夜谈 (@gntalktalk) profile picture

提示词咒语工程师,神经网络病患者,ai硅基带路党

everywhere
Joined January 2011
成立仅一个月、核心班底只有两个人的独立研究实验室 Generalised Superintelligence(GSI),最近因宣布在量子计算、超导物理、芯片设计和纯数学等八大领域取得 250 多项突破而刷屏。 重点是GSI不是模型公司,他们只不过做了个harness。 与主流大模型实验室依赖海量显卡“暴力穷举”不同,GSI 面对指数级爆炸的复杂科学难题,他们不让 AI 盲目试错,而是先让模型识别问题背后的代数与几何对称性,在五六分钟内现场编译出高度定制的专用求解器,直接砍掉绝大部分无效搜索空间。 这种思路让其在特定组合与逻辑问题上的求解速度比业界顶尖通用求解器快出数百甚至三万倍;更重要的是,团队刻意聚焦“寻找极难、验证极易”的形式科学,每一项产出都附带显式矩阵、不可满足性证明或可独立运行的代码证书,从根源上绕开了大模型的“幻觉”顽疾。 依托这套方法论,GSI 交出了一份涵盖多个硬核领域的成绩单。在纯数学领域,团队不仅在学界长期未解的阶数上构造出 200 多个高阶阿达玛矩阵(最高达 2148 阶),还严格证明了搜索空间高达 8.3 x 10^123 的经典循环差集难题无解。 在凝聚态物理领域,他们补全了困扰学界半个世纪的数学证明,将常规超导体最高转变温度经验公式中的核心比例常数精确锁定在 0.1827 这一物理天花板,并顺藤摸瓜审计出公开超导材料数据库中约 12.5% 的非物理错误数据。 此外,在量子计算与芯片设计(EDA)方向,GSI 分别将 IBM 著名的 Two-Gross 量子纠错码的抗噪底线精确锁定在 16 个量子比特,并为经典芯片布局基准算出了带有数学证书的“最短连线物理极限”。 GSI 的真正价值,在于展示了一种全新的 AI 科研范式: 将过去依赖启发式算法碰运气的工程摸索,推进到有明确理论上下界保底的精密科学。 更重要的是,GSI的成果证明了一点:当大模型能解决黎曼猜想,那么离解决高温超导、量子计算、芯片设计,可能就只差一个harness。
Announcing Generalised Superintelligence! (GSI) 🎉 GSI has achieved 250+ novel discoveries and breakthroughs across eight domains, including Quantum, Superconductivity, Chip Design and Mathematics through its Meta Solver Platform. GSI is extremely compute efficient compared to other frontier labs and excels at finding the hard structure in a problem first, before attempting it. Everyone can contribute to scientific breakthroughs using the kind of superintelligence GSI is building. Research preview out now at generalised.si
31
136
12
954
71,757
超导正在被解决中。。。 请稍候
Announcing Generalised Superintelligence! (GSI) 🎉 GSI has achieved 250+ novel discoveries and breakthroughs across eight domains, including Quantum, Superconductivity, Chip Design and Mathematics through its Meta Solver Platform. GSI is extremely compute efficient compared to other frontier labs and excels at finding the hard structure in a problem first, before attempting it. Everyone can contribute to scientific breakthroughs using the kind of superintelligence GSI is building. Research preview out now at generalised.si
2
12
1
100
11,803
随着 AI 带来智力供应的指数级膨胀,人类点亮科技树的方式正在发生底层重构:从过去受限于智力稀缺的“单线随机抽卡”,转向“数字空间全局并行遍历 + 物理世界精准多选”,而多科学分支的同时点亮更将引发指数级的协同共振。 过去几百年,人类推进科技进步高度依赖少数顶尖科学家的认知带宽,这导致了一个致命缺陷——路径锁定(Path Dependence): 一旦某条技术路线率先跑通商业闭环,社会资金、人才与供应链就会迅速向其集中。 滚雪球几十年之后,其他潜在更优的技术分支就会因为“没人手、没经费、没时间验证”而彻底枯萎,整个人类文明的科技树就像在浓雾里摸黑走路,点亮哪一根枝杈全靠运气,甚至长期卡死在局部最优解里。 AI 时代将带来巨大的破局:尽管无需强行突破物理世界的所有资源上限(现实中也不可能),但可以让人工智能作为“全科科学家”在数字空间里并行推演所有可能性,再由人类集中有限的物理资源进行精准收敛。 我们可以把它简单理解为一个搭载了高空探测雷达的智能采矿系统: 在数字与设计空间内:AI 代理(Agents)没有疲劳感也不受学科壁垒限制,可以 24 小时并发遍历成千上万个冷门分支与交叉组合,在低成本仿真中把整座森林的地下矿脉测绘得一清二楚。 一旦跨入从比特(Bit)到原子(Atom)的物理落地阶段:面对高昂的资本开支(CapEx)、能源上限与临床及量产验证周期,人类会果断收拢战线,只集中算力、电力与工业产能,精准点亮最具价值的 2 到 3 条最优主干。 这种“并行遍历 + 多分支协同”的科技发展新范式,其影响将非常深远: 研发形态从“作坊式试错”全面转向“自动驾驶实验室(Self-Driving Labs)”。AI 推理模型与实验室机器人、微流控硬件实时耦合,形成“提出假设—自动合成—检测修正”的 24 小时全闭环,过去被人类忽略的 99% 边缘参数空间将被系统性扫描。 商业护城河从“单一专利”转移到“仿真器、私有数据与物理产能”。当 AI 能以近乎零边际成本遍历出绕开现有专利的新分子或新架构时,“想出好点子”不再稀缺。真正的竞争壁垒将重构为高保真物理仿真模型、重资产实验产出的专有数据(尤其是失败实验数据),以及现实世界的电力与制造吞吐量。 多分支同时点亮将触发跨学科的“递归正反馈”与创新周期压缩。AI 抹平了物理、化学与生物之间的壁垒,不同分支互为钥匙解除瓶颈。把过去跨越数十年的“代际技术接力”压缩为年度甚至月度的“实时共振”。
4
7
27
2,367
奇点大学联合创始人萨利姆·伊斯梅尔(Salim Ismail)与彼得·戴曼迪斯(Peter Diamandis)提出了指数型组织(ExO)框架,并随着 SpaceX、Anthropic 等奇点时代巨头的崛起进化至 AI 时代版本,从底层架构上彻底打破了传统企业“规模越大、运转越慢”的线性增长魔咒。 过去一个世纪,商业世界信奉的是“占有稀缺资源”的线性组织逻辑。但传统大企业有一个致命缺陷——组织熵增与边际成本恶化(Organizational Friction): 组织每扩大一倍规模,就必须成倍增加全职员工、重资产厂房与层层科层审批。 滚雪球几年之后,内部沟通损耗与短期财报压力就会彻底吞噬创新活力,最终让曾经的行业巨头陷入“大企业病”,在面对颠覆性技术浪潮时反应迟钝、积重难返。 ExO 框架方法没有强迫组织去自己占有产业链上的每一寸重资产,而是先用宏大变革目标(MTP)对齐全员长期主义,再通过 SCALE(外部增长引擎) 与 IDEAS(内部控制引擎) 构建了一套轻盈的组织操作系统。 我们可以把它简单理解为一个“智能资源杠杆与动态切换器”: 在冷启动与常规扩张期:秉持“使用权优于所有权”,极度杠杆化外部丰饶资源(云算力、前沿大模型 API、按需智能体舰队),用几十人的精锐团队撬动百亿级商业产出。 一旦外部依赖变成制约发展的战略瓶颈:组织会果断打破轻资产教条,启动“瓶颈内部化”(如 SpaceX 自建 PCB 厂与 HBM 晶圆厂,AI 创业者自建私有数据飞轮与边缘硬件接口),把决定生死的命脉牢牢锁进自己手里。 这套进化后的组织方法论在 AI 创业时代具有深远的意义与影响: 1、重塑 AI 时代创业的组织形态,让“微型独角兽”成为现实。在智能体时代,靠堆砌初级人力的线性扩张模式已被淘汰。创业者通过编排垂直 AI Agent 舰队(S)与合成仿真沙盒(E),几十人的核心团队就能实现传统数千人公司的研发与交付吞吐量,彻底改写企业的单位经济效益(Unit Economics)。 2、打破“纯轻资产套壳陷阱”,指明垂类 AI 与硬科技的破局路径。许多早期 AI 创业者死于过度依赖通用大模型 API,一旦基座模型升级便瞬间归零。ExO 的“瓶颈内部化”法则清晰指出:前期用外部旗舰模型做低成本探测仪,一旦跑通闭环,必须立刻沉淀非公开专有数据飞轮、蒸馏低成本小模型,甚至切入物理世界接口,建立基座巨头无法吞噬的护城河。 3、消除短期业绩与长期愿景的内部内耗,赋予组织跨周期进化能力。无论是 SpaceX 押注可回收火箭与星舰,还是 Anthropic 在上市后依然坚持底层安全架构,清晰的 MTP 机制将组织的时间尺度从“季度财报”拉长到“十年奇点”,让企业在剧烈的技术范式转移中始终保持极高的敏捷度与反脆弱性。
1
1
8
953
近半年来,随着推理时训练(Test-Time Training, TTT)在前沿大模型研究中的迅速突破,其对底层计算架构,硬件基础设施的影响开始显现。 传统推理之所以便宜高效,是因为成百上千个用户共享同一套静态权重,芯片只需读取一次权重就能批量计算。 一旦引入 TTT,每个用户的对话都会在推理现场实时修改局部的“快权重(Fast Weights)”。这意味着每个请求都演化出了独一无二的私有参数,多用户共享彻底失效,芯片被迫陷入高频的“读取-修改-写回”显存风暴; 未来的 AI 算力系统发展趋势可能能被简单理解为一个“类脑昼夜双循环”: 在白天(在线推理与 TTT 探索期): 模型在执行任务时实时更新私有快权重,就像人类在清醒时不断吸收新经验。这一阶段彻底打破了大 Batch 共享,高度依赖 HBM4 的超高双向带宽与百兆字节级片上缓存,算力消耗将占到全生命周期的 70% 以上。 在夜晚(周期性权重巩固期): 后台系统会像大脑在睡眠中整理记忆一样,将边缘端探索出的高价值私有快权重,定期蒸馏、压缩回全网共享的静态“慢权重”底座中,从而重新恢复大 Batch 推理的极低边际成本。 这场由 TTT 引发的架构与算力范式转移,在 AI 芯片设计、存储产业链以及递归自改善(RSI)等多个前沿领域具有深远的意义与影响: 1、重新定义下一代 AI 芯片与存储的竞争壁垒,包括但不限于 HBM4 逻辑基底(Base Die)近存计算、超大片上 SRAM 以及共封装光学(CPO)。TTT 让推理从“算力受限”彻底变成了“访存带宽受限”。为了避免海量私有权重在芯片间频繁搬运耗尽功耗,将计算单元直接集成在 HBM4 底层逻辑芯片上的近存计算架构(Near-Memory Computing)将成为胜负手,而光子学的主战场也将精准锁定在芯片间高速互联(CPO),未来技术发展允许的情况下演变为光计算。 2、为通用人工智能的递归自改善(Recursive Self-Improvement, RSI)补齐“权重可塑性”拼图。传统大模型部署后权重即被冻结,无法在无人干预下持续进化。TTT 赋予了智能体在真实环境中“部署即学习(Continual Learning)”的能力,使其与测试时强化学习(Test-Time RL)结合,构成 RSI 嵌套双循环中微秒至小时级的“内环”,让 AI 能够把外部环境反馈直接内化为自身技能。 3、重塑大模型全生命周期的算力与数据预算分配逻辑。随着人类公开语料的信息熵逐渐枯竭,传统从零开始的预训练(Pre-training)将从占据 90% 算力的绝对主角,退居为占比 10%–20% 的“元学习底座”与“知识蒸馏容器”。算力与数据预算的重心将全面向推理侧探索与自动化科学仿真环境倾斜,推动 AI 从单纯模仿人类历史语料,走向在物理与数字世界中自主创造超人类知识。
8
20
2
94
13,479
今天moonshot pod提到,当前正处于软件基础设施的最大脆弱期——攻击端已实现 AI Agent 大规模并行自动化,而防御端仍停留在“人在环内(Human-in-the-loop)”逐个打补丁 我认为这个最大脆弱期可能要维持相当一段时间,因为没有到迫不得已的时候,人类对安全防护软件几乎不可能接受人在环外。
6
1
1
19
5,524
(因为使用模型的不同)人和人的认知差异会加速拉大, 从物种内差异变成物种间差异
现在可以理解为什么OA两家的部分员工那么魔怔了 我如果天天直面这种智力水平的内部模型,我也会旧价值观彻底崩溃的 害
1
3
674
麻省理工(MIT)在《美国国家科学院院刊》(PNAS)发表了一项突破性研究,他们给预测天气与流体湍流的 AI 模型装上了一道基于能量耗散定律的物理安全护栏,从数学上彻底杜绝了 AI 在做长期模拟时数值爆炸、彻底跑偏的问题。 近年来,科学家喜欢用神经网络代替昂贵的传统超算偏微分方程求解器来预测湍流和天气。但纯数据驱动的 AI 有一个致命缺陷——自回归误差累积(Autoregressive Drift): AI 预测下一步时产生的微小误差,会被当成输入喂给下下一步。 滚雪球几百步之后,AI 预测的风速、温度或能量就会突破物理极限,开始无限制地发散漂移,最终输出“地球大气沸腾”或“风速突破光速”这类完全违背物理常识的荒谬结果。 MIT 团队的解法非常巧妙:他们没有强迫 AI 去死记硬背每一条混沌轨迹(数学上也不可能),而是让神经网络在学习系统演化的同时,顺带学出一个代表系统“广义能量”的函数,并在网络输出端加装了一个耗散投影层。 我们可以把它简单理解为一个自动能量泄压阀: 在正常物理边界内:AI 可以自由发挥,完整保留混沌系统细腻、不可预测的涡流与波动细节,不会被强行“抹平”。 一旦预测轨迹试图冲出能量边界:投影层会瞬间介入,强制系统的广义能量衰减(耗散),把脱缰的预测结果重新拉回合法的物理空间内。 这项成果在包括ai,流体力学,航发设计,气候洋流研究等多个前沿领域具有深远的意义与影响: 1、让 AI 长期气候与湍流模拟真正具备统计学可信度,包括但不限于:气候变化研究、航空发动机湍流设计、海洋环流推演中。MIT 的方法让 AI 第一次能够长期准确复现混沌系统的统计分布。 2、大幅降低科学 AI 对海量昂贵数据的依赖。 真实物理实验或高精度流体力学(DNS)仿真的数据获取成本极高。当训练数据很少时,传统 AI 很容易过拟合并在长程预测时崩溃。注入能量耗散这一通用物理第一性原理后,相当于给模型提供了强大的先验归纳偏置(Inductive Bias),使其在小样本下依然稳健。 3、推动科学机器学习从经验有效走向可证明。 高风险科学和工程应用不能只靠“测试时大概率没问题”,而需要形式化保证(Formal Guarantees)。这项工作展示了如何把控制论(Control Theory)中的稳定性证明直接编译进现代深度学习架构中。
2
10
1
55
3,320
Google 最新的论文《Self-Improvement Memory Enables Continual Recursive Self-Improvement》主要研究了人工智能在自我升级时如何突破“越改越忘”的瓶颈。 当AI试图优化自己的运行框架时,常因环境漂移或模型微调而遗忘过往经验,阻碍了长程递归自改进。 研究团队提出了Self-Improvement Memory(SIM)方法,把每次改进的逻辑、理由与反馈结果进行持久化与动态索引,构建起持续递归自改进链路,并首次将“改进策略本身的经验”作为独立持久化记忆层来维护。 在代码生成基准测试中,该方法实现了最高2.36点的增益,证明结构化记忆能防止持续自改进过程发生退化。 这项研究的意义在于,它让AI具备了沉淀“自我升级经验”的能力。通过把演进策略单独存为记忆层,它为人工智能的持续自我完善提供了一种更稳健的演进机制。 另外,对于构建自我迭代框架的团队和个人来说,论文提供了一个完整的实施框架
4
1
9
847
牛津大学哲学家尼克·博斯特罗姆(Nick Bostrom)曾提出著名的“模拟论证”:如果一个高级文明有能力模拟包含数十亿意识的宇宙,且他们愿意运行大量模拟,那么我们大概率就活在模拟之中。 在P不等于 NP 的世界里,精确模拟多体量子交互、蛋白质折叠或复杂社会演化需要天文数字般的算力,这限制了虚拟宇宙的数量。但若 P = NP,海量组合优化与状态搜索的算力开销骤降,高级文明只需极低的硬件代价就能批量生成并运行亿万个高保真度的“祖先模拟”。当“虚拟宇宙”的数量以亿万倍碾压“唯一的物理母宇宙”时,从概率论上讲,我们身处虚拟世界的几率就趋近于100%。
我擦,p=np解决了的话 我只能说,我擦
78
228
49
2,202
456,676
以前让 AI Agent 自我提升,得靠人类写死“执行—反思—改进”的流水线。 MIT这篇新论文《Do LLM Agents Still Need to Be Told How to Self-Improve》问了一个很本质的问题:现在的模型这么聪明了,还需要人类规定它“怎么学”吗? 研究者把参数完全冻结的 LLM 扔进游戏里“自由散养”: 🔹 不微调权重,全靠“基于上下文的优化”(自己写游戏攻略并反复迭代) 🔹 没有外部强制循环,只给算力预算 + 收集经验/修改文本文档的工具 结果发现,只要基座模型够强,AI 就能自己摸索出一套高效学习法,策略高度契合人类认知心理学里的“自我调节学习”和机器学习中的“自生成课程”。 更关键的是,它自己总结的这份“文本攻略”不是死记硬背,直接迁移到更长周期、不同机制甚至 3D 导航任务中依然有效。
3
2
5
941
AI 攻克黎曼猜想,这不仅是数论领域的胜利。 黎曼猜想与现代高能物理、量子场论在底层数学结构、算子谱理论以及大规模形式化推理能力上高度同源 其非平凡零点的分布规律与量子系统的能级谱惊人地一致。 在量子力学与量子场论中,系统的哈密顿量(Hamiltonian)正是决定粒子质量谱与能级结构的自伴算子。一旦 AI 掌握了构造、解析此类无穷维算子谱结构并处理其严苛定义域(Domain)边界条件的能力,它便直接握住了求解强耦合量子场论质量谱(例如计算质子、胶球等强子质量)的数学钥匙。 在统计场论与弦论中,许多物理系统的配分函数(Partition Function)在复温度平面上的零点(如杨-李零点,Yang-Lee Zeros)决定了相变的发生;而 Bost-Connes 系统等非交换几何模型甚至直接将黎曼 $\zeta$ 函数构造为一个量子统计系统的配分函数。攻克黎曼猜想所需的复分析解析延拓与渐近估计技巧,正是计算高圈图费曼积分与非微扰配分函数的核心工具。
我擦,黎曼猜想被证明了 奇点快乐,各位
9
15
4
92
28,807
这篇由哈佛大学和 Google Quantum AI 团队联合发表的论文,《Machine learning quantum data to accelerate quantum Monte Carlo》提出了一种利用机器学习(ML)压缩量子测量数据以加速量子-经典混合蒙特卡洛(QC-QMC)的新框架。 该研究打破了制约混合量子化学模拟扩展性的经典后处理算力瓶颈,在 Google 105 比特的 Willow 量子处理器上实现了高达 40 量子比特的化学精度电子结构模拟,对比此前的规模超过翻倍 背景与痛点: 传统超级计算机会因为电子之间的量子纠缠和正负号抵消(费米子符号问题)而算崩溃。 此前的混合算法(QC-QMC)让量子计算机充当“指南针”,拍下几千万张测量“快照”(经典影子),再交给超算去引导几千个虚拟“探险者”(Walkers)在能量迷宫里找最低点。 但问题是,超算每走一步都要把几千万张快照全翻一遍,算 16 比特的小分子就烧掉 13,000 多个 GPU 小时,算 40 比特预计需要数百万 CPU 小时,成本巨大。 解决方法: 论文不再让超算反复翻看原始快照,而是先挑一小批代表性探险者算好标准答案做训练集,训练一个机器学习(ML)代理模型,让它学会“看一眼探险者的状态,直接猜出它和量子指南针的匹配度”。后续模拟全靠这个轻量级模型推理,计算速度与快照数量彻底脱钩。 团队还把快照矩阵的算法复杂度从 N^4降到了 N^3(GPU 算导数提速 80 倍),还把自旋向上和自旋向下的电子分开独立测量,让双比特量子门数量直接砍掉三分之二以上。最终在 Google 的 Willow 芯片上,16 比特实验端到端提速 4,082 倍,在 16 量子比特($\text{H}_8$ 氢链)实验中,传统方法耗时 7,367 GPU 小时,而本论文的机器学习代理方法全流程总耗时仅为 1.80 GPU 小时! 而40 比特全流程压缩到约 1,193 GPU 小时。 这次实现40 比特突破的重大意义是,40 比特对应 20 个分子轨道,20 个分子轨道的容量,刚好能装下双核过渡金属催化剂的核心区域,意味着混合量子算法终于能算真实世界的生物催化活性中心 更重要的是,限制经典超算的“后处理算力墙”已经被拆掉了;Willow 芯片本身有 105 个比特,目前只用了一半不到;自旋分块编译也大幅降低了线路深度,软硬件都有继续扩容的空间。 后续如果成功扩到 60–100 量子比特,将进入真正的“实用量子优势区”,直接赋能多个产业,如: 1、指导合成常温常压仿生催化剂,替代目前高温高压、消耗全球 1%–2% 能源的传统化肥工业。 2、人工光合作用与碳中和,加速筛选便宜高效的非贵金属电解水制氢和碳捕集转化催化剂。 3、揭秘高温超导微观机理,突破一维氢链的限制,直接模拟二维晶格(如铜氧化物高温超导模型),分辨超导电子配对的微弱能量差,为设计新型超导材料提供依据 4、长寿命电池研发,精确预测高比能无钴锂电池正极在高压充电时晶格氧析出的衰减机制 5、加速创新药研发,模拟人体肝脏代谢酶(CYP450)分解药物的反应路径,在实验室合成前就预判药物代谢速率和肝毒性风险。 另外,非常重要的一点是, 论文末尾的声明披露,Gemini 4、Claude(Fable 5.1 与 Opus 5.5) 以及 Codex(Astra 6.0 与 Sol 6.1) 作为科研协作者,直接辅助团队完成了复杂的算法实现、代码编写、批判性审阅(Critical review)以及手稿撰写。
1
1
6
5,373
一名高中生@1337isnot1337(Cinna Davis)在一天之内借助 Astra 6.2 解决了 6 个数学猜想与公开问题, 涵盖组合数学(埃尔德什 607 线大小集的渐近式、增长矩形分区)、数论(Batista 埃及分数猜想、Pham 分母度猜想)以及保加利亚单人纸牌游戏的极限形状推广等高难度领域 单拿出来任何一道,都足以支撑一篇组合数学或数论专业期刊(如 Discrete Mathematics、Integers)的独立论文 也就是今天,Vals AI披露GPT-6.2 Astra在证明 Smoktunowicz 间隙定理时,由于形式化数学库(Mathlib)中缺少原论文依赖的三个前置深度定理,模型自己定义了一个名为“capacity(容量)”的全新数学量,并基于这个自造概念从零打通了整套证明。 在遇到障碍时主动构造中间抽象概念,这已经是人类专业数学家最核心的原创能力。 结合 OpenAI 刚公布的 GPT-6.2 System Card, gpt6.2可能已经具备在科学领域有确定性仿真器或形式化约束的环节,直接产出可验证的原始科学发现的能力。 包括但不限于: 材料领域,从“预测理论晶体”跨越到“给出进炉烧结配方”; 高温超导领域,建立起超越经验“试错炼丹”的定量超导转变温度解析判据,精准定位近常压下超导相与电荷密度波(CDW)竞争的最优掺杂与晶格应力窗口 量子计算:将容错量子算法的 T 门数量(T-count)大幅压缩,甚至可能压缩至代数极限,使实用级量子化学模拟所需的物理比特数呈数量级下降。 可控核聚变:新一代仿星器的三维线圈解析设计。Astra 能在数小时内遍历过去超算需要数月才能搜索的高维磁场位形空间,极大降低第一壁热负荷与装置损坏风险。
It's like math Christmas 😂 Wow we discovered an improvement on e-means using 6.2 Astra within 10 minutes. Two counterexamples to e-means were published yesterday, and these changes resolve them: 1) A seed-loss check (fall back to Lloyd when e-means ends worse than its seeds) fixes the revival example and keeps k-means++’s O(log k) guarantee on every input. 2) A pseudo-count floor fixes the forgetting example: a one-step bound predicts τ* = 0.1927, and over 20,000 runs failures drop from 49% to 0% right at that threshold. On SIFT1M, e-means+ matches 25 Lloyd iterations (0.9998× loss) in 4 data passes instead of 26, with the same recall. @1337isnot1337, a high school student who was one of the top contributors to our Integer Mult repo, solved 6 conjectures with Astra 6.2 since yesterday: Derived sharp asymptotics for Erdős 607 line-size sets; and growing rectangle partitions Refuted Li's non-spider coefficient prediction Proved Batista's Egyptian-fraction conjecture Pham’s denominator-degree conjecture (2022) Generalized Bulgarian solitaire limit-shape conjecture (2020)
3
21
3
123
20,666
一滴血检测200种疾病 而且是家用版 医疗diy时代正在到来
Introducing Helios: measuring 1,000+ protein biomarkers from a drop of blood to help you live younger, longer. Here’s how it works: • Self-collect blood at home with a painless, needle-free device • We measure the proteins carrying signals from cells and organs throughout your body • Your Helios AI agent explains your results, highlights risks, and offers personalized guidance Proudly backed by Y Combinator and Formation VC. Join the waitlist at myhelios.com
5
1
1
8
1,072
科斯定理的终结 --- google的最新论文 AI 能力不断增强,达到一定阀值,未来会打破传统经济学中限制企业规模扩张的“科斯上限”(Coasean ceiling),使市场结构发生相变,迅速向大规模、高集中度的 AI 主导型企业演进。 和之前的自动化对就业缓慢影响不同,一旦ai达到一定的阀值,对就业的影响导致的变化则是突然且剧烈的
This is a super interesting paper and Recursive self-improvement keeps coming closer. New Google preprint: Google had AI rewrite an agents harness and keep a log of every change, why it made it and whether it worked. Then they swapped Opus 5.5 for Gemini 3.8 Flash and let it keep going. With the log: 84.75 on workplace tasks, without: 73.42. In coding it came out ahead in 9 of 10 runs. tl;dr a new model no longer means starting from scratch. That's where it compounds.
11
27
4
216
65,626
可乐比造芯片贵:跨越十四年的两次美股估值倒挂 2026 年第四季度突然拐了一个急弯 随着通胀反弹与 10 年期美债收益率重返 5.10% 高位,叠加市场对科技巨头天量 AI 资本开支回报节奏的担忧,避险资金在 2026 年底掀起了一场 2001 年以来最剧烈的“弃科技、买防御”轮动。资金无差别涌入食品、日化与零售防御股,将必需消费品板块的Forward PE推升至 24.2x——创下 1999 年科网泡沫前夕以来的最高纪录。 而另一边,信息技术板块虽然 Trailing PE 仍站稳在 30 倍上方,但由于半导体与 AI 算力链条的盈利呈爆发式兑现(2026 年 Q3 板块盈利同比暴增 65.6%),巨额未来盈利预期(分母端“E”暴增)直接将信息技术板块的 Forward PE 压低到了 17.2x。 华尔街从不缺少参考,回到十四年前,市场惊人的相似。 2012 年夏天,全球最赚钱的科技巨头只配拿 10 倍PE,而卖可乐、牙膏和洗衣液的公司却享有 17 倍甚至接近 20 倍的估值。 彼时的华尔街刚刚经历次贷危机的惊魂,又一头撞上欧债危机与美国主权信用评级下调。避险资金疯狂涌入美债,将 10 年期美债收益率从 3.85% 一路砸向 1.53% 的历史冰点。 在如此低廉的无风险利率环境下,按理说成长股应该享受极高的贴现溢价。但现实恰恰相反:2000 年科网泡沫破裂带来的“十年创伤”仍未消散,市场普遍认定微软、苹果是即将被移动互联网淘汰的“夕阳硬件与盒装软件商”;苹果在 2011 至 2012 年间甚至被压到了 10 倍左右的 PE——因为华尔街深信它会重蹈诺基亚与黑莓“硬件生命周期见顶”的覆辙。 那是个极端扭曲的定价:10 倍 PE 意味着高达 10% 的盈利收益率,比同期 10 年期美债高出整整 800 个基点;微软和英特尔仅靠 3.0%–3.5% 的股息率,每年派发的现金就已经是美债票息的两倍。然而,资金宁愿买 1.6% 收益率的国债“保命”,也不愿相信科技巨头的护城河。 与此同时,可口可乐、宝洁等必需消费品巨头却被奉为“类债券安全港(Bond Proxies)”。投资者笃信“十年后人们依然会喝可乐、刷牙,却未必还会用 Windows 或 iPhone”,硬生生把低增速消费股买到了 15x–18x PE。正是这种极致的认知错位,为随后十余年美股科技板块波澜壮阔的“戴维斯双击”埋下了伏笔。 十四年轮回:从“类债券黄金期”到“拥挤避险局” 2012 年之后,科技巨头完成了从一次性授权向云计算 SaaS 与 AI 算力基础设施的代际跃迁,板块净利润率从当年的 17% 左右翻倍攀升至 32.6%。反观必需消费品板块(XLP),虽然凭借仓储会员店巨头 Costco(市盈率突破 50 倍)和全渠道霸主沃尔玛(市值突破万亿美元)的撑腰,依然维持了约 9%–10% 的年化绝对收益,但其相对标普 500 的强弱比在 2016 年见顶后便步入了长达十年的下行通道,传统包装食品与日化品牌更是长期受困于商超自有品牌替代、提价见顶的冲击。 然而,两次倒挂,反应的是两种截然不同的脆弱性 同样是“卖可乐的比造芯片的更贵”,2012 年与 2026 年的底层逻辑却完全相反。 2012 年的消费股溢价,有 1.5% 的超低无风险利率作为分母支撑,3% 的股息率具备真实的票息替代价值,而科技股的 10 倍 PE 则是市场对商业模式转型的误判; 站在当下,2026 年底,在无风险国债收益率高达 5.1%、板块整体净利润率停滞在 6.5% 的背景下,市场仅仅为了躲避科技股的短期波动,就愿意为低增速的必需消费品支付 24 倍以上的远期估值,同时对净利率超过 32%、远期估值已回落至 17 倍的科技核心资产报以极度严苛的贴现。 投资真正的安全边际只能来自于估值、增长和护城河。当所有人都挤在拥挤的防御板块的避风港,这里可能恰恰是风险定价最脆弱的地方。
6
7
2
31
15,279
生命科学的一人(无人)公司来了 清华最新的PharmAgents2论文提出了一个面向端到端自主药物研发的多智能体系统,旨在通过知识增强决策与有组织的大规模探索(ai自己读论文,自己构建方法,自己设计药物),打造虚拟制药公司(Virtual Pharmaceutical Company)的原型。 针对药物研发需要在庞大探索空间中进行持续科学决策的痛点,系统构建了两个核心机制: Paper2Skill(科学决策知识提取):从公开数据源和文献中自动提取可迁移的科学决策知识,并与人类专家编写的专业技能(Skills)相结合,为研发过程中的关键节点提供决策支撑。 Self-Scaling Discovery(自扩展并行发现):通过并行运行多个智能体来扩大探索规模。这些智能体能够完整继承上游的研究上下文与决策能力,跨不同靶点(Targets)、科学假设(Hypotheses)和研发策略(Strategies)同步开展推进。 为了评估药物研发中复杂的“过程推理”能力,团队构建了 PharmAgents-Bench v0.1 基准测试集,包含 121 个问题,覆盖 9 类决策场景和 3 项端到端完整任务,并采用人类专家定义的过程评估标准(Process Rubrics)进行打分。结果显示,PharmAgents2 在绝大多数决策类别上超越了现有基线模型,并在全部 3 项端到端任务中取得了最高的过程得分。 论文最具说服力的部分在于,系统自主推演出的三项研究结论均在后续的人类湿实验(Human-executed experiments)中得到了证实,实现了从“干实验推演”到“湿实验验证”的闭环
2
7
1
64
4,181
这次nvda老黄的事,不用说减慢ai基建,对gpu板块基本都不能减慢多少,如果说nvda因此会损失一些份额,马上就会被amd、google tpu之类的填满 产业瓶颈是fab,不是fabless
674
crwv:上一代架构(Ampere 与 Hopper)在 Q3 的租赁价格环比上涨 30%~50%,续约价格甚至高于最初签订的合约底价 2027 年将有 13 万张 GPU 初始合约到期; 2028 年将有 17 万张 GPU 初始合约到期。 这些算力集群已通过早期延迟提款定期贷款(DDTL)全额摊销偿清,属于“无债务、无新增资本开支”的净资产。按当前紧平衡的租金测算,2027 年续约将直接释放近 40 亿美元增量 ARR,叠加 2028 年将带来接近 100 亿美元增量 ARR
2
1
1
7
11,841