Last night an AI agent performed brain surgery on a mouse. We gave it 19 gene therapy vectors in a spreadsheet, a mouse model of epilepsy, access to a motorize surgery rig with cameras and one goal: reduce seizures. It picked the drug. It picked the brain region. It derived the coordinates from three papers. Then it drove the stereotaxic arms into the brain and injected 250 nanolitres while watching the entry site through the rig camera for bleeding. A licensed vet gated every irreversible step and held a physical kill switch to stop the AI agent. Thread on what it decided, what it saw, and the moment it refused to let me override it. [Writing this on the spot out of excitement, but I've been 18hrs in front of my laptop coding and coordinating this, so keeping it brief and descriptive, more cohesive thoughts on this soon...]

The next wave of generational companies will come from manufacturing AI. There is so much to build, from the materials going into a factory to the finished products coming out. Let's map out the 5 layers of manufacturing, with incumbents and startups: • Materials and standard items: the metal, resins and fasteners that production starts with. • Parts: turning those inputs into a housing, bracket or cover made to a design. • Components: making the motors, sensors, chips and batteries that give a product its capabilities. • Subassemblies: bringing parts and components together into something like a battery pack or wire harness. • Finished products: delivering the robot, vehicle or appliance to the customer. The opportunity looks different at each layer. Where could AI help a team make a better part, get production running sooner or learn faster from a failed run? Which layer are you building in? The map comes from the latest Core Matter (@corematter_) piece, “Can America Leapfrog Shenzhen?” @standardbots @Figure_robot @Senra_Systems @westmagco @atlasmotion @sendcutsend @MachinaLabs_ @noxmetals @agilityrobotics @1x_tech @HadrianInc @Tesla

“我对 RSI 的框架一直是 3 层 
第一，模型吃应用：模型能力越来越强，大量所谓 AI Application 最后可能直接变成 Model Feature 
第二，算力吃模型：没有足够算力的模型公司，很难持续留在 Frontier 
第三才是最关键的，整个闭环形成：模型迭代下一代模型，同时帮助设计 Chip，再往下优化 Fab、Energy Infrastructure 
一旦这个循环形成，就会出现非常可怕的正反馈：算力领先带来模型领先，模型领先又让你更快设计芯片、更快建设算力
领先会制造更多领先 
在那个时间点以后，后来者可能不是慢 12 个月，而是几乎永远追不上” #Bitget# 来了就是VIP！Crypto、美股、CFD，全球先机一站布局

“就算在AI板块内，我们也需要选择 优质资产” “我比较抵触fab-less的资产” “我已经卖掉了我大半的英伟达资产” “CUDA的护城河已经不存在了” "市场没有充分理解AI这个技术能力本身增长曲线是什么样的“ “我把大饼都清仓了” “当智能在加速的时候，所有的周期都会缩短/加速” --Rick

前两天我细读了谷歌研究院Tom Zahavy论文llm能不能跳跃， 十个月前，他的观点是不能。 Rick在这里讲的： “人类科学家所谓的“灵光一现”其实只是一个规模足够大的搜索。” 我的疑问是，如果LLM没有人给他目标，他这个“足够大的搜索”是否能实现？ 因为宇宙的维度和广度，一定是超过llm能搜索的范围。 所以科学家还需要扮演一个“问正确的问题”的角色。

不想传播焦虑，但这次我无话可说。 今年科学界最大的新闻，没有之一。OpenAI 的内部 AI 模型自己做出了三个科学难题的成果。我用我自己的理解说一下。 第一，Kakeya 猜想。这个问题研究波聚焦时会怎样。原来的猜想我记得是说最极端的聚焦只会持续很短时间。人类以前只在低维度证明过，OpenAI 说它的模型证明了所有维度的情况，因此顺带解决了 Kakeya 猜想和 Stein 限制猜想。纯逆天。 第二，指数时间假说 ETH 被推翻。这个太难以置信了。ETH 好像是说有一类逻辑难题不可能被比暴力穷举快很多地解决。而之前学界普遍相信它成立，几百篇论文都以它为前提，现在 AI 却证明它是错的。 这个太他喵逆天了，因为我之前是研究过一段时间理论计算机的。这几十年ETH几乎被当成公理在用。很多论文的结论都写成假设 ETH 成立，那么某某问题不可能在多少时间内解决。现在地基没了，这些不可能，全都要打问号。 最让我感觉匪夷所思的是 AI 证明的方式。据 Lean 证明的说明文档，它给出的是一个确定性算法，应该是对固定宽度的 k-CNF 公式，它能在亚指数时间、多项式空间内精确数出所有满足的赋值。但是，懂行的人应该都知道“数出有多少个解”通常比“判断有没有解”难得多，它连更难的那个都做到了，所以 ETH 只是顺带被推翻。 第三，杨-米尔斯、量子色动力学。AI 应该是给出了一套严格的数学证明，证明描述强核力的理论在数学上确实成立，其中包括纯杨-米尔斯理论的存在性，这是千禧年七大难题之一的一部分。我不太了解，但是只是知道一些浅层的理论，就不评论了。 最让我恐惧和惊骇的是第二个。今天晚上我看了又看，感觉这是地震级别。如果最终确认无误，这会是 AI 第一次独立推翻一个被广泛相信的核心猜想。说它是一个时代的分界点，也毫不夸张。 如果这三个都核查通过，这代表 AI 第一次在多个顶尖领域独立解决了几十年没人能解决的难题，影响史无前例。

一个观察 如果你所在城市，互联网行业发达，就业人口众多，请立刻、马上，抛售手中所有房产。 26年受AI冲击，开始引发全行业的大裁员后，支撑高房价的主力群体，互联网从业者会大规模失业，失去还贷的能力，对应房产的抛售潮即将来临，这些城市的房价，会进一步进入下行通道。 要记住，城市房价的真正支撑，不是“人口”，而是能举债的人口 That's all.

对于现在的mag7，尽管他们的ai算力相关业务，不可否认都很有前景， 但他们各自的核心业务都岌岌可危，msft的软件，amzn的电商，meta的社交，google的搜索，感觉在ai面前都是纸老虎。 我反正日常这些操作都交给agent了，日常基本不怎么用了