一张地图，
从入门走到前沿

一篇文章拆清楚四个被搞混最多的词，从此你不会再被任何吹牛和黑话唬住。

70 年压成 15 分钟。不讲流水账，只挑改变了游戏规则的 11 个时刻。

不要再听吹牛和黑稿了，我们一条一条核对：哪些事 AI 已经做得比你好，哪些事它彻底做不了。

为什么 AI 会一本正经地胡说八道？这不是 bug，这是它本来就这样工作。理解了机制，你就知道怎么用。

不用学黑话，10 个动作就够。这一篇让你的 AI 使用水平直接超过 80% 的人。

一个我们以为很清楚、其实从来没说清楚过的词。当你下次纠结"AI 算不算真的智能"，先看完这篇。

理论讲完了，上手最快。手把手注册、登录、第一句话怎么说。

不要问"会不会取代你"，问"会取代你工作里的哪些部分"。这一篇给你一个能套用一辈子的判断框架。

不吹也不黑，把三大模型的优劣摆在桌面上。哪个最适合你，取决于你要干什么。

你贴进 ChatGPT 的合同、病历、产品机密——它们怎么处理？谁能看到？这些事知道了，你才能放心用。

Token、Embedding、Transformer、RAG、Fine-tuning……这些每天在群里飞的黑话，一次性给你讲完。

恭喜读完启蒙路径。这一篇帮你规划下一步——是继续往深里学，还是横着拓宽，还是直接动手做项目。

被高中数学伤过没关系。我们用图、动画、Python 代码把 AI 数学讲清楚——不会的不要先怕，是教材写得不行而已。

所有 AI 的本质都是矩阵运算。这一篇不讲行列式不讲特征值，只让你"看见"向量在干什么。

"训练神经网络" 的本质就是导数。把这个词搞懂，AI 的训练流程在你眼里就再不神秘了。

所有 ML 模型其实都在干同一件事：寻找让"看到这些数据"的概率最大的参数。这个观点一旦你 get 了，整个 ML 都通透了。

损失函数为什么长 -log P 这样？这一篇从信息论角度回答。理解了，你看到任何损失函数都不再陌生。

把 L1 前 5 篇的所有数学武器组合起来——让我们手算一遍真实神经网络的梯度。

只讲 ML 用得到的 Python 子集——不教 OOP，不教装饰器，不教 generator。够用就好。

NumPy 是所有 ML 代码的地基。这一篇让你的"循环式思维"升级为"向量化思维"——快 100 倍的那种。

看到 CSV、Excel 这些"表格数据"，先用 Pandas 装起来再说。这是 ML 工程师每天用的工具。

把 L1 全部的数学和 Python 武器组合起来——这是你的"AI 工程师"入门仪式。

所有机器学习算法都属于这三类之一。理解这个分类，你立刻能给任何算法"找它的家"。

你以为线性回归很简单？神经网络的最后一层、几乎所有 ML 的起点——都是它。

名字叫"回归"其实是分类。在神经网络出来之前，逻辑回归是工业界分类的事实标准——今天仍然是 baseline。

一连串"是不是"问题，组成一棵决策的树。它是 XGBoost、LightGBM 等竞赛王者算法的基石。

单棵树平庸，一群树投票就能逆天。Kaggle 十年霸主 XGBoost 的来历，就在这一篇。

没标签也能学。K-Means 是用户分群、图像压缩、市场分析的瑞士军刀——20 行代码就能写。

会训模型不算啥。会判断模型"行不行"、知道为啥不行、怎么修——才是真正的 ML 工程师。

深度学习火之前，SVM 统治了 2000-2010 整整一个时代。今天它仍然是小数据集和文本分类的最优选之一。

你以为梯度下降只是"沿梯度反方向走"——其实有 10 多种花式走法。Adam 凭什么成为深度学习默认款？

所有神经网络都是从一个 1958 年的简单模型扩展来的。这一篇讲清楚"神经元"到底是个啥。

2017 年 Transformer 出现前，所有处理语言/语音的 AI 都靠 RNN 和它的衍生品。理解它的兴衰，才理解为什么 attention 是革命。

Attention is all you need. 这一篇带你从"它到底在干嘛"到"它的每行公式"，一次性吃透 Transformer 的核心。

在 Transformer 称霸前，CNN 是计算机视觉的统治者。它今天仍然是处理图像的标配。这一篇讲清楚"卷积"到底是什么。

注意力是核心，但 Transformer 还有位置编码、FFN、残差连接、LayerNorm。这一篇把它们组合成一个完整可跑的模型。

都是 Transformer，为啥一个做"理解"一个做"生成"？两者的训练目标差一个根本性的设计选择。

"训练一个 ChatGPT" 不是一步，是三步。每一步用完全不同的数据和目标。看完你能跟工程师对话。

L0-05 教你 10 个基础招。这一篇讲学术研究里的"硬核" prompt 工程——能让 GPT-4 在数学题上从 50% 升到 85%。

为什么 GPT 把"strawberry"切成 4 个 token？为什么数错"strawberry 有几个 r"？这些都和 tokenizer 有关。

企业 AI 应用 90% 都是 RAG。这一篇带你搭一个能跑的 RAG 系统——从分块到部署。

从"问一句答一句的对话"到"能连续工作 4 小时的同事"——Agent 是 LLM 应用工程的下一步。

不用重训整个 70B 模型，只调几百万个参数，一张消费级显卡就能微调 LLM。

GPT-3 让所有人惊讶的能力——不微调，只给几个例子就能学。它是怎么工作的？这一篇用研究解读。

Anthropic 2024 提出的 MCP——让任何工具能接入任何 LLM。一年时间成为 AI Agent 生态的事实标准。

怎么知道你的 LLM 应用"好不好"？这一篇讲学术 benchmark + 工程评估的完整工具栈。

LLM 能用工具——但要让它"用得稳、用得对、用得省"是另一门工程艺术。这一篇讲实战。

一个 Agent 够强了吗？很多场景下不够——需要多个 Agent 分工。AutoGen、CrewAI 等框架开启了"AI 团队"时代。

L4-07 讲了 MCP 是什么。这一篇手把手教你写一个能让 Claude / Cursor 直接用的 MCP server。

LLM 调用又贵又快——一不小心就把 AWS 账单炸了。这一篇讲实战中的成本管控技巧。

GPT-4o 能识别你画的草图、Sora 能生成视频——这些"多模态"AI 是怎么做到的？这一篇打开全景图。

Stable Diffusion、DALL·E 3、Sora 都基于扩散模型。这一篇讲清楚它的核心数学——用最少的公式。

把图像切成 patch，喂给 Transformer——视觉领域 2020 年最大的范式转变。

OpenAI 开源的 Whisper 是当下最强语音识别。手机录音转文字、会议纪要、字幕生成——背后几乎都是它。

从机器人腔到逼真人声——TTS 走过的路。VALL-E 让 3 秒声音克隆任何人——这个能力的两面性。

Sora、Runway Gen-3、Veo、Kling……2024-2026 视频生成爆发。这一篇讲技术原理 + 工程细节 + 商业格局。

能力越强的 AI，对齐越关键。这一篇讲清楚"对齐"到底是什么，为什么它是 AI 时代最重要的研究方向之一。

OpenAI 用 RLHF，Anthropic 用 CAI。它们都让 LLM "听话"，但思路完全不同。

AI 安全的"反派"视角——专门找模型漏洞的人在做什么。理解攻击才能防御。

LLM 是黑盒——但研究者已经能从几百亿参数里"读出"具体的概念了。这一篇带你认识 AI 内部的"心理学"研究。

训练数据是人类社会的镜像——AI 学到的"模式"包含了所有偏见、刻板印象、不公平。这一篇直面这个问题。

AI 公司和应用面临的法律义务正在快速演化。这一篇给你全球三大法域的对照表 + 影响。

想做 AI 安全研究？这一篇讲方向、机构、起步项目、推荐阅读——这是 2026 年最稀缺的人才方向之一。

A100、H100、B200 是什么？为啥 AI 用 GPU 不用 CPU？这一篇打开硬件的黑盒。

一张 H100 装不下 70B 模型。怎么把训练任务分给几千张卡？这一篇梳理 4 种主流并行策略。

训完模型只是开始。让 LLM 在生产环境跑快、跑省、跑稳，是另一套工程艺术。

让 70B 模型塞进 24GB 显存——量化是消费级硬件跑大模型的关键。这一篇详解各家方案。

训出来一个模型只是开始。怎么把它变成一个 24/7 稳定、便宜、可扩展的服务？这一篇讲生产工程。

梯度检查点 / 混合精度 / Activation Recomputation / ZeRO Offload——这些工程技巧让 70B 模型在单卡上能微调。

一个 LLM 产品上线后，怎么知道它"行不行"？慢了、错了、贵了、被攻击了？这一篇讲监控栈。