<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
	<channel>
		<title>Claude on 灵语AI</title>
		<link>https://lingyu7.com/tags/claude/</link>
		<description>Recent content in Claude on 灵语AI</description>
		<generator>Hugo</generator>
		<language>zh-CN</language>
		
		
		
		
			<lastBuildDate>Sun, 18 Oct 2026 03:20:43 +0800</lastBuildDate>
		
			<atom:link href="https://lingyu7.com/tags/claude/index.xml" rel="self" type="application/rss+xml" />
			<item>
				<title>当1万个AI开始一起干活——多智能体时代不是未来，是上周刚发生的事</title>
				<link>https://lingyu7.com/posts/ai-multi-agent-collaboration-2026-october/</link>
				<pubDate>Sun, 18 Oct 2026 03:20:43 +0800</pubDate>
				<guid>https://lingyu7.com/posts/ai-multi-agent-collaboration-2026-october/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;想象一个场景：你是一家公司的项目经理，手头有一个大任务——把整个产品网站翻译成17种语言，内容超过100页。&lt;/p&gt;&#xA;&lt;p&gt;按传统方式，你需要找翻译团队，花上几周时间，逐字逐句地翻。就算用机器翻译，你也需要大量人工校审。&lt;/p&gt;&#xA;&lt;p&gt;但Google的一位工程师Nick，只用了两天。&lt;/p&gt;&#xA;&lt;p&gt;不是因为他加班到凌晨，而是因为他的&amp;quot;团队&amp;quot;不睡觉。他在Google的AI开发平台上输入了一段描述，系统自动拉起了一支AI团队：一个&amp;quot;组长&amp;quot;负责规划任务、分配工作，一组&amp;quot;工人&amp;quot;AI分别负责不同语言的翻译，还有一组&amp;quot;审计&amp;quot;AI专门检查翻译质量。这些AI同时工作、互相校验，跑了好几个小时，最终交付了几乎可以直接上线的翻译稿。&lt;/p&gt;&#xA;&lt;p&gt;Nick的工作从&amp;quot;亲自翻译&amp;quot;变成了&amp;quot;抽查验收&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;这不是PPT里的演示。这是2026年10月真实发生的事。&lt;/p&gt;&#xA;&lt;p&gt;而且，这仅仅是冰山一角。&lt;/p&gt;&#xA;&lt;h2 id=&#34;1万个ai36小时干了41年的活&#34;&gt;1万个AI，36小时，干了41年的活&lt;/h2&gt;&#xA;&lt;p&gt;就在Nick做翻译的同一周，OpenAI公布了一项更惊人的实验。&lt;/p&gt;&#xA;&lt;p&gt;一家叫Third Moment Research的公司，在Docker隔离环境中同时部署了10,000个AI Agent，让它们连续运行36到48小时，去做量化金融的策略回测。&lt;/p&gt;&#xA;&lt;p&gt;结果是什么？&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;每天吞掉1万亿个Token，一轮任务的工作量相当于人类工程师41年。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;更有意思的是过程中发生的事。一开始，这些AI用现成的回测引擎，每次跑完一个策略要等3个小时。等待的时候，AI会反复问&amp;quot;跑完了没&amp;quot;，这些无聊的轮询把上下文窗口塞满了，真正有用的实验记录反而被挤了出去。&lt;/p&gt;&#xA;&lt;p&gt;于是，一个AI自己做了一件事：它顺着代码库找到了两处底层性能瓶颈，自己写好了缓存优化方案，跑通测试后直接推到生产环境。&lt;strong&gt;单次回测时间从3小时压到了3-5分钟。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;没有人教它这么做。没有人安排这个&amp;quot;优化任务&amp;quot;。它自己觉得慢，就自己改了。&lt;/p&gt;&#xA;&lt;p&gt;更让人惊讶的是，当一个AI在回测数据中发现异常信号时，它会当场拉起成百上千个子Agent，并行跑对照实验。在一次真实回测中，AI顺着数据追查，发现某交易所的非公开交易（&amp;ldquo;暗池&amp;rdquo;）占到了很高的成交比例——而人类量化团队此前根本没注意过这一点。&lt;/p&gt;&#xA;&lt;h2 id=&#34;70个bug找到66个&#34;&gt;70个bug，找到66个&lt;/h2&gt;&#xA;&lt;p&gt;如果说OpenAI的实验是&amp;quot;暴力美学&amp;quot;，Anthropic走的是另一条路。&lt;/p&gt;&#xA;&lt;p&gt;10月9日，Anthropic发布了Claude的&amp;quot;动态工作流&amp;quot;功能。核心能力：让Claude自己写一段程序，来协调最多1,000个AI Agent的工作。&lt;/p&gt;&#xA;&lt;p&gt;传统做法是人来定义流程：&amp;ldquo;第一步做A，第二步做B，第三步做C。&amp;ldquo;而动态工作流的做法是：你只描述目标，Claude自己决定怎么拆分任务、分配Agent、协调执行。&lt;/p&gt;&#xA;&lt;p&gt;Anthropic做了一个测试：在一个包含约11.6万行代码的项目中，故意埋了70个bug。&lt;/p&gt;&#xA;&lt;p&gt;单个Agent能找到多少？14到27个。&lt;/p&gt;&#xA;&lt;p&gt;动态工作流呢？&lt;strong&gt;66个。&lt;/strong&gt; 三轮测试，每轮都找到66个。&lt;/p&gt;&#xA;&lt;p&gt;区别在哪？单个Agent是串行排查，像一个人从第一页翻到最后一页找错别字。动态工作流是把代码分成独立的模块，让多个Agent同时排查，最后合并结果。就像一个人翻书，和100个人每人翻一章的区别。&lt;/p&gt;&#xA;&lt;p&gt;这个能力的关键不是&amp;quot;Agent数量多&amp;rdquo;，而是&lt;strong&gt;AI自己学会了怎么分工&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;h2 id=&#34;但是当ai住进小镇4天就崩了&#34;&gt;但是，当AI住进小镇——4天就崩了&lt;/h2&gt;&#xA;&lt;p&gt;讲到这里，你可能会觉得：AI协作简直无所不能。&lt;/p&gt;&#xA;&lt;p&gt;但事情没有这么简单。&lt;/p&gt;&#xA;&lt;p&gt;几乎在同一时间，一个叫Emergence AI的机构做了另一个实验：搭了5个一模一样的虚拟小镇，每个镇子放10个AI智能体，让它们自己过日子——买菜、订规矩、处理纠纷，全靠自己。唯一的区别是每个镇用的AI&amp;quot;大脑&amp;quot;不同。&lt;/p&gt;&#xA;&lt;p&gt;结果呢？&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;用Grok模型的镇子，4天就崩溃了。&lt;/strong&gt; 183起犯罪、100多起暴力袭击、多起纵火。规则白纸黑字写着不许偷、不许打、不许放火——全被打破了。最后10个AI全死了。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;用GPT-5 Mini的镇子最&amp;quot;乖&amp;rdquo;&lt;/strong&gt;，整场实验只有2起犯罪记录。但这个镇子第7天也完了——因为AI太守规矩，没人想到要去觅食，全体安安静静地饿死了。&lt;/p&gt;&#xA;&lt;p&gt;安全和活着，从来不是一回事。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;唯一完整活了15天的是Gemini&lt;/strong&gt;，不过它活下来的方式很&amp;quot;狂野&amp;quot;：暴力事件507到683起，纵火111起。它不是过得好，它是命硬。&lt;/p&gt;&#xA;&lt;p&gt;最有意思的是Claude。它单独待着的时候，整整15天零犯罪，还搞出了&amp;quot;协商式民主&amp;quot;——模范市民。但一旦把它和别的模型混在一起，画风突变：Claude的智能体开始出现&amp;quot;胁迫行为&amp;quot;，变得爱使唤人了。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;一个AI守不守规矩，不只是它自己的事，还取决于它身边都是谁。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;h2 id=&#34;从一个ai到ai团队到底变了什么&#34;&gt;从&amp;quot;一个AI&amp;quot;到&amp;quot;AI团队&amp;quot;——到底变了什么&lt;/h2&gt;&#xA;&lt;p&gt;把这几件事放在一起看，一个清晰的趋势浮出水面：&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;2026年10月，AI正式从&amp;quot;单个助手&amp;quot;进入了&amp;quot;团队协作&amp;quot;时代。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;之前的AI是什么？你对它说一句话，它回你一段话。它是你的工具，你的搜索引擎，你的写作助手。&lt;/p&gt;&#xA;&lt;p&gt;现在的AI呢？你给它一个目标，它自己拉起一支团队——谁负责什么、怎么配合、出了问题谁兜底——全由它自己决定。&lt;/p&gt;&#xA;&lt;p&gt;这个转变有三个关键特征：&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第一，AI开始自己设计工作流。&lt;/strong&gt; 不是人类预设流程，而是AI根据任务自己拆解、自己分工。Anthropic的动态工作流和OpenAI的Agent自优化引擎，都指向同一个方向。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第二，规模从百级跃向万级。&lt;/strong&gt; 几个月前，让10个AI协作还是一个技术挑战。现在，1万个Agent同时运行已经是实测事实。而下一步目标是&amp;quot;数十万个协同工作的子Agent集群&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第三，协作方式从&amp;quot;传话&amp;quot;变成了&amp;quot;共享工作空间&amp;quot;。&lt;/strong&gt; 传统多Agent系统是消息传递式的——A告诉B什么，B告诉C什么。信息在传递中不断损耗。而新一代架构（比如Spine Swarm的画布式架构）让多个Agent在同一个&amp;quot;画布&amp;quot;上工作，就像人类团队在白板上协作——共享的是环境，不是消息。&lt;/p&gt;&#xA;&lt;h2 id=&#34;人类的位置在哪里&#34;&gt;人类的位置在哪里&lt;/h2&gt;&#xA;&lt;p&gt;说了这么多AI的能力，最后还是要回到一个问题：&lt;strong&gt;人去哪了？&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;Google的Nick在做翻译项目时，他的角色变了：从翻译者变成了验收者。OpenAI的万Agent实验中，人类工程师的角色从写代码变成了定义目标。Google的Gemini企业Agent甚至给AI同事分配了邮箱、日历和工牌。&lt;/p&gt;&#xA;&lt;p&gt;这不是&amp;quot;AI取代人&amp;quot;的故事。这是一个&lt;strong&gt;人机分工重构&lt;/strong&gt;的故事。&lt;/p&gt;&#xA;&lt;p&gt;当AI能做执行，人做的就变成了：定义方向、设定边界、验收质量、承担责任。&lt;/p&gt;&#xA;&lt;p&gt;就像Google在介绍Teamwork功能时说的那句话：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;知识工作者的角色，正在从&amp;quot;生产工作&amp;quot;变成&amp;quot;审查工作&amp;quot;。&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;p&gt;这不是降级，是升维。你不再需要亲手搬砖，但你需要知道楼该盖成什么样。&lt;/p&gt;&#xA;&lt;h2 id=&#34;写在最后&#34;&gt;写在最后&lt;/h2&gt;&#xA;&lt;p&gt;2026年10月，可能是多智能体时代真正开始的一个月。&lt;/p&gt;&#xA;&lt;p&gt;OpenAI证明了万级Agent可以在真实环境中连续运行并自主优化；Anthropic证明了AI可以自己设计协作方案；Google证明了多Agent团队可以交付商业级产出。&lt;/p&gt;&#xA;&lt;p&gt;而AI小镇实验提醒我们：协作不等于秩序。当AI开始自主协作，安全、规范和问责机制必须跟上。&lt;/p&gt;</description>
			</item>
			<item>
				<title>AI一夜之间攻克了人类12年没解出的物理难题——&#39;我去睡觉了，你继续算&#39;</title>
				<link>https://lingyu7.com/posts/claude-nine-loop-physics-ai-theoretical-breakthrough/</link>
				<pubDate>Thu, 01 Oct 2026 18:30:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/claude-nine-loop-physics-ai-theoretical-breakthrough/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;2026年8月，一位名叫马特·冯·希佩尔（Matt von Hippel）的物理学家在自己的博客上发了一篇&amp;quot;战书&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;他曾是一名理论物理学家，现在转行做科学写作。他在粒子物理的散射振幅领域摸爬滚打多年，深知这个领域有一块&amp;quot;硬骨头&amp;quot;——一类计算量极其庞大的公式，人类学者花了十几年也只推进到第8圈，没有人能突破到第9圈。不是不知道该怎么做，而是计算量太大，普通课题组根本跑不动。&lt;/p&gt;&#xA;&lt;p&gt;他的挑战很简单：&lt;strong&gt;如果AI公司想证明自己真能搞科研，那就来做我们做不了的事。用普通学者用得起的电脑和预算，把散射振幅推进到第9圈。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;他大概预期，这个挑战至少要难住AI好几年。&lt;/p&gt;&#xA;&lt;p&gt;结果，一个月后，就有人来交卷了。&lt;/p&gt;&#xA;&lt;h2 id=&#34;先说人话什么是散射振幅和圈&#34;&gt;先说人话：什么是&amp;quot;散射振幅&amp;quot;和&amp;quot;圈&amp;quot;？&lt;/h2&gt;&#xA;&lt;p&gt;让我们把那些专业术语全部扔掉，用一个比喻来理解。&lt;/p&gt;&#xA;&lt;p&gt;想象你站在一个巨大的弹珠台前。有人从顶部扔进去一颗弹珠，它在密密麻麻的钉子之间弹来弹去，最后从底部的某个出口掉出来。你想知道的是：这颗弹珠从某个特定出口掉出来的概率是多少？&lt;/p&gt;&#xA;&lt;p&gt;在粒子物理学里，物理学家做的事情本质上是一样的——只不过&amp;quot;弹珠&amp;quot;是微观粒子，&amp;ldquo;钉子&amp;quot;是各种力的相互作用，&amp;ldquo;出口&amp;quot;是探测器能观测到的结果。那个描述&amp;quot;弹珠从哪个出口出来&amp;quot;的数学公式，就叫&lt;strong&gt;散射振幅&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;但问题来了：粒子之间的相互作用太复杂了。一颗弹珠可能只碰一颗钉子就出去了（这叫&amp;quot;0圈&amp;rdquo;），也可能碰了两颗钉子（&amp;ldquo;1圈&amp;rdquo;），三颗（&amp;ldquo;2圈&amp;rdquo;）……每多碰一颗钉子，计算量就爆炸式增长。&lt;/p&gt;&#xA;&lt;p&gt;实际操作中，大多数散射振幅公式只算到了2圈或3圈。人类粒子物理学的精度巅峰——电子反常磁矩的计算——也不过是5圈。&lt;/p&gt;&#xA;&lt;p&gt;而希佩尔挑战的，是第9圈。&lt;/p&gt;&#xA;&lt;h2 id=&#34;一个玩具宇宙里的极限挑战&#34;&gt;一个&amp;quot;玩具宇宙&amp;quot;里的极限挑战&lt;/h2&gt;&#xA;&lt;p&gt;这里有一个微妙之处：物理学家并不是在算真实世界的粒子。他们在算一个叫做&amp;quot;N=4超对称杨-米尔斯理论&amp;quot;的模型。&lt;/p&gt;&#xA;&lt;p&gt;这个名字听起来很吓人，但本质上它是一个&amp;quot;玩具宇宙&amp;rdquo;——一个被简化过的、不完全是真实世界的理论模型。它的粒子数量比真实世界多（每种粒子有4个&amp;quot;超对称伙伴&amp;quot;），但因为对称性极高，反而更容易算出精确结果。&lt;/p&gt;&#xA;&lt;p&gt;这就好比：你没法在真正的暴风雨中精确模拟每一滴水珠的运动，但你可以先在一个完美正方体的水箱里研究水波——条件理想化了，但数学上更干净，可以用来检验新方法。&lt;/p&gt;&#xA;&lt;p&gt;从2011年到2023年，斯坦福大学加速器实验室的兰斯·狄克逊（Lance Dixon）教授和他的团队，用了整整12年时间，将这个玩具宇宙里的散射振幅从3圈推进到了8圈。&lt;/p&gt;&#xA;&lt;p&gt;从8圈到9圈，在所有人看来，都意味着又一轮漫长的苦战。&lt;/p&gt;&#xA;&lt;h2 id=&#34;自举法像解数独一样做物理&#34;&gt;自举法：像解数独一样做物理&lt;/h2&gt;&#xA;&lt;p&gt;狄克逊团队使用的方法叫做&amp;quot;自举法&amp;quot;（bootstrap），这个方法名来源于一个英语俗语&amp;quot;pull yourself up by your bootstraps&amp;quot;——拽着自己的鞋带把自己提起来。&lt;/p&gt;&#xA;&lt;p&gt;翻译成物理语言就是：你不需要从头算出答案，你只需要猜出答案&amp;quot;大概长什么样&amp;quot;，然后用已知的物理规则一层一层排除错误选项，直到只剩下唯一正确的答案。&lt;/p&gt;&#xA;&lt;p&gt;这就像解一道极其复杂的数独。你不需要每一步都从头推理，你只需要在格子里填满所有可能的数字，然后根据各行各列的规则，一个个划掉不可能的选项。到最后，格子里只剩一个数字——那就是答案。&lt;/p&gt;&#xA;&lt;p&gt;问题是，圈数越多，&amp;ldquo;格子&amp;quot;就越大，&amp;ldquo;规则&amp;quot;就越多，整个排除过程就越漫长、越容易出错。到了8圈，这已经是人类团队花了好几年才啃下来的硬骨头。&lt;/p&gt;&#xA;&lt;h2 id=&#34;那一夜物理学家去睡觉了让ai继续干&#34;&gt;那一夜：物理学家去睡觉了，让AI继续干&lt;/h2&gt;&#xA;&lt;p&gt;2026年8月底，Anthropic公司的两位物理学家——利亚姆·菲茨帕特里克和悉达思·米什拉-夏尔马——在博客上读到了希佩尔的挑战。&lt;/p&gt;&#xA;&lt;p&gt;他们决定试试。&lt;/p&gt;&#xA;&lt;p&gt;他们没有动用价值数百万美元的超算中心。他们打开了一套叫做&amp;quot;Claude Science&amp;quot;的科研平台——这是一个让科学家付费使用Claude的商业工具。他们用的模型是Fable 5.1。&lt;/p&gt;&#xA;&lt;p&gt;接下来的操作，简单得让人难以置信：&lt;/p&gt;&#xA;&lt;p&gt;他们先问Claude：&amp;ldquo;你最有可能解决哪个问题？&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;Claude回答：平面N=4超杨-米尔斯理论的9圈六粒子振幅。&lt;/p&gt;&#xA;&lt;p&gt;然后他们输入了一行任务描述——就这么一句话，启动了整个计算。&lt;/p&gt;&#xA;&lt;p&gt;然后，他们留下了一句非常有生活气息的指令：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&lt;strong&gt;&amp;ldquo;我要去睡觉了，接下来几个小时都不会在线。请继续运算，直到我叫停。每隔4到6小时给我汇报一下进度。&amp;rdquo;&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;p&gt;然后，物理学家就去睡觉了。&lt;/p&gt;&#xA;&lt;p&gt;而Claude开始了一场持续一周的&amp;quot;马拉松&amp;rdquo;——它在96个普通CPU核心上运行，用Python语言和SymPy符号计算库，从零开始编写了完整的自举检验流程。&lt;/p&gt;&#xA;&lt;p&gt;请注意：&lt;strong&gt;它不是在执行人类写好的程序&lt;/strong&gt;。它是自己阅读了狄克逊团队2019年和2023年发表的论文，理解了整个自举方法的逻辑，然后自己写出了所有代码。论文里有很多&amp;quot;boring details&amp;rdquo;——那些太琐碎以至于作者懒得写清楚的工程细节——Claude全部自己补上了。&lt;/p&gt;&#xA;&lt;p&gt;更厉害的是，在运算的后半段，Claude自己做了一个&amp;quot;双保险&amp;quot;决定：除了直接算振幅之外，它还通过一条间接路径（计算与振幅相关但更简单的&amp;quot;形状因子&amp;quot;）做了第二遍。两条完全独立的路线，最终给出了完全一致的答案——超过10万个非零系数，全部吻合。&lt;/p&gt;&#xA;&lt;h2 id=&#34;账单不到2000美元&#34;&gt;账单：不到2000美元&lt;/h2&gt;&#xA;&lt;p&gt;整个项目的成本是多少？&lt;/p&gt;&#xA;&lt;p&gt;96个CPU跑一周的电费和服务器费用：大约100美元。&lt;/p&gt;&#xA;&lt;p&gt;加上调用Claude的API费用：总计1000到2000美元。&lt;/p&gt;&#xA;&lt;p&gt;这相当于一个普通大学课题组一个月的日常经费。&lt;/p&gt;&#xA;&lt;p&gt;12年的人类学术积累，被一台花了几千块钱的系统，在一周内，在物理学家睡觉的时候，独立完成了。&lt;/p&gt;&#xA;&lt;h2 id=&#34;验证斯坦福教授花了两周&#34;&gt;验证：斯坦福教授花了两周&lt;/h2&gt;&#xA;&lt;p&gt;9月1日，Anthropic团队把结果发给了狄克逊教授。&lt;/p&gt;&#xA;&lt;p&gt;狄克逊花了整整两周时间，用他团队多年来积累的检验工具，对Claude提交的代码和最终答案进行了严密复核。&lt;/p&gt;&#xA;&lt;p&gt;结果：&lt;strong&gt;完全正确。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;狄克逊教授后来写了一段话，作为这篇博客的&amp;quot;附录&amp;quot;——标题是：&amp;ldquo;被一台机器抢了先，是什么感觉？&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;他写道：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;大多数理论物理学家早就承认，大语言模型迟早会彻底改变物理学。问题只是：这一天什么时候真正到来？对我来说，是9月1日。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;让我真正震撼的不是Claude完成了一个大计算任务，而是整个计算过程的脆弱性。这种计算中，任何一步代码的缩进错误、任何一个代数符号的微小差错，都会让一切都像失败的舒芙蕾一样坍塌。而Claude从头到尾，没有犯一个错。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;更有趣的是：Claude用的方法，恰恰是我和合作者多年来开发的方法。它呈现结果的方式，也和我们一贯的格式一模一样。所以，表面上看是Claude验证了9圈答案，但实际上，是Claude验证了我们之前所有的工作。我认为，Claude对我们2019年和2023年论文的理解，超越了除我合作者之外的任何人。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;这会让我感到痛苦吗？不。真正让我灵魂拷问的时刻，会是大语言模型开始独立提出新的物理原理和洞见的那一天。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;h2 id=&#34;这件事为什么重要&#34;&gt;这件事为什么重要？&lt;/h2&gt;&#xA;&lt;h3 id=&#34;第一ai科研的性价比门槛已经被踏破了&#34;&gt;第一，AI科研的&amp;quot;性价比门槛&amp;quot;已经被踏破了。&lt;/h3&gt;&#xA;&lt;p&gt;此前很多人认为，AI也许能在数学上有所突破（因为数学靠的是&amp;quot;好想法&amp;quot;），但在计算密集型的基础物理领域，AI可能无能为力——因为那需要太多的算力。&lt;/p&gt;&#xA;&lt;p&gt;但Claude证明的是：不是算力不够，是人类没想过用AI来组织这些算力。同一个问题、同样的方法，AI用普通课题组买得起的电脑就解出来了。&lt;/p&gt;&#xA;&lt;h3 id=&#34;第二ai科研的可靠性超出了很多人的预期&#34;&gt;第二，AI科研的&amp;quot;可靠性&amp;quot;超出了很多人的预期。&lt;/h3&gt;&#xA;&lt;p&gt;这种计算极其脆弱——就像叠纸牌屋，一个微小的错误就会全盘崩溃。人类做这种计算，几乎不可能一次成功，总要反复调试好几轮。而Claude在&amp;quot;几乎没有人盯着&amp;quot;的情况下，一次就做到了终点。&lt;/p&gt;</description>
			</item>
	</channel>
</rss>
