#深度学习
中科院的？不是，Wiener Intelligence 这家做数据生成的公司直接把多模态模型发上了 Nature 子刊，医疗预后分析这事儿他们真干出来了。
这篇论文用几何视角解释了神经网络为什么先死记硬背后突然泛化，还找到了一个简单技巧（约束隐藏层半径）让 grokking 快 6 倍，值得搞训练的人看看。
AI 大神 Chollet 直言现在的深度学习数据效率差 1000 倍、算力差 10000 倍，未来要靠符号学习翻盘。
这篇论文揭示了反馈对齐在深层网络中失效的根本原因——低维梯度动力学，并给出了可落地的解决方案（Muon+归一化）。做生物启发学习或替代反向传播研究的团队值得关注，实验方法可以直接复现。
想搞懂 LLM 原理但被 Transformer 劝退的开发者，这篇用活人语言讲清楚了，比看论文轻松太多，建议直接点开。
DoPr 解决了训练和部署性能不一致的痛点，做自回归模型、流生成或机器人学习的团队可以直接尝试这个即插即用优化器，可能会发现验证损失没变但实际效果提升。
做非线性动力学建模或流体仿真的研究者，DeepMDMD用代数约束解决了Koopman学习中的字典选择难题，值得关注其如何在高维噪声下保持稳定预测。
Gary Marcus 的回应澄清了关于深度学习局限性的常见误解，关注 AI 架构争论的读者会看到他的预测如何被 Claude Code 等产品验证，值得点开了解他的完整论点。
这段历史对 AI 从业者很有启发——当主流共识说“不可能”时，OpenAI 选择了逆势押注 scaling。做 AI 研究或创业的人看完会重新思考“共识”与“创新”的关系。
Gary Marcus的神经符号AI观点再次被验证，关注AI范式演进的读者值得一看，尤其是对深度学习局限和未来方向有思考的开发者。
农业遥感团队终于有了无需手工特征工程的端到端方案——AlphaEarth嵌入+U-Net直接输出高精度作物图，做供应链预测和政策分析的可以直接复现。
电力系统安全研究者终于有了一个可复现的延迟感知基准——它揭示了AI模型在逆变器主导电网中实时分类故障与攻击时的实际性能瓶颈。做电力系统保护或AI部署的团队可以直接参考这些数据来优化模型和硬件选择。
生存分析领域终于有了一个不依赖离散化或分布假设的深度学习方案，做医学影像或高维数据风险建模的团队可以直接用 QSurv 获得更准确的风险曲线，值得关注。
这项研究解决了AI审美评估中主观性强的痛点，做个性化推荐、图像编辑或用户体验优化的团队值得关注——它用LLM访谈替代了传统问卷，效果甚至超过本人复评，建议点开看看实验设计。
