对于现在的mag7，尽管他们的ai算力相关业务，不可否认都很有前景， 但他们各自的核心业务都岌岌可危，msft的软件，amzn的电商，meta的社交，google的搜索，感觉在ai面前都是纸老虎。 我反正日常这些操作都交给agent了，日常基本不怎么用了

24-25年卖光了国内房产（老人坚持留了套自住，现在后悔中），25-26年卖光了国外房产，现在看来都没卖在最高点，但看起来都会躲过最激烈的下跌 接下来ai带来的高失业率和高利率带来的双重压力，会让房地产陷入长期深熊 英国撒切尔时代高利率曾让房地产跌到租售比最低5，之后多年ptsd缓不过来 而且房地产这个工业化时代被固化的定义，在智能化时代，将会被彻底改变。无论是医疗、教育、交通撑起来的所谓“优质地段”，还是建筑物料成本及方式，不出10年，都将面目全非 现在的房子，可能是最不应该投资或持有的资产！

都不用三体舰队 历史上任何一次工业革命，甚至是大的技术进步，带来的都是社会财富的再分配 而财富再分配，往往都是体制剧变 好点的是改革，大点就是革命 ai不是一次工业革命，是持续不断的工业革命

ai最疯狂的地方，就是把20年的周期压缩到10年、5年甚至更短 但倍数可能更高于之前的互联网周期，房地产周期 这也是为什么普通散户不要择时

对于绝大多数人来说，只要能吃到ai的beta，已经足以改变命运 就像改开近30年的中国楼市长牛，买的房如果因为10%的市场价格变化买卖，还能吃到十几倍甚至几十倍的增值吗？ 大周期只需要一次买入，和一次逃顶，其他都是噪音

不破不立，先破再立 ai是加密的最大威胁，也是加密的最大希望

我现在是半导体唯一多头了？ 还有其他人认为ai没有泡沫的吗？

作为一个币圈跨界过来炒股的新手， 在币圈经历过7.9，3.12，5.19，对于这段时间美股半导体的回调 我只想说 就这？

10 月 16 日，Google Research 发布两项研究，分别涉及自主实验机器人和AI 驱动的适配体设计闭环。最重要的是，研究展示了 AI 如何根据真实实验失败原因，修改下一轮设计策略，而不只是增加候选分子的生成数量。 1. Wet-lab 命中率：经过三轮反馈，最高达到 42.1% Google 的适配体实验涵盖两个蛋白靶点。 α-thrombin： 第一轮没有获得有效结合分子，命中率为 0%。AI 分析实验失败原因后，发现部分固定引物序列影响适配体折叠，于是修改结构设计。第二轮命中率达到 26.0%，第三轮进一步达到 42.1%，靶标特异性达到 98.5%。 Myoglobin： 第一轮有效命中率为 10.2%。第二轮由于 AI 过度优化表面结合信号，产生大量非特异性结合分子，实际命中率反而下降至 3.7%。AI 根据实验数据重新限制容易产生非特异性结合的结构，第三轮命中率提高至 33.5%。 也就是说，Myoglobin 的最终命中率达到第一轮的约 3.3 倍，相较第二轮低点提高约 9 倍。 2. 蛋白质设计：计算成本下降，同时获得纳摩尔级结合分子 另一项研究针对肿瘤相关靶点 FAP（Fibroblast Activation Protein）。 Google 使用 Agent 辅助优化蛋白设计流程，通过只保留靶蛋白局部结合区域进行结构预测，使该步骤计算速度提高 8.6 倍。 在相同计算预算下，人类科学家与 Agent 协作的计算筛选命中率接近单独由科学家操作的两倍。 随后，团队利用真实实验获得了亲和力达到个位数纳摩尔级别的蛋白结合分子。 为什么这次值得特别关注？ 此前： AI Design → Computational Filter → Wet-lab Validation 这次更重要的进展是： AI Design → Wet-lab → 分析失败机制 → 自主修改设计规则 → 下一轮 Wet-lab → 命中率提升 这意味着实验不再只是模型输出结果的最终验证环节，而开始成为 AI 持续改善设计策略的反馈来源。

低估了头部模型公司的阴险 最强的模型连api都不开放 openai疯狂解数学题快两个月了，用的是内部叫bel的模型，根本不知道什么时候开放api

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。

避免ai末日的曙光 这篇来自前 OpenAI 核心研究员 Nick Cammarata的文章重要性怎么理解可能都不为过 因为这可能是实现真正ai对齐的技术曙光 之前研究人员普遍非常悲观，因为神经元网络看起来就像纠缠不清、杂乱无章的乱麻（tangled knots）；OpenAI 早期做的大规模自动解释项目中，使用初级工具仅能清晰解释约 2% 的神经元。 一旦无法从内部解构神经元，人类就只能被动地从外部约束输出结果。但困境显而易见：弱监督很难真正防住更强大的智能，若用大模型约束小模型，那当大模型自身走向失控时，又有谁来约束它？ Nick直接用实验推翻了这一假设： 1、“多义乱麻”全属误读：曾被学术界奉为经典的“猫脸与汽车”神经元，根本不是毫无逻辑的多义叠加，而是一个纯粹的几何特征检测器——它识别的是“V 形夹角”（负极则是“圆形”）。 两者其实存在重要的共同点。 2、递归泛化而非随机折叠： 神经元的生长机制符合“递归泛化（Recursive Generalization）”——如同树枝抽芽般沿着语义局部外延（从音节 iy 延伸到 diy，再延伸到短语 do it yourself）。既然是局部生长，它就呈现出分形般的自洽结构，而非不可解的混乱。 3、强激活主导一切： 直接切除模型前 75% 的微弱激活，整体性能仅微跌 1%；真正主导模型因果决策的是前 7% 的核心激活。微弱激活并没有藏着任何“潜伏的幽灵特征”，它们只是核心语义向外的微弱辐射。 不仅如此，约翰斯·霍普金斯大学（JHU）近期的理论研究《The Universal Weight Subspace Hypothesis》也从数学层面给出了宏观佐证：跨架构、跨任务训练的模型权重，最终都会系统性坍缩至同一个极低维的普适权重子空间中。 大模型在本质上不是深不可测的混沌深渊，而是一座自发呈现极高对称性、高度结构化的规整晶体。 一旦确立了“神经网络内部天然规整”的物理事实，整个人类 AI 安全的防御逻辑将可能可以被彻底重构： 1. 欺骗对齐失去了隐匿的土壤 在“黑盒假说”时代，人类最恐惧的场景是休眠代理（Sleeper Agents）与战略欺骗（Deceptive Alignment）——模型表面上逢迎人类的偏好，暗地里却在思考链和内部参数中蓄积恶意。 但在物理真实的回路生态中： 因果生效必须依赖通路：任何能够最终驱动输出、影响长程行动的决策意图，都必须在大脑中“通电”，建立可被下游神经元读取的通路。 低维子空间无处遁形：既然模型并不存在任意折叠的叠加态缝隙，恶意的策略动机就无法做到“既具有因果破坏力、又完全不显现在网络生态中”。它一旦形成，就必定会在规整的激活链条和权重投影上留下清晰的几何印记。 2. 以弱控强变为可能 如果只在文字输出层面博弈，由于大模型的智商与狡黠度远超小模型或人类，弱监督很容易被高水平的伪装所蒙骗。 但如果小模型与大模型在底层共享同构的低维参数子空间，并且大模型的神经元回路只是小模型概念的“超精细分化”的情况下， a）小模型可以充当大模型的心电图探针：我们无需小模型在大模型的文字智力上取得压制，只需用小模型去标定安全与危险的几何基底向量，就能实时读取大模型深层回路的流向。 b）内部白盒监管：监管程序直接驻留在模型的“目标评估模体（Goal Motifs）”与“因果门控”之上。一旦出现对齐漂移，探针可在危害生成的毫秒之间直接截断通路，终结了“谁来监督终极智能”的无限递归死锁。 Nick 的洞察与权重子空间的发现，正在把 AI 对齐推向真正的“可解释性 2.0 时代”： 如同深度学习早期抛弃手工特征工程一样，理解大模型也不需要繁琐复杂的外部特征重构（如强行训练额外的稀疏自编码器 SAE 去解构已有的干净神经元）。只要依靠极致规模化的自动化 Agent 科学家，直接对模型原生的神经元、回路与注意力流展开探索式科研，就能系统性解构整个网络。 未来防御不对齐模型的手段，不再局限于脆弱的提示词防火墙，而是可以直接在权重流形上施加正交投影约束——在数学层面上直接切断模型向非安全子空间漂移的自由度。 nick的研究和JHU的论文，预示着黑盒正在被照亮。人类面对超级智能的对齐，终于从盲人摸象般的撞大运，开始走向精准工程控制。

继数学被ai解决之后，物理看来马上就会是下一个 GPT-6 Astra在最新的物理评测中达到了 98% 的准确率 由多位高能物理与理论物理领域学者联合发布的论文 《TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving》 构建了一个面向前沿理论物理的基准评测集，收录了 50 道未公开发表（unpublished）、具有确定可验证答案的科研级理论物理问题。 单道题目若由该细分方向的顶尖专家独立推导，大约需要 1 天以内 解决；若交给相近领域的物理学者，则需要耗费更长时间。 以 Codex 框架接入的GPT-6-Astra达到了 98% 的最终答案准确率，而且还是以极低的计算成本，单题求解平均成本 低于 3 美元。

我们正在经历从自动化到自进化的过渡