简要回答：可以，不编程也能开始学习人工智能
人工智能的范畴远比编程广泛。编程是构建人工智能系统的一种方式，但理解人工智能要从基本概念入手：智能系统试图实现什么目标、如何使用数据、模型如何学习规律、预测为何可能出错，以及人类应当如何评估其结果。
这一区别对初学者至关重要。许多人迟迟不开始学习人工智能，是因为他们认为自己必须先成为软件工程师。对许多学习者而言，这并无必要。商业专业人士、管理者、创业者、研究人员、作家、分析师或寻求职业转型的人，都可以在不从编程语言学起的情况下，培养切实有用的人工智能素养。
更恰当的问题并不只是“能否在不编程的情况下学习人工智能”，而是：您希望掌握什么层次的人工智能知识，又希望利用这些知识做什么？您的答案将决定编程何时会变得有用。
人工智能素养与人工智能工程的目标不同
以提升职业素养为目的学习人工智能，与准备从零开始设计神经网络，二者的最终目标并不相同。两者都属于人工智能学习，但所需技能并不完全一致。
人工智能素养，是指对该领域的语言和逻辑有充分理解，从而能够作出有依据的判断。您应当能够区分人工智能与机器学习，解释模型的作用，理解训练数据，识别常见局限，并判断某项人工智能应用是否适合特定任务。
人工智能工程则更进一步。它通常需要编程、数据处理和软件工具；对于高级工作，还需要数学知识。如果您的目标是训练模型、实现算法、构建生产系统或开展计算研究，那么编程最终会成为学习路径的一部分。
初学者不必在第一天就选择工程技术路线。事实上，先理解概念往往能使后续技术学习更加容易，因为届时代码所表达的将是您已经理解的思想。
非程序员应当先学习什么？
扎实的初学者课程应首先帮助学习者建立这一领域的整体认知框架。人工智能包含多个相互关联的学科，而学习者往往是在尚未理解这些学科之间的关系之前接触到各种术语，由此产生困惑。
- 人工智能的含义，以及哪些内容不属于人工智能。
- 人工智能、机器学习与深度学习之间的区别。
- 如何使用数据训练和评估模型。
- 监督学习、无监督学习与强化学习。
- 从概念上理解神经网络旨在完成什么任务。
- 训练与推理之间的区别。
- 模型为何可能给出看似可信却不正确的预测。
- 生成式人工智能与大语言模型的作用。
- 偏差、隐私、安全和负责任使用的重要性。
- 如何判断人工智能生成的结果是否有用、可靠且适当。
初学者无需编写软件即可理解上述主题的核心思想。这些主题需要的是讲解、示例、比较与批判性思考。
不编程学习人工智能的五阶段实用路线图
有效的学习路径应当循序渐进。每个阶段回答一个不同的问题，并为下一阶段做好准备。
第一阶段——理解基本术语
在考虑如何实现之前，先学习核心概念。您应当能够用通俗语言解释模型、算法、训练数据、特征、预测、分类、神经网络、推理和生成式人工智能等术语。
第二阶段——理解学习如何发生
学习基本的机器学习范式。监督学习从带标注的样本中学习；无监督学习在没有同类标签的情况下寻找数据中的结构；强化学习则涉及行动、反馈与奖励。学习目标并非死记定义，而是理解为什么某种方法可能比另一种方法更适合解决特定问题。
第三阶段——学习评估人工智能的输出
负责任地使用人工智能，不能只知道如何获得答案。您还应思考：系统可能缺少哪些信息，如何验证输出结果，哪些错误会造成重要影响，以及是否应当由人类继续对最终决定负责。
第四阶段——将人工智能应用于现实的专业任务
掌握基础知识后，应将其与您熟悉的工作联系起来。管理者可以研究人工智能辅助决策支持；作家可以研究生成式系统；金融专业人士可以研究预测模型；企业经营者可以分析自动化和客户服务应用。
第五阶段——判断是否需要进行技术专业化学习
到这一阶段，您便可以作出有依据的选择。如果您的目标是理解、管理、采购、评估人工智能，或在专业工作中使用人工智能，那么您可能已经具备了所需的基础。如果您的目标是构建模型或开发人工智能软件，则可以开始学习Python、统计学、线性代数以及机器学习技术工具。
什么时候必须学习编程？
当您从理解人工智能转向构建人工智能时，编程会变得越来越重要。如果您希望实现算法、处理大型数据集、训练模型、实现实验自动化、部署应用程序，或以机器学习工程师为职业，那么编程是不可或缺的。
Python在现代人工智能工作中十分常见，因为它拥有丰富的数值计算、数据科学和机器学习库生态系统。然而，仅仅学习Python而不了解人工智能概念，并不会自动使人具备人工智能专业能力。编程是一种工具，学习者仍需理解模型在做什么以及为什么这样做。
因此，非技术性学习并非浪费时间。它可以成为概念基础，供学习者日后在此基础上构建技术技能。
开始学习前需要掌握高等数学吗？
不需要。初学者无需先学习高等数学，也能理解许多人工智能方法的用途与行为。即使不求解每一种算法背后的方程，您也可以理解分类与预测为何不同、神经网络旨在学习什么，以及训练数据为何重要。
随着学习者进一步转向模型设计、研究和深入的技术理解，数学会变得更加重要。统计学、概率论、线性代数和微积分在机器学习中都发挥着重要作用。应当在学习目标确有需要时加入这些内容，而不应把数学当作阻碍学习者入门的入学考试。
不具备编程能力，仅凭人工智能知识，实际上能做什么？
真正理解人工智能的非程序员，能够以许多经常被低估的方式作出贡献。组织需要能够识别适当应用场景、与技术团队沟通、评估供应商声明、识别风险、设计合理工作流程，并在部署人工智能系统之前提出正确问题的人才。
- 评估人工智能方案是否解决了真实的商业问题。
- 比较人工智能产品，并理解其所宣称的能力。
- 识别模型常见的错误形式和过度自信现象。
- 制定负责任的人工审核与验证政策。
- 更有效地与开发人员和数据专业人员沟通。
- 以更严谨、更审慎的方式使用生成式人工智能工具。
- 识别自动化可以发挥作用的环节，以及仍然必须依赖人类判断的环节。
- 判断是否值得进一步开展技术专业化学习。
常见错误：只学习工具，不学习人工智能
学习如何操作人工智能产品与学习人工智能本身之间存在重要区别。一个人可能非常熟练地使用聊天机器人，却仍然对机器学习、模型局限、训练数据或评估知之甚少。
工具变化很快，而基础理念变化相对缓慢。因此，严谨的初学者课程不应围绕一系列短期存在的界面或流行的提示词来设计，而应讲解那些能够帮助学习者理解不断涌现的新系统的核心概念。
另一个错误：认为“无代码”就意味着“不严谨”
入门课程即使不包含编程，也不应削弱其学术严谨性。不编程的学习者仍然应当理解证据、不确定性、模型局限、评估和负责任使用。
目标并不是把人工智能简化到产生误导的程度，而是将概念本身的难度与不必要的技术障碍区分开来。复杂思想通常可以先用日常语言准确解释，再以数学或计算方式表达。
应当在无代码学习路径上停留多久？
不存在适用于所有人的统一期限。开始学习编程的恰当时机，是实现您的目标确实需要编程之时。如果您学习人工智能是为了作出更明智的商业决策、理解新兴技术，或在专业工作中负责任地使用人工智能，那么编程可能始终都不会成为核心技能。
如果您发现自己希望构建模型、通过编程分析数据集或开发人工智能应用，那么已建立的概念基础应当能使转向技术学习变得更加容易。您会清楚自己为何学习这些技术工具，而不是孤立地学习它们。
合理的初学者学习顺序
对于从零开始的学习者，按照以下顺序学习通常比立即投入编程更为高效：
- 理解什么是人工智能。
- 学习人工智能、机器学习与深度学习之间的关系。
- 理解数据、训练、模型和推理。
- 学习主要的机器学习方法。
- 理解神经网络在概念层面的作用。
- 探索生成式人工智能及其现代应用。
- 学习模型局限、偏差、验证与负责任使用。
- 将这些概念应用于您自身领域的问题。
- 完成上述学习后，再决定下一个目标是否需要编程与数学。
AI-101在这一路线图中的定位
First BCI University的人工智能基础课程AI-101正是围绕这种“初学者优先”的理念设计。课程介绍人工智能、机器学习、神经网络、生成式人工智能与负责任使用，且不要求学习者具备编程基础或高等数学知识。
该课程面向希望首先清晰理解这一领域的学习者。日后选择更具技术性的学习路径时，学生可以将这一基础作为深入学习前的准备。
结论
您不必先成为程序员，才有资格学习人工智能。您需要的是对相关概念形成系统化理解，具备质疑人工智能输出的严谨态度，并清楚自己希望借助人工智能知识实现什么目标。
从基础开始。学习模型的作用、模型如何学习、模型为何失败，以及人们应当如何负责任地使用模型。如果日后的目标需要编程，届时再学习即可。人工智能首先是一个思想领域，其次才是一个语法领域。