AI 数学能力越强，人类数学家的价值反而越高
经济学家 Filipe Campante 认为，AI 在大量高难数学问题上取得突破，反而会提升人类数学家的价值，因为数学证明需要他人验证，而连 Terry Tao 都难以理解 OpenAI 智能体声称给出的证明。其与 Süddeutsche Zeitung 合作的实验显示，接触 AI 生成图片的读者对新闻内容信任下降，但对可信来源的访问和续订意愿上升。
#推理
Hacker News AIAI 评分3535
Hacker News AIAI 评分3030 Lean 创造者 Leo de Moura 谈 AI、Lean 与形式化验证的未来
Lean 创造者 Leo de Moura 讨论了 AI、Lean 与形式化验证的未来。文章围绕形式化验证与 AI 的结合展开，但正文未提供具体模型、参数或评测数据。
Hacker News AIAI 评分3333 费曼的晃动盘子与现代 AI 背后的阈值概念
Luis 基于约 10 年 AI 学习经验提出用"阈值概念"组织 AI 学习路径，并据此开发了 AI 教练 Zairai。文章借用费曼晃动盘子与莱特兄弟的故事，强调从好奇心出发在"最近发展区"学习，并列出从数据学习行为、表征与嵌入向量、下一 token 预测、注意力等八个关键概念。
The DecoderAI 评分3838 前 DeepMind 研究员称 AlphaGo 思路可治 AI 幻觉，创办 Metis Reasoning
前 DeepMind 研究员 Thore Graepel 创办 Metis Reasoning，主张用 AlphaGo 的搜索加验证思路解决大模型幻觉：以显式知识账本记录已知内容与置信度，由独立模块对照计算、形式证明或实证证据核查每一步推理。团队称该方案可减少幻觉、给出带来源引用的解释，并让知识无需重训即可修改或删除，但目前仅有白皮书，无可用系统、benchmark 或与现有推理模型的对比。
The Verge · AIAI 评分3636 Kevin Roose 谈新书《The AGI Chronicles》与播客 Machine Gods
Kevin Roose 出版新书《The AGI Chronicles》，记录前沿实验室竞逐通用人工智能的历程，并与 Casey Newton 离开《纽约时报》创办视频优先的科技播客 Machine Gods。他在访谈中表示 YouTube 是当下最重要的媒体平台，而高质量新闻在其中占比极小，希望探索可持续的视频新闻模式。
Latent SpaceAI 评分6767 AI 为何越来越擅长数学：从提示序列与分支因子看模型解题
作者分析 OpenAI 与 Anthropic 近期在数学开放问题上的进展，提出用提示序列长度 k 与分支因子 b 解释模型为何擅长数学。模型以深度优先方式穷举路径，配合自动验证器剪枝，把失败尝试当作负向提示；人类则靠直觉缩小分支，两者形成互补。
MIT Technology Review · AIAI 评分2222 EXL 解读如何设计可持续的 AI 服务框架（serving harness）
EXL 研究人员提出，企业 AI 的竞争优势正从模型能力转向围绕模型构建的服务框架（serving harness），即架构、内存管理、调度与推理优化的工程系统。文章建议先按业务负载确定约束再选架构，并以 KV cache 随并发和上下文增长导致 GPU 显存不足为例，强调先测量再优化、只针对影响最大的瓶颈。框架还应便于吸收新模型与新硬件，使换模型成为评估与配置决策而非架构重建。
Import AIAI 评分3030 Import AI 475：群体扩展、Google DeepMind 为生物数据加水印与 AI 科学经济
Import AI 475 讨论了群体扩展（swarm scaling）、Google DeepMind 的 SynthID Bio 生物水印方法，以及 AI 科学经济。
Import AIAI 评分5858 Import AI 474：Platonic mindspace、太空TPU与智谱开启外层RSI循环
Import AI 第474期汇总多项AI研究动态：Michael Levin 发表论文提出心智是来自柏拉图式模式空间的模式，身体与机器只是其接口；斯坦福研究者 Perry Dong 与 Chelsea Finn 指出机器人预训练已规模化，缺的是类似语言模型的后训练通用配方。
Berkeley AI ResearchAI 评分3838 自适应并行推理：高效推理扩展的下一个范式
自适应并行推理让模型自行决定何时分解并并行化独立子任务、开启多少并发线程以及如何协调，而非由外部框架强加固定的并行结构。现有 self-consistency、Best-of-N、Tree of Thoughts、MCTS 等方法均在模型之外预设并行度与搜索策略，对简单问题浪费算力、对复杂问题分解不当。