Ahead of AI：一位學者用月更深度文做到 20 萬訂閱的反直覺路線

TL;DR 計算生物學博士、前威斯康辛大學統計系教授 Sebastian Raschka，2022 年在 Substack 創辦 Ahead of AI，用月更長文拆解 LLM 論文與架構，四年做到 20 萬+訂閱。他刻意不接贊助、不追日更，靠書籍和付費訂閱變現，證明低頻高深度在 AI 電子報紅海裡也能走出一條路。

#newsletter #creator-economy #machine-learning #academia #substack #llm #content-creation

背景：從分子辨識到大型語言模型
成長時間線
內容策略：論文翻譯機，不是新聞策展人
商業模式：書籍先行，電子報是飛輪
可持續月更四年的方法論
他的教訓
整體來說
參考資料

系列: 一個人的媒體公司 (5 / 12)

TLDR：從父母地下室的 Side Project 到年營收八位數的純廣告電子報帝國 Stratechery：在台北證明「一個人寫分析文可以養活自己」的付費電子報先驅

🌏 English version

AI 電子報領域的多數成功案例都在追頻率——日更、五分鐘摘要、每天一張圖。Sebastian Raschka 反過來做：每月一到兩篇，每篇讀完要 30–90 分鐘，主題是 LLM 架構論文的深度拆解。四年後，他的 Ahead of AI 有 20 萬+訂閱者，而他從來沒有接過一筆贊助。

背景：從分子辨識到大型語言模型

Sebastian Raschka 的學術起點不是 AI——他在密西根州立大學拿的博士學位是計算生物學，論文主題是「用統計資料探勘揭開分子辨識的隱藏模式」。轉向機器學習的契機是 2012 年修了 Andrew Ng 在 Coursera 的開創性 ML 課程。

2015 年，他出版了第一本書 Python Machine Learning（Packt），後來出到第三版，成為該領域的暢銷教材。這本書讓他在 ML 社群建立了「寫得清楚、講得明白」的聲譽——後來電子報能起步，這個聲譽是最重要的初始資產。

2018 年，他加入威斯康辛大學麥迪遜分校統計系擔任助理教授，教的卻是深度學習。學術界的節奏和 AI 領域的爆發速度之間有巨大落差——他想分享的東西太多，但論文和課程的格式都裝不下那些「小而有趣的洞見」。

2022 年，他做了兩個重大決定：加入 Lightning AI（PyTorch Lightning 背後的公司）擔任 Staff Research Engineer，同時在 Substack 創辦了 Ahead of AI。

他在創刊部落格文章裡寫得很直白：

「There are many smaller but exciting topics I'd love to share and write about that don't fit the blog format.」

電子報成了他介於部落格長文和社群短文之間的第三種容器。

成長時間線

時間	里程碑
2015-09	出版 Python Machine Learning（Packt），建立 ML 教育者聲譽
2018	加入 UW-Madison 統計系任助理教授
2022-10-15	在 Substack 創辦 Ahead of AI，第一期〈A Diffusion of Innovations〉
2022	同年加入 Lightning AI 擔任 Staff Research Engineer
2022	出版 Machine Learning with PyTorch and Scikit-Learn（Packt）
2023-04（約 6 個月）	突破 1.5 萬訂閱
2024-02（約 16 個月）	突破 5 萬訂閱
2024-10	出版 Build a Large Language Model (From Scratch)（Manning）
2026-07	突破 20 萬訂閱；出版 Build a Reasoning Model (From Scratch)（Manning）
2026-08	LLMs-from-scratch GitHub repo 突破 10 萬 stars

和日更型電子報的爆發式成長不同，Ahead of AI 的成長曲線是穩定的長坡——前 6 個月 1.5 萬，16 個月到 5 萬，四年到 20 萬。沒有「五個月超過全職薪水」的戲劇性時刻，但也沒有「撐不下去要找合夥人」的焦慮。

內容策略：論文翻譯機，不是新聞策展人

Ahead of AI 的核心格式是每月一到兩篇長文，每篇 30–90 分鐘閱讀時間，主題集中在 LLM 架構、訓練方法、推論最佳化。

和 Daily Dose of Data Science 的 150 字日更圖文、TLDR 的 5 分鐘新聞摘要相比，Ahead of AI 走的完全是另一條路。Sebastian 不是在「選哪些新聞值得讀」，而是在「把一篇或一組論文讀通，用圖表和程式碼片段翻譯成工程師能理解的語言」。

他的工作流程散佈在整個月：

日常掃描：每天早上瀏覽 X 和 arXiv，把有趣的論文標記下來
選題過濾：從標記的 30–50 篇論文裡，選出自己真正想深入的主題
逐篇拆解：每篇論文花 30–60 分鐘閱讀、筆記、製作圖表
收束成文：週末把散落的筆記收束成一篇連貫的長文

他在 Interconnects 的訪談中特別強調選題策略：只寫自己真正感興趣的論文。這不是行銷話術——他的邏輯是，如果自己讀得沒熱情，寫出來的東西讀者也能感覺到。低頻出刊讓他有這個奢侈：不用為了填版面而寫不想寫的東西。

內容方向也隨時間演變。早期涵蓋的範圍較廣（擴散模型、通用 AI 趨勢），後來幾乎完全聚焦在 LLM——架構變體、注意力機制、推論時擴展、開源模型比較。這個收窄不是刻意規劃的，而是跟著 AI 領域的重心轉移自然發生的，也正好和他在 Lightning AI 維護 LitGPT 的工作完全重疊。

商業模式：書籍先行，電子報是飛輪

Sebastian Raschka 的變現路徑和多數電子報創作者截然不同：

書籍（主力）：五本書橫跨十年——Python Machine Learning（2015/2017/2019 三版）、Machine Learning with PyTorch and Scikit-Learn（2022）、Machine Learning Q and AI、Build a Large Language Model (From Scratch)（2024）、Build a Reasoning Model (From Scratch)（2026）。書籍版稅是他最穩定的收入來源。
Substack 付費訂閱（$6/月）：付費解鎖完整文章檔案庫和深度技術文。目前有 1,000+ 付費訂閱者。
全職工作（Lightning AI）：他從來不是全職做電子報——Lightning AI 的 Staff Research Engineer 是他的本業，電子報是副業。
開源 + GitHub：LLMs-from-scratch repo 10 萬+ stars，是書籍的配套程式碼，同時也是電子報的讀者發現管道。

他刻意不接贊助。 在 Interconnects 訪談裡，他把電子報定位為「社群貢獻」而不是「商業產品」。這個選擇犧牲了短期收入，但換來了內容的完全獨立性——讀者知道他推薦的工具或論文沒有利益衝突。

這和 TLDR、Morning Brew 的廣告模式形成鮮明對比。他不需要百萬訂閱來撐廣告費，因為他的收入結構根本不依賴訂閱規模。電子報的角色更像是書籍銷售的持續行銷管道和個人品牌的信任資產。

可持續月更四年的方法論

月更聽起來比日更輕鬆，但技術深度文章的單篇投入遠高於策展摘要。Sebastian 能持續四年不間斷，有幾個結構性原因：

本業和副業的主題完全重疊。 他在 Lightning AI 的工作就是研究 LLM 架構和維護 LitGPT——讀論文、理解架構本來就是工作的一部分，電子報只是把這些理解整理成文字。他不需要額外花時間「找素材」。

低頻降低決策疲勞。 日更型創作者每天面臨「今天寫什麼」的壓力，月更只需要每月做一到兩次選題決策。他可以等到真正有值得寫的主題再動筆。

學術訓練帶來的寫作紀律。 十年的論文寫作和教科書寫作經驗，讓他對「把複雜概念用圖表和分步解釋講清楚」這件事已經建立了成熟的工作流程。

內在動機大於外在激勵。 他在訪談中說過：「There's like a reward in a sense」——讀者的回饋和自己在寫作中發現知識盲區，是讓他持續寫的主要動力。這和 Daily Dose 的 Avi Chawla 維護「讀者正面回饋文件」來對抗低潮有異曲同工之處。

用 LLM 輔助但不取代寫作。 他會用 LLM 做改寫和評估，但維持人工編輯控制。技術深度文的價值在於作者的判斷力——哪些論文值得讀、哪些細節重要、哪些宣稱需要懷疑——這些沒辦法外包給 AI。

他的教訓

書和電子報是互相餵養的飛輪。 電子報的長期讀者是新書的第一批買家，書的讀者透過 GitHub repo 和參考資料發現電子報。他不需要做任何行銷——內容本身就是行銷。

不接贊助是一種定位策略。 在 AI 電子報充斥贊助內容的環境裡，「這個人從不接贊助」本身就是差異化。讀者信任他的推薦，因為他們知道推薦背後沒有商業考量。

學術背景是護城河，不是包袱。 很多從學術界轉出來的人會覺得學術訓練在業界沒用。但 Sebastian 的論文閱讀能力、圖表製作能力、和系統性解釋複雜概念的能力，全部來自學術訓練——而這些恰好是技術電子報最需要的技能。

整體來說

Ahead of AI 的成功建立在幾個特殊條件上：Sebastian 在 ML 社群已有十年寫作聲譽（不是從零開始）、他的全職工作和電子報主題完全重疊（不需要額外時間成本）、LLM 恰好是 2022–2026 年最熱門的技術領域（需求端持續膨脹）、他有暢銷書作為獨立於訂閱數的收入來源（不需要靠電子報養活自己）。

但真正值得注意的是他的反直覺選擇：在所有人都在追日更和廣告的時候，他選了月更和不接贊助。這個選擇之所以成立，是因為他把電子報定位為書籍飛輪的一環，而不是獨立的商業產品。

對想做技術內容創作的人來說，這個案例最大的啟示是：不是每個電子報都要靠訂閱數變現。 如果你有其他收入來源（書、課程、全職工作），電子報可以是純粹的信任資產——用來建立讀者對你專業判斷力的信任，然後在書籍、課程或職涯機會上變現。低頻高深度不是妥協，是一種策略。