MIT 那本《计算机科学数学》，我劝真想搞计算机的赶紧存，这玩意儿基本是天花板了。 先别被 1048 页吓尿，厚归厚，人家就是写给初学者的入门书。我第一眼也懵：1048 页也配叫入门？翻进去才懂，它不催你一口气啃完，是把最底子的东西掰碎了喂你，慢慢来跟得上。 真想学的听我一句：别再收藏那些速成课了，这种硬货啃一本，顶你刷十个短视频。 🔗

MIT物理学博士发现了一个美股炒美光的稳赚技巧： 如果你在每天收盘时买入美光，第二天开盘时立刻卖出，长期重复操作会获得高达1.38%亿的收益。 但如果你每天开盘时买入美光，当天收盘时卖出，同样重复操作，最终收益-99.92%。 这是MIT物理学博士的研究结果，虽然他是物理学博士，但是曾在顶级量化公司工作过， 他还对比了全球20多个股市指数的收益，基本都是隔夜买卖大赚，当日买卖亏损， 这个博士最后得出结论，股市都是既得利益者的阴谋， 你怎么看？

十年前，一个MIT大一新生，在冰箱里装了一个摄像头。 他怀疑室友在偷吃他的东西。 计划很工程师：拍下来，写个AI，当场抓获。 小偷没抓到。 他先被自己拍下的海量视频淹没了。 那一刻他想明白了一件事： AI 缺的不是算法，是数据。 要做成它，得有现在一百万倍的数据。而这堵墙，每个做AI的人都会撞上。 这个新生叫 Alexandr Wang。 他出生在新墨西哥州的洛斯阿拉莫斯，美国第一颗原子弹诞生的小镇。 父母是中国移民，都是镇上国家实验室的物理学家。 六年级，他第一次参加数学竞赛，目标是赢一趟迪士尼之旅。 他赢了。 后来一路打进美国数学奥赛集训营、美国物理国家队。 17岁，他一个人去了硅谷，在旧金山四处借住沙发，挨个找CEO自荐。 简历几乎是空的，他只说了一句：我热爱写代码，我会跑得飞快。 Quora 创始人 Adam D'Angelo 收下了他。 在 Quora 干了两年，他才去读 MIT—— 然后，就有了冰箱里那个摄像头。 2016年夏天，19岁的他和搭档 Lucy Guo 进了 Y Combinator。 两人在一间泳池小屋里办公，晚上睡气垫床。 他跟父母说，这只是个暑期项目。 然后，再也没回学校。 公司叫 Scale AI，干的是当时AI圈最不性感的活：数据标注。 别人在研究改变世界的模型。 他在雇人给图片画框，告诉自动驾驶汽车：这是个行人，别撞。 然后，风口一个接一个砸了下来。 先是自动驾驶，Waymo、Cruise 都成了客户。 再是美国空军和陆军。 2021年，Scale 估值 73亿美元。 24岁的他，成了全球最年轻的白手起家亿万富翁。 一年多后，ChatGPT 横空出世，大模型训练离不开人类反馈数据。 OpenAI、微软，都在用 Scale 的数据。 2025年4月，Meta 发布 Llama 4，口碑崩了，还陷入刷榜争议。 据杨立昆后来透露，扎克伯格非常恼火，对参与项目的所有人都失去了信心。 两个月后，扎克伯格出手： 143亿美元，买下 Scale 49% 的股份。 附加条件：Wang 本人必须来 Meta。 28岁的他，成了 Meta 史上第一位首席AI官，执掌新成立的超级智能实验室。 扎克伯格在内部信里，称他是"这一代最令人印象深刻的创始人"。 Wang 在给 Scale 员工的告别信里写：这一次的代价，是我的离开。 这个决定，难在哪里？ Meta 的AI阵营里，本来坐着一位图灵奖得主，杨立昆，深度学习三巨头之一，在 Meta 待了整整12年。 重组之后，他要向这个大学没读完的28岁年轻人汇报。 2025年11月，杨立昆宣布离开，出去创业。 后来接受《金融时报》采访，他这样评价这位年轻的上司： "没经验。" 他承认对方学得很快，但说他根本不懂研究是怎么做出来的。 质疑声从来没停过。 媒体爆出，他在会上和 Meta 的老将们意见不合。 2026年3月，Meta 另起了一个AI工程团队，不归他管。 有媒体直接起标题：扎克伯格可能已经"受够了"他。 Meta 出面辟谣，扎克伯格在 Threads 上晒出一张两人挽着胳膊的合影。 一个月后，超级智能实验室交出第一份答卷：Muse Spark。九个月，把 Meta 的整套AI技术栈推倒重来。 有评论说，Meta 总算重新回到了牌桌上。 2026年9月8日，Meta 发布个人AI智能体 Muse。 订行程、回邮件、填表格，甚至替你讨价还价。 它冲上了苹果 App Store 免费榜第一。 第三方数据显示，它上线头12天的日活，是 ChatGPT 当年同期的将近3倍。 9月23日的 Meta Connect 大会上，Wang 宣布：Walmart、Best Buy、Gap、Sephora、Wayfair，都在接入 Muse。 十年前，他雇人给图片画框。 现在，他的AI开始替人下单。 杨立昆说他没经验。 这话没说错。 但 Wang 对此，有另一套说法： "天真，是有巨大溢价的。" 不知道一件事有多难，才敢一头扎进去。 专家脑子里装着一张"此路不通"的清单。 创始人手里没有这张清单，所以会先去把路走一遍。 扎克伯格押的，就是这份溢价。 杨立昆也没有输。 他带着"大模型走不到AGI"的判断，拿到了超过 10亿美元融资，去做自己坚信的世界模型。 这从来不是谁对谁错的故事，是两条路线，各自押上了全部筹码。 赌局还没结束。 但扎克伯格这一注，第一张牌已经翻开了。 是张好牌。

麻省理工学院（MIT）的最新论文，大幅加速合金新结构探索 生成式 AI（如 GNoME、MatterGen）已能在虚拟空间中秒级生成数百万种新晶体结构。然而，对合金材料来说，算力筛选与实验室合成之间始终横亘着一条难以逾越的鸿沟——“0 K 静态假象”。 在经典计算材料学中，评估材料稳定性长期依赖绝对零度（0 K）下的基态能量。但真实世界的材料服役与烧结均在有限温度与压力下，真正主导相变与稳定性的物理量是吉布斯自由能（$G = H - TS$）。过去，要精确计算振动熵 $S$，必须依靠耗时数小时乃至数天的准谐波近似（QHA）或分子动力学（MD）采样，高通量热力学筛选在算力上几乎无法实现。 MIT 等团队在 最新论文《Universal Thermodynamic Interatomic Potentials 》中提出的 TIP（Thermodynamic Interatomic Potential），为这一瓶颈提供了优雅的解法。 核心逻辑：把自由能计算压缩至单次前向推理 TIP 不再局限于预测单帧静态势能，而是直接构建热力学自洽的吉布斯自由能模型 $G(T, P)$。 自动微分（Auto-diff）解析物性：结合热力学基本关系式 $dG = VdP - SdT$，模型利用神经网络求导，无需多点扫描拟合，单次前向计算即可直接导出体系的热膨胀、平衡体积与状态方程（EOS）。 多精度融合训练：基于通用原子间势（UMA），模型融合了低成本 QHA 与高精度 MD 自由能数据，并支持利用实验相图微调校准。 AI 材料发现的真实加速维度 1. 筛选通量提升数个数量级 将自由能评估成本压缩至接近普通势能打分的级别，使材料筛选从“0 K 预筛选 + 少数结构做有限温精算”，跃升为直接在目标服役温度（如 300 K、800 K、1200 K）下对千万级结构做高通量初筛。 2. 消除实验验证的“假阳性”与“假阴性” 剔除伪稳定相：直接过滤 0 K 下处于稳定凸包、但常温及高温下极易分解的结构。 拯救动态稳定相：钙钛矿、形状记忆合金与热电材料常在低温下表现出虚频失稳，实际依赖有限温下的熵效应维持稳定。TIP 能直接识别这类依赖温度稳定的候选材料，避免漏失高价值结构。 3. 复杂合金与相图构建的秒级响应 多组分固溶体与高熵合金以往极度依赖昂贵的蒙特卡洛（MC）采样。经微调的 TIP 能直接给出固溶度极限与混溶间隙，极大加速极端工况下耐高温、轻量化结构合金的配方优化。 当自由能计算变得像静态能量一样廉价，AI 制导材料发现才真正从“静态结构生成”跨越到“真实服役热力学预测”。这一跃迁将显著缩短固态电解质、光伏涂层及高温结构材料从计算设计到实验落地的迭代周期。 附图Fig. 1 直观展示了 TIP 的核心范式与加速突破： 单步解析自由能：在基座势（UMA）上挂载热力学适配器，输入单个晶体基态即可直接输出连续的自由能面 $G(T, P)$，并利用自动微分直接导出熵与体积等物性响应。 跨越级算力提速：经多精度数据训练与实验校准，将传统需要数小时（$\sim 10^4\text{ s}$）的热力学采样压缩为单次前向推理（$\sim 0.1\text{ s}$），提速达 3～5 个数量级。

最近读到一项MIT的研究，讨论了一个很有意思的现象： 为什么在欧美公司的管理层和高管层中，印度裔明显比华裔更有优势？ 印度人从小就习惯一件事：有观点就说出来，有不同意见就讲清楚。别人不接受，就继续解释、辩论和说服。这种能力到了硅谷特别吃香，因为西方企业非常看重一种能力，叫 assertiveness。 简单说，就是敢表达、敢反对、敢争取，也能在不撕破脸的情况下，坚持自己的立场。 东亚文化深受儒家思想影响，更强调谦逊、和谐与稳定。很多东亚人习惯少说话、少冲突，尽量照顾集体气氛，即使有不同意见，也不愿意当面讲得太直接。 这也造就了欧美科技、金融和消费行业里一个非常典型的现象：华人大量集中在工程师、分析师和专业技术岗位，印度裔则更容易进入管理层，甚至走到CEO的位置。