从学术象牙塔到 AI 教育一线
Sebastian Raschka 近年来在 AI 教育领域相当活跃。他最为人熟知的身份是《Build a Large Language Model (From Scratch)》一书的作者，此前曾是威斯康星大学麦迪逊分校（UW-Madison）统计学教授，如今则经营着自己的独立教育公司。
大多数开发者每天都在调用 AI 模型，但真正动手从零构建过的人寥寥无几。Sebastian 的书正是为了弥合这个差距而生——即使没有机器学习背景，也能通过这本书理解并亲手搭建一个 LLM。
本次访谈覆盖以下话题：
- 从教授到独立教育者的转型路径
- 为什么理解模型内部原理仍然重要
- 软件工程师需要掌握多少 ML 知识
- 推理模型的工作机制
- 如何用 AI 代理提升编码效率
- AI 时代如何保持自身价值
1. 离开学术圈：不是逃离，是主动选择
在 UW-Madison 期间，Sebastian 任职于统计学系，从事深度学习研究，同时教授机器学习和深度学习课程，还需要撰写科研基金申请、与生物、社会科学等应用领域合作。
高校工作责任繁杂、事务众多。Sebastian 表示自己其实很喜欢学校和同事，也非常热爱教学，但有几个因素最终促使他做出改变：
- 精力分散：同时兼顾研究、基金撰写和教学，每一项都难以做到足够深入；
- 内容重复：每年教授同样的课程，想象未来 30 年继续如此，令人望而却步；
- 外部环境：COVID 时期是一个触发点。
2022 年，他加入纽约初创公司 Lightning AI，担任 Staff Research Engineer。三年左右，再次面临相似的选择节点，加上一些健康问题需要专注调养，他决定开启独立探索——成立自己的公司，以自雇形式开展多种 AI 相关合作与教育内容创作。
Sebastian 坦言，自己并不算"全职作家"，实际工作涵盖 AI 项目合作、教育视频制作等多个方向。只是在某些阶段，著书确实会占据每天大量时间，包括书籍和博客文章。
2. 调 API 五行代码搞定，为什么还要懂模型内部？
调用现有 AI 接口完成编码任务，在当下已经是完全合理的标准工作流。但 Sebastian 认为，如果对模型运行原理有扎实理解，你能从中获得更多价值。
有了深层认知支撑，你就能提出更有针对性的问题，撰写更精准的提示词，并对 AI 的输出和方案保持更清醒的批判意识。
时间是有限的，不可能同时成为 Web 开发、Rust 专家、芯片设计和 LLM 专家。Sebastian 的建议是：选择性深入——在你真正高频使用的领域值得花时间去深入理解其原理，而不是面面俱到却样样稀松。
具体到 LLM 领域，理解其底层机制能带来以下实际好处：
- 跟进新概念：AI 技术演进迅速，有基础认知才能快速理解新出现的名词和方法；
- 把握能力边界：知道模型能做什么、不能做什么，避免在不对的场景投入错误期待；
- 提升工作满足感：理解原理本身也是一种智识上的回报。
他举了一个近期案例：Anthropic 宣布为 Claude 生成内容添加水印时，业界出现大量质疑声——水印会影响文本质量吗？如何检测？如何去除？如果了解 LLM 在推理时如何生成下一个 token（包括随机采样过程），理解其水印机制就变得非常直接。
Sebastian 在博客杂志上发表过关于 Claude 水印技术的专题演讲，对这一话题做了详细拆解。
深入理解你的领域与底层工具
首先，尝试对你所在的软件工程细分领域保持深度理解。既然 AI 已经能帮你完成更多工作，这就解放了你的时间，可以用来学习该领域的最新发展动态，尝试不同的思路。
其次，尽量对你使用的底层工具——大语言模型、推理模型和（编码）智能体——建立扎实的理解。
你不需要像自己要开发这些工具那样做到极度深入。但既然这些"工具"在可预见的未来会一直存在，我认为学习其基础知识是一笔值得的投资。如前所述，这也能帮助你在这些工具演进时更轻松地跟上。
这和数学很像：如果你已经熟练掌握基础代数，理解微积分就更容易。如果你已经理解容器和分布式系统，学习 Kubernetes 就更容易。或者，如果你理解 JavaScript，学习 React 就更容易——例子不胜枚举。
推理模型是什么，为什么重要
其实，ChatGPT 内部的大语言模型本身就是一个推理模型。推理模型本质上是传统大语言模型的进化。这一趋势始于 2024 年 OpenAI 的 o1 模型，随后在 2025 年 1 月 DeepSeek R1 发布后变得真正流行并成为主流。所谓推理模型，在大语言模型语境下，本质上是一种利用所谓推理痕迹（即思维链）来"思考"问题的模型。简单来说，你可以把它想象成"大声思考"。
举一个例子：假设你作为一个人类在解决数学问题，想象你被允许使用草稿纸写下各个步骤，也可以回头修改和划掉错误的中间答案，直到得出最终结果。
这基本上就是推理模型的工作方式——它们更明确地利用这些中间步骤。在底层，这一能力通过一种额外的训练流程实现：基于可验证奖励的强化学习。除了这种额外的训练方法，还有推理缩放技术（如自我优化），有助于放大类似推理的行为。
在新书《Build A Reasoning Model (From Scratch)》中，作者同时涵盖了推理缩放和训练（使用基于可验证奖励的强化学习）。
顺便说一句，如今的大语言模型不再只是传统模型或推理模型，而是两者兼有，我们可以通过系统提示词控制推理行为。为什么以及如何实现这种引导——这恰恰是理解大语言模型底层原理会带来回报的又一个例子。
给后端工程师的 12 个月 AI 转型指南
对于刚接触 AI 的后端工程师，我的建议是：重新构建一个你以前做过的项目，但这次使用 AI 智能体来完成。（可以用：本地模型 + OpenCode、GPT + Codex，或者 Opus + Claude 等组合。） 这样做的好处是：第一步就能建立对这类智能体如何运作、如何提示的直觉。
项目实现并运行起来之后，下一步有趣的工作是提出改进或扩展。你可以让智能体实现一个你一直想做但没做的功能。你甚至可以让它审核&查验项目并提出你自己没想到的改进建议。或者，如果适用的话，让它做调研，了解其他人如何实现类似的系统——比如是否存在相关的开源框架，各自的优缺点是什么。
重要的是，仍然要运用软件工程的最佳实践，让智能体为功能、缺陷和效率等编写测试。
当你足够熟练后，关键就是扩大这些工作流程的规模——即并行使用越来越多的智能体，让智能体监督子智能体，等等。
15 年经验工程师如何保持竞争力
我认为这是一个学习新概念、拓宽视野、磨练判断力的好时机。AI 写越来越多的代码，意味着它解放了你，让你能够思考更大的图景。也就是说，你现在可以添加那些因时间限制原本不可行的功能。你可以加固代码库、编写更多测试。你可以通过实现改进来提高代码效率（甚至可以将某些部分移植到更适合特定任务的完全不同语言，比如把算法的关键部分从 Python 移植到 Rust）。
同样，现在也可以用不同的设计方案实现同一个项目，进行对比和基准测试。
总的来说，AI 可以带来大量实现改进的机会。
软件工程56条定律：一本可以放在案头的实用参考书
这本书涵盖软件工程领域的 56 条定律，横跨架构、人员、时间、质量、规模、代码与决策七个维度。每条定律都配有完整的讨论，包括：
- 定律的具体内容
- 定律的起源与背景
- 适用场景
- 在实际项目中的表现形式
部分章节还穿插了相关的延伸概念，例如"双披萨规则"（Two-Pizza Rule）、"眼镜蛇效应"（The Cobra Effect）以及"冒名顶替综合征"（Impostor Syndrome）。
这本书定位为一本案头参考书：遇到实际问题时可以随手查阅，快速找到对应的原则与思路。
两位重磅作序人
本书序言分别由以下两位行业领袖撰写：
- Dr. Rebecca Parsons——Thoughtworks 首席技术官（Emerita）
- Addy Osmani——Google Cloud AI 工程总监
此外，全书由来自 Google、Amazon、Uber、Oracle、Yelp、Nutanix 及 CodeScene 等公司的 20 位工程师与技术领袖参与审阅。
评论