从生活类比和可见实验进入，再逐步连接数学、代码和工程。
NEWVAR LEARNING CHANNEL · 2026.08 Beta
从零开始学AI
一部书、一个网站、四卷书稿。写给没有编程和高等数学基础的普通人，也写给愿意认真做实验的高中生。
本书以独立开发、部署、论文阅读、实验复现、失败分析和研究问题提出为终点能力；不承诺仅靠一本书自动成为世界顶尖研究者。
全部章节当前为 draft；专家评审完成前保持 Beta，不以“全球第一”等无法证明的说法宣传。
689,651正文汉字
96完整章节
96互动实验
24阶段项目
288分级练习
86来源记录
WHO THIS IS FOR
真正的零基础，不是假装你已经懂术语。
每章明确先修；微积分、概率和线代都从问题与图形开始，不靠跳步。
工程线给出可部署项目，研究线训练论文、复现、消融和失败分析。
主线可在浏览器、CPU或Colab完成；GPU只用于可选前沿复现。
读取中完成章节 · 0%
进度仅在本设备浏览器保存；清除站点数据会移除它，可在进度页导出备份。
四卷不是四本孤立的书，而是一条连续能力链。
每卷6个单元，每个单元4章和1个阶段项目。完成一章不只代表读过，还要能运行实验、解释失败并迁移到新场景。
第一卷：计算与数学地基
先建立计算、数据、数学和证据能力，让后面的模型不再像黑箱。
- 月1 · AI全景、证据与伦理
- 月2 · Python与计算思维
- 月3 · Git、数据、SQL与可复现性
- 月4 · 线性代数
- 月5 · 概率统计与信息论
- 月6 · 微积分、优化和数值计算
第二卷：经典AI与机器学习
学习搜索、逻辑、机器学习、评估和PyTorch，形成完整建模方法。
- 月7 · 搜索、约束与规划
- 月8 · 逻辑、知识表示和概率推理
- 月9 · 监督学习
- 月10 · 无监督与自监督学习
- 月11 · 评估、因果、公平与鲁棒性
- 月12 · 神经网络、自动微分与PyTorch
第三卷：主要AI分支
系统进入视觉、语言、音频、生成、强化学习和机器人。
- 月13 · 计算机视觉
- 月14 · 自然语言处理
- 月15 · 语音与音频
- 月16 · 生成模型、扩散与流模型
- 月17 · 强化学习与控制
- 月18 · 机器人与具身智能
第四卷：前沿、系统与研究
从基础模型、多模态与Agent走到规模化系统、安全治理和原创研究。
- 月19 · 图学习、推荐与时序智能
- 月20 · 基础模型和语言模型从零实现
- 月21 · 多模态、世界模型与Agent
- 月22 · 数据、规模化训练、推理和MLOps
- 月23 · 安全、隐私、可解释性与治理
- 月24 · AI for Science、论文复现与原创毕业项目
CHAPTER CONTRACT
每章都按同一条学习闭环写作。
- 01结论与类比
先知道为什么重要、现在能做什么，再检查先修和类比边界。
- 02一个变量的互动
拖动滑块立即看教学模拟结果；键盘、触控和静态替代都可用。
- 03直觉到实现
直觉 → 数学 → 最小代码 → PyTorch → 实验记录。
- 04失败与迁移
错误不是被删掉的结果，而是下一轮工程和研究的入口。
- 05练习与来源
基础、应用、挑战三级练习；独立答案、来源、日期和评审状态齐全。
COVERAGE, NOT COLLECTION
“覆盖AI知识”必须能审计，而不是声称抓完互联网。
“全面”指对主要AI知识域、能力框架、工程链路和研究方法进行可审计覆盖，不等于收录互联网上每一页资料。