收藏了卻跑不動？6 萬星免費 AI 課 ai-engineering-from-scratch，455 支程式逐一實測
重點摘要
- ai-engineering-from-scratch 有 523 個課程資料夾，其中 455 課附 Python 程式；完全不裝任何套件時，367 支（80%）能直接跑完，全部跑完約 38 秒。
- 只多裝 numpy 後，390/455 支（85%）能跑；剩下的失敗大多是需要 PyTorch 的 52 課，官方 requirements.txt 列的 18 個套件多數課用不到。
- 「反向傳播」課完全不用套件，純 Python 約 14 秒把 80 個訓練點的圓內／圓外分類練到 100% 正確；「迷你 GPT 預訓練」課約 2 秒跑完但生成結果是亂碼，課程文件已說明輸出品質不是重點。
- 523 課講義全部只有英文，中文只有一份社群翻譯的簡體首頁 README。
- 結論： 八成課程不用安裝就能跑，適合想用純 Python 看懂 AI 原理的人，但講義全英文，想快速做出 AI 工具的人會覺得太繞。
- 適合： 看得懂英文、想理解神經網路與反向傳播等底層原理的自學者。
- 不適合： 只想直接用 AI 完成工作、或不想碰程式與英文的人。
| 實測項目 | 結果 |
|---|---|
| 課程資料夾／附 Python 程式 | 523／455 |
| 零安裝跑成功 | 367/455（80%），全部約 38 秒 |
| 只裝 numpy 跑成功 | 390/455（85%） |
| 裝 numpy 後仍失敗主因 | 需要 torch 52 課 |
| 官方 requirements.txt | 18 個套件 |
| 反向傳播課（純 Python） | 約 14 秒，80 個訓練點 100% 正確 |
| 迷你 GPT 預訓練課 | 約 1.7 秒，loss 5.57→5.06，輸出亂碼 |
| 講義語言 | 523 課只有英文 |
想自學 AI 的人，書籤裡大概都躺著幾套「從零開始」的課。常見的劇本是：打開第一課，看到要先裝 PyTorch、CUDA、Jupyter，光是環境就搞一個晚上，然後這套課就再也沒打開過。
這週 GitHub 上竄紅的 rohitg00/ai-engineering-from-scratch（一週多了約 5 千星，總數 6 萬多星）號稱 523 課、20 個階段、約 342 小時，「每一課都從零手刻」。我們沒有只看 README，而是把它所有附程式的課一支一支實際跑過，看看到底有多少課是「下載下來就能跑」。
測試設備：Mac mini M4 Pro（12 核、64GB），Python 3.12；受測版本為 2026-10-05 的 main 分支（commit 5b5ab48）。
怎麼測
課程放在 phases/ 底下，每一課是一個資料夾，有程式的課會附 code/main.py。先數一下規模：
git clone https://github.com/rohitg00/ai-engineering-from-scratch
cd ai-engineering-from-scratch
ls -d phases/*/*/ | wc -l # 523 個課程資料夾
find phases -name main.py | wc -l # 455 課附 Python 程式
接著寫一支小腳本，對 455 個 main.py 逐一執行：每支在自己的資料夾裡跑、上限 20 秒、不給任何輸入、4 支同時跑，最後統計結束碼為 0 的數量，並把失敗原因分類（缺哪個套件、超時、其他錯誤）。
要先說清楚判讀方式：這個測試只回答「能不能跑完」，沒有逐課核對輸出內容對不對。超過 20 秒的課多半是訓練迴圈比較久，不代表程式壞掉。
結果：不裝任何套件就有八成能跑
| 條件 | 跑成功 | 比例 | 全部跑完 |
|---|---|---|---|
| 什麼套件都不裝（只有 Python 標準函式庫） | 367 / 455 | 80% | 38 秒 |
| 只多裝 numpy | 390 / 455 | 85% | 約 70 秒 |
零安裝時失敗的 88 支，原因是：缺 numpy 54 支、缺 torch 28 支、其他錯誤 4 支、超時 1 支、缺 langchain_anthropic 1 支。
裝了 numpy 之後，剩下的失敗幾乎都是 PyTorch：52 課需要 torch（主要集中在電腦視覺等階段），另外 scipy、langchain_anthropic 各 1 課，還有兩課在執行時直接提示要先裝 zstandard、h5py。
換句話說，官方 requirements.txt 列了 18 個套件（torch、torchvision、transformers、anthropic、openai……），但前面大部分的課根本用不到。照官方一次裝完反而是最慢的開始方式；比較實際的做法是先什麼都不裝，跑到哪一課缺什麼再裝。
# 先不裝，直接跑一課看看
cd phases/03-deep-learning-core/03-backpropagation/code
python3 main.py
# 卡到 numpy 再裝
pip install numpy
最驚喜的一課：純 Python 手刻反向傳播
「反向傳播」這課（phases/03-deep-learning-core/03-backpropagation）整支程式只 import 了 math 和 random，grep -c numpy main.py 結果是 0。它自己實作了自動微分的 Value 物件、神經元、多層網路，先解 XOR，再訓練一個「點在圓內還是圓外」的分類器。
實測約 14 秒跑完：XOR 四組輸入全部答對；圓形分類在 80 個訓練點上，loss 從第 0 輪的 17.13 降到第 1800 輪的 0.0132，正確率 100%。要注意這個 100% 是在訓練資料上算的，不是另外的測試集。對想真正看懂「反向傳播到底在算什麼」的人，這種不藏在框架後面的寫法很有價值。
會讓人失望的一課：迷你 GPT 吐出亂碼
「從零預訓練迷你 GPT」這課（phases/10-llms-from-scratch/04-pre-training-mini-gpt）用 numpy 實作 4 層、4 頭、83 萬參數的小型 GPT，拿 876 個 byte 的英文段落訓練 200 步。單獨跑約 1.7 秒，loss 從 5.57 只降到 5.06，最後用「The transformer」接著生成，出來的是一串亂碼。
這不算 bug：課程文件自己就寫了，小資料、小模型的輸出「頂多半通順」，重點是能追蹤 embedding、注意力、softmax 到取樣的每一步。但如果你期待跑完會看到一個會講話的小模型，會落空。
另外一個小觀察：這課在 4 支同時跑的批次測試中超過了 20 秒，單獨跑卻不到 2 秒，推測是 numpy 多執行緒互相搶 CPU。批次測試裡「超時」的課，單獨重跑可能就沒事。
語言門檻
find phases -path '*/docs/*' -name en.md | wc -l # 523
find phases -path '*/docs/*' -name 'zh*' | wc -l # 0
523 課的講義全部只有英文。i18n/ 底下雖然有 12 種語言，包括中文，但都只是首頁 README 的社群翻譯，中文版是簡體。看不太懂英文的人，可以搭配翻譯工具讀，但要有心理準備。
結論
我會推薦給看得懂英文、想搞懂 AI 底層原理的人：八成的課不用裝任何東西就能跑，很多經典概念是純 Python 手刻，比直接呼叫框架更容易看懂。
但如果你的目標是趕快做出一個能用的 AI 工具，這套課太繞了；後段的大型模型課也大多需要 PyTorch，前面的「零安裝」優勢會消失。
- 適合：想理解神經網路、注意力、反向傳播原理，願意讀英文講義的人。
- 不適合：只想直接用 AI 完成工作、或完全不想碰程式和英文的人。
專案連結：https://github.com/rohitg00/ai-engineering-from-scratch（MIT 授權）