这次不一样！从数学爆发到治疗所有疾病 从纯粹抽象数学的诞生，到物理实在的建构，再到复杂分子（化学）与涌现系统（生命科学）的转化，人类科学史上这类基础级范式转移的传导链条，传统周期通常在 50 年到 150 年之间。 这一长传导链条本质上是线性的实验积累，信息传递的延迟，概念框架的泛化应用与复杂系统的自下而上重建。 历史上的典型传导周期： 1. 微积分-〉 经典力学 -〉分子热力学 -〉 生物代谢与酶动力学（~140 年） 数学起点（1670s–1680s）： 牛顿与莱布尼茨发明微积分。 物理突破（1687）： 《自然哲学的数学原理》，微分方程成为描述经典动力学与行星轨道的通用语言。 化学跨越（1870s）： 吉布斯（J. Willard Gibbs）将微积分与偏微分热力学引入化学系统，确立了自由能判据与化学平衡理论。 生命科学转化（1913）： 迈克尔斯与门腾（Michaelis-Menten）建立酶促反应动力学微分方程，现代定量生物化学诞生。 周期跨度： 约 130–140 年。 2. 非欧几何/线性代数-〉 量子力学-〉 量子化学/化学键 -〉分子生物学/结构生物学（~70–90 年） 数学起点（1854）： 黎曼提出黎曼几何；矩阵论与希尔伯特空间在 19 世纪中后期至 20 世纪初逐步形式化。 物理突破（1925–1926）： 海森堡建立矩阵力学，薛定谔提出波动力学，量子力学完整确立。 化学跨越（1927–1939）： 海特勒-伦敦模型及鲍林（Linus Pauling）出版《化学键的本质》，用量子力学阐明共价键、杂化轨道与共振论。 生命科学转化（1953）： 沃森、克里克与富兰克林利用鲍林的结构化学模型及 X 射线晶体学解析 DNA 双螺旋；1958 年佩鲁茨（Perutz）解析血红蛋白晶体结构。 周期跨度： 约 70–100 年。 传导链条之所以那么长，核心在于知识孤岛效应： 数学家的抽象工具往往“超前”物理学家几十年。爱因斯坦在寻找广义相对论引力场方程时，耗费数年苦寻数学工具，直到格罗斯曼提醒他黎曼几何和张量分析早已完备。 和 复杂问题计算不可约： 狄拉克在 1929 年有一句名言：“构成大部分物理学和全部化学所必需的底层物理定律已完全为人所知，困难仅在于这些定律的精确方程太复杂而无法求解。”从量子力学的薛定谔方程到大分子反应，微观精确度在宏观复杂性面前迅速失效。 AI 将剧烈压缩信息流动、搜索与建模周期，从年月，压缩到日、小时、甚至分秒。 数学 -〉物理：从“代际等待”压缩至“近实时桥接” 大语言模型与跨学科神经表征能瞬间将物理学家模糊的唯象假设，与数学库中冷门的代数拓扑、微分几何或泛函分析工具对齐。 借助 Lean 等交互式定理证明器结合前沿推理模型，复杂数学猜想的形式化与偏微分方程爆破特性的验证，正从人类数学大师以年月计的借助经典计算机的计算，压缩至数小时甚至更短的并行搜索。这使得底层数学一旦产生突破，物理学可以在极短时间内获得严格的表述工具。 物理-〉化学：用“神经算子/代理模型”破解第一性原理计算瓶颈 传统密度泛函理论（DFT）受限于计算复杂度O(N^3)乃至更高），无法处理真实化学体系。 AI 可直接学习电子结构薛定谔方程的映射解，在保持量子级精度的前提下，将分子动力学模拟速度提升数个数量级。物理定律转化为可操作的化学分子相互作用，周期从数十年被压制在以日计的算力迭代中。 化学-〉生物：从“偶然盲筛”跃迁为“生成式逆向设计” 传统生物学高度依赖唯象学与还原论假设；AI 结构生物学（如 AlphaFold/ESMFold 及蛋白质语言模型）直接将物理化学规律内化为隐空间先验，从 DNA 序列到三维功能蛋白的预测时间从以年计缩短至以秒计。 研发范式也正从“自然界分离筛选酶与分子”直接跃迁至“根据反应动力学与靶点袋状结构，逆向生成非天然催化剂与结合体”。 综上，AI 将数学突破传导到实际生命科学（及其他应用科学）周期的“理论阶段”压缩了接近 90% 实证落地当然会湿实验，真实环境等计算不可约等多种因素，但即使基于以上的压缩，科学进步的传导也至少将提速10倍甚至百倍，更何况还有ai不断增强的将非形式化问题转化成形式化问题的能力，将推动将大量计算不可约问题转化成可计算问题。 当不可约的复杂生命系统被AI不断转化为可计算的高维几何，从数学突破到anthropic ceo达里奥说的5-7年治愈所有疾病，甚至人类“长生不老药”的千年梦想，完全可能被算力暴力压缩成可解决的问题。

AI + 3D 打印已经进入了一句话生成任何东西的时代 唯一的上限只有材料

AI，泡沫即飞轮？ MIT经济学家 Ricardo Caballero 在最新工作论文《Speculative Growth and the AI "Bubble"》中提出了一个非常有意思的观点： 真正的问题不是 AI 是不是泡沫，而是泡沫本身能否创造未来的基本面。 传统金融认为，估值来自基本面。未来现金流决定今天的价格。如果价格远远高于现金流，那就是泡沫。这几乎是所有价值投资、DCF模型以及有效市场理论共同遵循的逻辑。 Caballero则把因果关系补充成了一个闭环。价格不仅反映未来，也塑造未来。高估值带来融资能力，融资能力带来资本形成，资本形成提高生产率，生产率最终又改善未来现金流，于是原本看似脱离基本面的估值，反而成为未来基本面形成的一部分（有点像索罗斯的反身性？）。 论文认为，当估值能够影响投资时，价格上涨本身就可以帮助创造未来的基本面。 这一逻辑会在 AI 上成立的关键在于，AI 不是传统意义上的资本。 普通资本遵循边际收益递减。建更多工厂，最终会遇到需求不足、产能过剩，资本回报越来越低。 但 Caballero 认为，AI 更接近一种能够持续扩张的"劳动型资本"。GPU、模型、Agent 并不仅仅增加机器数量，而是在不断增加整个经济中的有效劳动。论文中直接将 AI 建模为能够执行原本由劳动完成任务的资本，因此资本增加的同时，劳动能力也同步扩大，资本收益递减被明显削弱。 如果继续深究，还有更加重要的发现：AI 投资改变了收入分配。 越来越多收入流向资本所有者，而资本所有者天然拥有更高的储蓄倾向。储蓄增加意味着长期资金供给增加，长期利率下降，更大的资本存量反而更容易被整个经济承载。论文称之为 Funding Feedback。资本形成越多，未来融资成本越低；融资成本越低，又进一步支持更多资本形成。整个系统开始出现正反馈，而不是传统增长模型里的负反馈。 于是经济开始出现两个完全不同的长期均衡。 一个世界里，AI 投资始终不足，资本形成缓慢，生产率长期维持低增长。 另一个世界里，AI 获得持续融资，大规模建设数据中心、GPU、模型和 Agent，最终形成新的高资本、高生产率均衡。 真正有意思的是，高资本均衡虽然存在，却无法仅靠理性市场自动到达。论文证明，从今天这个低资本状态出发，即使所有投资者都是完全理性的，也不会主动跳到那个更好的未来。原因很简单。今天没有足够资本，就不会有未来的高增长；没有未来高增长，今天就不会有高估值；没有高估值，也就没有资本形成。整个系统陷入自我锁定。 泡沫恰恰打破了这个循环。 高估值让企业能够融资，融资建设更多 GPU，训练更大的模型，部署更多 Agent，最终真正提高整个经济的生产率。泡沫不是长期均衡，而是通向长期均衡的桥梁。 这也是论文为什么反复强调 Fragility。真正的问题从来不是泡沫会不会破，而是泡沫会不会破得太早。如果资本还没有形成，融资就停止，那么整个 AI 建设就会中断，未来增长也随之消失。如果在泡沫破裂之前已经完成了足够多的数据中心、模型、Agent 和基础设施建设，那么即使估值最终回归正常，高资本均衡依然能够维持。论文明确指出，关键不是修正是否发生，而是修正是否发生得过早。 互联网就是一个典型例子。2000 年互联网泡沫彻底破裂，但光纤、服务器、软件、数据中心和互联网人才全部保留下来。泡沫消失了，互联网革命却真正开始了。AI 很可能也是类似过程，只不过留下来的不只是网络，而是智能本身。 不过，我认为 Caballero 的框架还能再向前推一步。 论文把 AI 建模成"可复制的劳动"，但现实中的 AI 正越来越接近"可复制的科研人员"。如果 AI 不仅能够替代劳动，还能够参与科研、写代码、设计芯片、发现新材料、研发新模型，那么它改变的不只是生产函数，而是创新函数。 过去，创新能力主要取决于科学家数量、工程师数量以及优秀人才数量，因此重大技术革命通常需要几十年积累，这也是康波周期长期存在的重要原因。并不是经济天然每六十年发生一次革命，而是创新资源本身增长太慢。 AI 第一次开始打破这一约束。 未来的创新能力，不再只是依靠人脑（Human brain），而可能是 Human + Millions of AI Agents。更进一步，创新能力甚至可能只依赖 ai（算力）。 算力持续增长，创新能力也持续增长。创新第一次变成了一种可以资本化、规模化扩张的生产要素。 如果再结合今天正在快速发展的 Coding Agent、Research Agent、自动科研以及递归自我改进（RSI），这个反馈会变得更强。更多 AI 带来更快科研，更快科研产生更好的模型，更好的模型继续提高科研效率，形成真正意义上的 Intelligence Flywheel。创新速度本身开始加速，而不仅仅是生产效率提高。 这也是为什么我一直认为，AI 的经济回报很可能符合 "Slowly, Then Suddenly"。 今天大家看到的是 GPU 投资、模型训练、数据中心建设，ROI 看起来并不高，于是很多人开始怀疑 AI 是不是泡沫。但这些投资真正购买的，并不是今天的利润，而是未来的智能资本。当模型能力跨越某个临界点，大规模 Agent 开始进入企业，劳动替代开始发生，生产率可能出现非线性的跃迁，过去几年看似过高的估值，也开始真正兑现。 这意味着，Caballero 所提出的反馈环路： 估值 → 投资 → 资本形成 → 基本面 未来很可能进一步演化为： 估值 → 投资 → 算力 → 智能 → 创新 → 更多 Ideas → 更高生产率 → 更高利润 → 更高估值 这里真正形成正反馈的不只是资本，而是整个社会的创新能力。 如果这一过程成立，那么 AI 带来的变化可能不仅仅是一次新的技术革命，而是改变了技术革命本身的产生机制。 历史上的康德拉季耶夫长波之所以持续四五十年，很大程度上并不是经济规律决定的，而是因为创新资源始终稀缺：科学家有限、研发能力有限、知识扩散缓慢。AI 正在改变这一前提。 未来，我们或许看到的不是一个越来越短的康波，而是在同一个 AI 平台上持续涌现多个产业革命：AI 药物、AI 材料、AI 芯片、AI 机器人、AI 生物制造……创新开始工业化，技术革命开始连续发生。 如果说熊彼特让创新成为增长的核心，罗默让知识成为增长的核心，那么 RSI 与 Caballero 共同指向的，可能是下一阶段增长理论的核心命题： 之前的熊彼特的经济周期理论，依靠破坏式创新，破坏式创新，依靠人脑和偶尔出现的天才；而 AI，第一次让这样的天才本身成为可以投资、可以批量制造、可以不断增强、而且还可以不断自我强化的资本。 从这个角度来看目前无论多大的泡沫，在指数级增长的创新面前，都可能会被很快消化。