辛顿亲自推荐这本AI神书：杰作三门墙

想象一个三维物体，被光照投射到墙上，变成一个二维的影子。

影子丢失了深度信息，但它有了轮廓——一个可以被理解、被传播、被讨论的形式。

这个过程，叫做降维投影。

现在我告诉你：信息，也需要这样的投影。

而AI时代，这个概念变得至关重要。

2024年，一本名为《Why Machines Learn》的书出版，作者是科学作家Anil Ananthaswamy。诺贝尔物理学奖得主、深度学习之父Geoffrey Hinton亲自作序推荐，称其为"杰作"。

书中讲了一个1958年的故事。

那一年，心理学家Frank Rosenblatt发明了感知机——第一个能够从数据中学习模式的"类脑"算法。

感知机的核心能力很简单：在高维空间中找到一条线（数学上叫"超平面"），把复杂的数据分成两类。

"研究者证明了，在特定假设下，感知机总能在有限时间内找到数据中隐藏的模式——换句话说，感知机必定收敛到一个解。"

一条线，就能把混沌的世界变得清晰。

这就是降维的本质。

但书中有一个关键洞察，常常被忽略：

能把两类点分开的直线，其实有无数条。

感知机只能找到其中一条，不一定是最优的。

这意味着什么？

意味着在高维空间里，存在无限可能。同样的数据，可以从无数个角度去理解、去分类、去解释。

书中还讲了另一个概念：核函数。

当数据在当前维度无法用一条直线分开时，核函数的做法是——先把它投影到更高维的空间，在那里，它就变得线性可分了。

升维，是为了更好地降维。

这个思想极其深刻：

有时候，我们需要先穷尽可能的信息、引入更多的视角、展开更多的维度——才能找到更好的降维方向。

现在，让我们把目光投向AI时代。

大模型能做什么？

书中提到一个核心概念：向量空间。

"今天的机器学习算法，首先把数据——无论是图像、音频还是文本——转化为向量。向量是一串数字，它的元素数量决定了向量空间的维度。"

这意味着，AI可以把一切信息编码成向量，在向量空间中进行操作。

它可以穷尽可能的信息，展开无数的维度，探索无限的关联。

这一步，AI比人类强得多。

但问题来了：

高维空间意味着无限可能，但可能太多，反而无法行动。

人类无法同时处理无数个维度。我们需要一个方向，一个起点，一个终点。

我们需要——那条线。

在物理学中，有一个概念叫"时间箭头"。

四维时空里，三维空间加上时间维度。但时间不是任意流动的——它有一个方向，从过去到未来。

那条线，就是信息的"时间箭头"。

没有那条线，信息是高维的、混沌的、无方向的

有了那条线，信息有了流动的方向，有了起点和终点

想想一篇研究报告：

原始数据是高维的——无数个变量、无数个观察、无数个可能的解释。

作者选择的"逻辑线"是降维的方向——先讲背景，再讲方法，然后是结果，最后是结论。

读者看到的，就是这条线投影下来的"影子"。

读者不需要看到所有数据，只需要看到作者选择的那条线。

现在，关键问题来了：

谁来画那条线？

书中讲了一个概念：信用分配。

"信用分配是机器学习的核心思想之一。当模型犯错时，算法必须把'责任'分配给每个参数，然后微调参数，使错误减少。"

AI可以自己学习如何分配权重、如何调整方向。比如推荐算法，它会根据你的行为，自动选择那条"最可能让你点击"的线。

AI可以自己选。

但人类也可以选。

这篇文章，就是我在画那条线：

我读过《Why Machines Learn》整本书——这是高维信息

我选择了"降维投影"这条线——这是投影方向

我舍弃了书中大量技术细节，只保留支撑这条线的论据——这是信息筛选

你看到的，是我选择的那条线投影下来的"影子"

你不需要读完整本书，只需要跟着我的线走。

所以，与AI协作的本质是什么？

升维交给AI，降维由人选择。

AI负责穷尽信息，在高维空间中探索无限可能。

人类负责选择方向，画那条让信息流动的线。

这条线，可以是AI自己选的——比如算法推荐的内容流。

这条线，也可以是人类选的——比如这篇文章，比如一份研究报告，比如一个产品决策。

选择本身，是核心能力。

书中还提到一个概念：贝叶斯定理。

"贝叶斯最优分类器是机器学习算法的理论上限——任何其他方法只能接近这个风险，永远无法超越。"

但要达到这个上限，需要正确的先验知识——那些来自经验、价值观、文化背景的"先验分布"。

这正是人类能提供的。

回到开头的问题：降维投影，为什么是AI时代人类的核心能力？

信息爆炸的时代，我们不需要更多维度，我们需要的是方向。

AI能处理一切的时代，我们不需要更强的计算，我们需要的是选择。

那条线，就是人类智慧的投影。

每个人画不同的线，所以世界不同。

你的那条线，是什么？

每个人画不同的线，所以世界不同。你的那条线，是什么？