AI Coding 越方便，我越想重新手写一遍
重新学习深度学习
最近在学习深度学习相关的内容，工作中也搭建过一些上层的大模型应用，但是我一直对这个黑盒内部的实现比较感兴趣，但由于这块涉及微积分、线性代数这些数学内容，所以我之前学习的时候感觉云里雾里。
最近一段时间我决定静下心来好好学习下，我的目标是能从头动手训练一个简单的模型，逐步建立对深度学习训练机制，同时包括了解大模型原理。
从 How 回到 Why
有人可能就问为啥这么 “心血来潮”？我其实也不是所谓的心血来潮或者焦虑，而是因为我最近又读了一遍我编程入门时看过的一篇文章：《编程入门》—— 追求事物的本质。
文章里的这句话一直在我脑袋里回响，很难不让自己对自我进行反思，它提醒我的其实很简单：不要只停留在会用，不要只停留在 How，要不断追问 Why。
我刚开始学编程时也这样。会调几个库，照着教程做出一个页面，就觉得自己好像懂了。但问题稍微复杂一点，就会发现自己其实没那么懂，也很容易急躁。
文章里还讲了萧老师身上的故事：他早年学编程、物理时，只是在记公式，直到后来通过一堂课看见电学和相对论之间的联系，才突然意识到：原来过去很多东西只是会算，并不是真的理解。
我最近读了一遍后，感觉这件事对我影响还挺大的，也是对我的一个提醒。
因为我回想自己刚开始学编程的时候，其实也是这样走过来的。那时候我手写过简易版 Spring，包括数据库、操作系统、汇编语言这些东西。那些东西不一定能直接拿去生产用，但它们帮我建立了一个很重要的习惯：不要只停留在事物表面。
后来工作中主要做数据同步中间件，接触各种数据库。我也延续了这个习惯。遇到新数据库、同步原理、异常报错，我会尽量去看源码、看日志、看底层机制。因为很多时候，只停留在 API 层面，判断是轻浮的。
AI Coding 的不安
但进入 AI 时代之后，我明显感觉自己变懒了。
尤其是 AI Coding 出现以后，很多代码不需要自己一行一行写了。描述需求，生成代码，改一改，好像就完成了。效率确实提高了，但我也有一种说不出来的不安：
- 我是不是越来越少亲手思考了？
- 我是不是越来越少认真阅读代码了？
- 我是不是越来越习惯待在上一层了？
不要永远只待在上一层
以前我们说，计算机世界是一层一层搭起来的：
产品 → 框架 / 库 → 编程语言 → 运行时 / 操作系统 → 机器码 / 汇编 → 门电路 → 电路
抽象当然重要，不然我们不可能写复杂系统。但我也越来越感觉到，如果一直只待在最上面，时间久了可能真的会忘记下面那几层到底在干什么。
现在 AI Coding 又在 “写代码” 这件事上面加了一层：
产品需求 → AI 生成代码 → 框架 / 编程语言 → 运行时 → 操作系统 → 硬件
AI 让我们更容易得到结果，但也可能让我们更容易忘记结果是怎么来的。
文章里还有一个观点很适合放到今天来看：如果学习者只接触预先构建好的 “发动机和组件”，却不理解它们构造的原理，那么将来在真正构建东西、诊断问题时，就会无从下手。
以前的 “预制组件” 可能是框架、库、脚手架。
现在新的 “预制组件” 可能就是 AI 直接生成出来的代码。
我不是反对用 AI。事实上我现在也天天用 AI。只是现在代码能跑了，但我发现自己解释不清楚它为什么这么写，心里会有点虚。问题不在于 AI 帮我写了代码，而在于我不能只接受结果，却不再追问背后发生了什么。
从 micrograd 学习训练过程
micrograd 很小，使用上也很简单，当然它不能替代 PyTorch，但就是因为它足够小，反而能把自动微分、计算图、反向传播、梯度更新这些训练闭环里很核心的东西暴露出来，让初学者更好理解。
以前我知道神经网络训练大概是前向计算、计算 loss、反向传播、梯度下降、更新参数。但说实话，这些词之前对我来说更多只是停留在概念层面，因为它们本身比较抽象，我也没有真正用笔推导一遍。
这次学习的时候我特意补了一些数学知识，做了挺多练习以便让我更好地写代码，从最原始的偏导数再到神经网络，这很像文章里说的那种学习方式：学习复杂技术，不能只在最上层做项目，也不能只在最底层啃理论。真正有效的方式，是在自顶向下和自底向上之间来回走。
自顶向下的项目实践，给人兴趣和正反馈。
自底向上的基础学习，给人长期的判断力。
只做项目，人容易变成拼组件。
只啃理论，人又容易失去动力。
真正的学习应该是：做一个东西，然后向下追问它为什么成立；理解一层原理之后，再回到上层做更复杂的东西。
亲手拆开一个东西
所以我现在给自己定了个比较笨的办法：AI 可以用，但重要的代码至少要自己读一遍；遇到关键概念，不能只问“怎么调 API”，还要问一句“它到底在算什么”。可以站在上一层做事，但不能永远只待在上一层。
以前我可能会觉得，AI 越强，底层理解就越不重要。但现在我反而觉得不是这样。AI 能很快给我一段看起来没问题的代码，我更需要知道它到底对不对。
这次静下心来学习 micrograd 对我来说，就是重新训练这种技术直觉。
它提醒我：不要只追求 “能跑”。 还要追问：为什么能跑？哪里可能跑错？如果错了，我怎么证明它错了？如果对了，我又怎么解释它为什么对？
这可能就是我现在重新学习深度学习的真正原因，是为了重新找回那种感觉：
亲手拆开一个东西，看见它内部怎么转，然后再带着这种理解回到更大的系统里。