它们不是在教“怎么用 ChatGPT”，而是在补一门过去从未系统存在过的基础课。

---

一、一个容易被忽略的事实：

大语言模型火得很快，但“怎么教”严重滞后

过去两年，大语言模型几乎改变了整个技术世界的讨论重心：

• 工程师在学 Prompt、Agent、RAG

• 公司在做 Copilot、智能体、AI 员工

• 资本在追模型、算力、数据

但在教育层面，其实出现了一个明显的断层：

会“用”的人很多，会“解释为什么这样”的人很少。

尤其是在中文世界，这个问题更明显：

• 博客与教程大量存在，但碎片化严重

• 论文很多，但门槛极高

• 工程实践多，但理论支撑薄弱

• 很少有人能把 LLM 从“模型原理 → 系统设计 → 研究前沿”连成一条线

于是，一个现实问题浮现出来：

如果一个学生或工程师想“系统性地学 LLM”，他该从哪开始？

这正是中文世界第一批系统 LLM 课程试图解决的核心问题。

---

二、“系统课程”和“教程”的本质区别是什么？

在讨论这些课程之前，需要先澄清一个概念。

教程（Tutorial）通常在做什么？

• 教你如何调用 API

• 教你如何微调某个模型

• 教你如何复现某篇论文

• 解决的是：“怎么做”

系统课程（Foundations Course）在做什么？

• 解释问题从哪里来

• 解释设计为什么这样

• 解释取舍与限制

• 解释未来可能往哪走

• 解决的是：“为什么”

中文世界第一批 LLM 课程，几乎无一例外，都选择了 第二条路。

这本身就说明了一件事：

它们不是为了追热度，而是为了补基础。

---

三、这些课程在“系统性”上做了哪几件关键的事？

以浙大《Foundations of LLMs》、北大、清华、复旦等高校逐步出现的课程为代表，可以总结出几个非常一致的特征。

---

1️⃣ 它们从 Transformer 讲起，而不是从 “ChatGPT” 讲起

这是一个非常重要的信号。

很多非系统学习路径是这样的：

ChatGPT → Prompt → 微调 → Agent → 多模态

而系统课程反过来：

Attention → Transformer → 语言建模 → 规模化 → 对齐 → 系统问题

这意味着：

• 它们把 LLM 当作 语言建模技术的自然演进

• 而不是一个“突然出现的黑箱产品”

这种教学路径，刻意降低“工具感”，强化“理论连续性”。

---

2️⃣ 它们明确区分了 模型能力 与 对齐能力

在这些课程中，你会反复看到一个分界线：

• 模型为什么能预测下一个 token

• 以及为什么模型“看起来像在理解你”

课程会非常清楚地拆分：

• Pre-training 在做什么

• Instruction Tuning 在做什么

• RLHF / RLAIF 解决的到底是哪一类问题

这背后其实是在传递一个重要认知：

LLM 的“聪明”，不是单一技术的结果，而是多阶段工程与价值取向的叠加。

这对未来从事研究或工程的人都极其重要。

---

3️⃣ 它们把“规模化”当作一门严肃的学问，而不是魔法

在中文互联网上，经常能看到一句话：

“大模型就是堆参数、堆数据、堆算力。”

而系统课程会非常认真地讨论：

• Scaling Laws 的经验来源

• 参数规模、数据规模、算力之间的非线性关系

• 为什么“继续堆”开始出现边际递减

• 为什么推理效率和系统瓶颈开始反过来限制模型能力

也就是说：

它们在去神秘化 LLM，而不是神话化 LLM。

---

4️⃣ 它们没有回避“当前 LLM 仍然做不好的事情”

这是这些课程非常难得的一点。

课程中往往会明确讨论：

• 幻觉问题

• 长期推理能力不足

• 可解释性缺失

• 对齐不稳定

• 安全与价值冲突

这与很多商业宣传形成鲜明对比。

系统课程的态度更接近研究者视角：

LLM 是一个强大但尚未成熟的系统。

这种态度对培养真正的研究与工程能力至关重要。

---

四、为什么说它们“出现得刚刚好”？

对学生来说

• 不再只能“先学用，再慢慢补理论”

• 可以一开始就建立正确的知识结构

对工程师来说

• 能理解自己每天用的模型的边界在哪里

• 更容易判断哪些方案是短期技巧，哪些是长期方向

对中文 AI 生态来说

• 不再完全依赖英文课程与资料

• 开始形成自己的教学话语体系

这些课程的出现，本质上是在做一件事：

把 LLM 从“产品热潮”拉回“学科建设”。

---

五、一个容易被低估的意义

它们在塑造“下一代 AI 人才的认知起点”

你学一门技术的第一套体系，往往会长期影响你：

• 如何看待问题

• 如何拆解系统

• 如何判断“什么重要，什么只是技巧”

如果一个人第一次系统学习 LLM 是：

• 从 Prompt 工程开始

• 从“如何让模型更像人”开始

他很容易被工具牵着走。

而如果起点是：

• 语言建模

• 架构设计

• 规模化规律

• 对齐与系统约束

他更可能成为：

能判断方向的人，而不是只会跟随潮流的人。

---

六、结语

这些课程不是“终点”，而是“地基”

中文世界第一批系统 LLM 课程，并没有试图给出所有答案。

它们真正做的是：

• 搭建一套清晰的知识骨架

• 把 LLM 放回 AI 发展的长链条中

• 为后续研究、工程、应用提供共同语言

从这个意义上说，它们更像是：

一门“迟到但必须补上的基础课”。

而这，恰恰是一个技术领域走向成熟的标志。

---

参考资料

• GitHub 项目：https://github.com/ZJU-LLMs/Foundations-of-LLMs

• Transformer 原论文

• GPT / T5 / LLaMA 等模型论文

• Stanford / CMU LLM 课程资料

• Scaling Laws 相关研究