与「让巴尔」相关的搜索结果

AI for Math 的新思路 如果一个人根本不懂数学，只是靠AI碰巧解出一道难题，有价值吗？这有点像猴子拿到了AK47：武器很强，但它不知道为什么能打中，也不知道下一次该往哪里开枪。 数学研究的价值，不只是得到一个答案。更重要的是，有没有人能理解证明为什么成立，从中提炼出新的方法，再把这些方法推广到其他问题上。这也是陶哲轩一直强调的方向：AI可以参与数学研究，但人类必须始终参与到研究过程里。 最近，超衍智能 Apex Intelligence @apexin_ai 推出了一套名为“Apex Math”的自动化 AI 系统来做数学研究。不同于 OpenAI 的1万个Agent暴力并行求解，Apex Intelligence的路线是：先由专业数学家提出有价值、值得推进的研究课题，再让 AI 系统去尝试独立完成证明，最后交回给数学家做严谨的审核。有点类似Vibe Coding中Agent与程序员的合作模式。 这套数学家与AI的合作模式，人类始终在整个过程中，对于项目有充分的掌控和理解，很契合前几天陶哲轩等菲尔兹得主联名倡导的方向。 目前，Apex Intelligence的这套系统已经推进了 5 项前沿数学研究： · 其中 2 项已经通过了专家的严格核验。 1）MVI优化算法，人类数学家使用这套系统接力跟进，持续提升最优算法 第一版论文： 清华后续优化： 北大后续优化： 谷歌后续优化： 2）Mockenhaupt三项Hardy-Littlewood极大化猜想 AI 系统给出了一个通用的解析证明，彻底证明了这个猜想在所有参数下都成立。 · 另外 3 份候选论证（包括悬而未决 29 年的 Nivat 猜想），已直接公在了 Apex 数学平台 上，并且设立了 10 万元奖金池，公开邀请全球的研究者来挑错、复核或者补齐推导。 参与方式 ： 他们还分享了一些与AI的对话记录： Apex Math现在提供的方法，权衡了AI和数学家的职能，是比较实际能落地的方案，但还不一定是AI做数学研究的最终形态。不久的未来，随着AI能力的显著提升，数学家、科研工作者如何与AI协作，可能还会有大的变革。

我记得那些在我什么都没有时帮过我的人， 很多时候跑会，不是为了认识更多人， 只是想着找个机会，再见见那些大哥、大姐们。 ———————————— 第一次跑会，是 2023 年初。 参加的是「村民活动中心年会」。 村民活动中心， 是华语区早期项目方 KOL 明哥发起的 DeFi 社区。 首批成员里，很多都来自江南愤青的社区。 江南愤青， 就是十年前金融圈里常被叫作「校长」的那位。 某种意义上， 2023年是我第一次真正走进Crypto & Web3的线下场。 —————————————————— 为什么要特别提「华语早期」？ 因为我第一次刷到明哥，是 2018 年。 那时候我还在想，要不要买 TRX。 江南愤青就更早了。 很多人的投资和投机底层， 其实都来自那个时代的 KOL。 和现在这批 「装头部」「借假修真」「装咖位」的 KOL 不一样的是， 2018 到 2023 年，我接触到的那批老师，是真的不装。 有判断，有成绩，也有脾气。 更重要的是：那时候的 KOL，是真的像个人。 最近很多人在 Diss 我， 或者讨论我和现在 KOL 圈的关系。 我想说的其实很简单： 你们现在看到的这批，算鸡毛。 我刚入圈时遇到的那些人，那才叫 KOL。 —————————————————— 为什么会在 2023 年跑到杭州？ 因为我在 2022 年毕业后， 进入撸毛圈的本金，来自「村里」。 没错！我最早期也是那种 亏完、迷茫、像个电子乞丐的人。 2022年毕业以后， 撸毛大半年没有见到什么结果。 钱快烧完了，所以到了 2023 年， 我已经走到了一个很现实的关口： 硕士毕业后的就业补助，马上就要错过最后期限了。 那时候想的也很简单：去杭州。 先想办法混上饭吃。 至于后来为什么没有去找工作？ 因为去杭州没多久， 拜完「天下第一财神庙」没多久， Arb 的空投来了。 那一波空投， 不只是让我第一次真正赚到钱。 更重要的是： 我第一次有了放弃就业的底气。 现在回头看， 2023 年的杭州， 可能就是我人生轨迹真正开始拐弯的地方。 —————————————————— 同样的事情， 为什么去年我还会从马来西亚飞到上海， 参加 BlockFocus的酒会？ 因为在我啥也不是、亏完的时候， BlockFocus曾经一次又一次地捞我一把。 为什么过去两年，我都会飞日本去见枪总？ 因为我入圈后最早的两次不错的 KOL Round， 以及 M，都来自…… 这些在我什么都没有的时候， 愿意给我机会的人， 我一直都记得， 然后这两年好转后， 我还是不要脸的蹭吃蹭喝的状态。 我其实不是一个喜欢主动社交的人， 但我还是很愿意， 定期去见一见这些大哥、大姐。 因为我始终觉得： 人可以忘记自己赚过多少钱， 但不应该忘记谁在自己什么都没有的时候， 愿意给过机会。 所以我去跑这些会， 有时候不是为了认识更多人。 而是想去见见那些 在我还啥也不是的时候， 就愿意拉我一把的人。 —————————————————— 最后想说的是， 不要指望跑几次活动，就能改变人生！ 认识几个大哥，加几个 KOL， 拍几张合照、混几个酒局， 这些东西本身，都不会让你的人生发生什么变化。 真正改变人生的，从来都是你自己做出来的结果。 以上就是我的来时路。

我们在学校听了十几年的老师讲课，却没有人教给我们「怎么学」。 用Opus 5.5把《Learning How To Learn》的核心方法浓缩成10分钟。 让你快速掌握学习的方法，让以后的学习效率突飞猛进。 （要是自己在高中能看到这本书就好了😭😭）

5/5 获取佣金 如果用户从你的网站跳转并购买，你就能获得 40% 返佣，首次购买后 12 个月内符合条件的续费也计佣！！！（按月结算）。 如果你在做 AI 工具、提示词或 Skills 网站，欢迎来接入 Skillry Affliate。 一起把好工具推荐给更多人，也让自己获得丰厚回报 🙌

最近 Almanak 上线了新产品，之前做过一些研究，所以正好借着热度，聊聊这个项目。 他们主打的口号是：一个人跑一个链上对冲基金。 查了一下 Almanak 这个词，是“年鉴”的意思，一般图书喜欢叫这个名字，例如《中国文物年鉴》。 不过这个项目做的东西是 AI 代理+策略，上面各种策略横飞，加到一起，倒是也可以称之为基金策略年鉴。 于是乎，测试了一下他们的产品，输入的指令是： 在 Uniswap 上做主流币（WBTC、ETH）+稳定币（USDT、USDC）做 LP。 1. 定位哪个 Pair 的 APR 最高，在什么链上？这可能会涉及到 2*2*链数 种可能。 2. 通过近期、中期判断应该设置的价格区间 3. 根据价格区间计算应当投入的主流币、稳定币两种本金占比（假设每个仓位投入 100K 美金） 然后 Almanak 的 AI 问了几个问题之后，就开始抓取、分析。 最后分析出来，Base 上面的 ETH/USDC 流动性是以上这些选择里 APR 最高的，然后选择了 1600-3300 区间。 接下来，就直接进入开发、测试、部署流程了。 PS：真不把 AI 当人啊。 整个流程也就 10 分钟。下一步，如果真的往里面打入 $ETH，这个钱包就会真的直接开始执行策略。 话说回来，从基金风控角度来说，大资金不应该直接放在 AI 写的代码里。大资金真用的话，可能还是得引入真人来校对、找专业的代码审计机构，来审计一下才能用。 这个 Almanak 产生的代码，适合小资金、适合测试想法，也就是“构想验证”。 例如去年年底，有个机构申请了夜盘比特币 ETF，在美股收盘后建仓比特币，白天天亮了就卖了。这种 idea 你乍一听挺好，但是具体效果如何，你还得去真跑一个测试。 你丢个 100 美金进去，直接告诉Almanak，让它 Vibe Coding 出来的代码一跑，跑个十天半个月的实盘，心里自然就有结果了，一下子节约好多时间。 这也是为什么拿嘴编程叫 Vibe Coding，因为它就是一种感觉（Vibe），靠感觉驱动的。 说回年鉴，因为都是 Vibe Coding 出来的策略，所以它还有个策略广场，里面有各种策略。例如在 Pancake 上跑的，BTC-BNB 策略，然后还有 AI 打分，评价了安全性和收益率等等。 感兴趣的话，可以都来测试一下。 每个普通用户可以白嫖三个策略（Signal），不过如果写得策略比较多，就要充值会员了。 链接在评论区。

两台 GB10 本地跑 sol-H3 做视频，满载经常 90°C+. 让 Opus 5.5 爬了散热改装实测数据，萃取基础方案,又搭建了仿真环境自动寻优,预计装上后比裸机放桌上低 11–16°.， ai help ai ,正在指挥3d打印机打印，坐等实测最终效果

离谱。。在昨晚 OpenAI 宣布企业套餐里加入 GLM 5.3 等开源模型之后，A\ 立即发布报告，严肃批评了开源模型的安全问题。 这个报告的信息量不大，但看完之后满脸问号。。。 报告先说 GLM-5.3 是「迄今发布的网络安全能力最强的开源模型」。 比美国前沿模型落后约4个月。 他们测试了几个模型，这些模型包括 Opus 4.6，Kimi K3，DeepSeek Flash，但 GLM 5.3 是唯一一个具备漏洞利用能力的模型。 然后提到 GLM 5.3 其实自带了安全护栏。 但是因为它是开源的，任何开源模型都可以通过一种拒绝行为削减技术，abliteration 来重新配置模型，专门移除拒绝行为，训练出不安全的 GLM 5.3 版本，制作一次约4400美元成本。 简单说就是开源模型天然可以改权重，都不安全。 对这个移除拒绝行为abliteration 的模型进行评测，发现这个版本确实很不安全。 对于原版的带安全护栏的 GLM 5.3，通过欺骗性提示词、预填充思考等方式，可以欺骗模型参与到危险的任务中。 而 Claude 不提供预填充思考功能，也不开源，无法被 abliteration，所以非常安全。 报告最后呼吁，让更多企业和机构用上安全的闭源模型刻不容缓。 。。。 这个报告看起来是在讨论模型安全，实则带着积分自我兜售的意思。 开源模型自带了安全护栏，然后你通过训练把它的安全护栏去掉，以此论证开源模型并不安全。 如果觉得开源模型不安全，大可以开源一个安全的给大家用。 也可以选择积极地参与到开源模型的安全建设里，一起为安全做出努力。 你也可以选择把自己的模型开放给全世界，不要天天封号。 卖模型就卖模型，还要占据个道德的高地。。。