为什么是这十本
大模型这件事，我越用越觉得分裂。它能写出比多数人流畅的文章，却会在最基础的算术上翻车；它能在围棋上碾压人类，却回答不了一个简单的常识问题。
我盯着这种「神迹与白痴」的割裂看了很久，决定不再满足于「会调用、会用提示词」，而是回到最硬的地方：把它赖以存在的那套数学，一本一本读穿。
于是有了这个合集。十本教材，四层认知，一条主线。
看懂 AI，不能只站在它外面，得钻进它最底层的数学里。
一根主干，四大阶梯
这十本书，被我排成一座认知大厦，一根主干往上，四层阶梯递进。
第一层，机制：AI 到底是怎么学的，偏见和几何是什么关系。
第二层，陷阱：这套学习机制，在真实世界里哪里会失灵。
第三层，天花板：再往上堆数据、堆算力，边界在哪里。
第四层，终局：把视野拉到物理和计算理论的尽头，看智能的极限。
每一层踩实了，才往上走一层。
十个台阶，四个楼层，一层一层，直到看见智能的边界。
第一层·机制篇：偏见与几何
教材：Shalev-Shwartz 的《Understanding Machine Learning》，Deisenroth 的《Mathematics for Machine Learning》。
这一层回答一个根本问题：学习的起点是什么？
UML 用 PAC 学习框架和没有免费午餐定理证明了一件事：不对世界预设任何东西，任何算法都学不会任何东西。偏见是学习的门票。
MML 接着把这个抽象的偏见落地：它是一组高维空间里的投影方向，是向量内积，正交投影，超平面切割。
没有先验假设，学习无从发生；有了先验假设，偏见才有了几何实体。
这一层已经写完，见 《偏见是学习的前提，几何是智能的投影》。
第二层·陷阱篇：随机性、时序与因果断层
教材：Durrett 的《Probability: Theory and Examples》，Durrett 的《Essentials of Stochastic Processes》，Shalizi 的《Advanced Data Analysis from an Elementary Point of View》。
第一层假设数据是独立同分布的、是静态的。但真实世界不是。
金融市场是动态博弈，商业世界是时序耦合，人脑认知是因果交错。i.i.d. 这个前提在现实里一碰就碎。
这一层用测度概率论，随机过程，鞅论和因果推断，讲透一件事：AI 把高维噪声当规律，是数学上的必然。
世界一旦不再独立同分布，AI 的高维偏见会当场变成毒药。
这一层已经写完，见 《随机性、时序与因果断层》。
第三层·天花板篇：容量爆炸与非欧流形
教材：张潼的《Mathematical Analysis of Machine Learning Algorithms》，Ma & Tang 的《Deep Learning on Graphs》。
「暴力出奇迹」这句信仰，在这一层被证伪。
Rademacher 复杂度给模型容量画了一条硬边界：超过它，数据再多也救不回来。
更深的真相是：真实物理世界的数据，长在非欧流形和图结构上。几何对称性和置换不变性，才是绕开维度灾难的真正解药。
算力和数据有极限，但正确的几何结构没有。
第四层·终局篇：统计物理相变与不可解边界
教材：Roberts 的《The Principles of Deep Learning Theory》，Mehlig 的《Machine Learning with Neural Networks》，Moitra 的《Algorithmic Aspects of Machine Learning》。
这是整座大厦的顶端，也是最冷的一层。
极深网络要用重整化群和有效场论来理解；损失函数的曲面是一片自旋玻璃态；很多学习问题，本质上是 NP-Hard 的。
读到这一层，你会得到一个不那么舒服、但很诚实的结论。
人类智能和机器智能，都是物理宇宙不可解面前的局部妥协。
我的读法：四步手记
这十本书，我用同一种四步框架来写。
先问一个我自己真正卡住的问题，再抽原书最致命的一两个定理直觉化推导，然后把定理扔回宏观，量化，工程，还有人脑的真实场景里验证，最后提炼一句属于我自己的定论，抛出一个承上启下的疑问。
这是一份认知手记。
入口与路线
四层已经开了头。总纲在这里，第一层和第二层已经写完，往下是第三层。
如果你想跟着爬这四层，从小红书搜 AwenDXB，读者群里我把这十本原版 PDF 一起给你。
读懂 AI，从承认它和我们一样，都有偏见开始。
参考来源：本总纲为系列导读，所涉教材与定理在各分篇正文里逐条标注了具体章节。十本教材的英文原名、作者与官方免费版如下。
原文链接：
- Understanding Machine Learning：Shalev-Shwartz 与 Ben-David，官方免费版
- Mathematics for Machine Learning：Deisenroth 等，官方免费版
- Probability: Theory and Examples：Durrett，官方免费版
- Essentials of Stochastic Processes：Durrett，官方免费版
- Advanced Data Analysis from an Elementary Point of View：Shalizi，官方免费版
- Mathematical Analysis of Machine Learning Algorithms：张潼，官方免费版
- Deep Learning on Graphs：Ma 与 Tang，官方免费版
- The Principles of Deep Learning Theory：Roberts 与 Yaida，官方免费版
- Machine Learning with Neural Networks：Mehlig，官方免费版
- Algorithmic Aspects of Machine Learning：Moitra，官方免费版
文中引用的 10 本经典原版教材 PDF 已整理完毕。欢迎前往小红书搜索关注 小红书 · AwenDXB ↗️
微信扫码 · 微信支付
支付宝扫码本文采用 CC BY 4.0 许可。欢迎转载与引用，请注明作者并附上原文链接。
Licensed under CC BY 4.0. Quoting and republishing are welcome with attribution and a link back to this article.
《总纲：10 本殿堂教材的原著精读与认知大厦》有2条评论