学习 AIGC 需要什么基础，完全取决于你的学习目标和职业定位。当前行业呈现出显著的分层特征，主要分为“应用赛道”和“技术开发赛道”，两者的门槛天差地别。

一、 应用赛道（零基础）

如果你希望利用 AI 提升工作效率、进行内容创作或开展副业，这条赛道几乎不需要任何编程和高数基础。它的核心是工具实操、创意设计和商业场景落地，学习周期相对较短。

你需要具备的核心基础与能力：

认知与审美基础：不需要精通手绘，但需要具备良好的审美、构图能力和创意把控力。你需要理解 AIGC 是辅助创作的工具，而非替代者。

提示词工程（Prompt Engineering）：这是应用赛道的“核心语言”。你需要掌握如何与 AI 高效沟通，例如文本生成的“角色+任务+格式+示例”四维结构，以及图像生成的“主体+环境+光线+风格+画质”五要素。

主流工具实操：熟练掌握文本（如 ChatGPT、Kimi）、图像（如 Midjourney、Stable Diffusion）以及音视频生成工具的使用。

商业交付能力：能够将 AI 技能与实际业务结合，具备需求拆解、风格统一、批量产出以及版权合规等能力，最终沉淀出可展示的商业作品集。

二、 技术开发赛道（进阶专属）

如果你立志成为大模型算法工程师、AI 应用开发工程师或底层研发人员，这条赛道门槛极高，对学历和专业背景通常有硬性要求（如计算机、数学相关本科及以上学历）。

你需要具备的核心基础：

扎实的编程基础：精通 Python 是底线，同时需要掌握 PyTorch 或 TensorFlow 等深度学习框架，以及 LangChain 等应用开发框架。

深厚的数学功底：必须掌握线性代数、概率论与数理统计、微积分等高等数学知识，这是理解底层算法逻辑的基石。

深度学习与算法理论：深入理解神经网络原理，掌握 CNN、RNN、Transformer 等核心架构，以及 GAN、Diffusion Model 等生成模型原理。

工程化与部署能力：掌握模型微调（如 LoRA、PEFT）、模型量化（如 FP16）、推理加速（如 TensorRT）以及分布式训练等底层优化技术。

 零基础学习建议

对于绝大多数零基础的学习者，强烈建议从“应用赛道”切入。

避开误区：不要陷入“收集工具”或“想学完所有知识再实践”的误区。AIGC 迭代极快，好的学习方式是“边学边做”。

循序渐进：遵循“建立认知 -> 掌握工具 -> 聚焦实战 -> 落地作品”的逻辑。先精通 1-2 个工具，将其用透并产出实际作品，远比浅尝辄止地体验十个工具更有价值。

坚持实操：AIGC 是“做”出来的，坚持“70%实践+20%交流+10%理论”的原则，在真实项目中打磨自己的技能。