最近在看mit的FM的course，感受良多，写下这篇随想
国内我印象中最深的就是一位中科大出身的老师的机器人课程，全程一个白板开始手推公式，如何变化，如何求导，虽然我知道他的水平很高，不过很遗憾我听起来非常无趣，甚至厌恶这门课程，我一度怀疑自己的能力，不过很多尤其是那种高中学霸模样的同学听的非常起劲，很可能他们已经提前学会了，所以正反馈非常足。可是对我来说这是非常痛苦的，因为一个变化看不懂就会卡住然后思考，我是个刨根究底的人，遇到这样的一知半解的问题就想搞懂，可是老师已经翻页了，而我得白板上确实推到一半的公式，然后匆匆进入下一场推导。。。。
MIT的prof都是更注重idea，math只是connect A point to B的 tool，在讲课全程是只直觉的理解，在讲vector field 都是例子开头，非常活泼。遇到一个新的概念，会有生动的比喻来讲述这个概念在做的事情，看到Strang说的"Letters are not what Calculus is about. It's ideas" 看到这些话真得非常激动，感觉是自己在之前环境一直没有遇到的解答。非常感谢Strang，you taught me the math.
比如在处理 3D 场景重建时，如果仅仅把 3D Gaussian Splatting 看成是一堆复杂的数学公式------怎么算 3D 到 2D 的协方差矩阵投影（雅可比矩阵和仿射变换），或者怎么去优化高阶的球谐函数（Spherical Harmonics）------那绝对会让人陷入公式的泥沼。但如果从 Idea 的层面去理解，它的本质其实极其优雅：就是把连续的三维空间用一个个"模糊的发光椭球"来表达，然后像画水彩画一样把它们"拍"到二维相机平面上。底层的复杂数学，只是为了把这个绝妙的物理直觉精确地"翻译"给计算机听。
我们经常说西方的科研更多的是0-1的工作，国内的科研是1-100的工作，我想这一刻具象化了。神经网络的模型一开始也就只是数学简单的心智模型，也希望我自己能跳出原来我得思维，更关注high-level层面的idea，而不是死磕公式的复杂，之后自己一定要保持这样practical 的科研哲学(搞抽象)