托马斯-库恩（Thomas S. Kuhn）写道，科学进步既包括正常时期的小修改，也包括非正常时期的大革命。最近，人工智能的不正常进展正接近一个潜在的破坏性阶段，GPT-4 这个最先进的和令人震惊的语言模型被广泛认可就是证明。尽管如此，该模型引起了人们的欣喜和对其影响的争论，其中，Chromesky 的断言既正确又错误。

LaTeX-OCR 是一个知名、开源、免费的 OCR 识别工具，作为 Mathpix 的替代品十分流行。 但是，因为 pytorch, qt 等模块跨平台的兼容性问题，在 arm64 的宿主机上安装该工具需要一一定的操作。

刷 TDS(TowardDataScience.com) 和统计之都发现三个好东西： - 从任何机器学习模型中抽取人类可理解的洞察（Extracting human understandable insights from any Machine Learning model，作者 Parul Pandey），文章介绍了最为常用的 Permutation Importance, Partial Dependence Plots, SHAP values，Advanced Uses of SHAP Values 四种方法； - 可解释的机器学习指南（Guide to Interpretable Machine Learning，作者 Matthew Stewart, PhD Researcher），主要讲可视化，相对更加专业。 - Christoph Molnar 的新书 Interpretable Machine Learning，该书籍对机器学习可解释性有较为系统的介绍。 最近没时间仔细学习，故快速浏览了一下两篇文章和这本书目录，以 [1]、[2]、[3 ] 分别标注来源作简单小结，以备后用。