纳维-斯托克斯方程：一个方程背后的多重难题
文章深入探讨了纳维-斯托克斯（NS）方程在数学、物理和工程三个层面的难题。它不仅是千禧年大奖难题之一，在物理上对应着至今未解的湍流问题，在工程计算中则面临算力难以企及的挑战。
全部文档
33 篇
算法交易是怎么吃掉华尔街的
文章回顾了华尔街从人工喊价交易到算法高频交易的演变过程。通过分析电子化、十进制报价和Reg NMS监管变革三道闸门，揭示了算法如何取代人类做市商，以及速度如何成为新的硬通货，最终导致交易逻辑和市场结构的彻底重构。
顶尖VC 2026年动向观察：硬基建与深垂直的押注
文章分析了2026年顶尖独立VC机构的投资动向，指出资本正从浅层应用转向硬基建、物理世界和深垂直领域。通过分析赛道年龄、轮次和具体公司（如Atoms、Etched、Cognition等），揭示了AI创业窗口正在收窄，而推理芯片、机器人、企业Agent及特定垂直工作流成为投资热点。
AI 安全综述：四种恐惧与证据的重量
文章深入探讨了 AI 安全领域的四种核心恐惧：滥用、日常失效、失控及结构性风险。作者区分了 Security 与 Safety 的概念，并以证据强度为线索，剖析了从生化武器制造、网络攻击到模型对齐造假等具体问题，强调舆论关注与真实风险之间的错位。
强化学习沉浮史：从深度寒冬到大模型封神
文章回顾了强化学习七十年跌宕起伏的发展历程。从心理学的效果律与数学的动态规划这两条根源讲起，梳理了教科书时期的理论奠基与早期边缘化。随后，深度学习的引爆带来了黄金年代，DQN与AlphaGo的辉煌让强化学习备受推崇。然而，样本效率等缺陷曾让其一度跌入谷底。如今，这门学科在大模型时代通过RLHF等技术奇迹般重生，再次站到了AI舞台的中央。
AI商业模式的危机
文章深入分析了AI产业面临的商业模式危机。尽管AI产品需求旺盛、用户增长迅速，但巨额的资本开支与实际收入之间存在巨大鸿沟。模型公司夹在中间，面临重工业般的投入成本、大宗商品般的定价压力，却享受着软件公司的高估值，这种结构性错配导致其长期盈利能力存疑。
流体力学研究史
文章回顾了流体力学三百年的发展历程，从阿基米德的静力学开端，到达芬奇的观察，再到欧拉建立场论方程。文章重点探讨了流体力学拥有完美方程却无法预测湍流的悖论，以及非线性项带来的数学挑战，并最终将落脚点引向了现代AI技术。
什么是希尔伯特的第六问题？这个问题重要吗？
文章介绍了希尔伯特1900年提出的第六问题，即“物理学公理的数学处理”。文章详细梳理了该问题的历史背景，包括当时的物理学危机、原子论与唯能论的争论，以及希尔伯特试图从微观原子运动严格推导出宏观连续介质定律的数学野心。文章还关联了2026年菲尔兹奖得主邓煜对该问题相关领域的研究贡献。
什么是信息论？它和AI是什么关系？
文章深入浅出地讲解了信息论的起源、核心概念及其与人工智能的关系。内容涵盖香农在1948年奠定的信息论基础（如熵、比特、信道容量定理），回顾了奈奎斯特、哈特利及玻尔兹曼等前人的贡献，并探讨了交叉熵、KL散度等概念如何成为衡量AI模型误差的关键工具。文章指出，尽管信息论为AI提供了度量语言，但在解释智能本质上仍有局限。
长篇科普：AI可解释性综述
本文深入探讨了AI可解释性的必要性、定义及核心方法。文章区分了调试、合规与安全三种不同需求，辨析了事前与事后、局部与全局解释的差异，重点介绍了从LIME/SHAP等经典归因法到大模型时代的机制可解释性（如SAE和电路分析）的演进，并强调“忠实性”优于“可读性”的核心原则。
AI for Science 详细介绍（中）：资本与格局
本文从资本视角审视 AI for Science（AI4S）赛道。文章指出，2025-2026 年 AI 融资呈现极度集中的哑铃型结构，AI4S 虽处热潮，但门槛已变高。资本涌入的核心逻辑是“互联网文本数据耗尽”，科学实验被视为下一个高质量数据金矿。文中分析了 Periodic Labs 等头部玩家的融资情况，区分了造神型、IP 授权型及卖铲子型等不同商业模式，并指出该领域核心玩家多为近三年成立的初创公司，赛道格局未定，仍有入场机会。
AI 大V人物小传（上）
这是一份按主题编排的AI领域人物小传（上篇），涵盖了从深度学习奠基者、大模型实验室领袖、Transformer论文作者到顶尖学术研究者的75位关键人物。文章详细介绍了每个人的背景、核心贡献及当前动态，包括Hinton、LeCun、Altman等业界巨擘。
区块链的叙事是如何崩塌的
本文深度复盘了区块链从2008年金融危机后的极客实验，到2021年三万亿美元泡沫顶峰，再到最终崩盘的全过程。文章剖析了背后的意识形态演变、资本狂热与技术现实的错位，将其比作一场完整的“尸检”。作者指出，塌掉的是被过度包装的宏大叙事，而非技术本身。通过对比当下的AI热潮，文章警示了同一拨资本如何利用“这次不一样”的口号在不同技术周期间制造泡沫。
人工智能的工程全景（中）：推理，后训练，对齐和安全
本文是AI工程全景的中篇，深入探讨了模型训练完成后的工程化路径。首先详述了推理优化的核心手段，包括模型瘦身（量化、蒸馏、剪枝、MoE）、投机解码以及主流推理引擎（vLLM, TensorRT-LLM, SGLang）的生态格局。文章分析了成本、延迟与吞吐的“不可能三角”，并重点介绍了“测试时计算”这一范式转变，即通过在推理阶段增加计算量来动态提升模型智能。
人工智能的工程全景：模型之外的另一半（上）
文章详细梳理了人工智能的工程基础，回顾了从GPU游戏显卡到英伟达CUDA生态建立的历史，解析了其技术护城河。同时指出2026年硬件格局的松动，分析了谷歌TPU的回归与AWS自研芯片的崛起，展示了英伟达在推理领域面临的竞争态势。
人工智能的工程全景（下）：Agent 全解
本文是《人工智能的工程全景》系列的下篇，深入探讨了2025-2026年AI行业的竞争焦点——Agent工程层。文章从Agent定义的演变出发，区分了Workflow与Agent的本质差异，解析了ReAct架构与关键能力清单。重点介绍了Function Calling的工业化起点、MCP协议带来的工具调用标准化，以及Context Engineering与Harness Engineering在Agent系统构建中的核心地位。
我打造的个人AI系统：哲学基础
作者介绍了其构建的“Vibe OS”个人系统架构的哲学基础。核心原则是“人永远站在系统之外”，区分了AI负责的“工具理性”与人的“价值理性”。文章详细阐述了输入端“脉搏学习”与“深潜学习”的双轨制，以及输出端以写作为思考验证、以产品解决真实需求的方法，最终提出了“由己及人”的个人市场演化路径。
什么是具身智能？它跟 AI 的关系是什么？
文章深入解析了具身智能的定义、历史渊源及发展现状。作者区分了具身智能与传统机器人，指出其核心在于感知-行动闭环与物理世界的实时交互。文章回顾了从符号主义、行为主义到深度学习、Transformer时代的技术演进，分析了VLA模型如何继承大模型能力来突破泛化难题，探讨其与AI的本质关系及未来前景。
什么是控制论？控制论是AI的上辈子吗？
文章深入探讨了控制论的起源、发展及其与人工智能的深厚渊源。作者指出，AI中的梯度下降和强化学习本质上是控制论中“负反馈”与“修正差距”思想的延续。从Wiener在二战期间对防空火炮的研究，到Macy会议的跨学科讨论，控制论曾试图用统一数学解释机器、生物和社会。随着符号AI的兴起，控制论作为独立学科逐渐消失，但其核心思想已融入现代AI的底层逻辑之中。
什么是世界模型？概念溯源、流派划分与AI新前沿
本文深入探讨了当前AI领域的热门概念“世界模型”。文章梳理了该概念从1943年心理学起源到2024年爆发式发展的历史脉络，详细区分了两大核心阵营：用于行动的模型（如DreamerV3和JEPA）与用于呈现的模型（如Sora和视频生成）。文中分析了杨立昆、李飞飞及OpenAI等不同派别的技术路径与定义之争，揭示了世界模型如何成为超越大语言模型的下一代AI竞争焦点。
当物理遇上AI：深度学习里的物理元素（上）
文章探讨了物理学与人工智能（特别是深度学习）之间的深刻联系。作者指出，神经网络本质上是一个类似于物理学中的“多体系统”，因此统计力学的语言天然适用于描述AI。文章详细拆解了能量最小化、Softmax（玻尔兹曼分布）、交叉熵（信息熵）、VAE（自由能）以及最大熵原理等核心AI概念背后的物理学渊源，揭示了从蒸汽机到神经网络的知识传承。
当物理遇上AI：深度学习里的物理元素（下）
本文是《当物理遇上AI》的下篇，探讨了深度学习中的未解难题与物理学现象的同构关系。作者详细分析了Scaling Law与临界标度律、模型涌现与相变、双下降曲线与随机矩阵理论之间的深层联系。文章评估了这些类比证据的强弱，指出部分物理数学工具已能精确推导AI行为，同时也讨论了争议与未解之谜。
什么是 Diffusion Model？图片视频生成模型全网最详细介绍
本文详细介绍了AI图像与视频生成背后的核心技术——扩散模型（Diffusion Model）。文章通过通俗易懂的语言，解释了其物理起源、从加噪到去噪的运作原理，以及它如何凭借稳定性优势逐渐取代GAN成为生成式AI的主流范式。
廉颇老矣，尚能饭否：现代数学史（下）
本文回顾了1970年代之后现代数学的发展历程。随着物理学进展放缓，数学失去了最大的外部“客户”，导致代数几何、朗兰兹纲领等结构化数学分支陷入内循环和高塔化。与此同时，计算机科学与AI的崛起为数理逻辑和形式化证明带来了新的机遇。文章探讨了在基础物理停滞和计算机加速的背景下，纯数学界面临的“象牙塔”困境及AI是否会成为新的推动力。
大航海时代2的逆向工程实验：AI辅助下的数据考古与设计原语提取
本文记录了一次利用AI辅助对《大航海时代II》进行逆向工程的实验。作者旨在验证AI在处理二进制散乱数据、构建可验证结构图方面的能力，并探索90年代设计师在低算力下的设计智慧。实验中，AI承担了80%的数据整理、归纳与对齐工作（脏活主力），而作者则专注于20%的关键逻辑判断。文章详细拆解了从文件盘点、资源解包到SNDT脚本结构分析的全流程，提炼了一套AI时代的逆向方法论。
我见青山多妩媚：二十世纪数学史（上）
本文回顾了二十世纪上半叶数学发展的核心脉络。不同于十九世纪的开荒式扩张，二十世纪数学转向对代数、几何、分析及基础的系统化与结构化。文章重点讲述了代数如何从解方程演变为研究结构，涵盖了诺特及其对对称性与守恒量联系的证明、抽象代数的建立、范德瓦尔登《代数学》的普及、布尔巴基学派的结构主义风格，以及范畴论对“结构之间的关系”的探索。文中强调了物理学和计算机作为两大外部力量对数学发展的深刻塑造。
一文讲清楚美国医疗系统
文章深入剖析了美国医疗体系的复杂构成与运作逻辑。通过与中国的对比，指出美国医疗存在无统一付款人、价格不透明、保险与工作绑定等反直觉特征。文章详细梳理了四方结构（付费方、中介层、服务方、用户），解释了以雇主和私营市场为主的体系形成的历史原因，包括二战工资管控导致的“雇主保险”意外，以及Medicare和Medicaid的建立。最后分析了医疗支出高昂的去向，即资源投入与系统摩擦成本并存，并指出改革因利益集团博弈而步履维艰。
一篇文章看懂美国教育全生态
文章全面剖析了美国教育体系的生态分布，将其划分为K-12和大学两个主要阶段。在K-12阶段，详细阐述了公立学校（含特许、磁石）、私立学校（宗教、精英私校）及在家教育系统的运作逻辑、资金来源与阶层差异。在大学阶段，梳理了从藤校到公立旗舰、文理学院至社区大学的六层结构，揭示了资金来源（捐赠基金、学费、拨款）如何决定学校的定位与学生路径。
AI 如何打进美国教育生态？
文章深入分析了 AI 进入美国教育生态的路径与挑战。作者指出美国教育由多个分散的子系统构成，AI 创业公司难以通过存量替代击败老牌教育巨头，必须寻找真正的增量市场。文章提出了一套包含“付费方统一”、“ROI 明确”和“AI Native”在内的判断标准，并以此详细拆解了公立 K-12、课后补习、家教、SAT 备考等九个细分赛道，指出多数赛道面临关系网锁死、监管合规或天花板过低的困境。
数学照妖镜：AI 能发现新的数学定理吗？
文章回顾了人工智能与数学证明的深厚渊源，从1950年代的Logic Theorist到哥德尔不完备性定理，探讨了形式化数学的演进。重点介绍了现代AI数学的基础设施LEAN（包括其核心人物Leonardo de Moura、从v3到v4的演进及mathlib库），以及DeepMind、Harmonic、Axiom Math等科技巨头和初创公司在AI自动定理证明领域的布局。文章指出，AI正在通过神经网络与形式化验证的结合，重新回归逻辑推理的起点。