对想学习人工智能或者大模型技术从业者的建议，零基础入门到精通，收藏这篇就够了

关注

原创最新推荐文章于 2026-07-17 16:59:06 发布 654 阅读 AI 写同款· GEO 优化 ›

论文阅读——Bayesian Knowledge Fusion（贝叶斯知识融合）该篇论文解决了不确定环境中的信息融合问题。想象一下，有多位专家针对同一情况构建概率模型，我们希望汇总他们提供的信息。直接合并每个信息可能会遇到几个问题。例如，专家们可能不同意某个事件发生的概率，或者他们可能不同意两个事件之间因果关系的方向（例如，一个人认为 A 导致 B，而另一个人认为 B 导致 A）。他们甚至可能不同意概率网络中一组变量之间的整个依赖结构。阅读详情

“ 技术的价值在于应用，理论与实践相结合才能事半功倍**”**

写这个关于AI技术的公众号也有差不多五个月的时间了，最近一段时间基本上都在保持日更状态，而且写的大部分都是关于大模型技术理论和技术方面的东西。‍‍‍‍‍‍‍‍‍

然后最近一段时间就发现了一个问题，写的越理论的东西看的人越多，越实际越细节的东西看的人越少，不知道是因为系统推送的原因，还是观看者的原因。‍‍‍‍‍

因此，根据这个现象就想提几个学习的建议，让大家少走一点弯路。‍‍‍‍‍‍‍‍‍‍‍‍‍

—

人工智能技术学习建议‍‍‍

这个关于学习人工智能技术的建议，也可以说是一个学习技术的方法论。

首先大家要明白一点——(任何)技术都是一个更偏向于实践的东西，具体来说就是学习技术实践要大于理论，要以实践为主理论为辅，而不是反其道而行之，但是在实际的经历和观察中，我发现很多人却是以理论为主，实践为辅。‍‍

_知行合一，在知中行，在行中知_‍‍‍‍‍‍‍‍‍

就拿这个公众号来说，越理论的东西看的人越多，真的涉及到实操的部分看的人反而变少了。

比如说，很多人对什么是人工智能，什么是神经网络，什么是大模型，什么是多模态大模型等等很感兴趣；但对大模型实际过程中的训练数据的收集与清洗，损失差和反向传播等核心操作却视若无睹。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

但是这些理论的东西，每个理解过人工智能技术的人都能说上几句；但真的让他来实际操作从大模型的选型，模型的训练和部署来打造一个能用的大模型，这时他就开始傻眼了。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

理论需不需要懂？‍‍‍‍

需要，但并不是特别需要；很多理论只是看别人的书和文章你是不会真正明白的，只有实际动手操作时才能真正理解理论。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

就类似于java面试八股文，随便一个面试者都可以说上几句；但一旦涉及到具体的业务场景或技术场景，这时很多人就傻眼了，而这也是不同面试者之间的差距。‍‍‍‍‍‍‍‍‍‍‍‍‍‍

理论并不等于技术，技术也不等于理论，技术更多时候是理论和实践的结合；在实践中检验理论，在理论中指导实践，最后理论和实践互相验证，互相修正。‍‍‍‍

所以说，学习大模型技术最重要的是上手实践一下，不一定非要像openAI，谷歌，meta一样搞那么大的模型，哪怕只是设计一个两三层的神经网络模型，然后自己完成模型的设计，训练和部署也比一直看理论更有用。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

或者是找一些开源的大模型项目，看看它们解决了哪些问题；是怎么做的，又为什么这么做，是否有其它解决方案；而且一些小模型个人电脑就可以跑的起来，或者找一些免费的GPU资源，比如谷歌的Colab平台。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

这样你才能知道不同模型之间的差别是什么，怎么使用模型解决不同领域的问题等。‍‍‍‍‍‍‍‍‍

_学习大模型的三个方向_‍‍

很多人学习人工智能技术就一心扑在技术上，认为自己把技术学好了就一定能找到工作，一定能成为公司技术部核心成员；但大家要明白的一个事实是，技术是为业务服务的，技术的作用是解决业务问题，而不是搞学术研究。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

学习大模型技术，个人认为有三个方向：‍

大模型基础技术大牛‍‍‍‍‍

说白了就是数学大牛，大模型技术本质就是一个数学模型，因此需要做这个方向的技术人员更多的是数学专业的大牛；比如说微分，概率，线性代数等。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

他们的作用是设计更好的机器学习算法和打造更好的技术学习模型，比如怎么设计一个更好的神经网络，怎么设计更好的损失函数，怎么优化反向传播算法等。‍‍‍‍‍‍‍‍

这种工作更加偏向于底层技术和学术研究，而且这种人才待遇好，要求高，基本上不是名牌大学毕业的很难参与进来。‍‍‍‍‍‍‍‍‍

大模型“运维”人员‍‍‍‍

之所以说是“运维”人员，是这个方向需要做的就是根据企业的业务需求，找到合适的商业或开源模型，然后能够收集和处理训练数据，然后完成模型的训练，部署和升级等任务；能够熟练使用不同的模型和工具处理不同领域的问题。因为他们特别像传统的服务器维护人员，因此叫大模型“运维”。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

这个技术方向就需要懂得大模型的基础理论，并且有很强的实操能力，然后有充足的业务经验，能够把大模型和业务场景相结合，因此这个更看重的是经验和实操，反而技术要求并不高，重要的是能够熟练使用各种工具。‍‍‍‍‍‍‍‍‍‍‍‍‍

大模型上层应用构建‍‍

再一个方向就是基于大模型构建上层应用，这个方向更像是一个传统的技术开发者，不需要了解大模型的运作原理，只需要能使用大模型的功能文档和接口文档即可，如果能懂一些大模型的理论就更好不过了。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

个人建议

对大部分人来说，选择后两种方式比较好，最好是能把后两种方向结合起来。因为研究大模型基础技术的成本太高，绝大部分企业都没有足够的资金和技术来实现，因此其就业的压力和竞争力可想而知。‍‍‍‍‍‍‍‍‍

其次，后两个方向只需要有一定的经验和学习能力就可以做到，甚至很多程序员可以直接转行成为第三种大模型应用开发者。‍‍‍‍‍‍‍‍

所以，对大部分人来说，最好的选择就是搞大模型应用，门槛相对较低，前景广阔。‍‍‍

因此，对个人来说一定要弄清楚自己的定位，否则就会导致自己没有努力的方向；然后这个也想学，那个也想学，最后什么都会又什么都不会。‍‍‍‍‍‍‍‍‍‍‍

人工智能机器人小程序，感兴趣的可以点击查看：

_学习写作_‍‍‍‍

对技术人员来说，写作应该是一项必不可少的技能之一。写作的作用并不是说要你的文笔有多好，而是要把自己学习和思考的过程给记录下来，哪怕是错的。‍

一是方便后续回顾，二是写作的过程是一个从新思考的过程，有些不明白不清晰的地方在写作的过程中就会重新进行思考，这时就会有一个更加清晰的认识。‍‍‍‍‍‍‍‍‍