一句话：KAN（Kolmogorov–Arnold Network）是把神经网络里的线性权重，换成可学习一元函数的架构。
MLP（Multilayer Perceptron，多层感知机）的神经元做“加权求和 + 固定激活”，权重是数字。KAN 反过来：节点主要做加法，边上的连接不是数字，而是一条可学习一元函数。输入经过函数，再把结果相加；这些函数常用 B-spline（B样条）等可调曲线表示。打个比方：MLP 像用固定形状积木，只调每块放多大；KAN 像每条连接装一根可弯折金属丝，学习就是弯折它们。依据是 Kolmogorov–Arnold 表示定理：多元连续函数可由一元函数和加法组合逼近。于是 KAN 用“函数边 + 加法节点”拟合复杂关系。
| 维度 | MLP | KAN |
|---|---|---|
| 连接 | 线性权重 | 可学习一元函数 |
| 节点 | 加权和 + 激活 | 求和 |
| 直觉 | 调积木大小 | 弯折连接曲线 |
为什么被吹成“下一个 MLP”？一是表示定理给理论背书；二是边函数可画，似乎能看出变量如何影响输出；三是在低维拟合、符号回归中，可能用较少参数得到干净结果。科学发现、小数据建模很吃这套。
为什么没普及？第一，算得贵：每条边都要算曲线并在多个基函数上求值，显存和计算量易膨胀。第二，不好做大：MLP 的矩阵乘法被 GPU 优化到极致，KAN 的样条求值更难高效并行，堆到 Transformer（变换器）规模不划算。第三，理论不等于可学习：定理保证“存在”，不保证梯度下降找得到，也不保证泛化。第四，可解释性常被高估：边函数能画，不等于人能读懂，多层叠加后更难。第五，生态差：MLP 有成熟框架、算子库、调参经验和 Scaling Law（缩放规律），KAN 缺这些基础设施。
对从业者：把 KAN 当特殊场景工具，而非默认骨干。低维科学数据、符号回归、看变量影响时值得试；大规模视觉、语言模型仍用 MLP/Transformer 更现实。对普通人：架构创新被热炒不等于会替代主流，胜负常取决于训练成本、工程生态和规模化能力。