想学 AI 从哪入手：零基础的 30 天路线

想学 AI 的人最常见的失败方式，是打开一门从线性代数讲起的课程，看到第三天放弃，然后得出结论「我数学不行」。

问题不在数学，在顺序。绝大多数人需要的不是造模型，而是用好模型。这两件事的学习路径几乎相反。

第一周：先搞懂四个词

入门阶段只需要四个概念：模型、token、上下文、提示词。

模型是一个把输入映射成输出的函数，能力由训练数据决定。这句话的价值在于让你明白：它不查数据库，它在做概率预测。所以它会一本正经地编。

token 是处理文本的最小单位，中文大致一到两个字。它决定了计费方式和长度限制。

上下文是一次能读入的 token 上限，决定了它能处理多长的材料。这个数字直接关系到能不能一次读完一份报告。

提示词是你的指令。它的质量决定输出的可用度，也决定你需要返工几次。

这四个词搞明白，后面 80% 的讨论你都能听懂。

第二周到第三周：练工具，然后做作品

第二周的核心方法是「一天一个真实场景」。不要做练习题，练习题没有真实约束。用你自己的工作：写一封难写的邮件、整理一份会议记录、把一份表格清洗干净。

第三周做一个能给别人演示的作品。选题标准有三个：你自己真的需要、一周内能做完、结果可展示。比如一个能回答公司制度问题的问答库，或者一个自动整理周报的小工具。

作品的意义不是炫技，是让你完整走一遍「需求、输入、输出、失败、修正」的循环。走过一遍，你对模型能力的判断会变得具体。

第四周：这时才该看原理

到这一步再回头看神经网络、注意力机制、训练与微调，会发现能读懂了。因为你已经有具体经验作为锚点：你知道上下文不够会怎样，知道提示词模糊会怎样，知道模型会编。

原理学习的价值在于预测能力。懂原理的人能判断「这个任务它大概率做不好」，而不是每次都试一遍。

三个常见误区

第一个误区是先囤课。收藏了二十门课，一门没看完。选一门，看完，比囤十门有用。

第二个误区是追求「学完再用」。AI 工具每个月都在变，等学完就过时了。边用边学是唯一可行的方式。

第三个误区是把「会用工具」和「懂 AI」对立起来。这两件事是同一件事的两端，先会用，才谈得上懂。

常见问题

需要数学基础吗？ 用工具不需要。想做微调或读论文，需要线性代数和概率的基础，可以边做边补。

需要编程吗？ 入门不需要。想做自动化或调用接口时需要一点 Python，学到能改示例代码的程度就够。

英语不好能学吗？ 能。中文资料已经足够入门，进阶材料英文更多，但可以靠翻译工具解决。

多久能算入门？ 按上面的路线，一个月能做到「会用、能判断、能做一个作品」。这个标准对多数人已经够用。

一句话判断： 先用起来，再搞懂——顺序反了，多数人走不到第三周。