Detta är inte ett särskilt bra grepp och är ett tecken på ett grundläggande missförstånd om vad en teknisk högskoleutbildning på toppnivå är tänkt att erbjuda. Att förbereda sig för att förstå modern AI som student på Harvard eller Stanford handlar inte om att lära sig "prompt engineering", vibe-kodning eller att bygga Slop Domain-Specific Wrapper Agent #1000, som alla kan plockas upp på några dagar om inte timmar. Tvärtom, det bästa sättet för en smart 18-22-åring att förstå AI är att utveckla en mycket solid intuition för sannolikhet på grund- och avancerad nivå, linjär algebra och klassisk ML. Om du faktiskt vet hur grundläggande RL-ämnen som Q-learning fungerar, är du 95% av vägen dit, och om du inte ens kan lära dig det från Harvard eller Stanford så är detta förmodligen en färdighetsfråga från din sida. I @boazbaraktcs:s utmärkta ML-teoriseminarium 2021 tror jag inte att jag skrev mer än 200 rader kod kumulativt under hela terminen, men jag lärde mig enormt mycket och krediterar den klassen för att ha väckt mitt intresse för modern AI. För ett år sedan kunde jag inte på ett sammanhängande sätt berätta vad en transformator var, men det spelar ingen roll, för när du utvecklar ordentliga kvantitativa grunder på college kan du räkna ut det på ett par veckor. Inget av det här är egentligen så komplicerat, folk gillar bara att låtsas att det är det.