Phoenix Yin

Phoenix Yin

@phoenixyin13最近同步 9/5/2026, 12:10:49 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
#818
总粉丝
20.0K
7日涨粉
+97
7日发帖
5
7日曝光
29.5K
帖均曝光
5.9K

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

Anthropic IPO 时间表推迟的消息与 AI 产业资本、基础设施和应用边界讨论同时升温。qinbafrank 和华尔街没有名字均转述路透报道,称 Anthropic 原预计较早公开招股书,如今可能推迟至 9 月底,并在 10 月中旬后启动路演、11 月前后上市。与此同时,孙宇晨提到 OpenRouter 占比,Phoenix Yin 用费马大定理 formalize 讨论 AI 数学能力,奶牛叔关注物理 AI 和硬件入侵现实场景,马方说管理则把中美 AI 竞争引向电力与算力基础设施。

Participated post: 我们等了30年的事,被11天做完了。 1. 费马大定理是一个极好的 Apollo 11 moment,因为几乎所有人都认识它。 2026年,AI 可以formalize 一个传奇定理。 两三年后,经典教材、定理和论文进入 Lean。 再过五年,数学论文开始越来越常见Human-readable proof加上Machine-verifiable proof。 以后的论文,会更像软件。 Paper = source code Lean proof = compiled artifact Kernel = type checker and verifier 论文 referee, 不再需要亲手检查所有细枝末节。 2. 假设 AI 同时拥有文献阅读,conjecture generation,theorem search,Lean formalization,自动反例搜索,自动实验,多 agent,永久外部记忆,那么就会形成一个闭环。 Formal verification 已经把feedback loop 补上了,而且这和强化学习环境非常相似。 Lean 给数学提供了一个近乎完美的 objective reward signal。 一旦有这个东西,大规模的search 就突然变得非常有价值。 3. 数学家的角色会分化。 像Tianyi Peng那样,只给高层指令:“Jacobian as a scheme 优先级高一点”,“把Mazur定理先推完”诸如此类不再写具体证明步骤的人,这是架构师。 判断哪个定理值得被形式化,中间的定义是否符合数学直觉。机器证明的名字是乱的,含义对不对,这是策展人。 而数学的形式化工程师会成为一个全新的工种。 要求就是,会写Lean,会搭Prove2Me这种调度系统,会调编译器内存。 这次build峰值153GB,comparator要跑14小时46分钟,这已经是 infra 问题的范畴。 如果人类三百年积累的数学,可以开始被快速编译成机器世界,那么下一阶段 AI 就第一次拥有了一个规模巨大的、零歧义、可以执行、组合、验证的数学知识库。
Posts 1 Views 0Heat 137
#Anthropic#IPO推迟#OpenRouter

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
Views2.7万
谈谈Astra的突破与未竟之业。 传统的语言模型是一个无记忆的马尔可夫链,在上下文窗口之外。 它们通过预测下一个 Token 来逼近人类语言的条件概率分布。 然而,Astra这次表现出了完全像人类一样操作桌面能力。在信息论上,这意味着它已经从静态信道转变为主动的扰动源。 当它点击一个表单或调用一个 API 时,它是在向环境发送一个探针,接收环境反馈,并利用这个反馈修正自己的下一个动作。 这意味着它在通过行动来消除不确定性、降低条件熵,这种信息闭环的确是生物智能具备自适应能力的核心表现之一。 在我的构想中,Turing Machine的通用性取决于它能否通过读写纸带模拟任何其他机械计算。 Astra 能够自主发现零日漏洞并将其串联成攻击链,这证明它已经具备了极强的通用算法发现能力。 它有编写和组合新的纸带来突破人类给它设定的边界的趋向,虽然很细微。 但这引发了一个极其严峻的计算安全问题: 未来,人类是否能够预测一个具备通用计算能力且拥有环境操作权的智能体的最终行为? 根据赖斯定理,任何关于通用计算系统非平凡行为的语义性质都是不可判定的。当 Astra 跨入最高网络安全风险等级时,意味着我们无法通过静态的代码审计来绝对确保它的安全性。 它的安全性只有在运行中、在它与世界对抗的过程中才能被动态评估。 目前数字计算机的底层依旧遵从冯诺伊曼当年的设计,即计算单元与存储单元分离。 在 Transformer 架构中,随着上下文的增加,注意力机制的计算量呈平方级增长,这造成了极大的能量与能效浪费。 Astra 引入的recurrent depth无疑是一次工程上的跃进,它允许数据在神经网络的隐藏层中循环流转,不需要立即输出为Token。 这就有点像人类在说话前,大脑皮层内部进行的、不发出声音的电信号激荡。 这种设计在有限的晶体管数量和带宽限制下,榨取了模型的每瓦特计算效率。这是一种高度优化的硅基演化初期形态。 当然,这非常非常的初期。 所以,这到底是不是真正的 AGI? 我的共同结论是:GPT-6 Astra 是人类工程史上的里程碑,它已经无限逼近应用层面的 AGI,但尚未完成范式层面的 AGI。 我承认它的伟大。 它已经通过全自主的电脑操作,已经证明了自己是一个合格的通用物理系统操作员。 在经济和生产力层面上,它将引发海啸的变革。 但我会保留对其底层逻辑的怀疑。 毕竟,Astra 依然运行在冯·诺伊曼架构的数字计算机上,它的逻辑依然是基于数据拟合与概率逼近。 Astra拥有惊人的推理隐喻。 但它是否拥有像人类那样在面对全新宇宙现象时,跳出原有逻辑框架、创造全新公理体系的非算法智能,依旧是一个悬而未决的问题。 目前来看,它更像一个由人类全部文明数据浇筑出来的、极其完美的高维投影仪。
2
2.0万 followers
Views7.3K
1943年,杨振宁参加清华第六届庚款留美公费考试,他所在的物理学门就有注重高电压实验的取向。 后来,他自己也明确回忆,他到美国以后原本就是想搞实验物理。 清华资料记载,他甚至对 Teller 说过,大意是自己最终要回中国,而中国当时缺的不是纯理论,因此他希望学习实验物理。 当时中国已经其实有人懂量子力学、统计物理、理论物理。 但缺的是accelerator,detector,high voltage,nuclear experiment,instrumentation和laboratory organization,也就是把现代物理从纸上变成设备的能力。 所以,杨振宁最初实际上是主动想走Theory,Experiment然后Instrumentation的。 而他去 Chicago 也是冲着 Fermi 去的。杨振宁后来自己说,他原本计划跟 Fermi 做一个实验物理博士论文。 结果发生了一件比较逆的事情:他想进 Fermi 的实验室,却进不去。因为战后 Fermi 的实验工作主要在 Argonne National Laboratory。 杨振宁后来回忆到: Fermi’s laboratory at Argonne was not open to me. 当时他还是中国籍外国学生,而战后核研究仍受到严格军事安全限制。 Lindau Nobel Laureate Meetings 的研究资料明确解释,当时的军事限制不允许杨这样的外国学生进入 Fermi 在 Argonne 的相关实验研究。 所以不是杨振宁理论水平不够,只是核时代的尖端实验已经进入国家安全体系。 这也非常符合曼哈顿计划的遗产。理论物理已经不再只是大学里的知识,它成为了classified strategic technology。 然后 Fermi 给他找了另一条路。 1946年秋,杨振宁进入 Samuel K. Allison 的实验室,参与当时正在建设的 400 kV Cockcroft–Walton accelerator。 这已经非常接近理论物理工程化了: 高压电源、加速器、核反应实验、仪器控制。 但事情很快证,杨振宁本人极其不适合实验物理。这是他自己经常讲的故事。 他理论能力强得惊人,其他研究生遇到理论问题会来问他;但是做实验时非常笨拙,于是实验室同学给他起了那个著名玩笑: “Where there is a bang, there is Yang.” 哪里发生爆炸,哪里就有杨。 杨振宁自己的回忆也说,他在实验室里的动手能力非常蹩脚。 于是,历史发生了一个非常有意思的转弯。 Teller 看出他的优势不是soldering,accelerator,instrumentation。 但Yang的symmetry,mathematical structure和physical intuition强的惊人。 于是,Teller建议他放弃实验博士论文,把关于核反应角分布与旋转不变性的理论工作扩展成博士论文。。 1948年,杨振宁因此取得Chicago PhD。 再过几年,Yang–Mills gauge theory,1954 然后,Parity nonconservation,1956 再然后,Nobel Prize,1957。 所以从历史结果看,没能进入Argonne与做实验失败的偶然,反而把他推回了最适合自己的方向,成就了最好的杨振宁。
Phoenix Yin 的图片 1
Phoenix Yin 的图片 2
3
2.0万 followers
Views1.9K
理论物理的转化有两种模式,机制完全不同。 一,基底模式。 理论告诉人类物质世界允许什么,工程去榨取被允许的那部分。 量子力学到半导体便是成果斐然的范式。 特征是滞后二十到六十年,转化率极低,但一旦成功回报是文明级的水平。 前提条件是理论必须是关于你要建造其中的那个基底的东西。 二,形式移植模式。 理论的数学被出口到物理学并不拥有的领域。 统计力学可以说是唯一持续高产的branch,从Ising 模型,Hopfield 网络(1982,2024 年诺奖),自旋玻璃 到模拟退火与组合优化(Kirkpatrick 1983);复本方法,再到Amit-Gutfreund-Sompolinsky 的容量结果,然后今天的深度学习理论,从Langevin、Fokker-Planck 到后来的扩散生成模型(Sohl-Dickstein 2015、Ho 2020),从重整化群到多尺度方法。在这个模式里物理学不提供任何事实,只提供形式结构,但是战功彪炳。 我最喜欢的那条谱系,维纳、香农、冯诺依曼,整个就是模式二的产物。香农的信息论本质上是被工程化的热力学。 现在是关键的时代之一。 模式二同时是物理学最高产和最不诚实的地方。 因为形式移植只在目标系统真的具备该形式所假设的性质时成立,多体、耦合结构可辨、存在良定义的系综或某种平稳性。神经群体活动具备,优化景观具备,所以移植极其成功。 而经济物理学的大部分、社会物理学的绝大部分不具备,结果是什么呢? 漂亮的数学,加上零预测力。 这个失败模式的阴险之处在于形式移植在形式层面不可证伪。 幂律总能拟合出来,标度指数总能报出来,临界现象的语言总能套上去。 而证伪,必须发生在预测层面,而这恰恰是移植者最不愿意到达的领地。 话锋转到那个关键的问题,我们怎么区分诚实的移植和不诚实呢? 我给自己设了三条硬标准,这也是现在AI理论也正处在关键时代的原因。 1. 必须有自平均量的预言。 诚实的如AGS容量,预言了网络能存多少。扩散模型诚实,因为它预言了用Langevin动力学采样真的能生成新图片,且FID可度量。 不诚实的只拟合,不预言新量。 2. 必须有跨参数的标度坍缩。 不只是报一个指数,而且还要在改变、温度、数据量时,所有曲线坍缩到同一条主曲线上。深度学习里的scaling law正在努力做这件事,社会物理可以说几乎不做。 3. 必须能回答干预问题。 如果我把耦合砍掉一半,系统会怎样?诚实的移植能回答,因为形式同构背后是因果结构。不诚实的只能事后解释马后炮。 深度学习理论正站在这样的边界上。 一边是Hopfield、扩散模型这种,满足多体、耦合可辨、存在平稳性,移植极其成功; 另一边是动不动就说“大语言模型处于临界态”“涌现是相变”,却拿不出坍缩和干预预测的实质成果。 至于扩散模型,我倾向于它是过去四十年里几乎最诚实的一次模式二移植,因为它把非平衡统计力学的数学原封不动搬过去,却交出了超乎寻常的可验证生成能力。
4
2.0万 followers
Views0
我们等了30年的事,被11天做完了。 1. 费马大定理是一个极好的 Apollo 11 moment,因为几乎所有人都认识它。 2026年,AI 可以formalize 一个传奇定理。 两三年后,经典教材、定理和论文进入 Lean。 再过五年,数学论文开始越来越常见Human-readable proof加上Machine-verifiable proof。 以后的论文,会更像软件。 Paper = source code Lean proof = compiled artifact Kernel = type checker and verifier 论文 referee, 不再需要亲手检查所有细枝末节。 2. 假设 AI 同时拥有文献阅读,conjecture generation,theorem search,Lean formalization,自动反例搜索,自动实验,多 agent,永久外部记忆,那么就会形成一个闭环。 Formal verification 已经把feedback loop 补上了,而且这和强化学习环境非常相似。 Lean 给数学提供了一个近乎完美的 objective reward signal。 一旦有这个东西,大规模的search 就突然变得非常有价值。 3. 数学家的角色会分化。 像Tianyi Peng那样,只给高层指令:“Jacobian as a scheme 优先级高一点”,“把Mazur定理先推完”诸如此类不再写具体证明步骤的人,这是架构师。 判断哪个定理值得被形式化,中间的定义是否符合数学直觉。机器证明的名字是乱的,含义对不对,这是策展人。 而数学的形式化工程师会成为一个全新的工种。 要求就是,会写Lean,会搭Prove2Me这种调度系统,会调编译器内存。 这次build峰值153GB,comparator要跑14小时46分钟,这已经是 infra 问题的范畴。 如果人类三百年积累的数学,可以开始被快速编译成机器世界,那么下一阶段 AI 就第一次拥有了一个规模巨大的、零歧义、可以执行、组合、验证的数学知识库。