为什么说电影里的商战都不真实？ 英国科技富豪迈克·林奇（Mike Lynch）2011年把公司 Autonomy 以约110亿美元卖给惠普。 惠普接手后认为财务被包装过，计提巨额减值，双方打了十几年官司。 美国刑事案打到2024年6月，林奇和共同被告被判无罪。 英国民事诉讼里，惠普大体胜诉，后来还向遗产追偿。 宣判大约两个月后，林奇包豪华帆船 Bayesian 出海庆祝。 2024年8月19日凌晨，船在西西里附近突遇极端天气，十几分钟内沉没。 船上22人，15人生还（包括他妻子），7人遇难——包括林奇本人、18岁女儿，以及部分律师、商界朋友和厨师。 不是「全家和律师团全灭」，妻子活了下来。 更巧的是：没上船的共同被告、前财务副总裁斯蒂芬·张伯伦，在沉船前两天慢跑时被车撞死。 不是事后车祸，职务也不是财务总监。

最近发现一个很适合系统补机器学习基础的网站： Richard Xu 把自己过去十多年积累在 GitHub 上的几十份讲义，重新整理成了一套交互式学习教程。 内容从回归、贝叶斯、决策树和神经网络，一直延伸到 EM、MCMC、变分推断、NTK、PAC-Bayes、Transformer 和扩散模型，基础课程与研究级内容都有覆盖。 相比直接面对一堆公式密集的 PDF，网页形式更适合按主题慢慢学习，也更容易把原本零散的知识串起来。 现在很多教程都在追最新模型，这套资源更愿意把概率、优化、推断和学习理论讲清楚。模型会不断换名字，真正帮助我们理解它们的基础却没有那么容易过时。 交互式网站： 原始讲义：

其实不是数学家35岁以后没出路，而是一个数学家在35岁时候要确定自己是不是需要留在学术界。 pure math纯数学界的research门槛非常高（对，AI时代也这么高），除了极少数的少年绝世天才，绝大多数人必须走完数学本科四年+PhD五年（最快）+postdoc 3~6年， 这时候最顺利的普通人（指北大数学系GPA 每届top 20%的这种在数学圈子资质非常平庸的普通人），也要到30~35岁这个范围了。 现在的情况是这样的， 稍微好一点的平台，比如美国top 150的大学，中国211以上的大学，英国澳洲全球QS 500以内的大学，数学系教职基本上是最难的，基本是400进1，400个人抢一个tenure track AP的职位，基本可以把藤校数学PhD、国内北大数学PhD简历随便撕一半的地步。 绝大多数人到了这一步就应该很清楚了，如果继续做pure math research，只有三条路： 1. 自己极其优秀，优秀到在400:1的job market里脱颖而出，在一堆哈佛普林斯顿PhD里胜利，那么自己就可以拿着AP的工资，每周拿出50%的时间讲课，50%的时间做research，35岁以后可以用逐渐下滑的精力、体力、智力水平，继续做research，看看能不能继续做出成果； 2. 自己不够优秀，那就继续做postdoc，没有tenure track，面临体力、脑力、智力下降，问自己要不要继续赌400进1的吃鸡游戏； 3. 老老实实承认pure math竞争太激烈了，硬着头皮开始刷leetcode，刷machine learning的知识，跟大一小朋友坐一个教室里，重新一门一门课学算法、学bayesian、学deep learning，回到工业界找工作，然后每周抽出10%的纯业余时间继续赌能不能做出数学成果出来。 几乎一大半人会最终选择最后一个。

推荐这份报告，OpenAI 记录了 8 个科学软件加速项目的实况。 核心发现：瓶颈不在写代码，在验证——agent 经常对明显错误表达高度自信。 OpenAI 在 7 月 28 日发布了一份实地报告，记录了 8 个用 coding agent 加速科学计算软件的案例。全文基调不是"AI 将取代科学家"，而是一个更具体的观察：瓶颈已经不在代码实现，而在验证。 8 个项目 覆盖基因组学、免疫学、统计学和 RNA 测序。5 个项目独立使用 Codex，3 个结合 Codex + Claude Code。任务分三类：打包和构建系统清理、现有代码的性能优化、以及完整的语言或后端迁移。 几个具体数据： • HI.SIM（DNA 测序读段模拟器）：GPT-5.2 和 GPT-5.6 分别做了一轮自主优化，运行时减少 31%，输出不变 • Hifiasm（基因组组装）：优化目标上减少 25%，独立的人类测序数据上减少约 15% • MHCflurry（蛋白质片段预测）：TensorFlow/Keras 后端完整迁移到 PyTorch，保持已发布模型权重兼容 • bayesm-rs（R 统计模型的 Rust 移植）：单线程快 2.3-2.7 倍，8 线程快 4.4-9.5 倍 两个更极端的案例： • RustQC 把 15 个独立 RNA 质量检测工具合并成单一程序，运行时减少 60 倍，磁盘 I/O 减少 25 倍 • HelixForge 是 GPU 原生重建的突变模拟工具 BAMSurgeon，在真实人类数据 benchmark 上运行时减少约 60 倍 核心发现：验证，不是代码生成，是真正的瓶颈 所有贡献者一致观察到同一个模式：agent 处理有明确边界和可衡量目标的实现请求时能力很强，但无法判断自己的输出是否科学上正确。agent 经常对包含明显错误的工作表达高度自信。 这意味着研究者的实际负担从"写代码"转移到了"构建验收测试"——精确输出匹配、与现有工具的等价性检查、或者用模拟数据预先建立的标准答案。单个 reference 不足以验证 agent 的输出，需要多个维度的确认。 一个贡献者的原话被引用了两次："让 agent 跑得快是一回事，让科学走得远仍然需要专家的指导、理解、品味和 care。" 维护问题 报告提出了一个值得注意的警示：更低的工程成本双向作用。它让一个两三人团队可以承担原本需要资助性工程雇佣的重建工作，但也让三个不同实验室更容易产生同一工具的三种不兼容版本。报告建议在 agent 生成第一行代码之前就确定谁负责维护重建的工具。 原文： #Codex# #ScientificComputing# #AgentEngineering#