正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

下午喝杯咖啡，真的会影响晚上睡觉吗？我找了三篇关于咖啡因和睡眠的论文，想看看这事到底怎么说。结果几篇结论还不太一样，干脆丢给 ScienceBuddy 一起对照。先让它整理研究设计、剂量和结果，再追问：“为什么这几篇论文的结论不同？” 它把实验条件拆开，整理可能导致差异的原因。我接着问：“这些结果怎么写进综述？”它就在前面的讨论上，把结论和对应解释分项整理出来。平时看论文，单篇能看懂，放到一起就容易犯迷糊。这次我想试的，就是让它帮忙把几篇之间的关系捋清楚。实际过程放在视频里了。 ScienceBuddy 是 PhAI Labs 推出的 AI 科研工作台，目前免费，主要面向生物医学方向。电脑浏览器打开，上传文献就能开始问，不用自己配环境。正在写综述、做课题的，可以拿手头几篇公开论文试试。免费体验 👉

Yanhua

36,912 subscribers

28,038 次观看 • 6 天前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

10 条评论

Crazyox🌶️（微微辣版）的头像

Crazyox🌶️（微微辣版）6 天前

结论呢

Yanhua 的头像

Yanhua6 天前

看计量

Cell 细胞的头像

Cell 细胞5 天前

AI4S 有哪些可以定投的标的吗👀

破仓侠的头像

破仓侠6 天前

ScienceBuddy 居然能直接提研究设计，牛逼 🔥

链上😊 $phi🚀🚀🚀 的头像

链上😊 $phi🚀🚀🚀6 天前

以前这种对比两篇论文差异的跑 prompt 经常幻觉，等下拿我那几篇 pdf 测测

链上比尔盖茨 🔶 BNB 的头像

链上比尔盖茨 🔶 BNB6 天前

免费还行，多传几篇超长上下文不会卡顿吧？

星辰微光的头像

星辰微光6 天前

之前用普通 RAG 工具做文献交叉对比，最头疼的就是多篇论文提取粒度不一致。它这个能按实验条件和剂量把矛盾点梳理开，拿来写讨论部分确实效率高很多...

炮灰之王的头像

炮灰之王6 天前

只针对生物医学还是计算机类的也能跑？在写系统综述头快炸了

鱼总聊AI 的头像

鱼总聊AI6 天前

你这真是个好问题啊

瓜皮三号机的头像

瓜皮三号机6 天前

PhAILabs 那个界面不用配环境确实省事

相关视频

一张贴纸，真的能读懂你的汗液吗？最近看到一篇关于汗液贴片的论文，我很想弄明白：汗液怎么进入贴片？图里那些弯弯绕绕的通道在做什么？不同研究的检测方案，又有什么区别？作为这个领域的小白，我想把图里的工作原理也弄明白。于是用了 PhAI Labs PhAI Labs出品的免费 AI 科研工作台 ScienceBuddy，拿四篇公开论文跑了一次。下面的 90 秒视频，就是这次操作的剪辑记录。第一步，把四篇 PDF 拖进去，用最直接的话问： “这几篇论文分别研究了什么？贴片怎么工作？实验发现和局限是什么？” 它先整理每篇的思路，再比较不同方案。比如，运动时收集汗液和静息状态下监测，关注的问题就不完全一样。读完这一轮，再回到原文，就知道该重点找哪些方法和证据。第二步，把看不懂的原图贴进去继续问： “这张图片展示了什么过程？帮我详细解释一下。” 这是我觉得最直观的一步。论文里密密麻麻的结构图，可以沿着分层结构、微流控通道、检测区域逐项看。哪里没懂，就接着追问，再把解释和原图对上。第三步，请它根据四篇论文和前面的讨论，整理一份总结性报告。这次实际得到的是可以下载的 Markdown 报告初稿。下载后，还可以补充原文出处、调整结构、逐条核对，作为下一步阅读和整理的起点。对我来说，省心的地方是：读文献、问图片、整理报告，可以在同一个任务里接着做，不用每次重新交代背景。整个操作也没有写代码或配置环境，都是上传文件、用自然语言提问。需要调用工具的任务，还可以在「轨迹」面板检查执行步骤。至于引用是否准确、图能支持什么结论，依然要回到论文核对。 ScienceBuddy 目前免费开放，主要面向生物医学方向的科研人员和学生。用电脑浏览器打开你最想让它帮忙读懂哪张论文图？ ScienceBuddy 目前为 Preview 版本，分析结果请自行核验后再用于研究。

一张贴纸，真的能读懂你的汗液吗？最近看到一篇关于汗液贴片的论文，我很想弄明白：汗液怎么进入贴片？图里那些弯弯绕绕的通道在做什么？不同研究的检测方案，又有什么区别？作为这个领域的小白，我想把图里的工作原理也弄明白。于是用了 PhAI Labs PhAI Labs出品的免费 AI 科研工作台 ScienceBuddy，拿四篇公开论文跑了一次。下面的 90 秒视频，就是这次操作的剪辑记录。第一步，把四篇 PDF 拖进去，用最直接的话问： “这几篇论文分别研究了什么？贴片怎么工作？实验发现和局限是什么？” 它先整理每篇的思路，再比较不同方案。比如，运动时收集汗液和静息状态下监测，关注的问题就不完全一样。读完这一轮，再回到原文，就知道该重点找哪些方法和证据。第二步，把看不懂的原图贴进去继续问： “这张图片展示了什么过程？帮我详细解释一下。” 这是我觉得最直观的一步。论文里密密麻麻的结构图，可以沿着分层结构、微流控通道、检测区域逐项看。哪里没懂，就接着追问，再把解释和原图对上。第三步，请它根据四篇论文和前面的讨论，整理一份总结性报告。这次实际得到的是可以下载的 Markdown 报告初稿。下载后，还可以补充原文出处、调整结构、逐条核对，作为下一步阅读和整理的起点。对我来说，省心的地方是：读文献、问图片、整理报告，可以在同一个任务里接着做，不用每次重新交代背景。整个操作也没有写代码或配置环境，都是上传文件、用自然语言提问。需要调用工具的任务，还可以在「轨迹」面板检查执行步骤。至于引用是否准确、图能支持什么结论，依然要回到论文核对。 ScienceBuddy 目前免费开放，主要面向生物医学方向的科研人员和学生。用电脑浏览器打开你最想让它帮忙读懂哪张论文图？ ScienceBuddy 目前为 Preview 版本，分析结果请自行核验后再用于研究。

知识猫AI实验室

38,065 次观看 • 7 天前

【AI 时代，想学习一个新领域最快的方式：让 AI 读原始论文，先给你摊出一份带出处的研究脉络】 AI 时代，想进入一个新领域，我第一反应已经不是先找课、收藏几十篇文章了。而是先找到这个领域值得看的原始论文，然后直接丢给 ScienceBuddy，让 AI 先把文献读完，把不同研究的证据、出处和分歧摊出来。最近刚好试了一下 ScienceBuddy。它是 PhAI Labs 做的一个免费 AI 科研工作台，目前还是 Preview。它背后的团队最近其实也做了不少挺有意思的事。前几天 Anthropic 发了一项工作： Claude 在两名研究者监督下，用不到四周优化了 30 多个生物模型，其中包括 AlphaFold3、Boltz-2，优化后的代码也开源了。同一天，ScienceBuddy 背后的技术框架 ScienceIDE 也开源了一批真实科研代码环境，覆盖天体物理、海洋气候、等离子体、材料、量子等 7 个学科。这些任务也不是代码“能跑”就算完成，修改后的科学结果还得和 reference 对得上。不过相比底层这些技术，我更关心的是： ScienceBuddy 作为普通用户直接能用的产品，到底能不能真的帮我干活？所以我没有去跑什么特别玄学的科研问题。而是拿了一个自己一直挺想搞明白的东西：睡眠不足，到底是怎么影响注意力和工作记忆的？大家都知道“睡不好注意力会下降”。但继续往下问，就没那么简单了：持续注意、选择性注意、分配注意、工作记忆，受到的影响一样吗？不同研究之间的结论会不会打架？所以我直接找了 4 篇公开论文，扔进 ScienceBuddy，问它：睡眠限制、睡眠剥夺和失眠，对注意力和工作记忆分别有哪些证据？做一张证据表，标注出处、睡眠操作、样本、主要发现，并总结哪些结论一致，哪些不一致。这次任务大概跑了 155 秒。我觉得比较有意思的是，ScienceBuddy 没有只丢给我一段： “睡眠不足会损害认知。” 这种看起来正确，但很难继续核验的总结。它直接把不同研究摊成了一张证据表。哪篇论文、什么样本、什么睡眠条件、测了哪一种认知能力、主要发现是什么，都放到了一起。从这次整理出来的结果看：睡眠不足对持续注意 / 警觉性的影响相对更一致，而工作记忆和一些复杂认知任务上的结果明显更分化。但我真正觉得 ScienceBuddy 有用的地方，其实还不只是这张表。而是它的「轨迹」。 ScienceBuddy 会把任务怎么规划、调用了什么工具、跑了什么代码、得到了什么结果，都摊出来。最终的结果文件也能直接下载。如果觉得某一条结论太含糊，还可以直接在原任务里继续追问，让它基于之前的上下文重新处理。这也是我现在看 Agent 越来越在意的一点：不是它能不能给我一个“很像答案”的答案，而是它干活的过程，能不能让我翻出来检查。对做综述、开题、数据分析的人来说，这种工作流应该会比单纯聊天实用很多。 ScienceBuddy 目前首先面向生物医学方向，集成了 224 个科学工具，支持文献检索、数据库查询，以及 Python / R / Bash 等运行环境。而且现在还是免费的：邮箱直接注册，不需要邀请码。我自己会把 ScienceBuddy 当成一种： “进入陌生领域之前，先把原始论文和证据摊开看一遍”的工具。当然，科研结论不能因为 AI 做出一张漂亮的表就直接信。 ScienceBuddy 目前还是 Preview，真正用于研究之前，结果还是要自己核验。 PhAI Labs

【AI 时代，想学习一个新领域最快的方式：让 AI 读原始论文，先给你摊出一份带出处的研究脉络】 AI 时代，想进入一个新领域，我第一反应已经不是先找课、收藏几十篇文章了。而是先找到这个领域值得看的原始论文，然后直接丢给 ScienceBuddy，让 AI 先把文献读完，把不同研究的证据、出处和分歧摊出来。最近刚好试了一下 ScienceBuddy。它是 PhAI Labs 做的一个免费 AI 科研工作台，目前还是 Preview。它背后的团队最近其实也做了不少挺有意思的事。前几天 Anthropic 发了一项工作： Claude 在两名研究者监督下，用不到四周优化了 30 多个生物模型，其中包括 AlphaFold3、Boltz-2，优化后的代码也开源了。同一天，ScienceBuddy 背后的技术框架 ScienceIDE 也开源了一批真实科研代码环境，覆盖天体物理、海洋气候、等离子体、材料、量子等 7 个学科。这些任务也不是代码“能跑”就算完成，修改后的科学结果还得和 reference 对得上。不过相比底层这些技术，我更关心的是： ScienceBuddy 作为普通用户直接能用的产品，到底能不能真的帮我干活？所以我没有去跑什么特别玄学的科研问题。而是拿了一个自己一直挺想搞明白的东西：睡眠不足，到底是怎么影响注意力和工作记忆的？大家都知道“睡不好注意力会下降”。但继续往下问，就没那么简单了：持续注意、选择性注意、分配注意、工作记忆，受到的影响一样吗？不同研究之间的结论会不会打架？所以我直接找了 4 篇公开论文，扔进 ScienceBuddy，问它：睡眠限制、睡眠剥夺和失眠，对注意力和工作记忆分别有哪些证据？做一张证据表，标注出处、睡眠操作、样本、主要发现，并总结哪些结论一致，哪些不一致。这次任务大概跑了 155 秒。我觉得比较有意思的是，ScienceBuddy 没有只丢给我一段： “睡眠不足会损害认知。” 这种看起来正确，但很难继续核验的总结。它直接把不同研究摊成了一张证据表。哪篇论文、什么样本、什么睡眠条件、测了哪一种认知能力、主要发现是什么，都放到了一起。从这次整理出来的结果看：睡眠不足对持续注意 / 警觉性的影响相对更一致，而工作记忆和一些复杂认知任务上的结果明显更分化。但我真正觉得 ScienceBuddy 有用的地方，其实还不只是这张表。而是它的「轨迹」。 ScienceBuddy 会把任务怎么规划、调用了什么工具、跑了什么代码、得到了什么结果，都摊出来。最终的结果文件也能直接下载。如果觉得某一条结论太含糊，还可以直接在原任务里继续追问，让它基于之前的上下文重新处理。这也是我现在看 Agent 越来越在意的一点：不是它能不能给我一个“很像答案”的答案，而是它干活的过程，能不能让我翻出来检查。对做综述、开题、数据分析的人来说，这种工作流应该会比单纯聊天实用很多。 ScienceBuddy 目前首先面向生物医学方向，集成了 224 个科学工具，支持文献检索、数据库查询，以及 Python / R / Bash 等运行环境。而且现在还是免费的：邮箱直接注册，不需要邀请码。我自己会把 ScienceBuddy 当成一种： “进入陌生领域之前，先把原始论文和证据摊开看一遍”的工具。当然，科研结论不能因为 AI 做出一张漂亮的表就直接信。 ScienceBuddy 目前还是 Preview，真正用于研究之前，结果还是要自己核验。 PhAI Labs

我真的没有拼多多

33,299 次观看 • 7 天前

WC，科研界的WorkBuddy终于来了！有个做科研的朋友给我安利了 PhAI Labs 最新推出的 ScienceBuddy 他做科研用过不少 AI Agent 但真正能把研究流程完整跑下来的其实不多但 ScienceBuddy 真的不一样它是一个真正围绕科研工作流设计的 AI Agent 我自己也去试了一下，让 ScienceBuddy帮我研究了一个癌症治愈领域的小问题😇 —— JAK1 是否可能与小细胞肺癌患者的免疫治疗响应相关我把问题扔给他，啥都没说 ScienceBuddy 就直接帮我我跑出了一份完整的研究报告提出问题 → 文献与机制分析 → 研究设计 → 数据需求判断 → 形成参考结论整套研究闭环几乎一次跑通🤯 对比了一下和其他 AI 生成的结果，我觉得ScienceBuddy 做的最好的地方就是让 AI 像一个科研工作者一样去看待和思考问题： 1️⃣科研的严谨性很高它会真正拆解研究问题、判断证据强弱、组织研究路径，而只是简单把搜到的材料拼在一起同时内部还集成了 224 个科学工具，可以在不同研究环节调用对应工具，进一步提升结果的可靠性 2️⃣执行全流程公开、可追溯 ScienceBuddy 做了什么，你基本都能看到它如何拆解问题、查了哪些材料、调用了什么工具每一步得出了什么阶段性结果，最终又是如何形成结论的，整个过程都非常清晰对于科研任务来说，这种过程的可追溯性甚至比结果本身更加很重要 3️⃣它清楚自己的证据和能力边界在哪遇到证据不足的问题，它不会强行给你看似正确的答案而是会清晰告诉你，目前哪些结论有明确证据支撑、哪些只是推测以及下一步需要什么数据或者实验才能继续验证如果你要写论文、做研究，那就千万别错过ScienceBuddy ！而点击下方网站就能免费体验无需充值和复杂配置、开箱即用～

WC，科研界的WorkBuddy终于来了！有个做科研的朋友给我安利了 PhAI Labs 最新推出的 ScienceBuddy 他做科研用过不少 AI Agent 但真正能把研究流程完整跑下来的其实不多但 ScienceBuddy 真的不一样它是一个真正围绕科研工作流设计的 AI Agent 我自己也去试了一下，让 ScienceBuddy帮我研究了一个癌症治愈领域的小问题😇 —— JAK1 是否可能与小细胞肺癌患者的免疫治疗响应相关我把问题扔给他，啥都没说 ScienceBuddy 就直接帮我我跑出了一份完整的研究报告提出问题 → 文献与机制分析 → 研究设计 → 数据需求判断 → 形成参考结论整套研究闭环几乎一次跑通🤯 对比了一下和其他 AI 生成的结果，我觉得ScienceBuddy 做的最好的地方就是让 AI 像一个科研工作者一样去看待和思考问题： 1️⃣科研的严谨性很高它会真正拆解研究问题、判断证据强弱、组织研究路径，而只是简单把搜到的材料拼在一起同时内部还集成了 224 个科学工具，可以在不同研究环节调用对应工具，进一步提升结果的可靠性 2️⃣执行全流程公开、可追溯 ScienceBuddy 做了什么，你基本都能看到它如何拆解问题、查了哪些材料、调用了什么工具每一步得出了什么阶段性结果，最终又是如何形成结论的，整个过程都非常清晰对于科研任务来说，这种过程的可追溯性甚至比结果本身更加很重要 3️⃣它清楚自己的证据和能力边界在哪遇到证据不足的问题，它不会强行给你看似正确的答案而是会清晰告诉你，目前哪些结论有明确证据支撑、哪些只是推测以及下一步需要什么数据或者实验才能继续验证如果你要写论文、做研究，那就千万别错过ScienceBuddy ！而点击下方网站就能免费体验无需充值和复杂配置、开箱即用～

来碗牛肉粉

52,108 次观看 • 7 天前

这绝对是学生党必备的GitHub开源仓库，能一站式帮你搞定搜文献、数据分析等写论文中最麻烦的步骤，而且完全免费！学生党最头疼的就是写论文和做课题研究，查文献、跑代码，一搞就是两三天，特别是有些关键数据还需要付费才可以获取而最近我在GitHub上发现了一个免费的AI科研项目，叫ScienceBuddy （PhAI Labs），专为学生和科研人员打造。你只需要在平台上上传论文和相关数据文件，并精准表达需求，ScienceBuddy就能调用Agent去专业数据库中检索文献、收集数据并运行分析代码。整个分析过程全部清晰可见，方便你随时核对视频中，我选择了相对复杂的医学研究场景对该项目进行了简单测试，想看看它处理多篇专业论文以及梳理研究证据的能力如何。在我上传相关论文后，ScienceBuddy不仅判断了选题是否可行，还将研究方法、结论和局限整理成证据表，并总结研究共识与争议，最后生成论文提纲和摘要草稿。全程运行速度非常快，相当于直接快速完成了文献综述的前期准备同时在此基础上，ScienceBuddy还帮我继续深入搜索其他文献，并完整生成了一篇3000字左右的论文综述，结果清晰而且写作格式十分专业，个人感觉完全可以直接用于正式论文里了。整体体验下来，我认为对学生来说该工具是非常必要的，能节省非常多的时间另外，ScienceBuddy背后的团队也开源了ScienceIDE，其是 ScienceBuddy 的底层框架技术，现能让Agent在7个领域的真实科研代码中练习，并通过结果能否复现来验证修改是否有效，大家感兴趣也可以看看！！！目前项目的 ScienceBuddy 相关实验代码已经在GitHub上开源，感兴趣的同学可以去官网免费体验。不过考虑到当前仍是Preview版本，分析结果请自行核验后再用于正式研究官网地址： GitHub仓库地址：

这绝对是学生党必备的GitHub开源仓库，能一站式帮你搞定搜文献、数据分析等写论文中最麻烦的步骤，而且完全免费！学生党最头疼的就是写论文和做课题研究，查文献、跑代码，一搞就是两三天，特别是有些关键数据还需要付费才可以获取而最近我在GitHub上发现了一个免费的AI科研项目，叫ScienceBuddy （PhAI Labs），专为学生和科研人员打造。你只需要在平台上上传论文和相关数据文件，并精准表达需求，ScienceBuddy就能调用Agent去专业数据库中检索文献、收集数据并运行分析代码。整个分析过程全部清晰可见，方便你随时核对视频中，我选择了相对复杂的医学研究场景对该项目进行了简单测试，想看看它处理多篇专业论文以及梳理研究证据的能力如何。在我上传相关论文后，ScienceBuddy不仅判断了选题是否可行，还将研究方法、结论和局限整理成证据表，并总结研究共识与争议，最后生成论文提纲和摘要草稿。全程运行速度非常快，相当于直接快速完成了文献综述的前期准备同时在此基础上，ScienceBuddy还帮我继续深入搜索其他文献，并完整生成了一篇3000字左右的论文综述，结果清晰而且写作格式十分专业，个人感觉完全可以直接用于正式论文里了。整体体验下来，我认为对学生来说该工具是非常必要的，能节省非常多的时间另外，ScienceBuddy背后的团队也开源了ScienceIDE，其是 ScienceBuddy 的底层框架技术，现能让Agent在7个领域的真实科研代码中练习，并通过结果能否复现来验证修改是否有效，大家感兴趣也可以看看！！！目前项目的 ScienceBuddy 相关实验代码已经在GitHub上开源，感兴趣的同学可以去官网免费体验。不过考虑到当前仍是Preview版本，分析结果请自行核验后再用于正式研究官网地址： GitHub仓库地址：

Sac

41,468 次观看 • 6 天前

刚发现一个免费 AI 科研工作台 ScienceBuddy，搞科研的朋友有福了 🥳 我拿它调研了一下最近很火的 Jev 相关的论文，它给我找出了 8 篇论文整理成表、用大白话讲了 Jev 跟 ChatGPT 有啥不一样，还给了几个适合新手的毕设方向。我挑了两篇 AI 搜的论文去 arXiv 核对，都对得上，AI 的每一步调用都透明可查，能翻回去确认。刚研究生开学、准备毕设开题的同学可以去试试。

刚发现一个免费 AI 科研工作台 ScienceBuddy，搞科研的朋友有福了 🥳 我拿它调研了一下最近很火的 Jev 相关的论文，它给我找出了 8 篇论文整理成表、用大白话讲了 Jev 跟 ChatGPT 有啥不一样，还给了几个适合新手的毕设方向。我挑了两篇 AI 搜的论文去 arXiv 核对，都对得上，AI 的每一步调用都透明可查，能翻回去确认。刚研究生开学、准备毕设开题的同学可以去试试。

程序员鱼皮

25,620 次观看 • 6 天前

又又又免费了，最近的赛博活佛是真多啊！！ ScienceBuddy，一个 AI 科研工具，集成了 224 个专业科学工具，文献检索、基因组分析、数据处理、代码执行全包了，现在竟然免费了！！做过产品的人都知道，科研数据分析这个领域的成本有多夸张：做一次生物信息分析外包，少说几千块起步，周期一两周请一个生信分析师，一年几十万打底各种专业分析软件的企业订阅，加起来一年也得大几万而科研人员常年被三件事折磨：文献太多读不完比不过来，拿到数据不会分析不会画图，实验出了问题没人可问以前这些事要么花钱要么花命 ScienceBuddy 来自 PhAI Labs 你把文献、数据丢进去，用一句话提问——它自己规划步骤、自己检索文献、自己写代码跑分析，最后把结果和每一步的过程都摆在你面前我试了一下：上传了几篇公开论文，就问了一句——帮我把这几篇里关于某个方向的证据整理成表，标上出处十分钟不到，它自己规划了分析路径、调了文献检索工具、跑了代码处理，甩回来一份带来源标注的证据表，直接能下载让我更意外的是它的团队——斯坦福、牛津、普林斯顿背景，研究代码已经在 GitHub 开源了，MIT 协议而且你们注意一个时间线： 9 月 17 号，Anthropic 宣布 Claude 在不到四周内优化了 30 多个生物学 AI 模型，包括 AlphaFold3 和 Boltz-2，并且把优化代码全部开源了同一天，ScienceBuddy 背后的技术框架 ScienceIDE 也开源了——7 个学科、15 个真实科研代码环境，从天体物理到量子计算，让 AI Agent 在真实的科研代码上练习 Anthropic 证明了 AI 能优化科学软件，ScienceIDE 提供了让 AI 在更多学科学这种能力的练习场——而 ScienceBuddy 就是这套技术框架面向科研人员的产品化落地这意味着什么？意味着 ScienceBuddy 不是一个套壳的聊天机器人，它背后是一套在 7 个学科真实科研代码上训练出来的 Agent 系统但真正让我觉得这个产品做对了的，不是结果，是过程它有一个叫轨迹的面板，你能看到它每一步的规划、调了什么工具、跑了什么代码、拿到了什么中间结果不满意直接在同一个任务里追问，它会带着上下文接着改这和大家天天用的 ChatGPT 有什么本质区别？ ChatGPT 是通用聊天——你问它科研问题，它给你一段看起来有道理的话，但你没法验证中间过程 ScienceBuddy 带着 224 个专业科学工具——它真的去检索文献数据库、真的跑 Python 和 R 代码、真的生成文件让你下载复核说白了就是：一个在聊天，一个在干活而且它能干的事范围有点吓人： 1、上传表达矩阵数据，一句话让它做差异表达分析+画火山图，代码和方法全给你写好 2、描述一个实验失败的情况，它给你出分步排错方案 3、给它一个研究问题，它能规划完整的研究计划作为一个做了五年产品的人，我觉得科研 Agent 最大的难题从来不是能不能给你答案——是你敢不敢信这个答案 ScienceBuddy 的解法是让每一步都透明可查，你不是在盲信一个黑盒，是在监督一个真正能干活的助手说一个小缺点——目前注册需要 edu 邮箱，而且是 Preview 版本，结果用之前建议自己再核验一遍但是——免费、不排队、不要邀请码，打开就能用以前要花大几千块外包、花好几天人工才能搞定的事，现在一个免费工具十分钟干完了身边有读博的、做科研的朋友，真的可以转给他们试试我已经开始拿它跑一些真实的分析任务了，后续有新发现继续和大家分享！！产品链接和底层框架 ScienceIDE 的论文、GitHub 全放评论区👇

又又又免费了，最近的赛博活佛是真多啊！！ ScienceBuddy，一个 AI 科研工具，集成了 224 个专业科学工具，文献检索、基因组分析、数据处理、代码执行全包了，现在竟然免费了！！做过产品的人都知道，科研数据分析这个领域的成本有多夸张：做一次生物信息分析外包，少说几千块起步，周期一两周请一个生信分析师，一年几十万打底各种专业分析软件的企业订阅，加起来一年也得大几万而科研人员常年被三件事折磨：文献太多读不完比不过来，拿到数据不会分析不会画图，实验出了问题没人可问以前这些事要么花钱要么花命 ScienceBuddy 来自 PhAI Labs 你把文献、数据丢进去，用一句话提问——它自己规划步骤、自己检索文献、自己写代码跑分析，最后把结果和每一步的过程都摆在你面前我试了一下：上传了几篇公开论文，就问了一句——帮我把这几篇里关于某个方向的证据整理成表，标上出处十分钟不到，它自己规划了分析路径、调了文献检索工具、跑了代码处理，甩回来一份带来源标注的证据表，直接能下载让我更意外的是它的团队——斯坦福、牛津、普林斯顿背景，研究代码已经在 GitHub 开源了，MIT 协议而且你们注意一个时间线： 9 月 17 号，Anthropic 宣布 Claude 在不到四周内优化了 30 多个生物学 AI 模型，包括 AlphaFold3 和 Boltz-2，并且把优化代码全部开源了同一天，ScienceBuddy 背后的技术框架 ScienceIDE 也开源了——7 个学科、15 个真实科研代码环境，从天体物理到量子计算，让 AI Agent 在真实的科研代码上练习 Anthropic 证明了 AI 能优化科学软件，ScienceIDE 提供了让 AI 在更多学科学这种能力的练习场——而 ScienceBuddy 就是这套技术框架面向科研人员的产品化落地这意味着什么？意味着 ScienceBuddy 不是一个套壳的聊天机器人，它背后是一套在 7 个学科真实科研代码上训练出来的 Agent 系统但真正让我觉得这个产品做对了的，不是结果，是过程它有一个叫轨迹的面板，你能看到它每一步的规划、调了什么工具、跑了什么代码、拿到了什么中间结果不满意直接在同一个任务里追问，它会带着上下文接着改这和大家天天用的 ChatGPT 有什么本质区别？ ChatGPT 是通用聊天——你问它科研问题，它给你一段看起来有道理的话，但你没法验证中间过程 ScienceBuddy 带着 224 个专业科学工具——它真的去检索文献数据库、真的跑 Python 和 R 代码、真的生成文件让你下载复核说白了就是：一个在聊天，一个在干活而且它能干的事范围有点吓人： 1、上传表达矩阵数据，一句话让它做差异表达分析+画火山图，代码和方法全给你写好 2、描述一个实验失败的情况，它给你出分步排错方案 3、给它一个研究问题，它能规划完整的研究计划作为一个做了五年产品的人，我觉得科研 Agent 最大的难题从来不是能不能给你答案——是你敢不敢信这个答案 ScienceBuddy 的解法是让每一步都透明可查，你不是在盲信一个黑盒，是在监督一个真正能干活的助手说一个小缺点——目前注册需要 edu 邮箱，而且是 Preview 版本，结果用之前建议自己再核验一遍但是——免费、不排队、不要邀请码，打开就能用以前要花大几千块外包、花好几天人工才能搞定的事，现在一个免费工具十分钟干完了身边有读博的、做科研的朋友，真的可以转给他们试试我已经开始拿它跑一些真实的分析任务了，后续有新发现继续和大家分享！！产品链接和底层框架 ScienceIDE 的论文、GitHub 全放评论区👇

超级个体｜柿子

49,402 次观看 • 6 天前

科研最大的困难不是找不到论文，是找不到方向感。这个开源项目把1亿篇科学论文变成了一个3D知识宇宙—— 每个光点是一篇论文，相近的研究方向自动聚成星云，整个学科的分布和关联，一眼看清。以前看论文像在黑暗中摸象，现在像站在太空看地球。

科研最大的困难不是找不到论文，是找不到方向感。这个开源项目把1亿篇科学论文变成了一个3D知识宇宙—— 每个光点是一篇论文，相近的研究方向自动聚成星云，整个学科的分布和关联，一眼看清。以前看论文像在黑暗中摸象，现在像站在太空看地球。

Vincent

20,785 次观看 • 2 个月前

我跟抑郁症打了十多年的交道😭 做过 CBT、正念认知疗法，也上过公共精神卫生的课。治疗端的东西我很熟。但有一个问题我一直没搞明白：这些心理治疗，到底在生物层面改变了我大脑的什么？论文PubMed 上一搜一大堆打开全是 fMRI、vACC、前扣带回皮层……看三段就劝退。最近试了一个叫 PhAI Labs 出品ScienceBuddy 的工具。免费的，浏览器直接打开。我把今年3 篇关于 CBT 和正念疗法脑机制的系统综述丢进去，用一句话提问： "我是一个长期接受 CBT 和 MBCT 治疗抑郁症的患者，想知道这两种治疗在神经科学层面到底改变了大脑的什么。" 它回来的时候，我上传了 3 篇论文，结果里变成了 4 篇它自己去 PubMed 检索了一篇我不知道的 2026 年多中心纵向研究。然后给了我一张 12 行的结构化证据表： CBT 主要改变了腹侧前扣带回（vACC）和旁海马的静息态活动；正念疗法的模式更像是前额叶控制增强 + 杏仁核反应减弱。但最让我震撼的不是它告诉我"改变了什么"，而是它告诉我"科学还不知道什么"： — 旁海马回的变化方向在不同研究里是矛盾的，有增强也有减弱这些信息散落在不同论文里我自己一直拼不起来。三分钟，Sciencebuddy帮我拼完免费，网页端直接用 PhAI Labs 出品。注册即可，不需要邀请码。 #ScienceBuddy #PhAILabs #AIforScience

我跟抑郁症打了十多年的交道😭 做过 CBT、正念认知疗法，也上过公共精神卫生的课。治疗端的东西我很熟。但有一个问题我一直没搞明白：这些心理治疗，到底在生物层面改变了我大脑的什么？论文PubMed 上一搜一大堆打开全是 fMRI、vACC、前扣带回皮层……看三段就劝退。最近试了一个叫 PhAI Labs 出品ScienceBuddy 的工具。免费的，浏览器直接打开。我把今年3 篇关于 CBT 和正念疗法脑机制的系统综述丢进去，用一句话提问： "我是一个长期接受 CBT 和 MBCT 治疗抑郁症的患者，想知道这两种治疗在神经科学层面到底改变了大脑的什么。" 它回来的时候，我上传了 3 篇论文，结果里变成了 4 篇它自己去 PubMed 检索了一篇我不知道的 2026 年多中心纵向研究。然后给了我一张 12 行的结构化证据表： CBT 主要改变了腹侧前扣带回（vACC）和旁海马的静息态活动；正念疗法的模式更像是前额叶控制增强 + 杏仁核反应减弱。但最让我震撼的不是它告诉我"改变了什么"，而是它告诉我"科学还不知道什么"： — 旁海马回的变化方向在不同研究里是矛盾的，有增强也有减弱这些信息散落在不同论文里我自己一直拼不起来。三分钟，Sciencebuddy帮我拼完免费，网页端直接用 PhAI Labs 出品。注册即可，不需要邀请码。 #ScienceBuddy #PhAILabs #AIforScience

李韭二

20,783 次观看 • 6 天前

别再复制粘贴了，我让 Apodex直接读完一份 641 页文件最近试了一种更实际的 AI 使用方式：不再复制粘贴一段内容，而是直接上传一份真实文件，看它怎么把任务做完。我把之前参与编写的《最优化：建模、算法与理论》上传到了 Apodex。整份文件有 641 页，覆盖优化建模、最优性理论，以及无约束、约束和复合优化算法等内容。我先问了它一个基础问题： “请帮我分析一下，这份内容由哪些部分组成？” 它需要先真正读取文件，再从大量章节中梳理整体框架，而不是只根据标题生成一段泛泛的摘要。接着我继续追问： “如果想基于这份内容做一些调整，可以从哪些方面修改？” 这一步更接近真实工作：不只是理解现有材料，还要结合原文件继续分析，找到可以调整的方向。整个过程里，我比较在意的不是它最后写了多少字，而是任务过程本身：它如何理解文件、拆解问题、推进分析，并基于同一份材料继续完成下一步。这也是我觉得 Apodex 1.1 和普通问答工具不同的地方——推理不只停留在一份回答里，而是进入真实文件，沿着任务继续执行。如果你手上也有论文、报告、数据表或代码，可以自己上传一份真实文件试试： Web 在线体验： API 平台：开源的 FrontierAgent 也可以在 GitHub 上找到，支持单 Agent 和多 Agent 协作，感兴趣可以顺手点个 Star： Apodex 1.1 mini（35B）模型权重已经开放，可本地部署，并能搭配 FrontierAgent 使用：核心感受就一句：别只问 AI 一个问题。上传一份真实文件，看看它能不能接着把事情做完。

别再复制粘贴了，我让 Apodex直接读完一份 641 页文件最近试了一种更实际的 AI 使用方式：不再复制粘贴一段内容，而是直接上传一份真实文件，看它怎么把任务做完。我把之前参与编写的《最优化：建模、算法与理论》上传到了 Apodex。整份文件有 641 页，覆盖优化建模、最优性理论，以及无约束、约束和复合优化算法等内容。我先问了它一个基础问题： “请帮我分析一下，这份内容由哪些部分组成？” 它需要先真正读取文件，再从大量章节中梳理整体框架，而不是只根据标题生成一段泛泛的摘要。接着我继续追问： “如果想基于这份内容做一些调整，可以从哪些方面修改？” 这一步更接近真实工作：不只是理解现有材料，还要结合原文件继续分析，找到可以调整的方向。整个过程里，我比较在意的不是它最后写了多少字，而是任务过程本身：它如何理解文件、拆解问题、推进分析，并基于同一份材料继续完成下一步。这也是我觉得 Apodex 1.1 和普通问答工具不同的地方——推理不只停留在一份回答里，而是进入真实文件，沿着任务继续执行。如果你手上也有论文、报告、数据表或代码，可以自己上传一份真实文件试试： Web 在线体验： API 平台：开源的 FrontierAgent 也可以在 GitHub 上找到，支持单 Agent 和多 Agent 协作，感兴趣可以顺手点个 Star： Apodex 1.1 mini（35B）模型权重已经开放，可本地部署，并能搭配 FrontierAgent 使用：核心感受就一句：别只问 AI 一个问题。上传一份真实文件，看看它能不能接着把事情做完。

程序员端哥

54,610 次观看 • 1 个月前

让 AI 帮我判断，哪个镜头值得留下我让 AI 看了一段自己做的《五王醉归》。它给我的一个剪辑建议是：留住桌下的杯盏镜头。这倒是切中了我做片子时经常纠结的问题：画面都挺好看，但剪短的时候，到底该留哪一段？这次拿 Ling-3.0-flash-VL 当了一回剪辑助理。我上传了15秒的宴席片段，没给完整剧情，只让它看画面：梳理人物动作、挑保留段落，再说清楚为什么。它把这段拆成了举杯、桌下杯盏、多人扶持几个环节，还特意提醒：如果跳过杯盏这一段，转折就少了视觉证据。我回看片子，这个建议确实有用。杯盏不只是一个道具特写，它把前面的共饮，和后面人物状态的变化接了起来。另一个我喜欢的地方，是这次回答把“看到什么”和“可能意味着什么”分开了。看到有人被扶住，没有直接把原因写死。对我来说，这种视觉理解接进创作流程，最有意思的不是让 AI 替我做导演，而是多一个能拿着画面跟我讨论取舍的助手。先帮我整理出值得回看的位置，再由我核对时间点、决定怎么剪。这个用法，我会继续试。想自己试试的，可以去 OpenRouter 体验 Ling-3.0-flash-VL，目前处于免费体验期。免费额度和开放情况以平台页面实时信息为准。体验地址：合作内容｜视频素材为本人 AI 创作；附真实测试录屏。

让 AI 帮我判断，哪个镜头值得留下我让 AI 看了一段自己做的《五王醉归》。它给我的一个剪辑建议是：留住桌下的杯盏镜头。这倒是切中了我做片子时经常纠结的问题：画面都挺好看，但剪短的时候，到底该留哪一段？这次拿 Ling-3.0-flash-VL 当了一回剪辑助理。我上传了15秒的宴席片段，没给完整剧情，只让它看画面：梳理人物动作、挑保留段落，再说清楚为什么。它把这段拆成了举杯、桌下杯盏、多人扶持几个环节，还特意提醒：如果跳过杯盏这一段，转折就少了视觉证据。我回看片子，这个建议确实有用。杯盏不只是一个道具特写，它把前面的共饮，和后面人物状态的变化接了起来。另一个我喜欢的地方，是这次回答把“看到什么”和“可能意味着什么”分开了。看到有人被扶住，没有直接把原因写死。对我来说，这种视觉理解接进创作流程，最有意思的不是让 AI 替我做导演，而是多一个能拿着画面跟我讨论取舍的助手。先帮我整理出值得回看的位置，再由我核对时间点、决定怎么剪。这个用法，我会继续试。想自己试试的，可以去 OpenRouter 体验 Ling-3.0-flash-VL，目前处于免费体验期。免费额度和开放情况以平台页面实时信息为准。体验地址：合作内容｜视频素材为本人 AI 创作；附真实测试录屏。

波妞PONYO

29,445 次观看 • 13 天前

6月25日，博主“耿同学”发布视频，谈及自己对当前学术生态的看法。他认为，文科和理工科正分别陷入不同形式的困境。以部分文科研究为例，一些论文更多是在表达立场而非探讨问题本身。他举例称，有些议题从一开始就存在结论上的限制，学术讨论空间十分有限，论文的功能更像是在证明既定观点，而不是寻找答案。在理工科领域，他则将问题概括为“灌水”。他说，某些研究方向已经形成固定套路，只需更换材料、调整参数，就能拼凑出一篇新论文。面对“这些实验究竟有什么意义”的疑问，许多学生得到的回答往往只是“发论文就行了”。在论文、项目和考核压力下，不少导师和学生都被裹挟其中，难以摆脱这一循环。视频最后，耿同学谈到了自己的退学决定。他表示，对于普通家庭出身的学生来说，首先要考虑的是现实生计。当他发现校外收入已经能够满足生活需求，而继续读博却看不到与付出相匹配的回报时，最终选择离开学校。

6月25日，博主“耿同学”发布视频，谈及自己对当前学术生态的看法。他认为，文科和理工科正分别陷入不同形式的困境。以部分文科研究为例，一些论文更多是在表达立场而非探讨问题本身。他举例称，有些议题从一开始就存在结论上的限制，学术讨论空间十分有限，论文的功能更像是在证明既定观点，而不是寻找答案。在理工科领域，他则将问题概括为“灌水”。他说，某些研究方向已经形成固定套路，只需更换材料、调整参数，就能拼凑出一篇新论文。面对“这些实验究竟有什么意义”的疑问，许多学生得到的回答往往只是“发论文就行了”。在论文、项目和考核压力下，不少导师和学生都被裹挟其中，难以摆脱这一循环。视频最后，耿同学谈到了自己的退学决定。他表示，对于普通家庭出身的学生来说，首先要考虑的是现实生计。当他发现校外收入已经能够满足生活需求，而继续读博却看不到与付出相匹配的回报时，最终选择离开学校。

李老师不是你老师

202,401 次观看 • 3 个月前

兄弟们，爆肝两天两夜，在 Pexo 做了一条 50 秒左右的商业广告视频，先给大家看看效果。之前参加了个活动，有人说，给商家做一条像样的商业广告至少五位数。我就想，现在有 AI 视频工具了，自己能不能也做一条像样的？正好最近接触到 Pexo，就拿它试了一下。先介绍下，Pexo 是一款 AI 视频创作工具，可以直接跟它对话来做视频。想拍什么、画面怎么做、哪里需要改，都可以跟它说。我这次从脚本、分镜到最后成片，基本就是这么一路聊下来的。实际体验下来，确实是我目前用过上手最简单的 AI 视频产品。不需要先研究该选哪个模型、提示词怎么写才专业，也不用自己搭工作流。我把想法和要求告诉它，它就帮我整理脚本、拆分镜，再把视频做出来。看完哪儿不满意，就继续跟它说。一开始，我先把想拍的故事、风格和要求发过去，最后加了一句：“先帮我整理详细脚本和分镜，说明每段的动作、运镜、声音与时长，等我看过，再开始生成。” 它就先把每段拍什么、怎么拍、拍几秒列出来。我看一遍，有想调整的地方先聊清楚，再让它开始做。等画面出来以后，就对着实际效果继续改。反正这两天有空就找它聊一聊，有新 idea 就试一下，前前后后更新了 25 个版本。有些地方确实改了好几轮。比如后面宝宝躺在云上那段，我又想让宝宝操作电脑，就直接在对话里告诉它改哪一段、让宝宝用双手操作笔记本电脑，再看它做出来的效果。其中最亮眼的还是宝宝觉醒那一段。我先让 Pexo 生成了一小段基础视频，里面的公式、图形和文字，再通过它的 motion 动效加上去。公式放哪儿、图形多大、动画怎么出来，都能接着聊、接着调。比如有一版，公式的位置跟宝宝看的方向没对上。我就打开 Mark to Fix，停在那一帧，在右侧批注框里写：“公式放到右上角宝宝眼睛焦点处，图形可以再大一点，动画效果再明显一点。”然后保存，点 Apply 提交修改。改完以后，公式挪到了右上角，图形也放大了，跟宝宝抬头看的方向对上了。宝宝一抬头，旁边冒出这些公式和动画，那个“突然开窍了”的感觉就出来了。要是觉得光用文字说不清楚，还可以直接在画面上圈出来，告诉它这里要怎么改。看到哪里不对，就对着那里留个批注，不会专业剪辑也能看懂怎么操作。整体体验下来，这种边聊边改的方式还是挺顺手的。细节得自己盯，有些要求也要来回说几次，但换个镜头、挪一下公式、加点文字动效，我都可以直接提，不用自己去研究剪辑软件里该怎么弄。有了新想法，也能在现在这版上接着做。评论区我会分享完整制作教程，脚本怎么确认、片段怎么改、Mark to Fix 的批注怎么写，都录进去了，大家可以对照着看。视频用 Pexo 做的，想体验的可以去：最后给兄弟们争取到粉丝福利码：NZ9UF3 注册登录后，点击头像，在菜单里找到「Redeem code」，输入就能兑换体验积分。限量前50 位哦～

兄弟们，爆肝两天两夜，在 Pexo 做了一条 50 秒左右的商业广告视频，先给大家看看效果。之前参加了个活动，有人说，给商家做一条像样的商业广告至少五位数。我就想，现在有 AI 视频工具了，自己能不能也做一条像样的？正好最近接触到 Pexo，就拿它试了一下。先介绍下，Pexo 是一款 AI 视频创作工具，可以直接跟它对话来做视频。想拍什么、画面怎么做、哪里需要改，都可以跟它说。我这次从脚本、分镜到最后成片，基本就是这么一路聊下来的。实际体验下来，确实是我目前用过上手最简单的 AI 视频产品。不需要先研究该选哪个模型、提示词怎么写才专业，也不用自己搭工作流。我把想法和要求告诉它，它就帮我整理脚本、拆分镜，再把视频做出来。看完哪儿不满意，就继续跟它说。一开始，我先把想拍的故事、风格和要求发过去，最后加了一句：“先帮我整理详细脚本和分镜，说明每段的动作、运镜、声音与时长，等我看过，再开始生成。” 它就先把每段拍什么、怎么拍、拍几秒列出来。我看一遍，有想调整的地方先聊清楚，再让它开始做。等画面出来以后，就对着实际效果继续改。反正这两天有空就找它聊一聊，有新 idea 就试一下，前前后后更新了 25 个版本。有些地方确实改了好几轮。比如后面宝宝躺在云上那段，我又想让宝宝操作电脑，就直接在对话里告诉它改哪一段、让宝宝用双手操作笔记本电脑，再看它做出来的效果。其中最亮眼的还是宝宝觉醒那一段。我先让 Pexo 生成了一小段基础视频，里面的公式、图形和文字，再通过它的 motion 动效加上去。公式放哪儿、图形多大、动画怎么出来，都能接着聊、接着调。比如有一版，公式的位置跟宝宝看的方向没对上。我就打开 Mark to Fix，停在那一帧，在右侧批注框里写：“公式放到右上角宝宝眼睛焦点处，图形可以再大一点，动画效果再明显一点。”然后保存，点 Apply 提交修改。改完以后，公式挪到了右上角，图形也放大了，跟宝宝抬头看的方向对上了。宝宝一抬头，旁边冒出这些公式和动画，那个“突然开窍了”的感觉就出来了。要是觉得光用文字说不清楚，还可以直接在画面上圈出来，告诉它这里要怎么改。看到哪里不对，就对着那里留个批注，不会专业剪辑也能看懂怎么操作。整体体验下来，这种边聊边改的方式还是挺顺手的。细节得自己盯，有些要求也要来回说几次，但换个镜头、挪一下公式、加点文字动效，我都可以直接提，不用自己去研究剪辑软件里该怎么弄。有了新想法，也能在现在这版上接着做。评论区我会分享完整制作教程，脚本怎么确认、片段怎么改、Mark to Fix 的批注怎么写，都录进去了，大家可以对照着看。视频用 Pexo 做的，想体验的可以去：最后给兄弟们争取到粉丝福利码：NZ9UF3 注册登录后，点击头像，在菜单里找到「Redeem code」，输入就能兑换体验积分。限量前50 位哦～

岚叔

42,872 次观看 • 8 天前

以前在 360 工作过，也一直持有一点 360 的股票。所以看到最新一季报后，我还是挺想认真研究一下：这次扭亏，到底是业务变好了，还是费用降下来了？刚好最近在体验 Ling-3.0-flash-Fin，就把整份财报直接丢给它做了次测试。它不只是把财报摘要了一遍，而是顺着营收、毛利率、销售费用、研发费用和经营现金流一路拆下来，把数据来源和计算过程也列得比较清楚。这也是 Ling-3.0-flash-Fin 比较打动我的地方：它不是只针对某一道金融问答给出答案，而是把信息检索、研究推理、计算和结果交付串成一条完整的工作流。面对财报、工作簿和多份研究材料，它会尽量优先寻找可信的一手信息，核对数据口径，再调用工具完成计算，让结论能够回到原始材料中复核。它延续了 Ling-3.0-flash 的长上下文能力，在金融语料训练和工具使用上做了专门增强，同时采用 124B 总参数、5.1B 激活参数的架构，兼顾专业能力和运行效率。再加上开放模型路线，对金融机构、研究团队和开发者来说，也更方便进一步部署和二次开发。最后的判断是：360 一季度确实扭亏了，但利润改善更多来自费用下降；收入和现金流也在改善，不过现在还不能太早下结论。因为我既是前员工，又是股东，看这家公司多少会带点感情色彩。让模型帮我把数据重新梳理一遍，反而能提醒自己：熟悉一家公司，不等于真的看懂了它的财报。分析结论十分透彻还带有隐患提示大家也可以找一家自己熟悉的公司，把财报扔给 Ling- 3.0-flash-Fin 试试。现在可以直接在 OpenRouter 上体验：看看它给出的结论，和你的判断是不是一样。以上只是模型测试，不构成任何投资建议。

以前在 360 工作过，也一直持有一点 360 的股票。所以看到最新一季报后，我还是挺想认真研究一下：这次扭亏，到底是业务变好了，还是费用降下来了？刚好最近在体验 Ling-3.0-flash-Fin，就把整份财报直接丢给它做了次测试。它不只是把财报摘要了一遍，而是顺着营收、毛利率、销售费用、研发费用和经营现金流一路拆下来，把数据来源和计算过程也列得比较清楚。这也是 Ling-3.0-flash-Fin 比较打动我的地方：它不是只针对某一道金融问答给出答案，而是把信息检索、研究推理、计算和结果交付串成一条完整的工作流。面对财报、工作簿和多份研究材料，它会尽量优先寻找可信的一手信息，核对数据口径，再调用工具完成计算，让结论能够回到原始材料中复核。它延续了 Ling-3.0-flash 的长上下文能力，在金融语料训练和工具使用上做了专门增强，同时采用 124B 总参数、5.1B 激活参数的架构，兼顾专业能力和运行效率。再加上开放模型路线，对金融机构、研究团队和开发者来说，也更方便进一步部署和二次开发。最后的判断是：360 一季度确实扭亏了，但利润改善更多来自费用下降；收入和现金流也在改善，不过现在还不能太早下结论。因为我既是前员工，又是股东，看这家公司多少会带点感情色彩。让模型帮我把数据重新梳理一遍，反而能提醒自己：熟悉一家公司，不等于真的看懂了它的财报。分析结论十分透彻还带有隐患提示大家也可以找一家自己熟悉的公司，把财报扔给 Ling- 3.0-flash-Fin 试试。现在可以直接在 OpenRouter 上体验：看看它给出的结论，和你的判断是不是一样。以上只是模型测试，不构成任何投资建议。

程序员端哥

24,081 次观看 • 28 天前

现在这些牛皮研究都不发论文改发博客了？ Open AI 前 CTO Mira Murati 的新公司 Thinking Machines 发布重磅研究文章《战胜 LLM 推理中的非确定性》这篇文章中他们着力于解决从 LLM 几乎无法获得可以复现结果的问题。我自己看了一遍然后让 Notebook做了个视频，👇有总结：

现在这些牛皮研究都不发论文改发博客了？ Open AI 前 CTO Mira Murati 的新公司 Thinking Machines 发布重磅研究文章《战胜 LLM 推理中的非确定性》这篇文章中他们着力于解决从 LLM 几乎无法获得可以复现结果的问题。我自己看了一遍然后让 Notebook做了个视频，👇有总结：

歸藏(guizang.ai)

68,582 次观看 • 1 年前

哇趣，独立开发者一定要试试 Pexo Pexo！它是个能直接聊天做视频的 AI 视频创作 Agent。把想法、产品链接或者手头的素材给它，从想脚本、拆分镜，到生成画面、配字幕和音乐、剪成片，都可以在里面完成。做完哪里不满意，还能接着聊、接着改。我没想到我一个写代码的，也能口喷 AI，让它帮我做出一支这么高完成度的宣传片。我有个 App 叫「NowHere」，上架有一段时间了，一直想做社媒推广，但做宣传片这事儿，又嫌麻烦，又嫌贵，就一直拖着。直到发现了 Pexo，才想着拿自己的 App 试一把。我先把短片的想法丢给它，后面再补上 App Store 链接和素材。它先给出思路，我看完提要求，再一轮轮调整。全程主打一个边看效果，边继续 PUA。关键是，它真的听得懂我想怎么改。消息气泡第一次没放对位置，我就直接在画面上圈出想放的位置，再在右边的批注框里说清楚怎么改，提交后它就照着改。文字说不清，就画给它看。要改某一段，也可以在视频里选好几秒到几秒，再在批注框里告诉它这段要怎么改。中间那段产品展示，我把 App 的真实截图和录屏传上去，让它套上 iPhone 机模，再加文字和动效。第一版手机一直摆在正中间，我就说，手机别放这么死板，旁边的文字也换个位置。后来手机和文案又隔得太远，中间空了一大块，就再让它往一起挪。毕竟甲方嘛，需求都是聊出来的。我以前没做过宣传片，第一次给自己的产品做就能出这个效果，挺惊喜的。成片 👇

哇趣，独立开发者一定要试试 Pexo Pexo！它是个能直接聊天做视频的 AI 视频创作 Agent。把想法、产品链接或者手头的素材给它，从想脚本、拆分镜，到生成画面、配字幕和音乐、剪成片，都可以在里面完成。做完哪里不满意，还能接着聊、接着改。我没想到我一个写代码的，也能口喷 AI，让它帮我做出一支这么高完成度的宣传片。我有个 App 叫「NowHere」，上架有一段时间了，一直想做社媒推广，但做宣传片这事儿，又嫌麻烦，又嫌贵，就一直拖着。直到发现了 Pexo，才想着拿自己的 App 试一把。我先把短片的想法丢给它，后面再补上 App Store 链接和素材。它先给出思路，我看完提要求，再一轮轮调整。全程主打一个边看效果，边继续 PUA。关键是，它真的听得懂我想怎么改。消息气泡第一次没放对位置，我就直接在画面上圈出想放的位置，再在右边的批注框里说清楚怎么改，提交后它就照着改。文字说不清，就画给它看。要改某一段，也可以在视频里选好几秒到几秒，再在批注框里告诉它这段要怎么改。中间那段产品展示，我把 App 的真实截图和录屏传上去，让它套上 iPhone 机模，再加文字和动效。第一版手机一直摆在正中间，我就说，手机别放这么死板，旁边的文字也换个位置。后来手机和文案又隔得太远，中间空了一大块，就再让它往一起挪。毕竟甲方嘛，需求都是聊出来的。我以前没做过宣传片，第一次给自己的产品做就能出这个效果，挺惊喜的。成片 👇

冰零

49,827 次观看 • 8 天前

看到浙工大研究生课开始讲「全自动科研工具」，挺开心的。这个视频主要讲的是：怎么用 AI Agent 把科研里的数据处理、代码执行、结果整理、论文写作和复现包串成一条可追溯的工作流。很多研究生还在手工整理文献、跑实验、做表格的时候，有人已经开始用 Agent 把这些流程自动化了。科研最有价值的部分从来不是重复劳动，而是提出问题、设计实验和产生洞见。真希望国内研究生教育能多一些这样的内容。工具是在提高生产力，不是在降低科研门槛。把时间从重复工作里解放出来，才能把更多时间留给思考、创造和生活。视频已经得到老师转载的许可，老师的小红书账号是“爱练腿的龙脖（AI版” #AI科研 #科研自动化 #Agent #研究生教育 #claudecode #codex

看到浙工大研究生课开始讲「全自动科研工具」，挺开心的。这个视频主要讲的是：怎么用 AI Agent 把科研里的数据处理、代码执行、结果整理、论文写作和复现包串成一条可追溯的工作流。很多研究生还在手工整理文献、跑实验、做表格的时候，有人已经开始用 Agent 把这些流程自动化了。科研最有价值的部分从来不是重复劳动，而是提出问题、设计实验和产生洞见。真希望国内研究生教育能多一些这样的内容。工具是在提高生产力，不是在降低科研门槛。把时间从重复工作里解放出来，才能把更多时间留给思考、创造和生活。视频已经得到老师转载的许可，老师的小红书账号是“爱练腿的龙脖（AI版” #AI科研 #科研自动化 #Agent #研究生教育 #claudecode #codex

Xudong Han

127,345 次观看 • 4 个月前

Claude Opus 4.8 出了之后，我的第一反应是：想试。第二反应是：算了，token 这东西真的不经烧。结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。我自己有个很真实的问题：脑子里经常冒出各种产品想法。但每次真要开始做，就会卡住。用户是谁？第一版到底做什么？哪些功能应该先砍掉？怎么定价？第一周从哪一步开始？上线后怎么找第一批用户？想法很多，执行很散。所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。需求我写得也挺直接：输入一句产品 idea。自动拆出产品定位、MVP、开发任务、定价方案。再生成落地页文案、冷启动实验、风险清单和本周计划。最好不是一个静态页面，而是真的能点、能改、能导出。然后我就把这段话丢给 Claude Opus 4.8。出来的效果比我预期好不少。它真的把“一人公司怎么从想法走到执行”这件事拆开了。左边输入产品想法。中间生成产品蓝图、MVP 范围、定价和官网文案。右边是任务看板和本周计划。底部还有冷启动实验、风险雷达和 Markdown 导出。最让我觉得有意思的是，它不是一味堆功能。比如我输入“给小红书博主做 AI 选题助手”，它会主动判断：第一版必须做什么。哪些功能看起来高级，但现在应该先别碰。怎么找第一批真实用户。哪些风险可能让这个项目做不下去。这点就很能体现 Opus 4.8 的能力。普通模型经常是：你要什么，我全给你加上。最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。我是在 ZenMux 上试的。它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。想试 Claude Opus 4.8 的，可以从这里进：

Claude Opus 4.8 出了之后，我的第一反应是：想试。第二反应是：算了，token 这东西真的不经烧。结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。我自己有个很真实的问题：脑子里经常冒出各种产品想法。但每次真要开始做，就会卡住。用户是谁？第一版到底做什么？哪些功能应该先砍掉？怎么定价？第一周从哪一步开始？上线后怎么找第一批用户？想法很多，执行很散。所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。需求我写得也挺直接：输入一句产品 idea。自动拆出产品定位、MVP、开发任务、定价方案。再生成落地页文案、冷启动实验、风险清单和本周计划。最好不是一个静态页面，而是真的能点、能改、能导出。然后我就把这段话丢给 Claude Opus 4.8。出来的效果比我预期好不少。它真的把“一人公司怎么从想法走到执行”这件事拆开了。左边输入产品想法。中间生成产品蓝图、MVP 范围、定价和官网文案。右边是任务看板和本周计划。底部还有冷启动实验、风险雷达和 Markdown 导出。最让我觉得有意思的是，它不是一味堆功能。比如我输入“给小红书博主做 AI 选题助手”，它会主动判断：第一版必须做什么。哪些功能看起来高级，但现在应该先别碰。怎么找第一批真实用户。哪些风险可能让这个项目做不下去。这点就很能体现 Opus 4.8 的能力。普通模型经常是：你要什么，我全给你加上。最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。我是在 ZenMux 上试的。它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。想试 Claude Opus 4.8 的，可以从这里进：

Joruno

16,224 次观看 • 4 个月前

卧槽，我的MacBook第十款软件终于搞定了！有了这软件我再也不用天天守电脑了，也是评论区推荐的，它就是完全免费的远程软件—UU远程，说实话，一开始我真没把远程控制当回事，总觉得这东西就是临时救急，看一眼电脑。结果这两天我在 Mac 上跑 Codex，突然发现不对劲。 AI 写代码不是一下就完事，它要读项目、改文件、跑测试、等报错、再改。中间随便一卡，就是十几分钟。我总不能一直坐电脑前盯着它吧？那我到底是在用 AI，还是在给 AI 当保安？所以我干脆把 Mac 放桌上跑任务，自己拿手机用 UU远程连回去看。现在桌面上基本是 4 个窗口一起开： Codex 在改代码，测试在实时跑， Demo 输出在刷新，状态窗口随时验收。人走开也没事。手机上一连回 Mac，直接问 Codex：现在任务完成到哪了？测试挂了，就让它继续修；测试绿了，就看最终输出；结果对了，当场验收。这就是UU的终端功能，可以绕过图形，直接用命令行的形式操作，改好了直接打开UU远程桌面看结果，想改的话直接用终端接着改，效率拉满最关键的是，它现在免费。不用开会员，也没广告弹窗打断。这点对我这种刚换 Mac、到处装软件的人太友好了。早知道 UU远程这么顺手，我前面那些远程工具真不用折腾那么久。而且它不是只能手机连电脑，手机、平板、Mac、Windows 都能互连。远程切窗口、看日志、敲终端，延迟比我想象中低很多。还有个细节我挺喜欢：可以开被控端黑屏/静音，断连后自动锁屏。人在外面连自己电脑，安全感会强很多。现在我的新 Mac 基本就是： Mac 在桌上跑， Codex 在里面干活，我在手机上看进度、补命令、验收结果。以前远程控制是应急工具，现在 AI 时代，它反而变成了刚需。

卧槽，我的MacBook第十款软件终于搞定了！有了这软件我再也不用天天守电脑了，也是评论区推荐的，它就是完全免费的远程软件—UU远程，说实话，一开始我真没把远程控制当回事，总觉得这东西就是临时救急，看一眼电脑。结果这两天我在 Mac 上跑 Codex，突然发现不对劲。 AI 写代码不是一下就完事，它要读项目、改文件、跑测试、等报错、再改。中间随便一卡，就是十几分钟。我总不能一直坐电脑前盯着它吧？那我到底是在用 AI，还是在给 AI 当保安？所以我干脆把 Mac 放桌上跑任务，自己拿手机用 UU远程连回去看。现在桌面上基本是 4 个窗口一起开： Codex 在改代码，测试在实时跑， Demo 输出在刷新，状态窗口随时验收。人走开也没事。手机上一连回 Mac，直接问 Codex：现在任务完成到哪了？测试挂了，就让它继续修；测试绿了，就看最终输出；结果对了，当场验收。这就是UU的终端功能，可以绕过图形，直接用命令行的形式操作，改好了直接打开UU远程桌面看结果，想改的话直接用终端接着改，效率拉满最关键的是，它现在免费。不用开会员，也没广告弹窗打断。这点对我这种刚换 Mac、到处装软件的人太友好了。早知道 UU远程这么顺手，我前面那些远程工具真不用折腾那么久。而且它不是只能手机连电脑，手机、平板、Mac、Windows 都能互连。远程切窗口、看日志、敲终端，延迟比我想象中低很多。还有个细节我挺喜欢：可以开被控端黑屏/静音，断连后自动锁屏。人在外面连自己电脑，安全感会强很多。现在我的新 Mac 基本就是： Mac 在桌上跑， Codex 在里面干活，我在手机上看进度、补命令、验收结果。以前远程控制是应急工具，现在 AI 时代，它反而变成了刚需。

雨哥向前冲

227,402 次观看 • 4 个月前

建议大家都把这个号码存进通讯录：+1-650-213-7322 它是一个活在 iMessage 里的 AI，你发短信派活，它能操纵一台云端手机！！！ Reddit 在国内是出了名的上不去，挑网还爱封号，但信息又极度优质，很适合看最新的AI讨论、找产品需求、做产品调研！而且就算你就算能上去，也不清楚到底应该去哪个社区刷帖，整个时间成本也是非常高。我试着给 +1-650-213-7322 发了句话： "帮我看看AI相关社区的帖子，大家在讨论什么，把讨论焦点和高赞观点整理给我" 它就开始调用云端手机执行，找到一些高质量AI社区刷帖，几分钟后，给我了一份总结文档。我接着又发了句： "把这些帖子评论区里老外抱怨最多、反复在找的东西整理成一份清单" 他同样会按照我们的需求去刷帖，我们做产品的看这份清单是机会，别人还在刷资讯，你就已经让AI给你拿到需求了。并且，我全程没开🪜，手机里也没装任何新App。原理就是：Airtap Ai 在云端跑着一台真手机，你发短信派活，它就在那台手机上打开网页和App，国内上不去的平台，对它来说就是本地环境。顺着这个思路，其实还可以干很多事： 1、翻YouTube上AI Agent相关的高播放视频，把评论区被问得最多的问题整理成选题清单 2、查Gmail有没有新邮件，有没有新任务，或者然它把刚收到的验证码发给我（你就不用打开🪜了） 3、存定时任务："每天早上8点把Reddit热帖自动跑一遍发给你" 当然，当你有一台 AI云手机，玩法远不止这些，并且你也不用装App不用注册，第一条消息发出去账号就开好了，目前免费开放！ #justtextit #textyourapps #airtap

建议大家都把这个号码存进通讯录：+1-650-213-7322 它是一个活在 iMessage 里的 AI，你发短信派活，它能操纵一台云端手机！！！ Reddit 在国内是出了名的上不去，挑网还爱封号，但信息又极度优质，很适合看最新的AI讨论、找产品需求、做产品调研！而且就算你就算能上去，也不清楚到底应该去哪个社区刷帖，整个时间成本也是非常高。我试着给 +1-650-213-7322 发了句话： "帮我看看AI相关社区的帖子，大家在讨论什么，把讨论焦点和高赞观点整理给我" 它就开始调用云端手机执行，找到一些高质量AI社区刷帖，几分钟后，给我了一份总结文档。我接着又发了句： "把这些帖子评论区里老外抱怨最多、反复在找的东西整理成一份清单" 他同样会按照我们的需求去刷帖，我们做产品的看这份清单是机会，别人还在刷资讯，你就已经让AI给你拿到需求了。并且，我全程没开🪜，手机里也没装任何新App。原理就是：Airtap Ai 在云端跑着一台真手机，你发短信派活，它就在那台手机上打开网页和App，国内上不去的平台，对它来说就是本地环境。顺着这个思路，其实还可以干很多事： 1、翻YouTube上AI Agent相关的高播放视频，把评论区被问得最多的问题整理成选题清单 2、查Gmail有没有新邮件，有没有新任务，或者然它把刚收到的验证码发给我（你就不用打开🪜了） 3、存定时任务："每天早上8点把Reddit热帖自动跑一遍发给你" 当然，当你有一台 AI云手机，玩法远不止这些，并且你也不用装App不用注册，第一条消息发出去账号就开好了，目前免费开放！ #justtextit #textyourapps #airtap

余温

380,700 次观看 • 2 个月前

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。（对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看）先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。并且陶哲轩提到了基于大语言模型的一些改进的方案：比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。原始 YT 视频：

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。（对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看）先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。并且陶哲轩提到了基于大语言模型的一些改进的方案：比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。原始 YT 视频：

宝玉

304,128 次观看 • 2 年前