看李宏毅的《机器学习》课程时，被他拆解问题的方式吸引：先定义，再推导，再验证。不是灌输，是一种可被构建的体系。
网络上有人把整套笔记放到GitHub上，持续补充改进。学习在共享中延伸，开源让知识循环，不是停留在个人积累上。
AI能生成真实的文字、图像、预测结果，本质上是在逼近物理世界。问题在于是否等价于现实？
AI能模拟世界，那么AI在事实上洞悉了世界的本质。否则它怎能重构世界呢？
如果世界的规律可以被函数描述，AI就能通过数据学习去还原它；如果不能，它只能在局部模仿。
深度学习的机制很直接：用多层线性变换与非线性激活叠加复杂关系，通过梯度下降最小化误差，在有限计算资源下逼近目标函数。
整个过程是不断修正、压缩和优化的循环。
AI的基础，机器深度学习，一层层简单的激活函数做向量运算，拟合出大量参数表达现实世界，进而预测现实世界。
这个大规模参数集，我们称之为神经元，这一层层的向量运算，我们称之为DeepLearning。
过拟合说明模型看得太细。它在训练数据上记忆了噪声，却失去了对规律的抽象。
问题不是学得太好，而是看得不够远。解决的关键是约束模型空间、增加样本多样性、改进正则策略，让模型学到能迁移的结构。
人类学习也会过拟合。我们容易执着于经验片段，放大偶然，忽略分布。摆脱这种偏差，需要扩大样本来源，接受反例，不断验证。
AI的训练过程像人类的思考。机器用梯度下降更新参数，人用经验与反思调整判断。两者都依赖误差反馈。不同的是，人能定义目标，而机器只能优化损失。学习AI，不是掌握算法，而是理解一种方法论——抽象、验证、修正、泛化。机器在函数空间中寻找世界，人则在认知中寻找秩序。