芝加哥大学最新开设的《大语言模型》课程（CMSC 25750/35750）不仅是一次技术教学，更是一场关于AI本质的深度探索。在模型能力日新月异的今天，我们不仅要学会如何“使用”LLM，更要理解它们如何运作、如何确保其行为符合预期，以及如何在其之上构建可靠的系统。

这门课程由 Chenhao Tan 教授主理，其核心逻辑紧扣当前LLM研究的三大终极命题：可解释性、对齐与智能体。

1. 破译黑盒：可解释性（Interpretability）
我们正处于从“炼丹”转向“科学”的关键节点。课程通过分析电路（Circuits）和内部表示，带领学生深入探索稀疏自编码器（SAEs）与线性表示的几何结构。这不仅是技术上的拆解，更是对机器逻辑的底层重构。
金句：理解模型不是为了消除神秘，而是为了在透明的基础上建立信任。

2. 驯服力量：对齐（Alignment）
当模型展现出涌现的失调（Emergent Misalignment）或谄媚行为（Sycophancy）时，简单的微调已不足够。课程深入探讨可扩展监督（Scalable Oversight）与潜伏代理（Sleeper Agents）等前沿课题。
金句：对齐不是约束，而是确保人工智能在通往强大的道路上，始终不偏离人类价值的轨道。

3. 赋予行动：智能体（Agents）
LLM不再仅仅是对话框，它们正成为软件工程、科学研究乃至模拟人类行为的自主智能体。课程探讨了LLM如何作为研究助手，以及它们在复杂决策中如何与人类互补。
金句：智能体的出现，标志着AI从“知者”向“行者”的跨越。

课程的独特之处：
- 批判性思维：特有的“Roast or Toast”环节，要求学生要么辛辣地拆解一篇论文（Roast），要么为其提出富有想象力的扩展（Toast）。
- 拥抱不确定性：在科研中，证据往往是不完整的。课程强调在不完整的经验证据中分析、解释并构建论点的能力。
- 实战导向：50%的分数由长达一个季度的研究项目决定。课程鼓励使用 Claude Code、ChatGPT 等工具，甚至推荐使用 NeuriCo 辅助项目开发。

这门课向我们传达了一个深刻的信号：在AI时代，最核心的竞争力不再是记忆代码，而是对复杂系统的洞察力，以及在迷雾中通过实验寻找真理的科学素养。

课程详情参考：uchicago-llm-course.github.io

在这个黑盒逐渐透明的过程中，我们不仅在构建工具，更在审视智能本身的边界。