AI二十年：从沉默到会说会看会想
系列 · 终结篇第一期我们讲到2016年，AlphaGo击败李世石，全世界第一次亲眼看见AI的"可怕"。但如果把AlphaGo比作一个围棋天才，它的才华是"封闭"的——只会下棋，不会聊天，不会画画，不会写文章。就像一个智商爆表但从不开口的学霸，你知道他准厉害，但说不上来他厉害在哪。2016年之后发生的事情，才是真正让AI走进你手机、你办公室、你生活的那部分。机器不仅学会了说话，还学会了看、听、画，甚至学会了"推理"。这篇文章，就是这后十年的故事。如果你让我选一个字来形容AlphaGo之后这几年AI的发展速
AI演进之路：从卷积网络到注意力机制的技术变革
本文换一个视角，向下深入一层——探究支撑这些技术应用的模型，究竟是如何迭代演进的。01.你是否曾思考过：当我们观察一张老虎的照片时，无论它摆出什么姿态，我们都能认出这是一只老虎？但对于一段文字，哪怕只是调换词语的顺序，含义可能就完全改变了？这源于图像与文本在底层逻辑上遵循着截然不同的规律。图像信息依赖特征识别。无论老虎是趴着还是站着，只要有尖耳朵、圆眼睛、胡须等特征，就能准确辨认。姿态、背景、光线如何变化，都不会影响核心特征的提取。文本信息则依赖顺序关系。"我吃香蕉"和"香蕉吃我"——词语完全相同，仅顺序
大模型背后的数学支柱
人工智能的基础有哪些呢？在常见的讨论中，常给出的答案往往是"算力""数据"或"Transformer 架构"。这些回答并没有错，却停留在工程层面。若沿着技术栈继续下探，会发现真正支撑 GPT、Claude、Gemini 等新一代大语言模型（Large Language Model, LLM）的，是三门基础的数学学科——线性代数、微积分、概率与统计。事实上，学界目前尚缺乏一套能够完整解释 Transformer 全部行为的统一数学理论（Tai et al., 2025）；但在"输入表示—信息加工—参数训练"
硬啃 AI 底层原理一天，感觉大脑在扩容
今天刷微博看到 tombkeeper 说想要讲清 AI 的整体思考，得从经济学讲到物理生物，没几万字下不来。这时我也想到自己用了不少时间的 AI，也算是入门了，知道用它来写自动化脚本，可问我 AI 的底层逻辑是什么，却支支吾吾，前 seawater连 token 这个概念都回答不出来，看来我也只是满足于用罢了。先啃再说我相信 AI 是未来的趋势，那想要抓住它，应该懂点基本原理，不需要自己手搓大模型，只要比现在了解得更透彻就够了。所以说做就做，我这个纯文科生，决心今天啃一下 AI 材料。那么啃什么材料呢？我
揭秘AI瞬间把握核心的奥秘
揭秘AI瞬间把握核心的奥秘「猫没追上那只老鼠，因为它太慢了。」这里的「它」指的是猫还是老鼠？人类瞬间就能明白，AI凭什么也能理解？这靠的就是大名鼎鼎的「注意力机制」。AI 每处理一个词，都会回头审视整个句子，给其他词打分：跟我有多相关？越相关，就越「关注」它。 打个比方：就像你带着问题在一堆资料中搜索。你的问题是Query，资料的标签是Key，匹配上了就把对应的Value提取出来。 那「相不相关」怎么判断？把两个词的数字向量对应位相乘再相加（这步叫点积），得数越大，两个词就越匹配，注意力分配得越多。 这个
AI真的懂人话吗？
你以为模型在 "读汉字"，其实它先做了一道 "切分题"。模型会把输入的句子切成一个个最小处理单位，叫做token。一个 token 可能是一个字，可能是一个词，也可能只是词的一部分。比如 "地铁站" 可能是一个 token，也可能被切成 "地铁"+"站"，取决于模型的分词规则。切完之后，每个 token 会被转换成一个数字编号。但编号本身没有意义。就像身份证号 141121xxxxxxxxxxxx，你能看出这个人是内向还是外向
985理论体系对决AI算力：智能投资新范式
985理论的核心在于释放套牢筹码后抛压减轻，拥有做优做强的根基与信心，当然过程未必一路坦途，需结合市场情绪、题材热度、板块轮动及资金认同度，持续迭代优化，耐心等待时机成熟！切勿轻信眼前首组数据，即分时走势，因你所见恰是他人有意呈现！依托985理论的底层框架与边界界定、痕迹留存与验证确认，助我们穿透表象洞察本质运行规律——微积分与概率论融合，K线形态、量能分布、主力资流向，经由换手率变化开展周期研判，借助月线观察状态演变预判，综合多维要素进行概率测算，数理模型在金融场景中的灵活运用，然任何模型皆无法百发百中
AI的神经网络：真相不是脑洞，是数学计算
摘要：为什么AI叫‘神经网络’？它真能像人脑那样思考吗？一层层拆解它的运行逻辑。你一定听过‘神经网络’这个术语。但它真的复制了人脑结构？还是只是名字听起来很前沿？事实是：它确实受生物神经启发，但早已脱离生物学本质。人脑约有860亿神经元，通过突触彼此互联。工作原理：特点：1958年，心理学家Frank Rosenblatt设计出首个‘感知机’模型。简化流程：举例：识别一封邮件是否为垃圾邮件输入：加权：计算：若邮件含‘中奖’和‘免费’等词，则：激活：若总分超过阈值（如1.0），则判定为垃圾邮件。这就是一个神
长对话让AI变笨？深度用户实战技巧与底层原理解析
一、问题现象当你频繁与AI进行深入探讨和协作时，常常会遇到它变得混乱的情况：◕搞混了之前反复确认过的关键要素；◕记不清最终版本是哪一稿；◕或者把好好的版本改成了低质量内容。这并非你的操作失误，也不是某款产品的bug，而是当前所有大语言模型共有的架构局限。核心症结：AI的“超长上下文”只是显存容量大，并不代表它真正拥有强大的记忆与思维能力。长时间对话后，它的记忆提取能力会发生显著变化。今天我们不仅分享作者的实战经验，还会深入剖析其背后的技术机制，帮助大家不仅会用AI，更能理解其原理。二、技术原因简析目前几乎
神经网络如何处理语言规则
神经网络如何处理语言规则在文本生成任务中，存在三个核心层面：第一层是事实性知识的内涵，第二层是词汇概念间的语法组合方式，第三层是串联语句段落时的逻辑架构。事实储备（知识库信息）、语法结构（词汇搭配准则）、篇章脉络（句段组织模式），构成了文本生成的三大基石。这三者并非以显性的规则条文形式存在，而是全部嵌入在Transformer的数十亿权重参数中，以高维向量空间的形式隐性表达。1.事实层面：词汇与概念间的关联强度大规模语料中「苹果-水果、黄河-河流」这类共现频次，被转化为词向量的权重数值：语义相近的Toke
掌握AI数学基础：矩阵运算与Transformer机制解析
恭喜你走到了这个系列的最后一篇。回顾一下我们的路径：今天，我们把所有零件组装在一起，看到 Transformer 的核心公式：Attention(Q, K, V) = softmax(QKᵀ / √dₖ) × V这个公式里的每一步，你都已经学过了。今天只是把它们串起来。系列导航▻ 第一篇：从数轴到高维空间▻ 第二篇：向量的加减法 — 点积与余弦相似度▻ 第三篇：矩阵——空间的变形术► 第四篇（本文）：矩阵乘法与 AI— 理解 Transformer 的最后一块拼图▻ 第五篇：激活函数——神经网络的开关▻
掌握AI生图核心技巧：扰动词运用指南
在AI提示词中存在一类特殊词汇——扰动词，它们并非用于描述具体画面元素，而是作为"干扰信号"引导AI优先处理生成逻辑。正是因为这些词汇本身不承载具体含义，却能调节AI的注意力分配机制，因此能创造出许多令人惊喜的视觉效果。掌握以下三个要点，让你充分运用扰动词来优化AI图像生成品质。第一点是主体细节过度强化问题，当你描述材质精良、画面整洁等要求时，AI往往会过分纠结于细节刻画，因为主体显得僵硬，噪点明显，添加扰动词后，AI会重新分配计算资源，优先响应扰动词指令，这样主体呈现就会自然流畅。第二点是抽象概念被AI
AI 雷达日报(2026-05-19)
💡 核心判断 AI 行业正迎来底层逻辑的变革：从“人机协作”迈向“人类设定目标，机器独立执行”。2026 年 5 月，多个领域的密集信号——从 AI 自主运营广播电台、Alexa+ 按需生成播客，到 Anthropic 收购 Stainless 以强化开发者工具链——共同印证了一个事实：AI 的竞争重心已从模型参数性能，转向“自主操作能力”与“开发者集成体验”这两个相互促进的维度。产品经理需重塑交互范式，并将开发者体验（DX）提升至与用户体验同等的核心地位。💡 核心判断AI 的应用形态正经历从“增强工具”
模速×追梦 AI 开放麦：揭秘视觉语言模型的注意力迷失
模速 × 追梦 AI网络直播视觉语言模型在注意力机制里的迷失之谜本次直播将深入探讨视觉语言模型（LVLM）面临的关键瓶颈——为何高性能模型会在注意力机制中“迷失方向”？奚工理将进行全方位解析，从注意力余诊断入手，搭建统一的解释架构，并展望多模态模型的未来演进路线。1直播亮点LVLM 的主要难点：跨模态对齐的现实困境注意力余诊断： pinpoint 模型“分心”的根源统一解释架构：重塑对注意力机制的认知未来走向：构建更高效、更具可解释性的多模态架构2直播详情受众群体：AI 科研人员、算法工程师、多模态行业专
AI安全系列：Transformer架构初探
本篇是原定的AI与AI安全系列的第一篇。当然后面由于各种原因，一个是AI投毒事件，一个是我想试试讲课，被拖到第三篇。这篇和https://www.bilibili.com/video/BV183ojBuE1Y（同样的，点击阅读原文）配套，同时如果两边的描述有不一致，介于两者创作的时间差——尽量以视频为准（当然鉴于直播时要把讲的部分串起来，所以本文中的很多其他原理部分就没有涉及）。首先，由于笔者苯人也不怎么懂。所以在这个系列里我们不太可能进行数学上的探讨。本系列中所有关于原理的解释，都仅致力于让读者简单理解