會用聊天機器人，和知道 AI 為什麼能做這些事，是兩種不同的熟悉。Nick Saraev 把自己的補課順序整理成一週學習路線：先理解歷史與模型原理，再看晶片、資料中心和模型公司的關係，最後才挑工具、練習交代任務，接到實際生意。約三十六分鐘的內容以深色動畫圖解搭配本人講解，主要是在介紹概念與教材，不是帶著觀眾完成一個專案。

先補原理，不急著背工具名稱

開頭從感知器、專家系統與深度學習談起，接著整理 token、預訓練、人類回饋、推理、上下文視窗與幻覺。他推薦先看 3Blue1Brown 的神經網路解說，再讀 Rich Sutton 在 2019 年寫的〈The Bitter Lesson〉。後者的核心不是「人類知識毫無用處」，而是回顧 AI 研究中，能持續利用更多運算資源的通用方法，如何在長期超越依賴人工整理領域知識的方法。

模型課則以 Andrej Karpathy 的〈Intro to Large Language Models〉與〈Deep Dive into LLMs like ChatGPT〉為主。他的個人網站也把前者列為較早的通識影片，後者列為深入理解模型內部原理的教材。兩者可以當不同深度的入口，不必誤以為看完這支路線介紹，就已經上完那些課。

看懂模型，不等於看得見它真正怎麼想

Nick 把思考鏈介紹為理解與觀察模型推理的工具，也推薦 Anthropic 的〈Tracing the thoughts of a large language model〉。但這份在 2025 年發表的研究恰好提醒：模型寫出的推理步驟，不一定忠實反映內部運作。研究針對 Claude 3.5 Haiku 的特定任務追蹤計算路徑，發現模型有時會聲稱做過計算，內部卻找不到對應證據，也可能為了已知答案倒推說詞。

因此，要求 AI 解釋過程可以幫忙檢查答案，卻不能把那段解釋當成內部運作的逐字紀錄。這也替前面的原理課補上一個必要界線：理解它如何生成文字，和確認它這一次有沒有說對，仍是兩個問題。

再把產業與未來預測分開

產業部分沿著晶片、資料中心、能源、模型實驗室、API、應用與實作往上看。Nick 用 NVIDIA、TSMC、ASML，以及 OpenAI、Anthropic、Google DeepMind 等公司說明不同位置；他也把 Claude Code、Codex 這類能調用模型與工具的執行環境，和模型本身分開。重點是，一個產品能做什麼，不只由底下那個模型決定。