第一学期第一节课
太好了，我很期待和你一起完成这个系列。
另外，我想对课程再加一个要求，也是我希望坚持做到的。
这门课的教学目标
很多教程的目标是：
让你记住知识。
而我的目标是：
让你建立认知。
什么意思？
例如以后你看到一篇论文：
FlashAttention-4
即使你没看过。
你也应该能够自己推理：
它大概率是在优化 Attention 的计算或者内存。
为什么？
因为你的脑子里已经建立了完整知识树。
真正的专家不是：
看过很多论文。
而是：
没看过论文，也能猜到论文为什么这么设计。
这就是我们整个课程要培养的能力。
课程约定
以后每节课都会固定采用下面六个部分。
① 生活中的例子（建立直觉）
↓
② 理论（建立概念）
↓
③ 数学（理解本质）
↓
④ 代码（真正实现）
↓
⑤ GPU / 工程（现实世界怎么运行）
↓
⑥ 总结 + 思考题 + 下一课预告
这样你不会出现：
数学懂了，但是不会写代码。
或者：
会写代码，但是不知道 GPU 为什么快。
第一学期 第一节课
《计算机为什么能够学习？》
这是整个 AI 的起点。
很多课程第一句话就是：
神经网络由很多神经元组成……
我不会这样讲。
因为真正的问题其实是：
学习，到底是什么？
如果不知道学习是什么，
后面所有东西都会变成背概念。
第一部分：生活中的例子（建立直觉）
假设现在有两个小朋友。
一个五岁。
一个刚出生。
我拿出一张图片。
🐱
我问：
这是什么？
五岁的孩子说：
猫。
刚出生的婴儿不知道。
为什么？
很多人第一反应是：
因为五岁的孩子更聪明。
其实不是。
真正原因只有一句话：
五岁的孩子见过很多猫。
也就是说：
经验
↓
形成规律
↓
以后遇到新的东西
↓
能够判断
请注意。
这里面没有任何"魔法"。
只有：
经验。
再举一个例子
假设你小时候没见过斑马。
第一次看到：
🦓
你可能会说：
黑白相间的马？
为什么？
因为你的脑子已经学到了：
马
↓
四条腿
↓
有尾巴
↓
会跑
所以你会利用已有经验去推理。
学习其实就是：
根据过去的经验，总结规律，然后预测未来。
这句话，请先记住。
以后我们会不断回来解释它。
第二部分：理论（建立概念）
现在我们开始真正定义。
以后所有 AI 都建立在四个概念上。
世界（Reality）
↓
数据（Data）
↓
模型（Model）
↓
预测（Prediction）
这四个词以后会出现无数次。
我们一个一个讲。
什么叫世界（Reality）
现实世界存在很多规律。
例如：
今天下雨
↓
地面会湿
例如：
温度越高
↓
冰越容易融化
例如：
猫
↓
通常有胡子
这些规律一直存在。
无论有没有 AI。
AI 不会创造规律。
AI 只是：
发现规律。
这一点非常重要。
什么叫数据（Data）
规律不能直接给计算机。
所以：
必须变成数据。
例如：
猫。
对于人来说：
是一只动物。
但是计算机看到的是：
图片
↓
像素
↓
数字
例如：
一张图片。
实际上可能是：
125
210
18
255
...
几百万个数字
不是猫。
只有数字。
所以：
计算机永远不知道什么是猫。
它只知道：
很多数字。
什么叫模型（Model）
这里很多人容易误解。
模型不是：
ChatGPT。
模型不是：
Transformer。
模型真正意思是：
描述规律的方法。
例如：
小学学过：
距离 = 速度 × 时间
这是模型吗？
是。
因为它描述了：
速度和距离之间的规律。
再例如：
房价
=
面积 × 单价
也是模型。
模型就是：
输入一些东西。
得到：
输出。
AI 也是一样。
只是：
公式特别复杂。
什么叫预测（Prediction）
假设：
模型已经学习完成。
现在输入：
一张新图片
模型说：
98%
猫
这就是：
Prediction。
以后：
无论：
GPT
Llama
DeepSeek
Qwen
Gemini
全部都在干一件事：
Prediction。
训练只是为了：
让 Prediction 更准。
第三部分：数学（理解本质）
现在开始数学。
但是今天不会有复杂公式。
只有一个最重要的模型。
小学学过：
y = ax + b
是不是模型？
当然。
例如：
工资
=
工作天数
×
每天工资
是不是：
y=ax
可以。
这里：
工作天数
↓
输入
工资
↓
输出
中间：
a
↓
每天工资
就是参数。
例如：
一天100元
a=100
工作：
20天。
工资：
2000
如果：
一天：
300元。
工资立刻变化。
说明：
参数决定模型行为。
以后：
Transformer。
也是这样。
只是：
参数不是：
1个。
而是：
700亿个。
第四部分：代码（真正实现）
今天我们不用任何 AI。
只写最简单代码。
例如：
def model(days, salary_per_day):
return days * salary_per_day
print(model(20,100))
输出：
2000
这里：
salary_per_day
就是参数。
以后：
PyTorch：
也是：
Parameter
只是：
不是一个。
而是：
几十亿个。
所以：
Parameter（参数）并不是 AI 独有的概念，它本质上就是模型中可以调整的变量。
再写一个稍微复杂一点的模型
def model(x, a, b):
return a*x+b
print(model(5,2,3))
输出：
13
这里：
a
b
都可以改变。
训练真正做的事情就是：
不断修改：
a
b
直到：
模型越来越准确。
今天先不要关心：
怎么修改。
下一节课会讲。
第五部分：GPU / 工程（现实世界怎么运行）
这里开始和真实 AI 联系起来。
假设：
现在模型只有：
a
b
CPU：
算一下。
毫秒级。
如果：
ChatGPT：
7000亿参数
那意味着：
一次预测。
不是：
2×5+3
而是：
7000亿次左右的参数参与计算
（实际计算量还远大于参数数量，因为参数会在多个矩阵运算中反复参与。）
CPU：
已经不现实。
GPU：
为什么快？
因为：
它可以：
一次
计算成千上万个数字
所以：
以后：
GPU。
本质就是：
帮助模型更快地完成大量参数计算。
今天不用记 CUDA。
不用记 Tensor Core。
先知道：
GPU 为什么存在。
就够了。
第六部分：本节总结
今天只建立了四个概念。
但是它们是整个 AI 的根。
现实世界
↓
规律
↓
数据
↓
模型
↓
预测
然后：
模型里面：
有：
参数（Parameter）
训练真正做的是：
修改参数
↓
预测越来越准确
注意，我们今天故意没有讲：
神经网络
Loss
梯度
Transformer
因为这些都建立在一个前提之上：
模型必须先存在，参数必须可以调整。
否则后面的内容没有落脚点。
课后思考题（建议认真思考，不急着查答案）
这是我每节课都会留的思考题。
问题 1
如果一个模型有：
y = ax + b
现在：
a = 2
b = 3
它能表示世界上所有规律吗？
如果不能。
为什么？
问题 2
假设：
模型里面没有参数。
例如：
y = x + 5
那么：
它还能学习吗？
为什么？
问题 3（最重要）
为什么人看见：
🐱
知道这是猫。
而计算机看见：
🐱
实际上看到的是：
255
18
76
...
那么：
计算机到底是怎么把这些数字理解成"猫"的？
下一节课预告：《什么是特征（Feature）？为什么 AI 看到的世界和人类完全不同？》
这是机器学习真正的起点。
我们会回答几个关键问题：
为什么计算机眼中的图片只是数字？
什么叫 Feature（特征）？
为什么"胡子"、"耳朵"、"轮子"这些特征如此重要？
为什么早期 AI 需要人工设计特征，而深度学习能够自动学习特征？
为什么说 Transformer 本质上也是一个自动提取特征的机器？
这节课结束后，你会真正理解"数据"是如何一步步变成模型可以理解的信息，为后面进入神经网络做好准备。