AIEra：我的AI初体验

2024 年下半年，AI 的浪潮扑面而来。那时的我还只是偶尔关注，直到 2025 年春节期间 — DeepSeek-V3 的重磅开源，引爆了整个互联网。那一刻，我意识到：AI 已经不再是“未来”，而是真真切切地来到我们身边。

正是在那个春节，我所在的技术交流群发起了一个翻译倡议：《ACPI_Spec_6_5_Aug29.pdf》和《UEFI_Spec_2_9_2021_03-18.pdf》两本专业书籍需要志愿者合作翻译。于是，我写下了第一个 AI 翻译辅助脚本 aitranslator，显著提升了翻译效率。翻译小组对 AI 的高效能力普遍评价积极。我也在知乎写了一篇文章 《我用 DeepSeekV3 做技术翻译》，那是我第一次真切感受到 AI 的“落地价值”。

有点正向反馈之后后，我开始试探摸索：追逐 arXiv 最新论文、守候各路博主的新视频、尝试各种 AI 工具和模型……

我在 HuggingFace、ModelScope 等平台上试验模型；折腾过 Ollama、vLLM、LangChain 等本地部署；薅过阿里百炼、Google Colab 的免费 GPU；写过脚本、啃过《动手学深度学习》《强化学习的数学原理》《机器学习》。

然而，信息的洪流让我逐渐迷失：技术太多，根本学不完；学习路径是否正确、所学是否能真正落地，也让我不断自我怀疑。

在关注业界动态时，我发现生态正快速补全：

• 有人专注于 Workflow（n8n、dify、coze）
• 有人深耕 Agent（我也曾浅度参与开源 MoFa 项目）
• 越来越多团队尝试通过 MCP 协议推动多智能体协作，探索更通用的 AGI 能力。

显而易见，软件领域的创新正在飞速演进。与此同时，我开始思考：我的独特价值在哪里？

作为一名嵌入式软件工程师，我本身具备硬件基础。这让我意识到：硬件与 AI 的结合，或许才是属于我的独特探索轨迹。

于是，在 AI 的协助下，我开始了一些跨界尝试：

• 搭建家庭空气质量检测系统，用 LLM 多模态驱动图像识别、前端展示、AI Vide Coding。
• 绘制语音模块的 PCB 板，制作带有 AI 交互功能的玩具原型。
• 深度思考居身智能，寻求可行的商业模式，尝试自己的独立商业。

这些实践让我更加坚信，AI 并不只是停留在软件层面，它完全可以与硬件结合，创造新的可能性。同时，这也可能是自身原有能力最大化的必须的选择。

尽管如此，理论学习仍然不可或缺。首推以下学习资料：

书籍、课程：

1. 李沐：动手学深度学习 电子书网站、B站配套视频
2. 李宏毅（台大教授）：Machine Learning 2025Spring、2023Spring、Generative AI 2024Spring；Youtube频道

免费练习GPU资源：

1. Google Colab：有免费的GPU、TPU资源可以使用。Google Colab 非常适合 入门和练习机器学习、LLM，特别是想学习 PyTorch、TensorFlow、Hugging Face 等框架的同学。它降低了学习成本，让你专注于理解算法和实验，而不是环境配置或硬件投入。等你积累经验后，可以考虑迁移到更专业的 GPU 云服务（如 GCP、AWS、Paperspace、RunPod）以进行更大规模的训练。
2. 阿里百炼：新注册用户可以领取3个月，每个月250计算时，用于使用平台的GPU资源;是一款功能全面、开发便捷、安全可靠的大模型服务平台。无论是模型调用、训练微调、应用开发，还是智能体编排与流程自动化，它都提供了成熟的一体化工具和部署路径，是企业和开发者快速上马生成式 AI 应用的利器。

模型数据集托管平台：

1. Huggingface：Hugging Face 是 AI 开发者和研究者的核心平台，融合了模型开发、共享、部署与演示功能，并凭借生态完整性和开放社区文化，推动 AI 研究和应用。
2. ModelScope：ModelScope 是阿里云打造的功能全面、拥有丰富资源与开源生态的 AI 模型开发平台。它为开发者和企业提供了从模型探索、训练到部署的一站式工具链，并注重易用性与社区协作。对于希望快速进行模型试验、构建应用原型、甚至迈向 Agent 或文本视频生成的开发者而言，是一个极具吸引力的平台。

主流LLM平台：

1. OpenAI
2. Qwen：开源TOP1存在；可以在百炼平台调用API（首次使用赠送100万tokens）
3. Anthropic：编程明星产品Claude Code母公司
4. DeepSeek

Github高星项目

1. awesome-llm-apps：构建应用的示例。一个精心整理的采用 RAG、AI 智能体、多智能体团队、MCP、语音代理等技术构建的精选 LLM 应用集合。收录了使用 OpenAI、Anthropic、Google 等商业模型及 DeepSeek、Qwen 或 Llama 等可在本地运行的开源模型的 LLM 应用案例。
2. awesom-mcp-servers：此列表重点关注可用于生产和实验性的 MCP 服务器，这些服务器通过文件访问、数据库连接、API 集成和其他上下文服务来扩展 AI 功能。

构建应用的平台：

1. coze
2. n8n
3. dify

生产力工具：

1. Cursor：Cursor IDE，国内封禁
2. Cluade Code
3. Trae：字节AI IDE
4. Figma：设计届的ChatGPT

开源知识社区

1. WayToAGI：国内最大的AI应用知识社区，活跃度很高，每月有线下活动。

理论与实践相辅相成，让我在探索 AI 的道路上更加踏实。回望这半年多的学习实践，我从一个技术拾荒者，在信息洪流中跌跌撞撞，逐渐找到了属于自己的独特方向。

未来，我会继续沿着 硬件 + AI 这条路，探索更多有意义的可能性。

写在最后：其实还是要感谢2014年以前，读研究生期间，导师安排我做理论研究，至少对于优化理论、矩阵运算、随机过程、马尔科夫链等等知识还是有一定的基础，所以学习深度学习，还是有一些可以复用的知识点，而不至于完全是天书。你所遇到的一切，都有可能很有用。