#连接主义
共 23 篇相关文章
·12 分钟
塞缪尔跳棋程序：机器学习的真正起点
亚瑟·塞缪尔1950年代编写的跳棋程序首次定义了机器学习概念，开创了评估函数、自我对弈和参数优化等经典技术。本文深入解析这一奠基性工作如何影响了从深蓝到AlphaGo的整条AI发展脉络。
阅读全文 →
·7 分钟
从函数到神经网络：一文读懂AI的底层逻辑
从函数表示一切的信念出发，解析符号主义、连接主义到神经网络的演进路径。用最简单的主线讲清机器学习、深度学习的核心思想，帮你真正理解AI的底层运算逻辑。
阅读全文 →
·16 分钟
医疗AI安全架构：规则引擎与机器学习混合设计实践
探讨医疗AI领域中规则引擎与机器学习的混合架构设计，分析确定性规则引擎、约束满足问题(CSP)和评分机制如何在运动处方系统中保障安全底线，同时借助ML实现智能优化。
阅读全文 →
·8 分钟
自学AI必看：10大顶级YouTube频道推荐与学习路径规划
一份在Reddit和X上广泛传播的AI学习YouTube频道清单，涵盖3Blue1Brown、Andrej Karpathy、Jeremy Howard等10+优质频道，从数学基础到大模型工程实战，为自学者规划完整的AI学习路径。
阅读全文 →
·10 分钟
从莱布尼茨到ChatGPT：350年机器理解人类语言探索史
从17世纪莱布尼茨的通用符号语言梦想，到今天大语言模型的提示工程，人类用350年探索如何让机器无歧义地理解意图。本文梳理逻辑学、计算科学与AI发展的思想脉络，揭示意图对齐问题的哲学根源。
阅读全文 →
·8 分钟
LLM为何无法跳跃？大模型推理的本质局限与未来突破
深入解析论文《LLMs Can't Jump》的核心观点，探讨大语言模型在推理能力上的根本局限——为何LLM擅长插值却难以实现逻辑跳跃，以及这对AGI发展路径意味着什么。
阅读全文 →
·12 分钟
机器学习数学基础入门：定义、概率视角与核心框架详解
从Tom Mitchell经典定义的T-P-E框架出发，深入解析机器学习的概率视角，理解随机变量与不确定性决策的数学本质，为系统学习ML打下扎实数学基础。
阅读全文 →
·15 分钟
机器学习的数学基础：从Mitchell定义到概率视角全解析
深入解析机器学习的数学基础，从Tom Mitchell经典定义的三要素（任务T、性能P、经验E）到概率视角下的随机变量与贝叶斯决策理论，帮助初学者建立从概念到严谨数学思维的完整认知框架。
阅读全文 →
·7 分钟
反向传播与持续学习的根本矛盾：灾难性遗忘能否被真正解决
深入探讨反向传播机制与持续学习之间的根本性矛盾，分析灾难性遗忘的根源、现有解决方案的局限，以及局部性学习和神经形态计算是否能提供真正的突破路径。
阅读全文 →
·11 分钟
反向传播与持续学习的根本冲突：灾难性遗忘能否被解决
深入探讨标准反向传播机制为何导致灾难性遗忘，分析其与持续学习的根本冲突，以及EWC、经验回放等缓解方案的有效性，帮助理解深度学习在连续任务场景下的核心挑战。
阅读全文 →
·6 分钟
AI建模人类空间推理能力：从认知实验到计算模型的突破路径
探讨AI如何通过人类空间推理实验数据构建认知计算模型。分析大语言模型的空间认知盲区、认知建模的双向研究价值，以及具身智能领域的前沿应用关联。
阅读全文 →
·13 分钟
词向量到大语言模型：AI 2.0技术演进全解析
从词向量、词嵌入到RNN、BERT、Transformer，再到ChatGPT与GPT-4——本文系统梳理大语言模型的完整进化脉络，带你读懂AI 2.0时代的技术根基与Prompt范式的确立过程。
阅读全文 →
·6 分钟
符号AI与神经网络融合：系统学习路径与核心数学工具
深入解析符号搜索与梯度学习的数学本质差异，梳理逻辑与类型论、范畴论、代数几何等核心数学领域，提供一份面向神经符号AI融合的系统学习路径。
阅读全文 →
·17 分钟
AI大模型入门：核心概念、发展历程与国产模型格局
零基础理解AI大模型：厘清人工智能、机器学习、深度学习与大语言模型的关系，梳理从深蓝到ChatGPT、DeepSeek的演进脉络，盘点通义千问、智谱、文心一言等国产大模型竞争格局，助你快速入门大模型应用开发。
阅读全文 →
热爱LLM却厌恶炒作：工程师如何理性看待大语言模型
·13 分钟
热爱LLM却厌恶炒作：工程师如何理性看待大语言模型
一篇引发技术社区热议的文章揭示了工程师对LLM的真实态度：既认可其在代码辅助、知识获取等场景的实际价值，也警惕AGI叙事过度膨胀、幻觉问题被淡化与估值泡沫等炒作乱象。本文梳理如何在热爱与理性之间找到平衡，以务实视角最大化LLM的工具价值。
阅读全文 →
·8 分钟
BERT新增分类类别：增量微调的三种策略与灾难性遗忘解法
BERT分类模型扩展类别时，面临分类头固定维度与灾难性遗忘两大难题。本文对比全类别预声明、扩展分类头继续微调、全量重训三种策略，并介绍数据回放、EWC正则化、LoRA/Adapter等实用解法，帮你选出最适合业务场景的增量学习方案。
阅读全文 →
·7 分钟
神经符号AI架构：模拟神经递质与睡眠周期的新思路
探索神经符号AI架构如何融合神经网络与符号推理，通过模拟神经递质调节机制和睡眠周期，解决AI幻觉、灾难性遗忘等核心痛点，开辟生物启发式智能系统新方向。
阅读全文 →
·13 分钟
AI真的聪明吗？下一代人工智能的发展方向与能力边界
大语言模型真的具备智能吗？本文深入剖析当前AI的核心局限——模式匹配、幻觉问题、推理缺陷，并探讨推理时计算、神经符号AI、具身智能等下一代人工智能的关键发展方向。
阅读全文 →
·11 分钟
Sprout实验：不依赖神经网络的确定性符号推理AI探索
Sprout是一个反主流的AI研究实验，完全抛弃GPU与神经网络，转而采用确定性符号推理逐步学习。它拥有可审计知识库，证据不足时拒绝回答，将可解释性与治理置于首位。本文深度解析Sprout的技术路线、设计理念及其在可信AI领域的独特价值。
阅读全文 →
·13 分钟
零基础入门AI：绕开数学与Python语法的五步实战路径
零基础学AI总在数学和Python上卡壳？本文梳理五步入门路径：先理解概念、轻量学Python、掌握机器学习与深度学习原理、上手PyTorch框架，再通过项目实战深化理解。先用起来，再钻进去，是最高效的AI入门方式。
阅读全文 →