Moyuan's website

相信不少认真打过比赛的人，都经历过一种很微妙的时刻：比赛结束，一等奖拿到了，合影拍了，朋友圈发了，指导老师在群里祝贺项目团队取得优异成绩，大家整整齐齐地回复“感谢老师指导”。那几天确实挺高兴，毕竟几个月的熬夜、改稿和反复折腾，总算有了一个能拿出来交代的结果。 然后过了一周，服务器停了，群安静了，代码没人动了，PPT 躺在一个叫 最终版-真的最终版-答辩修改版2.pptx 的文件夹里。半年以后，有学弟来问：“学长，这个项目现在还有人在维护吗？”你打开 GitHub，看了一眼 Last commit：六个月前。 这时候，一个多少有点冒犯的问题就出现了：我们花几个月甚至一两年打比赛，到底得到了什么？ 是那个奖吗？是综测分、奖学金和简历上的一行字吗？还是那个比赛结束以后，几乎没人再打开的项目？ 我后来越来越觉得，学生创新创业比赛最大的价值，恰恰不在于它能不能提前制造出一个成功项目，而在于大学给了我们一个非常罕见的机会：用相对低的代价，体验一次把一件事情真正往前推的过程。它让你接触到真实世界的一部分复杂性，也让你有机会在还没有承担真实创业风险的时候，学会判断、取舍、协调和面对失败。 但这里...

第十九届全国大学生信息安全竞赛（作品赛）暨第三届“长城杯”网数智安全大赛（作品赛），到这里算是彻底结束了。我们的作品《面向 AIGC 伪造的跨域泛化检测与可解释性防御平台》，最后拿到了全国三等奖。 结果出来的时候，我没有特别强烈的情绪，更多是一种终于可以停下来的感觉。这个项目从本科毕设一路做到比赛，前前后后折腾了很久，最后呈现出来的东西也越来越多：多模态大模型图像真实性分析、CLIP 图像伪造检测、不同数据集上的泛化评测、图片内容审核、大模型安全护栏、Agent 执行审计、来源取证、人工复核。模型重新训练过，平台重新搭过，又因为实习期间正好在研究 NPU，把其中一部分模型迁到了华为昇腾上。 如果只看最后的作品报告，很容易产生一种错觉，好像这些东西从第一天起就在白板上排好了队，我们先画出一张完整架构，再让 Deepfake、MLLM、大模型安全护栏、Agent 和来源取证按照施工计划依次进场。最后的报告也确实被整理成了一套工整的结构：Deepfake 检测、MLLM 真实性分析、内容安全审核、大模型安全护栏、Agent 执行安全、来源取证，再到统一编排。[12] 真实情况当然没有这...

相信不少认真做过项目的同学，都经历过这么一个魔幻时刻。 代码写了，平台搭了，模型跑了，服务器部署了，PPT 磨了八个通宵，比赛甚至还拿了个奖。你觉得这回总该有点说法了，于是信心满满地去找导师：“老师，这个能不能写篇论文？” 导师盯着屏幕看了半分钟，问：“创新点在哪？” 你不死心，又去找做产品的人：“哥，这玩意儿能不能上线？”对方连架构图都没看完，先问了三个问题：谁用，为什么用，服务器一个月多少钱？ 行，学术圈和商业圈都不识货，那我开源总行了吧。你把代码甩上 GitHub，README 认真写了，截图精心挑了，仓库设成 Public。一个月以后，Star 数是 7，其中两个还是室友点的，属于项目还没形成社区，寝室先完成了冷启动。 这时候，人很容易开始怀疑人生：我明明什么都做了，为什么放到哪儿都差点意思？ 我觉得，问题往往不是项目太差，而是我们从一开始就把“做项目”想成了一张可以到处通兑的成绩单。技术难、功能多、系统完整、比赛获奖、PPT 漂亮，好像这些东西攒得足够多，它自然就应该同时变成论文、产品和开源项目，顺便再成为一段光鲜的简历经历。一鱼四吃，听起来特别划算，可惜现实不是这么结...

我的收藏夹里，认真数一数，大概真能凑出两百门课。 前端、后端、Java、Python、Rust、C++，再往下是 Docker、Kubernetes、CUDA、大模型、Agent、强化学习、计算机网络、操作系统、体系结构，甚至还有几门嵌入式。每一门收藏的时候，理由都特别充分：这个以后肯定有用，那个是基本功，另一个可能是未来的方向。收藏夹像一份雄心勃勃的个人发展规划，唯一的问题是，里面许多课程的第一节我都还没来得及打开。 学计算机有一个特别恐怖的地方：值得学的东西，几乎永远都能为自己找到一个合理的理由。 一开始，你真的只是想做个网页，就那种标题居中、按钮会动，写进简历都能开心半天的网页。想让按钮动，得会 JavaScript；用户数据总得存起来，于是后端和数据库也安排上；项目做完总得给别人访问，Linux、Nginx、Docker 又排着队冲过来了。等你以为差不多了，AI 时代又拍了拍你的头：Python 总得会吧，大模型总得懂吧，RAG、Agent、MCP 听说过没有，模型总得部署吧，vLLM、SGLang 看不看，性能再往下抠一点，CUDA、Triton、量化、显存和算子就全出...

最近，南京大学蒋炎岩教授的一句话火了：“如果手上没有付费 Token 的同学，就要立即退学。” 乍一听，多少有点虎狼之词。过去计算机系劝退，理由通常是数学不好、不会 C++，如今版本更新，连 Token 都舍不得烧，似乎也要被开除出计算机专业了。照这个趋势发展下去，下一代计算机学生的自我介绍，大概不能只说自己会什么语言，还得附上一张本月模型账单。 不过，把这句话放回《生成式软件工程》的课堂语境，意思就不一样了。这门课强调高强度使用生成式 AI，要求学生自己承担 Token 成本，同时也明确反对无意义的 Tokenmaxxing。它要训练的不是谁更会花钱，而是另一套过去很少被单独拿出来教的工程能力：如何拆解任务、选择模型、组织上下文、控制成本、检查结果，以及什么时候可以相信 AI，什么时候必须由人接管。 我基本赞同这个判断。到了 2026 年，一个计算机专业学生如果仍然把 AI 当成“有空再学一下”的插件，确实应该警惕。它已经不只是一个写代码的工具，而正在成为新的计算环境。一个人不必追逐每个模型，也不必把所有任务都交给 Agent，但如果连这个环境都不愿意进入，就很难说自己正在认真...

我以前一直有一个很朴素的错觉：学习就是找一本好书，从第一页看到最后一页，划线、记笔记、做题，最好再把目录背下来。只要书足够经典，人足够努力，知识迟早会像泡茶一样，从纸里一点点泡进脑子。 后来学的东西越来越杂，这套方法开始变得有点诡异。学高数的时候，老师会告诉你教材必须好好看；学操作系统的时候，大家推荐《深入理解计算机系统》和 MIT 的课程；真到了凌晨两点装一个奇怪版本的 CUDA，陪在你身边的通常既不是教材，也不是论文，而是一条三年前的 GitHub Issue。有人留言“same problem here”，下面一个印度老哥回复“fixed by downgrade to 12.1”，你如获至宝。 到了大模型时代，建议更加混乱。有人说应该先把线性代数、概率论和优化学扎实，有人说别管那些，先调 API、把项目做起来；有人让你看 MIT，有人让你上 NVIDIA 的课，有人推荐论文，有人让你直接读源码，还有人更加干脆：“你不会就问大模型啊。”每个人听起来都有道理，培训班也会适时出现，告诉你不要浪费时间自己摸索，他们已经替你规划好了六个月从入门到就业的路线。 于是，一个更有意思的问...

前段时间，我发现一个很微妙的现象。一份 PPT 如果文字很多、布局有些凌乱，图片还是直接从网页上截下来的，大家一般不会说它像 AI；可你只要把网格对齐，颜色统一，标题层级做清楚，再放上几个干净的图标，就很容易听见一句：“AI 做的吧？” 文章也差不多。写得太顺，叫 AI 味；网页卡片太整齐，叫 AI 味；海报太像发布会，叫 AI 味；一句话里出现个破折号，也有人开始现场刑侦。有时候我甚至怀疑，Adobe 要是晚出生几年，大家可能会觉得整个平面设计史都是大模型生成的。 当然，这种感觉并非完全没有来由。如今模型确实能够批量制造一种成熟、完整、四平八稳的表达，很多作品看上去无懈可击，仔细一看却没有多少属于作者自己的东西。问题在于，“AI味”这个词太容易从一种感受，滑向一种判决。有人说“我不喜欢这种风格”，这只是审美；再往前走一步，说“这东西没什么价值”，就已经开始评价质量；如果继续推断“作者大概没真正想过”“项目可能也不是他做的”，甚至“他一定违规了”，事情就完全不同了。 判断成本没有明显增加，结论却越来越贵。几秒钟形成的印象，开始结算别人几天、几个月，甚至几年积累出来的信用。 我真正...

不知道大家最近有没有遇到过一种很奇怪的评价。你辛辛苦苦做了个网页。布局规整，颜色统一，卡片有圆角，按钮有阴影，数据面板也像模像样。 结果别人打开看了三秒： “这 AI 做的吧？” 你再掏出一份 PPT。排版整齐，图标统一，配色稍微商业化一点。对方又来一句： “AI 味有点重。” 这事最离谱的地方在哪？ 在于你真把页面做丑一点，按钮没对齐，字号乱飞，配色像彩票站，人家反而不说你像 AI 了。所以我最近一直在想一个问题： 现在大家嘴里所谓的“AI味”，到底是什么？ 后来我发现，很多时候，它可能压根不是 AI 味。而是——专业味。只不过以前普通人不太容易做出来，现在突然满大街都是了。 AI 没发明这种界面，它只是把这种界面批发了先说网页。现在你随便找一个后台管理系统。左边导航栏，上面搜索框，中间几张统计卡片，下面再来个表格。按钮是蓝的，背景是灰白的，危险操作用红色。 是不是很眼熟？ 然后很多人就会说： “看吧，一股 AI 味。” 可问题是，这套东西 AI 出来之前就存在啊。Ant Design、Material Design、Bootstrap，包括后来各种 Tailwind UI，本...

一、核心概念的”通俗翻译”在进入具体分布之前，必须先在脑海中建立这两个指标的直觉： 概率密度 $f(x)$ 或分布律 $P(X=k)$：某一瞬间/某一特定结果发生的“瞬时几率”或“绝对高度”。 分布函数 $F(x)$：事情发生的“进度条”。它代表从开始一直累积到 $x$ 时刻，事情已经发生的总体概率。它永远是一条从 0 爬升到 1 的曲线。 二、”时空双煞”：泊松分布与指数分布这是考研中最常考、也最容易混淆的一对，它们其实是同一枚硬币的正反面。 1. 泊松分布 $P(\lambda)$ —— 数的是“个数” 物理意义：在一个固定的时间段或空间区域内，某种罕见事件发生的次数。 生活场景：一家奶茶店 1 小时内进来的客人数；一本书 100 页里出现的错别字数；一段公路上 1 个月内发生的车祸数。 参数 $\lambda$ 的直觉：平均强度（预期发生次数）。 数学奇迹：$E(X) = D(X) = \lambda$。这说明，事情发生的平均频率越高（$\lambda$ 越大），其波动的剧烈程度（方差）也同比例放大。一天平均卖 2 杯奶茶的店，某天卖了 5 杯叫“爆单”；一天平均卖 1...

卡特兰数卡塔兰数（Catalan number）是一个在组合数学中非常重要的数列，广泛应用于多种结构的计数问题。卡塔兰数的第 n 项通常用 $C_n$ 表示，表示可以由 n 个节点构成的不同二叉树的个数，也可以表示其它多种组合结构的数量。 卡塔兰数的定义卡塔兰数的第 n 项可以通过以下递推公式或闭式公式来计算： 递推公式： C_0 = 1 C_n = \sum_{i=0}^{n-1} C_i C_{n-i-1} \quad \text{(其中，} n \geq 1\text{)}这个递推公式表达了卡塔兰数的结构：假设我们想构造一个有 n 个节点的二叉树，可以先选定一个根节点，剩下的 n-1 个节点可以分为左右子树，左子树有 i 个节点，右子树有 n-i-1 个节点，于是根节点两边的子树的不同构造方法分别是 $Ci$ 和 $C{n-i-1}$。 闭式公式： C_n = \frac{1}{n+1} \binom{2n}{n} = \frac{(2n)!}{(n+1)!n!}这个公式表达了卡塔兰数的一种常见计算方式。 卡塔兰数的应用卡塔兰数在组合数学中有着丰富的应用，例如：...