完整学习路线图
这是整站的总纲。全部内容按 7 个阶段（L0 → L6） 排列，每阶段给出：要解决的核心问题、必须掌握的内容、动手任务、通过标准、以及典型的时间投入。
先读这一页，再决定从哪进。
一句话说清这条路线
从「能用 AI」到「能造 AI」，中间隔着的不是知识点，而是四次能力跃迁：会算 → 会训 → 会调 → 会造。
- 会算：看得懂公式，能把数据变成模型能吃的形状（L1）
- 会训：能从零训练一个还不错的模型（L2–L3）
- 会调：能让现成的大模型在你的场景里稳定听话（L4）
- 会造：能做系统、能评估、能扛成本、能读论文改结构（L5–L6）
大多数人卡住，不是学得不够多，而是顺序错了：一上来就读 Transformer 论文，或者报了课却永远停在 pip install。
会算能看懂、能处理
会训能从零训练
会调能把大模型调听话
会造能做系统与规模
七个阶段总表
| 阶段 | 核心问题 | 关键内容 | 建议周期 （每周 10–12h） | 里程碑交付物 |
|---|---|---|---|---|
| L0 新手入门 | AI 到底能做什么，我该怎么开始 | 领域全景、环境搭建、Python 速成 | 1–2 周 | 跑通第一个模型（线性回归） |
| L1 数学与数据 | 公式看不懂、数据不会处理 | 线代/微积分/概率（够用版）、NumPy/Pandas/可视化 | 4–6 周 | 一份完整的数据探索报告 |
| L2 机器学习 | 表格数据怎么建模、模型好坏怎么判断 | 监督/无监督、评估与交叉验证、树模型集成 | 5–7 周 | Kaggle 入门赛进入前 30% |
| L3 深度学习 | 图像/文本这类非结构化数据怎么处理 | 反向传播、训练技巧、CNN、序列、Transformer、PyTorch | 7–9 周 | 两个项目：图像分类 + 文本分类 |
| L4 大模型 | 怎么用好、改好、评好一个 LLM | LLM 原理、Prompt、SFT/LoRA、RLHF/DPO、多模态、推理优化 | 7–9 周 | 一个微调模型 + 一份评测报告 |
| L5 AI 工程 | 怎么让它上线、稳定、可负担 | RAG、Agent、评测与可观测、部署与成本 | 5–7 周 | 一个公网可访问的 AI 应用 |
| L6 专家进阶 | 怎么做到别人做不到的规模和深度 | 分布式训练、模型压缩、论文复现、领域专精 | 6–12 个月持续 | 一次论文复现 + 一个领域代表作 |
全程约 12–18 个月（全职投入约 8–10 个月）。这不是速成路线，是「能独立负责一个 AI 系统」的路线。
三条并行路线
L0–L1 三条路线完全一样，L2 之后分叉。
| 路线 | 适合谁 | L2 之后重点 | 可以少学 | 目标岗位 |
|---|---|---|---|---|
| A. 算法研究线 | 数学/CS 背景，想做模型本身 | L3 深度学习打深、L4 对齐与训练、L6 分布式训练与论文复现 | L5 部署细节可浅尝 | 算法工程师、研究员 |
| B. 应用工程线 | 有前后端/后端经验，想做产品 | L2 评估、L4 Prompt/微调/推理、L5 全部、L6 压缩与系统 | L6 论文复现可跳过 | AI 应用工程师、Agent 开发 |
| C. 产品业务线 | 产品、运营、业务分析 | L2 评估与指标、L4 Prompt 与选型、L5 评测与成本 | 数学证明、训练细节、分布式 | AI 产品经理、解决方案 |
怎么选
问自己一句：「我想改模型，还是想用模型解决问题，还是想决定用模型解决什么问题？」 改模型 → A；用模型 → B；决定问题 → C。三条路线可以中途切换，L1 结束前不用急着定。
不知道选哪条？花 30 秒测一下
3 个问题0 / 3
1 你的背景更接近哪一个？
2 三年后，你更希望自己在做什么？
3 哪种成就感对你最有吸引力？
三条路线在 L0–L1 完全一样，L2 之后才分叉 —— 不用现在决定到底选哪条。
每个阶段怎么算「通过」
不要用「看完了」当通过标准。每个阶段的通过标准都是一个能拿给别人看的产物：
| 阶段 | 通过标准（客观） | 自检问题（主观） |
|---|---|---|
| L0 | 能在自己机器上跑通一个训练脚本并画出拟合曲线 | 我能说清「训练」和「推理」的区别吗 |
| L1 | 给定一份陌生 CSV，能独立完成清洗→探索→可视化→结论 | 我能解释为什么要做标准化吗 |
| L2 | 能在 Kaggle 入门赛拿到前 30%，并写出为什么这样选模型 | 我能区分过拟合和数据泄漏吗 |
| L3 | 能不复制粘贴地写完一个 PyTorch 训练循环和 CNN | 我能手算一次注意力吗 |
| L4 | 能微调一个 7B 模型并说清它比 Prompt 好在哪 | 我知道 LoRA 的 rank 影响什么吗 |
| L5 | 有一个真实用户在用的 AI 应用，有评测集和成本台账 | 我能证明这次改动没让效果变差吗 |
| L6 | 复现一篇论文的关键实验，或在某个方向有公开产出 | 我能指出这篇论文的局限吗 |
每周怎么安排（推荐节奏）
一般学习者（在职）最容易失败的节奏是「周末突击 8 小时」。更稳的是分散投入：
| 时段 | 时长 | 做什么 |
|---|---|---|
| 工作日 × 3 天 | 每次 1–1.5h | 读概念 + 写小段代码（保持手感） |
| 工作日 × 1 天 | 1h | 复盘：把本周学的写成一段自己的话 |
| 周末 × 1 天 | 3–4h | 整块动手项目（唯一能推进里程碑的时间） |
| 周末 × 1 天 | 休息 | 不学。持续 12 个月的前提是不崩 |
核心原则：概念学习与动手项目的时间比例不要低于 4:6。 只看不做，三周后归零。
四类最常见的路线错误
| 错误 | 表现 | 后果 | 修正 |
|---|---|---|---|
| 数学先行症 | 决定先花半年补完数学再学 AI | 半年后热情耗尽，一行代码没写 | 数学与建模并行，用到哪补到哪，见 数学 |
| 教程收集癖 | 收藏 40 门课，学完 0 门 | 永远在「准备开始」 | 一阶段只用一份主教材，其余当参考 |
| 跳级 | 没写过训练循环就去调 LoRA | 报错看不懂，只会复制粘贴 | 按 L0→L6 顺序，允许快但不能跳 |
| 只跑通不理解 | 项目都跑通了，问原理答不上来 | 面试一问就露，实际问题改不动 | 每个项目结束写 300 字「为什么这样做」 |
现在开始
| 你的情况 | 从这里进 |
|---|---|
| 完全零基础，没写过代码 | L0 新手入门 |
| 会 Python，数学忘得差不多 | L1 数学与数据 |
| 会写代码也会点数学，想直接建模 | L2 机器学习 |
| 有 ML 基础，想主攻大模型 | L4 大模型 |
| 会调 API，想把应用做上线 | L5 AI 工程 |
| 想找工作，需要一个项目 | 项目实战清单 |
一句实话
这条路线覆盖的是「能独立负责 AI 系统」所需的最小完整集合。它不会让你 3 个月成为专家 —— 任何声称能做到的说法都在骗你。但它能保证：你花的每一小时都在正确的位置上。