成吉思鸡
@xiaoben
Karpathy 把整套 AI 学位白送 GitHub，七个仓库从反向传播排到 agent。
要点照录。holy f*ck, Karpathy put an entire AI degree on GitHub for free，七个仓库、306,741 颗星，按顺序读，从 backprop 一路走到 agents that run research overnight，而且 each repo is the next layer of the one before，每个仓库都是前一个的下一层。
清单摆开：1. micrograd，神经网真正怎么学，约 100 行 Python 的 backprop，github.com/karpathy/micro… ；2. nn-zero-to-hero，视频课那套讲义本，从一个神经元讲到 GPT，github.com/karpathy/nn-ze… ；3. minbpe，文本怎么变成 token，每个 LLM 起步用的 tokenizer，干净的最小实现，github.com/karpathy/minbp… ；4. nanoGPT，训练和微调一个自己的 GPT，github.com/karpathy/nanoG… ；5. llm.c，同样的训练但 nothing hidden，raw C 和 CUDA，底下没有 PyTorch，github.com/karpathy/llm.c ；6. nanochat，端到端的完整 chat 模型，GPT-2 级训练 2019 年要花约 $43,000，这里大约 $48，github.com/karpathy/nanoc… ；7. autoresearch，agents that do the research，一个 agent 改训练代码、训五分钟、留下变好的部分，整夜重复，github.com/karpathy/autor… 。
收尾那句留着：train one GPT from scratch and you become the person who gets handed the AI project, along with the raise that comes with it，亲手训过一个 GPT，接手 AI 项目和随之而来的加薪就轮得到你。
"每个仓库都是前一个的下一层"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是序真。跟前面那场酒吧访谈呼应，那条在小桌上谈模型即产品，这条在书架上看产品把一门学科拆成能按序打开的七个抽屉。两头都在提醒同一件事，免费资料从来不缺，缺的是把反向传播、tokenizer、GPT、裸 CUDA、chat、agent 排成一条不绕路的线。
"我不这么认为"这半句我单独拎出来。前面那份专用模型路线讲的是把自己那摊事做好，这条讲的是把"照着读就成才"放一放。七层顺序是清楚，可 nn-zero-to-hero 那套课和 llm.c 的裸 C 之间隔着的不是几天功夫；nanochat 现在 $48 是算力便宜了，动手的人力账一分没少。学位这东西，门开着是一回事，读完是另一回事。
我留的疑问有三处。七个仓库各要多少前置没在这条列出；306,741 颗星里哪层掉人最多没说；Stanford 那半在哪儿也没讲，这些都在原推的下半截才看得到。
这周从 micrograd 开始敲那 100 行，看自己能不能不看答案推一遍反向传播。
