开学了：入门AI，可以从这第一课开始

9 月，不仅是返校的季节，对许多人来说，也意味着一个新的开始。无论你是重返校园的学生，还是希望在职业道路上寻找新方向的探索者，可能都在思考同一个问题：「如何才能跟上这个被 AI 定义的未来？」

或许，我们可以从身边的一些小事开始寻找答案：

• 你是否想过，抖音如何猜到你下一秒想看什么？

• 为什么你的手机相册能自动识别人脸，甚至是你家的猫？

• 和 Siri、小爱同学聊天时，它们究竟在想什么？

• 玩游戏时，那些聪明的 NPC 是如何思考和行动的？

其实这些问题背后，都藏着与 AI 紧密关联的知识：推荐算法、计算机视觉（CV）、自然语言处理（NLP）、强化学习（RL）。无论你将来想成为什么样的人，这股浪潮都已将我们所有人卷入其中。

图源：AI生成

那我们继续问自己几个问题。

是哪个瞬间让你对 AI 产生了浓厚兴趣？是 AlphaGo 打败人类最顶尖的棋手，ChatGPT 的横空出世，还是 DeepSeek 的一夜爆火？

你对自己的 AI 探索之路有何设想？你最大的兴趣爱好是什么？你有想过，AI 能否成为连接你的工作、专业与兴趣爱好的桥梁吗？

停！再问下去就要变成成功学课堂了。

我们进入正题。

也许 AI 没有那么复杂

什么是 AI？

先别急着背诵那些复杂的定义。我们不妨思考一个简单的问题：你要如何教会一台机器认识「猫」？

一种方法是「手把手地教」：我们给机器看成千上万张已经贴好「猫」标签的照片。机器会努力找出所有这些「猫」的共同特征，最终形成一个关于猫的概念。这在专业上叫做「有监督学习」。

还有一种更神奇的方法，是「让它自己悟」：我们把海量、未加整理的图片（比如整个互联网的猫图）都丢给它，不告诉它什么是猫。机器会自己从中发现规律，将一些看起来相似的东西归为一类。

2012 年，Google 正是通过类似方法，让一个神经网络在观看海量未标记的 YouTube 视频截图后，自发地学会了识别「猫」这个概念。这成为了「无监督学习」的一个里程碑，证明了深度学习的巨大潜力。

此外，还有第三种方法，叫「在试错中成长」：想象一下训练一个游戏里的角色或者一只宠物。你不会直接告诉它每一步该怎么做，而是设定一个目标（比如「拿到宝箱」或「坐下」）。它会自己尝试各种动作，如果做对了（离宝箱更近了），你就给它一个「奖励」；如果做错了（撞墙了），就给它一个「惩罚」。

通过不断地试错，并努力获得最多的奖励，它最终会学会一套最高效的行动策略。这就是「强化学习」（Reinforcement Learning），AlphaGo 下围棋、自动驾驶汽车学习驾驶，背后都有它的身影。

无论是哪种方式，其核心思想都是革命性的：我们不再为机器编写死板的规则（比如「IF 有尖耳朵 AND 有胡须 THEN 是猫」），而是让它从海量「数据」中自己「学习」出规律，形成一个复杂的「模型」。当遇到新照片时，它就能做出「预测」。

这，就是当今人工智能最核心的思想。我们今天所说的 AI，绝大多数时候指的都是由这种思想主导的机器学习，尤其是其中更强大的深度学习。

关于机器学习，最有名的课程之一是吴恩达（Andrew Ng）教授的《机器学习》课程，有兴趣的同学可以自行学习。

理解了 AI 的核心思想后，你可能已经跃跃欲试了。那么，踏上这条探索之路，你需要准备哪些看家本领呢？

你需要掌握的「三大法宝」

• 数学基础

数学是理解 AI 本质的通用语言。掌握其核心思想，你就能看懂智能的底层逻辑。

线性代数：AI 世界里，万物皆为向量与矩阵。无论是图像、声音还是文字，在计算机眼中都是数字矩阵。模型的运算与数据流动，本质上都是矩阵的变换。它是构建 AI 大厦的基石。

概率与统计：AI 充满了不确定性，而概率论是量化和管理这种不休止的工具。模型的预测（如「80% 是猫」）正是基于此。它是风险评估和智能推荐的核心。

微积分：模型如何学习和进化？答案是「优化」。微积分中的「梯度」指明了模型参数优化的方向，让模型通过「梯度下降」一步步变得更聪明。

不过，你不必成为数学家才能开始，初学者可以先聚焦于理解核心概念在代码中如何应用，随着实践的深入再回头巩固理论，效果更佳。

那么，如何真正让机器开始学习呢？这就需要算法。它是一系列清晰、具体的执行步骤。它由人运用数学知识设计，并由计算机严格遵循。这些步骤精确地指导计算机如何去处理输入数据、进行迭代计算以优化模型，并最终生成结果（如分类或预测）。

举个例子：想象一下，模型学习的过程就像一个蒙着眼睛的人要走到一个山谷的最低点。算法就是他下山的方法：

• 第一步：随机站在山坡上一个位置。

• 第二步：感受脚下哪个方向是下坡最陡的（这就是微积分里「梯度」的作用）。

• 第三步：朝着最陡的方向迈一小步。

• 重复第二和第三步。

最终，他就能一步步走到谷底。这个「蒙眼下山」的策略，就是一个典型的机器学习算法（梯度下降），它精确地指导了计算机如何通过迭代计算，一步步让模型变得更好。

• 编程能力

如果说数学是 AI 的内在思想，那么代码就是将这些思想构建为现实产品的核心工具。Python 是你的首选语言，它语法简洁、上手快，更重要的是拥有一个极其强大的 AI 生态圈。

那么你能用 Python 做什么呢？

数据分析与可视化：AI 从数据开始。使用 Python 把海量、杂乱的原始数据，变成干净、高质量的「燃料」，让机器能够「消化」。

构建机器学习模型：将算法理论付诸实践，构建各种模型。比如，预测明天的天气，识别垃圾邮件，或者判断一张图片里的是猫还是狗。这就像是教计算机如何从数据中「学习」和「思考」。

开发深度学习应用：构建神经网络。从图像识别、人脸解锁到智能驾驶、AI 绘画和大型语言模型，背后都是深度学习在驱动。

要完成这些任务，除了语言本身，你还需要掌握它的「工具箱」——那些强大的第三方库：

数据处理双雄（NumPy & Pandas）：它们是 AI 项目的数据基石。NumPy 让你能高效地处理大型多维数组（矩阵），而 Pandas 则提供了无与伦比的数据清洗、处理和分析能力。

经典机器学习库（Scikit-learn）：它集成了绝大多数经典的机器学习算法（如回归、分类、聚类），是你入门实践、快速搭建模型的利器。

深度学习两大框架（TensorFlow & PyTorch）：当你踏入深度学习领域，这两个框架是绕不开的。它们提供了构建、训练和部署神经网络所需的一切。

Python 热门库。来源：COGNITEQ

当然，这并不意味着其他语言无足轻重，毕竟大多数大学计算机专业的第一门编程语言还是 C 语言。语言是工具，真正的工匠会根据不同的任务，选择最趁手的那一件。

• 持续学习与动手实践

AI 是一个实践性极强的领域，纸上得来终觉浅。

保持永恒的好奇心：AI 技术的发展日新月异。要跟上潮流，你需要建立自己的信息渠道。可以先从关注高质量的博主、技术公众号、博客和论坛开始，它们是消化前沿知识、打好基础的绝佳起点。当你对基础有了把握后，可以开始留意 NeurIPS、CVPR、ICML 等顶级学术会议。你不需要立刻读懂每一篇论文，但了解这些会议上在讨论什么，能让你看到这个领域的未来方向。

信息筛选，去伪存真：在信息爆炸的时代，辨别能力比学习本身更重要。你需要学会过滤「噪音」，专注于「信号」。什么是噪音？比如那些夸大其词、宣称「一夜颠覆世界」的营销文章，或者让你在不同框架间摇摆不定的「技术选型」争论。什么是信号？比如一篇开创了新领域的经典论文（如「Attention Is All You Need」），一个让你真正理解底层原理的课程，或是一个能解决实际小问题的项目。抓住信号，你才能在纷繁的信息中保持专注，不迷失方向。

图源：AI生成

动手是最好的老师：理论学得再多，不如亲手跑通一个项目。不要害怕从零开始，你的第一个项目不必惊天地动，可以是从一个 Kaggle 入门竞赛开始，也可以是复现一篇经典论文中的简单模型。在 GitHub 上找一个你感兴趣的开源项目，尝试去理解它，甚至为它贡献一行代码，你所获得的成就感和实践经验将远超书本。

一句话总结：数学给你深度，编程给你工具，实践给你高度。三者结合，你的 AI 之路才能行稳致远。

下面整理了一些机器之心过往的基础技术入门文章，以供大家学习参考。

基础

吴恩达亲自授课，LLM 当「助教」，适合初学者的 Python 编程课程上线

吴恩达联手 OpenAI 上线免费课程：一个半小时学会 ChatGPT Prompt 工程

LeCun 学生、纽大助理教授 Alfredo 视频上新，跟他免费学本科 AI 课程

机器学习

从零开始学好深度学习，短视频免费课程上线

Sebastian Raschka 著作免费开放！《机器学习与 AI 核心 30 问》，新手专家皆宜

B 站失踪人口回归，「年更 UP」Gautam Kamath 教授的《机器学习入门》终于上线了

从 RLHF、PPO 到 GRPO 再训练推理模型，这是你需要的强化学习入门指南

LLM

微软免费课程、吴恩达开新课，顶级生成式 AI 必备课程来了

墙裂推荐！Karpathy 大模型培训课 LLM101n 上线了，非常基础

新鲜出炉！斯坦福 2025 CS336 课程全公开：从零开始搓大模型

信息过载时代，如何真正「懂」LLM？从 MIT 分享的 50 个面试题开始

现实层面

当你仰望 AI 这片璀璨的星空时，心中一定充满了对未来的无限遐想。接下来，我们将从仰望星空回到脚踏实地，聊一聊大家最关心的现实问题：这条路好走吗？未来我能做什么？我该如何准备？

那些光鲜之外的事

AI 的世界不全是发布会上光鲜亮丽的模型和「改变世界」的豪言壮语。

• debug 怪圈

这个挑战倒是很「传统」，但永远不会过时。无论技术怎么变，你总会遇到这种情况：代码没问题，逻辑看起来也没错，但模型输出的结果就是一塌糊涂。然后就是漫长的「破案」过程：是数据投喂的姿势不对？是某个参数设置得太玄学？还是模型结构里有个看不见的坑？这个过程，拼的是技术，更是耐心和一种近乎直觉的判断力。

• 技术刷新太快

AI 圈的刷新率，可能是按「天」来计算的。今天你刚投入几个月，把一个模型原理摸透，明天可能就有一个效果更好、思路更巧的新范式冒出来，把所有人的目光都吸走了。这种感觉就像在一条飞速滚动的传送带上，得不停小跑才能待在原地。知识焦虑？是的，这几乎是每个 AI 人的日常。

• 路口太多

技术爆炸带来的另一个副产品，就是选择太多。大模型、多模态、AI Agent……每个方向都闪着高光，看起来都通往未来。但当所有路都充满诱惑时，人反而会迷路。「我该走哪条路？万一选错了怎么办？」这种不确定性，比解决一个技术难题本身更让人头疼。

图源：AI生成

未来坐标：机遇与焦虑并存的时代

尽管挑战重重，但 AI 依然是这个时代最确定的机遇之一。然而，机遇的另一面，是剧烈的变革与分化。

你可能一边看到科技巨头为顶尖 AI 人才开出天价薪酬、上演激烈「挖角」大战的新闻，一边又听到 AI 将取代大量重复性工作、引发失业潮的讨论。这两种看似矛盾的现象，共同构成了我们所处时代的真实图景：AI 正在拉大顶尖人才与普通技能劳动者之间的差距。

理解这个现实，对你规划未来至关重要。这意味着，仅仅「会用」AI 工具可能不足以构建长期的职业壁垒，而努力成为能够「创造和驾驭」AI 的人，将拥有更广阔的前景。

• 如果你想成为 AI 的「核心玩家」

这里有许多令人兴奋的职业路径，这些分类可以帮你理解工作的核心性质：

机器学习工程师：负责将算法模型落地，构建、部署和维护 AI 产品和系统的工程师。

数据科学家：从海量数据中挖掘洞见，通过分析和建模为商业决策提供支持的侦探。

算法研究员：探索 AI 理论的前沿，开发新算法和新模型的先驱。

在招聘网站上，这些角色会演变成更具体的职位，如算法工程师（最常见，通常专注于推荐、CV、NLP 等领域）、AIGC 工程师（专注于生成式 AI 应用）、数据分析师（侧重业务分析和可视化）和 MLOps 工程师（专注于模型部署和维护）。

• 更广阔的舞台：「AI + X」的无限可能

学习 AI 并不意味着你必须成为一名全职的 AI 工程师。更激动人心的是，AI 可以作为一种「超能力」，与你热爱的任何领域相结合，创造出前所未有的价值。

艺术与设计：利用生成式 AI 创作独特的视觉艺术，或用数据可视化讲述动人的故事。

人文社科：在计算社会学、数字人文等新兴领域，利用 AI 分析海量文本和历史数据，以全新的视角洞察人类社会与文化。

金融与商业：从量化交易、智能投顾到风险控制、反欺诈系统，AI 正在重塑整个商业世界的运行规则。

生命科学与医疗：从辅助新药研发、加速基因测序，到精准解读医疗影像，AI 正成为推动医学进步的强大引擎。

前沿科学与工程：在材料科学领域，AI 能模拟预测分子结构，加速新材料的发现；在能源领域，它能优化电网调度，构建更高效的能源系统。

社会心理与健康：训练 AI 分析语言模式与生理信号，为心理健康评估和早期干预提供更客观、更便捷的辅助工具。

图源：AI生成

最终，AI 技能将成为一种通识能力。无论你将来身处哪个行业，掌握 AI 都将为你提供解决复杂问题的独特视角和强大工具。

打造通行证：从项目到能力

那么，如何为这些未来机遇做准备呢？

• 用项目定义你的方向

你的 GitHub 就是你的名片。但通往宏大项目的道路需要一步步走，不要害怕从「微项目」开始，它们是建立信心和技能的最佳起点。

第一步：跑通你的「Hello World」

想入门数据分析？你的第一个项目可以是：用 Pandas 分析你所在城市过去一年的天气数据，找出最热和最冷的一天。

想入门机器学习？尝试用 Scikit-learn 预测泰坦尼克号幸存者，这是数据科学领域最经典的入门任务。

第二步：让项目为你的职业方向代言

想成为算法工程师？尝试复现一篇经典论文，并把结果部署成一个简单的 Web 应用。

想成为数据科学家？找一个公开数据集，提出一个商业问题，并用数据分析和可视化来讲述一个完整的故事。

想探索「AI + X」？把 AI 用在你的专业上！用 NLP 分析文学作品，用 CV 识别植物，或者用 AI 帮你作曲。一个展示了你独特兴趣和跨界能力的项目，会让你在众多求职者中脱颖而出。

• 在真实世界中磨练技能

参与公开挑战，解决真实问题：Kaggle 是经典的起点，但不要止步于此。可以关注 Hugging Face（一个汇集了海量 AI 模型和开发者的社区）的挑战赛，或顶级会议（如 NeurIPS、CVPR）举办的、更具前沿性的学术竞赛，这些更能体现你对领域的追踪和热情。

构建可交互的 Demo，让模型「活」起来：在这个时代，一个可以线上访问、交互体验的 Demo（使用 Gradio、Streamlit 这类简单的工具就能快速构建），远比一个静态的 Jupyter Notebook 更能打动人。它证明了你不仅懂算法，还具备将技术转化为产品的工程能力和产品思维。

为开源项目做贡献：这听起来很难，但你可以从最小的一步开始。在为大型开源项目贡献代码前，先尝试为它的文档修正一个你发现的拼写错误（Typo）。这个过程会让你熟悉如何发现并报告问题（提 Issue）、提交你的修复方案（发 Pull Request）以及与社区沟通，这是课堂上学不到的宝贵经验。

• 构建你的「护城河」

在这个瞬息万变的领域，你需要有自己的核心竞争力。

扎实的理论基础：市场的热点会变，但数学、算法和计算机系统的基础知识永远不会过时。它们是你理解新技术、快速学习的基石。

解决问题的能力：公司雇佣你，是为了解决问题。相比于罗列你「会」什么技术，不如展示你「用」技术解决了什么问题。

拥抱人机协同：AI 的发展方向是与人类专家协同，而非完全取代。这种「人在回路」（Human-in-the-Loop）的思想正变得越来越重要。认识到人类智慧在数据标注、模型优化中的核心作用，能帮你找到自己的位置，缓解技术焦虑。

持续学习的习惯：这不是一句口号。将阅读技术博客、观看分享视频、跑一跑新模型的代码，变成像吃饭喝水一样的日常习惯。

AI 简史

了解历史，才能更好地看清未来。你现在所学的每一个算法，所用的每一个框架，背后都凝聚着几代人的智慧、梦想甚至泪水。AI 的发展并非一条直线，而是一部跌宕起伏的史诗。

黄金开端与梦想年代（1950s - 1970s）

1956 年的夏天，在美国的达特茅斯学院，一群充满激情的科学家们正式提出了「人工智能（Artificial Intelligence）」这个名字。他们乐观地相信，用不了多久，具有人类智慧的机器就将出现。这是一个「巨人」辈出的时代，充满了逻辑推理、问题求解的早期探索，和对未来的无限憧憬。

符号主义、联结主义和行为主义构成了人工智能发展的三大基石，代表了三种理解和构建智能的核心思路。

图源：2024 年度 Graph+AI 开源探索思考

三种并非相互排斥，而是从不同层面揭示了智能的本质。

符号主义走的是「自上而下」的精英路线，关注智能的「认知」层面，强调逻辑和推理。虽然在当前不如深度学习流行，但它在知识图谱、搜索引擎的语义理解、以及 AI Agent 进行复杂任务规划等方面依然至关重要，是构建可解释、可信赖 AI 的基石。

联结主义走的是「自下而上」的草根路线，关注智能的「感知」层面，强调模式识别和学习。当今 AI 的代名词——深度学习（Deep Learning），通过构建包含亿万级别「神经元」联结的深度神经网络，完美诠释了其核心思想。

行为主义则强调不应只关注「内心」，智能体必须付诸「行动」，与世界交互。

现代人工智能正朝着融合这三者优势的方向发展，以期创造出既能从数据中学习（联结主义）、又能进行逻辑推理（符号主义）、还能在环境中行动（行为主义）的更强大的 AI。

AI 寒冬与机器学习的崛起

然而，现实很快给过于乐观的预言泼了冷水。由于计算能力的限制、数据的匮乏以及理论的瓶颈，许多承诺无法兑现，AI 研究的资金和热情随之骤减，进入了长达数十年的两次「AI 寒冬」。这段历史告诉我们一个宝贵的道理：真正的科学突破需要耐心和积累，而非一时的狂热。任何伟大的事业，都会经历低谷。

在寒冬中，AI 并未消亡。一批学者转向了另一条更务实的道路：统计机器学习。他们不再追求创造一个「全能的人类大脑」，而是专注于解决特定问题，比如垃圾邮件过滤、手写数字识别等。这股力量在悄然中积蓄，为未来的爆发埋下了伏笔。

深度学习的「宇宙大爆炸」（2012 - 至今）

2012 年，一个名为 AlexNet 的深度神经网络模型在 ImageNet 图像识别竞赛中以碾压性的优势夺冠，其准确率远超所有传统方法，瞬间引爆了 AI 领域。

其成功的背后，是三股在寒冬中悄然积蓄的力量：算力（GPU 的普及）、数据（互联网的海量信息）和算法（深度学习）。

从此，AI 驶入快车道。从 2016 年 AlphaGo 的惊世对局，到 ChatGPT 展现的卓越创造力，再到如今生成式 AI 颠覆内容创作、AI 智能体探索物理世界——我们正处在 AI 历史上最激动人心的变革时刻。

结语

最后，请允许我们代那些在 AI 领域深耕多年的前辈，送给你一些祝福和建议：

拥抱不确定性。AI 的发展之路从不是一条直线，你的学习和职业生涯也同样如此。那些看似「绕路」的探索，那些失败的实验，都将成为你独特认知的一部分。在这个充满变化的时代，适应变化的能力本身就是最核心的竞争力。

保持人类的温度。技术是冰冷的，但你可以赋予它温度。永远不要忘记，AI 是增强人类智慧的工具，而不是目的。去思考技术背后的人文关怀和社会责任，用你的创造力去解决真正有意义的问题。你的独特价值，恰恰在于你的人性、你的审美、你的同理心——这些是机器无法复制的。

找到你的热爱。回到我们最初的问题：你最大的兴趣爱好是什么？试着将 AI 与它结合起来。无论是音乐、艺术、体育还是历史，AI 都能成为你探索热爱的超级工具，甚至开辟出前所未有的新领域。当技术与你的热情相遇时，最伟大的创新才可能发生。

我们也真诚地邀请来自各行各业的读者，在评论区留下你们的宝贵建议，共同为这些未来的探索者点亮一盏灯。

欢迎来到这个激动人心的时代。

愿你在这场智能革命的浪潮中，既能仰望星空，也能脚踏实地，最终找到属于自己的那片海。

文章来自于微信公众号“机器之心”，作者是“关注AI的”。