1分钟看懂：KAN的极限与XNet的崛起

发布于 2026/6/19

《KAN到底能干什么？为什么XNet可能正在接棒KAN？》 大家好。 今天我用3分钟时间， 讲清楚一个最近在AI科学计算领域非常火的话题： KAN到底能做什么？ 以及为什么很多人开始关注XNet。 先说结论： KAN不是下一个ChatGPT， 也不是下一个Transformer。 它最擅长的，其实是科学计算。 --- 什么是KAN？ KAN全称Kolmogorov-Arnold Network。 它来源于一个著名数学定理： 任何复杂的多变量函数， 都可以拆成很多简单单变量函数的组合。 传统神经网络里， 神经元之间的连接权重负责学习规律。 而KAN换了一种思路： 它让每条连接本身变成一个可学习函数。 所以KAN最大的特点是： 不仅能预测， 还能让你看到它学到了什么。 这就带来了很强的可解释性。 --- 那么KAN最适合哪些领域？ 第一类， 科学计算。 比如求解偏微分方程。 流体力学、 热传导、 电磁场、 材料模拟， 这些都依赖复杂PDE方程。 过去工程师大量使用CFD软件。 现在很多人开始用PINN神经网络求解。 而KAN在很多实验里， 比传统MLP收敛更快， 精度更高。 所以KAN最先爆发的领域， 其实是Physics AI。 --- 第二类， 科学发现。 这也是KAN最神奇的地方。 如果给KAN大量实验数据， 它有机会反推出背后的数学规律。 比如摆运动方程、 弹簧振子方程、 种群增长模型。 传统神经网络告诉你答案， 但KAN有机会告诉你： 为什么会得到这个答案。 因此很多人把KAN称为 AI时代的科学发现引擎。 --- 第三类， 数字孪生与代理模型。 航空发动机、 汽车、 电池、 芯片设计。 这些系统往往计算非常昂贵。 企业会训练一个代理模型代替真实仿真。 KAN因为参数量小， 表达能力强， 非常适合作为轻量化数字孪生模型。 --- 第四类， 工业控制与机器人。 强化学习中的策略函数、 价值函数， 本质都是函数逼近问题。 KAN能够用更少参数学习复杂控制规律。 所以机器人控制、 无人驾驶、 工业优化控制， 都在尝试引入KAN。 --- 但是KAN也有明显问题。 它依赖B样条函数。 需要网格划分。 参数量容易增长。 训练速度不够快。 高维场景容易变复杂。 这也是为什么最近出现了一个新的方向： XNet。 --- XNet的核心思想非常简单。 既然KAN的问题来自样条函数， 那能不能换一种更强的数学基底？ 于是研究人员引入了柯西积分公式。 构造出一种新的柯西激活函数。 结果发现： 单层网络就能达到非常强的逼近能力。 理论上甚至可以实现任意阶收敛。 而KAN的收敛速度仍然受到样条阶数限制。 --- 如果把两者比喻一下： KAN像是一套非常精细的积木系统。 能够搭建复杂结构。 但搭建过程比较复杂。 而XNet更像一种高性能模块化组件。 直接拿来就能拼装。 参数更少， 训练更快， 对噪声和不连续问题更稳定。 --- 所以从产业角度看， KAN打开了科学AI的大门。 证明了神经网络不仅能做预测， 还能学习结构。 而XNet则可能进一步推动这个方向走向工程落地。 特别是在： 数字孪生、 Physics AI、 PDE Agent、 科学基础模型、 工业世界模型这些领域。 未来几年， 我们可能会看到一条新的技术路线： Transformer负责语言世界， 而KAN与XNet负责物理世界。 谁能成为下一代Physics AI基础架构， 很可能会影响未来工业智能的发展方向。 这版口播面向工程师、CTO、研发负责人和投资人，弱化数学细节，突出“KAN → XNet → Physics AI → 数字孪生”的产业逻辑，更容易让非学术听众理解。