Register and share your invite link to earn from video plays and referrals.

hahagood
@hahagood
A curious enthusiast eager to dip into everything interesting. Roaming between literature, technology, future, and nostalgia—a collision of logic and poetry.
Joined March 2007
604 Following    4.2K Followers
这次真正重要的不是 Navier–Stokes 又前进了一步 而是科研第一次开始像工业一样扩张 过去一个天才一天只有 24 小时 现在一个顶尖研究者可以调度上万个 Agent 同时探索 GPU 开始变成可以买来的研究时间 科学没有摆脱天才 只是天才第一次有了工厂
Show more
科研不再依赖天才科学家,而依赖GPU --- 昨天的剧情继续反转! Openai官宣了! 更重要的是,这是由opanai未发布的模型,几天时间完成的。(新模型能力比astra有大幅提升,见附图) 这件事的意义本身非常重大,属于菲尔兹奖级别的发现,但其意义远不止事件本身。 科学正在被重构为一种由算力驱动的高速工业流程。 先扫个盲:千禧难题与它的“爆破点” 纳维—斯托克斯方程(Navier-Stokes,简称 N-S 方程):物理学中描述水流、空气、洋流等流体运动的基本方程。它的地位相当于流体领域的牛顿运动定律。然而在数学上,一个世纪以来没人能证明:在所有初始状态下,流体的平滑运动方程是否永远有良好定义的解。这是数学界著名的七大“千禧年大奖难题”之一。 有限时间奇性(Finite-time Singularity):可以形象地理解为“物理量的暴走”。系统初始时风平浪静、处处平滑,但经过一段有限时间后,某些关键指标(如速度梯度或涡度)飙升至无穷大,数学上出现了类似“除以零”的无法计算点。这意味着经典连续介质模型在该处彻底失效,数学上称为“爆破”(Blow-up)。 Lean 形式化证明:过去的数学论文由同行专家人工审阅,难免漏掉隐蔽的推导漏洞。Lean 则是一种计算机代码证明语言,它要求将数学推导逐行写成严密的逻辑代码,由机器编译器校验每一步公理,彻底杜绝逻辑跳跃和人为笔误。 这次突破的关键在于:它是一个由 1 万个协同智能体构成的庞大系统,在 88 小时内吞吐 1300 亿 Token、交换 270 万条信息,完成了一场高强度的科研大兵团作战。 OpenAI 展示了一个此前未被充分验证的三维 Scaling 架构: 训练算力:赋予单体模型基础的科研直觉与逻辑深度; 测试时算力(Test-time Compute):让单个智能体在复杂节点上深入推导、反复验算草稿; 多智能体算力:支撑成千上万个节点并行探索不同的假说分支,并实时共享中间成果。 在实验中,这套系统先调动 100 个智能体在 50 小时内解决了难度较低的欧拉方程(忽略流体粘性的简化方程),系统自主识别出该成果的价值,随后自动抽调算力,将欧拉方程的结果作为跳板,转向主攻 N-S 方程。 这种提出假说、并行探索、沉淀结论、动态调度算力的组织过程,已经高度接近一所组织良好分工明确自主运转的“虚拟科学团队”。 面对这项突破,要真正理解其长远的影响力,必须严格区分两个层次: 第一层(单点突破):某一道著名难题被攻破。解决 N-S 方程或黎曼猜想,本身的科学价值巨大,但仍有限。 第二层(能力跃迁):AI 具备了稳定、批量解决此类高难度科学与工程抽象问题的能力。 真正具有颠覆性的是第二层。通用求解能力能撬动极高价值的科研。 如:可控核聚变中突破高温等离子体湍流控制,材料和生命科学中充当新型材料、催化剂与药物研发的算力放大器,高科技制造中将复杂物理过程转化为可计算模型,大幅减少飞机、电池、散热设计的实物实验等。 设计一款航空发动机或验证新型芯片散热,需要做上千次高成本的实体物理实验;如果数学理论与 AI 模拟能够把实验次数压缩到几十次,硬科技的研发逻辑就会向“编写代码—模拟测试—快速重构”的软件化开发模式靠拢。 但最重要,价值最高的,还是AI驱动的AI 模型研发:AI 被用于优化自身的网络架构、训练算法与数据流设计,它将直接触发递归自我改进(RSI)。 和证明斯托克斯方程类似的是,AI 研发几乎完全运行在数字世界中,智能体可以自主编写代码、启动训练、监测损失函数曲线并分析评测,不需要等待物理世界缓慢的材料制备和实物制造周期。 而当ai开始驱动多领域科学的突破,不同领域的突破将紧密咬合,形成自增强的多飞轮。 在传统视角下,科学进步的速度(Rate of Progress)通常被视为外生常数——比如开发一款新药平均耗时 10 到 15 年,商业化聚变往往以“几十年后”为期。但当科研系统全面接入自动化后,技术周期的迭代速度本身将变成可加速的内生变量。 这种科研范式的转变对宏观经济的拉动,将会是是一次典型的阶梯式跃迁(Slowly, then suddenly): 在初期阶段,大量论文被解出、复杂数学定理被形式化验证、实验室新型材料候选层出不穷,但宏观 GDP 几乎毫无波动;只有当这些技术库存积累到临界点,伴随低成本工业机器人的普及、新型清洁能源网络的搭建与先进制造工厂的投产,庞大的底层科学资产才会集中转化为实体生产力,形成宏观经济的骤然跃升。 纳维—斯托克斯方程的攻坚,给整个科技界提供了一块前沿观测窗。它真正提示我们的,绝不仅是流体力学又往前走了一步,而是提醒我们审视:文明社会中究竟有多少万亿美元的长期价值,正被锁在那些“人类因大脑算力有限而暂时算不清的问题”之中。 当算力正式从制造模型的流水线工厂,跃升为能够全天候自主探索未知的“超级研究院”,人类从这些“未知库存”中提取科学答案的速率,将被彻底改写。
Show more