逻辑与2-单纯形Transformer（2019）
回顾2019年提出的2-单纯形Transformer架构，探讨如何将高阶单纯形结构引入Transformer，以提升模型处理复杂逻辑和结构化数据的能力。该研究通过在传统注意力机制中融入拓扑学与逻辑推理视角，改善了神经网络在形式化逻辑任务上的表现。这为后续大模型在符号推理、结构化表示以及可解释性方面的探索，奠定了早期的理论基础与技术参考。
哥德尔与图灵对人工智能极限的阐述
本文探讨了哥德尔不完备定理和图灵的可计算性理论如何为人工智能的理论边界奠定基础。文章指出，历史上数学家和逻辑学家对形式系统局限性的研究，揭示了计算与推理的内在天花板。对于当代 AI 开发者和研究者而言，理解这些基础理论有助于理性评估当前基于统计和符号推理的大模型在处理某些复杂逻辑任务时的固有局限，避免对全能型通用人工智能产生过度乐观的预期，并促使业界在系统架构和应用场景设计上采取更为务实的路线。