Introducing Prime Agent: A self-improving RLM harness for coding and long-running autonomous tasks. Designed to be both token-efficient and expressive through programmatic tool calling, context as a variable, multi-agent messaging, and a self-modifiable harness state.

twst财报解读：生物半导体与数字-物理桥梁--Twist Bioscience 的 DBTL 闭环重估值 Twist Bioscience（NASDAQ: TWST）单日上涨超 13%，股价突破 112 美元，市值突破 70 亿美元。市场将其当季 1.184 亿美元（YoY +23%）的创新高营收与上调至 4.56–4.57 亿美元的 2026 财年指引归因于业绩超预期。然而，这一定价背后的核心逻辑，是 AI 生物大模型在从“单点结构预测”向“高频 DBTL（Design-Build-Test-Learn）闭环”演进时，TWST 凭借其半导体硅芯片平台确立的“数字-物理接口”垄断地位。 1. DBTL 循环对算力基础设施的爆破式拉动 AI 在生命科学中的角色已从过去的 CADD（计算机辅助药物设计）转化为生成式大模型（如 ESM3、AlphaFold 3、RFdiffusion）驱动的闭环探索。从计算基础设施角度看，这种范式转移带来了算力开销的数量级（Orders of Magnitude）跃升： 训练算力跨越 2 个数量级：生物基础大模型的参数量已从 ESM-1b 的 6.5 亿跃升至 ESM3 的 980 亿（98B），训练 FLOPs 逼近通用 LLM，拉动万卡 GPU 集群并发需求。 推理吞吐从“按件”变“按亿”：在 Design 环节，AI 能针对单一靶点在数分钟内 De Novo 生成数百万至数亿个全新蛋白质/抗体序列。单次筛选项目的推理算力需求较传统 CADD 提升 $10^3 \sim 10^4$ 倍。 物理/动力学模拟的超级吞吐：在物理合成前，干实验（Dry Lab）需通过自由能微扰（FEP）和分子动力学（MD）对候选文库进行高通量筛选，带来 HPC 与并行 GPU 算力的持续高频消耗。 算力决定研发上限：生物分子空间极度稀疏（100 氨基酸序列对应 $20^{100}$ 种可能），算力直接决定了探索空间的广度（搜索候选数从万级提升至亿级）与 DBTL 迭代周期的压缩（干实验筛选从数月缩短至几小时）。 2. TWST 的物理层价值：从耗材商到 AI 药物研发的硅基接口 干实验端算力爆发所产出的大量设计，在物理世界砸向同一个瓶颈——高通量物理建造（Build）与表征测试（Test）。TWST 的商业壁垒正是建立在这个吞吐量断层之上： 数字-物理（Digital-to-Analog）高通量打印机：管路法或微孔板等传统 DNA 合成技术无法承接 AI 产生的庞大序列量。TWST 凭借半导体硅芯片平台，将 DNA 制造成本降低 60%、废料减少 70%、交付周期缩短 73%，实现单一芯片上高通量打印数万至数百万个离散序列，成为 AI 设计转化为物理分子的核心出口。 从賣 DNA 到卖“表征训练数据”：AI 的 Learn（学习）环节依赖物理实验真实数据的反馈（RLHF/闭环微调）。TWST 扩展了其 Therapeutics 与高通量生物物理表征服务（如 High-Throughput SPR），客户提交序列后，TWST 交付高质量的结合力与稳定性表征数据，直接转化为 AI 模型的重训练原料，客单价与毛利率随之扩张。 业务模式与业绩指标的高确定性：DBTL 闭环使客户从离散的散单采购转向高频、大批量的周期性复购。在 Q3 财报中，TWST 的 Therapeutics 业务同比暴增 49%，DNA 合成与蛋白质解决方案（DSPS）同比大增 39%，公司指引 AI 相关订单在 2026 和 2027 财年将连续保持三位数（>100%）增长。 3. Q3 财报与电话会议核心财务解读 营收与指引：Q3 营收 1.184 亿美元（高于预期的 1.145 亿），连续 14 个季度实现环比增长；全年营收指引中间值上调 1200 万美元至 4.56–4.57 亿美元（YoY +21%）。 利润率与盈利节点：调整后毛利率升至 52.8%，边际新增收入中的 70% 转化为毛利润；管理层重申将在 2026 财年 Q4 实现调整后 EBITDA 盈亏平衡，并维持至 2027 财年。 复杂基因护城河：针对高 GC 含量与重复序列的复杂基因（Complex Genes）产品成功实现商业化，多数订单可在 12 天内交付。这种在极小量、超高通量 Array/Pool 格式下的制造优势，构成了对抗传统生物试剂厂商的物理壁垒。 总结 在当前的 AI 医药生态中，NVIDIA 等算力厂商卖的是 DBTL 中“计算与探索”的算力引擎，而 Twist Bioscience 卖的是“连接数字生成与物理验证”的硅基通道。算力规模决定了生成设计的上限，而 TWST 则决定了这些设计落地为实体药物管线的速度。 免责声明：非投资建议dyor

马斯克大干快上4gw，anth招semi 工程师，goog tpu老大上位，各大科技自研芯片，都指向一件事，大家都在为ai递归自我迭代rsi从纯模型向模型+semi闭环做准备

极有可能 现在已经用不到最顶级模型的 API 了😆 前沿模型公司为了避免自己被商品化 一定会走垂直应用路线 只输出智能给选定的合作伙伴 … 只要对比一下买结果还是卖 API 的收入高即可

基于astra的能力，做个非常粗略的估算， OpenAI当前算力：约相当于150万—200万张H200， 运行一天，理论上相当于约200万—4,800万名博士后/教授工作一年的研究产出 而astra内部发布，距gpt5.6发布仅两个月 那下一代的模型，是不是相当于诺奖级别的科研人员？而openai拥有算力还在提升。。。

当openai新模型攻克数学难题的同一天，MIT教授称ai已具备能力像软件编程一样改造物质 刚刚，MIT工程教授Markus J. Buehler发布了一则推文，明确呼应openai的最新进展：“如果物理系统能被形式化为可组合的数学，我们就可以把已经证明能解决长期开放数学问题的AI，指向物质本身。” Buehler团队于数月前，相关可编程物质的研究发表于《固体力学与物理杂志》，并开源完整代码与G-code。 但推文借openai最新成果，进一步解释了把“AI攻克数学”自然延伸到“AI编译物质”这个概念。 以松果为例：我们能否像编译代码一样编译物质，从观察生物层级结构，到设计新主动材料，再到制造与测试，实现真正的端到端流程？ 团队用范畴论思路：把每个尺度（纤维→层片→组织→单元→器官）建模为带有明确状态、刺激（湿度或热）、动力学定律和接口的“模块”。尺度间映射必须严格保持刺激-响应动力学一致性：先演化再映射，或先映射再演化，结果必须相同。这一条件在组合下依然成立，局部正确的接口组装成完整层级后仍然可靠。 随后，他们通过“实现函子”把生物结构映射到工程系统，翻译成验证过的制造规格，再直接编译成3D打印机可执行的G-code。最终打印出四类致动器：湿度弯曲、热弯曲、湿度扭转、热扭转。最令人惊叹的是“热扭转”——它无需重新推导，只是把已验证的热刺激模块与扭转模块组合而成。生成的G-code直接产生预期运动，实验误差全部落在一个标准差以内。 这是第一次把形式化的组合多尺度模型，从生物层级一路带到物理测试的制品。范畴论不再停留在抽象数学，而是变成了打印床上的真实物体。对AI科学而言，这相当于给生成式模型提供了物理感知的“类型系统”——提案可以在仿真和制造前就被接口检查拒绝；对工程而言，设计空间开始随验证组件库扩展，而不是随个案数量线性增长。 按照推文的核心逻辑，原子级别的编程在未来完全可能。因为逻辑是尺度无关：只要系统能被形式化为可组合的数学对象与态射，只要接口能被严格检查，AI就可以像解决开放数学问题一样，对更小尺度的物质进行推理与编译。真正的障碍是计算成本、量子随机性与原子精度制造，而非原理本身。 推文展示了一种新范式：当AI已经能解决十年未解的数学难题时，把它指向物质本身，或许只是时间问题。松果只是起点，可编程的物理世界，可能才刚刚打开第一扇门。

Can we compile matter - for instance, a pine cone - and derive new active materials, end-to-end from observation to manufacturing? If physical systems can be formalized as composable mathematics, we can point AI that has been shown to resolve long-open mathematical problems at matter itself. Our new work turns bioinspired engineering from analogy into formal compilation: biology and mechanics become explicit, checkable, and executable, so AI reasoning can produce physical designs. This is the first end-to-end demonstration in which a formally compositional multiscale model is carried from a biological hierarchy, through engineered design and fabrication specification, to executable manufacturing code - and then to a physically tested artifact. Background: Humans have long been inspired by biology to advance technology, but this has usually been an ad hoc process rather than a mathematically rigorous one. Natural materials such as pinecones achieve adaptive behavior through mechanisms organized across many scales. Engineering typically translates those mechanisms by analogy: identify a biological principle, build something inspired by it, and validate each new design as a separate case. This can produce remarkable results, but the knowledge does not readily compound. Instead, we represent each scale as a dynamical module with explicit states, stimuli, governing laws, and interfaces. Every scale-to-scale map must preserve the stimulus - response dynamics: evolve the fine-scale system and then map upward, or map upward first and then evolve. The two paths must agree. Because this condition is preserved under composition, locally valid interfaces remain consistent when assembled into the full hierarchy. We then carry that structure into an engineered system, translate the target behavior into a verified fabrication specification, and compile it into G-code: the toolpaths, deposition sequence, temperatures, speeds, and other commands executed by a 3D printer. The intermediate translations are explicit, checkable, and executable rather than completed through an ad hoc handoff. The formal guarantee is that given valid local models and interfaces, their composition remains valid. Whether those models and manufacturing assumptions accurately capture physical reality remains an empirical question. That is why we fabricated and tested the results. We generated four actuator classes by crossing two stimuli - humidity and heat - with two responses: bending and twisting. The fourth, thermal twisting, required no new pipeline and no separate derivation within the framework. It emerged by composing a thermal stimulus module already validated in one case with a twisting module validated in another. The generated G-code produced the intended motion without manual redesign, and all four predictions fell within one experimental standard deviation of the measured response. Why this matters: 1⃣For AI in science, this provides a physics-aware type system against which generative proposals can be checked - and rejected at the interface - before expensive simulation, fabrication, or experiment. It is roughly analogous to proof checking, but for the composition of physical mechanisms. 2⃣For engineering, the accessible design space can scale with a library of validated components rather than with the number of individually derived cases. 3⃣The mathematics, category theory, carries all the way into a physical object on a print bed. This points toward scientific knowledge as executable infrastructure: models that are not only described in papers, but typed, composable, verifiable, and able to compile into experiments. Excellent work led by my student @leemmarom with @SkylarTibbits & @GioeleZardini. Paper published in J. Mech. Phys. Solids along with code, Grasshopper scripts, and manufacturing G-code below.

科研自动化！ openai新模型Astra解决了10个科学开放问题的意义 如果今天公布内测信息OpenAI的Astra真的解决了数学、量子复杂性和理论计算机科学中的10个重大开放问题，那么真正重要的不是“解决了10道题”，而是AI可能已经跨过了原创科学发现的能力门槛。 这些问题横跨高维几何、群论、算子代数、复杂度理论、量子复杂性、格理论、编码理论和组合数学。其中不少属于菲尔兹奖长期关注的数学方向，及理论计算机科学几十年来最核心的开放问题。真正令人震撼的不是单个问题，而是同一个系统跨越多个学科完成原创研究。 这意味着模型获得的不是某个领域的知识，而是一套更底层的科研能力：能够发现新的证明、构造新的数学对象、在巨大的搜索空间中寻找正确路径、长期保持数百页推导的一致性，并创造新的证明工具和Reduction。这已经不是回答问题，而是开始创造知识。 其中最值得关注的例子之一，是首次证明Closest Vector Problem（CVP）和Nearest Codeword Problem（NCP）即使允许多项式级误差近似，仍然是NP-hard。过去人们知道精确求解困难，也知道部分近似困难，但这次首次把困难性推进到了多项式近似因子。更重要的是，它采用了全新的Reed–Solomon编码方法，而不是沿用过去几十年的证明框架。这说明模型不仅能够完成长证明，更可能已经开始创造新的数学工具和跨领域方法。 astra这些能力并不仅限于这些学科，而属于科学发现本身。 科研本质上都包含相同的循环： 发现规律 → 提出假说 → 设计方案 → 验证 → 提炼理论 → 再次发现。 这次的10个问题只是这个循环中最容易验证的特例。 因此，这些能力理论上可以迁移到大量科学领域。 在材料科学中，模型可能不仅搜索新材料，还能自动发现决定材料性能的隐藏变量，提出新的结构—性能理论，设计新的催化剂、电池材料和超导材料，并指导下一轮实验。 在生命科学中，它可能不仅预测蛋白结构，而是逐渐理解基因调控网络、细胞程序和疾病机制，自动提出新的药物靶点、蛋白设计和实验方案，将零散实验总结为统一理论。 在超导研究中，最大的价值可能不是找到一个新材料，而是提出新的配对机制、有效理论和设计原则。目前高温超导最大的困难不是不会计算，而是不知道真正的物理机制。如果模型能够不断从模拟和实验中提炼规律，它可能帮助建立新的理论框架，而不仅是筛选材料。 在核聚变中，模型可以参与等离子体控制、磁场优化、反应堆结构设计和新的运行模式发现。聚变本质上是一个超大规模动态控制问题，而不是单纯材料问题。 在量子计算中，迁移路径更加直接。数学能力可以用于设计新的量子算法、量子纠错码、量子复杂度证明、量子芯片布局以及新的编码结构，而图片中的成果本身就已经涉及量子复杂性理论。 这些领域真正的瓶颈并不是计算能力，而是科研循环速度。 过去，一个循环往往需要： 提出假说 → 做实验 → 等几个月 → 失败 → 再重新猜。 接下来AI将越来越快的完成： 自动提出理论 → 自动设计候选 → 大规模模拟 → 自动实验 → 更新理论， 科研速度提升的将不是某一个环节，而是整个科研过程的加速。

感谢Rick兄分享的非常好的帖子。 我之前在推特上曾分享过一个观点：AI真正重要的突破，并不是聊天越来越像人，而是开始具备原创科学发现的能力。 当时我引用了OpenAI研究主管 Mark Chen 的一次访谈。他提到，Sebastian Bubeck 团队利用AI在凸优化 Convex Optimization 领域的取得重大成果，说明AI已经出现了一个非常重要的 phase shift相变 ——模型开始在数学和优化领域发现人类过去从未发现过的新结论，不再只是知识的检索者，而是在逐渐成为能够独立推理、发现新知识的研究者。 如今，OpenAI公布内部版本 Astra 在数学、量子复杂性和理论计算机科学中解决了10个重大开放问题。如果这些成果最终经过学术界验证，那么真正值得关注的并不是"解决了10道题"，而是AI已经开始跨过原创科研的门槛。 如果AI能够持续完成这个循环，那么科研效率将出现数量级的提升。从材料科学、生物医药，到能源、量子计算，几乎所有依赖科学发现的行业，都有可能迎来一次生产力革命。 《经济学人》曾提出过一个非常大胆的判断：如果AI能够持续推动科学发现和技术创新，全球GDP的长期增长率，可能从过去每年约1%～2%，提升到10%甚至20%。 这听起来十分激进，但如果AI真正成为"科学家"，而不仅仅是"助手"，那么它创造的经济价值，很可能会远远超出今天市场的想象。

An internal version of Astra, @OpenAI’s next major model family, solved 10 major open problems in mathematics, quantum complexity, and theoretical computer science. We believe it will be a major step for scientific reasoning.