🏷️ 数学

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。

关于复杂性与涌现的数学思考

本文探讨了复杂性与涌现的数学本质，强调不连续性在系统跃迁中的关键作用。作者提出“堆叠流形”概念，解释神经网络如何通过无属性激活和满秩变换处理高阶非线性，指出涌现是数学上可预期的结果。

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。

国外名校量化金融免费公开课完整指南（2026最新版）

本文是一份2026年最新的量化金融免费学习资源指南。作者整理了来自MIT、Columbia、Stanford等顶尖名校的公开课资源，涵盖了数学基础、金融工程、风险管理和机器学习等核心领域。文章详细列出了完全免费的OpenCourseWare课程、免费旁听的MOOC、大数据资源以及WorldQuant University的免费硕士项目，并规划了从基础到进阶的实用学习路径，建议配合Python项目进行实战练习。

人工智能/机器学习数学基础与学习路径

文章详细阐述了掌握人工智能和机器学习所需的三大数学支柱：统计学与概率、线性代数以及微积分。作者不仅解释了每个领域的核心概念（如贝叶斯定理、矩阵分解和梯度优化），还强调了它们在 AI 模型（如神经网络、回归）中的实际应用。最后，作者分享了一条个性化的学习路线图，推荐了 3Blue1Brown、Coursera 课程及《统计学习导论》等优质资源，帮助读者从直观理解过渡到理论实践。

OpenAI模型破解80年数学难题：单位距离问题的突破

文章描述了OpenAI内部模型在离散几何领域取得重大突破，解决了困扰数学界80年的“单位距离问题”猜想。AI否定了埃尔德什关于“网格是最优解”的猜想，通过结合代数数论（如类域论和Golod-Shafarevich塔）构建出新的解，证明了存在更优的点配置。这展示了AI掌握全领域知识并进行复杂推理的能力。

提升思维的10本数学书籍（但鲜有人能读完）

文章推荐了10本能够重塑思维的数学书籍，这些书并非传统教材，而是需要主动参与的高强度思维训练。从探讨复杂系统的《哥德尔、埃舍尔、巴赫》到问题解决经典的《如何解题》，这些书籍涵盖了逻辑、证明、统计学等多个领域。虽然大多数读者因难度较大而半途而废，但坚持阅读并理解其中内容，将极大地提升读者在逻辑、模式识别及解决复杂问题方面的思维能力。