P versus NP problem
PulseAugur coverage of P versus NP problem — every cluster mentioning P versus NP problem across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Anthropic 模型在黎曼猜想上取得进展，引发争议
据报道，Anthropic 的一个未发布模型在黎曼猜想上取得了重大进展，黎曼猜想是关于素数的一个长期未解决的数学难题。该模型由一位数学专业知识有限的员工提示，协调了 60 个子代理进行了 3100 万次计算，探索了 650 个不同的想法。这一进展得到了 Anthropic 数学家的证实，并使用 Lean 证明助手进行了形式化，紧随其他近期 AI 驱动的数学突破之后，并在数学界引发了关于 AI 在发现和署名方面的作用的争论。
-
新的差分位姿估计方法提高了机器人运动精度
研究人员开发了一种新颖的差分位姿估计方法，旨在提高机器人和自主系统中6-DOF运动估计的精度和鲁棒性。这种新方法直接从帧间图像位移计算平台运动，无需独立的绝对位姿估计，从而降低了对相机标定误差的敏感性。实验表明，该方法在精度、标定鲁棒性和计算效率方面均优于现有的PnP和广义PnP技术，达到了新的技术水平。
-
AI学习与P vs NP：易于验证不保证易于解决
文章探讨了易于验证的问题与AI能否轻松学会解决它们之间的关系，特别是在P vs NP问题的背景下。虽然易于验证意味着易于学习的直觉在某些情况下是正确的，例如当验证器提供密集的训练信号或奖励塑造时，但这种直觉并非普遍适用。关键的限制包括二元验证产生的稀疏奖励信号、NP难问题中验证与求解复杂度的根本差异，以及分布偏移和泛化问题。更准确的说法是，具有多项式时间验证器的AI可以通过迭代生成和验证来解决这些问题，尤其是在平均情况下，但这并不等同…
-
新的DH-Active系统通过选择性弃权增强LiDAR深度感知
研究人员开发了DH-Active，一个新颖的几何处理系统，旨在增强iPhone等设备的深度感知能力。该系统无需训练，使用LiDAR回波作为度量尺，锚定多个视图的相对姿态，然后进行视觉可追踪点的三角测量。DH-Active选择性地放弃在几何条件不佳时进行深度估计，提供明确的空洞和分数，而不是不准确的数据。该系统实现了近毫秒级的CPU延迟，并在各种基准测试中显示出深度恢复精度的显著提高。
-
AI 新闻集锦：P=NP 关联、后工作乌托邦和儿童安全担忧 · 追踪 4 个来源
一项研究表明，竞争性市场与计算机科学中的 P=NP 问题之间存在关联，对经济学和 AI 产生影响。另外，一个思想实验探讨了 AI 使工作成为可选项的未来，引发了关于目标和身份的问题。此外，英国父母因担心 AI 辅助的性虐待和 AI 生成的儿童虐待材料，被警告不要在网上分享孩子的照片。
-
人工智能助推百万美元竞赛，攻克数学最难方程
有人提供百万美元奖金，奖励能够利用人工智能解决数学中最具挑战性问题的人。此举旨在推动人工智能在复杂数学推理和问题解决能力方面的边界。
-
OpenAI 模型证伪一项已有 80 年的数学猜想
一个 OpenAI 模型成功证伪了由 Paul Erdős 提出的、已有 80 年历史的单位距离猜想。该模型利用“测试时计算”机制，探索了多种推理路径并自我纠正，最终得出了一个新颖的解决方案，挑战了长期以来认为方形网格排列是最优的观点。这一突破不仅推进了数学理解，还展示了人工智能与人类研究人员协作的潜力，从而在相关领域带来更多发现。
-
新研究提出可判定性度量和计算的复杂度类
本文提出了一个理解计算不可判定性的新框架，将艾伦·图灵的工作与格奥尔格·康托尔的集合论联系起来。它引入了一种根据输入数据的概率分布来衡量问题不可判定性程度的方法。该研究还定义了三个新的不可判定问题复杂度类——U-complete、D-complete 和 H-complete——并否定地回答了一个关于不可判定问题复杂度的基本问题，类似于P vs. NP问题。