記憶與序列建模 —— RNN、LSTM 與梯度消失／爆炸｜MIT 6.7960 第 10 堂
RNN 沿時間傳遞隱狀態，梯度連乘可能衰減或放大；LSTM 以門控制 cell state 的保留與更新，改善長程訊號傳遞但不保證穩定。Self-attention 縮短位置間的資訊路徑，單層 dense attention 的總計算仍隨序列長度平方成長。
tech
529 篇文章表示學習（重建式）—— 自編碼器、VQ 與自監督｜MIT 6.7960 第 11 堂
表示學習的目標是把原始資料壓成「好用」的向量：自編碼器用重建逼出有意義的潛空間，VQ 把連續表示離散化成碼本，自監督則用『遮住一部分再重建』來免費產生監督訊號。
表示學習（相似性式）—— 度量學習、對比學習與 InfoNCE｜MIT 6.7960 第 12 堂
相似性式表示學習不重建輸入，而是直接塑造潛空間的幾何：讓同類表示靠近、異類推遠。InfoNCE 把這件事寫成『在一堆負樣本裡認出正樣本』的分類問題，而 alignment / uniformity 給了它可解釋的評價指標。
表示學習的理論視角 —— 歸納偏置、高斯過程與 NN–GP 對應｜MIT 6.7960 第 13 堂
把網路變寬到極限，它的隨機初始化輸出會變成一個高斯過程（NN–GP），而訓練動態則由神經切線核（NTK）固定下來。這套理論不只能用來分析，還反過來指導我們設計『對的歸納偏置』。
生成模型基礎 —— 密度／能量模型、GAN、自回歸與擴散｜MIT 6.7960 第 14 堂
生成模型本質是在學資料的分佈 p(x)。密度模型直接建模機率，能量模型用一個未歸一化勢能 + 採樣器，GAN 讓判別器逼出逼真樣本，自回歸一步步預測下一個 token，擴散則用『逐步加噪再學去噪』繞開棘手的最大似然。
變分自編碼器（VAE）—— ELBO、再參數化技巧與潛變數表示｜MIT 6.7960 第 15 堂
VAE 的核心是 ELBO + 再參數化：把 log p(x) 替成 E_q[log p(x|z)] − KL(q(z|x)‖p(z))，encoder 輸出 μ/σ 用 z = μ + σ⊙ε（ε ~ N(0,1)）讓採樣可反向傳播。訓練 = 重構 + KL 兩項拉扯，由此衍生 β-VAE、posterior collapse、VQ-VAE 等修正。
條件生成模型（Conditional Generative Models）—— cGAN、cVAE 與 Classifier-Free Guidance｜MIT 6.7960 第 16 堂
條件生成的關鍵是「把 y 餵進模型」：cGAN 在 G/D 拼接 y，cVAE 把 y 當額外輸入進 encoder/decoder；擴散模型時代，Classifier Guidance 用外部分類器梯度把生成推向指定類別，Classifier-Free Guidance 則同訓練 conditional + unconditional 並在推論時線性組合兩者——後者是 Stable Diffusion / Imagen 的標準武器。
out-of-distribution 泛化 —— 領域偏移、虛假相關、與三條實務對策｜MIT 6.7960 第 17 堂
OOD 失敗不是 bug，是 i.i.d. 假設破掉：covariate shift（影像風格變了）、label shift（類別比例變了）、concept shift（同一個詞意思變了）各有對應的應對方式；最常見的原因是模型抓了『虛假相關』（用草原當牛的存在訊號），IRM 與 domain randomization 想從訓練資料結構本身把這件事修掉，test-time adaptation 在推論時即時修正。
遷移學習（Transfer Learning）—— 預訓練、特徵抽取、與微調策略｜MIT 6.7960 第 18 堂
遷移學習的核心是『在大資料上學到的特徵是好的通用表示』：下游任務資料少時，把 backbone 凍住只訓練線性 head；資料夠就全模型微調；想省算力就上 LoRA / adapter。SimCLR、MAE 這類自督導預訓練讓『上游不需要標籤』，下游表現又上一層樓。
現代 CNN 架構 —— ResNet、EfficientNet、ConvNeXt｜MIT 6.7960 主題單元
ResNet 用殘差連接解決退化問題，讓網路能堆到 100+ 層；EfficientNet 複合縮放平衡深度/寬度/解析度；ConvNeXt 吸收 Transformer 設計重奪 CV 王座。
沙箱作為獨立商業產品：Modal $300M ARR 啟示
沙箱系列的商業篇（order 27）。Modal 沙箱從功能變成 $300M–$1B 年化運營率的獨立產品線，說明沙箱如何從「功能」變成「產品」，定價與包裝策略，以及對自建與託管決策的啟示。
金融/醫療合規與沙箱審計
沙箱系列的安全篇（order 24）。金融與醫療等受管行業用沙箱要符合什麼合規要求（SOC 2、HIPAA、GDPR、ISO 27001），審計怎麼做，資料主權與跨境限制。
沙箱成本模型：wall-clock vs active-CPU 計費
沙箱系列的成本篇（order 26）。比較 wall-clock 與 active-CPU 兩種計費模式，各隔離層級成本差異，以及如何估算月成本與避免隱藏費用。
沙箱生命週期管理：暫停、快照、休眠與恢復
沙箱系列的業務篇（order 28）。沙箱生命週期管理：暫停（pause）、快照（snapshot）、休眠（hibernation）、恢復（resume）的概念、實作方式、與長任務的適用場景。
沙箱可觀測性與審計軌跡
沙箱系列的安全篇（order 23）。沙箱執行的工具呼叫、檔案操作、網路請求如何建立可審計軌跡，trace-level 可見度、immutable 日誌、SIEM 整合，以及委譲鏈身份落差。
AI Agent 雲端沙箱產品全景與選型矩陣
沙箱系列的雲端全景篇（order 7）。彙整 E2B、Daytona、Runloop、Vercel、Cloudflare、Modal、AWS Bedrock AgentCore、阿里雲 OpenSandbox、Azure Container Apps 九家雲端沙箱供應商的定位、定價、冷啟動、隔離強度與適用場景，附選型決策矩陣。
沙箱系列導讀：AI Agent 執行環境閱讀地圖
「沙箱系列」的總覽導讀（order 0）。說明 AI agent 執行不可信程式碼時該跑在哪一層隔離環境、選哪家供應商、以及怎麼設定權限、憑證與網路邊界；詳細技術內容分散在八個子系列，這篇只做導覽。
為什麼不能直接讓 agent 跑在你的機器上
沙箱系列的動機篇（order 1）。讓 AI agent 執行不可信程式碼時，直接風險包括資料外洩、權限提權、橫向移動、供應鏈中毒、持久性後門——沙箱不是可選加購，而是第一道防線。
開學前先做這 4 題，卡哪題就先補哪裡｜Harvard CS181 作業 0
HW0 用四題檢查 CS181 的先修：矩陣 y=Xw 的可解條件、目標函數的微分與優化、機率推理，以及用 Python 實作 OLS。做不順的地方就是開學後要優先補的缺口。
冰芯溫度迴歸 — kNN、核迴歸、基底函數與正則化四題導讀｜Harvard CS181 作業 1
HW1 用 80 萬年冰芯溫度資料串起四題：kNN 與核迴歸、最小平方法的幾何證明、基底函數迴歸、以及從機率觀點推出 ridge／LASSO 正則化，最後用 coordinate descent 實作 LASSO。