我国基于嫦娥工程成果编制完成1∶500万全月地质图，重写月球历史并披露最富地层。 China has completed the compilation of a 1:5 million global lunar geological map based on the Chang'e program's achievements, rewriting the moon's history and #Lunar#

請教各位學界先進，是否有人能協助提供 arXiv Computational Linguistics ( 領域的 Endorsement？ 本人目前於 HEC 擔任博士後研究員，近期已完成一篇論文，準備首次投稿至 arXiv。若有熟悉相關領域、能夠協助 endorsement 的先進，懇請私訊聯繫。 非常感謝各位的協助與指教

《从技术史的角度看“卖token”》 这篇文章的主线是： Energy → Computation → Information → Intelligence 能源→计算→信息→智能 19世纪初，人类进入电气时代，开始用kwh来计算电的基本单位，标志着电力进入工业化生产，电力不再被简单地理解为代替人力畜力的一种生产力，而是可以通过网络传输，被标准化计量购买的商品，广泛参与到人类生产中。 引发我们的第一个问题，就是一个技术发明到什么阶段，才能变成基础设施，引发科技革命呢？ 20世纪初，IBM mainframe等大型机的诞生，MSU（Million Service Unit，百万服务单元），衡量CPU处理能力，MSU成为软件计费的新的计量单位。 随后AWS所代表的云计算革命，让计算能力开始像电力一样，可以被远程调用、弹性扩展和按量付费，资源、算力、存储都可以被标准化售卖。 第三阶段，则是API Economy 革命，API计费时代，概括来讲就是cloud computing + SaaS + API economy，不再是出售硬件、云算力，而是而是把算力、数据库、业务能力、AI能力全部封装成可调用接口，对外商业化。 不管是laas代表的infra： GCP Azure AWS paas代表的开发者工具如数据库中间件消息队列等。 还是Saas：salesforce、飞书、zoom等成品软件，直接面向客户。 API通过按量计费，成为统一的接口，成为参与到工业化的标准产品。 第四阶段，就是我们现在正处，AI API token时代，跟上一代计费标准不同，AI API计费主要是按照 input tokens + output tokens。 跟电力时代的kwh一样，token正成为ai时代的计量单位，但目前这个计量单位并不统一，因为从实验室出来的智能并不一致，deepseek的token只有claude fable 5token的 1/200。 token只是依托于api时代流传下来的短暂计量工具，它可能不是 machine intelligence 最终的价值单位，而是机器智能从实验室技术走向标准化商品过程中出现的一种过渡性计量制度。 如果未来商业模式不是api，如果开源模型能占据主导地位，在普及度上超越闭源模型，Electricity → Computing → AI，一定会出现统一的计量单位。 过去150年，现代技术体系不断把原本依附于机器、组织乃至人的能力，抽象出来，使其变得可计量、可定价、可通过网络输送，并最终成为可以按需购买的商品。 电网对电力做过一次统一。 云计算对 computation 做过一次统一 API economy 对 digital capabilities 做过一次。 但是ai暂时还没有实现智能计量统一，一个可以商业化的通用计量方式，是不是还有很久的路要走。

ai4bio的最本质的挑战是，生命科学中大量的核心问题属于计算不可约（Computational Irreducibility）问题。几乎不存在通用的“数学解析解”或“快捷算法”，必须一步步完整模拟其微观物理过程。 但生命科学近年来呈现出一个奇特的范式分野：底层机制是计算不可约的，但宏观功能却往往是“经验可归纳（Statistically Reducible）”的。 斯蒂芬·沃尔夫勒姆（Stephen Wolfram）提出的计算不可约性，本质是指：一个系统的演化过程本身就是获取其未来状态所需的最小计算量，无法通过某种简化的数学公式跳步求解。 生命系统的底层恰恰全盘满足这一特性的物理前提： 跨尺度的非线性与组合爆炸蛋白质动态与全原子折叠动力学---虽然 AlphaFold 系列在预测“基态静态结构”上取得了突破，但蛋白质在真实生理环境下的构象转换、别构调节、非折叠蛋白（IDPs）聚集及相分离，完全依赖于皮秒级别的范德华力、静电相互作用与溶剂熵增。只要离开统计学能覆盖的结构模体，精确求解就必须回退到底层的分子动力学（MD）模拟——每推进一个飞秒都需要全局重新计算一次能量场。 基因调控与代谢网络---单个基因的突变并非简单线性映射，它受表观遗传修饰、转录因子结合亲和力、RNA 降解速率、空间染色质构象（3D 基因组）乃至代谢物反馈的联合调控。这种由成千上万个节点组成的非线性动力系统，其相空间极其庞大，状态往往敏感依赖于微小的初始涨落（蝴蝶效应）。自指性与历史偶发性（Frozen Accidents） 生命是一个自我指涉的开放机器---DNA 编码蛋白质，而蛋白质负责复制、校对与修饰 DNA。生物演化不是在全局最优解上做梯度下降，而是由大量偶发的历史事件（例如内共生事件形成线粒体、古病毒基因整合）经过数十亿年修补（Tinkering）而成的“遗产系统（Legacy Code）”。 其缺少优雅的底层物理对称性，导致任何不包含其演化历史信息的捷径模型极易失效。细胞命运决定的分岔行为从受精卵到复杂有机体的分化、肿瘤微环境下的耐药突变产生，微观分子的布朗运动和基因表达的固有随机性（Intrinsic Noise），会驱动细胞在瓦丁顿表观遗传景观（Waddington landscape）的不同引力盆之间跳跃。 预测一个干细胞系在几百代后的确切异质性分布，本质上无法跳过真实的生长时间。 但是，现代 AI 为何能“绕开”计算不可约的壁垒？如果生命系统是严格计算不可约的，为什么近几年的 AlphaFold、ESM 等基础模型能够实现前所未有的预测精度？ 答案在于有效理论（Effective Theory）与粗粒化（Coarse-Graining）的胜利：自然选择压缩了搜索空间：在理论上，一条几百个氨基酸的多肽链可能折叠出的构象空间是无限的天文数字（Levinthal 悖论）。但真实生物圈并不是纯粹的随机漫步——演化只保留了具有热力学稳定性、功能特异性的极小构象流形。 从因果机理推演转向高维几何插值：深度学习模型并没有在物理底层上“解密”微观运动的解析方程，而是利用 MSA（多序列比对）和跨物种同源数据，隐式重构了演化历史在低维嵌入流形上的投影。 换言之，AI 并没有把不可约的方程解析掉，而是通过记忆与插值演化留下的指纹，绕过了动力学微观步进。 生命科学之所以在转化应用（尤其是新药研发和临床靶点验证）中依旧面临极高的失败率，根本原因正是工程落地往往发生在“计算不可约”的深水区： 比方说，脱靶毒性与系统副作用---你在高维表征空间里为靶点设计了一个完美的分子，但该分子在体内与数万种其他蛋白、脂质甚至肠道菌群产物的多体动力学互作，无法被任何简化模型提前全盘预知。最终仍必须依赖耗时的体内实验（In vivo）——即让活体生物作为“物理模拟器”运行自身的时间。 又比如，虚拟细胞（Virtual Cell）的瓶颈---当前计算生物学界正在攻关的“全细胞数字孪生”，每提升一个数量级的微观保真度，所需的运算步长就成指数级压缩。即使算力提升数个数量级，若底层的离散与随机多体性质导致不可约性，单纯堆叠 GPU/TPU 也只能推进微秒级的模拟。 本质上，生命系统是在宏观层面维持自组织耗散结构的、由微观计算不可约动力学驱动的实体。 目前的研究程度表明，只要问题关乎稳态模式识别，我们就能找到统计学上的捷径；但只要问题深入到跨尺度的因果动力学与时间演化，大自然依旧没有给人类留下跳过计算过程的后门。