零基础学AI先跑通第一个模型：环境准备与避坑指南

很多人搜 AI 入门学习教程，真正卡住的地方不是数学，而是第一步：代码跑不起来。
比较省力的路径是先装好 Python 环境，用现成的机器学习库跑通一个能出结果的小模型，再回头补理论。
本文按这个思路，带你在本地完成一次完整练习。

先想清楚：入门阶段要跑通什么

入门阶段的目标不是训练大模型，而是建立三个认知：数据长什么样、模型怎么调用、结果怎么判断好坏。
用 scikit-learn 自带的鸢尾花数据集做分类，代码不到 20 行，却能覆盖加载数据、划分训练测试集、训练、评估四个环节。

适用条件是：你有一台能上网的电脑，Windows、macOS 或 Linux 都可以，不需要独立显卡。
如果后续想跑大语言模型，才需要考虑显存和 GPU，那是另一个阶段的事。

安装 Python 和虚拟环境

建议安装 Python 3.10 或以上版本，从 python.org 下载安装包。
Windows 安装时务必勾选 Add Python to PATH，否则命令行找不到 python 命令。

装完后打开终端验证：

python --version

如果系统提示找不到命令，Windows 可以试 py --version，macOS 和 Linux 可以试 python3 --version。

下一步不要直接往系统环境里装包，先建虚拟环境。
虚拟环境相当于一个独立的包目录，不同项目互不干扰。

# 进入你准备放代码的目录
mkdir ai-starter && cd ai-starter

# 创建虚拟环境
python -m venv venv

# 激活虚拟环境
# Windows:
venv\Scripts\activate
# macOS / Linux:
source venv/bin/activate

激活后命令行前面会出现 (venv) 字样。
这一步是后面所有安装的前提，没激活就装包，很容易和系统里的包版本打架。

安装依赖并跑通第一个模型

虚拟环境激活状态下执行：

pip install scikit-learn jupyter

国内网络下载慢的话，可以临时指定镜像源，例如：

pip install scikit-learn jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，新建文件 first_model.py，写入以下代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.3, random_state=42
)

# 训练模型
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)

# 预测并评估
pred = model.predict(X_test)
print("准确率:", accuracy_score(y_test, pred))

在终端运行：

python first_model.py

正常会输出类似 准确率: 0.955... 的结果。
准确率会随划分方式略有浮动，只要在 0.9 以上，就说明环境、依赖和代码链路都是通的。
这就是本阶段的验证标准：能稳定输出一个合理的准确率，而不是报错退出。

容易踩的坑和排查思路

第一个高频问题是 pip 安装超时。
先换镜像源，仍失败再检查是否在虚拟环境内，以及 Python 版本是否过低。

第二个是 ModuleNotFoundError。
多半是装包时没激活虚拟环境，或者编辑器选错了 Python 解释器。
在 VS Code 里按 Ctrl+Shift+P，搜索 Python: Select Interpreter，选中 venv 目录下的解释器。

第三个是 Jupyter 启动后浏览器打不开。
可以在启动命令里加参数指定端口：jupyter notebook --port 8889，然后手动访问终端里显示的地址。

第四个是盲目追新版本。
入门阶段不必装最新版所有库，按教程命令安装即可，遇到版本冲突优先新建虚拟环境重来，不要在旧环境里反复卸载重装。

另外提醒一点：网上很多教程直接让你 pip install 一堆包，却不说明虚拟环境，这是新手环境混乱的主要原因。
养成先建环境再装包的习惯，能省掉大量排错时间。

跑通之后下一步学什么

第一个模型跑通后，建议按顺序补三块内容：先用 pandas 做数据读取和简单清洗，再理解训练集和测试集为什么要分开，最后再接触神经网络。
每一步都保持“改几行代码、看输出变化”的节奏，比先看几十小时视频更有效。

如果后面想转向大语言模型，再单独准备 GPU 环境和模型推理工具，不要和入门阶段混在一起。
先把基础链路跑顺，后面换方向时排错会快很多。

常见疑问

一定要学数学才能开始吗？ 入门阶段不需要，能理解“用数据训练、用测试集评估”这个流程即可。
但进入调参和模型改进阶段后，线性代数和概率统计会明显影响理解深度。

没有显卡能学 AI 吗？ 本文这种传统机器学习练习完全不需要显卡。
涉及深度学习训练时才需要，入门阶段可以先用免费或低成本的在线环境过渡。

虚拟环境每次都要激活吗？ 是的，每开一个新终端窗口都要重新激活。
忘记激活时，可以用 pip list 查看当前环境装了哪些包来确认。