常见问题
入门与方向
零基础能学 AI 吗？要多久？
能。但要接受现实：从零到「能独立负责一个 AI 系统」约 12–18 个月（在职每周 10–12 小时），全职约 8–10 个月。
任何声称 3 个月速成的课程，教的多是「会调 API」。那也是有价值的起点，但不是终点。
我不是计算机专业，会不会学不了？
真正构成障碍的只有两件事：编程基础和数学直觉。
- 编程：第 0 阶段的 Python 速成足够起步
- 数学：工程岗位需要的是「看懂形状、知道方向」，不是证明定理
跨专业成功的案例集中在「有行业知识 + 愿意补技术」的人身上 —— 你的行业背景往往是最大优势（见 领域专精）。
学 AI 一定要读研吗？
做算法研究，硕士/博士几乎是门槛。 做应用工程，不需要。作品集（能跑的项目 + 量化结果）比学历更能说服人。
数学要学到什么程度？
本阶段够用即可：认得出符号、知道每个量的形状、能写代码实现。不要花半年补数学再开始 —— 边用边补效率高得多。详见 数学。
应该先学机器学习还是深度学习？
先机器学习（L2）。原因：
- 表格数据上树模型常打败深度学习，这是真实业务的大头
- 评估方法、数据泄漏、交叉验证这些概念必须先建立
- 跳过 L2 直奔深度学习，很容易变成「只会调包」
硬件与环境
没有显卡能学吗？
L0–L2 全部可以（CPU 够）。L3 起用 Google Colab 免费 T4。 真正需要本地卡是在 L4 微调 7B 时，那时可以用 QLoRA（24GB）或租卡。
建议：先用免费资源跑通，再决定要不要花钱。
该买什么显卡？
| 预算 | 建议 |
|---|---|
| 0 | Colab / Kaggle |
| 3000–6000 元 | 二手 3060 12G / 4060Ti 16G（够 L3） |
| 1.5 万+ | 4090 24G（L4 微调够用） |
| 长期大任务 | 租卡，别买 |
学习阶段不建议买贵卡 —— 租卡按小时计费，学完就停。
Mac 能做深度学习吗？
能。PyTorch 支持 MPS 后端，L3 的任务基本可跑。 问题是生态兼容性（部分库只支持 CUDA）和性能。遇到硬性问题就换 Colab。
device = "mps" if torch.backends.mps.is_available() else "cpu"环境装不上怎么办？
按顺序：看报错最后一行 → 确认当前 conda 环境 → 查版本冲突 → 换国内镜像 → 清缓存重装 → 超过 2 小时就换 Colab。
详见 环境搭建。
学习过程
教程都跑通了，但自己写就卡住
这是最普遍的阶段。原因：你在「读代码」而不是「写代码」。
解法：
- 关掉教程，只看需求重写一遍
- 卡住时只查 API 文档，不抄完整代码
- 从最小可运行开始，一行行加
「跑通」和「会写」之间隔着 5 遍重写。
学了就忘怎么办？
正常。记忆靠使用而不是阅读。
| 做法 | 效果 |
|---|---|
| 每个概念写 5 行代码验证 | 最好 |
| 项目结束写 300 字总结 | 好 |
| 讲给别人听（哪怕假想） | 极好 |
| 反复重看视频 | 差 |
要不要读论文？
在 L3 之后开始，且只读与自己方向相关的。入门阶段读论文的效率极低。
入门推荐从「李沐论文精读」这类带讲解的开始，学「怎么读」比「读什么」更重要。
每天只有 1 小时，怎么安排？
| 时段 | 内容 |
|---|---|
| 工作日 | 每天 1h 概念 + 小代码 |
| 周末 | 一次 3–4h 的整块动手 |
关键：动手时间不能低于 60%。 只看不做，三周后归零。
学到一半想放弃
先分清是哪种情况：
| 情况 | 应对 |
|---|---|
| 概念太难、看不懂 | 退一步：换更简单的材料，或先跳过证明只学用法 |
| 环境/报错卡住 | 换 Colab，先跑通再说 |
| 看不到成果 | 做一个能给别人看的小项目，建立正反馈 |
| 单纯没兴趣 | 换方向（比如从算法转向应用/产品），而不是放弃整个领域 |
最有用的解药是「做出一个能给朋友看的东西」。 正反馈比自律可靠。
大模型
我能训练自己的大模型吗？
预训练一个可用的大模型需要千万美元级算力。个人/小团队不做这个。
你能做且市场需要的是：选型 + 微调（LoRA）+ RAG + Agent + 评测。这些在 L4–L5。
微调和 RAG 该选哪个？
| 你想解决的 | 选 |
|---|---|
| 模型不知道我的知识 | RAG |
| 模型说话风格不对 | 微调 |
| 模型输出格式不稳定 | Prompt + 结构化输出（先试这个） |
| 成本太高 | 量化 + 小模型 + 路由 |
| 模型不会用我的工具 | Agent |
最典型的错误是「用微调塞知识」 —— 结果模型学会了用专业口吻编造。详见 微调。
开源模型能商用吗？
看许可证。常见几类：
| 类型 | 例子 | 注意 |
|---|---|---|
| 宽松（Apache/MIT） | Qwen 部分、Mistral 部分 | 基本自由 |
| 社区许可 | Llama 系列 | 有用户数/命名/再分发限制 |
| 非商用 | 部分研究模型 | 不能商用 |
上线前必须逐个核对，不要凭印象。
为什么我的 RAG 效果很差？
按顺序排查（90% 在这些地方）：
- 把检索到的片段打印出来看 —— 是不是根本没检索到对的
- 切分是否破坏了语义（太小/太大/切在表格中间）
- 是否缺关键词检索（型号、编号类问题向量检索会失效）
- 有没有重排
- Prompt 是否明确要求「只依据资料回答」并允许说「不知道」
详见 RAG 排查表。
模型总是编造（幻觉）怎么办？
| 手段 | 效果 |
|---|---|
| RAG + 强制引用 | 最大 |
| 明确允许「不知道」 | 大 |
temperature 降低 | 中 |
| 结构化输出 + 校验 | 中 |
| 输出后事实核查（工具/规则） | 大（关键场景必做） |
| 换个更强的模型 | 中 |
没有零幻觉的方案。 关键场景必须有人工复核或自动核查环节。
求职与职业
需要什么作品集？
2–3 个「做透」的项目，每个包含：问题定义、基线、方法、量化结果、局限分析、上线考虑。
最推荐：企业文档问答（RAG）、客服 Agent、一个全栈 AI 产品。
面试会问什么？
| 类型 | 典型问题 |
|---|---|
| 基础 | 过拟合与欠拟合怎么判断？交叉熵从哪来？ |
| 项目 | 你的基线和最终结果？主要误差来自哪？为什么不用 X 方法？ |
| 工程 | 训练 loss 变 nan 怎么查？显存不够怎么办？ |
| 大模型 | LoRA 原理？RAG 与微调怎么选？怎么评测？ |
| 场景题 | 给一个业务问题，你怎么设计方案、怎么评估、怎么上线？ |
「为什么不用 X」这类问题最能区分水平 —— 它考的是判断力，不是记忆。
岗位怎么选？
| 岗位 | 做什么 | 适合 |
|---|---|---|
| 算法工程师 | 模型训练与优化 | 数学/CS 强，喜欢钻原理 |
| AI 应用工程师 | RAG/Agent/系统落地 | 工程能力强，喜欢做产品 |
| ML 平台/基础设施 | 训练与推理平台 | 系统功底强 |
| AI 产品经理 | 定义问题与方案选型 | 懂业务、懂技术边界 |
详见 领域专精。
没找到答案？
每个阶段页面的「常见卡点」表格里还有更具体的问答。也可以回到 完整路线图 重新定位自己在哪一阶段。