分享栏：更高阶的 AI 学习路线，从会用到会造

如果你已经把前面的主系列走完了，那接下来就不是“再多看几个教程”，而是进入更高一层的学习：

这篇依然放在分享栏，不挤进主系列。
因为主系列的目标是“打通认知和工程路径”，而这一篇更像是“往上爬的阶梯”。

第一层：后训练和模型定制

如果你想继续往模型开发方向走，先从 Hugging Face 这一套开始最稳：

如果你想按顺序学，建议是：

这一步的关键，不是“会调一个参数”，而是理解：

如果你想更深一层，就要看训练是怎么在大规模 GPU 集群里跑起来的。

最值得看的官方资料有：

这一层你要搞懂的，不只是“名字”，而是这些问题：

如果你是嵌入式工程师，这一层和你很像，因为你本来就习惯做资源切分、预算约束和性能优化。

模型训练完，还要跑得快、跑得稳、跑得省。

这一层重点看：

如果你关心本地推理、边缘推理、离线推理，这一层特别重要。
因为很多真实产品并不是“必须用最强模型”，而是“要在成本、延迟、隐私和体验之间找到平衡”。

你可以把这一层理解成：

如果你要把模型接进复杂系统，协议和评估就变得特别重要。

先看官方协议和工具：

这一层你要重点理解三件事：

如果没有协议，Agent 很容易变成一堆散乱的调用。
如果没有评估，系统很容易变成“演示很好看，线上很难用”。
如果没有安全边界，系统很容易把风险一起放大。

如果你想继续往研究和前沿方向走，课程和论文会比碎片化视频更有帮助。

可以重点看这些官方课程：

论文阅读上，建议按这个顺序：

你不需要一口气把所有论文都啃完。
更高阶的学习，关键不是“读得多”，而是“每一类问题都知道该去查哪类材料”。

如果你是嵌入式工程师，我更建议你按这个优先级往上爬：

因为你最容易先产生价值的地方，不是从头训练一个基础模型，而是把一个可用模型系统做稳、做快、做省、做安全。

主系列解决的是“入门后的主路径”，
这篇解决的是“如果你还想继续往上爬，该往哪里爬”。