raccoon

[Phoenix Yin @Phoenixyin13]

我可以告诉你的是，冯诺伊曼能力值强于当代任何一个顶尖理工科博士+目前的最强的AI（包括Kimi K3，Claude Fable 5）。

当年的洛斯阿拉莫斯国家实验室，科学家们用早期的电子计算机算出一个大数，冯·诺伊曼在脑子里几乎同时得出了相同的结果。费曼曾坦言，在所有人中，只有冯·诺伊曼能让他产生一种智力上的绝对自卑感。
当别人在苦苦思索时，他已经看透了答案的三步之后，甚至更远。

现在的AI需要庞大的KV Cache和上下文窗口，而冯诺伊曼能一字不差地背诵他几年前读过的《双城记》或历史文献。
这种零损耗、秒检索的碳基硬件，至今没有第二个标准人类能够复制。

最强AI +当代顶尖理工博士的本质，是极高效率的知识整合与局部优化。
博士提供方向和精细直觉，AI提供泛化的模式匹配和海量代码文献生成。但是，说白了，这种组合，依然是在已知的知识流形内部进行收敛和微调。

而冯·诺伊曼展现的是在完全黑暗的未知中，凭空架构出全新学科拓扑结构的能力。

首先就是算子理论与量子力学数学基础，他帮希尔伯特把量子力学从物理直觉规范化为严密的数学语言。
然后博弈论，他凭一己之力开创了现代经济学和策略分析的底层逻辑。
最后不用多说，冯·诺伊曼架构与细胞自动机，奠定了现代计算机的物理实体与通用图灵机的工程实现。
还有遍历理论、统计学、核物理……太多太多。

AI根本无法创造任何东西。
它基于海量语料进行概率预测，而当代的顶尖博士基于现有范式做边际创新。
注意我的措辞，不是不创新，是边际创新。

冯·诺伊曼是范式的创造者，他拥有定义未来、掌握现在、看透过去的能力。
而据我观察，在面对完全未知的科学迷雾时，AI幻觉和人类博士的认知局限会互相试探。

冯·诺伊曼的恐怖之处在于他的异构融合无人可比，他可以在参与曼哈顿计划、计算原子弹内爆冲击波的同时，顺手写出一篇关于博弈论的论文，顺便再构思一下计算机的存储程序概念。
这种在纯数学、应用物理、工程学、经济学之间无缝切换，且在每个领域都留下终极基石的能力，是当前任何顶尖人类+AI工具的分布式系统都无法模拟的。

[GloW @Glowwvy]

Imagine wrapping up a 2-hour collaboration, only to see her officially announce her marriage on Instagram.

[李老师不是你老师 @whyyoutouzhele]

“人工智能大会没有网络”

[alister Sova @alisterSovofya]

Gattouz0

[Phoenix Yin @Phoenixyin13]

美国应用数学领域正在经历一场结构性大转型。

以下，我全部基于美国数学学会近年招生趋势数据与工业与应用数学学会就业市场报告，以及顶尖项目实际录取情况综合观察：
传统纯分析PDE方向PhD名额持续缩减，而计算数学、数据科学数学基础、运筹优化与决策科学三大方向逆势扩张，就业市场更吃香，这与当下AI全面渗透数学课程体系有相当大的相关性。

Top项目2026整体录取率维持在极低水平：
NYU Courant（柯朗所）应用数学方向 ≈5%
MIT数学系应用方向 ≈6%
Caltech ≈7%
Brown应用数学 ≈8%

国际生竞争进一步加剧。传统分析、泛函、经典复分析方向名额较2019年缩减约40%。
推荐度最高的是，主攻计算数学、科学计算、计算与应用数学方向。
目前，我们需要的是强化数值方法、优化算法、高性能计算、科学机器学习。编程能力和实际项目经验几乎是标配。很多顶尖项目，现在更看重能写代码、能跑实验、能解决真实问题的申请者。

[李老师不是你老师 @whyyoutouzhele]

清华数学领军计划预科考核引发关注，网传部分低分学生或将退出项目

近日，清华大学求真书院“丘成桐数学科学领军人才培养计划”预科考核相关消息在网络引发讨论。

网传截图显示，有人在科大中法班咨询群称，丘成桐拟让部分已在清华完成数月预科学习的学生退出项目，并表示已有多名家长前往学校沟通。另一张疑似群通知显示，期末考试中有一门课程低于60分的学生，被要求尽快提交1000字以内的学期总结，说明考试成绩不理想的原因，并阐述自己的学术志向。

此外，还有疑似清华认证用户发帖称，丘成桐曾安排预科班学生参加一场以北京高考数学试卷为内容的测试，平均分约110分。

相关消息引发网友热议。有人认为，这与外界对“数学天才直通清华”的印象存在落差；也有人质疑，该计划是否受到培训机构、家长以及应试教育模式的影响，偏离了选拔数学创新人才的初衷。

[空空道人 @Kongkongda5882]

985 到了中年体制外的也会被斩杀的，

我有个本硕成电的朋友濒临失业中，老婆已经失业了，人生已经毫无盼头了。

985小镇做题家，靠自己买车买房，到了中年行业不景气，虽然没有负债也没有存款。前些年（大约2014年）月薪2w算高薪，可是换房了，高位接盘，积蓄没了，现在看研究所，体制内平均下来都能拿到这个工资了。

35岁了考公考编已经没有心气了，彻底躺平，随意了，对自己小孩都没有心气儿怎么教育了。

985小镇做题家，一直信奉的是努力有回报，从小到大都勤奋努力，现实击垮了他。

年轻的时候可别被私企哪点儿歪瓜裂枣忽悠了，拼命加班拼命干，把身体搞坏了，中年啥都没有。

再说一个我朋友985本硕博计算机大概39岁，之前国内外各个头部大企业工作，已经不怎么出去工作，待在家哦。

幸亏老婆是体制内，父母有养老退休金，还能扶着走，但是家庭地位那可是很低了。这不是个例，而是一群案例。

[李老师不是你老师 @whyyoutouzhele]

近日，网友反馈，字节跳动旗下公司集中向中国版权保护中心申请并登记了“咕咕嘎嘎”、“香蕉猫”、“刀盾狗”等多个在社交平台广泛传播的网络热门表情包（Meme）的著作权。
​这一举动引发了舆论的强烈关注和不满。
大量网友表达了强烈的负面情绪，评论区充斥着对大厂“收割”创作者成果、垄断公共资源的批评与嘲讽。
有人调侃称，“下一步是不是要把空气和水也申请专利？”也有人对未来互联网生态表示担忧。
​截至目前，字节跳动方面暂未就此版权操作的合理性与道德争议做出公开回应。

[Phoenix Yin @Phoenixyin13]

今天聊聊改变人类文明的神级机构排名

S+ 神话级
1.贝尔实验室：晶体管、信息论、Unix、C语言、激光、CCD……一家公司实验室拿了10次诺奖。没有它就没有信息时代，个人认为它是毫无争议的断档第一。
2.卡文迪许实验室：电子、中子、DNA双螺旋,统治了物理学半个世纪。

S 传奇级
3.洛斯阿拉莫斯：单一目标下的人类智力密度峰值。奥本海默、费米、冯·诺依曼同处一室。但遗产偏单一，主要是核与蒙特卡洛方法。
4.哥本哈根玻尔研究所：量子力学在这里被谈出来的。以极小的体量撬动了整个20世纪物理。
5.普林斯顿高研院：爱因斯坦、哥德尔、冯·诺依曼、外尔同时在职。但常被批评养老院化，产出人才比其实不算顶尖。

A+ 殿堂级
6. MIT 辐射实验室：原子弹结束了战争,雷达赢得了战争，并且后来还孵化了整个MIT战后科研体系。
7.施乐 PARC：图形界面、以太网、鼠标交互、激光打印机。发明了个人计算的全部，只是钱都让苹果和微软赚了。个人认为，它是伟大发明但商业失败的永恒案例。
8. CERN：标准模型的试验场,顺手发明了万维网。

A 大师级
9.马克斯普朗克研究所：体量巨大、诺奖众多,但它是一个系统，好多个所，单点浓度被稀释了。
10.冷泉港：分子生物学的麦加，个人认为但更像社区，会议中枢而非发明源头。
11.朗道研究所：纯智力水平可能是苏联之最，可惜体制限制了世界影响力。

B+ 风格独特但产出待验证
12.圣塔菲研究所：复杂性科学的旗帜,思想影响力大于硬成果。它更像一种氛围和方法论宣言。
13.RAND：博弈论和系统分析影响深远，但作为智库，功过难分。
14.Janelia：制度设计最自觉,但成立太晚,还没到盖棺定论的时候。

我发现一个有趣的规律。
S级机构几乎都有垄断利润或战争预算在背后，比如AT&T垄断、曼哈顿计划、战时雷达。
自由探索的黄金时代，底下垫的都是不计成本的钱。但圣塔菲那种靠捐赠的清贫模式，思想输出可以，硬科技就难了。

DeepMind、OpenAI、Anthropic 现在大概在 A 与 S 之间悬着。十年后回头看,可能是贝尔实验室second coming，也可能是PARC 2.0。期待十年后，我的回看。

[Max For AI @MaxForAI]

唉，时代的疯子

[空空|上Gate玩事件合约 @btcoindown]

这女的把我哥们钓成翘嘴，我哥们母单20多年了，哪顶得住这种魅魔。

[AK @_akhaliq]

Wan-Streamer v0.1

End-to-end Real-time Interactive Foundation Models

[梭哈.AI @SUOHA_AI]

如果你想加入世界顶级的AI公司，这篇笔记能帮你少走很多弯路

Alisa Liu 是华盛顿大学（UW）的 NLP PhD 学生，她最近拿到了 OpenAI Research Scientist 的 offer，并分享了一篇非常实用的求职笔记

她是怎么备战的？

先建立广度：把 Stanford CS336《Language Modeling from Scratch》全部 lectures 看完，这门课帮她把散落的知识点串成一个清晰的整体框架

再深度突破：一个概念一个概念深挖 —— 读 blog + paper + 大量和 ChatGPT/Claude 对话 + 从零实现代码

最关键的是：Transformer 的实现与调试要练到 muscle memory，并且完全关闭 AI 辅助练习 coding（因为真实面试时你必须自己写）

持续做结构化笔记（她有公开的 LLM Notes 可参考）

每个面试前做针对性突击复习，面试当天必须睡够觉（她第一次技术面试只睡 2 小时，结果发挥失常）

学习路径总结：广度先行（CS336）→ 逐个概念深度 + 动手实现 → 针对性面试前 cramming

OpenAI面试主要考什么？

ML Coding（出现频率最高）：用 PyTorch 实现架构、decoding 策略、Transformer 等

General Coding：LeetCode 风格题目

Technical Discussion：实验设计讨论 + 快速概念问答（positional encoding 的不同方式、parallelism、PPO vs GRPO 等）

Research Discussion：讲自己的项目、insight 和未来方向

Behavioral：提前把 PhD 经历整理成故事（她第一场 behavioral 直接翻车，因为没准备）

Math + Job Talk（聚焦自己最核心的方向）

如果你想准备 OpenAI / 类似 lab 的面试，必须精通这些资源

以下是她实际使用的学习资源：

1. 斯坦福大学的“从零开始的语言建模”课
https://t.co/IQrm8EuuoS

2. The Illustrated GPT-2（Jalammar） https://t.co/pZq2BCEhta
用可视化方式快速理解 GPT-2 的内部机制，适合建立直觉

3. Self-Attention & Transformers（CS224n PDF） https://t.co/s7lgCF6j4p
深入理解自注意力机制的核心原理

4. Backpropagation（CS231n） https://t.co/jmEcCRSgtf
手写 backward pass 的基础

5. Introduction to Policy Gradient for LMs https://t.co/hgAIO1cXeC 理解语言模型的策略梯度方法

6. Lightweight Guide to understanding GRPO and RL principles
https://t.co/OGDv7tZBsB
快速掌握 GRPO（近期 RLHF 相关的重要概念）

7. How to Scale Your Model（JAX scaling book） https://t.co/nm1ExirsrF
理解模型 scaling 的工程与理论要点

额外高频练习：
LeetCode（常规 + ML 相关题）

反复从零实现 Transformer（无 AI 辅助）

她的 LLM Notes（学习方法参考）：https://t.co/hsLkZv3NtF

[WquGuru @wquguru]

GEMINI预训练团队负责人在五月份写了一篇《如何进入头部AI团队/实验室》，非常值得一读，总结10条经验：

前沿实验室的招聘卷得厉害，能进去的大多出自顶尖本科或博士项目，身上普遍有三样东西：方向打得准、数学功底硬、拼劲十足。 对大多数普通人来说，硬挤正面没胜算，更务实的打法是绕到 LLM 栈的两头——要么沉下去做底层（kernel 优化、推理加速、量化），要么浮上来做上层（agent 系统、用 LLM 搞算法实验），靠开源项目和实打实的成果说话，比什么都有说服力。

1. 找准方向，切忌空谈

别张嘴就是“我对 AI 感兴趣”。得盯准实验室真正缺人的地方：底层就死磕 FlashAttention、量化推理、kernel 编程；上层就做 agent 循环、LLM 辅助的实验设计。这些方向门槛不高，自学能上手，实验室又天天用得着。

2. 数学底子绕不过去

这里没有捷径，只能靠大量证明题和理论课程硬磨。优化理论、scaling laws、模型演化逻辑，得吃到骨子里去。数学成熟度是分水岭，过了就是研究者，没过就是操作工。

3. 拼劲得够，别怕苦

大学那几年，周末泡图书馆是常态，社交能砍就砍。作者当年和朋友靠浓咖啡硬扛一整天，就这么熬过来的。想和那拨尖子生掰手腕，没有这点强度打底，基本没戏。

4. 用开源项目破局，别指望简历

把代码挂到 GitHub 上，做复现、提改进、跑 benchmark。能力这东西，摆出来给人看，比写在纸上管用得多。

5. 从边角料干起，别一上来就冲大模型

先搞定 kernel 编程（CuTe、LLM.int8() 量化这些）、推理优化、agent 工具链。这些活实验室最缺人，也最容易自己闷头学出来。

6. 论文 + 动手复现，两手都要硬

精读 FlashAttention、SnapKV 这些经典，把 LLM 的脉络理清楚。建议从 Reiner Pope 的访谈和 Gemini Flash 的预训练讲座入手，再慢慢啃 scaling laws。

7. AI 工具用来提速，别用来代替学习

AI 能让你已经会的东西干得更快，但绝不能拿它来学新东西或跳过思考。一依赖就废，数学和拼劲都养不出来了。

8. 每隔半年复盘一次方向

别嫌活脏、别嫌活基础——只要那条路通到金矿，就值得挖。关键是想清楚自己在往哪走。

9. 拿具体练习证明自己
- 用 JAX/Flax 从零写一个 1000 万参数左右的 Transformer，在 Colab TPU 上跑通加法任务；
- 手推 Chinchilla scaling laws，对比稠密模型和 MoE；
- 写一个 Pallas kernel 做算子融合，实测前向加速并说清原因。

10. 最终就一条路：本事 + 作品 + 死磕，缺一不可

名校背景当然管用，但对出身一般的选手，最靠谱的就是在 kernel 或 agent 领域做出能拿出来秀的东西，然后做好打 5–10 年持久战的准备。

[李老师不是你老师 @whyyoutouzhele]

中国高校裁撤外语专业，新增 AI 与战略产业学科
近日，中国高校新一轮专业调整持续引发关注。教育部发布的《普通高等学校本科专业目录（2026年）》显示，全国高校专业结构调整力度进一步加大，“十四五”期间累计新增本科专业布点约1.02万个，撤销或停招专业约1.22万个，专业调整比例超过30%，今年首次突破10%。
在专业调整过程中，部分传统外语专业成为缩减重点。多地高校陆续撤销或停招日语、德语、翻译等专业。公开统计显示，70所本科高校共停招525个本科专业，其中语言类专业调整较为明显，日语、德语及翻译专业停招数量位居前列。

与此同时，高校正加快布局人工智能和国家战略产业相关学科。教育部2026年本科专业目录新增具身智能、脑机科学与技术、未来机器人、交叉工程等专业，并强调以科技创新、产业发展和国家战略需求为导向，培养复合型人才。此前，多所高校还新增人工智能教育、智能视听工程、低空技术与工程等新专业。

[lidang 立党 （劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人） @lidangzzz]

我来告诉你们，数学界接下来一个最大的问题。

我去年就说过，UC Berkeley数学系助理教授Tony Feng在Google Gemini做visiting professor的时候，拿到了当时最好模型Google Gemini的超长极长无敌长的reasoning版本。

这直接导致Tony Feng解决了7道Erdos问题，三道FirstProof问题，开创性地用半监督方式 ，以及无监督方式，指导AI Agent解决数学问题。

我去年就说过，下一步要解决的问题是，尝试把一个数学命题以lean4的形式拆分成多个lemma，多个lemma以DAG的数学结构组合成一个数学命题，每个数学证明可以拆分成几十个到几千个lemma DAG，每个lemma作为节点又可以让多个agent来证明，这样可以用成千上万个agent来碰撞证明每个lemma，尝试组合成一个完整数学证明的DAG。

所有人都忽视了一个最重要的问题，就是一个LLM的reasoning是不可能无限长的，哪怕是Claude和GPT模型，reasoning是有限的，这是LLM结构和目前inference infra决定的。

但是数学家们早就给出了解决方案：在3000多年前，古希腊的数学家们就知道，完备的数学体系需要写书、写笔记、收学生，以学术社区和讨论组的形式，一条条验证，把自己思考的过程记录下来，给同行完成peer review，这样把自己在数学的工作一条条记录、验证、审议、写书、组织起来，一起构建完整的数学大厦。

过去10年来，人类一直在mathlib中实现这一个愿景，全世界所有数学家都在用lean4构建数学大厦，但是还远远不够。

你党哥提出lemma DAG概念后，能大概预测到一个方向，这个方向就是，驱动AI Agent用lean4把所有它能构建数学体系的领域：

1. 用lean4审核目前人类已有的、能用lean4实现和验证的数学论文，全部用lean4实现并验证一遍；

2. 用lean4尝试构建新的问题，实现一个AI native版本的mathlib证明大全——mathlib2——比现有人类数学家构建的mathlib要大一两个数量级；

3. 当人类尝试定义新的问题的时候，先从mathlib和mathlib2中搜索已有近似证明，尝试拆分成DAG的lemma形式，用mathlib2更加快速便捷地实现部分证明；

4. 最后用大量、超大量的AI Agent尝试大量、巨大量、无限提出新的问题，并且并行in parallel用已有mathlib2去验证或者证伪这些新问题，最后由人类数学大师cherry pick出其中有价值的问题和完整证明方案出来。

回到开头，首尾呼应一下：

人类在单一LLM本体进行超长reasoning已经接近inference复杂度极限，这是人类任何人都无法改变的，OpenAI和Anthropic改变不了，玉皇大帝都改变不了，

能提到LLM超长reasoning的唯一办法，就是让LLM Agent不断总结、不断记录、不断验证出过去产出的结构化、逻辑化、有组织的知识库，作为long term memory，这些知识库就是一个LLM Agent过去的所有reasoning中的有效记忆，并且能用于今后未来的所有构建中。

这和朴素古典的memory机制完全不同，无论构建一套lean4还是构建matlab simulink的有效仿真验证后的设计，还是构建HDL各种硬件描述语言在仿真后验证的电路设计，都更有效、更精准、更专业、更小领域，

而且最重要的是，构建这些结构化的专业学术知识库，恰恰是AI Agent加上一个本地仿真、编译、运行环境的最擅长的事情。

说人话说就是，脑子到极限的前提下，好脑子不如烂笔头。

[Elon Musk @elonmusk]

So true

[勃勃OC @bboczeng]

存储，改变命运

存储，改变一生