AI学习资源汇总 | 反割韭菜指南

太长不看版

知识爆炸的时代里，更重要的是知识的精炼：排除噪音，抓住主线

身边有多种AI信息，要分类对待，系统学习。“学杂了的知识”是没有生产力的

“Attention is all you need” 如果这篇文章都没耐心看完，那还是弃疗吧

“Limit of understanding”; Yifei Gong 2024, with Dall-E

[作者] Ling, Lian

[图片] Yifei with Dall-E

引言

AI爆发到现在，国内技术产品没有做出太多名堂的，确实赚到钱的可能只有“卖课割韭菜”的……所以才有了“美国有OpenAI的Sam Altam，中国有卖课的李一舟”的怪相。

不过，李一舟们满足的需求是真实的：AI迭代速度过快了！即使作为从业者的我每天都觉得被各种信息打得措手不及。不仅是我自己，我周边的很成功的，但不是技术背景出身的朋友们，也会来问我“AI怎么学？”，“什么是主线？”，“未来的方向在哪里？”

在知识爆炸的时代里，信息的数量一文不值，重要的是知识的精炼：排除噪音，抓住主线。于是，我还是觉得有必要写一下这个“反割韭菜指南”。一方面是自己的学习计划，另一方面也希望对朋友们有用。（本文不是技术向）

“Watched/Observed”; Yifei Gong 2024, with Dall-E

割韭菜的识别

1. 大多数付费AI网课：误入歧途

制造焦虑，刺激眼球，卖课盈利。其课程大纲和课程内容，基本是互联网上免费知识的简单搬运 + 夸张手法吸引眼球。但致命的是这会误导我们对于行业的判断。

<如何识别>

主讲人没有AI相关学习和从业经历，但Title一大堆：“人生导师”、“XX大咖”、“成功人士” 、“几步学会AI”、“AI商业实战”（要是真会实战早就闷声发财了）

标题党唬人、制造焦虑：“再不学就被时代抛弃了”

封面是个穿西装的中年油腻男，假装霸总

短视频作为主要宣发渠道，甚至课程也是短视频形态

刺激付费明显：“限时打折”、“再砍一刀”

2. 标题党自媒体：没有重点，没有理解

更新频繁，看似全面，实则是没有深度的信息搬运工，缺乏深度分析。这些内容的主要问题是制造焦虑和浪费时间。

<如何识别>

标题夸张、充满噱头：“全球震惊”，“影视从业者要消亡了”

内容不专注，涉猎广泛：有国际大事、股票行情、明星八卦……还有AI

只告诉我们发生了什么，却不告诉我们发生的细节、为什么发生、发生后有什么影响

多数标题党自媒体的归宿都是卖课

3. 大多数机构报告：信息滞后，政治正确

大机构里一篇报告从撰写到发出的过程经常会有几个月：实习生收集信息–>分析师写第一稿–>项目经理审阅批改–>合伙人一看觉得不对又打回重写……对于一般行业，这样做没有问题，但是在AI这个一日十年的行业，市场上的大多数机构报告出来就是过时的。

第二，投行、咨询这些行业的目的是用这个报告来圈客户、卖项目；以及机构名声太大，在外不好发表直接言论。典型的是券商研报只会写公司好、行业好，很少写公司有问题；咨询公司最擅长的是讲一些方向无比正确，让别人完全挑不出毛病，但完全没有细节和可操作性的内容；世界银行、联合国的报告里最有价值的是数据，观点基本都是政治正确。

在机构里面，只有非常专注投AI的头部VC的报告还是值得看的

Sequoia 红杉资本 https://www.sequoiacap.com/

Andreessen Horowitz (a16z)  https://a16z.com/

奇绩创坛（路奇的演讲）

最后，AI相关技术过于复杂，不太容易像一般的商业模式可以通过Business Sense来理解。但这些机构里大多是经济–商业出身，对于技术有深入理解的人不多。

“中美两大AI巨头” (图片来源:澎湃新闻)

如何系统学习AI？什么是有用信息？

这里我尝试从一个非技术背景，有一定收集信息能力，有一定英语能力的人的角度出发，做了一个简要提纲。今天并没有时间把所有好的资源都列上，也会有很多遗漏，希望以后能有时间做个资料总结。另外今天也是只挑出来个人认为好的信息渠道，因为精选比数量更宝贵。

1. 入门系统科普：权威公开课2. 信息同步a. 1-2个专业公众号b. 海外一手资料（可选）3. 进阶理解a. 技术大佬的深度对谈b. 加1-2个AI社群c. 甄别深度文章d. 少量读几篇主干Paper（可选）4. 实战：针对明确场景/技能进行训练a. 设计b. 搭Bot-编程c. 工作场景5. 找工作–

改赛道：著名学府的学位

“Lighthouse”; Yifei Gong 2024, with Dall-E

<1> 入门系统科普：权威公开课

推荐入门的第一阶段直接学习权威公开课：这些课程体系完善，可以一开始就搭建完整知识框架。

以及即使可能有听不懂，我还是强烈建议看一下有点技术的课，这样可以理解技术的限制和边界在哪里；否则只看商业概念会很浅。

入门的系统科普可以分两步：第一步掌握基本概念，第二步看技术。

第一步：AI入门–基本概念

Wikipedia: 最好最快理解基本概念

Deeplearning.ai的课程，涵盖从入门到进阶全阶段，入门可以只学习“introductory”部分  https://www.deeplearning.ai/courses/

微软发布的面向初学者的AI课程，涵盖了AI核心原理概念 https://microsoft.github.io/AI-For-Beginners/

第二步：理解技术原理和技术边界

MIT的神课Introduction to Deep Learning(2023年版)：https://www.youtube.com/watch?v=QDX-1M5Nj7s

MIT AI课在B站上搜出来的是过时的2010年版，里面并没有最新的模型进展 (transformer架构是2017年才提出的)

B站up主“跟李沐学AI”，李沐是AI大牛、亚马逊首席科学家：https://space.bilibili.com/1567748478

有关商业模式: 头部专注AI的VC的报告红杉资本、a16z、路奇演讲 (链接见上文)有关AIGC技术落地

Google官方推出的面向初学者的免费AI课程，介绍了大模型的应用场景，如何使用提示调整来提升大模型性能，如何开发GenAI应用等：https://www.cloudskillsboost.google/paths/118

IBM联合Coursera推出的AI Foundations for Everyone课程，介绍了AI的原理概念、GenAI的应用、AI聊天机器人等：https://www.coursera.org/specializations/ai-foundations-for-everyone

MIT: Introduction to Deep Learning (2023); on Youtube

<2> 信息同步

一般来讲，关注下面任意1-2个科技公众号就足够掌握AI行业进展了。好处是详细、及时、技术到位；缺点是信息过多看不过来，以及供反思的深度文章密度低。

如果想要更深度地追踪海外行业动态，推荐阅读外媒的一手报道

新闻类：Techcrunch, The Information

更硬核的和模型技术相关：Github, Reddit

“Road towards Data”; Yifei Gong 2024, with Dall-E

<3> 进阶理解

a. 技术大佬的深度访谈

首推海外高信息密度的技术大佬对谈：例如 Lex Fridman 与众多技术大佬如 Ilya Sutskever，Geoffrey Hinton，Yann LeCun等均有过深度访谈。

国内小宇宙等平台上的访谈的信息密度较低，更适合入门而非深入理解。

此外，我不太推荐和商业领袖的访谈，包括和AI行业的商业领袖的访谈。这些访谈听起来好理解，但里面的内容经常充满商业目的和误导性；对于这些人来讲，访谈的目的是提高公司估值，寻找投资人，以及迷惑大众。比如Sam Altman的访谈质量就很一般，我听完之后的感觉就是“他很不真诚”. (前文“OpenAI CEO 对谈笔记 | 逃避与无视”)

推荐举例：Geoffrey Hinton谈AI  https://www.bilibili.com/video/BV125411y72pLex Fridman与AI大佬访谈系列  https://www.bilibili.com/video/BV134411z7sk

b. 加1-2个AI社群

社群的好处是社群里经常有总结性信息，有具体话题可以有探讨，以及确实有大佬在这些群里。不过缺点还是是信息太碎太杂，且信息深度高度依赖于群友的认知水平。社群加1-2个足以，尤其如果没有创业打算，那么加入社群的意义有限。

推荐举例(非完整list)：通往 AGI 之路：科普型社群，有比较完整的AI信息集合库 https://waytoagi.com/AI 产品榜：提供最新的AI产品榜单  aicpb.com集智俱乐部：学术型社群，很硬核，但会有听不懂/看不懂的地方

c. 深度文章

媒介的特点决定了文章的定位。深度文章基本只有微信公众号和知乎；另外是B站长视频。其他的基本都没有营养。

如何鉴定文章质量一直是个玄学。首先靠谱的朋友转发的文章——社交传播一般来讲比系统推荐的要好；此外，配图质量很多时候是一个比较可靠的质量标准；以及，大多数标题党的内容都很差。

推荐举例（非完全名单）：

普通人的AI自由 (不要脸的肯定首推本号)：本号的问题是跟新频率低，容易看不到；时间有限没空灌水……

海外独角兽：偏投资人、CEO、战略制定者的视角，有较多AI的商业分析和访谈

数字生命卡兹克：AI相关技术、产品、哲学思考

Super黄的念想：从产品经理的角度拆解各个AI产品

AI炼金术：AI行业的商业和技术思考

利维坦：是个大杂烩，AI

内容有限，但是从哲学层面有很多启发点 (私心把这个也加上了)

d. 阅读主干Paper（可选）

如果对技术原理有更深层次追求，可以读几篇主干Paper。读文章确实很花时间，但精读最核心的几篇文章可以有深理解，之后就比较容易识别“韭菜文”。（技术大佬当然会读更多，我就只选几篇最核心的，不班门弄斧了）

(i) GPT4：AGI的火花理解GPT4，理解AGI的第一手资料和最核心论文，而且内容详实，建议全篇细看。（与之相比，Gemini

那篇论文基本啥也没写）

论文链接：https://arxiv.org/pdf/2303.12712.pdf

(ii) GPT4 System Card这篇文章几乎和上一篇一样重要，详细讲了GPT4的风险和社会影响。个人觉得虽然讲得还不够透，但已经是政治正确外衣下比较明白的一篇了。（可能Ilya

走之后就不会有这种文章了）

论文链接：https://cdn.openai.com/papers/gpt-4-system-card.pdf

(iii) “斯坦福小镇”：AI Agent实验这篇文章创造了一个AI社会的雏形，是AI Agent

的先驱。看完之后后背发凉。

论文链接：https://arxiv.org/pdf/2304.03442.pdf

(iv) Attention is All You NeedTransformer

架构和大模型的奠基文章。文章不长，但是今天所有爆发的基础。看这个的有助于理解模型的特点、边界和可能限制；以及和人脑作类比。

论文链接：https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf

(v) Sora这篇其实不是学术文章，更多是阐述Sora这个产品。看了i-iv

之后，就会发现这篇文章本身的新概念不算多，但有助于理解。

文章链接：https://openai.com/research/video-generation-models-as-world-simulators

(vi)另外一个不错的资源是“李沐老师的论文精读”

，可以降低读文章门槛，有助于理解。不过最近更新有点少，可能是AI爆发之后工作压力一下大了。

链接：https://github.com/mli/paper-reading

“Searching in the Dark”; Yifei Gong 2024, with Dall-E

<4> 实战

目前虽然大多数AI工具都是昙花一现，但针对某个明确场景/技能进行的训练也是需要的。这样做尤其有利于理解AI目前的水平和限制。但我们并不用特意在没有应用场景的时候大量学习如何使用各种AI工具。以及，不要指望“学完就能日入上千”这种割韭菜的口号。在作图、prompt、编程领域，有些付费教程还是可以花钱来学的，不过今天暂时不展开。

具体来讲，大约有3个场景还是值得钻研一下的。

a. 目前唯一成熟的：作图、做视频

文生图：独立工具有DALL-E，MidJourney；开源模型有Stable Diffusion（SD）；此外，大多数设计产品中已经集成了生图–修改能力，Photoshop， Canva， Photoroom 等都有

。

文生视频：当前还没到成熟，市面上比较好的工具有Runway，Pika；开源模型有Stable Video Diffussion（SVD），另外我们可以期待一下Sora的面世。对于视频制作，稳定度、可修改性、成本是我比较担忧的。

b. 实验搭Bot-未来搭Agent

接一个API，通过写Python和prompt自己搭一个小Demo可以是个不错的练习。可以借助字节跳动的Coze或Open AI的GPTs。目前技术不是非常成熟，但可以先熟悉一下这股浪潮。另外，可以使用Github Copilot, Code Whisperer等工具进行AI辅助编程。今天暂时不展开讲。

c. 办工场景：飞书、钉钉等办公软件里也都有集成AI的功能，可以根据工作场景做探索

此外，还有一些AI工具的集合网站。如https://ai-bot.cn/或https://www.amz123.com/ai。好处是大而全，缺点是更新不及时，并且不知道有哪些AI工具是好用的。

“Exploration”；Yifei Gong 2024, with Dall-E

<5> 找工作-改赛道：著名学府的学位

另一种比自己学习的方式是可以攻读相关的在线学位（Online Master），所谓花了钱才能学进去。这类课程质量比较高，但缺点是贵和录取门槛较高（如UIUC的MSCs Online基本只招收计算机科班学生）。这些学位可以帮助找工作或换赛道，但指望通过学位就能成为技术大佬的想法不太现实。

举例如下（非完全list）：

美国Stanford的Online Computer Science Master项目：https://online.stanford.edu/programs/computer-science-ms-degree

美国Carnegie Mellon University的Master of Software Engineering项目：https://mse.s3d.cmu.edu/applicants/mse-as-online/index.html

美国Georgia Tech的Online Master of Science, Computer Science项目：https://omscs.gatech.edu/home

美国University of Pennsylvania的Online Master of Computer and Information Technology：https://online.seas.upenn.edu/degrees/mcit-online/

英国University of York的Online Master of Computer Science项目（录取门槛较低）：https://online.york.ac.uk/computersciencemaster/

此外，真下决心+想换一种生活方式的话，也可以考虑全职学位。可以参考CS Ranking https://csrankings.org 排名。不过要注意的是，排名不是最客观的评价方式，以及学校学术名气和之后找工作-生活幸福感的相关性有限。最直接的例子是这个名单里缺乏欧洲大陆学校：这是因为评价体系是按照英美大学体系所打造的，学校规模和预算在排名中的实际权重很高（paper数量、教授数量、学生数量）。确实美国是AI最发达的地方；但如果不一定要去硅谷，而是更全面考量就业和生活质量的话，那么跨越了语言门槛之后，欧洲大陆倒是一个性价比很高的地方。

“Upgrade”；Yifei Gong 2024，with Dall-E

最后，本篇算是一个引子，接下来还会有文章进一步分领域梳理AI资源。

期待您的关注。