从邓煜2026年菲尔兹奖的数学工作看人工智能
文章通过分析2026年菲尔兹奖得主邓煜关于硬球动力学与玻尔兹曼方程的数学工作，探讨了人工智能的数学本质。文章指出，AI的核心能力在于在没有已知全局方程的情况下进行可学习数值计算，并强调AI的宏观能力源于局部数学结构的长期演化与闭合，而非单纯规模扩张。
🏷️ 神经网络
9 篇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。
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。
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。
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。
终极指南：Attention 机制、QKV 与 KV Cache
本文深入剖析了 AI 领域核心的注意力机制。文章回顾了 Attention 从早期神经机器翻译到 Transformer 架构的演变历史，详细解析了其解决固定长度向量瓶颈的原理。同时，通过图文并茂的方式，逐步拆解了从 Embedding 到上下文表示的过程，重点阐述了 Queries、Keys、Values (QKV) 机制的运作逻辑及其在现代大模型中的关键作用。
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。
如何成为一名机器学习工程师：完全指南
本文是一份详细的机器学习（ML）工程师学习路径指南。作者首先纠正了被动观看视频的学习误区，提出“两遍学习法”以建立深刻的技术理解。文章明确了ML工程师与数据科学家及研究员的区别，强调工程实现能力。随后，作者将学习路径分为两个阶段：第一阶段利用 3Blue1Brown 的视频构建数学直觉，涵盖神经网络、梯度下降、反向传播及 Transformer 架构；第二阶段（文中截断处未完）预告将通过 Andrej Karpathy 的课程来提升代码实现能力。