Гарвард открыл полный учебный курс по ML-системам — от одного GPU до роботов

Гарвард опубликовал открытую серию учебников «Machine Learning Systems» — о том, как строятся системы машинного обучения и почему именно так. Все тома доступны бесплатно онлайн на mlsysbook.ai. Серия выходит под руководством профессора Виджая Джанапы Редди (Vijay Janapa Reddi) и охватывает путь от одиночной машины до автономных агентов и физических систем.


Откуда взялся курс

В 2023 году студенты курса CS249r в Гарварде совместно написали первые конспекты — по одной теме на группу, и опубликовали их на GitHub. Предшествовавший курс HarvardX TinyML охватил более 100 000 учащихся. Теперь цель — один миллион учащихся к 2030 году.

ℹ Идея курса
Автор сформулировал главный принцип ещё в Google, работая над TinyML: constraints drive architecture — ограничения определяют архитектуру. Одно правило справедливо как для микроконтроллера с 256 КБ памяти, так и для дата-центрового ускорителя.

Четыре тома — четыре масштаба системы

Четыре тома выстраивают ментальные модели: от одной машины — к флотам, агентам и физическим системам. Каждый следующий том отвечает на вопрос, который предыдущий оставляет открытым.


graph LR
    A["📗 Vol I\nОдна машина\n(Released)"] --> B["📘 Vol II\nКластеры и датацентры\n(Preview)"]
    B --> C["🟣 Vol III\nАгентный ИИ\n(In Dev)"]
    C --> D["🌲 Vol IV\nФизический ИИ\n(In Dev)"]

ТомТемаКлючевой вопросСтатус
📗 Vol IВведение в ML-системыКак ИИ работает эффективно на одной машине?Выпущен, MIT Press
📘 Vol IIМасштабирование ML-системКак масштабировать на кластеры и датацентры?Preview
🟣 Vol IIIАгентные ML-системыКак управлять ИИ при автономной работе?В разработке
🌲 Vol IVPhysical AIКак ИИ безопасно воздействует на физический мир?В разработке

Первый том уже готовится к печати в MIT Press: он преподавался и дорабатывался несколько семестров в Гарварде и принят университетами по всему миру — каждая глава и лаборатория проверены на реальных студентах.

⚠ Черновики
Тома III и IV находятся в разработке и быстро меняются по мере итераций. Авторы просят не цитировать и не использовать их в учебных программах до официального выхода.

Что входит в экосистему курса

Серия создана Виджаем Джанапой Редди из Гарвардского университета и доступна бесплатно онлайн. Помимо самих учебников, репозиторий включает целый набор инструментов:

КомпонентЧто делает
🔥 TinyTorchФреймворк ML с нуля — от тензоров до трансформера (20 модулей)
🔮 MLSys·imСимулятор памяти, вычислений, сети и энергии для больших систем
🛠️ Hardware KitsРазвёртывание моделей на Arduino, Raspberry Pi, Seeed
🔬 LabsИнтерактивные ноутбуки Marimo прямо в браузере
💼 StaffMLБолее 9 000 вопросов для подготовки к ML-собеседованиям
🎓 Instructor HubПрограммы курсов, слайды, расписание тем
💡 Как начать
Читать онлайн можно прямо сейчас на mlsysbook.ai — бесплатно, без регистрации. Учебник открыт под лицензией Creative Commons (CC BY-NC-SA 4.0), его можно распространять и адаптировать для некоммерческого использования с указанием авторства. Печатное издание выйдет в 2026 году в MIT Press.

Чему учит курс: от модели к системе

Курс устроен так, чтобы каждая тема связывала уже знакомое с системной реальностью:

  • Знаешь, что такое трансформер — узнаешь, почему KV cache (кэш ключей и значений) съедает всю память при инференсе.
  • Знаешь, что квантизация сжимает модели — разберёшься, как арифметика низкой точности ложится на кремний.
  • Знаешь, как промптить LLM — научишься строить агентные циклы, инструментальные песочницы и управление контекстной памятью.

«Мир спешит строить AI-системы, но ещё не научился проектировать их по-настоящему» — из предисловия к курсу.


Почему это важно для отрасли

MLSysBook.ai изначально разработан как часть курса Harvard CS249r по TinyML и HarvardX и вырос в открытую коллаборативную инициативу, охватывающую полный жизненный цикл ML.

📝 Пример охвата
Курс уже используется университетами по всему миру. Согласно сайту mlsysbook.ai, материалы активно поддерживаются и были обновлены в октябре 2026 года. Серия закрывает реальный пробел: инженеров, умеющих не просто обучать модели, а строить надёжные, эффективные и безопасные AI-системы, катастрофически не хватает.

В мире, где AI-фабрики строятся быстрее, чем готовятся AI-инженеры, открытый учебник такого масштаба — существенный шаг к демократизации знания о том, что происходит «под капотом» современного искусственного интеллекта.