- 博客(27)
- 收藏
- 关注
RSS订阅原创 微积分的本质 - 02 - 导数的悖论
这篇文章通过3Blue1Brown的微积分教程，深入浅出地探讨了导数的本质。作者指出"瞬时变化率"这一概念存在逻辑悖论，因为变化需要两个时间点才能测量。文章通过汽车运动示例，展示如何用极限思想解决这一矛盾：将时间差dt趋近于0，用ds/dt表示某点切线斜率，从而得到速度函数v(t)。以s(t)=t³为例，详细演示了求导过程，最终得到导函数3t²。作者强调导数并非测量"瞬时变化"，而是"变化率的最佳近似"，揭示了微积分通过极限概念巧妙处理无穷小量的智
2025-10-21 09:54:26
850
原创 AI 与神经网络：从理论到现代应用
摘要：神经网络技术从20世纪50年代提出感知机概念，到80年代反向传播算法突破，奠定了现代AI基础。随着GPU算力提升、互联网大数据积累及Transformer架构创新，特别是注意力机制的应用，AI技术实现质的飞跃。OpenAI的GPT系列基于Transformer解码器，成为当前最成功的生成式AI模型，展现了从理论到应用的完整技术链条：注意力机制→Transformer→GPT→实用化AI。这标志着算力、数据和算法协同作用下的技术革命。
2025-10-12 13:04:04
425
翻译 Attention Is All You Need
本文提出了一种全新的神经网络架构Transformer，该模型完全基于注意力机制，摒弃了传统的循环和卷积结构。在机器翻译任务上，Transformer表现出卓越性能：在英德翻译任务中达到28.4的BLEU分数，超过当时最佳结果2分；在英法翻译任务中获得41.8的BLEU分数，且训练时间仅需3.5天。论文详细介绍了多头注意力机制、位置编码等关键技术，并通过实验证明该架构在计算效率、并行化能力和长距离依赖建模方面具有显著优势。Transformer不仅实现了最先进的翻译性能，其训练成本也大幅降低，为序列建模任务
2025-10-12 06:06:03
100
原创 微积分的本质 - 01 从圆的面积到微积分的本质
这篇学习笔记总结了3Blue1Brown微积分课程的核心思想。作者通过计算圆面积的例子，展示了如何从近似（将圆分割为同心环）到精确（积分求和）的过程，解释了微分与积分的互逆关系。笔记强调了导数作为解决积分问题的关键，以及微积分基本定理的重要性：积分函数就是导数累加的面积函数。整个过程体现了数学从特例中发现普遍规律的特点，让人感受到"发明数学"的思维过程。
2025-10-11 17:25:30
666
原创 今天就想写一下学习没有容易的这个话题，不要以过来人的眼光看初学者。
学习任何技能都遵循相同规律：初学时总会觉得像"天书"般困难，经历挫败感是必经阶段。无论是数学、画画还是AI，从陌生到熟练都需要长期积累，不可能速成。家长辅导孩子时容易忘记自己当年的困惑，而急功近利的帮助反而会阻碍成长。真正的掌握需要反复尝试、沉淀和持续实践，短期冲刺只能带来表面进步。每个领域的学习曲线都证明：耐心和韧性比天赋更重要，长久付出才是掌握技能的核心。
2025-10-11 17:16:37
395
原创 大语言模型的天花板：被动灌输的尽头与主动探索的未来
当前大语言模型（LLM）存在被动学习的局限性：仅通过文本数据训练，缺乏对世界的直接体验和因果理解，导致知识增长遇到天花板。理查德·萨顿指出，真正的智能进步应来自自主探索。未来AI需要突破被动灌输模式，融合多模态感知和强化学习，构建能主动与世界交互的"世界模型"，实现从语言智能向通用智能的跨越。智能的核心在于探索能力而非知识积累。
2025-10-08 01:58:40
747
原创 如果科学是一套操作系统（OS）数学就是根目录
科学体系如同操作系统：数学是根目录，提供逻辑框架；物理是内核，定义自然运行机制；化学、生物等学科为用户态进程，基于底层规则构建更高抽象；工程与技术是应用程序，将科学转化为实用产品；哲学则是编译器，指导知识组织与理解。这个不断升级的"科学系统"由人类共同开发完善。
2025-10-07 04:37:17
335
原创 AI的出现，是否能替代IT从业者？
近年来，人工智能（AI）技术尤其是大规模语言模型（如ChatGPT）的快速发展，引发了社会各界关于AI是否会取代人类工作的热烈讨论。IT行业作为科技发展的前沿阵地，自然成为关注焦点。那么，AI的出现，是否真的会替代IT从业者呢？
2025-10-05 03:25:54
836
原创 年薪百万差距从何而来？AI工程师 vs 算法专家 vs AI科学家
AI技术人员可分为三类：1）AI工程师（调整模型，年薪10-30万$）；2）算法优化专家（改进算法，需数学基础）；3）AI科学家（创新模型，薪资最高）。数学能力是AI进阶的关键，与传统开发不同，AI深入发展需要线性代数、微积分等知识支撑。建议从基础应用起步，逐步强化数学能力向高端研发发展。
2025-10-03 00:19:03
562
1原创 深入底层机制：InnoDB、Oracle、PostgreSQL 的主键与碎片策略解析
数据库设计本质在于建立数据秩序，不同存储架构各有特点：InnoDB聚簇索引依赖自增主键减少碎片，但MVCC机制仍会导致更新碎片；Oracle和PostgreSQL的堆表结构使主键无法避免随机写入的页分裂。无论采用何种架构，碎片治理都需要结合主键设计、定期维护（如VACUUM/SHRINK）和业务场景优化，在数据混乱中构建秩序。理解底层机制是打造高性能数据库系统的关键。
2025-06-25 20:36:35
494
原创 为什么程序员不太喜欢微软生态，但企业和政府用户却很喜欢？——结合.NET、Java和WSL谈一谈
微软生态的特点决定了它在企业和政府用户中有强大优势，但也因此积累了程序员的怨恨。WSL等开放举措正在改变这一状况，未来微软如果能持续深化开放和兼容，可能会赢得更多程序员的认可。微软生态是“企业的稳定堡垒，程序员的技术围墙”，但这堵墙正在逐渐变得通透。
2025-06-05 19:02:28
603
原创 macOS 看起来很高级？其实 Windows 才是真正背锅侠
Windows和macOS的设计差异源于不同的商业策略：Windows作为开放平台，需兼容海量硬件和软件，承担着支撑全球生态的重任；macOS则专为苹果封闭硬件打造，免除兼容负担，得以专注用户体验。类似地，Android也因开放生态面临碎片化问题。数据表明，Windows支持数百万种配件和数千万款软件，而macOS仅适配50种设备。因此，Windows的"臃肿"并非技术缺陷，而是维系庞大生态的必要妥协，其背后是微软与苹果截然不同的商业路径选择。
2025-06-04 18:56:33
815
原创 为什么40+开始学数学、做AI并不晚
很多人可能会觉得，年纪大了时再去学习数学和AI已经不适合，尤其是40+的人，可能会担心自己错过了最佳的学习时机，甚至可能会受到行业中的一些年龄歧视。然而，实际上，40+开始学习数学和做AI，远比想象中的要容易和充满可能性。当然我说的不是进入公司，40+的人进公司一定会歧视你的。1. AI行业看重成果，不看年龄在AI行业，最重要的不是你的年龄，而是你能创造出什么样的成果。无论你是20岁还是50岁，只要你能够贡献有价值的内容，比如发布开源项目、优化某个模型，或者写出一篇深度的教程文章，你就能得到认可。开源社区、
2025-05-26 16:41:35
708
原创 AI 入门的三大数学基础：线性代数、微积分与概率论
AI正在逐渐改变我们的生活，而想要真正理解 AI 背后的技术原理，扎实的数学基础是不可或缺的。无论是想进入 AI 领域从事工程师工作，还是为了通过在 AI 社区的贡献，数学都将是你迈向成功的关键。今天，我们将讨论三门关键数学学科：线性代数、微积分与概率论，以及如何通过这三门基础学科为深入 AI 打下坚实基础。我在开始研究ChatGPT原理时想绕过数学，结果发现绕不过去。我也想明白了一个道理，学任务东西没有容易的。学习线性代数、微积分与概率论3Blue1Brown就是很好的学习资源。传统的软件开发中，程序员可
2025-05-08 18:38:47
989
原创 永生，可能是一场维度的错觉
癌症，某种程度上，就像是这些曾经追求永生的遗迹，犹如我们体内无用的阑尾，是历史留下的痕迹。同理，对于三维世界中的我们来说，“第四维”——时间——也许并不真实，它只是我们无法理解的高维运动投影。如果有朝一日，人类能够完全控制细胞的分裂与重建，也许真的可以走上长生的道路——因为控制细胞生长，可能正是打破生老病死循环的关键。在二维空间里的生物，看不到厚度，它们所理解的“时间”，其实是我们在第三维度中一个简单的运动。也许我们真正该追求的，并不是永生，而是可控的长寿——像一首延长而不重复、不僵化的乐章。
2025-04-29 22:32:18
1184
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人