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。

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#

如果让我设计一款中国大学： 1. 只有一个计算机专业； 2. 微积分、线性、概率、复变、大学物理（上下）、基础编程语言、基础数据结构，全部下放到高中，AP修完入读； 3. 大一开学一顶门，直接上算法、操作系统、体系架构、编译器四门课，大二大三大四全部专业课，删掉所有政治课； 4. machine learning、deep learning、LLM、AI Agent这个track的课直接开满，从linear regression、logistic regression、SVM、HMM到古典CNN和back propagation到transformer到AI Agent和SWE Agent，这个路线的课程全部打通，随便选修（非必修）； 5. 大一、大二、大三、大四必须累计3个学期co-op（包括暑假），co-op都去外面实习，写个report就能抵整个学期的学分； 6. 把弱电类专业课开全（非必修），电路数电模电嵌入式电磁场电力电子嵌入式信号控制开全，随便选修，可以从其他各种在线平台直接transfer； 7. 学校地址放在一线城市硬科技互联网核心区域，北京五道口，上海张江科技园，深圳南山科技园，天津北辰天穆镇， 校园直接租商用办公楼，楼上楼下都是公司，周围2公里全是科技公司，孩子们平时可以全职实习写代码，有空再来上课， 学校只提供正常科研运营上课的场所，不提供宿舍、食堂、体育馆、图书馆，不提供其他一切服务设施，一切衣食住行需要自己解决； 8. 只要做research就可以抵上课学分，只要supervisor导师打分即可，可以发paper也可以跟着导师在外面实习，可以代替任何必修课选修课，最多抵~100学分（本科四年全部做research，不用上课）； 9. 推出5年制本硕，第四年拿到本科学位后，修一年（三个学期）的课程，修够30学分就直接拿硕士学位， 如果第一年的课程全部在AP修完waive掉，第三年拿到本科学位，第四年拿到硕士学位， 如果四年拿research或者co-op学分抵扣，大一课程拿AP课抵扣，四年不用迈进学校一步，全部在外面工作实习，四年结束后直接拿到本硕学位； 10. PhD program完全工业项目制，本科可以课程直接抵扣PhD credits，剩下的credits纯粹做research，强制校外co-op，不需要qualifying exam，学生可以单向自由换导师，发够paper直接毕业，最快2~3年毕业，期间可以进入休眠状态，随时回来继续读。

机器人圈也被 AI 的 scaling 卷麻了 截图是 ICRA 2026 一个数据统计，感觉蛮有意思的，分享一下。比如论文关键词的分布，中美加起来占一半以上的江山。 投稿 4947 篇，接收 1882 篇，接收率 38.04%。2021 年时候投稿量大概 4000 篇左右，机器人圈也在被 AI 的 scaling 卷麻。 Hot topics 是 Manipulation、Planning、Mapping/Perception 3D，SLAM/Localization，Object Detection/ Tracking。 author keyword top 是：Deep Learning for Visual Perception、Reinforcement Learning、Motion and Path Planning、Imitation Learning。 btw，这个数据不是 ICRA 官方做的，是韩国 DGIST 一个助理教授 Giseop Kim 做的，现在vibecoding一个东西变得无比容易。just do it… 想起来去年还写过一场 ICRA 2025 的 keynote 辩论，当时议题是“Data will solve robotics: True or false？” 转眼一年过去了……大家觉得这一年机器人领域的进展快吗？现在关于Data will solve robotics的争论，大家觉得有答案了吗🐶

当年在看电锯惊魂的时候，有一个 trap 至今让我印象深刻——Pound of Flesh。 两个受害者被绑着，头上装了会钻进太阳穴的螺丝装置。一共60秒的时间，他们必须用刀从自己身上割肉，放到天平上，谁割的比对方多，谁就能活下来。天平比的不是谁更重，而是比谁牺牲的更多。越是想活，越是拼命，越是下手割自己的人，就越可能赢。 这个场景的残酷之处在于：规则本身就是陷阱。你越努力求生，你越配合这套游戏逻辑，你就越深地陷入它。不参与会死，参与了也在自我毁损——其实我想说的就是如今正在追逐和痴迷AI的我们。 说起 AI，我做了15年的机器学习，从11-13年做MRF，RBM，到14年开始做Deep Learning，可以说相当于科班出生了，所以在22年ChatGPT诞生的那一刻起，我就一直在思考并试图再整些科研边角料，使用 AI 就成了必不可少的一个途径。 那个时候我最爱跟学生们说的一句话（当然也是从网上看来的），是“AI 淘汰的不是人类，而是不会用AI的人类”。 你认同这句话吗？时至今日，我已经不再认同了，你会用，用得再好，结果都是一样的。 即便放眼币圈，AI的使用也已经到达了一个非常普遍化的程度，我们获取和处理信息的水平已经断层领先前几年了，太多人已经像吸毒一样迷上了vibe coding，迷上了成倍放大的创造力和执行力，成为了AI应用层面最前沿的人。 当你驾着CLI，玩着龙虾，心里优越地想着自己并不属于“不会用AI的人群”的时候，可曾想过，恰恰是这群最会用AI，最会训练和发展AI的人，在给AI代替人类（包括他们自己）的进程狠狠加速，并且恰恰还是这群人，怎么都没法停下自己的脚步。 原因吗？集体行动困境、奖励机制错配、技术乐观主义等等，whatever~ 有人还在总结不会被AI代替的职业，包含什么心理医生、作家、特色自媒体等等，我想说得了吧，别对自己太自信。你完全低估了AI的发展速度，或者换个角度，你本质上是完全低估了AI追随群体（or资本）的狂热程度。 在这个死亡螺旋里，被淘汰的人早就被卷进漩涡中心去了。不幸的是，哪怕AI用得再厉害的你，也仅仅只是在漩涡里挣扎而游不出去的那一批人而已。 下文摘自《三体3：死神永生》中人类第一次被二向箔攻击的桥段，不知你能否体会这种绝望感： "可以逃离吗？" "现在逃离，就像在瀑布顶端附近的河面上划船，除非超过一个逃逸速度，否则不论怎样划，迟早都会坠入瀑布，就像在地面向上扔石头，不管扔多高总会落回来。整个太阳系都在跌落区，从中逃离必须达到逃逸速度。" "逃逸速度是多少？" "我反复计算过四遍，应该没错。" "逃逸速度是多少？！" 启示号和阿拉斯加号上的人们屏息凝神，替全人类倾听末日判决，白ice把这判决平静地说出来： "光速。"

聚焦在现有工作上用coding Agent去解决，是一条错误道路，人类已经把能吃的红利吃差不多了， 接下来就是无尽的人指令-agent执行-人指令-agent执行的iteration中逐渐迭代工作，很难把人从这种小幅度高强度反复的iteration中解放出来。 因为现有codebase不仅高度复杂，而且人的大部分命令都是高度模糊、 高度开放、高度自由、无法验证的命令， 场景也是高度开放、高度自由、无法在containers中直接测试跑一跑，必须在真实世界中获得反馈才能继续修改工作。 所以我最近半年一直坚持反复告诉大家： 1. 在现有所有大型科技互联网软硬件移动外包平台coding agent的红利很快就吃完，现有人类像唱山歌一样和claude code高强度一问一答的模式，就是短期内的最优解——像full self coding一样大量agent并行完成coding工作，不会带来更多的收益； 2. 在coding agent很快增长和红利消失的大前提下，人类如果想继续把AI Agent和multi agent的红利吃干抹净，必须持续找到有价值的新领域、新方向、新问题： A. 同时满足问题定义简单干净、环境封闭、非常非常易于verify、问题解决方案搜索空间巨大的复杂问题，让goal-driven( 前提是易于verify，必须用很低的成本去verify最终输出是否正确，保持持续验证这个criteria，给予正确的反馈和无限工作循环的核心条件，直到完整完成工作； B. 能够把multi agent的并行度吃干抹净，一次性1000个agent大批量初始化和启动，在一些setup中持续活跃，保持multi agent的可观测性， 除了openclaw时代就臭大街的各种爬虫以外，还有行为经济学、社会学、心理学、教育学、法学等等大规模试验，不由分说充足token，先初始化1000个agent模拟跑几天，观察一些初步结论； C. 就像我半年前说的价值10万刀的策略：把一切人类社会中遇到的所有问题，整理成文档、表格、图片、文字、structured data，让一些富有经验、富有memory的coding agent（就是claude code和codex本人）进行一步步解决， 你始终要明白，现阶段的头部coding agent已经足够复杂、 足够高级、机制足够完善，AI Agent已经经历了4~5轮工业革命，完善到整个industry其他任何生态和框架继续手搓的任何agent都像一个玩具，只要一个claude code/codex一个文件夹+一个docker/kubernete，就是未来一切企业和流程中的general agent； 3. 有一点几乎被所有人忽略，也是我近几个月意识到的问题。 在经典deep learning时代，一些产业对于经典neural network和baysian model有天然的不信任感和敌意，他们会非常激进、偏执地要求一切machine learning的模型尽可能地跟随可解释性、AI伦理、因果推断等等方向。 在AI Agent时代，越是激进使用的人，越是对AI Agent产出的代码、报告、分析、数据、结论产生严重的怀疑， 因此不只是GPT model需要superalignment，LLM Agent本身更需要superalignment，在Agent时代，superalignment的重要性会越来越高， 而且AI Agent产出和workflow的可解释性需求也会越来越高，最最基础浅表的就是各种问答chatbot的来源引用，今后其他越来越复杂的工作，包括coding本身，都会有可解释性的大量问题涌现， 一种方式是尽可能用formal verification或者prover的形式来自动化验证， 一种是用agentical的验证方式，就像人一样去用一个或者多个agent来反复review和challenge一项工作； 4. 还有一点很多人没想到，就是AI Agent会对人施加反过来的影响。 比如office出现后，普通人要求用office三件套来完成工作，office重塑了人类办公的基本流程和规范， 比如出现了google之后的早期，普通人要学会正确输入搜索关键词，把想问的问题拆分成正确的关键词，以获得正确query的结果（后来google反复做了优化，这个技能也逐渐不重要）， 比如social network出现之后，人们学会了全新的交友方式、social network的交友礼仪、聊天方式， 所以在AI Agent时代，人最重要的技能，没有之一，就是如何正确使用AI Agent、挑选正确的模型、使用正确的工具、组建正确的prompt、描述正确的问题、输入充足完备的信息、如何用goal-driven去构建一套dual-agent的简单无休止infinite-loop workflow， 一个不会正确定义问题、不会正确输入足够多的信息、不能让AI Agent在一个边界清晰的闭包问题中正确工作、持续工作的人，天天拿AI Agent当成无所不知的万能神、百宝箱、随机神、超人，除了问弱智问题，就是玩猜猜看、问宏大开放的无异议问题， 这种人大概率会被这个时代逐渐淘汰掉。