1. Anthropic 员工宣称给出黎曼猜想的一般性证明

Anthropic 员工 Levent Alpöge 发布了一份 PDF,声称给出了黎曼猜想的一般性证明。Alpöge 是在引导 AI 进行数学发现方面经验丰富的数学家,此前曾参与 Navier-Stokes 问题相关工作。该声称引发广泛关注,因其涉及千禧年大奖问题,且与近期 AI 辅助数学研究的进展相关。证明目前以 PDF 形式公开,尚未经过同行评议或形式化验证。

讨论中,多数人承认 Alpöge 的资质,但强调仅凭作者身份不足以确认证明正确,历史上顶级数学家也曾出现错误证明。有人指出该结果若成立将使大量以黎曼猜想为前提的定理直接成立,也有人质疑 AI 在其中的实际贡献程度,认为这更多是人类数学家借助工具完成工作。部分评论涉及此前 OpenAI 与 Anthropic 相关数学项目的竞争传闻,但核心仍集中在证明是否需要独立验证。

出处:Anthropic employee claims general proof of the Riemann Hypothesis [pdf] · HN 讨论(1578 分 / 1070 评论)


2. 用户因支持体验差决定不再购买 Framework 硬件

一位用户详细记录了为公司购买 Framework Laptop 16 后遭遇的三个月支持经历。机器开箱即出现键盘模块无法正确识别的问题,在未安装任何操作系统的情况下就显示“missing input module”。用户通过 Framework 自带工具定位到键盘固件 ID 错误,但支持团队多次要求重复已提供的照片与步骤,先更换了无关的中板,后续更换键盘后又出现新的按键映射错误。最终维修中心结论为“No Fault Found”,并归因于操作系统键盘布局问题,而该故障在操作系统启动前就已出现。

讨论集中在硬件公司支持流程的问题。许多人表示可修复设计本身有价值,但若支持无法正确诊断并处理故障,可修复性就失去意义。有评论分享类似的高价硬件售后经历,也有人认为个别案例不能代表整体,但作者强调问题在于流程而非单次硬件故障。

出处:I'll never buy Framework hardware again · HN 讨论(512 分 / 332 评论)


3. AI 端到端发现并验证新型 CPU 架构 Frostbite

Architect Labs 介绍了由 AI 系统端到端发现、设计并验证的通用 CPU 架构 Frostbite。该架构基于交互网(interaction nets)思想,利用每一步局部、依赖显式、每个值仅有一个所有者的特性,在一组工作负载上相对现代超标量 CPU 核心实现了约 4.59 倍的能效提升。AI 系统自主迭代了编译器、指令集、微架构、RTL 与验证,最终生成 GDS。过程中使用了形式化规格语言 ASL,确保从高层模型到 RTL 的一致性,并通过与实际 RTL 的对齐校准功耗估算。

讨论关注这种 AI 驱动硬件探索是否能突破传统 CPU 性能停滞。有人认为交互网带来的天然并行与局部性是有前景的方向,也有人指出目前结果基于特定工作负载与仿真,距离实际硅片与广泛适用仍有距离。评论还涉及形式化规格在防止 AI 幻觉方面的作用。

出处:Frostbite: A new CPU architecture discovered, designed and verified by AI · HN 讨论(489 分 / 273 评论)


4. 语言模型通过自身推理改写权重实现自我提升

一篇 arXiv 论文提出语言模型可以改写自身权重。一个开放的 27B 模型在获得自身权重、评分答案以及运行自身的能力后,诊断失败原因并直接修改相关权重,无需梯度或额外训练。修改后的模型在未见过的问题上准确率提升 6.6 个百分点,且能通过多轮自我测试持续改进。论文还展示了模型可修复受损副本,在未读取原始权重的情况下将图像任务准确率恢复到原模型的 80% 以上。该能力在较小模型上未出现,仅在最大模型上显现。

讨论主要围绕该方法与传统训练和推理时扩展的区别。有人认为这打破了训练与推理的界限,朝向递归自我改进迈进一步;也有人指出当前实验规模有限,需要更多独立复现与安全性考量。评论关注模型是否真正“理解”自身权重,还是在特定条件下进行有效的参数调整。

出处:Language Models Can Rewrite Their Own Weights · HN 讨论(149 分 / 62 评论)