一、2026 年 AI 学习知识图谱
（一）入门阶段（0-6 个月）
核心目标是建立认知，夯实基础。你需要掌握 AI 基础概念、必备数学与编程能力，能实现简单机器学习模型。
- AI 通识：了解 AI 发展史、核心概念、主要学派及经典案例，关注多模态、具身智能等前沿趋势。
- 数学基础：微积分、线性代数、概率论与统计、优化理论，这是理解算法的基石。
- 编程基础：Python 核心语法、数据结构与算法、CUDA 基础，熟练使用 Python 处理数据。
- 传统机器学习：监督/无监督学习基础、线性回归、决策树、模型评估，入门 Scikit-learn。
- 基础实践：完成鸢尾花分类、房价预测等项目，参与 Kaggle 入门赛。
（二）进阶阶段（6-12 个月）
重点在于掌握核心算法，具备基础工程能力。目标是精通深度学习与 NLP，理解强化学习原理，能独立搭建中等复杂度模型。
- 深度学习核心：神经网络基础、CNN/RNN/Transformer 架构、LLM 预训练与微调，掌握 PyTorch/TensorFlow。
- 强化学习：价值方法与策略方法、多智能体协作，尝试实现简单项目。
- 数据工程：数据清洗、标注、特征工程，了解 Spark、Hadoop 基本使用。
- 模型开发：AutoML、模型优化（正则化、调参）、交叉验证，避免过拟合。
- 进阶实践：搭建图像分类、文本生成模型，实现简单 RAG 应用，参与开源项目。
（三）精通阶段（12-24 个月）
目标是具备系统设计与产业落地能力。掌握 MLOps 与模型部署技术，能主导企业级 AI 项目。
- 系统工程：MLOps 全流程（版本控制、监控、自动化部署）、推理框架、云平台、硬件加速。
- 产业实践：工业级系统设计、多模态融合、具身智能、AI for Science。
- 前沿技术：大模型微调与优化、Agent 系统开发、RAG 进阶、自监督学习。
- 高阶实战：主导企业级项目，设计高可用系统，解决复杂业务问题。
二、分阶段执行计划
第一阶段：筑基期（第 1-3 个月）
核心任务：掌握 AI 通识、数学与编程基础，完成简单实战项目。
- AI 通识：阅读《人工智能简史》，观看 Coursera AI 导论公开课。
- 数学基础：精读《普林斯顿微积分读本》《线性代数及其应用》，完成课后习题。
- 编程基础：学习《Python 编程：从入门到实践》，熟悉 NumPy、Pandas，阅读《算法导论》入门章节。
- 实践任务：完成鸢尾花分类、房价预测两个基础项目，使用 Scikit-learn 实现。
第二阶段：进阶期（第 4-9 个月）
核心任务：掌握深度学习、NLP 与强化学习核心内容，熟练使用框架。
- 深度学习：阅读《深度学习》《动手学深度学习》，掌握 CNN/RNN/Transformer 架构。
- NLP 与 LLM：学习 Embedding 技术、LLM 预训练与微调，了解 Qwen、ChatGLM 使用方法。
- 强化学习：阅读《强化学习：原理与 Python 实现》，掌握 Q-Learning、DQN、PPO。
- 数据工程：学习《数据科学实战》，掌握数据清洗、标注、特征工程方法。
- 实践任务：搭建图像分类模型、简单文本生成模型，实现基础 RAG 问答系统。
