自学 AI 这几年，我最熟悉的感受是：收藏夹越来越满，真正读完的没几篇；读过的里面，愿意回头再翻的，更少。

后来我养成一个习惯：真正打动过我的东西，我都记了下来。一篇文章、一场演讲、一个开源项目——只要是我读过、动手验证过、并且会反复回头翻的，就放进这张地图里。

攒到现在，已经有 300 多个节点。今天全部分享给你——先看里面有什么，再告诉你从哪条路走。

零、第零章：写给完全不懂技术的人

这是我最看重的一章。上半章不用学任何概念，拿来就用——头牌是数字生命卡兹克这篇 《从0开始，12步学会用好AI。》，不讲原理，只教操作，照着做就会；下半章等你想知道「为什么」了再看——3Blue1Brown 的动画、Karpathy 三个半小时的公开座谈、李宏毅和吴恩达的两门轻课程；外加保护自己和家人的三条规矩。如果你早就入门了，把它转给爸妈——他们最容易被浪潮甩下，也最先被 AI 骗术盯上。

这篇原文不长，直接照录，出处见上面的链接（作者：数字生命卡兹克）：

我们经常会感觉，AI已经这么火了，可是在我日常中，跟很多别的行业的朋友们聊，大家总是会天然的觉得，用AI，是一件很难的事情。有很多人，不敢开始。

1. 首先，你需要一台电脑，Mac最好，Windows也可以，内存不要低于16个G，你一定需要一台电脑，这个是我们用好AI的前提。
2. 如果你能使用海外产品，Google搜索ChatGPT，然后注册账号，充一个月20美金的订阅费用，再在官网上，下载Codex，然后安装。
3. 如果你不能使用海外产品，百度搜索WorkBuddy，下载然后登录，可以先不充会员，记得嫖一下积分。
4. 在Codex中把模型选择为GPT-5.6 Sol最高，在WorkBuddy中选Kimi K3。
5. 下载一个语音输入法，Mac可以使用豆包输入法，Windows可以使用微信输入法，从此以后，你跟AI发送消息的时候，就不要再打字了，直接用嘴进行表达。
6. 把你脑海中你现在最头疼、最不想干、最抗拒的事情，一股脑的用语音输入法说给AI，记得用【背景、痛点、需求】的框架来去说，然后再附上一句，"请你先不要开始干活，用苏格拉底提问法向我提问，一次只问一个问题，直到你认为已经完全理解这件事。"
7. 回答AI跟你提出的问题。
8. 等AI跟你问的差不多了，输出了一个最终方案的时候，把你跟这个事情相关的所有文件，比如文档、表格、PPT、参考资料啥的，放在一个新建的文件夹里，扔给AI，然后说，"这是我的所有的文件，请你帮我直接完成吧，遇到必须由我决定的地方，再停下来问我。"
9. 调整AI给你的结果，千万别觉得AI不行然后就自己去干了，告诉AI，哪里不对，让它去调整，如果你说不出来，也可以说"我现在讲不出来具体原因，但我就是不喜欢，请你对比几个方向，一次问我一个问题，帮我把判断标准找出来。"
10. 大概2～3轮，你的这个最不想做的事，AI大概率就替你做完了。
11. 跟AI说，帮我把刚才的整个过程和这个事情，做成一个可以供我反复使用的Skill，以后，类似的事情，你就可以用AI自动化了。
12. 从此以后，遇到不想干的，扔给AI，提供你的文件和【背景、痛点、需求】，让AI帮你完成，同时沉淀成Skill。

好了。现在，只需要半天时间，你已经学会使用AI了。没错，就是如此简单。

一、基础研究

AI 研究哲学观 / AGI 发展阶段 / 基础技术学习 / 递归自我改进（RSI）/ 持续学习 / 世界模型 / RL / LLM / 自动驾驶

这个板块回答「为什么」。我把 McCarthy 的哲学观和 Sutton 的文章放在最前面——我自己迷茫的时候，是这些东西帮我找回方向的。方向感比技术细节更稀缺。

二、工程实践

LLM 训练（预训练、后训练）/ 世界模型训练 / 大模型推理（Speculative Decoding）/ Voice Agent 实时多模态交互 / RAG / Loop Engineering / 具身智能

这个板块回答「怎么做」。每一条都在实际项目里验证过，不收纸上谈兵的综述。Voice Agent 是我的主业，这个板块刚按「技术路线 → 工程细节 → 框架 → 组件 → 各家模型」重构过一轮，也是我投入最深、更新最勤的地方。

三、个人体会

Andrew Barto、田渊栋、Sergey Levine、Victor Chen、吴恩达、戴雨森、Sutton、李笑来、Boris Cherny、唐杰、邢波、Rahul、Grant Sanderson、Mira Murati、Dan Koe、Jeff Dean、杨植麟

十七个人的访谈、演讲和随笔。技术会过时，这些人思考问题的方式不会。这一节我自己翻得最多。

四、Agent

基础认知 / Skills / MCP / Memory / CLI / 多智能体 / Agent 产品（按场景）

今年变化最快的领域，单独成板块。Skills 和 CLI 两节更新最勤；「Agent 产品」子栏按办公、编程、设计、个人生活四个场景收产品——从 Claude Code 到 OpenClaw，落地的样子都在那里。

五、硬件

智能终端（眼镜 / 录音卡 / 玩具）/ 硬件基础设施（芯片 → HBM → 光模块的算力产业链）

AI 不只在云端，也在往物理世界渗。这一章分两半：上一半看它怎么变成摸得着的产品——Ray-Ban Meta 一年卖出 700 万副，跃然创新把玩具卖出了 30 万台；下一半往机房里钻，把算力产业链从芯片、HBM 到光模块画成一张地图。

六、算力与云服务

海外新云 / 超大厂云 / 国内 GPU 租赁 / 模型 API / 专用推理云

算力不只在机房里，也在账单里。CoreWeave 靠早年囤的 GPU 逆袭成 200 亿美元新贵，AutoDL 上一块 4090 只要一块八一小时——这一章按「谁把算力卖给你」分格。

资源库（R）

AI 公司档案 / 实用工具 / 开源学习项目 / 宝藏作者 / 播客与人物访谈

公司档案收录 SSI、Oak Lab、Discovery Loop 这些探索「后 LLM 范式」的新实验室。Ontology 并进「企业转型」章——它是我个人押注的方向：AI 要在企业落地创造真实价值，绕不开它。

内容就是这些。读的时候不用从头看到尾，按你的处境挑一条路走就好：

• 刚入行：从「基础研究 → 基础 AI 技术学习」入手。Karpathy 的 nn-zero-to-hero 是我见过最好的起点，跟着敲一遍代码，很多东西会自己亮起来；
• 做工程落地：直接进「工程实践」和「Agent」，训练、推理、Voice Agent、RAG 都是踩过坑后留下的；
• 带团队做转型：看附录的「企业组织 AI 转型」和「Ontology」，Palantir 的做法值得单独花时间；
• 只想随便翻翻：去「个人体会」，那里是 Sutton、田渊栋、吴恩达、Jeff Dean 这些人的只言片语，比教程耐读。

知乎单篇放不下持续增长的列表，完整版（300+ 节点，含全部链接）在 Gitee 长期维护。它按 PARA 组织：先是「进行中」（我正在做的东西），再是「长期领域」（正文六章），最后是「资源库」——先看我在做什么，再看我知道什么：

👉 https://gitee.com/Zen07/awesome-ai-resources

建议先收藏这篇当目录用——结构认准这里，拿链接去 Gitee。

最后说说这份地图的脾气。

筛选标准很主观：不认同的条目，哪怕呼声再高，也不放。

收录也有规矩：新链接先观察一个月才转正，解读文章必配原文链接，每条收录必带一句我自己的笔记。

受 Karpathy 开源精神的影响，我决定把它公开出来，不分身份背景，只看你是否愿意回到根源处思考。发现关键节点被我遗漏的，欢迎评论区补充，或私信我推荐——地图靠一个人画不全，靠大家一起才画得全。

关注我的知乎主页（Zen07 - 知乎Zen07 - 知乎），重要更新和新收录解读会在这里同步。

给智能以文明，而非给文明以智能。