许多刚接触AI开发的工程师在第一步环境搭建上就耗费大量时间，原因在于缺乏对依赖关系的系统梳理。本文以Ubuntu 22.04为例，逐步拆解从Python版本选择到深度学习框架安装的完整链路。
首先，Python版本建议使用3.10或3.11，因为这两个版本对主流框架的兼容性最好。通过Miniconda创建独立环境可以避免包冲突：conda create -n ai_env python=3.11，然后激活环境。
第二步，安装GPU支持。如果使用NVIDIA显卡，需要先确认驱动版本，再安装对应CUDA Toolkit。建议直接使用PyTorch官方提供的CUDA版本，可通过conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia完成。非NVIDIA用户可安装CPU版本或使用AMD ROCm。
第三步，验证安装。在Python交互环境中运行import torch和print(torch.__version__)、print(torch.cuda.is_available())，如果返回True说明GPU可用。同时推荐安装Jupyter Lab作为开发环境核心：conda install jupyterlab。
此外，常见问题包括：conda安装速度慢，可更换国内镜像源；cuda版本不匹配导致torch无法调用GPU，需对照PyTorch官网的兼容表。对于macOS M系列芯片，建议使用MPS后端，安装命令为pip3 install torch torchvision torchaudio。
完成以上步骤后，即可开始运行第一个简单的张量计算示例。环境搭建是后续所有开发的基础，推荐在本地配置好后再尝试使用云开发环境如Google Colab或Kaggle Notebooks作为补充。