◆ The Learning Grove 林间拾穗

标签：scientific-discovery

  • Jeff Dean 对话李飞飞：拆解递归自我改进（RSI）神话与 AI 研发边界 Best Partners TV
    在斯坦福 AI 会议上，李飞飞与 Jeff Dean 讨论了近期走红的递归自我改进（RSI）概念。Dean 区分了例行自我改进与真正的递归改进，强调物理计算与自然法则对无限加速的客观限制，并介绍了其新创立公司 DiscoveryLoop 的定位与科研自动化思考。
  • 克拉克預測AI驅動基礎科學加速與2030年美國GDP達44兆美元 Best Partners TV
    Anthropic聯合創始人傑克克拉克提出預測，若技術發展不遭遇斷崖式停滯，AI驅動的基礎科學突破將引發連鎖反應，推動2030年美國名目GDP達到44兆美元。他以硬科學測試數據說明AI已在數學、生物與物理領域展現極高能力，呼籲全球預先擴建算力、資料中心及實體實驗設施，並強調在發展AI自身時必須保持謹慎與克制以防範失控風險。
  • 暴力堆卡已到尽头？对话Google Research负责人：从环境智能到科学发现的黄金时代 Best Partners TV
    Google Research负责人Yossi Matias解读AI研究前沿：超越暴力缩放定律，迈向环境智能与生成式UI；多智能体系统与实证助手正在重构科研范式；从覆盖20亿人的全球洪水预测到行星级智能，技术突破如何通过魔法循环在现实中产生巨大影响力。
  • 哈萨比斯对谈汉娜·弗莱：科学与艺术交汇处的AI未来与文艺复兴 Best Partners TV
    DeepMind创始人德米斯·哈萨比斯在荣获阿尔伯特奖章后与汉娜·弗莱展开深度对谈。他回顾了游戏设计与神经科学经历对AI研发的启发，探讨了AI与人类创造力、作品灵魂的关系，并阐述了AI在科学发现、城市建筑与教育变革中的深远前景。
  • 预测模型与描述性模型：科学发现中的外推能力与人工智能的潜力 Latent Space
    文章探讨了预测模型与描述性模型在科学研究中的区别，强调描述性模型需要具备外推能力来捕捉现实本质。同时，文章介绍了人工智能赋能科学（AI for Science）的最新趋势，特别是将科学问题映射为“可评分任务”，以及利用通用大语言模型（LLM）在科学发现中的应用，并展望了未来构建“全能实验室”的愿景。
  • 陶哲轩：数学六大基石与AI时代的科学变革 Best Partners TV
    系统梳理数学家陶哲轩关于数学六大基石（数字、代数、几何、概率、分析、动力学）的核心观点，剖析数学在物理科学中“不合理的有效性”，揭示前沿数学研究排除错误假设的试错本质，并深入反思AI重塑科学范式下科研广度与下一代人才培养的深层危机。
  • 埃尔德什猜想的终结：AI如何将数学家的“终极游乐场”重塑为技术竞技场 Best Partners TV
    本文系统记录了2026年AI在数学领域取得的突破性进展。以保罗·埃尔德什的悬赏问题为切入点，探讨了从外包客服到菲尔兹奖得主陶哲轩在社区中的扁平协作，以及Google DeepMind和OpenAI在解决数十年未解猜想上的技术交锋，反映了AI对数学研究范式的深刻重塑。
  • 迈向自主科学研究：利用结构化层级与多模态闭环突破AI代理瓶颈 AI Engineer
    本文基于Radicate在AI合成PET医学影像中的应用实例，探讨了自主AI代理在应对开放性科学发现任务时遇到的“想法耗尽”瓶颈。通过引入Obsidian图谱化超文档结构对问题进行逐级拆解，结合多模态多代理协同评估与测试时计算，能够系统化激发AI代理的假设生成能力，实现高效闭环的研究迭代。
  • 从代码生成到自我博弈：Google DeepMind 副总裁 Benoit Schillings 谈 AI 编程与未来科学 AI Engineer
    Google DeepMind 研究副总裁 Benoit Schillings 探讨了软件工程从手工编写代码向 AI 驱动的转变，指出未来代码编写将变得几乎免费，开发重点将转向系统架构、安全漏洞预防及自我博弈技术，并展望了 AI 在化学、生物等科学领域的应用潜力。
  • 田渊栋谈加入RSI、递归自我改进与AI发展趋势 硅谷101
    田渊栋专访中介绍了其联合创立的AI研究公司RSI、递归自我改进理念及自动化AI科研愿景，并就大模型竞争格局、组织架构影响及蒸馏员工等行业趋势分享了观察与思考。
  • OpenAI Dan Roberts访谈：AI为何能进行科学发现 The MAD Podcast with Matt Turck
    本访谈深入探讨了AI在科学发现中的角色，特别是强化学习（RL）的重要性。OpenAI的Dan Roberts分享了他从理论物理学到AI的职业转变，并解释了RL如何驱动模型进行创新性思考和数学难题攻克。对话涵盖了RL的运作机制、其在大型语言模型（LLM）中的应用、与预训练的协同作用，以及AI在科学研究中探索与利用的平衡。Roberts强调了RL在将计算转化为智能方面的核心作用，并展望了AI在自动化科学发现和解决基础科学问题上的潜力。
  • AlphaEvolve：一个正在重写规则的算法进化引擎 · 乔木博客 向阳乔木
    本文介绍了 Google DeepMind 的 AlphaEvolve 算法进化引擎。该引擎由 Gemini 驱动，能自动设计和优化多种算法，已在基因组学、电网、量子计算、数学研究、TPU 设计、数据库和编译器等领域取得显著进展。AlphaEvolve 系统性地探索巨大解空间，发现反直觉的创新答案，加速科学发现和工程优化，并已集成到 Google 内部基础设施并与多家公司展开商业合作。
  • AI 物理学的奇点：GPT-5 如何破解困扰物理学家一年的难题 Latent Space
    理论物理学家 Alex Lubyansky 分享了 AI 在基础物理学研究中的革命性进展。他详细描述了 OpenAI 的推理模型如何独立推导并证明了关于胶子（Gluon）和引力子（Graviton）散射振幅的非零性质，将原本需要一年的复杂研究缩短至几周甚至几小时。这标志着 AI 已从简单的辅助工具演变为能够推动科学前沿、具备“超人”科研能力的深度合作伙伴。
  • Demis Hassabis：AGI 还缺什么，智能体到底行不行，下一个科学突破长什么样 | 宝玉的分享 baoyu.io
    本文基于 Demis Hassabis 的观点，探讨了 AGI 的进展与挑战，指出当前 AI 范式可能仍需持续学习、长程推理和记忆等方面的突破。Hassabis 强调了 AI 在科学发现（如 AlphaFold）中的潜力，并为深科技创业者提供了建议，包括将 AGI 时间线纳入商业计划，以及通用模型与专用 AI 工具结合的未来架构。
  • 外星人的代码能跑在人类电脑上吗？ · 乔木博客 向阳乔木
    本文介绍了量子计算先驱 Michael Nielsen 的观点，他认为科学发现的验证过程比教科书呈现的更为复杂和漫长，AI（如 AlphaFold）在科学研究中更多是工程成就而非范式突破。Nielsen 强调真正的科学理解源于克服困难的学习过程，并推测不同文明可能拥有截然不同的科学体系，为星际贸易提供了经济动因。文章最终指出，人类在科技树上可能仍处于非常底层的位置，对科学的未知领域远超已知。
  • 大语言模型如何实现自我进化：Shinka Evolve的深度解析 Best Partners TV
    本文深度解析了日本AI初创企业Sakana AI开源的Shinka Evolve框架，该框架融合大语言模型与进化算法，旨在解决AI的效率和自主发明问题。通过借鉴AlphaEvolve的经验并结合《伟大无法被规划》等理念，Shinka Evolve在样本效率、多模型集成（UCB）、语义层面探索等方面取得关键突破，并提出了未来“氛围研究”愿景，强调人机协作在科学发现中的作用。报告探讨了AI作为人类能力放大器的潜力，以及在AI时代人类工作角色的演变。
  • AlphaGo十周年：AI的棋盘革命与科学远征 Best Partners TV
    本文回顾了 AlphaGo 战胜李世石十周年，解析了围棋的复杂性、AlphaGo 的技术原理（直觉与计算结合），并重点阐述了其对围棋界和 AI 发展的深远影响。更重要的是，探讨了 AlphaGo 范式如何赋能科学发现（如 AlphaFold、AlphaTensor），以及 AI 未来在创造性、可解释性、算法通用性等方面的挑战与机遇。
  • 陈天桥的AI世界观：理科大模型的因果革命与人类的终极价值 Best Partners TV
    本文深度解读了盛大创始人陈天桥的AI布局。陈天桥提出“理科大模型”概念，主张AI应从语言模拟转向科学发现。他通过MiroMind打造通用推理引擎，并预警AI接入权导致的社会分层。最终，他强调在智能时代，人类不可替代的价值在于敢于选择与承担的勇气。
  • 陶哲轩谈AI如何改变数学研究与科学范式 Dwarkesh Patel
    世界顶级数学家陶哲轩在访谈中探讨了人工智能对数学研究和科学发现的深远影响。他以开普勒行星运动定律的发现为例，类比AI在科学探索中通过海量数据驱动的试错过程。访谈深入讨论了AI在概念生成、辅助证明、加速科研流程等方面的潜力与挑战，并思考了科学验证、同行评审、以及人类与AI协作在未来数学和科学发展中的作用，强调了适应性思维的重要性。
  • 哈萨比斯与DeepMind崛起：在科学理想与失控的AI竞赛之间 硅谷101播客
    本期访谈深入探讨了DeepMind创始人德米斯·哈萨比斯的传奇经历，从国际象棋神童到诺贝尔奖得主。对话解析了DeepMind在谷歌体系内的博弈、与OpenAI的竞争，以及哈萨比斯如何利用AI破解科学难题。同时探讨了在AGI浪潮下，这位“AI之脑”如何在科学探索与技术失控的矛盾中寻找平衡。
  • AI能否取代科学家？科学本质与范式转移的深度解析 Best Partners TV
    本文深入探讨了AI在科学研究中的作用，指出AI虽在数据处理和模式识别（常态科学）方面表现卓越，但无法取代人类科学家。核心原因在于AI缺乏创造新表征框架、理解主观感受质、建立主体间共识以及进行意向性意义创造的能力。这些能力对于科学革命和范式转移至关重要。AI是强大的辅助工具，但科学的本质在于人类的共识构建和意义创造，这是AI永远无法实现的。
  • 美国AI战略：基础设施、监管与全球竞争 All-In Podcast
    本次访谈深入探讨了美国在人工智能领域的战略，包括其在AI竞赛中的领先地位、基础设施建设（特别是数据中心）的投入与回报、以及联邦政府在AI监管方面的挑战和创新。嘉宾们强调了美国在AI模型、芯片和制造设备上的优势，并讨论了与中国等竞争对手的对比。此外，访谈还触及了AI在科学发现、医疗健康和个人助理等领域的应用前景，以及对AI偏见和就业影响的担忧。
  • 2加2为什么等于4？数学揭示的深层现实 Hoover Institution
    这段访谈探讨了数学的本质及其与物理现实的关系。嘉宾们讨论了数学是人类的发明还是客观的发现，以及数学在描述和预测物理世界方面的“不可思议的有效性”。他们深入探讨了数学对象（如数字和几何形状）的稳定性、客观性和非物质性，挑战了唯物主义世界观。访谈还触及了数学和科学中“美”的原则，并暗示数学的神秘性可能指向超越性的心智。
  • AGI之路：DeepMind CEO深度解析AI的机遇与挑战 Best Partners TV
    本期节目深度拆解了Google DeepMind CEO德米斯·哈萨比斯与汉娜·弗莱教授的对话。探讨了AI通往AGI的关键拼图，包括根节点问题在科学研究中的应用、AI的认知局限（锯齿状智能）、世界模型与模拟的重要性、以及AGI发展所需的规模化与架构创新。同时，也关注了AI泡沫、深远的社会影响（如后稀缺社会）和安全问题，并以哈萨比斯的好奇心与使命感作结，展望AI驱动的黄金时代。
  • 2026年AI三大预测：科学发现、人机连接与商业模式的变革 a16z
    本次访谈探讨了2026年人工智能的三大趋势预测。Oliver Shu预言AI将通过自主实验室加速科学发现；Brian Kim指出AI将从生产力工具转向连接人心的消费级应用；David Haver则强调AI如何强化商业模式，构建竞争优势。三位嘉宾的观点描绘了AI在未来一年中的关键发展方向。
  • 24岁创始人融资6400万美元，打造首个AI数学家 | Axiom, Karina Hong EO
    本期节目聚焦24岁的Karina Hong，她创立了Axiom公司，旨在打造首个AI数学家。节目探讨了数学研究的艰辛与魅力，AI如何加速科学发现和现实应用，以及Axiom的愿景——构建一个能自我改进的超级智能推理系统，并分享了Karina的个人成长经历和对AI数学家的期待。
  • 爱因斯坦的广义相对论：个人天才与集体智慧的交织 Big Think
    本文探讨了物理学史上重大发现的本质，特别是广义相对论的诞生。作者Sean Carroll认为，即使没有爱因斯坦，广义相对论也终将被发现，因为它根植于深厚的社会和科学背景。文章对比了牛顿经典力学、麦克斯韦电磁学、狭义相对论以及广义相对论的发展历程，强调了科学进步的累积性和协作性，并以量子力学的发展为例，说明了集体智慧在科学突破中的关键作用。
  • Anthropic 推出 Claude 生命科学版：赋能生物研究，加速科学发现 Anthropic
    Anthropic 两位生命科学负责人 Jonah Cool 和 Eric Kauderer-Abrams 深入探讨了 Claude 在生命科学领域的应用。他们强调，Anthropic 致力于利用前沿 AI 加速生物研究，将 Claude 打造成科学家的高效助手。讨论涵盖了 Claude 如何提升科学家生产力、其在生物信息学和实验设计中的现有能力（如 Sonnet 4.5 和 Claude Code），以及未来在自动化实验、从自然数据中学习方面的愿景。Anthropic 还强调了与生态伙伴的合作，并重申了在生物安全和负责任 AI 发展方面的核心承诺。
  • Anthropic研究员Julian Schrittwieser：我们是否误读了AI的指数级增长？ The MAD Podcast with Matt Turck
    Anthropic 与前 DeepMind 的核心研究员 Julian Schrittwieser 深入探讨了人工智能的指数级发展趋势。他认为，外界对“AI泡沫”的讨论与前沿实验室的实际进展脱节。他预测，到2027年，AI模型将在许多任务上超越人类专家，并可能取得诺贝尔奖级别的科学发现。他还分享了从 AlphaGo 到 MuZero 的演进历程，并讨论了强化学习、AI智能体以及AI安全与社会影响等关键议题。
  • 意外改变世界的科学家：托马斯·米奇利的铅与氟利昂遗祸 Veritasium
    本文探讨了科学家托马斯·米奇利（Thomas Midgley Jr.）的两项关键发明——四乙基铅汽油和氟利昂，如何意外地在全球范围内造成了数百万人的死亡、智力下降、犯罪率上升以及两场严重的环境灾难（铅污染和臭氧层空洞）。文章还详细介绍了克莱尔·帕特森（Clair Patterson）如何通过其开创性的科学研究揭露了铅污染的真实规模，并最终推动了全球禁用含铅汽油的进程，以及这些事件对人类社会和环境的深远影响。