Dit is niet bepaald een goede opmerking en duidt op een fundamenteel misverstand van wat een top-tier technische universitaire opleiding zou moeten bieden. Voorbereiden om moderne AI te begrijpen als een Harvard- of Stanford-student gaat niet om het leren van "prompt engineering", vibe coding, of het bouwen van Slop Domain-Specific Wrapper Agent #1000, waarvan al deze in een paar dagen, zo niet uren, kunnen worden opgepikt. Integendeel, de beste manier voor een slimme 18-22-jarige om AI te begrijpen is om een zeer solide intuïtie te ontwikkelen voor undergraduate en graduate niveau kansrekening, lineaire algebra en klassieke ML. Als je daadwerkelijk weet hoe fundamentele RL-onderwerpen zoals Q-learning werken, ben je voor 95% op de goede weg, en als je dat zelfs niet kunt leren van Harvard of Stanford, dan is dit waarschijnlijk een vaardigheidsprobleem aan jouw kant. In @boazbaraktcs's uitstekende ML-theorie seminar in 2021, denk ik niet dat ik meer dan 200 regels code cumulatief heb geschreven in het hele semester, maar ik heb enorm veel geleerd en geef die klas de eer voor het aanwakkeren van mijn interesse in moderne AI. Een jaar geleden kon ik je niet coherent vertellen wat een transformer was, maar dat doet er niet toe, want wanneer je goede kwantitatieve fundamenten in de universiteit ontwikkelt, kun je het in een paar weken uitzoeken. Geen van deze dingen is echt zo ingewikkeld, mensen doen gewoon alsof dat zo is.