CMU 10-202: บทนำสู่ปัญญาประดิษฐ์สมัยใหม่

 (modernaicourse.org)
20 คะแนน โดย GN⁺ 2026-03-03 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • มหาวิทยาลัยคาร์เนกีเมลลอน (CMU) เปิดสอนรายวิชานี้ในฐานะคอร์สเบื้องต้นที่ว่าด้วย หลักการทำงานของระบบปัญญาประดิษฐ์สมัยใหม่
  • เน้นที่ แมชชีนเลิร์นนิงและโมเดลภาษาขนาดใหญ่ (LLM) โดยเรียนรู้เทคโนโลยีพื้นฐานของระบบอย่าง ChatGPT, Gemini และ Claude
  • ผู้เรียนจะได้เรียนรู้ การเรียนรู้แบบมีผู้สอนพื้นฐาน, โครงข่ายประสาท, ทรานส์ฟอร์เมอร์, การฝึกหลังขั้นต้น (post-training) และสามารถลงมือสร้าง LLM แบบโอเพนซอร์สได้ด้วยตนเอง
  • เวอร์ชันออนไลน์ เปิดให้เรียนฟรี โดยจะเผยแพร่วิดีโอการสอนและการบ้านตามกำหนดที่ช้ากว่าชั้นเรียน CMU 2 สัปดาห์
  • อนุญาตให้ใช้เครื่องมือ AI ได้ แต่แนะนำให้เขียนงานส่งฉบับสุดท้ายด้วยตนเอง ซึ่งเป็นนโยบายเพื่อช่วยเพิ่มความเข้าใจในการเรียนรู้

ภาพรวมรายวิชา

  • รายวิชานี้มุ่งเน้น ปัญญาประดิษฐ์ (AI) ในความหมายสมัยใหม่ โดยเน้นที่ แมชชีนเลิร์นนิงและโมเดลภาษาขนาดใหญ่ (LLM)
    • ครอบคลุมเทคโนโลยีพื้นฐานของระบบอย่าง ChatGPT, Gemini และ Claude
    • การนำ LLM ไปใช้งานในระดับพื้นฐานประกอบด้วยเทคนิคและโครงสร้างด้านแมชชีนเลิร์นนิงเพียงไม่กี่อย่าง และสามารถเขียนได้ด้วยโค้ดเพียงไม่กี่ร้อยบรรทัด
  • ผู้เรียนจะได้เข้าใจหลักการพื้นฐานของ การเรียนรู้แบบมีผู้สอน, LLM และการฝึกหลังขั้นต้น (post-training) และสามารถ สร้าง AI แชตบอตได้ด้วยตนเอง
  • หัวข้อหลักที่ครอบคลุมมีดังนี้
    • ประวัติย่อของ AI
    • การเรียนรู้แบบมีผู้สอน: โมเดลเชิงเส้น, ฟังก์ชันการสูญเสีย, การหาค่าเหมาะที่สุด, โครงข่ายประสาท
    • โมเดลภาษาขนาดใหญ่: self-attention, ทรานส์ฟอร์เมอร์, โทเคนไนเซอร์, การอนุมานอย่างมีประสิทธิภาพ
    • การฝึกหลังขั้นต้น: การปรับจูนแบบมีผู้สอน, การจัดแนวและการจูนตามคำสั่ง, โมเดลการให้เหตุผล, ความปลอดภัยและความมั่นคงปลอดภัย

หลักสูตรออนไลน์

  • มี เวอร์ชันออนไลน์ฟรี เปิดพร้อมกับชั้นเรียน CMU โดยให้เนื้อหาที่ ล่าช้ากว่าตารางเรียนของ CMU 2 สัปดาห์
    • รวมวิดีโอการสอน, การบ้าน (ระบบ mugrade), Colab notebook เป็นต้น
    • เวอร์ชันออนไลน์ไม่มีควิซ, สอบกลางภาค และสอบปลายภาค
  • สามารถรับการแจ้งเตือนทางอีเมลเมื่อมีการเผยแพร่บทเรียนและการบ้านได้ผ่าน Enroll here
  • TA, ชั่วโมงให้คำปรึกษา และการให้คะแนน มีเฉพาะในชั้นเรียน CMU เท่านั้น

การประเมินผลและข้อกำหนดเบื้องต้น

  • สัดส่วนคะแนน
    • การบ้านและการเขียนโปรแกรม 20%
    • ควิซการบ้าน 40%
    • สอบกลางภาคและปลายภาค 40% (กลางภาคแต่ละครั้ง 10%, ปลายภาค 20%)
  • รายวิชาพื้นฐานที่จำเป็น
    • การเขียนโปรแกรม: ต้องมีความชำนาญด้านการเขียนโปรแกรมเชิงวัตถุด้วย Python (15-112 หรือ 15-122)
    • คณิตศาสตร์: แคลคูลัสพื้นฐานที่รวมการหาอนุพันธ์ (21-111 หรือ 21-120) และแนะนำให้มีพื้นฐานพีชคณิตเชิงเส้นกับความน่าจะเป็น

การบ้านและการเขียนโปรแกรม

  • การบ้านหลักมีเป้าหมายให้ ค่อย ๆ สร้าง AI แชตบอตขึ้นมาเอง
    • ส่งผ่านระบบ mugrade และมีเวอร์ชัน Colab กับ Marimo notebook ให้ใช้งาน
    • การบ้านบางส่วนต่อยอดจากผลลัพธ์ของการบ้านก่อนหน้า
  • รายการการบ้าน
    • HW0: พื้นฐานการให้คะแนนอัตโนมัติและการเขียนโปรแกรม
    • HW1: พีชคณิตเชิงเส้นและ PyTorch
    • HW2: การหาอนุพันธ์อัตโนมัติและการฝึกโมเดลเชิงเส้น
    • HW3: การฝึกโครงข่ายประสาท
    • HW4: การสร้างทรานส์ฟอร์เมอร์
    • HW5: การสร้าง LLM แบบขั้นต่ำ
    • HW6: การปรับจูนแบบมีผู้สอนและการฝึกแชตบอต
    • HW7: การเรียนรู้แบบเสริมกำลัง
  • หลังการบ้านแต่ละชิ้นจะมี ควิซ 15 นาที โดยออกข้อสอบจากโค้ดหรือแนวคิดของการบ้านนั้น

การสอบและตารางการสอน

  • ประกอบด้วย สอบกลางภาค 2 ครั้ง และสอบปลายภาค 1 ครั้ง โดยทั้งหมดเป็นการสอบออฟไลน์แบบปิด
    • กลางภาค 1: การเรียนรู้แบบมีผู้สอน
    • กลางภาค 2: โมเดลภาษาขนาดใหญ่
    • ปลายภาค: ประเมินแบบสะสม (ให้น้ำหนักกับช่วงครึ่งหลังมากกว่า)
  • ตารางการสอนจะอัปเดตระหว่างภาคการศึกษา และเวอร์ชันออนไลน์จะเผยแพร่หลังจากนั้น 2 สัปดาห์
    • ตัวอย่าง: 1/12 ‘ประวัติ AI’, 1/28 ‘โมเดลเชิงเส้น’, 2/16 ‘สอบกลางภาค 1’, 3/18 ‘สอบกลางภาค 2’, 4/20 ‘กำหนดส่ง HW7’ เป็นต้น

นโยบายการใช้เครื่องมือ AI

  • อนุญาตให้ใช้ผู้ช่วย AI: สามารถใช้เครื่องมือ AI เป็นข้อมูลอ้างอิงระหว่างทำการบ้านและเขียนโปรแกรมได้
  • อย่างไรก็ตาม ขอแนะนำอย่างยิ่งให้เขียนงานส่งฉบับสุดท้ายด้วยตนเอง
  • ในการประเมินระหว่างเรียน (ควิซและการสอบ) ห้ามใช้ AI และเอกสารภายนอก
  • จุดประสงค์ของนโยบายนี้คือเพื่อเพิ่มประสิทธิภาพในการเรียนรู้
    • AI มีประโยชน์ในการช่วยการเรียนรู้ แต่การพึ่งพามากเกินไปอาจทำให้ความเข้าใจลดลง
    • นักศึกษาที่แก้การบ้านด้วยตนเองมักทำผลงานได้ดีกว่าในควิซและการสอบ

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2026-03-03
ความคิดเห็นจาก Hacker News

  • เมื่อดู นโยบาย ของวิชา AI นี้ จะอนุญาตให้ใช้ผู้ช่วย AI ในงานมอบหมายหรือการบ้านเขียนโปรแกรมได้ แต่แนะนำให้ เขียนฉบับส่งสุดท้ายด้วยตัวเอง
    สำหรับควิซหรือการสอบในชั้นเรียน ห้ามใช้ AI หรือเอกสารภายนอก
    เหตุผลคือ AI มีประโยชน์ในฐานะเครื่องมือช่วยเรียน แต่การพึ่งพามากเกินไปอาจขัดขวางการเรียนรู้
    มีหลักฐานเชิงประสบการณ์ว่านักศึกษาที่แก้ปัญหาด้วยตนเองทำผลงานในการสอบได้ดีกว่ามาก

    • ถ้าใช้นโยบายแบบนี้ คิดว่ามีโอกาสสูงที่ คะแนนสอบปลายภาคจะต่ำมากหรือเกิดการทุจริต
    • รู้สึกว่าแนวทางนี้คล้ายกับ “reasonable person principle” ของ CMU
      แก่นสำคัญคือแม้จะรู้ว่านักศึกษายังไงก็ใช้ AI กันอยู่แล้ว แต่ก็เชื่อใน ความตั้งใจเรียนและการพัฒนาตัวเอง
      ฉันเคยช่วยสอนวิชาคล้ายกันมาก่อน ถ้ามี AI ช่วยดีบักได้ นักศึกษาก็น่าจะครอบคลุมเนื้อหาได้มากขึ้นและโฟกัสกับส่วนที่น่าสนใจอย่าง การเขียน CUDA implementation ได้
      วิชาใหม่ครั้งนี้ดูน่าสนใจมากจริง ๆ และศาสตราจารย์ Zico ก็เป็นอาจารย์ที่ยอดเยี่ยม
    • คิดว่าวิธีนี้เหมาะสมที่สุด
      ใช้ AI เพื่อเพิ่มความเร็วในการทำความเข้าใจ และสุดท้ายก็ ประเมินผลโดยไม่มี AI ซึ่งดีต่อการทำให้การเรียนแน่นขึ้น
    • เมื่อก่อนอาจารย์ของฉันเคยใช้นโยบายที่ถ้าคะแนนการบ้านกับคะแนนสอบต่างกันมาก ก็จะไม่นับคะแนนการบ้านและ ตัดเกรดจากคะแนนสอบอย่างเดียว
      ตอนนั้นรู้สึกว่าไม่ยุติธรรม แต่พอมาคิดตอนนี้กลับเห็นว่าเป็นวิธีที่ยุติธรรมมาก
      ดูเป็นแนวทางที่เหมาะกับยุคนี้มากกว่า

  • ผู้สอนวิชานี้เป็นกรรมการบอร์ดของ OpenAI
    บทความที่เกี่ยวข้อง: Zico Kolter joins OpenAI’s board of directors

  • น่าเสียดายที่คำว่า ‘modern AI’ ดูเหมือนจะหมายถึงแค่ LLM
    AI สมัยใหม่จริง ๆ ครอบคลุม ขอบเขตที่กว้างกว่านั้นมาก ฉันเห็นแค่ชื่อวิชาก็หวังว่าจะได้เห็นโมเดล SOTA ที่หลากหลายกว่านี้
    ถึงอย่างนั้น วิชาของ CMU โดยทั่วไปก็มักยอดเยี่ยมอยู่แล้ว ดังนั้นก็น่าจะเป็นคอร์สที่ดี
    ถ้ามีสื่อการสอนที่ครอบคลุมสาขาอื่นด้วย ฉันสนใจมาก

  • ฉันเริ่มเรียนด้วยเวอร์ชันฟรีมาตั้งแต่ไม่กี่วันก่อน และต้องบอกว่า ระบบการบ้านยอดเยี่ยมมาก
    สามารถรันการทดสอบบนเครื่องตัวเองได้โดยตรง ทำให้เรียนรู้ได้ดีกว่าการนั่งฟังอย่างเดียวมาก
    แนะนำเต็ม 10/10

    • อยากรู้เรื่อง ทรัพยากรฮาร์ดแวร์ ที่ต้องใช้ทำการบ้าน
      ทำบนคอมพิวเตอร์ส่วนตัวได้เลยหรือมีสิทธิ์เข้าถึงคลัสเตอร์ให้ด้วย

  • สงสัยว่าวิชานี้เป็นคอร์สที่ดีไหม
    หรือมี คอร์สอื่นที่แนะนำ สำหรับการเรียนรู้หลักการทำงานของ LLM อย่างเป็นระบบหรือไม่

  • อยากถามคนที่ติดตามเรียนและทำการบ้านทุกชิ้นจริง ๆ
    ในความเป็นจริงต้องทุ่มเวลา กี่ชั่วโมงต่อสัปดาห์ ถึงจะเรียนจบได้

  • กำลังรอให้มี Postmodern AI ออกมา

    • ตอนนั้นเราอาจได้เรียน วิธีย่างแฮมเบอร์เกอร์ให้เก่งกว่า AI หุ่นยนต์ ก็ได้

  • น่าเสียดายที่ไม่มีเนื้อหาเกี่ยวกับ symbolic reasoning

    • นั่นอยู่ในหมวด “classical AI” มากกว่าในตอนนี้
    • หรือจะพูดว่าเป็น คนละขั้ว กับ modern AI เลยก็ได้
    • นั่นคงจะไปอยู่ในวิชา Post-modern AI ภาคการศึกษาฤดูใบไม้ร่วง มากกว่า
    • ตั้งแต่แรกแล้วนั่นไม่ใช่ AI

  • หวังว่าจะมีการ ตีพิมพ์ตำราเรียน ให้อ่านควบคู่กับวิดีโอสอน
    ถ้าออกมาเมื่อไรฉันจะซื้อทันที

  • ดีใจที่ได้เห็น การกลับมาของ Lisp และ Prolog

    • น่าเสียดายที่ไม่ได้รวมอยู่ในวิชานี้
      แต่ถึงอย่างนั้น Lisp และ Prolog ก็ยังมีประโยชน์อยู่เสมอ
      ถ้าจะเขียน neural network ตั้งแต่ต้น C ก็เหมาะดี และถ้าใช้ Python เชื่อมซับซิสเต็มเข้าด้วยกัน ก็เพียงพอจะสร้างระบบที่ซับซ้อนได้
    • ที่จริงแล้ว Lisp และ Prolog ไม่เคยตายหรือหายไปไหนอย่างสมบูรณ์
      พวกมันยังคงอยู่มาโดยตลอดแบบเงียบ ๆ ใน พื้นที่เฉพาะของตัวเอง
    • Prolog ในอีกรูปแบบหนึ่งก็ถูกเรียกว่า Erlang