在 AI 的世界裡，大家通常只盯著「大腦」看（模型參數有多大、IQ 有多高）。但 2026 年初，DeepSeek 悄悄發布了一篇關於 mHC（流形約束超連接）的論文。這篇論文還沒變成產品，但敏銳的觀察者已經嗅到了不安的氣息。因為這一次，DeepSeek 不是在把大腦做大，而是在重寫 AI 的「脊椎」——也就是資訊如何在神經網路中流動。如果這項技術落地，它將顛覆的不是「模型有多聰明」，而是「推論有多便宜」。
以下是這場「脊椎進化史」的三個關鍵章節。
一、何愷明與 ResNet —— 拯救「失憶」的傳話遊戲 (2015)
在 2015 年之前，深度學習有一個巨大的詛咒：「越深，越笨」。
理論上，神經網路層數越多應該越聰明。但科學家發現，一旦超過 20 層，模型就會變傻。
這就像玩「傳話遊戲」：
第 1 層說：「明天早上九點開會。」
傳到 第 50 層，因為每個人都加了一點自己的理解（運算），最後那個人聽到的可能是：「明天......九......？」甚至全是雜訊。
這在數學上叫 「梯度消失（Gradient Vanishing）」。訊號在傳遞過程中衰減沒了。
何愷明（Kaiming He） 提出了一個天才般的簡單解法：殘差連接（Residual Connection）。
他的邏輯是：
「如果你這一層聽不清楚上一句說什麼，沒關係，我給你一條捷徑（Shortcut），直接把原話傳給你。」
公式變成了：輸出 = 你的理解 F(x) + 原話 x。
這條捷徑（x）就像一條保命的高速公路，保證了不管蓋到幾百層，最原始的訊號永遠有一條路能通到底。
👉 ResNet 讓深度學習有了「脊椎」，AI 從此可以蓋摩天大樓。
二、Transformer —— 在「攪拌機」中全靠殘差救命 (2017)
兩年後，Google 發布了 Transformer（也就是 ChatGPT 的祖宗）。
Transformer 的核心機制是 Attention（注意力），它的本質是不斷地把不同的字（Token）的資訊「攪拌、混合」在一起，試圖找出關聯。
但這裡有個致命問題：「過度攪拌」。
如果你把一堆顏料不斷混合，最後會變成什麼？一坨均勻的灰色爛泥。
在數學上，這叫 「秩崩塌（Rank Collapse）」 —— 模型分不清「貓」跟「狗」，因為它們的特徵被攪拌到一模一樣了。
這時候，何愷明的「殘差連接」再次成為救世主。
Transformer 被迫在每一層攪拌後，都強行把 「原始身份 x」 加回來。
Attention 負責混合（尋找關聯）。
Residual 負責保持自我（保留特徵）。
👉 沒有殘差連接，就沒有 Transformer，也沒有今天的 GPT。它是防止 AI 腦袋變成漿糊的唯一防線。
三、DeepSeek mHC —— 「智慧交通網」 (2026)
時間快轉到現在。模型越來越大（GPT-4、Claude 3），單純的一條殘差高速公路開始塞車了。於是有人提出了 Hyper-Connections（HC，超連接）：
