看你想走應用還是理論面，應用面如果只是你有一個ideal想做，務實一點就是找個閉源或
開源的LLM(vLLM)架起來，Prompting調一調大部分能力可能都比你傳統模型來的好太多了。

模型的部分數學會佔更重，尤其是線性代數，最多再一點點機統跟最佳化理論，現代的DL其
實反而不會太強調很硬的統計或非凸最佳化，大多假設DL在自監督後天然的就從海量數據中
提取了某些自然分佈。除非你真的有興趣到爆就可以往DL的最核心基礎理論邁進，那還會需
要一些消息論去探討模型壓縮跟模型內部學習時候的非凸優化轉換（high entropy 跟low e
ntropy LLM 可能會是一個很有趣的問題）。

如果是想就業的話，我自己會覺得接下來比較熱門的面向就是GPU optimization跟LLMOps，
前者主要就是要非常懂GPU計算底層，包含如何實作GPU併行，可能同事有基礎的LLM模型你
要把這個prototype implement進某些極端Edge的環境，後者就涉及分散式伺服器架構如何
架構帶有GPU群集的分散式server用來做training跟inference，雖然說離核心LLM/DL理論很
遠，但我認為是就業市場未來最穩的。

這邊補充一下，很多人覺得AI要很硬的數學才能發Paper，但是從去年ICLR的一些收錄文章
看其實現在不少Multi Agent的應用類，關鍵在於你有很好的智能體實作想法，然後再理論
系統性的描述做消融實驗。這些不見得涉及數學知識，就是要去研究能有什麼方式系統性的
開發智能體。