{"source":{"id":"2040414085691638178","title":"以前教AI学物理，就像让人看书学游泳。 全靠文本喂养，没碰过一滴真水。 Polymathic AI刚刚倒出了15TB的“…","url":"https://mubeitech.com/p/2040414085691638178"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"2064718736783823145","account":"mubei","brand":"@mubei","title":"视频生成模型都是只会生搬硬套像素的“傻瓜”？最近这个流行说法被新论文直接打脸了。 有人断言，只有像 V-JEPA 这样的…","summary":"视频生成模型都是只会生搬硬套像素的“傻瓜”？最近这个流行说法被新论文直接打脸了。 有人断言，只有像 V-JEPA 这样的“世界模型”才真懂物理。 看看这张图的测试数据。 研究人员对几款扩散模型（Diffusion models）进行了测试。 测什么？测物体恒常性、形状保持、重力、…","body":"视频生成模型都是只会生搬硬套像素的“傻瓜”？最近这个流行说法被新论文直接打脸了。\n有人断言，只有像 V-JEPA 这样的“世界模型”才真懂物理。\n\n看看这张图的测试数据。\n研究人员对几款扩散模型（Diffusion models）进行了测试。\n测什么？测物体恒常性、形状保持、重力、连续性这些物理基础。\n结果不仅及格，而且以压倒性优势暴打了被寄予厚望的 V-JEPA 和 VideoMAE。\n普通的 VAE 更是惨不忍睹。\n\n这里有个硬核细节：研究用的是“线性探测（Linear probe）”。\n啥意思？就是不加任何复杂的滤镜，用最简单的线性模型去提取信息。\n在这种极简的测试下，AI 还能精准预测物理变化，说明扩散模型内部，早就有一套相当清晰、明确的物理世界表征。\n它没有瞎猜，它在内部重建了物理法则。\n\nAI 进化路线的成见正在被打破。\n那些被认为只会“大力出奇迹”和“暴力画图”的生成模型，其实在疯狂吞噬数据的同时，已经悄悄摸透了这个世界的运行规律。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2064797405199859964","translated_status_id":"2064797405199859964","published_at":"2026-06-10 19:05:45","created_at":"2026-06-10T21:03:53.783610","url":"https://mubeitech.com/p/2064718736783823145","markdown_url":"https://mubeitech.com/p/2064718736783823145/markdown"},{"rank":2,"id":"2069873341901713676","account":"mubei","brand":"@mubei","title":"DeepMind 创始人 Demis Hassabis 出了一个考题： 只给 AI 提供爱因斯坦在 1901 年能接触到…","summary":"DeepMind 创始人 Demis Hassabis 出了一个考题： 只给 AI 提供爱因斯坦在 1901 年能接触到的数据，看它能不能独立推导出《相对论》。 Demis 认为，今天所有的文本大模型，一个也通不过。 这才是测验 AI 智商的真正标准。 现在的 AI 每天写方案、…","body":"DeepMind 创始人 Demis Hassabis 出了一个考题：\n只给 AI 提供爱因斯坦在 1901 年能接触到的数据，看它能不能独立推导出《相对论》。\n\nDemis 认为，今天所有的文本大模型，一个也通不过。\n\n这才是测验 AI 智商的真正标准。\n\n现在的 AI 每天写方案、写代码，看似无所不能，其实只是在做“外推”。\n它只是把人类已经探明的事实，用更顺滑的逻辑和文字拟合出来。\n\n真正的创造力是什么？\n是面对未知的物理世界，提出一个前所未有的新假说。\n\n爱因斯坦当年是怎么干的？\n他在瑞士专利局当职员的时候，天天摸鱼做白日梦。\n他闭上眼睛，在脑子里做“思想实验”：\n如果我坐在一列火车上，以光速旅行，世界会变成什么样？\n他是动用了视觉想象力，去和真实的物理世界碰撞。\n最后，才是用数学把这个直觉证明出来。\n\n这就是今天文本模型的死穴。\n文字和逻辑，只是“比特世界”的东西。\n哪怕 AI 读完了人类历史上所有的书，把所有的交叉连接都找出来，它也依然在比特里打转。\n\n要想真正通关爱因斯坦测试， AI 必须接触、理解原子世界。\n它需要提出假说，自己设计实验、甚至动手做实验，去和真实的物理定律肉搏。\n\n所以，别再被那些精美的套话 and 缝合的 PPT 唬住了。\n真正的科学发现，从来不是靠拼凑已知答案。\n等哪天 AI 也能在没有答案的迷雾里，像个专利局职员一样，闭上眼去追一束光。\n人类才算真正迎来了新神。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2069874931723067536","translated_status_id":"2069874931723067536","published_at":"2026-06-24 20:06:37","created_at":"2026-06-24T22:00:35+02:00","url":"https://mubeitech.com/p/2069873341901713676","markdown_url":"https://mubeitech.com/p/2069873341901713676/markdown"},{"rank":3,"id":"2081379723834184049","account":"mubei","brand":"@mubei","title":"全球的AI实验室烧掉几百亿美元，到底在追什么？ 不只是算力。 他们都在死磕一个老问题：怎么把大自然压缩成机器能算的东西。…","summary":"全球的AI实验室烧掉几百亿美元，到底在追什么？ 不只是算力。 他们都在死磕一个老问题：怎么把大自然压缩成机器能算的东西。 1964年，物理学家理查德·费曼拿起一根粉笔，把这个根本困境讲透了。 他当年没谈AI，但今天大模型想构建“世界模型”的死穴，全在里面。 来，我们试着用大白话，…","body":"全球的AI实验室烧掉几百亿美元，到底在追什么？\n不只是算力。\n他们都在死磕一个老问题：怎么把大自然压缩成机器能算的东西。\n\n1964年，物理学家理查德·费曼拿起一根粉笔，把这个根本困境讲透了。\n他当年没谈AI，但今天大模型想构建“世界模型”的死穴，全在里面。\n\n来，我们试着用大白话，建一个不用复杂数学的引力模型。\n假设宇宙里充满了看不见的微粒，从四面八方撞击地球。\n因为太阳挡在中间，从太阳方向撞过来的微粒变少了。\n地球另一边的微粒，就会把地球往太阳的方向推。\n完美。\n把复杂的引力公式全绕过去了，普通人一秒就能听懂。\n\n但这套模型一跑起来，立刻崩溃。\n为什么？\n因为地球在轨道上飞。\n想象你在大雨里狂奔，是不是迎面砸在脸上的雨水，永远比落后脑勺的雨水多？\n微粒也一样。\n地球往前飞，迎面撞上的微粒就会多于背后的微粒。\n这会产生一个极其强烈的侧向阻力。\n如果这套简单的理论成立，地球早就停转了，根本撑不过它绕着太阳转过的这三四十亿年。\n\n这就是费曼的暴击：任何一套你想出来的模型，都必须能承受所有后果的推演。\n你可以为了好懂把规则简化，但它最后一定会跑出一个虚假的现实。\n\n今天搞大模型仿真的公司，面对的是同一个地狱。\n想让AI理解物理世界？想预测未来？\n大自然有一个极其难伺候的“毛病”：它的法则，只用一种方式给出答案，那就是极其复杂深奥的数学。\n数学不仅仅是一门语言。\n数学是语言加上逻辑，是人类唯一能把大自然的无数种表象缝合在一起，推演一万步还不穿帮的工具。\n\n想用单纯的自然语言或是简单的经验法则去重构世界？\n大自然连商量的余地都不会给。\n\n这才是今天AI大逃杀的底色。\n巨头们砸下几百亿，不单是在买显卡。\n他们是在替机器补交那笔最昂贵、也最不可能绕开的数学翻译费。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2081554689540145377","translated_status_id":"2081554689540145377","published_at":"2026-07-26 19:36:18","created_at":"2026-07-26T21:28:03+02:00","url":"https://mubeitech.com/p/2081379723834184049","markdown_url":"https://mubeitech.com/p/2081379723834184049/markdown"},{"rank":4,"id":"2070628394342195460","account":"mubei","brand":"@mubei","title":"“宣称 AI 将让智力变得免费，是极其不负责任的。” 写出 ImageNet、开启上一轮视觉革命的 AI 教母 Fei-…","summary":"“宣称 AI 将让智力变得免费，是极其不负责任的。” 写出 ImageNet、开启上一轮视觉革命的 AI 教母 Fei-Fei Li 公开泼了盆冷水。 人类的智力太深邃了。 语言只是其中的冰山一角。 用文字你可以教人写代码、做推论，但你没办法用文字教会一台机器开车，更没法用文字教…","body":"“宣称 AI 将让智力变得免费，是极其不负责任的。”\n写出 ImageNet、开启上一轮视觉革命的 AI 教母 Fei-Fei Li 公开泼了盆冷水。\n\n人类的智力太深邃了。\n语言只是其中的冰山一角。\n用文字你可以教人写代码、做推论，但你没办法用文字教会一台机器开车，更没法用文字教会它投篮。\n这中间存在着巨大的“信息损耗”。\n只靠会聊天的语言模型，AI 永远无法真正理解这个复杂的物理世界。\n\n所以，她直接攒了一个估值超过 10 亿美元的新局，去死磕当前模型根本搞不定的方向：\n空间智能（Spatial Intelligence）。\n\n当年，她用 ImageNet 给模型喂出了视觉革命；\n现在，她要把战场从“会说话的黑盒子”，带向“能理解物理规律的世界模型”。\nAI 革命远没有结束，它才刚到 V1 版本。\n\n工业革命没有消灭劳动力，它让劳动变得更高效。\nAI 也不会让智力免费，它要把“下一种稀缺”狠狠地暴露出来。\n当文字和代码变得越来越便宜，真正高门槛的稀缺资产，将变成那些能感知空间、理解物理规则、并在现实中做出精准动作的实体系统。\n\n别被廉价的口号蒙蔽了。\n当潮水退去，真正的科技护城河，永远在硬碰硬 of 物理世界里。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2070636570558771281","translated_status_id":"2070636570558771281","published_at":"2026-06-26 22:04:26","created_at":"2026-06-27T00:00:54+02:00","url":"https://mubeitech.com/p/2070628394342195460","markdown_url":"https://mubeitech.com/p/2070628394342195460/markdown"},{"rank":5,"id":"2050618820906377555","account":"mubei","brand":"@mubei","title":"AI 最让人停不下来的地方，是它先学会了预测。 Sam Altman 提到 Ilya Sutskever 一句话，他一直…","summary":"AI 最让人停不下来的地方，是它先学会了预测。 Sam Altman 提到 Ilya Sutskever 一句话，他一直记到现在： \"预测非常接近智能。\" 这句话看着轻，背后是生成式 AI 的核心赌注。 把世界的信息、状态、关系，压缩成一个更小的表征。 再用这个表征，判断下一刻会…","body":"AI 最让人停不下来的地方，是它先学会了预测。\nSam Altman 提到 Ilya Sutskever 一句话，他一直记到现在：\n\"预测非常接近智能。\"\n\n这句话看着轻，背后是生成式 AI 的核心赌注。\n把世界的信息、状态、关系，压缩成一个更小的表征。\n再用这个表征，判断下一刻会出现什么。\n\n如果它总能猜中下一个词、下一帧、下一步动作，说明什么？\n说明它开始越过背答案的阶段。\n它开始摸到数据背后的结构。\n\n人类理解世界，也常常是这么干的。\n看见乌云，预测下雨。\n听完半句话，预测对方要表达什么。\n读完一段代码，预测哪里会崩。\n\n当年很多 AI 研究者对生成式模型异常兴奋，却说不清那股兴奋从哪来。\nAltman 给出的解释很简单。\n因为预测能力一旦足够强，就会逼近理解。\n\n所以大模型看起来像是在补全句子，实际训练目标大得多。\n它要把海量文本、图像、代码、声音，压成能继续推演世界的内部表示。\n每一次预测下一个 token，都是在练习怎样把混乱世界变成可计算的秩序。\n\n分水岭已经从语言表演移到预测精度。\n机器每前进一步，统计和理解之间的边界就退后一格。","category":"其它","score":100,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-05-03 09:43:22","created_at":"2026-05-03T11:34:54.627604","url":"https://mubeitech.com/p/2050618820906377555","markdown_url":"https://mubeitech.com/p/2050618820906377555/markdown"},{"rank":6,"id":"2045484064585728489","account":"mubei","brand":"@mubei","title":"Andrej Karpathy揭开了一个反直觉的行业真相。 现在的AI模型动辄上万亿参数，根本不需要这么大的“脑容量”。…","summary":"Andrej Karpathy揭开了一个反直觉的行业真相。 现在的AI模型动辄上万亿参数，根本不需要这么大的“脑容量”。 撑大体积的罪魁祸首，是劣质的训练数据。 你以为模型每天在贪婪地阅读《华尔街日报》和严谨的学术文章？ 现实极其惨淡。 前沿实验室随机抽查的预训练语料，全是残破的…","body":"Andrej Karpathy揭开了一个反直觉的行业真相。\n现在的AI模型动辄上万亿参数，根本不需要这么大的“脑容量”。\n撑大体积的罪魁祸首，是劣质的训练数据。\n\n你以为模型每天在贪婪地阅读《华尔街日报》和严谨的学术文章？\n现实极其惨淡。\n前沿实验室随机抽查的预训练语料，全是残破的HTML代码、股票代码和杂乱无章的乱码。\n人类积累的高质量文本在互联网海洋里极其稀缺。\n\n巨大的信息噪音带来了灾难性的压缩效率。\nLlama 3对训练数据的压缩率低到只有0.07比特每token。\n这意味着模型对自己啃过的大部分内容，仅仅留存了极度模糊的印象。\n庞大的万亿参数，绝大部分并没有参与“认知推理”。\n它们变成了臃肿的记忆库，被迫死记硬背互联网倾泻而下的赛博垃圾。\n\nKarpathy开出的解法极其干脆。\n彻底分离思考与记忆。\n剥离百科全书式的死记硬背，只留下纯粹负责推理和解题的算法逻辑。\n这就是真正的“认知核心”。\n一旦遇到事实盲区，让模型主动去调用外部数据库。\n\n如果只喂极其干净的高质量数据，这个“认知核心”需要多大体积？\n十亿参数。\n回看今天的主流旗舰模型，参数规模在2000亿到1.8万亿之间摇摆。\n超高比例的算力都在替数据的脏乱差买单。\n\n现实数据正在印证这条新路径。\n仅仅两千亿参数的GPT-4o，早就全方位碾压了1.8万亿参数的初代GPT-4。\n过去两年间，跑通GPT-3.5性能的推理成本暴降了足足280倍。\n推动这一切的核心引擎，全部来自更小、更干净、更精巧的模型架构。\n\n当前挡在AI面前的那堵墙，早就不是算力。\n算力匮乏不过是替低劣数据背锅的挡箭牌。\n下一轮大洗牌的唯一筹码是高纯度的数据源。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2045726431263515003","translated_status_id":"2045726431263515003","published_at":"2026-04-19 04:36:24","created_at":"2026-04-19T06:31:10.029346","url":"https://mubeitech.com/p/2045484064585728489","markdown_url":"https://mubeitech.com/p/2045484064585728489/markdown"}]}