学习动力学是机器学习理论的一个分支，研究神经网络在训练过程中参数如何随时间和梯度更新逐步演化，目的是解释模型“学到了什么、何时学会、为何泛化”的底层机制。它与优化理论、统计物理和表征学习交叉，近年来随着大模型的可解释性需求上升，逐渐从纯理论走向对实际训练现象的定量刻画。
学习动力学的近期进展
当前焦点与观察点
目前学习动力学研究的重心可以概括为三点：一是从理想化的无限宽度理论转向有限宽度、真实规模的描述，介观方法是其中的代表；二是对 grokking、延迟泛化等非平稳现象给出可预测的条件和时长，而不只是事后解释；三是把动力学分析与 Transformer 等架构上的具体任务（如归纳推理）结合，检验理论结论能否迁移到实际训练中。
值得观察的方向包括：这些动力学描述能否用于预测训练中的突变点，从而指导超参数选择或提前止损；以及基于权重演化几何的度量结构，能否成为比较不同模型、不同训练阶段的新工具。总体来看，该领域仍以 arXiv 上的理论工作为主，距离直接服务于工程训练实践还有一定距离，但其结论正逐步与可解释性研究形成呼应。