那些自以为安全的生活在国内的人，不知是装不知道还是真不知道，这些表面上的安全，其实是靠每个人牺牲自己的隐私权利为代价交换的。 都是政权为了无死角的监控所有人而派生出来的副产品。 可悲的是，就连这些副产品，也是有选择的安全，被诈骗、被拐卖、被器官消失、被天灾矿难吞噬……都不会触发安全保障的自动应急机制。 那里的暂时安全，是朝廷赏赐的，是要谢主隆恩的……

人类第一次提前算了一遍 90 亿种 DNA 变化。 Google DeepMind 刚刚发布 AlphaGenome Atlas，预测了人类基因组中约 90 亿种可能的单字母变化。整个数据集达到 1PB，是 AlphaFold 数据库的 30 多倍。 简单说，人类 DNA 里的任何一个字母发生变化，它都能先给出一个判断：可能影响什么，会不会干扰基因表达、RNA 剪接或蛋白质功能。 过去研究罕见病，往往要在成千上万个变异中逐一排查。现在可以先让 AI 把最可疑的几个排到前面，再拿去做实验。一项合作研究中，它已经找出了此前被忽略的致病变异，随后得到实验验证。 当然，这不代表 90 亿种突变都真的做过实验。它更像是一张预测地图，还不是最终答案。 但这张地图还是很有用。生命科学里，很多时候最费钱并非验证答案，而是根本不知道该验证什么。 AlphaGenome Atlas 先帮忙筛了一遍 90 亿种可能性，让那些原本可能永远没人注意到的变异，第一次进入实验名单。 AI 对科研最实际的价值，可能就是把大海捞针，变成照着地图找针。

首先恭喜oai。其次这件事让我对人类的未来反而更加悲观。我们即将进入一个赛博朋克式的dystopia：随着AI开始解决人类最前沿的知识问题，前沿知识生产本身将越来越依赖巨量的计算，而计算又高度集中于资本。过去，一个没有资源的人仍然可以靠智力和时间完成纯理论领域的前沿研究。但如果未来这些研究需要数十万甚至百万GPU小时，那么计算就会逐渐成为知识生产的核心门槛。这可能形成一个前所未有的正反馈，使阶级固化不再只是财富的固化，而是知识生产能力本身的固化。普通人在没有计算资源的情况下，可能将彻底失去通往知识前沿的上升通道。

科研不再依赖天才科学家，而依赖GPU --- 昨天的剧情继续反转！ Openai官宣了！ 更重要的是，这是由opanai未发布的模型，几天时间完成的。（新模型能力比astra有大幅提升，见附图） 这件事的意义本身非常重大，属于菲尔兹奖级别的发现，但其意义远不止事件本身。 科学正在被重构为一种由算力驱动的高速工业流程。 先扫个盲：千禧难题与它的“爆破点” 纳维—斯托克斯方程（Navier-Stokes，简称 N-S 方程）：物理学中描述水流、空气、洋流等流体运动的基本方程。它的地位相当于流体领域的牛顿运动定律。然而在数学上，一个世纪以来没人能证明：在所有初始状态下，流体的平滑运动方程是否永远有良好定义的解。这是数学界著名的七大“千禧年大奖难题”之一。 有限时间奇性（Finite-time Singularity）：可以形象地理解为“物理量的暴走”。系统初始时风平浪静、处处平滑，但经过一段有限时间后，某些关键指标（如速度梯度或涡度）飙升至无穷大，数学上出现了类似“除以零”的无法计算点。这意味着经典连续介质模型在该处彻底失效，数学上称为“爆破”（Blow-up）。 Lean 形式化证明：过去的数学论文由同行专家人工审阅，难免漏掉隐蔽的推导漏洞。Lean 则是一种计算机代码证明语言，它要求将数学推导逐行写成严密的逻辑代码，由机器编译器校验每一步公理，彻底杜绝逻辑跳跃和人为笔误。 这次突破的关键在于：它是一个由 1 万个协同智能体构成的庞大系统，在 88 小时内吞吐 1300 亿 Token、交换 270 万条信息，完成了一场高强度的科研大兵团作战。 OpenAI 展示了一个此前未被充分验证的三维 Scaling 架构： 训练算力：赋予单体模型基础的科研直觉与逻辑深度； 测试时算力（Test-time Compute）：让单个智能体在复杂节点上深入推导、反复验算草稿； 多智能体算力：支撑成千上万个节点并行探索不同的假说分支，并实时共享中间成果。 在实验中，这套系统先调动 100 个智能体在 50 小时内解决了难度较低的欧拉方程（忽略流体粘性的简化方程），系统自主识别出该成果的价值，随后自动抽调算力，将欧拉方程的结果作为跳板，转向主攻 N-S 方程。 这种提出假说、并行探索、沉淀结论、动态调度算力的组织过程，已经高度接近一所组织良好分工明确自主运转的“虚拟科学团队”。 面对这项突破，要真正理解其长远的影响力，必须严格区分两个层次： 第一层（单点突破）：某一道著名难题被攻破。解决 N-S 方程或黎曼猜想，本身的科学价值巨大，但仍有限。 第二层（能力跃迁）：AI 具备了稳定、批量解决此类高难度科学与工程抽象问题的能力。 真正具有颠覆性的是第二层。通用求解能力能撬动极高价值的科研。 如：可控核聚变中突破高温等离子体湍流控制，材料和生命科学中充当新型材料、催化剂与药物研发的算力放大器，高科技制造中将复杂物理过程转化为可计算模型，大幅减少飞机、电池、散热设计的实物实验等。 设计一款航空发动机或验证新型芯片散热，需要做上千次高成本的实体物理实验；如果数学理论与 AI 模拟能够把实验次数压缩到几十次，硬科技的研发逻辑就会向“编写代码—模拟测试—快速重构”的软件化开发模式靠拢。 但最重要，价值最高的，还是AI驱动的AI 模型研发：AI 被用于优化自身的网络架构、训练算法与数据流设计，它将直接触发递归自我改进（RSI）。 和证明斯托克斯方程类似的是，AI 研发几乎完全运行在数字世界中，智能体可以自主编写代码、启动训练、监测损失函数曲线并分析评测，不需要等待物理世界缓慢的材料制备和实物制造周期。 而当ai开始驱动多领域科学的突破，不同领域的突破将紧密咬合，形成自增强的多飞轮。 在传统视角下，科学进步的速度（Rate of Progress）通常被视为外生常数——比如开发一款新药平均耗时 10 到 15 年，商业化聚变往往以“几十年后”为期。但当科研系统全面接入自动化后，技术周期的迭代速度本身将变成可加速的内生变量。 这种科研范式的转变对宏观经济的拉动，将会是是一次典型的阶梯式跃迁（Slowly, then suddenly）： 在初期阶段，大量论文被解出、复杂数学定理被形式化验证、实验室新型材料候选层出不穷，但宏观 GDP 几乎毫无波动；只有当这些技术库存积累到临界点，伴随低成本工业机器人的普及、新型清洁能源网络的搭建与先进制造工厂的投产，庞大的底层科学资产才会集中转化为实体生产力，形成宏观经济的骤然跃升。 纳维—斯托克斯方程的攻坚，给整个科技界提供了一块前沿观测窗。它真正提示我们的，绝不仅是流体力学又往前走了一步，而是提醒我们审视：文明社会中究竟有多少万亿美元的长期价值，正被锁在那些“人类因大脑算力有限而暂时算不清的问题”之中。 当算力正式从制造模型的流水线工厂，跃升为能够全天候自主探索未知的“超级研究院”，人类从这些“未知库存”中提取科学答案的速率，将被彻底改写。

说实话，你有些不学无术，所以才会看不见共产主义真正的问题。 共产主义最致命的地方，不只是它提出了一个难以实现的乌托邦，而是它试图把这个乌托邦变成现实，并把历史解释成一场不可避免的阶级斗争。 一旦相信历史有一个必然要抵达的终点，问题就来了：谁站在这个“历史方向”的对面，谁就不再只是一个意见不同的人，而可能被定义为阻碍历史进步的敌人。 于是，暴力便获得了某种“正当性”。 为了所谓未来的美好社会，可以牺牲今天的具体的人；为了阶级的解放，可以清除所谓的阶级敌人；为了宏大的历史目标，个人的生命、尊严、财产乃至最基本的权利，都可以被放到“历史进步”面前衡量。 这才是最值得警惕的地方。 问题不只是它能不能建立一个没有阶级的社会，而是当一个人相信自己掌握了历史的真理，并且相信某种终极社会必须实现时，他就很容易开始认为：为了那个“正确的未来”，今天的一切代价都是值得的。 于是，人不再被当作一个具体的人来对待，而被归入阶级、敌我和历史阵营。 你们说自己是在消灭压迫，最后却把整个社会变成彼此审查、彼此猜忌、彼此斗争的世界；你们说自己是在追求天下大同，却不断制造新的敌人；你们说自己是在解放人，最后却要求人先接受同一种思想。 这就是为什么阶级斗争一旦成为政治的核心语言，它就很难停下来。 因为只要现实没有达到那个理想社会，就总能找到新的“敌人”来解释为什么还没有成功。 更荒谬的是，当真正的民生问题摆在眼前时，宏大的历史叙事却常常比一个具体的人的痛苦更重要。 一个人失去工作、家庭破裂、生活困顿，本来需要解决的是眼前真实的问题；但在宏大叙事之中，他很容易再次被还原成一个阶级、一种身份、一个统计数字，甚至成为某种政治目标所必须付出的“代价”。 所以我真正反对的，不只是某一个政党，也不只是某一种经济制度。 我反对的是一种把人献祭给历史的思想。 当一个政治理想开始相信自己拥有历史的终极答案，它就很容易不再敬畏具体的人；当它不再敬畏具体的人，暴力就很容易获得正当性；当暴力获得正当性，任何站在它面前的人，都可能被解释成必须被清除的障碍。 这才是共产主义历史最值得我们警醒的地方。 你们以为自己是在创造一个没有压迫的世界，却可能在追逐乌托邦的过程中，先制造出一个不允许人反对它的世界。 当一个理想必须靠消灭不同的人才能实现，它最终要消灭的，往往不只是它所谓的敌人，而是人的自由、尊严和彼此相爱的能力。 你认清了共产党与你自己的真面目吗？

🚨这是一个足以获得图灵奖级别的AI突破！ 来自俄罗斯的研究者的革命性创新可以让你手机上运行的4B模型，随时可以获得GLM5.3级别的智能！ 刚刚， @WIRED 报道了一家很新的AI公司 @mostik_ai 。 Mostik在俄语里是桥的意思，他们做的事情不是蒸馏，也不是让大模型先生成一大段CoT，再让小模型读一遍。 他们做了一件很不一样的事：把两个完全不同的模型连接起来，让它们不需要先生成文字、再把文字喂给另一个模型，而是直接通过模型内部的数学表示传递信息。 Mostik拿两个中国开源模型做了实验： 一个是753B参数的GLM-5.2，另一个是只有4B、可以跑在移动设备上的Qwen-3.5。 连接之后，这个混合系统的性能正好落在两者之间，但运行成本只有完整GLM-5.2的1/20。 这件事真正有价值的地方，是它可能改变大模型的使用方式。 现在两个AI模型合作，本质上还是像人一样聊天：A生成一堆token，B把这些token重新读一遍，再继续干活。 Mostik想做的是：大模型只负责最难的思考，然后把内部状态直接交给便宜的小模型继续干活。 也就是说，未来手机、电脑甚至机器人上都可以长期跑一个小模型，只有真正遇到难题时，才去云端借一下大模型的推理能力。 以后大模型可能不用从头到尾处理整个任务，只负责提供最难的那部分能力，再通过内部表示把信息交给小模型继续执行。 而且他们已经用这套方法做出了一个模型，目前冲到了ARC-AGI 3排行榜第一，只是比赛还没结束，所以具体方案暂时没公开。 Mostik目前只有15个人，12位博士，首席科学家还是2010年菲尔兹奖得主Stanislav Smirnov。 我觉得这个方向太牛逼了。 大家都在研究怎么造一个更大的模型，Mostik想的是，能不能让一群大小模型直接共享思考。 如果这条路成立，未来最强的AI系统可能根本不是一个万亿参数的超级模型，而是一整个互相连接的模型网络。

第一块，完全由 AI 工程师设计、开发，并且真正成功点亮的 PCB，诞生了。 不是 Demo。 不是仿真。 不是两层小板。 是一块有一定复杂度的 4 层 PCB。 固件已经成功烧录。 首灯已经亮了。 从设计到硬件落地，AI 真的开始进入物理的工程世界了。 这一次，不是 AI 写代码。 是 AI 把一块真实的电路板做出来了。 #AI# #Hardware# #PCB# #BuildInPublic#

“新清史”是美国一批汉学家琢磨出来的学问，基本立论是大清国是一个基于内亚的满族帝国，中国只是其中的一部分。 已经有不少学者批评其理论不堪一击，如历史学大家何炳棣先生。 本人外行，没有资格评判。不过就有限的知识，认同“新清史”有很多无法自圆其说的理论漏洞。 美国大学教授喜欢标新立异，创造新的理论体系和叙事方法。中国通们对中国史料似懂非懂。“新清史”在我看来大致是不成功的立论，只因它暗合去中国化的意识形态而被炒作起来了。 这里是几位“新清史”“甲级战犯”和代表作，有时间可以去读一下，他们自有一些真知灼见，如果能扬长避短的话。 1，柯娇燕：《孤军：满人一家三代与清帝国的终结》、《半透明的镜子：清代皇室的身份与历史》 2，罗友枝：《重观清代》、《清代宫廷政治史》 3，欧立德：《满洲之道：八旗制度和中华帝国晚期的族群认同》、《乾隆帝》 4，濮德培：《中国向西进军：清对中亚的征服》 5，米华健：《嘉峪关外：清代新疆的经济、民族和国家》 6，张勉治：《马背上的朝廷：巡幸与清朝统治的建构》 7，路康乐：《满与汉：清末民族的族群关系与政治权力》

@Alex_perception 可以允许有钱人蓄奴 这样的话 欠债的就可以卖身为奴了 这样可以撬动有钱人大量的资产转移到穷人的家庭 家里只要卖一个成员去当奴才 就可以获得有钱人的一笔资产 家里就可以去看病 买好吃的 买汽车 花了。有钱人也买到了想要的东西了。

我对李约瑟之问有一个比较非主流的解答，中国没有发展出科学非常重要的一个原因是没有成熟的玻璃工艺。 我们来看科学革命的时候的几个最重要的发现： 天文学：第谷能够精确记录天体运行的数据，伽利略能够看到月球表面坑洼不平，意识到天上世界不是如天主教会所言那么完美无瑕，这个需要的是天文望远镜的发明，这个依赖于玻璃和其上的精密透镜加工技艺 生物学：第一个细胞的发现，也依赖显微镜的发现，显微镜也依赖玻璃和透镜。 化学：玻璃是唯一一个廉价，易于制造，加工成各种器皿的形状，还足够稳定，耐高温，最重要的是透明的材料，水晶昂贵，无法加工，陶瓷不透明，无法观察化学反应的过程。 连文艺复兴都和玻璃有关，当时的画家用透镜将人物投影，描摹，学习到了光影，透视的知识，一下子绘画水平有了质的提升。 而当时的文艺复兴和科学革命都发生在意大利，意大利当年最著名的就是玻璃吹制工匠，有着最高超的玻璃制造技艺，这肯定不是巧合。 而中国呢，中国一直没有钠钙玻璃，主流只有琉璃。一直都做不出纯透明。并且，琉璃也没有产生过那么好的加工特性，没有那么强的流动性，就无法吹制加工。 再往上追溯，一个非常关键的原因是中国没有比较好的碱矿，导致无法发明出玻璃。这就是另一个故事了