我的 X 阅读

躲避大杂烩

我们已更新了 GitHub 数学代码库，新增了 6 个 Lean 形式化模型、19 项修改和 3 项撤回。目前，该代码库已形式化了约 42% 的核心结果。我们将持续更新代码库，添加新的形式化模型并修正任何发现的错误。 https://t.co/HI6otY2NTO

（此条仅含 Kindle 无法显示的符号）

突发：集群又开始集群了！

照这个速度，我很好奇人工智能是否也能整理出以下内容： - 15,000 页的有限单群分类资料 - IUT 理论 等等，以一种易于理解的方式呈现？ 这就是为什么我用我的“群论小子”账号关注人工智能的发展趋势。 我希望群论中最棘手的问题能够得到成功解决。 这就是我关注人工智能的原因。

乔纳森和他的设计团队是这方面的世界顶尖高手。 每一个像素，每一个细节，都经过精心打造，力求呈现极致体验。 与他们并肩工作是一次非常棒的经历。我们现在才刚刚起步，未来还有更多精彩等着我们。

我认为这些显然目前更像是“研究成果”或“原始数据”。这在数学领域非常罕见。

特斯拉、涡旋和镜像 从熟悉的 3-6-9 涡旋开始…… 1 → 2 → 4 → 8 → 7 → 5 → 1 这个序列只需重复，每次乘以 9 的模数即可。 但循环到一半时，每个状态都会落在它的镜像上： 1 ↔ 8 2 ↔ 7 4 ↔ 5 因此，涡旋轮是一个精确的镜像。

所有账户均已确认到货。目前进展如何？

我无法保证这两张图的真实性，但我确实很喜欢阴谋论！

大多数人都忽略了OpenAI数学模型发布中最令人震惊的部分。 平均而言，模型需要大约3个小时的思考时间才能得出每个结果。 4000个问题，372个结果，722篇论文。虽然数据尚未得到验证，但想想如果模型运行时间更长，这意味着什么。

我在领英上唯一做的事就是发布我的YouTube视频链接。我也不知道我这么做的意义何在。https://t.co/c0UP4fBEbr

太棒了，@satyanadella！ Windows 引发了平台转型，为 NVIDIA 开创了新的产业。之后，我们发明了用于 DirectX 的可编程着色 GPU，并由此催生了 CUDA。 随后，我们与合作伙伴携手，将 GPU 超级计算机引入 Azure，助力 OpenAI 训练 GPT。

很明显，OpenAI 和 Anthropic 的内部进展比他们所透露的要快得多。

极好的