主播 未知 出品 Jade02 1,694 订阅 14 集 1周前更新
涌现Lab
「《三体》中水滴击溃人类舰队一样的轻松」，这是清华大学数学科学系教授薛金鑫在近期博客中，对前沿AI模型数学能力突破的形容。 过去需要数学家数年甚至几十年接力探索的艰深定理与猜想，在AI近年的野蛮生长下，接连被触及与攻克。传统数学研究「看paper-学高深理论-找高深问题-研究数年」的路径，也变得不可持续。 就在本期播客录制结束后的一周内，OpenAI 又公布了一项新研究进展，宣称借助AI模型找到了反驳指数时间假设（Exponential Time Hypothesis，ETH）的结果。这一计算复杂性理论中的重要假设，也开始受到前沿模型的挑战。 AI正在进入更广泛的理论研究领域，数学系的在校生怎么看待当前的进展，又怎样重新定位自己？本期节目，我邀请到了两位来自MIT和斯坦福数学系的本科生、博士生。 他们分别是： 姜志城：MIT应届本科生，数学&计算机双修，师从何恺明，中学期间曾获国际数学奥林匹克竞赛金牌，大一曾在seed实习、从事AI4Math相关研究； 刘抒睿：斯坦福大学22级博士生，数学&计算机双修，师从朱歆文，研究方向为几何表示论，如几何Langlands/范畴化Langlands，近期关注AI4Math； 我们从过去一年AI数学能力的突破聊起，讨论模型、数据与harness如何共同推动研究级数学问题的求解，以及自然语言证明、形式化验证和理论构建之间的gap。 对话的后半部分，我们将视角转向身处其中的年轻人：传统数学训练还有多大价值？高校的PhD重新考虑学术道路的背后动因是什么？专业知识和研究能力的价值被重新定义，年轻一代又该如何选择自己的未来？ 以下是播客的shownotes： 01:32｜嘉宾自我介绍 02:56｜从IMO到研究级证明：AI数学能力的跃迁 04:46｜第一个大新闻：Unit Distance Problem 05:50｜亲历AI4Math：从构造反例，到复现前沿研究成果 10:56｜一年前做Seed Prover时，就觉得AI不缺数学直觉 16:36｜AI已经打败绝大多数数学家，但能成为下一个Peter Scholze吗？ 20:07｜模型、数据与 Harness：能力突破究竟靠什么？ 23:19｜AI 能写出证明，却不一定知道自己最精彩的想法在哪里 27:43｜从自然语言到形式化验证，之间存在哪些gap？ 38:00｜基础工作都被AI做了，年轻人如何培养研究能力 46:07｜工业界能做更前沿的研究，为什么还要留在学校？ 48:14｜Frontier Labs 越来越强，AI4Math 创业公司还有多少机会？ 51:57｜当AI的能力超过自己，继续做研究的意义在哪里？ 53:07｜与其焦虑未来，不如先想想未来三个月能做什么 58:25｜AI for Quant：下一个可能被AI改变的领域？ 01:00:04｜「搞 AI 谁还读 PhD？」名校博士身份、退学创业与新职业选择 01:03:56｜有人拥抱 AI，有人坚持「古法数学」：Stanford数学系的不同声音
65 分钟 99+ 次播放 1周前
Agent 开始批量写算子，工程师熟悉的成长路径也受到冲击：靠写代码、调性能积累经验，再凭经验获得更难的任务。 如果这些环节越来越多地交给模型，工程师从哪里练起，又凭什么拉开差距？当模型能力越来越容易获得，人和团队又靠什么做出不同的结果？ 当任务从单个算子扩展到整套系统，问题也变成如何把复杂工程组织成 Agent 可以执行、验证和迭代的工作流。更多 Agent 可能先带来更高的账单，任务如何拆分、上下文如何传递、结果如何整合，决定了 Token 能否真正转化成生产力。 本期节目，我和来自英伟达的朱力耕、刘思皓，从 Humanize 聊到 KDA 写算子，再到用 Lean 做数学证明。据嘉宾估算，相关工作累计消耗了四五千万元人民币等值的 Token。 大规模实践也留下了一些反直觉的经验：照搬公司的角色分工，可能只是在“过家家”；今天费力搭好的 Harness，下一代模型一来，可能就该拆掉。 聊到 RSI，嘉宾用“阿拉丁神灯”解释了一个更激进的循环：投入 Token，让 Agent 优化 Kernel 和推理系统；系统效率提高，同样的算力生产更多 Token，再投入下一轮改进。用 Token，换来更多 Token。 *对话仅代表嘉宾个人观点，与所在公司无关。 以下是对话的时间轴： 01:26｜嘉宾介绍 02:42｜Humanize 起源：一个人的 60 万行代码工程 07:40｜照搬公司分工走不通，留下构建与审查的简单循环 14:54｜KDA：Agent 批量干算子工程师的活 17:19｜模型之外补什么：工作流、知识库与性能反馈 24:05｜Astra 与 Fable 双模型接力，跳出局部最优 32:31｜多 Agent 协作，还是“过家家”？ 38:44｜从 Token 消耗到真实生产力 42:39｜“乱拳打死老师傅”：跨界挑战数学榜单 50:21｜算子批量生成，软件工程怎么变 57:35｜新模型来了，先拆掉旧 Harness 01:00:30｜技能被模型学会，工程师如何转向 01:07:17｜代码不是护城河，时间才是 01:10:29｜Jev 与创业两难：平台跟进快，小市场又难撑算力账单 01:11:45｜RSI 与阿拉丁神灯：用 Token 换来更多 Token
78 分钟 1k+ 次播放 1个月前
本期「涌现Lab」的对话嘉宾，是普林斯顿大学助理教授刘壮。 用简洁的想法，让复杂系统更容易被搭建和理解，是贯穿普林斯顿大学刘壮研究经历的核心思路。 早期的学术关键起点，追溯到十年前的代表作DenseNet。完成这一工作时，刘壮还是一名在康奈尔大学访学的大三学生。第二年，这项研究便斩获CVPR最佳论文奖，并逐渐成为计算机视觉架构领域的经典之作。 此后的ConvNeXt、无归一化Transformer、Network Pruning等系列研究里，他持续沿着DenseNet的线索探寻着那些看似已成定论的基础问题。如今，他的研究聚焦在多模态推理与生成、智能体，以及基础模型的科学原理。 这次对话，我们沿着清华、康奈尔、UC Berkeley、FAIR，再到普林斯顿的路径回溯，聊起嘉宾研究兴趣的形成、职业发展的选择，也谈到AI加速发展下做科研的trade-off与思考。 一路上的同行者，在回忆的节点中不断涌现：康奈尔访学期间的导师Kilian Weinberger，伯克利给予充分探索空间的博导Trevor Darrell、一起研究剪枝机制的姚班师弟孙明杰，还有在 FAIR 共事、亦师亦友的何恺明和谢赛宁...... 对话临近结束时，我们聊起一个关于科学发现的比喻：去野外攀登，和坐直升机快速抵达，看到的或许是同一片风景，经历却截然不同。求索途中的试错、迂回与相互启发，恰恰是研究者形成理解、也逐渐成为自己的过程。 以下是对话时间线： 02:50 从安徽高考第一名到清华姚班 04:46 康奈尔访学：DenseNet的诞生 12:26 DenseNet十年回望：研究心流 17:45 博士研究：重新理解剪枝的价值 21:40 ConvNeXt：探索卷积网络的可能性 31:12 走进 FAIR 计算机视觉明星团队 35:49 与恺明合作：研究大数据集偏差 41:05 归一化用了这么久，到底在做什么？ 47:12 到普林斯顿任教：更自由的研究空间 49:57 好研究，为什么往往看上去很“简单” 56:36 模型越来越强，研究者如何继续成长？ 01:14:01 AI 做科研，如何评价才是关键？ 01:18:45 团队多模态理解与生成工作 01:22:42 如何在当下找到自己的研究空间？ 01:28:02 科研的意义，也在过程与体验 对话全文实录在“涌现Lab”公众号，欢迎关注～
89 分钟 99+ 次播放 1个月前
过去，我们用奥赛寻找最聪明的年轻人；近几年，前沿模型公司却用奥赛测试聪明的 AI。 就在9月8日，OpenAI宣布，一个由约一万个AI智能体协同工作的系统，用88小时给出了千禧年数学难题——纳维—斯托克斯存在性与光滑性问题的证明。 科技加速向前，不断突破智能上限，如果说“解出最难的题”不再是人类独有的能力，我们该如何理解学习的价值，又该如何审视当下的教育？曾凭借解题能力脱颖而出保送顶尖院校的本科生，有哪些新思考，又在如何重新认识自己的优势、选择未来的方向？ 这期节目，我邀请了三位来自MIT和清华姚班的“05后”。他们也是过往节目中年龄最小的一组嘉宾。三位都曾在数学、物理、信息学等奥林匹克学科竞赛中获得国家金牌或者国际金牌的成绩，如今正在 AI 科研、创新创业的一线。 三位嘉宾分别是： 王衔邦：MIT 大二在读，曾获 IMO 金牌，正在参与何恺明团队的 AI 研究； 陆伊炀：清华姚班大三在读，曾获 CPhO 金牌，正在参与何恺明团队的 AI 研究； 冯政玮：清华姚班大三在读，曾获 NOI 金牌，正在探索创新创业。 我们的对话，从三位嘉宾的竞赛之路聊起，延伸到AI的发展、大学教育的变化，以及他们自身在科研、创新创业的真实感受。 以下是对话时间线： 01:19｜嘉宾介绍 一、金牌之路：竞赛究竟训练了什么 06:18｜竞赛生的训练日常 08:47｜能力训练：发散思考、多任务切换、长时间专注 12:12｜从优秀到顶尖，差距来自哪里？ 二、当 AI 比金牌选手更会解题 17:24｜看着 AI 超过自己：从意外到接受 21:57｜AI 的解题思路像人吗？ 29:07｜从坚持手写代码到拥抱 Agent 31:59｜“每个人都是 PI，都是管理者” 三、AI 浪潮中的大学教育 34:59｜大学教育应该教什么？ 37:12｜教育的过渡期 41:32｜竞赛作为人才筛选机制还有效吗？ 四、在何恺明组做科研 43:23｜论文越来越多，好研究也变多了吗？ 47:22｜恺明组的科研日常 49:31｜重视消融实验 五、同龄人的迷茫，与创业热潮中的判断 53:37｜“这是一个好时代，但我的机会在哪里？” 59:56｜硅谷见闻：研究者的迷茫、创业者的自信与大厂的竞争 01:03:48｜学会“跳车”：曾经擅长的事情，不必成为执着的方向 01:05:14｜学术追求之外，如何权衡机会成本？ 01:10:02｜有一种创业叫“to VC” 六、未来的打算与眼前的生活 01:15:04｜当计划赶不上变化 01:20:13｜过程与结果，觉得哪个更重要？ 01:23:39｜技术之外，人与人之间的链接
86 分钟 6k+ 次播放 1个月前
还没有人评价。听过的话，留个分数和一句短评吧。
您确定要删除评价吗？
外观
播放列表还是空的
去找些喜欢的节目添加进来吧
