Appearance
AI 学习路线
本页解决什么：给非算法人员一条学习顺序，先建立 AI 系统观，再理解搜索规划、机器学习、不确定性、大模型和评估风险。读完后，你应该知道自己遇到的需求该先问哪些问题，而不是直接追模型名。
本页继续作为产品与解决方案路线的基础教材。完整课程、实验、模板和评分请进入 进入完整 AI 培训体系。本站坚持“基础原理够用、应用工程优先”。
本站面向 AI 产品经理、解决方案、售前、业务分析、项目经理和需要与算法/工程团队协作的非算法人员。目标不是推公式，而是知道技术边界、能把业务需求翻译成可验证的 AI 问题，并判断方案是否靠谱。
目标读者
| 角色 | 需要掌握什么 | 不需要先掌握什么 |
|---|---|---|
| AI 产品经理 | 问题分类、数据条件、评估指标、风险边界 | 手写复杂优化算法 |
| 解决方案/售前 | 场景拆解、技术路线、交付边界、价值验证 | 训练大模型底层细节 |
| 业务分析/项目经理 | 输入输出、流程改造、验收标准、人工兜底 | 模型结构推导 |
| 研发管理 | 成本、延迟、安全、可维护性、上线节奏 | 全量算法实现 |
学习顺序
| 顺序 | 要知道什么 | 产品视角 | 能问算法/工程什么问题 | 常见误判 |
|---|---|---|---|---|
| 1. AI 是什么 | 智能体、环境、目标、状态、动作 | AI 系统本质是在不确定环境里做预测、生成或决策 | 这个需求的输入、输出、目标和失败边界是什么？ | 把“智能”当成一个功能按钮，而不是可评估系统 |
| 2. 搜索与规划 | BFS、DFS、A*、启发式搜索、任务规划 | 路径规划、Agent 多步执行、工作流自动化都需要行动序列 | 状态空间怎么定义？每一步动作是否可回滚？ | 把多步骤任务误认为一次大模型问答 |
| 3. 机器学习基础 | 监督、无监督、强化学习，训练/验证/测试集，过拟合、泛化、特征、标签 | 数据质量通常比模型花样更关键 | 标签从哪里来？测试集是否代表真实线上样本？ | 只比较模型名，不看数据和评估集 |
| 4. 概率与不确定性 | 条件概率、贝叶斯思想、置信度、阈值 | AI 输出不是“对/错”，而是“概率更高/更低” | 阈值怎么设？误报和漏报哪个代价更高？ | 把置信度当成真实正确率 |
| 5. NLP 与大模型 | Transformer、Token、Embedding、预训练、微调、RAG、Agent | 大模型擅长语言和总结，不天然可靠，也不会自动知道私有知识 | 需要 RAG、微调、工具调用还是规则流程？ | 所有文本问题都上微调，或以为 RAG 能消除幻觉 |
| 6. 评估与风险 | 准确率、召回率、精确率、F1、幻觉、偏见、延迟、成本、安全 | AI 产品必须设计评估集、兜底策略和人工介入 | 上线门槛是什么？失败样本怎么收集？ | 只做演示，不做验收集和失败闭环 |
需求判别
| 用户说法 | 更可能的问题类型 | 输出物 | 优先看 |
|---|---|---|---|
| “判断这张图有没有缺陷” | 分类/检测 | 类别、位置、置信度 | CV、监督学习、评估指标 |
| “从制度里找答案” | 检索/RAG | 答案、引用来源 | RAG、知识库、引用评估 |
| “帮我写报告/总结” | 生成 | 文本、结构化草稿 | LLM、Prompt、人工复核 |
| “预测下个月销量/故障概率” | 预测 | 数值、概率、区间 | 机器学习、时序、数据质量 |
| “给用户推荐内容/商品” | 推荐/排序 | 排序列表、理由 | 特征、标签、反馈闭环 |
| “自动安排路线/步骤” | 规划/搜索 | 行动序列、计划 | 搜索、规划、Agent 工作流 |
| “自动处理审批/工单” | 自动化决策 | 动作、流转、人工兜底 | 规则、Agent、权限和风险 |
产品视角
AI PM 的核心工作是把业务语言翻译成技术语言。用户说“更智能”，PM 要追问到底是要更准的分类、更全的检索、更顺的生成、更早的预测、更个性化的推荐、更稳定的规划，还是更少人工参与的自动化决策。
技术边界
AI 不能替代问题定义、数据治理和业务验收。没有稳定输入、明确输出和可复核评估集时，模型再强也无法证明有效；高风险动作不能只靠模型直接执行，必须有权限、规则、人工兜底或可回滚流程。
常见误判
- 把所有文本需求都归为大模型生成，忽略检索、规则和结构化数据。
- 把 demo 表现当上线表现，忽略真实数据分布和失败样本。
- 只看模型能力，不看延迟、成本、权限、人工流程和验收口径。
沟通问题
在立项或评审时，AI PM 至少要问清楚：
- 输入数据：来自哪里，格式是否稳定，是否有权限，是否覆盖真实场景。
- 输出结果：是类别、概率、文本、引用、推荐列表、行动计划还是控制指令。
- 验证方式：用什么评估集，谁给标准答案，指标和业务价值如何对应。
- 技术边界：哪些情况模型不该回答，哪些情况必须交给人工。
- 失败成本：误报、漏报、幻觉、延迟、成本、隐私泄露哪个最不能接受。
- 上线策略：先做离线评估，再小流量试用，保留人工复核和失败样本回收。
验证方式
验证方式要和需求类型绑定：分类看混淆矩阵和召回率，检索看证据命中和引用准确，生成看人工评审和事实性，预测看误差和稳定性，推荐看转化和负反馈，规划看任务完成率，自动化决策看误伤率、漏放率和审计样本。
公开资料
| 资料 | 适合学习什么 | 本站对应 |
|---|---|---|
| Berkeley CS188 Textbook | 搜索、CSP、MDP、RL、概率、逻辑 | AIMA、搜索、概率、规划 |
| Stanford CS221 | AI 技术地图和问题建模 | 问题判别、AIMA 主线 |
| Google Machine Learning Crash Course | ML 基础、数据、评估 | 机器学习基础、评估风险 |
| 3Blue1Brown Neural Networks | 神经网络直观理解 | 深度学习、LLM 前置基础 |