别再从静态图学 AI：从入门到研究级的可视化学习资源全集

X 用户 @techNmak 发布了一个「可视化学习 AI」系列帖，核心主张是「别再从静态图学 AI」：与其看固定配图，不如亲手操作交互工具，实际观看 Transformer 处理文本、神经网络实时训练、扩散过程逐步展开，甚至检查真实 LLM 内部特征。

已确认

• 入门交互工具：Georgia Tech Polo Club 的 Transformer Explainer 可输入任意文本，实时观察其流经 GPT-2(124M 参数)的全过程，包括分词与后续计算；TensorFlow Playground 允许调整数据集、层数、神经元数、激活函数、学习率和正则化，直观看到欠拟合、过拟合与模型容量。
• 经典图解：Jay Alammar 的 The Illustrated Transformer 仍被视为最清晰的 Transformer 讲解之一，覆盖 embeddings、Q/K/V、多头注意力与自回归生成；Maarten Grootendorst 的《A Visual Guide to Mixture of Experts》用 50+ 可视化拆解专家与路由机制。
• 进阶概念：Abhik Sarkar 的 Transformers & LLMs 交互概念集共 26 篇，讲清 RoPE、KV cache、FlashAttention、MQA、GQA、滑动窗口等术语；Sebastian Raschka 的注意力变体指南用图示对比 MHA、MQA、GQA、MLA，解释共享 key/value 头为何能减少 KV cache 内存；Brendan Bycroft 的 LLM Visualization 可从模型层级一路放大到张量级运算。
• 系统与推理侧：Modular 的 LLM Inference Handbook 覆盖 prefill、decode、KV cache、batching、调度、量化、prefix caching 乃至投机解码。
• 研究级资源：Google PAIR 的 AI Explorables 包括用稀疏自编码器(SAE)理解 LLM 隐藏表示、Patchscopes 自检框架、grokking 等；Distill 虽已停刊但存档仍是宝藏，精选篇目有 How to Use t-SNE Effectively、Feature Visualization、Activation Atlas、The Grand Tour 等。
• 数学基础：3Blue1Brown 以几何直觉讲解线性代数、神经网络、梯度下降、反向传播与注意力，而非死记公式。

为什么重要

LLM 相关概念(KV cache、注意力变体、MoE、推理优化)更新极快且抽象，静态图难以传达动态过程。这批资源把「黑话」变成可操作、可观察的对象。作者最后给出一条完整学习路径——数学从 3Blue1Brown 到 Seeing Theory，机器学习从 TensorFlow Playground 到 Distill，再进入 Transformer 与 LLM 各专题，直至 Neuronpedia 等可解释性工具，为不同水平的学习者提供了从入门数学到研究级可解释性的分层路径。

2026-09-04 ~ 2026-09-04 · 13 条相关

• 【源头】别再从静态图学 AI:博主盘点 Transformer、扩散模型等可视化学习资源 — techNmak · 2026-09-04
• 【源头】别再盯着静态图学 AI:Transformer Explainer 让你亲眼看文本流过 GPT-2 — techNmak · 2026-09-04
• 从 GPT-2 到张量级:两个交互可视化把 Transformer 讲到底 — techNmak · 2026-09-04
• 3Blue1Brown 与 LLM Visualization:用几何直觉吃透神经网络与注意力 — techNmak · 2026-09-04
• The Illustrated Transformer 仍是经典:Q/K/V 到自回归生成的可视化讲解 — techNmak · 2026-09-04
• TensorFlow Playground:调参数看决策边界,过拟合欠拟合一眼看懂 — techNmak · 2026-09-04
• Google PAIR AI Explorables:从稀疏自编码器到 grokking 的研究级交互课 — techNmak · 2026-09-04
• Distill 停刊但存档仍是宝藏:t-SNE、特征可视化、GNN 入门精选 — techNmak · 2026-09-04
• Abhik Sarkar 26 篇交互图解:RoPE、KV cache、FlashAttention 不再是黑话 — techNmak · 2026-09-04
• Sebastian Raschka 可视化指南:一文看清 MHA、MQA、GQA、MLA 差异 — techNmak · 2026-09-04
• 50+ 张图讲透 MoE:Grootendorst 可视化指南拆解专家与路由机制 — techNmak · 2026-09-04
• Modular LLM 推理手册:Prefill、KV cache 到投机解码一站式讲透 — techNmak · 2026-09-04
• 【源头】可视化学 AI 完整路线图:从 3Blue1Brown 到 Neuronpedia 的资源清单 — techNmak · 2026-09-04