AI 大模型学习路线
当下 AI 大模型在人工智能领域的热度持续攀升，成为技术圈的核心风口。面对繁杂的技术资料，系统化的学习路径至关重要。以下整理了从 0 基础入门到精通实战的学习规划，涵盖应用、开发、训练及部署等关键阶段。
四阶段学习规划
第一阶段：初阶应用（约 10 天）
建立对大模型 AI 的前沿认识，理解其核心能力与业务架构。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
第二阶段：高阶应用（约 30 天）
进入进阶实战，构造私有知识库，扩展 AI 能力，开发基于 Agent 的对话机器人。适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
第三阶段：模型训练（约 30 天）
掌握微调技术，独立训练开源多模态大模型，深入技术方案。
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer 结构简介
- 轻量化微调
- 实验数据集的构建
第四阶段：商业闭环（约 20 天）
认知全球大模型性能、吞吐量与成本，掌握云端和本地部署，探索项目或创业方向。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
