总有朋友问我零基础能不能学AI大模型，说网上搜了一个星期，收藏夹里躺着七八条学习路线，越看越不知道从哪里开始。这个状态我太熟悉了。有人说必须先啃完高等数学，有人说第一件事是读十篇论文，还有人说得先买一块顶级显卡。

单独看每条路线都有道理，合在一起就成了一锅粥。这条路线是我自己从零摸过来，又陪几位不同背景的朋友完整验证过的，不玄乎，不贩卖焦虑，每个阶段该学什么、学多久、做到什么程度算过关，都给量化清楚。如果你现在真的什么都不会，只想要一份能照着做的AI大模型学习路线，这篇可以直接抄。

1. 先想清楚“造模型”和“用模型”，选错方向会让你多走半年弯路

零基础学大模型最容易犯的错，不是笨，而是没分清自己的目标就扎进细节里。你是想做大模型产品、想进算法岗，还是纯粹想搞懂原理？方向不同，后续路线完全不同。很多人一上来就按“算法工程师”的标准要求自己，结果死在数学上；也有人明明想做产品，却花两个月去复现训练代码，纯属浪费。

1.1 三条路线和它们各自的“代价”

我把常见的学习目标分成三类，先看清楚再去选：

注意看“起步难度”和“主要门槛”这两列，差距是非常大的。应用型路线一个月内就能做出看得见摸得着的东西；算法型路线光是把基础补起来就得几个月；研究型路线对零基础来说，短期内基本可以不考虑。

1.2 零基础最稳妥的切入口是“应用型”

我自己的判断是，绝大多数零基础的人都应该从应用型切入，哪怕你最终目标是做算法。原因很现实：应用型能在两三个星期内看到自己调教出的模型被真实使用，这种反馈速度会支撑你走下去。先建立“模型直觉”，再往算法方向下沉，比一上来就啃数学效率高得多。

有人担心“从应用开始会不会基础不牢”，这个问题我后面会解释。实际上，等你做过了RAG、Agent、微调这些应用层的事，再回头学算法，你会比那些只会背公式的人理解得深得多。

2. 第一阶段（第1~4周）：先跟大模型“混熟”，再开始碰代码

这一阶段很多人会直接跳过。他们觉得“用模型”谁不会？但恰恰相反，第一周最该做的事不是写代码，而是建立一种叫做“模型直觉”的东西——你得先知道模型擅长什么、不擅长什么、什么情况下会胡说八道。

2.1 带着问题“玩模型”，而不是瞎聊天

具体操作：每天用主流对话模型问三个不同类型的问题。比如：

• “请用三句话给小学生解释什么是注意力机制”
• “把这段产品文案改成客服口吻，并加上截止日期”
• “帮我列出周末野餐的物品清单，按优先级排序”

重点不是答案质量，而是观察几个现象：它什么时候答得漂亮，什么时候在礼貌地编故事；同一个意思换个问法，结果会不会差很多；把要求写具体之后，回答风格会不会立刻变化。每天都记录三条观察笔记，一周后你会发现自己已经能隐约感觉到模型的边界在哪里。

这个阶段还有一个高频动作：对比。同一个问题换几个不同的模型提问，你会发现有的模型擅长总结，有的模型擅长代码，有的模型中文很差。这些体验，是任何课程都给不了你的。

2.2 Python学多少算够？别被七八百页的书劝退

很多零基础的人一上来就买一本大厚书，从第一章啃到最后一章，然后没有然后了。入门大模型，Python只需要学这些：

• 变量、字符串、数字类型
• 列表和字典
• if判断、for循环、while循环
• 函数定义与调用
• 文件读写
• 基本异常处理和调试

就这些，前面不需要碰面向对象、装饰器、多线程、爬虫那一堆东西。先学会“照猫画虎”写脚本，不懂的语法跳过，用到再查。拿任何一本Python入门书，只读前八章左右，绝对够了。

后面做数据处理时，再按需补一下JSON解析、Pandas和NumPy的最基础用法即可。千万别一头扎进“完整语法学习”，那跟学语言先背完整本词典再开口说话一样低效。

2.3 环境准备：没有显卡也能起步

零基础的人最容易在环境上被劝退。在这里我替你把心放肚子里：第一阶段完全不需要显卡。

• 注册一个带在线Notebook能力的云平台，多数有免费CPU/GPU额度，浏览器里就能写代码；
• 本地装好Python和代码编辑器，环境变量配好就够日常使用；
• 第一次“跑起来”的标志是：执行一段调用大模型API的示例代码，几秒内拿到模型的回复。

等你真正开始做微调，再考虑花钱买显卡或租云GPU，而且那已经是几个月后的事了。现在买纯属吃灰。

3. 第二阶段（第2~3个月）：Transformer没你想的难，但也跳不过去

能熟练调用API之后，下一步就该往模型内部看一眼。不看原理行不行？做特别简单的应用可以，但只要你开始做RAG、调参数、解决模型乱回答的问题，不懂原理就只能靠瞎猜。

3.1 用一句人话理解大模型在干什么

大模型干的事情，本质上就是“预测下一个词”。给它输入一段文字，它根据前面所有内容，算出下一个最可能出现的词是什么；生成完这个词，再继续预测下一个。训练阶段，就是拿海量文本反复做这件事，让内部权重不断调整，最终变成一个庞大的概率模型。

Transformer之所以重要，不是因为它有什么玄学，而是它让“预测下一个词”这件事可以在并行计算下高效进行。你不需要背它的所有细节，但得建立一个正确的心智模型：模型不是“理解了”文字，而是学习到了文字序列中规律性的概率分布。

3.2 只抓三块核心：词向量、自注意力、堆叠层

• 词向量：把每个词映射成一串数字，让意思相近的词在数字空间里位置更接近。你可以把它理解成每个词在“语义地图”上的坐标。
• 自注意力：让句子里的每个词和其他所有词“互相对眼神”，判断谁跟谁有关系、关系有多强。读一句话时，哪些词在呼应，模型靠它学出来。
• 堆叠层：把上面的计算反复做很多次，让模型从短语学到句法，再学到更长距离的语义关联。

学习顺序不要乱：先找一篇讲词嵌入的入门文章，再理解自注意力机制，最后看“层”和“残差连接”的意义，再搞清楚训练和推理时的差别。每一步都用代码验证一下，别光看文字。

3.3 资料优先级：先找带图和代码的课程，别一上来啃论文

网上那些“零基础必读十篇论文”基本是劝退流。正确顺序是这样的：

1. 找一门深度学习入门课的“注意力机制”章节，最好带可视化和代码；
2. 读那篇里程碑级Transformer论文的摘要和结论，看不懂的细节直接跳过，再看几篇知名博客的图解分析；
3. 找一个几百行实现的“微型Transformer”开源示例，逐行读代码，跑起来改着玩。

当你能完成一个“字符级文本生成器”——输入一些文字，模型能学着生成风格相似的文字——恭喜，你已经在动手层面打败了大多数只会收藏资料的人。

3.4 数学只补这几个点，别盲目扩大战线

• 矩阵乘法：不用会证明，但要看得懂张量形状变化；
• Softmax：知道它能把一堆数字变成概率分布；
• 交叉熵：理解它衡量预测和真实答案之间的差距；
• 链式法则：只为了看懂反向传播的直觉，不要求手推所有公式。

这里的策略是“哪里不会补哪里”，而不是系统学完一整本数学教材。真等你做了几个月应用，觉得哪里数学不够用了，再回头专门补，效率完全不一样。

4. 第三阶段（第3~5个月）：四个项目按梯度做过去，动手才算学到

理论看完如果不赶紧做项目，一个月后绝对全忘光。我给自己和身边人排的路线是四个递进项目，从工具调用到模型微调，难度逐步爬升。每个项目做完都有明确的验收标准，不需要“完美”，但必须能跑。

4.1 项目1：做一个“带记忆”的多轮问答工具

这个项目的目标不是做一个聊天框，而是熟悉API调用和对话状态管理。具体动作：

• 写一个命令行版本或简易网页版本的多轮对话，能保存用户上一轮说的内容；
• 调整温度参数（temperature）从0到1，观察回答从“严谨”变“发散”的过程；
• 做一个“记忆”存储，让模型在后续对话里能引用前几轮的信息。

验收标准：连续对话十轮不崩，关闭程序后对话记录能保存下来，重新打开可以接着聊。这个小项目会让你第一次感受到“我控制的不是玩具，而是一个可编程大脑”。

4.2 项目2：本地部署一个开源轻量模型

目标只有一个：理解“模型部署”不是魔法，而是把权重加载进内存，按前向公式算一遍。实操步骤：

• 找一个3B到7B参数规模的开源模型；
• 用支持CPU或小显存运行的推理框架跑起来；
• 了解量化概念：把FP16权重压成INT4，感受同样的模型在速度和质量之间的变化。

这里给你一个实用的显存估算公式：模型参数量乘以2字节，大约是FP16精度下的显存需求。例如7B参数模型，FP16大概需要14GB左右显存，量化到INT4后大约只要4到6GB。知道自己机器的上限，就知道该选什么规模的模型，这个公式值不少钱。

验收标准：能用本地模型回答一段中文问题，延迟在你能接受的范围里。做完这个项目，你会自动理解上下文长度、显存溢出、批量推理这些之前看不懂的词。

4.3 项目3：给模型装一个“外挂知识库”（RAG）

主流对话模型有两个天生问题：一是会一本正经地胡说八道，二是知识截止时间固定。想让模型聊你自己文档里的内容，不需要重训练，用RAG就能解决。

整个流程拆开其实不复杂：

1. 加载并解析文档（PDF、Word、TXT都可以）；
2. 把长文本切成小块；
3. 把每一块转成向量（也就是嵌入）；
4. 存入向量检索库；
5. 用户提问时，检索出最相关的若干块；
6. 把检索结果和问题拼成提示词，一起发给模型。

验收标准：上传一份本地文档，问文档里的细节问题，模型能给出有依据的回答，而不是凭空编。这一步里有个非常重要的提示词技巧——在模板里写明“请只根据提供的资料回答，如果资料中没有相关内容，请直接说不知道”，能明显减少幻觉。

RAG值得反复调优。我的经验是：文本切块大小在256到512个token之间效果比较稳，切太大检索精度下降，切太小上下文碎片化；检索结果顶部相关度不高的块宁可不拼进去，也别硬塞给模型。

4.4 项目4（选做）：用LoRA做一次小成本微调

如果前面三个项目都做完了，你觉得自己还有余力，可以再往深处走一步：LoRA微调。它的思路非常聪明：把模型原有参数冻结住，只训练额外插入的一小部分低秩矩阵。这样真正需要更新的参数少了很多，单张消费级显卡也能试一试。

做这个项目时记住几个关键点：

• 数据量不要贪多，几万条以内先跑通全流程；
• 数据质量大于数据量，格式混乱、内容重复的数据会把模型带偏；
• 微调后模型可能“学坏”，一定保留一份原始权重用于对比；
• 常用配置参考：LoRA的rank在8到32之间，学习率大概在1e-4到2e-5这个范围。

验收标准：微调后的模型在特定场景下表现稳定，比如学会“每次只回复短句”或“用特定文档风格回答问题”，同时通用能力没有明显退化。做不过去也没关系，它是高阶选修，做完前三个项目，你已经能在应用层拿得出手了。

5. 第四阶段（第5~8个月）：选一条赛道深耕，丢掉“什么都会一点”的错觉

走到第五个月，很多东西你已经碰过了：API、提示词、本地部署、RAG、甚至简单的微调。这时候最该做的不是继续横向铺开，而是收敛。万金油式的学习会让你在真正面对行业需求时说不清自己擅长什么。

5.1 三条赛道对应的技能树

从零基础开始的人，我通常建议优先走应用开发路线。这个方向对数学要求没那么高，需求量大，而且每个阶段做出来的东西都能直接给别人看，适合边学边积累信心。

5.2 怎样才算真的“学会了”

一个常见现象是：学了大半年，心里还是没底，因为只知道自己“学过”什么。可以用三个标尺检验自己：

• 不看任何资料，能不能独立写完一个完整功能模块；
• 能不能用大白话给一个完全不懂技术的人讲清楚某个原理；
• 遇到一个没见过的需求，有没有一套自己的排查和设计方案。

三个问题如果你都能答得上来，你就是真的入门了。如果哪一条答不上来，就回头补对应阶段的实践，别急着追新东西。

6. 零基础最容易踩的坑，我替你先踩过一遍

这条路线看起来顺，实际执行时很多人会花式跌倒。下面五个坑是我见过最多的，也是我自己经历过的，每一个都对应一个解药。

6.1 五个高频坑和解法

• 坑1：收藏资源等于学会。解药：给自己立规矩，每个阶段至少产出一个能点开看到效果的东西，收藏的视频再多也不算数。
• 坑2：一上来就复现源码、读论文。解药：先跑通别人写好的代码，改着玩，再回去读论文，顺序反过来就是自虐。
• 坑3：觉得没有显卡就学不了。解药：起步阶段用云平台和API完全足够，显卡是做到微调时才需要考虑的事。
• 坑4：跳过基础直接冲“微调”。解药：先部署推理，再RAG，最后才是微调，这个顺序每跳一步都会在后面连环踩坑。
• 坑5：一个人闷头学，遇到问题死磕不放。解药：找社群、找学习搭子，每周汇报一次自己的进展，哪怕作品很简陋——说出来本身就是一种质检。

6.2 最后，说点我自己的体会

我见过很多零基础的人最后没学成，不是因为难，是因为想一口气把所有知识都装进脑子里。学大模型不像按顺序背教材，更像学一门“与模型协作”的手艺。你今天写的每一行调用代码、调过的每一个温度参数、踩过的每一次崩溃，都会在未来某个项目里变成你的直觉。

我的个人习惯是每天记一条“模型行为日志”：今天它在什么情况下表现惊艳、在什么情况下翻车、我怎么调整提示词让它回来。坚持几个月之后再回看，那本日志比任何课程笔记都有用。

如果你现在正打算开始，别等收藏完这篇再动手。先打开一个编辑器，写一行调用模型的代码，让第一个回答从屏幕上蹦出来——这条路，就是从那里真正开始的。