Today I vibe coded a small project with Gemini, which fetches all the entries from a WordPress blog, and then extracts core arguments and key facts from them. To my surprise, Gemini generates the code correctly in almost one-shot. I used Ollama locally with a gemma3:12b model for this project, because I like to have absolute privacy and don’t want to pay any token fees. Also, for simple tasks like this, a local LLM is good enough. ...
矩阵的决定式 声明：关于术语翻译 因为写博客的目的是为了总结知识，方便笔者自己理解，所以我故意不使用中文教科书上一些常见的、而我觉得翻译得词不达意的术语翻译。如行列式、齐次、秩等概念，一概改成了使用方便理解的、自创的译法。 同时我无意误导别人，所以如果你不喜欢，那就请直接忽略这篇文章。 首先让我们复习一下什么是逆矩阵。一个矩阵 $A$ 的逆矩阵 $A^{-1}$，就是满足 $$ A^{-1}A = I $$ 的一个矩阵。 大多数矩阵都是有逆矩阵的，而没有逆矩阵的那些矩阵，因为比较稀少，所以我们称之为 $\text{singular}$（奇异的、非凡的）。 一个矩阵是否有逆矩阵，或者反过来问它是否为 $\text{singular}$，可以通过计算一个特别的式子的值，看看它是否为 0 来判定。这个式子就叫做矩阵的 $\text{determinant}$，我愿意将它叫做决定式（教科书上约定俗成的垃圾翻译名词叫做行列式）。 $A$ 的决定式记作 $\det(A)$。 如果决定式的值为 $0$，则矩阵是 $\text{singular}$ 的；反之不是。 如何计算决定式 这里书上介绍的方法比较通用，我们可以用来计算任意 n x n 矩阵的决定式。 首先，对于矩阵 $A = (a_{ij})$，假设我们选择一个元素 $a_{ij}$，我们从 $A$ 中删除 $a_{ij}$ 所在的行和列，就得到了一个形状为 $(n-1) \times (n-1)$ 的矩阵 $M_{ij}$，我们称之为 $a_{ij}$ 的 minor。 基于 minor 的定义，进一步定义 $a_{ij}$ 的 cofactor $A_{ij}$ 如下： $$ A_{ij} = (-1)^{i+j} \det(M_{ij}) $$ 有了这个定义，我们就很容易得到决定式的计算方法。 具体来说，就是任选一行、或者一列，然后逐个元素计算这个元素的值和其 cofactor 的乘积，加起来即可。 ...
Linear Systems Revisited 声明：关于术语翻译 因为写博客的目的是为了总结知识，方便笔者自己理解，所以我故意不使用中文教科书上一些常见的、而我觉得翻译得词不达意的术语翻译。如行列式、齐次、秩等概念，一概改成了使用方便理解的、自创的译法。 同时我无意误导别人，所以如果你不喜欢，那就请直接忽略这篇文章。 $Ax = 0$ 叫做一个均质系统 (homogeneous system) 而 $Ax = b$ 是一个非均质系统 (nonhomogeneous system). 如果 $Ax = b$ 是 consistent 的（自洽的，即有解的），并且，$x_0$ 是一个解的话，那么： $y = x_0 + z$ 一定也是它的另一个解。这里 $z$ 是 $A$ 的 null space $N(A)$ 的一个元素。 教材 P131 图的理解： 以一个 m x 3 的 matrix A 为例，因为其作用的向量是 3 维的，所以可以在 3 维空间中表示。 此时，Ax = 0 这个 homogeneous system 的解空间，对应于过原点的一个平面。原因是，考虑 trivial case, (0, 0, 0) 很明显是 Ax = 0 的一个解。换句话说，这个过原点的平面就是 A 的 null space. ...
Linear Systems Revisited 声明：关于术语翻译 因为写博客的目的是为了总结知识，方便笔者自己理解，所以我故意不使用中文教科书上一些常见的、而我觉得翻译得词不达意的术语翻译。如行列式、齐次、秩等概念，一概改成了使用方便理解的、自创的译法。 同时我无意误导别人，所以如果你不喜欢，那就请直接忽略这篇文章。 $Ax = 0$ 叫做一个均质系统 (homogeneous system) 而 $Ax = b$ 是一个非均质系统 (nonhomogeneous system). 如果 $Ax = b$ 是 consistent 的（自洽的，即有解的），并且，$x_0$ 是一个解的话，那么： $y = x_0 + z$ 一定也是它的另一个解。这里 $z$ 是 $A$ 的 null space $N(A)$ 的一个元素。 教材 P131 图的理解： 以一个 m x 3 的 matrix A 为例，因为其作用的向量是 3 维的，所以可以在 3 维空间中表示。 此时，Ax = 0 这个 homogeneous system 的解空间，对应于过原点的一个平面。原因是，考虑 trivial case, (0, 0, 0) 很明显是 Ax = 0 的一个解。换句话说，这个过原点的平面就是 A 的 null space. ...
维特根斯坦的《语言游戏说》指出，语言本身没有精确的含义，语言在于运用。 听起来，语言的边界，就是人类思想以及智能的边界。 LLM 通过超大量语料的训练涌现出智能，其可以达到的极限，可能是基于语言的智能上限了吧？ 智能是否全部可以用语言表达？LLM 所掌握的智能，对于人来说是否可解释？ 有一些知识，是无法言传的。 比如围棋中 AlphaZero 左右互搏的棋谱中所展现出来的超长距离的战略布局，布局开端的一手棋，在几十甚至上百手之后，才起到决定胜负的作用。恐怕用 “味道“、”借用“ 这些词已经很难解释清楚其作用了吧？ 既然无法解释，那么对于人类来说，就是不可理解、不可学习的。 世界上大多数事情是很难解释因果关系（causality) 的, 退而求其次的，在有能力搜集到数据的情况下，我们最多可以分析事件之间的相关性（correlation). 相关性是一个介于 0 到 1 之间的概率数字。 同理，LLM 所掌握到的智能，由于它学习到的任何一个 pattern, 一个作用，一个逻辑，其背后都可能会连接到很多个神经元，与之对应的会有很多连接权重（weight) 数字。因此，LLM 的逻辑归因不是简单的因果关系，而是复杂的多个因子（神经元）经过复杂作用的相关性的组合。 人类学习知识的方式，是基于不断的简化和归纳。首先要从大量观察到的事件中，总结出某种 pattern, 提炼出 concept. 以及它们之间作用的规律，然后才可以内化成自己可以掌握的知识。 比如学围棋，也需要从基本的概念学起，然后逐步掌握很多人类总结出来的棋理，并在实战中逐步学会应用。 然而，任何围棋学习到一定程度的人都知道，棋理不是绝对的。在实战中，很多时候不同的棋理甚至是互相矛盾的，该用哪一条棋理呢？ 中国古时候就有人总结出了《围棋十决》的棋理： “不得贪胜，入界宜缓，攻彼顾我，弃子争先，舍小就大，逢危须弃，慎勿轻速，动须相应，彼强自保，势孤取和。” 听着非常有智慧是不是？确实这套棋理也确实在过去指导了无数人的棋力成长。 然而，在近年来竞技围棋愈演愈烈，尤其是在2016年人机大战的冲击下，又有好事者提出了与之完全相反的《新围棋十决》： “坚决要胜、入界宜深、攻彼忘我、弃子另杀、大小都要、逢危就战、爽在轻速、棋都不应、彼强硬搞、势孤玉碎。” 这套理论虽然略带幽默，但还是很有道理的。其底层逻辑就是：高手怎么下都是对的，棋理在实战中能不能奏效，必须建立在力量的基础之上。 人下围棋为什么赢不了 AI? 本质上，实际上是因为 AI 通过训练，已经掌握了更高级的，建立在长距离 context 之上的战略。而这种战略，对于人类来说，是无法言说，无法理解的。这是一种无法言说的复杂智能（或者说知识）。 LLM 也是一样，姑且不论除了语言之外有没有别的智能的形式，实际上 LLM 通过语言，已经习得了人类无法理解的更复杂的智能。这种智能是基于对于更宏观的事实的了解之上的，建立在更大的 context 之上的。是不可言说的。 或者说，LLM 这样一种机器脑，已经掌握了很多不可言说的，但是可以执行的知识。 对于人类来说，其实也有很多感受是难以描述，但是可以体会的。比如职业围棋手经过长期刻苦训练所形成的那种敏锐的 “棋感”，对棋形 “味道” 的嗅觉；或者是从事科研、工程等领域长期研究之后，突然得到的“顿悟”，即所谓的 ah-ha moment. 跟这都有点像。再比如，音乐也是一种适合去直观感受，而不必追求深度理解的东西。甚至有可能，音乐正是用于缓解人类求知痛苦的一种解药。
（最近我在学习 deep learning, 这里只是一些个人的心得记录。如果你觉得内容过于简单，没什么价值，请忽略） 神经网络为什么具备非常强的学习能力？ 一个关键点是 backward propagation 时，依赖于函数求偏导数的 chain rule 这样一个根本的原理, 决定了在 output layer measure 到的 error 可以反向推导到前面每一层的连接权重 weight 以及 bias 值的正确的变化率，从而做到合适的修正。 每多一个样本，这个样本的 error 通过 back propagation 就计算出了其对应的网络中所有 weight 和 bias 的贡献值（亦即偏差）。这实际上是一个 “归因” 的过程，当然这里不是指单一的原因，而是所有参数应该承担的责任。通过不断的归因和修正，神经网络就可以不断的拟合到这些样本，从而具有了一定的预测能力。 这些推导能够成立的前提，有这样一些： 首先所有层与层的连接都是基于 y = wX + b 这样的形式，后一层的每一个 neuron 的值，是前一层所有 neurons 的线性组合，它是一个连续的函数。同时 activation function 也都是连续函数，所以它们才可导。 假设神经网络理论上可以 learn 到问题数据集里想要学习的结构 pattern. 也许有限制，某些特征可能学习不到。即使是深度神经网络也学习不到？这个理论依据在哪里，我还没有学到。后续知道了可能会修正这一点。 为了方便起见，暂不讨论 learning rate 大小的影响，以及 overfitting 的情况。
Linear Algebra 学习笔记 (2) Row Space 和 Column Space matrix 的 rows vectors span 的 space 就叫做 row space, 而 column vectors span 的 space 就是 column space. Rank matrix 的 rank 就是 row space 的维数。 如何找到 matrix 的 column space 的 basis? 可以先把 matrix A reduce 为 row echelon form U, 然后找到 U 中 leading element 为 1 的那些列，再回过头去看 A 中对应列的 column vectors, 就是 column space 的 basis. matrix 的 row space 的维数和 column space 的维数相同。 ...