Jungjoon Park

[Fred-New @Fred834567]

觉得科研很难的人，99%都是被导师放养的，没有经过系统的学术训练。

哪怕他做了很多实验，甚至文章都发出来了。因为他的科研能力是东一榔头西一棒子，零打碎敲学来的。他没有系统思维，也没有在关键节点上被人指导和帮助。

所以他在接受新课题时，必然会觉得难。反直觉的一个观点是：这根本不是智商的问题！

大家看王虹就知道了，作为一个数学家，极其吃智商。但他也说，如果没有老师的指导和帮助，他拿不到这些奖，做不出这些研究。

科研和智商没有半毛钱关系。做科研这么多年，确实见过天赋异禀、相同指导下就是一骑绝尘的人。但我没见过一个笨的人，做不好的99%都是因为没被好好指导过。

什么是系统的学术训练？

从发现问题开始，去设置合适的研究调研方法，做实验、做探究，获取高质量数据，进行恰当分析，用学术语言发表论文，最后做成PPT在会议上展示。

在整个过程中，你遇到问题应该去找导师询问，得到他的指导和帮助。

这种帮助分两方面：

1⃣一方面是“术”的层面。
你这个问题去看哪篇文献才有解法？你现在实验失败了，建议你去改进哪里，把它解决掉？哪个方向对我们影响更大？

2⃣另一方面是“道”的层面。
当你遇到解决不了的问题，失败了无数次，心灰意冷想放弃时，导师作为一个长者、过来人，必然知道科研不可能一蹴而就，也不是所有问题都有解。

他会从事物发展规律的角度告诉你：这是正常的，要接受遗憾，接受自己拼命了也不可得。

当你因为文章发不出去被拒稿而痛苦焦虑，担心毕不了业、找不到好工作时，导师会看到你一路的辛苦付出，鼓励你说：没关系，我相信你的能力，这只是小挫折，人生会有无数次小挫折，咬咬牙撑过去。

他应该用自己的科学审美和人生经验，给学生这样的鼓励和支持。

但事实恰恰相反。现实是，学生不仅要自己去学习、承担自己的科研压力，同时还要被迫承担来自导师那部分的压力，以及他的人生痛苦。

[Haruki Sakajo @sjh4i]

LLM の内部表現から木構造を取り出して分析した研究が #NeurIPS2026 に採択されました！言語にチャンクや依存構造や階層構造などが見出されてきた中、LLMにも何らかの構造を見れないか、というとこから生まれた研究です

[뉴 청 경 채 @newbok_choy]

패치페스 끝
그니까 우리는 전국에서 1년에 100명만 프로가 되는 걸 원하는 게 아니고 생활체육/동아리 활동이 풍성했음 좋겟어요
대형 페스티벌는 엔드컨텐츠/결론이 아니라 하나의 결실일뿐이고...

[크라잉넛 / CryingNut @CryingNut]

크라잉넛의 첫 시작은 홍대의 작은 라이브클럽 드럭이었습니다. 라이브클럽은 수많은 인디뮤지션이 관객을 처음 만나는 소중한 무대입니다. 낡은 규제를 바꾸고, 소규모 공연과 인디음악 문화가 더 자유롭게 살아날 수 있도록 국민청원에 힘을 보태주세요.

https://t.co/TMhPEr9Fmy

[Jungjoon Park @kafkapple]

@giichii11 와 저 광명 살때 닭트랭 보고 5150 앰프 소리 너무 좋다 했던 기억이 가물가물.. 추억돋네요

[马识途 @shitunote]

强化学习之父理查・萨顿最近接受红杉专访，抛出了一个让整个 AI 圈不舒服的问题：

现在的大语言模型，训练完权重就 "焊死" 了。它们不会从交互中学习，不会因为新经验而改变自己。它们只是在调取训练数据，然后用上下文补全。

这不是智能。这是高级检索。

萨顿说，持续学习才是智能的核心本质。人类大脑一直在修改权重 —— 从每一次交互、每一个错误、每一条反馈中学习。而今天的 LLM？出厂即巅峰，之后只会衰退。

RAG、长上下文、LoRA 微调 —— 全是在绕开这个根本问题。

这就是为什么萨顿和学生创立了 Oak Lab。也是为什么越来越多团队意识到：基础模型的能力曲线正在趋平。下一个分水岭不是谁的参数更大，而是谁的 AI 能在真实世界里持续变强。

这是一个还没有人真正跑通的、万亿美元级的问题。

很多团队在攻这个方向。学术派有 Oak Lab，产业派里我最近在看 Alloomi。

他们的思路是：不在实验室里造 "会学习的模型"，而是让 AI 先去真实业务里干活，再把实战经验写回权重。应用 + 模型，全栈闭环。

拆解一下他们的四层架构：

① 全局上下文 —— 不是读静态文档，是把对话、人员、决策、反馈、时间线全部打通，看懂整件事的来龙去脉。

② 自进化记忆模型 —— 把专家判断、修改记录、客户反馈筛选后通过后训练写进权重，而不是只存在外部数据库里。

③ 专家锚定 —— 学习过程对齐专家示范和高质量交付标准，防止模型乱学、错误越积越多。

④ 可控安全进化 —— 质量校验、实时监控、自动回滚。每一轮更新都可核查，漂移了能及时撤回。

这四层合起来，解决的是一个核心矛盾：怎么让 AI 持续变强，又不变得不可控。

在最近9项相关的Benchmark中，Alloomi达到或接近 SOTA 。

Alloomi 的观点我很认同：基础大模型出厂能力人人都差不多。真正拉开 Agent 差距的，是它在你的业务里日复一日沉淀下来的专属判断力与实战经验。

通用智能是起点。行业经验才是护城河。

萨顿在专访最后说，我们离真正的持续学习还有很长的路。但方向已经清晰了：

未来的 AI 公司，卖的不是一个静态模型，而是一个每天都在变强的系统。谁先跑通 "做完任务 → 沉淀经验 → 模型变强 → 产出更好结果" 的飞轮，谁就拿到了下一个时代的入场券。

智能只是起点。经验，才是 AI 的分水岭。

@AlloomiAI

[Jungjoon Park @kafkapple]

@maveyyo 마블발 시발 저만 그런게 아니었..

[Jungjoon Park @kafkapple]

@rainytears_kjh ===
Oblivion Past
Running on Empty
Few Days Later
Broken Fist
And This One
(미발매곡)
One Day
====
총 7곡 셋리스트 삐삐(아님) 보내드렸습니다!

[Mihir Prabhudesai @mihirp98]

What if AI learned physics the way Newton did – by experiencing it?

We built Sim2Reason: train LLMs inside virtual worlds governed by real physics laws, zero human annotation.

Result: +5–10% improvement on International Physics Olympiad, zero-shot. 🧵

[neurosock🧠Brain Chips🦾 @neurosock]

To plan the future, the PFC represents a step-by-step map of actions, and at every step, this plan moves to the past like a conveyor belt.

This proposes a super simple neural-subspace architecture for planning.

A toy environment can clarify it.

Here is my toy model and notes:

[alphaXiv @askalphaxiv]

This new paper suggests that LLM ‘aha moments’ arise from an emergent planning-vs-execution hierarchy, similar to HRM’s slow-planner/fast-executor idea

So they proposed HICRA which amplifies per-token credit on scarce planning tokens, focusing strategy & often beating GRPO!

[el.cine @EHuanglu]

omg.. this cant be real

China’s 4DV AI just dropped 4D Gaussian Splatting, you can turn 2D video into 4D with sound..

imagine.. we will be able to change camera angle, zoom in/out while watching movies

5 examples:

[Alex Vacca @itsalexvacca]

Humanity's progress is accelerating insanely fast:

Stone Age→Farming: 100,000 yrs
Farming→Steam: 12,000 yrs
Steam→AI: 200 yrs

2000-2014: 100 years of progress in 14.
Moore's Law predicted 32x. AI chips did 1000x.

Law of Accelerating Returns is getting weird with AI🧵👇🏻

[Ruben Hassid @rubenhassid]

BREAKING: Apple just proved AI "reasoning" models like Claude, DeepSeek-R1, and o3-mini don't actually reason at all.

They just memorize patterns really well.

Here's what Apple discovered:

(hint: we're not as close to AGI as the hype suggests)

[Ani @curiousZeedX]

If you get overwhelmed with the number of papers that are published in AI here is something that will help you.

The good folks at Latent Space has curated list of papers that you should read in 2025 if you work with AI.

This is very optimal list of papers broken down by topic that you should definitely read before moving on to others.

[아구밍 아커만 @aguming_]

요즘에 이 글이 너무너무 좋고 와닿고 진짜로 정말로 넘흐 좋은 태도같음 진짜로

[GptZone @gptzone_net]

La IA se está saliendo de control

Solo ha pasado una semana desde que Pika lanzó Pika 1.5 y la gente se está volviendo loca.

15 ejemplos salvajes:

[Richard Sutton @RichardSSutton]

I've studied intelligence all my long life, yet still I feel I learned important things about intelligence by reading this book.
Thank you, Max Bennett.

[Ann Kennedy @Antihebbiann]

Register now for Year 3 of our 5-day course on Machine Learning for Behavior!

Pose estimation, supervised behavior classification, unsupervised clustering (MotionMapper/Moseq), and analysis of behavior dynamics. Bar Harbor in fall is not bad either.

https://t.co/FoZPkRByRi

[Grant Sanderson @3blue1brown]

The next chapter about transformers is up on YouTube, digging into the attention mechanism: https://t.co/TWNXiWM2az

The model works with vectors representing tokens (think words), and this is the mechanism that allows those vectors to take in meaning from context.