全面整理人工智能(AI)学习路线图及资源推荐

在人工智能（AI）飞速发展的今天，掌握AI技术已经成为了许多高校研究者和职场人士的必备技能。从深度学习到强化学习，从大模型训练到实际应用，AI技术的广度和深度不断拓展。作为一名AI学习者，面对浩瀚的知识海洋，如何有条不紊地学习并应用这些技术呢？别担心，今天我为你整理了一份全面的AI学习路线图及资源推荐，带你一步步踏上AI学习之路。

AI路线图

学习AI是一项系统性的工程，需要循序渐进地掌握基础知识、核心技术和前沿应用。下面将AI学习分为五个阶段：

第一阶段：AI基础入门

在开始之前，掌握一些基础知识是必需的。这包括数学、统计学和编程技能。打好基础可以为后续的深入学习提供坚实的支撑。

第二阶段：AI核心技术

在具备了基础知识之后，就可以开始学习AI的核心技术，包括深度学习和强化学习，掌握它们可以理解和构建复杂的AI模型。

第三阶段：大模型与前沿技术

大模型是当前AI研究和应用的热点，了解和掌握大模型的训练和应用是非常有必要的。通过学习和实践，可以掌握大模型的关键技术和应用场景。

第四阶段：AI行业应用

AI技术的价值在于其实际应用。了解AI在不同领域中的应用，将所学的知识应用到实际工作中，提高工作的效率和质量。

第五阶段：前沿技术与未来趋势

AI技术的发展日新月异，需要保持对前沿技术的关注。了解最新的研究方向和产业趋势，可以帮助你在AI领域保持领先地位。

学习大纲

下面是来自中国科学院人才交流开发中心的《关于举办第五期 “人工智能深度赋能高校教学与企事业单位科研工作” 高级研修班的通知》的培训目录,

我们可以从中窥探出AI学习的逻辑：

（一）大模型的缘起 大模型时代人工智能的前夜 深度强化学习的高光时刻——AlphaGo。 大模型ChatGPT源于深度强化学习 深度学习模型 稀疏编码神经网 自动编码器神经网络 玻尔兹曼机神经网络 卷积神经网络 递归神经网络 强化学习模型 强化学习基本要素 马尔可夫奖励过程 累积回报最优策略 （二）大模型是怎样练成的 大模型时代的先驱 ChatGPT大模型如何训练 大模型关键技术突破 大模型LLM两种实现方式 预训练语言模型PLM（BERT） 指令调整 Instruction Tuning 强化学习人类反馈对齐RLHF Alignment （三）大模型的实践 ChatGPT能力 ChatGPT文本生成 ChatGPT情感分析 ChatGPT个性回复 ChatGPT实时翻译 ChatGPT涌现能力 AIGC的实现 3D形状模态 交叉模态形状生成 跨模态3D场景视图合成 开源大模型 国内开源大模型：文心一言、通义千问、MOSS、ChatGLM应用 国外开源大模型：ChatGPT、PaLM、LLaMA、MIMO、Cloude应用 （四）大模型行业应用 基于大模型的推荐系统 医学资料检索增强系统 对话式人才猎头管理和决策 基于大模型的AI投资管理平台 基于大模型的金融核查平台 基于电力大模型的设备运检 基于代码大模型的软件开发系统 基于大模型的组卷和判卷系统 基于大模型交通系统 基于大模型的汽车问答系统 基于大模型的游戏设计 基于大模型的智慧办公 基于大模型的智慧型银行数字员工 （五）大模型技术走向和产业发展趋势 ChatGPT 的缺陷与优化 大模型的研究方向 大模型的产业发展趋势 （六）现有大模型和基于大模型的工具介绍 现有大模型列表 大模型评价体系和榜单 大模型公开服务调用方法 基于大模型的效率工具介绍 代码辅助工具Copilot和通意灵码 论文阅读工具ChatPaper Kimi智能助手 实践环节：大模型公开服务调用方法 （七）大模型的使用技巧：提示词工程 提示词基本原理 提示词编写常用技巧指南 实践环节：提示词编写实践 （八）大模型加外部知识库：检索增强生成（RAG）方法 RAG的定义与基本流程介绍 RAG常用框架介绍 Langchain 基本情况与示例 Llamalndex 基本情况与示例 RAG框架的优缺点分析 实践环节：Langchain本地部署 （九）RAG效果提升技巧 多轮检索 精准PDF解析的重要性 实践环节：切换不同的PDF解析查看对问答效果的影响 （十）微调和RAG方法的优缺点对比 （十一）大模型的Key Numbers 大模型参数量计算方法 影响计算量的主要方面: 参数量、数据量、上下文长度 参数量和GPU的适配关系 （十二）大模型推理部署方法 常用推理框架 vLLM 基本原理 vLLM的使用方法 vLLM的进阶功能: AutoPrefix, Speculative Decoding, 量化 （十三）大模型微调方法 微调的整体流程介绍 微调的数据准备 训练结果评估方法 训练环境准备 训练过程监控 训练完成后的推理评估

自学清单

如果我们想要自学上述内容，有哪些资源推荐呢？下面是一份参考书籍清单：

第一阶段：AI基础入门

1. 《线性代数及其应用》 (Linear Algebra and Its Applications) - Gilbert Strang

这本书深入浅出地讲解了线性代数的基本概念和应用，适合作为初学者的入门读物。Gilbert Strang是线性代数领域的权威，其教材被广泛使用。

2. 《微积分》 (Calculus) - James Stewart

James Stewart的微积分教材内容详实，例题丰富，是学习微积分的经典教材。它涵盖了微积分的基本原理和应用，对理解AI算法中的数学基础非常有帮助。

3. 《线性代数》《微积分》 - 同济大学数学系编

国内高校广泛使用的线性代数和微积分教材，内容系统、例题丰富，非常适合打基础。

4. 《概率论与数理统计》 (Probability and Statistics) - Morris H. DeGroot

这本书详细介绍了概率论和统计学的基本概念，对于理解机器学习和深度学习中的统计模型和概率分布很棒。

5. 《概率论与数理统计》 - 盛骤, 濮晓龙, 谢式千

国内经典的概率论与数理统计教材，内容系统全面，深入浅出，适合作为统计学基础的入门书籍。

4. 《Python编程：从入门到实践》 (Python Crash Course: A Hands-On, Project-Based Introduction to Programming) - Eric Matthes

这本书适合初学者，通过实际项目帮助你掌握Python编程，涵盖了Python编程的基本语法和常用库，是进入AI编程的第一步 。

第二阶段：深入AI核心技术

1. 《深度学习》 (Deep Learning) - Ian Goodfellow, Yoshua Bengio, Aaron Courville

被誉为“深度学习圣经”，这本书系统地介绍了深度学习的基本概念、模型和算法，适合作为深度学习的全面参考资料。

2. 《强化学习：原理与方法》 (Reinforcement Learning: An Introduction) - Richard S. Sutton, Andrew G. Barto

这本书是强化学习领域的经典教材，详细讲解了强化学习的基本原理和方法，是学习强化学习不可或缺的资源。

3. 《统计学习基础》 (The Elements of Statistical Learning) - Trevor Hastie, Robert Tibshirani, Jerome Friedman

这本书系统地介绍了统计学习理论，是理解机器学习算法和模型的重要参考书，对深入掌握AI核心技术非常有帮助。

4. 《统计学习方法》 - 李航

系统地介绍了统计学习理论，是理解机器学习算法和模型的重要参考书，对深入掌握AI核心技术非常有帮助。

5. 《机器学习》 - 周志华

这是国内机器学习领域的经典教材，俗称“西瓜书”，全面系统地介绍了机器学习的基本概念和算法，适合各个层次的学习者。

6. 《GPT图解：大模型是怎样构建的》 - 黄佳

使用图解的形式介绍ChatGPT的前世今生，带你从0到1构建大模型。

7. 《这就是ChatGPT》 - 斯蒂芬·沃尔夫拉姆

作者为计算机科学家、数学家和理论物理学家，被称为”当今活着的聪明人之一，比肩康德，硬核思考者“，Wolfram Research软件创始人。

其他阶段的书籍这里就不列举了。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

保证100%免费