斯坦福大学推出两门秋季免费线上课程：Probability for AI 和 Code in Place X

斯坦福大学最新推出两门秋季免费线上课程： Probability for AI (PAI) 和 Code in Place X (CIP) PAI 培养理解与评估 AI 的概率推理能力；CIP 培养...

斯坦福大学最新推出两门秋季免费线上课程： Probability for AI (PAI) 和 Code in Place X (CIP) PAI 培养理解与评估 AI 的概率推理能力；CIP 培养实现与拆解问题的 Python 编程能力。 # PAI：把“会用 AI”推进到“能判断 AI” 课程地址： pai.stanford.edu 核心内容：概率基础、随机变量、最大似然估计、逻辑回归、神经网络、概率化评估（含公平性与校准）。 学习形式：每周一个概率主题加一个实践项目，最后完成自选项目。 PAI 的课程设计并非从编写复杂模型起步，而从概率作为 AI 的语言起步。它把抽象概念与具体问题绑定：例如用最大似然估计做隐藏信息推断，用逻辑回归检验模型何时有效、何时失效，用可视化理解神经网络，并在最后讨论公平性和校准。这里的“校准”可理解为：模型给出 80% 把握时，长期看是否真的大约八成正确。这种能力直接关系到人们能否恰当地理解模型的置信度，而非只接受一个看似确定的答案。 因此，PAI 的价值在于建立AI 判断力。学习者不会在六周内获得完整的机器学习工程训练，也不应把它视作一门替代大学概率论或高阶机器学习的课程。它更像一条低门槛的概念入口：用必要的数学和实践，让非技术背景者也能理解“数据如何支持结论”“模型为何会出错”“评价指标为何会影响决策”。官网明确取消代码与微积分门槛，说明它将重点放在推理框架而非推导技巧上。 值得注意的是，PAI 是新课，但不是未经验证的教学实验。课程共同创建者 Chris Piech 将其描述为按 “Code in Place” 方式推出的新项目；其核心小组带教机制来自已有多年运行经验的 CIP。 # CIP：先建立计算思维，再谈 AI 开发 课程地址： codeinplace.stanford.edu 核心内容：控制流、循环与条件、变量和控制台程序、图形、列表与字典；内容取自 CS106A 前半段。 学习形式：Stanford 讲授视频、编程作业、每周小组课和同伴社区。 Code in Place X 是基于 Stanford CS106A 前半段的 Python 入门课程。它先借助 Karel 这类可视化编程任务建立顺序、分支和循环的心智模型，随后进入变量、控制台程序、图形、列表和字典。课程强调“做出来”：随机艺术、小游戏等任务使学习者必须把需求拆成步骤、表达状态、调试错误并迭代程序。 这意味着 CIP 的直接目标不是教授生成式 AI、提示词或大模型应用。它培养的是更底层的计算表达能力：知道程序如何控制流程、数据如何组织，以及一个系统为什么会按某种逻辑运行。这种基础能帮助学习者在后续接触 AI 工具或 API 时，不止停留在调用层面；但它本身仍是一门初级编程课，而非完整的软件工程或 AI 开发课程。 CIP 的可信度主要来自其教学组织方式和持续规模，不只是 Stanford 品牌。官网列出 2020、2021、2023、2024、2025 五次既往开课，累计超过 6 万名学习者和 5,500 名小组导师。早期同行评议研究记录了首期逾 900 名志愿导师与逾 1 万名学生；作者报告，该期完成率超过可比 MOOC 的十倍以上。该历史结果不能保证任何个人或 2026 年课程的完成表现，但它支持一个判断：小组责任、互动和助教训练是该模式的实质组成，非营销点缀。 Stanford HAI @StanfordHAI Two new Stanford courses are free this fall — and applications close at the end of the month. Probability for AI and Code in Place X are six-week programs designed for anyone who wants to understand how AI works, not just how to use it. No prerequisites, no experience needed: pai.stanford.edu | codeinplace.stanford.edu 🔗 View Quoted Tweet 💬 0 🔄 0 ❤️ 0 👀 292 📊 1 ⚡