机器之心报道

编辑：+0

9 月，不仅是返校的季节，对许多人来说，也意味着一个新的开始。无论你是重返校园的学生，还是希望在职业道路上寻找新方向的探索者，可能都在思考同一个问题：「如何才能跟上这个被 AI 定义的未来？」

或许，我们可以从身边的一些小事开始寻找答案：

你是否想过，抖音如何猜到你下一秒想看什么？为什么你的手机相册能自动识别人脸，甚至是你家的猫？和 Siri、小爱同学聊天时，它们究竟在想什么？玩游戏时，那些聪明的 NPC 是如何思考和行动的？

其实这些问题背后，都藏着与 AI 紧密关联的知识：推荐算法、计算机视觉（CV）、自然语言处理（NLP）、强化学习（RL）。无论你将来想成为什么样的人，这股浪潮都已将我们所有人卷入其中。

图源：AI生成

那我们继续问自己几个问题。

是哪个瞬间让你对 AI 产生了浓厚兴趣？是 AlphaGo 打败人类最顶尖的棋手，ChatGPT 的横空出世，还是 DeepSeek 的一夜爆火？

你对自己的 AI 探索之路有何设想？你最大的兴趣爱好是什么？你有想过，AI 能否成为连接你的工作、专业与兴趣爱好的桥梁吗？

停！再问下去就要变成成功学课堂了。

我们进入正题。

也许 AI 没有那么复杂

什么是 AI？

先别急着背诵那些复杂的定义。我们不妨思考一个简单的问题：你要如何教会一台机器认识「猫」？

一种方法是「手把手地教」：我们给机器看成千上万张已经贴好「猫」标签的照片。机器会努力找出所有这些「猫」的共同特征，最终形成一个关于猫的概念。这在专业上叫做「有监督学习」。

还有一种更神奇的方法，是「让它自己悟」：我们把海量、未加整理的图片（比如整个互联网的猫图）都丢给它，不告诉它什么是猫。机器会自己从中发现规律，将一些看起来相似的东西归为一类。

2012 年，Google 正是通过类似方法，让一个神经网络在观看海量未标记的 YouTube 视频截图后，自发地学会了识别「猫」这个概念。这成为了「无监督学习」的一个里程碑，证明了深度学习的巨大潜力。

此外，还有第三种方法，叫「在试错中成长」：想象一下训练一个游戏里的角色或者一只宠物。你不会直接告诉它每一步该怎么做，而是设定一个目标（比如「拿到宝箱」或「坐下」）。它会自己尝试各种动作，如果做对了（离宝箱更近了），你就给它一个「奖励」；如果做错了（撞墙了），就给它一个「惩罚」。

通过不断地试错，并努力获得最多的奖励，它最终会学会一套最高效的行动策略。这就是「强化学习」（Reinforcement Learning），AlphaGo 下围棋、自动驾驶汽车学习驾驶，背后都有它的身影。

无论是哪种方式，其核心思想都是革命性的：我们不再为机器编写死板的规则（比如「IF 有尖耳朵 AND 有胡须 THEN 是猫」），而是让它从海量「数据」中自己「学习」出规律，形成一个复杂的「模型」。当遇到新照片时，它就能做出「预测」。

这，就是当今人工智能最核心的思想。我们今天所说的 AI，绝大多数时候指的都是由这种思想主导的机器学习，尤其是其中更强大的深度学习。

关于机器学习，最有名的课程之一是吴恩达（Andrew Ng）教授的《机器学习》课程，有兴趣的同学可以自行学习。

理解了 AI 的核心思想后，你可能已经跃跃欲试了。那么，踏上这条探索之路，你需要准备哪些看家本领呢？

你需要掌握的「三大法宝」

数学基础

数学是理解 AI 本质的通用语言。掌握其核心思想，你就能看懂智能的底层逻辑。

线性代数：AI 世界里，万物皆为向量与矩阵。无论是图像、声音还是文字，在计算机眼中都是数字矩阵。模型的运算与数据流动，本质上都是矩阵的变换。它是构建 AI 大厦的基石。

概率与统计：AI 充满了不确定性，而概率论是量化和管理这种不休止的工具。模型的预测（如「80% 是猫」）正是基于此。它是风险评估和智能推荐的核心。

微积分：模型如何学习和进化？答案是「优化」。微积分中的「梯度」指明了模型参数优化的方向，让模型通过「梯度下降」一步步变得更聪明。

不过，你不必成为数学家才能开始，初学者可以先聚焦于理解核心概念在代码中如何应用，随着实践的深入再回头巩固理论，效果更佳。

那么，如何真正让机器开始学习呢？这就需要算法。它是一系列清晰、具体的执行步骤。它由人运用数学知识设计，并由计算机严格遵循。这些步骤精确地指导计算机如何去处理输入数据、进行迭代计算以优化模型，并最终生成结果（如分类或预测）。

举个例子：想象一下，模型学习的过程就像一个蒙着眼睛的人要走到一个山谷的最低点。算法就是他下山的方法：

第一步：随机站在山坡上一个位置。第二步：感受脚下哪个方向是下坡最陡的（这就是微积分里「梯度」的作用）。第三步：朝着最陡的方向迈一小步。重复第二和第三步。

最终，他就能一步步走到谷底。这个「蒙眼下山」的策略，就是一个典型的机器学习算法（梯度下降），它精确地指导了计算机如何通过迭代计算，一步步让模型变得更好。

编程能力

如果说数学是 AI 的内在思想，那么代码就是将这些思想构建为现实产品的核心工具。Python 是你的首选语言，它语法简洁、上手快，更重要的是拥有一个极其强大的 AI 生态圈。

那么你能用 Python 做什么呢？

数据分析与可视化：AI 从数据开始。使用 Python 把海量、杂乱的原始数据，变成干净、高质量的「燃料」，让机器能够「消化」。

构建机器学习模型：将算法理论付诸实践，构建各种模型。比如，预测明天的天气，识别垃圾邮件，或者判断一张图片里的是猫还是狗。这就像是教计算机如何从数据中「学习」和「思考」。

开发深度学习应用：构建神经网络。从图像识别、人脸解锁到智能驾驶、AI 绘画和大型语言模型，背后都是深度学习在驱动。

要完成这些任务，除了语言本身，你还需要掌握它的「工具箱」——那些强大的第三方库：

数据处理双雄（NumPy & Pandas）：它们是 AI 项目的数据基石。NumPy 让你能高效地处理大型多维数组（矩阵），而 Pandas 则提供了无与伦比的数据清洗、处理和分析能力。

经典机器学习库（Scikit-learn）：它集成了绝大多数经典的机器学习算法（如回归、分类、聚类），是你入门实践、快速搭建模型的利器。

深度学习两大框架（TensorFlow & PyTorch）：当你踏入深度学习领域，这两个框架是绕不开的。它们提供了构建、训练和部署神经网络所需的一切。

Python 热门库。COGNITEQ

当然，这并不意味着其他语言无足轻重，毕竟大多数大学计算机专业的第一门编程语言还是 C 语言。语言是工具，真正的工匠会根据不同的任务，选择最趁手的那一件。

持续学习与动手实践

AI 是一个实践性极强的领域，纸上得来终觉浅。

保持永恒的好奇心：AI 技术的发展日新月异。要跟上潮流，你需要建立自己的信息渠道。可以先从关注高质量的博主、技术公众号、博客和论坛开始，它们是消化前沿知识、打好基础的绝佳起点。当你对基础有了把握后，可以开始留意 NeurIPS、CVPR、ICML 等顶级学术会议。你不需要立刻读懂每一篇论文，但了解这些会议上在讨论什么，能让你看到这个领域的未来方向。

信息筛选，去伪存真：在信息爆炸的时代，辨别能力比学习本身更重要。你需要学会过滤「噪音」，专注于「信号」。什么是噪音？比如那些夸大其词、宣称「一夜颠覆世界」的营销文章，或者让你在不同框架间摇摆不定的「技术选型」争论。什么是信号？比如一篇开创了新领域的经典论文（如「Attention Is All You Need」），一个让你真正理解底层原理的课程，或是一个能解决实际小问题的项目。抓住信号，你才能在纷繁的信息中保持专注，不迷失方向。

图源：AI生成

动手是最好的老师：理论学得再多，不如亲手跑通一个项目。不要害怕从零开始，你的第一个项目不必惊天地动，可以是从一个 Kaggle 入门竞赛开始，也可以是复现一篇经典论文中的简单模型。在 GitHub 上找一个你感兴趣的开源项目，尝试去理解它，甚至为它贡献一行代码，你所获得的成就感和实践经验将远超书本。

一句话总结：数学给你深度，编程给你工具，实践给你高度。三者结合，你的 AI 之路才能行稳致远。

下面整理了一些机器之心过往的基础技术入门文章，以供大家学习参考。

基础

吴恩达亲自授课，LLM 当「助教」，适合初学者的 Python 编程课程上线

吴恩达联手 OpenAI 上线免费课程：一个半小时学会 ChatGPT prompt 工程

LeCun 学生、纽大助理教授 Alfredo 视频上新，跟他免费学本科 AI 课程

机器学习

从零开始学好深度学习，短视频免费课程上线

Sebastian Raschka 著作免费开放！《机器学习与 AI 核心 30 问》，新手专家皆宜

B 站失踪人口回归，「年更 UP」Gautam Kamath 教授的《机器学习入门》终于上线了

从 RLHF、PPO 到 GRPO 再训练推理模型，这是你需要的强化学习入门指南

LLM

微软免费课程、吴恩达开新课，顶级生成式 AI 必备课程来了

墙裂推荐！Karpathy 大模型培训课 LLM101n 上线了，非常基础

新鲜出炉！斯坦福 2025 CS336 课程全公开：从零开始搓大模型

信息过载时代，如何真正「懂」LLM？从 MIT 分享的 50 个面试题开始

现实层面

当你仰望 AI 这片璀璨的星空时，心中一定充满了对未来的无限遐想。接下来，我们将从仰望星空回到脚踏实地，聊一聊大家最关心的现实问题：这条路好走吗？未来我能做什么？我该如何准备？

那些光鲜之外的事

AI 的世界不全是发布会上光鲜亮丽的模型和「改变世界」的豪言壮语。

debug 怪圈

这个挑战倒是很「传统」，但永远不会过时。无论技术怎么变，你总会遇到这种情况：代码没问题，逻辑看起来也没错，但模型输出的结果就是一塌糊涂。然后就是漫长的「破案」过程：是数据投喂的姿势不对？是某个参数设置得太玄学？还是模型结构里有个看不见的坑？这个过程，拼的是技术，更是耐心和一种近乎直觉的判断力。

技术刷新太快

AI 圈的刷新率，可能是按「天」来计算的。今天你刚投入几个月，把一个模型原理摸透，明天可能就有一个效果更好、思路更巧的新范式冒出来，把所有人的目光都吸走了。这种感觉就像在一条飞速滚动的传送带上，得不停小跑才能待在原地。知识焦虑？是的，这几乎是每个 AI 人的日常。

路口太多

技术爆炸带来的另一个副产品，就是选择太多。大模型、多模态、AI Agent……每个方向都闪着高光，看起来都通往未来。但当所有路都充满诱惑时，人反而会迷路。「我该走哪条路？万一选错了怎么办？」这种不确定性，比解决一个技术难题本身更让人头疼。

图源：AI生成

未来坐标：机遇与焦虑并存的时代

尽管挑战重重，但 AI 依然是这个时代最确定的机遇之一。然而，机遇的另一面，是剧烈的变革与分化。

你可能一边看到科技巨头为顶尖 AI 人才开出天价薪酬、上演激烈「挖角」大战的新闻，一边又听到 AI 将取代大量重复性工作、引发失业潮的讨论。这两种看似矛盾的现象，共同构成了我们所处时代的真实图景：AI 正在拉大顶尖人才与普通技能劳动者之间的差距。

理解这个现实，对你规划未来至关重要。这意味着，仅仅「会用」AI 工具可能不足以构建长期的职业壁垒，而努力成为能够「创造和驾驭」AI 的人，将拥有更广阔的前景。

如果你想成为 AI 的「核心玩家」

这里有许多令人兴奋的职业路径，这些分类可以帮你理解工作的核心性质：

机器学习工程师：负责将算法模型落地，构建、部署和维护 AI 产品和系统的工程师。

数据科学家：从海量数据中挖掘洞见，通过分析和建模为商业决策提供支持的侦探。

算法研究员：探索 AI 理论的前沿，开发新算法和新模型的先驱。

在招聘网站上，这些角色会演变成更具体的职位，如算法工程师（最常见，通常专注于推荐、CV、NLP 等领域）、AIGC 工程师（专注于生成式 AI 应用）、数据分析师（侧重业务分析和可视化）和 MLOps 工程师（专注于模型部署和维护）。

更广阔的舞台：「AI + X」的无限可能

学习 AI 并不意味着你必须成为一名全职的 AI 工程师。更激动人心的是，AI 可以作为一种「超能力」，与你热爱的任何领域相结合，创造出前所未有的价值。

艺术与设计：利用生成式 AI 创作独特的视觉艺术，或用数据可视化讲述动人的故事。

人文社科：在计算社会学、数字人文等新兴领域，利用 AI 分析海量文本和历史数据，以全新的视角洞察人类社会与文化。

金融与商业：从量化交易、智能投顾到风险控制、反欺诈系统，AI 正在重塑整个商业世界的运行规则。

生命科学与医疗：从辅助新药研发、加速基因测序，到精准解读医疗影像，AI 正成为推动医学进步的强大引擎。

前沿科学与工程：在材料科学领域，AI 能模拟预测分子结构，加速新材料的发现；在能源领域，它能优化电网调度，构建更高效的能源系统。

社会心理与健康：训练 AI 分析语言模式与生理信号，为心理健康评估和早期干预提供更客观、更便捷的辅助工具。

图源：AI生成

最终，AI 技能将成为一种通识能力。无论你将来身处哪个行业，掌握 AI 都将为你提供解决复杂问题的独特视角和强大工具。

打造通行证：从项目到能力

那么，如何为这些未来机遇做准备呢？

用项目定义你的方向

你的 GitHub 就是你的名片。但通往宏大项目的道路需要一步步走，不要害怕从「微项目」开始，它们是建立信心和技能的最佳起点。

第一步：跑通你的「Hello World」

想入门数据分析？你的第一个项目可以是：用 Pandas 分析你所在城市过去一年的天气数据，找出最热和最冷的一天。

想入门机器学习？尝试用 Scikit-learn 预测泰坦尼克号幸存者，这是数据科学领域最经典的入门任务。

第二步：让项目为你的职业方向代言

想成为算法工程师？尝试复现一篇经典论文，并把结果部署成一个简单的 Web 应用。

想成为数据科学家？找一个公开数据集，提出一个商业问题，并用数据分析和可视化来讲述一个完整的故事。

想探索「AI + X」？把 AI 用在你的专业上！用 NLP 分析文学作品，用 CV 识别植物，或者用 AI 帮你作曲。一个展示了你独特兴趣和跨界能力的项目，会让你在众多求职者中脱颖而出。

在真实世界中磨练技能

参与公开挑战，解决真实问题：Kaggle 是经典的起点，但不要止步于此。可以关注 Hugging Face（一个汇集了海量 AI 模型和开发者的社区）的挑战赛，或顶级会议（如 NeurIPS、CVPR）举办的、更具前沿性的学术竞赛，这些更能体现你对领域的追踪和热情。

构建可交互的 Demo，让模型「活」起来：在这个时代，一个可以线上访问、交互体验的 Demo（使用 Gradio、Streamlit 这类简单的工具就能快速构建），远比一个静态的 Jupyter Notebook 更能打动人。它证明了你不仅懂算法，还具备将技术转化为产品的工程能力和产品思维。

为开源项目做贡献：这听起来很难，但你可以从最小的一步开始。在为大型开源项目贡献代码前，先尝试为它的文档修正一个你发现的拼写错误（Typo）。这个过程会让你熟悉如何发现并报告问题（提 Issue）、提交你的修复方案（发 Pull Request）以及与社区沟通，这是课堂上学不到的宝贵经验。

构建你的「护城河」

在这个瞬息万变的领域，你需要有自己的核心竞争力。

扎实的理论基础：市场的热点会变，但数学、算法和计算机系统的基础知识永远不会过时。它们是你理解新技术、快速学习的基石。

解决问题的能力：公司雇佣你，是为了解决问题。相比于罗列你「会」什么技术，不如展示你「用」技术解决了什么问题。

拥抱人机协同：AI 的发展方向是与人类专家协同，而非完全取代。这种「人在回路」（Human-in-the-Loop）的思想正变得越来越重要。认识到人类智慧在数据标注、模型优化中的核心作用，能帮你找到自己的位置，缓解技术焦虑。

持续学习的习惯：这不是一句口号。将阅读技术博客、观看分享视频、跑一跑新模型的代码，变成像吃饭喝水一样的日常习惯。

AI 简史

了解历史，才能更好地看清未来。你现在所学的每一个算法，所用的每一个框架，背后都凝聚着几代人的智慧、梦想甚至泪水。AI 的发展并非一条直线，而是一部跌宕起伏的史诗。

黄金开端与梦想年代（1950s - 1970s）

1956 年的夏天，在美国的达特茅斯学院，一群充满激情的科学家们正式提出了「人工智能（Artificial Intelligence）」这个名字。他们乐观地相信，用不了多久，具有人类智慧的机器就将出现。这是一个「巨人」辈出的时代，充满了逻辑推理、问题求解的早期探索，和对未来的无限憧憬。

符号主义、联结主义行为主义构成了人工智能发展的三大基石，代表了三种理解和构建智能的核心思路。

图源：2024 年度 Graph+AI 开源探索思考

三种并非相互排斥，而是从不同层面揭示了智能的本质。

符号主义走的是「自上而下」的精英路线，关注智能的「认知」层面，强调逻辑和推理。虽然在当前不如深度学习流行，但它在知识图谱、搜索引擎的语义理解、以及 AI Agent 进行复杂任务规划等方面依然至关重要，是构建可解释、可信赖 AI 的基石。

联结主义走的是「自下而上」的草根路线，关注智能的「感知」层面，强调模式识别和学习。当今 AI 的代名词——深度学习（Deep Learning），通过构建包含亿万级别「神经元」联结的深度神经网络，完美诠释了其核心思想。

行为主义则强调不应只关注「内心」，智能体必须付诸「行动」，与世界交互。

现代人工智能正朝着融合这三者优势的方向发展，以期创造出既能从数据中学习（联结主义）、又能进行逻辑推理（符号主义）、还能在环境中行动（行为主义）的更强大的 AI。

AI 寒冬与机器学习的崛起

然而，现实很快给过于乐观的预言泼了冷水。由于计算能力的限制、数据的匮乏以及理论的瓶颈，许多承诺无法兑现，AI 研究的资金和热情随之骤减，进入了长达数十年的两次「AI 寒冬」。这段历史告诉我们一个宝贵的道理：真正的科学突破需要耐心和积累，而非一时的狂热。任何伟大的事业，都会经历低谷。

在寒冬中，AI 并未消亡。一批学者转向了另一条更务实的道路：统计机器学习。他们不再追求创造一个「全能的人类大脑」，而是专注于解决特定问题，比如垃圾邮件过滤、手写数字识别等。这股力量在悄然中积蓄，为未来的爆发埋下了伏笔。

深度学习的「宇宙大爆炸」（2012 - 至今）

2012 年，一个名为 AlexNet 的深度神经网络模型在 ImageNet 图像识别竞赛中以碾压性的优势夺冠，其准确率远超所有传统方法，瞬间引爆了 AI 领域。

其成功的背后，是三股在寒冬中悄然积蓄的力量：算力（GPU 的普及）、数据（互联网的海量信息）和算法（深度学习）

从此，AI 驶入快车道。从 2016 年 AlphaGo 的惊世对局，到 ChatGPT 展现的卓越创造力，再到如今生成式 AI 颠覆内容创作、AI 智能体探索物理世界——我们正处在 AI 历史上最激动人心的变革时刻。

结语

最后，请允许我们代那些在 AI 领域深耕多年的前辈，送给你一些祝福和建议：

拥抱不确定性。AI 的发展之路从不是一条直线，你的学习和职业生涯也同样如此。那些看似「绕路」的探索，那些失败的实验，都将成为你独特认知的一部分。在这个充满变化的时代，适应变化的能力本身就是最核心的竞争力。

保持人类的温度。技术是冰冷的，但你可以赋予它温度。永远不要忘记，AI 是增强人类智慧的工具，而不是目的。去思考技术背后的人文关怀和社会责任，用你的创造力去解决真正有意义的问题。你的独特价值，恰恰在于你的人性、你的审美、你的同理心——这些是机器无法复制的。

找到你的热爱。回到我们最初的问题：你最大的兴趣爱好是什么？试着将 AI 与它结合起来。无论是音乐、艺术、体育还是历史，AI 都能成为你探索热爱的超级工具，甚至开辟出前所未有的新领域。当技术与你的热情相遇时，最伟大的创新才可能发生。

我们也真诚地邀请来自各行各业的读者，在评论区留下你们的宝贵建议，共同为这些未来的探索者点亮一盏灯。

欢迎来到这个激动人心的时代。

愿你在这场智能革命的浪潮中，既能仰望星空，也能脚踏实地，最终找到属于自己的那片海。