解剖小龍蝦 — 以 OpenClaw 為例介紹 AI Agent 的運作原理（在新分頁開啟原站）
李宏毅以 OpenClaw（小龍蝦）為例，講解 AI Agent 的運作原理；課中有一段現場示範，用手機傳訊息給另一台筆電上的 agent「小金」。
109 萬次觀看
※ 摘要僅根據標題與說明
李宏毅
Hung-yi Lee ・ 59 筆內容 ・ 43.9 萬 訂閱
他的來源
最受歡迎
依人氣
※ 摘要僅根據標題與說明
Harness Engineering：有時候語言模型不是不夠聰明，只是沒有人類好好引導（在新分頁開啟原站）
李宏毅在影片中指出，語言模型有時不夠聰明，是因為缺乏人類引導。他透過分析模型內部機制，解釋了從單一神經元到整群神經元的運作原理，並探討如何讓模型展現內心世界。
15.8 萬次觀看※ 摘要僅根據標題與說明
【生成式AI時代下的機器學習(2025)】第二講：一堂課搞懂 AI Agent 的原理 (AI如何透過經驗調整行為、使用工具和做計劃)（在新分頁開啟原站）
李宏毅在 2025 年 3 月 9 日舉行的線上講座中，深入解構了 AI Agent 的核心原理。他透過 AlphaZero 案例，說明機器學習如何透過經驗調整行為，並探討 LLM 取得通用能力後，如何結合工具與計劃來執行任務。
46.3 萬次觀看※ 摘要僅根據標題與說明
【生成式AI時代下的機器學習(2025)】第一講：一堂課搞懂生成式人工智慧的技術突破與未來發展（在新分頁開啟原站）
李宏毅在 2025 年 2 月 23 日舉行的線上講座中，深入解析生成式 AI 技術的突破點與未來發展。他探討了從 Autoregressive Generation 到多策略並行的演進，並闡述了為何「通用模型」的定義在當前技術階段仍具模…
43.1 萬次觀看※ 摘要僅根據標題與說明
AI Agent (1/3)：核心技術 Context Engineering 基本概念解說（在新分頁開啟原站）
李宏毅在影片中解釋 AI Agent 的核心技術 Context Engineering，即如何透過上下文管理讓 AI 具備記憶與持續進化的能力。
11.6 萬次觀看※ 摘要僅根據標題與說明
- 9.8 萬次觀看
※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 2 講：上下文工程 (Context Engineering) — AI Agent 背後的關鍵技術（在新分頁開啟原站）
李宏毅在 2025 年公開講座中，深入解析生成式 AI 與機器學習如何透過上下文工程，讓 AI 具備理解與回應人類語境的關鍵能力。
17.6 萬次觀看※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
- 12.3 萬次觀看
※ 摘要僅根據標題與說明
最新內容
依發布時間
AI 要跨越盧比孔河了嗎？自我成長的 AI 離我們多遠 (下集)
李宏毅講解了 AI 如何自我成長，並指出若缺乏人類對目標的清晰定義，AI 可能產生目標不一致（Misalignment）的風險。他強調，即使 AI 能持續更新其行為策略，若更新規則固定或與人類真實需求脫節，仍可能導致失控。
2.7 萬次觀看- 4.7 萬次觀看
※ 摘要僅根據標題與說明
AI 能自我修正嗎？從 decoding、workflow 到 reasoning 的技術發展整理（在新分頁開啟原站）
李宏毅探討 AI 自我修正的技術演進，從 decoding 到 workflow 再到 reasoning，解析其發展歷程。
4 萬次觀看※ 摘要僅根據標題與說明
Harness Engineering：有時候語言模型不是不夠聰明，只是沒有人類好好引導（在新分頁開啟原站）
李宏毅在影片中指出，語言模型有時不夠聰明，是因為缺乏人類引導。他透過分析模型內部機制，解釋了從單一神經元到整群神經元的運作原理，並探討如何讓模型展現內心世界。
15.8 萬次觀看※ 摘要僅根據標題與說明
如何讓 Transformer 知道輸入 Token 的順序？Absolute、Relative、RoPE、到沒有 Positional Embedding（在新分頁開啟原站）
李宏毅教授解釋 Transformer 為何需要輸入順序，並對比 Absolute、Relative、RoPE 等位置編碼方式，說明為何現代模型已無 Positional Embedding。
2.6 萬次觀看※ 摘要僅根據標題與說明
加快語言模型生成速度 (2/2)：KV Cache（在新分頁開啟原站）
李宏毅教授在影片中探討語言模型生成速度提升的關鍵技術。他解釋了 KV Cache 的概念及其在加速推理過程中的重要性，並指出這對於理解現代大語言模型運作機制至關重要。
※ 摘要僅根據標題與說明
加快語言模型生成速度 (1/2)：Flash Attention（在新分頁開啟原站）
由李宏毅教授主講，介紹 Flash Attention 技術如何加速語言模型生成速度。該技術透過最佳化注意力機制的計算方式，顯著提升了 Transformer 架構在處理長序列時的效率。
3.3 萬次觀看※ 摘要僅根據標題與說明
- 9.8 萬次觀看
※ 摘要僅根據標題與說明
AI Agent (2/3): AI Agent 之間可以有什麼樣的互動（在新分頁開啟原站）
李宏毅在影片中指出，AI Agent 之間可以透過訊息傳遞與協同作業進行互動，讓它們像人類團隊般合作完成複雜任務。
5 萬次觀看※ 摘要僅根據標題與說明
AI Agent (1/3)：核心技術 Context Engineering 基本概念解說（在新分頁開啟原站）
李宏毅在影片中解釋 AI Agent 的核心技術 Context Engineering，即如何透過上下文管理讓 AI 具備記憶與持續進化的能力。
11.6 萬次觀看※ 摘要僅根據標題與說明
解剖小龍蝦 — 以 OpenClaw 為例介紹 AI Agent 的運作原理（在新分頁開啟原站）
李宏毅以 OpenClaw（小龍蝦）為例，講解 AI Agent 的運作原理；課中有一段現場示範，用手機傳訊息給另一台筆電上的 agent「小金」。
109 萬次觀看※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 10 講：語音語言模型發展史 (本課程前段內容為歷史回顧，2025 年的技術從 1:42:00 開始)（在新分頁開啟原站）
李宏毅教授在 2025 年回顧了語音語言模型的歷史發展，並指出 2025 年的技術已從早期的 1:42 分鐘開始。
※ 摘要僅根據標題與說明
- 8,220次觀看
※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 9 講：影像和聲音上的生成策略 — Diffusion/Flow-matching 系列和接龍 (Autoregressive) 這兩條世界線的交會（在新分頁開啟原站）
介紹 Diffusion/Flow-matching 系列與接龍 (Autoregressive) 兩種生成策略的交會。內容涵蓋影像與聲音上的生成方法，並探討如何將這兩條世界線結合，為讀者提供具體的生成策略實例。
3.1 萬次觀看※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 8 講：通用模型的終身學習 (Fine-tuning, Model Editing, Model Merging, Test-Time Training)（在新分頁開啟原站）
介紹通用模型的終身學習技術，涵蓋 Fine-tuning、Model Editing、Model Merging 及 Test-Time Training。內容聚焦於如何讓模型在持續運算中自我更新與最佳化，解決傳統訓練的瓶頸。
※ 摘要僅根據標題與說明
- 4 萬次觀看
※ 摘要僅根據標題與說明
- 4.2 萬次觀看
※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 5 講：一堂課搞懂機器學習與深度學習的基本原理 (案例：老師什麼時候要下課)（在新分頁開啟原站）
課探討生成式 AI 與機器學習的基礎原理，透過案例說明老師何時該下課。
※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
- 12.3 萬次觀看
※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 2 講：上下文工程 (Context Engineering) — AI Agent 背後的關鍵技術（在新分頁開啟原站）
李宏毅在 2025 年公開講座中，深入解析生成式 AI 與機器學習如何透過上下文工程，讓 AI 具備理解與回應人類語境的關鍵能力。
17.6 萬次觀看※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
【舊影片上傳】DNN Backpropagation (2015 年上課錄影)（在新分頁開啟原站）
李宏毅於 2015 年上傳的舊影片，內容為關於深度神經網路的後向傳播演算法，詳細解釋了如何透過反向傳播來更新模型參數。
5,300次觀看※ 摘要僅根據標題與說明
- 3.6 萬次觀看
※ 摘要僅根據標題與說明
【生成式AI時代下的機器學習(2025)】第十一講：今天你想為 Foundation Model 裝備哪些 Task Vector？淺談神奇的 Model Merging 技術（在新分頁開啟原站）
介紹生成式 AI 時代的機器學習，重點在於 Foundation Model 如何裝備 Task Vector，並淺談 Model Merging 技術。
※ 摘要僅根據標題與說明
【生成式AI時代下的機器學習(2025)】第十講：人工智慧的微創手術 — 淺談 Model Editing（在新分頁開啟原站）
探討生成式 AI 時代下，如何透過微創手術（Model Editing）來精修模型。
3 萬次觀看※ 摘要僅根據標題與說明
【生成式AI時代下的機器學習(2025)】第九講：你這麽認這個評分系統幹什麽啊？談談有關大型語言模型評估的幾件事（在新分頁開啟原站）
李宏毅在 2025 年探討生成式 AI 時代的機器學習，特別指出大型語言模型的評估標準存在問題。
※ 摘要僅根據標題與說明
【生成式AI時代下的機器學習(2025)】第八講：大型語言模型的推理過程不用太長、夠用就好（在新分頁開啟原站）
探討生成式 AI 時代下，大型語言模型的推理過程如何平衡效率與準確性，強調只需足夠的推理時間即可滿足需求，而非追求極致耗時。
2.6 萬次觀看※ 摘要僅根據標題與說明
【生成式AI時代下的機器學習(2025)】第七講：DeepSeek-R1 這類大型語言模型是如何進行「深度思考」（Reasoning）的？（在新分頁開啟原站）
探討生成式 AI 時代下，大型語言模型（如 DeepSeek-R1）如何透過深度思考機制提升推理能力。
※ 摘要僅根據標題與說明
【生成式AI時代下的機器學習(2025)】第六講：生成式人工智慧的後訓練(Post-Training)與遺忘問題（在新分頁開啟原站）
探討生成式 AI 時代後訓練與遺忘問題，解析模型如何從訓練後進入新階段。
4.5 萬次觀看※ 摘要僅根據標題與說明
