历史与数学

概念都是具体问题的产物。微积分的记号之争留到今天：牛顿写 ẋ，莱布尼茨写 dy/dx，同一件事两套写法。 关系模型源于处理数据冗余和更新异常，规范化理论是后来对这一问题的系统回答。 Transformer 去掉循环，是为了让注意力在整段上下文上并行，不再依赖顺序。

不知道要解决的问题，定义就只是定义。背下来也无法判断它何时失效、何时该换工具。 历史还保存失败路径：符号主义的起落、第五代计算机、WS-* 的复杂度反噬。这些解释了今天的工具为什么避开某些设计。

工程直觉说大概能跑，数学说在什么条件下成立、什么时候必然不行。

• 线性代数：PCA、最小二乘、注意力里的投影，都是换一组基。秩、特征值、条件数决定信息能留下多少。
• 信息论：Shannon 1948 用熵定义信息，压缩极限才成为可证明的命题。交叉熵是它的直接后代。
• 可计算性：停机问题划出算法上限，NP 完全性说明有些承诺不能给。CAP 是定理，不是架构偏好。
• 数值分析：浮点、条件数、稳定性，决定公式正确和算得对之间的距离。

反例的价值也在这里：一个反例结束一类猜想，比十个成功案例省时间。

经验只覆盖你遇到过的分布。没有历史，容易把当下的工具当成领域本身；没有数学，容易把跑通当成正确， 过拟合、不可复现、边界崩溃都是例子。

分工很清楚：历史说别人试过什么，数学说为什么不行，经验说这一台行不行。

不必读完整个学科史，也不用从实分析补起。四件事就能开始：

1. 读原始文献。每个领域至少读一篇奠基论文，比如 Shannon 1948、Codd 1970、Vaswani 等 2017。
2. 写出形式定义。输入、输出、不变量、失败条件写不清，说明还停在类比。
3. 复现最小例子。十行能跑通的例子，比十篇博客更容易暴露边界。
4. 记时间线。每个概念标上谁、哪年、解决什么问题。

历史防止重复发明和重复踩坑，数学防止自欺。两者都不保证成功，但能让错误提前暴露。缺一项，理解会停在会用。