最近翻了不少AI领域的前沿论文，发现现在很多卡了大模型半年多的瓶颈，最后破局的关键居然都绕回了数学。
就拿大模型的幻觉问题来说，之前大家堆参数堆到万亿级，效果提升微乎其微，后来有人把拓扑学里的流形约束引入训练框架，直接把事实错误率降了17%。还有现在算力浪费的痛点，Transformer的注意力机制之前算冗余度高达60%，靠线性代数里的低秩分解优化，同精度下推理速度直接翻了2.3倍。
很多人说AI发展全靠堆数据堆显卡，其实底层数学工具的迭代，才是能把AI从“大力出奇迹”拉到精准可控轨道的核心推力。