想用AI帮忙整理研究资料，打开课程却先遇到一屏公式；想弄懂大模型怎么训练，找到的视频又一直在演示工具界面。
遇到这种情况，可以先把自己的目标写具体一点：这次学习，想解决哪一个问题？
对科研工作者来说，至少有几种不同的需求：把日常任务做得更顺手、读懂模型原理、搭建检索问答系统，或者亲手训练模型。
本文从MIT和斯坦福的公开课程中选了6门，按这些需求说明怎么开始。课程内容与公开材料依据官网核查，学习建议由本文整理，不代表本人已经修完这些课程。
文中的“公开”指官网提供的学习材料或录像入口，不等同于获得学分、证书和校内教学服务；做实验还可能需要额外的软件服务或算力费用。
01｜先回答：学完以后，你想完成什么？
不用先研究课程编号，先从下面选一个更接近你的目标。
这是按目标给出的选课建议，不是必须从上到下完成的学习顺序。先看与你当前困难最接近的那一门。
02｜想先把AI用进科研：看Building with AI
如果你暂时不研究模型结构，只希望把一个反复发生的任务做得更省事，可以先了解MIT的Building with AI。
这门课面向科学家和工程师，官网明确不预设编程经验。2026年的课程分为5次，内容包括AI Agent、面向非计算机背景者的AI编程、数据抓取与清洗、可视化，以及基础模型与微调。公开页面提供模块录像入口。[1]
对这个账号的读者，我更建议带着一个小任务去看。
例如，手头有几份格式相近的公开资料，你想把其中的标题、日期和关键词整理成表格。先观察课程如何拆分步骤，再尝试把自己的任务写成输入、处理和输出。
这里的例子是本文建议的练习，不是课程效果承诺。涉及工具订阅、接口或数据权限时，需要另外确认。
**开始前准备：**选一个不含敏感信息的小任务，写清楚现在怎么做、最后要交付什么。看完相关模块，再决定其中哪些步骤适合交给AI。
03｜概念听过不少，代码还没动过：看6.S191
如果你希望从“知道有神经网络”走到“能跟着做一个实验”，可以查看MIT 6.S191，Introduction to Deep Learning。
2026年官网列有讲义、视频和实验代码，内容涉及深度学习基础、序列建模、视觉、生成模型、强化学习等。课程预期学习者掌握基本求导与矩阵运算，Python经验有帮助。[2]
因此，入门课也需要一定基础。连数组、函数和矩阵乘法都很陌生时，先补这些内容，会比硬跟完整实验更容易推进。
建议从第一讲和第一个实验开始。运行之前，先记录输入是什么、模型输出什么；修改一个参数以后，再观察结果怎样变化。
如果代码报错，先让AI解释报错与代码的关系，再自己修改。实验能跑通以后，还要试着解释其中一个关键步骤。
04｜想把大模型原理串起来：看CME295
Transformer、注意力、预训练，这些词单独都听过，但放到一起就混乱，可以看看斯坦福CME295：Transformers & Large Language Models。
官网将课程定位为连接Transformer组成、语言模型及实际应用相关技术的学习路径，适合具备微积分、线性代数和基础机器学习知识的人。网站另有公开的图解速查表；当前页面也明确课程没有平时作业，设有考试。[3]
使用时，先打开教学大纲查看相应材料。官网会随学期更新，校内平台入口与公开材料也要区分，不能把“课程有录像”理解为所有录像都向校外开放。
我建议给自己加一个小练习：每学一个模块，都画出它接收什么、输出什么，以及它为什么放在这个位置。
比如读注意力机制，先尝试解释它要处理什么问题，再展开公式和计算。画不出来的地方，可以请AI根据课件逐步讲解。
05｜想做文献问答：先学会评估，再继续堆功能
假设你搭了一个系统，能从几篇论文中找段落，再让模型根据这些段落回答问题。它看起来已经能用，但你还需要知道：找到的段落合适吗？回答引用对了吗？换个问法还稳定吗？
这时可以查看斯坦福CS224U的2023年公开材料。课程包含检索增强的上下文学习、信息检索、行为评估和实验方法，并提供课件、视频及Python notebooks等学习资源。[4]
这门课有助于学习怎样比较系统表现。它有自然语言处理和编程内容，更适合已有一定相关基础的读者。
配合课程，可以给自己的系统整理一小组固定问题。每次改检索方式或提示词，都用同样的问题检查，并记下错误发生在哪里：没找到材料、材料找错了，还是模型误解了内容。
这组练习是本文建议，不是课程统一作业。涉及具体实现时，注意材料年份与代码环境，不能假设旧版依赖仍可原样运行。
06｜准备研究训练和部署：再看这两门
Stanford CS336：想亲手实现语言模型
CS336的2026年页面提供录像和作业入口，课程要求较强的Python能力、深度学习与系统基础，也要求数学和概率统计基础。第一份作业涉及分词器、模型结构、优化器与最小语言模型训练。[5]
这适合把模型实现本身作为学习目标的人。课程明确强调实现工作量，也专门讨论自学者的GPU计算需求。
开始前，先读第一份作业，确认哪些部分自己能写、哪里需要补基础，再安排时间和算力。课程的作业政策也区分概念答疑与直接让AI完成题目，跟课练习时应阅读并遵守相关要求。
MIT EfficientML：已经跑起来，还想跑得更省
MIT 6.5940的2024年课程材料聚焦高效机器学习与系统，包括剪枝、量化、模型压缩和分布式训练等。官网列有视频、课件和实验入口，先修要求涉及机器学习与计算机系统。[6]
如果你已在运行模型，正在处理显存、延迟或部署问题，可以按实际瓶颈查看相关章节。
例如，比较某项优化前后的效果时，先固定模型、任务和运行环境，再记录速度、资源占用及任务表现。这样才容易判断优化究竟带来了什么变化。
07｜课件读不懂时，怎样让AI帮忙？
选好课程以后，AI可以帮助解释材料，但一次让它生成整门课的学习计划，可能又会得到一长串待办事项。
可以先把任务缩小到“读懂这一页”。
下面这段提示词为本文编写的学习模板，尚未在指定工具中实测：
我正在自学【课程名与版本】。我的基础是【数学、编程和相关专业基础】。当前想解决的问题是【写一个具体问题】。请只根据我提供的这一节课件，帮助我理解：1. 这一节在回答什么问题？2. 哪3个概念最影响理解？请逐个解释。3. 选一个小例子，说明输入、处理过程和输出。4. 给我一道检查理解的小题，先不要公布答案。规则：- 区分课件原有内容与你补充的例子，标出对应页码或小节；没有页码就不要编。- 不一次讲完整门课；材料不足时说明缺什么。- 我回答以后，再指出理解中的具体问题。- 涉及正式课程作业时，请遵守该课程对AI使用的要求。课件：【上传文件或粘贴这一节内容】
使用时，先核对AI解释的术语和课件是否一致，再自己回答那道小题。仍然不理解，就把问题缩小到一个符号、一行代码或一个例子继续问。
写在最后
对科研人来说，合适的起点，取决于这次到底要学会什么。
想改善日常流程，可以先看应用模块；准备阅读模型论文，就补概念和基础；已经明确要研究训练或部署，再投入实现与系统课程。
选课前，可以先写下一句话：
我想学这门课，是为了在自己的研究里完成什么？
带着这句话打开第一份材料，再做一个小练习。练习暴露出的困难，会帮助你判断下一步该继续学，还是先补基础。
选课时，把自己要解决的问题写清楚，课程就更容易选。
课程官方入口与资料来源（公众号内如无法打开外部链接，可复制至浏览器）：
[1] MIT Building with AI：2026模块页面
[2] MIT 6.S191：课程与实验入口
[3] Stanford CME295：官网 · 教学大纲
[4] Stanford CS224U：Spring 2023
[5] Stanford CS336：Spring 2026
[6] MIT 6.5940：Fall 2024
选题参考：Leo／Leo沉思录《斯坦福、MIT 免费 AI 课怎么选？20 门分类导航，10 门重点推荐》。本文针对科研读者重新筛选课程、组织结构与编写学习建议，课程事实另据官方页面核查。
