Stanford Probability for AI · Week 3 📚
我们努力爬上了山顶，却发现那并不是最高的山。⛰️
这周学习了最大似然估计（MLE）和梯度上升（Gradient Ascent）。刚开始看到偏导数和各种公式，还是有点晕，但助教 Samuel 设计的两个小游戏，让这些抽象概念变得直观起来。
第一个游戏，是在一张被浓雾覆盖的地图上寻找最高峰。我们只能进行有限次数的测量，根据当前位置的高度、坡度和方向，决定下一步往哪里走。
结果大家努力爬上了一座山，却发现地图上还有另一座更高的山！😂
原来，找到局部最优（Local Optimum），不代表找到了全局最优（Global Optimum）。
第二个游戏更有意思：如何利用三个 Wi-Fi 信号塔接收到的信号数量，反推出手机的位置？
这才逐渐把本周的两个概念串起来：
🔹 MLE：什么样的参数最能解释我们观察到的数据？
🔹 Gradient Ascent：如何沿着分数上升的方向，一步步找到更好的参数？
本周的 Hidden Chamber 项目，则进一步利用缪子（Muons）的计数数据，推断金字塔内部的石头厚度，寻找可能存在的隐藏空腔。
从爬山、手机定位到探测金字塔，看起来完全不同的问题，背后竟然可以使用相似的数学思路。
课堂上还有个问题让我印象很深：我们用来推断手机距离的信号概率曲线，究竟是怎么建立的？
这让我开始意识到，优化算法不仅涉及怎样找到最高分，还涉及我们如何定义分数、选择起点，以及是否有足够的证据支持模型本身。
一个算法可以不断逼近最优解，但我们首先得知道，自己究竟在优化什么。
最后分享一个本周的小彩蛋！🎨
我还为 PAI 的 T-shirt Design Challenge 设计了一款 T 恤LOGO，借用了 Call Me Maybe 的梗，改成 Bayes Me Maybe，把 Bayesian inference 中的 prior 和 posterior 画成两条可爱的概率曲线，还加入了课程的小吉祥物。
希望这次的设计能拿第一名！🏆🐻 概率论不只有公式，也可以很可爱。
继续探索！✨
周末参加完 QCon上海，发现一个挺反直觉的现象：大家都在研究怎么让 AI 做更多事，但一些大厂工程师反而在研究哪些事情根本不需要 AI？😂
比如：
能用确定性规则解决的，就不交给 LLM；
单次模型调用能完成的，就不引入 Agent；
固定流程能跑通的，就没必要让模型反复规划；
知识库按需检索，只有高频、稳定的经验才值得固化成 SOP。
甚至多 Agent 也不是越多越好。编排、上下文传递、状态同步，本身都是成本。
这其实让我重新思考了什么叫 AI-native。
AI-native 不是把每个环节都替换成 AI，而是重新决定哪些环节需要智能，哪些环节需要确定性。
以前软件工程追求把复杂问题抽象成简单模块。
现在 AI 工程又多了一项工作：判断哪些复杂性值得保留，哪些应该被消除。
模型能力越来越强，但系统设计反而需要越来越克制。
下一阶段，真正有价值的架构能力，可能不是调用多少个 Agent，而是知道什么时候根本不该调用它。
Stanford Probability for AI · Week 2 📚
概率论真的能帮我们发现别人不愿说出的真相吗？
这周助教带我们复习了伯努利分布和二项分布，还设计了一道很有意思的题：如何调查人们对《星球大战》里大反派帕尔帕廷的真实支持率？
如果人们害怕说实话，我们能否通过巧妙的问卷设计和概率模型，间接推断真实情况？
但在讨论中同学们又提出一个问题：即使答案被隐藏，人们就一定会诚实回答吗？
这让我意识到，一个模型能够很好地拟合数据，并不意味着它真正揭示了现实。
学到第二周，我开始体会到，在 AI 时代学习概率论最有意思的或许不是计算本身，而是如何把现实世界的问题转化为数学模型，如何从有限的证据中推断未知，又如何识别模型自身的假设与局限。
AI 可以帮我们计算，但提出什么问题、如何建模、该相信什么结论，依然值得认真思考。
探索本身就很好玩。✨
最近看历史，除了权谋与人心，最让我感慨的反而是文学的力量。
历朝历代，王侯将相更迭，多少人机关算尽、争权夺利，试图主宰一个时代。可千百年后，那些显赫一时的权力早已烟消云散，失意诗人留下的寥寥数语，却依然能让后人为之动容。
“大江东去，浪淘尽，千古风流人物。”
“无边落木萧萧下，不尽长江滚滚来。”
即使到了 AI 时代，机器可以模仿诗歌的格律与辞藻，却很难复现那些文字背后真实的生命、命运与时代。
而最浪漫的事情莫过于，千年后的我们读到一句诗，竟发现一个早已消逝的人，精准地表达了自己此刻的心境。
那一瞬间，千年的时间仿佛不存在了。
权力试图占有当下，艺术却可能拥有未来。
帝王征服土地，诗人征服时间。
🏆 昨天在亚马逊云科技 AI-DLC 先锋创造营，我们「本地明明好的」学院成功 Deploy，拿下第一名，创意项更是斩获 93 分😆
作为组长，我主要负责构思核心创意与玩法机制，特别感谢团队里一群靠谱的资深工程师队友，大家借助 Kiro 和 AI-DLC 工作流高频调试、验证，在不到三个小时里，硬是把一个有点抽象的脑洞变成了好玩的实机 Demo。
这次实战最直观的体感是：AI-DLC 不只是加快了写代码的速度，更是真正打通了从需求拆解、开发到测试反馈的极速迭代闭环。
当 AI 不断拉平技术实现的门槛，人的创造力、判断力，以及捕捉时代情绪的能力，反而变得越来越有价值。
创意负责打开想象力，工程负责让它照进现实，完美 Deploy！🚀
技术降低了创造的门槛，而专业积累，决定了我们能提出什么样的问题。
Stanford Probability for AI 第一周打卡完成！📚
这周从概率公理、独立性、条件概率一路学到全概率公式和贝叶斯定理。内容比较基础，但比数学本身更让我印象深刻的，是 Chris 对 AI 教育的一些思考。
他希望真正理解 AI 不再是少数拥有高数和 CS 背景的人的特权。
我们这届同学的背景也很有意思：有歌剧演员、曾在乞力马扎罗山参与救援的医生，还有开发野火检测 App 的 13 岁少年。
这让我想到，当 Coding Agent 逐渐降低技术实现的门槛，不同行业积累的知识、经验与直觉，反而可能成为 AI 创新的重要起点。
AI 教育不一定是把所有人培养成程序员，而是让更多人有能力将自己对行业的理解转化为产品。比如在我的领域，就是探索如何把法律和监管的不确定性转化为 AI 系统中的可执行规则。
这周也借助 Coding Agent 做了三个小项目：Word Detective、Inference Time Calculator 和 Medical Test Detective。
从 Gemini 文本检测中的贝叶斯推理，到医疗检测中基础患病率如何改变阳性结果的可信度，原本抽象的数学公式变成了可以动手操作的小应用。
用概率理解 LM，再借助 AI 建立对概率的直觉。 这种双向学习还挺有意思的。
另外，Chris 说的一句话我很喜欢：“We’re all teachers and learners.”
这门课有 500 多名志愿 Section Leaders，但老师并不是唯一的知识来源。不同专业的学生也能分享经验、互相启发，老师同样能从学生身上学习。
真人教学提供讨论与交流，Coding Agent 则让大家可以按照自己的节奏动手实践。我觉得这种更加开放、双向的学习关系，可能也是 AI 时代教育的一种新形态。
或许 AI 教育的未来，不只是让更多人学会使用 AI，而是让不同背景的人，都有机会理解 AI，并用自己的专业知识创造新的可能。
Week 1 done. Five more weeks to go! 🚀
被 Stanford 的 Probability for AI 录取了 😆
很喜欢这个课的设计：6 周，每周一个 probability concept + 一个 AI project，还有小组 section 一起讨论，最后会做一个自己的 final project。
更有意思的是，这居然是第一届 PAI。学生们来自 150+ 个国家，年龄从 13 岁到 80+，甚至还有 19 位 80 岁以上的学生。这本身就是一个很有意思的AI教育实验。
AI 越往下学，越觉得 probability 不只是“前置知识”，而是一种理解 uncertainty、model behavior 和 decision-making 的语言。
New side quest unlocked.
希望六周之后，能带走一些新的 insight。
AI 时代一个越来越明显的反差：愿景要越来越稳定，路径要越来越不稳定。
昨天参加了Stripe Build Day，炉边对谈中提到一个观点：以前产品形态可能几年才发生一次变化，现在一年、甚至一两个月就可能变。与其继续迭代一个 feature，不如重新想一遍产品怎么 agent 化。
我很认同这个区分，长期坚持的应该是你在解决什么问题，而不是你今天恰好用了什么产品形态。
技术周期越短，真正需要稳定的反而越不是 roadmap，而是判断什么值得长期解决。
最近很多人在说王阳明的「龙场悟道」。
但在龙场之前，他其实一直在向外求：格物、求理，试图从外部世界找到那个确定的答案。直到被贬龙场，外在的身份、秩序、环境几乎都被剥掉，才真正把问题转回来——理不必尽向外求，心本身就是价值与行动的起点。
心若是桃源，何处不是水云间。
这不是说现实不重要，而是当外部环境越来越不可控时，你最终能持续调用的，还是自己内在那套判断：我相信什么，我为什么做这件事，我愿意把什么写进自己的选择里。
尤其在 AI 时代，知识、技能、甚至部分判断都会越来越容易被复制。真正难复制的，反而可能是一个人长期形成的价值观、审美和对世界的独特判断。
最后这些东西也不会只停留在“内心”。
它会外显成你做什么产品、拒绝什么机会、选择和什么人合作，以及你最终创造出一个什么样的世界。
AI 把知识获取和技能训练的成本迅速压低之后，大学真正需要重新设计的，可能不只是“怎么教”，而是“为什么教”。
比起继续围绕讲授、考核和既定的职业路径运转，大学更重要的价值，是培养一个人的 agency、判断力和审美力：能不能自己发现值得做的问题，形成真正的兴趣；能不能判断什么是好的，什么值得长期投入；以及在没有标准答案的时候，把一个模糊的想法真正推进成作品、研究或者事业。
大学不应该只是把年轻人送进一条预设好的职业管道。更好的教育，是提供足够高质量的环境、自由和约束，让一个人逐渐知道自己想成为什么样的人，并且有能力为自己的选择负责。
