宝玉
1周前
陶哲轩给数学学不好但有兴趣的学生的建议: “现在的人必须具备适应性和灵活性。大家需要掌握那些“可迁移的技能”(transferable skills)。比如,仅仅学习一门特定的编程语言,或者数学的某个特定分支,其本身并不是一种特别有价值的可迁移技能。 但是,学习如何运用抽象概念进行推理,或者在遇到问题时如何解决问题的能力——我认为这些才是我们未来依然需要的核心能力。即便我们的工具(比如 AI)越来越强大,你仍然需要与它们协同工作。” --- 莱克斯·弗里德曼 (Lex Fridman): 接着这个话题,您会对那些在数学上遇到困难,但又很感兴趣、想要学得更好的年轻学生们提些什么建议呢?在如今复杂的教育环境下,您觉得他们可以做些什么? 陶哲轩 (Terence Tao): 是的,这确实是个棘手的问题。但有个好消息是,现在课堂之外,能让孩子们接触和拓展数学学习的资源越来越多了。在我那个年代,就已经有数学竞赛,图书馆里也有很多数学科普读物。而现在,我们有了 YouTube,还有各种专门讨论和解决数学谜题的论坛,数学也开始在更多意想不到的地方出现。 从兴趣爱好入手,数学也可以很亲民 陶哲轩: 比如,有些业余爱好者喜欢玩扑克,纯粹是为了好玩。但为了某些非常具体的原因,他们会对一些特定的概率问题产生浓厚的兴趣。实际上,在扑克圈子里,已经形成了一个业余概率学家的社群。同样的情况也出现在国际象棋、棒球等领域。数学其实无处不在。 公民科学:让公众参与到数学研究中 陶哲轩: 我其实非常希望,借助像 Lean(一个定理证明助手)这样的新工具,我们能让更广泛的公众参与到数学研究项目中来。 这在目前几乎是从未发生过的事。在其他科学领域,已经有了一些“公民科学”(citizen science) 的实践。比如在天文学,有业余爱好者发现新的彗星;在生物学,有普通人帮忙识别蝴蝶种类等等。 在数学领域,之前也只有极少数的活动能让业余数学爱好者参与,比如寻找新的素数。但过去,我们必须验证每一个贡献的正确性。因此,对于大多数数学研究项目来说,引入公众的参与非但没有帮助,反而会因为大量的错误检查工作而非常耗时。 但是,像数学形式化这样的项目有一个好处,那就是它们能把更多的人聚集起来。我相信,现在已经有高中生为 Mathlib(一个数学定理库)这样的形式化项目做出了贡献。想要参与进来,解决一个小小的、原子级别的问题,你并不需要拥有博士学位。 编程:一条通往数学的捷径 莱克斯·弗里德曼: 数学的形式化似乎也为编程社区打开了一扇大门。那些对编程感到习以为常的人,或许能更容易地走进数学世界。给我的感觉是,编程似乎比数学更容易上手。 数学,特别是现代数学,被看作是一个门槛极高的领域,而编程则不同。所以,编程或许可以成为一个很好的切入点。 陶哲轩: 是的,你可以运行代码,然后立刻看到结果,比如很快就能打印出 "Hello world"。如果编程也被当作一门纯理论的学科来教,只教计算机科学、函数理论、程序理论等等,而不让你在周末为了好玩去实际写写代码,那么它也会被认为和数学一样难。 在热爱的领域里,发现数学、应用数学 陶哲轩: 正如我刚才所说,在很多非数学家的圈子里,人们为了某个非常具体的目标而在运用数学,比如优化他们的扑克策略。对他们来说,数学因此变得非常有趣。 给年轻人的职业建议:拥抱不确定的未来 莱克斯·弗里德曼: 总的来说,对于年轻人如何选择职业、如何找到自己的定位和天赋所在,您有什么建议? 陶哲轩: 这个问题真的非常难回答。当今世界充满了不确定性。你知道,战后曾经有过一段时期,至少在西方,如果你来自一个不错的家庭背景,通往好职业的道路是非常稳定的:上大学、接受教育、选择一个专业,然后一直做下去。 莱克斯·弗里德曼: 那样的时代越来越成为过去了。所以我认为,现在的人必须具备适应性和灵活性。大家需要掌握那些“可迁移的技能”(transferable skills)。 陶哲轩: 的确。比如,仅仅学习一门特定的编程语言,或者数学的某个特定分支,其本身并不是一种特别有价值的可迁移技能。但是,学习如何运用抽象概念进行推理,或者在遇到问题时如何解决问题的能力——我认为这些才是我们未来依然需要的核心能力。即便我们的工具(比如 AI)越来越强大,你仍然需要与它们协同工作。 莱克斯·弗里德曼: 确实,您本人就是一个很有趣的案例。 完整视频:Terence Tao: Hardest Problems in Mathematics, Physics & the Future of AI | Lex Fridman Podcast #472
全球 AI 版图与投资风向|圆桌精要 嘉宾来自二级市场、交叉资本与企业风投。开门见山:AI 资金洪流正在重绘全球力量版图。 1)地缘格局 •中美是唯二“超级引擎”。美国在基础模型、人才与资本上继续拉开差距;中国在应用落地、工程优化、供应链效率与成本控制上强势,许多场景(医疗影像、边缘终端)5 年前已商业化。双方相互低估常见:美国易忽视中国在应用层的速度与规模;中国易低估美国在基座模型与基础研究的领先幅度。 •欧洲步调更稳,受监管牵引; •中东意在自给自足的 AI 战略,重金扶持本地初创,布局数据中心与云。 2)赛道偏好 •算法走向:多模态、小模型与MoE降低推理成本;蒸馏让中小模型在子任务上媲美大模型,并可上边缘设备。 •数据与合规:从“量”转向“质”,需要付费/授权机制与隐私计算/联邦学习,企业或自训、或授权他训。 •硬件与基础设施:GPU/TPU 的矩阵并行与低比特量化红利在兑现,但访存/带宽/能耗成瓶颈;通信光互连从机架间向机架内加速渗透。 •数据中心与能源:电网老化、算力用电缺口扩大,SMR(小型模块化核电)、分布式储能与“算力就近”将成关键投入。 3)垂直与“物理 AI” •医疗:影像可疑点标注、EKG/编码/文书自动化是“低垂果实”,单个医生节省 1 小时/日即创造系统价值。 •机器人/物流/餐饮自动化:从仓内搬运到前台饮品机器人,软硬一体打开百亿级市场。 •内容电商:AI 生成内容+供应链,东南亚与美国同步起量。 •航天与新空间:可重构卫星网络、太空数据中心、失重环境材料/药物研究,受发射成本指数级下降驱动,进入产业化窗口。 4)资本与回报 •今年百亿美元级资金高度集中于少数基础模型公司,但历史上最佳回报往往来自产业垂直与应用层。 •中国硬件创业在成本、效率、产能上具数量级优势;美国 B2B 软件 体系成熟。 •一级/二级市场:二级龙头估值高企但仍有结构性机会;面向“算法+数据+场景”的垂直龙头,5–10 年拿到 10–15× 并非天方夜谭(风险自担)。 5)方法论 •投资上坚持“5-UP”:深扎复杂行业工作流、抗“大厂升级坍塌”;以应用牵引而非盲逐通用代理。 •创业上先做过硬突破再谈公司,人才迁移比技术转移更重要;对齐雇主/政府/保险/医院/患者激励,规模化才可期。 •参与胜于旁观:我们常高估一年、低估十年——AI 的“下一幕”需要你在场。 结语 AI 正在把“能源—算力—数据—应用”的链条重新焊接。多模态与小模型上边缘、数据合规与付费、硬件光互连与低能耗、医疗与机器人等垂直将是未来 3–5 年的主航道。要么留在旧地图,要么一起书写新章。
硅谷的技术浪潮与 AI 革命 约翰·L·亨尼西演讲摘要 今天上午的主题对话嘉宾是约翰·L·亨尼西(John L. Hennessy),他是 Alphabet 董事长、美国计算机科学家,被誉为“硅谷教父”,2000–2016 年任斯坦福大学校长,并因与大卫·帕特森(David Patterson)共同开创 RISC 架构获 2017 年图灵奖。 硅谷的起点 硅谷历史可追溯到二战前。MIT 出身的弗雷德里克·特曼(Frederick Terman)来到斯坦福任教,招回比尔·惠利特(Bill Hewlett),与戴夫·帕卡德(Dave Packard)一起创业。他们发明了温度补偿音频振荡器,卖给迪士尼用于《幻想曲》,这就是惠普的开端。车库实验室的故事也由此流传。 从此,硅谷迎来一波波技术浪潮:半导体、集成电路(英特尔、AMD、仙童)、微处理器与个人电脑革命、互联网与思科、万维网与谷歌雅虎、社交媒体与 Facebook、Snapchat……每一波浪潮最终留下 3–4 家巨头,推动格局不断变迁。 创新源头 早期突破来自 IBM、贝尔实验室、施乐 PARC 等研究机构。晶体管、集成电路、个人电脑、图形界面与鼠标都从这里起步。斯坦福、MIT、伯克利、卡内基梅隆等大学成为人才与思想的孵化器。互联网最初服务科研,直到杨致远等人用 Yahoo 做出在线点披萨,我才意识到互联网将改变一切。 人才与创新 硅谷的经验是:转移的不仅是技术,更是人。真正推动创新的,是敢于挑战旧路的年轻人。谷歌的成功离不开佩奇、布林,更离不开后来数百位来自斯坦福、伯克利的人才。创新需要人去承载、去相信。 AI 革命 今天我们正处在人工智能的浪潮中。几十年的基础研究,加上近十年的突破——深度神经网络、Transformer、自监督学习——使 AI 在图像识别、自然语言、推理上突飞猛进。关键要素是算法、数据与算力。ImageNet、Wikipedia、亿万网页训练了这些模型。RLHF 帮助它们减少错误,但完美仍不可期。 技术与社会挑战 AI 发展面临三大挑战: 1.训练成本飞速上涨,算力需求超过硬件降价速度。 2.能耗问题,数据中心能耗是人脑的数千倍。 3.高质量数据枯竭,2030 年前后或遇到瓶颈。 同时,AI 引发就业与社会担忧。程序员、教师、医生都面临改变,但若定位为“增强人类能力”而非替代,就能释放积极价值:减轻医生文书负担、为教师提供个性化辅导、让学习与诊疗更高效。 展望 AGI 十年前大多数人认为 AGI 需几十年,如今很多人预计 5–10 年。大模型已超过人类平均水平,向专家级迈进。但它们的学习效率、能耗远不如人脑。我们仍需从神经科学汲取灵感,把革命推向改善人类生活的方向。 “真正驱动硅谷的,不是单个公司,而是一波又一波的技术浪潮。今天,AI 就是新的浪潮。” ——约翰·L·亨尼西 ⸻