Einstein
PulseAugur coverage of Einstein — every cluster mentioning Einstein across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新AI方法生成埃舍尔风格的递归图像
研究人员开发了一种新颖的生成自指图像的方法，其灵感来源于M.C.埃舍尔的递归艺术和共形变换的数学概念。通过在图像生成过程中应用变换，而不是作为事后步骤，该团队旨在创造更连贯、更整合的递归场景。这种方法涉及在源图像空间和变换图像空间中对去噪步骤进行编织，以完善递归几何的视觉效果和连接。
-
jialinyyzz/humanizer 模型集成 Transformers、MLX 和本地应用
jialinyyzz/humanizer 模型现已可与各种流行的 AI 工具和库配合使用。提供了将其与 Hugging Face 的 Transformers、MLX 和 llama.cpp 集成的说明，使用户能够本地运行或通过兼容 OpenAI 的服务器运行它。此外，该模型还可以与 LM Studio、Jan、vLLM 和 SGLang 等推理提供商一起使用，为不同的部署场景提供了灵活性。
-
已获批准的SaaS应用藏有未受保护的AI功能，暴露企业数据
许多已获批准的SaaS应用程序集成了绕过现有安全协议的AI功能，从而产生了新的漏洞。这些AI功能，例如Microsoft 365 Copilot和Salesforce Einstein，可以在未经适当安全审查或遵守数据丢失防护（DLP）策略的情况下访问和处理敏感数据。Copilot总结机密电子邮件的事件以及一个（CVE-2025-32711）暴露企业数据的漏洞凸显了这些风险。Gartner预测企业应用程序中的AI代理数量将显著增加，因…
-
Google Clock重新设计计时器；物理学家挑战爱因斯坦
Google Clock更新了其计时器标签，增加了新的预设，此前其应用图标也进行了更改。另外，物理学家正在重新审视爱因斯坦的理论，以解释一束光子完成“不可能”的地球之旅。
-
观察人士称：通用人工智能（AGI）概念被营销炒作稀释
一些观察人士认为，通用人工智能（AGI）的概念已被营销炒作所稀释。与人们期望的能够实现科学指数级发展的爱因斯坦级别智力不同，当前的人工智能应用被视为图形设计或日程安排等基本工具。这种认知转变被归因于科技公司CEO可能为了商业目的而夸大了人工智能的能力。
-
量子测试验证爱因斯坦等效原理，连接物理学理论
科学家们已成功在量子层面测试了爱因斯坦的等效原理，这是朝着统一广义相对论和量子物理学迈出的重要一步。研究人员使用一种名为量子伽利略干涉仪的新型仪器，证明了该原理（即引力和加速度在局部是等效的）对量子波包成立。该实验为了解调和这两个基本物理学理论的长期挑战提供了关键见解。
-
AI模型训练于历史文献和人类写作
大型语言模型是在海量文本数据上训练的，包括莎士比亚和爱因斯坦等历史人物的作品，以及哲学著作和个人博客。这种对人类写作的依赖凸显了先进的AI技术是如何建立在数千年前的一项基本人类发明之上的。
-
OBLITERATUS/Qwen3.8-27B-OBLITERATED 模型现已支持多种AI框架
OBLITERATUS/Qwen3.8-27B-OBLITERATED 模型现已可用于各种流行的AI库和推理提供商。提供了将模型与MLX、llama.cpp、vLLM、Ollama和Unsloth Studio集成的说明。这些指南详细介绍了如何在本地或通过兼容服务器设置和运行模型，使用户能够通过不同的应用程序和框架利用其功能。
-
人工智能解开宇宙最大奥秘的潜力引发辩论
人工智能（AI）在解开宇宙基本奥秘方面的潜力是一个备受关注的议题。用户们正在思考AI是否能为物理学和天文学中的复杂问题提供答案，例如黑洞的本质、引力的起源以及瞬移或时间旅行的可能性。讨论还涉及AI在促进科学发现中的作用，包括设计更优良的望远镜、识别系外行星，以及可能发现超越人类理解的新数学理论。
-
新论文认为大型语言模型缺乏科学溯因的关键机制
一篇新论文认为，大型语言模型（LLMs）在溯因推理方面存在困难，而溯因推理是爱因斯坦等效原理等科学突破的关键过程。作者认为，具身性（embodiment），常被认为是LLMs的局限性，并非唯一缺失的因素。相反，他们提出LLMs缺乏一种机制，在这种机制中，认识论错误会产生物理成本，从而迫使修正并推动溯因飞跃。这种在固定权重Transformer中不存在的热力学耦合，被认为是真正机器溯因的关键要素。
-
大型语言模型能否实现范式转移的科学突破？
讨论围绕大型语言模型（LLMs）是否能够通过从根本上重新思考现有问题，而不是仅仅在既定框架内解决问题，来实现真正新颖的科学突破。虽然LLMs在模式识别和基于人类知识寻找解决方案方面表现出色，但问题仍然是它们是否能够独立挑战核心假设，就像爱因斯坦或非欧几里得几何学开发者那样。这种突破通常源于识别不一致性或质疑基本公理，而这种能力可能与当前专注于现有数据的LLM训练方法相悖。
-
AI专家争论：是智力还是真正的智能？
专家们正在争论人工智能的本质，一些人，如OpenAI首席执行官Sam Altman和Elon Musk，设想通用人工智能（AGI）可以改变商业。然而，其他人，如伦敦帝国理工学院的研究员Jamil El Imad，认为目前的AI系统更应被描述为“人工智能”而非真正的智能。El Imad认为，智能需要想象力和情感，而他认为机器缺乏这些品质，这使它们与人类的创造力和跳出固有思维模式的能力区分开来。他认为，虽然AI在计算和数据分析方面表现出色…
-
OpenAI的Astra模型解决了十年来的数学难题，引发了关于AI创造力的辩论
据报道，OpenAI的内部模型Astra解决了数学和理论计算机科学中的十个复杂问题，其中包括一个自1999年以来悬而未决的问题。该模型生成了一个反例来证明soficity猜想，该证明已得到正式验证并在GitHub上发布。虽然这一成就是显著的，并得到了数学家的认可，但值得注意的是，Astra是在现有概念框架内解决问题的，而不是发明新的概念框架，这使其与范式转移式的发现区分开来。
-
爱因斯坦的宇宙常数被“滞后宇宙”理论取代
一位理论物理学家提议用动态Preisach滞后模型取代爱因斯坦的静态宇宙常数，以描述一个“有生命的、滞后的宇宙”。这个新模型被称为“非恒定的Preisach常数”，将赋予广义相对论记忆和弹性，防止宇宙坍缩成奇点或无限膨胀。该概念将磁畴与时空中的量子“结节”进行了类比，认为宇宙对其过去变形的记忆是一种宇宙制动力。
-
影子AI的采用速度超过企业安全，敦促进行治理
员工越来越多地在工作中使用未经批准的AI工具，这种趋势被称为“影子AI”，其速度已超过传统的安全措施。研究表明，绝大多数员工在工作任务中使用个人AI工具，而且通常是在IT部门不知情或未批准的情况下。现有的安全堆栈，如CASB和DLP，难以检测这种数据泄露，因为它通常表现为简单的浏览器活动。与其完全禁止，不如采取一种治理方法，重点是提供官方批准的替代方案并在这些工具中执行数据边界，事实证明这种方法更有效。
-
研究发现：AI在物理学预测方面表现出色，但在理论构建方面仍显不足
人工智能在物理学发现方面取得了重大进展，但目前的趋势表明，与人类科学进步相比，其发展轨迹是相反的。早期的人工智能努力侧重于发现显式方程，而最近的成功，如AlphaFold和GraphCast，在不提供深刻理论理解的情况下就能进行预测。这种轨迹令人担忧，因为人工智能可能非常擅长预测，但却难以发展出类似相对论或量子引力那样改变范式的理论。为了弥合这一差距，人工智能系统需要发展提出基本问题和原则的能力，这与推动重大物理学突破的历史方法相呼应。
-
像 Kimi k3 这样的 LLM 缺乏创造性推理，呼应了爱因斯坦时代的论点
作者认为，即使是像 Kimi k3 这样拥有海量参数的当前大型语言模型（LLM），在进行真正的创造性飞跃或解决矛盾方面也存在根本性的局限性。这种局限性源于它们依赖归纳和演绎，呼应了 Amni Rusli 在 2014 年的一篇博文中提出的论点以及 Google DeepMind 最近题为“LLMs Can't Jump”的论文。这些来源表明，虽然 LLM 擅长根据现有数据（归纳）生成流畅的文本并遵循逻辑步骤（演绎），但它们缺乏溯因（a…
-
Robert Laidlow 的《Reality Eaters》通过管弦乐作品探索人工智能与物理学
Robert Laidlow 的专辑《Reality Eaters》包含探索复杂科学和哲学概念的管弦乐作品。专辑融入了爱因斯坦的场方程、牛顿的万有引力定律以及人工智能等主题。由 BBC Philharmonic 演奏，Havlát、Kaziboni 和 Piatti Quartet 亦有贡献。
-
Robert Laidlow 的专辑“Reality Eaters”探讨人工智能和科学概念
Robert Laidlow 的新专辑“Reality Eaters”通过古典音乐探索复杂的科学和技术主题。专辑中包含名为“Warp”的作品，用音乐诠释了爱因斯坦的场方程，以及向牛顿定律致敬的“Gravity”。“Silicon”则专门探讨了人工智能对人类创造力的影响，其中一个乐章将管弦乐队与一个在其自身广播上训练出来的人工智能进行对抗。
-
神经网络悖论呼应库尔特·哥德尔的逻辑
这篇帖子深入探讨了神经网络中无穷和不可能的哲学含义，并将其与数学家库尔特·哥德尔的工作进行类比。作者探讨了一篇关于不稳定神经网络的论文及其提出的悖论，认为当前依赖更多数据和计算来解决问题的方法，可能需要重新审视基础逻辑原理。这篇文章被呈现为一篇冗长、可能复杂的读物，适合对逻辑感兴趣的人。