瞎读书，乱解释，买啥亏啥，宏观小学生，政经评论外卖员，正在ai中慢慢迷失自我，crypto holder, defi farmer, not financial advice 非投资建议
no where
Joined November 2017
- Tweets21.6K
- Following12.4K
- Followers15K
- Likes9K
一人制药厂被anthropic收购，一人工厂流水线项目启动，diy ai驱动手术机器人给老鼠做手术，
这就是过去两天AI的进展
这就是agi
Last night an AI agent performed brain surgery on a mouse.
We gave it 19 gene therapy vectors in a spreadsheet, a mouse model of epilepsy, access to a motorize surgery rig with cameras and one goal: reduce seizures.
It picked the drug. It picked the brain region. It derived the coordinates from three papers. Then it drove the stereotaxic arms into the brain and injected 250 nanolitres while watching the entry site through the rig camera for bleeding.
A licensed vet gated every irreversible step and held a physical kill switch to stop the AI agent.
Thread on what it decided, what it saw, and the moment it refused to let me override it.
[Writing this on the spot out of excitement, but I've been 18hrs in front of my laptop coding and coordinating this, so keeping it brief and descriptive, more cohesive thoughts on this soon...]
ai(robot) driven manufacturing in-source is inevitable
AI（机器人）驱动的制造业回流是不可避免。
The next wave of generational companies will come from manufacturing AI.
There is so much to build, from the materials going into a factory to the finished products coming out.
Let's map out the 5 layers of manufacturing, with incumbents and startups:
• Materials and standard items: the metal, resins and fasteners that production starts with.
• Parts: turning those inputs into a housing, bracket or cover made to a design.
• Components: making the motors, sensors, chips and batteries that give a product its capabilities.
• Subassemblies: bringing parts and components together into something like a battery pack or wire harness.
• Finished products: delivering the robot, vehicle or appliance to the customer.
The opportunity looks different at each layer. Where could AI help a team make a better part, get production running sooner or learn faster from a failed run?
Which layer are you building in?
The map comes from the latest Core Matter (@corematter_) piece, “Can America Leapfrog Shenzhen?”
@standardbots @Figure_robot @Senra_Systems @westmagco @atlasmotion @sendcutsend @MachinaLabs_ @noxmetals @agilityrobotics @1x_tech @HadrianInc @Tesla
草，我连这都说了？！😂
“我对 RSI 的框架一直是 3 层
第一，模型吃应用：模型能力越来越强，大量所谓 AI Application 最后可能直接变成 Model Feature
第二，算力吃模型：没有足够算力的模型公司，很难持续留在 Frontier
第三才是最关键的，整个闭环形成：模型迭代下一代模型，同时帮助设计 Chip，再往下优化 Fab、Energy Infrastructure
一旦这个循环形成，就会出现非常可怕的正反馈：算力领先带来模型领先，模型领先又让你更快设计芯片、更快建设算力
领先会制造更多领先
在那个时间点以后，后来者可能不是慢 12 个月，而是几乎永远追不上”
#Bitget 来了就是VIP！Crypto、美股、CFD，全球先机一站布局
rick awsb ($people, $people) retweeted
“我有一个比较暴论的看法：未来 ARR 可能没有大家想象中那么重要，甚至 Subscription 本身都可能没有那么重要
模型能力还不够强的时候，只能卖每月 $20、$200 的 Subscription，或者卖 API Token
但如果模型开始真正解决最前沿数学、物理、材料、生物问题，为什么还要在乎普通用户每个月那一点订阅费？
假设它真的能做出新的抗癌药、新分子、新材料，你愿意为这些结果付的钱，根本不是 $200 一个月
电力革命早期，电力公司卖给消费者的不是电流，而是光明
AI 最终也一样，它不会永远卖 Token，它会开始卖 Outcome
如果这个方向成立，今天市场拿 SaaS ARR Multiple 给 Frontier Intelligence 定价，本身可能就是错的”
#Bitget 来了就是VIP！Crypto、美股、CFD，全球先机一站布局
内地身份 5 分钟极速开户 BIT @BITstocks_CN 证券｜美股、港股真实股票 + 港股打新｜支持 USDT / USDC 入金｜Non-CRS 交易免税
通过 168X 注册并完成核验，即可加入 168X Trading Room，获取 BIT 独家研报！
👉 立即注册：bit.com/zh/register?invite_c… View article
rick awsb ($people, $people) retweeted
“如果 Anthropic 真的是按现在市场讨论的这个估值上，我个人觉得是严重低估，我会买
大家第一眼看到营收增长很快、GAAP 还是亏损，会觉得 Cost 很高
但这里面有相当一部分是过去融资、债转股以及 Equity Appreciation 带来的 Liability，并不完全等于真实的 Operating Spending
真正值得看的，是它实际投入的钱，相对于 Revenue、ARR 和增长速度到底有多大
从 Startup 的角度，这种 Capital Efficiency 的 Growth 是前所未见的
真正的问题是：为了创造 1 块钱新增智能、Revenue 和未来 Earnings，它到底需要烧掉多少钱？”
#Bitget 来了就是VIP！Crypto、美股、CFD，全球先机一站布局
内地身份 5 分钟极速开户 BIT @BITstocks_CN 证券｜美股、港股真实股票 + 港股打新｜支持 USDT / USDC 入金｜Non-CRS 交易免税
通过 168X 注册并完成核验，即可加入 168X Trading Room，获取 BIT 独家研报！
👉 立即注册：bit.com/zh/register?invite_c… View article
rick awsb ($people, $people) retweeted
168X 对话 Rick：Anthropic IPO 之后，AI 的下一阶段是什么？ #2 nitter.gq/i/spaces/1rGmqpBXEYNGy
这是一个关于“提出好问题”的问题
我今天刚好和ai讨论了这个问题，判断一个问题是不是好问题，价值函数如图
而这其中的大部分（如果不是全部）变量，是可量化的，其中不可量化的部分，也会随智能（搜索能力）提升而不断提升
前两天我细读了谷歌研究院Tom Zahavy论文llm能不能跳跃，
十个月前，他的观点是不能。
Rick在这里讲的：
“人类科学家所谓的“灵光一现”其实只是一个规模足够大的搜索。”
我的疑问是，如果LLM没有人给他目标，他这个“足够大的搜索”是否能实现？
因为宇宙的维度和广度，一定是超过llm能搜索的范围。
所以科学家还需要扮演一个“问正确的问题”的角色。
nitter.gq/Zen_with_AI/status/211…
openai发布的三个突破横跨数学、理论计算机科学和理论物理
让科学界昨夜无数最聪明的大脑一夜无眠（btw，我这样的蠢货睡得像个孩子）
openai批量解决的这些菲尔兹奖、图灵级别的问题，让我们看到科学突破正在scale，从突破一个，到突破一百万个，只是算力多少的问题
Local Smoothing 的案例意味着ai已经不只是 Problem Solving。它开始Method Discovery。
人类科学家所谓的“灵光一现”其实只是一个规模足够大的搜索。
很多科学问题的正确路径藏在一个巨大得无法由人类穷尽的搜索空间里，但AI 可以穷尽。
科学认为的稀缺的能力是：发现结构、提出假说、创造方法、判断方向。过去一年，AI 已经从战战兢兢的判断方向，开始熟练的创造方法，甚至开始“提出假说”。
人类最后的护城河，“研究品味”，AI 也许并不需要。因为“找好问题”本身也可以是搜索问题。AI 不需要成为“爱因斯坦”。它可以用规模替代天才直觉（或者说，天才直觉本身就是因为有足够的知识点广度和深度而产生的，所以天才直觉本身就是规模问题？）。
不想传播焦虑，但这次我无话可说。
今年科学界最大的新闻，没有之一。OpenAI 的内部 AI 模型自己做出了三个科学难题的成果。我用我自己的理解说一下。
第一，Kakeya 猜想。这个问题研究波聚焦时会怎样。原来的猜想我记得是说最极端的聚焦只会持续很短时间。人类以前只在低维度证明过，OpenAI 说它的模型证明了所有维度的情况，因此顺带解决了 Kakeya 猜想和 Stein 限制猜想。纯逆天。
第二，指数时间假说 ETH 被推翻。这个太难以置信了。ETH 好像是说有一类逻辑难题不可能被比暴力穷举快很多地解决。而之前学界普遍相信它成立，几百篇论文都以它为前提，现在 AI 却证明它是错的。
这个太他喵逆天了，因为我之前是研究过一段时间理论计算机的。这几十年ETH几乎被当成公理在用。很多论文的结论都写成假设 ETH 成立，那么某某问题不可能在多少时间内解决。现在地基没了，这些不可能，全都要打问号。
最让我感觉匪夷所思的是 AI 证明的方式。据 Lean 证明的说明文档，它给出的是一个确定性算法，应该是对固定宽度的 k-CNF 公式，它能在亚指数时间、多项式空间内精确数出所有满足的赋值。但是，懂行的人应该都知道“数出有多少个解”通常比“判断有没有解”难得多，它连更难的那个都做到了，所以 ETH 只是顺带被推翻。
第三，杨-米尔斯、量子色动力学。AI 应该是给出了一套严格的数学证明，证明描述强核力的理论在数学上确实成立，其中包括纯杨-米尔斯理论的存在性，这是千禧年七大难题之一的一部分。我不太了解，但是只是知道一些浅层的理论，就不评论了。
最让我恐惧和惊骇的是第二个。今天晚上我看了又看，感觉这是地震级别。如果最终确认无误，这会是 AI 第一次独立推翻一个被广泛相信的核心猜想。说它是一个时代的分界点，也毫不夸张。
如果这三个都核查通过，这代表 AI 第一次在多个顶尖领域独立解决了几十年没人能解决的难题，影响史无前例。
openai解出这三个世纪难题这样的数学能力意味着，接下来物理的科研突破速度将超乎想象。
而物理是材料的基础。数学物理材料又是量子的基础，核聚变的基础，半导体的基础，bio的基础。。。
飞轮已经转动，算力所能创造的价值将突破天际，
请珍惜还能使用200块gpt月套餐的机会，珍惜还能买到显卡的最后窗口期，珍惜自己的智商还有一点残值的最后时光
对于现在的mag7，尽管他们的ai算力相关业务，不可否认都很有前景，
但他们各自的核心业务都岌岌可危，msft的软件，amzn的电商，meta的社交，google的搜索，感觉在ai面前都是纸老虎。
我反正日常这些操作都交给agent了，日常基本不怎么用了