补数学课：PhD期间死磕线代、统计和微积分的避坑指南

搞AI研究最尴尬的其实不是代码写不出来，而是看论文看到一半，被一个数学推导卡死，然后发现自己基础知识有大窟窿。我之前就经常在这种状态里打转，总觉得现在的数学水平能勉强应付，结果在处理复杂模型时发现根本不行。

为了把这些缺口补上，我目前在死磕这三块内容，因为这基本就是大模型的底层逻辑：

• 线性代数： 所有的向量空间、矩阵分解要是没搞透，看Transformer的注意力机制其实就是在看天书。
• 概率统计： 现在的生成式模型本质上就是概率分布的拟合，统计学基础不牢，根本没法理解模型是如何采样和预测的。
• 微积分： 重点在于多元微积分和链式法则，这是理解反向传播和梯度下降的唯一路径。

我之前尝试直接看那种极其硬核的纯数学教材，结果直接被挫败感劝退。现在的策略是找那种能把数学直觉讲清楚的书，而不是只堆公式的。

如果你也觉得数学是瓶颈，建议不要试图一次性把整本书刷完，而是采用“需求驱动法”：在论文里看到哪个概念不懂，再去翻对应的章节。这样比从第一页开始死磕要高效得多。