Machine Learning 2026 Spring (李宏毅)

人工智能的发展正在经历一次深刻的范式转变。过去十年，机器学习的核心目标更多集中在训练一个能够完成特定任务的模型：给模型大量数据，通过优化算法调整参数，让模型学会分类、预测、生成文本或理解图像。然而，以 ChatGPT 为代表的大语言模型(Large Language Model, LLM)的出现，让 AI 的角色发生了变化：

AI 不再只是一个被动响应问题的模型，而正在逐渐成为能够规划、调用工具、持续学习并完成复杂任务的智能体(Agent)。

在这个快速演进的时代，我们不仅需要理解“如何使用模型”，更需要深入理解：

• 一个 AI Agent 是如何构建的？
• 大模型内部的 Transformer 架构如何支撑如此强大的能力？
• 为什么模型推论速度如此重要？如何进行模型加速？
• 当输入长度达到几十万甚至百万 Token 时，模型如何处理超长上下文？
• 我们如何通过数据、反馈和训练方法教育模型？
• 模型是否能够像人类一样持续学习，实现自我成长？

这些问题，正是李宏毅老师《Machine Learning 2026 Spring》课程试图探索的方向。本课程不再局限于传统机器学习中的监督学习、优化算法或模型训练流程，而是聚焦当前人工智能领域最前沿的问题：

• AI Agent：让模型具备规划、推理和执行能力
• 深入模型内部架构：如何优化推论效率
• 超长上下文处理：探索模型面对海量信息时的能力边界
• 模型教育(Teaching Models)：研究如何通过数据、反馈和训练方法塑造模型行为
• 模型自我成长(Model Self-Improvement)：探索未来 AI 是否能够自主提升能力

希望通过这系列学习笔记，不只是记录课程内容，更希望从工程实践和系统设计的角度，理解现代 AI 系统背后的技术原理。

参考

Machine Learning 2026 Spring