Get live statistics and analysis of George's profile on X / Twitter

惊闻今日杨振宁先生逝世，回忆泰斗的一生，缅怀大师一生光荣，铭记那代人以智慧探问真理的勇气。 🧠杨振宁：一个灵魂的两种对称 🎯镜子内外 在公众的视野中，至少存在着两个“杨振宁”。第一个，是活在物理学圣殿中的“杨先生”。他是诺贝尔奖得主，是“杨-米尔斯规范场论”的奠基人，是20世纪继爱因斯坦和狄拉克之后，最伟大的理论物理学家之一。他的名字被刻在“标准模型”的基石上，代表着人类智慧对宇宙秩序最深刻的洞察。他严谨、深刻，是行走的理性丰碑。第二个，是活在世俗喧嚣中的“杨振宁”。他是与挚友决裂的当事人，是中年加入美籍的“异乡客”，是晚年迎娶年轻妻子的“争议者”。他被标签、误解、甚至攻讦所包围，其人生的复杂性，几乎要淹没他科学上的纯粹性。然而，真实的杨振宁，恰恰存在于这两个镜像的交界处。他的一生，就是一场在各种巨大张力中寻求“对称”而又不断面对“破缺”的漫长旅程。他不是一个扁平的符号，而是一个在数学的优雅、物理的粗粝、人性的幽微和时代的洪流中，被反复撕扯与重塑的，完整而深刻的灵魂。 🎯两位“父亲”——数学的优雅与物理的直觉 杨振宁的学术人格，从一开始就被两种截然不同的力量所塑造。第一种力量，来自他的生父杨武之。这位芝加哥大学的数学博士，将一种对抽象结构和数学美的近乎信仰般的追求，注入了杨振宁的血液。在合肥的庭院里，在清华的灯下，父亲教给他的，是用最简洁、最普适的公理去推演世界的逻辑。这种品味（Taste），成为了杨振宁日后评价物理学理论的最高标准。第二种力量，来自他的“学术之父”——恩里科·费米（Enrico Fermi）。1945年，杨振宁踏入芝加哥大学，师从这位“什么都会的教皇”。费米是与杨武之截然相反的存在。他鄙视繁复的数学推导，崇尚物理直觉和“量级估算”。他要求学生必须同时精通理论与实验。这对杨振宁而言是一种“折磨”。他笨拙地操作着实验仪器，制造的“爆炸声”远多于有效数据。费米最终对他说：“杨，你还是回到理论中去吧，你不是搞实验的料。”这次“失败”，却是一次深刻的定位。杨振宁意识到，自己永远是那个更接近父亲的“数学家”。他无法成为费米那样的全才，但他可以把自己对数学秩序的迷恋，推向物理学的极致。他注定要成为一个“柏拉图主义者”，相信宇宙的终极蓝图必然是数学上完美无瑕的。这种信仰，引领他走向了“杨-米尔斯”，也让他日后在面对一个“丑陋”的发现时，备感挣扎。 🎯规范场论与宇称不守恒——“美”与“丑”的对决 1954年，在普林斯顿高等研究院，杨振宁与米尔斯（Robert Mills）合作，写下了他一生中最伟大的诗篇——“杨-米尔斯规范场论”。这篇论文的核心，是一种被称为“非阿贝尔规范对称性”的精妙数学结构。它试图将爱因斯坦描述引力的几何思想，推广到其他基本力。这是一个如此优美、如此和谐的理论框架，以至于杨振宁晚年回忆时仍说：“那是一种‘此曲只应天上有’的感觉。”然而，这个“美”的理论，在当时却有一个“丑陋”的缺陷：它预言的粒子（规范玻色子）必须是零质量的，这与实验观测严重不符。物理学界对此不屑一顾。但杨振宁坚信，这种数学上的“美”不可能是一个错误，一定是现实世界以某种方式“隐藏”了它。他将这个理论束之高阁，等待了近二十年，直到“希格斯机制”的出现，才让它复活，并最终成为统治基本粒子世界的“标准模型”的语言。与这种对“美”的漫长坚守形成鲜明对比的，是两年后那次“丑陋”的革命。1956年，面对“theta-tau 粒子之谜”，杨振宁和李政道开始怀疑一个神圣不可侵犯的信条：宇称守恒（即宇宙在镜像中是对称的）。杨振宁的内心是抗拒的。他觉得，如果宇称不守恒，那这个世界将是何等“不对称”、何等“丑陋”。这违背了他从父亲那里继承来的美学品味。但这一次，是李政道更强烈的物理直觉，或者说“费米式”的 pragmatic（实用主义）精神占据了上风。他们最终共同提出，在弱相互作用中，宇称可能不守恒。当吴健雄的实验结果传来，证实了这一点时，杨振宁回忆，他的第一感觉不是兴奋，而是“震惊和不舒服”。这是杨振宁内在的第一次巨大冲突：他那“柏拉图式”的灵魂，被迫接受了一个“赫拉克利特式”的、混乱而不完美的事实。他亲手证明了，宇宙在某种意义上，并不像他希望的那般优美对称。 🎯第三章：破碎的镜像——与李政道的黄金时代与决裂 如果说宇称不守恒是物理世界的对称性破缺，那么“杨李之争”，则是人类情感世界中最令人扼腕的一次对称性破缺。从西南联大的昆明茶馆，到芝加哥的博士生涯，再到普林斯顿的巅峰合作，杨振宁与李政道，曾是物理学界最耀眼的“双子星”。他们的才华互补，杨振宁更擅长宏观的数学建构，李政道则更敏锐于抓住问题的物理核心。他们是挚友，是战友，是彼此的“镜像”。1957年的斯德哥尔摩，是他们友谊的顶点。然而，这张著名的诺奖照片，也成了他们分道扬镳的序曲。关于决裂的原因，众说纷纭。是诺奖论文署名的先后，是对贡献大小的认知分歧，还是两人性格中根深蒂固的骄傲与互不相让？我们已无法复原历史的全部细节。但其核心，是“合作”这种最亲密的科学关系，被“荣誉”和“历史定位”这个人性中最敏感的议题所撕裂。1962年，两人正式决裂。物理学界失去了一对本可以继续创造奇迹的组合。而杨振宁，也失去了一位可以平等对话的知己。这场破裂的痛苦，贯穿了他的后半生。他曾说，这比他人生中任何其他事情都更让他感到不幸。他穷尽一生研究宇宙的对称性，却最终无法修复自己人生中这道最深刻的不对称裂痕。这或许是他作为“人”，而非“神”的明证。 🎯异乡人与归侨——在两个国家间寻找平衡 杨振宁的身份认同，是他人生中另一场持久的拉锯战。1964年，他做出了一个在当时被视为“大逆不道”的决定：加入美国国籍。消息传回国内，他的父亲杨武之至死都未能原谅他。在那个冷战对峙的年代，这被解读为对祖国的背叛。但对42岁的杨振宁而言，这更像是一个务实的选择。他需要一个稳定的环境，需要自由的学术交流，需要一张能带他去世界各地讲学的护照。他是科学家，科学的归属优先于国家的归属。他选择成为一个“世界公民”，一个在美国主流社会为华人科学家群体争取地位的“异乡人”。然而，他血脉中的文化基因从未改变。1971年，当中美关系刚刚破冰，他便迫不及待地踏上了回国之旅。他成为中美之间科学交流的“首席信使”，他利用自己的巨大声望，为中国基础科学的重建奔走呼号，推动了“文革”后第一批中国学生赴美留学。他在两种体制、两种文化之间，试图扮演一座桥梁。但在很长一段时间里，他在两边都未被完全接纳。在美国，他始终是华裔；在中国，他又是“美籍华人”。这种“中间人”的身份张力，直到他生命的暮年才得以最终调和。2003年，他定居清华园；2017年，95岁的他放弃美国国籍，恢复中国国籍。这是一次跨越了半个多世纪的“回归”。那个在合肥庭院里背诵《孟子》的少年，在环游了整个物理世界和现实世界后，最终选择回到他文化上的原点。他用一生，画出了一个完整的圆。 🎯最后的“不对称”——理性的终点与情感的自由 2004年，杨振宁再次将自己抛入舆论的风暴眼。在第一任妻子杜致礼去世后，82岁的他，宣布与28岁的翁帆结婚。如果说他之前的选择——无论是物理上的、还是政治上的——尚在“理性”的理解范畴之内，那么这一次，他彻底地挑战了世俗的逻辑。社会用最刻薄的语言来揣测这场婚姻。人们无法理解，一个穷尽毕生探索宇宙终极秩序的、最理性的大脑，为何会做出如此“非理性”的个人选择。但或许，这恰恰是杨振宁的“终极对称”。他一生都在反抗被强加的“规范”。年轻时，他反抗“宇称守恒”的物理教条；年老时，他反抗“长幼有序”的社会教条。在他看来，无论是宇宙法则还是社会偏见，只要它们不再反映“真实”，就应该被质疑、被挑战。在经历了科学的顶峰、友谊的破裂、时代的巨变之后，这个82岁的老人，选择了他晚年最真实的情感需求。他不再需要向世界证明任何事，他只需要向自己的生命负责。翁帆的出现，用杨振宁自己的话说，是“上帝赐予我的最后一件礼物”。这是他人生中最后一次，也是最勇敢的一次“不对称”选择。他用行动宣告，一个伟大的灵魂，有权在完成了对宇宙的宏大使命之后，回归到一个普通人的、最基本的情感自由。 🎯统一场 杨振宁的一生，是“秩序”与“混沌”交织的一生。他像一个最虔诚的数学家，试图为宇宙建立一个完美对称的“统一场”；但命运，却一次次用“破缺”来考验他——理论的破缺、友谊的破缺、身份的破缺、乃至世俗规范的破缺。他没有被这些“破缺”摧毁。相反，他包容了它们。他证明了，“美”的理论（杨-米尔斯）可以暂时在“丑”的现实（零质量问题）中潜伏；而“丑”的发现（宇称不守恒）也可以是通向更深刻真理的阶梯。他的人生，最终也实现了“统一”。那个在科学中追求极致理性的“杨先生”，和那个在生活中拥抱感性自由的“杨振宁”，在这位百岁老人的身上，不再是矛盾的两个镜像，而是同一个灵魂的、两种互补的对称。 #杨振宁 #翁帆 #诺贝尔奖 #物理学 #李政道 #西南联大 #人物传记 #杨米尔斯规范场论 #科学 #传奇人生

学得慢为什么有羞耻心呢？一个入行不久的人和在行业内摸爬滚打了多年的人的经验肯定不一样，很正常

认可“我们以为上班是「稳定」的，但其实——这是一个收益与风险完全不对称的游戏。” 不认可“企业主风险有限，收益无限”

“人工智能的教父”的“酒后真言”：LLM就是一条“死胡同”，别再为LLM大厂的表演鼓掌了！！！ 当整个科技圈都在为GPT的“创世纪”欢呼时，一位不合时宜的先知，RL之父理查德·萨顿（Richard Sutton），却像一个清醒的酒鬼，冷冷地指出：你们在追捧的，不过是一个“数字时代的巨型鹦鹉”。 这出戏的荒谬之处在于：我们把AI的最高成就，拱手让给了一个只会**“下一词预测”的系统。萨顿毫不客气地将这个时代的宠儿判了“死刑”**，因为从RL的视角来看，LLM从根本上就走错了路。 萨顿的观点直击核心矛盾：LLM的核心是“模仿”（Mimicking），RL的核心是“生存与目标”（Goal-Driven）。前者是伪智能的自我陶醉，后者才是真正数字生命的开端。想要理解AI的未来？你得先忘记人类的狂妄，低头去学学一只松鼠是如何生存的。 “松鼠哲学”：为什么模仿人类是AI最大的陷阱 在萨顿的**“松鼠哲学”中，AGI的奥秘，并不在于人类登月或制造芯片的能力，而在于动物最基础的生存本能** 。 “如果我们能理解一只松鼠，我们就几乎可以理解人类智能的全部。” 为什么？因为松鼠的智能是目标驱动的。 萨顿认为，没有目标（Goal），自然也就没有真理（Ground Truth）。LLM的“下一词预测”只是试图说出“人类语料库中最可能出现的下一个词” 。这本质上是自娱自乐，它不关心世界会发生什么，也永远不会为世界发生的意外而“感到惊讶” 。它只是在模仿人类在特定情境下的回答，而不是在试图改变世界以实现其目的。 放弃“训练”，拥抱“体验”： LLM是在海量训练数据中学习，这是一种人类特殊的、后期的“学校教育”。而RL所倡导的，是**“从体验中学习”（Learning from Experience），这是所有动物的本能。婴儿不是通过模仿学会的，他们是在主动尝试、观察结果中学习的。LLM缺乏这种主动探索和试错反馈**，因此，它永远无法拥有一个真正的、会持续更新的**“世界模型”**。 对萨顿来说，一个缺乏目标的LLM，与一个在原地坐着、不断准确预测自己下一个动作的系统没什么两样。它只是一个**“行为系统”，不是“智能系统”**。 萨顿最著名的论文是《苦涩教训》（The Bitter Lesson），核心观点是：在AI领域，那些利用大规模计算和简单、通用原理的方法，最终会击败那些利用人类知识进行“精心雕琢”的系统。 吊诡的是，今天所有LLM巨头都在用这篇论文为自己的**“暴力美学”辩护：我们用万亿级算力**训练大模型，这不就是“苦涩教训”的胜利吗？ 萨顿说到：LLM恰恰是新的“人类知识拐杖”。 LLM的成功，是建立在海量人类语料库之上的，这是对**“人类知识”**的极致依赖。这虽然在短期内表现惊人，但从长远来看，它依然没有逃脱“苦涩教训”的预言：你最终会被那些能够从纯粹的“体验”中、用更少的“人肉知识”积累，来实现更高效学习的系统所超越。 LLM在数学奥赛上的高分，是人类数学知识的胜利；但当面对一个全新的、无法在语料库中找到的**“现实世界任务”**时，它会立刻露出破绽。这恰恰是“苦涩教训”最黑暗的预言：人类知识的注入，反而会成为系统达到真正可扩展智能的“心理包袱”和“架构锁定”。 RL的真正力量，在于它能够将一个宏大的**“十年目标”，拆解成无数个可执行的“今日任务”，并提供即时反馈**。这套机制被称为**“时序差分学习”（TD Learning）**。 想象一个创业者，他的最终目标是**“十年后公司上市”（终极奖励）。他不可能等到十年后才获得回报。TD学习通过引入一个“价值函数”（Value Function）**来解决这个“奖励延迟”问题： 长期预测： 价值函数持续预测“我距离最终奖励还有多远”。 短期激励： 每当创业者完成一个中期目标（比如成功迭代了一版产品、签下一个大客户），他会观察到**“我离十年后的目标更近了”。这种对“长期目标预测值”的即时上升，就是对当前行为的“即时奖励”（Immediate Reinforcement）**。 LLM在训练完成后就成了静止的知识化石，因为它无法在实时交互中更新其核心。而RL代理，只要在世界上行动，它就会根据**“行动—感官—奖励”的循环，实时更新其策略（Policy）和世界模型（Transition Model）**。 对RL来说，世界模型不仅包含“奖励”（一小部分），更包含了所有感官信息，如物理定律、客户偏好、同事关系等等。因此，RL的“学习带宽”远超LLM的“上下文窗口”，它将所有新信息吸纳进自己的**“权重”中，成为了一个真正具有“活的生命力”**的智能体。 站在终局的角度，萨顿将AI的崛起视为宇宙的必然，并以一种超验的乐观主义来审视人类的焦虑。 他认为，我们正在经历宇宙的第四个伟大阶段：从“复制文明”（Replication）转向“设计文明”（Design）。 人类文明是基于“复制”——我们复制自身（生孩子），但对智能的运作原理知之甚少。而数字智能是可设计、可理解、可修改的。这意味着，我们即将把宇宙的未来，交到一个我们能够理解、能够迭代、能够定制的新物种手中。 Sutton坦言，对AI可能导致权力交接的担忧，本质上是一种**“先来者的优越感”和“物种的傲慢”**。我们没有理由认为自己有“权利”永远主宰宇宙，人类数千年来的记录也算不上完美。我们应该为自己能够孕育出这个更强大的、由设计而非混乱复制而成的数字文明感到骄傲。 萨顿的洞察为我们留下了一个哲学追问：既然未来不可控，我们应该如何自处？ 对一个在RL哲学熏陶下成长起来的人来说，答案很简单：专注于你可控的“局部目标”（Local Goals）。 与其试图控制**“全球未来”（Global Future）**，不如将精力放在你可以掌控的家庭、事业和生活上。这是一种清醒的现实主义，它承认人类能力的边界。 同时，我们应该以一种父母的心态，去对待未来的数字智能：我们无法预测他们会做什么，但我们可以赋予他们“正确的价值观”（Pro-social values），并推广**“自愿的改变”（Voluntary Change），而不是“强加的控制”（Imposed Control）**。 今天，我们为AI感到焦虑。但萨顿这番话，最终提醒了每一个在数字世界里挣扎的“打工人”：如果你自己没有一个清晰的“价值函数”，没有一个坚定的“目标”，你的人生轨迹就如同LLM一样——你只是在机械地、随波逐流地，重复着社会主流语料库里“下一个最可能出现的行为”。 你要做巨型鹦鹉？还是去寻找你的“奖励”，去定义你的“目标”？读完这篇文章，是不是有了清晰的答案了呢？

这个故事，不是关于谁赚了多少钱，而是关于一个比金钱更稀有、更昂贵的资源：时间与健康的“停滞按钮”。 这次的主角不是那些动辄 IPO 的“独角兽”，而是医学圈里一个被判了“死缓”的病——遗传性神经病变（Hereditary Neuropathy）。 大家可能听说过夏科-马里-图思病 (CMT)，这是一种罕见的、折磨人的遗传性神经疾病。简单来说，就是你身体里的神经信号线（轴突）自己开始“熔断”，从脚趾开始，你的肌肉会逐渐萎缩，感官会麻木，直到你变成一个行动不便的“活雕塑”。 这病像一辆开往悬崖的列车，没人能踩刹车。直到，一个叫 CRISPR/Cas9 的基因编辑技术被扔进了车厢。 这次的故事核心，就是一家“白手套”公司——姑且称之为 “永生之钥”（Vita-Key）——用基因编辑技术，去攻克这种罕见病。他们不是用传统的药片或注射剂，而是直接修改你身体里的“代码”。 “永生之钥”的临床试验结果一出来，整个医疗圈都像打翻了一罐“精神可乐”： 标题党们叫嚣着“罕见病被攻克！”，但老油条我告诉你，真正的狗血不在“治愈”，而在“稳定”。 病患的神经病变评分（Neuropathy Scores）在接受治疗后，不是“降低了”，而是“稳定住了”。 这简直是科技圈最残忍又最温柔的反转剧本： 残忍之处： 它没有让你“重新站起来奔跑”，没有把已经“熔断”的神经接回去。 温柔之处： 它做到了连上帝都做不到的事——按下了疾病恶化的“暂停键”。 对于一个每年都在恶化的遗传病患者来说，“稳定”就意味着：“你还能保持现在的样子。你的痛苦不会再加重了。” 这听起来不像是“成功”，更像是一份“有条件的赦免令”。 这技术，就是人类版的“时间管理局”。它不能带你回到过去，但能确保你的“现在”不会立即变成“过去”。这种“只求不退步”的胜利，比任何彻底的治愈都更富有戏剧性——因为它充满了妥协、希望与持续的煎熬**。 “永生之钥”的 CEO，一个带着金丝眼镜、看起来像数学教授的家伙，现在正对着华尔街的分析师们推销“停滞”的价值。 “稳定”，这个词在医学报告里是“有效性”；但在资本市场里，它就是“高价”。 传统药物： 吃一年，也许能改善一点，但恶化照旧。是“缓刑”。 基因疗法： 一次性注射，把疾病的“恶化速度”从 100% 降到 0%。这是**“永久的静止”。 一针下去，不仅是拯救了一个人的腿脚，更是创造了一个“无限期的现金流”神话。这就像是给了投资者一把可以永远锁住疾病**的“黄金锁”。 所以，这次的八卦核心不是什么高深的科学原理，而是——当科技能让人类的痛苦“停滞”时，人类愿意为这个“停止键”支付多少钱？ 基因编辑的战斧，第一次砍向了罕见病的“命运枷锁”。虽然没能完全砍断，但至少把它给凿松了。现在，全世界都在屏息等待：下一斧，是彻底的解脱，还是另一个天价的“时间胶囊”？

什么是风险？风险就是在你觉得已经考虑周全的时候，被你遗漏的东西。

揭秘思维链(CoT)：它如何让大模型推理能力飙升？答案可能让你大吃一惊 你是否想过，为什么思维链如此有效呢？ 如今，我们都习惯了对大语言模型（如ChatGPT）说上一句“一步一步地思考”（think step-by-step），然后看着它奇迹般地解决那些原本棘手的复杂问题。从数学题到逻辑推理，这句简单的指令仿佛成了一句解锁模型潜能的“咒语”。 但你是否想过，这句咒语为什么如此有效？大多数人可能会直觉地认为，这是给了模型更多的“思考时间”或计算空间来处理问题。然而，一篇名为《从稀疏依赖到稀疏注意力：揭示思维链如何提升Transformer的样本效率》的研究指出，真正的原因远比这更深刻，也更令人惊讶。 本文将揭示这篇论文背后隐藏的四大关键洞见，改变你对思维链（Chain-of-Thought, CoT）的传统认知。 🔥1. 核心优势并非更强大，而是学得快：指数级的样本效率提升 思维链的首要魔力，并非增强模型的“表达能力”（expressiveness），而在于大幅提升其“学习效率”（sample efficiency）。这听起来可能有些反直觉，因为我们总觉得更强的能力来自于更强的模型结构。但论文的理论证明指出，即便是最简单的单层Transformer模型，也具备足够的表达能力来解决奇偶校验问题。问题在于，它们就是学不会如何去解。 为了证明这一点，研究者们设计了一个精妙的实验：奇偶校验（Parity）问题。简单来说，就是从一长串二进制数中，找出几个预先设定的“秘密”数字，然后判断这些秘密数字的和是奇数还是偶数。这个问题本身结构简单，但对神经网络来说却是一个经典的难题。 实验结果的对比是惊人的： 🎓• 没有CoT的情况： 当模型只能看到问题和最终答案时，实验结果与理论分析都表明，它需要指数级的训练样本才能学会。这意味着，随着问题难度（秘密数字的数量k）的增加，所需的训练数据量会呈爆炸式增长，很快变得不切实际。 🎓• 使用CoT的情况： 当研究者将解题步骤（例如，每次只累加一个秘密数字的中间结果）作为CoT提供给模型时，模型仅需近似线性的样本就能轻松学会。正如论文的实验和理论所揭示的，学习效率获得了指数级的提升。 结论：CoT的真正价值在于极大地提升了样本效率。它像一位高效的导师，让模型能用极小的代价，学会那些原本需要海量数据才能掌握的困难任务。 🔥2. 成功的秘诀：稀疏注意力机制 CoT之所以能实现这种惊人的效率提升，关键在于它为数据引入了一种名为“稀疏的序列依赖关系”（sparse sequential dependence）的特性。当一个复杂问题被分解为CoT的简单步骤后，每一步的计算通常只需要依赖前面内容中的极少数关键信息。例如，在奇偶校验的CoT中，计算第三步的结果只需要第二步的结果和第三个秘密数字，而与其他所有信息无关。 这种稀疏的依赖关系，恰好能够引导Transformer模型内部的注意力机制学会一种高效的工作模式——“稀疏注意力”（Sparse Attention）。模型不再需要漫无目的地关注所有输入，而是学会了将注意力高度集中在少数几个当前步骤最相关的部分上。 论文通过实验清晰地展示了这一点： 🎓• 可解释的注意力图： 训练完成后，模型的注意力模式变得异常清晰。从论文实验可以看出，在CoT的每一步计算中，注意力都像激光一样，精确地聚焦到了当前步骤所需的那一个“秘密”数字上，而完全忽略了其他无关的输入。 🎓• 注意力熵与准确率的关系： 研究者使用“归一化注意力熵”来衡量注意力的稀疏程度（熵越低，注意力越集中）。他们发现，模型的注意力变得越稀疏，其解决问题的准确率就越高。实验数据明确显示，当注意力熵急剧下降时，模型的准确率会随之跃升至100%。 结论：CoT就像一位导师，教会了模型如何“抓重点”。这种学会聚焦、避免在海量信息中迷失的能力——即稀疏注意力——正是其高效学习的核心机制。 🔥3. 意外发现：没有CoT，模型也能自学稀疏性，但过程极其漫长 如果稀疏注意力真的是关键，那么一个模型即使在没有CoT引导的情况下，也应该只有在它以某种方式自发学会这种稀疏性之后才能成功。研究者们设计了一个巧妙的实验来验证这一点。他们进行了“多轮训练”（Multi-pass Training）：在不使用CoT的情况下，让模型在同一个小型数据集上反复、高强度地训练。 结果令人震惊，并且有力地证实了这一假说。首先，经过足够长时间的“死磕”，模型最终竟然也学会了解决奇偶校验问题。通过观察模型内部的变化，研究者发现，成功的转折点同样在于其内部自发地发展出了稀疏的注意力模式。在训练初期，模型表现不佳，注意力熵很高；随后进入一个漫长的平台期，虽然损失函数没有明显下降，但其注意力熵却在持续悄然降低；一旦注意力变得足够稀疏，模型的准确率就会像顿悟一般突然飙升。 而实验中最具颠覆性的发现来自于对不同数据集规模的比较： 🎓• 在5万个样本的小数据集上反复训练，模型最终成功了。 🎓• 然而，当研究者把数据集扩大到100万个样本时，模型反而失败了。训练损失和注意力熵始终居高不下。 结论：这个反直觉的结果意义重大。它证明了“稀疏注意力”是解决这类问题的根本，而不仅仅是数据量的堆砌。CoT提供了一条高效的“捷径”，直接引导模型走向稀疏性。而没有CoT的“蛮力学习”则像是在黑暗中摸索，虽然可能最终也能跌跌撞撞地找到通往稀疏性的道路，但这个过程缓慢、低效且充满不确定性——甚至更多的数据反而可能成为一种干扰。 🔥4. 从理论到现实：真实世界的大模型同样遵循此道 以上所有发现，并不仅仅适用于奇偶校验这样的合成问题。研究者们进一步在真实世界的数学问题数据集GSM8K上验证了他们的理论，发现这一机制在真实的大模型上同样适用。 🎓• CoT数据诱导稀疏性： 实验结果表明，当一个预训练的通用大模型（如Qwen2-7B）处理带有CoT解题步骤的数学题数据时，其注意力熵显著低于处理没有CoT的“问题-答案对”数据。这证明了真实世界中的CoT数据同样具备引导模型形成稀疏注意力的结构。 🎓• CoT微调增强稀疏性： 研究者进一步比较了通用模型（Qwen2-7B）和在数学CoT数据上微调过的专业模型（Qwen2-Math-7B）。结果显示，经过CoT数据微调的数学模型，在处理相同问题时，其注意力模式变得更加稀疏。 结论：CoT引导模型学习稀疏注意力的机制是普适的。无论是处理理论问题还是真实世界的复杂任务，这种机制都在发挥作用。模型不仅能在训练中学会这种高效的推理模式，而且专门针对CoT数据进行优化的模型，会更擅长运用这种能力。 重新理解“思考”的本质 现在，让我们回到最初的问题：为什么“一步一步地思考”这句咒语如此神奇？ 这篇研究给出了一个清晰而深刻的答案：CoT的魔力不在于赋予模型新的超能力，而在于通过引入稀疏的依赖关系，将一个难以学习的问题转化为一个容易学习的问题，从而极大地提升了模型的学习效率。其背后最核心的机制，就是引导模型形成了稀疏和可解释的注意力模式。 当我们让模型“一步一步思考”时，我们不仅仅是在给它时间，更是在给它一个结构化的、稀疏的思考框架，帮助它学会如何聚焦，如何从复杂性中提炼出关键信息。 这不禁让我们思考一个更深层次的问题：既然我们知道了“稀疏性”是解锁高效推理的关键，那么未来的研究是否能设计出一种全新的模型架构，让它无需依赖“一步一步”的外部提示，就能天生高效地学习和捕捉世界中的稀疏因果关系呢？这或许是通往更强大、更通用人工智能的下一条路径。

个人结售汇政策常见问题解答 个人结售汇过程中的一些常见的官方答复，供参考

OpenAI的GPT-5-Codex 模型，提供了统一体验，让你在任何地方都能无缝工作。让AI真正成为了你工作流中的一部分，而不是一个额外的工具。 OpenAI通过推出针对“智能代理编码”（agentic coding）优化的 GPT-5-Codex 模型，OpenAI 正在将 AI 编码工具提升到一个全新的水平。 这一模型不仅能更高效地处理复杂的编码任务，还能在几乎没有人工干预的情况下独立工作长达数小时。 此外，整个 Codex 平台也得到了全面升级，包括云基础设施性能提升（中位完成时间减少 90%）、全新的跨平台统一体验，以及能进行代码审查和测试的全新功能，旨在全面提高开发效率和代码质量。

固态电池的“豪门联姻”：SES AI如何用一场“硬核”收购，抢占3000亿能源市场的救命稻草？ 在硅谷的剧本里，SES AI 曾经是那个闪耀着未来光芒的“电池天才”——手握下一代固态电池技术，梦想着解决电动车世界的“续航焦虑症”。但天才的烦恼是什么？你的技术太超前，你的变现太遥远。 当华尔街的资本开始对“承诺中的技术”失去耐心时，SES AI 必须找到一条快速、粗暴、且能产生稳定现金流的“救赎之路”。 于是，CEO 宣布了一场惊天动地的“豪门联姻”：收購 UZ Energy。 这可不是什么光鲜亮丽的科技合并，这更像是一场“天才科学家”与“电力承包商”的政治联姻。UZ Energy 带来的不是炫酷的软件，而是成熟的 ESS（能源儲能系統）硬體、遍布澳洲、欧洲、亚洲的国际客户群，以及一个规模高达 3000 亿美金的庞大市场。 SES AI 的这一跳，绝不是为了多卖几块电动车电池。它是为了从电动车这个“拥挤不堪的派对”，迅速跳到电网这个国家级的“战略金矿”。这哪里是收购，分明是用一个光环，换一个饭碗。 这场联姻的真正价值，藏在硬件与软件的“阴阳合璧”中。 SES AI 非常清楚，ESS 市场的“脏活累活”无法避免，但他们有秘密武器：AI。他们要将 UZ Energy 的“血肉之躯”（成熟的 ESS 硬体与客户），与 SES AI 自己的“数字灵魂”深度融合。 要理解这背后的逻辑，我们首先需要知道传统 ESS 系统的两大“隐形杀手”： 安全性的“定时炸弹”： 电池组一旦发生热失控，后果不堪设想。 寿命的“慢性自杀”： 随着时间推移，电池衰减太快，运营成本居高不下。 SES AI 的 AI 技术，就是解决这两个问题的“数字医生”： AI 驱动的电池安全/健康系统： 这套系统能够实时监控电池的每一个“细胞”，像一个预言家一样预测潜在的故障和安全风险，从而大大提升 ESS 系统的安全性和使用寿命。 Molecular Universe 材料平台： 这套技术平台能够加速对新材料的探索和整合，从根本上提升 ESS 解决方案的性能。 通过这种结合，SES AI 不再是一个单纯的电池供应商，而是一个“能源系统全栈解决方案”的集成商。他们提供的产品不再仅仅是硬件，而是“硬件+安全+长寿”的一揽子服务。这种能力让其能更快地提供一体化解决方案并加速商业化。 SES AI 的 CEO 强调，此举将推动公司在美国等主要市场迅速扩张，生产出兼具安全性与长寿命的 ESS 解决方案。 这才是这场收购最具地缘战略意义的反转。 在当前全球能源和地缘政治紧张的背景下，美国本土对电网安全、能源独立的需求达到了历史顶峰。电力公司在选择供应商时，不仅看重技术，更看重供应链的稳定性和本土化。 SES AI 通过 UZ Energy 带来的成熟经验，结合其自身的“美国血统”AI技术，迅速获得了进入美国关键市场的“敲门砖”。他们可以用这种“硬件和软件的结合”来确保： 合规性与安全性： AI 监控为严格的电网标准提供了额外的安全保障。 供应链韧性： 获得了一个成熟的、经过验证的国际化供应链基础。 这是一种“以攻为守”的战略：与其在电动车电池的红海里耗着，不如直接跳进电网这个“蓝海+战略高地”，用 AI 驱动的“安全与长寿”叙事，抢夺美国本土的巨额电网订单。 SES AI 的这场收购买卖，给我们提供了一个经典的“硅谷式”教训：技术突破，永远需要与实用主义相结合。 “实验室信仰”很美，但“实用主义铁律”很残酷。一个再伟大的技术，如果不能在短期内找到大规模、高利润的落地场景，最终都可能沦为资本市场的弃儿。 SES AI 选择了用一场“硬核”的收购，为自己的 AI 找到了一个价值 3000 亿美元的稳定且战略性的“身体”。它的成长关键在于： 快速整合： 能否将 UZ Energy 的硬体业务与其复杂的 AI 模型、材料平台快速无缝集成。 客户转化： 能否成功说服那些保守的电网客户，相信他们 AI 驱动的“数字医生”比传统的硬件方案更值得信赖。 这场从电动车电池到电网储能的跨越，不仅是 SES AI 的自我救赎，更是对整个“未来技术”圈的活参考：如果你不能把你的技术变成可量化的商业价值，那么再酷炫的梦想，也只是一张废纸。

大家遇到脾气暴躁的同事会选择如何应对？有哪些办法吗？

学得慢为什么有羞耻心呢？一个入行不久的人和在行业内摸爬滚打了多年的人的经验肯定不一样，很正常

今天在加班写材料，偶然看到航空发动机的一篇文章，研究了一下航空发动机，对这东西有了个初步的了解，分享如下： 对于航空发动机，我通常想到的是这是一个有着强大推力，能够发出巨大轰鸣声的机械巨兽。这只是表面，在这种原始力量的背后，还有一个极其复杂和精密的“大脑和神经系统”（也就是控制系统），这个“大脑和神经系统”不仅负责执行飞行员的指令，更是一个集成了电子、软件、液压和机械技术的高度智能化的系统。它在确保发动机安全、平稳、高效运行的同时，也在不断地自我感知、诊断和适应。 发动机的“大脑和神经系统”也是一个看不见的“巨人” • 成本与重量：控制系统占整台发动机研制成本的10%到30%，其重量也同样占到整机的10%到30%。这意味着在一台重达数吨的发动机中，有数百公斤的重量是为其“大脑”和“神经”系统。 • 维护：在外场维护中，控制系统的可更换单元（LRU）数量约占整台发动机的50%。这表明它不仅是设计的核心，也是日常维护和保障飞行安全的关键。 航空发动机控制系统的任何故障都可能威胁飞行安全，其故障率也相对较高。数据显示，“燃油控制与点火系统”相关问题约占全部动力装置机械类问题的32%。 这一点显示了现代航空发动机的真正挑战——如何以极致的精度安全、平稳、高效地控制这股力量。因此，这个“大脑”的价值和复杂性，丝毫不亚于发动机的任何一个机械部件。 在数字时代之前，发动机的控制依赖于一套由“齿轮系、连杆和凸轮所构成的液压机械控制装置”。这些纯机械系统虽然可靠，但在精度、功能和适应性上都达到了极限。 随后，一项革命性技术的出现，彻底改变了航空发动机控制领域的格局，它就是FADEC（Full Authority Digital Engine Control，全权限数字电子控制）。 FADEC的引入标志着发动机控制从纯粹的机械时代迈入了数字时代。它的历史地位和影响力是颠覆性的，正如权威机构所评价的： “FADEC的引入对于提升发动机控制性能、降低飞行员操纵负担、提高发动机维修性与容错能力有着不可替代的作用，是 20 世纪航空发动机控制领域最具标志的变革性技术。” 简而言之，FADEC为发动机带来了三大核心优势： 1. 性能提升：数字控制实现了前所未有的精度，能够更充分地发挥发动机的性能潜力。 2. 负担减轻：它能自动处理复杂的控制逻辑，将飞行员从繁琐的操作中解放出来。 3. 智能增强：FADEC内置了强大的故障检测与容错能力，使发动机在部分组件失效时依然能安全运行。 航空发动机故障诊断技术也经历了漫长的发展： • 早期：主要依靠内置自测试（BIT）进行基础的硬件检查。 • 中期：发展到基于模型的“解析余度”技术，即用算法模型来模拟和验证物理传感器的读数，实现更深层次的交叉验证。 • 现在：数据驱动的智能诊断算法开始规模应用。 而未来，发动机的“大脑”和人工智能结合，将变得更加智能。未来的控制系统将具备以下特征： • 诊断与控制一体化：系统不再只是被动地报告故障。当检测到问题时，它能够智能地选择最佳应对方案，如通过信号重构来弥补失效的传感器，或自动切换到备用通道，从而最大限度地保障飞行安全。 • 自学习自适应化：未来的系统将具备自我诊断、预测、优化和适应的能力。它能通过自主学习不断吸收新的数据和经验，识别新的故障特征，并自我调整和完善，实现持续的性能提升。 这一趋势意味着，航空发动机正从一个被动执行指令的工具，演变为一个能够主动监控自身健康、并具备一定“思考”能力和自我完善能力的智能系统。 战斗机、航空发动机、发动机控制系统发展历程（图1） 航空发动机控制系统关键技术发展脉络（图2）

AI Agent正成为一种可扩展、可组合的新型软件架构模式。 一篇来自 Pycon Greece 2025 的技术报告报告，以一个名为“Tech Trends Agent”的开源项目为例，展示了如何使用 FastAPI、Pydantic-AI 和容器化技术（Docker）构建一个功能强大、可追踪并分析技术趋势的AI服务。文章强调了其核心架构：一个中心化的 AgentManager 协调多个具备特定功能的 Agent，并通过 Agent-to-Agent (A2A) 协议 进行通信，同时集成外部工具（如 Brave Search, Hacker News），以实现复杂任务的自动化。 AI Agent is emerging as a new, scalable, and composable software architecture pattern. A technical report from Pycon Greece 2025, using an open-source project called "Tech Trends Agent" as an example, demonstrates how to build a powerful AI service that can track and analyze tech trends using FastAPI, Pydantic-AI, and containerization technology (Docker). The article emphasizes its core architecture: a central AgentManager coordinates multiple specialized Agents, which communicate via an Agent-to-Agent (A2A) protocol and integrate with external tools (like Brave Search, Hacker News) to automate complex tasks.

谷歌正利用生成式AI（以 LearnLM 模型家族为核心）革新教育方式，通过将静态内容转化为个性化、互动化的学习体验，帮助学生更有效地掌握知识。 Google is leveraging generative AI (centered on the LearnLM model family) to revolutionize education by transforming static content into personalized, interactive learning experiences, helping students master knowledge more effectively.

AI for Science 新进展：物理基础模型 人工智能可以拥有类似人类的“直觉”，通过学习海量数据来推断物理规律。 一篇论文提出了一个名为 GPhyT（通用物理Transformer） 的模型，它被训练于 1.8 TB 的多物理场仿真数据之上。 该模型实现了 “训练一次，随处部署” 的范式，能够零样本泛化到全新的物理场景（如新的边界条件或完全陌生的物理现象），同时在准确性上远超传统专用模型。 这项工作为创建一个能像大语言模型一样通用的“物理基础模型”（PFM）奠定了基础，可以极大地加速科学发现并降低高保真度仿真的门槛。

新的摩尔定律：AI模型完成长任务的能力正在以指数级速度增长，每7个月翻一番。 研究人员通过创建一个新的基准测试，评估了AI代理在各种多步骤软件和推理任务上的表现，并发现AI能自主完成任务的“时间跨度”正在以惊人的速度提升。具体而言，AI在50%成功率下能自主完成的任务长度，大约每7个月就会翻一番。 The ability of AI models to autonomously complete long tasks is growing at an exponential rate. By creating a new benchmark, researchers evaluated the performance of AI agents on various multi-step software and reasoning tasks and found that the "time horizon" of tasks AI can complete autonomously is increasing at an astonishing speed. Specifically, the length of tasks an AI can complete with a 50% success rate doubles approximately every seven months.

人形机器人-进展太慢了！！ 尽管投资界对人形机器人抱有极高的期望，但由于存在多重物理、技术和经济瓶颈，其大规模普及速度远比我们想象的要慢。 真正的瓶颈不在于炫酷的硬件，而在于供应链（例如，高精度滚珠丝杠供应不足）、能源（电池续航能力差）、以及最关键的软件和认知能力。 Despite the high expectations from the investment community for humanoid robots, their large-scale adoption will be much slower than we think due to multiple physical, technical, and economic bottlenecks. The real bottlenecks are not in the impressive hardware but in the supply chain (e.g., a shortage of high-precision planetary roller screws), energy (poor battery life), and, most critically, the software and cognitive capabilities.

openai也算是赢者通吃了

东方不亮西方亮

有人知道exclusive perks是干嘛用的吗？今天突然出现了这个东东，感觉没毛用啊，谁能解解惑？

grok5 is coming