Feynman Technique
费曼学习法是一种通过“教别人”来加深理解、发现知识盲点并形成长期记忆的高效学习方法。
核心：Learning by teaching. 原理：教学需要将复杂知识拆解成简单的语言，这个过程会不断地加深长期记忆。
步骤
- 确定目标： 在一张白纸的顶部写下你想掌握的知识点或概念。
- 模拟教学： 假装你正在向一个完全不懂这个领域的人（比如一个 12 岁的孩子）解释这个概念。用最简单、最平实的语言写下来或大声说出来，坚决不使用专业术语。
- 精准查漏补缺： 当你发现自己解释不清楚、卡壳，或者被迫使用复杂的行话来掩饰时，这就是你的知识盲区。立刻回到书本或资料中，重新学习这一部分。
- 精简与类比： 将补充后的内容再次精简。尝试用日常生活中常见的例子或类比来解释它（例如：不要说“脂质体是双分子层结构”，而可以说“它就像一个微型肥皂泡，里面包裹着药物”）。
模型：知识点 👉 教学loop(教学 👉 卡壳 👉 解决卡壳 👉 教学) 👉 完成
举例 Transformer 模型：
🙋：老师，我经常听到 Transformer 这个词（除了变形金刚以外），它在人工智能里到底是个什么东西？它主要是用来解决什么问题的呀？
🧑🏫：Transformer 就是一个非常聪明的机器，它能根据提示给出最合理的结果。
🙋：听起来它就像一个无所不知的“超级大脑”或者“超级答题机”！我给它一个谜题或者一句话，它就能立马猜出最完美的答案。
不过老师，我还是有点好奇：它是怎么做到这么聪明的呢？
比如我跟它说：“今天天气真好，我想去公园放______。” 它为什么能猜出这里应该填“风筝”，而不是“桌子”或者“大象”呢？它是把整本字典都背下来了，还是有什么特殊的“看书”技巧呀？
🧑🏫：老师也不懂。。。
老师找小抄：Transformer 猜词不是靠瞎蒙，也不是把整本字典死记硬背下来，它主要靠两件事：“画重点” 和 “算概率”。
第一步：画重点（这就是大名鼎鼎的“注意力机制”/ Attention）
当看到 “今天天气真好，我想去公园放______” 这句话时，机器不会平均分配精力。它的眼睛会死死盯住“公园”和“放”这两个关键词。它知道这两个词之间有强烈的联系。
第二步：算概率（预测下一个词）
在机器的“大脑”里，它读过海量的人类文章。它会快速计算：在“公园”和“放”后面，人类最经常接什么词？
- 接“风筝”的概率：90%
- 接“飞机”的概率：8%
接“大象”或“桌子”的概率：0.0001%（因为没人会去公园放桌子）
所以，它会毫不犹豫地选出概率最高的那个词——风筝。
🧑🏫：因为 Transformer 阅读过海量的知识，当前面是“今天天气真好，我想去公园放”时，它计算出后面回复“风筝”的概率最高。因此会回复“风筝”而不是“桌子”或者“大象”。
🙋：如果句子很短，它能轻松猜出是放风筝。但如果句子特别长，里面有很多干扰项怎么办呢？
比如我说：“那个苹果又红又大，看起来很甜，但是旁边那只大象看起来很生气，一直盯着我看。我真想一口吃掉______。”在这句话里，“大象”离空格最近，而“苹果”在很前面。Transformer 这个机器，它是怎么知道我是想吃前面提到的“苹果”，而不是离它最近的“大象”呢？它是怎么在这么长的一段话里，找到真正该关注的重点的呀？
🧑🏫：老师也不懂。。。
小抄：当 Transformer 读到 “那个苹果又红又大……我真想一口吃掉______” 这句话时，它不是一个词一个词呆板地往后读，而是让句子里的所有词同时起立，互相加微信、打招呼。
在这个“微信群”里，发生了一场大型的“连线配对游戏”：
- “吃” 这个词跳了出来，在群里大喊：“我要找一个能跟我搭配的词！大家快来跟我连线！”
- 离它最近的 “大象” 举手了。但“吃”看了一眼大象，摇摇头：“你体型太大，皮太厚，我啃不动，咱们不配。”（连线很细，注意力权重很低）。
- 躲在句子开头的 “苹果” 也举手了。“吃”眼睛一亮：“对！‘吃苹果’太合理了，咱俩是绝配！”（连线变得极粗，注意力权重极高）。
这就是“自注意力机制”的厉害之处：不管两个词在句子里离得有多远，机器都能跨越千山万水，把有关系的词紧紧连在一起。 它看的是“意思上的相关性”，而不是“位置上的远近”。
总结：Transformer 的进化史
在 Transformer 出现之前，旧的 AI（比如 RNN）看书像盲人摸象，读到后面就忘了前面。而 Transformer 就像开了天眼：
- 全局扫视： 一眼看穿整篇文章，所有词同时处理。
- 智能连线（Self-Attention）： 让有关系的词（比如“吃”和“苹果”）产生强烈的化学反应，不管它们隔了多远。
- 精准预测： 带着这些连线线索，准确算出了下一个词大概率是“风筝”或“苹果”。