生物学研究正迎来一个类似“AlphaZero”的转折点。 随着 扎克伯格夫妻创办的Biohub 推出蛋白质生物学的“世界模型”——ESMC 与 ESMFold2，我们正式告别了依赖人工标注的传统路径，进入了计算驱动自学习的生物发现新时代。 蛋白质是生命活动的“执行者”，被誉为生命的分子机器。它们在生物体内的地位几乎等同于电子系统中的硬件与软件的结合。 现代医学中，绝大多数药物的“作用位点”都是蛋白质。 长期以来，蛋白质结构预测严重依赖实验室测定出的已知结构标签。Biohub 的这套系统颠覆了这一范式，它通过“自监督学习”直接从约 28 亿条自然序列中“领悟”生物学： 模型通过类似“完形填空”的任务，学习了氨基酸之间的化学规律、折叠规则和演化逻辑。它不需要人类预先告诉它“这段序列对应什么结构”。 研究发现，模型内部独立演化出了对催化基序（如 nucleophilic elbow）等生物学抽象概念的理解，展现出了超越序列本身的物理洞察力。 就像 AlphaZero 通过自我对弈掌握围棋本质一样，ESMFold2 通过大规模缩放（Scaling Laws）掌握了蛋白质折叠的底层逻辑。 当预测速度快到能在一天内生成数万个候选设计时，实验室验证就从“盲目筛选”变成了“目标验证”。Biohub 团队证实，AI 设计的抗体在肿瘤学关键靶点（如 EGFR, PD-L1）上已展现出纳摩尔级别的亲和力，并获得了冷冻电镜（Cryo-EM）的结构验证。 ESM的成功再一次告诉我们，只要存在大规模、标准化的演化/博弈序列，且闭环反馈速度足够快，Scaling Law 就持续有效。 这一范式极有可能在以下领域复刻成功： 材料科学： 晶体结构与电子能带的逆向设计，本质上就是材料的“折叠”问题。 微观市场动力学： 价格波动与订单流序列，可类比蛋白质的博弈机理。 复杂供应链与工艺： 将生产参数流视为“代谢路径”，自动识别产能失稳的“工艺基序”。 团队协作建模： 分析协作流（Information Flow），找出决定团队效能的“社交基序”。 对于市场一直在寻找的ai应用，这可能就是真正的应用方向 --- 将物理世界的复杂系统转化为“计算任务”，并通过极短的闭环反馈，加速系统的自我迭代。

asi按照我的理解，也不是无限智能，上帝智能，而是比专业领域最聪明的人还聪明一些，或者很多 比如，alphaZero就是asi在围棋领域的一个范例

斯坦福最新研究突破：Self-Guided Self-Play 如何让 LLM 实现自我进化？ 在大模型训练中，我们一直面临一个痛点：高质量的推理数据是有限的。一旦模型学完了人类编写的高质量数据，其推理能力的提升往往就会撞上天花板。 最近，来自斯坦福大学的研究团队发表了一篇名为 Scaling Self-Play with Self-Guidance 的论文。他们提出了一种名为 SGS (Self-Guided Self-Play) 的算法，试图彻底打破这一瓶颈。简单来说，这项工作让模型不仅能做题，还能自动出题、自己审题，从而在不需要更多人类介入的情况下，进一步提升后训练和微调的效果，实现模型推理能力的持续缩放（Scaling）。 现在前沿模型公司，后训练和微调的时候都会使用自博弈（Self-Play）方法 自博弈（Self-Play）的核心理念是：出题者（Conjecturer）负责出题，解题者（Solver）负责做题，两者在对抗中不断进步。在理想状态下，这个过程是没有天花板的。 但在现实训练中，这类方法通常会陷入 “学习停滞”（Learning Plateau）： 出题者很快就会发现，只要生成一些逻辑混乱、故意堆砌复杂词汇但又不合逻辑的题目，解题者就很难解出，或者产生某种“虚假提升”。 训练退化：由于缺乏有效的监督，随着训练周期拉长，合成数据的质量迅速下降，导致模型不仅没学到新知识，反而越练越笨。 为了解决这一问题，SGS 引入了一个至关重要的角色——引导者（Guide）。在 SGS 框架下，LLM 同时担任三个角色： Solver (解题者)：负责求解问题。 Conjecturer (出题者)：负责生成相关的合成问题，难度需与当前目标匹配。 Guide (引导者)：作为质量把关人，它负责评估出题者生成的题目质量。 Guide 会根据题目与目标任务的相关性、结论的简洁性以及逻辑的自然度进行评分。如果出题者试图通过“制造复杂逻辑冗余”来蒙混过关，Guide 会直接给出低分，强迫出题者回到高质量的学习路径上。 研究团队在 Lean4 形式化定理证明任务上验证了 SGS 的性能： 真正的持续 Scaling：在长周期的训练中（训练步数远超以往工作），SGS 的累计解题率表现出了极好的缩放特性，并没有出现以往常见的性能退化。 经过 SGS 长周期自我训练后，一个 7B 参数的模型，其推理能力甚至超越了未经过此类训练的 671B 参数模型（DeepSeek-Prover-V2）。 SGS 的意义，可以看成是 LLM后训练/微调领域的“AlphaZero 时刻”并不为过。它代表了一种重大的训练范式转变： 从单纯依赖人类标注数据的“手工作坊”模式，转向利用算法闭环自动生成高质量训练数据的“智能工厂”模式。 SGS 证明了在推理能力上，我们同样可以拥有“扩展定律”（Scaling Laws）。只要计算资源（Compute）充足，并且通过 Guide 机制守住数据质量，模型能力的提升就是可预测、可扩展的。 目前 SGS 在形式化验证领域（Lean4）已经证明了其价值。下一步的挑战在于如何将这种自我引导机制扩展到代码生成、复杂决策、甚至更广泛的通用逻辑推理领域。 我们可能正处于 又一次模型能力指数级增长的起点

Alphabet 今天开卖美元债，最多要融250亿美元。 结构是最多10档，期限从2年一直铺到40年。用途没什么悬念，两周前公司刚把2026年的资本开支上调到最高2050亿美元，是2025年的两倍多，消息出来时股价掉了一截。 可以拿今年2月那次做参照：原计划融150亿，最后卖出200亿，订单簿峰值超过1000亿美元。彭博今天给的数字是这次的需求大概1150亿美元。 需求还是旺的，说明债市眼下仍愿意替 AI 资本开支买单。 至于买2年期和买40年期的人，赌的是不是同一件事，那是另一回事了。

Alpha，彻底没毛了。 7 月新币就两个，份额也不算多，一个开盘50U，一个开盘45U，格局就腰斩。 老币基本 20～30U，发放名额也缩水到 5000～7000 份，抢到基本靠运气。 交易赛更不用说了，卷到利润几乎归零。 当越来越多人知道一条赚钱路径时，它就不再是一条赚钱路径了。 Alpha：亲亲，这边建议您直接离职呢～🙂

Alpha打新的 $Btw 一个没卖，现在8倍了，一个可以卖250U了。 ethereum:0xa12cc123ba206d4031d1c7f6223d1c2ec249f4f3 也能卖356U了。 意外惊喜，缝缝补补又可以过3年了。

Alphabet和特斯拉均在最新财报中公布了大幅增长的收入，但对AI支出的担忧导致“七雄”市值周四蒸发近8,900亿美元。投资者现在关注的不是收入，而是关键词：自由现金流。