能够构建并交付真实 AI 产品的人。每个主题都有一篇文章，每周发布一篇。把这个页面加入书签，定期回来查看。链接会随着文章发布而激活。

无需任何前置知识，不需要计算机科学学位，也不需要为数学焦虑。

运作方式

开始之前，我们先定几条基本规则：

1. 按顺序学习每个主题。 每个主题都建立在前一个之上。第一周就跳到 LLM 就像盖房子先盖屋顶。
2. 每周一个主题 是建议节奏。这样你有时间阅读、编码并真正动手构建。刷教程不等于学习。
3. 完成每篇文章中的实践练习。 只读神经网络而不动手编写，就像只读游泳指南而不下水。
4. 你不需要一路学到底。 如果你只想了解 AI 知识，在阶段 3 之后就可以停下。如果你想构建 LLM 应用，就学到阶段 9。你自己决定。
5. 整个系列的总字数： 约 107,000 字。听起来很长，但比一般教科书短，而且每篇文章都自成一体。

12 个阶段一览

共 12 个阶段，从完全零基础到能投入生产的实践者。以下是整体概览，然后我们再深入。

阶段

主题领域

适用人群

文章数

0

心态与方向

所有人

3

1

前置知识（Python、数学、库）

所有想动手构建的人

4

2

数据（获取、清洗、探索性数据分析）

所有想动手构建的人

5

3

经典机器学习

所有人

6

4

深度学习基础

任何想继续学习深度学习的人

5

5

核心神经网络架构（CNN、RNN、Transformer）

任何使用深度学习构建的人

3

6

自然语言处理与 LLM

2026 年的大多数人

5

7

更多深度学习领域（视觉、生成模型、语音、强化学习）

选择与你相关的

4

8

AI Agent 与真实世界应用

构建者

3

9

MLOps 与生产环境

任何交付真实产品的人

4

10

负责任 AI 与宏观视角

所有人

4

11

保持更新与专精

长期成长

5

你不必完成阶段 7 到 11 中的每一个主题。在阶段 6 之后，你可以选择分支。但阶段 0 到 6 是核心。

3 个里程碑项目

在路线途中三个节点，你将构建一个真实项目，串联起之前所有知识。这些是你的 portfolio 作品。

里程碑

完成时间

构建内容

里程碑 1

阶段 3 结束时

端到端表格机器学习流水线（数据清洗 + 探索性数据分析 + 经典模型），例如泰坦尼克号生存预测或房价模型

里程碑 2

阶段 5 结束时

用 PyTorch 从零训练一个神经网络——可以是图像分类器（CNN）或文本分类器

里程碑 3

阶段 9 结束时

一个部署在互联网上的 LLM 驱动的 RAG 聊天机器人，带有 FastAPI 后端和简单 UI

如果你完成了这三个项目，你就不是在“学习 AI”了——你已经能做 AI 了。

逐阶段、逐文章

以下是完整列表。每篇文章上线后，链接会出现在这里。把这个页面加入书签，每周回来查看。

阶段 0：心态与方向（从此处开始）

第 1-3 周。所有人都从这里开始，没有例外。这一阶段我们将破除炒作，定义术语，设定预期。

1. 第 1 周： AI、ML、DL、生成式 AI、AGI：终于有一份指南能分清它们了 - 已上线
2. 第 2 周： [2026 年你应该学 AI 吗？根据不同身份的真实回答] [即将上线]
3. 第 3 周： [如何学习 AI 而不浪费一年时间在教程陷阱里] [即将上线]

阶段 1：前置知识（你真正需要的基础）

第 4-7 周。没有 Python 你学不了 AI，但你不必学完所有 Python。我们会覆盖你需要的精确子集、你实际会用到的数学，以及三个解锁一切的库。

1. 第 4 周： 你的第一周 Python：接触 AI 前只需掌握的子集 [即将上线]
2. 第 5 周： NumPy、Pandas、Matplotlib：解锁每个 AI 项目的三个库 [即将上线]
3. 第 6 周： 你真正需要的 AI 数学——像从未上过微积分课一样解释 [即将上线]
4. 第 7 周： 在选择模型之前，学会问正确的问题 [即将上线]

阶段 2：数据——AI 的燃料

第 8-12 周。80% 的 AI 工作是数据工作。大多数课程跳过这一阶段，这也是它们的学生在真实项目上失败的原因。

1. 第 8 周： 数据是新时代的石油——但大多数初学者不知道它实际上长什么样 [即将上线]
2. 第 9 周： 在哪里获取真实数据用于你的 AI 项目（无需花一分钱） [即将上线]
3. 第 10 周： 为什么数据清洗消耗了 AI 工程师 80% 的时间——以及如何正确做 [即将上线]
4. 第 11 周： 探索性数据分析：告诉你项目是否可行的关键步骤 [即将上线]
5. 第 12 周： 特征工程：将原始数据转化为模型可以学习的艺术 [即将上线]

阶段 3：经典机器学习

第 13-18 周。在深度学习之前，机器学习就已经存在，而且大多数真实世界的生产级 AI 仍然是经典机器学习。你不能跳过这一阶段。否则，你不会理解为什么深度学习特殊，或者什么时候不该用它。

1. 第 13 周： 机器究竟如何“学习”？每个 AI 模型背后的核心思想 [即将上线]
2. 第 14 周： 你的第一个机器学习模型：线性回归，逐行解释 [即将上线]
3. 第 15 周： 对世界进行分类：逻辑回归与不会说谎的指标 [即将上线]
4. 第 16 周： 经典机器学习工具箱：每个 AI 实践者都应熟记的 5 种算法 [即将上线]
5. 第 17 周： 为什么共同投票的模型胜率更高：随机森林、XGBoost 与集成学习的威力 [即将上线]
6. 第 18 周： 偏差、方差，以及为什么你的模型在偷偷作弊测试集 [即将上线]

🏁 里程碑 1 项目时间。 构建一个完整的端到端表格机器学习流水线。

阶段 4：深度学习基础

第 19-23 周。现在我们深入了。从单个神经元开始，逐步构建到完整的神经网络，并学习它们为什么有效、为什么失败，以及如何让它们正确训练。

1. 第 19 周： 为什么深度学习改变了一切——以及什么时候你仍然应该使用经典机器学习 [即将上线]
2. 第 20 周： 神经网络解释——几乎不用一个公式 [即将上线]
3. 第 21 周： 反向传播：教会每个神经网络的微积分技巧 [即将上线]
4. 第 22 周： 这个周末构建你的第一个神经网络——用 50 行 PyTorch [即将上线]
5. 第 23 周： 为什么你的神经网络训练不起来——以及 7 个几乎能修复所有问题的技巧 [即将上线]

阶段 5：核心神经网络架构

第 24-26 周。三大架构家族：用于视觉的 CNN、用于序列历史的 RNN，以及 Transformer——2017 年改变一切并驱动所有现代 LLM 的发明。

1. 第 24 周： 计算机如何学会看：卷积神经网络视觉指南 [即将上线]
2. 第 25 周： 试图理解语言的架构——以及它为什么几乎成功：RNN 与 LSTM [即将上线]
3. 第 26 周： 注意力就是一切：2017 年改写 AI 的论文——用通俗语言解释 [即将上线]

🏁 里程碑 2 项目时间。 用 PyTorch 从零训练一个 CNN 或小型 Transformer。

阶段 6：自然语言处理与 LLM

第 27-31 周。这是 2026 年所有人都关心的阶段。我们将从词频统计一路走到构建你自己的 RAG 聊天机器人。

1. 第 27 周： 教机器阅读：从词袋模型到词嵌入 [即将上线]
2. 第 28 周： Transformer 之前：LSTM 如何赋予机器对语言的（短暂）记忆 [即将上线]
3. 第 29 周： BERT、GPT 与 Transformer 家族树：谁做什么，为什么 [即将上线]
4. 第 30 周： 你不需要训练 GPT-4 才能用它：Hugging Face 实用指南 [即将上线]
5. 第 31 周： LLM 内部：聊天级模型如何实际工作，从预训练到 RLHF [即将上线]

阶段 7：更多深度学习领域

第 32-35 周。选择与你相关的部分。你不需要全部四个。

1. 第 32 周： 超越“猫或狗”：目标检测、分割，以及视觉 Transformer 如何看世界 [即将上线]
2. 第 33 周： 从噪声到艺术：生成式 AI 之旅——自编码器、GAN 与扩散革命 [即将上线]
3. 第 34 周： 机器如何听：从频谱图到 Whisper，能转录一切的 AI [即将上线]
4. 第 35 周： 通过试错学习：从 Q 表到 PPO 的强化学习 [即将上线]

阶段 8：AI Agent 与高级应用

第 36-38 周。2026 年的前沿：能够使用工具、规划并在世界中行动的 Agent。

1. 第 36 周： AI 的下一个浪潮：Agent 是什么、如何使用工具，以及如何在一个下午内构建一个 [即将上线]
2. 第 37 周： AI 目前真正在哪些领域发挥作用：医疗、金融、科学以及真实世界的前沿 [即将上线]
3. 第 38 周： 当 AI 同时看、听和读：多模态模型的崛起 [即将上线]

阶段 9：生产环境、工具与 MLOps

第 39-42 周。这一阶段区分了教程跟随者与实际交付 AI 产品的人。大多数在线课程完全跳过这一部分。

1. 第 39 周： 你的笔记本模型不是产品：交付 AI 真正需要什么 [即将上线]
2. 第 40 周： 没有企业术语的 MLOps：版本控制、追踪与可复现性，为普通人准备 [即将上线]
3. 第 41 周： 如何将 AI 模型部署给真实用户（而不经历 DevOps burnout） [即将上线]
4. 第 42 周： 从 RAG 到生产：构建不会让你尴尬的真实 LLM 应用 [即将上线]

🏁 里程碑 3 项目时间。 将你的 RAG 聊天机器人部署上线。

阶段 10：负责任 AI 与宏观视角

第 43-46 周。AI 不仅仅是代码。它触及真实世界。你需要理解偏见、安全性、可解释性以及更广泛的背景。

1. 第 43 周： 你的模型有观点：偏见、公平性，以及为什么“好数据”永远不够 [即将上线]
2. 第 44 周： 制造不会搞砸的 AI：安全性、对齐，以及当前 AI 最困难的问题 [即将上线]
3. 第 45 周： 黑箱问题：当模型自己都不知道时，如何解释 AI 决策 [即将上线]
4. 第 46 周： AI 与世界其他部分：工作、创造力、气候，以及没有教程会回答的问题 [即将上线]

阶段 11：保持更新与深入

第 47 周以后。学习 AI 没有终点。在核心的 46 周之后，以下是如何持续成长。

1. 如何在没有博士学位的情况下阅读 AI 论文（并真正理解它） [即将上线]
2. 真正能帮你获得面试机会的 AI 作品集（而不是没人看的玩具项目） [即将上线]
3. 你不是一个人在学 AI：值得加入的社区、会议和网络角落 [即将上线]
4. 你不可能学完所有 AI——如何选择适合你的专精方向 [即将上线]
5. 5 年后唯一不会过时的 AI 技能：学会如何学习 [即将上线]

大致时间估算

这不是一场比赛。下表根据你每周能投入的时间，给出了现实的时间线。

每周投入时间

完成核心阶段（0-6）所需时间

完成全部 11 个阶段所需时间

5-10 小时（认真的副项目）

约 6 个月

约 1 年

10-15 小时（专注）

约 4 个月

约 8 个月

30+ 小时（全职）

约 6 周

约 3 个月

持续比突击更重要。每天 30 分钟，坚持每天做，比周日学 8 小时然后一周什么都不做强。

最终你能做到什么

如果你完成了核心阶段（0-6）加上阶段 9，你将能够：

• 区分真正的 AI 和营销炒作
• 编写用于数据分析和机器学习的 Python 代码
• 清洗、探索并准备真实世界的数据集
• 构建、训练、评估并调优经典机器学习模型
• 理解神经网络和 Transformer 的工作原理
• 为你的任务微调预训练语言模型
• 基于你自己的文档构建 RAG 聊天机器人
• 使用 FastAPI 将模型部署为 API
• 交付可用的 AI 产品
• 用批判性眼光阅读 AI 新闻和论文
• 知道你不知道什么

这足以让你获得初级 ML/AI 工程师的职位，为当前工作构建有用的 AI 工具，或者如果你感兴趣，继续进入研究领域。

如何使用这个页面

1. 加入书签。 这是你的目录。
2. 从第 1 周开始。 不要跳过。
3. 每周回来查看。 新文章每周上线。链接会出现在上面。
4. 完成练习。 阅读不是学习。
5. 构建三个里程碑项目。 它们是你真正能做这件事的证明。

如果你感到迷茫，随时回到这里。路径不会改变。工具会来来去去（新框架、新模型、新创业公司），但这份路线图中的基础原理，五年后仍然重要。

第 1 周见。

🔔 在 AI 领域保持领先

如果你正在跟随这份路线图，并希望在学习过程中每周收到实用的 AI 工具，免费订阅 ByteBuilders 新闻通讯。每期都会为你提供：

• 1000+ 个 AI 提示词，你可以复制并立即使用
• 实用的 AI 工具，经过测试和解释
• 能节省你数小时的自动化工作流
• 工作和学习中的生产力用例
• 精选 AI 资源，保持技能敏锐

加入数千名正在跟随这份路线图的构建者和学习者：

++免费订阅 ByteBuilders →++