接着上回。2025 年春天那阵子，我在认真学 LLM。

三月一号那天我写了篇日记，标题就叫”三月的学习新方向”。起因很朴素——安全学到平缓期，日常刷靶机，但越来越觉得大模型要改变一切了，包括安全本身。Prompt injection 原理我懂，可真想深入理解模型内部机制，发现储备远远不够。

于是打开《Attention Is All You Need》。

说实话，被数学劝退了一次。Scaled Dot-Product Attention 那个公式，每个字母都认识，拼起来就是天书。我花了三天，一边翻博客一边在 Colab 跑代码，才把矩阵维度搞明白。恍然大悟的感觉确实好——注意力机制说白了就是让每个词去看它在所有词里该关注谁。

有个视角当时很触动我：Transformer 不是为 NLP 设计的，它是个通用的序列映射框架。这让我一下想到 EEG——脑电也是时间序列，是不是也能用类似架构处理？顺手搜了几篇 EEG + Transformer 的论文，还真有人在做。虽然那时效果还不如 CNN+LSTM，但方向很有意思。

这个念头一直没忘。四月份我就真的开始看 EEG 了。

EEG 这东西，入门的第一课是认识到它有多脏。微伏级的脑电信号，眨眼的 EOG、肌肉的 EMG、50Hz 工频，幅度比信号还大。带通滤波、ICA 去伪迹、CSP 提特征、EEGNet 分类，一路学下来最大的感受是：这东西跟 Web 安全有点像——本质都是在噪声和干扰里，分辨哪些是真信号、哪些是骗人的东西。

当时在 PhysioNet 运动想象数据集上跑，基线 SVM 只有 62%，换 CSP 提到 78%，EEGNet 到 83%。离实用还差得远，但那种”信号真的能分出左右手想象”的感觉，比解公式爽多了。

同一段时间我还在忙别的——搭了个 ReAct 的 Agent demo，学 LoRA 微调，用一张 3090 试着训模型。LoRA 那个”只训 1% 参数”的思路我到现在都觉得漂亮：把权重更新的自由度约束到低秩空间里，效果不差，显存省一大截。

回看那个春天，几个方向好像没什么关联——安全、LLM、EEG——但后来慢慢发现它们其实是一条线：都是在一堆不确定的信息里，找出真正可信的那部分。安全里叫”输入不可信”，LLM 里叫”注意力”，EEG 里叫”信噪比”。

那时候还不知道，几个月后这些会凑到一起，变成声桥那个项目。