这是一个关于“提出好问题”的问题 我今天刚好和ai讨论了这个问题，判断一个问题是不是好问题，价值函数如图 而这其中的大部分（如果不是全部）变量，是可量化的，其中不可量化的部分，也会随智能（搜索能力）提升而不断提升

openai发布的三个突破横跨数学、理论计算机科学和理论物理 让科学界昨夜无数最聪明的大脑一夜无眠（btw，我这样的蠢货睡得像个孩子） openai批量解决的这些菲尔兹奖、图灵级别的问题，让我们看到科学突破正在scale，从突破一个，到突破一百万个，只是算力多少的问题 Local Smoothing 的案例意味着ai已经不只是 Problem Solving。它开始Method Discovery。 人类科学家所谓的“灵光一现”其实只是一个规模足够大的搜索。 很多科学问题的正确路径藏在一个巨大得无法由人类穷尽的搜索空间里，但AI 可以穷尽。 科学认为的稀缺的能力是：发现结构、提出假说、创造方法、判断方向。过去一年，AI 已经从战战兢兢的判断方向，开始熟练的创造方法，甚至开始“提出假说”。 人类最后的护城河，“研究品味”，AI 也许并不需要。因为“找好问题”本身也可以是搜索问题。AI 不需要成为“爱因斯坦”。它可以用规模替代天才直觉（或者说，天才直觉本身就是因为有足够的知识点广度和深度而产生的，所以天才直觉本身就是规模问题？）。

yeah long ai, fuck the bears!

openai解出这三个世纪难题这样的数学能力意味着，接下来物理的科研突破速度将超乎想象。 而物理是材料的基础。数学物理材料又是量子的基础，核聚变的基础，半导体的基础，bio的基础。。。 飞轮已经转动，算力所能创造的价值将突破天际， 请珍惜还能使用200块gpt月套餐的机会，珍惜还能买到显卡的最后窗口期，珍惜自己的智商还有一点残值的最后时光

所有今天依靠知识工作者支撑房价的地区，就是下一个底特律，就是下一个锈带

微软今天传出给6万员工提供“自愿”离职补偿，占公司员工总数25% 在大公司干过的都知道，一般开始都是自愿+补偿 然后就是不管自不自愿，补偿开始减少 再然后就是不自愿，没啥补偿… 美国甚至全球房价下跌，只是刚刚开始

对于现在的mag7，尽管他们的ai算力相关业务，不可否认都很有前景， 但他们各自的核心业务都岌岌可危，msft的软件，amzn的电商，meta的社交，google的搜索，感觉在ai面前都是纸老虎。 我反正日常这些操作都交给agent了，日常基本不怎么用了

24-25年卖光了国内房产（老人坚持留了套自住，现在后悔中），25-26年卖光了国外房产，现在看来都没卖在最高点，但看起来都会躲过最激烈的下跌 接下来ai带来的高失业率和高利率带来的双重压力，会让房地产陷入长期深熊 英国撒切尔时代高利率曾让房地产跌到租售比最低5，之后多年ptsd缓不过来 而且房地产这个工业化时代被固化的定义，在智能化时代，将会被彻底改变。无论是医疗、教育、交通撑起来的所谓“优质地段”，还是建筑物料成本及方式，不出10年，都将面目全非 现在的房子，可能是最不应该投资或持有的资产！

都不用三体舰队 历史上任何一次工业革命，甚至是大的技术进步，带来的都是社会财富的再分配 而财富再分配，往往都是体制剧变 好点的是改革，大点就是革命 ai不是一次工业革命，是持续不断的工业革命

ai最疯狂的地方，就是把20年的周期压缩到10年、5年甚至更短 但倍数可能更高于之前的互联网周期，房地产周期 这也是为什么普通散户不要择时

对于绝大多数人来说，只要能吃到ai的beta，已经足以改变命运 就像改开近30年的中国楼市长牛，买的房如果因为10%的市场价格变化买卖，还能吃到十几倍甚至几十倍的增值吗？ 大周期只需要一次买入，和一次逃顶，其他都是噪音

不破不立，先破再立 ai是加密的最大威胁，也是加密的最大希望

我现在是半导体唯一多头了？ 还有其他人认为ai没有泡沫的吗？

作为一个币圈跨界过来炒股的新手， 在币圈经历过7.9，3.12，5.19，对于这段时间美股半导体的回调 我只想说 就这？

10 月 16 日，Google Research 发布两项研究，分别涉及自主实验机器人和AI 驱动的适配体设计闭环。最重要的是，研究展示了 AI 如何根据真实实验失败原因，修改下一轮设计策略，而不只是增加候选分子的生成数量。 1. Wet-lab 命中率：经过三轮反馈，最高达到 42.1% Google 的适配体实验涵盖两个蛋白靶点。 α-thrombin： 第一轮没有获得有效结合分子，命中率为 0%。AI 分析实验失败原因后，发现部分固定引物序列影响适配体折叠，于是修改结构设计。第二轮命中率达到 26.0%，第三轮进一步达到 42.1%，靶标特异性达到 98.5%。 Myoglobin： 第一轮有效命中率为 10.2%。第二轮由于 AI 过度优化表面结合信号，产生大量非特异性结合分子，实际命中率反而下降至 3.7%。AI 根据实验数据重新限制容易产生非特异性结合的结构，第三轮命中率提高至 33.5%。 也就是说，Myoglobin 的最终命中率达到第一轮的约 3.3 倍，相较第二轮低点提高约 9 倍。 2. 蛋白质设计：计算成本下降，同时获得纳摩尔级结合分子 另一项研究针对肿瘤相关靶点 FAP（Fibroblast Activation Protein）。 Google 使用 Agent 辅助优化蛋白设计流程，通过只保留靶蛋白局部结合区域进行结构预测，使该步骤计算速度提高 8.6 倍。 在相同计算预算下，人类科学家与 Agent 协作的计算筛选命中率接近单独由科学家操作的两倍。 随后，团队利用真实实验获得了亲和力达到个位数纳摩尔级别的蛋白结合分子。 为什么这次值得特别关注？ 此前： AI Design → Computational Filter → Wet-lab Validation 这次更重要的进展是： AI Design → Wet-lab → 分析失败机制 → 自主修改设计规则 → 下一轮 Wet-lab → 命中率提升 这意味着实验不再只是模型输出结果的最终验证环节，而开始成为 AI 持续改善设计策略的反馈来源。