关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
我来告诉你们，数学界接下来一个最大的问。
我去年就说过，UC Berkeley数学系助理教授Tony Feng在Google Gemini做visiting professor的时候，拿到了当时最好模型Google Gemini的超长极长无敌长的reasoning版本。
这直接导致Tony Feng解决了7道Erdos问，三道FirstProof问，开创性地用半监督方式 ，以及无监督方式，指导AI Agent解决数学问。
我去年就说过，下一步要解决的问是，尝试把一个数学命以lean4的形式拆分成多个lemma，多个lemma以DAG的数学结构组合成一个数学命，每个数学证明可以拆分成几十个到几千个lemma DAG，每个lemma作为节点又可以让多个agent来证明，这样可以用成千上万个agent来碰撞证明每个lemma，尝试组合成一个完整数学证明的DAG。
所有人都忽视了一个最重要的问，就是一个LLM的reasoning是不可能无限长的，哪怕是Claude和GPT模型，reasoning是有限的，这是LLM结构和目前inference infra决定的。
但是数学家们早就给出了解决方案：在3000多年前，古希腊的数学家们就知道，完备的数学体系需要写书、写笔记、收学生，以学术社区和讨论组的形式，一条条验证，把自己思考的过程记录下来，给同行完成peer review，这样把自己在数学的工作一条条记录、验证、审议、写书、组织起来，一起构建完整的数学大厦。
过去10年来，人类一直在mathlib中实现这一个愿景，全世界所有数学家都在用lean4构建数学大厦，但是还远远不够。
你党哥提出lemma DAG概念后，能大概预测到一个方向，这个方向就是，驱动AI Agent用lean4把所有它能构建数学体系的领域：
1. 用lean4审核目前人类已有的、能用lean4实现和验证的数学论文，全部用lean4实现并验证一遍；
2. 用lean4尝试构建新的问，实现一个AI native版本的mathlib证明大全——mathlib2——比现有人类数学家构建的mathlib要大一两个数量级；
3. 当人类尝试定义新的问的时候，先从mathlib和mathlib2中搜索已有近似证明，尝试拆分成DAG的lemma形式，用mathlib2更加快速便捷地实现部分证明；
4. 最后用大量、超大量的AI Agent尝试大量、巨大量、无限提出新的问，并且并行in parallel用已有mathlib2去验证或者证伪这些新问，最后由人类数学大师cherry pick出其中有价值的问和完整证明方案出来。
回到开头，首尾呼应一下：
人类在单一LLM本体进行超长reasoning已经接近inference复杂度极限，这是人类任何人都无法改变的，OpenAI和Anthropic改变不了，玉皇大帝都改变不了，
能提到LLM超长reasoning的唯一办法，就是让LLM Agent不断总结、不断记录、不断验证出过去产出的结构化、逻辑化、有组织的知识库，作为long term memory，这些知识库就是一个LLM Agent过去的所有reasoning中的有效记忆，并且能用于今后未来的所有构建中。
这和朴素古典的memory机制完全不同，无论构建一套lean4还是构建matlab simulink的有效仿真验证后的设计，还是构建HDL各种硬件描述语言在仿真后验证的电路设计，都更有效、更精准、更专业、更小领域，
而且最重要的是，构建这些结构化的专业学术知识库，恰恰是AI Agent加上一个本地仿真、编译、运行环境的最擅长的事情。
说人说就是，脑子到极限的前提下，好脑子不如烂笔头。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
我去年就说过，UC Berkeley数学系助理教授Tony Feng在Google Gemini做visiting professor的时候，拿到了当时最好模型Google Gemini的超长极长无敌长的reasoning版本。
这直接导致Tony Feng解决了7道Erdos问，三道FirstProof问，开创性地用半监督方式 ，以及无监督方式，指导AI Agent解决数学问。
我去年就说过，下一步要解决的问是，尝试把一个数学命以lean4的形式拆分成多个lemma，多个lemma以DAG的数学结构组合成一个数学命，每个数学证明可以拆分成几十个到几千个lemma DAG，每个lemma作为节点又可以让多个agent来证明，这样可以用成千上万个agent来碰撞证明每个lemma，尝试组合成一个完整数学证明的DAG。
所有人都忽视了一个最重要的问，就是一个LLM的reasoning是不可能无限长的，哪怕是Claude和GPT模型，reasoning是有限的，这是LLM结构和目前inference infra决定的。
但是数学家们早就给出了解决方案：在3000多年前，古希腊的数学家们就知道，完备的数学体系需要写书、写笔记、收学生，以学术社区和讨论组的形式，一条条验证，把自己思考的过程记录下来，给同行完成peer review，这样把自己在数学的工作一条条记录、验证、审议、写书、组织起来，一起构建完整的数学大厦。
过去10年来，人类一直在mathlib中实现这一个愿景，全世界所有数学家都在用lean4构建数学大厦，但是还远远不够。
你党哥提出lemma DAG概念后，能大概预测到一个方向，这个方向就是，驱动AI Agent用lean4把所有它能构建数学体系的领域：
1. 用lean4审核目前人类已有的、能用lean4实现和验证的数学论文，全部用lean4实现并验证一遍；
2. 用lean4尝试构建新的问，实现一个AI native版本的mathlib证明大全——mathlib2——比现有人类数学家构建的mathlib要大一两个数量级；
3. 当人类尝试定义新的问的时候，先从mathlib和mathlib2中搜索已有近似证明，尝试拆分成DAG的lemma形式，用mathlib2更加快速便捷地实现部分证明；
4. 最后用大量、超大量的AI Agent尝试大量、巨大量、无限提出新的问，并且并行in parallel用已有mathlib2去验证或者证伪这些新问，最后由人类数学大师cherry pick出其中有价值的问和完整证明方案出来。
回到开头，首尾呼应一下：
人类在单一LLM本体进行超长reasoning已经接近inference复杂度极限，这是人类任何人都无法改变的，OpenAI和Anthropic改变不了，玉皇大帝都改变不了，
能提到LLM超长reasoning的唯一办法，就是让LLM Agent不断总结、不断记录、不断验证出过去产出的结构化、逻辑化、有组织的知识库，作为long term memory，这些知识库就是一个LLM Agent过去的所有reasoning中的有效记忆，并且能用于今后未来的所有构建中。
这和朴素古典的memory机制完全不同，无论构建一套lean4还是构建matlab simulink的有效仿真验证后的设计，还是构建HDL各种硬件描述语言在仿真后验证的电路设计，都更有效、更精准、更专业、更小领域，
而且最重要的是，构建这些结构化的专业学术知识库，恰恰是AI Agent加上一个本地仿真、编译、运行环境的最擅长的事情。
说人说就是，脑子到极限的前提下，好脑子不如烂笔头。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
没钱就不要考虑读专硕了……。减少学硕扩大专硕的培养，方向是完全正确的，但问是大学有没有这个能力培养专硕，在国内大学和企业是完全脱节的，校企合作基本上停留在PPT上，即使国内最牛的清华、北大，也没有听说为华为、小米等科技企业解决过什么重大技术难，高校从院士到博导都是靠弄几篇论文混饭吃，在AI影响的当下，大学在前沿科技上与企业相比更无优势可言，至今没听说过哪个AI大模型是某个高校开发的，已经在知识、技术上明显落后的大学凭啥动不动就收数万元的学费，如今这么多大学生对考研趋之若鹜，不是大学生太傻，他们知道就是再多读几年大学也学不到啥东西，无非就是冲着那个文凭来的，因为文凭在很多吃皇粮的单位还是硬通货，以现在专硕的收费标准，两三年读下来连生活费、住宿费、学费至少也得20多万，再算上大学本科期间的费用，大学生还没有找着工作之前就已经破费了50万，这么大一笔钱很多年轻人就是工作10几年也不一定能把它赚回来，专硕可以说不适合穷人，非要读的你得先算一下这个经济帐，看看划算不划算……。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
美国二手书商最近发现一个怪现象：几十年没人买的学术书、法律书，甚至一本1972年的污水处理手册，突然被神秘公司大量扫货。有人偷偷往书里塞GPS，结果一路追到工业扫描厂。法院文件后来揭开谜底：Anthropic曾启动Project Panama，希望尽可能扫描大量实体书，做法就是切掉书脊、拆页、扫描，原书随后丢弃。听起来像书籍毁灭计划，但这些书大多不是珍贵古籍，而是冷门、低印量、网上找不到的长尾知识。AI公司把它们吸进模型，也许让沉睡知识重新被使用；可原本属于出版市场和图书馆体系的书，一旦变成训练数据，最终却掌握在少数科技公司手中
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
给各种Agent"喂"了800多份网络安全实战手册,内容涵盖云安全、威胁狩猎、渗透测试、等 29 个领域,每份手册都写清楚了"什么时候该用这个技能、需要什么前置条件、具体怎么一步步操作，让 AI 在处理安全问时不再瞎猜命令,而是像一个资深安全分析师
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
https://mp.weixin.qq.com/s/pQnoUHQ6tUC9gBWjEkpkGQ
全国首个具身智能机器人专用SIM卡在合肥瑶海发出
@aigc1024
第一个月只需要 34元，一杯星巴克的钱，真的不贵，比豆姐都便宜
活动限时三天，欢迎体验
用户群已经有人给他老婆订上了
一起努力，让每一个人都能用上 AI
@aigc1024
硅谷传奇投资人 Marc Andreessen 最近在一次访谈中指出，对于绝大多数普通人的日常 AI 需求，小模型，或者廉价大模型的极速版，其实已经完全够用了。
大多数人根本不需要“海量算力”，也不需要一个 IQ 超过 120 的超级 AI。
这也意味着未来消费端对算力的真实需求，很可能低于今天科技巨头如此庞大的算力投资所隐含的预期。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
大多数人根本不需要“海量算力”，也不需要一个 IQ 超过 120 的超级 AI。
这也意味着未来消费端对算力的真实需求，很可能低于今天科技巨头如此庞大的算力投资所隐含的预期。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
还是太天真了啊
town ai 今天支持做 ppt 啦
硅谷创投圈真的是敢为天下后
在 AI 圈子来看，好像有点可笑
不过在另外一个视角，大众对 ai 的认知还是接近于0
一切都刚刚开始
@aigc1024
Miro 被卖给了 Bending Spoons
这家公司在月初刚买了 Airtable
很多人还不知道它是谁，但应该所有人都知道 Evernote
2022 年 Evernote 就卖给它了
这家公司专门收购落魄的 SaaS 公司和互联网公司
投资人20倍估值投资，这家公司2倍估值收购
而更有意思的，这家公司它自己的估值也有 19 倍
这家公司的增长几乎全部来自收购
也是个神奇的公司了
@aigc1024
这家公司在月初刚买了 Airtable
很多人还不知道它是谁，但应该所有人都知道 Evernote
2022 年 Evernote 就卖给它了
这家公司专门收购落魄的 SaaS 公司和互联网公司
投资人20倍估值投资，这家公司2倍估值收购
而更有意思的，这家公司它自己的估值也有 19 倍
这家公司的增长几乎全部来自收购
也是个神奇的公司了
@aigc1024
专为30岁后觉醒的成年人打造，在经济下行、失业潮来临的当下，本书教你如何靠一个人也能持续赚钱，洞察趋势、寻找合法高收益通道，实现真正意义上的逆风翻盘。
链接：https://pan.quark.cn/s/ad792db1353d
@meiriyishu
现在的 AI 榜单看多了真挺麻木的，大家基本都在已有参考答案的池子里卷。
TRACES 提的这个思路很对路。如果没有标准答案，AI 到底能不能自己把结论探索出来？
重点测寻找路径和自主试错，而不是只看一个冷冰冰的最终得分。大模型从做家走向科研助手，这步跨越确实该有新的基准了。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
TRACES 提的这个思路很对路。如果没有标准答案，AI 到底能不能自己把结论探索出来？
重点测寻找路径和自主试错，而不是只看一个冷冰冰的最终得分。大模型从做家走向科研助手，这步跨越确实该有新的基准了。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
