文章核心观点 - 人工智能行业正兴起一波由前OpenAI等巨头研究人员创立的新兴实验室热潮 这些实验室致力于突破现有技术范式 探索与OpenAI等主流公司不同的AI发展路径[1] - 由OpenAI前高级研究员Jerry Tworek创立的Core Automation公司是这股热潮的代表 其计划融资5亿至10亿美元 开发能够持续学习且训练数据需求大幅降低的新型AI模型[1][2] - 尽管这些新兴实验室往往缺乏营收或产品 但资本市场对其显示出持续的投资兴趣 近期有多家类似公司完成了大额融资[3] 新兴实验室的发展动向与融资情况 - Core Automation由OpenAI前研究副总裁Jerry Tworek创立 正处于早期阶段 计划融资5亿至10亿美元[1] - 另一家由前OpenAI首席科学家Ilya Sutskever联合创办的实验室Safe Superintelligence Lab 也致力于开发能够从现实世界持续学习的模型[3] - 新兴实验室Humans&在本月以48亿美元估值完成了4.8亿美元的种子轮融资 投资方包括SV Angel 英伟达和Jeff Bezos[3] - Mira Murati旗下的Thinking Machines Lab正在洽谈以超过500亿美元估值筹集40至50亿美元资金 该公司去年已发布产品并产生部分营收[3] Core Automation公司的技术愿景与研发方向 - 公司旨在开发能通过大型科技公司尚未重点投入的方法构建的AI模型 核心目标是创建能实时从现实经验中持续学习的AI模型[1] - 计划重新思考神经网络模型的开发方式 包括梯度下降法等标准训练环节 目标是开发出需要更少数据和更少服务器进行训练的模型[2] - 计划通过设计超越当前主流Transformer架构的新模型架构来实现目标 并将模型训练的不同步骤整合为一个统一的过程[2] - 创始人设想通过单一算法开发名为Ceres的模型 这与大型AI开发商通常采用的分阶段预训练和微调模式形成鲜明对比[4] - 最终目标是开发出比最先进模型少用100倍数据训练而成的模型 并基于此开发AI智能体以自动化产品开发[6] 创始人的背景与行业技术趋势 - 创始人Jerry Tworek于2019年加入OpenAI 离职是为了尝试在OpenAI难以进行的研究类型[2] - 在OpenAI期间 他担任研究副总裁 领导公司在强化学习领域的工作 并且是公司推理模型 编码工具和智能体开发的关键贡献者[6] - 部分AI研究者认为当前流行的模型开发技术不太可能开发出能在生物学 药品等领域实现重大突破的高级AI 同时避免低级错误 因此该领域需要彻底革新[2] - 尽管OpenAI和Anthropic等主流开发商也对持续学习技术表现出浓厚兴趣 但部分研究人员认为可以通过调整基于Transformer的模型来实现该特性 而无需彻底重构架构[3] 公司的长期应用愿景 - 公司未来的产品将首先应用于工业自动化领域[6] - 长期愿景是打造“自我复制工厂” 并可能制造生物机器来自动生成定制设计 甚至改造行星[6]

早期的理论认为，泡沫中的气泡会沿着一定轨迹滚动，然后停留在某处。这种框架有助于解释为什么泡 沫一旦形成就会"看起来"稳定，就像一块巨石静静地躺在山谷底部一样。不过，对实验数据的深入分析 揭示了一个问题：泡沫的实际行为与这些理论的预测并不相符。宾夕法尼亚大学的工程师们利用计算机 模拟追踪了泡沫中气泡的运动轨迹，结果发现气泡们根本不老实，总在能量景观（描述系统随状态变化 的分布模型——编者注）上"溜达"。按理说气泡应该像滚石下山一样停在"谷底"，但现实却是它们一直 在山坡上"散步"。宾夕法尼亚大学化学与生物分子工程系教授、该论文的共同作者约翰·C·克罗克 说："我们早在20年前就开始注意到这些差异，但我们一直没找到合理的答案。" 泡沫的这种行为困扰了科学界很久，直到AI领域的梯度下降法（常用于AI中，用来递归性地逼近最小 偏差模型——编者注）带来了灵感。从数学角度看，泡沫的运动方式与训练AI常用的"深度学习"过程极 为相似，现代AI系统通过在训练过程中不断自我调整数值参数来进行"深度学习"，这一过程不是一味追 求最小误差，而是让系统在一大片能量较平坦的区域里游走，探索各种"解法"。泡沫的气泡在广阔的能 量景观上不 ...

文章核心观点 - 宾夕法尼亚大学的研究发现，泡沫中气泡的动态重组行为，其底层原理与人工智能训练、物理学及生物学中的某些过程存在统一性，这一发现可能打破学科壁垒并推动智能材料等领域的发展 [1][2][3] 泡沫传统认知与最新发现 - 早期理论认为泡沫中的气泡会沿轨迹滚动后静止，使泡沫“看起来”稳定 [2] - 宾夕法尼亚大学的计算机模拟发现，气泡并不停留在能量景观的“谷底”，而是持续在“山坡上”移动和重组 [2] - 这种实际行为与理论预测的差异已困扰科学界约20年 [2] 跨学科原理的统一性 - 从数学角度看，泡沫气泡的运动方式与人工智能训练中常用的“深度学习”过程极为相似 [2] - 人工智能系统通过在广阔平坦的能量区域游走来探索各种解法，而非一味追求最小误差，这与气泡在能量景观上不断重组的底层逻辑统一 [2] - 这一共同原理表明，物理、生物和计算机科学可能遵循同一套底层公式 [3] 潜在应用与影响 - 该发现为物理学家设计能适应环境的智能材料提供了新思路，例如可自动调节透光度的窗帘或自动调节保温性能的衣服 [3] - 该发现也可能为生物学家探究生命奥秘（如活细胞内部框架、蛋白折叠、免疫细胞运动）提供新的见解，这些过程可能遵循同样的能量景观驱动逻辑 [3] - 理解泡沫的复杂性可能成为理解科学复杂性的关键，并促进跨学科融合 [3]