AI-Crash-Course：两周速通 AI 前沿研究的系统学习路线图（基于官方 README 的完整解读与实战指南）

教程人工智能【免费下载链接】AI-Crash-CourseAI Crash Course to help busy builders catch up to the public frontier of AI research in 2 weeks项目地址https://gitcode.com/gh_mirrors/aic/AI-Crash-Course点击查看免费下载本文基于 AI-Crash-Course 仓库官方 README为你还原一位传统软件创业者如何用两周时间追上公开 AI 研究前沿的完整方法论从神经网络与 LLM 的基础视频入门到四大方向 Survey 论文建立全局地图再到按基础建模 / 规划推理 / 应用 / 基准分类的精选论文清单以及配套的视频课程、实用网站与入门友好论文。读完本文你将获得一份可直接执行的两周学习计划、每篇核心论文的定位解读以及优先读带 * 论文的取舍策略。仓库概览这不是项目而是一份两周速成课程AI-Crash-Course 并非传统意义上的代码项目它的全部课程内容都浓缩在根目录的 README.md 中。仓库结构极其精简文件作用README.md课程主体论文清单、视频资源、学习路径LICENSEMIT 开源协议作者 Henry Shi2025CNAME域名记录ai-crash-course.com用于站点部署课程作者 Henry Shi 于 2016 年创立 Super.com并将其做到年收入 1.5 亿美元以上后退出。作为传统软件背景的创始人他发现自己需要快速补齐 AI 研究前沿知识以判断下一个机会与空白在哪里。这份清单正是他个人快速补课的成果沉淀目标是让同样忙碌的软件工程师busy builders在两周内追上公开的 AI 研究前沿。值得注意的两点事实这是一份由实践者而非学者编写的清单取舍标准是对判断机会最有价值而非学术上最全面课程明确给出了优先级规则标注 * 的论文应优先阅读prioritize ones with star *这是你在时间有限时的核心取舍依据。起点先从神经网络到 LLM 的视频序列开始课程的第一步不是直接读论文而是观看一个关键视频系列Neural Network → LLM Series神经网络到 LLM 系列推荐理由在于多数 Builder 缺乏扎实的数学与概念底座直接扎进 Transformer 论文容易迷失。这套视频以直观方式讲清神经网络如何一步步演进到 LLM 的脉络为后续阅读论文建立必要的背景知识。从源码结构看README 将其放在Start Here位置明确表达了先视频、后论文的学习顺序。建议你在开始任何论文阅读前先完整过一遍该系列确保对以下概念有直觉神经网络的梯度下降与反向传播自注意力机制的基本思想Token 化与序列建模的基本概念建立全局地图四篇 Survey 论文定方向在有了基础直觉后README 建议通过Survey综述论文快速建立知识地图而不是一上来就啃单篇论文。其核心策略是顺着 Survey 论文中让你感兴趣的方向逐层深入follow the ideas in the survey paper that interest you and dig deeper课程精选了四篇按时间线覆盖的综述Survey 论文年份覆盖主题LLM Survey2024大语言模型的整体研究版图Agent Survey2023AI Agent 的体系结构与研究方向Prompt Engineering Survey2024提示工程的技术全景Context Engineering Survey2025上下文工程这一新兴方向这四篇构成一个递进关系先理解 LLM 本身2024再看 Agent 如何构建2023注意该方向更早成型随后是让模型更好工作的提示工程2024最后是最新的上下文工程2025。阅读建议每篇 Survey 不必从头精读到底先读目录与各章小结标出与你的业务/兴趣相关的章节再根据 README 中dig deeper的建议沿着这些章节引用进入下面分门别类的核心论文。核心论文清单按四大主题分门别类精读这是 README 的主体。它把论文分成基础建模Foundational Modelling、规划与推理Planning/Reasoning、应用Applications、基准Benchmarks四个主题。下面逐类展开并保留原文档的全部条目、年份与要点批注同时补充各自的为什么值得读。基础建模理解模型能力从何而来这一主题回答LLM 的能力底座是怎么搭起来的是课程中最先阅读的部分论文年份原文档要点批注阅读定位Transformers*2017foundation, self-attention基础自注意力一切的开端必须精读理解 self-attention 如何替代循环结构Scaling Laws /GPT-3*2020conviction to scale up GPT2/3/4规模化信念理解为什么越大越强的信念来源以及它如何推动后续 GPT 系列LoRA2021Fine tuning微调高效微调的代表方法理解低秩分解如何降低微调成本Training Compute-Optimal LLMs2022计算最优训练理解在给定算力预算下如何分配参数量与数据量的权衡RLHF*2022InstructGPT→ChatGPT理解 ChatGPT 能力的核心来源人类反馈强化学习DPO2023No need for RL/Reward model无需强化学习与奖励模型简化版对齐方法理解如何用直接偏好优化替代完整 RLHF 管线LLM-as-Judge2023On par with human evaluations与人类评估相当理解用 LLM 做评估者的可行性是评测实践的重要思路MoE2024Mixture of Experts混合专家理解稀疏激活如何用更少计算量支撑更大模型这条主线讲了一个完整故事架构Transformer→ 规模信念Scaling Laws/GPT-3→ 对齐RLHF/DPO→ 高效化LoRA/MoE。建议严格按此顺序阅读先理解模型如何变强再理解如何让它听话最后理解如何降低成本。规划与推理从会生成到会思考如果说基础建模解决模型会说话这一主题解决模型会推理。这是近年研究最活跃的方向之一论文年份原文档要点批注阅读定位AlphaZero /MuZero*2017 / 2019RL without prior knowledge of game or rules无需游戏规则的强化学习理解无先验知识强化学习的可能性是推理研究的源头思想CoT* / ToT / GoT / Meta CoT2022 / 2023 / 2023 / 2025思维链 / 思维树 / 思维图 / 元思维链理解提示推理的四代演进从线性链到树状、图状再到元认知ReACT2022交错生成推理轨迹与任务动作理解推理与行动交织的 Agent 范式是 Agent 论文的基石Lets Verify Step by Step2023Process Outcome过程优于结果理解过程奖励 vs 结果奖励的评测思想ARC-Prize*2024解决 ARC-AGI 问题的最新方法理解面向通用智能抽象推理的最新方法论DeepSeek R1*2025纯 RL 构建开源 o1 级推理模型无 SFT、无 RM理解推理能力如何仅靠强化学习涌现是开源推理模型的标志性工作Recursive Language Models2026简单 REPL 基础工具 → 模型无需显式提示即涌现自适应策略最新方向理解递归语言模型如何让策略自动涌现这一主题的阅读建议CoT 系列是推理的入门主线先读 * 的 CoT 建立基本概念DeepSeek R1 是用极简管线做前沿推理的现实案例强烈建议与 MuZero 对照阅读理解无监督信号 强化学习这一脉思想如何在不同时期复现。应用从模型到产品的落地范式这一主题聚焦模型如何被用起来对 Builder 最为实用论文年份原文档要点批注阅读定位Toolformer2023LLMs to use tools让 LLM 学会用工具Agent 能力的基础模型如何自主决定调用外部工具GPT-42023GPT-4 概览但较为高层fairly high level原文档明示该篇偏概览可作为背景阅读而非精读Llama 3*2024Meta 构建 Llama 3 的细节各种配置与超参数精读价值极高理解前沿开源模型的实际工程配置Gemini 1.520241000 万 token 上下文的跨模态模型理解超长上下文与多模态的结合DeepSeek-V32024以远低于他人的成本构建前沿开源模型理解训练成本优化的工程路径SWE-Agent / OpenHands2024开源软件开发 Agent理解软件工程 Agent 的现状与本仓库读者软件工程师强相关原文档在 GPT-4 条目上特意标注fairly high level这是一个诚实的取舍信号时间有限时该篇的边际信息量低于其他应用论文。同理SWE-Agent 与 OpenHands 对软件工程师出身的读者具有天然的亲和力是理解AI 编程落地形态的入口。基准如何科学评估模型评估是模型迭代的标尺这一主题虽只三篇但构成了如何判断模型好坏的方法论论文年份原文档要点批注阅读定位BIG-Bench2022首个广泛、多样、协作式的开源基准理解协作式基准的设计理念SWE-Bench2023真实世界软件开发与软件开发场景强相关理解真实任务评估的设计Chatbot Arena2024实时人类偏好 Elo 评级理解基于人类真实偏好的竞技场式评测方法值得注意的递进关系BIG-Bench 代表设计出来的任务评估SWE-Bench 代表真实任务评估Chatbot Arena 代表人类实时偏好评估——三者恰好覆盖了从静态到动态、从人工构造到真实世界的评测演进路径。视频与书籍用讲人话的方式补数学与工程READEME 中视频与书籍资源承担了论文之外的直观理解职责3Blue1Brown 基础数学/概念最直观的深度学习可视化讲解建议配合Start Here系列使用Build a Large Language Model (from Scratch)从零手写 LLM 的畅销书适合动手派Build a Reasoning Model (From Scratch)从零构建推理模型的教程书与上文的推理论文主题呼应Andrej KarpathyZero to Hero 系列从微积分到 GPT 的完整视频课被社区公认的入门主线Yannic Kilcher 论文讲解高频的论文解读频道适合精读论文后的对照理解Noam Browno1 创始人谈 AI 中的规划一手视角理解规划在 AI 中的地位与推理主题论文强相关StanfordBuilding LLMs斯坦福的 LLM 构建课程系统性强Foundations of LLMsLLM 基础的论文式综述可作为 Survey 阶段的补充Why Youre Not Too Old to Pivot Into AI动机类文章原文档标注 motivation适合开始时给自己打气。使用建议视频资源不追求全部看完而是按需取用——遇到论文中费解的数学如自注意力、RLHF 的奖励建模时回到 3Blue1Brown 或 Karpathy 对应章节补课。实用网站日常查询与进阶路径History of Deep Learning深度学习时间线总结涵盖重大突破与关键概念适合建立历史脉络Full Stack Deep Learning面向构建 AI 产品的课程是论文知识向工程能力转化的桥梁Prompting Guide提示技巧与示例的百科全书与 Prompt Engineering Survey 配合使用a16z AI Cannon同类资源清单的更长版本原文档标注 slightly dated略有过时使用时注意时效2025 AI Engineer Reading List按关注领域拆分的更长阅读清单适合两周计划完成后的进阶State of Generative Models 2024对生成模型当前状态简明易懂的总结。非 LLM 扩展与入门友好论文Others非 LLM 方向课程没有把所有注意力放在 LLM 上还保留了两篇其他方向的代表作Vision Transformer2021无需 CNN 的视觉模型理解 Transformer 架构在视觉领域的迁移Latent Diffusion2021文生图的基础方法理解扩散模型的原理。对以文本为中心的大多数 Builder这两篇可作为选修若你的方向涉及多模态或图像生成则应升级为必修。入门友好论文先湿脚再下水原文档贴心地为论文新手准备了两篇明显简单/容易上手的论文CoTChain of Thought2022思维链论文与推理主题重复出现说明其重要性与易读性兼备SELF-REFINE: Iterative Refinement with Self-Feedback2023模型自我反馈迭代改进概念直观、实现思路清晰。阅读建议如果你此前从未读过 AI 论文请先读这两篇建立读论文的节奏感标题→摘要→图表→结论→正文再进入上面分门别类的核心清单。两周执行路线图把清单变成计划综合原文档的2 weeks目标与优先 * 论文规则可以推导出如下可执行的节奏第一周打地基基础与地图Day 1-2完整观看 Neural Network → LLM 系列视频建立直觉顺带读完入门友好的 CoT 与 SELF-REFINEDay 3-4浏览四篇 Survey 论文的目录与摘要圈出你感兴趣的方向Day 5-7精读基础建模主题优先顺序为 Transformers * → GPT-3 * → RLHF *随后补 LoRA、DPO、MoE、ChinchillaTraining Compute-Optimal LLMs以及 LLM-as-Judge。第二周推理、应用与评测找机会Day 8-9进入规划与推理主题优先 CoT *、MuZero *、ARC-Prize *、DeepSeek R1 *Day 10-11进入应用主题优先 Llama 3 *精读其配置与超参数细节浏览 Toolformer、SWE-Agent/OpenHands、Gemini 1.5、DeepSeek-V3Day 12阅读三大基准论文建立评测方法论Day 13-14回到你第一周圈定的 Survey 方向沿dig deeper原则顺着引用深入最后浏览非 LLM 方向与网站资源完成整个知识地图的闭环。执行时的三个原则时间不够就砍非 * 论文* 论文是课程作者标注的核心其余论文可先读摘要与结论视频按需取用不要试图看完所有视频遇到数学障碍时再回头补课带着问题读作者的目标是找出下一个机会与空白因此每读完一个主题都值得自问一句这个能力目前缺什么、哪里有机会——这正是这份清单区别于学术课程的价值所在。小结AI-Crash-Course 用一份精炼的 README 封装了一套可复制的学习方法论视频打底 → Survey 建图 → 分主题精读论文 → 工具网站辅助并用 * 标注给出了明确的时间分配信号。对于想快速判断 AI 机会与空白的软件工程师直接照搬仓库 README.md 中的清单与本文的两周节奏即可启动对于论文新手则务必从入门友好论文开始避免在 Transformer 上因基础不足而挫败。赞分享教程人工智能【免费下载链接】AI-Crash-CourseAI Crash Course to help busy builders catch up to the public frontier of AI research in 2 weeks项目地址https://gitcode.com/gh_mirrors/aic/AI-Crash-Course点击查看免费下载相关推荐AI-Crash-Course两周快速掌握人工智能研究前沿AI Crash Course两周快速掌握人工智能研究前沿 在当前快速发展的技术时代人工智能已成为推动社会进步的关键力量。然而对于许多忙碌的构建者来说要教程人工智能TALL预设代码架构分析深入理解预设实现原理与设计模式TALL预设代码架构分析深入理解预设实现原理与设计模式 TALL预设是一个为Laravel应用程序提供完整前端脚手架的工具它基于TALLTailwind三步搞定 DBeaver 数据透视表排序自定义排序规则完整指南三步搞定 DBeaver 数据透视表排序自定义排序规则完整指南 跑月度销售汇总的查询时我拿到两万多行结果默认排序乱得翻到底也找不到 Top 销售。把 DB数据库客户端桌面应用数据库上一篇Civitai 图片信息流双路径返回类型对齐getAllImagesIndex 与 getImagesFromFeedSearch 的类型兼容性改造下一篇new-api 项目 constant 包解析全局常量层的设计纪律与关键定义清单创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考