最近很多朋友问我，怎么从 SDE（Software Engineer）转到做 AI Infra 和大模型相关的工作？ 或者普通人想做 Pro 级别的 AI 投资者，零基础怎么扫盲，怎么搞懂这么多术语？给大家推荐两个免费的入门友好的 AI 相关学习网站（课） 如果你要做基本的 AI 投资，看完第一个 Stanford CS336 课程也就差不多了。如果想专攻某个领域，可以看看第二个的公开课？ 1. Stanford s开课 Stanford CS336 Language Modeling from Scratch 2. @AndrewYNg 创办的学习平台， 里面的课程非常多，点开你就使劲学吧，从 pre-training 到 post-training，从训练到推理，全都涵盖 链接⬇️ 不知道我的 follower 中有多少对这些感兴趣的。可能和投资不直接相关，但我觉得都是很好的认知提升课程。 有时间还是要多看教程、多看课、多读书，武装自己的大脑 如果有朋友感兴趣，我后续可以分享更多

生命科学长期以来被称为“集邮式科学”（Stamp Collecting Science）——它充斥着海量的自然语言叙述、非标准化的显微图像、碎片化的湿实验论文、手工调配的试剂配方以及充满模糊经验的机理猜想。 这种高度“非形式化（Informal）”的本质，正是过去生物科研突破周期长、试错成本极高、且无法像芯片设计或物理学那样实现自动化编译的根本原因。 AI 的核心进化能力之一是，将非形式化问题转化为形式化问题（Formalization）。 因此，AI 对生命科学的加速将不是简单的“找靶点速度加快”，而是一场从底层表征、实验执行到假设验证的全局编译化革命。 生命科学长期作为一门“经验科学”，根本原因确实在很大程度上是“有效数据规模和高保真计算量严重不足”。本质上是被以下三个极度缺乏 Scale 的现实所迫： 1、观察到的数据只是冰山一角（稀疏与长尾） 人类现有的公共生物数据，大部分是“结果快照”而非“动力学过程”。例如全球蛋白质数据库（PDB）几十年来积累的结构仅有 20 多万个，且绝大多数是结晶状态下的单一静态构象。面对大自然数以亿计的动态蛋白互作，样本量少得可怜。 2、严重的观测偏差与批次效应（Batch Effects） 过往生物学论文中的数据，来自全球数万个实验室、不同操作人员、不同批次试剂和不同显微设备。这种数据充满了系统性噪音和“幸存者偏差”（往往只报道阳性结果，海量阴性失败数据从未被记录）。用充满噪音的异构数据训练模型，很容易遭遇“垃圾进，垃圾出”。 3、维度的诅咒（Curse of Dimensionality） 一个文本 token 的嵌入维度是几千维；但一个活细胞不仅有 30 亿对碱基的 DNA，还有表观遗传修饰、数万种转录本的时空丰度、数万种蛋白质的翻译后修饰以及微环境动力学——这是一个横跨皮秒（分子运动）到数十年（衰老、疾病）的时空连续多尺度系统。在数据规模没有覆盖这个高维流形前，人类科学家只能退守到经验法则、动物实验和手工对照。 而对比大模型（LLM）的涌现依赖于 Transformer 架构 + 互联网级文本 + 自动回归自监督任务。生命科学要实现同等级别的泛化突破，其底层要素必须对齐： 1. 规模化生成“无批次效应”的原生数据（Biofoundry 工业化） 纯靠人工在高校实验室里移液，永远不可能凑齐大模型所需的自监督 Tokens。生命科学的 GPT-3 时刻，前提必须是数据生产的工业化——利用全自动化的生物铸造厂（Biofoundry）、硅基高通量芯片合成和标准化液体处理机器人，在完全一致的物理环境下，规模化、连续性地生成数十亿级的单细胞扰动、突变体结合与高内涵表型图谱。没有自动化的物理数据工厂，生命科学就没有训练集。 2. 自监督预训练任务的重构：从“掩码预测”到“物理能量与因果扰动” 在文本中，“预测下一个词”极其有效。但在生物学中，单纯的掩码语言模型（Masked Language Modeling）有其天花板。未来的基础模型需要将几何等变性、非平衡态统计物理和热力学约束直接编入注意力先验中。正如人类大脑理解物理世界不是靠背诵文字，而是靠视觉和触觉的连续交互，生命大模型需要直接在连续的时空流形中学习因果演化。 3. 闭环主动学习（Active Learning Loop） 生命系统太庞大，随机或暴力采集全部数据在物理上不可行（分子组合空间超过 10的60次方。大模型必须扮演“科学假设生成器”，自动计算出认知不确定性最高的领域，自动指挥物理机器人去合成、测试并回传数据。这种“模型假设 -》自动化实验-〉权重更新”的循环加速，是催生 Scaling 质变的关键催化剂。 当然，生命科学的发展终局，可能也不会彻底变成纯粹的数学推演，而会演化为一种“极高置信度推演 + 物理不可约验证”的新范式： 大模型确实能把目前人类难以理解的万级基因互作网络，压缩为高度精准的潜空间向量变换，人类不用再手工去画繁琐的通路图。从这个角度看，传统的“经验直觉”会被强大的高维统计几何彻底取代。 正如物理世界的计算不可约性时规律所告诉我们的，哪怕大模型在数字空间里给出了 99.9% 确定性的抗癌药设计方案，药物在真实复杂活体（包含免疫系统、肠道微生物、全身循环系统）中的毒副作用与代谢，仍受微观随机多体动力学统治。它依然需要活体或器官芯片运行自身的物理时钟来进行终极校验。 从科学发展史来看，化学在门捷列夫之前也是纯粹的“炼金经验科学”，直到元素周期律和量子力学奠定了物理底座；生命科学当前正处在类似的拐点——它过往的“经验属性”，在很大程度上确实是因为我们只能用肉眼和试管观察局部。当数据通量和算力 Scale 越过特定相变阈值时，生命科学将从一门靠经验归纳的描述性学科，质变为一门具备高预测精度的形式化工程科学。

OpenAI 今天凌晨公布了全新架构的 GPT-6 Astra 群星 但最让人欣慰的是，人类终于不再卷 coding，去瞄准科学的星辰大海了 OpenAI 内部将其视为第一个 AGI 时代的模型 这个模型在科学研究和抽象推理方面大幅提升 而且这个模型的智力模式非常特别 相比其他模型，可以大幅减少推理步骤，以更少 Token 获得更高智能 但这个模型在 coding 方面却进步很小，不如 Fable 价格方面 10in 50out，也对齐 Fable/Mythos 也许从外界看来，Mythos 可能是第一个 AGI 时代的模型吧，不过我们没资格用 Mythos，无法评价了 科学 Terminal-Bench Science 0.1（科研终端与管线自主操作）：从上一代 Sol 的22.4% 暴涨至 64.6%（大幅领先 Fable 5.1 的 52.6%）。 FrontierMath Tier 4 (v2)（前沿科研级数学）：达到97.6%。 真实数学发现：协助数学家 Julia Stadlmann 将素数间隔（prime number gaps）上界从 240 推进到 186；推动了一项维持 80 多年未动的数学界限。 智能与效能 动作与步数效率（ARC-AGI-3）：在96% 的关卡中，摸索并解出未知机制所用的动作步骤比人类中位数还要少，平均动作数减少 51.7%。它不再靠暴力穷举，而是在上下文里现场发明代数简记法（DSL）压缩状态。 任务级能效比（Cost-per-task）：虽然每百万 token 单价更贵，但在 OSWorld 2.0 等长流程复杂任务上，单任务耗时从 75 分钟压到了 40 分钟左右，总消耗 token 显著减少。 工程 专业工业软件（BenchCAD）：达到95.9%（领先 Fable 5.1 的 84.3%），直接落地 KiCad（PCB 电路设计）、Unity 3D 排布和金融建模（Financial Modeling World Cup）。 编程 DeepSWE v1.1（真实软件工程能力）：Astra 得分为74.1%，对标 Claude Opus 5 的 74.0%、Gemini 3.8 Flash 的 73.7%，甚至低于 Meta Muse Spark 1.3 的 75.4%。基本和大家挤在同一个平台期，完全没有拉开代际差距。 Artificial Analysis (AA) 综合智能与智能体指数：Astra 仅拿到了61.2 分，几乎与上一代 GPT-5.6 Sol（61分左右）持平，在 Coding Agent 指数上未见断层提升。 完整模型介绍在官网，写的非常专业，直接看一首信息，不需要看三方解读，可以在此详细阅读

《福布斯》评选的“2026全球最适合数字游民的8大城市”如下： 1. Lisbon（里斯本，葡萄牙） 2. Medellín（麦德林，哥伦比亚） 3. Chiang Mai（清迈，泰国） 4. Da Nang（岘港，越南） 5. Cape Town（开普敦，南非） 6. Austin（奥斯汀，美国德州） 7. Miami（迈阿密，美国佛罗里达州） 8. Asheville（阿什维尔，美国北卡罗来纳州）

今天就是这场比赛，今天在预测市场评论区都吵起来了。 哥伦比亚波哥大（美联社）——周四举行的南美解放者杯足球赛中，哥伦比亚麦德林独立队对阵巴西弗拉门戈队的比赛仅开始三分钟便被迫中断，随后因主队球迷燃放烟火并向场内投掷杂物而最终取消。 麦德林市阿塔纳西奥·吉拉尔多特体育场发生的这起事件，显然是针对当地俱乐部管理层的一次抗议活动。起因是独立队（Independiente Medellín）在哥伦比亚足球甲级联赛中表现不佳，最终以第11名的成绩被淘汰出局。 在球迷开始发射照明弹和其他物品仅几分钟后，主裁判赫苏斯·巴伦苏埃拉便命令双方球员返回更衣室，同时安保人员介入球场维持秩序。比赛中断时双方均未得分。 一个多小时后，南美足联（CONMEBOL）正式取消了这场原定于A组第四轮举行的比赛。 南美足联纪律准则规定，当某支球队被判定对比赛的中止、取消或放弃负有责任时，该场比赛将判罚无过错方获胜，因此弗拉门戈队将以3-0的比分自动获胜。 比赛暂停期间，弗拉门戈球员若日尼奥在其X账号上发布了一条消息称：“我们没事，正在这里等待。”同时配发了更衣室内与队友埃弗顿·塞博利尼亚、艾尔顿·卢卡斯、路易斯·阿劳霍、莱奥·奥尔蒂斯和莱奥·佩雷拉的合影。 现任解放者杯冠军弗拉门戈队以7分领跑A组，领先拉普拉塔大学生队1分。麦德林队积4分位列第三。 美联社足球新闻：

最純粹的愛💕💕 預祝我比賽順利😁 阿！推特的朋友可能不知道，我7/23要去參加夢想杯健美比賽歡迎追蹤我ig隨時更新最新動態，也有比較多日常生活，私訊我也比較會回sky_happy0325 攝影@studio817.art @modelangels_md #肌肉##襯衫##狗狗##週末##人像拍攝##寵物拍攝##邊境牧羊犬# #我家的寶貝##aries#

每天醒來都有好多思緒，想講點什麼又講不出什麼。 例如：紅燒牛肉麵。 你是不是看不懂?😌我也看不懂，神秘的男人最有吸引力了吧，不過我只是單純的笨蛋。 攝影@modelangels_md #笨蛋##肌肉##健身##襯衫##tshirt# #人像拍攝#

有趣的靈魂萬里挑一，結實肉體成為妳唯一❤️。 這次的照片質感跟過往的不同，是我沒什麼駕馭過得風格，文案好難想😂😂，最後還是決定發發幹話👻。 攝影：@modelangels_md #肌肉##襯衫##白t# #週末##人像拍攝#