中英对照拯救 ICS 课：第一个能跑的 Python，一路通到 AI

第一章 ICS 课上我到底在听什么？先把「课堂」立成一张图

如果你也正上着 ICS 课（ICS 的全称是 Introduction to Computer Science，计算机科学导论），最扎心的感觉大概是这样：老师嘴里一个接一个蹦英文词，binary、algorithm、data structure、loop、function……每个字单独听都懂，连起来却不知道这节课在讲哪、这些词跟哪些词是一伙的。

先松一口气：你听不懂，很可能不是因为笨，而是因为你手里缺一张「地图」。这门课不是一堆互不相干的名词，而是一条有固定顺序的线索。CS50x，哈佛那门官方明说「三分之二的学生从没碰过 CS」的计算机导论，是其中一个很有代表性的样板。把它的学期顺序摊开看，你会一眼认出你课堂上的每一步都落在哪一格。CS50x

图注：一门典型 CS 导论的大致顺序：先讲计算机怎么把世界表示成数字，再讲怎么一步步解题、用什么结构装数据，接着才落到 C/Python 这类编程语言，最后在课程末尾收进一节 AI。不同学校的 ICS 大纲完全不同，这只是参照坐标，不是铁律。

这条线上，你最该先抓住的一格是「数据表示」。因为它是理解后面一切（包括 AI）的根基，而且它的答案只有一句话：计算机底下只有 0 和 1。

CS50x 的 Lecture 0 就是这么开场的：计算机只会说 0 和 1，我们用 bit（二进制位，binary digit 的缩写）表示「开/关」，用 8 个 bit 拼成一个 byte 去表示一个数。那字母怎么办？于是有了 ASCII，一种把字母映射到数字的标准，比如字母 A 就被定成数字 65。图像又怎么办？每个像素（pixel）的颜色用红绿蓝（RGB）三个字节表示，图像不过是一堆 RGB 值的集合。CS50x

这里有个特别巧的对照，值得你亲手想一遍。同一串三个数字 72 73 33，如果被当文本读，恰好拼出三个字母。

图注：同一串 0/1 编码，喂给「字符读取器」读出的是 HI!，喂给「图像读取器」却是一种浅黄色。角色、图、声音、视频在最底层都是 0 和 1，差别只在于谁来解释它们。这条要记住，第五章会用它解释 AI 的输入。

现在回到你课上那些词：abstraction（抽象）是把一个大问题一步步拆小的过程；algorithm（算法）是一套解某问题的分步指令；data structure（数据结构）是存放这些数据的容器。你会发现它们各安其位地排在那条顺序线上，而不是孤零零该背的定义。

最后留个钩子：多数导论把这门课推到最后时，会留一整周给「AI」。CS50x 就有独立的一节 Artificial Intelligence，词面上摆着 Machine Learning、Deep Learning、Neural Networks、Large Language Models 这些名字。CS50x 问题来了：这一节课尾的 AI，跟前面那些二进制、算法，到底是什么关系？这正是整篇东西要替你填上的那个空。

第二章光听懂不够——让一环真的跑起来

第一课上那些当名词听的「编程语言」，光理解是隔靴搔痒。你得亲手让其中一环跑起来，才会真的相信这件事。这一章的目标极小：在你自己电脑上装好 Python，并敲出第一行能输出文字的代码。

先回答最实际的疑问：装哪个版本？ 去 https://www.python.org/downloads/，看页面顶部的下载按钮，认准上面标着的 Python 3.14.7（发布于 Aug. 5, 2026）。我 2026-09-08 去查的时候，3.14.7 就是官方标注的当前 stable（稳定正式版）。页面上同时排着 3.13、3.12 这些老数字，那是给有兼容性需求的老用户看的，你第一次装不用往下翻。另外页面上方还会看到一句「想帮忙测试 Python 3.15 的开发版吗？」，记住 3.15 至今还是 prerelease（预发布），官方连候选发布都还在轮换，千万别把它当正式版装。版本号是随时会变的活数据，你读到这里时，以 python.org/downloads 顶部此刻标的 stable 行号为准。python.org

图注：从下载页到第一行输出的五步。Windows 认 64 位安装器 python-3.14.7-amd64.exe，macOS 认 .pkg（universal2 同时支持 Apple Silicon 和 Intel Mac）。图注数据对应 2026-09-08 抓取的官方下载页。

具体怎么选安装包？Windows 端的稳定入口写着「Windows installer (64-bit)」，对应的就是 python-3.14.7-amd64.exe，几乎现在所有电脑都是 64 位，选它就对了；macOS 端点显眼的 Download Python 3.14.7，会得到一个 .pkg 文件，双击装进系统即可。装完，Python 会自带一个叫 IDLE 的小工具，双击它就能开始敲代码。

装好后开始第一行。打开你的终端（Windows 叫命令提示符或 PowerShell，macOS 叫终端/Terminal），输入 python3 回车，你会看到提示符变成 >>>，这就是 Python 的交互模式：凡是以 >>> 开头、每次敲一行的东西，都会立刻给你结果。这个「在提示符后一句句敲、立刻执行」的交互解释器（interactive interpreter），正是 Python 官方文档的说法。Python Glossary 现在，在这个提示符后敲你的第一行：

>>> print("Hello, world")
Hello, world

屏幕真的喷出了那行字，你就完成了「装上 Python 并跑出第一行」这个里程碑。print(...) 是 Python 的「打印函数」，作用是把括号里的字原样显示出来。装完如果在终端打 python3 却报「不是内部或外部命令/command not found」，多半是装的时候没装好 64 位版本，回头重装一遍即可。

这一章就到此为止，别再往下走。IDE（编辑器）怎么选、pip 怎么装包、venv 隔离环境是什么，这些工程话题现在统统不用管，先把「我能跑起来」这个正反馈拿到手，比什么都重要。

第三章当名词的 if / loop / function，在代码里长什么样

现在你的 Python 能跑了。这一章把第一章地图上那几个当名词挂着的词，一个一个变成你能照打、能看到输出的代码。术语一律保留英文原名，中文学到的只是「直觉」，方便你对上课堂和教材。

变量与最基本的两种容器

第一章说过 abstraction，最小的一种抽象就叫 variable（变量）：用 = 给一个名字装一个值，之后就能拿名字去算。

width = 20          # 把 20 赋给名字 width
height = 5 * 9      # = 是 assignment(赋值)，不是数学里的"等于"
width * height      # 用名字去算 → 900

注意 = 是赋值，== 才是比较「相等吗」，两个不能混。在交互模式里，赋值这行不会打印任何东西，它是把计算留到你真正用这个名字时才发生。如果拿一个从没赋过值的名字去用，会报 NameError。Python Tutorial

你写下的每个值，在 Python 里都是个 object（对象），int、str、list 是三种最常打交道的类型。它们的差别，其实一句话能讲清——int 整数想多大就多大（任意精度，跑 2**100 不会爆）；str 字符串是不可变（immutable）的 Unicode 码点序列，也就是写好的文字排成一串后不能原地改某一格，想改只能整个换绑一个新字符串；而 list 是可变（mutable）序列，能把一串东西按顺序装进去，还能在原表上就地改。Built-in Types

图注：极简类型备忘。str 不可变（改要换新绑定），list 可变（能在原表上 s[i]=x 或 append）。实用提醒：别拿 float 判绝对相等，0.1+0.2 不会恰好等于 0.3。

list 你后面会反复用到，先亲手照打一遍：下标（index）从 0 开始数，所以 square_numbers[0] 取到第一个元素 1；改第 3 格用 square_numbers[2] = 25；在末尾追加用 .append。

square_numbers = [1, 4, 9, 16]
square_numbers[0]          # → 1（按下标取）
square_numbers.append(36)  # 追加到末尾
print(square_numbers)      # → [1, 4, 9, 16, 36]

提前埋个伏笔：一个 list 就是一串能按顺序取的东西，这个「能当容器装一行行东西」的直觉，第四章会直接拿它当地图上的 dataset（数据集）来用。

三种控制流：if 分支、for 循环、while 循环

课上你听到 conditionals（条件）、loop（循环），在代码里长这样。if 从上往下选第一条成立的分支执行：

x = 42
if x < 0:
    print('Negative changed to zero')
elif x == 0:
    print('Zero')
elif x == 1:
    print('Single')
else:
    print('More')   # x=42，落到这里 → More

for 负责「按顺序把序列里的每个元素走一遍」。这里先认识 range，它生成一个等差数列，终点永不被包含。官方原样：for i in range(5) 会依次打印 0、1、2、3、4（5 不在里面）。

for i in range(5):
    print(i)
# 输出: 0 1 2 3 4（每行一个）

while 则是「只要条件仍为真就一直重复」。官方的经典首示例是斐波那契：

a, b = 0, 1
while a < 10:
    print(a)
    a, b = b, a + b
# 输出: 0 1 1 2 3 5 8

缩进不是可选的排版，而是 Python 分组语句的方式：换行决定一句在哪结束，缩进决定哪些行属于同一个块（body）。上面 while 体和函数体的缩进都不是装饰。Python Tutorial

函数：把「输入→输出」打包

最后是 function（函数），它是你通向 AI 的关键脚手架。def 定义一个可复用的块：括号里声明输入参数（真实调用时叫 arguments），函数体做加工，return 把结果交还给调用处。

def fib2(n):                       # 返回一个 list：斐波那契到 n
    result = []
    a, b = 0, 1
    while a < n:
        result.append(a)
        a, b = b, a + b
    return result

f100 = fib2(100)   # 调用：把 100 喂进去
f100               # 输出 [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89]

把 def fib2(n) 读成「给它一个输入 n，它还你一个输出的 list」——记住函数等于「输入换输出」这件事，第四章的 inference（推理）几乎就是它的放大版。

第四章课堂末那节 AI，那些词到底在说什么

现在，你课堂进度条最后那节「AI」，终于可以摊开来讲了。先给你四个最常听到又被混用的词定个位：它们不是并列的四个同义词，而是一个套一个的范围。

Artificial Intelligence（人工智能，AI）是最大的圈，这门宽技术领域的总称；Machine Learning（机器学习，ML）是 AI 的一个子集，特点是从数据里学规律；Deep Learning（深度学习，DL）是 ML 里专门用多层神经网络学的那一部分；Neural Network（神经网络，NN）是构成 DL 的骨架。套在一起就是：AI ⊃ ML ⊃ DL ⊃ NN。IBM

图注：四个词是从大到小一层套一层的范围，不是并列。中间「深」（深度学习）指的就是神经网络藏了很多层：只有一层隐藏的叫浅网络，藏了不止一层、能自己从原始数据里挑特征的，才是深度学习。至于到底几层算深，各家说法不一，你只需记住「层多 + 自动找特征」这个直觉。

神经网络到底是什么

如果神经网络是骨架，它长什么样？一句话：它是一层一层格子串成的流水线。最左边是输入层，把数据放进来；中间若干隐藏层负责加工；最右边是输出层给出答案。每个格子带一个权重（weight，决定它对上游信号有多当回事）和一个阈值（threshold，判断门槛），只有当信号算下来超过阈值，这个格子才激活、把结果传给下一层，不够门槛就静默。最后输出层给出的就是预测。

dataset、example、feature、label：把数据说清楚

AI 不是凭空变魔法，它吃的是数据。Google 的 ML 词库给了这四个词最干净的定义。dataset（数据集） 是一堆原始数据的集合，最常见的形态就是一张表（电子表格）或一个 CSV 文件。example（样例） 是 dataset 里的一行。这一行的每一格按列分类：feature（特征） 是喂给模型当输入的那一列变量，label（标签） 是监督学习里这一行要它预测的「答案」。

看这张表就明白——这也正是你在第三章会敲的那个 Python list 的样子：

楼层数(feature)	面积㎡(feature)	建成年份(feature)	售价(label)
3	120	2015	¥345万
1	58	2020	¥179万
2	89	2018	¥284万

图注：教学示意图：一张表里，一行 = 一个 example；左侧若干列 = feature（输入），最后一列 = label（要预测的答案）。如果把最后一列整个摘掉，每一行就退成 unlabeled example（无标签样例），正好拿去给训练好的模型做预测。这张「row=example、列=feature/label」的表格直觉是教学重构，不是 google 词库逐字的表格。ML Glossary

数据要切成三份：train、validation、test

现在关键来了：一堆数据不能一股脑全喂给模型。你得先把它切成互斥的三份——training set（训练集）、validation set（验证集）、test set（测试集），一个样例只进其中一份。为什么要这么切？CS50x 那门导论第一课教过的一种直觉在这复用得上：你不能拿自己背过的卷子自评。

图注：数据→切三份→训练→验证/测试→推理的五步主流程。train 在带标签的数据上反复调参数，validation 在训练途中把关，test 用没参与训练的数据做最终考核，最后把训练好的模型拿去对新输入做预测，这一步叫 inference。

下面这张是从 Google ML Crash Course 官方课程页取的「好的切分长这样」示意，帮你把「一份数据集被切成三份互斥子集」看到眼睛里：

图注：一条原始数据集被垂直切成三份互斥子集：training（大块）、validation、test。图上没有比例数字，也不承担 train→infer 全流程，只负责说明「为什么数据要切片、三份各自独立」。MLCC

这三份各自干嘛？train（训练）：在带标签（labeled）的例子上反复跑，让模型比较自己的预测和真实 label，按差（这个差叫 loss）一点一点修参数，直到在训练集上表现最好。validation（验证）：在训练还没结束时，先拿没练过的数据初步试一下，防止模型把它背过的训练数据背到「过拟合」（overfitting，即记住训练数据却对没见过的数据预测不准）。test（测试）：验证显示模型看起来不错后，再用一套从头到尾没参与过训练和调参的数据做最终考核。这三关都过后的，是一个能对新输入做预测的函数/模型。MLCC

训练 vs 推理：一个是「学」，一个是「用」

这一对词特别容易混。train / training（训练） 是「学」：拿带标签的数据，反复比对预测和答案、把误差一点一点调小，最终定下一整套参数。MLCC

inference / inference（推理） 是「用」：模型已经训练好了，现在给一个没有标签的新输入，让它吐出一个预测。回到第三章：你那个 def fib2(n) 函数，把 100 喂进去回来一个 list，这种「给输入、还输出」的形状，就是 inference 最朴素的样子——只不过训练好的模型里那套参数，是在成千上万条数据上「学」出来的，而不是人写的。所以一句话分清：train 是反复调参造出这个函数，inference 是把造好的函数拿来对新输入算一次。

第五章原来第一天课，我就已经在学 AI 了

前面四章你可能越读越觉得分岔：ICS 课堂一个词，AI 一步一个词。现在把它们缝合起来。回头看第一章那张底图——你会发现，AI 的每一步，其实都在用你课堂前几周就学过的东西。

先看 binary（二进制）。第一章说过，字符是 ASCII 映射的 65、图像是三个字节一组代表的 RGB，一切在最底层都是 0 和 1。而第四章说的 AI，「喂给模型的输入」在最底层也正是那些 0 和 1 的编码——一个神经网络吃的数据，追到最下面不过是你在 ICS 第一课见的那些码点。所以「数据表示」不是一门独立的旧课，它是 AI 每次预测要用的数字表示形式。CS50x

再看 algorithm（算法）。第一章的定义是「解决一个问题的一步步指令」。而第四章的 train 那一步，正是一场「反复」——拿一个又一个 labeled example，比较模型预测和真实答案，按差一点一点更新参数，直到误差做小。这个「反复比较→更新」的循环，就是算法这两个字在 AI 里的落地。你第三章写的 while 循环体，恰恰就是这种「跑一遍、比一次、改一点」的反复块的最小代码形态。

然后是 data structure（数据结构） 和 function。你第三章亲手造的那个 Python list，按顺序装着一行行数据——在第四章的语境里把它读成「一个迷你 dataset，一行是一个 example」，第几格就是取哪一列，是完全顺的。这里要诚实地说清楚：这是教学类比，Python 的类型系统里 list 并没有「表格/行」的语义，只是把 list「按下标取、追加」这套能跑的直觉拿来本地演练 AI 的 dataset。Built-in Types

图注：「缝合桥」——课堂上学的二进制、算法、list、函数，换成 AI 的名字就是模型输入、训练调参、迷你数据集、推理算子。两列之间不是两套新知识，是你已经跑过的那台电脑上的同一批东西。

还有个提醒值得记住：决定一个模型成不成，更多时候不取决于你用多酷炫的算法，而在于数据本身的质量和大小。Google 那个训练流程模块开篇就一句话 Data trumps all——数据大于一切。MLCC

所以回到那种「ICS 课跟 AI 是两回事」的错觉：二元、算法、数据结构、函数，不是与你 AI 无关的老古董，它们正是 AI 每次预测用的数字表示、训练时反复执行的更新逻辑、装着几行样例的容器——所谓 AI 术语，很多不过是把你已经跑过的 ICS 底料换了个更炫的名字。

第六章下节课还跟得上吗？一张按周能走的路

读到这里你已经拿到了能听懂课堂、能装能跑 Python、能对上 AI 词的底子。剩下的问题是：这门课下节课还在继续，我怎么不掉队？给你一份按周推进、全部免费的官方路线，照着走就行。

图注：按周行动包。三周三条主线并进：听不懂课堂就回 CS50x 补课，学完语法就回 python.org 官方文档重跑最小代码，学 AI 词就翻 Google 官方词库与 Crash Course 对原句。全部官方免费入口，别用盗版转载。

具体怎么用。第 1~~2 周：回到第一章那张 CS50x 地图，它是免费的随进度课程，不听这课的也可以一节节补。第 2~~3 周：用 https://docs.python.org/3/tutorial 官方 Tutorial 巩固我们刚敲过的 variable、if、for、while、function、list，输出都是官方复核过的，照打即可。第 4 周起：把 Google 的 Machine Learning Glossary 和 ML Crash Course 当对照字典，把 dataset、feature、label、training、validation、test、inference 这些词，逐一翻到官方原句上对上。

三件小事让你续学不悬空：第一，中英对照你已经会了，每个概念都留着英文原名，课堂教材是英文你也能对上中文直觉。第二，你能用一个 Python list 演练迷你 dataset，亲手把「一行 = 一个 example」的感觉做出来。第三，Python 的版本号会随时间变，任何时候装都以 python.org 顶部当前的 stable 行为准，别用预发布或已过时的版本。python.org

回头看第一章那张底图：当时它只是帮你认识课堂的一句话地图；现在你亲手跑过中间的每一步，这张图就真正成了你自己的坐标系。ICS 课不再是听天书，而是一条你已经有地图、有绳梯、能一格一格往上走的真实的路。

参考文献

本专题引用的核心官方资料如下，建议深入学习时阅读原文（均为免费官方来源，避免第三方转载）：

Download Python（python.org 官方下载页） — https://www.python.org/downloads/
The Python Tutorial（Python 3.14 官方文档） — https://docs.python.org/3/tutorial/
Built-in Types（Python 3.14 官方 Reference） — https://docs.python.org/3/library/stdtypes.html
Python Glossary（Python 3.14 官方词表） — https://docs.python.org/3/glossary.html
CS50x 2026 — Introduction to Computer Science（Harvard，CS 导论代表性样本） — https://cs50.harvard.edu/x/syllabus/
AI vs. ML vs. DL vs. Neural Networks（IBM 概念说明，仅取通用定义） — https://www.ibm.com/think/topics/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks
Google Machine Learning Glossary — Fundamentals — https://developers.google.com/machine-learning/glossary/fundamentals
Google ML Crash Course（Datasets, generalization, and overfitting 模块） — https://developers.google.com/machine-learning/crash-course/overfitting