当残差学会思考：AI 正拆掉它的脚手架

——Ilya Sutskever 在 2025 年底宣告：“Scaling Law 的技术扩展期正在接近尾声”；DeepSeek、普林斯顿与 UCLA 在2026 年初接连出手——以 mHC 与 DDL 为矛，正式开启“改进残差连接之年”。

▼

当 Scaling 的时代开始转向

几个月前，我们写下《Scaling已死？不，它只是累了》（Scaling已死？不，它只是累了——AI的下一站，是“科学探索”而非“算力堆叠”）， AI 的“刷题时代”按下暂停键。

预训练数据红利见顶、算力边际收益断崖、模型“高分低能”频现——Scaling Law 的黄金时代正在退潮，AI 正从“刷题冠军”走向“理解者”。

今天，我们看到的是一场更深刻的觉醒——

从2025 年末到 2026 年初的短短时间内，学术界与工业界接连抛出多个“架构级突破”，引爆全球 AI 社区：

• DeepSeek 创始人梁文锋署名发布 mHC（manifold Hyper-Connection），对 ResNet 沿用近十年的“残差连接”提出根本性质疑；

• 普林斯顿与 UCLA 联合团队提出 Deep Delta Learning（DDL），让神经网络中的“捷径”（shortcut）从固定恒等映射，变为可学习的动态通路；

• LeCun 公开押注 JEPA（Joint Embedding Predictive Architecture），试图构建“世界模型”底层。

斯坦福大学 Christopher Manning 评价：

“2026 年，将成为改进残差连接之年。”

智能的重心，正从堆叠转向连接，不再靠规模证明存在，转而追问：智能能否被优雅地设计？

这不是技术的微调，而是一场智能领域的文艺复兴：

从暴力堆叠回归心智架构，

从计算蛮力升维至结构之美。

01MLP 被“数学定理”击穿：KAN 为何能碾压 DeepMind？

如果说 mHC 与 DDL 是 2026 年的“工程突破”，那么KAN（Kolmogorov-Arnold Networks） 则是其数学先声。

2024 年底，MIT、加州理工等团队在一篇论文中指出：

传统多层感知机（MLP）在表达效率与可解释性上存在根本缺陷。

MLP 将非线性激活函数“锁死”在节点内部，导致其无法显式建模函数间的复合结构。
而 KAN 将激活函数置于边（edges）上，通过 Kolmogorov-Arnold 表示定理，实现对任意多元连续函数的精确逼近。

结果令人震惊：

• 在偏微分方程（PDE）求解中，KAN 的参数量仅为 MLP 的 1/1000，误差却降低 2 个数量级；
• 在符号回归任务中，KAN “发现”了 F=ma、E=mc2等物理定律，而 DeepMind 的 Symbolic Math 模型只能靠暴力枚举；
• 更重要的是——KAN 具备符号可解释性，每个边函数都可被人类理解、验证、修正。

KAN 一作在后续檄文中直言：

“Scaling 终将撞上铁壁——不是算力不够，而是架构错了。”
“真正的泛化，来自对函数空间的先验建模，而非数据冗余。”

这不是对大模型的否定，而是对“智能如何涌现”的重新锚定：
智能，不来自模仿，而来自结构化的理解。

KAN 的意义，不在于它多快取代 MLP，而在于它证明了：

数学可以成为 AI 的新操作系统。

02残差连接的革命：mHC 与 DDL 的双重突破

如果说 KAN 重构了 MLP，那么 mHC 与 DDL 则共同解构了 ResNet 的灵魂——残差连接。

mHC：流形感知的超连接

ResNet 自 2015 年以来，凭借“恒等映射 shortcut”解决了深度网络的梯度消失问题。
但没人问：为什么“跳过”必须是“原样传递”？

DeepSeek 的 mHC 提出：不同输入在特征空间中分布于不同流形，shortcut 应具备几何感知能力，动态调整信息传递路径。

在 ImageNet、CIFAR-100 上，mHC 以同等参数量实现 1.8–2.3% Top-1 精度提升，训练收敛速度加快 35%。

DDL：可学习的增量通路

几乎同步，普林斯顿 & UCLA 的 DDL 走得更远：

让 shortcut 本身成为一个可学习函数 Δ(x)Δ(x)，输出变为 F(x)+Δ(x)F(x)+Δ(x)，而非 F(x)+xF(x)+x。

这意味着网络可以自主决定：哪些信息该直传，哪些该重构，哪些该遗忘。

在 ViT 和 ConvNeXt 中嵌入 DDL，小样本泛化能力显著提升。更重要的是——它赋予网络“选择性记忆”的能力。

Christopher Manning 评论：

“这标志着我们对神经网络‘连接’的理解，从工程技巧走向认知建模。”

mHC 与 DDL 的共同启示是：
智能不来自更深的堆叠，而来自更聪明的连接。

03LeCun 与 Hassabis 的终极对赌：世界模型 vs Scaling

面对 Scaling 的疲态，AI 路线图分裂为两大阵营：

• Yann LeCun赌上后半生，力主“大模型必死”。
  他指出：当前 LLM 本质是“自回归压缩机”，缺乏世界模型、推理能力与目标驱动。他押注的 JEPA（Joint Embedding Predictive Architecture），试图通过能量模型构建“预测性世界表征”，让 AI 学会“想象未来”，而非“复述过去”。

• Demis Hassabis（DeepMind CEO）则誓将 Scaling 进行到底。
  他认为：只要数据足够、算力足够、奖励足够，强化学习 + 大模型终将涌现出通用智能。

但现实正在给出答案：
纯 Scaling 路线已触天花板。
AlphaCode 2 虽在 CodeContests 上表现惊艳，但在真实企业代码库中，仍频繁生成“语义正确但工程灾难”的方案——比如在高并发场景下引入全局锁。

而 JEPA 虽未发布完整系统，但其在机器人控制、视频预测等任务中，已展现出零样本泛化能力。
AI 的下一程，必须融合结构先验与数据驱动——
用 JEPA 构建世界模型，用 mHC/DDL 优化连接，用 KAN 提供可解释性。

这不再是一场“谁对谁错”的争论，而是一次智能范式的迁移：

未来胜出者，很可能是两者的融合——用结构约束数据，用数据丰富结构。

04情绪即价值函数：智能的底层操作系统

Ilya Sutskever 在访谈中提出一个观点：

“情绪，是人类智能的底层操作系统。”

这不是诗意比喻，而是神经科学事实。
Phineas Gage 的经典案例早已证明：失去前额叶情绪调节能力的人，即便逻辑完好，也无法做出任何有效决策。
因为 情绪不是噪音，而是价值信号——它实时告诉你：“这条路危险”“这个方向靠谱”。

今天的 AI，只有“任务失败后的 -1”；
而人类在思考中途就能感知：“这个解法太丑”“这个逻辑不对”。

Ilya 将这种能力称为 “情绪价值函数”（Emotional Value Function）——它不是附加模块，而是智能的内生驱动力。

而 mHC、DDL、KAN 的共性，正是试图在模型内部植入这种“内在价值感”：

• KAN 通过函数光滑性惩罚“不优雅”的解；
• mHC 通过流形约束感知“特征是否合理”；
• DDL 通过 delta 学习权衡“直传 vs 重构”的代价。

未来 AI 的核心竞争力，不再是“能生成多少代码”，而是 “能否在生成前判断好坏”。

05从 Copilot 到共创伙伴：AI 的角色进化

2024 年，我们称 AI 为 Copilot（副驾驶）；
2025 年，我们期待 Agent（自主智能体）；
2026 年，AI 正迈向 “共创伙伴”——理解意图、参与决策、协同进化。

关键转变在于：

• Copilot：被动响应（你给指令，我输出）→ 工具属性
• Agent：主动规划（具备工具调用、记忆更新、目标分解能力）→ 自主属性
• Co-Creator（共创伙伴）：共同定义问题（我理解你的业务约束、历史包袱、成功标准）→ 协作属性

技术变革的终点，从来不是技术本身，而是人的协作方式。

在真实产业场景中，AI 的瓶颈已从“模型能力”转向“组织认知”：

• 高效团队：将 PRD 写成“可执行上下文”，明确边界、约束、历史坑点；

• 低效团队：只丢一句“写个登录功能”，然后抱怨 AI 生成的东西“不靠谱”。

AI 的真正卡点，是 “是否会构建上下文”“是否懂 Agent 协作逻辑”。AI 的瓶颈，已从“模型能力”转向“组织认知”。

未来的 AI 原生团队，必须具备三项新技能：

• 上下文工程（Context Engineering）：如何将模糊需求转化为结构化指令；

• Agent 协作设计：如何设计人-AI 任务流，实现“目标-执行-反馈”闭环；

• 错误免疫机制：如何让 AI 从历史 bug 中学习“什么不能做”。

这不是“人被替代”，而是“人被升级”——从执行者，变为架构师。

06新范式下的中国机会：从工程红利到架构原创

当 AI 的竞争重心从“算力规模”转向“架构智能”，全球产业格局正面临重置。

美国凭借基础研究（KAN、DDL）、开源生态（PyTorch、Hugging Face）与顶尖人才，仍主导原创范式定义权；
中国则在垂直场景深度（金融、制造、新能源）、工程迭代速度（日均千次模型部署）、数据闭环能力（用户行为+IoT+政务）上具备独特优势。

DeepSeek 的 mHC 正是一个信号：中国团队不仅能高效应用，也开始向底层架构发起挑战。

但短板同样明显：

• 高校与工业界在数学与系统底层的协同仍弱；
• “重应用、轻理论”的惯性导致原创架构生态薄弱；
• 开源文化、社区治理、长期投入机制尚未成熟。

破局关键，不在于复制“千亿模型”路径，而在于：以场景反哺架构，以工程验证理论，以开源共建生态。

当中国开发者不仅能“用好 AI”，更能“定义下一代 AI 的连接方式”，才是真正的范式话语权。

AI 的文艺复兴，不应只有西方建筑师。
东方的飞檐与榫卯，同样可以支撑智能殿堂。

欢迎进入 2026，AI 新时代

真正的智能，从不需要“大力出奇迹”。

Scaling 的狂热退潮后，AI 终于开始呼吸——

不再是 GPU 数量的比拼，而是对智能本质的理解深度。
像文艺复兴时期的建筑师，不再满足于哥特式的高耸堆砌，转而追寻黄金比例、透视法则与人性尺度。

2026 年，当 KAN 用数学定理重写网络底层，
当 mHC 让残差连接学会“几何直觉”，
当 DDL 赋予 shortcut “选择权”，
这些不是技术的修补，而是一场智能范式的自觉：
从模仿表象，走向理解本质；从规模竞赛，回归设计智慧。

AI 的下一站，是科学探索，而非 算力堆叠。
是 结构之美，而非 规模之大。
是 理解世界，而非 模仿人类。

欢迎进入 2026，
一个由结构、逻辑与可解释性定义的 AI 新时代。

——

*基于 2026 年初公开论文与社区共识：

• KAN（MIT/Caltech, 2024）
• mHC（DeepSeek, 2026）
• DDL（Princeton/UCLA, 2026）
• Ilya Sutskever 与 Dwarkesh Patel 对话（2025）
• LeCun 关于 JEPA 的公开论述

欢迎转发、点赞、在看——看清AI落地的真实战场。