6.12 2026年：从零手写神经网络还有意义吗
今天的AI生态和2015年已经完全不同。一个现实的问题摆在每个学习者面前：该投入多少精力学”从零搭建神经网络”？
6.12.1 三种需求层次
层级一：调用API
你只需要知道怎么发HTTP请求，把prompt送进去，把结果拿回来。不需要理解模型内部结构。适合做产品开发、业务集成的工程师——你的价值在产品和业务逻辑，不在模型本身。
层级二：微调预训练模型
你需要理解模型结构（至少知道哪些层可以冻住、哪些需要训练），理解损失函数、学习率、batch size等概念。但不需要从头设计网络架构。LoRA、QLoRA等技术的出现已经让微调变得非常标准化。适合需要定制模型行为的AI工程师——你的价值在数据和任务适配。
层级三：从零训练
你需要深刻理解网络架构设计、权重初始化、激活函数选择、优化器配置、分布式训练、混合精度、梯度累积等全套技术。适合做前沿模型研发的研究员和工程师——你的价值在突破技术边界。
6.12.2 三种场景对比
| 维度 | 调用API | 微调 | 从零训练 |
|---|---|---|---|
| 所需算力 | 一台笔记本 | 1-8张GPU | 数百到数千张GPU |
| 所需数据 | 零训练数据 | 几百到几万条标注 | TB到PB级 |
| 训练成本 | $0-100/月（API费） | $100-5000 | $10万-1亿美元 |
| 需要理解神经网络的深度 | 了解概念即可 | 理解训练流程 | 精通全部细节 |
| 典型工程师 | 全栈/产品工程师 | ML工程师/AI应用工程师 | 研究科学家/算法研究员 |
| 在2026年AI从业人员中的占比 | ~70% | ~25% | ~5% |
6.12.3 理解原理的价值
即使你的工作只需要调用API，理解神经网络原理仍然有三大价值：
1. 调试：当模型输出不对劲时，知道”可能是temperature太高”还是”prompt需要调整”还是”这个任务本身不适合当前模型”，能让你少走很多弯路。不理解原理的工程师遇到问题只会反复试prompt，理解原理的工程师能定位问题根因。
2. 创新：所有”新架构”都是旧组件的新组合。MoE（Mixture of Experts）就是多个子网络的稀疏激活，Flash Attention就是利用GPU内存层次优化注意力计算。不理解基础组件，你无法判断一个新技术是真的突破还是炒作。
3. 面试：如果你的目标是加入AI公司做核心研发，神经网络基础是面试必考题。手写反向传播、推导梯度下降、解释权重初始化的选择——这些不是”八股文”，而是面试官判断你是否真正理解模型行为的试金石。
Ch11会带你从API调用走向微调，Ch09会带你从黑盒走向内部结构。无论你最终停在哪个层级，理解本章的内容都是地基。
← 上一节：6.11 学习率调度的艺术 ｜ 下一节：章首 →