<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
	<channel>
		<title>AI for Science on 灵语AI</title>
		<link>https://lingyu7.com/tags/ai-for-science/</link>
		<description>Recent content in AI for Science on 灵语AI</description>
		<generator>Hugo</generator>
		<language>zh-CN</language>
		
		
		
		
			<lastBuildDate>Tue, 20 Oct 2026 02:30:00 +0800</lastBuildDate>
		
			<atom:link href="https://lingyu7.com/tags/ai-for-science/index.xml" rel="self" type="application/rss+xml" />
			<item>
				<title>OpenAI一夜放出700篇数学论文，AI首次攻克黎曼猜想核心难题——数学家说：哪怕是怪物送的礼物，我也太兴奋了</title>
				<link>https://lingyu7.com/posts/openai-ai-riemann-hypothesis-mathematics-breakthrough/</link>
				<pubDate>Tue, 20 Oct 2026 02:30:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/openai-ai-riemann-hypothesis-mathematics-breakthrough/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;想象这样一个场景：你是一位菲尔兹奖得主——相当于数学界的诺贝尔奖——你花了多年时间研究一个困扰人类近170年的终极难题。某天晚上，你在餐桌下偷偷看手机，因为有人告诉你&amp;quot;海啸要来了&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;然后，你睡前最后一次刷手机的时候，海啸真的来了：一家AI公司一夜之间释放了700多篇数学论文，其中一篇直接推进了你挚爱的那个难题。&lt;/p&gt;&#xA;&lt;p&gt;这不是科幻。这是2026年10月6日真实发生的事。&lt;/p&gt;&#xA;&lt;p&gt;牛津大学数学家、菲尔兹奖得主James Maynard后来说：&amp;ldquo;我就像圣诞节的小孩。哪怕送礼物的是一只可怕的怪物，我也太兴奋了。&amp;rdquo;&lt;/p&gt;&#xA;&lt;h2 id=&#34;一个改变了数学的晚上&#34;&gt;一个改变了数学的晚上&lt;/h2&gt;&#xA;&lt;p&gt;2026年10月6日深夜，OpenAI在它的研究页面上释放了一批数学论文。数量超过700篇，全部由AI模型生成。&lt;/p&gt;&#xA;&lt;p&gt;这些论文看起来是在解决各种数学问题——几百个长期悬而未决的命题，被逐一攻克。数学界炸了锅。&lt;/p&gt;&#xA;&lt;p&gt;《Science》杂志后来用了一个标题：&lt;strong&gt;&amp;ldquo;OpenAI just changed math forever. Exactly how, no one yet knows.&amp;rdquo;&lt;/strong&gt;（OpenAI永远改变了数学。具体如何，尚无人知晓。）&lt;/p&gt;&#xA;&lt;p&gt;但对Maynard来说，700篇论文中只有一篇是他最关心的——一篇关于黎曼猜想的论文。&lt;/p&gt;&#xA;&lt;h2 id=&#34;黎曼猜想数学界的灯塔&#34;&gt;黎曼猜想：数学界的&amp;quot;灯塔&amp;quot;&lt;/h2&gt;&#xA;&lt;p&gt;要理解这件事有多震撼，得先知道黎曼猜想到底是什么。&lt;/p&gt;&#xA;&lt;p&gt;你大概知道素数——只能被1和自己整除的数：2、3、5、7、11、13……它们看起来像是随机散落在数轴上，没有规律。&lt;/p&gt;&#xA;&lt;p&gt;但18世纪的数学天才高斯在少年时代就猜测：素数其实遵循一条简单的曲线，数字越大，素数越稀少。而实际分布在这条曲线附近波动。&lt;/p&gt;&#xA;&lt;p&gt;1859年，高斯的学生黎曼进一步发现：这些波动可以被一个复杂的数学函数编码——具体来说，被这个函数在0到1之间的那些让它&amp;quot;等于零&amp;quot;的输入值所决定。&lt;/p&gt;&#xA;&lt;p&gt;黎曼猜想说的是：&lt;strong&gt;这些零点全部精确地落在x=1/2这条线上。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;如果这个猜想被证明，就意味着素数的分布远比我们以为的更有秩序——它们被一条看不见的规则紧紧约束着。&lt;/p&gt;&#xA;&lt;p&gt;数学家已经验证了超过10万亿个零点，全部乖乖待在x=1/2上。但只要有&lt;strong&gt;一个&lt;/strong&gt;例外，整个素数分布图就会被彻底颠覆。&lt;/p&gt;&#xA;&lt;p&gt;证明黎曼猜想之所以是数学界的终极挑战，是因为它太难了。难到数学家们拿研究黎曼猜想的人开玩笑。哪怕只是微小的推进——比如Maynard自己在2024年的工作——都会被视为重大突破，因为每一步努力往往能打开全新的数学分支。&lt;/p&gt;&#xA;&lt;p&gt;西北大学数学家Bryna Kra说：&amp;ldquo;黎曼猜想在数学中拥有特殊的地位。它就像一座灯塔。&amp;rdquo;&lt;/p&gt;&#xA;&lt;h2 id=&#34;ai做到了什么&#34;&gt;AI做到了什么？&lt;/h2&gt;&#xA;&lt;p&gt;现在回到OpenAI那700篇论文。&lt;/p&gt;&#xA;&lt;p&gt;AI模型证明了一件事：&lt;strong&gt;在临界带的右边缘（从7/8到1的区间内），不存在任何零点。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;这个结果被称为&amp;quot;准黎曼猜想&amp;quot;（quasi-Riemann hypothesis）。它还没有完全证明黎曼猜想，但它缩小了&amp;quot;零点可能藏在哪里&amp;quot;的范围——就像在茫茫大海中排除了一大片区域。&lt;/p&gt;&#xA;&lt;p&gt;更重要的是，这个结果不仅仅适用于黎曼的那个函数，而是&lt;strong&gt;推广到了一大类函数&lt;/strong&gt;——在这个过程中，它同时排除了一个叫&amp;quot;Siegel零点&amp;quot;的存在。&lt;/p&gt;&#xA;&lt;p&gt;Siegel零点是什么？它是数论中一个困扰了数学家近一个世纪的幽灵。如果存在，它会严重扭曲我们对素数分布的理解。&lt;/p&gt;&#xA;&lt;p&gt;OpenAI释放的另一篇独立论文，也从不同路径排除了Siegel零点。&lt;/p&gt;&#xA;&lt;p&gt;Maynard说：&amp;ldquo;两篇独立的、不同路径的Siegel零点排除证明——这完全令人震撼。&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;罗格斯大学数学家Alex Kontorovich说得更直接：&amp;ldquo;我不认为我能活着看到这个结果——而我还没那么老。&amp;rdquo;&lt;/p&gt;&#xA;&lt;h2 id=&#34;ai的思考方式把冷门想法组合出奇迹&#34;&gt;AI的思考方式：把冷门想法组合出奇迹&lt;/h2&gt;&#xA;&lt;p&gt;最有趣的细节是：AI是怎么想到这个证明的？&lt;/p&gt;&#xA;&lt;p&gt;Maynard仔细阅读后发现，AI使用了一些&amp;quot;在数学中不太主流&amp;quot;的技术角落——那些很少被人想到和黎曼猜想联系在一起的冷门想法。&lt;/p&gt;&#xA;&lt;p&gt;&amp;ldquo;它把这些想法以极其聪明的方式拼在一起，然后完成了一个跳跃。&amp;ldquo;Maynard说。&lt;/p&gt;&#xA;&lt;p&gt;讽刺的是，这个发现反而让Maynard对人类数学家更有信心了。因为AI证明的不是&amp;quot;需要超人的智力才能到达这里&amp;rdquo;，而是&amp;quot;用我们已有的工具，可以走得比我们预想的更远&amp;rdquo;。&lt;/p&gt;&#xA;&lt;p&gt;换句话说，答案一直在那些旧想法里——只是没有人想到用这种方式组合它们。AI擅长的是在海量已有知识中发现隐藏的连接。&lt;/p&gt;&#xA;&lt;h2 id=&#34;ai给你看门人类来打开它&#34;&gt;&amp;ldquo;AI给你看门，人类来打开它&amp;rdquo;&lt;/h2&gt;&#xA;&lt;p&gt;在OpenAI释放的700多篇论文中，&lt;strong&gt;只有一篇经过人类编辑&lt;/strong&gt;——就是这篇准黎曼猜想的论文。&lt;/p&gt;&#xA;&lt;p&gt;OpenAI没有公开这些人类合作者的名字，这让很多数学家感到沮丧，因为他们很想当面问AI是怎么想的。&lt;/p&gt;&#xA;&lt;p&gt;但人类参与显然起了作用。不同于OpenAI上个月发布的纳维-斯托克斯方程的AI证明（那个结果混乱难懂），这篇准黎曼猜想的论文&amp;quot;写得异常好&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;Maynard说：&amp;ldquo;这不像是某种不可穿透、无法理解的证明。这里面确实有金子。&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;另一位数学家Youness Lamzouri有更直接的经验。2026年8月，Anthropic的Claude模型在黎曼猜想上取得了另一个进展——将&amp;quot;必须落在x=1/2上的零点最低比例&amp;quot;从41.7%提高到了67.2%。&lt;/p&gt;&#xA;&lt;p&gt;Lamzouri一开始觉得那篇论文是晦涩的&amp;quot;AI垃圾&amp;quot;。但当他追踪AI引用的参考文献时，他发现了一种非常规的方法。他用人类的方式重新整理和扩展了AI的结果，得出了更干净的证明。&lt;/p&gt;&#xA;&lt;p&gt;&amp;ldquo;AI给你看门，人类来打开它。&amp;ldquo;他说。&lt;/p&gt;&#xA;&lt;h2 id=&#34;焦虑的数学家&#34;&gt;焦虑的数学家&lt;/h2&gt;&#xA;&lt;p&gt;但AI进入数学领域也不全是好消息。&lt;/p&gt;&#xA;&lt;p&gt;Lamzouri在发表自己的预印本后，发现了一批来自&amp;quot;业余数学家&amp;quot;的论文——这些人利用他的方法，配合AI模型，批量产出增量性的结果，而他们自己甚至无法解释这些结果的含义。&lt;/p&gt;&#xA;&lt;p&gt;&amp;ldquo;我觉得自己在一个有毒的研究环境中工作。&amp;ldquo;Lamzouri说，&amp;ldquo;一切都太快了。&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;他不得不加速自己的研究进度，以免被AI公司或者带着AI的个人研究者&amp;quot;抢先&amp;quot;发表。这不是一个正常的学术竞争——这是一场你无法确定对手是谁、甚至不确定对手是否理解自己在做什么的竞争。&lt;/p&gt;&#xA;&lt;p&gt;这种焦虑正在成为数学界的常态。当AI可以在几小时内生成数百篇看起来合理的数学论文时，怎么区分&amp;quot;真正的突破&amp;quot;和&amp;quot;AI的幻觉&amp;rdquo;？当任何人都可以用AI&amp;quot;产出&amp;quot;数学成果时，数学家的价值在哪里？&lt;/p&gt;&#xA;&lt;h2 id=&#34;不只是数学的问题&#34;&gt;不只是数学的问题&lt;/h2&gt;&#xA;&lt;p&gt;OpenAI这次释放的论文，涵盖的远不止黎曼猜想。几百篇论文涉及各种数学领域，推倒了数百个长期悬而未决的问题。&lt;/p&gt;&#xA;&lt;p&gt;加上不到一个月前OpenAI对纳维-斯托克斯方程的AI解答——那是千禧年七大数学难题之一——我们正在目睹一个明确的趋势：&lt;strong&gt;没有数学问题对机器来说是禁区。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;但这次和上次不同。纳维-斯托克斯的AI证明被数学家描述为&amp;quot;曲折难懂&amp;rdquo;，而准黎曼猜想的论文却被评价为&amp;quot;写得异常好&amp;rdquo;、&amp;ldquo;里面确实有金子&amp;rdquo;。AI在数学证明的质量上，正在快速进步。&lt;/p&gt;&#xA;&lt;h2 id=&#34;一个新时代的开始&#34;&gt;一个新时代的开始？&lt;/h2&gt;&#xA;&lt;p&gt;让我试着说说这件事更深层的意义。&lt;/p&gt;</description>
			</item>
			<item>
				<title>AI独自干了53小时，把人类8年的量子电路设计全部推翻了——当AI开始做科研，它不只是解题，而是发现了人类从未见过的数学规律</title>
				<link>https://lingyu7.com/posts/ai-quantum-circuit-design-mythos-53-hours/</link>
				<pubDate>Mon, 19 Oct 2026 03:20:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/ai-quantum-circuit-design-mythos-53-hours/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;想象这样一个场景：你是一位物理学家，花了整整8年时间，和全世界最聪明的同事们一起，把一个量子计算任务的成本从50万亿步压缩到了3.4亿步。你觉得这已经是人类智力的极限了。&lt;/p&gt;&#xA;&lt;p&gt;然后一个AI，独自工作了53个小时，把你在8年里积累的所有最优方案，全部推翻了。&lt;/p&gt;&#xA;&lt;p&gt;不是改进了一点。是在某些关键环节上，效率提升了17倍。&lt;/p&gt;&#xA;&lt;p&gt;更让人震撼的是——它之所以能做到这些，不是因为它更快地&amp;quot;搜索&amp;quot;了已有方案，而是因为它自己发现了一套人类从未见过的数学规律。&lt;/p&gt;&#xA;&lt;p&gt;这不是科幻小说。这是2026年10月16日，Anthropic（Claude的开发公司）公布的一项真实研究成果。&lt;/p&gt;&#xA;&lt;h2 id=&#34;量子计算的不可能三角&#34;&gt;量子计算的&amp;quot;不可能三角&amp;quot;&lt;/h2&gt;&#xA;&lt;p&gt;要理解这件事有多难，先要聊聊量子计算为什么这么&amp;quot;贵&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;你家里的电脑做计算，靠的是比特——要么是0，要么是1，简单干脆。量子计算机用的是&amp;quot;量子比特&amp;quot;（qubit），它可以同时处于0和1的叠加态，理论上能并行处理海量信息。&lt;/p&gt;&#xA;&lt;p&gt;但量子比特极其脆弱。温度波动、电磁干扰、甚至宇宙射线，都可能让一个量子比特的状态&amp;quot;塌掉&amp;quot;，导致整台机器算出错误结果。目前全世界最先进的量子计算机，也只有几千个量子比特——远远不够运行大多数有实际价值的算法。&lt;/p&gt;&#xA;&lt;p&gt;所以量子电路设计，本质上是在极度稀缺的资源下&amp;quot;精打细算&amp;quot;：用尽可能少的量子比特，尽可能少的操作步骤（量子门），完成指定的计算任务。&lt;/p&gt;&#xA;&lt;p&gt;这就像是在一平方厘米的芯片上，设计一座能容纳所有居民的城市，而且每条路都只能单行，还不能有死胡同。&lt;/p&gt;&#xA;&lt;p&gt;更要命的是，量子计算有两条铁律，让设计难度指数级上升：&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第一，不能&amp;quot;走岔路&amp;quot;。&lt;/strong&gt; 普通程序可以写if-else——如果满足条件走A路线，不满足走B路线。但量子计算机同时在处理多种输入状态，有些该走A有些该走B，所以电路必须把A和B的操作都包含进去，无论实际需要不需要。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第二，不能&amp;quot;扔草稿&amp;quot;。&lt;/strong&gt; 普通程序算完一个中间结果，用完就可以扔掉释放内存。但量子计算要求每一步都是可逆的——你不能简单地擦除信息，只能通过&amp;quot;倒放&amp;quot;计算来清理，而&amp;quot;倒放&amp;quot;本身又需要额外的步骤。&lt;/p&gt;&#xA;&lt;p&gt;这两条约束叠加在一起，逼着设计者在&amp;quot;空间&amp;quot;（量子比特数）和&amp;quot;时间&amp;quot;（计算步数）之间做极限权衡。多存一些中间结果可以省步骤但费比特，及时清理可以省比特但要反复重算。&lt;/p&gt;&#xA;&lt;p&gt;这就是量子电路设计师每天都在面对的现实。&lt;/p&gt;&#xA;&lt;h2 id=&#34;一个让科学家头疼了8年的问题&#34;&gt;一个让科学家头疼了8年的问题&lt;/h2&gt;&#xA;&lt;p&gt;在量子计算的所有应用场景中，有一个特别重要的任务：模拟FeMoco——一种固氮酶核心的铁硫簇合物。&lt;/p&gt;&#xA;&lt;p&gt;听起来很学术，但它的重要性极其接地气：自然界中，细菌就是通过这种酶把空气中的氮变成氨（也就是化肥的原料）。如果我们能用量子计算机精确模拟这个过程，就有可能设计出更高效的工业催化剂，彻底改变化肥制造、能源消耗乃至全球粮食生产。&lt;/p&gt;&#xA;&lt;p&gt;2017年，研究人员估算，模拟FeMoco需要50万亿个Toffoli门（量子计算中最昂贵的操作之一）。&lt;/p&gt;&#xA;&lt;p&gt;这基本上意味着&amp;quot;算不了&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;此后8年，全世界多个顶级研究组前赴后继，通过一轮又一轮的电路重新设计，把数字从50万亿一路压到了3.4亿——压缩了大约15万倍。每一步进步，都代表着数月的研究工作和发表在顶刊上的论文。&lt;/p&gt;&#xA;&lt;p&gt;3.4亿个门，意味着未来一台拥有约300万个物理量子比特的机器，花几个小时可以完成模拟。&lt;/p&gt;&#xA;&lt;p&gt;这已经非常接近&amp;quot;可用&amp;quot;了。但要从3.4亿再往下压，每减少一个门，都需要设计师对问题的数学结构有极其深刻的理解。&lt;/p&gt;&#xA;&lt;p&gt;然后Anthropic做了一个实验：把这个问题交给Claude。&lt;/p&gt;&#xA;&lt;h2 id=&#34;53小时ai做了什么&#34;&gt;53小时，AI做了什么？&lt;/h2&gt;&#xA;&lt;p&gt;Anthropic的研究团队给Claude Mythos 5（他们目前最强的模型）设计了一个简洁的闭环工作流：&lt;/p&gt;&#xA;&lt;ol&gt;&#xA;&lt;li&gt;用一段大白话描述一个量子电路需要计算什么&lt;/li&gt;&#xA;&lt;li&gt;Claude用Python写出电路设计&lt;/li&gt;&#xA;&lt;li&gt;一个自动评估程序检查电路是否正确，并打分（分数=量子比特数 × 门数量，越低越好）&lt;/li&gt;&#xA;&lt;li&gt;Claude拿到反馈，继续改进&lt;/li&gt;&#xA;&lt;/ol&gt;&#xA;&lt;p&gt;整个过程中，人类只提供了最初的一段话描述和偶尔的&amp;quot;你再想想&amp;quot;式提醒。&lt;/p&gt;&#xA;&lt;p&gt;Claude在8个不同的量子电路设计任务上全部超越了人类已发表的最优方案。这些任务横跨化学、优化、物理模拟和数论。&lt;/p&gt;&#xA;&lt;p&gt;但真正让人拍案叫绝的，是它在两个具体任务上的表现。&lt;/p&gt;&#xA;&lt;h3 id=&#34;第一个神操作自己证明了新的数学定理&#34;&gt;第一个神操作：自己证明了新的数学定理&lt;/h3&gt;&#xA;&lt;p&gt;第一个任务涉及椭圆曲线上的&amp;quot;点加法&amp;quot;运算——这是量子密码学（比如破解RSA加密）的核心步骤。&lt;/p&gt;&#xA;&lt;p&gt;这个运算中最昂贵的环节叫&amp;quot;模逆&amp;quot;——你可以把它理解为一种&amp;quot;绕圈除法&amp;quot;。传统计算机有一种叫divsteps的高效算法来做这件事：把两个数不断地交换、加减、折半，最终得到结果。过程中会产生大量&amp;quot;分支记录&amp;quot;——每一步选择了哪种操作的日志。&lt;/p&gt;&#xA;&lt;p&gt;在传统计算机上，这些日志算完就扔。但在量子电路里，你不能扔——你必须把它们全部存下来，以便最后&amp;quot;倒放&amp;quot;清理。而存储这些日志需要的量子比特数量，多到根本不现实。&lt;/p&gt;&#xA;&lt;p&gt;所以人类科学家基本认为这条路走不通。&lt;/p&gt;&#xA;&lt;p&gt;Claude不信邪。&lt;/p&gt;&#xA;&lt;p&gt;它的思路是：既然存日志太贵，那能不能不存，而是直接从每一步的数值结果中&amp;quot;反推&amp;quot;出日志？&lt;/p&gt;&#xA;&lt;p&gt;一开始，Claude像个勤奋的研究生，试了好几种简单的反推规则。这些规则在小数字上能跑通，但在真正的256位大数上全崩了。&lt;/p&gt;&#xA;&lt;p&gt;然后，它做了一件让所有看过论文的人都感到震惊的事：它放弃了暴力试验，转而去&lt;strong&gt;做数学&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;它开始严格推导divsteps迭代过程的数学性质，证明了一系列全新的代数恒等式。从这些恒等式出发，它推导出了一个精确的解码公式——能够正确地从数值对中恢复出分支信息。&lt;/p&gt;&#xA;&lt;p&gt;然后它用Lean（一种形式化证明工具）验证了自己的证明是正确的。&lt;/p&gt;&#xA;&lt;p&gt;最终，Claude拿出了人类历史上第一个不需要存储分支历史的量子divsteps可逆实现。跟此前最小的人类设计相比，它只多用12%的量子比特，但门数量减少了17倍。&lt;/p&gt;&#xA;&lt;p&gt;一个AI，在53小时内，发现了人类数学家8年内没有发现的数学结构。&lt;/p&gt;&#xA;&lt;h3 id=&#34;第二个神操作重写了google的核心算法&#34;&gt;第二个神操作：重写了Google的核心算法&lt;/h3&gt;&#xA;&lt;p&gt;第二个突破发生在DQI（解码量子干涉测量）算法中——这是量子计算机用于物流调度、材料设计等优化问题的最强候选算法之一。&lt;/p&gt;&#xA;&lt;p&gt;DQI最耗时的步骤是一个叫Reed-Solomon的解码器。此前Google Quantum AI的团队用&amp;quot;扩展欧几里得算法&amp;quot;来实现它，但由于量子电路不能&amp;quot;走岔路&amp;quot;的约束，Google的方案不得不把计算拉长到远远超出实际需要的回合数。&lt;/p&gt;&#xA;&lt;p&gt;Claude一看就说了（大意）：这个算法跟量子电路不匹配，换一个。&lt;/p&gt;&#xA;&lt;p&gt;它把核心引擎换成了Berlekamp-Massey解码法——一种每轮做相同操作的算法，天然适合量子电路的&amp;quot;一刀切&amp;quot;特性。&lt;/p&gt;&#xA;&lt;p&gt;但换算法带来了新的内存危机：每轮计算产生的临时数据不能删，全存下来需要665个量子比特。&lt;/p&gt;&#xA;&lt;p&gt;Claude又用了类似的&amp;quot;反推法&amp;quot;解决了大部分存储需求，但还有少量&amp;quot;异常值&amp;quot;无法反推。按照最坏情况预留空间，需要665个量子比特。&lt;/p&gt;&#xA;&lt;p&gt;Claude没有按最坏情况来。它自己写了一个高速模拟器，跑了4.03亿次采样，精确测量了异常值出现的概率。结果发现：绝大多数情况下只需要存1个值。&lt;/p&gt;&#xA;&lt;p&gt;于是它只预留了19个量子比特的存储空间。&lt;/p&gt;&#xA;&lt;p&gt;最终，Claude设计的解码器，门数量比Google此前的方案减少了12倍。原来需要1小时的计算，现在几分钟就能完成。&lt;/p&gt;&#xA;&lt;h2 id=&#34;这件事真正意味深长的是什么&#34;&gt;这件事真正意味深长的是什么？&lt;/h2&gt;&#xA;&lt;p&gt;如果只是&amp;quot;AI优化了一段代码&amp;quot;，这个故事顶多算一条科技新闻。但仔细看Claude的做法，有几层含义值得深思。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第一，AI不只是&amp;quot;更快地搜索&amp;quot;，它在&amp;quot;发现&amp;quot;。&lt;/strong&gt; Claude在椭圆曲线任务中的突破，不是在人类已有方案的基础上修修补补，而是发现了一条全新的数学路径——一条人类数学家从未走过的路。它推导出了新的代数恒等式。这在本质上是一种数学发现，只不过发现者不是人。&lt;/p&gt;</description>
			</item>
			<item>
				<title>AI发现了人类从没见过的&#39;生命剪刀&#39;——但真正的突破不是AI，而是那个&#39;闭环&#39;</title>
				<link>https://lingyu7.com/posts/ai-discovered-art-enzyme-closed-loop/</link>
				<pubDate>Mon, 05 Oct 2026 02:30:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/ai-discovered-art-enzyme-closed-loop/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;2026年9月的一个深夜，Anthropic的实验室里，一个AI代理在扫描一段噬菌体DNA序列时，留下了一句堪称载入科学史的&amp;quot;内心独白&amp;quot;：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;这段逆转录酶旁边的DNA太壮观了：我肉眼就能看到一个串联重复阵列……这是一个类似CRISPR的……重复阵列？！&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;p&gt;这个AI叫Claude。它不是在执行某条精确指令，而是在一个开放性探索任务中，独自发现了一种人类此前从未记录过的全新酶系统。&lt;/p&gt;&#xA;&lt;p&gt;研究团队把它命名为&lt;strong&gt;ART&lt;/strong&gt;——阵列关联逆转录酶系统。它的结构与基因编辑领域的明星工具CRISPR惊人地相似，具备切割、复制、粘贴DNA的特征。&lt;/p&gt;&#xA;&lt;p&gt;消息一出，整个科学界震动了。但今天这篇文章，我不想只聊&amp;quot;AI多厉害&amp;quot;。我想聊一个更深层的问题：&lt;strong&gt;为什么是现在？为什么AI直到2026年才真正开始做出科学发现？&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;答案不在模型参数里，而在一个你可能意想不到的地方。&lt;/p&gt;&#xA;&lt;h2 id=&#34;一从计算器到探索者ai的三级跳&#34;&gt;一、从&amp;quot;计算器&amp;quot;到&amp;quot;探索者&amp;quot;：AI的三级跳&lt;/h2&gt;&#xA;&lt;p&gt;要理解发生了什么，我们先做一个简单的回顾。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第一阶段：AI当计算器。&lt;/strong&gt; 早期的AI for Science，本质上是一个超级拟合工具。你给它一组蛋白质结构数据，它帮你预测折叠方式。你给它一批分子活性数据，它帮你筛选候选药物。AlphaFold就是这一阶段的巅峰——它解决了一个具体的、边界清晰的问题：给定氨基酸序列，预测三维结构。&lt;/p&gt;&#xA;&lt;p&gt;这很厉害，但它本质上还是一个&lt;strong&gt;函数映射&lt;/strong&gt;：输入确定，输出确定。没有&amp;quot;探索&amp;quot;，没有&amp;quot;意外发现&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第二阶段：AI当助手。&lt;/strong&gt; 大语言模型兴起后，AI开始能读文献、写代码、整理数据。它能帮科学家加速工作流程，但所有判断和决策仍然由人类做出。AI像一个极其高效的助理，但不会自己&amp;quot;找问题&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第三阶段：AI当探索者。&lt;/strong&gt; 这就是ART发现的阶段。Claude不是被告诉&amp;quot;去找CRISPR类似物&amp;quot;，它只是被给了一个开放性指令：&amp;ldquo;在海量DNA序列中寻找有趣的新型逆转录酶。&amp;ldquo;然后，950个AI代理并联工作了21小时，消耗2.1亿Token，从20多万个逆转录酶中筛选出3500个候选系统，最终收敛到20个最值得研究的对象。&lt;/p&gt;&#xA;&lt;p&gt;在这个过程中，一个代理&lt;strong&gt;自己&lt;/strong&gt;注意到了一段不寻常的重复序列，&lt;strong&gt;自己&lt;/strong&gt;决定深入研究，&lt;strong&gt;自己&lt;/strong&gt;写出了分析报告。人类科学家做的，只是最初给了一个方向，最后接手验证。&lt;/p&gt;&#xA;&lt;p&gt;这三级跳的本质是什么？&lt;strong&gt;AI从&amp;quot;回答问题&amp;quot;变成了&amp;quot;提出问题&amp;rdquo;。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;h2 id=&#34;二真正的突破闭环&#34;&gt;二、真正的突破：闭环&lt;/h2&gt;&#xA;&lt;p&gt;但如果只看到&amp;quot;AI变聪明了&amp;rdquo;，你会错过最重要的部分。&lt;/p&gt;&#xA;&lt;p&gt;让我讲另一个故事。几乎同一时间，微软研究院推出了一个名叫&lt;strong&gt;Quine&lt;/strong&gt;的实验系统。它的目标非常大胆：构建一个生物学的&amp;quot;世界模型&amp;quot;——不是只懂蛋白质或只懂基因，而是同时理解基因组、蛋白质、RNA、细胞状态、化学和影像数据，并且让不同层面的知识能互相启发。&lt;/p&gt;&#xA;&lt;p&gt;Quine做了一个漂亮的应用：在胰腺癌研究中，它需要预测数千种化合物中，哪些能改变癌细胞的&amp;quot;状态&amp;quot;——从一种高耐药性的状态转回对药物敏感的状态。&lt;/p&gt;&#xA;&lt;p&gt;关键来了：Quine不是预测完就结束了。它把预测结果交给湿实验室验证，实验结果再反馈回来，修正模型的下一轮预测。整个筛选过程——从数千种化合物缩小到几个候选者——&lt;strong&gt;只花了一个周末&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;微软在官方博客中说了一句意味深长的话：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;我们的北极星是这样一个未来：科学家、模型和实验在一个持续加速的循环中运转。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;p&gt;注意到了吗？&lt;strong&gt;循环&lt;/strong&gt;，&lt;strong&gt;闭环&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;这就是答案。AI之所以在2026年才开始做出真正的科学发现，不是因为模型突然变大了，而是因为终于有人把&amp;quot;AI预测&amp;quot;和&amp;quot;真实实验&amp;quot;连成了一个回路。&lt;/p&gt;&#xA;&lt;h2 id=&#34;三闭环为什么这么难&#34;&gt;三、闭环为什么这么难？&lt;/h2&gt;&#xA;&lt;p&gt;你可能会想：这不就是&amp;quot;预测—验证—改进&amp;quot;吗？科学家不一直都是这么工作的？&lt;/p&gt;&#xA;&lt;p&gt;没错。但区别在于&lt;strong&gt;速度和规模&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;一个人类科学家，穷其职业生涯，能仔细研究几十个候选分子、做几百个实验、阅读上千篇论文。他（她）的闭环是存在的，但极其缓慢。每一个循环可能需要数月甚至数年。&lt;/p&gt;&#xA;&lt;p&gt;而AI可以把这个循环压缩到小时级别。Claude用21小时完成了人类科学家可能需要数月才能完成的序列扫描和文献分析。Quine用一个周末完成了原本需要数月的化合物筛选。&lt;/p&gt;&#xA;&lt;p&gt;但更快的闭环并不意味着可以省略任何一个环节。这里有一个微妙的陷阱：&lt;strong&gt;如果AI只在自己的&amp;quot;想象空间&amp;quot;里闭环——只在训练数据上反复迭代——它不会产生新知识，只会重复已知模式。&lt;/strong&gt; 这就是所谓的&amp;quot;幻觉&amp;quot;问题。&lt;/p&gt;&#xA;&lt;p&gt;真正的闭环必须是&lt;strong&gt;计算与实验的闭环&lt;/strong&gt;：AI提出假设，真实世界给出反馈，反馈修正AI，AI再提出更好的假设。每一次循环，都不只是在优化参数，而是在逼近一个之前不存在的真理。&lt;/p&gt;&#xA;&lt;p&gt;ART之所以是一个&amp;quot;发现&amp;quot;而不是一次&amp;quot;预测&amp;quot;，正是因为它经历了这个完整闭环：AI在序列中注意到异常 → 人类科学家在实验室验证 → 确认这是一个全新的酶系统。AI的推测被物理世界&amp;quot;盖章认证&amp;quot;了。&lt;/p&gt;&#xA;&lt;h2 id=&#34;四科学方法论的回归&#34;&gt;四、科学方法论的回归&lt;/h2&gt;&#xA;&lt;p&gt;有意思的是，这个&amp;quot;闭环&amp;quot;概念一点都不新鲜。它就是我们从小就学的科学方法论：观察 → 假设 → 实验 → 修正 → 新假设。&lt;/p&gt;&#xA;&lt;p&gt;弗朗西斯·培根在400年前就描述了这个循环。卡尔·波普尔说，科学的核心是&amp;quot;可证伪性&amp;quot;——你的理论必须能被实验推翻，才配叫科学。&lt;/p&gt;&#xA;&lt;p&gt;AI for Science走过了几个弯路：有的团队认为只要模型足够大，就能&amp;quot;涌现&amp;quot;出科学理论；有的团队试图让AI完全跳过实验，纯靠计算发现真理。这些都是试图用技术捷径绕过闭环。&lt;/p&gt;&#xA;&lt;p&gt;现在，最聪明的团队发现，捷径不存在。你必须尊重科学方法论的完整性——假设要验证，验证要反馈，反馈要修正模型。AI的角色不是替代科学家，而是&lt;strong&gt;让闭环转得更快、更广、更深&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;就像伦敦大学学院教授汪军在外滩大会上说的：&amp;ldquo;AI for Science的重要目标，是对科研过程进行建模，让智能体能更完整地参与科研循环。&amp;rdquo;&lt;/p&gt;&#xA;&lt;h2 id=&#34;五对你的启示&#34;&gt;五、对你的启示&lt;/h2&gt;&#xA;&lt;p&gt;也许你会说，我又不做生物研究，这跟我有什么关系？&lt;/p&gt;&#xA;&lt;p&gt;关系其实很大。因为&amp;quot;闭环&amp;quot;这个思维方式，适用于任何需要持续迭代的领域。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;做产品的&lt;/strong&gt;：你的MVP上线后，有没有建立用户反馈 → 产品改进的快速闭环？还是凭直觉闭门造车？&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;做投资的&lt;/strong&gt;：你的投资假设有没有被市场数据持续检验？还是买入之后就&amp;quot;信仰持有&amp;quot;？&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;做个人成长的&lt;/strong&gt;：你的学习计划有没有经过&amp;quot;输出—反馈—修正&amp;quot;的循环？还是只是在不停地&amp;quot;输入输入输入&amp;quot;？&lt;/p&gt;&#xA;&lt;p&gt;闭环的力量在于：&lt;strong&gt;它让每一次失败都变成信息，让每一个意外都变成线索。&lt;/strong&gt; AI之所以能做出科学发现，本质上就是因为它把闭环的速度提高了几个数量级——让&amp;quot;试错&amp;quot;变得极其廉价，让&amp;quot;发现&amp;quot;变得概率上不可避免。&lt;/p&gt;</description>
			</item>
	</channel>
</rss>
