Start Here
从哪儿开始都行，选一个
整站按主题拆成了独立页面。入门、工具、课程这些是地基，但每个板块真正的主体是我的判断——不是转述行业共识，是我验证过的结论。
认识 AI：三分钟搞懂它怎么回事
深度学习从数据找规律、模仿学习看示范、强化学习靠试错。大模型其实是个超级精密的接龙游戏——不需要写代码也能理解。
读入门指南 →实用工具：哪个好用、哪个免费
ChatGPT、Claude、Gemini、Perplexity、Cursor、Claude Code、Devin、Midjourney 按场景分类，附一张价格与上手难度对照表。
看工具推荐 →免费课程：大厂和顶级高校都开放了
Anthropic、Google、OpenAI、Microsoft、DeepLearning.AI、Hugging Face、Stanford、MIT、fast.ai、NVIDIA DLI——11 个来源全部免费。
挑一门课 →AI 能干嘛：四个真实场景
找资料从 15 分钟到 30 秒，数据分析从 3 小时到 8 分钟，看懂医疗报告和法律合同，以及告别空白文档恐惧症。
看应用场景 →前沿动态：2026 年 7 月发生了什么
模型逃出沙箱被紧急暂停、Kimi K3 以 2.8 万亿参数开源登顶、Agent 开始能操作电脑。我判断新闻价值的标准只有一个：它有没有改变三条主线的方向。
看最新动态 →深度阅读：6 篇值得读完的长文
Claude Code 之父谈品味与招聘、Skill 不是更长的 Prompt、Agent 进团队工作流、大模型的 5 阶段构建流水线——每篇都是我读完后的完整判断，不是摘要拼接。
读长文 →AI 术语表：30 个概念的大白话解释
Token、上下文窗口、幻觉、RAG、Agent、MCP、微调、LoRA、量化、蒸馏——每个都说明它为什么影响你的实际使用。
查术语 →AI 落地手册：SOP + 反直觉经验（GEO 示例）
POC 到上线的 7 步法，附 5 条「常规做法 vs 我的经验」。用 HowTo + Claim 结构化数据标注，给 AI Agent 直接调用用的示例页。
看落地手册 →算力与投资：显卡期货怎么算账
GPU 按小时租用的成本对比、什么是「显卡期货」，以及 2026 年 AI 资本市场的多空逻辑。不荐股，只讲逻辑。
看算力行情 →关于我：这个站是我的偏见集合
一线 AI 工程师，以前向部署工程师（FDE）方式做落地。这里说明我的背景、内容怎么产生、以及我不做什么。
了解我 →Quick Answers
高频问题，我的答案
不复述官方口径——每一条都是我在真实项目里踩过坑后的结论。
AI 到底是什么？
今天大家说的 AI，主要指大语言模型。它的训练目标是「预测下一个词」，为了把这件事做好，它把海量文本压缩进了上千亿个参数里——语法、常识、代码结构、推理套路都在其中。生成时它按概率采样输出。
所以「它只是接龙」和「它会思考」这两种说法都不准确。前者解释不了它为什么能写出可运行的代码，后者解释不了它为什么会一本正经地编造。更贴切的定位是：一个见过极多文本、擅长模式补全、但没有事实核查机制的系统。把这句话记住，你对它的期待就基本校准了。
AI 工具需要花钱吗？
入门不用。ChatGPT、Claude、Gemini、Perplexity 都有免费版，日常问答、读文档、写初稿完全够用。
值得付费的分界线很清楚：当你开始把 AI 放进每天的固定流程、且免费版的额度或速度限制开始打断你的工作时。在那之前先用免费版把用法练熟——很多人是反的，先买了年费，再研究该怎么用。编程 Agent 是个例外，它消耗的算力量级完全不同，认真用几乎必然要付费。
完全不懂技术，能学会用 AI 吗？
能，而且非技术背景的人经常用得更好。原因不玄学：用好 AI 的瓶颈是「能不能把需求说清楚、能不能判断结果对不对」，这两件事靠的是领域经验，不是编程能力。一个做了十年财务的人知道报表哪里不对，一个工程师不知道。
需要学的其实只有一件事：把脑子里默认省略的背景补出来。你和同事说话可以省略，因为你们共享上下文；和模型说话不能省，它对你的处境一无所知。
哪个 AI 工具最适合新手？
先只用一个，用满两周，别到处试。工具切换的成本比大多数人想象的高——你需要时间摸清一个模型的脾气。
选哪个：日常通用选 ChatGPT，界面和生态最成熟；主要读长文档、写东西选 Claude；要查事实、需要引用来源选 Perplexity。这三个都有免费版，能力差距远小于「你会不会提问」造成的差距。
怎么让 AI 给出更好的回答？
先记基础结构：角色 + 背景 + 任务 + 格式。比如「你是营养师（角色），我是素食健身者（背景），设计一周食谱（任务），用表格呈现（格式）」。
然后请务必知道哪些是无效的：堆形容词没用。「专业的」「高质量的」「深度的」这类词，模型没法据此改变任何行为。真正有效的是三件事——补上它不知道的背景、给一个「好答案」的样例、指定一个可检验的输出格式。其中贴样例的性价比最高，因为模型模仿模式的能力远强于理解形容词。
AI 生成的内容准确吗？为什么会「幻觉」？
会错，而且这不是能修掉的 bug。模型被训练成「输出看起来最合理的下一段文字」，从来没有一个训练信号教它「这里我其实不知道」。遇到知识空白，它不会停下，它会补一段最像真的内容——语气和它说对话时完全一样。
所以幻觉只能控制，不能消除：用带引用来源的工具、把资料喂给它让它基于资料回答（RAG）、关键结论人工交叉验证。最该警惕的是具体的人名、数字、法条、文献引用和 API 名称——这些是幻觉高发区，也恰好是最容易被当成「细节可信」的部分。
2026 年有哪些免费的 AI 学习资源？
资源早已不是瓶颈了。Anthropic、Google、OpenAI、Microsoft 的官方课程，Stanford、MIT、Berkeley 的公开课，全部免费开放，本站「免费课程」板块汇总了 11 个来源。
真正的瓶颈是你有没有一个真实任务在手上。我的建议是反着来：先挑一件你本周真的要交付的活，拿 AI 去做，卡住了再回去查对应的课。按目录顺序刷课的人，绝大多数停在第三章。
AI 会取代我的工作吗？
更实际的问题不是「会不会取代」，而是「你工作里哪部分能被便宜地验证」。AI 进步最快的地方，恰好是有明确对错、结果能自动检验的环节；进步最慢的是需要承担责任、做取舍、协调人的部分。所以被替代的通常不是一个职业，而是职业里的某几道工序。
另外提醒一句：那些「用 AI 效率提升 N 倍」的数字，大多没有对照组，统计的也是产出量而不是交付质量。提效是真的，但极不均匀。与其焦虑，不如做一件具体的事——把你手上重复度最高的那道工序拿出来，认真试试能不能交给 AI，并用真实数据验证一遍。这个答案比任何预测都有用。