1. 先别急着收藏一堆账号想清楚你要学的是哪一类AI这两年“学AI”这件事最大的困扰早就不是资源太少而是资源太多。打开任何内容平台随便一刷都是“AI必看”“XX天精通大模型”“这个AI工具绝了”收藏夹里囤了几百条真到动手时还是不知道从哪开始。这也是我写这份指南的初衷把所有信息源按“你正在做的具体事情”来分类告诉你每个领域真正值得长期看的是谁、该怎么看而不是再给你一张塞满了账号的收藏单。先说结论学AI最贵的是注意力最便宜的是收藏。你关注一个博主不等于你学到了他的内容更不等于你能复现他的结果。所以我下面不只推荐“关注谁”更会讲清“为什么关注他”“从他的内容里到底学什么”“用什么姿势跟学才有效”。这份指南对几类人尤其有用刚入门、想系统建立AI认知的已经在做编程、想切换到AI工程方向的做内容创作、打算接触AI视频或短剧的以及搞科研、需要用大模型辅助论文写作的。如果你属于其中任何一类建议别跳着看按顺序走一遍。你会发现真正值得关注的人其实不多但每个方向上只要跟对三五个人就足够支撑你走很长一段路。1.1 为什么按“领域”而不是按“平台”来选关注对象大多数人整理“AI博主清单”的时候习惯按平台分B站关注哪些、知乎关注哪些、某书关注哪些、视频号关注哪些。这个思路最初看起来没问题但实际操作下来容易翻车。原因很简单平台是内容的容器领域才是内容的本质。同样是B站的一个UP主有人做AI编程教学有人做AI资讯快报有人做AI绘画教程如果你按平台去关注你的信息流里会是三个完全不同的学习方向混在一起。今天看到一个讲微调的明天看到一个讲提示词的后天看到一个讲AI短剧的看起来每天都很丰富实际上知识结构一盘散沙。按领域分类就完全不同。你可以把学习过程想象成盖房子基础理论是地基编程能力是框架应用创作是装修科研论文是加固。每个阶段需要补的信息不一样你关注的人也应该跟着阶段走。入门期你需要能讲清楚原理的人编程期你需要能带着你写代码的人做AI视频时需要的是能展示完整制作流程的人。所以这份指南的结构就是按领域切分的基础认知、编程实战、应用创作、本地部署与开源、科研写作。每个领域我会给出关注方向和筛选标准而不是简单罗列ID。1.2 我筛选AI信息源时的四个硬标准先说一个我个人的习惯我从不因为一个博主“粉丝多”就关注。粉丝量只能说明传播能力不能说明教学水平。我筛选值得长期看的信息源通常只过四道关。第一关有没有持续产出且更新频率稳定。AI领域变化太快一个月不更新内容基本就过期了。持续产出至少说明这个人还在第一线他的经验是热乎的。半年才更新一次的账号就算内容再深参考价值也大打折扣。第二关能不能看到“过程”而不是只有“成果”。这一点极其重要。天天晒“我用AI做了一个超炫项目”却从不讲怎么做的博主对学习者的帮助非常有限。真正值得看的是那种愿意把思考过程、踩坑经历、参数调优细节摊开给你看的人。过程比成果值钱十倍。第三关内容是否可以验证、可以复现。教你怎么部署一个本地模型就把安装命令、配置文件、硬件需求写清楚教你怎么写提示词就把输入输出全贴出来。凡是遮遮掩掩、只说“懂的都懂”的我默认他在吹牛。第四关商业推广要有边界。博主接广告很正常但一个天天推“某某AI神器”却从不说缺点的人不值得信任。合格的博主会明确标注哪些是合作内容哪些是个人实测并且敢于说“这个工具不适合你”。这四个标准同样适用于你。以后你看到任何AI博主可以拿这四个问题过一遍能留下来的基本都不会太差。2. 入门打底与大模型认知先把基本盘稳住很多人的误区是一上来就追着“最新大模型”跑今天GPT出了新版本明天哪个开源模型又刷榜了。这就像学游泳的人天天看奥运会比赛录像自己却从不下水。入门阶段你最需要的是把“AI到底是怎么回事”这件事搞明白然后才是了解具体产品和模型。2.1 理论入门真正能让你少走弯路的讲法这一块我不打算给你列一堆课程链接只说你最值得优先看的几类人和内容。第一类是能把底层原理讲得通俗易懂的人。李沐的深度学习课程和配套的论文精读系列属于“用中学生能听懂的类比讲明白数学原理”的类型。他的风格是手写推导、板书讲解节奏慢但密度高很适合第一次接触神经网络、注意力机制、Transformer这些概念的人。如果你觉得海外课程的语言和思维习惯有距离感他的内容可以作为入门首选。第二类是用可视化把抽象概念变成直觉的人。3Blue1Brown的神经网络系列是公认的“神级科普”它把反向传播、梯度下降这些概念用动画呈现出来看完你会对“模型是怎么学习的”有一个非常直观的理解。不要小看直觉这东西很多后续工程问题最终拼的就是你对基本概念的直觉准不准。第三类是真正的一线研究者亲自下场讲课。Andrej Karpathy的编程教学视频属于“大牛手把手带你从零写一个模型”的典型。他不是教你背API而是带你把一个语言模型的训练过程从数据处理到权重更新全部走一遍。看完这类内容你会明白所谓“大模型”并不是什么玄学它就是一个工程上精心调优过的统计模型。这类理论内容怎么看才有效我的经验是不要用“刷视频”的方式看要用手写笔记加“假装自己会讲一遍”的方式看。看完一个章节合上屏幕用自己的话把原理讲给电脑前的自己听卡壳的地方就是你没懂的地方。2.2 大模型认知怎么判断一个模型行不行、适合你干什么当你开始实际使用AI时会遇到一个很现实的问题那么多模型到底选哪个这个问题没有标准答案但有一套判断方法。首先不要只看评测榜单。评测分数只能反映模型在特定测试集上的表现不能反映你的真实场景。一个模型在编程题上得分高不代表它写诗写得好一个模型在数学推理上强不代表它中文表达自然。你需要的是能拆解模型能力边界的人而不是只会报分数的榜单。其次要关注技术报告和官方文档。任何一个正经做模型的团队都会在发布时附带技术说明里面包含训练数据情况、评测方法、已知局限、适用场景等信息。这些一手资料比任何二手解读都可靠。你在任何平台看到一篇“XX模型全面评测”最好先去找原文对照一下看看博主有没有断章取义。最后建立自己的小评测集。给自己常用的三五类任务各准备几个固定问题比如“用一句话解释什么是过拟合”“帮我生成一段Redis缓存代码”“分析这段日志里的报错原因”。新模型出来后先用这一组问题过一遍你心里就有数了。注意问题复杂度要和你平时用的场景一致不然又变成在看榜单。2.3 日常信息补给跟着第一手信息源而不是二手消息新手特别容易被“资讯号”带着跑。今天有人告诉你“某模型炸了”明天有人告诉你“某公司要完”看的时候很兴奋看完发现什么都没学到。原因是这类账号产出的是情绪价值不是知识增量。我的建议是把信息源分三层第一层是官方渠道和技术社区比如大模型团队自己的博客、文档站、更新日志、开源项目的官方仓库。这里的信息未必有趣但一定准确是你的“事实基础层”。第二层是那些做深度解读的人他们帮你把技术报告翻译成“人话”但你必须先看过原文再听解读否则容易被牵着走。第三层才是资讯快报这部分可有可无最多用来了解“最近有什么新东西”千万别当主食吃。日常操作上我习惯每周固定一个时间把关注的官方博客和项目更新扫一遍。不用每天刷每周一次足够因为重要变化一定会发酵一段时间没必要被碎片信息牵着走。这样坚持两三个月你会发现自己的信息焦虑明显下降。3. AI编程这条线可能是最值钱的方向在所有AI应用场景里AI编程是少数能直接转化成生产力和收入的领域。无论是用AI辅助写代码、搭建Agent应用、还是开发完整的AI产品需求都极其旺盛。这个方向我多说几句因为坑最多也最值得认真学。3.1 基础没打牢先别碰“AI自动写代码”现在各种AI编程工具确实很强甚至能一键生成整个项目。但我的看法是如果你完全没有编程基础别一上来就依赖AI写代码。这里不是道德问题而是效率问题。没有基础的人根本判断不了AI生成的代码对不对。出了bug你不懂报错信息不知道是环境问题、依赖版本问题还是逻辑问题你会卡在一个最简单的地方很久。而AI最擅长的恰恰是帮你跳过“从零到一”的枯燥阶段前提是你已经知道“一”长什么样。所以第一步永远是先花时间把一门语言的基础打牢。最推荐的是Python语法简单、生态丰富AI相关几乎全用得上。找那种“用简单例子讲清楚变量、循环、函数、类”的入门教程不用追求多深能读懂代码、能改代码就行。这个阶段不用太纠结算法和数据结构但你至少要懂程序是怎么从上到下运行的函数是怎么被调用的变量是怎么存储和传递的。学基础的过程中可以适度用AI做“解释器”。把一段看不懂的代码扔给它让它逐行解释、讲输出结果这是效率很高的用法。但记住你可以让AI解释代码不能让AI替你思考。3.2 从“会用AI写代码”到“会带AI做项目”当你有了基础就可以正儿八经地学AI编程实战了。这一阶段该关注的人有几类。一类是天天用AI开发实际项目的人。他们的内容一般会展示一个完整的项目流程需求拆解、代码生成、运行调试、测试修复。你重点学的不是他的代码本身而是他的工作流。比如他什么时候用对话生成代码什么时候手写什么时候让AI重构什么时候必须自己审查。这些决策背后的经验才是真正值钱的东西。另一类是讲“提示词工程”的人但别只学那些“万能公式”。真实开发中的提示词不是背出来的而是根据任务目标不断调整出来的。好的提示词教程一定会教你一个核心思想把上下文、约束条件、输出格式、错误修正路径都交代清楚然后通过迭代来逼近正确答案。你可以在自己的项目里试验不同写法记录哪种指令风格更稳定。这一阶段有个重要习惯任何人给你的代码先跑起来再改最后理解。我见过太多人收藏了一大堆“AI加持的自动化脚本”却从来没运行过最后等于零。正确做法是拿到一个项目模板第一件事是照文档把它跑通第二件事是改一个参数、加一个功能第三件事才是通读代码问自己“为什么这么写”。三步走完这个项目才真正属于你。3.3 想转AI应用开发的人学习路线可以这么排如果你是冲着“AI应用开发工程师”“AI产品研发”这些岗位去的完整学习路线大概是下面这个顺序每步都不用追求精通但要能上手。第一步Python基础包括数据类型、函数、文件操作、异常处理。第二步学会调用大模型API。这是你的“核心发动机”要弄明白接口参数、鉴权方式、返回结构能写一个最基本的对话调用。第三步补充数据处理和向量检索知识。因为大量AI应用离不开“外挂知识库”你需要知道怎么把文档切成块、转成向量、存进向量库、再检索出来送给模型。第四步学会“上下文工程”也就是合理设计系统提示词、管理对话历史、控制输出格式。第五步掌握一个应用框架。Java背景的人可以从Spring AI入手TypeScript背景的人可以关注TypeSafe相关的生态。框架的意义在于帮你把模型调用、工具调用、数据存储这些底层能力串起来让你专注于业务逻辑。第六步部署和测试。至少要学会把一个应用容器化、部署到服务器并了解基本的性能测试和异常日志排查。每一步都可以去搜对应的教程关键词选“AI应用开发学习路线”“Spring AI实战”“Agent应用开发”这些。跟着一个完整系列学完比收藏一百个零散技巧强得多。还有一个新趋势值得留意AI Agent。以后的应用不再只是“对话框里回答问题”而是“让模型根据目标自动调用工具、分步完成任务”。这块还处在快速演进期能讲明白“Agent的记忆、规划、工具调用是怎么实现的”这类内容的博主目前不多遇到就值得重点关注。4. AI视频与短剧方向内容创作者的实战区如果你不做程序员而是做内容创作AI视频这两年确实是最大的变量。从AI短剧、AI漫剧到AI广告片生产门槛被大幅拉低。但门槛低不等于随便做做就能火这个方向的信息源也最杂需要仔细挑。4.1 AI短剧和漫剧到底在学什么很多人以为AI短剧就是“输入一个故事点一下生成完事”。真上手会发现完全不是这么回事。一条完整的AI短剧制作链至少包括剧本创作、分镜设计、角色设定、文生图、图生视频、语音配音、音效配乐、剪辑合成。每个环节都有对应的专用工具和技巧一个成熟的作品是几十步协作出来的。所以你在这个领域要关注的信息源应该按环节来找有的人擅长剧本结构化能把一个故事拆成适合AI生成的分镜脚本有的人擅长角色一致性能解决“同一个角色在不同画面里长不一样”的痛点有的人擅长视频生成提示词能让你用准确的关键词控制镜头运动和画面风格还有的人擅长后期流程能教你用剪辑和配音把素材拼成有节奏的成品。我不建议只看那种“AI生成大片”的炫酷成品展示。那些都是结果不是方法。真正值得关注的是愿意放出“制作全过程”的人比如一条30秒的视频他会把脚本写了什么、图怎么生成的、哪些镜头废了、最后怎么补救的全部摊开讲。这类内容的价值是“过程”你跟着走一遍能力会实打实增长。4.2 这个领域怎么判断“哪些人才值得跟”AI视频方向的博主数量爆发式增长但很多是“成果党”甚至“搬运党”。“成果党”的特点很鲜明每天发一条惊艳的AI视频从来不讲参数不留过程不做复盘。你问他怎么做的他的回答永远是“详情看主页”“加微信聊”。“搬运党”更省事直接从海外平台翻译字幕连自己上手试都没试过。这两类账号就算粉丝再多对你的学习也没帮助。我推荐用四个标准去筛第一看他是否展示失败案例。AI生成本来就是概率事件能做到十次成功一两次的人非常厉害。如果一个人每次都完美输出要么他筛掉了很多失败要么就是假的。第二看他是否给出可控参数。比如“用了什么模型、什么采样步数、什么分辨率、什么提示词结构”能讲清这些的说明他真在控制过程。第三看他是否有作品复盘。做了三个视频哪个火哪个不火为什么火这类分析比作品本身更有学习价值。第四看他更新是否持续。AI视频工具迭代极快几个月不更新技能基本作废。按这套标准你会发现值得关注的人其实不多但每一个都值得反复看。5. 本地部署、开源项目与论文科研进阶者的信息补给区如果你的目标不是“会用AI”而是“自己动手折腾AI”那本地部署和开源社区就是你的主场。这部分内容门槛偏高但一旦上手技术提升非常明显。5.1 本地部署大模型该看什么、怎么看本地部署大模型是很多人的兴趣点但它的难度经常被低估。你以为只是下载一个模型文件然后运行实际会遇到一堆问题模型文件几十GB硬盘不够怎么办量化版本和原版效果差多少显存不够怎么用CPU跑外网国内怎么加速下载推理框架怎么选启动参数怎么调。这个领域的优质信息源通常不是什么大V而是开源项目仓库、技术社区的讨论帖、以及那些“把部署过程踩坑记录写成文档”的普通开发者。这类人的价值在于他们会告诉你真实的硬件配置和实测效果而不是“我用企业级GPU跑得飞快”这种废话。实际操作上我建议你走这样一条路线先用一个轻量模型跑通流程比如7B量级、量化后的版本把“下载模型、安装框架、启动服务、发起请求”这一整条链路走一遍。然后才考虑上更大模型和更复杂的优化。中途遇到问题搜报错信息比搜教程效率高得多十有八九有人踩过同样的坑。关注本地部署相关内容时还有一点多关注那些讲“为什么”的人。比如他不仅要告诉你“量化后显存占用少了”还要告诉你“量化精度为什么有损失、哪些任务不建议用量化”。这类原理层面的理解能让你在遇到新问题时不至于全靠试错。5.2 写论文和搞科研真正该关注的是哪类信息源再看科研党。用AI辅助写论文已经是很普遍的事但我必须先把话说在前面任何辅助都不能替代你本人的思考学术诚信是底线。你要学的是“怎么让AI帮我更高效地完成整理、初稿、润色、数据分析”而不是“怎么用AI无中生有制造一篇论文”。科研场景下的信息源跟前面几个方向很不一样。你不需要每天追AI资讯号更需要的是三样东西一是“工具方法型”内容比如怎么用本地部署模型处理长文档、用什么工具整理文献、怎么让大模型帮你改写润色且保留学术严谨性二是“流程示范型”内容比如从文献调研、问题提出、实验设计到论文投稿的整个流程中在哪个环节用什么AI工具最合适三是对你所在专业领域的垂直社区——因为不同专业的论文写作范式差异很大医学和工科的AI用法并不一样同行经验往往比通用教程更对症。这里面我的经验是优先看那些“给实际操作步骤”的人他最好能把一个任务拆成“第一步干什么、用什么指令、得到什么结果、不满意怎么改”。相反那些只发“AI写论文神器推荐”却不谈具体使用场景、伦理边界、学术规范的人建议直接跳过。6. 避坑清单有些“AI博主”该取关就取关最后聊一个很多人忽视的问题如何清理自己的关注列表。信息环境跟房间一样定期整理比不断囤积重要得多。6.1 三类低质量账号的识别方法第一种是“许愿式博主”。他们的典型话术是“AI将取代一切”“不懂AI就完蛋了”内容里充满了对于未来的宏大叙事但从不告诉你任何今天就能上手做的事。看这类内容会产生一种虚幻的“我在紧跟时代”的感觉实际上对你的能力增长毫无帮助。识别方法很简单连续看他一个星期的内容如果他没有教过任何一件可以立刻动手的事取关。第二种是“搬运式博主”。他们的内容不是自己的实践而是把别人的教程改头换面重新配音、重新剪辑、换个标题发出来。搬运本身不可怕可怕的是搬运过程中丢了细节和“坑”。识别方法看他有没有自己的案例、自己的数据、自己的失败经验。全都没有只有“这个工具太强了”那基本可以判断是搬运。第三种是“带货式博主”。他们本身可能懂一点技术但核心精力都放在卖课、卖群、卖工具上。付费内容不是不能买但你要判断他宣传的效果是否真实。如果一个人连“这个工具不适用于哪些场景”都从不说他的内容就要打很大折扣。识别方法看他推荐的每个工具是否都有详细实测是否会说缺点是否给过替代方案。6.2 我的信息流整理习惯分享一个我坚持很久的习惯。我平时看到任何值得关注的内容不是马上关注而是先放进一个标签为“待观察”的暂存区。一周后如果我还记得这个博主并且他更新了一条真正有用的内容我才关注。这个“冷却期”能过滤掉大量一时冲动式关注。关注之后我还会做分级。A类必须看更新可能学到新知识B类每周集中看一次作为补充C类偶尔刷到就看看不特意找。A类控制在十个人以内B类控制在二十个人左右超过这个数字我就知道该清理了。另外光看不记等于白看。我的习惯是每看一条有价值的干货就在笔记里记下“这个技巧可以用在什么场景、关键步骤是什么、我准备什么时候试一试”。只收藏不行动收藏夹就是垃圾场。哪怕你只是把某一个提示词改一改放到自己的实际任务里跑一次也比收藏十篇教程有价值。我个人体会是学AI就像健身不是看健身视频看的次数多就能有肌肉得自己练。信息源的选择本质上是帮你在有限注意力里找出最有效的练习方法。你不需要关注几十个博主你只需要在每个方向上一两个真正靠谱的人然后跟着动手做就够了。