我的 X 阅读

今年通过 MathJobs 申请的一个同事在研究陈述中围绕一个刚刚被解决的问题撰写。他问我该怎么办。 我的建议：添加一个开头的段落解释发生了什么。招聘委员会会理解并欣赏这种诚实。

人工智能现在能够用人类可读的自然语言，以英文 PDF 格式撰写论文，这或许是一件值得庆幸的事。 它刻意采用这种效率较低的输出格式，意味着 人工智能正在努力适应人类的需求并做出妥协。 引用：无需创建 PDF， 也无需用英文写作…… 那就好比是， “我们只需要一个人工智能能够理解的‘通信协议’。” 如果我们优先考虑效率， 那么，人工智能之间的通信是否需要编写数千万行精益代码， 然后这些代码就被认为是“正确的”呢？

由太阳能驱动的人工智能自动运行，每日持续大量生产“纸张”。 数据中心由物理人工智能管理。 无生物反应。 《无人生还……》（反乌托邦）

转帖：一百万美元奖励说真话。谁可能会赢得它？https://t.co/CI5pLtOnE6 via @skdh 对 @BillAckman 深表敬意，他是推文长度冠军和carob trust prize的资助者

如果人工智能成为如此重要的角色…… 如果人工智能撰写的论文由其他人工智能进行校对，而人类又不可能完全理解…… 那么，是否就不再需要以人类可读的自然语言撰写PDF格式的论文了？ 我们是否会开始使用专门为人工智能设计的专有语言或格式来撰写论文，使其易于人工智能编写和阅读？ 引用：我明白了。人类试图理解证明的想法本身就已经过时了。 人工智能撰写的证明能否被其他人工智能自然地阅读和理解？ 这几乎就是“没有人的学术界”。 这是否意味着从“人参与”转变为“人被循环控制”……

OpenAI 即将再推出一批偷来的作品，假装是他们自己的 引用：我们正在发布一款内部前沿模型产生的大量新数学成果。 我们一直在与高级研究所的独立数学与人工智能顾问小组进行磋商，并借鉴了他们的建议和公开推荐，来指导我们如何发布这些成果。 https://t.co/7N6TPlft1P

中微子是终极的深层技术传感器层

真是太棒了！完整的 Chowla 猜想，适用于 2 点相关性，并能显著节省计算量。 之前的所有工作都是以对数形式进行的： (Pillate、Helfgott-Radziwill、Tao-Teravainen 等) 或者对偏移量取平均值： (Matomaki-Radziwill-Tao、Lichtman-Teravainen 等) 所以，这个链接：https://t.co/SGpAV6Ikge

巴特勒圣战毫不讽刺地说，是我 P(doom) 较低的原因之一。 在某个足够高的 P(doom|ASI) 之后，每个国家都会将其列为首要任务，禁止并阻止 ASI 的发展。 引用：这将引发争议。我自己也讨厌它。但我开始担心，如果我把事情思考到逻辑结论，唯一的解决方案就是全球禁止人工智能。 有了人工智能，最好的长期结果是我们成为人工智能的“宠物”。我们吃饭、睡觉，我们（也许）繁殖。人工智能负责一切。全民基本收入最大化。 那就是最好的情况！显然更可能的情况要糟糕得多得多。 如果有一个更好的现实长期情景，我很想听听。我真的希望有一个。

已转换！还剩10亿个要继续！ 引用：自从这篇帖子以来，我对 Hark 在没有任何上下文的情况下，能够找到我生活中相关的来源并处理它们的能力感到震惊。 什么？！

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