零基础学AI,我筛了10门课后只留这3个

你打开过几个AI入门课的目录，然后关掉了？

不是不努力，是那些课要么一上来就扔公式，要么整页都是"人工智能是计算机科学的一个分支"这种说了等于没说的定义。你看完目录，还是不知道AI到底怎么工作的。

这种感觉我太熟悉了。我自己学AI踩了大半年的坑，对比过十几门课才筛出这三个。直到碰到下面这三个资源，才意识到：学AI不一定要从数学推导开始，也不一定要先搞懂反向传播的推导过程。

你看之前先打量一下自己——下面三种人，看你是哪一种。每个资源我标清楚谁适合、谁不适合，别浪费时间在不对的路上。

一、AI Path：把大模型原理"可视化"给你看

先说这个，因为它最适合大多数人。

AI Path 是一套专为中文学习者设计的AI入门课，地址：https://aipath.buynao.com/#/。作者 @buynao1 做了多年AI教育，全课程免费，打开浏览器就能学。

它的设计哲学就三个词：直觉优先，可视化，学完能上手。

不写公式，先给你一个画面

大多数入门课先讲数学再讲直觉。AI Path反过来了——它先给你一个能"看见"的画面，再去解释概念。

比如"梯度下降"，别的课直接写公式。它给你一个3D地形图：训练就是闭着眼摸索下山——网页上直接拖参数，看小球怎么滚到谷底，不用装任何东西。

再比如"注意力机制"，别的课画矩阵乘法。它告诉你：Attention就是让每个词学会环顾四周，"bank"看到"river"还是"money"决定词义——这是大模型的心脏。

整门课6个阶段、30节课，每课20分钟。结构是：直觉讲解→交互演示→常见误区→小练习。比"看完就忘"的视频课强在哪儿——你得动手拧旋钮、拖滑块才算学过。

直觉篇：不需要写代码，也能懂AI

前5课专门为"完全零基础"设计。第1课先分清AI、机器学习、深度学习这三个套娃关系，第3课亲手拖权重滑块看一个神经元怎么做判断——其实就是一道加权打分题。第4课把损失函数变成一座山，训练就是闭着眼睛摸索下山，你可以在3D地形图上看着小球滚到谷底。

不写一行代码、不碰一个公式，建立对AI的正确直觉。 第2、5课讲机器怎么从数据里找规则，以及AI为什么也会"背答案"。这5课读完，至少不会被AI新闻里的术语吓住了。

第11-15课：LLM到底是怎么炼成的

第11-15课完整拆解一个大语言模型的诞生全程。第11课让你输入一句话看它被切成token的样子，顺便搞懂为什么按token计费。第12课讲预训练——"预测下一个词"这个朴素游戏重复上万亿次后发生了什么，大模型九成能力来自这一步。第13课讲对齐：预训练给了它知识，SFT+RLHF给了它"人样"，把接龙机器调教成助手。

第14课让你亲手拧动temperature旋钮，看严谨和创造之间的权衡。第15课讲Scaling Laws——参数、数据、算力各×10，能力曲线怎么变，以及模型"突然学会"新本领的涌现瞬间。这5课读完，你看"某公司发布新模型"的新闻能看懂它在说哪一层。

适合谁？不适合谁？

适合你，如果：

不适合你，如果：

二、EveryonesLLM：从零手写大模型

如果你看完AI Path觉得"看得懂但不过瘾，我想自己写"，那这个资源就是你的下一站。

EveryonesLLM，GitHub地址：https://github.com/HayatoHongo/EveryonesLLM/blob/main/README.md

它的目标很直接：在Google Colab上从零搭建一个LLM——Colab是谷歌的免费在线编程环境，有浏览器就能用，不需要本地GPU。

31章，每章都有"练习版"和"答案版"

从第0章搭建Dataloader，到第29章训练出一个能聊天的模型，再到第30-31章的Vision LLM（多模态）Beta——整个流程是完整的：预训练→指令微调→多模态扩展。

每一章都提供两个Google Colab笔记本：一个是Todo（练习版），一个是Answer（答案版）。你可以先自己试着写，卡住了再看答案。

它参考了Andrej Karpathy的nanoGPT（前特斯拉AI总监写的一个极简GPT教学代码），但比nanoGPT更系统化、更适合教学。EveryonesLLM相当于把Karpathy的思路整理成了可动手操作的课程。

亮点：零门槛 + 全链路

零门槛、全链路——所有代码在Colab上跑，不用配环境。从Dataloader到RAG，你不是在用别人的模型，是在亲手搭出一个完整LLM。

适合谁？

三、Harvard CS249r：AI工程系统

前两个资源更偏"理解原理"和"写模型代码"。如果你目标更远——想往AI工程方向走，搞懂怎么把AI系统搭起来、跑起来、管起来——那这个就对了。

Harvard CS249r: Machine Learning Systems，GitHub地址：https://github.com/harvard-edge/cs249r_book

这是哈佛的一门课，教材开源，任何人都能免费看，不注册也能读。它的视角不是"怎么训练一个模型"，而是怎么设计和构建一个完整的AI系统。

两卷教材 + 配套工具链

教材分两卷：

配套资源很全：tinyTorch（教学用PyTorch实现）、硬件套件、实验Lab、MLSys·im（可视化工具）。它不只是一本书——教材、代码、实验、工具，一套全齐了。

适合谁？

它比AI Path深，比EveryonesLLM更偏系统工程。三个资源放一起，刚好覆盖从"零基础"到"能干活"的全路径。

结尾

三个资源，对应三种需求：

不用三个都学，选一个适合自己的开始就行。

你选哪个？或者你已经试过其中一个，说说你的真实体验——是"这课真有用"还是"看了三课就放弃了"？真话比推荐更重要。

#AI学习 #AI入门 #AI学习资源

往期精彩内容