您的 AI 學習藍圖：46 個主題，按順序，每週一個

如果你想在 2026 年學習 AI，卻不知道從何開始，這個頁面就是為你準備的。

網路上充斥著各種 AI 建議，但大多數不是：

1. 一個價值 2,000 美元課程的銷售話術
2. 一份亂無章法的 100 個連結清單
3. 一本 PhD 等級的教科書，第一頁就把你嚇跑
4. 一段關於 AGI 的炒作影片，卻沒告訴你任何實用的東西

你不需要那些。你需要的是學習順序。你需要知道先學什麼、什麼是建立在什麼之上、什麼可以跳過，以及要學到多深。

這份路線圖就是為此而生。它是我推薦的 AI 學習順序，從完全的初學者，到能夠建構並交付真實 AI 產品的人。每個主題都會有一篇文章，每週一篇，在這裡發布。請把這個頁面加入書籤，隨時回來查看。文章發布後，連結就會生效。

不需要任何先備知識，不需要 CS 學位，不用為數學感到恐慌。

運作方式

開始之前，先訂下基本規則：

1. 按順序學習主題。 每個主題都建立在前一個之上。第一週就跳到 LLMs，就像蓋房子先從屋頂開始。
2. 每週一個主題 是建議的節奏。這樣你才有時間閱讀、寫程式，並實際建構東西。狂刷教學不代表學習。
3. 每篇文章的實作練習都要做。 只讀神經網路而不動手寫，就像讀游泳書卻不下水一樣。
4. 你不需要學到最後。 如果你只想要 AI 素養，可以在第三階段結束。如果你想建構 LLM 應用，就學到第九階段。由你決定。
5. 整個系列總長度： 約 107,000 字。聽起來很長，但比一般教科書還短，而且每篇文章都是獨立的。

12 個階段一覽

總共有 12 個階段，從完全初學者到可上線實作的從業者。在深入之前，先看看整體概覽。

你不需要做第 7 到第 11 階段的每個主題。在第 6 階段之後，你可以開始分支。但第 0 到第 6 階段是核心。

3 個里程碑專案

在學習過程中，你會在三個時間點建構一個真正的專案，將目前為止所學的一切結合起來。這些是你的作品集。

如果你完成這三個專案，你就不再是「學習 AI」了。你可以實際運用 AI。

逐階段、逐文章

以下是完整列表。每篇文章上線後，連結會更新在這裡。請將此頁面加入書籤，並每週回來查看。

第 0 階段：心態與方向 (從這裡開始)

第 1-3 週。每個人都從這裡開始，沒有例外。這是我們去除炒作、定義術語、設定期望的地方。

1. 第 1 週： AI, ML, DL, 生成式 AI, AGI：終於，一份能區分它們的指南 - 已上線
2. 第 2 週： [2026 年你該學 AI 嗎？根據你的身份，誠實的答案] [即將推出]
3. 第 3 週： [如何學習 AI 而不浪費一年在教學地獄] [即將推出]

第 1 階段：先備知識 (你真正需要的基礎)

第 4-7 週。沒有 Python 你學不了 AI。但你不需要完整的 Python 知識。我們會涵蓋你需要的確切子集、你實際會用到的數學，以及解鎖一切的三大函式庫。

1. 第 4 週： 你的第一週 Python：接觸 AI 前唯一需要的子集 [即將推出]
2. 第 5 週： NumPy, Pandas, Matplotlib：解鎖每個 AI 專案的三大函式庫 [即將推出]
3. 第 6 週： AI 真正需要的數學——用你從沒上過微積分的方式解釋 [即將推出]
4. 第 7 週： 在選擇模型之前，先學會問對的問題 [即將推出]

第 2 階段：資料——AI 的燃料

第 8-12 週。80% 的 AI 工作是資料工作。這是大多數課程跳過的階段，也是他們的學生在真實專案中失敗的原因。

1. 第 8 週： 資料是新石油——但大多數初學者不知道它實際上看起來像什麼 [即將推出]
2. 第 9 週： 在哪裡為你的 AI 專案取得真實資料 (不用花一毛錢) [即將推出]
3. 第 10 週： 為什麼資料清理吃掉 AI 工程師 80% 的時間——以及如何正確執行 [即將推出]
4. 第 11 週： 探索式資料分析：告訴你專案能否成功的關鍵步驟 [即將推出]
5. 第 12 週： 特徵工程：將原始資料轉化為模型能真正學習的藝術 [即將推出]

第 3 階段：古典機器學習

第 13-18 週。在深度學習之前，有機器學習，而大多數真實世界的生產環境 AI 仍然是古典 ML。你不能跳過這個階段。如果你跳過，你將無法理解為什麼深度學習很特別，或何時不該使用它。

1. 第 13 週： 機器是如何「學習」的？每個 AI 模型背後的核心概念 [即將推出]
2. 第 14 週： 你的第一個機器學習模型：線性迴歸，逐行解釋 [即將推出]
3. 第 15 週： 分類世界：邏輯迴歸與不會說謊的指標 [即將推出]
4. 第 16 週： 古典 ML 工具箱：每位 AI 從業者都該牢記的 5 種演算法 [即將推出]
5. 第 17 週： 為什麼共同投票的模型會一起贏：隨機森林、XGBoost 與集成學習的力量 [即將推出]
6. 第 18 週： 偏誤、變異數，以及為什麼你的模型在測試集上偷偷作弊 [即將推出]

🏁 里程碑 1 專案時間。 建構一個完整的端到端表格 ML 管道。

第 4 階段：深度學習基礎

第 19-23 週。現在我們要深入了。我們將從單一神經元開始，逐步建構到完整的神經網路，並學習它們為什麼有效、為什麼失敗，以及如何讓它們正確訓練。

1. 第 19 週： 為什麼深度學習改變了一切——以及何時你仍該使用古典 ML [即將推出]
2. 第 20 週： 不用任何方程式解釋神經網路 (好吧，幾乎沒有) [即將推出]
3. 第 21 週： 反向傳播：教導每個神經網路的微積分技巧 [即將推出]
4. 第 22 週： 這個週末用 50 行程式碼建構你的第一個 PyTorch 神經網路 [即將推出]
5. 第 23 週： 為什麼你的神經網路訓練不起來——以及幾乎能解決一切的 7 個技巧 [即將推出]

第 5 階段：核心神經網路架構

第 24-26 週。三大架構家族：用於視覺的 CNN、用於序列歷史的 RNN，以及 Transformer——這項在 2017 年改變一切並驅動所有現代 LLM 的發明。

1. 第 24 週： 電腦如何學會「看」：卷積神經網路的視覺指南 [即將推出]
2. 第 25 週： 試圖理解語言的架構——以及為什麼它差點成功：RNN 與 LSTM [即將推出]
3. 第 26 週： Attention Is All You Need：2017 年改寫 AI 的論文——用白話文解釋 [即將推出]

🏁 里程碑 2 專案時間。 用 PyTorch 從頭訓練一個 CNN 或小型 Transformer。

第 6 階段：自然語言處理與 LLMs

第 27-31 週。這是 2026 年每個人都關心的階段。我們將從詞頻統計，一路建構到你自己的 RAG 聊天機器人。

1. 第 27 週： 教機器閱讀：從詞袋模型到詞嵌入 [即將推出]
2. 第 28 週： Transformer 之前：LSTM 如何賦予機器短暫的語言記憶 [即將推出]
3. 第 29 週： BERT, GPT 與 Transformer 家族樹：誰做什麼，以及為什麼 [即將推出]
4. 第 30 週： 你不需要訓練 GPT-4 就能使用它：Hugging Face 實用指南 [即將推出]
5. 第 31 週： LLM 內部：聊天級模型實際如何運作，從預訓練到 RLHF [即將推出]

第 7 階段：更多深度學習領域

第 32-35 週。選擇對你重要的。你不需要全部四個。

1. 第 32 週： 超越「貓或狗」：物體偵測、分割，以及 Vision Transformer 如何看待世界 [即將推出]
2. 第 33 週： 從雜訊到藝術：生成式 AI 之旅——自編碼器、GAN 與擴散革命 [即將推出]
3. 第 34 週： 機器如何「聽」：從聲譜圖到 Whisper，這個 AI 能轉錄一切 [即將推出]
4. 第 35 週： 透過試誤學習：從 Q-Table 到 PPO 的強化學習 [即將推出]

第 8 階段：AI Agents 與進階應用

第 36-38 週。2026 年的當前前沿：能夠使用工具、規劃並在現實世界中行動的 Agent。

1. 第 36 週： AI 的下一波浪潮：什麼是 Agent，它們如何使用工具，以及如何在今天下午就建構一個 [即將推出]
2. 第 37 週： AI 現在真正在哪些地方發揮作用：醫療保健、金融、科學，以及真實世界的前沿 [即將推出]
3. 第 38 週： 當 AI 同時看見、聽見和閱讀：多模態模型的崛起 [即將推出]

第 9 階段：生產環境、工具與 MLOps

第 39-42 週。這個階段區分了只會跟教學的人，與真正交付 AI 產品的人。大多數線上課程完全跳過這個階段。

1. 第 39 週： 你的筆記本模型不是產品：交付 AI 實際上需要什麼 [即將推出]
2. 第 40 週： 沒有企業流行語的 MLOps：給我們這些普通人的版本控制、追蹤與可重現性 [即將推出]
3. 第 41 週： 如何將 AI 模型部署給真實用戶 (而不會 DevOps burnout) [即將推出]
4. 第 42 週： 從 RAG 到生產環境：建構不會讓你難堪的真正 LLM 應用 [即將推出]

🏁 里程碑 3 專案時間。 部署你的 RAG 聊天機器人上線。

第 10 階段：負責任的 AI 與宏觀視野

第 43-46 週。AI 不只是程式碼。它觸及現實世界。你需要理解偏誤、安全性、可解釋性，以及更廣泛的背景脈絡。

1. 第 43 週： 你的模型有偏見：偏誤、公平性，以及為什麼「好的資料」永遠不夠 [即將推出]
2. 第 44 週： 打造不會出事的 AI：安全性、對齊，以及 AI 目前最難的問題 [即將推出]
3. 第 45 週： 黑箱問題：當模型本身都不知道時，如何解釋 AI 的決策 [即將推出]
4. 第 46 週： AI 與世界其他部分：工作、創造力、氣候，以及沒有教學會回答的問題 [即將推出]

第 11 階段：保持更新與深入學習

第 47 週以上。學習 AI 沒有終點。在核心的 46 週之後，這裡告訴你如何持續成長。

1. 如何不用 PhD 學位閱讀 AI 論文 (並真正理解它) [即將推出]
2. 真正能幫你拿到面試的 AI 作品集 (不是沒人看的玩具專案) [即將推出]
3. 你不是獨自學習 AI：值得加入的社群、會議與網路角落 [即將推出]
4. 你無法學完所有 AI——這裡告訴你如何選擇適合你的專精領域 [即將推出]
5. 5 年後唯一不會過時的 AI 技能：學會如何學習 [即將推出]

粗略時間估算

這不是比賽。下表根據你擁有的時間，提供現實的時間線。

持續性勝過臨時抱佛腳。每天 30 分鐘，每天持續，比週日讀 8 小時然後整週停擺來得好。

你到最後能做些什麼

如果你完成核心階段 (0-6) 加上第 9 階段，你將能夠：

• 分辨真正的 AI 與行銷炒作
• 撰寫用於資料分析和 ML 的 Python 程式碼
• 清理、探索和準備真實世界的資料集
• 建構、訓練、評估和調整古典 ML 模型
• 理解神經網路和 Transformer 如何運作
• 為自己的任務微調預訓練語言模型
• 在自己的文件上建構 RAG 聊天機器人
• 使用 FastAPI 將模型部署為 API
• 交付可運作的 AI 產品
• 以批判性眼光閱讀 AI 新聞和論文
• 知道你不知道什麼

這足以讓你找到一份初階 ML/AI 工程師的工作，為你目前的工作建構有用的 AI 工具，或者如果你有興趣，可以繼續往研究領域發展。

如何使用這個頁面

1. 加入書籤。 這是你的目錄。
2. 從第 1 週開始。 不要跳過。
3. 每週回來查看。 新文章每週上線。連結會出現在上方。
4. 做練習。 閱讀不等於學習。
5. 建構三個里程碑專案。 它們是你真正能做到的證明。

如果你曾經感到迷惘，就回到這裡。路徑不會改變。工具會來來去去（新的框架、新的模型、新的新創公司），但這份路線圖中的基礎知識，在五年後依然重要。

我們第 1 週見。

🔔 在 AI 領域保持領先

如果你正在遵循這份路線圖，並希望在學習的同時，每週都能收到實用的 AI 工具，請免費訂閱 ByteBuilders 電子報。每一期都會提供你：

• 1000+ 個 AI 提示詞，你可以立即複製使用
• 經過測試和說明的實用 AI 工具
• 為你節省數小時的自動化工作流程
• 適用於工作和學習的生產力應用案例
• 精心策劃的 AI 資源，讓你的技能保持鋒利

加入數千名遵循此路線圖的建構者和學習者：

++立即免費訂閱 ByteBuilders →++