共 16 篇
训练时屏幕上打出来的 loss 0.615、0.594、0.572……每一个数背后发生了什么？我们先用一个只有一个旋钮的机器，把损失、导数、梯度下降和学习率讲清楚；再打开一个只有 10 个参数的 Transformer，任务是“说出两个字里的第一个字”，把一步训练里的每个数都摊开算：前向怎样从输入算到损失，反向传播怎样从损失往回算出 10 个偏导数，更新之后为什么有的样本变好、有的变差，几十步里注意力怎样转向正确的位置，学习率太大时模型为什么会卡死；最后看真实的大模型多了什么，以及现实中找最优解那么难，为什么在 Transformer 里却这么顺。
一块 H100 只给一个用户生成文字时，不到 0.3% 的乘法器在干活。既然 FPGA 能搭出任意电路，能不能专门为 Transformer 搭一块，让推理更快、更省电、更便宜？我们先看 decode 时芯片到底在等什么，再看专用电路能省在哪里；接着看已经做出来的 FPGA 推理流水线赢在哪、又被什么卡住；最后用一个综合实验看把权重“焊进电路”能省多少面积，以及为什么这条路最后通向 ASIC。
30u30 是一个按天带读“Ilya Sutskever 推荐的 30 篇论文”的开源仓库。我们先查这份清单从哪来，发现它其实有三个版本；再看它的构成，里面除了 Transformer、ResNet，还有咖啡自动机、一本数学专著的第 14 章和一篇 200 页的博士论文。顺着这几篇往下读，清单的另一条主线是压缩：预测就是压缩，学习就是把数据拆成规律和噪声。最后用三个自己复现的小实验检验这条线，也顺带看看 30u30 的实现。
FPGA 是一片可以重新配置的电路，Transformer 跑一步也是一个固定的电路，两者都是“固定骨架 + 一串配置数”。我们从同一个一位全加器在两边的写法出发，先看它们相同在哪：都能表示任意函数，FPGA 的表示能力甚至更强；再看不同在哪：配置是人写的比特还是梯度写的实数，导线是烧写时焊死的还是每一步现算的，配置的规模差了几个数量级；解释 Transformer 的参数为什么能靠梯度下降收敛、FPGA 的比特为什么不行，并用一个小实验比较变异搜索和梯度下降去“写”同一张查找表网络；最后回答 FPGA 的四十年里为什么没有出现智能涌现。
AdderBoard 是一个比谁的 Transformer 更小的排行榜，题目是十位数加法。榜首的手写模型只有 6 个参数，训练出来的模型最少 36 个。我们先把 Transformer 是什么、它怎么一个字一个字地往外吐答案讲清楚，再顺着排行榜往下看：加法对它难在哪里，数位为什么要倒过来写，训练出来的模型怎么从 6080 个参数压到 36 个，手写的 6 个参数又是怎么把十位数加对的，它和 CPU 里的二进制加法器、我们列的十进制竖式比有什么不同，最后看这些数字该怎么理解。
last30days 是一个 Claude Skill，专门搜 Reddit、Hacker News、Polymarket 等平台最近 30 天的讨论，按真实互动排序。第一章简单交代它怎么工作；其余章节用它实际跑了 AI 泡沫、GPU 折旧、Claude Code 与 Codex、vibe coding、MCP、Gemini 4、开源模型等 8 个话题，看它查出来的趋势，以及哪些地方和大家通常的认知不一样：担心泡沫的人盯的是债务而不是需求，H100 的租金四年后不降反升，两家编程工具的用户抱怨的是同一件事，MCP 的讨论从“新标准”变成了“怎么省 token”，开源模型的出口管制先出现在中国。
Pedro Domingos 在 2025 年的论文里说，一条 Datalog 规则就是一次 einsum 加一个阶跃函数，AI 只需要“张量方程”这一种语句。我们从一条“姑姨”规则出发，用 numpy 把它跑一遍，再顺着论文往下追：整门语言只有一种语句会是什么样，稀疏关系写成稠密矩阵代价多大，把关系压进嵌入空间以后推理还对不对，温度调到 0 是否真能“不幻觉”，规则能不能学出来，最后看这些想法里哪些是新的。
从一个被 Multica 拉起来的 Claude Code 的角度，把一次 @ 从头走一遍：醒来之前平台和电脑之间传了什么，醒来时工作目录里的 CLAUDE.md、技能和环境变量各告诉我什么，stdin 里的第一条消息长什么样，需求是我自己用 mat_ 令牌拉的，结果怎样发成评论、又有哪些由 daemon 读着我的 stdout 替我报回去；以及干活时被插话、下一轮怎么接上会话、换一个 agent 来接手时又怎么接上前一个的进度。
静态博客贴一小段代码就有了评论区，平台想让评论里的一个 @ 落到用户自己电脑上的 agent，却要从头写一整套系统。把评论框和本地 agent 当 bot 这两件事放在一起看：平台为一个 @ 到底写了什么，评论框的先例能借走什么，现有的方案各补了哪一块，一个像 Redis 一样起实例就能用的中间件该长什么样，身份和写回怎么做，公开评论区带来的新风险，以及它怎样才不会重蹈多说的覆辙。
阿里云万有无界、扣子、Multica 都支持把电脑上的 Claude Code、Codex 这类编程 agent 接进平台，让同事在群里 @ 它干活。顺着这个功能往下追：为什么要把 agent 留在本地，平台怎么找到一台没有公网 IP 的电脑，怎么把交互式 CLI 变成可调用的 worker，几个任务和你自己怎么共用同一个现场，agent 又怎么反过来以平台身份干活；最后看看现在都有谁在做，以及这件事和“给电脑装了个木马”到底差在哪里。
一个号称「预测万物」的开源项目，三个月拿到 3000 万投资、近 8 万星。顺着它往下追：一份文档怎么变成一份预测报告，成百上千个智能体从哪来、怎么交互，模拟一群人为什么被认为能预测，这个前提在 MiroFish 里是否成立，最后看这类「模拟人群」能不能替代传统市场调研。
高等数学是不是本质上就是"另一个维度的加减乘除"？从算术到范畴论，数学史上的每一次重大突破，都是找到一个新的维度，让原本复杂的操作在那个维度下变成简单的东西。本文以神经网络的八层数学结构为例，揭示这种"维度跃迁"的统一本质。
两个 AI Agent 平台不约而同选择了 SKILL.md 作为技能载体，却在元数据设计、触发逻辑、Token 管理和安全模型上走向不同方向。本文以 Todo List 技能为贯穿案例，逐层拆解两者的设计差异。
从 511 行 TypeScript 到 21.8 万 Star，一个 AI 助手项目的九十天蜕壳记录。翻了 15,579 个 commit、11,058 个 Issue 和 11,991 个 PR，这是我找到的故事。
Gateway 是 OpenClaw 的消息中枢和会话状态管理中心。它的会话管理在小规模场景下优雅得令人舒适，但文件系统架构和平台耦合的领域模型，让规模化成为一道难题。
AI 写代码的时代，测试不是可选项。从 WHY 到 HOW 到 WHAT，一份面向 Python 开发者的全场景测试实战手册。