{"source":{"id":"2081379723834184049","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。…","url":"https://mubeitech.com/p/2081379723834184049"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"16421023","account":"mubei","brand":"@mubei","title":"2026年，全球的AI实验室都在撞同一堵墙。 这堵墙，理查德·费曼在1964年就指出来了。 今天的大模型团队，都在逼着机…","summary":"2026年，全球的AI实验室都在撞同一堵墙。 这堵墙，理查德·费曼在1964年就指出来了。 今天的大模型团队，都在逼着机器用人类语言去“推理”。 在康奈尔大学的黑板前，费曼用一个物理实验讲透了为什么这条路是死胡同。 来试着用普通人都能听懂的大白话，解释一下引力。 有人发明过一个极…","body":"2026年，全球的AI实验室都在撞同一堵墙。\n这堵墙，理查德·费曼在1964年就指出来了。\n\n今天的大模型团队，都在逼着机器用人类语言去“推理”。\n在康奈尔大学的黑板前，费曼用一个物理实验讲透了为什么这条路是死胡同。\n\n来试着用普通人都能听懂的大白话，解释一下引力。\n有人发明过一个极好懂的“大白话模型”：\n假设宇宙里充满微小粒子，从四面八方撞击地球，这就产生了引力。\n不用算公式，听着极其合理。\n\n但它有一个致命推论。\n地球是在轨道上往前跑的。\n只要你在往前跑，迎面撞上的粒子绝对比从背后追上的多。\n就像你在雨中狂奔，脸上永远比后脑勺被淋得更狠。\n这种迎面的粒子阻力，会直接把地球拖垮。\n真有这种阻力，地球根本没法绕着太阳转上三四十亿年。\n大白话理论，当场破产。\n\n费曼说，从牛顿到现在几百年。\n没有任何人能用一套非数学的语言，把引力讲明白且不出错。\n一旦你想把深奥的规律强行翻译成“让外行舒坦”的日常词汇。\n结果就是制造一场接一场的混乱。\n听众看到的，只会是一句接一句极其复杂、毫无关联的废话。\n\n为什么会这样？\n因为数学从来不仅仅是一门语言。\n数学，是语言加上推理，是仔细推敲后的逻辑结晶。\n大自然用来给出答案的底层逻辑，不是口语，是纯粹的数学。\n\n这就解释了今天大模型的困境。\n靠语言概率拼接去硬堆逻辑链条，注注定满盘皆输。\n因为人类的日常口语里，根本没有装载大自然的推理引擎。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2079648471242383658","translated_status_id":"2079648471242383658","published_at":"2026-07-21 11:41:11","created_at":"2026-07-21T13:21:09+02:00","url":"https://mubeitech.com/p/16421023","markdown_url":"https://mubeitech.com/p/16421023/markdown"},{"rank":2,"id":"raw_2c1f8fabbc51352c","account":"mubei","brand":"@mubei","title":"来看一组刚在 All-In 峰会上公开的数据。 光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 tok…","summary":"来看一组刚在 All-In 峰会上公开的数据。 光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 token。 如果按每个 token 消耗 10 焦耳能量计算，这已经算是极省电的模型了。 把这个数字乘出来，Google 光是跑 AI，就需要 12 吉瓦的持续供电…","body":"来看一组刚在 All-In 峰会上公开的数据。\n光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 token。\n如果按每个 token 消耗 10 焦耳能量计算，这已经算是极省电的模型了。\n把这个数字乘出来，Google 光是跑 AI，就需要 12 吉瓦的持续供电。\n\n12 吉瓦是什么概念？\n全美国所有数据中心的总用电容量，加起来也就 40 吉瓦出头。\n一家公司的 AI 业务，直接吞掉全美近三分之一的数据中心电力。\n现在去建数据中心，最值钱的早就不再是地皮或者机架。\n哪怕用户只是在对话框里敲下一句话，成本里整整 50% 纯粹是在交电费。\n照这个速度跑下去，业内估计最多三年，现有的电网就会被活活吸干。\n\n这时候悲观派跑出来喊了：\nAI 的扩张必然撞上物理电网的硬墙，我们很快就要无电可用了。\n\n真的吗？\n大自然可不这么认为。\n人类的大脑能写诗、能推理、能做复杂的科学研究。\n它满负荷运转需要多少功率？\n20 瓦。\n一盏普通床头灯的电量。\n\n动物就更离谱了。\n一只猴子的大脑功率大约 1 瓦，跟你兜里的智能手机差不多。\n一只松鼠在树枝之间闪转腾挪，跳一千次能准准落上一千次。\n控制这种精密身体动作的松鼠大脑，功率只有 8 毫瓦。\n把你手机里的电量分一分，足够同时驱动一百多只松鼠的大脑。\n\n一边是 20 瓦就能运转的人类智慧；\n一边是跑几个模型就恨不得吃掉几座核电站的数据中心。\n为什么差距能大到十个数量级？\n\n曾经创办过全球第一家 AI 芯片公司、后来又去读了神经科学博士的纳芬·拉奥（Naveen Rao），在峰会上把账算了一遍。\n从 1945 年第一台电子计算机 ENIAC 诞生开始，我们造计算机的方法就彻底搞错了。\n\n当年美军造 ENIAC，唯一的目的是为了快速计算火炮的弹道轨迹。\n设计者唯一关心的，就是它能不能比人工计算更快。\n至于耗多少电，当年根本没人考虑。\n于是约翰·冯·诺依曼定下了那套经典图纸：\n一边是负责计算的处理器，一边是负责存数据的内存，两边通过总线相连。\n这套存算分离的冯·诺依曼架构，统治了人类科技整整八十年。\n\n可这套架构跑别的东西还行，拿来跑现代 AI，简直就是一场灾难。\n在芯片内部，做一次微小的数学乘加，消耗的能量极其微弱。\n真正吃电的大老虎，是在处理器和内存之间来回搬运数据。\n现代 GPU 跑大模型，80% 以上的电量根本没有花在思考上。\n全是在导线上疯狂倒腾比特，白白把能量散成了废热。\n\n看一组对比就知道有多夸张：\n人类大脑皮层有 140 亿个神经元，每秒钟在神经元之间传递的信息，只有大约 160 亿个比特。\n而一块顶级的现代 GPU，每秒钟光是在芯片和内存之间搬运的数据，就高达近 30 万亿比特。\n导线里的电子在疯狂奔跑，能不把变电站给烧穿吗？\n\n那大自然的大脑又是怎么算的？\n脑子里可没有浮点数，也没有矩阵乘法。\n神经元本身既在存信息，又在做计算，完全没有内存总线这种中间商。\n大自然是用物理规律本身在做计算。\n\n拉奥的团队决定彻底掀桌子，造一台真正的物理动力学计算机。\n他们把这套逻辑做成了一个非常精巧的硅基系统。\n怎么理解这种机器？\n想象一下，把几个机械节拍器放在一块可以自由滑动的木板上。\n刚开始把它们拨动起来，每个摆锤晃动的节奏完全不一样，各摆各的。\n但因为它们都立在同一块木板上，每一次摆动都会给木板施加微弱的推力。\n不需要任何外力干涉，只要几十秒，所有节拍器就会全部步调一致，锁定在同一个相位里。\n\n这就是物理系统天然具备的耦合约振特性。\n它们不靠任何算法代码，光靠物理相互作用，自己就能找到系统的稳态。\n拉奥团队造出的芯片，就是由密集排列的硅基微型振荡器构成的网络。\n输入进去的数据不再是二进制的 0 和 1。\n数据变成了连续的波形。\n让电信号在振荡器网络里自发振荡、耦合、干涉。\n物理系统最终沉淀下来的相位状态，就是计算出来的答案。\n\n每一个振荡元件自身就是存储单元，彻底砍掉了外部内存接口。\n再加上三维晶圆堆叠技术与时间维度的连续演化，他们把这套架构称为四维计算。\n连矩阵乘法这个基础概念，在硬件底层都不存在了。\n\n听起来像科幻小说？\n今年 6 月 1 日，第一批芯片设计被送进晶圆厂。\n现在实物芯片已经回到了实验室，并且成功生成了第一批图像。\n实测功耗数据让整个行业为之一震：\n用这块芯片生成一张图片，只需要大约 500 纳焦耳的能量。\n传统顶级 GPU 跑同样的生成任务，耗能是在毫焦耳级别。\n纳焦耳是十亿分之一焦耳，毫焦耳是千分之一焦耳。\n能耗直接被砍掉了几千倍。\n\n如果算力的能耗门槛真能暴跌上千倍，未来的数据中心是不是就能少建了？\n历史给出的答案恰恰相反。\n早在 1865 年，英国经济学家杰文斯就记录过一个反直觉的现象：\n当瓦特改良了蒸汽机、让煤炭利用效率大幅飙升之后，英国的煤炭消耗量不仅没有减少，反而迎来了暴增。\n因为当核心资源的成本暴跌，全社会的需求会被指数级释放。\n这就是著名的杰文斯悖论。\n\n一旦能耗这堵高墙被物理动力学计算推倒，算力就会从昂贵的集中式变电站里解放出来。\n未来的 AI 不会把地球电网吸干。\n它们会像松鼠的大脑一样轻巧，钻进几十亿台机器人、传感器和便携设备里。\n这场看似窒息的能源危机，更像是大自然给出的一个提醒：\n八十年前那张给算盘提速的旧图纸，早就该翻篇了。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2102314307631333801","translated_status_id":"2102314307631333801","published_at":"2026-09-22 10:19:34","created_at":"2026-09-22T10:19:34.238314","url":"https://mubeitech.com/p/raw_2c1f8fabbc51352c","markdown_url":"https://mubeitech.com/p/raw_2c1f8fabbc51352c/markdown"},{"rank":3,"id":"raw_708f235ce731aad8","account":"mubei","brand":"@mubei","title":"OpenAI 刚发布了新模型 GPT-6 Astra。 黄仁勋发推文祝贺，顺手扔了一颗深水炸弹： AGI 已经到了。 接…","summary":"OpenAI 刚发布了新模型 GPT-6 Astra。 黄仁勋发推文祝贺，顺手扔了一颗深水炸弹： AGI 已经到了。 接着他给了一组数字： 这个模型是在 10 万多块 Grace Blackwell NVLink72 系统上训练出来的。 下一批，还有 40 万块 NVIDIA 芯…","body":"OpenAI 刚发布了新模型 GPT-6 Astra。\n黄仁勋发推文祝贺，顺手扔了一颗深水炸弹：\nAGI 已经到了。\n接着他给了一组数字：\n这个模型是在 10 万多块 Grace Blackwell NVLink72 系统上训练出来的。\n下一批，还有 40 万块 NVIDIA 芯片正在排队上线。\n评论区立刻吵成一团。\n有人在核对跑分，有人在质疑 AGI 的定义，学者们在争论这算不算营销吹牛。\n所有人都被 AGI 这三个字母吸走了注意力。\n但真正反常识的信号，藏在那两组数字里。\n等一下。\n如果 AGI 真的已经到了，终点线都已经跨过去了，为什么还要一口气追加 40 万块顶级芯片？\n如果学生已经毕业了，你为什么还要把学费翻四倍？\n这背后藏着一台运转了一百六十年的经济学机器。\n1865 年，英国经济学家威廉·斯坦利·杰文斯写了一本书，叫《煤炭问题》。\n当时很多人以为，只要瓦特改良了蒸汽机，煤炭消耗效率提上去，英国的煤就会越用越省。\n杰文斯算完账，给出了一个完全相反的结论：\n当蒸汽机的效率提高，做功的成本大幅下降，蒸汽机就会迅速铺满采矿、纺织、火车和轮船。\n煤炭没省下来，总消耗量反而暴增了几百倍。\n这个规律后来被称为杰文斯悖论。\n现在的算力市场上，正在上演一模一样的一幕。\n过去四年，芯片主要是用来训练模型的。\nOpenAI 租下 10 万块芯片，通电跑上几个月，把模型训出来，这笔钱就算花完了。\n算力在当时是一笔固定研发开支，就像买一台机床。\n新一代模型跨过的那道门槛，把这台机器彻底改写了。\nGPT-6 Astra 不再只是一个回答问题的聊天框。\n它成了一个接管屏幕、写代码、测漏洞、连续执行任务的电脑操作员。\n要让它在真实世界里替人干活，每走一步，都需要在后台进行海量推理和反复试错。\n这叫推理期算力扩展。\n当智能跨过了「真正可用」的临界点，算力就从实验室里的研发成本，变成了工业生产里的电力。\n它不再是一次性买断的机床。\n它是机床运转时，每一秒钟都要烧掉的燃料。\n模型越能干，被派给它的任务就越多，它后台烧掉的算力就越庞大。\n这就是为什么训一个模型用了 10 万块芯片，后面却需要 40 万块芯片接力进场。\n因为训大脑只需要 10 万块。\n让大脑去全天候当牛做马，需要 40 万块、甚至几百万块。\n看懂了这台机器，你就能看懂黄仁勋为什么比任何人都急着宣布 AGI 降临。\n在淘金热里，最希望大家相信山上有金矿的人，从来不是淘金客。\n是山脚下卖铁锹的人。\n淘金客可能空手而归。\n只要全世界都相信金子就在前面，下一批 40 万把铁锹的订单，就已经稳稳装进了口袋。\n真正的分水岭，从来不是 AGI 到底有没有标准答案。\n当全世界还在为概念争论不休时，卖铁锹的人，已经把算力变成了全人类必须按秒付费的新煤炭。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2096875508021547163","translated_status_id":"2096875508021547163","published_at":"2026-09-07 10:12:07","created_at":"2026-09-07T10:12:07.107035","url":"https://mubeitech.com/p/raw_708f235ce731aad8","markdown_url":"https://mubeitech.com/p/raw_708f235ce731aad8/markdown"},{"rank":4,"id":"raw_5972038fa5b56599","account":"mubei","brand":"@mubei","title":"手里握着能把全人类文献读上几万遍的超级算力。 为什么还要在旧金山亲自租厂房买移液枪？ 为什么非要建一个倒弄试管和培养皿的…","summary":"手里握着能把全人类文献读上几万遍的超级算力。 为什么还要在旧金山亲自租厂房买移液枪？ 为什么非要建一个倒弄试管和培养皿的生物实验室？ 纽约时报刚披露了一组数字。 Anthropic 告诉投资人，他们正计划把算力推到 5 个吉瓦（GW）。 未来十年，他们光是在亚马逊云服务（AWS）…","body":"手里握着能把全人类文献读上几万遍的超级算力。\n为什么还要在旧金山亲自租厂房买移液枪？\n为什么非要建一个倒弄试管和培养皿的生物实验室？\n\n纽约时报刚披露了一组数字。\nAnthropic 告诉投资人，他们正计划把算力推到 5 个吉瓦（GW）。\n未来十年，他们光是在亚马逊云服务（AWS）的数据中心上，就要花掉超过 1000 亿美元。\n5 个吉瓦是什么概念？\n500 万千瓦，相当于好几个大型核电机组满负荷发电的总和。\n在纯数字的屏幕里，这是人类有史以来最庞大的一台硅基大脑。\n按常规的理解，有了这种级别的算力，早该把全球生物论文吃透了。\n在电脑里把蛋白质折叠和分子结构推演个几百亿次。\n什么疑难杂症攻不破？\n\n但同样是今天。\nAnthropic 生命科学负责人 Eric Kauderer-Abrams 证实了一件事。\n他们在旧金山湾区建了一个实体的湿实验室。\n是真的去采购离心机、通风橱、自动化机械臂和试剂瓶。\n开始在物理世界里摆弄真实的细胞和化学溶液。\n一位手握 5 吉瓦数字算力的 AI 巨头，为什么突然要回过头来洗试管？\n\n因为在生物学面前，纯代码世界的算力神话撞上了一面坚硬的高墙。\n在行业里，完全依靠计算机进行模型演算的方式，叫干实验，或者叫纯计算模拟。\n在过去的几年里，这种模拟看起来无所不能。\nAlphaFold 预测了几亿个蛋白质结构。\n各种生成式模型在几分钟内就能画出几万种潜在的药物候选分子。\n很多人觉得，只要算力继续堆上去，新药和疗法就会像代码一样自动写出来。\n但生命科学跟下围棋、写代码有一个根本的区别。\n当年 AlphaGo 可以在电脑里左右互搏几千万盘棋，几小时完成一次进化。\n围棋的规则是一套封闭且确定的数学系统。\n黑白棋子落下去，胜负由算法在几微秒内判决。\n没有半点误差。\n写代码也是一样，程序能跑还是报错，编译器自己就是最公平的裁判。\n但生命从来无法被几行数学公式穷尽。\n它是地球演化了三十多亿年、被无数偶发事件揉成一团的生化浓汤。\n你在电脑里把一个药物分子和病毒靶点的结合模拟得再完美，自由能计算得再精准，它依然只是一份假说。\n一旦把这种分子真正融进液体、滴到活体细胞上，物理世界的混乱立刻砸了过来。\n它可能根本穿不过细胞膜。\n它可能刚进入血浆就被未知的酶降解掉了。\n它可能确实按住了那个致病靶点，但顺手毒死了旁边的健康细胞。\n这些微观层面的非特异性结合和脱靶毒性，目前没有任何公式能算得准。\n正如 Eric Kauderer-Abrams 所说：\n最终的检验，依然是、并且很长一段时间内都将是真实实验室里的工作。\n在这一滴真实的液体面前，5 个吉瓦的算力只要拿不到物理反馈，就算到天花板也是盲人摸象。\n\n既然算不准，去买现成的生物实验数据喂给模型不行吗？\n这就引出了生物学里最残酷的现实：整个行业正面临着巨大的真值赤字。\n很多人以为互联网上到处都是生物医学论文，数据多得用不完。\n但过去一百年人类积累的实验数据，绝大多数是全球各个高校的研究生在操作台前手工做出来的。\n移液枪吸了多少微升、试剂批次有没有杂质、当天的温度湿度有没有变化，全靠实验员的手法和肉眼观察。\n这导致生物学论文有着极高的不可复现率。\n同一个实验换一个实验室，结果经常大相径庭。\n更要命的是学术界普遍的发表偏差。\n只有实验成功了、分子产生反应了，科研人员才会写成论文发表。\n那些失败了九千九百次的阴性数据，全被顺手倒进了废液桶，连一行记录都没留下。\n但在机器学习的世界里，没有失败样本，模型就根本学不会边界在哪里。\n如果拿着这些充满噪音、全是幸存者偏差的数据去训练。\n算力越大，模型在生物学上的幻觉就越可怕。\n把 5 吉瓦算力开满，产出的可能只是一堆精致的垃圾。\n\n今年 4 月，Anthropic 先掏出 4 亿美元股票，一口气收购了生物科技初创公司 Coefficient Bio。\n紧接着，诺华制药（Novartis）的首席执行官 Vas Narasimhan 被请进了董事会。\n6 月份上线了专门针对科学家的工作台 Claude Science。\n现在，又在旧金山亲自建起了湿实验室。\n他们并不打算开一家替药企代工检测的外包机构。\n他们的目标，是打造一套自驱动的自动化实验闭环。\n这套闭环具体怎么跑？\nClaude 先在云端调动几十个专业数据库和海量算力，生成分子假说。\n接下来，模型不需要等人类科学家去手写实验步骤，它直接把方案编译成自动化控制代码。\n指令下发给实验室里的高通量移液工作站和机器人手臂。\n机械臂全自动取样、配比试剂、点样、加热、培养。\n没有人工手抖，没有记录造假，操作过程被传感器毫秒级记录。\n几个小时后，检测设备读出荧光信号和结合曲线，拿到物理世界的硬反馈：分子到底结合了没有？细胞是生是死？\n最关键的一步紧接着发生。\n这些刚从物理世界拿到的真实数据，带着完整的成功与失败记录。\n直接作为奖励信号，喂回给 Claude 的训练系统。\n整套循环几个小时就能跑完一轮。\n模型吸纳了物理世界的真实碰撞，重新修正参数，立刻发出下一批实验指令。\n\n这就是物理世界向数字系统交账的方式。\n过去两年，整个科技界都在比拼谁的显卡集群更大。\n谁找电力公司拿到了更多的电网负荷。\n谁的模型能在排行榜上刷出更高的分数。\n但当 AI 试图推开物理世界的大门时，决定胜负的瓶颈已经悄悄转移了。\n算力花钱就能向电网买，但高精度的物理真值，在市场上根本买不到。\n如果数字大脑不能连上物理触角，再多的吉瓦也只是在虚空中空转。\nAnthropic 在旧金山租下的这间实验室，标志着整个大模型竞赛走到了一个新的分水岭。\nAI 的下一场硬仗，不再仅仅取决于显卡里消耗的电力。\n它取决于谁能在真实的试剂与培养皿里，以更快的速度，把物理世界的规律一滴一滴测出来。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2101149265863057746","translated_status_id":"2101149265863057746","published_at":"2026-09-18 23:03:21","created_at":"2026-09-18T23:03:21.070582","url":"https://mubeitech.com/p/raw_5972038fa5b56599","markdown_url":"https://mubeitech.com/p/raw_5972038fa5b56599/markdown"},{"rank":5,"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":6,"id":"2045912351690592708","account":"mubei","brand":"@mubei","title":"把一台AI的知识库强行锁死在1911年。 切断一切后续信息。 它能凭空推导出爱因斯坦在1915年发表的广义相对论吗？ D…","summary":"把一台AI的知识库强行锁死在1911年。 切断一切后续信息。 它能凭空推导出爱因斯坦在1915年发表的广义相对论吗？ DeepMind掌门人Demis Hassabis给出了他的终极标准。 能做到，就是真正的AGI。 做不到，就依然只是个高级工具。 他把这称为“爱因斯坦测试”。…","body":"把一台AI的知识库强行锁死在1911年。\n切断一切后续信息。\n它能凭空推导出爱因斯坦在1915年发表的广义相对论吗？\n\nDeepMind掌门人Demis Hassabis给出了他的终极标准。\n能做到，就是真正的AGI。\n做不到，就依然只是个高级工具。\n他把这称为“爱因斯坦测试”。\n\n现在的AI到底什么水平？\n它们能在国际数学奥赛上斩获金牌。\n但换个提问方式，又会在最基础的算术题上跌大跟头。\nHassabis用了一个词来形容这叫“参差不齐的智能”。\n\n真理不会因为换了身衣服就不被认出。\n真正的通用智能，绝对不允许出现如此割裂的智力落差。\n研究了二三十年，Hassabis看得比谁都透。\n人类大脑，依然是目前全宇宙唯一已知的通用智能样本。\n\n距离真正的AGI，现在还差三个硬指标。\n真正的创造力。\n持续学习的能力。\n长期规划的视野。\n\n靠堆算力和海量语料背下所有定理，终究只是在复述历史。\n能在没有前人脚印的黑暗里砸出火花，才叫真正的智能。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2045989375951995161","translated_status_id":"2045989375951995161","published_at":"2026-04-19 22:05:16","created_at":"2026-04-19T23:52:16.238114","url":"https://mubeitech.com/p/2045912351690592708","markdown_url":"https://mubeitech.com/p/2045912351690592708/markdown"}]}