20260617:目前有914 页

2026-06-17 15:02:40 +08:00
parent e96b955fda
commit 91fac5b6fc
423 changed files with 20687 additions and 34 deletions
--- a/articles/cantor-stole-infinity.md
+++ b/articles/cantor-stole-infinity.md
@@ -0,0 +1,76 @@
+---
+title: "窃取无穷的数学家 — 康托尔与狄德金的隐秘合作"
+created: 2026-06-07
+updated: 2026-06-07
+type: article
+source: "Quanta Magazine / 环球科学 2026年6月刊"
+tags: [数学史, 集合论, 无穷, 学术伦理]
+---
+
+# 窃取无穷的数学家
+
+> 原文发表于 Quanta Magazine，2026年由《环球科学》翻译。本文揭示了一段尘封150年的数学史真相。
+
+## 一句话总结
+
+新发现的信件证明：康托尔1874年那篇奠定集合论的里程碑论文中，隐藏了狄德金的关键贡献——代数数可数性证明。康托尔抹去了合作痕迹，独自署名发表。
+
+## 核心故事
+
+### 背景：无穷的禁忌
+
+19世纪前，数学家视无穷为"毒瘤"。高斯称之为"修辞手法"（façon de parler）。无穷不能在数学中真正存在。
+
+### 1872年的突破
+
+康托尔和狄德金各自独立定义了实数——证明了数轴是完备的连续统，无穷"隐匿在每一处缝隙中"。
+
+### 盖尔绍的友谊
+
+1872年夏，两人在瑞士盖尔绍湖畔相遇，一见如故。康托尔（27岁）豪爽急躁，狄德金（40岁）内敛审慎——这对奇怪的组合成为挚友。
+
+### 1873年的合作
+
+康托尔在探索无穷问题时频繁请教狄德金。狄德金回信提供了代数数可数性的证明及其简化版。康托尔在此基础上补充了自己的实数不可数证明。
+
+### 1874年的"特洛伊木马"
+
+面对反无穷派数学权威 [[leopold-kronecker|克罗内克尔]] 的威胁，康托尔精心设计：
+- 选择误导性标题，只提代数数
+- 把狄德金证明放在前面，作为"诱饵"
+- 将革命性的实数不可数结论藏在后面
+- **抹去狄德金贡献的一切痕迹**，独自署名
+
+### 真相的浮现
+
+- **1930年代**：[[emmy-noether|埃米·诺特]] 整理狄德金遗物时发现关键信件，但选择"让信件说明一切"
+- **1993年**：数学史家费雷罗斯首次公开指控康托尔
+- **2025年**：科学记者戈斯在哈雷大学档案中发现失踪150年的狄德金回信——直接证据终于浮出水面
+
+## 数学意义
+
+康托尔和狄德金的共同工作奠定了 [[infinity-hierarchy|无穷层级体系]] 的基础：
+
+1. [[algebraic-numbers-countability|代数数可数]] — 狄德金证明
+2. 实数不可数 — 康托尔证明
+3. 结论：存在不同大小的无穷
+
+## 历史反思
+
+> "每一门科学分支都需要一位英雄……但这种故事总是谎言。" — 何塞·费雷罗斯
+
+- 康托尔的声誉并未因此受损——他仍是实数不可数性这一更深层发现的首位证明者
+- 狄德金长期处于历史阴影中，至今无英文传记
+- 承认狄德金的贡献，让数学史更加完整和真实
+
+## 相关概念
+
+- [[georg-cantor|格奥尔格·康托尔]]
+- [[richard-dedekind|里夏德·狄德金]]
+- [[infinity-hierarchy|无穷层级体系]]
+- [[countable-uncountable-infinity|可数与不可数无穷]]
+- [[algebraic-numbers-countability|代数数的可数性]]
+- [[emmy-noether|埃米·诺特]]
+- [[leopold-kronecker|利奥波德·克罗内克尔]]
+- [[mathematical-priority-disputes|数学优先权争议]]
+- [[set-theory-history|集合论史]]
--- a/articles/lecun-llm-boundary-future.md
+++ b/articles/lecun-llm-boundary-future.md
@@ -0,0 +1,76 @@
+---
+title: "LeCun 论 LLM 的边界与未来架构"
+created: 2026-06-08
+updated: 2026-06-08
+type: article
+tags: [LLM, JEPA, world-model, VLA, objective-driven-AI, LeCun, representation-collapse, SIGReg, Tapestry]
+sources: [https://mp.weixin.qq.com/s/Zau10ioTWzhj0KOImpasNg]
+---
+
+# LeCun 论 LLM 的边界与未来架构
+
+> 原文: Datawhale 干货 | 作者: 徐虎、李盛康、蒋银河、黎又榛
+> 来源: [原始存档](raw/articles/lecun-llm-boundary-future-2026.md)
+
+## 一句话
+
+**智能不是关于预测下一个 token，而是关于预测行动的后果。** 这篇文章系统梳理了 LeCun 对 LLM 未来方向的判断：LLM 不会消失但需要"降职"，[[jepa|JEPA]] 世界模型 + [[objective-driven-ai|目标驱动AI]] 才是通向通用智能的正确架构。
+
+## 核心论点
+
+1. **LLM 的两大结构性缺陷**：缺少[[action-consequence-prediction|预测行动后果的能力]]、缺少[[multi-step-planning|基于搜索的多步规划]]——这些不是数据量或模型规模能修复的。
+
+2. **[[vla-vision-language-action|VLA]] 路线已接近失败**：可靠性不足、数据成本过高、泛化脆弱、无规划能力。但产业界因其工程成熟度仍在押注。
+
+3. **[[jepa|JEPA]] 是核心解决方案**：在抽象表征空间中做预测（而非像素或 token 空间），[[leworldmodel|LeWorldModel]] 用 SIGReg 防[[representation-collapse|表征坍缩]]，将防坍塌从工程启发式转化为数学上的分布匹配问题。
+
+4. **[[objective-driven-ai|目标驱动AI]] 提供内生安全**：行为通过优化代价函数驱动，安全约束"从构造上无法违反"——区别于 RLHF 等事后软约束。
+
+5. **[[tapestry-federated|Tapestry]] 回应[[sovereign-ai|主权AI]]问题**：联邦训练机制，共享参数向量而非数据本身。
+
+6. **未来三层架构**：LLM（语言皮层）→ [[world-model-lecun|世界模型]]（思考引擎）→ 目标驱动决策层（安全保障）。
+
+## 关键概念网络
+
+```
+LLM 局限性
+├── 数据瓶颈 → [[data-wall]], [[model-collapse|模型崩塌]]
+├── 结构性缺陷
+│   ├── [[action-consequence-prediction|预测行动后果]]
+│   └── [[multi-step-planning|多步规划]]
+└── 安全性 → [[objective-driven-ai|目标驱动AI]]
+
+VLA 路线
+├── 可靠性 → [[vlatest]], [[libero-plus]]
+├── 泛化 → [[distribution-shift|分布外泛化]]
+└── 替代方案 → [[jepa|JEPA]] + [[world-model-lecun|世界模型]]
+
+JEPA 技术栈
+├── [[abstract-representation-space|抽象表征空间]]
+├── [[representation-collapse|表征坍缩]] 防范
+│   ├── [[vicreg|VICReg]] (方差-协方差)
+│   ├── [[sigreg|SIGReg]] (各向同性高斯)
+│   └── BYOL/DINO (蒸馏方法)
+├── [[leworldmodel|LeWorldModel]]
+└── 应用 → [[world-model-industrial|工业过程控制]]
+
+开源生态
+├── [[tapestry-federated|Tapestry 联邦训练]]
+└── [[sovereign-ai|主权AI]]
+```
+
+## 核心洞察
+
+- **LLM 的成功恰恰是它的局限所在**：离散 token + 可计算预测目标让 LLM 强大，但也锁死了它的能力边界——真实世界不是有限离散符号。
+- **水瓶类比的深层含义**：像素空间的不可约不确定性意味着，预测必须在语义空间中发生——这不是工程选择，是信息论上的必然。
+- **表征坍缩是自监督学习的"元问题"**：它暴露了模型天然"偷懒"倾向与信息承载需求之间的根本张力。
+- **目标驱动AI vs LLM 的根本差异**：前者是架构上的"不可能做坏事"（硬约束），后者是概率上的"不太可能做坏事"（软约束）。
+
+## 阅读导航
+
+- 了解 JEPA 技术细节 → [[jepa]]
+- 了解世界模型理论 → [[world-model-lecun]]
+- 了解 VLA 为何失败 → [[vla-vision-language-action]]
+- 了解表征坍缩与解决方案 → [[representation-collapse]] → [[sigreg]]
+- 了解安全的替代路径 → [[objective-driven-ai]]
+- 了解开源生态布局 → [[tapestry-federated]], [[sovereign-ai]]
--- a/articles/pydantic-three-piece-suite.md
+++ b/articles/pydantic-three-piece-suite.md
@@ -0,0 +1,83 @@
+---
+title: "Pydantic 三件套：从校验库到 AI 基础设施"
+created: 2026-06-10
+updated: 2026-06-10
+type: article
+tags: [pydantic, agent, observability, open-telemetry, validation]
+sources: [raw/articles/pydantic-three-piece-suite-2026.md]
+---
+
+# Pydantic 三件套：从校验库到 AI 基础设施
+
+> 微信公众号 | 2026年
+> Pydantic 不只是 BaseModel——Rust 验证引擎 + OTel 可观测平台 + 类型安全 Agent 框架
+
+## TL;DR
+
+- [[pydantic]] 生态三层：[[pydantic-core|Rust 引擎]] + [[logfire|Logfire 可观测]] + [[pydantic-ai|Pydantic AI Agent 框架]]
+- **strict + forbid + frozen 三配置零成本立即生效**
+- Logfire 四行代码接入，debug 从半天降到分钟级
+- Pydantic AI 让类型系统约束 Agent 行为，而非仅事后校验
+
+## 核心问题
+
+LLM 时代的校验需求已经变了。人填的表单错误模式稳定，LLM 输出的 JSON 错误模式**漂移**——同样的 prompt 跑 100 次，第 1 次可能字段名少了条下划线，第 47 次可能多了个字段，第 89 次可能把 str 塞了 None。
+
+传统的 BaseModel 只能告诉你「第 47 次错了」，但你需要的是 [[drift-detection|漂移检测]]——哪个字段一直在漂？哪个模型输出最不稳定？token 成本是不是偷偷在涨？
+
+## 三件套全景
+
+| 层 | 解决的问题 | 不用的话 |
+|---|-----------|---------|
+| [[pydantic-core|pydantic-core (Rust)]] | 校验速度 / 脱离 GIL | 多线程校验串行 |
+| [[logfire|Logfire (OTel)]] | 可观测 / 成本监控 / 漂移检测 | 只知"第 47 次错" |
+| [[pydantic-ai|Pydantic AI]] | Agent 行为约束 / 类型安全 tool 调用 | 手写 JSON Schema + 事后校验 |
+
+三层独立，共享同一套类型定义。可任意叠加。
+
+## 第一件：pydantic-core
+
+Rust 写的物理引擎，通过 PyO3 绑定。`model_validate(data)` 的实际路径：Python → CoreSchema JSON → Rust 层逐字段校验 → 返回。**步骤 2-4 全部在 Rust 侧完成，不走 GIL**。配合 `asyncio.gather()` 并发调 20 个 LLM API 时，每个回复的 JSON 解析可在不同线程并行跑 Rust 校验。
+
+**[[typeadapter|TypeAdapter]]**：同一份数据，不同严格度——API 入口用 strict，Agent 内部传递用宽松，不用写两套模型。
+
+**三个零成本配置**：
+```python
+model_config = {
+    "strict": True,    # 空字符串不会变 0，类型不匹配直接炸
+    "extra": "forbid", # LLM 多塞字段立刻报错
+    "frozen": True,    # 模块间传递不可篡改
+}
+```
+
+## 第二件：Logfire
+
+基于 [[open-telemetry|OpenTelemetry]] 标准的可观测平台。核心价值：
+- **4 行代码**拿到完整 Agent span 树（根 → model request → tool 调用 → follow-up）
+- **OTel 标准**：数据不锁定厂商，可自托管或导出到 Grafana/Jaeger
+- **SQL 查询 trace**：不是点按钮过滤，是写 SQL 查 [[drift-detection|漂移趋势]]
+
+真实案例：Sophos 安全团队发现 Agent 调用某个 tool 的频率从每 50 次推理 1 次涨到每 8 次 1 次——传统日志只看调用成功与否，Logfire 的 SQL 查询揭示了频率异常。
+
+## 第三件：Pydantic AI
+
+把 Pydantic 的类型系统直接嵌入 Agent 运行时——类型从"报错器"变成"编译器"，在运行时之前就约束了 Agent 的行为空间。
+
+- `@agent.tool` 自动从函数签名推断 tool schema（不需手写 JSON Schema）
+- `result.data` 类型安全，IDE 补全可用
+- 多步 Agent 支持（多次推理 + 多次 tool 调用）
+- `instrument=True` 自动接 Logfire trace
+
+与 Instructor 的定位差异：单次 LLM 结构化输出 → Instructor；多步推理 + 多 tool 调用的 Agent → Pydantic AI。
+
+## 渐进路线图
+
+1. **今天 (5min)**：所有 BaseModel 加 `strict=True, extra='forbid', validate_default=True`
+2. **这周**：有 Agent 就加 Logfire，4 行代码
+3. **下次新 Agent 项目**：tool > 3 就试 Pydantic AI
+
+## 参考
+
+- [[agent-observability|Agent 可观测性]]
+- [[type-safety-in-agents|Agent 类型安全]]
+- [原始存档](raw/articles/pydantic-three-piece-suite-2026.md)
--- a/articles/qifu-llm-finance-practice.md
+++ b/articles/qifu-llm-finance-practice.md
@@ -0,0 +1,83 @@
+---
+title: "金融行业大模型落地实践：从知识工程到后训练部署"
+created: 2026-06-14
+updated: 2026-06-14
+type: article
+tags: [finance, llm-deployment, knowledge-engineering, post-training, agent]
+sources: [raw/articles/qifu-llm-finance-practice-2026.md]
+confidence: high
+---
+
+# 金融行业大模型落地实践
+
+> 奇富科技 DeepBank 王元在 2026 DA 上海站的分享 — DataFun 出品
+
+**核心主张:** 在专业领域，"通用大模型 + 高质量知识工程"的路径比盲目预训练垂类大模型更具商业价值。
+
+## 冰山难题：三重落地阻碍
+
+金融行业面临 LLM 落地的独特困境：
+
+1. **[[zero-data-cold-start|零数据困境]]** — 输入 X 和标签 Y 都不存在，连监督微调都无法启动
+2. **评估盲区** — 生成式输出的营销策略推荐缺乏标准答案
+3. **算力与合规壁垒** — 必须本地化部署，受限硬件预算和延时要求
+
+## 知识工程
+
+### REER 逆向知识提炼
+
+如何从仅有的 QA 对中提取可复用的知识？借鉴字节跳动的 REER 算法，[[reer-reverse-knowledge-extraction|四步流程]]：
+1. 大模型逆向分析 X→Y 关系，生成推理轨迹
+2. 剥离"内心独白"，提取通用话术逻辑 → SUM
+3. 按业务分类聚合 → 行动手册
+4. 迭代优化：Perplexity 下降 + 端到端坐席回复相似度验证
+
+### 多维合成数据
+
+[[multi-dimensional-synthetic-data|三维度构建训练数据多样性]]：
+- 企业客户多样性（行业资产、贸易特征、资金状况）
+- 录音场景多样性（噪音层级、纯闲聊、对抗负样本）
+- 录制人多样性（谨慎新手 vs 老练资深经理）
+
+## 后训练策略
+
+### 成本博弈
+
+| 方案 | 成本 | 适用场景 |
+|------|------|---------|
+| SFT 微调 | 低 | 结构化任务、指令遵循 |
+| [[post-hoc-reasoning-rl|后置推理 RL]] | 中 | 追求可解释性，无需拒绝采样 |
+| [[pre-hoc-reasoning-rl|前置推理 RL]] | 高 | 正统 RL，需 Dense 模型 |
+
+### [[moe-lora-toolchain-conflict|MOE + LoRA 工具链冲突]]
+
+VeRL 框架不支持 MOE 模型的 RL+LoRA 后训练，部分场景被迫退回全参微调。
+
+### [[automatic-prompt-optimization|APO 自动提示工程]]
+
+- System prompt 不宜过长，User prompt 约束力更强
+- Batch 处理更新，APO 本质是蒙特卡洛过程
+- Trace 可优化函数、提示词、工具描述
+- 验证集维护帕累托前沿
+
+## 推理与评估
+
+### [[emotional-value-evaluation|情绪价值评估]]
+
+在金融科技项目中，"情绪价值"往往先于业务效果被感知。引入心理学方法构建评估器：先提供"看着像"的情绪价值，再追求成功率。
+
+### 推理加速
+
+MOE 架构在吞吐量上有明显优势。任务卡数多于模型数时，多个 Int8 量化 Merge 模型收益可能高于 1 个基模挂多个 LoRA。
+
+## 相关概念
+
+- [[reer-reverse-knowledge-extraction|REER 逆向知识提炼]] — 从 QA 对中反向提取业务手册
+- [[multi-dimensional-synthetic-data|多维合成数据]] — 零数据场景的训练数据构建
+- [[post-hoc-reasoning-rl|后置推理 RL]] — 性价比更高的推理方案
+- [[pre-hoc-reasoning-rl|前置推理 RL]] — 正统但昂贵的 RL 路径
+- [[automatic-prompt-optimization|APO 自动提示工程]] — 高质量 Base Prompt 基线生成
+- [[emotional-value-evaluation|情绪价值评估]] — LLM 在业务中的主观质量度量
+- [[moe-lora-toolchain-conflict|MOE + LoRA 工具链冲突]] — 后训练的现实阻碍
+- [[zero-data-cold-start|零数据冷启动]] — X 和 Y 都缺失的极端场景
+- [[vertical-llm-knowledge-engineering|垂域 LLM 知识工程]] — 通用模型 + 领域知识的落地范式