Зачем этот курс, что такое «китайская линза», что вы построите к концу пути и как устроены острова, ступени, модули, уроки и домашние работы.
ChinaAI — путь от первой строки на Python до собственной языковой модели. Вы её обучите, дообучите, развернёте как сервис и построите на ней агента. Весь курс на русском, каждый шаг проверяется автоматически, а самые интересные инженерные идеи последних лет разобраны с «китайской линзой».
Курс рассчитан на взрослого, который учится сам по вечерам и начинает с полного нуля: никогда не программировал и подзабыл школьную математику. Первые модули объясняют всё с самого начала: что такое программа, как открыть терминал, как написать первую строку на Python, как читать формулы. Пошаговый маршрут для новичка — в разделе «Маршрут с нуля». Если какая-то часть вам уже знакома, входная диагностика подскажет, что можно пропустить.
| Проблема | Что делает курс |
|---|---|
| Курсы по LLM ждут, что вы уже программируете и знаете математику | Начинает с первой строки на Python и со школьной математики: функции, степени, логарифмы, чтение формул |
| На русском мало актуального о современных LLM: претрейн, RL для рассуждений, инференс, агенты | Ведёт до уровня 2026 года: MLA, MoE, FP8, GRPO, vLLM, MCP |
| Сильные китайские материалы закрыты языковым барьером | Пересказывает и адаптирует их на русском, со ссылками на оригиналы |
| Материалов много, но нет маршрута: непонятно, что учить, в каком порядке и где «достаточно» | Даёт одну последовательную программу с оценкой времени и порогами перехода |
| Чтение без практики не даёт навыка | В каждом уроке есть код, в каждом модуле — проверяемое задание, на каждой ступени — проект |
Китай — второй мировой центр силы в AI. Значительная часть самых сильных открытых моделей последних лет — DeepSeek, Qwen, Kimi, GLM, MiniMax — сделана там. Их веса можно скачать, а техотчёты подробно описывают, как модели устроены и обучены. Многие ключевые идеи последних лет тоже пришли оттуда:
| Идея | Откуда | Какую проблему решает | Где в курсе |
|---|---|---|---|
| MLA — сжатие ключей и значений внимания в общий латентный вектор | DeepSeek-V2 | KV-кэш занимает в разы меньше памяти | модуль 5.2 |
| DeepSeekMoE — много мелких экспертов плюс общие | DeepSeek | Эксперты лучше специализируются, а вычисления на токен те же | модуль 5.3 |
| FP8-обучение и Multi-Token Prediction | DeepSeek-V3 | Обучение дешевле, больше обучающего сигнала с каждого токена | модуль 5.4 |
| MuonClip — стабильное обучение с оптимизатором Muon | Kimi K2 (Moonshot AI) | Нет «взрывов» логитов внимания на больших масштабах | модуль 5.4 |
| Разреженное внимание: NSA и DSA | DeepSeek | Длинный контекст: каждый токен смотрит не на все прошлые, а на отобранные | модуль 5.5 |
| Гибриды линейного и обычного внимания: Lightning Attention, слои Gated DeltaNet | MiniMax-01, Qwen3-Next | Длинный контекст без квадратичной цены по памяти и времени | модуль 5.5 |
| GRPO и путь R1 | DeepSeekMath, DeepSeek-R1 | RL для рассуждений без отдельной модели-критика | модуль 6.4 |
Если эти названия пока ничего вам не говорят, так и должно быть: каждое подробно объясняется в своём модуле.
Не все эти идеи родились в Китае целиком. Оптимизатор Muon придумал Келлер Джордан, а Moonshot AI масштабировал его до модели на триллион параметров (Kimi K2). Gated DeltaNet — работа NVIDIA и MIT, а Qwen построил на ней гибридную архитектуру. Но довели эти идеи до больших открытых моделей и подробно описали в техотчётах именно китайские лаборатории.
Механику большинства этих идей вы реализуете сами в учебном масштабе: на NumPy прямо в браузере или на PyTorch в домашних работах.
Модели и идеи
Разбираем техотчёты DeepSeek, Qwen, Kimi, GLM и MiniMax и повторяем ключевые приёмы своими руками. Сквозной трек «Китайская линза» из 10 уроков: экосистема и открытые веса, почему китайские модели такие эффективные, управляемое чтение техотчётов DeepSeek-V3 и R1, Kimi, Qwen и GLM.
Учебные материалы
Datawhale, «Погружение в глубокое обучение» (d2l-zh), лекции Ли Хунъи, MiniMind, nndl/llm-beginner, лагерь InternLM. Большая часть этого написана и снята на китайском, а русских пересказов почти нет. Курс пересказывает и адаптирует эти материалы с атрибуцией и ссылками на оригиналы.
Методики китайской школы
Тетрадь ошибок, куда сами попадают ошибки из квизов. Отметка о занятиях — календарь занятий с недельной целью. Спиральная программа, пороги Simple → Boss, «острова» по образцу InternLM Camp. Как это устроено — на странице «Как учиться», откуда это взялось — в уроках «Как Китай учит ИИ» и «Учиться по-китайски».
Линза, а не шоры
Базу берём лучшую из любых источников: Stanford CS336, видеолекции Андрея Карпатого и 3Blue1Brown, Hugging Face, Dive into Deep Learning. Китайский угол — дополнительный слой, а не замена.
К концу курса у вас будет портфолио из одиннадцати проектов. За каждым стоит домашняя работа с автотестами (у P9 — выпускной проект). P1–P9 покрывают полный цикл жизни LLM, а P10–P11 из ступени «Профессия» показывают, что вы умеете работать как инженер: воспроизводить статьи и проектировать сервис с расчётами:
| # | Проект | Что доказывает | Где |
|---|---|---|---|
| P1 | Свой автоград (micrograd) и MLP на нём | Понимание backprop «до последней производной» | 3.2 · s3-hw01-micrograd |
| P2 | BPE-токенизатор, обученный на русском корпусе | Понимание токенизации и её влияния на модель | 4.2 · s4-hw01-bpe-tokenizer |
| P3 | GPT с нуля на русском тексте (в стиле nanoGPT и MiniMind) | Трансформер и цикл обучения | 4.6, 5.6 · s4-hw03-gpt-pytorch, s5-hw02-tiny-llm-pretrain |
| P4 | Мини-модель с MLA и MoE по мотивам DeepSeek-V3 | Современная архитектура и «китайские» идеи | 5.2–5.3 · s5-hw01-moe-mla |
| P5 | LoRA-дообучение открытой модели под русскую задачу | Пост-трейнинг на практике | 6.2 · s6-hw01-lora |
| P6 | Рассуждения через GRPO на задачах с проверяемым ответом | RL для рассуждений по мотивам R1-Zero | 6.4 · s6-hw02-grpo |
| P7 | Сервис инференса: квантование, vLLM/SGLang, бенчмарк | Инженерия инференса | 7.1–7.2 · s7-hw01-quantization |
| P8 | RAG по русским документам и агент с инструментами | Прикладные системы на LLM | 8.2–8.3 · s8-hw01-rag, s8-hw02-agent |
| P9 | Выпускной проект: своя мини-LLM end-to-end | Полный цикл: претрейн → SFT → RL → деплой → агент | 10.1 |
| P10 | Воспроизведение статьи: гроккинг на модульной арифметике | Умение довести статью до своих чисел и честного отчёта | 11.4 · s11-hw06-grokking |
| P11 | Проект LLM-сервиса с расчётом мощностей и стоимости | Проектирование ML-систем, оценки «на салфетке» | 11.2 · s11-hw04-capacity |
Как выбрать из них 3–4 проекта под целевую роль и превратить их в резюме, README и рассказ на собеседовании — в уроке 11.3.6. Готовы ли вы к первой работе, покажет чек-лист урока 11.4.5.
А вместе с проектами вы научитесь:
Курс разбит на шесть островов. Идея взята из китайского учебного лагеря по большим моделям InternLM Camp: там путь от новичка до инженера нарисован как карта островов, и на каждом острове свои задания. Остров — это законченный этап: после него вы умеете что-то цельное, и это можно отметить.
flowchart TB L0["L0 · Вход — ступень 0<br/>Python, NumPy, Git, окружение"] L1["L1 · Фундамент — ступени 1–3<br/>математика, ML, нейросети · P1"] L2["L2 · Трансформер — ступени 4–5<br/>токенизация, GPT, MLA, MoE · P2–P4"] L3["L3 · Пост-трейнинг и системы — ступени 6–7<br/>SFT, LoRA, GRPO, инференс · P5–P7"] L4["L4 · Приложения и фронтир — ступени 8–10<br/>RAG, агенты, выпускной · P8–P9"] L5["L5 · Профессия — ступень 11<br/>работа «как на работе», ML system design, собеседования · P10–P11"] L0 --> L1 --> L2 --> L3 --> L4 --> L5
| Остров | Ступени | Часов | После острова вы умеете |
|---|---|---|---|
| L0 · Вход | 0 | ~27 | Писать на Python и NumPy, работать в терминале и Git, сдавать домашние работы |
| L1 · Фундамент | 1–3 | ~93 | Считать градиенты, понимать вероятности и cross-entropy, собрать и обучить нейросеть с нуля и на PyTorch |
| L2 · Трансформер | 4–5 | ~104 | Написать GPT с нуля, объяснить MLA, MoE и FP8, обучить свою мини-LLM |
| L3 · Пост-трейнинг и системы | 6–7 | ~48 | Дообучить открытую модель (SFT, LoRA, DPO, GRPO), квантовать её, поднять сервер и честно оценить |
| L4 · Приложения и фронтир | 8–10 | ~92 | Строить RAG и агентов, следить за фронтиром, собрать выпускной проект |
| L5 · Профессия | 11 | ~108 | Работать с грязными данными и чужим кодом, разбирать инциденты, проектировать ML-системы, пройти собеседование, расти после курса |
Внутри острова — ступени, внутри ступени — модули, внутри модуля — уроки:
| Уровень | Сколько | Длительность | Чем заканчивается |
|---|---|---|---|
| Остров | 6 | от 3 недель до 3 месяцев | Ретроспектива в журнале, экспорт прогресса, тег в Git |
| Ступень | 12 (от 0 до 11) | 1–6 недель («Профессия» — 3–4 месяца) | Обычно домашняя работа или проект ступени |
| Модуль | 51 | от пары вечеров до двух недель (выпускной и модули «Профессии» — 2–4 недели) | В 22 модулях — домашняя работа с автотестами (всего их 25), в остальных — квизы уроков |
| Урок | 170 + 10 уроков трека «Китайская линза» | 1–3 часа | Квиз «Проверь себя» и карточки для повторения |
Вот все ступени. Часы и число уроков считаются прямо из программы курса:
Сумма по модулям программы — около 490 часов, из них около 110 — ступень «Профессия». При 8–10 часах в неделю ступени 0–10 займут 36–45 недель чистого времени, а с повторением, домашними работами «на вырост» и неделями отдыха — 9–12 месяцев. Если вы начинаете с полного нуля, первые ступени почти наверняка займут больше заложенного. Ступень «Профессия» — ещё 3–4 месяца; её можно начинать параллельно со ступенями 8–10. При 5–6 часах в неделю весь путь займёт около двух лет. Если же диагностика позволит пропустить часть ступеней, путь станет короче.
Если вы никогда не программировали, идите строго по порядку и ничего не пропускайте. Первые пять модулей — мост от «что такое программа» до «читаю формулу из статьи». Диагностика на этом отрезке не нужна: он написан как раз для вас.
| Шаг | Модуль | Часов | Что вы получите |
|---|---|---|---|
| 1 | 0.0 «Самое начало» | 4 | Карту местности: что такое ИИ, ML и LLM, как компьютер выполняет программу, как учиться программированию и не бросить |
| 2 | 0.1 «Рабочее окружение» | 3 | Терминал, Git и Python на вашем компьютере, первое задание с автопроверкой |
| 3 | 0.2 «Python с нуля» | 14 | Путь от первой программы до мини-проектов: переменные, условия, циклы, функции, классы, файлы, отладка |
| 4 | 0.3 «NumPy — язык тензоров» | 6 | Массивы и векторизация. Первая домашняя работа s0-hw01-python-warmup |
| 5 | 1.0 «Школьная математика — освежаем» | 10 | Функции и графики, степени, экспоненту и логарифмы, умение читать формулы |
| 6 | 1.1 «Линейная алгебра» и дальше по программе | — | Математику ML, затем само машинное обучение, нейросети, трансформер… |
По программе это около 37 часов, но новичку лучше закладывать полтора-два месяца. Понедельный план для этого отрезка есть в уроке «Учиться по-китайски»: модули 0.0–0.2 — за первые четыре недели, NumPy и первая домашняя работа — на пятой-шестой.
Кроме основного пути, в курсе есть две самостоятельные программы для тех, кто пишет и проектирует программы вместе с ИИ-агентами. Обе построены на одном сквозном примере — онлайн-школе с курсами, потоками, записями и оплатой. В процент прохождения основного курса они не входят, у каждой свой прогресс на карте курса. Для старта достаточно ступени 0 (Python, классы, Git, тесты).
Удобный порядок — сначала модули DDD.1–DDD.2 (модель и язык предметной области), затем SDD: хорошая спецификация вырастает из хорошей модели.
Все уроки построены одинаково, чтобы вы заранее знали, чего ожидать:
Цели и время. Вверху страницы: что вы сможете после урока и сколько минут он займёт вместе с практикой.
Зачем это нужно. Какую проблему решает идея и где она встречается в настоящих LLM.
Теория. Сначала интуиция и пример с числами, потом формулы и точные определения. Каждая формула сопровождается пояснением «что здесь написано».
Практика. Задание на Python прямо в браузере, с автотестами и подсказками. Код на PyTorch — для запуска у вас на машине, с ожидаемым выводом. С 4-й ступени в практике есть блок «🖥 На вашей машине (4×GPU)»: что запустить на ваших четырёх RTX 4080, какими командами и сколько это займёт. Базовый путь при этом остаётся выполнимым на процессоре.
Китайский угол. Как идея применена или развита в китайских моделях и курсах. Только проверяемые факты со ссылками.
Проверь себя. Квиз на 4–6 вопросов на понимание. Ошибки автоматически попадают в тетрадь ошибок.
Итоги и первоисточники. Главное в 3–5 пунктах, ссылки на оригиналы на китайском, английском и русском (статьи, книги, видео с пометкой, какой фрагмент смотреть), карточки для интервального повторения и кнопка «Отметить урок пройденным».
Видео — полноценная часть курса, а не «дополнительно для желающих». Лекции Андрея Карпатого, ролики 3Blue1Brown и курсы Ли Хунъи (Hung-yi Lee) на YouTube объясняют те же идеи другим голосом и с анимацией, а Карпатый ещё и пишет код прямо в кадре. Ссылки на них стоят в первоисточниках уроков. Что смотреть на каждой ступени и как смотреть с пользой — на странице «Как учиться».
| Тип задания | Где | Как проверяется |
|---|---|---|
| Квиз | На странице урока | Мгновенно, с объяснением. Зачёт — от 60 %, пересдачи без ограничений |
| Задание в браузере | На странице урока (Python через Pyodide, без установки) | Автотесты прямо на странице, подсказки по нарастанию |
| Домашняя работа | Репозиторий, папка homework/ | Автогрейдер python homework/check.py <id>: уровни 🥉 Simple → 🥈 Medium → 🥇 Strong → 🐉 Boss |
| Проект ступени | Ваш компьютер, с 4-й ступени — на видеокартах | Пороги качества, метрики в metrics.json, отчёт |
| Карточки | Страница «Повторение» | Интервальное повторение по алгоритму FSRS |
Для перехода на следующую ступень достаточно уровня Medium в домашней работе. Strong и Boss — для тех, кто хочет глубже. По образцу курсов Ли Хунъи (Hung-yi Lee): там домашние работы оцениваются такими же порогами, а не «сдал / не сдал».
Подойдёт, если вы…
Не обязательно…