新手学AI的正确打开方式：四阶段学习路线别搞错

很多人学AI，一上来就啃论文、调大模型，结果学了半年还在门外打转。问题往往不在努力程度，而在阶段顺序。B站一位UP主把AI学习拆成四个阶段，并指出多数人卡住的位置——这套路线值得每个初学者对照自查。

第一阶段：基础地基，只做三件事

这一层的目标很单纯：为后面的深度学习铺路。具体只有三件事——Python、PyTorch框架和数学。

Python不用学多深，能写循环、会调库、能看懂报错就够。UP主特别强调“能看懂报错”这个标准：报错信息是自学的第一手反馈，读不懂报错，后面所有调试都会变成盲猜。

PyTorch框架则建议直接上手，不要去碰冷门框架——企业里用得最多的就是它。至于数学，线性代数、微积分（原文口播为“高等代数”，实际指微积分与线性代数基础）、概率统计，知道公式在干嘛就行，不用手算。

这一层最典型的坑是跳过基础直接上深度学习。UP主的观察很直接：公式看不懂、代码调不通，又得回头补，反而更慢。

为什么是PyTorch而不是TensorFlow？

PyTorch由Meta（原Facebook）AI研究团队维护，2019年前后凭借动态计算图（define-by-run）的设计迅速在学术界流行，如今已成为论文复现、开源模型（如Hugging Face上的绝大多数模型）的默认框架。相比之下，早期TensorFlow以静态图为特色，部署链路更成熟，但调试体验较差、上手成本高。对企业而言，招聘岗位中PyTorch的出现频率已明显高于其他框架，这也是UP主建议“不要碰冷门框架”的现实依据——学一个生态活跃、文档和社区资源丰富的框架，遇到问题时更容易找到答案。

“能看懂报错”背后：Python异常栈的读法

Python的报错信息通常从下往上看：最后一行是异常类型和描述（如KeyError、Shape mismatch），上面几行是调用栈（Traceback），指明错误发生在哪个文件、哪一行、哪一层函数调用中。深度学习中大量报错其实来自张量形状不匹配、数据类型不一致、设备（CPU/GPU）不一致这几类，只要养成先看最后一行异常类型、再顺着栈定位到自己代码的习惯，大部分问题都能自行排查。这也是UP主把它作为基础阶段过关标准的用意：调试能力决定了后续学习的自洽程度。

第二阶段：进入深度学习，动手跑通一个模型

基础打完后正式进入深度学习。这一阶段先学经典网络结构：CNN、RNN、LSTM、GRU，熟悉最基础的模型长什么样，然后动手做。

过关标准很明确：能独立把一个模型从数据加载、训练到跑出结果。注意这里的关键词是“独立”和“完整”——不是看教程跟着敲一遍，而是自己能把整条链路走通。

这个标准看似不高，但它筛掉了大量“只会 import 不会调参”的学习者。能跑通一次完整训练流程，对数据、模型、损失函数、优化器之间的关系才会有体感。

第三阶段：选方向，做出能写进简历的项目

到了进阶阶段，不能再撒网式学习，必须选一个方向。UP主给出工业界三大主流方向：

• 结构化数据方向：比如时间序列神经网络
• NLP文本方向：Transformer、Hugging Face 要懂
• 视觉方向：目标检测、图像分割、目标追踪、行为识别

这一层的核心不是“跑通demo”，而是做出能写进简历的完整项目。demo和项目的差距，在于数据清洗、评估、迭代这些工程环节——招聘方看的正是这些。

Transformer与Hugging Face是什么关系？

Transformer是2017年论文《Attention Is All You Need》提出的序列建模架构，核心是自注意力机制（Self-Attention），取代了RNN的循环结构，支持并行计算，是BERT、GPT等模型的基础。Hugging Face则是一个围绕Transformer生态建立的开源社区与工具库，其transformers库封装了成千上万的预训练模型，几行代码即可加载、微调和推理。NLP方向要求“懂Transformer、会Hugging Face”，实质是要求既能理解注意力机制的原理，又能熟练调用生态工具完成实际任务，二者缺一不可。

第四阶段：读论文加写代码，没有捷径

方向选定后还想往上走，只有一条路：读论文加写代码。

读论文从经典论文开始，重点是理解模型为什么这么设计，而不是只记一个结论。写代码则尝试自己复现，甚至改变模型结构，而不是永远停留在调包层面。UP主的原话是“没有任何捷径，就是在用论文和代码反复地磨”。

这一层真正的分水岭，是能不能在大模型之上继续做东西：RAG、Agent、微调、后训练、推理加速、部署等。能把这些环节串起来落地，才算真正摸到大模型的门槛。

RAG、Agent、微调与后训练各自指什么？

RAG（检索增强生成）是在大模型生成前先从外部知识库检索相关文档，把检索结果拼进提示词，从而缓解模型知识过时和幻觉问题。Agent（智能体）指让大模型调用工具、规划多步任务、根据反馈迭代行动的范式。微调（Fine-tuning）是在预训练模型基础上用领域数据继续训练，让模型适配特定任务；后训练（Post-training）是更上位的说法，涵盖监督微调（SFT）、RLHF/DPO等对齐手段。推理加速与部署则关注量化、蒸馏、KV Cache、vLLM等工程优化。这几项串起来，构成从“会用模型”到“能落地产品”的完整能力链。

四阶段路线的启示

这套划分的价值在于它把“学AI”这个模糊目标拆成了可验证的关卡：每层都有明确的过关标准，而不是靠感觉判断学没学会。对照下来，多数人卡住的原因要么是跳层（基础没打就去调大模型），要么是停在demo层（项目做不出完整闭环）。

原文结尾提到作者准备了学习路线和资料，在主页群自取，这里不做展开。对自学者来说，比资料更重要的是先确认自己当前处在哪一层——顺序对了，努力才不白费。