3D环梦工坊编程竞赛组

    Appearance

    免费 AI 课程路线 ​

    学 AI 最容易犯的一个错，就是收藏一堆课程，过几天再看，发现每门课都像能学，但真点开时又不知道该上哪门。原因通常不在内容太少，而在顺序没排好。小白课、生成式 AI 导论、机器学习核心课、深度学习 bootcamp、经典 AI 本科课，前置知识差很多，硬混着看只会越看越乱。

    这篇做一件事：把 6 门免费课程按难度和前置知识串起来。6 门课摆在一起之后，更容易看出谁适合完全零基础，谁需要一点 Python，谁默认你已经能跟上线代、微积分和算法。

    6 门课与原始说明 ​

    下面 6 条课程按顺序整理，附可直接点开的课程页：

    1. MIT AI 101：给完全没进过门的人铺地板 ​

    MIT AI 101 ​

    课程页：https://ocw.mit.edu/courses/res-6-013-ai-101-fall-2021/

    这门课最适合拿来解决"我连术语都不熟"的问题。MIT OCW 的课程说明写得很明确：它面向 little to no background 的学习者，用 machine vision、data wrangling、reinforcement learning 这些词做入口，讲概念，再带一个互动练习，让参与者自己训练一个算法。

    它的体量不大，本身就是一门入门 workshop，放在最前面用来建立基本词汇表很合适。

    这门课会学到什么 ​

    按课程页和 supporting materials 的描述，重点在三件事：

    • 常见 AI 术语
    • 让你知道一个简单算法是怎么"被训练"的
    • 收尾的总结和问答

    它不追求系统数学推导，也不要求你先会写程序。

    适合谁 ​

    • 完全没系统学过 AI 的人
    • 只听过 ChatGPT、机器学习这些词，但解释不清的人
    • 想用一门短课确认自己要不要继续往下学的人

    前置知识 ​

    这门课基本可以按零门槛处理。真要说前置，只需要：

    • 愿意看英文材料
    • 对"算法训练"这件事有一点好奇心

    如果你身边有人想知道 AI 到底在讲什么，从这门开始最稳。

    MIT AI 101 封面图

    2. Foundation Models and Generative AI：生成式 AI 基础 ​

    Foundation Models and Generative AI ​

    课程页：https://ocw.mit.edu/courses/6-s087-foundation-models-and-generative-ai-january-iap-2024/ 官网：https://www.futureofai.mit.edu/

    这门课的价值，在于它正面回答了很多人最近两年最常问的问题：ChatGPT、Copilot、CLIP、DALL-E、Stable Diffusion、AlphaFold，这些系统为什么突然一起冒出来？背后的共同逻辑是什么？

    MIT OCW 的课程说明把定位写得很直白：这是一个 non-technical series of lectures。它会从 AI 简史开始，讲监督学习和强化学习缺了什么，再落到 foundation models、self-supervised learning，以及它们对科学和商业的影响。

    如果你已经知道"现在大家都在讲大模型"，但总觉得概念一团糊，这门课很适合接在 AI 101 后面。

    这门课会学到什么 ​

    从官方课程页和 futureofai.mit.edu 上的说明看，重点包括：

    • AI 历史脉络
    • 为什么这波突破集中出现在 foundation models 和 generative AI
    • ChatGPT、Copilot、CLIP、DALL-E 这些系统背后的共同框架
    • self-supervised learning 在里面扮演什么角色
    • 这些技术落到科学和商业里的方式

    它更偏"解释这场变化为什么发生"。想自己训练模型，还得往后走。

    适合谁 ​

    • 已经用过生成式 AI，但想补系统解释的人
    • 产品、内容、运营、设计背景，想理解大模型基本原理的人
    • 需要和技术团队对话，但暂时还不准备直接啃公式的人

    前置知识 ​

    官方页面强调 All backgrounds are welcome。所以这门课依然不把数学当门槛。更现实的前置要求是：

    • 知道一些最基本的 AI 词汇
    • 对生成式 AI 的应用场景有直觉

    也就是说，学完 AI 101 再上这门，衔接最自然。

    Foundation Models and Generative AI 封面图

    3. How to AI (Almost) Anything：适合想把 AI 带进创意和多模态场景的人 ​

    How to AI (Almost) Anything ​

    课程页：https://ocw.mit.edu/courses/mas-s60-how-to-ai-almost-anything-spring-2025/ GitHub：https://github.com/MIT-MI/how2ai-course

    这门课和前两门的气质不太一样。它直接把问题换成：如果 AI 不只处理文字，还要碰视觉、音频、传感器、医疗数据、音乐、艺术，方法会怎么变？

    MIT OCW 的课程说明写到，它会介绍 modern deep learning、foundation models，以及把 AI 用到新数据模态的方法；还会讲 multimodal AI，讨论 language 和 multimedia、music 和 art、sensing 和 actuation 怎么连起来。

    这也是"音乐、艺术、系统设计等创意方向"的依据。

    这门课会学到什么 ​

    按 OCW 页面和课程站说明，内容重点包括：

    • 不同数据模态下的 AI 思路
    • modern deep learning 和 foundation models 在多模态场景里的用法
    • multimodal AI 的基本概念
    • 课程讨论、阅读和研究型作业

    它已经进入"把 AI 带进具体创意或研究场景"的范围了。

    适合谁 ​

    • 对音乐、艺术、媒体、设计、交互很感兴趣的人
    • 已经不满足于只聊文本模型的人
    • 想理解多模态 AI 会怎样进入真实应用的人

    前置知识 ​

    课程需要一点 Python 基础，这个方向和课程形态是对得上的。虽然 OCW 首页没有把 Python 明写成硬门槛，但它毕竟是 MIT Media Lab 风格的研究型课程，带阅读、讨论和项目，完全零编程基础会比较吃力。

    前置知识是：

    • 至少会一点 Python
    • 知道深度学习和 foundation models 的基本名词
    • 能接受课程里有研究阅读和项目思维

    如果你的目标偏创意方向，这门课可以比深度学习核心课更早看；如果你想走技术实现路线，可以把它放在旁支阅读。

    How to AI (Almost) Anything 封面图

    4. MIT Intro to Deep Learning：开始动手跑神经网络和实验 ​

    MIT Intro to Deep Learning ​

    课程页：https://introtodeeplearning.com/ GitHub：https://github.com/MITDeepLearning/introtodeeplearning

    到这一步，课程强度就明显上来了。MIT 6.S191 是一个高强度 deep learning bootcamp。官方页面写得很清楚：它讲 vision、robotics、medicine、language、game play、art 等应用，也会覆盖 large language models 和 generative AI，还配了公开 slides、videos 和 labs。

    这门课特别适合已经下定决心要动手的人，因为它不只讲，还让你跑 lab。

    这门课会学到什么 ​

    从课程站和 GitHub 仓库说明页能确认的内容包括：

    • 深度学习基础
    • sequence modeling
    • computer vision
    • generative modeling
    • reinforcement learning
    • LLM fine-tuning
    • 带代码的 software labs

    仓库说明还写明了 labs 会在 Colab 上跑，通常需要切到 Python 3 和 GPU 环境。

    适合谁 ​

    • 已经决定要做模型实验的人
    • 想通过 lab 建立神经网络直觉的人
    • 想从"会聊 AI"往"能做实验"走的人

    前置知识 ​

    这门课的前置要求，官方页面直接给出来了：

    • calculus
    • linear algebra
    • Python 最好会一点

    课程站原话是：Experience in Python is helpful but not necessary，但真实学习体验里，完全不会 Python 会很难把 lab 跑顺。所以实操上最好把它理解成：

    • 微积分和线代最好补过
    • Python 至少会基础语法、函数、数组或 notebook 操作

    如果你还没碰过矩阵乘法和导数，这门课不建议硬上。

    MIT Intro to Deep Learning 课程图

    5. Introduction to Machine Learning：把机器学习核心概念系统过一遍 ​

    Introduction to Machine Learning ​

    课程页：https://ocw.mit.edu/courses/6-036-introduction-to-machine-learning-fall-2020/ 官网：https://openlearninglibrary.mit.edu/courses/course-v1:MITx+6.036+1T2019/about

    6.S191 是高强度 deep learning bootcamp，6.036 则是机器学习主干课。MIT OCW 的课程说明里提到 modeling and prediction、representation、over-fitting、generalization，以及 supervised learning 和 reinforcement learning。

    Open Learning Library 的课程页还补了学习形式：lectures、lecture notes、exercises、labs、homework problems 都有，长度 13 周，预计每周约 12 小时。

    这门课的系统性更强，更适合作为系统补课的主线课程。

    这门课会学到什么 ​

    从 OCW 和 Open Learning Library 的说明看，核心内容包括：

    • 学习问题的建模
    • 表示、过拟合、泛化
    • 监督学习
    • 强化学习
    • 图像和时序数据上的应用
    • 配套讲义、练习、实验和作业

    它讲的是一整条机器学习主线，不只停在大模型热词上。

    适合谁 ​

    • 想系统学机器学习，而不想只从大模型热词入手的人
    • 准备继续读深度学习、推荐系统、强化学习的人
    • 需要把概念、练习和作业连起来的人

    前置知识 ​

    Open Learning Library 的课程页把推荐前置写得很直接：

    • Computer programming (Python)
    • Calculus
    • Linear Algebra

    概率统计也是前置要求之一。虽然课程页摘录里没有把 probability 单独写成同一行门槛，但实际学这门课时，没有概率直觉会比较吃力。所以更稳妥的准备是：

    • Python 基础
    • 微积分
    • 线性代数
    • 概率统计入门

    这门课适合放在深度学习 bootcamp 前后搭配着学：如果你更看重理论顺序，可以 6.036 再 6.S191；如果你更需要动手反馈，也可以 6.S191 建直觉，再回 6.036 补系统框架。

    Introduction to Machine Learning 封面图

    6. Artificial Intelligence：回到经典 AI 方法论 ​

    Artificial Intelligence ​

    课程页：https://ocw.mit.edu/courses/6-034-artificial-intelligence-fall-2010/

    6.034 很值得留到后面认真看。原因很简单：很多人现在学 AI，前面全是模型、训练、生成，但对传统 AI 里的问题表示、搜索、知识结构、推理方法反而没有系统概念。6.034 正好补这个缺口。

    MIT OCW 的课程描述写的是：knowledge representation、problem solving、learning methods。学完以后，学生应该能把这些方法拼到具体 computational problems 上，也能理解 vision、language 和 human intelligence 在计算视角下怎么被看待。

    这门课会学到什么 ​

    按课程页和 syllabus 的结构，这门课包括：

    • knowledge representation
    • problem solving
    • learning methods
    • lecture videos
    • programming assignments
    • exams
    • tutorials

    这是一门很典型的本科 AI 课程，方法论味道很重。

    适合谁 ​

    • 想补"传统 AI"框架的人
    • 学过一点机器学习后，想理解搜索、表示、推理的人
    • CS 背景较强，准备往算法和智能系统方向继续走的人

    前置知识 ​

    它需要编程经验、离散数学等 CS 基础。课程 syllabus 页面还能确认 problem sets 以 Python 程序提交。

    更稳妥的前置知识是：

    • 编程经验
    • 数据结构和基础算法
    • 离散数学或逻辑基础
    • 读英文课程材料的耐心

    如果你完全是冲着大模型来学，这门课一开始可能会觉得"离当前热点有点远"；但真想把 AI 方法论补完整，6.034 很有价值。

    Artificial Intelligence 封面图

    两条路线怎么读 ​

    如果你想走一条尽量平滑的路线，可以按下面这个顺序：

    1. MIT AI 101：补术语和基本直觉。
    2. Foundation Models and Generative AI：把这波生成式 AI 讲清楚，知道 ChatGPT 一类系统大概怎么来的。
    3. How to AI (Almost) Anything：如果你偏创意、多模态、媒体和设计方向，这里可以提前插进来。
    4. Introduction to Machine Learning：开始系统学机器学习主线。
    5. MIT Intro to Deep Learning：进入实验、神经网络和 lab。
    6. Artificial Intelligence：回头补传统 AI 的知识表示、搜索、推理和方法论。

    如果你走的是更偏技术的路线，主线看成：

    • AI 101
    • Foundation Models and Generative AI
    • Introduction to Machine Learning
    • MIT Intro to Deep Learning
    • Artificial Intelligence

    How to AI (Almost) Anything 更适合作为方向扩展课，尤其适合对音乐、艺术、系统设计、多模态应用感兴趣的人。这样排的好处很直接：前两门建立词汇和问题意识，中间两门补机器学习与深度学习主线，最后再回头看传统 AI，很多概念会更容易对上。