与「数学」相关的搜索结果

从太子集团的陈志到硬件钱包Coldcard，全部都因为随机数导致私钥被破解，那随机数和私钥有什么关系？为什么他们的随机数会出问题？ 首先比特币私钥本身就是一个256位的随机数，而这也是比特币最安全的核心保障，因为这个数字的组合总共有10的77次方，远远大于地球上沙子的数量，大约等于整个可观测宇宙中的原子总数，这种天文数字即使动用地球上所有的计算资源都不可能暴力穷举出来。 那既然规模如此之大，陈志和Coldcard又是怎么被盗的？ 核心就是在于，私钥安全的前提是因为它是个随机数，而如果你的私钥生成的过程根本不随机，那根本用不到什么量子计算机，随便一台电脑跑几个小时就能把你的私钥算出来。 随机数分为两种，伪随机数和真随机数，简单来说凡是通过一定的数学公式使用代码生成的都是伪随机数，而通过物理现象产生的随机数才是真随机数。 比如你使用Python的random()函数生成一个随机数是214，你以为真的是电脑给你随机选了一个数字，实际上这个数字是通过一个数学公式生成出来的，比如下一个数字=当前数字*7+3-5，那么你只要知道计算的公式就可以穷举出来这个公式能生成出的所有结果。 这时候问题来了，你会奇怪那为什么计算机不真的给我一个随机数呢？因为对于软件来说，任何结果都不可能平白无故的直接产生，你得有输入信息，并且配合程序运算，才可以有输出结果。 所以真正的随机来自于不需要软件和数学公式的物理世界，比如你投出的一个骰子，或者下一个雨滴掉落的位置。 所以对于私钥来说，想产生安全的随机数，只有软件不够，必须要配合硬件，比如提取CPU的电子噪音来作为完全无法被预测的输入信息，现在成熟的手机和电脑本身已经提供了硬件层面的安全随机接口可以调用，所以你用OKX、币安和Metamask生成的钱包都大概率使用了硬件噪音产生真随机数，主流硬件钱包自己本身也会读取硬件数据获得随机数。 陈志的钱包被盗是因为雇的程序员水平太差，直接用了最初级的随机数代码，估计是从哪个野鸡学校绑过去了一个刚毕业的大学生，抽了几鞭子就开始干活了。 Coldcard本身其实已经使用了硬件层面的随机数，但因为一个版本出现漏洞导致没有调用到硬件信息，而是采用了纯软件生成。 所以现在的问题是，你的钱包生成随机数的过程，到底随机不随机，完全是个黑盒，你压根不知道。 最有效安全的方式，就是你自己拿个骰子扔100次，记录下来每次的数字，然后把它转换成256位的二进制编码，再使用BIP39算法转换成24个英文单词，也就是你的助记词。

逛 HN 的时候，看到了这一篇挺有价值的帖子，作者从 5 万多个书签里，整理出了自己心中的 S 级可视化教程。 在 AI 时代来临以前，大家会花费巨大的精力和时间去手敲写博客和教程 于是才有了下面这些非常优质的教程，AI 时代来临以后，还有人会做同样的事吗？ HN 原帖： 🎮 互动游戏 / 动手学习 从逻辑门开始造一颗 CPU 用游戏学习 Git 分支 用游戏学习 CSS Grid SQL 侦探游戏 另一个 SQL 解谜游戏 从零组装一个神经网络 机器人实时 3D 仿真 🧠 AI / 机器学习 交互式理解 Transformer 可视化理解 K-means 聚类 视觉 Transformer 图解 机器学习可视化入门 线性回归、逻辑回归与神经网络 神经网络的前向传播与反向传播 FAISS 向量检索原理 💻 编程 / 计算机基础 算法可视化 从零实现 React 从零“造”一块 NVIDIA GPU 一次请求如何从浏览器到达服务器 网络七层模型 限流算法 椭圆曲线密码学 🎨 图形学 / 游戏开发 颜色、屏幕、图形、渲染、着色器、编译器与解释器 用 Rust 和 Bevy 搭建 3D 编辑器 Vulkan 图形管线 碰撞检测、着色器、渲染与剔除 📐 数学 / 物理 交互式概率论 线性代数与向量 引力如何工作 ⚙️ 工程 / 硬件 内燃机工作原理 芯片制造流程

50个看似"违法"但完全合法的网站 1. 下载任何社交媒体视频 2. 免费Photoshop 3. 一键临时邮箱 4. 100+免费工具合集 5. 访问任何旧网页 6. 数百万免费教科书 7. 免费研究论文 8. 查找免费应用替代品 9. 定位任何内容的流媒体位置 10. 7万本免费经典书籍 11. 免费PDF下载 12. 精英大学免费课程 13. 瞬间解决任何数学问题 14. 一键去除背景 15. 从照片中删除物体 16. 免费视频去背景 17. 免费压缩任何图像 18. 免费手绘图表 19. 将代码转换为艺术作品 20. 令人印象深刻的代码截图 21. 实时追踪任何航班 22. 追踪亚马逊价格历史 23. 检查是否被黑客入侵 24. 扫描任何文件的恶意软件 25. 发送自毁消息 26. 分享自动删除的文件 27. 永久归档任何网页 28. 从任何网站删除你的信息 29. 收听全球任何电台 30. 识别任何节目的歌曲 31. 专注音乐 32. 个性化专注音景 33. 搜索每本已出版的书 34. 研究论文AI助手 35. 搜索科学共识 36. 可视化研究地图 37. 免费学术搜索 38. 理解任何研究论文 39. 总结YouTube视频 40. 开发者AI搜索 41. 即时测试正则表达式 42. 清晰格式化任何代码 43. 理解终端命令 44. 浏览器无限画板 45. 检查网站是否宕机 46. 反向图像搜索 47. 测试网速 48. 免费编辑PDF 49. 合并和分割PDF 50. 数秒内获得临时邮箱 全部合法。全部免费。 收藏以免遗忘。🔖

转一下苏剑林老师对 K3 架构的复盘。 一句话概括，K3 = KDA + MLA + Stable LatentMoE + AttnRes。整套设计没什么炫技，核心就是在模型效果、计算效率和训练稳定性之间做取舍。 这里稍微解释一下： KDA，一种线性 Attention MLA，一种 KV Cache 较小的 Full Attention 变体 Stable LatentMoE，对 LatentMoE 做过稳定性改造的 MoE 方案 AttnRes，用可学习的跨层注意力，替代固定等权的残差累加 几个比较有意思的点： ① K3 同时使用了 KDA 和 MLA。另外，训练仍然用 Moonlight 版本的 Muon 优化器，Attention 权重改成 Per-Head Muon，每个 Head 独立优化。苏神说这不会直接提高效果，主要是数学和结构上更合理：各个 Head 本来就相对独立，不应该在优化时耦合在一起。 ② 解决MoE“容易炸”的问题。 LatentMoE 会先降维，再使用更多专家，最后升维，在训推成本大致相同的情况下效果略好。不过连续的矩阵投影也让训练更容易出现数值不稳定。 K3 把 SwiGLU 换成了 SiTU-GLU，用 softcap 压住异常激活；又在 LatentMoE 升维前加了一层 RMS Norm。这个 Norm 不只是让训练更稳定，在 Valid Loss 差不多的情况下，不加它，某些 Benchmark 会稳定变差。 （这里有超级多的技术细节，感兴趣的可以看苏神原文） ③ 关于MLA DSV4 看上去都换设计了，K3 怎么还在用 MLA？苏神的答案是，目前 MLA 仍然很难被全面击败。它在训练阶段是 MHA 形态，推理时 KV Cache 较小；在固定训练成本和 KV Cache 大小时，MLA 依然近乎最优。 它的问题是对 MTP（推测解码）不够友好。MTP 的思路是“用计算换速度”，而 MLA 在 Decoding 阶段本身就比较吃计算，再叠一个 MTP，两边就容易抢算力。 换别的方案也有代价。比如换成 128+128 的 GQA8，效果很难打赢 MLA，KV Cache 还是 MLA 的三倍多；换成 256+256 的 MFA（本质上是 MQA），训练和 Prefill 成本又会上去。 目前还没有一个简单的 Attention 设计，能同时占住效果、训练成本、Prefill、KV Cache 和 Decoding 计算量。在 KDA+MLA 的混合架构下，MLA 的部分问题得到缓解，所以 K3 最后还是选了 MLA。 ④ 苏神觉得，DSV4 也不算真正“抛弃 MLA”。 DSV4 看上去重新设计了 Attention，但底层仍然有 MLA 的影子。它采用的是 head_dims=512、K=V 的 MQA，这正是 MLA 在 Decoding 阶段的形态；再加上 Sparse + Compress，前者减少计算，后者进一步压缩 KV Cache，同时减少计算。 方向很激进，不过 Infra 也更复杂。 ⑤ K3 的 MLA 可以去掉 RoPE，是因为 KDA 已经隐含提供了一种广义的位置信息。 这只适用于 KDA+MLA 的混合结构，像 K2 那种全 MLA 模型，直接去掉 RoPE 还是会明显掉效果。 感觉苏神真正的观点是：大模型架构里很少有免费的升级。K3 的设计哲学不是找一个碾压所有方案的新架构，而是在效果、训练成本、Prefill、Decoding、KV Cache 和稳定性之间，找一个当前更合适的组合。 苏神原文里还有很多技术内容，非常值得一看。 原文地址：

我们这期视频播客的嘉宾是盛颖，xAI前推理团队负责人、开源推理引擎SGLang发起人及RadixArk联合创始人/CEO。 在开源模型集中爆发之际，盛颖在AI Infra（基础设施）领域的研究和贡献非常核心。她将AI Infra描述为“浪漫的关系”，是产品本身，需要有“美感”。 由此，我们走进盛颖的世界。 她曾经想成为一个数学家，沉浸在一个确定、纯粹、仿佛“与世界无关”的世界里。 但从哥大到斯坦福，从形式化验证到 AI Infra，盛颖一路经历的并不是外界看到的连续发顶刊的高光，背后是不为人知的寻找方向、迷茫、停滞、低谷和重新出发。她逐渐意识到，自己无法勉强去做一件不感兴趣的事；只有真正被一个问题吸引，她才能进入高度专注的状态，并把它做到极致。 SGLang，是这条研究路径的集大成者。它从一个学术项目成长为面向真实生产环境的开源推理引擎，也把盛颖从研究者带进了更复杂的工程、组织与产业世界。 在早期的xAI，她获得了难得同时存在的“support”和“freedom”，参与搭建生产级推理系统。但随着SGLang社区迅速扩张，仅靠开发者在业余时间维护，已经无法支撑项目继续向前。为了让这件事真正走下去，她选择离开xAI，创立RadixArk。 这期节目，我们从盛颖眼中的数学之美、论文和低谷聊到SGLang、xAI与RadixArk，也聊一个人如何逐渐理解自己的天性，并决定不再与之对抗。 盛颖说，她在乎的不是“making impact”，而是那些她认为正确的事情，最终有没有发生。从“世界与我无关”，到“想要构建那个跟强力AI共存、且人类不会输的未来”，这，是盛颖的故事。

08-04 AI日报🍁｜阿里 Qwen3.8-Max 重磅发布 今日 AI 圈 5 条要闻，重点看这几条： 1. 阿里发布 Qwen3.8-Max（2.4T 参数旗舰，下周开源权重）； 2. DeepSeek V4 Flash 正式版上线，Agent 能力大幅增强； 3. OpenAI 未发布模型（Astra 相关）在数学上取得 10 项突破； 4. NVIDIA 开源 Nemotron VoiceChat 全双工实时语音模型； 5. 英国光子芯片初创 OLIX 融资 3.12 亿美元。

这个标的crox是洞洞鞋 跟着李录建仓的 80到130，逻辑极为清晰 估值计算极为准确，确定性非常高 而在市场的角落里，几乎没有任何人谈起过crox 整个过程，似乎像小学数学加减乘除那样确定 这张票，教会了我不去凑热闹，也有好机会 另外，美国银行 4月初至今翻倍 没啥大回撤的翻倍 市场有人说过吗？没有 注意力全在半导体凑热闹 可加息=银行息差增加，只要仔细想一下就知道短期利好+极低估值 为什么抓不住呢？ 当我们在聚会时，聊到的标的， 大多是拥挤交易的产物 情绪fomo的产物 比如这一个月的海力士 独立思考还是价值大得多 在美股的确是这样

Claude Opus 5 写了一个最简单的套利 Bot 一晚上，把 $100 做到了 $1,911.18 但真正值得关注的，并不是利润 而是这个策略简单到了极致 它只遵循一个规则：当 $BTC 市场里的 YES + NO < $1 时，开仓套利 很多人直到现在还认为做交易软件，需要计算机专业背景，需要多年编程经验 但 AI 学会写代码之后，这件事正在发生变化 这个 Bot 并不是什么华尔街秘密算法 它只做一件事： @Polymarket 上每个 BTC Up/Down 市场，最终结算金额固定就是 $1 一边赢 $1 另一边归零 所以如果 YES 价格是 $0.48，NO 价格是 $0.50 两边合计只有 $0.98 Bot 就同时买入两边 不需要预测方向 不需要技术分析 只需要数学 真正困难的地方，从来不是想到这个策略 而是把它变成一个可以 24 小时监控市场、毫秒级执行交易的软件 五年前，你可能需要雇佣开发团队 现在，Claude 可以一步步帮助你完成构建 它不会替代你理解问题 但它极大降低了把想法变成产品的门槛 这也是为什么我认为： 我们正在进入一个完全不同的时代 最大的优势，不再是你会不会写所有代码 而是你是否知道应该创造什么，然后利用 AI 更快把它实现 每周都有很多人花 40 个小时，为别人的业务打工，同时告诉自己开发软件太难了 与此同时，一个简单的自动化程序，可以全天候运行，不会疲惫 当然，不是所有 Bot 都能赚钱 也不是所有想法都会成功 但那些现在开始学习如何把想法转化成软件的人，正在获得几年前几乎不存在的优势 真正的机会，不只是 AI 本身 而是从一个普通使用者，变成一个真正的创造者 这才是我看到的最大套利机会 我使用future追踪监控聪明钱的钱包地址 🔗

OpenAI公布十项数学与理论计算机科学新结果，全部由AI主导完成 OpenAI内部一个代号Astra的未发布模型，在球体堆积、编码理论、群论、算子代数、量子复杂度、格密码学和极值组合数学等领域，解决了十个悬而未决数十年的公开问题。每个结果都配有一份用Lean 4形式化的证明，证明代码公开在Github上（ 这些数学论证本身是由模型生成的，人类只负责把论证整理成手稿、并完成Lean形式化。跟现在程序员用AI写代码的过程类似：AI写代码，人类程序员只负责review，甚至有的都不review，直接accept后做功能测试。 想想未来数学家、科学家像程序员一样，主要职责就是验证和Accept，未免有点太刺激。 OpenAI原文： 10道题目简介： 1. 高维球体堆积：多少个球能塞进一个盒子 想象在很高维度的空间里堆橙子，怎么堆最省地方、能塞下最多球，是一个跟晶体结构、通信编码都有关的经典问题。1978年提出的Kabatiansky–Levenshtein上界四十多年没人从根本上突破。AI生成的公式算出的指数约为每维度−0.604，比历史最佳的−0.599更紧。 2. 二元码与球面码：怎样让传错的信息还能被纠回来 给数字信号加冗余，让接收端即使传输出错也能纠正，是编码理论的核心问题——纠错能力越强（码字间距离越大），能塞进的合法码字就越少，这是一个此消彼长的权衡。这次的结果把已知的码字数量上界在指数意义上大幅收紧，缩小了理论允许的最好码和已知构造出的码之间的差距。 3. 非苏菲克群：所有“群”都能用有限的东西去逼近吗 群是数学里描述“对称性”的基本结构。一个自然的问题是：任意一个群，是否总能用足够大的有限置换群去足够精确地逼近（这类群叫“苏菲克群”）？这个问题多年没有定论。这次的结果构造出一个明确、有限表现的群，并证明它天生无法被这样逼近，即它是非苏菲克的。 4. Connes刚性猜想：换了一张“脸”，身份还是原来那个吗 每个群都能生成一种叫von Neumann代数的运算结构，有点像给群拍了一张“运算指纹”。Connes猜想认为，对某一类群来说，这张指纹应该能唯一认出原来的群，不会有两个不同的群共享同一张指纹。这次的结果构造出一个反例：两个结构不同的群，却生成了本质相同的von Neumann代数，说明这张“指纹”并不总是唯一的。 5. Permanent的计算下界：为什么有些矩阵运算天生就很难加速 矩阵有个大家熟悉的量叫行列式，靠消元法就能快速算出来。它有个“难兄弟”叫permanent，长得像行列式但去掉了正负号，恰恰就是这个符号差异，让permanent在已知算法里始终摆脱不了指数级的计算量。这次的结果证明，只用加法和乘法搭出的电路（不允许用除法这类“捷径”）去计算permanent，电路规模必须达到某个新的、更高的下界，从数学上解释了为什么这类计算“绕不开”。 6. 量子平行重复：把同一个博弈重复玩，输赢概率会怎样变 在双人合作博弈里，如果重复玩k次要求全部获胜，直觉上获胜概率应该随k指数级下降。这件事在经典（非量子）情形下早已证明，但如果博弈双方可以用量子纠缠来配合，之前的证明工具只能给出很弱的下降速度（大约是根号级）。这次的结果把这个结论真正推广到了一般的量子博弈情形，证明获胜概率同样会指数级下降。 7. 最近向量问题CVP：格密码学为什么“抗量子” 把很多点按固定的方向和间隔整齐排列在高维空间里，就构成了一个“格”。给定格外一个随意的点，找出离它最近的格点，这就是最近向量问题CVP。这次的结果证明，哪怕只要求“大致找到”一个足够近的格点（而不是精确最近），这个问题依然是NP困难的，也就是说没有已知的快速算法能保证解决它。这正是后量子密码学敢于依赖格结构的理论基石。 8. Ehrhart体积猜想：一个凸体最多能“胖”到什么程度 设想一个凸的几何体，它唯一包含的内部整数点就是它自己的重心，那么这个凸体的体积最多能有多大？这次的结果给出了每个维度下精确的答案，是(n+1)n/n!(n+1)^n/n! (n+1)n/n!。 9. 多色拉姆齐数：想在一堆点里完全避开“三角形”，要多少种颜色 拉姆齐理论说的是：只要一个系统足够大，规律和结构必然会自发出现。把这句话落到最经典的问题上：给一张完全图的每条边染上k种颜色中的一种，要让图里避免出现同色三角形，图至少要多大？这就是Erdős第183号公开问题。这次的结果证明，这个最小规模会随k呈“超指数”增长，也就是比任何形如 c^k 的指数增长都快，彻底解决了这道悬了很久的题目。 10. 极值图论中的两个反例：稠密程度能推出图有多“退化”吗 极值图论研究的是：给定一些限制条件（比如不能出现某种子图），一张图最多能有多少条边。这次的结果针对两个具体的公开猜想（Erdős第146和180号问题）构造出了反例，说明原猜想设想的“边数够多就必然导致某种退化结构”的推理并不总是成立。

OpenAI 准备推出一个新的模型系列，模型名暂定 Astra，与 Sol、Terra、Luna 并列，这个模型执行长期任务的能力得到提升。 据透露，OpenAI CEO Altman 本周在华盛顿向政府和监管机构展示了 Astra。OpenAI 宣传了模型让多个 Agent 在较长时间内协同工作以解决特别复杂难题的能力，这些能力可应用高等数学问题。在短期内，OpenAI 还计划发布一份报告，展示其最先进的 AI 如何成功解决 10 个此前未解决的数学难题。 目前尚不清楚 OpenAI 多久后正式发布该模型，但是预计该模型将成为首批通过特朗普政府的新审查框架的模型（根据该框架，人工智能模型在向公众发布前需提交给联邦政府审查） 信息来源：