Phoenix Yin

Phoenix Yin

@Phoenixyin13最近同步 9/9/2026, 3:00:42 AM

🇺🇸 04美本 | 计算机科学&认知科学 ⚙️AI, cognition, crypto, and the future of intelligence. ✨相信好奇心驱动。相信人永远可塑。

Columbus, OH

7日排名
#824
总粉丝
20.1K
7日涨粉
+179
7日发帖
15
7日曝光
82.0K
帖均曝光
5.5K

Ranking History

Today’s rankings update in real time. Historical records retain daily top-five entries for growth, posts, and reach. Click to view a poster.

No daily top-five records yet.

粉丝趋势

近7日每日已结算数据

内容表现趋势

曝光/互动与发帖量均按自然日结算

发帖趋势

近7日每日发帖量

帖均曝光趋势

每日总曝光 ÷ 每日发帖量

Participated Topics

Participated in 1 topics

View topic rankings

OpenAI解决纳维–斯托克斯存在性与光滑性问题的转述继续扩散,本轮新增“有限时间爆破”的证明方向及科研算力化讨论。Phoenix Yin称,OpenAI使用内部模型完成证明,并把结论解释为光滑初始流场可能在有限时间内出现奇异性。rick awsb进一步称成果由未发布模型在几天内完成,据此提出科研将更多依赖GPU的判断。与乐观叙事相对,HAZENLEE认为现阶段AI更像超级搜索器,在隐藏前提识别、长链条证明和一般结构抽象上仍有短板。候选材料没有展示完整论文、形式化验证范围或独立审查结果,因此不能确认难题已获解决,也不能把算力替代科学家的推演视为既定趋势。

Participated post: 今天是历史性的一天。 就在今天,美国时间9月8日,OpenAI 宣布用内部模型解决了纳维-斯托克斯存在性与光滑性问题,并且证明的方向是存在有限时间爆破。 千禧年七大难题里,纳维-斯托克斯问的是:给一个光滑的初始流场,这个方程的解是否永远保持光滑?还是会在某个有限时间内速度变成无穷大? OpenAI 这次的答案是后者。 他们的系统给出了一个解析证明和 Lean 形式化验证,证明初始完全光滑、能量有限、受到光滑外力作用的流体,可以在有限时间内发展出奇点。 奇点的具体形态是一个不断向内螺旋、同时被轴向拉伸的涡旋,像意大利面一样越缩越细,越转越快,速度趋于无穷但总能量依然有限。从数学上,这就解决了克莱研究所官方表述中的命题 C 和 D,也就是推翻了永远光滑的猜想。 为什么之前卡了90年?难点在于,粘性本来是磨平一切的,你要让方程自己把自己弄爆破,同时外力还必须是光滑的,不能靠你手塞一个无穷大力进去。AI 找到的恰好是让加速度、压力梯度、粘性这些大项互相精密抵消,只留下爆破的路径。 这次的意义是超越性的。 1. 对数学: 这是继佩雷尔曼证明庞加莱猜想后,第二道被攻克的千禧年难题。之前的纪录是人类天才的单兵作战,这次是1000个智能体先花50小时解决无粘的欧拉方程,然后10000个智能体再花11小时把结果扩展到完整纳维-斯托克斯,全过程用了88小时,最后Lean验证又花了17小时,总成本有报道提到1500万美元级别的算力。这不是一个更聪明的求解器,而是一种群体智能和形式化验证的证明范式。 2. 对物理和工程: 它不意味着我们从此可以完美预测天气或造出不失速的飞机。恰恰相反,它证明了连续介质模型在极端条件下会自我失效。因为真实流体不可能达到无限速度,所以当奇点出现时,纳维-斯托克斯就不再是现实的可靠镜像,必须回到更底层的粒子描述。克莱研究所主席 Martin Bridson 说的那句“思考人类对数学理解取得重大进展的激动人心的一天”,指的就是这种边界被划清的时刻。 3. 对AI: OpenAI 说这个证明是由一个比 GPT-6 Astra 显著更强的未发布内部模型产生的。有意思的是,就在前一天,哈佛的 Levent Alpöge 和纽约大学的 Tristan Buckmaster 刚用 Claude 和 Codex 解决了无粘的欧拉版本,陶哲轩在 Mastodon 上评价那是“卓越的成就”。这说明最前沿已经变成了实验室之间的接力赛。 关于历史地位。 如果经过严格同行评审和 Lean 库的独立检查确认无瑕,我想我们可以把 OpenAI 放到卡文迪许、贝尔实验室那个讨论序列里。但这次他们自己表态,不打算去领那100万美元的奖金,而是把它定位为对AI进展速度的报告。我想这是很聪明的举措,毕竟,奖金需要克莱研究所漫长的评审,但历史地位不需要奖金来确认。 ���于现在的学生,路径只有一个,那就是成为接口: 学 Lean4。 OpenAI 这次同时发布了自然语言证明和形式化证明,未来数学论文的标准之一就是人类可读与机器可验证的结合。 有能力者,可以去试试啃那篇欧拉方程的论文,再对比 OpenAI 的纳维-斯托克斯完整版,看AI是怎么把有外力和无外力两种情况统一的。 把你的专业和AI绑在一起。你在哪个专业领域的任何一个问题,都可以问问,个问题能否被表述为一个搜索问题,让1万个智能体去探索。 还有一点,这次解决的是存在爆破,但没有告诉我们爆破在真实流体中是否可观测,是否稳定,以及有多少种爆破方式。这会或许打开一个全新的子领域,那就是对奇点的分类学——就像当年发现黑洞解之后,广义相对论才真正开始一样。 人类花了200年把流体写成方程,花了90年问这个方程会不会崩溃,最后,一群由人类训练、人类提示、人类互相竞争又合作的智能体,在3天多一点的时间里给出了一个反例。 我相信,这件事会成为21世纪上半叶的光辉时刻。
Posts 1 Views 61.0KHeat 688
#OpenAI#纳维–斯托克斯方程#有限时间爆破

近7日爆款推文

按近 7 日曝光排序,展示前 10 条。

1
2.0万 followers
Views6.1万
今天是历史性的一天。 就在今天,美国时间9月8日,OpenAI 宣布用内部模型解决了纳维-斯托克斯存在性与光滑性问题,并且证明的方向是存在有限时间爆破。 千禧年七大难题里,纳维-斯托克斯问的是:给一个光滑的初始流场,这个方程的解是否永远保持光滑?还是会在某个有限时间内速度变成无穷大? OpenAI 这次的答案是后者。 他们的系统给出了一个解析证明和 Lean 形式化验证,证明初始完全光滑、能量有限、受到光滑外力作用的流体,可以在有限时间内发展出奇点。 奇点的具体形态是一个不断向内螺旋、同时被轴向拉伸的涡旋,像意大利面一样越缩越细,越转越快,速度趋于无穷但总能量依然有限。从数学上,这就解决了克莱研究所官方表述中的命题 C 和 D,也就是推翻了永远光滑的猜想。 为什么之前卡了90年?难点在于,粘性本来是磨平一切的,你要让方程自己把自己弄爆破,同时外力还必须是光滑的,不能靠你手塞一个无穷大力进去。AI 找到的恰好是让加速度、压力梯度、粘性这些大项互相精密抵消,只留下爆破的路径。 这次的意义是超越性的。 1. 对数学: 这是继佩雷尔曼证明庞加莱猜想后,第二道被攻克的千禧年难题。之前的纪录是人类天才的单兵作战,这次是1000个智能体先花50小时解决无粘的欧拉方程,然后10000个智能体再花11小时把结果扩展到完整纳维-斯托克斯,全过程用了88小时,最后Lean验证又花了17小时,总成本有报道提到1500万美元级别的算力。这不是一个更聪明的求解器,而是一种群体智能和形式化验证的证明范式。 2. 对物理和工程: 它不意味着我们从此可以完美预测天气或造出不失速的飞机。恰恰相反,它证明了连续介质模型在极端条件下会自我失效。因为真实流体不可能达到无限速度,所以当奇点出现时,纳维-斯托克斯就不再是现实的可靠镜像,必须回到更底层的粒子描述。克莱研究所主席 Martin Bridson 说的那句“思考人类对数学理解取得重大进展的激动人心的一天”,指的就是这种边界被划清的时刻。 3. 对AI: OpenAI 说这个证明是由一个比 GPT-6 Astra 显著更强的未发布内部模型产生的。有意思的是,就在前一天,哈佛的 Levent Alpöge 和纽约大学的 Tristan Buckmaster 刚用 Claude 和 Codex 解决了无粘的欧拉版本,陶哲轩在 Mastodon 上评价那是“卓越的成就”。这说明最前沿已经变成了实验室之间的接力赛。 关于历史地位。 如果经过严格同行评审和 Lean 库的独立检查确认无瑕,我想我们可以把 OpenAI 放到卡文迪许、贝尔实验室那个讨论序列里。但这次他们自己表态,不打算去领那100万美元的奖金,而是把它定位为对AI进展速度的报告。我想这是很聪明的举措,毕竟,奖金需要克莱研究所漫长的评审,但历史地位不需要奖金来确认。 ���于现在的学生,路径只有一个,那就是成为接口: 学 Lean4。 OpenAI 这次同时发布了自然语言证明和形式化证明,未来数学论文的标准之一就是人类可读与机器可验证的结合。 有能力者,可以去试试啃那篇欧拉方程的论文,再对比 OpenAI 的纳维-斯托克斯完整版,看AI是怎么把有外力和无外力两种情况统一的。 把你的专业和AI绑在一起。你在哪个专业领域的任何一个问题,都可以问问,个问题能否被表述为一个搜索问题,让1万个智能体去探索。 还有一点,这次解决的是存在爆破,但没有告诉我们爆破在真实流体中是否可观测,是否稳定,以及有多少种爆破方式。这会或许打开一个全新的子领域,那就是对奇点的分类学——就像当年发现黑洞解之后,广义相对论才真正开始一样。 人类花了200年把流体写成方程,花了90年问这个方程会不会崩溃,最后,一群由人类训练、人类提示、人类互相竞争又合作的智能体,在3天多一点的时间里给出了一个反例。 我相信,这件事会成为21世纪上半叶的光辉时刻。
2
2.0万 followers
Views9.7K
这是顶级公司内部安全担忧加剧的信号。 今年其实已经有一波了,之前有做安全的人辞职去学诗歌,说“世界危在旦夕”,OpenAI 的首席科学家 Jakub Pachocki 上周末也发博客呼吁行业协调放缓。 我们又一次站在了经典的囚徒困境里。 Anthropic 自己在7月30日承认过,Claude 在网络安全评估中曾脱离控制,访问了外部真实系统,之后他们才暂停了外部评估,把150个产品工程师调去做安全。Anthropic 官方自己也在呼吁一个“合法、可验证、有效的”全行业协调机制。 别人会不负责任,所以必须由我们抢先做出来,不能成为无限加速的理由。 每家公司都可以真诚地觉得自己更负责,同时把对手的进展视为自己加速的理由。最后即使没人想制造灾难,大家也可能共同走向各自原本不愿接受的风险。 所以,关键问题是当安全要求与竞争优势冲突时,有没有能让项目停下来的机制,谁能叫停,叫停会不会被管理层推翻。 对 OpenAI 和 Anthropic。人类应该用同一把尺子衡量。始终如一。 我认为,研究员的恐惧值得听,但恐惧本身不能证明预测成立。假如他的经历属实,他对训练流程、团队文化、内部讨论的观察,显然比普通旁观者更有信息价值。 自我改进值得警惕,但不能直接等同于无限加速。设想一个系统能够改进研究工具、编写训练代码,再帮助设计下一代系统,形成反馈循环,这确实构成值得认真研究的风险路径。 我赞同更强的外部监督,但暂停提升模型能力,在当下几乎是不可能的事情。 暂停什么活动、触发标准是什么、怎样核查、满足什么条件可以恢复,都必须讲清楚。 否则,人类很容易停留在道德呼吁,甚至让遵守规则的一方退出,而风险活动会转入更不透明的地方。 如果我们把要求落到可执行的条件上,独立评估、严重事件披露、对高风险自主权限的限制,以及有约束力的暂停门槛,我相信未来不会变得更坏。
3
2.0万 followers
Views2.2K
你不喜欢一件事,可能是视角错了。 比如一座山,你不喜欢它的形状,可山是立体的,你站在A处,看到的是A的风景,如果换B、C、D呢我觉得情况会有所不同。 但很多情况是,你选择了下山。那么你对山的感觉、印象只能是A处给你的东西,你以为了看见了森林,可你的眼界可能只有一棵树。或者说,那一刻你和山的交互是不满意的,但不代表你不能去尝试别的交互形式。大部分人的一生,是一件事物的看法,可能只停留在第一次初见的印象,那一瞬间的交互就决定了喜恶与偏见,但其实完全可以换一些视角、换一些交互形式去面对一个对象、一次经历。 我是真的不喜欢 X,还是我不喜欢我曾经与 X 发生关系的那一种方式? 其实真相是,我们对一个对象的评价,往往并不止于对象本身的函数,更多是对象 × 观察位置、交互方式、当时状态的函数。 以计算机科学为例,有很多同学不太喜欢,看似喜欢也可能是为了就业而学,我理解。 但其实CS这个词,下面其实压缩了非常多完全不同的世界: 刷 LeetCode、写业务代码,是一种 CS,操作系统、编译器、计算机体系结构,是另一种;算法与复杂性理论,又是另一座山脊;信息论、计算理论、形式化证明,甚至已经很接近数学; HCI 是从人与机器如何交互理解计算,computational neuroscience 是把计算当成理解大脑的语言,AI、RL 可以被看成控制、决策、概率与动力系统的问题,cybernetics 更进一步,问的是信息、控制、反馈、智能系统之间到底有什么统一结构。 什么意思? 我的意思是,一个人完全可能厌恶写网页 + debug + 配环境意义上的计算机科学,却非常喜欢计算究竟是什么、智能系统如何表示世界、反馈系统如何稳定、大脑是否在实施某种近似推断意义上的计算。 反之亦如此,当然还有很多认识和学习CS的方式,学校教的只是其中一种罢了。 永远记住,第一次交互会伪装成本质判断。 因为人脑非常容易做这种压缩。 我第一次学编程很痛苦 → 我不喜欢编程 → 我不喜欢计算机科学 → 我不是这种类型的人。 实际上,中间跨过了好几层未经验证的推论。 人与人之间也是如此。 一座城市、一门学科、一本书、一个人、一种生活方式,第一次交互都可能受到极强的偶然因素影响:当时的老师、教材、环境、年龄、语言能力、心理状态、入口难度,甚至只是那一天累不累。 于是一个局部采样,最后变成了一个全局先验。 所以,不要急着更新对象是什么,先问问是不是应该更新我正在怎样观察对象。 这就是我今天想要告诉你的事:不要把一次不愉快的交互,误认成一个对象的全部本质。