Rocky
2个月前
身体健康和创造力,是未来人类战胜 #AI 的核心要素! 《激发心灵潜力》这本书中提到一个观点,身体健康,物质财富,时间自由,人际关系,精神满足;这几个排序,身体健康,永远放在第一位,凡事损害身体健康的事情一律不做,比如吸烟喝酒。 当我真正意识到身体健康十分重要,是在新冠疫情期间,我看到有身边的朋友离去,有老人仙逝,让我深深感到生命的脆弱。当我患了两次新冠后,叠加疫苗的影响,身体每况愈下。由于 #Web3 与美股的因素,时间经常颠倒作息,精神状态越来越差,时常暂坐便会乏力,注意力无法高度集中。而真正亮红灯是在一天夜晚,我照旧熬夜到凌晨,但心脏突然有心悸的感觉,无法呼吸,全身冒冷汗,家里常备的安宫牛黄丸,救了我一命。 从此以后,我开始逐渐选择慢下来,放下或者放权一些工作,开始逐渐走向做减法的路径,无论是生活还是工作。开始注重饮食,学习自己烹饪,减少外出饮食和外卖。增加有氧的锻炼内容,开始拿回自己大学时代的爱好,骑车🚴和跑步🏃,并且逐渐热爱上了户外,并迷上了徒步。 每到周末,我都会选择进山里待着(徒步)或者骑行,大自然是一个很好的老师和能量补给站。徒步和骑行,让你专注当下,丢下电子设备,聆听自己的呼吸和森林的虫鸣鸟叫。当你开始慢下来,开始回归简单的生活,很多烦恼和我执,便会放下,一旦放下,一旦无为,很多事物反而向自己理想的路径开始运转起来。就像紧握的拳头,它是无法攥紧沙子的。你只有松弛下来,张开手掌,才能承托更多。 关于创造力方面,龙应台以前写过:没有摸过树的皮,闻过花的香,没有走进过大自然,没有穿越过一座古城,没有在清晨逛过市场,那么,一个孩子如何成长呢? 所以说,美的趣味最好便是在大自然中培养。未来是 #AI 的时代,身体健康和创造力是最大需要补足的地方,而大自然是人类孕育创造力最佳的场域。有人可能会迷惑,大自然不就是那些树呀,山呀,湖泊呀,动物呀,旷野呀,日月星辰呀?人类的创造力怎么会跟这些简单的天然的事物联系在一起? 是的,创造力是一种宝贵的直觉,是形象的延伸,是在头脑中创造出新形象的能力。创造力人人都有,但有的人丰富,有的人匮乏。创造力丰富的人对字宙万物充满好奇,通过细密的观察和联想,可以提炼出物质世界的普遍联系,形成智慧并创造出伟大的作品。绝大多数的人之所以缺乏创造力,领悟不到宇宙的秘密,是因为他们习惯于将自己桎梏在眼见为实的牢笼里,遗忘了星空和旷野,失去了尽情想象的能力,不会大胆假设,从而掩盖了想象和直觉的光芒。 人们总是认为科学、人文、艺术才是有价值的,却忘了大自然才是诞生它们的温床与母腹。 让我们一同拥抱旷野,专注当下,一直说明天就好,明年再来,不妨就今天,不妨就当下! 我不想等待 不想在无尽的山脚下看未来 我只知道水会冷,风会停,春不再 人生就在于逞一时之快 明天太遥远 我要现在 不妨就今天 共勉之!
Susan STEM
2个月前
Demis Hassabis 眼中的大千世界:世界存在某种结构压缩的低维流形(low-dimensional manifold) Demis Hassabis 提出一个令人震惊的判断:物理本质是信息论性的,信息先于能量与物质。他据此构建出“可学习宇宙假说”:即自然界中大多数规律并不需要显式写下方程,而是可以通过经典图灵机(即常规计算机 + AI)在数据中压缩学习出来。这也是他敢于挑战传统生物学专家,用 AlphaFold 去预测他们需要数月甚至数年才能解析的蛋白质折叠结构的底气所在。背后是一整套关于自然可预测性、AI 可学习性与现实可模型化的信念框架。如果这个判断成立,那么很多科学研究的路径将被彻底改写,甚至将决定我们下一代如何走入科研。有人说这也是某位生物学大牛选择回国的理由——因为科学的规则变了,你不需要再踩“天坑专业”的雷,也不必再用十年实验室工作换一个小小突破,你只需要学会如何采集流形。 Hassabis 在解释 AlphaFold 成功的关键时指出,蛋白质的理论构象空间是 10^300 之巨,完全无法穷举或物理模拟。但自然界中蛋白能在毫秒级自动完成折叠,说明自然并没有在“全空间乱跑”,而是压缩演化在一条低维流形上。这是 AlphaFold 能够成功预测结构的根本前提。他强调:自然现象之所以“可预测”,不是因为我们写出了完美的方程,而是因为自然的行为模式在高维空间中稀疏分布、结构清晰、路径稳定——它们集中在一种可压缩、可调度的结构空间中,这就是所谓的“流形(manifold)”。 我们可以用一个可视化比喻来理解这一点:想象你站在一片巨大的草原(代表高维空间),理论上你可以朝任何方向走,但实际上绝大多数人都只走在几条清晰的小径上。每个人的脚步不是随机的,而是集体踩出了几条被自然选择出的路径。这些小径就是“自然偏好的流形”。现实世界中的天气变化、蛋白折叠、图像生成都类似——虽然可能性空间极大,但真实发生的情境都压缩在某些低维区域上。 AlphaFold 并不是像传统方法那样模拟蛋白质在全空间内的动力学演化过程,而是通过从大量蛋白质序列与已知结构的样本中学习,采集到了这个结构流形。它不是试图穷举所有可能构象,而是在训练中逐步内化出一个可以导航的、从序列到结构的映射空间,也就是一个“潜在折叠流形”。最终,在预测新蛋白结构时,它并不是搜索整个空间,而是在这个内化的流形中直接定位最可能的位置,完成高效预测。 这就是 AlphaFold 的本质:它用深度神经网络从数据中提取出了低维流形,并在这个结构压缩空间中完成了调度和推理。它不是理解了所有物理机制,而是掌握了“自然允许你走的那些路径”。这也正是 Hassabis 世界观的核心逻辑——自然是结构化的,智能的任务不是重建现实,而是压缩现实,压缩成一个可以学习、调用、迁移的结构流形。 世界本是高熵混沌的,但其中蕴含可提取的结构秩序——只要识别出这些结构,就能实现压缩、调度与迁移,从而在无序中建立智能与控制。 我一直都是这么想的(拍拍胸口)。 (4/n)