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。
全部文档 / 作者: snowboat
46 篇
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。
气吞万里如虎：回顾十九世纪的数学英豪们
本文回顾了十九世纪数学史的波澜壮阔。文章指出，十九世纪数学家们将数学从描述世界的工具转变为创造世界的工具，彻底改写了“数学是什么”。重点阐述了非欧几何的诞生（罗巴切夫斯基、鲍耶、黎曼）如何解放了几何学，使其不再局限于描述经验世界，而是研究空间结构与公理本身。这些变革为二十世纪的相对论、量子力学及计算机理论奠定了核心基础。
Vibe Reading：AI时代读书的系统化方法
文章提出了一种名为“Vibe Reading”的AI辅助读书方法论，旨在解决信息时代“阅读易，消化难”的问题。核心哲学是区分“伪学习”（机械检索、翻阅）与“真学习”（认知压缩、建立钩子），利用AI接管信息传输与筛选工作，而让人类专注于知识内化、费曼技巧等核心思考环节。文章详细介绍了从定需求、匹配书籍、压缩知识到费曼技巧的六步工程化流程，并对NotebookLM和Claude等工具进行了选型分析，强调在AI时代“判断是我的，秘书是AI的”协作理念。
全网最详细的AI学习路线图
文章由物理转行AI的大厂工程师撰写，针对AI自学者常见的盲目学习问题，提出先明确目标（算法或工程）和形式（写论文或做项目）的两大核心问题。作者指出2026年AI领域论文供给过剩，建议大多数人转向以工程落地为主的学习路径。文章详细拆解了传统机器学习、CV、NLP/LLM、推荐系统四大工业界方向，并结合数据分析了就业市场需求。最后，作者提倡使用“三三制”项目驱动法和“Vibe Coding”配合费曼学习法的高效学习策略。