以下是为 AI 0 基础使用者提供的学习建议：
首先，带着好奇心去尝试。随便找一个国产 AI，然后随便聊点什么，比如小学奥数题，写一篇演讲稿，怎么看待 996 的牛马生活。看看 AI 擅长什么，不擅长什么，有没有地方能帮到你，有哪些地方做的其实不够好。不用一开始带着太强的目的性，就把它当作天猫精灵来玩。在聊了一段时间之后，每个人会有自己觉得更顺手的应用，留下来 1 - 2 个增加使用深度。当然如果条件足够，也可以直接氪 ChatGPT 或者 Claude，之后在处理一些复杂的任务时会省力一些。
了解AI基本概念：首先，建议阅读「[从这里启程](https://waytoagi.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=blkjooAlLFNtvKJ2)」部分，熟悉AI的术语和基础概念。了解什么是人工智能，它的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。浏览入门文章，这些文章通常会介绍AI的历史、当前的应用和未来的发展趋势。开始AI学习之旅：在「[入门：AI学习路径](https://waytoagi.feishu.cn/wiki/ZYtkwJQSJiLa5rkMF5scEN4Onhd?table=tblWqPFOvA24Jv6X&view=veweFm2l9w)」中，你将找到一系列为初学者设计的课程。这些课程将引导你了解生成式AI等基础知识，特别推荐李宏毅老师的课程。通过在线教育平台（如Coursera、edX、Udacity）上的课程，你可以按照自己的节奏学习，并有机会获得证书。选择感兴趣的模块深入学习：AI领域广泛（比如图像、音乐、视频等），你可以根据自己的兴趣选择特定的模块进行深入学习。我建议你一定要掌握提示词的技巧，它上手容易且很有用。实践和尝试：理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出你的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎你实践后的分享。体验AI产品：与现有的AI产品进行互动是学习AI的另一种有效方式。尝试使用如ChatGPT、Kimi Chat、智谱、文心一言等AI聊天机器人，了解它们的工作原理和交互方式。通过与这些AI产品的对话，你可以获得对AI在实际应用中表现的第一手体验，并激发你对AI潜力的认识。
今年AI的关注度明显变高了，很多周围的朋友都知道了kimi和豆包，说明投广告还是挺有用的。但很多反馈下来觉得AI挺有意思，但并没有传说中吹的那么强，有的时候说的还是错的。这其实是个很好的现象，说明大家在运用的时候，不会像看短视频一样无脑吸收了，而是用审视的眼光去看待新工具，这是链式思维(CoT)中非常重要的一环。因为没有作品可以晒，就大概说说目前主流的LLM人工智能的学习路径吧，可能不一定是最好的，但基本亲测高效。[heading2]第一步：带着好奇心去尝试[content]现在大部分人说的AI，本质上都叫做“生成式人工智能”Generative AI(GAI)，那么AI生成的内容理所当然就叫做AIGC(AI Generated Content)，好像只有国内这么叫。所以如果从0开始学习AI，只要记住“生成”两个字就可以了。什么Transformer，BP，RAG，RNN，Diffusion，暂时都和我们没有关系。接下来，随便找一个国产AI（其实国产AI的基础性能做的并不差，可以解决日常的很多问题），然后随便聊点什么，比如小学奥数题，写一篇演讲稿，怎么看待996的牛马生活......看看AI擅长什么，不擅长什么，有没有地方能帮到你，有哪些地方做的其实不够好。不用一开始带着太强的目的性，这样会限制我们提问的开放程度，就把它当作天猫精灵来玩就行了。在聊了一段时间之后，每个人会有自己觉得更顺手的应用，留下来1-2个增加使用深度就可以了。当然如果条件足够，我们也可以直接氪ChatGPT或者Claude，之后在处理一些复杂的任务时会省力一些。
对于AI，可以尝试了解以下内容，作为基础AI背景知识基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。历史发展：简要回顾AI的发展历程和重要里程碑。数学基础统计学基础：熟悉均值、中位数、方差等统计概念。线性代数：了解向量、矩阵等线性代数基本概念。概率论：基础的概率论知识，如条件概率、贝叶斯定理。算法和模型监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。无监督学习：熟悉聚类、降维等算法。强化学习：简介强化学习的基本概念。评估和调优性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。模型调优：学习如何使用网格搜索等技术优化模型参数。神经网络基础网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。激活函数：了解常用的激活函数，如ReLU、Sigmoid、Tanh。