我的 X 阅读

计算的未来是异构的。 很高兴看到热力学计算发挥越来越重要的作用。 引用：去聚合推理是未来。 与 @general_compute 的精彩小组讨论，他们的异构计算云、为去聚合推理而计算的分化，以及热力计算将如何融入其中 更多内容即将推出。敬请期待

转帖：我认为，外行人（也许内行人也是？）很容易无法领会数学对我们来说到底有多么重要；有多少“著名”的问题。 作为一个社区，我们竟然有数量庞大的问题，它们的解决方案会被视为“圣杯”级别的超级数学成就。

明确来说： 5月：1个证明 https://t.co/QCWddvw6AV 8月：10个证明 https://t.co/Fc7u0HZ6LU 现在10月：数百个证明 https://t.co/xscCxxFbFS 接下来几个月：数千个证明！ 引用：OpenAI 刚刚发布了 300 多个数学问题的解决方案洪流。 其中包括对以下内容的证明： -- 黎曼 Zeta 函数的零点自由带 -- CM 阿贝尔簇的 Hodge 猜想证明 https://t.co/zV0lcC81dX

在计算电磁学的有限元法（FEM）中，复杂的计算域被划分为许多小单元，控制方程在这些小块上进行近似和求解。 在这里，我们通过使用三角网格来演示该方法，以模拟 https://t.co/GLoqqXDPMC

数学推理将转移到任何需要推理和在复杂领域建立直觉的领域。可能在某些情况下，AI 不会拥有所有必要的数据来得出正确的结论，但它将以高样本效率填补数据中的所有必要空白，就像人类一样。 超人类智能已经到来，解决所有这些问题的同一个模型将在所有其他科学和推理相关的任务中表现出色。 引用：如果锯齿状的前沿主要就是数学 + 代码（你可以用 RLVR 将其任意推进），而其他一切都开始趋于平稳，因为它们仍然受限于人类生成的数据瓶颈，那会怎样？ 模型在不可验证领域的性能一直稳步提升，尽管速度远慢于数学和代码。但这种稳步提升是更高 G（本身由 RLVR 驱动）的副作用，还是仅仅取决于注入训练的新人类数据量（这仍然在巨大规模上持续发生）？ 许多事情都取决于这个问题的答案

尘埃落定之后，这个可能会产生最持久的影响 @NoahChrein 格罗滕迪克同伦假设 引用：OpenAI 刚刚发布了 300 多个数学问题的解决方案洪流。 其中包括对以下内容的证明： -- 黎曼 Zeta 函数的零点自由带 -- CM 阿贝尔簇的 Hodge 猜想证明 https://t.co/zV0lcC81dX

是否存在精益代码已成为衡量证明是否可信的重要指标。 精益代码已然成为一种信誉证明…… 引用：是啊，有趣的是，霍奇的进展尚未正式化！自动形式化问题尚未完全解决。 反驳关于先前突破的“精益代码形式化”阴谋论的证据。

没有回头路了，朋友 引用：希望这将是大型 AI 公司试图通过数学突破来炫耀的终结（“好吧，我们现在都相信你了！”），我们可以回归我们的“反常”常态。

转帖：数学让许多人感到谦卑：总有更深层的东西。上个月，看着我们的内部模型解决了那么多我长期敬畏的问题，让我更加谦卑。这感觉像是我们对智能认知的哥白尼式转变的开端…… https://t.co/0sIa0TmBA8

转帖： 「我多年来思考的问题被 OpenAI 解决了的消息今早传开了。我必须读读那篇论文，所以今天的课全部停课。」 怎么可能做到那种事，所以从第二节到第四节连续三节课加研讨会哦。

我明白了。人类试图理解证明的想法本身就已经过时了。 人工智能编写的证明，人工智能自己能自然地阅读和理解吗？ 这简直就是“没有人类的学术研究”。 这难道不是从“人机协作”变成了“人机循环”吗？ 引用：“我从未想过有一天，地球上最聪明的人类竟然会成为人工智能的瓶颈。” 据报道，一个名为 OpenAI 的未发布模型仅用了 11 天的训练时间就解决了 100 多个困扰全球数学家的未解数学难题——问题在于人类无法理解这些证明。 最终，这会导致人工智能模型审查其他人工智能模型。

https://t.co/63lSwX29PR 引用：凸包内部空间很大

4000 人中有 722 人声称“解决了”这个问题，这表明大多数没有解决这个问题的人可能是 hep-th 话题。

＞证明了不存在判定整数系数多项式是否有理数解的算法。 在讨论伽罗瓦理论——即“判定多项式是否具有求解公式的算法”——时， 这件事可以介绍为“有点相似，但这是最近才发现的例子”呢。 引用：OpenAI 对数学领域 4000 个重要的未解决问题进行了挑战，并报告称其中获得了 372 个结果。 可以说，进入了 AI 大量并行解决研究社区提出的开放问题的时代。 我不是数学专家，因此无法准确评估每个成果的重要性，但例如报告称解决了以下此类问题。 ・声称证明了不存在判断整数系数多项式是否具有有理数解的算法。这就是所谓的“希尔伯特第 10 问题”的有理数版本。 ・关于全维数、全余维数的复 CM 阿贝尔簇，证明了 rational Hodge conjecture，并通过 Milne 定理，进一步推导出有限体上所有阿贝尔簇的 Tate conjecture，以及 Hodge standard conjecture。 ・关于 Mahler 猜想，不仅解决了对称版本，还声称在全维数中解决了非对称的一般 Mahler 猜想。 ・声称肯定性地解决了理论计算机科学中重要的未解决问题 Khot 的 Unique Games Conjecture。 ・声称在所有有限维数中解决了 Hilbert–Smith 猜想，即忠实且连续作用于有限维拓扑流形的局部紧群必须是 Lie 群。 在利用未公开模型并达到解决的案例中，每个结果平均约 3 小时生成，而且能够并行解决多数问题。如果这种趋势持续下去，可以说研究的生产方式本身将发生巨大变化。 正如最近讨论的那样，可以说正进入开放问题枯竭的时代，或者 AI 接连提出新结果，而人类对这些结果的理解、验证，甚至与社会的连接跟不上的时代。 现在，这种变化最明确地体现在数学、计算机科学、理论物理等领域，但今后预计在邻近领域（非理论的物理、化学、生命科学等）也会发生类似变化。 这些领域包含实验和现实世界的观察，因此不像数学那样仅凭逻辑思考就能封闭，不能说完全相同。然而，通过大量阅读现有研究成果，从中接连推导出下一步应验证的假设或新结果，并结合模拟或自动实验，可以说会发生同样的变化。

还是会以非常好的方式结束吗？