什么是深度流形？
本文介绍深度流形框架，一个旨在揭示神经网络数学结构的理论体系，由四大支柱构成：学习作为反问题（解释了学习的适定性与锯齿智能现象）、范畴论（神经网络学习的是数据间关系而非数据本身）、堆叠分片流形（学习发生在层与迭代形成的演化几何结构中）、不动点理论（描述学习在变化边界条件下的推进方式）。文章阐述了神经网络方程、训练动力学、模型推理的数学原理，指出网络能力源于计算的无属性性与满秩性。该框架旨在为神经网络建立严谨的数学基础，实际意义在于实现更高效的学习、更好的对齐和更小的模型。
相关文档
深度流形不是计划的
本文回顾了作者从Health AI到“深度流形”理论的研究历程。作者通过与导师石根华的探讨，发现神经网络与堆叠分片流形、不动点理论存在深刻联系。文章介绍了“蓝领智能”和“学习空间”概念，展示了通过理解学习空间大幅减少模型参数量的实践，并阐述了深度流形在AI数学框架及现实应用中的潜力。
如何利用神经网络在交易中获得优势：量化交易框架指南
文章深入探讨了如何利用神经网络构建量化交易系统。作者解释了对冲基金如何利用机器学习提取交易优势，揭示了神经网络计算条件期望的数学本质，而非直接预测未来。文中分析了为何直接预测价格会失败，并提出了正确的数据处理方法和架构选择，旨在为交易者提供一个从数据准备到信号部署的完整实施框架。
关于人工智能仿真与 RSI 的数学思考
作者从数值仿真研究背景出发，探讨人工智能仿真与递归自我改进（RSI）之间的数学联系。文章回顾了非连续变形分析（DDA）在地震工程中的应用、二战德军潜艇狼群战术与英国兵棋推演的历史，说明仿真不仅是求解已知方程，更是发现未知数学关系的实践方法。作者认为RSI本质上是仿真及反馈过程的自动化：多智能体系统可模拟兵棋推演中的各方参与者，通过反复生成场景、评估结果并保留改进来提升能力。文章进一步讨论了运筹学、参数化与非参数化方法、接触理论及不等式系统在仿真中的数学基础，并强调RSI会同时放大改进与错误，验证与基准检验必须贯穿整个迭代过程，以防止未经验证的结果成为后续自我改进的基础。
凿构周期律 · 数学系列（二十五）人类精神的荣誉
文章从1829年雅可比致勒让德的信谈起：科学唯一的目的是人类精神的荣誉。作者梳理了数学史上'为了用'与'为了它自己'两种目的观近两百年的交锋，从巴比伦记账泥板、傅里叶的热传导，到哈代的《辩白》、布尔巴基与四色定理。文章指出无论哪种立场，具体的人都常被排除在目的之外——诺特被制度挡在门外，密码学家隐姓埋名，孩子们默默核对证明。布劳威尔、外尔、瑟斯顿等人则不断把'人'收回数学的中心。最后文章回应2025-2026年AI冲击数学界的现实：机器达到IMO金牌线、代理证明费马大定理、千禧年问题的争议，追问在机器时代谁来署名、谁负责，重申'人是目的，构是手段'的核心论断。
AI 眼里根本没有猫，那它到底是怎么认出猫的？｜从 0 开始理解大模型底层
本文从最简单的线性模型 y=wx+b 出发，逐步拆解神经网络识别图片的原理。作者解释了为何单层线性计算表达能力不足，堆叠多层也仍会退化为一次线性变换，因此需要 ReLU 等激活函数引入非线性。随后说明图像如何从原始像素经多层计算被加工成适合任务的内部表示，并澄清了'第一层看线条、第二层看耳朵'的常见误解。文章还介绍了万能逼近定理的含义与局限、CNN 与 Transformer 的关系，以及模型为何是黑箱与机制可解释性，最后引出过拟合问题，为下一篇泛化主题做铺垫。
AI 到底是怎么学会东西的？我把机器学习的训练过程拆开看了一遍
文章以通俗易懂的方式拆解机器学习的训练原理。作者从传统编程与机器学习的思维差异切入，说明机器学习是让计算机从数据中自行寻找规律。随后讲解核心概念：X→Y 的映射、特征与标签、向量/矩阵/张量的数据表示、Embedding 的意义；再解释模型本质是带大量可调参数的函数，训练通过损失函数衡量错误，借助导数与梯度判断参数调整方向，梯度下降如蒙眼下山的比喻直观呈现了这一过程。文章还涵盖局部最优与鞍点、泛化能力、Batch/SGD/Mini-batch 的取舍以及 Adam 优化器的改进思路，帮助初学者建立机器学习的整体认知框架。
The Math Needed for AI Inference Engineering (Complete Roadmap)
本文系统梳理了AI推理工程所需的核心数学知识路线图。内容涵盖：浮点数表示（FP32/FP16/BF16/FP8/INT8等格式的位分配与精度/范围权衡）、舍入误差累积、溢出与下溢、机器epsilon、灾难性消除及稳定softmax与log-sum-exp技巧；量化数学，包括scale与zero-point线性映射、对称/非对称量化、粒度选择、范围裁剪、激活离群值处理及基于Hessian的曲率方法；以及线性代数计算成本分析，如矩阵乘法的浮点运算量与内存读写开销估算。作者强调在性能分析前能手算层耗时是推理工程中最有价值的习惯。
小白必看：从词向量到Transformer，一口气搞懂自然语言NLP技术发展
文章以一个趣味猜词游戏切入，通俗易懂地讲解NLP技术的演进历程。首先介绍基于统计的N-gram模型及其在组合爆炸和语义理解上的局限；接着引出词向量（Word Embedding），通过高维空间中的坐标表示词语含义，使模型具备泛化能力；然后讲解前馈神经网络如何利用词向量进行预测；再介绍RNN通过隐藏状态机制处理任意长度文本，实现记忆功能；最后指出RNN存在长期依赖问题，为LSTM等改进方案做铺垫。全文循序渐进，用生活化例子帮助读者理解语言模型预测下一个词的基本原理。
AI for Science：自我演化发现的黎明
本文基于曹原访谈，探讨数学、逻辑与物理世界的区别及AI在科学发现中的局限。AI擅长演绎推理，但跨越物理边界面临挑战。真正的科学智能需要从封闭学习空间转向开放式自我演化，通过实验反馈不断重构关系结构。
现代科技与人工智能：改变一切的时代
文章探讨了人工智能如何重塑智能手机、自动驾驶、医疗、机器人、智慧城市和太空探索等关键领域，并提出了关于隐私、责任、伦理和人类独特性等深刻问题。作者认为AI是反映我们数据、价值观和梦想的镜子，其发展取决于我们自身。
Karpathy GitHub 上最重要的 5 个仓库：从零学习 AI 基础
本文介绍了 Andrej Karpathy 的 GitHub 上五个最具教育价值的仓库：micrograd、nanoGPT、minGPT、llm.c 和 nanochat。这些仓库以极简和清晰著称，帮助学习者从零理解神经网络、反向传播、GPT 架构、底层实现和完整的 LLM 系统。文章强调了主动学习的重要性，并提供了实践学习路径，帮助读者从基础原理到实际应用建立直觉。
机器学习的开放问题总论
本文系统梳理了机器学习领域的开放问题，将其归纳为两个主干：缺乏有效状态变量和缺乏低成本可重复的因果实验制度。作者提出了一套筛选标准，强调问题应具有可操作性和可证伪性。文章详细分析了状态变量应满足的五条性质，以及因果实验制度面临的样本量、可复现性和归因三大短板。此外，还讨论了裁判质量作为横切轴的重要性，并区分了噪声与偏差的成本差异。
