AI4Physics · Panel 2 · AI4Physics and the Future AI Revolution

来源： Panel 2 · AI4Physics and the Future AI Revolution 播客： ICML 2026 · AI4Physics 分类： 科学 原文发表： 2026-07-11 纪要生成： 2026-07-13

基本信息

• Workshop：ICML 2026 Workshop on AI for Physics (AI4Physics)
• 类型：Panel Discussion
• 主持人：Anna Gilbert (Yale)；客座/支持主持：Michael R. "Mike" Douglas (Harvard)（转写中 Anna 自报"Mike Douglas 和我是本 panel 的主持"；MC "Cheering" 负责串场与开场介绍）
• 嘉宾：
• Charles Cheung（NVIDIA；推动与高校的研究合作，背景是应用数学、在流形上解微分方程）
• Alberto Alfarano（Axiom Math；做形式化证明与自动发现，涵盖数学与科学；团队有 François Charton 领衔 AI for physics）
• Lucas Baker（Jump Trading；领导 agentic 研发，背景为工程与深度学习，做量化 agent 与研究流程优化；曾参与 AlphaGo）
• Kelsie Zhao（Causal Labs 联合创始人兼 CEO；构建"大型物理模型"预测与控制天气；曾学航空航天、做自动驾驶 8 年）
• 真实时段：约 15:30–16:30（KST，7/11）

一句话概括

围绕"AI 与物理/数学的差异、当前 LLM/agentic 系统够不够、scaling vs 原理性/人类巧思、人才培养与 PhD、以及是否会转向更高效架构、工业界如何采纳 AI 物理预测"展开。共识：系统（harness + 工具）而非单一模型才是"智能的基本单元"，数据混合（data mixture）与人类专家的巧思是真正的杠杆，判断力/深度思考更值钱。分歧：Lucas 高度 AGI-pilled，认为三年内可自动化绝大部分人类脑力劳动、纯 scaling 也大概够；Alberto 强调发现类问题上 scaling 律不适用、人类专家数据才关键；台下有人质疑"数学能自主贡献不代表物理也能"（物理门槛更高、社会学结构不同）。

讨论主题与背景

MC "Cheering" 先请四位从最左侧起做自我介绍，随后交棒 Anna Gilbert 与 Mike Douglas 主持。主持人事先备好一组问题，围绕：各公司如何用 AI for physics / physics for AI；物理与数学在 LLM/AGI 视角下有何不同；当前 LLM 是否够用、是否需要新范式；进展来自原理性工作还是 scaling+调 agent；给学生的培养建议与是否读 PhD；最后开放观众提问。

分议题记录

议题一：各公司如何用 AI for physics / physics for AI？

• Kelsie Zhao（Causal Labs）： 我们首先做天气领域，是显式地"用 AI 做物理"。
• Lucas Baker（Jump Trading）： 两个答案：其一，我们大量工作在时间序列研究上与物理相似；其二更直接，我们正用 LLM 做物理研究（John 也应在台上）。
• Alberto Alfarano（Axiom）： 我们探索物理与数学之间的互相迁移；重点在发现（discovery）。很高兴有 François Charton 在团队、领衔 AI for physics 的多个问题——高能物理、弦论、Calabi–Yau 流形等；训练模型、看数据、看能否得到启示。总体也做很多 AI for math。
• Charles Cheung（NVIDIA）： 我们是 GPU 计算平台公司，构建大量软件平台用 GPU 加速算法/网络训练（AI for physics/science）。另一面"physics for AI"：内部有一个 initiative，试图组建团队，用数学理论、物理理论去解释 AI 算法——如今多数算法是经验式开发的，我们知道它怎么工作，却不清楚它为何失败、在哪失败；我们有上百年的数学与物理理论，也许能拿来在 AI 算法与传统科学之间架桥。

议题二：从 LLM/AGI 视角，物理与数学有何不同？（Anna 追问 Lucas、Alberto；引 Mike 一句"物理是数学的近邻/adjacent"）

• Lucas Baker： 最简单的答案：迄今数学对自动形式化（auto-formalization）更友好、进展更快——部分是文化因素，部分只是这个方向被做得更多。有意思的是物理与"物理 RL for agents"代表了一种和金融类似的中间地带：形式化潜力很大，但很多要靠人工努力去实现，去看重叠在哪、类比能推多远。
• Alberto Alfarano： 完全同意，数学增长快得多。除了自动形式化更容易，还因为数学能自己合成数据——数学可以自造数据；而物理做发现时多数时候必须有物理学家介入、去采集数据而非合成生成，这让一切慢得多。数学里用 agent 两分钟就能改代码、改数据集、改数据分布，物理不行。

议题三：当前 LLM 会达到解决你研究问题所需的智能吗？还是需要新范式？什么会是下一阶段的"game changer"？

• Kelsie Zhao： 从我们构建"大型物理模型"的角度——我们其实不认为 LLM 是我们要构建之物的正确媒介。退一步看 LLM 的组成无非是：用什么数据训练 + 什么模型架构（LLM 就是 transformer 块）。差异往往不来自"是不是 LLM"这个术语，而来自数据、架构、以及架构里的归纳偏置——经典卷积网络有空间归纳偏置，LLM 的归纳偏置不同。对高度时空的数据，你可以把输入全部拍平成 token 送进去（配大量算力确实能做），但那是不是提取数据的最佳方式？比如看一张山的图片你一眼知道是山，或把它拍平成序列去费劲判断——后者对吗？所以我们真正在问的是：提取数据的最佳方式、以及能最大/最小化你在意的那个损失的架构/损失/优化器是什么。谈到需要什么突破——很多环节都需要创新：正确的数据混合是否只要无限 scale 就行（不清楚）；当前最常用的架构是否正确（不清楚）；损失函数——最常用的 MSE 损失对降水（precipitation）完全不work，会产生非常模糊的输出，甚至不用进入混沌物理的分岔就已失效。所以很多领域都需要创新。
• Lucas Baker（两个矛盾视角）： 一方面我相当 AGI-pilled——我在当前范式里看不到任何东西能阻止在约三年内自动化绝大部分人类脑力劳动。另一方面，把基座模型单独当作智能的核心单元大概是错的：任何前沿模型都会背乘法表，能做两位、三位、四位乘法，大概到 7 位前就"算不动"了——但这完全无关紧要，任何像样的 agentic 系统都会用计算器、写 Python、或利用环境。所以我们真正该问的是：当模型只是"穿着套装里的飞行员（the pilot in the suit）"时，整个系统能做什么。这个意义上，即便模型能力停在今天，我们仍有很大空间。
• Alberto Alfarano： 现在的对话不该只盯着模型，大家都在建系统。transformer 确有一些有据可查的失败模式（做很简单的数学会失败），但到某个点谁在乎它失败——只要给它配上能让它"以不同维度思考"的系统即可。而且在 transformer 之上构建的经济激励非常牢固：每提一个新架构，你都要重做所有工程（比如现在推理很快是因为大量研究者为此努力过）；换到别的东西就要一遍遍重写，值不值不好说。还有——三年前有人说 LLM 数学不行；两年前说但没解 IMO；一年前说解了 IMO 但 Putnam/研究级不行——我们一直在移动标杆，却不愿承认这些系统很强。所以即便完全停止算法创新、只在数据上继续 scale，大概也足以得到某种 AGI。
• Charles Cheung： 现在的 LLM 与 agentic 系统确实很强，能从数学/物理视角出发让 agent 做证明及各种推导——甚至只给一个主题，agent 就能替我们做完全部工作。但这是不是我们想要的？ 这是问题所在。另外，对数学/物理问题，用一个很大的模型去解一个很小的问题未必合理，也许要找新的方法论/范式。我们也在做科学发现问题——比如能否让语言模型从数据中重新发现牛顿定律等物理定律？目前能做一些，但还不是我们真正想要的。

议题四：进展来自更"原理性"（纳入物理）的工作，还是只靠 scaling 与调 agent？两者如何互动？

• Charles Cheung： 一个基本问题：我们内部有项目，给 agent 一个主题，让它做文献综述、找方法论、设计实验、写手稿、投稿。接着的问题是：要多少 token？以及能否信任 agent 做出的工作？——所以你需要基本原理的知识去判断这工作是否创新、是否正确。我目前的看法：agentic 系统当工具去验证证明、方法论非常好；但要它从零起做一个新项目/新论文，就得三思。
• Lucas Baker： 我把它理解为"苦涩教训（bitter lesson）"问题。通常表述是"数据与算力终将胜过人类巧思"，但因为它太流行，被简化理解了。我在实践中的理解是：数据与算力最终会赢，但它们总是由某种程度的人类巧思引导（bootstrapped）。例如十年前我做 AlphaGo，最终故事是模型从零人类数据、约一天就到达世界顶级；但在那之前，我们有一位职业棋手每天用已知的破绽反复与机器对弈，用来指导一些架构选择、把众多可能的优化方向收敛到那个能奏效、能 scale 数据与算力的配置。没有前者（人类巧思），就没有后者。
• Alberto Alfarano： 对 LLM，很多讨论在 scaling；但在发现（discovery）上是另一个故事。我们多次看到——AI for math、AI for physics 中——为语言找到的 scaling 律在这里并不适用。我们做控制论的开放问题、密码学、某些弦论问题：数据也许有帮助，但巧思更关键——如果负责数据的我对背后的数学毫无理解，我的模型肯定不如由真正领域专家提供数据的模型。举例：我们做一个控制论项目花了两年设计更好的数据，最终真正奏效的是一位法国教授给的数学直觉。所以对开放式发现问题，scaling（无论数据还是参数量）尚未被很好研究、也没显示出足够成功；而人类设计的数据帮助巨大。也许对能吞海量数据的 LLM，某种 scaling 有效，但"人类的手笔"、尤其在数据上，才是真正重要的。
• Kelsie Zhao： 也谈数据。从我做自动驾驶到现在做天气的经验——数据 scaling 有用，但更关键的是正确的数据混合（data mixture）。例如你用海量自驾录像训练，但如果里面从没出现过一个行人，再多数据也没用；我们真正做的是按正确比例 curate 数据——当模型没见过某些情况时，这比"多堆数据"帮助大得多。天气上我们特意找变化多的数据，让模型学会"变化"而非总预测一个平坦温度（沙漠、旧金山温度都很稳）。以前找正确数据混合多靠人工；但现在有很有趣的研究在探索自动发现"哪种数据在影响模型表现/损失"，可据此把数据组合得更好——这是很令人兴奋的方向。关于 agentic 系统：它们非常强大，但在我们这里，我们想"剥洋葱"——agent 做大量工具调用、模型调用，最后仍要调某个模型；如果剥掉所有工具调用，agent 到底是怎么做处理的？我们能否从中学习？最终它调用的那个模型是不是瓶颈？ 我们把它看作信息处理问题 + 动力学建模问题。

议题五：我的学生要做好你们公司的研究，需要什么准备？该不该读 PhD？（Anna 提问）

• Lucas Baker（Jump）： 先答第二问——读不读 PhD 对我们不重要，你需要的只是能力与意志。技能上仍是老配方的混合：编程、ML/统计、数学，加一点金融接触。但更关键、真正拉开差距的往往是好奇心、愿景、连贯性（coherence）——能清晰表达你认为长期有用的东西、有效地论证、调动资源。Jump 是个有机、松散的环境，这些特质有用，我们想让它像研究实验室，理想是 Bell Labs。
• Alberto Alfarano（Axiom）： PhD 非必需。PhD 真正给你的是在一两个很深的问题上投入时间与浸润；要把模型真正提升（不是 0.3% 而是实打实的改进），你必须能深入思考。无论走哪条路，唯一的要求是能真正深入思考；PhD 是获得这种深度推理的较稳妥路径，但不是唯一——不读 PhD 去工业界，你能拿到多得多的 GPU（如今这开始变重要）。我在 FAIR 前一份工作里，最好的两位合作者是做到博士、博后、faculty 的理论物理学家后转投 AI——他们真正在深度思考，不是单纯做实验。最佳折中：读 PhD + 去 Axiom/Jump/NVIDIA 做暑期实习，兼得思考时间与工业经验，也练沟通、表达等软技能。
• Charles Cheung（NVIDIA）： 强烈同意，PhD 非必须，学生需要的是解决问题的能力——如何在互联网/论文上搜索不同解法、迭代地攻克问题。大学 PhD 是训练这种能力的好地方；我建议学生做暑期实习/项目经历，因为雇主会看你有没有接触最新技术（如 chat 系统等）的经历。
• Kelsie Zhao（Causal Labs）： 两点。其一，不惜一切（do whatever it takes）——任何 deep-tech 创业要成功，问题可能来自数据、模型、指标、GPU，它们彼此不"沟通"，你得都能 debug，这是最大的区分点之一。其二，你想把时间花在什么上——要解的问题极难，我们总要确认你为什么想做这个，因为兴趣是第一位的；否则遇到不感兴趣的障碍时你会问"我为什么要做这个"。真正重要的是：是什么驱动你每天早上起来去修 GPU、修模型、把整个产品做成。

观众提问一（关于 Anthropic 的"large working space"论文）

• 观众（引用讲者上午/前面关于 syllogism 的说法）： 三天前 Anthropic 那篇关于"large working space"的论文你们怎么看、如何影响你们的工作？（自陈理解很浅：类比人脑，很多事在底层发生、上面有一个顶层；想到"狗"或"云"时会有一个"狗单元/云单元"亮起，很多运算据说发生在那个层次。）
• Lucas Baker： 一个有意思的进展方向是把模型的"思考"次声化（subvocalize）。这凸显了一件现在还很初生、但未来几年会发生的事——alignment/可解释性科学与能力（capabilities）的收敛：如果你能真正看到模型在想什么（无论是否浮现到 token 层），你就能据此引导（steer）它、影响它如何攻克问题、如何组合想法。无论是自编码器、NLA、还是 J-space，我们用来理解模型的东西，将越来越与"如何让它以正确方式、用最短时间解最好的问题"融合。
• Alberto Alfarano： 补一点——alignment 与 capability 之间似乎存在张力：我们在能力上进展很快，在 alignment/理解/安全上没那么快，原因也清楚。我觉得要解锁下一步进展，需要不再以 token、而以"概念（concepts）"来思考——这当然难得多，但大概是下一步。

观众提问二（关于 scaling、治理与更高效架构；观众邀 Surya 与主持人也发表意见）

• 观众： 顺着 Alberto 说的"scaling 对智能未必重要、需要正确直觉去造数据"——但关于 scaling 与未来、也涉及治理：真正的"scaling 律"通常指预训练的 scaling，而这些公司在烧大量钱、不可能永远持续（他们自己也清楚）。我同意有了 agentic harness 智能会继续增长。但作为科学家会想到别的架构可能有更好的 scaling 律（如 JEPA、世界模型，这大概也部分是 Kelsie 在做的动机）。问题是：如果你发现某种更高效的东西，你们工业界会去实现它吗？还是当前 transformer 范式已有的推理/优化/工程惯性会阻止转型？未来会不会转向更高效的架构/学习算法？
• Kelsie Zhao： 如果有更高效的算法（无论来自架构、训练还是优化器），我们都会立刻扑上去——每当有能加速收敛的新优化器出现，我们都会用；我没见过谁不这么做，因为它们是达成我们想造之物的手段。如果高效算法代表模型架构/理解上的原理性改进，那更是好事。你提到的高效算法在机器人里研究得很多——多受人类智能启发，比如我们走进一间从没进过的会议室都知道怎么坐到椅子上，很多知识是可迁移的；相关方向叫 limited-data learning 与 one-shot learning，很令人兴奋，能帮我们理解当前系统的局限、如何改进。不过在我做过的领域，用当前架构做数据 scaling 仍然很重要——但更多来自数据混合与相当规模（数据与模型规模间有 scaling），同时来自优化/架构的高效算法很关键。
• Lucas Baker： 我从工业角度回答：即便你对成本曲线完全不敏感，也仍有若干理由追求效率。其一是 Jevons 悖论——系统更高效/成本更低，你就能指数级地用更多（把研究者对一个问题问一次的工作，扩展到问所有问题、所有对象）。金融里还有一条"快即聪明"曲线——你能在微秒/毫秒/秒/分钟内做的事截然不同，各有独特价值，尤其你比对手快 1%。更宏观地说，当我说"系统而非模型才是智能的基本单元"，最简单的理解是 harness，但这也有基础研究的一面：为什么不能每次按需组装大脑？做天气预测时，为什么里面不能有一个因果模型 + 一个 Claude/Codex + 若干子模块，甚至在同一权重空间里自然协作？我相信这个方向会有更多进展；随着我们把系统视作智能的基本单元，效率会同步提升。
• Alberto Alfarano： 以 Mamba 为例——它曾被认为该替代 transformer（注意力是二次的、更慢，Mamba 更快）。结果是：要让它真正高效，你得重建整个已围绕 transformer 建好的生态；现在虽有一些混合模型与创新，但骨干几乎未动。所以采纳成本是我们必然考虑的——不会只因某个东西更"性感"就跳过去，要权衡效率、成本、预期收益，也权衡短期与长期。类似地，RL 现在又"性感"起来，很多论文在改进；小修改（改优化器、改损失）可行，但一旦要动骨干，所有问题都要重新评估——改动越大，越要用基于风险的方式对待。回到 scaling：我说的"scaling 不奏效"是指发现类问题上，最好的收益来自完美/更好的数据混合，数据才是真正能移动指针的杠杆（预训练如此，后训练各阶段也如此）；漂亮的小修改在论文上闪亮，在生产系统里往往反映不出来。
• Charles Cheung（NVIDIA 视角）： 我们爱 scaling，当然（scaling 用掉很多 GPU）。但同时我们在驱动与软件层做很多技术来加速计算：训练/预训练可用 FP8、甚至 4-bit 浮点加速，同样硬件配新软件技术就能加速全部计算；推理与后训练则有另一套 SDK，能在多系统/多 GPU 上高效 scale 你的负载。（Lucas 随即接过话头引向下一位观众。）

观众提问三（关于数学与物理的社会学差异）

• 观众（一位"想唱点反调"的与会者）： 数学与物理是"表亲"，但除了公理化等差异，还有重要的社会学差异：物理里我们往往有一批公认有趣的、定义明确的问题，然后大家一起去攻（如量子引力，很多人做）；而数学家更"民主"，兴趣广泛，有像 Erdős 问题那样几百上千个、几十年（60、80 年）未解的问题——这在物理里从不发生。前 LLM 时代就有旁证：偶尔能听说某个高中老师或本科生解了个有趣数学问题，但在物理里几乎从不发生——不深入到领域里很难做出物理贡献。所以，LLM 能在数学里做出有趣的自主贡献，并不意味着明年它就能在物理里做出有趣的自主贡献——它们也许能"帮助"物理，但那道门槛可能比我们想的更远。
• Alberto Alfarano： 我不是物理专家。我略作调整：你提到 Erdős 问题，但即便在数学里，有些"开放问题"被研究得深、有些只是写在论文上没人真在做——整个社区真在攻的是少数。回到你的问题，我觉得数学略更"可攻"，某种意义上是 scaling 之事——你见的数据越多，越能复用同样的技术；而理论物理（我一直说"发现"）需要与物理学家深度合作——他们提供很好的数据、检视模型、深挖。我很喜欢这种工作：AI 研究者负责损失、优化器、学习率等，但即便拿到人人追求的 100% 准确率，从物理角度活儿还没完——物理学家会把模型尽可能"解剖（bisect）"，因为他们不在乎模型"理解了数据"，而要理解背后的理论。数学也有此需求，但数学任务更简单、更好研究。所以我认为部分只是数学社区起步更早（Lean 等项目）；若物理也发生类似的 Lean 式协作，我看不出 scaling 机制为何不会延续。但要考虑差异：数学可无实验数据地工作，物理有些部分被实验数据束缚，这会拖慢循环。两股矛盾力量并存——时间会说明一切。

观众提问四（关于工业界是否会采纳更强的预测模型；偏向 Kelsie 的方向）

• 观众： 更偏"AI 与物理"、接近 Kelsie 做的——用它做工业界真会采纳的预测。光有一个更强、更具预测力的模型就够了吗？上一场（Kevrekidis）讲的数值方法有很长的研究谱系，人们把这些仿真/数值方法校准到真实经验。你觉得只要说"我们有一个更强、更能预测的模型"，工业界就会开始采纳、用于物理研究吗？还是还需要更多？
• Kelsie Zhao： 工业界通常相当谨慎，这很可理解。举个具体例子——航空业长期使用来自数值服务器的天气预报，并有自己的决策流程；如果我们直接说"AI 来替你做决策"，"我为什么要信任它"是完全合理的反应。所以我认为有几部分：其一，你得证明模型预测更好（至少在他们在意的场景里能击败当前数值求解器），这能建立初步信任；其二（我今早/本次也讲了），必须展示模型为什么做出某些预测——它是否编码了某类物理？为给出这类预测它在关注哪里？在生成动作时也要告诉他们模型看了哪些输入。系统通常会与既有系统并行运行以逐步建立信任。即便是自动驾驶——尽管总体安全分高于人类司机——人们也花了很长时间才信任它。物理系统同理。不过过去几年 AI 确实带来很大变化、看起来能大幅抬升"天花板"，所以人们的想法已经改变了不少。
• Lucas Baker： 既然还谈天气——即便技术更基础、数据与算力继续 scale，仍会有相对专门化（specialization）的问题：你是想预测一周半后的飓风，还是在意某国某地的超本地天气？取决于对象（比如你是不是一家交易公司），答案不同。所以不会是简单的二元采纳，而会是一组最佳模型的组合，随时间更偏向"广谱、基础"的一端，但专门化的场景会一直存在。

（随后 MC 宣布 panel 结束、14 分钟茶歇由 Jump Trading 赞助，接最后一场 Ganguli talk。）

关键分歧与共识

共识：

• "系统 > 模型"：多数人认为智能的基本单元是 agentic 系统 / harness（模型 + 工具 + 环境），而非孤立的基座模型（Lucas 最明确，Alberto、Kelsie 附议）。
• 数据混合与人类巧思是真正的杠杆：正确的 data mixture、领域专家提供/校准的数据，比单纯堆数据/加参数更能移动指针（Alberto、Kelsie 一致；Lucas 以 AlphaGo 的"人类巧思 bootstrap"呼应 bitter lesson）。
• 判断力/深度思考更值钱：agent 能写论文、做证明，但需要人凭基本原理判断其是否创新/正确、当 verifier（Charles、Alberto、Kelsie）。
• PhD 非必需，需要的是深度思考、解决问题的能力、好奇心/愿景，加暑期实习经验（四位一致）。
• 效率/新架构会被采纳，但要算总账：即便不敏感于成本也该追求效率（Jevons 悖论、金融"快即聪明"），但采纳成本（生态、工程惯性）必须权衡，动骨干需"基于风险"的谨慎（Lucas、Alberto、Kelsie、Charles）。
• 工业界采纳需要证明更优 + 可解释 + 并行运行建立信任（Kelsie），且会是"多模型组合 + 专门化长期共存"（Lucas）。

分歧 / 交锋：

• 纯 scaling 够不够：Lucas 高度 AGI-pilled，"当前范式三年内可自动化绝大多数脑力劳动""即便停止算法创新、只 scale 数据大概也够（Alberto 亦持此语）"；但 Alberto 同时强调在发现类问题上语言的 scaling 律不适用、人类专家数据才关键；Kelsie 认为 LLM 未必是正确媒介、很多环节（数据混合、架构、损失如 MSE 对降水失效）都需创新。
• 物理能否复制数学的自主进展：台下观众指出物理门槛更高、社会学结构不同（物理少有"业余者解决公认难题"），因此"LLM 在数学自主贡献"不代表物理也行；Alberto 回应"物理需与物理学家深度协作、被实验数据束缚会拖慢循环，但若出现 Lean 式协作，scaling 机制未必不会延续——时间会说明"。
• alignment 与 capability 的张力：Lucas 乐观（可解释性与能力将收敛、可用"看模型在想什么"去 steer）；Alberto 提醒二者存在张力、需从 token 转向"以概念思考"才能解锁下一步。
• 是否该转向 JEPA/世界模型等更高效架构：观众质疑 transformer 惯性；Kelsie/Lucas 表示会采纳更高效方案，Alberto 以 Mamba 未能撼动 transformer 骨干说明采纳成本之高。

名词 / 引用

• auto-formalization（自动形式化）/ Lean：数学进展快于物理的原因之一；Alberto 设想物理的"Lean 式"协作。
• François Charton：Axiom 团队领衔 AI for physics（高能物理、弦论、Calabi–Yau 流形）。
• "pilot in the suit" / 系统 = 智能基本单元 / harness：Lucas 语。
• bitter lesson（苦涩教训）/ AlphaGo 的人类巧思 bootstrap：Lucas 以十年前经历诠释——数据算力终胜，但由人类巧思引导。
• data mixture（数据混合）/ 自动发现"影响损失的数据" / limited-data & one-shot learning：Kelsie 强调（自驾"从没有行人"的例子）。
• MSE 损失对降水（precipitation）失效、输出模糊：Kelsie 举的损失函数需创新之例。
• Anthropic "large working space" 论文（三天前）/ subvocalize / alignment×capability 收敛 / "以概念而非 token 思考"：观众提问一。
• JEPA / 世界模型 / 预训练 scaling 律 / 治理：观众提问二。
• Jevons 悖论 / 金融"快即聪明"曲线 / "按需组装大脑"（因果模型+Claude/Codex+子模块同权重空间）：Lucas 论效率。
• Mamba 未撼动 transformer 骨干 / RL 再度"性感" / 基于风险的架构变更：Alberto 论采纳成本。
• FP8 / 4-bit 浮点 / 推理与后训练 SDK / 多 GPU scale：Charles（NVIDIA）的加速技术。
• Erdős 问题 / 量子引力 / 数学"更民主" vs 物理"门槛高"：观众提问三的社会学论点。
• 航空业采用数值天气预报的谨慎 / 并行运行建立信任 / 超本地 vs 广谱预测：Kelsie、Lucas 论工业采纳。
• 让语言模型"重新发现牛顿定律"：Charles 举的科学发现例子。

原文发表：2026-07-11  ·  纪要生成：2026-07-13