AI 成长主线

这一部分回答一个核心问题：学校课程、公开课、科研前沿、项目竞赛之间到底是什么关系？更具体一点，就是你应该怎样从“想学 AI”走到“能读论文、能跑代码、能做项目、能选择方向”。

先别急着追热点。
大模型、智能体、具身智能、AI for Science 都很重要，但真正能支撑你长期走下去的，仍然是数学、编程、深度学习框架、论文阅读和项目复现这些基础能力。

一条比较稳的路线

基础工具
-> 数学基础 / 编程基础
-> PyTorch / 深度学习
-> 方向课程：CV、LLM、机器人、AI for Science
-> 论文阅读与复现
-> 项目、竞赛、科研

这条路线不是固定顺序，也不是说你必须学完前一层才能碰后一层。

更合理的方式是螺旋上升：先用最小成本跑通一个项目，再回头补数学；先读懂一篇方向综述，再补深度学习细节；先参加一次项目或比赛，再理解自己缺什么。

这几章怎么读

• 基础工具箱

  ---

  配好网络访问、AI 工具、编辑器和 coding agent。工具不是能力本身，但会影响你获取资料和完成任务的效率。

  进入工具箱

• AI 学习基础路线

  ---

  建立数学、Python、PyTorch 和深度学习基础。适合刚开始系统学习 AI 的同学。

  进入基础路线

• 如何选择 AI 方向

  ---

  在 CV、LLM、具身智能、AI for Science、AI Infra 等方向之间做判断，不只看热点，也看资源和产出。

  进入方向选择

• 方向专题

  ---

  进一步了解 LLM、CV、具身智能和 AI for Science 的问题意识、学习入口和技术路线。

  先看 LLM

学习时最容易踩的坑

常见状态	看起来像	实际问题	更好的做法
只收藏资源	网盘、收藏夹、书签很多	没有真正进入训练闭环	选一门课、一份教程、一个小项目先完成
只追前沿	每天看模型新闻和论文标题	缺少基础，很难判断价值	用一两个方向作为牵引，倒逼补基础
只刷课程	视频看了很多	不写代码，不做作业，容易忘	每学一段就做小实验或复现
只等准备好	总觉得数学、编程还不够	一直没有真实反馈	允许自己边做边补，先跑通最小闭环

推荐阅读顺序：

1. 先打开 基础工具箱，把学习环境和资料获取方式准备好。
2. 再读 AI 学习基础路线，确定数学、编程和深度学习的学习顺序。
3. 做过一段时间后，读 如何选择 AI 方向，开始判断自己适合继续往哪里走。