NVIDIA @nvidia 宣布与 Safe Superintelligence 达成长期战略合作。SSI 是由前 OpenAI 首席科学家 Ilya Sutskever 共同创立的 AI research lab。 根据官方公告，SSI 将获得 NVIDIA 下一代 Vera Rubin 系统的访问权限，使其算力规模提升一个数量级。 Reuters 另援引知情人士报道称，NVIDIA 将向 SSI 进行 50 亿美元股权投资。不过双方官方并未披露具体财务条款。 SSI 目前仍是一家高度保密的研究公司，重点不是推出商业 AI 产品，而是研究 safe superintelligence。

合肥聚变堆超导磁体系统，承载中国核聚变能源梦想，超高磁场牢牢锁住高温等离子体 The superconducting magnet system of the Hefei fusion reactor carries China’s dream of fusion energy. Its ultra‑strong magnetic field firmly confines high‑temperature plasma. #CleanEnergy# #NuclearFusion#

吴说获悉，伯克利教授、Oasis Labs 创始人 Dawn Song（宋晓冬）宣布加入 Meta Superintelligence Labs（MSL），担任 AI 研究副总裁，并将负责 AI Safety 与 AI Security 工作，Virtue AI 多位核心成员也将一同加入。Dawn Song 此前创立 Oasis Labs，并推出隐私计算公链 Oasis（ROSE），曾于 2018 年完成由 a16z Crypto 领投、Accel、Binance Labs、Pantera、Polychain 等参投的 4500 万美元融资。ROSE 当前价格约 0.006 美元，较历史高点 0.596 美元已下跌约 99%。

Jason Wei 在 Stanford AI Club 做了一场约 30 分钟的演讲，围绕三个他认为理解 2025 年 AI 格局最基本的思维框架展开。Jason Wei 目前在 Meta Superintelligence Labs 做研究，此前在 OpenAI 参与创建了 o1 和 Deep Research，更早在 Google Brain 推动了 chain-of-thought prompting 和 instruction tuning 的研究，累计被引超过 9 万次。 一、智能正在变成大宗商品 他把 AI 的进步分成两个阶段：第一阶段是推前沿，模型还做不好某件事，你在解锁新能力；第二阶段是一旦能力达成，它就会迅速被商品化。用 MMLU 基准测试的数据看，每一年达到同等智能水平所需的花费都在下降，这个趋势在他看来还会持续，核心原因是深度学习历史上第一次"自适应计算"真正跑通了。过去不管问题多简单多难，推理用的算力是固定的；现在从 o1 开始，模型可以根据问题难度动态调整推理时的算力投入，这意味着简单任务的成本可以被压到极低。 另一个维度是获取公开信息的时间。他画了一条时间线：从前互联网时代到互联网时代、聊天机器人时代、再到 AI 智能体时代，找到一条信息所需的时间在指数级缩短。他举了一个例子——"1983 年韩国釜山有多少对夫妇结婚？"——o3 回答不了这个问题，但 OpenAI Operator 可以，因为它能打开韩国统计数据库 KOSIS，一路点击操作直到查到答案。OpenAI 内部用一个叫 BrowseComp 的基准来衡量这种"知道答案就秒验证，但找答案极耗时"的任务，人类平均每题花两小时以上，很多题根本做不出来，而 Deep Research 能解决大约一半。 这个趋势带来几个推论：过去靠知识门槛建立壁垒的领域会被民主化，vibe coding 和个人健康管理是典型例子；公开信息近乎免费之后，私有内部信息的相对价值反而上升了——比如你知道哪些房子没上市但可以卖，这种信息会更值钱；最终每个人将拥有一个"个性化互联网"，想知道什么就有一个为你定制的页面呈现给你。 二、验证者定律：能衡量的就能被 AI 攻克 第二个框架是他所说的"验证不对称性"。有些任务，生成一个解比验证一个解难得多——数独是经典例子，写出能跑 Twitter 的代码需要大量工程师，但验证它能不能用只要打开网页点几下。另一些任务则相反：写一篇看起来有道理的事实性文章很快，但逐句核实极其费时；宣称"最好的饮食是只吃野牛肉"只花 10 秒，但验证这个说法需要大样本和长期跟踪。 他在一个二维平面上把这些任务画出来：X 轴是生成难度，Y 轴是验证难度。关键洞察是，你可以通过提供"特权信息"来改变任务在这个平面上的位置——竞赛数学题如果给了答案就秒验证，写代码如果给了测试用例（像 SWE-bench 那样）验证也变得简单。 由此他提出了 Verifier's Law：AI 训练出来在某个任务上的能力，基本上与该任务的可验证程度成正比。具体来说，可验证性取决于五个因素：是否有客观正确答案、验证速度多快、能否大规模并行验证、噪声大不大、以及奖励信号是连续的还是二元的。几乎所有 AI benchmark 本身就是因为容易验证才被设计出来的，而这些 benchmark 确实在过去几年被逐一攻破，这恰好是 Verifier's Law 的实例。 他特别推荐了 DeepMind 的 AlphaEvolve 作为利用验证不对称性的范例。AlphaEvolve 挑选满足上述五个条件的问题——比如找到 11 个六边形的最优排列使外接六边形最小——然后用大语言模型采样大量候选解，自动评分，把最优解作为下一轮采样的灵感，不断迭代。关键技巧在于它绕过了泛化问题：训练集和测试集是同一道题，你就是想知道这一道题的最优解。 这个框架的实际推论是：最先被自动化的任务一定是验证成本最低的任务；而一个正在崛起的创业方向是——发明新的衡量方法，把原本难以验证的任务变得可验证，从而让 AI 去优化它。 三、智能的锯齿状边缘 对于"AI 将如何改变世界"这个问题，他看到的观点光谱极广。他的一个量化交易员朋友觉得 ChatGPT 跟自己工作无关，而他在顶级实验室的同事则认为再过两三年 AI 就会取代他们自己的工作。 他明确反对"快速起飞"假说——即一旦 AI 跨过某个临界点就会突然变成超级智能。他的理由是，AI 的自我改进不是一个二元开关，而是一个渐进光谱：从跑不起来代码，到能训练但结果一般，到能自主训练但不如顶尖研究者，再到偶尔还需要人工干预。更重要的是，自我改进的速度应该按任务来看。AI 的能力图谱是一条锯齿线：在某些任务上已经达到山峰（竞赛数学、部分编程），但在另一些任务上仍是低谷（比如 ChatGPT 曾长期认为 9.11 大于 9.9，或者说一门只有几百人会的原住民语言 Tlingit）。 他给出了判断 AI 在某个任务上进步速度的三条启发式规则。第一，AI 擅长数字化任务，核心原因是迭代速度——数字环境可以轻松扩展算力，而物理机器人的实验扩展成本高得多。第二，人类觉得容易的任务 AI 也往往容易，但有一类例外是"人类因生理限制做不到但 AI 可以做到"的任务，比如读过一千万张乳腺影像后发现某个人类注意力无法捕捉的模式来预测乳腺癌。第三，数据充足的任务 AI 表现好——数学推理在不同语言上的表现和该语言的训练数据量高度相关；而如果一个任务有单一客观指标，就可以通过强化学习生成合成数据来突破数据瓶颈，AlphaEvolve 和 AlphaZero 都是这个路线。 他用一张表把这些启发式规则应用到具体任务上：主流语言翻译已经完成；调试基础代码 2023 年搞定；竞赛数学 2024 年搞定；AI 研究本身大概 2027 年；化学研究因为不是纯数字任务会更晚；拍电影大概 2029 年；修水管和理发因为高度物理化，短期内不太可能；乌兹别克传统地毯编织需要一组人花一个月、非数字化且缺数据，AI 不太可能碰到；至于"带女朋友约会让她满意"——他的判断是"impossible，非数字化，缺数据"，人类还能保住饭碗。

《课下补习老师开黄腔》 8月7日更新，敬请期待～ The tutor tells dirty jokes in tutoring. August 7th update, coming soon. 🍑🍆@superkennyw 🍑🍆@TattooBottom 🍆🍑@chocolatemint_g 完整版：银联&支付宝 EP1:26min full video EP2:22min full video Telegram永久会员

#预告# #视频播客# #硅谷101# 再访田渊栋 @tydsh 从Meta离职之后，前FAIR研究总监田渊栋的电话被各大AI公司和猎头打爆，但他很快敲定了下一步：加入新AI实验室Recursive Superintelligence（RSI）。这个有着8名顶级AI研究员作为联合创始人的明星neolab最近进行了官宣：融资6.5亿美元，估值46.5亿美元。 这期视频播客，我们走近位于旧金山的RSI，与田渊栋进行了半年之后的另外一场对话，聊聊他的新旅程在押注一个什么样的未来，如今AI前沿模型的厮杀和路线之争，Neolab们的生态与前景，以及普通人面对“职场蒸馏”，应该怎么办。 剧透一下，对于最后一个话题，田渊栋的回答很精彩。以及，我们office tour彩蛋会继续带大家逛逛46.5亿的AI lab长什么样子。视频明天上线，see you tomorrow!

纳斯达克上市公司 SUI Group（SUIG）宣布与 Karatage 共同领投 AI 交易实验室 Nof1 的 1500 万美元融资，并参与 AI 公司 Recursive Superintelligence 的 6.5 亿美元融资。SUI Group 分别向两家公司投资 300 万美元。Nof1 的 Alpha Arena 使用真实资金测试 OpenAI、Anthropic、Google、xAI、阿里巴巴等模型的自主交易能力，并计划推出面向市场的 AI 编码代理平台。

前天英伟达给 SSI 这家公司投资了 50 亿美元，在消息发布后的这两天时间里，英伟达股价已经跌去了 5%，市值跌破了 5 万亿，但这仍然不影响这个投资决定所带来的长期意义，有可能会掀起 AI 的下一波应用叙事。 SSI 的全称是 Safe Superintelligence，公司是由 OpenAI 的其中一个联合创始人创办的，使命就是打造安全的超级智能。 目前 SSI 没有任何公开的产品以及收入，它只有一个目标，就是直接构建能力远超人类，同时能够被人类可靠控制的超级智能。 SSI 创始人还提到过一点，他们现在研究的最新方向，已经进入 Worth Scaling，也就是值得扩大规模的阶段。 这意味着 SSI 很可能已经在内部的小型实验中看到了某种全新的 Scaling Law，现在需要用更大的模型和算力验证这条路线能否成立。英伟达在获得少见的内部研究访问权限之后，才决定投入这 50 亿美元，并用 Vera Rubin 平台把 SSI 的有效算力扩大十倍。 这个阶段继续往下推演，最值得关注的就是 RSI，之前我有在推文中提到过，它的全称是 Recursive Self-Improvement，递归自我改进。AI 自己提出研究方向，自己修改训练代码、运行实验、评估结果，自己搞出更强的下一代 AI，从而形成加速再加速的研发闭环。 一旦这个循环形成，AI 会直接从生产力辅助工具升级为研究主体，这背后涉及到的算力需求将会出现指数级别的放大。 所以我觉得 Coding Agent 之后，AI 应用层的下一波叙事，很可能就是自动化 AI 研究，再往上就是 RSI。英伟达这 50 亿美元投资，押注的是新一轮智能 Scaling，也是在提前锁定下一轮算力需求，值得关注。

AI大牛，都在这里了，转自月之暗创始人的导师面： 我已经被问过好几次，@Kimi_Moonshot 的创始人杨致林是否是我的博士生。答案是肯定的，而且他绝对非常出色。 但这些年来，我有幸与众多出色的博士生共事。所以我想稍微炫耀一下他们及其职业道路（当然还有许多硕士和本科生，如果遗漏了任何人，很抱歉）： 创始人 / 创始团队成员 Devendra Chaplot @dchaplot 博士，Thinking Machines / Mistral 创始成员 Zhilin Yang 博士，Moonshot AI 创始人 & CEO Jimmy Ba @jimmybajimmyba 硕士/博士，xAI 联合创始人 Hubert Tsai 博士，Spuree 联合创始人，Apple Nitish Srivastava @nitishsr 博士，Perceptual Machines 联合创始人；Vayu Robotics 联合创始人 Charlie Tang 博士，Perceptual Machines 联合创始人，DE Shaw。 教授 Paul Liang @pliang279 博士，MIT Ben Eysenbach @ben_eysenbach 博士，普林斯顿大学 Ruosong Wang @RuosongW 博士，北京大学 Bhuwan Dhingra @bhuwandhingra 博士，杜克大学 Roger Grosse @RogerGrosse 博士后，多伦多大学 Alexander Schwing 博士后，伊利诺伊大学厄巴纳-香槟分校 研究科学家 Shuyan Zhou @shuyanzh36，博士后，Meta Superintelligence Lab Tiffany Min @SoYeonTiffMin 博士，Microsoft AI Murtaza Dalal @mihdalal 博士，Tesla AI Minji Yoon @MinjiYoon90 ，博士，Microsoft AI Shrimai Prabhumoye 博士，NVIDIA AI，Mistral Haitian Sun @sun_haitian 博士，Google DeepMind Emilio Parisotto 博士，Google DeepMind Lisa Lee 博士 @rl_agent，Google DeepMind Manzil Zaheer @ManzilZaheer 博士，Google DeepMind Jamie Kiros 博士，Google Brain，OpenAI Yuri Burda 博士，OpenAI，Anthropic Cody Severinski 博士，Amazon

GEO 专业监控工具 1. GrackerAI：主打 GEO 排名监测和分析，比较适合专门做 AI 搜索优化跟踪。 2. Conductor：企业级 GEO/SEO 平台，功能比较完整，但价格相对偏高。 3. Rankability：主要用于分析内容在 AI 搜索中的可排名性，适合做内容优化参考。 4. Superlines：提供 GEO 数据和行业报告，如果想看行业趋势和竞品数据，可以重点关注。 5. Geostar：生成式引擎优化平台，偏向帮助品牌提升在 AI 搜索中的曝光和推荐机会。