吴恩达老师的讲 Claude Code，DeepLearning 的科普课程Claude Code: A Highly Agentic Coding Assistant 虽然定位偏入门，但这个课程仔细听下来，发现还是有一些 "Best Practices" 是我之前忽略的细节，因此对每个章节做了精读笔记，方便更好的记忆和回溯， 一共 8 节，推荐。

很多人不知道，今天Anthropic CEO Dario Amodei、AI教父吴恩达（Andrew Ng），其实都曾是百度硅谷AI研究院（Baidu Silicon Valley AI Lab）的一员 2014年，深度学习刚刚兴起，百度重金挖来刚创立Google Brain的吴恩达担任首席科学家，在硅谷建立AI研究院，希望复制Google Brain，打造世界级AI基础研究中心。当时聚集了一批后来改变AI历史的人物，包括Dario Amodei、Deep Speech作者Awni Hannun等 这支团队最大的成果是Deep Speech，它率先证明端到端深度学习能够彻底改变语音识别，也让百度一度站在全球AI第一梯队。更有意思的是，Dario后来提到，他们在百度时期就已经观察到一个后来被称为Scaling Laws的现象——模型越大、数据越多、训练越久，性能持续提升 但遗憾的是，这支“梦之队”最终没有成长为今天的OpenAI或Anthropic 原因并不是技术，而是战略 第一，AI定位不同。 百度更希望AI尽快服务搜索、广告、自动驾驶等业务，而不是长期投入建设通用人工智能（AGI），研究与商业目标逐渐出现偏离 第二，组织文化不同。 大公司强调业务协同、资源分配和短期ROI，而顶尖研究员更希望拥有独立决策权、更自由地探索前沿方向 第三，也是最关键的一点，没有持续押注Scaling。 2017年前后，行业开始进入“大模型+超大算力”的时代，OpenAI选择不断扩大模型规模、持续融资、长期烧钱；百度则将资源分散到多个AI业务，没有形成一个持续投入基础模型的核心引擎 随后，吴恩达于2017年离开百度创办DeepLearning，Dario先后加入Google、OpenAI，并最终创立Anthropic。回头看，百度硅谷研究院培养了一批影响AI时代的人才，却没能留住他们，也没有抓住大模型时代最大的机会 某种意义上，它更像是今天OpenAI、Anthropic等公司的“黄埔军校”，而不是最终的赢家

全球AI最顶级的四所大学：斯坦福、CMU、UC Berkeley、南京大学 全球经典三部AI教材：deep learning、PRML、西瓜书 全世界四位AI领域开拓者：Geoffrey Hinton、Yoshua Bengio、Yann LeCun、周志华 全球AI产业爆发四大城市：湾区、伦敦、北京、南京 全球四大AI顶会：NeurIPS、ICML、ICLR、 江苏省人工智能产业联盟成立大会

我一直反复跟你们讲，年轻人是最应该奋斗的，因为年轻人的奋斗是真正有回报、有产出、有未来的。 最聪明的小孩学计算机做deep learning和AI Agent，差一点的小孩学学VLSI刷Razavi的模电教材，写写嵌入式跑马灯，学临床医学八年制踏踏实实上手术读片子，再差一点的小孩学个电工水管工做PLC学剪辑后期， 身材好一点的找个团播跳舞擦边，声音好一点的找个直播间给榜一大哥唱歌助眠，体力好的练练肌肉练练腿找个游乐场当NPC，人人都能过得很开心。 年轻人躺平的最大痛苦，来自于选错了专业， 自己腻歪数学物理，觉得自己是天选哲学之子、历史大牛，硬着头皮选文科，大学学个垃圾人文社科专业， 本科读完人生迷茫，出路死路一条，就想办法读个硕士，要么在家考研，要么读个英澳文科水硕，硕士毕业了依然死路一条，继续想着读PhD或者考公考编， 从过来人角度来看，15~27岁是人生学习、吃苦、记忆、训练的最佳时期，也是真正进入社会、找到工作职业起跑线前的最后一段冲刺， 只要你愿意吃点苦，自学编程写出来2个游戏引擎5个操作系统3个编译器8个AI Agent都能让你吭哧吭哧写出来， 如果15~27岁不好好学数学物理微积分线代概率、不学电子、不学临床、不学编程，甚至不愿意学点电工电梯水电工PLC纹身美甲， 而是自己呆在舒适区，把无限的青春和时间，全部浪费在文科本科硕士无穷无尽的课程内容、教材内容、过时落伍的PPT内容，跟着教授学死掉的无用的知识，最终只能把路走窄。 18岁你能拿出吃奶的劲头学习，27岁以后，整个人的精神状态、记忆力、专注度、学习能力都在下滑，想重新选择专业和行业，几乎死路一条。 很多年轻人躺平的第一步，就是大学选了个三流城市、普通二三本、垃圾专业，大学四年修了100学分的课，没有一门课是有用的手艺，学校在一个落后的省会或者地级市，没什么产业，导致毕业了环顾四周没有出路， 而如果你选择在北京、上海、天津、深圳、杭州五大一线城市读大学，哪怕是个深职院这样公立大专，选一个计算机大类、电子大类、临床大类的专业，出了学校都有各种工作和行业等着你选择。 我经常说，很多人高考400多分，非要打肿脸充胖子在北方或者大西北找个民办三本，死也要读本科，为了考公考编，这种孩子毕业如果不躺平，你说还能有啥出路？ 而哪怕是深职院这种公立大专，很多人眼里根本瞧不上的大专，里面分数线最低的护理专科，毕业了可以在深圳七八个正在新建疯狂扩张的本地医院直接抢走。 深圳这种年轻人疯狂涌入的城市，不仅猪脚饭抢不上，连一个像样的医院都抢不上，所有大医院都抢着去深圳布局，别说临床博士和影像检验，连护士都要在深职院这种本地大专里抢人。 这是年轻人真正放弃骄傲、放弃梦想、面对现实、真正投入时间、投入精力、认真学习、认真奋斗的正确方向。

我再多说一句，昨天直播时提了一句， 在全中国范围内，除了清华、北大、复旦、交大、浙大，剩下所有学校的本科“人工智能专业”，都是诈骗，都是李鬼专业。 简单来说，这个档次的大学，开不了LLM的课，开不了AI Agent的课，开不全mlsys的课， 就开始往里疯狂兑水，什么传统deep learning、 baysian ML、各种古典RL、各种模式识别、图像处理、信号处理、各种垃圾数学、上个世纪的古典AI、蒙特卡洛、随机森林、贪心算法、模糊控制、大数据，还有一堆数学里面的各种分析和代数几何， 全往本科生专业的培养计划里面添加，让孩子学一堆没用的1960~2020年的所谓“AI”专业课，真正有用的课一门都没有上， 结果就是，这种本科专业彻底把孩子全毁了。 记住，全中国只有清华、北大、复旦、上交、浙大能大概开出来，剩下的学校没有一所有能力、有师资、有水平、有时间把这些课程开出来，那么就可以认为全都是垃圾，不如老老实实学个计算机。

我跟 @Popelegance 讲一个简单的道理， 如果孩子是高智商+ADHD，除了家里构建“立党计算机数学图书馆”、配好mac mini、买好智谱或者kimi coding plan以外， 最重要的一件事，是孩子在小学到高中期间，找一个清北邮航计算机本科生当家教，最好大三大四以上，每周给孩子答疑一小时，付300块钱。 当你的孩子无论有任何数据结构和算法、CPU体系架构、编译器、编程语言设计、复杂度、操作系统内核、文件、进程与线程、网络、deep learning、transformer和大模型、AI Agent、安全、游戏开发等等所有问题， 你直接让这个本科生家教当孩子的导师，带着孩子一步一步完成，或者给孩子布置作业，告诉孩子应该看哪本书、哪一章、如何手动实现这个小模块， 在北京的优势是，这种本科生小导师遍地都是，你花300块钱雇一个小时，清北邮航有很多计算机系本科生愿意当家教，给孩子手把手每周辅导一两个小时。 这种本科小导师的辅导，比那些普通一本只会开培训班教小孩python的大傻逼们，要强1万倍以上——几乎本科阶段所有计算机专业的基础课程，都能一一解答，满足你们孩子对于知识的极限欲望，手把手帮你们孩子探索计算机知识的大厦。 当然，清华北大的本科生最好，其次北邮北航也很优秀。 在上海的可以酌情调整为复旦交大同济，在深圳的可以换成哈工深、南科大、深圳理工、深大。 你学会了吗？

其实学术反腐非常简单， 越是不受别人制约的圈子，反腐越是简单，比如数学，这东西都不用反腐，错了review个一年就能看出来，继续吹牛逼只能丢人现眼， 生化环材门槛就高一些，很多爆炸性的结果，会有全球一堆lab疯狂复现和follow（比如韩春雨事件、韩国LK-99常温超导），其他绝大多数造假无人关系， 只要不是编数据，基本就永远沉在paper里了，无人复现，无人质疑。 计算机造假完全靠自律，deep learning时代的一大规律就是所有成果必须开源，开源并且让别人replicate才是一流工作，否则别人看都不看，完全不信。一个人如果常年不开源任何paper里的源代码，就不会存在良好的声誉。 最难质疑的其实是基础医学和临床医学类的工作，因为这些都是实权各地头部医院和医学院，大家都是你好我好，互相给个面子，不会让对方下不来台。 所以类似什么连花清瘟、血必净治新冠这种东西，才能写进卫健委《新冠防治指南白皮书》里，所以氢医学治疗才能大行其道，所以中医参与新冠治疗率才能达到99%以上。

当 AI 和世界还没有今天这么喧闹的时候，一个名叫 Andrej Karpathy 的年轻人，戴着那时还很时髦的 Google Glass，骑着自行车，从他上学的斯坦福，去他实习的 Google，一边骑，一边录了一段 vlog。 视频拍于 2013 年。那时他还是斯坦福博士生，在 Google 实习，做的项目是 deep learning：搭神经网络，让它理解图片和视频。拍摄工具是 Google Glass。他还自己给它写了应用，出门就戴着。他最喜欢的游戏是玩魔方，其实是他休息的方式。 斯坦福 计算机系的走廊，是 Larry Page 和 Sergey Brin 当年读博时走过的同一条。第一台 Google 服务器，也曾在这栋楼的地下室运行过。 Palo Alto 的路，到今天还是他当年记录的那个样子，破得很稳定。加州人有钱，但就是不用来修路。该咋地咋地。 到了 Google，园区还是那种这家公司刚刚长出来的感觉：餐厅、共享自行车、来参观的游客，还有一头恐龙雕塑。那时的 Google 还在三驾马车（Eric Schmidt带着两个founder）年代，除了 Google Glass，还在做 Google 气球和自动驾驶。 那个年代好像已经很远了。 当年连 Andrej 都要辛苦搭起来的神经网络，现在应该已经很容易了吧。 如果你对那个年代的斯坦福、Google 和 Palo Alto 好奇，这条视频是一个稀有的窗口。

千万别拿我和张雪峰这个大傻逼作对比。 网友：我想学AI相关的专业，我对AI很感兴趣，请问我应该选计算机还是数学？ 我：你一定要选计算机，先把python和数据结构基础打好， 然后从deep learning这门课开始学，可以在家配置一个nvidia GPU的笔记本或者台式机，或者用google colab，先从最简单的 CNN 开始训练，找一个dataset，自己安装好pytorch和cuda、cudnn，抄一个经典CNN model，训练你的第一个神经网络， 然后可以学习transformer，学习encoder only的BERT，学习decoder only的GPT模型，从minGPT开始，训练你的最小版本的GPT模型， 如果你对训练模型感兴趣，可以读个PhD，如果你的inference感兴趣，可以多花点时间看cuda，简单学习一下nvidia tensor core architecture，可以了解GPT后续的模型的架构， 如果你对inference感兴趣，你也可以直接看vllm的架构，读里面的代码，理解vllm是如何load一个用pytorch训练好的LLM模型， 如果你对AI Agent感兴趣，可以从ReAct Agent开始看，然后看SWE Agent，知道一个Agent是如何抽象出来的，如何调用function call，如何自己做reasoning，如何把一个软件开发的任务用agentical的方式拆分和执行的， 然后你可以看codex的架构，看看codex是如何设计memory、auto compact、multi agent、background task这些现代coding Agent功能的。 张雪峰（下面视频中可以找到原话）： 孩子，你一定要学数学，数学学好了可以转互联网、AI、科技、半导体、金融所有专业，数学是一切专业之母，所有专业的老祖宗！ 孩子，deepseek就是一群纯数学博士造出来的，这些人天天研究数学，就把deepseek造出来了！ 孩子，AI本质就是数学建模，就是一个个自变量，你只有研究数学，一直读到数学博士，才能把这些数学建模研究明白，计算机毕业生是永远研究不明白AI的！ 我的结论是，鼓吹“数学万能论”、“数学是一切专业的老祖宗”、“只有数学博士才能研究AI”的张雪峰和他们的粉丝，都是彻彻底底的大傻逼。

每个人都应该了解的AI 术语名词，你都认识吗？ 搞懂这些名词 并了解其实现方式和原理。你基本就入门了。 AGI（类人AI）：类似人类思维的AI。 CoT（链式思维）：AI一步步思考。 AI Agents（AI代理）：自动化决策的程序。 AI Wrapper：简化与AI模型的互动。 AI Alignment（AI对齐）：确保AI遵循人类价值观。 Fine-tuning（微调）：使用特定训练数据来改进AI。 Hallucination（幻觉）：AI编造的信息。 AI Model（AI模型）：用于任务的训练AI。 Chatbot（聊天机器人）：模拟人类对话的AI。 Compute（计算）：AI模型的处理能力。 Computer Vision（计算机视觉）：AI理解图像和视频的能力。 Context（上下文）：AI为更好响应保留的信息。 Deep Learning（深度学习）：通过多层神经网络学习的AI。 Embedding（嵌入）：AI的词汇数字化表示。 Explainability（可解释性）：理解AI决策背后的逻辑。 Foundation Model（基础模型）：可适应任务的大型AI模型。 Generative AI（生成式AI）：创建文本、图像等内容。 GPU（图形处理单元）：用于快速AI处理的硬件。 Ground Truth（真实数据）：AI学习的验证数据。 Inference（推理）：AI对新数据做出的预测。 LLM（大型语言模型）：用大量文本数据训练的AI。 Machine Learning（机器学习）：AI通过数据经验改进。 MCP（模型上下文协议）：AI内部数据访问的标准。 NLP（自然语言处理）：AI理解人类语言。 Neural Network（神经网络）：受大脑启发的AI模型。 Parameters（参数）：AI学习的内部变量。 Prompt Engineering（提示工程）：创建输入以指导AI输出。 Reasoning Model（推理模型）：有逻辑推理能力的AI。 Reinforcement Learning（强化学习）：AI通过奖励与惩罚学习。 RAG（检索增强生成）：结合搜索与生成的AI。 Supervised Learning（监督学习）：在标记数据上训练的AI。 TPU（张量处理单元）：AI处理专用芯片。 Tokenization（分词）：将文本分割成词片。 Training（训练）：通过调整参数教AI。 Transformer（变换器）：用于语言理解的AI架构。 Unsupervised Learning（无监督学习）：AI在无标签数据上发现模式。 Vibe Coding（情绪编码）：通过语言捕捉情绪并预测输出。 Weights（权重）：影响AI学习的值。 #AI# #AIAgent#