自学人工智能，究竟是该挨着学习，打地基式，还是说根据需要所学，不断由一个点扩展到面?

我并不认为有完美的学习方式，也不认为任何极端的方式是合理的。但是如果说要是如何更有效率，我更喜欢实践带动理论的方式。

传统的教育理念告诉我们要"读万卷书"，打好基础再实践。但在我文章《好学生学不会 THE UNTEACHABLE STUDENT》中提到：

"对大多数人来说，他们上一次真正学到东西已经是很久以前的事了。人们接受的训练就是去分析、研究和寻找问题。而且他们在这方面相当在行。他们能很快找出任何问题的负面影响。"

我们传统的学习习惯导致了我们更习优先关注理论的学习。但在实践中，更好的方式往往相反。工作这些年，观察到一个有趣的现象：最优秀的工程师往往是"需求驱动型"学习者。他们不会花大量时间系统地学习所有基础知识，而是从一个具体的项目或问题出发，随着需求不断深入学习。 举个例子，我曾经带过一个年轻工程师，他想做推荐系统。与其让他先去啃线性代数和概率论的教科书，我建议他直接从实现一个简单的协同过滤算法开始。当他遇到矩阵分解的问题时，他自然而然地就会去学习必要的数学知识。这种学习更有针对性，也更容易记住，因为每一个知识点都与实际问题直接相关。 但这里有个关键点：你必须要有一个"知识地图"。

就像玩开放世界游戏，你不需要一开始就把所有地图都探索完，但你需要知道地图的大致轮廓。对于AI来说，这个地图包括：基础数学（线性代数、概率统计、微积分）、机器学习基础（监督/无监督学习、模型评估）、深度学习（神经网络、优化方法）等等。 最重要的是要建立"知识的脚手架"。通过项目驱动的学习，你会逐渐发现哪些是你的知识盲区。比如你在调优神经网络时发现不理解反向传播，那么这就是你需要深入学习的点。这样的学习更有针对性，也更有效率。 还有一个重要的习惯，不要陷入完美主义的陷阱。

我经常看到有些学生觉得自己基础不够扎实，总想把所有基础知识都学完再开始实践。但在AI这个飞速发展的领域，等你把所有基础都学完，可能新的技术已经又出现了。关键是要找到一个平衡点，在实践中不断补充必要的理论知识。 学习AI不是为了成为数学家，而是为了解决实际问题。在这个过程中，让需求引导你的学习方向，但同时也要保持对知识框架的清晰认知。这样的学习才能既有深度，又有广度。