2026 年 AI 学习路径：从零基础到能干活，一条走得通的路
经常有人问：我想学 AI，该从哪开始？这个问题背后真正的困惑是——资料太多、路径不清、不知道学到什么程度算「能干活」。这篇文章给一条我自己验证过的路径，四个阶段，每个阶段都有明确的「过关标准」。
先想清楚你要成为什么样的人
「学 AI」至少有三个不同终点：
- AI 应用工程师：用大模型 API 做产品（RAG、Agent、工具集成）——市场需求最大，入门最快
- 算法工程师：训练/微调模型，需要扎实的数学与代码功底
- AI 产品/运营：理解能力边界，会写提示词，能设计人机协作流程
下面这条路径主要面向第一类，但前两个阶段对三类人都成立。
阶段一：建立全局认知（1-2 周）
目标不是学会什么，而是知道地图长什么样——机器学习、深度学习、大模型分别解决什么问题，彼此什么关系。
推荐资源：
- Google ML Crash Course（中文）：15 小时，40+ 交互练习，快速过完基础概念
- 吴恩达《生成式 AI for Everyone》：2 小时视频，搞清 LLM 的能力边界与商业应用
过关标准：能用自己的话回答——「大模型为什么会幻觉」「微调和 RAG 分别适合什么场景」「Token 是什么」。
常见弯路：一上来就啃论文或西瓜书。不是书不好，是时机不对——先有地图再进森林。
阶段二：深度学习基础（2-3 个月）
这是地基阶段，决定你后面能走多远。
主线二选一：
- 《动手学深度学习》（李沐）：中文首选，代码+理论+视频三位一体
- Karpathy「从零到一」系列：英文，但能把 Transformer 讲到骨子里
辅助：
- PyTorch 官方 60 分钟入门：框架上手
- CS231n notes 中文版：CNN 与视觉部分补深
过关标准：不查资料手写一个带注意力机制的小模型并在玩具任务上训练收敛；能解释反向传播的链式法则。
常见弯路：收藏了一百个教程但一个都没跑完。这个阶段必须动手，每个代码都要亲手敲、亲手改参数看结果。
阶段三：LLM 应用开发（1-2 个月）
地基打好后直奔应用，这是性价比最高的跃迁。
推荐路线：
- Datawhale《动手学大模型应用开发》：中文，围绕一个 RAG 项目从头到尾
- HuggingFace 官方课程：transformers 生态标准用法
- mlabonne/llm-course：微调、RLHF、量化的进阶路线图
过关标准：独立完成一个「上传 PDF → 提问 → 得到带引用回答」的知识库应用；理解 embedding、向量检索、重排的作用。
这个阶段可以开始建作品集——作品比证书有说服力得多。
阶段四：工程化与 Agent（持续）
会做 demo 和会做产品之间隔着工程化这条河：
- 可观测：AgentOps / Phoenix 追踪调用链与成本
- 网关：LiteLLM 统一多模型接入与预算控制
- 部署：Ollama 本地跑、vLLM 高并发服务化
- Agent：从 LangGraph/CrewAI 里挑一个深入，理解状态管理工具调用
过关标准：你的应用有监控面板、有评测集、模型调用有降级方案——这才叫「能干活」。
三条元建议
第一，用输出倒逼输入。 每学完一个模块写一篇笔记或做一个 5 分钟 demo，讲不清楚就是没学会。
第二，中文资源入门，英文资源进阶。 入门阶段用中文快速建立信心，但前沿内容几乎全部先出现在英文世界，越往后越绕不开。
第三，别追求「准备好了再动手」。 AI 迭代太快，等你「准备好」的时候技术栈已经换了一轮。以两周为单位做小项目，比以半年为单位上大课有效得多。
本文提到的所有资源，本站「AI 学习教程」分类里都有对应条目和上手步骤，按需取用。