辛克維奇时刻，历史正在重演？
文章回顾了有限元法（FEM）的发展史，指出伯克利学派和辛克維奇因数学基础局限而导致的衰落。作者将巴布什卡悖论与当前 AI 领域的 Scaling Law 类比，警示过度堆叠参数可能无法解决根本的架构缺陷，提出智能突破需重构底层数学架构。
相关文档
一篇文章带你祛魅算法工程师！
大厂在职算法工程师云辰 Cyan 撰文揭秘算法工程师职业真相。文章介绍了算法工程师的高薪现状：硕士校招 40-100 万，顶尖博士可超 150 万；并将岗位分为算法应用、模型推理、模型训练三个层级，指出 95% 的算法工程师从事的是'AI 赋能'类应用工作，门槛较低；而模型推理和基模训练则有较高技术壁垒。作者还提到当前校招竞争激烈（985 硕士+顶会论文+大厂实习已成标配），AI 人才供需失衡导致薪资倒挂，企业普遍存在 FOMO 心态。文章以幽默笔调对算法工程师这一职业进行了祛魅。
一个产品经理读完200篇AI论文后，看见了别人看不见的边界
文章讲述了前豆瓣产品经理谢青池通过阅读200多篇AI论文，梳理出理解大模型发展的历史视角。他通过分析从GPU、AlexNet到Transformer等关键技术节点的演进逻辑，指出产品经理需在边界变化中寻找最优解。读论文不仅消除了他对AI发展的焦虑，也让他能更精准地预判技术趋势。
光刻机的Deepseek时刻：从原型机到5台量产
文章探讨了中国在光刻机研发中的机会，提出“中国制造身体，AI制造脑子”的理念。通过结合中国强大的工业制造能力与AI技术，利用代理模型加速仿真、数据驱动优化控制以及构建研发闭环，可以显著缩短光刻机的研发周期并提高效率。
Kimi K3：超越 Fable 5 的开源模型完全指南
本文详细介绍了月之暗面发布的 Kimi K3 模型。该模型拥有 2.8 万亿参数和 100 万 token 上下文，性能超越 Claude Opus 4.8 和 GPT-5.6 Sol，对标 Fable 5。文章分析了其定价策略、架构创新以及模型自主优化架构的能力，展示了其在长程编码和 3D 前端开发方面的强大实力。
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。
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。
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（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。
20 张手绘图讲透 AI 核心概念
本文翻译整理了一组在 X 上广为流传的 AI 科普手绘图，涵盖从神经网络、Transformer 架构到大语言模型（LLM）的 20 个核心概念。作者不仅解释了 AI 底层运作原理（如分词、注意力机制），还介绍了模型优化手段（如微调、RLHF）及前沿应用架构（如 RAG、Agent、思维链），是一份简洁全面的 AI 技术入门指南。
LoRA - LLMs 的低秩适配详解
文章详细介绍了 LoRA (Low-Rank Adaptation) 技术，这是一种用于高效微调大型语言模型的方法。通过冻结原始权重并学习两个极小的低秩矩阵，LoRA 能够在保持模型性能的同时，大幅降低显存占用、训练成本和存储空间。文章还解释了 LoRA 的核心数学原理、具体实施步骤以及为何全量微调成本高昂的原因。
Mixture of Experts (MoE): Scaling AI with Specialized Models
文章深入探讨了混合专家模型（MoE），这是一种通过激活特定子网络来高效扩展 AI 模型的架构策略。文章回顾了 MoE 的历史背景，详细解释了其由门控网络和专家组成的结构及稀疏路由机制，并分析了其在 Transformer 中的应用、优势（如高效计算、参数扩展）以及面临的负载平衡和通信开销等挑战。