跳到正文
#论文/研究
  1. The Verge · AI82

    数学家称需数年才能消化 OpenAI 一次性放出的近 400 条数学结果

    OpenAI 本周突然发布近 400 条 AI 生成的数学结果，分布在 700 多份手稿中，涵盖组合数学、几何、数论、理论计算机科学、代数、拓扑、概率与统计力学及数学物理等多个方向。

    推荐理由：数十位数学家对 OpenAI 一次性放出近 400 条数学结果的直接反应，呈现了学术共同体面对 AI 产出时的验证困境与职业焦虑。

  1. Latent Space85

    OpenAI 内部模型发布 722 篇数学手稿，覆盖 500 个开放问题中的 90 个

    OpenAI 以博客、GitHub 仓库和推文形式公开了内部前沿模型的数学成果，共 722 篇手稿、归入 372 个相关结果族，来自约 4000 道研究问题的评测，平均每个结果消耗约 3 小时 ChatGPT Pro 思考算力，模型本身尚未发布。

    推荐理由：OpenAI 内部模型一次性产出 722 篇数学手稿，读者可据此了解这批结果的规模、算力成本与外界质疑。

  1. Google DeepMind62

    Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入可验证水印

    Google DeepMind 推出 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。

    推荐理由：SynthID 水印从图像扩展到合成生物学，读者可了解其在蛋白质序列与结构上的实现方式及对 DNA 合成筛查的意义。

  1. Microsoft Research60

    微软研究院：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航

    微软研究院对移动机器人操作负载做了首次系统性测量研究，发现把物理 AI 推理从机器人本体 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。

    推荐理由：微软研究院首次系统测量机器人本体推理与边缘云端卸载的差异，给出任务成功率、电池续航与工具链的量化对比。

  1. Google DeepMind76

    Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单核苷酸变异预测

    Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold Database 的 30 多倍，今日起通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 向学术研究免费开放。

    推荐理由：AlphaGenome Atlas 把 90 亿个单核苷酸变异的预测结果做成可检索资源，读者可了解其数据规模与在罕见病研究中的实际用法。

  1. Berkeley AI Research60

    从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon

    Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，新增结构化 CUDA-to-MLX 翻译层，让搜索以现有 CUDA 内核为知识库生成 Apple Silicon 内核。

    推荐理由：原文给出跨平台内核迁移的具体方法与实测数据，读者可据此判断 CUDA 经验向 Apple Silicon 迁移的可行路径。

已经到底了