一、本课定位上一节我们建立了级数认知：AI的智能来自「级数无限逼近」本课解决整个AI训练最容易混淆的数学问题：90%的人分不清两件事数列收敛（单项越来越小）级数收敛（无限累加不爆炸）AI梯度爆炸、Loss抖动、训练崩溃、模型不收敛，全部来自这两个概念。我们巩固一下，数列与级数在大模型中的应用与区别数列：按次序排出来一串数；级数：数列逐项相加的无穷求和。数列管迭代过程；级数管函数逼近、收敛判断、截断计算，是大模型训练、推理、理论证明的底层数学工具。一、数列在大模型的应用梯度下降迭代数列权重更新：w_{k+1}=w_k-\eta \nabla L(w_k)每一轮权重 w_0,w_1,w_2…w_k 构成数列。数列收敛：权重逐步稳定，损失下降，训练正常；数列发散：学习率过大，权重震荡爆炸，训练崩溃。大模型训练本质就是看参数数列是否收敛。文本token序列（离散数列）输入句子拆成token编号 [t_1,t_2,t_3…t_n]，就是离散整数数列。Transformer全部工作就是建模这个数列内部依赖；自注意力计算数列各个位置之间关联。解码器生成文本，是一步一步产出token，生成的输出本身就是不断延长的数列。残差网络、多层堆叠数列每一层网络输出 x_1,x_2…x_L，构成状态数列；残差连接保证这个数列不会快速发散，缓解梯度消失。二、级数（泰勒级数、幂级数、傅里叶级数）核心应用激活函数的多项式逼近（泰勒级数）计算机硬件不会直接算 e^x、\tanh、\text{GELU}，把函数展开成泰勒无穷级数，只取前有限项做近似计算。ex=1+x+\