MIT 6.S191 導讀：九講與三個 labs 全公開，但完整跑完仍要三個外部服務

🌏 English version

MIT 6.S191: Introduction to Deep Learning 的 2026 版已經完整公開：九講都有官方影片與投影片，三個 software labs 的 notebook、必要程式與解答也在官方 GitHub。按照本站的公開程度標籤，它是 A3：足以自學。

但「全公開」不等於「匿名打開瀏覽器就能一格不漏跑完」。官方路線要求 Google 帳號與 Colab GPU；Lab 1、2 會用 Comet，Lab 3 再加 OpenRouter。MIT 現場生能拿到的專案回饋、學分與 API credit，校外讀者也沒有。

所以這篇不只列九個影片標題。我要回答的是：這九講如何接起來、三個 labs 到底做什麼，以及自學者會在哪一步碰到帳號、算力與回饋的邊界。

這篇查過 2026 課站、九份投影片入口、官方 GitHub 的 README、三組 labs 與公開解答，也對照了 2025 封存站與兩年的程式分支。沒有逐段看完九支影片；以下是課程結構與可執行性的稽核，不是授課表現評論。

先判斷它是不是你要的課

6.S191 官方稱自己是 high-intensity bootcamp。2026 年從 3 月 30 日到 5 月 25 日，每週一講，對 MIT 學生是三學分、P/D/F，評分依據是 project proposal。先修要求只列基礎線性代數、微積分與鏈式法則；Python 有幫助但不是硬條件，校外旁聽者也被明確歡迎。

這組資訊決定了它的定位：它是快速建立全景與動手感的入口，不是完整一學期的深度學習理論課。 九週裡要從神經網路走到生成模型、強化學習、安全、科學應用與分散式訓練，廣度必然比推導深度更優先。

適合它的人：已經會一點 Python，希望四到九週內把「模型、訓練、應用、評估」串成一條線。若你想從機率、最佳化一路嚴格推導，或要做大型系統實作，應把它當入口，再接 MIT 6.7960、CMU 11-785 或專門的 ML systems 課。

九講其實是三段路

第一段：先把深度學習的共同語言補齊

前六講是主幹：Introduction to Deep Learning、Deep Sequence Modeling、Deep Computer Vision、Deep Generative Modeling、Deep Reinforcement Learning、New Frontiers。

這一段不是依應用領域各自散開，而是反覆看同一套問題：輸入如何表示、模型如何產生預測、loss 如何回傳訊號、序列或空間結構如何改變架構。Lab 1 接 sequence modeling，Lab 2 接 vision 與 generative modeling，讓前四講不是只停在投影片。

第五講強化學習把「從標註答案學習」換成「從行動後果學習」。第六講再把視角拉到前沿應用。若你只想要最小核心，可以先完成前六講與前兩個 labs；這已經構成一門緊湊的入門課。

第二段：2026 新增的是如何讓 AI 進入真實流程

第七講 The Three Laws of AI 不是另一堂模型架構課。它把 observability、trace、測試資料集、metrics 與持續 evaluation 放到安全討論裡：系統如果沒有留下行為軌跡、沒有反覆測試，就很難談部署後是否可靠。

第八講 AI for Science 從假說與實驗循環出發，談大氣、材料與藥物探索。它的重要提醒是：科學 AI 不能只靠更多資料，還要把 invariance、conservation law 與模擬器等領域結構放進模型或學習流程。

第三段：模型能跑，跟模型能大規模訓練是兩回事

第九講 Secrets to Massively Parallel Training 從 CPU／GPU 差異與 scaling law 出發，接到 activation checkpointing、offloading、data／tensor／pipeline／context parallelism、ZeRO、FSDP 與 mixture-of-experts。課程用 LFM2 當案例，說明這些技術如何一起使用。

這堂放在最後很合理：前面八講告訴你可以訓練什麼，第九講才處理模型與資料大到單張 GPU 放不下時，記憶體、通訊與平行策略如何共同決定能不能訓練。

三個 labs 才是這門課的骨架

官方 repo 同時保留 PyTorch 與 TensorFlow 版本的前兩個 labs；以下以 PyTorch 路線為主。所有 notebook 都有 TODO，官方也公開 solution notebook。自學時不要一開始就開解答，先讓失敗的 cell 告訴你哪個概念沒有接上。

Lab 1：從 tensor 一路做到音樂生成

Lab 1 先補 PyTorch 基本操作，再用 RNN／LSTM 讀 ABC notation、產生愛爾蘭民謠。這個題目不只是展示模型會生成東西：你會碰到字元表示、序列切片、hidden state、loss、訓練迴圈與 sampling。

它也是最適合拿來試水溫的一份。若你連 Part 1 都需要大量補課，先停在這裡整理 Python、tensor shape 與反向傳播，比直接跳到 LLM 微調有效。

Lab 2：分類準確率之外，資料偏差怎麼進模型

Lab 2 的 Part 1 用 MNIST 做 fully connected network 與 CNN；Part 2 進到 facial detection 與 debiasing，以 DB-VAE 學習臉部資料的 latent distribution，再調整取樣。

它的價值是把「生成模型」與「公平性」接在同一個實驗裡。你不是只讀一段 AI bias 的倫理說明，而是要觀察資料分布如何影響訓練、模型在哪些臉上表現較差，以及重新取樣能修正什麼、不能修正什麼。

Lab 3：LoRA 微調，再用另一個 LLM 當裁判

Lab 3 使用 Liquid AI 的 LFM2-1.2B。先建立 chat template、tokenize 與 generate，再用 LoRA 只更新少量參數，把模型調成特定說話風格。最後用較大的模型做 LLM-as-a-judge，配合 Comet 的 Opik 建立評估指標。

這份 lab 很像 2026 年的 AI prototype：底模從 Hugging Face 載入、微調用 PEFT、judge 經 API 呼叫、評估另有 observability 工具。好處是接近真實工作流；代價是依賴也最多。

「可以自學」和「完全沒有門檻」差在哪裡

最容易寫錯的是「只要有 Google 帳號就能全免費完成」。Lab 3 notebook 明寫，大型 judge model 需要付費；MIT 現場生可在 office hour 取得 OpenRouter credit。它也提供免費模型選項，但同一段就提醒會碰到 rate limit。

你當然可以修改 notebook，換掉 Comet、改成本地 Jupyter、用不同 judge。那是合理的工程選擇，卻已經不是「照官方步驟重現」。因此本站仍把它判為 A3，但在 A3 後面附註服務依賴，而不是宣稱零帳號、零成本。

2025 和 2026 怎麼選

2025 封存版不是殘缺備份。它有十講影片、投影片與同樣三組 labs，可以正式自學。差別主要在課程後半：2025 有兩講 Large Language Models，接 AI in the Wild 與 AI for Biology；2026 改成 Three Laws of AI、AI for Science 與 Massively Parallel Training，總講數從十變九。

Labs 的概念延續，但檔案不是完全相同。最明顯的是 Lab 3：2026 改用 LFM2-1.2B，並以 Gemini 2.5 作為建議 judge。官方 GitHub 有年度分支；如果跟 2026，就讓課站、notebook 與 solution 全部留在 2026，不要拿 2025 的影片順手配 2026 的 TODO，再假設 API、模型名稱與輸出完全相容。

我的選法很簡單：現在開始就用 2026。只有兩種情況回到 2025：你特別想看兩堂獨立 LLM 講座，或 2026 notebook 的服務／模型變更讓你的環境卡住，需要拿完整舊版當替代線。切換時整組換，不要逐項拼裝。

四週自學路線

正式課程走九週；自學可以壓成四週，但每週都要留下作品，不要只留下觀看紀錄。

第一週：序列模型

• 看 Lecture 1、2。
• 完成 Lab 1 的 PyTorch Part 1 與 music generation。
• 產出：一個能播放的生成音樂檔，加一張 training loss 圖，另外寫下 sequence length 改變後的差異。

第二週：vision 與生成模型

• 看 Lecture 3、4。
• 完成 Lab 2 的 MNIST 與 debiasing。
• 產出：比較 baseline 與 debiased model，不只報總 accuracy，至少記錄一個失敗樣本或 subgroup 現象。

第三週：決策與 LLM 微調

• 看 Lecture 5、6。
• 完成 Lab 3 到 LoRA 微調；先不用急著接付費 judge。
• 產出：固定三個 prompts，比較 base model 與 fine-tuned model 的回覆，寫出你的評分準則。

第四週：評估、科學與系統

• 看 Lecture 7、8、9。
• 再決定是否替 Lab 3 接 OpenRouter／Opik；若不接，就人工依前一週的 rubric 評分。
• 產出：一頁 mini project proposal，包含問題、資料、baseline、metric、失敗條件、算力與服務依賴。這也最接近正式課程用 project proposal 收尾的方式。

這條路故意把 API judge 延後。先定義評分準則，再決定要不要花錢讓模型執行；否則你只會學會貼 API key，沒有學會 evaluation。

CSDIY 在這篇能證明什麼

CSDIY目前的深度學習路線有 MIT 6.7960、CMU 11-785 等課，但搜尋不到獨立的 6.S191 課程頁。這不是反證：6.S191 的 2026 官方材料確實完整公開，GitHub 也明寫 labs 可按自己的速度完成。

它反而提醒一件事：社群指南適合找實修心得與歷史替代資源，不能拿「有沒有被收錄」判定今天能不能上課。這篇的 A3 判定來自當期官方課站與 repo；CSDIY 用來幫你比較下一門較長、較硬的課，不用來替官方權限背書。

最小開始方式

不要先把九支影片加入稍後觀看。打開官方 GitHub 的 Lab 1 PyTorch Part 1，按 Run in Colab，確認三件事：Google 帳號能進、GPU runtime 能選、第一組 TODO 能在不看 solution 的情況下完成。

給自己九十分鐘。九十分鐘後如果你能說清楚 tensor shape、gradient 與下一個 TODO 在做什麼，就接 Lecture 2 與音樂生成；如果時間都花在 Python syntax，先補 Python／NumPy，再回來。這個小測試比「我有沒有數學天分」更能預測你是否適合現在開始。

更新紀錄

• 2026-08-22：新增九講與三個 labs 的雙語系列，並將所有 lab 連結固定到官方 2026 branch。

參考資料

• MIT 6.S191 2026 課程官網 — 日期、九講影片與投影片、三個 labs、先修、學分、評量與公開授權
• MIT 6.S191 2025 封存站 — 十講結構與年度比較
• MITDeepLearning/introtodeeplearning — 2026 labs、Colab／Google 帳號與 GPU runtime 說明、MIT License
• Lab 1：PyTorch 與 Music Generation — RNN／LSTM、Comet 與公開解答
• Lab 2：MNIST 與 Debiasing — CNN、DB-VAE、Comet 與公開解答
• Lab 3：LLM Fine-tuning — LFM2-1.2B、LoRA、OpenRouter、Gemini 2.5 與 Opik 的執行要求
• CSDIY CS 學習規劃 — 社群深度學習路線對照；目前未列獨立 6.S191 頁面
• 站內：世界名校 AI／CS 課程地圖