直接答案：零基础学 AI，先不要背工具榜单，也不要从训练大模型开始。先确定你要成为可靠使用者、产品/工作流设计者、AI 应用开发者，还是机器学习工程学习者；再选一个真实、低风险、可复核的小任务，完整走一遍“输入—输出—证据—评测—复盘”。只有当上一阶段能交付可验证结果时，才进入下一阶段。
数学和编程不是所有人的入场券，但会决定你能走多深。日常使用与产品路线可以先学任务拆解、来源核验、隐私和评测；应用开发需要 Python、API、结构化输出和测试；机器学习工程还要补概率统计、线性代数、数据处理、算法和实验设计。不存在适合所有人的“7 天精通 AI”。
第一步：先选 AI 学习目标，而不是先选工具
“学 AI”至少包含四类不同目标。工具使用者需要可靠完成工作；产品和运营人员需要设计人机流程；开发者需要把模型接入软件；机器学习工程路线需要理解数据、训练和部署。如果不先分流，初学者很容易在提示词、Python、数学、智能体和深度学习之间反复跳转。
| 路线 | 目标 | 先学什么 | 首个交付物 |
|---|---|---|---|
| 可靠使用者 | 用 AI 辅助研究、写作、分析与创作 | 任务拆解、上下文、来源核验、隐私、人工复核 | 一份带来源和修订记录的成果 |
| 产品/工作流 | 把 AI 放入业务流程并可验收 | 用户任务、输出合同、基线、指标、权限、回滚 | 一份包含失败样本的试点报告 |
| 应用开发 | 构建调用模型、检索或工具的软件功能 | Python、HTTP/API、JSON、Git、测试、日志、安全 | 一个可复现、有限权限的小应用 |
| 机器学习工程 | 训练、微调、评测和部署模型 | Python、数据、统计、线代、ML、深度学习、实验设计 | 一个含基线、切片和模型卡的项目 |
如果仍分不清这些术语，先读本站的人工智能原理、类型与风险指南。概念页负责解释 AI、机器学习、深度学习、生成式 AI 和大模型的关系；本页负责把知识变成学习行动。
AI 素养应该包含什么？
OECD 与欧盟委员会 2026 年 AI 素养框架把 AI 素养视为知识、技能和态度的组合，目标不仅是会用工具，还包括理解系统、批判性评估输出，以及以合乎伦理和创造性的方式使用 AI。UNESCO 学生 AI 能力框架同样把以人为本、伦理、基础与应用、系统设计等内容放在一起。
| 能力 | 初学者应能做到 | 验证方式 |
|---|---|---|
| 理解 | 区分模型、产品、搜索、知识库和工具 | 能画出一次请求的数据与动作路径 |
| 使用 | 把模糊需求写成输入、输出、限制和示例 | 同任务多次运行仍满足基本格式 |
| 评估 | 核对事实、遗漏、偏差、权利和失败场景 | 保存原始输出、改判理由和来源 |
| 创造 | 把 AI 放进有限、可撤销的工作流 | 有基线、测试、人工接管和回滚 |
| 责任 | 知道什么数据不能上传、什么动作不能自动放行 | 写出权限、保留、申诉和责任人 |
因此，“会聊天”只是起点。真正的 AI 素养包括识别什么时候不该用 AI，以及在模型回答很自信时仍能要求证据。
零基础需要先学数学和编程吗？
答案取决于目标。使用现成助手不要求先学微积分；设计工作流需要逻辑、数据意识和基本指标；开发应用需要编程；训练和理解机器学习模型则需要数学。不要把“暂时不需要”误解为“永远不需要”，也不要在尚无项目问题时提前啃完所有数学。
| 知识 | 使用者 | 产品/工作流 | 应用开发 | ML 工程 |
|---|---|---|---|---|
| 任务拆解与核验 | 必须 | 必须 | 必须 | 必须 |
| Python | 可选 | 有帮助 | 必须掌握基础 | 必须 |
| 概率统计 | 理解不确定性 | 理解指标与实验 | 基础 | 系统学习 |
| 线性代数/微积分 | 通常不需要 | 通常不需要 | 按项目补 | 需要 |
| 数据工程与实验设计 | 了解 | 重要 | 重要 | 核心 |
编程路线可从Python 官方教程学习变量、控制流、函数、数据结构、模块、异常和文件处理。官方教程假设读者已有一点编程概念；完全零基础者可先用交互式练习补充，但应尽早学会在本地运行、读错误信息和管理依赖。
四阶段 AI 入门路线：用升级条件代替“几天精通”
| 阶段 | 学习内容 | 练习 | 升级条件 |
|---|---|---|---|
| 1. 理解系统 | AI/ML/生成式 AI、输入输出、训练推断、风险 | 拆解一个熟悉 AI 产品的数据流 | 能说明模型与完整产品的区别 |
| 2. 可靠使用 | 任务合同、提示、来源、隐私、失败记录 | 完成下文“带证据摘要”项目 | 结果可复核，知道哪些部分不能信 |
| 3. 工作流与评测 | 基线、任务集、评分尺、成本、权限、回滚 | 把一个重复任务做成人机协作流程 | 有至少一组失败样本和改进证据 |
| 4. 开发或建模 | API/代码/检索，或数据/算法/训练/部署 | 构建可复现项目并写文档 | 别人可运行、测试并理解限制 |
日常使用者可以停在第三阶段并持续深化；开发者和 ML 工程学习者进入第四阶段。没有必要为了“完整”训练一个大模型，也不应因为会调用 API 就自称掌握机器学习。
首个实战项目：做一个“带证据的文章摘要”
旧稿直接让用户粘贴长文并要求模型总结，却没有处理隐私、来源、遗漏和幻觉。新的首个项目不依赖特定产品界面：选择一篇你有权使用、内容不敏感、能逐段核对的公开文章，让任意可用 AI 助手输出结构化摘要，并用原文逐项验收。不要上传内部合同、客户资料、病历、未公开代码或个人身份信息。
步骤一：先做最小人工基线
通读原文，自己写下主题、3—5 个关键主张、重要数字及其所在段落、作者明确表达的限制。这个基线不必完美，但能防止你被模型第一版答案锚定。
步骤二：写任务合同，而不是一句“帮我总结”
任务：只依据我提供的原文生成中文摘要。
输出：
1. 一句话主题；
2. 关键主张表：主张、原文依据、所在段落；
3. 文中出现的重要数字与口径；
4. 作者明确写出的限制或不确定性；
5. 无法从原文确认的内容标记“原文未说明”。
约束：不得补充外部事实，不得虚构引用；保留原文中的主体、时间和条件。步骤三：逐条核验，不只读摘要
| 检查项 | 问题 | 记录 |
|---|---|---|
| 忠实 | 每条主张能否在原文找到直接支持？ | 支持/部分支持/不支持 |
| 完整 | 关键限制、反例和重要数字是否遗漏？ | 遗漏清单 |
| 口径 | 数字的单位、时间、分母和对象是否保留？ | 原文位置 |
| 归因 | 观点属于作者、引用对象还是模型推断？ | 正确主体 |
| 可用 | 格式是否满足后续阅读或工作需要？ | 人工修正时间 |
步骤四：修改一个变量，再复测
一次只修改提示结构、原文长度或输出格式中的一个变量，使用同一篇或同类文章复测。保存原始输入、输出、模型/产品、日期、改动和评分。不要把一次成功当成稳定能力，也不要虚构“提升百分比”。
怎样选择第一个 AI 工具或平台？
初学阶段不需要同时注册十个平台。选择一个能满足当前任务、在所在地区可合法访问、隐私设置清晰、能导出结果且费用可控的工具即可。产品和价格变化很快，应在使用当天查看官方页面；不要把文章中的截图当永久说明。
| 标准 | 要检查 | 危险信号 |
|---|---|---|
| 任务适配 | 中文、文件、来源、结构化输出是否满足任务 | 只因榜单第一就选择 |
| 数据边界 | 训练、保留、删除、连接器和团队权限 | 把“不训练”理解为“不存储” |
| 可验证性 | 能否打开来源、保存输入输出与版本 | 只给答案，没有可追溯证据 |
| 费用与额度 | 免费限制、订阅、API、重试和人工成本 | “免费”但关键任务无法完成 |
| 退出能力 | 导出、删除、撤销连接器和替代流程 | 项目长期绑定个人账号 |
需要系统比较平台时，使用本站AI 平台同任务评测指南。固定任务和评分尺后再比较，不要让每个平台回答不同问题。
官方学习资源怎样组合？
| 目标 | 资源 | 使用方式 |
|---|---|---|
| AI 概念与影响 | AWS New to AI | 建立基础词汇，再用独立来源核对产品性内容 |
| 机器学习概念 | Google Introduction to ML | 先理解监督学习、预测和常见术语 |
| 系统学习 ML | Google ML Crash Course | 边学边做练习，记录前置知识缺口 |
| Python | Python 官方教程 | 在本地运行示例并主动修改、制造错误 |
| 传统机器学习 | scikit-learn Getting Started | 从数据拆分、管道、评测和交叉验证入手 |
| 深度学习 | PyTorch Learn the Basics | 理解张量、数据集、模型、优化与保存 |
| Transformer/LLM | Hugging Face LLM Course | 已有 Python 和深度学习基础后进入 |
| 生产系统 | Google Production ML Systems | 理解模型只是完整生产系统的一部分 |
课程不是收藏品。每学一个模块，都要产出代码、解释、错误记录或小项目；如果无法用自己的话解释和复现，就还没有掌握。官方教程也可能更新版本，运行前核对页面日期、依赖和环境。
如何做一个可信的 AI 作品集？
可信作品集不靠“用了最新模型”，而靠问题、证据和复现。至少写清：为什么需要 AI、非 AI 基线、数据来源和权利、任务集、评分尺、失败样本、版本、成本、风险、人工接管和下一步。不要伪造客户、收入、准确率或“已上线”经历。
| 作品集部分 | 应包含 | 常见低质量写法 |
|---|---|---|
| 问题 | 用户、触发、约束、现有流程 | “做一个智能助手” |
| 基线 | 不用 AI 时的质量、时间或规则方案 | 没有比较对象 |
| 实现 | 数据流、模型/工具、权限、版本 | 只贴界面截图 |
| 评测 | 任务、评分、失败、人工改判 | 只展示最好一次结果 |
| 边界 | 不能做什么、风险和停止条件 | “可用于所有行业” |
| 复现 | README、依赖、示例、测试、许可证 | 别人无法运行 |
模型排名只能帮助发现候选，不能代替任务评测。本站的排行榜原理、偏差与选型指南可帮助你检查样本、模型版本和投票偏差。进入工具调用和多步自动化后，再读AI 智能体与自动化指南，重点学习权限、状态、审计和回滚。
应用开发路线：从一个确定性外壳开始
开发者常见误区是刚会调用模型就堆叠向量库、智能体和多个工具。更稳妥的顺序是：先用固定输入获得一次结构化输出，再做字段验证、错误处理和日志；之后才增加检索或工具。模型调用只是依赖服务，应用仍要处理认证、超时、限速、重试、费用、数据最小化和回滚。
| 开发阶段 | 最低实现 | 通过证据 | 不要急着做 |
|---|---|---|---|
| 单次调用 | 环境变量保存密钥，固定模型和请求 | 输入、输出、request ID、延迟可记录 | 把密钥放前端或代码仓库 |
| 结构化输出 | JSON Schema/字段校验、长度和枚举限制 | 非法输出能拒绝或重试 | 直接解析自然语言执行动作 |
| 任务评测 | 20—50 个脱敏真实样本与人工评分尺 | 失败可分组，变更后可回归 | 只测试两个演示问题 |
| 检索增强 | 来源权限、检索结果、引用支持和无答案路径 | 能区分检索失败与生成失败 | 把所有文件无差别入库 |
| 工具调用 | 白名单、参数验证、最小权限、预览和确认 | 越权或高风险动作被阻断 | 允许模型任意执行命令 |
| 上线 | 监控、预算、灰度、降级和旧版回滚 | 故障演练能恢复服务 | 从本地演示直接全量发布 |
第一个开发作品可以把本页“带证据摘要”做成命令行工具：读取本地公开文本，调用一个模型，输出固定 JSON，再运行校验脚本检查必需字段和原文依据。第一版不需要登录系统、数据库或网页界面。这样能把注意力放在接口、结构、失败和测试上，而不是前端装饰。
验收时准备几类输入：正常文章、极短文本、超长文本、没有数字的文章、含相互矛盾观点的文章、要求模型忽略规则的恶意文本。程序应明确返回成功、拒绝、需要人工处理或技术错误，不能把所有异常都包装成看似正常的摘要。
机器学习路线：先做可解释基线，再进入深度学习
准备走机器学习工程路线时，第一个项目不宜是“从零训练聊天大模型”。选择一个授权清晰、规模可管理的表格或文本分类数据集，先定义标签和错误成本，再划分训练、验证与测试集。使用简单规则、线性模型或树模型建立基线，理解数据泄漏、过拟合、阈值和分组误差后，再尝试复杂模型。
| 步骤 | 核心问题 | 产物 |
|---|---|---|
| 问题定义 | 预测什么，输出给谁，错误后果是什么？ | 任务卡与非 AI 基线 |
| 数据审计 | 来源、许可、缺失、重复、时间与标签怎样？ | 数据说明与清洗记录 |
| 拆分 | 同一对象或未来信息是否泄漏到测试集？ | 固定拆分规则与随机种子 |
| 基线 | 简单方法能达到什么水平？ | 规则/线性/树模型结果 |
| 评测 | 不同类别、时间和群体在哪里失败？ | 混淆矩阵、切片、失败样本 |
| 复现 | 别人能否得到同样结果？ | 环境、代码、配置、模型卡 |
使用 scikit-learn 时，应特别理解管道、交叉验证和数据预处理，避免在全量数据上先拟合变换造成泄漏。进入 PyTorch 前，确保你能解释张量、损失、梯度、训练/评估模式和数据加载；进入 Transformer 或 LLM 课程前，再补注意力、token、预训练与微调的基本概念。
真实系统还要管理模型之外的数据验证、特征、服务、监控和反馈。NIST AI 风险管理框架提醒开发与使用组织在完整生命周期内治理、理解场景、测量和管理风险。项目报告应同时说明模型表现、系统限制和下游影响，而不是只给一个测试集分数。
怎样筛选课程、训练营和“转行承诺”？
课程质量不能只看标题中的年份、工具数量、证书或就业宣传。优先选择能公开教学大纲、前置要求、讲师身份、更新时间、练习与评测方式、退款条款的课程。对“零基础几天精通、保证就业、轻松高薪、项目可直接写简历”等承诺保持警惕，要求可核验的适用条件和合同文本。
| 检查项 | 较强信号 | 风险信号 |
|---|---|---|
| 目标 | 明确完成后能做哪些任务 | 从入门到精通一切方向 |
| 前置 | 写明数学、编程、设备和时间要求 | 宣称任何基础都能同速完成 |
| 内容 | 概念、练习、失败分析与项目相互对应 | 大量工具演示，缺少原理和评测 |
| 更新 | 标记版本、日期和变更记录 | 只把标题年份改新 |
| 项目 | 数据许可、基线、测试和复现完整 | 所有学员复制同一模板项目 |
| 就业 | 说明样本、岗位、地区、统计口径和限制 | 无条件承诺薪资或录用 |
| 费用 | 总价、额外云/API 费用和退款清晰 | 先交定金再看合同 |
购买前先使用公开官方资源完成一个小项目。如果你能坚持做完并愿意继续，再根据明确缺口购买辅导；如果尚未完成任何练习，高价课程通常不能替代目标、时间和持续反馈。涉及较大费用时，保留宣传、合同、付款和沟通记录，并核对退款与就业服务的书面边界。
学习和练习时必须守住哪些安全底线？
初学者最容易在“只是练习”的名义下上传真实数据、泄露密钥或执行不理解的命令。练习环境也可能连接个人邮箱、云盘、代码仓库和付款账户，因此安全要求不能等到上线后才学习。默认使用公开、合成或充分脱敏的材料，并让每个工具只获得完成任务所需的最小权限。
| 风险 | 安全做法 | 出现问题后 |
|---|---|---|
| 敏感数据上传 | 使用公开/合成数据；删除姓名、账号、业务秘密和隐含标识 | 停止共享，检查历史、保留与删除渠道，通知责任人 |
| API Key 泄露 | 使用环境变量或密钥管理；按项目、环境分离并设限额 | 立即撤销和轮换，检查异常调用与账单 |
| 复制未知代码 | 逐段阅读，在隔离环境和最小权限下运行 | 停止进程，检查文件、网络、凭证和依赖变更 |
| 恶意依赖/仓库 | 核对官方来源、包名、维护者、版本与安装脚本 | 隔离环境，撤销暴露凭证并重建可信环境 |
| 连接器越权 | 先只读、限定目录/仓库，关闭自动发送删除和付款 | 撤销 OAuth 与会话，审计已发生动作 |
| 作品集泄密 | 只发布有权公开的数据、截图、代码和结果 | 下架材料，联系权利人并记录纠正 |
不要把密钥粘贴给聊天机器人请求排错，也不要把包含密钥的终端截图放进教程。示例配置应使用占位符，日志应过滤授权头、Cookie、个人信息和完整提示。代码仓库即使设为私有，也不应成为密钥保险箱。
运行 AI 生成的 PowerShell、Shell、SQL 或 Python 命令前，先确认它会读取、写入、删除、上传什么，以及目标路径和账户。涉及递归删除、数据库变更、云资源、付款或外发消息时，必须有备份、预览、最小范围和人工确认；看不懂的命令不执行。
学习日志可以记录任务、假设、输入摘要、版本、错误和修复，但不要原样保存敏感正文。安全不是独立课程，而是每个项目的验收项：别人不仅要能复现成功路径，也要看见权限、失败处理和退出方式。
每月复查一次练习环境：删除不再使用的 API Key、撤销旧连接器、更新有安全问题的依赖、归档可公开的成果并清理不应长期保留的数据。若平台政策、模型版本或课程依赖发生变化，在学习记录中标明日期，不要让旧截图和旧命令继续误导自己或读者。
常见卡点与解决方法
| 卡点 | 原因 | 下一步 |
|---|---|---|
| 课程越看越多，项目没开始 | 没有固定任务和交付物 | 停止新增课程，完成本页摘要项目 |
| 不会写“高级提示词” | 任务本身没有输出标准 | 先写输入、输出、限制、证据和失败 |
| 代码总报错 | 复制代码但不理解环境和依赖 | 读完整错误、做最小复现、固定版本 |
| 结果时好时坏 | 输入、模型、检索或随机性未记录 | 固定条件并建立回归任务集 |
| 不知道是否该学数学 | 尚未选择路线 | 按目标补知识，不做无边界预习 |
| 想直接做智能体 | 单步任务尚未可靠 | 先让一个步骤达到可验收，再组合 |
常见问题
零基础学 AI 要多久？
没有统一天数。达到“可靠完成一个任务”和达到“能训练并部署模型”是不同目标。用可交付成果衡量：能否复现、核验、解释失败并改进，而不是是否完成打卡。
不会编程可以学 AI 吗？
可以先走可靠使用者或产品路线，但必须学任务拆解、来源核验、隐私和评测。要构建应用或训练模型时，再系统补 Python 和工程基础。
是否应该先学提示词工程？
提示结构有用，但应先学任务合同和证据。没有明确输出与验收标准，再复杂的提示词也只是在优化模糊目标。
需要买高性能电脑吗？
日常使用和多数 API 项目不需要。训练或本地部署前，先用真实模型、数据和负载测内存、显存、延迟与成本；可参考本地、云端与混合部署指南。
证书重要还是项目重要？
证书能证明完成课程，不能自动证明解决真实问题。项目若包含可复现实现、失败分析和责任边界，通常提供更直接的能力证据。
可以直接用 AI 生成作品集代码吗？
可以辅助，但你必须能解释、运行、测试和维护代码，核对依赖与许可证，并明确哪些部分由 AI 生成。无法审查的代码不应当作已掌握能力。
结论：从一个可验证项目开始，按目标逐层加深
AI 入门的正确起点不是“最强工具”或“最快课程”，而是一个真实、低风险、可复核的任务。先理解系统和风险，再可靠使用；接着建立任务集、评分尺和工作流；只有当目标需要时，才进入 API、Python、机器学习和深度学习。每一步都用可复现交付物和失败记录决定是否升级。
现在就做：选一篇可公开使用的文章；自己写最小基线；使用本页任务合同生成带证据摘要；逐条核对主张、数字、限制和归因；保存失败；只修改一个变量再复测。完成这一闭环，比注册更多工具更接近真正掌握 AI。
