看见数学（十一）：向量——给万物一个坐标
向量不只是"有方向的箭头"。向量是用一组数来描述一个事物的方法——一杯咖啡、一个游戏角色、一个词的含义。而"国王 - 男人 + 女人 = 女王"，是向量最惊艳的表演。第三幕开篇。
看见数学
看见数学（十二）：矩阵——空间的变形术
矩阵不是"一堆数排成方块"。矩阵是一个变换器——它可以旋转、缩放、投影整个空间。神经网络的每一层，就是一次矩阵变换。而两千年前的《九章算术》，已经在用矩阵解方程了。
看见数学（十三）：概率——拥抱不确定
概率不是"猜"——概率是用数学管理无知。赌徒的信件催生了概率论，贝叶斯牧师教会了 AI 如何"更新信念"，而 GPT 每写一个字，都是在从概率分布里抽样。
看见数学（十四）：高维——超越想象力
人类的直觉止步于三维。但 AI 生活在 768 维甚至更高的空间里。高维空间有很多反直觉的性质：几乎所有体积都在"壳"上、随机向量几乎都垂直、数据变得极度稀疏。理解高维，就理解了深度学习为什么需要那么多数据。
看见数学（十五）：梯度下降——数学会学习
AI 的"学习"其实是一个数学过程：计算误差、求导数、沿梯度方向调整参数。梯度下降就是"在高维山谷里摸索下山"。第九篇的导数、第十一篇的向量、第十二篇的矩阵——所有工具在这里汇合。
看见数学（十六）：终章——数学是人类的望远镜
从结绳记事到梯度下降，从一万年前到今天。十六篇走下来，我们看见了什么？数学不是发明的，数学是发现的。它是人类伸向未知的望远镜——而 AI，是这架望远镜最新的一片镜片。
看见数学（番外）：信息论——从电报到 GPT 的一条暗线
Shannon 1948 年证明了一件事：压缩 = 预测 = 理解。76 年后，我们用万亿参数的神经网络去逼近他的定理。这是贯穿「看见数学」所有篇章的那条暗线。
从一个取反说起——计算机如何从「只会加法」走到「AI 写诗」
~5 = -6？从这个小困惑出发，我们穿越 7 层抽象，看见逻辑门如何一步步堆叠成 ChatGPT。这是一篇写给所有人的计算机底层原理科普。
欧拉的 e——一个数字如何同时出现在复利、衰变和神经网络里
2.71828… 这个数字出现在银行复利、放射性衰变、人口增长、Softmax 函数、学习率衰减里。它不是人造的常数——它是自然界「连续变化」的签名。读完这篇，你再看到 e 不会害怕，而会觉得亲切。