Lecture26
\makecscover
课程定位与 NLP 历史：Transformer 不是凭空出现的
这堂 V4 开场课承担两个任务。第一，它给后续嘉宾讲座建立共同词汇：attention、large language model、alignment、reasoning 与 agent。第二，它展示一条尚未收束的研究路线：模型能力快速扩张，但数据效率、持续学习、记忆、可靠性和安全边界仍然缺口明显。阅读时应把 2024 年课堂中的产品例子与更稳定的机制分开，前者是时间点证据，后者才是可迁移的知识。
\lecturefigure{slide-001.jpg}{CS25 Transformers United V4 开场页}{官方 CS25 V4 slide deck，第 1 页}
读图：Overview 不是“快速过一遍名词”
标题页列出四位课程组织者，后续内容也确实由不同讲者分段完成。它覆盖历史、机制、应用、弱点、推理与 agent，因此更像一张课程地图。讲义会补足公式和系统边界，但不会把课堂未出现的 dashboard、incident runbook 或合规流程塞回去。
\teachervoice{开场说明 CS25 的目标不是重复教材，而是让正在做研究的人直接解释新结果，使学生能够把想法带回自己的研究或形成合作。这个定位决定了课堂会并列呈现共识、开放问题和讲者个人判断。}
课程希望学生带走什么
技术概览容易退化为模型名称列表。课程给出的学习目标更具体：理解 Transformer 怎样工作，理解它为何能跨越 NLP，识别前沿研究方向，并持续追问剩余的弱点。这个框架要求我们既解释成功条件，也解释失败边界。读下面的目标页时，先看四个动词分别指向 mechanism、application、research 与 limitation，而不是把它当作课程宣传页。
\lecturefigure{slide-011.jpg}{课程的四类学习目标}{官方 CS25 V4 slide deck，第 11 页}
本讲的四条主线
- Mechanism：attention、self-attention、multi-head 与 cross-attention 怎样传递信息；
- Scale and training：参数、数据、alignment 与 preference optimization 怎样塑造能力；
- Adaptation：记忆、检索、持续学习、model editing 与 reasoning scaffold 怎样补模型缺口；
- System：agent、tool、memory、multi-agent communication 与 safety 怎样把模型变成可执行系统。
从 rule system 到 attention timeline
课程先给出时间轴，不是为了争论某项技术的“第一篇论文”，而是为了说明每一代方法在修补什么瓶颈。Rule-based NLP 把语言写成规则；word embedding 把离散词映成连续向量；RNN/LSTM 处理序列；attention 让模型对不同位置分配不同权重；Transformer 再把 attention 变成主体计算结构。
\lecturefigure{slide-013.jpg}{从规则系统到 Transformer 与多模态模型的时间轴}{官方 CS25 V4 slide deck，第 13 页}
术语消化：时间轴上的五个台阶
| 阶段 | 它主要解决的问题 |
|---|---|
| Rule-based system | 用人工规则编码句法与语义，透明但覆盖脆弱，迁移成本高。 |
| Word embedding | 用连续向量表达相似性，使模型能共享词之间的统计结构。 |
| RNN/LSTM | 用 recurrent state 处理可变长序列，但训练串行，长距离信息容易衰减。 |
| Attention | 对输入位置做内容相关加权，不再把全部历史压进单个状态。 |
| Transformer | 以 attention 和前馈网络为主干，扩大并行训练和规模化的空间。 |
\lecturefigure{slide-014.jpg}{早期 NLP 的歧义、规则维护与泛化难题}{官方 CS25 V4 slide deck，第 14 页}
历史页不支持“旧方法完全无用”
规则、词典、检索、有限状态机和传统特征仍然适合高约束任务。Transformer 的优势在于端到端表示学习和规模化，不是让所有结构化方法失效。工程系统通常会把 learned model 与规则、数据库、验证器一起使用。
\lecturefigure{slide-015.jpg}{NLP 方法从手写规则走向学习式表示}{官方 CS25 V4 slide deck，第 15 页}
\lecturefigure{slide-016.jpg}{ELIZA 展示 rule-based 对话系统的能力与边界}{官方 CS25 V4 slide deck，第 16 页}
读图：ELIZA 为什么能“像在对话”
ELIZA 使用模式匹配与模板重写，把用户句子中的片段填入预设回答。它说明表面流畅不等于内部理解：只要交互形式足够合适，有限规则也能制造连贯感。今天评估 LLM 时，同样不能把语言自然度直接等同于事实性、推理正确性或行动可靠性。
\lecturefigure{slide-017.jpg}{语言学规则、semantic parsing 与早期符号表示}{官方 CS25 V4 slide deck，第 17 页}
结构知识仍然有价值
Semantic parsing 把自然语言映射成逻辑形式或可执行表示。现代 LLM 可以减少手写规则，却没有消除结构需求：tool calling 的 schema、SQL、程序、证明步骤和 agent protocol 都是在重新引入可验证结构。
\lecturefigure{slide-018.jpg}{Word embedding 将离散词映射到连续向量空间}{官方 CS25 V4 slide deck，第 18 页}
Embedding 的最小定义
设词表项 \(w\) 的向量为 \(e_w\in\mathbb{R}^{d}\)。Embedding（嵌入）把离散符号映射到 \(d\) 维连续空间，使相似词在某种训练目标下获得接近的表示。常见相似度是
其中 \(e_i,e_j\) 是两个 token 或对象的向量，分子是内积，分母消除向量长度影响。接近只表示表示空间中的相关性，不自动等于事实关系或因果关系。
本章小结
Transformer 的历史位置可以压缩成一句话：它把“从序列中选择相关信息”提升为可并行、可堆叠、可扩展的主要计算模式。后续能力并非来自单一公式，而是 architecture、data、optimization、hardware 与 interface 共同演化的结果。
Attention 与 Transformer：信息怎样被选择和组合
前一章回答“为什么会走到 Transformer”，本章回答“它具体做了什么”。课堂从 seq2seq 进入 Q/K/V，再区分 self-attention、multi-head attention 与 cross-attention。理解这些差异，才能在后面判断 decoder-only LLM、encoder--decoder、retrieval 与 agent memory 的接口位置。
Seq2seq 的瓶颈：单个 state 承担太多
早期 sequence-to-sequence（序列到序列）模型用 encoder 把输入压进隐藏状态，再由 decoder 逐步生成。长度增加时，单个向量必须同时保存词义、顺序与远距离依赖，信息瓶颈会越来越明显。下面两页先展示 recurrent path，再展示 attention 增加的直接读通路；比较重点是信息从哪里流向 decoder。
\lecturefigure{slide-019.jpg}{RNN seq2seq 通过 recurrent state 传递序列信息}{官方 CS25 V4 slide deck，第 19 页}
Recurrent update
最简 RNN 可以写成
\(x_t\) 是第 \(t\) 个输入，\(h_t\) 是隐藏状态，\(W_x,W_h,W_o\) 是可学习矩阵，\(\phi\) 是非线性函数。每一步依赖 \(h_{t-1}\)，因此时间维难以完全并行；长序列还要让梯度穿过很多 recurrent steps。
\lecturefigure{slide-020.jpg}{Attention 允许 decoder 直接访问多个 encoder state}{官方 CS25 V4 slide deck，第 20 页}
读图：Attention 改变的是信息通路
没有 attention 时，decoder 主要依赖最终 encoder state；加入 attention 后，每个输出位置都能对全部输入位置打分并做加权求和。模型不再被迫把整句压成一个固定瓶颈，而是按当前生成需求重新读取输入。
Q、K、V：查询、索引与内容
课堂用 library system 类比 Query、Key、Value。读者提出查询，书目索引承担 key，书中内容承担 value。模型先比较 query 与各 key 的相关性，再用权重组合对应 value。读图时要把“检索到哪本书”和“从书中取出什么”分开，这正对应 key matching 与 value aggregation 两个步骤。
\lecturefigure{slide-021.jpg}{Library analogy 解释 Query、Key 与 Value}{官方 CS25 V4 slide deck，第 21 页}
Scaled dot-product attention
令 \(Q\in\mathbb{R}^{n_q\times d_k}\)、\(K\in\mathbb{R}^{n_k\times d_k}\)、\(V\in\mathbb{R}^{n_k\times d_v}\)，attention 为
\(QK^\top\) 给出每个 query 与 key 的匹配分数；\(\sqrt{d_k}\) 控制点积尺度；\(M\) 是可选 mask；softmax 把分数变成权重；最后对 \(V\) 做加权求和。Query 决定“现在要找什么”，Key 决定“我是否相关”，Value 决定“相关时提供什么内容”。
Attention weight 不是完整解释
权重展示了某层某头如何混合 value，但输出还经过 value projection、residual、MLP 和后续层。不能仅凭一张 attention map 就断言模型“因为什么做出决定”，更不能把高权重直接解释为因果贡献。
\lecturefigure{slide-022.jpg}{Attention weight 将多个 value 组合成 context vector}{官方 CS25 V4 slide deck，第 22 页}
def attention(query, key, value, mask=None):
scores = query @ key.transpose(-1, -2)
scores = scores / sqrt(key.shape[-1])
if mask is not None:
scores = scores + mask
weights = softmax(scores, dim=-1)
return weights @ value, weights
\teachervoice{讲者强调这是“soft match”：一个 query 不必只选一个 value，而可以从多个位置取信息。这个性质让 attention 与数据库精确匹配不同，也解释了它为什么能表达模糊、组合式的语言关系。}
Self-attention 与 Multi-head attention
Self-attention（自注意力）让同一序列同时产生 \(Q\)、\(K\)、\(V\)。每个 token 都能根据内容读取其他 token；causal decoder 会用 mask 禁止读取未来位置。Multi-head attention（多头注意力）则让多个子空间并行学习不同的匹配模式。接下来的三页从单头连接、完整 block 到多头可视化逐层展开，先看信息来源，再看 projection 与融合。
\lecturefigure{slide-023.jpg}{Self-attention 在同一序列内部建立内容相关连接}{官方 CS25 V4 slide deck，第 23 页}
背景概念：self-attention 的三种常见 mask
| 形式 | 允许的信息流 |
|---|---|
| Bidirectional | 每个位置可读取整个输入，典型于 encoder。 |
| Causal | 位置 \(t\) 只能读取 \(≤ t\) 的 token，典型于 autoregressive decoder。 |
| Block/sparse | 只允许局部块、全局 token 或预定义连接，用于降低长序列成本。 |
\lecturefigure{slide-024.jpg}{Transformer block 将 multi-head attention 与前馈网络堆叠}{官方 CS25 V4 slide deck，第 24 页}
Multi-head attention
第 \(i\) 个 head 先做独立投影：
再把所有 head 拼接并输出：
\(h\) 是 head 数，\(W_i^Q,W_i^K,W_i^V\) 是每个 head 的投影，\(W^O\) 负责融合。多头并不保证每个 head 自动对应清晰语义，但它增加了并行表示子空间。
\lecturefigure{slide-025.jpg}{不同 attention head 可学习不同位置关系}{官方 CS25 V4 slide deck，第 25 页}
“一个 head 负责一种语法”只是观察，不是接口契约
某些 head 会呈现位置、指代或句法模式，但训练没有要求 head 永久承担固定角色。剪枝、再训练或换模型后模式可能变化。工程设计不能依赖某个编号 head 必然保存某类知识。
Cross-attention：两个序列之间怎样对齐
Cross-attention（交叉注意力）把 query 与 key/value 放在不同来源。机器翻译 decoder 产生 query，encoder hidden states 提供 key 和 value；检索增强、视觉语言模型和 encoder--decoder 也会使用类似接口。
\lecturefigure{slide-026.jpg}{机器翻译中的 self-attention 与 cross-attention}{官方 CS25 V4 slide deck，第 26 页}
术语表：三种 attention 不要混在一起
| 类型 | Q/K/V 来源 | 主要用途 |
|---|---|---|
| Self-attention | 同一序列 | 建立序列内部依赖。 |
| Causal self-attention | 同一序列，带未来 mask | 自回归生成。 |
| Cross-attention | Q 来自 decoder/一种模态，K/V 来自 encoder/另一模态 | 条件生成与跨模态、跨序列融合。 |
Transformer 相比 RNN 赢在哪里
最后一页对比把优势归纳为长距离访问、稳定训练与并行计算。需要补上一个限制：标准 dense self-attention 的 score matrix 是 \(n\times n\)，序列长度增长会带来二次计算和内存成本。读这张表时应同时比较 dependency path、sequential steps 与 resource cost，避免只记“Transformer 更好”。
\lecturefigure{slide-027.jpg}{RNN 与 Transformer 的训练和依赖建模对比}{官方 CS25 V4 slide deck，第 27 页}
复杂度与并行性的交换
对长度 \(n\)、隐藏维度 \(d\) 的序列，dense attention 的主要 score 计算约为 \(O(n^2d)\)，attention matrix 占 \(O(n^2)\)；RNN 单步约为 \(O(d^2)\)，总计算随 \(n\) 线性增长，却必须沿时间顺序执行。Transformer 用更多全局配对换取了训练并行性与短的信息路径。
\teachervoice{课堂把 GPU parallelism 视为 Transformer 成功的重要原因。架构不仅要表达得好，还要能匹配硬件吞吐；这也是后续 scale、成本与研究集中化问题的起点。}
本章小结
Attention 通过内容相关加权让模型按需读取信息。自注意力处理序列内部关系，交叉注意力连接不同来源，多头机制提供多个表示子空间。Transformer 由此摆脱 recurrent bottleneck，却引入长序列的二次成本和更复杂的可解释性问题。
Scale、Emergence 与 Alignment：能力从哪里来
理解 attention 后，课程把视角从单层机制拉到大规模训练。这里有三条不能混为一谈的线：规模怎样改变可观测能力，alignment 怎样改变输出偏好，产品模型怎样在数据、架构和训练配方上形成不同取舍。
Large Language Model 是被放大的训练系统
Large language model（大语言模型，LLM）通常仍以 next-token prediction 为核心，但参数、数据与计算规模显著增加。它的“large”不仅指参数，还意味着数据 pipeline、并行训练、评估与部署基础设施共同扩大。
\lecturefigure{slide-028.jpg}{LLM 的规模、训练数据与 next-token objective}{官方 CS25 V4 slide deck，第 28 页}
Autoregressive objective
对序列 \(x_{1:T}\)，训练损失常写成
\(\theta\) 是模型参数，\(x_{<t}\) 是历史 token。目标只要求提高下一个 token 的似然；遵循指令、引用证据、拒绝危险操作和长期规划都不是这个目标直接保证的能力。
参数量不是能力的充分统计量
同样参数规模下，token 数、数据质量、architecture、optimizer、context length、post-training 与评估污染都会改变结果。课堂后面讨论 Phi、BabyLM、DPO 和 MoE，正是在说明“更大”之外还有大量设计自由度。
Emergent ability 与度量陷阱
Emergent ability（涌现能力）被定义为大模型出现而小模型没有的能力。课堂图展示若干任务在规模阈值附近突然上升，但讲者也引用研究质疑：离散或非线性 metric 可能把平滑改善显示成跳变。接下来的图要分两遍读：第一遍看任务曲线，第二遍检查纵轴定义与评分 threshold。
\lecturefigure{slide-029.jpg}{多项任务随模型规模出现表面突变}{官方 CS25 V4 slide deck，第 29 页}
读图：先分清横轴、纵轴与 threshold
横轴通常是模型规模或训练计算，纵轴是 task metric。若 metric 只有“完全正确”才得分，底层概率的小幅连续改善也可能跨过阈值后突然记为 1。图能证明某个评估上的非线性，不能单独证明模型内部发生了离散相变。
\lecturefigure{slide-030.jpg}{Few-shot prompting 随规模变化的任务表现}{官方 CS25 V4 slide deck，第 30 页}
Metric-induced emergence 的简单例子
设模型给正确答案的概率随规模 \(s\) 平滑增加为 \(p(s)\)。若评估要求连续 \(k\) 个步骤全部正确，则整体准确率近似
即使 \(p(s)\) 平滑，\(A(s)\) 也会在高区间急剧上升。更稳妥的分析应同时看 token likelihood、partial credit、calibration 与不同阈值下的曲线。
\lecturefigure{slide-031.jpg}{对 emergent ability 的多种可能解释}{官方 CS25 V4 slide deck，第 31 页}
\teachervoice{讲者明确提出：emergence 可能部分来自研究者选择的非线性 metric，而不是模型能力真正突然出现。这不是否认 scale 的作用，而是要求把观测工具也纳入因果分析。}
\lecturefigure{slide-032.jpg}{Beyond Scaling：架构、数据与训练过程也能改变能力}{官方 CS25 V4 slide deck，第 32 页}
为什么 beyond scaling 值得单独讨论
更好的 architecture 可以改善归纳偏置；更高质量数据提高每个 token 的学习价值；更稳定的 optimizer 与 curriculum 改善训练效率；retrieval、tool 和 memory 把部分能力移出参数。它们共同决定能力密度与可访问性。
\lecturefigure{slide-033.jpg}{课堂向学生提出的 scale、民主化与 retrieval 问题}{官方 CS25 V4 slide deck，第 33 页}
课堂问题没有唯一答案
“继续扩大模型是否足够”“参数记忆与 retrieval 哪个更好”都是设计轴，不是二选一。规模可带来通用表示，retrieval 提供可更新证据，小模型可降低成本，专用结构可提高效率。实际系统通常组合这些路线。
RLHF 与 DPO：从 likelihood 到 preference
预训练让模型拟合语料分布，post-training 则让输出更接近人类偏好和任务规范。Reinforcement Learning from Human Feedback（基于人类反馈的强化学习，RLHF）常训练 reward model，再用强化学习优化 policy；Direct Preference Optimization（直接偏好优化，DPO）直接从偏好对构造分类式目标。
\lecturefigure{slide-035.jpg}{RLHF 的 preference collection、reward model 与 policy optimization}{官方 CS25 V4 slide deck，第 35 页}
Preference data 的基本形式
对 prompt \(x\)，人类或规则比较两个回答 \(y_w\) 与 \(y_l\)，其中 \(y_w\) 是 preferred response。Reward model 常学习
\(r_\phi\) 是 reward score，\(\sigma\) 是 logistic function。数据只表达相对偏好，不等于客观真理；标注者构成、rubric 与采样策略会进入模型行为。
\lecturefigure{slide-036.jpg}{DPO 用 reference policy 直接优化 preference pair}{官方 CS25 V4 slide deck，第 36 页}
DPO objective 的直觉
一种常见写法是
\(\pi_\theta\) 是待训练 policy，\(\pi_{\mathrm{ref}}\) 是 reference model，\(\beta\) 控制偏离 reference 的强度。DPO 简化了训练管线，但 preference bias、coverage 和 over-optimization 仍然存在。
\teachervoice{课堂没有把 DPO 描述成“RLHF 已被淘汰”，而是强调 RLHF 依赖高质量反馈、reward 与 policy optimization，DPO 提供了一条更直接的 preference-learning 路线。}
ChatGPT、GPT-4 与 Gemini：2024 年的课堂快照
接下来的模型页属于 2024 年课程语境。它们用于说明 post-training、多模态、context、benchmark 与 MoE 等方向，不应被解读为 2026 年最新产品排名。阅读顺序应从训练阶段和 architecture 出发，再看当时 benchmark，而不是先依据品牌名称预设结论。
\lecturefigure{slide-037.jpg}{ChatGPT 与 GPT 系列的课堂概览}{官方 CS25 V4 slide deck，第 37 页}
读图：产品名称背后要拆成训练阶段
一个 chat model 通常经历通用预训练、监督式 instruction tuning、preference optimization、安全数据与部署策略。界面相似不代表训练数据、模型结构或行为边界相同；公开信息不足时，不应从产品体验反推全部内部机制。
\lecturefigure{slide-038.jpg}{GPT-4 的能力、评估与多模态课堂摘要}{官方 CS25 V4 slide deck，第 38 页}
Benchmark snapshot 不是永久排序
分数依赖版本、prompt、评估集、污染程度与 judge。课堂给出的结果应保留日期，不能用旧 benchmark 声明今天某模型绝对领先。更重要的是理解评估维度：知识、reasoning、multimodality、safety 与 cost 并不由一个总分覆盖。
\lecturefigure{slide-039.jpg}{Gemini 系列与 2024 年模型比较}{官方 CS25 V4 slide deck，第 39 页}
\lecturefigure{slide-040.jpg}{Gemini 课堂页用 MoE 解释 routed experts}{官方 CS25 V4 slide deck，第 40 页}
Mixture of Experts 的最小机制
Mixture of Experts（专家混合，MoE）用 router 为 token 选择少量 expert：
\(W_r\) 是 router 参数，\(p_i\) 是 expert 权重，\(E_i\) 是第 \(i\) 个 expert。Sparse activation 让总参数量增加时，每个 token 只计算少数 expert；代价是 load balancing、通信和 capacity 管理更复杂。
“Expert”不等于可命名的人类专家
某个 expert 可能呈现主题或功能偏好，但训练通常没有保证它只负责图像、数学或某种语言。把 MoE 直接画成稳定职业分工只是一种直觉，不能替代 routing 与 activation 的实测分析。
2024 的位置与下一步缺口
课程用两页总结当时状态：LLM、alignment、多模态和 diffusion transformer 快速发展；下一步则包括更通用的 agent、效率、世界模型、持续学习与安全控制。本节用这组图承担章节转场：先区分已经形成产品的能力，再标出仍停留在研究目标的缺口，并为后面的跨域应用与系统限制建立问题清单。
\lecturefigure{slide-041.jpg}{Where we are：2024 年课堂对 LLM 生态的归纳}{官方 CS25 V4 slide deck，第 41 页}
\lecturefigure{slide-042.jpg}{The Future：更广泛应用、agent 与模型效率}{官方 CS25 V4 slide deck，第 42 页}
读图：Future 页混合了技术趋势与研究愿景
有些方向已有系统原型，例如 multimodal generation、tool use 与 smaller models；另一些仍是目标，例如稳定自主 agent、低成本持续学习与更接近人类的数据效率。讲义会把“已经演示”与“可靠部署”分开。
\lecturefigure{slide-043.jpg}{Missing ingredients：通向更通用系统的剩余问题}{官方 CS25 V4 slide deck，第 43 页}
能力扩展后的六个缺口
- 更低的训练与推理成本；
- 对现实世界与因果关系更稳健的表示；
- 可更新的长期记忆与持续学习；
- 可检查、可编辑的内部机制；
- 长轨迹中的 error correction；
- 用户权限、security 与 value alignment。
本章小结
Scale 能扩大表示与任务覆盖，但 emergent curve 受 metric 影响；preference optimization 改变行为，却继承数据与目标偏差；MoE、retrieval、data quality 与 specialized training 提供 scale 之外的杠杆。模型页最有价值的部分不是旧排名，而是把能力拆成训练阶段和系统组件。
Transformer 的跨域应用：同一计算模式，不同数据接口
课堂用七页展示 Transformer 从文本扩展到语音、音乐、视觉、机器人、游戏和生物。真正可迁移的结论不是“所有任务都被统一”，而是许多领域都能把对象表示成 token 或 set，再用 attention 建模远距离交互。数据表示、输出约束和评估标准仍然高度领域化。
文本与语言：最成熟的 token interface
文本天然是离散序列，因而最容易接入 autoregressive objective。翻译、摘要、问答、代码和对话看似不同，往往都可转写为条件 token generation。下面的应用页应按输入、输出与验证标准拆解，不能因为都输出文字就认为任务结构相同。
\lecturefigure{slide-045.jpg}{Transformer 在文本生成、理解与对话中的应用}{官方 CS25 V4 slide deck，第 45 页}
读图：统一接口不等于统一任务
把任务写成 text-to-text 可以共享模型与训练代码，但 loss、decoding、事实性和评价目标仍不同。翻译关注语义保持，摘要关注覆盖与压缩，代码关注可执行性，对话还要处理上下文、人格与安全规范。
Audio：波形需要先变成可建模表示
音频是高频连续信号。系统通常先把波形转换为 spectrogram、codec token 或 learned feature，再用 Transformer 建模时间关系；输出也可能是文字、声学 token 或音乐事件。读图时先找 signal representation，再判断模型是在识别、生成还是跨模态对齐。
\lecturefigure{slide-046.jpg}{Speech 与 Music Transformer 的应用图景}{官方 CS25 V4 slide deck，第 46 页}
\teachervoice{这组 application slide 只做方向导览，讲者把深入机制留给后续嘉宾。讲义因此解释共同接口和领域差异，不把每个模型名称扩写成未经课堂支持的产品结论。}
模态建模的共同三步
- Tokenizer/encoder：把原始信号变成有限长度表示；
- Backbone：用 attention 建模表示之间的条件关系；
- Decoder/rendering：把 hidden state 转回文字、图像、声音或动作。
统一的是中间计算，最难的往往是两端的表示与评价。
Vision：patch、frame 与跨模态对齐
Vision Transformer（视觉 Transformer，ViT）把图像切成 patch token；视频还要编码时间维。分析任务输出 label、box 或文字，生成任务则需要把 latent/token 解码成像素序列。接下来的两页分别对应 perception 与 generation，比较重点是 tokenization、decoder 和评价目标。
\lecturefigure{slide-047.jpg}{Vision Transformer 用 patch token 分析图像与视频}{官方 CS25 V4 slide deck，第 47 页}
Patch embedding
若图像大小为 \(H\times W\)，patch 大小为 \(P\times P\)，则 token 数约为
更小 patch 保留更多局部细节，却让 attention 的 \(N^2\) 成本迅速增加。视觉系统因此常使用分层结构、局部 attention、downsampling 或 latent bottleneck。
\lecturefigure{slide-048.jpg}{Diffusion 与 Transformer 支持图像、视频生成}{官方 CS25 V4 slide deck，第 48 页}
生成画面真实不等于世界模型正确
图像和视频模型可以产生高保真纹理，却仍可能违反物体恒常、几何、因果或长时间一致性。视觉质量 metric 与物理正确性不是同一目标，不能用“看起来像”替代对结构和动态的验证。
Robotics、游戏与生物：输出必须进入外部约束
机器人和游戏把输出映射到 action；生物模型把序列或三维结构映射到功能与预测。此时错误不再只是生成一个坏句子，而可能改变物理轨迹、策略或实验选择。下面三页要从环境反馈和验证成本出发阅读，而不是把跨域模型只当成应用拼图。
\lecturefigure{slide-049.jpg}{机器人、仿真与 physical task 中的 Transformer}{官方 CS25 V4 slide deck，第 49 页}
术语消化：policy 与 world feedback
Policy（策略）把 observation 映射到 action。语言模型常一次生成 token，机器人 policy 则持续接收传感器反馈并更新动作。闭环中的延迟、误差累积、碰撞约束和恢复机制，使 embodied system 比离线生成更难验收。
\lecturefigure{slide-050.jpg}{Transformer 在围棋、实时策略与游戏环境中的应用}{官方 CS25 V4 slide deck，第 50 页}
\lecturefigure{slide-051.jpg}{医疗语言模型、蛋白结构与生物序列应用}{官方 CS25 V4 slide deck，第 51 页}
领域名称列表必须回到任务与证据
Med-PaLM、AlphaFold、robotics transformer 与 game agent 解决的对象、监督信号和安全要求完全不同。记住名称不如记住三件事：输入如何表示、输出如何验证、错误由谁承担。
本章小结
Transformer 的跨域扩张来自 attention 对集合与序列关系的通用建模能力，但每个领域仍需要自己的 tokenizer、decoder、constraint 与 evaluation。统一 backbone 降低了模型设计成本，没有消除领域知识和闭环验证。
LLM 的限制与适应：数据、记忆、更新和可解释性
应用越广，模型缺口越明显。本章沿课堂顺序讨论五组问题：训练成本与数据效率，记忆和个性化，合成数据与 memorization，持续学习与 model editing，self-reflection 与 hallucination。它们都在回答同一个问题：冻结参数之后，系统怎样继续学习、更新和自我纠错。
数据、计算与研究集中化
训练大型模型需要海量 token、accelerator time、energy 与工程基础设施。课堂把这一点与研究民主化联系起来：当可重复实验只能由少数机构承担时，方法比较、开放审计和学生参与都会受限。本节先看成本页，再转向 BabyLM 与小模型，回答“能力提升是否只能购买更多计算”。
\lecturefigure{slide-053.jpg}{LLM 训练对数据、计算、资金与能源的需求}{官方 CS25 V4 slide deck，第 53 页}
训练计算的粗略尺度
Dense Transformer 预训练常用近似
其中 \(N\) 是参数量，\(D\) 是训练 token 数，\(C\) 是浮点运算量级。常数会随 architecture 与实现变化，但近似揭示两个事实：参数和数据都会线性推高训练计算；更高质量 token、稀疏激活与高效 kernel 可以改变实际成本。
成本不只是一张 GPU 账单
数据收集和过滤、失败实验、checkpoint、网络通信、推理服务、评估与人类反馈都消耗资源。只报最终训练 FLOPs 会低估完整研发链路，也无法说明单位能力的成本。
BabyLM：人类数据效率提出了什么问题
BabyLM 页把儿童与 LLM 对比：儿童接触的语言量小得多，却能依靠感知、互动、社会反馈和具身经验形成稳健概念。这个类比不能证明机器必须复制儿童学习，但它暴露了纯文本规模化的数据效率问题。读两页对照时要关注 supervision density 和 interaction，而不是只比较词数。
\lecturefigure{slide-054.jpg}{儿童学习与 LLM 训练的数据环境差异}{官方 CS25 V4 slide deck，第 54 页}
\lecturefigure{slide-055.jpg}{BabyLM 讨论中的数据量、发展过程与多模态经验}{官方 CS25 V4 slide deck，第 55 页}
读图：儿童并不是“小数据语言模型”
儿童拥有视觉、动作、共同注意、情绪反馈、因果干预和持续环境。把词数直接与 LLM token 比较，会忽略 supervision density 与 interaction。BabyLM 的价值在于逼迫研究者探索更好的 data curriculum、architecture 与 inductive bias。
\teachervoice{课堂没有把 BabyLM 当成“儿童证明 scaling 错了”，而是把它作为研究问题：如果人类可以用更少语言数据学习，模型是否也能借助更高质量数据、不同结构或交互获得更高 sample efficiency。}
小模型与 on-device model
Minified LLM 与 on-device model 把目标从“最大通用能力”改成“可接受能力下的成本、延迟与隐私”。较小模型可以通过蒸馏、quantization、pruning、专用数据和 retrieval 提高实用性。
\lecturefigure{slide-056.jpg}{小型化与端侧 LLM 的动机和路线}{官方 CS25 V4 slide deck，第 56 页}
术语表：四种模型压缩路线
| 方法 | 核心机制 |
|---|---|
| Distillation | 用 teacher 的输出、logit 或 reasoning trace 训练 smaller student。 |
| Quantization | 用更低 bit-width 表示 weight/activation，降低内存与计算。 |
| Pruning | 删除低贡献连接、channel、head 或 block。 |
| Specialization | 用领域数据、adapter、tool 或 retrieval 缩小必须参数化的能力范围。 |
Memory augmentation 与 personalization
冻结 LLM 的参数不会随每次对话自动更新。Memory augmentation（记忆增强）把部分信息放到外部 store，需要时检索回 context；personalization（个性化）则让系统持续利用用户偏好、历史与约束。接下来的两页把“改输入、改外部记忆、改参数”并列，读图时先确认每条路线改变的对象。
\lecturefigure{slide-057.jpg}{冻结知识与长期个性化需求之间的矛盾}{官方 CS25 V4 slide deck，第 57 页}
\lecturefigure{slide-058.jpg}{Fine-tuning、prompt、memory bank 与 RAG 的适应路线}{官方 CS25 V4 slide deck，第 58 页}
四种适应机制不要互相替代
| 机制 | 改变什么 | 适合的问题 |
|---|---|---|
| Prompt/context | 本次输入 | 临时任务说明与少量证据。 |
| Retrieval/RAG | 外部可更新 memory | 事实、文档、用户历史与可引用证据。 |
| Adapter/fine-tuning | 部分或全部参数 | 稳定行为、格式、领域分布与技能适应。 |
| Model editing | 定位后的局部参数 | 少量事实或关联的定向修改，需验证副作用。 |
最简 retrieval-augmented generation
给定 query \(q\)、文档库 \(\mathcal{D}\)、检索器 \(R\) 和生成器 \(G\)：
\(z_{1:k}\) 是 top-\(k\) evidence。检索扩大可访问知识，却不保证 evidence 正确、排序合理或 generator 真正使用它。
def answer(query, memory, encoder, generator, top_k=5):
query_vector = encoder(query)
evidence = memory.search(query_vector, top_k=top_k)
prompt = build_prompt(query=query, evidence=evidence)
return generator(prompt), evidence
\teachervoice{讲者特别区分了外部 memory 与内部 skill：RAG 适合补事实和用户历史，但不会自动让模型获得新的基础能力。若 datastore 质量差，检索只会把错误更快送进 context。}
Synthetic data 与 Phi：数据质量能否替代部分规模
合成数据（synthetic data）用强模型生成 instruction、answer 或 reasoning trace，再训练其他模型。它降低人工收集成本，也可能复制 teacher 的错误、风格偏差和盲区。本节用 Phi 作为数据质量路线的代表案例，先看数据生成与筛选，再看小模型结果的适用范围。
\lecturefigure{slide-059.jpg}{合成预训练数据、筛选与 distillation}{官方 CS25 V4 slide deck，第 59 页}
Synthetic data 的三个闭环风险
- Error inheritance：teacher 的错误被 student 重复学习；
- Diversity collapse：生成分布比真实世界更窄，反复训练后模式趋同；
- Evaluation leakage：prompt 或答案与 benchmark 重合，造成虚高分数。
因此需要 provenance、deduplication、quality filter 与真实数据对照。
\lecturefigure{slide-060.jpg}{Phi-2 用高质量与合成数据训练小模型的课堂结果}{官方 CS25 V4 slide deck，第 60 页}
\teachervoice{讲者把 Phi 的关键 takeaway 放在 data source 与 quality，而不是把小参数量本身写成魔法。更少参数能否保持能力，取决于任务覆盖、数据筛选和评估范围。}
读图：Phi 代表“每个 token 更有价值”的路线
课堂强调 textbook-quality data 与 synthetic reasoning data，使较小模型在部分任务上接近更大模型。图不证明小模型在所有能力上等价，而是说明参数规模之外，data selection 和 curriculum 可以显著改变结果。
Learning 还是 memorizing
训练数据与 benchmark 不透明时，模型输出可能来自组合式泛化，也可能来自近似记忆。测试污染（test contamination）会让模型在评估前见过题目或高度相似内容，使分数无法代表新任务泛化。下面的争论页应作为 evaluation design 问题阅读，而不是要求在“会思考”和“只背诵”之间仓促二选一。
\lecturefigure{slide-061.jpg}{LLM 的新知识、模式组合与 memorization 争论}{官方 CS25 V4 slide deck，第 61 页}
Memorization audit 的三个层次
- Exact match：能否复现训练文本的长片段；
- Near duplicate：训练集是否含题目、模板或答案的轻微改写；
- Behavioral generalization：换实体、结构或约束后，机制是否仍然成立。
只做第一层会漏掉大量 contamination，只看最终准确率又无法区分记忆与泛化。
版权争议与认知争议不要混为一谈
模型是否“理解”是认知与行为问题；训练数据是否获授权、输出是否过度复现原作是法律与治理问题。两者相关，但不能用一个结论替代另一个。
Continual learning：不是定期重训的别名
Continual learning（持续学习）要求模型在新经验到来时更新，同时保留旧能力并控制灾难性遗忘。课堂用人类日常学习作对照，批评把 trace distillation 或周期 fine-tuning 直接称为永久自我改进。本节先定义 stability--plasticity tradeoff，再解释为什么单次新任务提分不足以证明持续学习。
\lecturefigure{slide-062.jpg}{持续学习、在线适应与灾难性遗忘}{官方 CS25 V4 slide deck，第 62 页}
Continual-learning objective
对任务流 \(\mathcal{T}_1,\ldots,\mathcal{T}_m\)，更新后模型既要降低新任务损失，也要限制旧任务退化：
\(\Omega_i\) 是保持旧知识的 regularization、replay 或 parameter constraint，\(\lambda\) 控制 plasticity 与 stability 的平衡。真正困难的是没有完整旧数据时仍能验证遗忘。
\teachervoice{讲者用一个直观反差说明问题：人类不会每两个月坐下来重新“读完整个互联网”才能继续学习。把新 trace 蒸馏进模型更接近再训练，不等于在线、终身的持续学习。}
Interpretability 与 model editing
Interpretability（可解释性）试图理解内部表示和计算如何导致输出；mechanistic interpretability 更关注具体 component、circuit 与 causal intervention。Model editing 则希望定向改变某个事实关联，而不完整重训模型。
\lecturefigure{slide-063.jpg}{大模型黑箱、控制与 mechanistic interpretability}{官方 CS25 V4 slide deck，第 63 页}
三种“解释”不要混用
| 层次 | 回答的问题 |
|---|---|
| Behavioral explanation | 输入变化怎样影响输出，模型在什么分布失效？ |
| Attribution/probing | 哪些 token、activation 或 feature 与输出相关？ |
| Mechanistic/causal analysis | 干预某个 component 是否稳定改变目标行为？ |
相关性可帮助定位，不自动构成因果机制。
\lecturefigure{slide-064.jpg}{ROME 与 factual model editing 的课堂示意}{官方 CS25 V4 slide deck，第 64 页}
Rank-one edit 的抽象形式
若希望将某层权重 \(W\) 定向更新，可写成
其中 \(u,v\) 是由目标 key/value relation 求得的向量。Rank-one update 成本低，但验收必须同时检查 edit success、paraphrase generalization、locality 与 unrelated knowledge damage。
改对一条事实不代表模型“知识库已修复”
事实可能分布在多个层和上下文中；局部编辑还可能改变相邻实体或语言模式。Model editing 需要 regression suite，而不是只展示目标 prompt 已输出新答案。
MoE、modularity 与自我反思
课程再次回到 MoE，并提出一个更大胆的问题：能否像人脑功能分区一样，让单一模型内部形成可复用模块。这个类比适合激发 architecture 设计，却不能掩盖 router、expert specialization 与 global coordination 的实际难题。
\lecturefigure{slide-065.jpg}{MoE 的 routed expert 结构与稀疏激活}{官方 CS25 V4 slide deck，第 65 页}
\lecturefigure{slide-066.jpg}{从多个 expert 到单模型模块化的开放设想}{官方 CS25 V4 slide deck，第 66 页}
模块化必须有接口和验收指标
如果模块之间没有明确输入输出、routing criterion、capacity 和 failure isolation，“模块化”只是一张概念图。可测指标包括 expert load、token drop、routing entropy、specialization、通信成本与故障传播。
Self-reflection（自我反思）让模型读取自己的答案、生成 critique，再迭代修改。它可以增加 test-time compute，也能把错误暴露出来；如果 critique model 与原模型共享盲区，循环可能只产生更长、更自信的错误。
\lecturefigure{slide-067.jpg}{Self-reflection 通过 critique 与 revision 迭代输出}{官方 CS25 V4 slide deck，第 67 页}
\lecturefigure{slide-068.jpg}{多层 self-reflection 的性能变化与边界}{官方 CS25 V4 slide deck，第 68 页}
Reflection loop
设初始回答为 \(y_0=G(x)\)，第 \(t\) 轮生成 critique \(c_t=C(x,y_t)\)，再修订
\(G\) 是生成器，\(C\) 是 critique 过程，\(R\) 是 revision 过程。循环需要外部 stopping rule 与 verifier；否则“继续反思”可能增加成本而不增加正确性。
Hallucination、calibration 与外部证据
Hallucination 页把问题描述为“模型不知道自己不知道”。更精确地说，模型可能在缺乏证据时仍给出高置信语言。Calibration（校准）关注置信度与实际正确率是否匹配；retrieval 和 verifier 则尝试引入外部证据。
\lecturefigure{slide-069.jpg}{Hallucination、事实验证、calibration 与 retrieval 路线}{官方 CS25 V4 slide deck，第 69 页}
Calibration 的定义
若模型对一组回答给出置信度 \(q\)，理想校准要求
校准良好不等于准确率高；一个经常回答“不确定”的模型可能很校准。反过来，高准确率模型也可能对少数错误过度自信。
Temperature 不是事实性旋钮
降低 sampling temperature 会让分布更尖、更接近 greedy decoding，却不能把错误知识变成正确知识。事实性需要 evidence、retrieval、verification、训练数据与任务约束共同支持。
本章小结
LLM 的主要缺口不是一个独立 bug，而是一组相互耦合的问题：数据和计算决定可学范围，外部 memory 提供更新通道，持续学习与 model editing 改变参数，interpretability 帮助定位机制，reflection 和 calibration 改变推理时行为。任何单一方法都不能自动同时解决知识、技能、事实性和长期适应。
Reasoning scaffold：让中间过程可搜索、可检查
课程最后一段模型内容讨论 Chain-of-Thought、Tree of Thoughts 与 Socratic Questioning。共同思路是把“一次直接输出”改成多步中间过程，使模型获得更多 test-time compute，也给系统留下检查和回退的位置。
CoT 为什么可能有用
Chain-of-Thought（思维链，CoT）通过示例或指令要求模型生成中间步骤。对多步算术和符号任务，直接映射问题到答案很难；把任务分解后，每一步局部关系可能更接近训练分布。接下来的两页先展示 intermediate guidance，再比较 standard prompt 与 CoT example 的信息差。
\lecturefigure{slide-070.jpg}{Intermediate guidance 将一次预测展开为多步推理}{官方 CS25 V4 slide deck，第 70 页}
\lecturefigure{slide-071.jpg}{标准 prompting 与 Chain-of-Thought prompting 对比}{官方 CS25 V4 slide deck，第 71 页}
CoT 的概率分解
令中间 reasoning trace 为 \(r\)、最终答案为 \(y\)，生成过程可写成
实际 decoding 只采样或搜索少量 \(r\)。CoT 的优势来自更丰富的中间计算与分解，不保证采样到的 trace 真实反映模型内部因果过程。
\teachervoice{讲者用十位数乘法说明中间步骤的直觉：人类通常也要分步计算。CoT 的额外价值是错误可见，读者能定位模型在哪一步遗漏或误解，而不是只看到一个错误答案。}
性能提升之外，要看错误类型
CoT 在大模型上常有提升，但仍会生成无关步骤、局部错误或正确过程后的错误结论。课堂把错误分成 missing step 与 semantic misunderstanding，尤其强调小模型可能连局部 mapping 都不稳定。本节读图重点是 error taxonomy 与 model size，而不是只记住平均性能上升。
\lecturefigure{slide-072.jpg}{CoT 提升与剩余错误的课堂总结}{官方 CS25 V4 slide deck，第 72 页}
长 rationale 不等于可靠 reasoning
模型可以生成格式完整却与答案无关的解释，也可以在得到答案后反向编写理由。验收应看中间状态是否可执行、可验证、能否支持 counterfactual change，而不是只看文字是否像推理。
\lecturefigure{slide-073.jpg}{小模型的 missing-step 与 semantic-understanding 错误}{官方 CS25 V4 slide deck，第 73 页}
为什么小模型更容易在 CoT 中失败
CoT 增加了序列长度和必须保持的一致性。若模型缺少基本语义或算术能力，更多 token 会创造更多出错位置。改进路线包括分步 supervision、tool execution、verifier、distillation 与更结构化的 state representation。
Generalized CoT：推理不只有一条线
课程提出 CoT 定义过于刚性：不同问题可能需要分支搜索、回溯、子问题递归或外部工具。Generalized reasoning 的重点是选择合适的 computation graph。下面三页从线性 trace 过渡到 tree search 和 recursive decomposition，比较 state、transition 与 verifier。
\lecturefigure{slide-074.jpg}{从固定 Chain-of-Thought 走向更一般的推理结构}{官方 CS25 V4 slide deck，第 74 页}
Reasoning scaffold 的三个设计轴
- State：中间状态是自然语言、程序、方程还是环境 observation；
- Transition：下一步由模型采样、规则、搜索或工具执行产生；
- Verifier：局部状态怎样评分、剪枝、回退与终止。
只有把三者写清楚，推理方法才不只是 prompt 风格。
Tree of Thoughts 与 Socratic decomposition
Tree of Thoughts（思维树，ToT）维护多个候选状态并进行 lookahead/backtracking；Socratic Questioning（苏格拉底式提问）递归提出子问题，再把答案组合回原问题。两者都用更多 inference compute 换取搜索空间。
\lecturefigure{slide-075.jpg}{Tree of Thoughts 的分支、评估与回溯}{官方 CS25 V4 slide deck，第 75 页}
有限宽度搜索
若每个状态扩展 \(b\) 个候选、保留 top-\(k\)、深度为 \(d\)，粗略模型调用量随 \(O(dkb)\) 增长。Verifier 的偏差会决定哪些分支被过早删除，因此搜索质量不仅取决于 generator，还取决于 state scoring。
\lecturefigure{slide-076.jpg}{Socratic Questioning 递归生成并回答子问题}{官方 CS25 V4 slide deck，第 76 页}
读图：decomposition 与 search 的差别
Decomposition 把大问题拆成相对独立的小问题；search 在多个候选路径中选择。Socratic method 更强调子问题结构，ToT 更强调候选状态和回溯。复杂系统常把两者结合，并在叶节点调用 calculator、code executor 或 retrieval。
本章小结
Reasoning scaffold 的价值在于增加中间计算、暴露错误并提供搜索与验证接口。CoT、ToT 和 Socratic decomposition 并不自动产生真 reasoning；它们只有与结构化状态、tool、verifier 和 stopping rule 结合时，才更接近可控计算过程。
从 Language Model 到 AI Agent：一次调用为什么不够
课堂在 49 分钟处切换到 agent。这个转场不是更换 buzzword，而是改变系统单位：language model 接受 token 并生成 token；agent 还要保持 state、读取 memory、选择 action、观察环境结果并根据反馈继续执行。一次模型调用可以是 agent 的 component，但不是完整 agent。
Agent stack：model 外面还需要什么
开场页列出 action、memory、communication 与 emergent architecture。Building AI Agents 页则把问题拆成 why 与 how：为什么需要 agent，怎样让模型进入现实接口。
\lecturefigure{slide-078.jpg}{AI Agent 部分的课程范围与研究方向}{官方 CS25 V4 slide deck，第 78 页}
\lecturefigure{slide-079.jpg}{Building AI Agents：why 与 how 的问题框架}{官方 CS25 V4 slide deck，第 79 页}
Agent 的最小闭环
设环境状态为 \(s_t\)，模型根据 observation \(o_t\)、memory \(m_t\) 与目标 \(g\) 选择 action：
\(\pi_\theta\) 是 policy，\(\mathcal{E}\) 是环境转移，\(U\) 是 memory update。Agent 必须处理行动结果，而不仅是预测下一个 token。
\lecturefigure{slide-080.jpg}{单次 foundation-model call 缺少长期状态与行动反馈}{官方 CS25 V4 slide deck，第 80 页}
\lecturefigure{slide-081.jpg}{Agent architecture 在模型外增加 memory、tools 与 environment loop}{官方 CS25 V4 slide deck，第 81 页}
术语消化：Agent stack 的六个部件
| 部件 | 职责 |
|---|---|
| Model/policy | 解释 observation、提出计划或 action。 |
| State | 保存当前任务、页面、文件、变量和执行位置。 |
| Memory | 保存跨步骤或跨会话信息，并支持检索。 |
| Tool/action layer | 把结构化 action 映射到 API、browser、shell 或设备。 |
| Environment feedback | 返回成功、错误、页面变化、测试结果或传感器 observation。 |
| Verifier/guardrail | 检查约束、权限、结果与终止条件。 |
\teachervoice{讲者把转向 agent 的理由说得很直接：一次 foundation-model call 不够，因为真实任务还需要 memory、long context、personalization、actions、internet access 和跨步骤反馈。}
Flight 与 driving-test demo：展示 action，不证明可靠性
两页 demo 展示 MultiOn 早期 agent 预订航班和完成 California online driving test。它们说明模型可以把自然语言目标映射到浏览器操作，但公开视频中的单次成功不能推出一般成功率、支付安全或跨网站鲁棒性。读图时先辨认 observation、action 与完成条件，再区分演示证据和部署证据。
\lecturefigure{slide-082.jpg}{课堂展示的 AI agent 航班预订案例}{官方 CS25 V4 slide deck，第 82 页}
\lecturefigure{slide-083.jpg}{课堂展示的 online driving-test agent 案例}{官方 CS25 V4 slide deck，第 83 页}
Demo evidence 的正确读法
Demo 可以证明“这条 action trajectory 至少发生过”，不能证明平均成功率、worst-case safety 或无人监督部署。需要补充任务集、重复次数、失败分类、权限范围、恢复策略与独立复现，才能从 capability demo 走向 engineering claim。
\teachervoice{讲者把 driving-test demo 称为早期 real-world agent 展示。讲义保留这个历史事实，但不把它写成任何网站、账号或设备上都能稳定运行的结论。}
为什么追求 human-like interface
Human-like agent 的吸引力是复用现有界面：网页、desktop 和 mobile app 已为人设计。Agent 若能看、点击和输入，就不必等待每个服务提供 API；它也可能通过用户示范学习偏好。相同优势同时扩大风险，因为登录、支付和个人数据也暴露在 action space 中。
\lecturefigure{slide-084.jpg}{Human-like agent 复用人类界面、偏好与示范}{官方 CS25 V4 slide deck，第 84 页}
Interface coverage 与 safety boundary 是同一枚硬币
更一般的 UI control 提高覆盖面，却削弱 typed API 提供的 schema、权限与 error code。设计时应优先使用受约束 API；只有在缺少接口时才扩大到 UI control，并为高风险 action 加 confirmation、least privilege、audit log 与 rollback/recovery。
Autonomy level 是责任梯度，不是营销等级
课程借用 L0--L5 自动驾驶分级讨论 agent：低等级由人掌控，高等级逐步移除 human fallback。这个类比有助于说明责任变化，但不能直接用来给具体汽车或 agent 产品定级。下面的图要按“谁在监控、谁能接管、失败时谁负责”来读，而不是把等级当作单一能力分数。
\lecturefigure{slide-085.jpg}{从 human control 到 full autonomy 的五级类比}{官方 CS25 V4 slide deck，第 85 页}
课堂中的产品举例是非正式类比
讲者口头把若干车辆系统对应到 L4/L5。正式 SAE 定义、运行设计域和当前产品状态比课堂类比严格得多，也会随时间变化。这里保留的教学结论只有一个：移除 human fallback 会显著提高验证与责任要求。
Agent autonomy 的可操作分级
| 等级 | 一个更适合软件 agent 的定义 |
|---|---|
| Assist | 提供建议，不执行外部 action。 |
| Approve-each-step | 每个 action 都需用户确认。 |
| Bounded delegation | 在预定义 scope、预算和工具内自动执行。 |
| Supervised autonomy | 可长时间执行，但有实时 monitor、interrupt 与 fallback。 |
| Unsupervised autonomy | 无在线人类监督完成高影响任务；需要最严格的形式化边界和独立验证。 |
API 与 direct computer interaction
Agent 有两条主要 action 路线。API 提供结构化参数、返回值和权限；direct interaction 通过 screen、keyboard、mouse 或 accessibility tree 操作人类界面。后者覆盖面广，但更容易受 layout、latency、popup 和视觉歧义影响。
\lecturefigure{slide-087.jpg}{API control 与 direct computer interaction 两条路线}{官方 CS25 V4 slide deck，第 87 页}
Action schema
一个可审计 action 不应只是自由文本，而应接近
precondition 描述执行前状态，risk 决定是否需要确认，idempotency 说明重复调用是否安全。结构化 action 让 verifier 和 recovery 有明确对象。
\lecturefigure{slide-088.jpg}{Universal Action API 与跨应用操作示例}{官方 CS25 V4 slide deck，第 88 页}
“不需要 API”不等于“API 没价值”
UI agent 可以覆盖没有 API 的系统，但稳定 API 通常更快、更便宜、更容易授权和测试。理想架构是 capability routing：优先选择受约束工具，在必须使用 UI 时缩小可见区域、action set 与 credential scope。
本章小结
Agent 把语言模型放进 observation--action--feedback loop，并增加 state、memory、tool、verifier 与 recovery。课堂 demo 展示了 action capability，autonomy 与 UI control 则暴露了责任和权限问题。真正的系统边界不在“模型会不会点击”，而在失败能否被发现、限制和恢复。
Neural Compute Unit、长期记忆与个性化
把 LLM 看成 neural compute unit 是后半场最重要的系统类比。模型像计算单元一样接收 token instruction 并输出 token，但它没有自动获得 persistent memory、process isolation、device driver 或 permission model。理解类比的适用范围，才能正确设计 agent architecture。
Model as compute unit
课堂把自然语言 token 与 binary instruction 对比。共同点是输入经过计算变成输出；不同点是 LLM 的行为是概率性的，语义空间开放，输入输出也没有传统 ISA 那样严格的类型与确定性。读图时应把 compute analogy 与 missing systems guarantees 同时保留。
\lecturefigure{slide-090.jpg}{AI model 作为 token-in/token-out neural compute unit}{官方 CS25 V4 slide deck，第 90 页}
读图：CPU analogy 的有效边界
| 层次 | 类比有效处 | 类比失效处 |
|---|---|---|
| Instruction | Prompt/context 指定本轮计算 | 自然语言含歧义，缺少固定 opcode 与类型系统。 |
| Compute | 参数执行大规模矩阵运算 | 输出是概率分布，不能默认确定性与正确性保证。 |
| Memory | Context 提供工作区 | Context 有长度上限，也不会自动持久化。 |
| I/O | Tool 扩展外部能力 | 权限、异常和副作用必须由系统显式处理。 |
\teachervoice{讲者把模型称为 neural compute unit，并设想为 Transformer 编写新的 programming language。这个类比的教学价值在于把 prompt、memory、tool 和 variable 变成系统部件，而不是把模型拟人化成完整大脑。}
Looped Transformer 与反复计算
一次 forward pass 对应固定深度计算。Looped Transformer 页提出共享或重复 block，让模型在同一参数上执行更多迭代。它与 reasoning loop 相似：都用更多 computation steps 换取更复杂处理，但必须解决 termination 与 stability。
\lecturefigure{slide-091.jpg}{Looped Transformer 与重复计算模块}{官方 CS25 V4 slide deck，第 91 页}
Iterative computation
若同一 block \(F_\theta\) 被重复 \(K\) 次：
共享参数降低模型增长速度，却可能带来 optimization、fixed-point stability 和动态 stopping 问题。重复层数多不自动等于 reasoning 更深。
Long-term memory 不只是 vector search
课堂将 persistent memory 类比为 disk：先把文档或经历编码成 embedding 存储，需要时再检索进 context。现有系统常用 nearest-neighbor search，但真实长期记忆还需要时间、层级、关系和更新策略。本节先解释当前 embedding pipeline，再用课堂提出的 open questions 扩展 memory schema。
\lecturefigure{slide-092.jpg}{Long-term memory 的存储、embedding 与检索问题}{官方 CS25 V4 slide deck，第 92 页}
Memory retrieval score
对 query embedding \(q\) 与 memory item \(m_i\)，最简相似度可写成
这只利用语义相似。真实 memory ranking 还应加入 recency、importance、user scope、causal link、task state 与 access control。
背景概念：Agent memory 的四种层次
- Working memory：当前 context、scratchpad 和 tool result；
- Episodic memory：过去 interaction 与 action trajectory；
- Semantic memory：稳定事实、文档和用户知识；
- Procedural memory：可复用 workflow、policy 和 skill。
只建一个向量库，通常无法同时满足四种语义。
\teachervoice{讲者指出现有 memory 常停留在简单 k-NN。时间一致性、graph structure、online adaptation 和不断变化的数据都没有被自然解决；“接一个 vector database”只是起点。}
Personalization：偏好会变化，数据也有边界
Personalization 页希望 agent 成为用户的数字延伸。它需要学习写作风格、日程、风险偏好和长期目标，同时区分稳定偏好、一次性指令与敏感信息。接下来的两页要同时读 capability 和 data boundary，尤其关注偏好怎样被收集、更新、撤销与覆盖。
\lecturefigure{slide-093.jpg}{User-agent alignment 与 personalization 的目标}{官方 CS25 V4 slide deck，第 93 页}
\lecturefigure{slide-094.jpg}{收集偏好、隐私、变化与 alignment 的挑战}{官方 CS25 V4 slide deck，第 94 页}
\teachervoice{讲者用 hippocampus 和不断变化的个人数据提醒读者：memory 不是静态文档仓库。系统要处理时间顺序、关系结构、在线更新和用户偏好变化。}
Personalization 的四个常见失败
- 把一次行为误判为永久偏好；
- 将不同用户或 workspace 的 memory 混用；
- 为了“更懂用户”无限保存敏感数据；
- 用户偏好与安全、法律或组织 policy 冲突时盲目服从。
系统需要 consent、scope、retention、edit/delete 与 policy precedence。
Preference update 需要时间衰减与确认
可把 preference \(p\) 的 score 写成
其中 \(w_j\) 表示证据可靠性，\(\Delta t_j\) 是时间间隔，\(\lambda\) 控制衰减。高风险偏好不应只靠隐式行为推断，而应要求显式确认。
本章小结
Neural-compute analogy 让 model、context、memory 与 tool 的边界更清楚，但不能把 LLM 当成具有确定 ISA 和隔离保证的 CPU。长期记忆需要层级、时间和权限，个性化需要 consent、更新和删除机制。系统能力越贴近用户，memory governance 越成为核心设计。
Multi-Agent Systems：并行容易，通信和纠错更难
单 agent 的长轨迹可能慢，也难覆盖复杂任务。Multi-agent system 试图把任务拆给多个 specialized worker，再由 manager 汇总。课堂最有价值的部分不是“多开几个模型”，而是用连续构图演示 delegation、verification、conflict 与 redo。
为什么需要多个 agent
并行化可以缩短独立子任务的 wall-clock time，specialization 可以让不同 worker 使用不同工具或 prompt。前提是任务能被正确分解，结果能够合并，shared state 不会相互覆盖。下面两页先给出系统形态，再列出并行和 specialization 的收益，随后才进入协议成本。
\lecturefigure{slide-096.jpg}{多个 autonomous agent 组成协作系统}{官方 CS25 V4 slide deck，第 96 页}
\lecturefigure{slide-097.jpg}{Parallelization、specialization 与 multi-agent 动机}{官方 CS25 V4 slide deck，第 97 页}
并行收益的上限
若任务中可并行比例为 \(p\)，使用 \(n\) 个 worker 的理想加速受 Amdahl's law 限制：
分解、通信、验证和合并开销会让真实加速更低。Multi-agent 的价值必须以 end-to-end latency、cost 和 success rate 验证，而不是以 agent 数量衡量。
\teachervoice{讲者强调 multi-agent 的直接好处是 parallelization 和 specialized workers，但随后马上把重点转向 communication：自然语言有歧义，agent 之间也会像人一样产生误解。}
Hierarchy 与 message protocol
课堂提出 manager--worker hierarchy：用户与 manager 对话，manager 分派任务并维护全局状态，worker 处理局部目标。层级减少用户面对的接口，却把正确分解与状态同步集中到 manager。接下来的三页从抽象层级走到 message 和 state，读图时先找 ownership 与 version boundary。
\lecturefigure{slide-098.jpg}{Manager 与 worker 的层级通信结构}{官方 CS25 V4 slide deck，第 98 页}
\lecturefigure{slide-099.jpg}{Natural-language communication 的歧义与同步问题}{官方 CS25 V4 slide deck，第 99 页}
Typed message 比自由文本更容易验证
一个 worker request 至少应包含
返回消息应包含 status、artifact、evidence、error 与 side effect。自然语言可保留在 explanation 字段，但关键控制信息应结构化。
\lecturefigure{slide-100.jpg}{Manager state 与 worker state 的初始通信图}{官方 CS25 V4 slide deck，第 100 页}
读图：需要同步的是 state，不只是聊天记录
Manager 必须知道任务版本、输入快照、worker 已执行的 action 和产物位置。若两个 worker 在不同 snapshot 上工作，最后文本都“说完成了”也可能无法合并。状态版本和 ownership 比措辞流畅更重要。
Verification：完成声明不能直接当事实
Progressive diagram 的关键变化是加入 verify step。Worker 返回 “done” 只是一条 claim；manager 或独立 verifier 必须检查 artifact、测试、环境状态或外部证据。下面两个 retained state 分别展示正常 verification 与 claim 冲突，重点是证据通道怎样改变控制流。
\lecturefigure{slide-103.jpg}{Manager 对 worker 完成声明执行 verification}{官方 CS25 V4 slide deck，第 103 页}
Verification contract
对 worker 产物 \(a\) 与规格 \(c\)，verifier 输出
其中 \(e\) 是测试、日志、文件、页面或环境证据。unknown 很重要：证据不足时不应被强行压成 pass。
\lecturefigure{slide-104.jpg}{Scenario 1：worker claim 与验证结果冲突}{官方 CS25 V4 slide deck，第 104 页}
Conflict handling 不应变成“再问同一个模型一次”
若 verifier 只使用同一上下文、同一模型和同一错误假设，复核可能重复原错误。更强的验证应改变证据通道：运行测试、读取真实状态、使用不同 tool、检查 checksum 或要求可执行 proof。
Correction 与 redo path
最终状态图加入 re-do：manager 将失败原因和更新后的 context 发送给 worker，worker 重新执行。有效 recovery 需要区分 transient failure、bad plan、permission error 与不可逆 side effect。
\lecturefigure{slide-107.jpg}{Scenario 2：验证失败后回传 context 并重新执行}{官方 CS25 V4 slide deck，第 107 页}
def run_task(manager, worker, verifier, task, max_attempts=3):
context = manager.snapshot(task)
for attempt in range(max_attempts):
result = worker.execute(task, context=context)
verdict = verifier.check(task.spec, result.artifact)
if verdict.status == "pass":
return manager.commit(result)
context = manager.revise_context(
previous=context,
evidence=verdict.evidence,
error=verdict.reason,
)
raise TaskFailed(task.id, context)
Redo 之前先判断 action 是否可重复
发送邮件、支付、删除文件和提交表单可能不是 idempotent。Recovery 需要 action ID、side-effect log、deduplication key 与 compensation plan；否则“重新执行”会把一次错误变成重复副作用。
\teachervoice{课堂用 progressive diagram 说明 manager 不能相信 worker 的完成声明，必须验证；若结果错误，应把 failure context 回传并重做。这个闭环比“多 agent 自动协作”的口号更接近真实系统。}
本章小结
Multi-agent system 的收益来自并行和 specialization，主要风险来自分解、通信、共享状态、验证与副作用。Manager--worker hierarchy 只有配合 typed protocol、evidence-based verification、versioned state 和 bounded redo，才会比单 agent 更可靠。
可靠性、Plan Divergence 与 LLM OS
课程最后把 agent 的剩余问题集中到 reliability。传统软件可以在相同输入下重复执行，agent policy 则会跨许多 stochastic step 与动态环境互动。局部成功率看似很高，长轨迹仍会快速累积失败。
自主 Agent 的关键问题
Key Issues 页列出 reliability、looping、plan divergence、benchmark、observability、security 与 human fallback。它们不是部署后的附加功能，而是 agent architecture 的一部分。
\lecturefigure{slide-109.jpg}{Autonomous agent 的可靠性、循环、测试与安全问题}{官方 CS25 V4 slide deck，第 109 页}
长轨迹成功率的乘法效应
若每一步独立成功概率为 \(p\)，长度为 \(T\) 的 trajectory 全部成功概率近似
即使 \(p=0.99\)，执行 100 步也只有约 \(0.99^{100}\approx 36.6\%\) 的全程无错概率。真实错误并不独立，早期偏离还会改变后续 observation，使失败更严重。
\teachervoice{讲者用“95% 的 agent 仍有 5% 会失败”说明软件部署差异：传统程序可以修复 deterministic bug，stochastic agent 的少数失败会在大规模用户和长轨迹中不断出现。}
Observability 要记录什么
- 每一步 observation、selected action 与 tool response；
- model/prompt/tool version 和 memory snapshot；
- permission decision、user confirmation 与 side effect；
- verifier verdict、retry、fallback 与 final outcome。
日志的目标是支持复现和定位，不是无限保存敏感内容；必须配合最小化、加密与 retention policy。
Plan divergence：偏离后怎样回到轨道
Plan divergence 页用 ideal path 与 actual path 对比。Agent 在某一步误读页面、工具报错或目标分解错误后，后续 action 可能建立在错误 state 上，最终进入 loop。本节承接前一页的 reliability，进一步解释为什么系统必须周期性比较计划 state 与真实 observation。
\lecturefigure{slide-110.jpg}{Plan divergence：实际轨迹逐步偏离理想路径}{官方 CS25 V4 slide deck，第 110 页}
Recovery policy
Agent 不应只问“下一步是什么”，还要周期性检查
其中 \(s_t\) 是真实 observation，\(\hat{s}_t\) 是计划预期 state，\(g\) 是目标。当 divergence score \(d_t\) 超过阈值时，系统应暂停、重新观察、回滚到 checkpoint、重规划或请求人工介入。
Loop detector 不能只统计重复文本
Agent 可能用不同措辞重复同一失败 action，也可能在页面间循环。检测应结合 action signature、state hash、error pattern、progress metric 与预算消耗。达到步数、时间或成本上限时必须硬停止。
\teachervoice{讲者评价 AutoGPT 是很好的 prototype，却“实际上做不了什么”，因为它容易循环、偏离并持续犯错。这里的重点不是否定原型，而是指出缺少 error correction 的长轨迹系统无法靠继续生成自行恢复。}
LLM OS：一个有用但不完整的系统类比
Karpathy 的 LLM OS 图把 LLM 视为 CPU，把 context window 视为 RAM，把 embedding store 视为 file system，把 calculator、Python、terminal 视为传统软件或 ALU，把图像、音频、浏览器和其他模型视为 peripheral。
\lecturefigure{slide-111.jpg}{Karpathy 的 LLM OS 组件映射}{官方 CS25 V4 slide deck，第 111 页}
读图：LLM OS 映射表
| 传统系统 | LLM system 类比 | 尚缺的保证 |
|---|---|---|
| CPU | Foundation model | 确定执行、类型化指令与正确性。 |
| RAM | Context window | 隔离、分页一致性与受控写入。 |
| File system | Retrieval/memory store | 事务、权限、版本与删除语义。 |
| ALU/software | Calculator、Python、tools | 沙箱、资源上限与错误语义。 |
| Peripheral/network | Vision、audio、browser、other agents | 认证、信任边界与输入验证。 |
“OS”这个词不会自动带来操作系统能力
真正 OS 负责 scheduling、memory protection、process isolation、permission、interrupt 与 recovery。LLM orchestration framework 若没有这些机制，只是形状像 OS，而没有 OS 的安全和可靠性保证。
Generalized AI system 与 action engine
下一页把用户 chat interface、action engine、agents、memory、tools 与外部世界连接成 generalized system。Action engine 负责 route、plan、permission 与 aggregation，是模型之外最关键的 control plane。
\lecturefigure{slide-112.jpg}{Chat interface、action engine、agents、tools 与 memory 的系统图}{官方 CS25 V4 slide deck，第 112 页}
\teachervoice{结尾愿景把 chat interface 后面的 action engine 设为路由中心：它把任务分给不同 agent，再汇总结果。这个位置也应承担权限、预算、验证和中止，而不能只是一个 prompt router。}
Control plane 与 data plane
- Control plane：解析目标、选择 agent/tool、分配权限、维护 state、决定 retry/fallback；
- Data plane：实际执行 search、code、browser、database、message 或 device action。
把两者分离后，可以限制某个 model proposal 不直接等于真实 side effect。
Future needs：error correction、permission 与 sandbox
最后一页没有给出“agent 已解决”的结论，而是列出未完成的基础设施：error correction、better framework、security、user permission、risky-domain stability 与 sandboxing。读图时应把这些项目视为 deployment precondition，并与前面的 long-horizon failure、权限和 side effect 逐项对应。
\lecturefigure{slide-113.jpg}{AI agent 仍需 error correction、security、permission 与 sandbox}{官方 CS25 V4 slide deck，第 113 页}
高风险 action 的最小安全栈
- Least privilege：只授予完成当前任务所需的最小 credential 和 action scope；
- Confirmation gate：支付、发送、删除、发布和权限变更需要显式确认；
- Sandbox：代码、文件和网络访问在隔离环境中运行；
- Budget：限制 token、步骤、时间、费用和外部调用；
- Audit and recovery：记录副作用，支持取消、补偿或人工接管。
\teachervoice{课程的最终落点不是“agent 很快会全自动”，而是 error correction、security、user permission 与 sandbox 仍未解决。尤其在 finance、legal 等高风险场景，稳定和安全必须先于更长 autonomy。}
本章小结
Agent reliability 受长轨迹乘法效应和 plan divergence 支配。LLM OS 提供了组织组件的语言，却不会自动产生 isolation、transaction 或 recovery。可部署系统需要 control plane、least privilege、verification、budget、fallback 与 sandbox 共同约束模型 proposal。
总结与延伸
这堂 Overview 从 attention 的信息选择机制一路走到 agent 的安全边界。表面上主题很多，底层可以压成三次边界扩张：第一，Transformer 让每个 token 直接读取相关上下文；第二，LLM 用规模、数据和 post-training 扩大可处理任务；第三，agent 在模型外增加 memory、tool、state、communication 与 environment feedback。每次扩张都带来新能力，也把验证从单个输出推向完整系统。
十个核心结论
从模型机制到系统工程
- Attention 用 query--key matching 选择 value，multi-head 提供多个表示子空间；
- Transformer 以 \(O(n^2)\) 全局配对换取短信息路径和训练并行性；
- LLM 仍以 next-token objective 为基础，instruction following 与 safety 来自额外训练和系统约束；
- Emergence curve 既可能反映 scale，也可能被 metric threshold 放大；
- RLHF、DPO、MoE 与 data quality 是不同层次的设计，不能压成“模型更大”；
- 外部 memory、RAG、continual learning 与 model editing 改变的对象不同；
- CoT、ToT 与 Socratic decomposition 增加中间计算，但必须配合 verifier；
- Agent 是 observation--action--feedback loop，不是一次模型调用；
- Multi-agent 的主要难点是 state、protocol、verification 与 recovery，而不是并行启动；
- LLM OS 是组件地图，真正部署还需要 permission、isolation、budget、fallback 与 sandbox。
一张表串起整堂课
| 层次 | 新增能力 | 新增失败模式 | 必要验证 |
|---|---|---|---|
| Embedding | 共享连续表示 | 相似度不等于事实关系 | 近邻、偏差与分布测试 |
| Attention | 按内容读取上下文 | 权重难以直接解释、长序列二次成本 | ablation、causal test、效率测试 |
| LLM scale | 更广任务覆盖与 few-shot behavior | 成本、污染、不可预测能力 | 多维 benchmark、数据审计 |
| Preference tuning | 更符合人类或组织偏好 | reward hacking、偏好偏差 | held-out preference、安全评估 |
| External memory | 可更新事实与个性化 | 错误检索、越权、过期 memory | 检索、证据与权限检查 |
| Reasoning scaffold | 更多 test-time compute 与可见步骤 | 自洽但错误、搜索成本 | 工具、验证与反事实测试 |
| Agent loop | 执行长期外部任务 | side effect、loop、plan divergence | 状态日志、预算、回退与恢复 |
| Multi-agent | 并行和 specialization | 协议歧义、冲突、重复副作用 | 结构化消息、版本和独立复核 |
课堂结尾真正留下的问题
讲者的 closing discussion 把 agent 未来集中在 error correction、security、permission 与 sandbox。这里还有几条值得继续追踪的开放问题：
- 如何测量 long-horizon success，而不是只测单步 tool call？
- 如何在不无限保存隐私数据的前提下实现 personalization？
- 如何让 memory 同时支持时间、层级、关系和遗忘？
- 如何区分 reasoning trace 的解释价值与真实因果机制？
- 如何让 multi-agent verification 独立于原始错误通道？
- 如何定义可撤销、可补偿和不可逆 action 的不同执行策略？
- 如何让更小模型、专用模型与 retrieval 在能力和成本之间协作？
最后的工程判断
模型给出的 action proposal 必须与真实 side effect 分离。任何涉及资金、身份、发布、删除、权限或不可逆操作的系统，都应把模型放在受约束 control plane 后面；没有 confirmation、audit、recovery 和 sandbox 的 autonomy，不应被包装成可靠自动化。
自测问题
- 为什么 attention 的 \(\sqrt{d_k}\) scaling 有助于 softmax 稳定？
- self-attention 与 cross-attention 的 Q/K/V 来源有何不同？
- 为什么 emergent metric 可能在底层能力平滑时出现跳变？
- RLHF 与 DPO 分别在哪一步使用 preference data？
- MoE 的总参数量与 active parameters 为什么不同？
- RAG、fine-tuning、continual learning 与 model editing 各改变什么？
- CoT 的可读中间步骤为什么不必然是忠实解释？
- 单次 LLM call 缺少哪些 agent component？
- UI control 相比 API control 多了哪些风险？
- manager 为什么不能直接相信 worker 的 “done”？
- 当 action 不可重复时，redo loop 应增加什么机制？
- LLM OS 类比中，哪些传统 OS 保证仍然缺失？
拓展阅读
- Vaswani et al., Attention Is All You Need：Transformer 与 multi-head attention 的原始论文。
- Wei et al., Emergent Abilities of Large Language Models 与 Schaeffer et al., Are Emergent Abilities of Large Language Models a Mirage?：分别理解现象与 metric caveat。
- Rafailov et al., Direct Preference Optimization：DPO objective 与 RLHF 关系。
- Meng et al., Locating and Editing Factual Associations in GPT：ROME 与 factual model editing。
- Wei et al., Chain-of-Thought Prompting 与 Yao et al., Tree of Thoughts：线性 rationale 与搜索式 reasoning。
- CS25 V4 official slide deck：本讲 114 页 canonical source。