斯坦福这堂AI课，根本不教怎么调模型

斯坦福一节2小时的公开课，没讲怎么调大模型API，也没教“请用专业语气回答”这类提示词技巧。它直接把学生扔进AI系统上线后的真实战场。

讲师打开真实的工程看板：数据分布一旦偏移，团队立刻冻结模型版本，同时启动三组验证——回溯业务指标、扫描特征稳定性、抽检人工样本。学生得学会看Prometheus监控曲线，分清是模型退化还是流量突增。两者的修复路径完全相反。凌晨三点，一个刚上线的推荐模块可能突然把冷门商品曝光量推高十倍。没人知道这是模型发现了新规律，还是训练数据混进了爬虫日志。

技术架构也在快速迭代。讲师展示一张被反复涂改的架构图：最初用微服务封装推理逻辑，两周后换成函数即服务（FaaS），五天后又切回轻量级容器。原因很简单——延迟敏感模块需要确定性调度，批处理任务则要抢空闲GPU。所谓技术选型，本质是在实时性、成本和可维护性之间动态权衡。没有标准答案。

课程视频在01:17:33处，讲师暂停PPT问学生：“如果这个指标异常，但A/B测试显示转化率上升，你该回滚吗？”

当很多人还在争论该用哪个大模型时，这门课已经把重心放在系统上线后的不确定性应对上。忽视持续监控和快速归因，企业可能在模型悄悄失效时毫无察觉。AI不是一次性部署的工具，而是一个需要持续校准的活体系统。