主要是炒作。

KAN本质上就是向量值激活函数，把1个实数映射成1+m个实数，m是B-spline基函数B_i的个数。

从理论上讲KAN是把权重矩阵中的元素从实数（考虑乘法，也可以看作实数到实数的映射，把x映到wx）推广为实数到实数的映射。

但实际上这个映射的参数化方式是w(σ(x)+c_i*B_i(x))，其中σ是SiLU，所以也可以看作先把x提升为σ(x)和B_i(x)拼成的1+m维向量（i取1到m），再与w和wc_i拼成的向量做内积。

也就是说KAN的一层相当于output=einsum('ijk,jk->i', weight, h(input))，其中input是形状为(d,)的输入特征，h(input)是形状为(d, 1+m)的激活值，weight是形状为(out_d, d, 1+m)的权重。

常规MLP的一层相当于output=einsum('ij,j->i', weight, σ(input))。

另见 @2prime 的推文