AI 与机器学习2018paradise.caltech.edu
两个神经元就能骑自行车（2004）
It Takes Two Neurons to Ride a Bicycle (2004)
入门 · 约 30 分钟读完前置知识：控制论基础、经典力学
导读
这篇 2004 年的论文探讨骑自行车到底需要多少“神经”控制：作者用极简的两神经元网络控制器在物理仿真中实现了稳定的自行车骑行。结论是两个神经元足以在一段速度范围内保持平衡，但抑制低速或急转弯时的失稳可能需要第三个神经元。
HN 关注点：标题极其抓眼球（两个神经元就能骑车），且涉及反打方向（counter-steering）等骑行物理，引发 HN 读者对自行车控制原理的好奇与讨论。
HN 评论精选
这几条评论里：支持 1 质疑 1 补充 2
支持推荐这篇论文易读，并摘录结论：两个神经元够用，抑制失稳可能需要第三个。
这篇论文非常好读，适合想轻松消化论文的读者。引用结论：虽然双神经元控制器在一定速度范围内工作良好，但它不会去抑制骑得太慢或转弯太急时出现的失稳——这可能需要一个专门负责此事的第三神经元。
amerine查看英文原文
This is a really easy read if folks are looking for easy-to-digest papers! From the results: > Although the two-neuron network controller works well for a range of speeds, one thing the controller does not do is to try to dampen the instabilities that can arise when riding too slowly or in too sharp of a turn. (This would probably require a third neuron that is dedicated to this task.)
补充指出论文复现了反打方向现象，并补充转向角与转弯方向的对应关系取决于车速和倾角。
论文里说稳定骑行时顺时针施加更大的车把扭矩会让车向左倾——这就是反打方向（counter-steering）！很高兴看到他们的物理仿真像现实中一样复现了这一点。我认为车把转角与最终转弯方向之间存在固定对应关系，取决于车速、倾斜角和转向角（轮胎半径可能也算）：在稳定的顺时针稳态转弯中，车会略微右倾并顺时针转向，此时再顺时针打把会让车向左转或增大转弯半径直到走直，然后开始逆时针转弯；反之逆时针打把会让车更右倾、转弯半径更小。
dahart查看英文原文
> There is not a direct or fixed correspondence, but as a general rule, during stable riding, a higher clockwise torque on the handlebars will cause the bicycle to start leaning more to the left It's counter-steering! I was glad to read that counter-steering is accounted for and works in their physics simulation like it does in the real world. I don't have a source handy, but I believe that there is a fixed correspondence between steering angle and the resulting turn that depends on the bike's speed, lean & steer. (And maybe tire radius counts too.) A bike riding in a stable constant clockwise turn will have a slight right lean & clockwise steer in steady-state. Steering clockwise from there will turn the bike left, or increase the turning radius until it's straight and then start turning counter-clockwise. Steering counter-clockwise from steady state clockwise turn will turn turn the bike right, increase the lean and decrease the turning radius.
补充称赞论文标题有趣，并分享另一篇标题有趣的论文。
这成了我最喜欢的科学论文标题，超越了之前的冠军《How Many Birds Are There?》。
pje查看英文原文
This is now my favorite scientific paper headline, beating out the previous champion, "How Many Birds Are There?" https://link.springer.com/article/10.1023/A:1018341530497
质疑好奇能否用树莓派加电机传感器在真实自行车上复现该控制器。
树莓派的算力够在真实世界里跑这两个神经元吗？能不能给真自行车装上电机和传感器让它自己骑？那太酷了。
hathawsh查看英文原文
Does a Raspberry Pi have enough computing power to run these two neurons in the real world? Could I attach motors and sensors to a real bike and have it drive itself? That would be amazing.
相关资源
从这篇论文所有 HN 讨论帖的全部评论里整理出来的链接。
历次讨论
- 2018Hacker News 讨论帖234 分 · 87 评
- 2020Hacker News 讨论帖13 分 · 1 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。
AI 与机器学习2025 · 982 分 · 465 评进阶 · 约 90 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选