总有朋友问我零基础能不能学AI大模型说网上搜了一个星期收藏夹里躺着七八条学习路线越看越不知道从哪里开始。这个状态我太熟悉了。有人说必须先啃完高等数学有人说第一件事是读十篇论文还有人说得先买一块顶级显卡。单独看每条路线都有道理合在一起就成了一锅粥。这条路线是我自己从零摸过来又陪几位不同背景的朋友完整验证过的不玄乎不贩卖焦虑每个阶段该学什么、学多久、做到什么程度算过关都给量化清楚。如果你现在真的什么都不会只想要一份能照着做的AI大模型学习路线这篇可以直接抄。1. 先想清楚“造模型”和“用模型”选错方向会让你多走半年弯路零基础学大模型最容易犯的错不是笨而是没分清自己的目标就扎进细节里。你是想做大模型产品、想进算法岗还是纯粹想搞懂原理方向不同后续路线完全不同。很多人一上来就按“算法工程师”的标准要求自己结果死在数学上也有人明明想做产品却花两个月去复现训练代码纯属浪费。1.1 三条路线和它们各自的“代价”我把常见的学习目标分成三类先看清楚再去选方向核心任务起步难度主要门槛应用型直接用现成的大模型通过API调用、提示词工程、RAG、Agent等方式做产品较低Python基础、工程思维算法型参与模型的预训练、微调、评估改进模型结构或训练方法高数学基础、深度学习框架、大量实验经验研究型提出新方法、发论文、复现前沿技术很高系统数学功底、大量论文阅读量、实验能力注意看“起步难度”和“主要门槛”这两列差距是非常大的。应用型路线一个月内就能做出看得见摸得着的东西算法型路线光是把基础补起来就得几个月研究型路线对零基础来说短期内基本可以不考虑。1.2 零基础最稳妥的切入口是“应用型”我自己的判断是绝大多数零基础的人都应该从应用型切入哪怕你最终目标是做算法。原因很现实应用型能在两三个星期内看到自己调教出的模型被真实使用这种反馈速度会支撑你走下去。先建立“模型直觉”再往算法方向下沉比一上来就啃数学效率高得多。有人担心“从应用开始会不会基础不牢”这个问题我后面会解释。实际上等你做过了RAG、Agent、微调这些应用层的事再回头学算法你会比那些只会背公式的人理解得深得多。2. 第一阶段第1~4周先跟大模型“混熟”再开始碰代码这一阶段很多人会直接跳过。他们觉得“用模型”谁不会但恰恰相反第一周最该做的事不是写代码而是建立一种叫做“模型直觉”的东西——你得先知道模型擅长什么、不擅长什么、什么情况下会胡说八道。2.1 带着问题“玩模型”而不是瞎聊天具体操作每天用主流对话模型问三个不同类型的问题。比如“请用三句话给小学生解释什么是注意力机制”“把这段产品文案改成客服口吻并加上截止日期”“帮我列出周末野餐的物品清单按优先级排序”重点不是答案质量而是观察几个现象它什么时候答得漂亮什么时候在礼貌地编故事同一个意思换个问法结果会不会差很多把要求写具体之后回答风格会不会立刻变化。每天都记录三条观察笔记一周后你会发现自己已经能隐约感觉到模型的边界在哪里。这个阶段还有一个高频动作对比。同一个问题换几个不同的模型提问你会发现有的模型擅长总结有的模型擅长代码有的模型中文很差。这些体验是任何课程都给不了你的。2.2 Python学多少算够别被七八百页的书劝退很多零基础的人一上来就买一本大厚书从第一章啃到最后一章然后没有然后了。入门大模型Python只需要学这些变量、字符串、数字类型列表和字典if判断、for循环、while循环函数定义与调用文件读写基本异常处理和调试就这些前面不需要碰面向对象、装饰器、多线程、爬虫那一堆东西。先学会“照猫画虎”写脚本不懂的语法跳过用到再查。拿任何一本Python入门书只读前八章左右绝对够了。后面做数据处理时再按需补一下JSON解析、Pandas和NumPy的最基础用法即可。千万别一头扎进“完整语法学习”那跟学语言先背完整本词典再开口说话一样低效。2.3 环境准备没有显卡也能起步零基础的人最容易在环境上被劝退。在这里我替你把心放肚子里第一阶段完全不需要显卡。注册一个带在线Notebook能力的云平台多数有免费CPU/GPU额度浏览器里就能写代码本地装好Python和代码编辑器环境变量配好就够日常使用第一次“跑起来”的标志是执行一段调用大模型API的示例代码几秒内拿到模型的回复。等你真正开始做微调再考虑花钱买显卡或租云GPU而且那已经是几个月后的事了。现在买纯属吃灰。3. 第二阶段第2~3个月Transformer没你想的难但也跳不过去能熟练调用API之后下一步就该往模型内部看一眼。不看原理行不行做特别简单的应用可以但只要你开始做RAG、调参数、解决模型乱回答的问题不懂原理就只能靠瞎猜。3.1 用一句人话理解大模型在干什么大模型干的事情本质上就是“预测下一个词”。给它输入一段文字它根据前面所有内容算出下一个最可能出现的词是什么生成完这个词再继续预测下一个。训练阶段就是拿海量文本反复做这件事让内部权重不断调整最终变成一个庞大的概率模型。Transformer之所以重要不是因为它有什么玄学而是它让“预测下一个词”这件事可以在并行计算下高效进行。你不需要背它的所有细节但得建立一个正确的心智模型模型不是“理解了”文字而是学习到了文字序列中规律性的概率分布。3.2 只抓三块核心词向量、自注意力、堆叠层词向量把每个词映射成一串数字让意思相近的词在数字空间里位置更接近。你可以把它理解成每个词在“语义地图”上的坐标。自注意力让句子里的每个词和其他所有词“互相对眼神”判断谁跟谁有关系、关系有多强。读一句话时哪些词在呼应模型靠它学出来。堆叠层把上面的计算反复做很多次让模型从短语学到句法再学到更长距离的语义关联。学习顺序不要乱先找一篇讲词嵌入的入门文章再理解自注意力机制最后看“层”和“残差连接”的意义再搞清楚训练和推理时的差别。每一步都用代码验证一下别光看文字。3.3 资料优先级先找带图和代码的课程别一上来啃论文网上那些“零基础必读十篇论文”基本是劝退流。正确顺序是这样的找一门深度学习入门课的“注意力机制”章节最好带可视化和代码读那篇里程碑级Transformer论文的摘要和结论看不懂的细节直接跳过再看几篇知名博客的图解分析找一个几百行实现的“微型Transformer”开源示例逐行读代码跑起来改着玩。当你能完成一个“字符级文本生成器”——输入一些文字模型能学着生成风格相似的文字——恭喜你已经在动手层面打败了大多数只会收藏资料的人。3.4 数学只补这几个点别盲目扩大战线矩阵乘法不用会证明但要看得懂张量形状变化Softmax知道它能把一堆数字变成概率分布交叉熵理解它衡量预测和真实答案之间的差距链式法则只为了看懂反向传播的直觉不要求手推所有公式。这里的策略是“哪里不会补哪里”而不是系统学完一整本数学教材。真等你做了几个月应用觉得哪里数学不够用了再回头专门补效率完全不一样。4. 第三阶段第3~5个月四个项目按梯度做过去动手才算学到理论看完如果不赶紧做项目一个月后绝对全忘光。我给自己和身边人排的路线是四个递进项目从工具调用到模型微调难度逐步爬升。每个项目做完都有明确的验收标准不需要“完美”但必须能跑。4.1 项目1做一个“带记忆”的多轮问答工具这个项目的目标不是做一个聊天框而是熟悉API调用和对话状态管理。具体动作写一个命令行版本或简易网页版本的多轮对话能保存用户上一轮说的内容调整温度参数temperature从0到1观察回答从“严谨”变“发散”的过程做一个“记忆”存储让模型在后续对话里能引用前几轮的信息。验收标准连续对话十轮不崩关闭程序后对话记录能保存下来重新打开可以接着聊。这个小项目会让你第一次感受到“我控制的不是玩具而是一个可编程大脑”。4.2 项目2本地部署一个开源轻量模型目标只有一个理解“模型部署”不是魔法而是把权重加载进内存按前向公式算一遍。实操步骤找一个3B到7B参数规模的开源模型用支持CPU或小显存运行的推理框架跑起来了解量化概念把FP16权重压成INT4感受同样的模型在速度和质量之间的变化。这里给你一个实用的显存估算公式模型参数量乘以2字节大约是FP16精度下的显存需求。例如7B参数模型FP16大概需要14GB左右显存量化到INT4后大约只要4到6GB。知道自己机器的上限就知道该选什么规模的模型这个公式值不少钱。验收标准能用本地模型回答一段中文问题延迟在你能接受的范围里。做完这个项目你会自动理解上下文长度、显存溢出、批量推理这些之前看不懂的词。4.3 项目3给模型装一个“外挂知识库”RAG主流对话模型有两个天生问题一是会一本正经地胡说八道二是知识截止时间固定。想让模型聊你自己文档里的内容不需要重训练用RAG就能解决。整个流程拆开其实不复杂加载并解析文档PDF、Word、TXT都可以把长文本切成小块把每一块转成向量也就是嵌入存入向量检索库用户提问时检索出最相关的若干块把检索结果和问题拼成提示词一起发给模型。验收标准上传一份本地文档问文档里的细节问题模型能给出有依据的回答而不是凭空编。这一步里有个非常重要的提示词技巧——在模板里写明“请只根据提供的资料回答如果资料中没有相关内容请直接说不知道”能明显减少幻觉。RAG值得反复调优。我的经验是文本切块大小在256到512个token之间效果比较稳切太大检索精度下降切太小上下文碎片化检索结果顶部相关度不高的块宁可不拼进去也别硬塞给模型。4.4 项目4选做用LoRA做一次小成本微调如果前面三个项目都做完了你觉得自己还有余力可以再往深处走一步LoRA微调。它的思路非常聪明把模型原有参数冻结住只训练额外插入的一小部分低秩矩阵。这样真正需要更新的参数少了很多单张消费级显卡也能试一试。做这个项目时记住几个关键点数据量不要贪多几万条以内先跑通全流程数据质量大于数据量格式混乱、内容重复的数据会把模型带偏微调后模型可能“学坏”一定保留一份原始权重用于对比常用配置参考LoRA的rank在8到32之间学习率大概在1e-4到2e-5这个范围。验收标准微调后的模型在特定场景下表现稳定比如学会“每次只回复短句”或“用特定文档风格回答问题”同时通用能力没有明显退化。做不过去也没关系它是高阶选修做完前三个项目你已经能在应用层拿得出手了。5. 第四阶段第5~8个月选一条赛道深耕丢掉“什么都会一点”的错觉走到第五个月很多东西你已经碰过了API、提示词、本地部署、RAG、甚至简单的微调。这时候最该做的不是继续横向铺开而是收敛。万金油式的学习会让你在真正面对行业需求时说不清自己擅长什么。5.1 三条赛道对应的技能树赛道核心产物核心技能建议拿出的作品应用开发带AI能力的具体软件产品API集成、RAG、Agent框架、工程部署、成本控制1到2个完整的可演示项目算法工程提升模型性能的方法和实验微调、数据加工、效果评估、推理优化一个完整实验的复现或改进记录AI产品与解决方案把AI能力落到真实需求需求分析、提示词策略、效果评测、用户体验设计一个特定场景的完整落地方案从零基础开始的人我通常建议优先走应用开发路线。这个方向对数学要求没那么高需求量大而且每个阶段做出来的东西都能直接给别人看适合边学边积累信心。5.2 怎样才算真的“学会了”一个常见现象是学了大半年心里还是没底因为只知道自己“学过”什么。可以用三个标尺检验自己不看任何资料能不能独立写完一个完整功能模块能不能用大白话给一个完全不懂技术的人讲清楚某个原理遇到一个没见过的需求有没有一套自己的排查和设计方案。三个问题如果你都能答得上来你就是真的入门了。如果哪一条答不上来就回头补对应阶段的实践别急着追新东西。6. 零基础最容易踩的坑我替你先踩过一遍这条路线看起来顺实际执行时很多人会花式跌倒。下面五个坑是我见过最多的也是我自己经历过的每一个都对应一个解药。6.1 五个高频坑和解法坑1收藏资源等于学会。解药给自己立规矩每个阶段至少产出一个能点开看到效果的东西收藏的视频再多也不算数。坑2一上来就复现源码、读论文。解药先跑通别人写好的代码改着玩再回去读论文顺序反过来就是自虐。坑3觉得没有显卡就学不了。解药起步阶段用云平台和API完全足够显卡是做到微调时才需要考虑的事。坑4跳过基础直接冲“微调”。解药先部署推理再RAG最后才是微调这个顺序每跳一步都会在后面连环踩坑。坑5一个人闷头学遇到问题死磕不放。解药找社群、找学习搭子每周汇报一次自己的进展哪怕作品很简陋——说出来本身就是一种质检。6.2 最后说点我自己的体会我见过很多零基础的人最后没学成不是因为难是因为想一口气把所有知识都装进脑子里。学大模型不像按顺序背教材更像学一门“与模型协作”的手艺。你今天写的每一行调用代码、调过的每一个温度参数、踩过的每一次崩溃都会在未来某个项目里变成你的直觉。我的个人习惯是每天记一条“模型行为日志”今天它在什么情况下表现惊艳、在什么情况下翻车、我怎么调整提示词让它回来。坚持几个月之后再回看那本日志比任何课程笔记都有用。如果你现在正打算开始别等收藏完这篇再动手。先打开一个编辑器写一行调用模型的代码让第一个回答从屏幕上蹦出来——这条路就是从那里真正开始的。