我的SEU求学日记
一些零散的题目和方法整理：
-
杂题汇总 这里存放着同学或网友问过的问题, 因为刚刚整理, 篇幅不多, 所以也不打算每个问题单列出来, 而是集中到一个pdf文档中(不定期更新：2025.11.1)
-
AI 提问词 从UP小号菌子那里参考, 后续随着进一步使用, 或许会更新一份新的提示词.
下面补充了一些对AI与数学的看法（有参考Pikachu345）, 总结为 学习与优化的原理：从度量到方法论
一、Goodhart 定律与代理目标
核心：度量与目标的背离
Goodhart 定律 (Goodhart, 1975)：
当一种度量被用作目标时, 它将不再是一个好的度量.
在优化真实目标（难以衡量）时, 我们使用代理目标（易于衡量）. 过度优化代理指标会使其实质价值降低.
定律的三种具体表现
| 类型 | 核心问题 | 学习中的例子 | 关键修正措施 |
|---|---|---|---|
| 极端型 (过拟合) | 过度适应训练集, 泛化性能急剧下降. | 缺少对本质的思考, 机械训练相似题目, 导致缺乏举一反三的能力. | 1. 限制优化幅度, 理解方法本质. 2. 多样化训练, 知道方法的适用性边界. |
| 因果型 (相关非因果) | 错把相关当成因果, 优化指标对真实目标无效. | 认为“读完书的页数”与“数学水平”有必然因果, 导致浅层阅读和理解不足. | 持续进行因果分析, 跟踪真实结果来验证代理指标的有效性. |
| 对抗型 (钻空子) | 为最大化指标, 利用设计漏洞, 未推动真实目标实现. | 只做简单、容易的题目, 以最大化单位时间做题数量. | 多维化指标设计, 避免维度过于单一. 对钻空子行为进行惩戒. |
总结： 指标是手段, 不可本末倒置. 必须持续审视并修正代理目标.
二、学习中避免“贪心”思维
贪心算法在每一步都选择局部最优. 它能得到全局最优解, 必须满足以下两个条件：
- 贪心选择性： 局部最优选择能引向全局最优.
- 最优子结构： 全局最优解能由子问题的最优解构成.
教训： 学习和复杂优化问题往往不满足这两个前提.
- 反例： 背单词时, “每小时记忆量”（局部最优）无法构成“十天后长期记忆量”（全局最优）, 因为存在遗忘.
- 优选策略： 采用“先探索后利用”. 前期投入时间探索、理解本质、抽象方法（建立工具箱）, 后期再高效利用, 以实现全局最优.
三、数学中的两种抽象文化
数学家 Gowers 将数学抽象分为两类：
1. 对数学对象的抽象 (第一类抽象)
- 核心： 推广数学对象和结果.
- 典型： 理论的构建者.
- 目的： 通过构建“大理论”（如希尔伯特空间）来“压缩”海量的原始数据, 提高交流效率.
- 评价： 结果的深度和与其他数学对象的紧密关联.
2. 对数学方法的抽象 (第二类抽象)
- 核心： 推广解决问题的思路和方法.
- 典型： 问题的解决者.
- 关键： 剥离应用细节, 提炼想法的动机与目的（如概率法、测度集中法）.
- 意义： 揭示了数学对象上不相关的问题, 在方法论上却可以深刻互联.
当前不足： 缺乏严密阐述第二类抽象的数学语言, 导致这种方法论的抽象常常以不够严谨的人类自然语言进行交流.
四、构建深度学习的“数学笔记”
数学笔记的定位是理解的“图式”和“工具箱”.
笔记的基本原则
- 个人化： 只写自己的理解、领悟和补充, 不抄书.
- 证明性： 必须证明自己的理解. 命题需证明；观点需证据/例子.
- 迭代与压缩： 不断修正、融入新经验, 并通过一般化推广实现信息的压缩和提炼.
- 老子哲理：“为学日益, 为道日损”（学习新知时做加法, 提炼本质时做减法）.
写作策略（如何“写出来”）
| 策略 | 核心思路 | 例子 |
|---|---|---|
| 推广 | 将解决问题的思路延伸到一般情况. | 利用 $\text{Bezout}$ 恒等式将群论中互素条件的解法推广. |
| 反例 | 思考“如果去掉某个条件会如何？” | 构造反例, 证明 $\limsup x_n^2$ 的等式为何需要 $x_n \geq 0$. |
| 替代性思考 | 思考“为何不试试这样做？”以理解当前解法的优势或局限性. | 探究递归序列的极限：为何选择上下极限而非证明单调性. |
| 背景探究 | 寻找某个结果对应的更大数学背景. | 从 $\lim \sin(n)$ 的初等做法, 扩展到数论中序列的性质. |
五、生成式 AI 在数学学习中的使用
核心原则：收益与风险管理
核心原则：
只问 AI 擅长回答的问题.
容错与验证原则：
仅在回答的错误容忍度较高, 且正确性易于被验证时, 才使用 AI.
| 适用原则的场景 | 评估结果 |
|---|---|
| 头脑风暴（寻求灵感/例子） | 推荐：容错度高, 验证难度低. |
| 不常见证明/复杂推理 | 不推荐：数学错误容忍度极低, 且非 $\text{LLM}$ 强项. |
| 编写程序代码 | 推荐：错误反馈及时（验证难度低）, 易于调试修正. |
认知负债 (Cognitive Debt)
将本应由大脑完成的推理、检索和监控工作外包给 $\text{LLM}$, 短期看似高效, 长期却会侵蚀注意力、记忆力与元认知控制.
- 神经科学证据： 长期使用 $\text{LLM}$ 写作的学生, 大脑功能连通性（神经活动）显著降低, 且停用工具后不会立即恢复.
- 应对： 真正有效的学习需要“理想的困难 ($\text{Desirable Difficulty}$)”. 必须先独立思考, 进行充分的自我推理后, 再借助 $\text{AI}$ 辅助.
六、完整的数学解题经验
关键缺失：失败的经验
传统训练只强调“某种方法能解决什么问题”, 缺乏“某种方法不能解决什么问题”的试错经验, 导致过拟合.
完整的训练应涵盖三种经验
- 方法能直接解决的问题.
- 方法不能直接解决, 但通过变通手段后可以解决的问题.
- 方法根本不能解决的问题, 以及替代的方案.
练习时的反思：
- 自我批判： 是我对方法理解太浅（应深化理解）？
- 方法论批判： 是此方法在此问题中根本不可行（应识别本质困难并寻找替代方法）？
例子： 求和极限时, 若 $\text{Taylor}$ 展开后的误差余项 $\sum O(\dots)$ 不符合 $o(1)$ 的要求, 则必须放弃逐项估计, 转向和的积分估计等替代方法.