gauge（规范）在机器学习语境中指数据的规范对称性——即同一对象可因坐标或参考系选择不同而有多种等价表示的性质。近年来，随着几何深度学习的发展，如何让神经网络显式处理 gauge 对称性、避免模型把坐标选择误认为真实信号，成为等变网络研究的核心问题之一。
Gauge 相关的近期研究进展
Gauge 概念的外延应用
值得注意的是，gauge 一词在 AI 行业报道中也以工具或产品名出现。例如 Jobstreet 推出的 AI Gauge 被用于分析新加坡就业市场，其结论是智能体（Agentic AI）已成为当地最热门的求职技能——相关报道指出，这一趋势对可能被替代的岗位从业者构成压力。这与技术术语的 gauge 属于同名但不同语境，读者检索时需注意区分。
当前焦点与观察点
gauge 方向的研究焦点集中在两点：一是如何在卷积、注意力等主流架构中高效注入规范等变约束，而不显著增加计算成本；二是 gauge 对称性思想能否推广到世界模型、代码生成等需要认证与可验证性的任务中。从近期 arXiv 论文看，后者正在成为新的交叉方向。对于从业者而言，区分学术意义上的 gauge（规范对称性）与产品命名中的 gauge（如招聘测评工具）是理解相关报道的前提。随着几何深度学习在分子模拟、机器人控制等领域的落地，gauge 等变方法的工程可用性预计将是下一步的观察重点。