归纳问题与“无免费午餐”——为什么机器学习能泛化？
归纳问题与“无免费午餐”——为什么机器学习能泛化？
泛化界是怎么证出来的
子课题 B2：PAC 学习与 VC 理论（Valiant 1984 / VC 1971 / Blumer et al. 1989 / Vapnik 1998 / 一致收敛边界）
归纳问题的哲学史——文献核查
子课题 A：哲学归纳问题——前期文献核查笔记
世界结构假设——深度学习泛化的第三条腿
世界结构假设（流形 / 对称 / 组合性 / 幂律谱 / scaling laws / natural abstractions）——归纳问题与「无免费午餐」总课题子课题 D 前期文献核查
语言作为压缩
语言作为压缩——大语言模型、人类语言与”可学习性”的信息论交叉：压缩≡语言建模真而窄、插值与结构学习是伪二分、Chomsky 与用法基础双向都过度而样本效率鸿沟是真命门、压缩=理解=智能则与计算收敛论同病
世界模型大体检——生成模型学到「世界」,还是「表面统计」?
世界模型大体检——生成模型学到「世界」,还是「表面统计」?
组合性圣杯:物理/AI 的「组合性」与衰老「可达配置空间收缩」是真同构还是漂亮类比?
“组合性圣杯:物理/AI 的「组合性」与衰老「可达配置空间收缩」是真同构还是漂亮类比?——主线最高风险桥的两段式建构与证否(群 V·方向三)”
机制可解释性作为「AI 的解剖学」：一门「地基真、读数疑、自知浅」的初生学科
机制可解释性作为「AI 的解剖学」：一门「地基真、读数疑、自知浅」的初生学科——叠加 / 线性表示 / SAE / 电路各是真解剖还是投射？
训练动力学的统计物理：一座「两端真、中间借」的桥
训练动力学的统计物理：一座「两端真、中间借」的桥——SGD / 损失地形 / 训练相变 / RG 各是真物理还是借词？
神经标度律的第一性原理：一条”经验极稳、机制欠定、外推不可靠”的唯象律
神经标度律的第一性原理：一条”经验极稳、机制欠定、外推不可靠”的唯象律——它是有效理论还是曲线拟合？
计算收敛论的边界：大脑与深度网络的同构、类比与断裂
计算收敛论的边界：大脑与深度网络的同构、类比与断裂
过拟合的心智：刷题、内观标记与 AI 泛化
过拟合的心智：刷题、内观标记与 AI 泛化