斯坦福这门深度学习课，作业不计分，考试让你猜实验结果

斯坦福2026秋季有一门CS 312，课名直译过来叫深度学习炼金术。X上有帖子提到，发帖者看到一些头部实验室的研究员在学，包括DeepMind、Pluralis、Sakana AI Labs。原帖链接：https://x.com/alacheng/status/2121534854521029060。课程官网：https://deep-learning-alchemy.github.io/。

这门课最反常的地方在评分。作业占0%，只用来在quiz里引用拿部分分。15%来自tutorial参与，85%来自7次quiz，7次里可以drop 2次。官网提前说明，这是5学分课，要跑大量实验，7次quiz不轻松，也不会调分。选课前最好想清楚。

授课的是Tatsunori Hashimoto和Suhas Kotha，CA是Tristan Thrush、Kaiyue Wen。课在周二、周四下午1:30到2:50，地点CoDa B90。录播和课程材料都会公开。

课程页把两个信念写得很清楚：Alchemy is learned by hand 和 Prediction is understanding。官网原话大意是，深度学习里有很多谜团，顶尖研究者也没完全搞懂；不少课教的 mental model 和实验经验对不上，比如经典 bias-variance tradeoff 和现在的 scaling 时代不一致。所以这门课让学生自己设计干净实验，先对现象建立直觉。考试则反过来，给你一个没跑过的实验，让你预测结果。

Quiz是40分钟的实验预测。题目会给实验描述，包括代码diff，学生要预测这个实验会得到什么结果。不能查外部资料，连自己的报告也不能翻，但可以在答案里引用报告，推理靠谱能拿部分分。示例题里，有一道是拿depth 8 transformer做leave-one-out ablation，比较去掉prenorm、residual、MLP、attention、positional embeddings之后的loss排序。还有一道更硬的，把residual改成前一层和再前一层各取0.5，预测loss差。官网自己提醒，这两道都难，没跑实验没直觉很正常。

作业主题也具体。前5个作业围绕小规模语言模型预训练，从超参和scaling、优化器、loss landscape，到深度稳定性、模型容量。第6个作业换到DNA。作业不评分，但会逼你跑实验、画图、写报告。每周还有30分钟tutorial，每个学生要和另外三个学生加一个课程staff见面，聊正在跑的实验，做quiz练习题。tutorial参与拿满15%。

这门课允许用AI工具做作业，实现、可视化、模拟quiz都行。但quiz不能带外部资源。这个设计有点讽刺：大部分课怕学生用AI写作业，这门课把作业权重调到0，然后用quiz确认人脑子里还剩多少直觉。

对AI从业者，这课解决一个日常痛点：调参和改架构常靠手感，手感又说不清。课程把直觉拆成可预测的实验题。对普通读者，炼金术在这里指实验直觉，不是骂人。课程也说不要求先学透深度学习，作业自带脚手架，但开头会更累。数学要会微积分、线性代数、基础概率统计，代码用Python。

在家跟课需要GPU。课程页写，d8训练常用单张NVIDIA H100，在Modal上跑。2026年10月2日的公开价格是H100 SXM5每小时3.95美元，按秒计费，Starter计划每月含30美元额度。Modal赞助了这门课的算力。课程材料公开，想跟的人可以自己跑。

适合谁：想补实验直觉的AI从业者，愿意把调参手感变成可检验问题的人。不适合谁：想学反向传播实现细节、想要轻松学分、或者只想看理论综述的人。quiz考的是预测，不是背书。