第133章 符號逻辑推理的数学模型（1/2）

做完报告的准备工作，距离前往波恩参加chabonnty会议，还有整整三周的时间。

这段时间，对於徐辰来说，显得有些尷尬。

cntt变换的推广，卡在了那个该死的“对数”项上，一时半会儿找不到突破口。

而重新开启一个新的课题？

三周时间，对於普通的“水论文”来说或许足够，但对於现在的徐辰而言，发一篇二区、三区的文章，已经毫无意义。

他的目標，至少是一区顶刊。

而一篇顶刊级別的论文，从选题、构思到证明、成稿，哪怕是他这样的“掛逼”，也不可能在三周內凭空变出来。

“这三周，总不能閒著吧？”

徐辰坐在研究室里，看著窗外燕园的春色，手指无意识地敲击著桌面。

他的目光，扫过系统物品栏。

那里，静静地躺著一份他之前抽到的4级物品——《具备逻辑推理与长时记忆模块的改进型大语言模型算法框架（laart）》。

自从上次看完这篇论文后，他就一直把它束之高阁。

一方面是因为当时忙著搞数论，没时间；另一方面，也是因为他对ai领域的知识储备，还远远不够。

“反正閒著也是閒著，不如……先把ai这块硬骨头给啃了？”

徐辰的心思活络了起来。

“而且，系统发布的那个『多维度的学者』主线任务，要求我在其他三门学科发表sci论文。ai，正好对应著『计算机科学』。”

“如果能把这篇laart论文吃透，再结合我现在的数学能力，发一篇计算机领域的顶刊，应该不是什么难事。”

“更重要的是，如果真的能把这个模型復现出来，哪怕只是一个简化版，它也能成为我科研路上的得力助手。”

想到这里，徐辰不再犹豫。

他打开电脑，登录了北大的图书馆资料库，开始疯狂地下载关於“深度学习”、“自然语言处理”、“图神经网络”、“符號逻辑”等领域的经典教材和前沿论文。

《深度学习》（花书）、《统计学习方法》、《强化学习导论》……

一本本厚重的电子书，被他拖进了阅读列表。

……

本书首发 读好书选 101 看书网，????????????.??????超讚 ,提供给你无错章节，无乱序章节的阅读体验

他先是用两天时间，將《深度学习》这本被誉为“ai圣经”的花书，从头到尾“扫描”了一遍。

对於普通计算机系的学生来说，这本书里的数学推导，比如反向传播算法中的链式法则、正则化中的拉格朗日乘子法，可能需要花上几个月去消化。

但对於数学等级已经达到lv.2巔峰的徐辰来说，这些东西，简直就像是小学生的加减乘除一样简单。

“所谓的神经网络，本质上就是一个高维空间中的非线性函数逼近器。”

“所谓的训练，就是在这个高维空间里，寻找一个能让损失函数最小化的点。”

“所谓的泛化，就是希望这个函数在没见过的数据点上，也能表现得足够好。”

徐辰一边看，一边在心里默默总结。

在他眼中，那些复杂的网络结构图，瞬间被还原成了最本质的数学公式。

……

然而，当他试图深入了解最新的大语言模型（llm）时，却发现了一个尷尬的问题。

书，不够看了。

ai领域的发展速度，实在是太快了。

传统的学术界，知识的沉淀和出版，往往需要几年的时间。一本教材从编写到出版，可能里面的技术就已经过时了。

而ai，尤其是大模型，几乎是以“周”为单位在叠代。

这种“工业界倒逼学术界”的现象，在ai领域尤为明显。

很多最前沿的技术，根本来不及写进书里，甚至来不及发表正式的论文，就已经被openai、google、meta这些科技巨头，直接应用到了產品中，或者以技术博客、开原始码的形式，扔到了github和hugging face上。

“看来，光看书是不行了。”

徐辰果断调整了策略。

他打开了coursera、udemy，以及b站，找到了几门由史丹福大学、吴恩达、李飞飞等顶级大佬开设的最新网课。

《cs224n：自然语言处理与深度学习》

《cs231n：卷积神经网络与视觉识別》

《生成式ai导论》

他开启了倍速播放，一边看，一边在脑海中构建著知识图谱。

徐辰学得飞快。

这得益於他那恐怖的数学底子。

……

在ai领域，有一条不成文的鄙视链：搞算法的看不起搞调参的，搞理论的看不起搞应用的。

而站在鄙视链顶端的，永远是那些数学功底深厚的人。

普通的ai工程师，可能只会调用pytorch或tensorflow的api，像搭积木一样搭建模型，然后对著一堆超参数进行“玄学”调优。他们知道“怎么做”，但往往不知道“为什么”。

而数学家，看到的则是更本质的东西。

他们看到的是流形上的概率分布，是高维空间中的几何结构，是优化算法的收敛性证明。

“ai人员的数学好，通常是指他们擅长线性代数、概率论和微积分，能看懂公式，能推导梯度。”