Deepmind 团队发表了篇新论文，介绍了 Co-Scientist 的升级版：一个基于 Gemini 的多智能体科研系统。与此前版本只做"纸上谈兵"式的假设生成不同，新版本被改造成一个能落地执行的研究伙伴，覆盖从假设生成、实验执行到论文撰写的完整闭环 系统架构（三阶段） 1. 构思（Ideation）：用演化算法生成假设群体，每个假设都配独立的文献调研；通过 LLM 同行评审打分（新颖性、合理性、可验证性），用贝叶斯技能评分（TrueSkill）+ UCB 探索机制做成对锦标赛排序，再经交叉（p=0.7）与变异迭代约 10 代。 2. 实验（Experimentation）：三阶段代码演化，小数据搭骨架 → 替换为全量逻辑 → 全规模执行；多个求解器并行生成程序变体，失败的获得结构化报错反馈并反思修正。 3. 论文撰写（Paper Writing）：把实验结果与文献合成为结构化手稿，再经演化式优化迭代。 在材料科学（CVD 合成新配方）、生物学（大肠杆菌群集表型预测）、计算机科学（全自主发现智能体架构）以及端到端的论文生成上均测试成功。 作者认为“执行落地型”的智能体系统是连接计算构思与物理验证的可行路径。但材料科学仍需人来动手执行，生物学需专家反复校准任务定义，纯计算研究可完全高度自主化！科学领域的 RSI 即将大放异彩✨

拿遍硅谷顶级 lab offer 的人，写的ML面试指南 刚看完一篇 ML Research Scientist 面试指南，作者是 Silvia Sapora，PhD 做 ML，最后拿到了 DeepMind、Isomorphic Labs、Cohere、Meta和一家 stealth startup 的 offer，最后去了 DeepMind。 文章讲了很多实操指南，比如他说ML 求职已经越来越像一个工程项目、顶级researcher也会因为没准备面试而挂（原文里说，她认识很多极强的人，就是因为没准备而被拒）。感觉国内顶级researcher的面试也大概是这样。 总结一下看完体会最深刻的点，希望最优秀的研究员们，都能找到顶级的工作，不要因为没准备好面试，让才华短暂被埋没。 希望对大家有用。 1/ 拿到面试前，就是看简历 大家也可以按这个方向完善自己的履历： 3 篇以上一作/共同一作顶会 paper，至少一次大厂/前沿实验室实习，才比较稳定拿到 top lab 的 callback。 这里还有几个小细节： a.cold email 可能比想象中有效。尤其是直接写给 hiring manager 或团队成员，不要重复 CV 上已经有的东西，而是要讲清楚：你为什么 fit 这个 team，你为什么真的对他们的工作感兴趣。 b.cover letter 不要完全交给 LLM 写。可以让 LLM polish，但原始内容最好自己写，要有真实兴趣和个性。 c.LinkedIn / X 上的岗位信息要对看。很多 internship / research role 可能只通过某个 researcher 的帖子和 Google form 流出来。 2/ 一旦进面试，忘掉CV 但一旦进入面试，CV 基本就没用了。 很多面试官甚至不会仔细看你的简历。你有再多 ICLR / NeurIPS / ICML paper，这时候都没什么用了。 面试现在已经非常“杂技化”。 LeetCode、ML coding、debugging、ML fundamentals、LLM/RL/diffusion、system design、research discussion，全都可能问。 说白了，更像是一个压缩版竞技项目：45 分钟内，在陌生人注视下，把你平时几个月慢慢想、慢慢查、慢慢 debug 的东西，现场做。 b.这里有个很实用的方法。 每次面试前，她会把JD、公司、面试类型丢给 LLM，让它 mock interview，而且实际问题经常撞上（笑死，毕竟我估计问题也是AI写的）。 她还列了一张 baseline 清单，能在限时下从头写出来，才算状态在线： ① 端到端实现一个 transformer ② causal / cross / self attention ③ flash attention，以及它的 backward pass ④ MLP 的前向和反向 ⑤ 用 PyTorch 或 JAX 写一个带 SGD 的训练 loop c.还有个细节，越到顶级 lab，越不能靠“我懂这个方向”混过去。他们会问到非常基础，也会问到非常细，甚至会问你熟悉领域里最容易被忽视的部分。 3/ 情绪管理 她说自己最严重的问题是睡不好。一周 10 场面试的时候，整个人快被榨干。她还吃不下，看到食物会反胃，最后只能靠猛灌可乐补糖续命（她也说了，这不是什么最优解，只是她当时能想出的唯一办法）。 她还有一套面试前仪式：背景里插一束新鲜的花、化妆、看同样几个 comfort 视频。 听起来很琐碎，但我觉得非常真实。高压面试最可怕的，不一定是你不会，而是你明明会，但脑子突然空白。 4/ 谈薪是一场暗战，而且你大概率被读穿了 一天最好只排一场面试；先面自己没那么想去的公司练手；让不同 offer 尽量落在同一个窗口。 然后，主动告诉每家公司你还有其他流程。听起来很“职场”，但这些真的会影响最后结果。 到了谈 offer 阶段，peer offer 的重量也完全不一样。OpenAI / Anthropic / DeepMind 这种互相之间的 offer，才真的有谈判筹码（这部分大家都熟练了）。 这部分不要太信“谈判要像盲拍、别亮底牌”那套，好几家公司明确要求她出示竞争 offer 的截图才肯加价，有一家甚至当场质疑她截图的真假（lol）。 而且 recruiter 极其会读人。你多频繁提一家公司、用什么语气谈论它，全都是会被记录的信号。一旦对方知道自己已经是你的首选，你的谈判筹码基本就没了。她说自己很透明、很好读，所以在这上面吃了点亏。 唯一让人稍微松口气的是：公司真的想要你的时候，能报的数字比你以为的大得多。永远值得开口问，多数公司愿意谈。 其实她的履历已经很顶了。但她复盘下来，最有用的结论反而很朴素：做研究，和通过 ML 面试，是两套能力。

在小红书上看到有个女生，她竟然放弃了 Anthropic 的 某个垂直业务线的Founding Data Scientist 的最后两轮面试（她好像已经面了百分之七八十，还剩最后两轮），她觉得去了之后压力会很大，hours也会很长，还要跟最优秀的人竞争，然后就这样放弃了。 虽然尊重每个人的选择，但对我来说，我觉得这是难以想象的。因为我觉得世界上现在 99.9%的科技公司都不值得我去投入每周65+小时的时间去打工，除了我自己的公司，但我觉得 Anthropic 绝对就是这 0.1%中的公司。 如果御三家给我机会我愿意996😭😭😭而且也不怕身边的人都很强自己竞争不过会玉玉😭😭😭 Unfortunately 御三家鸟都不鸟我😭😭😭

【机器学习模型可解释性为什么重要】 机器学习真正的挑战，往往不在于预测得准不准，而在于能不能为每一个决策给出站得住脚的理由。模型可以判断某位客户风险偏高、某笔交易可疑、某个用户很可能流失。但一个孤零零的数字本身很难让人信服。要真正基于模型做决策，data scientist必须理解数字背后的"为什么"。 这正是可解释性方法的价值所在。以 SHAP（Shapley Additive Explanations）为代表的技术，能把单个预测拆解成可从业务角度审查的结构：从一个基准值出发，逐项展示每个变量把结果往上推了多少、往下拉了多少。有了这层解读，我们就能从"模型给出了 60%的评分"，转而面对更有业务意义的讨论：哪些因素推高了预测评分，哪些因素在降低风险，以及在这个具体案例中，谁的影响最大。 可解释性的价值在真实业务场景中尤为明显。在信贷审批中，它帮助判断一笔申请应该通过、拒绝，还是转人工复核；在反欺诈中，它决定哪些警报值得优先排查；在营销触达中，它能说明客户为什么收到了这条推荐。从统计角度，解释并没有提升模型预测的准确性，但从业务角度，解释让评分拆解后更有业务依据。 因此，对任何应用 AI 的企业而言，一个务实的做法是：明确规定在哪些场景下，预测结果必须附带可追溯的业务解释。换句话说，没有业务解释的预测毫无可用性。 归根结底，对 AI 的信任从来不只建立在准确率上。只有当每个决策都能被清晰地解释时，信任才真正成立。

Crypto基建可能是人类历史上前几名的资本浪费。跟之前那几次不同的是，这次连残值都没留下。 从2016年算起，整个crypto产业消耗的真实资本远超多数人的直觉。VC端累计超过1000亿美金。2017-2018年的ICO大潮吞掉了数百亿（各口径差异巨大，保守$200亿到$500亿之间，其中80%以上是骗局，存活率约10%）。比特币PoW挖矿十几年累计电费$300到$500亿之间，全部用于解一道没有任何生产性产出的数学题。DeFi hacks累计损失超过$140亿，各链基金会生态补贴又烧掉了数百亿。 合在一起，$2000亿美金级别。 钱的最大去向，年年都是"基础设施"。2024年仅infra品类就吸走55亿美金，同比增57%，创品类历史新高。L1、L2、L3、rollups、ZK层、DA层、shared sequencer、modular blockchain……以太坊白皮书发布十多年了，这些基建上面跑着的主流应用数来数去还是那几个。但新积木还在不断冒出来。 行业数据：90%到99%的Web3项目在达到长期运营之前失败。2021年以来上线的token里超过一半已经是死币。2026年上半年又有60多家crypto公司关门。 把这$2000亿放进历史坐标里： 1840年代英国铁路狂热，累计投入2.5亿英镑，接近当时GDP的一半，铁路投资占GDP的7%。股价从峰值跌了57%，三分之一经议会批准的线路从未建成。但留下了8000英里铁轨，永久性地降低了工业运输成本。 1990年代末电信光纤泡沫，五年内砸了超过5000亿美金铺设光纤网络。泡沫破裂后95%是暗光纤，仅有不到5%的已铺设容量被点亮，全球电信股蒸发超过2万亿美金市值。但那些光纤留在地下，十年后成了宽带、云计算、视频流媒体和AI数据中心的物理底座。 2000年互联网泡沫，VC投入从1995年的80亿美金飙升到2000年的超过1000亿美金，83%砸向互联网公司。NASDAQ从峰值跌了78%，5万亿美金市值蒸发。但留下了服务器集群、数据中心、光纤骨干网，最终长出了Amazon、Google和现代互联网经济。 铁路狂热留下了铁轨。光纤泡沫留下了光纤。互联网泡沫留下了数据中心。每一次大规模的资本错配，都在投资者血亏之后，为下一轮技术浪潮留下了可被复用的物理基础设施。 Crypto的两千亿美金留下了什么？几十条L1链、上百条L2/L3、无数的bridge和oracle。它们有一个致命的不同：没有物理性，没有可被后来者复用的残值。铁轨是铁轨，光纤是光纤，不管谁来用、用来做什么，物理层都在那里。但一条没有用户的区块链就是一条没有用户的区块链。AI时代不需要在ZK-rollup上面跑inference，不需要用shared sequencer来调度GPU集群。 那些被社区称为scientist的人，在一个没有真实用户需求驱动的系统里互相peer review、互相citation，形成了一套高度自洽但极度封闭的学术仿生体系。 历史上每一次基建泡沫，至少完成了一个任务：错误地、过早地、用投资者的血去铺设了未来真正需要的基础设施。Crypto连这个都没做到。它铺了一条没有目的地的高速公路，而AI时代的车跑在完全不同的路上。 两千亿美金。换算成GPU集群，够训多少个frontier model了。

ZERO Market Flash #003# 第二次“中国AI冲击波”，市场又看错了吗？ ——为什么更便宜的AI，可能意味着更大的基础设施需求 去年（2025年）1月，DeepSeek发布后，市场迅速形成一个判断：如果更少的GPU就能训练出优秀模型，那么未来AI基础设施需求将下降。当天，NVIDIA股价大跌近17%，整个AI产业链承受巨大压力。 一年多之后，类似的故事再次出现。 Kimi K3再次证明，中国公司能够以更低成本推出具有竞争力的大模型。市场随之提出了一个熟悉的问题：模型越来越便宜，是否意味着未来需要更少的GPU？ 然而，Kimi随后宣布暂停新的订阅服务，原因不是模型能力不足，而是用户需求迅速增长，GPU容量已接近部署上限。 真正率先达到瓶颈的，并不是模型能力，而是模型开始被大规模使用后的算力供给。 过去几年，AI竞争几乎一直围绕训练（Training）展开。谁拥有更多GPU，谁训练出更大的模型，谁就拥有更强的竞争优势。因此，当训练成本不断下降时，市场自然推导出一个结论：未来需要的GPU会越来越少。 但这个推导隐含着一个前提——AI的价值主要来自训练。真正需要回答的问题是：如果AI变得更便宜、更好用，会不会有更多企业和个人开始使用它？ 一个模型可能只训练一次，却会每天完成数百万、数千万，甚至数十亿次推理（Inference）。真正长期消耗算力的，并不是一次训练，而是持续不断发生的推理请求。 技术进步降低的是单位成本，真正决定产业规模的，却往往是需求增长的速度。如果应用普及快于单位成本下降，整体基础设施需求不仅不会减少，反而可能继续扩大。 这也是为什么，Kimi公布GPU容量接近上限，比模型本身更值得关注。市场讨论的是训练成本，而现实首先出现的，却是部署能力开始承受压力。 这也让SK集团会长崔泰源提出的“Memory正从Price-driven走向Volume-driven”有了新的解释：未来推动行业增长的，也许不只是价格，而是不断扩大的部署规模。 因此，这次所谓的“第二次中国AI冲击波”，留下的或许并不是一个关于模型竞争的故事，而是一个关于需求扩张的故事。真正值得关注的，不是谁能够以更低成本训练模型，而是谁能够长期支撑越来越多用户、越来越多Agent，以及越来越多的推理请求。 一年之前，市场因为DeepSeek重新评估了训练成本。一年之后，Kimi提醒市场，也许真正需要重新评估的，是部署需求。 训练创造模型。部署创造产业。 —— 本文仅代表个人研究观点，不构成任何投资建议。请独立研究，自行决策。 ZERO 优秀，不足以托付。
唯有最好，方可重仓。 Scientist · Doctor · A9 Investor Search Tags #AI# #ArtificialIntelligence# #KimiK3# #MoonshotAI# #DeepSeek# #Inference# #Deployment# #Training# #AIAgents# #GPU# #NVIDIA# #Memory# #HBM# #DRAM# #Semiconductors# #AIInfrastructure# #Datacenter# #SKHynix# #SNDK# #Micron# #AIInvesting# #TechInvesting# #ZERO#

ZERO Market Flash 2026年7月16日 韩国加息，为什么首先击中了AI Memory？ 韩国央行今天将基准利率上调25个基点至2.75%，这是三年半以来首次加息。官方理由并不是针对AI行业，而是经济增长强于预期、通胀压力持续、韩元走弱以及金融稳定风险上升。韩国半导体出口和投资的强劲增长，反而给了央行收紧政策的空间。 但市场真正受到冲击的，却是AI Memory。 原因并不复杂：SK hynix和Samsung此前是韩国股市最拥挤、杠杆最高的交易之一。过去一个月，韩国和香港市场与这两家公司相关的单股杠杆ETF迅速膨胀；部分交易日，这些产品一度占到KOSPI成交额的35%。当利率上升、风险偏好下降时，最先被卖出的自然是涨幅最大、融资最多、交易最拥挤的股票。 结果是，KOSPI当天暴跌约6.2%—6.4%，SK hynix下跌约12%，Samsung接近9%。这不是央行“主动刺破AI泡沫”，而是货币收紧触发了已经非常脆弱的去杠杆过程。 冲击随后迅速传到美国。SK hynix ADR、Micron、SanDisk和Western Digital盘前同步大跌。全球Memory和Storage板块在产业链、资金流和投资者情绪上高度联动；韩国市场的强制减仓，很快被美国投资者解读为整个AI硬件交易的新一轮风险信号。 接下来，市场大概率仍会剧烈波动。短期决定股价的，是去杠杆是否结束；中期决定方向的，则是7月底至8月的财报能否证明AI数据中心需求、芯片价格和利润增长仍然强劲。 今天下跌的导火索是加息，真正放大跌幅的却是杠杆。 基本面决定长期方向，流动性决定短期速度。 ⸻ 本文仅代表个人研究观点，不构成任何投资建议。请独立研究，自行决策。 ZERO 优秀，不足以托付。 唯有最好，方可重仓。 Scientist · Doctor · A9 Investor #韩国股市# #韩国央行# #AI# #半导体# #芯片股# #Memory# #SNDK# #MU# #WDC# #STX# #SKHY# #Samsung#

推掉 offer、延毕转AI safety，他一个月重新拿到 offer 刚看完一篇研究员求职复盘，作者 Yong Zheng-Xin，布朗大学五年级 PhD。 他的经历有点特别：读到最后一年，从多语言 / post-training 直接 pivot 到 AI safety，拿了 Astra Fellowship（在 OpenAI 做），为此把毕业推到 2027，还推掉了手上已有的 offer。 后来重启求职，本来计划 7 月才开始面，结果担心 headcount，5 月中就上了，6 月中就拿到满意的 offer，甚至撤掉了一些还在进行的面试。 他写了 6 个让他意外的点，我觉得对正在找 research 岗的人挺有用，整理一下👇 1/ 真正起作用的，可能只有一两篇 paper，甚至一篇都不靠 他多语言方向的 paper 数量远超 safety，还拿过 best paper。但 pivot 之后，这些一篇都没影响到面试结果。 paper 的作用其实就两个：① 敲门，你做过 team 感兴趣的东西，于是被放进 pipeline；② deep dive，research presentation 时聊一篇的动机和细节，有时短到只有 20 分钟。 所以发表数量除了证明 credibility，没那么重要。你随时可以转去一个你觉得更重要的方向，只要在新领域证明够强、team 想要你。 2/ 面试轮次的花样，超出预期 他本来以为就是 fresh-grad SWE 那套：LeetCode + behavioral + 一些 LLM / 深度学习。结果遇到了 system design、并行编程（用 asyncio 手写并发），甚至还有专门评估你“用 AI agent 用得好不”的轮次。 结论很简单：永远预期 wildcard。 3/ Work trial（试岗）越来越常见 他原以为 work trial 只在 AI safety 岗比较常见，结果发现 AI startup 也越来越多。 试岗和 onsite 完全是两回事：不是飞过去面几轮，而是真的跟团队一起做一个任务，有时还是开放式的。通常带薪，但有的线下试岗能持续整整一周。 副作用是：试岗期间你几乎没法准备别家面试，因为得全力扑在当前任务上。同时面多家、又赶时间的话，这点排期要特别小心。 4/ 时机的权重，比你想的大 去年秋天，AI safety 岗极难找，远不如 RL 相关的多；但现在一堆 startup 开始招 safety（比如 Lila、Mechanize）。 几个现实： 你的工作 viral 了，会有一波机构同时来找你，别被打懵，接住这个时机。 你的方向变热，机会整体变多，但窗口可能不到一个月，也可能拖上几个月。 headcount 一定要问 recruiter，尤其你打算推迟、或想同时面多家时。 面试可以试着往后推一两个月，但一旦开面，各轮之间的间隔通常很短。有些岗位还希望你下个月、下下个月就入职（这点能谈）。 5/ Return offer 很稀少 SWE 那边 return offer 基本是常态，research 岗就完全 case-by-case。 他 2024 在 Meta 实习，return 全职 offer 很少，高度依赖 headcount 和 team，身边不少人没拿到。他在 OpenAI 做 Astra fellowship，最后也还是和所有应聘者一样走完了全部面试轮。听说有的机构更快，如果 team match 成了，再补一两轮就行。 6/ 很多面试，跟你的方向根本没关系 他从能力研究（多语言）转到 safety，本以为 safety 相关的面试会占大头。 结果并不是。他遇到很多轮跟 safety 毫无关系，甚至跟他研究兴趣都不沾边。有些地方还是在考你“作为一个 AI researcher 够不够全面”。 他觉得这有道理（领域跑得快，基本功值得查），但预期还是落空了。也许 senior 岗会不一样。 前两天刚写完 Silvia Sapora 那篇顶级 ML Research Scientist 面试指南，这篇刚好补充了另外一个视角。

@aleabitoreddit 还是太牛了，一个纯血传奇的前Reddit WSB交易员，绑定推特创作者收益才发过两次工资，两次工资就已经有8014美金了。。。。。。 现在在推特上面美股内容最具有影响力的人之一了，这可能跟她以前干的事情有关，她以前是RISC-V基金会成员和人工智能研究科学家之一， 现在的她已经转型为人工智能和半导体供应链中“未知瓶颈”的敏锐猎手了，她的内容很有参考价值， 而且最牛的是她今年的战绩！可以说截至目前她投资的回报率约为+3,840%至+4,500%左右， 再看看前两年累计的回报率是+22,560%，这已经是超过了226倍！！！ 我看她经常公开预测$AXTI，$SOI和$AAOI等等这些股票，并且基本都实现了10倍以上的涨幅，被彭博社和路透社引用她写的内容都已经成为常态了。 @aleabitoreddit @aleabitoreddit is truly amazing. A former Reddit WSB trader with pure-blooded legendary status, she's only received two paychecks from her Twitter creator earnings, and those two paychecks already totaled $8,014... She's now one of the most influential people on Twitter regarding US stocks. This is likely related to her past work; she was a member of the RISC-V Foundation and an AI research scientist. Now, she's transformed into a keen hunter of "unknown bottlenecks" in the AI ​​and semiconductor supply chains. Her content is highly valuable. And what's most impressive is her performance this year! It's estimated that her investment return rate so far is approximately +3,840% to +4,500%. Consider the cumulative return rate over the previous two years: +22,560%—that's over 226 times! I've noticed that she frequently makes public predictions about stocks like $AXTI, $SOI, and $AAOI, and these predictions have generally yielded gains of over 10 times. It's become commonplace for Bloomberg and Reuters to cite her writings