Ce n'est pas une prise particulièrement bonne et cela indique une compréhension fondamentale erronée de ce qu'une éducation dans un collège technique de premier plan est censée offrir. Se préparer à comprendre l'IA moderne en tant qu'étudiant de Harvard ou de Stanford ne consiste pas à apprendre le "prompt engineering", le codage d'ambiance, ou à construire le Slop Domain-Specific Wrapper Agent #1000, qui peuvent tous être acquis en quelques jours, voire en quelques heures. Au contraire, la meilleure façon pour un jeune de 18 à 22 ans de comprendre l'IA est de développer une intuition très solide pour les probabilités de niveau undergraduate et graduate, l'algèbre linéaire et le ML classique. Si vous savez réellement comment fonctionnent des sujets fondamentaux de RL comme le Q-learning, vous êtes à 95 % du chemin, et si vous ne pouvez même pas apprendre cela à Harvard ou à Stanford, alors c'est probablement un problème de compétence de votre part. Dans le séminaire excellent sur la théorie du ML de @boazbaraktcs en 2021, je ne pense pas avoir écrit plus de 200 lignes de code cumulativement pendant tout le semestre, pourtant j'ai appris énormément et je crédite ce cours pour avoir suscité mon intérêt pour l'IA moderne. Il y a un an, je ne pouvais pas vous dire de manière cohérente ce qu'était un transformateur, mais cela n'a pas d'importance, car lorsque vous développez de bonnes bases quantitatives à l'université, vous pouvez le comprendre en quelques semaines. Rien de tout cela n'est vraiment si compliqué, les gens aiment juste prétendre que c'est le cas.