以下内容均为个人亲身实践后的经验之谈，希望能为你的学习路径提供参考。
学习视频：聚焦精华，事半功倍
关于AI学习，与其漫无目的地观看大量视频，不如集中精力学习顶尖课程。以下三套课程，尤其适合时间紧张但又希望掌握核心知识的同学。
- 《LLMs-from-scratch》（中文名：从零构建大模型） - Sebastian Raschka：这是我的大模型启蒙课。Sebastian将注意力机制讲得极为透彻，并且配套了GitHub工程代码，对于工程实践导向的同学来说，是不可多得的好材料。
- 《生成式人工智能与机器学习导论2025》 - 李宏毅：李宏毅老师能将复杂的大模型概念与实操讲得深入浅出，其特点是能不用数学公式就不用公式，力求以最通俗的方式传递高密度的信息，非常适合初学者建立系统性认知。
- 吴恩达（Andrew Ng）的相关课程：包括LangChain系列、Agent系列以及Claude Code系列。吴老师的课程更偏向于应用层面，教你如何将技术落地，绝对值得反复观看。
简而言之，Sebastian和李宏毅的课程偏重原理深度剖析，而吴恩达的课程则侧重于实战应用。他们的共同点是：信息密度极高，需要你全神贯注地在电脑前学习，随便刷刷手机看是对知识的亵渎。
此外，油管上的Adam Lucek小哥讲的也很有深度，是我每周都会追更的频道。其他人的课程并非不好，但学习效率很可能不如上述几位。
学习书籍：在偶然中收获系统性认知
在书籍方面，我阅读得不多，主要看了两本，它们并非刻意挑选，却带来了意外的收获。
- 《大模型算法：强化学习、微调与对齐》——余昌业
- 《多模态大模型：算法、应用与微调》——刘兆峰
这两本书是我之前在国企工作时，从书架上“捡”来看的。通读下来，最大的收获是对PPO、GRPO和SFT等算法有了系统性的了解，并且克服了对算法公式的恐惧。我逐渐意识到，深度学习的公式更应该从“符号学”和“计算图”的角度去理解，而非纯粹的数学推导。
学习与生产力工具：用AI学习AI
我认为，利用AI工具来学习AI是一条高效的捷径。面对TGI、vLLM、Flash Attention、Unsloth等层出不穷的新概念和工具，如何快速理解？我的方法是让大模型当你的私人助教。
- AI对话助手：国内首选通义千问，国外首选ChatGPT。Gemini虽强，但与ChatGPT之间95分和98分的边际差距，对大多数日常学习和工作场景影响不大。
- PPT制作：首推Gamma，体验过就知道它的高效与智能。
- 学习笔记与知识管理：首推NoteLM，它能智能处理你的阅读材料，是构建个人知识库的神器。
- 音乐生成：首推Suno。你可以先用ChatGPT生成歌词和Suno所需的提示词，再扔给Suno创作，效果令人惊艳。
- 图像与视频生成：首推Grok（xAI）。原因是“量大管饱”，且限制较少。Midjourney固然是天花板，但其生成速度和使用成本（需要国外信用卡支付）让我最终选择了放弃。
- 编程开发：我的首选组合是Claude Code + GLM-4。最初使用Cursor时感到非常惊艳，但后来发现Claude Code能与IDE深度集成，开发体验更流畅，而GLM-4在性价比和代码能力上表现均衡，这个组合目前是我的主力。
- 其他工具：剪映、可灵等工具我也试验性用过，但未深入研究。豆包在专业问题解决上不如千问和GPT，感觉“样样通，样样松”。扣子平台本想用于自动化创作，但试运行两次就消耗了大量资源，从普通用户角度看，成本可控性较差。
进阶之路：研读论文
如果你真的想深入理解大模型，阅读论文是必不可少的环节。现在的门槛已经降低了很多，Google的NoteLM是读论文的神器，退而求其次，用千问或豆包辅助理解也可以。
最近，有两篇论文让我受益匪浅：
- DeepSeek-R1完整版论文：长达86页，强烈推荐阅读。它帮我将之前零散的知识点串联成了一个完整的体系。
- 《mHC: Manifold-Constrained Hyper-Connections》：这篇关于流形约束的论文，让我第一次从数学层面认识到“流形”对于理解大模型本质的重要性，并由此接触到了李群、李代数等概念。
通过阅读这些前沿研究，你能真正触摸到人工智能领域跳动的脉搏。
最后的一点感触
最后，我想推荐一本非技术书籍——AI教母李飞飞的自传《我看见的世界》。这本书对我最大的触动，并非学术细节，而是李飞飞在学术生涯和海外生活中展现出的惊人韧性与“反脆弱”能力。这种精神力量，对于在快速迭代、充满挑战的AI领域学习和工作的我们，或许与技术知识同等重要。在云栈社区这样的技术论坛里，我们既交流硬核的技术，也分享这些支撑我们走下去的软性力量。 | 
发表于 5 天前
|
查看: 20|
回复: 0
