写给高中毕业，准备自学 AI的同学们，请你们利用好6 月到 9 月这个暑假。高考结束、大学还没开学，是难得不被作业和考试切割的完整时间。本文的安排，就是先用这个暑假打下最关键的地基，再在上大学之后用每天 2～3 小时的节奏往上走。快慢你自己定，但顺序别乱。

一、先想清楚：你要走到哪一步？

“学 AI”是个太大的词。同样四个字，背后可能是三条深浅完全不同的路。先对号入座，再决定投入多少。

学 AI 的三层目标。建议所有人都快速过一遍第一层，然后认真扎根第二层。

第一层：会用 AI。把大模型当工具，用提示词、用 AI 写代码和查资料。几周就能上手，不需要数学和编程。但说句实话——这层正在迅速变成像“会用搜索引擎”一样的基本素养，单凭它很难构成竞争力。

第二层：会做 AI 应用。你能调用别人训练好的模型，搭出真正的东西：问答机器人、图像识别小程序、能联网查资料的智能体（Agent）。这层需要会编程（Python）、需要一点点数学，是绝大多数“AI 工程师”实际在做的事，也是性价比最高的目标。

第三层：懂 AI、能改 AI。你理解模型内部怎么工作，能读懂论文、复现算法、训练和改进模型。这层需要扎实的数学和编程，是大学里科研、读研、进核心算法岗要走的路。

这篇文章的建议是：所有人都从第一层快速过一遍，然后认真扎在第二层，并为想往第三层走的人指明地基怎么打。你不必现在就决定走多远，但要知道每一层的门槛在哪——这样你既不会在第二层被“训练大模型要上万张显卡”吓退，也不会以为看几个视频就摸到了第三层。

二、关键认知：把几个概念彻底掰清楚

动手之前，有几组概念若不弄清，后面会一直糊涂。这里直接给出正确理解，不绕弯。

AI、机器学习、深度学习、大模型，是层层包含、不是并列的。 人工智能（AI）是最大的圈：让机器做需要智能的事。机器学习（ML）是其中最主流的方法：让机器从数据里自己找规律。深度学习（DL）是机器学习里用“神经网络”的一类。大模型则是深度学习训练出的、参数极多的一种模型。记住：大模型 ⊂ 深度学习 ⊂ 机器学习 ⊂ 人工智能。

“训练”和“使用”是难度天差地别的两件事。 训练是从零造模型：喂海量数据、调上千亿参数，要上万张显卡跑几个月、花费上亿，是大公司做的事。使用（推理）是模型造好后你给输入、它给输出，一瞬间、一部手机就行。作为自学者，你在第二层做的绝大多数事，是“使用”别人训练好的模型，而不是从零训练。 别被“训练大模型”吓退。

大模型的本质，是“根据前文猜下一个词”。 它一个词一个词地预测“下一个最该出现什么”。这能解释它为什么强（对词与词的衔接极其敏锐），也能解释它为什么会一本正经地胡说——它追求“读起来合理”，而非“事实正确”。这个毛病叫“幻觉”，后面会反复提到。

监督学习是入门第一块硬骨头，先搞懂它。 最该先弄懂的是监督学习：给模型大量“题目+标准答案”（如很多张标好猫狗的图片），让它学会从题目预测答案。回归（预测数值，如房价）和分类（预测类别，如猫还是狗）是它两种最基本的任务。这是整个机器学习的地基，绕不过去。

三、五个阶段：一条真实可走的路

下面是核心。我把从零到拿得出手的过程分成五个阶段，分配到两段时间：阶段 0～2 争取在暑假集中拿下，阶段 3～4 留到大学慢慢啃。每个阶段都标了“学什么、为什么、用什么、到什么程度算过关”。具体进度你自己安排，唯一的铁律是按顺序、别跳级。

五个阶段、两段时间。暑假打地基，大学往深走，顺序不能乱。

🌞 暑假冲刺期（6 月～9 月）：把地基打到机器学习

这三个月目标明确——走完阶段 0 到阶段 2，真正跨进“会做 AI”的门槛。这是整条路里最该用整块时间猛攻的部分，因为它需要连续、专注，最怕被零碎时间切断。

阶段 0：会用 AI（暑假第 1～2 周）

目标：把 AI 变成你接下来整个学习过程的“助教”。这一步投入最小、回报最快，会贯穿后面所有阶段。

学会写清楚的提示词：说清你是谁、要什么、给谁看；给例子比给抽象要求有效；让它分步推理；不满意就追问。更重要的是让 AI 当你的学习伙伴——看不懂的概念让它换种方式解释、让它出题考你、让它检查你的代码哪里错了。

⚠ 一条贯穿始终的纪律  AI 会胡说。它给的事实、代码、公式都可能错得很自信。把它当成“知识渊博但偶尔信口开河的学长”——你会请教他，但每一个要紧的结论都自己验证。这条纪律从今天起，到你成为专家那天，都不能丢。

阶段 1：编程地基——Python（暑假第 3～6 周）

为什么：AI 领域几乎所有工具、教程、代码都用 Python。不会 Python，第二层以上寸步难行。好消息是它公认最容易上手。

学什么：变量、循环、条件、函数、列表/字典等基本数据结构、面向对象的基本概念。然后立刻进入三个 AI 必备的库——NumPy（数值计算）、Pandas（处理表格数据）、Matplotlib（画图）。强烈建议用 Jupyter Notebook，边写边看结果，特别适合学习。

用什么资源：哈佛 CS50P 是公认的入门“黄金标准”，明确面向零基础；喜欢边看边练的可用 Scrimba 的交互式 Python 课；想要练习量和免费证书的可选 freeCodeCamp。挑一个坚持学完，别同时开好几个。

过关标准：能独立写出一两百行的小程序（如命令行小游戏、数据清洗脚本），能用 Pandas 读入 CSV 并算出基本统计量。

阶段 2：机器学习核心（暑假第 7 周～开学前）

为什么：这是从“会写代码”跨到“会做 AI”的关键一跃，也是整个领域真正的地基。

学什么：监督学习（回归、分类）、模型怎么评估好坏（训练集/测试集、过拟合、准确率）、几个最经典的算法（线性回归、逻辑回归、决策树）。你会第一次真正“训练”出自己的小模型——注意，这里是在小数据上训练小模型，普通电脑就能跑，和第二节说的“训练大模型”完全是两个量级。

用什么资源：吴恩达（Andrew Ng）的 Machine Learning Specialization（Coursera 上的三门课版本，2024 年更新、用 Python）是 2026 年公认的最佳起点，被无数从业者当作入门第一课，且不要求很深的数学。注意别选错：要选这个三门课的“专项课程”，不是那门用旧语言的老版单课。学完它，配合 Kaggle 上的真实数据集动手练，效果最好。

过关标准：能拿一个真实数据集（如经典的泰坦尼克号生还预测），独立完成从数据清洗、训练模型到评估效果的全过程，并说清你的模型为什么会犯某些错。

✓ 暑假走到这里  你已经把大多数人要到大学才接触的东西，提前握在了手里。开学后下面两个阶段不必赶——用每天 2～3 小时的节奏，结合大学课程慢慢深化即可。

🎓 大学慢学期（开学之后）：每天 2～3 小时往深走

进了大学，专业课、社团、各种事会让整块时间消失。但这恰恰是阶段 3、4 适合的节奏——它们更需要“持续”而非“猛攻”。每天稳定投入 2～3 小时，配合大学的数学和编程课，你会走得比暑假更扎实。

阶段 3：深度学习与大模型（大一上学期起）

为什么：今天最火的 AI——图像识别、ChatGPT、AI 绘画——背后都是深度学习。这一阶段你会真正理解神经网络，并学会站在巨人肩上做东西。

学什么：神经网络的基本结构和“它如何通过反复试错来学习”、一个主流框架（PyTorch 是 2026 年的主流推荐，研究界用得最多）、以及现代大模型的核心思想——Transformer 和“注意力机制”。关键策略是：不要从零训练大模型，而要“站在巨人肩上”——用别人训练好的模型做“迁移学习”和“微调”，用 Hugging Face 这样的平台直接调用强大的开源模型。这才是真实项目里的常态。

用什么资源：fast.ai 的 Practical Deep Learning（免费，由前 Kaggle 世界第一 Jeremy Howard 主讲，以“先动手做出东西再讲原理”著称）非常适合这一阶段；想要更体系化的理论，可接着学吴恩达的 Deep Learning Specialization。

过关标准：能用 PyTorch 搭一个简单神经网络完成图像分类；能调用一个开源大模型，做出一个小应用（如针对某个领域的问答机器人）。

阶段 4：做出真正的项目（贯穿大学，越早开始越好）

为什么：到这一步，真正能证明你水平的，不是你看过多少课，而是你做出过什么。 一个能跑、能展示、能讲清楚的项目，胜过十张证书。

怎么做：选一个你真正感兴趣的问题——你喜欢的运动、游戏、音乐、某个学科——用 AI 去解决它。把代码放上 GitHub，把过程写成文档。现在很火的方向是“智能体（Agent）”：让 AI 不只回答，还能自己调用工具、查资料、分步完成复杂任务。这是个很好的项目方向。

过关标准：你有至少一个放在 GitHub 上、别人能看懂、你能从头讲到尾的完整项目。这就是你将来申请实习、参加竞赛、甚至跟大学教授套近乎时最硬的敲门砖。

四、数学：到底要不要学、学哪些、怎么学

这里最容易被两种极端误导：一种说“AI 全是数学，没基础别碰”，把人吓跑；另一种说“现在有库有 AI，根本不用数学”，把人骗瘸。真相在中间，而且很清楚：

做第一层（会用），不需要数学。

做第二层（会做应用），需要“看得懂”的数学。

做第三层（懂原理、搞科研），需要“算得出、推得动”的数学。 

学到什么程度，取决于你想走多远。

如果你想走到第二层及以上，下面三块是公认的核心地基，它们恰好也是你大学理工科必修的内容，现在提前学，等于抢跑：

支撑 AI 的三块数学地基，及它们各自在 AI 里的作用。

怎么学才不痛苦：不要先啃完一整本厚教材再去碰 AI——既枯燥又记不住。更好的办法是边用边补：在阶段 2、3 遇到具体概念时，回头针对性补那一块。3Blue1Brown 的《线性代数的本质》《微积分的本质》系列（B 站和 YouTube 都有）用动画讲透直觉，是公认的最佳补课材料；可汗学院（Khan Academy）适合系统地一步步练。记住：对自学者，先建立直觉、用到时再深究，比按部就班啃完教材更有效。

五、自学 vs 上大学：不是二选一，而是抢跑

你可能会想：反正大学里会教，何必现在自学？这个想法，会让你白白浪费掉这三个月最宝贵的先发优势。真相是——自学和大学不是二选一，提前自学的人，进了大学是开了倍速在跑。

第一，你把“听不懂”提前消化掉了。 大学的 AI、机器学习课往往节奏快、一上来就是公式，第一次接触的同学常被淹没、整学期都在追赶。而你若暑假已亲手训练过模型、踩过坑，再听课时那些抽象公式就不是天书，而是“哦，原来我那次调不通的就是这个”。同一节课，你听到的是第二遍，理解深度完全不同。

第二，你知道数学“为什么要学”，学起来不再痛苦。 很多同学觉得线代、微积分、概率论难学，因为不知道这些符号有什么用。但你提前在 AI 里见过梯度下降、见过矩阵运算，再上这些课时是带着问题去学的——你清楚“矩阵乘法就是神经网络在算的东西”。带着目的学数学，和为考试而学，效果天差地别。

第三，你能更早抓住别人抓不到的机会。 大学的科研项目、竞赛、教授的实验室，往往更愿意要“已经会动手”的学生。当大二的同学还在学基础时，你已有 GitHub 上拿得出手的项目、能直接上手帮教授做事。实习、保研、推荐信——这些将来要紧的东西，起点就在你现在愿不愿意提前动手。

第四，你提前想清楚了“要不要走这条路”。 也许学着学着你发现自己不爱写代码、更喜欢别的——这也是巨大的收获。用一个暑假试错，远好过用大学四年的学费去试错。 提前自学，本质上是用最低成本给自己的未来方向做一次真实探路。

所以，别把这个暑假当成高考后的纯放松期。适当休息当然必要，但拿出其中一部分时间动手，你换来的是上大学后实打实的领先。 这三个月怎么用，可能比你想象中更能影响接下来几年。

六、给你的两份清单

学习清单（照着做就行）

🌞 暑假冲刺期（6 月～9 月）——把地基打到机器学习

1.第 1～2 周：学会把 AI 当助教，练好提示词，定下“凡结论必自查”的纪律。

2.第 3～6 周：用一门课学完 Python，掌握 NumPy / Pandas，能写出一两百行的小程序。

3.第 7 周～开学前：跟吴恩达的 Machine Learning Specialization 入门机器学习，在 Kaggle 上拿真实数据练手，独立跑通一个完整项目。

🎓 大学慢学期（开学之后）——每天 2～3 小时往深走

4.大一起：用 fast.ai 入门深度学习，学会用 PyTorch 和 Hugging Face“站在巨人肩上”做东西，别从零训练大模型。

5.同步补数学：结合大学的数学课，从线性代数开始边用边补，用 3Blue1Brown 建立直觉。

6.持续做项目：把作品放上 GitHub。能讲清楚的完整项目，比任何证书都硬，也是实习、竞赛、保研最有力的敲门砖。

注意事项（少走弯路）

① 别跳级  没有 Python 地基就冲机器学习、没搞懂监督学习就追大模型，是自学者最常见的翻车方式。地基不稳，越往后越痛苦。

② 别用收藏代替学习  收藏几十门课、关注一堆博主，会带来“我在进步”的错觉。真正的进步只来自动手写代码、调通一个又一个报错。

③ 别从零训练大模型  那需要的算力和数据不是个人能负担的，也不是入门该做的事。学会调用和微调开源模型，才是真实世界的玩法。

④ 别让 AI 替你思考  用它讲题、查错、给思路能加速成长；用它直接生成作业原样照搬，省下的是时间，废掉的是你本该长出来的能力。学编程时，看着 AI 写出答案≠你学会了。

⑤ 数学别拖太久也别啃太早  完全不碰，到深度学习会处处卡壳；上来就啃厚教材，会枯燥到放弃。边用边补是正解。

⑥ 别贪多资源  每个阶段选一个口碑好的资源专心学完，远胜于同时开五个一个都学不完。

AI 不是少数天才的专利，自学这条路在 2026 年是真实可走通的。它不轻松——会有大量调不通的报错、看不懂的公式、做不出的项目。但只要你按对的顺序一个台阶一个台阶往上走，并且始终在动手而不是在收藏，你完全可以在上大学之前，就把别人要到大二大三才摸到的东西，握在手里。

而这一切的起点，就是眼前这个暑假。它会很快过去——你可以让它只是高考后的一段放空，也可以让它成为你甩开同龄人的那一步。这条路，从你合上这篇文章、打开第一行 Python 代码的那一刻，就