“我想学习人工智能，但不知道从哪里开始。”
这是我们最常听到的事情之一。老实说？这种混乱是可以理解的。搜索“学习 AI”，你就会被相互矛盾的建议所淹没——有些人说先学习 Python，另一些人说从数学开始，另一些人说只需使用 ChatGPT API 并找出答案。 Reddit 帖子争论学位是否必要。 YouTube 缩略图承诺您可以“在 30 天内掌握人工智能”。
本指南为您提供了我们希望在开始时就存在的诚实、结构化的路线图。没有炒作，没有捷径——只有一条清晰的道路。
根据您的目标，“学习人工智能”的含义也截然不同。在深入研究之前，请确定以下哪一项最能描述您：
路径 A — AI 用户/高级用户 您希望在工作或业务中有效地使用 AI 工具：快速工程、使用 AI API 进行构建、自动化工作流程。您不需要训练模型。 时间线：4-8 周即可变得高度熟练。
路径 B — AI 从业者/机器学习工程师 您想要构建、训练和部署机器学习模型。您将处理数据、编写机器学习代码并解决实际问题。 时间表：6-18 个月打下坚实的基础。
路径 C — 人工智能研究员 你想要突破人工智能的界限——发表论文、发明新架构、做基础工作。 时间表：通常需要硕士或博士学位； 3–6 年以上。
大多数阅读本文的人都在路径 A 或路径 B 上。本指南涵盖了这两种路径，并在每个阶段都有清晰的标记。
Python 是人工智能和机器学习的语言。如果您不了解 Python，请从这里开始。您不需要成为专家 - 您需要足够舒适地阅读和编写代码。
学习什么：
for, while) 和条件 (if/else)免费资源：
时间估计：如果您坚持的话，需要 4-6 周（每天 1-2 小时）
这就是人们不必要的恐慌的地方。这是诚实的答案：
对于使用人工智能工具（路径 A）：不需要数学。严重地。
为了构建机器学习模型（路径 B）：您需要具备以下方面的应用知识：
您不需要需要能够证明定理。您需要直觉和阅读方程式的能力。
免费资源：
时间估计：与 Python 一起进行 6-10 周的温和学习
在编写一行机器学习代码之前，请先构建您的人工智能景观心智模型。你应该明白：
资源：
里程碑：您可以向非技术同事解释人工智能概念，而无需检查笔记。
这是您了解实际机制的地方。按以下顺序完成基础知识：
在构建模型之前，您需要处理数据。 NumPy 和 Pandas 是用于数值计算和数据操作的基础 Python 库。
import pandas as pd
# Load a dataset
df = pd.read_csv('housing_data.csv')
# Explore it
print(df.head())
print(df.describe())
# Handle missing values
df = df.dropna()
# Feature selection
X = df[['bedrooms', 'bathrooms', 'sqft']]
y = df['price']
资源：【Kaggle 的免费 Pandas 微课程](https://www.kaggle.com/learn/pandas) — 4 小时，动手实践
Scikit-Learn 是传统机器学习的首选 Python 库。它包含数十种算法的实现以及一致、干净的 API。
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
predictions = model.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, predictions):.2f}")
解决：线性回归、逻辑回归、决策树、随机森林、k 均值聚类和 SVM。了解何时使用每一个。
资源：【Scikit-Learn 官方教程](https://scikit-learn.org/stable/tutorial/) + 【Kaggle ML 微课程](https://www.kaggle.com/learn)】
没有构建的学习就是没有理解的记忆。选择一个数据集（Kaggle 中有很多这样的数据集）并构建一个端到端模型：
里程碑：在真实数据集上训练的 ML 模型，发布到 GitHub。
现在您已准备好深入研究神经网络。
这是两个占主导地位的深度学习框架。 2026 年诚实的建议：从 PyTorch 开始。它更Pythonic，在研究中使用更广泛，并且更容易调试。 TensorFlow/Keras 仍在生产中广泛使用，但 PyTorch 才是发展动力所在。
import torch
import torch.nn as nn
# Define a simple neural network
class SimpleNet(nn.Module):
def __init__(self):
super().__init__()
self.layers = nn.Sequential(
nn.Linear(784, 128),
nn.ReLU(),
nn.Linear(128, 64),
nn.ReLU(),
nn.Linear(64, 10)
)
def forward(self, x):
return self.layers(x)
model = SimpleNet()
资源：
里程碑：从头开始构建和训练神经网络（不仅仅是调用预先构建的模型）。
到 2026 年，无论您走哪条路，了解如何使用大型语言模型都是至关重要的。
from transformers import pipeline
# Using a pre-trained model in 3 lines
summariser = pipeline("summarization", model="facebook/bart-large-cnn")
result = summariser("Your long text here...", max_length=130)
print(result[0]['summary_text'])
完成基础课程后，根据您的兴趣选择专业：
公开构建：在 GitHub 上发布您的项目。写下你正在学习的内容。为开源做出贡献。这就是你被注意到的方式。
|舞台|持续时间 |路径| |---|---|---| | Python 基础知识 | 4-6 周 |乙| |数学基础 | 6–10 周（可以重叠）|乙| |人工智能素养| 2–4 周 | A + B | |经典机器学习 (scikit-learn) | 8–12 周 |乙| |深度学习 (PyTorch) | 8–12 周 |乙| |法学硕士基础知识| 4-6 周 | A + B | |专业化+产品组合|正在进行 | A + B |
对于路径 A（AI 用户）：6-10 周才能真正精通 对于路径 B（机器学习工程师）：12-18 个月，奠定坚实的工作准备技能基础
教程地狱 — 不断观看教程而不构建任何东西。每次教程结束后，立即将您学到的知识应用到项目中。
开始之前尝试理解一切 — 在接触代码之前，您不需要掌握数学。直觉来自于实践。
独自学习 — 寻找社区。加入 AI Discord 服务器、Kaggle 竞赛或结构化学习计划。
跳过基础知识——在不了解梯度下降的情况下直接跳到微调法学硕士将会留下稍后困扰你的空白。
追逐新事物——人工智能格局每周都在变化。在追逐每个新模型发布之前，先掌握变化缓慢的基础知识。
开始学习AI的最佳时机是两年前。第二个最好的时间就是现在。
在 AI Educademy，我们设计了完全遵循此路线图的学习路径 - 结构化、基于项目，并为从零开始的人们构建。无论您是想更有效地使用 AI 工具还是想成为一名 ML 工程师，我们都有适合您的途径。
👉 立即在 aieducademy.org 开始您的 AI 学习之旅 - 并与成千上万的学习者一起构建真正的 AI 技能。