深度分析
保護每個樣本：新型優化器框架「Harm Reduction」降低批次干擾、提升泛化能力
傳統深度學習優化器（如 SGD、AdamW）在更新參數時，會將批次內所有樣本的梯度平均後，再與歷史狀態（如動量）結合。這種做法雖然能穩定訓練，卻可能讓部分樣本的損失不降反升，形成所謂的「傷害」（harm）。
泛化能力
深度分析
智慧密度（intelligence density）：以壓縮性與獨立輸出量化「懂」與「記憶」
本文改寫並深入解讀一項針對任意物理系統的量化智慧定義：智慧密度（intelligence density）。作者把系統可產生的獨立輸出數量的對數，除以系統描述長度，作為衡量指標，並以此區分「記憶」與「了解」。
深度分析
量化智慧密度：跨系統的可操作智慧定義與應用
研究背景：Kang‑Sin Choi 於 2026 年提出一套量化智慧的框架。核心技術：以智慧密度＝獨立輸出對數／描述長度衡量，並以泛化機制界定「了解」而非單純記憶。結果影響：此定義在跨硬體與軟體系統間提供連續尺度，並回應全計算主義與中文房間爭議。