AI入门别瞎学：我筛了5年留下的7个开源项目，每个都附踩坑记录

写在前面

这篇文章其实拖了挺久才动笔。原因很简单，写开源项目推荐的文章太多了，一搜一大把。但大部分是那种罗列二三十个项目、每个两三行介绍的清单文。那种文章看着热闹，收藏的时候手一抖，点进去扫两眼，然后就没有然后了。收藏夹吃灰，项目一个没跑。

我自己是2021年开始正儿八经学AI的，之前写了两年Python。这五年里，GitHub上的项目前前后后跑过没有一百也有八十——这个数字没夸张，我自己的star列表都不敢细看，里面一大半是点了就再也没打开过的。踩的坑多了去了。

所以这篇我不打算写成清单。我挑了7个项目，每个都讲清楚三件事：它是干嘛的，为什么适合新手，我自己跑的时候踩过什么坑。也就是说，这篇的入选标准只有一条：我自己电脑上真实跑通过，而且我愿意把它推荐给一个完全零基础的朋友。

如果你已经能独立训练模型、发论文了，这篇对你太浅，可以关了。要是你还在“不知道该干什么”的阶段，那这篇就是写给你的。

一、先说清楚：什么样的项目适合新手

这一节我放在项目清单前面，因为它比清单本身还重要。

很多新手的路径是这样的：听说AI火，去GitHub搜"deep learning"，按star排序，点开第一个，clone下来，然后对着README发呆。我当年就是这么干的。2021年年初，我克隆的第一个AI项目是tensorflow/models。clone的时候进度条跑了半天，下载下来一看，几百个文件夹，research目录下面套着十几层，我翻了半个多小时，愣是没找到程序入口在哪。

那个项目本身没毛病。问题是它压根就不是给新手准备的，那是Google放论文代码的地方。

那么，什么样的项目适合拿来学？我有个土办法，就四条。

第一条，README里有教程。不是“安装→API→完毕”那种文档，是有步骤、告诉你先干嘛后干嘛的那种。通常来说，维护者有没有认真写教程，直接反映了这个项目对新手友不友好。

第二条，issue区最近还有人回复。你跑不通的时候，十有八九能在issue里搜到一模一样的报错。要是最后一条issue是两年前的，你卡住了就真卡住了，没人捞你。

第三条，代码量别太大。一两万行以内的项目你能读个大概，几十万行的读起来就是受罪。这条不绝对，但大方向没错。

第四条，也是我最看重的一条：能比较快跑出一个看得见的结果。学习这个事，反馈特别重要。很多人从入门到放弃，就是因为头两个月一直在装环境、啃数学、跑没有输出的代码，大脑得不到任何正反馈。而一个下午就能跑出检测框、跑出识别文字的项目，会让你觉得，诶，这玩意儿是真能干活。

Star数反而不在这四条里。star多说明项目火，跟适不适合你学是两码事。有的论文项目star两三万，README就一段话加个论文链接，代码里注释没几行。那种是给同方向的研究者复现用的，不是给新手用的。

顺带说一句以后怎么自己找项目。平时可以翻翻GitHub的Trending，按Python筛；再就是搜“awesome + 主题”，比如awesome-cv、awesome-nlp，这种清单相当于别人替你整理好的索引。想追论文复现的，去Paper with Code。提醒一句，awesome清单别当教程用，它是目录，不是课本。看中了哪个，再拿我上面那四条去筛一遍。

二、跑项目之前，先把环境这关过了

我知道很多人急着看清单。但按我的经验，新手放弃的第一个高峰不在项目上，在环境配置。十个新手九个卡在装库这步，装着装着就去打游戏了。所以这节我多啰嗦几句。

2.1 虚拟环境，这个真不能省

先讲一个很多新手不理解的概念：虚拟环境。

大白话解释一下。你机器上的Python是全局共用的，而每个项目要的库版本又不一样。A项目要numpy的1.2，B项目要2.0，都装在全局里那就打架了，总得崩一个。虚拟环境就是给每个项目单独开个房间，各用各的库，互不干扰。

通常来说用conda就够了：

conda create-nai-demopython=3.10conda activate ai-demo

第一行是建房间，第二行是进房间。以后你每次开新终端跑项目，都要先activate一下，不然东西就装到全局去了。我用conda用了很多年，中间试过venv又换回来了，没什么高大上的理由，就是习惯了。你要喜欢venv，python -m venv ai-demo也行，效果差不多。

2.2 装PyTorch，先想清楚CPU还是GPU

PyTorch安装是重灾区。重灾到什么程度呢，我认识的人里，卡在torch.cuda.is_available()返回False这一步的，能凑一桌麻将。

原因其实特别蠢。PyTorch的安装包分CPU版和GPU版，你要是随手复制了那条不带CUDA的命令，或者直接pip install torch（很多时候拉下来的是CPU版），那装出来的就是CPU版。CPU版当然没有cuda可用，所以返回False。代码一行都没错，是包不对。

所以装之前先确认自己有没有NVIDIA显卡。没有的话直接装CPU版，前期学习完全够用，跑跑MNIST、跑跑yolo的推理都没问题，就是慢。有的话，去PyTorch官网，选对自己的CUDA版本，复制那条带cu的命令。

装完验证：

importtorchprint(torch.cuda.is_available())

输出True，恭喜，这关过了。输出False的话，先别急着改代码，pip list看一眼torch的版本号，带cu字样的才是GPU版。

再提一嘴显卡。我第一台跑模型的机器是台1060的笔记本，显存6个G，跑小模型还行，训yolo的时候天天爆显存。当时不懂，batch开到64，直接崩给你看。后来换了4090才算宽裕。这里想说的是：没显卡，或者显卡很弱，都不要紧，入门阶段九成的东西CPU带得动。别让硬件劝退你，这话我是认真的。

2.3 下载慢，以及报错之后怎么办

国内访问GitHub和PyPI，速度看运气。PyPI好办，换清华源：

pipinstallxxx-ihttps://pypi.tuna.tsinghua.edu.cn/simple

或者一劳永逸把源写进pip配置，具体搜“pip 换源 清华”，到处都有教程，我就不贴命令了，免得你抄的时候跟你的pip版本对不上。

GitHub的clone慢，各种加速镜像换得很勤，今年好用的明年可能就没了。我的建议就一句话：搜"github 加速"，用当下还活着的那个。另外不少项目在码云上有人做同步镜像，搜“项目名 + gitee”经常有惊喜。

最后补一个保命技能：装库报错之后，把报错信息最后那几行原样复制去搜，别自己盯着看。报错信息是写给搜索引擎看的，不是写给你看的。我带过的徒弟里，会搜报错和不会搜报错的，学习速度差出一倍不止。

三、正主来了：7个项目

下面的顺序是按学习曲线排的，不是按star排的。也就是说，你最好照这个顺序来，前面的打底，后面的上手。

3.1 ML-For-Beginners：先当地图用

项目地址：https://github.com/microsoft/ML-For-Beginners

微软出的教学仓库，26节课，从“什么是机器学习”讲起，回归、分类、聚类、NLP、推荐系统都摸一遍。每节课有插画，画得还挺可爱，讲解文档是现成的，课后还带小测验。

为什么把它放第一个？因为它几乎不需要你动手。clone都不用clone，网页上直接看。它的作用不是让你练代码，是让你知道这个领域里都有什么、彼此是什么关系。学AI最怕没有全局感，一头扎进某个细节里学三个月，抬头一看，不知道自己在地图的哪个位置。

我2021年那会儿还没刷到过这个仓库，全局感是啃书加到处搜博客拼出来的，绕了不少路。现在有现成的地图，先花两三天把26课过一遍，不用记住，脑子里有个目录就行。

用法总结：当地图用，别当教材死磕。看完知道机器学习大概分哪几块，目的就达到了。

3.2 scikit-learn：老归老，但它是合适的起点

项目地址：https://github.com/scikit-learn/scikit-learn

这个库2007年就有了，比我写代码的年头都长。很多人觉得它过时了——现在开口闭口大模型，谁还学sklearn啊。我的看法正相反：机器学习的地基就在这。你后面学深度学习会碰到一堆概念，过拟合、正则化、交叉验证、评价指标，这些在sklearn里都能用最小的代价摸一遍。上来就学深度学习，这些概念只能靠脑补。

它对新手友好到什么程度？API是统一的。分类器几十种，用法全是同一个模式：

fromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportRandomForestClassifier X,y=load_iris(return_X_y=True)X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)clf=RandomForestClassifier(n_estimators=100)clf.fit(X_train,y_train)print(clf.score(X_test,y_test))

就十来行。核心动作只有俩，fit和predict。大白话讲，fit就是“数据喂给你，自己学去”，predict就是“新数据来了，猜猜是哪一类”。换算法的时候，把RandomForestClassifier换成别的，其他一行不用动。这个设计让你把精力放在理解算法差别上，而不是被每个库各一套的写法折磨。

内置数据集也是个贴心设计。鸢尾花那个load_iris，不用下载不用清洗，拿来就跑。你第一周的学习体验全靠它撑着。

接着再教一个我常用的把戏，用来直观感受“过拟合”这个词：

print(clf.score(X_train,y_train))print(clf.score(X_test,y_test))

训练集上跑分和测试集上跑分，各打一次。训练集满分、测试集掉一截，就是过拟合的样子。鸢尾花这数据太简单，差距不会大，等你换了难一点的数据，train满分、test惨不忍睹的情况就会冒出来。这个画面看一次，比背十遍定义管用。

踩坑记录：sklearn的版本变动坑过我两次。一次是照着本老书抄from sklearn.cross_validation import train_test_split，直接报错说没有这个模块。查了半天才知道，cross_validation这个模块早就挪到model_selection里了。也就是说，你手里要是年头比较久的教程，导入语句基本都得自己修。另一次是波士顿房价，老教程人手一个load_boston，新版本里这个函数被整个移掉了，现在教材都用加州房价数据集顶着。所以碰上“教程能跑我跑不了”，先怀疑版本，print(sklearn.__version__)看一眼，再去对官方文档。

3.3 动手学深度学习（d2l-zh）：中文圈的宝贝

项目地址：https://github.com/d2l-ai/d2l-zh
在线书：https://zh.d2l.ai

如果说这篇只能推一个，那就是它。李沐团队写的，书、能跑的代码、配套视频三件套配齐，而且是原创中文内容——不是翻译腔那种中文，是正常人说的话。

内容上，从线性回归一路讲到注意力机制和优化算法，深度学习的主干全覆盖。每章都是“理论+代码+讨论”，每节一个notebook，可以边看边改。

为什么它排第三而不是更靠前？因为它要你先把环境弄好、有点Python基础。前两个项目就是干这个的。

装库本身很简单：

pipinstalld2l==1.0.3

版本号以书里安装那章为准，书更新过几个小版本。另外先别急着敲这行——d2l这个包只是个辅助库，提供画图和加载数据的函数，它依赖PyTorch。也就是说，PyTorch得先装好，回头看看第二节。装完把代码仓库clone下来，notebook一个个跟着走。

没显卡的话也别慌，Kaggle的notebook有免费GPU可以白嫖，书里不少章节的资源占用不高，前几章CPU都够。

这里我要多说两句，这是我这些年最想安利给新手的一个习惯：代码自己敲，别复制粘贴。

我知道复制粘贴很爽。但敲代码这个过程，手会强迫你的眼睛慢下来，你会真的看到每一行在干嘛。我自己当年就是粘贴党，d2l前面几章全靠ctrl c ctrl v，学到多头注意力那章突然就跟不上了。回头一看，前向传播那节的代码压根没进脑子。后来把前面几章重敲了一遍，地基才算补上。过程很枯燥，我懂。但它真的省不得。

配套视频去B站搜书名就有，李沐讲得有耐心，数学推导难受的地方他会说看不懂先跳过，对新手挺照顾。我的建议是视频和书穿插着来，视频看困了就敲代码，敲烦了回去看视频。

踩坑记录：一是显存，书里RNN调参那部分的模型在小显存卡上可能爆，batch调小就行。我那台6G的1060，当年就是把batch从256改到32才跑过去的。二是GPU版PyTorch一定装在虚拟环境里，别图省事装全局。别问我为什么连这个都强调。

3.4 yolov5：第一个让你有成就感的CV项目

项目地址：https://github.com/ultralytics/yolov5

前面三个偏“学”，这个开始偏“练”。yolov5是做目标检测的，输入一张图，输出框好的人、车、狗，什么都能框。

推荐它当第一个深度学习实战项目，就因为它满足我前面说的第四条，反馈快。跟着README走，十来分钟能看到结果：

gitclone https://github.com/ultralytics/yolov5cdyolov5 pipinstall-rrequirements.txt python detect.py--weightsyolov5s.pt--sourcedata/images/bus.jpg

第一次跑会自动下载yolov5s.pt这个预训练权重，然后处理那张经典的bus.jpg，一辆公交车加几个乘客。跑完去runs/detect/exp文件夹看，图上画好框了，每框标着person、bus，还带置信度。

说个可能有点丢人的事。2021年我第一次跑出这个结果，盯着那张图看了五分钟，反复放大看那些框。就一张破图。但那种“我电脑里的程序真的认识人了”的感觉，比任何鸡汤都管用。学习这条路上，你就需要这么几个瞬间。

跑通demo之后，正确的下一步是训自己的数据。这是yolov5比很多项目友好的地方，整条流程它是通的：

1. 装标注工具labelimg（pip install labelimg，项目在 https://github.com/HumanSignal/labelImg ）
2. 准备百八十张图，别贪多，用labelimg框出要识别的东西。w键画框，d键下一张
3. 写个yaml告诉它数据在哪、几个类别：

path:./mydatatrain:images/trainval:images/valnc:1names:['cigarette']

4. 训练：

python train.py--img640--batch16--epochs50--datamydata.yaml--weightsyolov5s.pt

我第一次练的是识别烟头。当时接了个小活，客户要户外烟头检测，标了三百多张图，训出来效果马马虎虎。但整条流程走下来，你对“训练”的理解会完全不一样。数据怎么标、样本长什么样、什么叫过拟合——标完训完，这些词全落地了。

踩坑记录，这项目我坑踩得最多，捡几个大的说。

一是标注格式。labelimg能导出好几种格式，YOLO要的是每张图配一个txt的那种，坐标还是归一化过的。我当年不会切格式，标了两百张全是错的格式，重标一遍，心态差点没绷住。标之前先拿三五张图把全流程试通，这个教训值两百张图。

二是显存。batch开大了必炸。报错里带CUDA out of memory字样，就把batch改小，16不行改8，8不行改4。这不算失败，算常规操作。

三是先用官方的coco128.yaml把训练流程过一遍。这个yaml自带128张图的小数据集，跑一遍train，确认链路是通的再换自己的数据。出问题时你就分得清，是数据的事还是环境的事。

另外提一句。ultralytics现在的重心在YOLOv8/11那个ultralytics包上，yolov5仓库还在维护，但新东西都在新那边。入门我还是建议从yolov5走，代码结构对读的人友好，中文资料也最全。

3.5 PaddleOCR：能干实事的中文OCR

项目地址：https://github.com/PaddlePaddle/PaddleOCR

百度飞桨系的OCR项目。OCR就是从图片里抠文字，发票、截图、招牌、证件照都行。中文识别相当能打，毕竟是人家的主战场。

推荐理由很实际：这份清单里它“实用性”最强。yolo练完你是练了手，OCR练完你是真多了个趁手工具。我后来接的活里有一个批量整理扫描件的，就是PaddleOCR打底。这种学了马上用得上的项目，对坚持学下去帮助很大。

装就两步：

pipinstallpaddlepaddle pipinstallpaddleocr

有N卡想快的话，第一条换成对CUDA版本的paddlepaddle-gpu，命令去官方文档复制，版本要跟你的CUDA对上。

Python里这么调：

frompaddleocrimportPaddleOCR ocr=PaddleOCR(lang='ch')result=ocr.predict('./test.jpg')forresinresult:print(res['rec_texts'])

找张带字的图丢进去，出来就是识别出的文字行。第一次运行会自动下载模型，等一小会儿，正常。

踩坑记录，这条要重点说：PaddleOCR版本变动比较大。你现在装的是3.x，跟前几年博客里写的2.x接口对不上。老博客里满大街的ocr.ocr(img, cls=True)那种写法，在3.x里已经不是推荐用法了，现在走predict。我自己就被这个坑过——照着一篇讲得很细的老教程抄，抄到一半发现函数对不上，一度怀疑自己装错了。所以用这个项目，碰上对不上的地方，第一反应去看它GitHub首页的README，那是最新的，比任何第三方教程可靠。这个习惯你以后会反复用到。

还有一点，CPU跑OCR能跑，就是慢。单张无所谓，批量几百张的时候，CPU和GPU的差距一下就出来了。

3.6 transformers：大模型时代的门票

项目地址：https://github.com/huggingface/transformers

Hugging Face家的库，整个开源大模型生态的地基之一。你听过的那些开源模型，很大一部分发布时就带着transformers的权重格式，拿到手直接加载。

为什么新手要碰它？因为时代变了。我2021年入行那会儿，学AI约等于学CV，NLP是另一个山头。现在反过来，大模型是绝对中心，你迟早要跟它打交道。而transformers就是这个圈子里的普通话。

好消息是，它对新手有一扇特别友好的小门，叫pipeline，三行：

fromtransformersimportpipeline classifier=pipeline("sentiment-analysis")print(classifier("I love this movie!"))

第一次跑会下一个小模型，然后它告诉你这句话是正面还是负面。没有训练，没有数据集，几行代码，你已经在用别人训好的大模型干活了。pipeline支持的任务还有文本生成、摘要、问答、翻译，都可以挨个试试。

坏消息，也是我的踩坑记录：pipeline不指定模型时，给你的是英文模型。我当年不知道，拿中文句子丢进去，不管我说什么它都判positive，我还纳闷了半天，以为这模型只会说好话。后来才反应过来，默认那个模型压根不认识中文。要处理中文，得去HuggingFace的model hub按任务搜中文模型，加载时把模型名传进去。model hub这个页面你以后会常逛，先混个脸熟。

另一个国内绕不开的坑：huggingface.co直连很慢，甚至连不上。走镜像：

exportHF_ENDPOINT=https://hf-mirror.com

Windows的PowerShell下是：

$env:HF_ENDPOINT="https://hf-mirror.com"

设完再跑，下载速度就是另一个世界了。模型默认下到用户目录的.cache/huggingface里，C盘紧张的话记得留意，动辄好几个G。

我的建议：入门阶段别贪。pipeline玩明白，知道“原来调大模型是这么回事”，就够了。微调那些，基础打牢了再回来。

3.7 whisper：一个晚上就能用上的语音识别

项目地址：https://github.com/openai/whisper

OpenAI开源的语音识别，对，就是那个OpenAI。音频丢进去，出文字，带时间戳，能直接出srt字幕。

它是这清单里上手成本最低的真家伙：

pipinstall-Uopenai-whisper whisper 测试音频.mp3--modelsmall--languageChinese

前提是机器上装了ffmpeg，没装的话一跑就报错，报错信息里会提示找不到ffmpeg。Windows装ffmpeg稍微有点绕，官网下压缩包、解压、加环境变量，搜"windows ffmpeg 安装”跟着走，十分钟的事。

第一次用某档模型会自动下载。模型从小到大有tiny、base、small、medium、large几档，small的文件四百多M，中文识别效果已经能用了。我给视频扒字幕，常驻就是small。

踩坑记录：一是ffmpeg，上面说了。二是显存，large那档对显存有要求，卡不行就老实用small，别硬上。三是CPU也能跑，就是慢。一分钟的音频用CPU跑small，可能要等好几分钟，批量任务还是得靠显卡。

推荐它的理由跟PaddleOCR类似：实用。我用它处理过会议录音、扒过字幕、把网课音频转成文字稿。这种“学了当晚就能用上”的项目，是新手期最好的正反馈来源。

四、跑通demo只是个开始

这节写给已经跑通几个demo的朋友。跑通和学会之间，隔着一道挺宽的沟。收藏夹吃灰的那些人，往往就停在沟前面。

4.1 第一步：改参数，看变化

跑通之后别急着跳下一个项目。先干件小事：把参数改一改，看看会发生什么。

拿yolov5说。epochs从50改成5，看效果掉多少。置信度阈值从0.4改到0.25，看框是多了还是少了。img-size动一动。每改一次，想想为什么。

这个动作的意义在于，你会开始建立“参数—结果”之间的直觉。教程只能告诉你“这里填50”。你自己改过、看过结果，这个数字对你才是活的。我在调参上吃过甜头也吃过苦头——学习率手贱放大十倍，loss直接起飞回不来。那种画面看一次，你对“学习率”三个字的理解就深一层。

4.2 第二步：从入口文件读代码

参数玩明白了，下一步是读代码。别一上来就想把整个项目读完，没人是这么干的。

诀窍是从入口文件开始。yolov5的入口就是detect.py，从main往下读，看不懂的跳过，先把主干走通：图片进来，预处理，模型跑一遍，画框，保存。这条线通了，再看别的文件就不是一团乱麻了，你知道每个文件挂在流程的哪个位置。

读不懂很正常。我读transformers源码的时候，前两层就卡住了，全是装饰器和配置类。没关系，跳过去，抓主干。代码这东西，第一遍读目录，第二遍读流程，第三遍才轮到细节。通常来说，能把主干讲清楚，就已经超过大多数只会跑demo的人了。

4.3 issue区是个宝藏

最后一个习惯，知道的人不多：没事去你用的项目的issue区翻翻。

看别人怎么报bug，维护者怎么回，什么问题被反复问。你会学到两样东西。一是很多坑提前避开了，某版本的已知bug，issue里早就吵翻了，你还蒙在鼓里。二是你慢慢知道一个合格的提问长什么样：环境版本、复现步骤、报错全文，三样配齐。以后你自己提问，命中率高，也少挨喷。

五、练熟了，反过来给项目提点东西

这话题一般文章不讲，我觉得值得说说。开源不是单向薅。你用顺手了，可以往回给点东西，而且这事没你想的高不可攀。

新手能做的贡献，通常是这几种：

• 改文档错别字。真的，别嫌小。README里一个错字、一句过时的话，顺手提个PR改掉，维护者一般乐意合并。我第一次提PR就是改一个项目README的错别字，前后半小时。合并那天收到系统邮件，绿油油一个Merged，我高兴了一晚上。
• 复现issue。那些“求助，跑不起来”的帖子，你要是正好也碰上、解决了，把解法贴回去。这种回复对后来人价值极大。
• 补翻译。有的项目中文文档缺一块，有耐心就补一块。

这些事小归小，写进简历是真能打的。“给XX项目提交过文档修复”这一行，比“熟练使用XX”那种空话实在多了，面试官真会点开你GitHub看。我带过一个徒弟，非科班，靠一堆这种小贡献摸进了开源圈，现在在大厂做工程。路是通的。

提issue也有讲究。报bug前先搜一遍有没有人报过，别当复读机。发的时候环境信息带全：Python版本、库版本、显卡型号、系统，加完整报错。信息全的issue，维护者回得快，你问题解决得也快。

六、一个8周计划，照着走

前面讲得散，最后把这7个项目串成一条能执行的线。按每天挤出一两个小时算：

• 第1周：ML-For-Beginners过一遍当地图；同时conda环境搭好，PyTorch装好，torch.cuda.is_available()出True（或者确认自己走CPU）
• 第2周：scikit-learn，iris那套跑顺，换两三个别的分类器，同数据对比；train/test两个分数各打一遍
• 第3-4周：动手学深度学习，前几章代码全亲手敲，线性回归到softmax一带过扎实
• 第5周：yolov5跑通detect，再用coco128把训练流程过一遍
• 第6周：自己标百八十张图，训自己的检测模型，效果一般没关系，流程走完整
• 第7周：transformers的pipeline玩几个任务，whisper扒个字幕
• 第8周：回头整理，把踩的坑记下来，写成博客发出来

第八周那条我单独说一句。写博客这事我当年是被逼的——坑太多记不住，只好写下来。写着写着发现，能把一个坑讲清楚，才说明你真爬出来了。而且发出来的东西会被搜到。有个学生给我发私信，说靠我一篇环境配置的文章少折腾一晚上。那一下的感觉，比跑通demo还上头。这大概就是我做博主做到今天的原因。

对了，这计划里最重要的一条原则，再强调一遍：宁可一个项目多花时间，也别七个项目全过一遍水。深挖一个，你对“学习”这件事本身的理解都会变。

写在最后

一口气写了这么多，收个尾。

7个项目再点一遍名：ML-For-Beginners当地图，scikit-learn打地基，d2l啃主干，yolov5练手，PaddleOCR和whisper当工具，transformers开大模型那扇门。顺序按学习曲线排的，别跳。

最后说句实在的。8周走完，你不会变成“会AI”的人，离接活、面试都还有距离。但你会知道下一步该干嘛，手里有能跑的东西，收藏夹里每一篇教程你都知道该什么时候拿出来用。这个状态，比会背一百个名词重要多了。