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! 🚀