261008｜钍钟首次成功，美暂停微软绿卡 - Hacker News

Math 2.0 需要更全面地重视数学进步

核心观点

Terence Tao 认为，数学 2.0 应该让社区的评价标准转向奖励解释、社区建设和开放新方向，同时把 AI 想象成助手而非直接求解工具。

论证逻辑

在传统数学（Math 1.0）中，长期猜想的证明会引发讲座、工作坊和合作，证明被提炼、上下文化并最终进入教材。

如今很多人让 AI 直接给出答案却不理解，导致研讨会稀少、社区互动减少、也不愿公开未解方向，怕被抢先。

这种“收割式”使用使整个领域变得不够肥沃，与 Math 1.0 的过程形成对比。

延伸思考

Robin 指出证明的价值在于它展示的理解，单纯的 AI 输出就像美术学校里的 AI 画作，除非引发人类新 insight 否则无用。

Søren Fuglede Jørgensen 举了一例疑似从 ChatGPT 抄袭的预印本，说明滥用 AI 生成内容很容易。

squirrel 提醒人类工作记忆只能容纳少量“块”，传统证明把内容切成易消化的片段正是必要的；AI 能产出超出我们理解能力的块。

kotoole 认为 Lean 提供了可验证知识的框架，但仍缺少可扩展理解和信任的系统。

cosmo_chou 提出“Proof Digestibility Index”（CDI），主张用 AI 揭示有意义的边界（如离散拓扑单元、热力学背景），使问题变次临界且自洽，而不仅是硬攻孤立猜想。

Jason Dyer 建议期刊强调重新证明，以恢复已解问题的价值。

John Ericson 强调集体理解和优雅理论才是智力活动的终极目的，更好的理论能带来乐观和更好的技术协作。

Benoît Régent‑Kloeckner 警告生成式 AI 的生态、经济和文化危害不可忽视，即使讨论理论改革也要面对这些问题。

Zillion 认为把证明因子分解为独立引理和定理的 exposition 是被低估的方面，Math 2.0 应该凸显它。

Mitchell 将理解已知解比作实验物理：事实已知，理解它仍是挑战。

Tao 结论：要实现 Math 2.0，需要最近社区在教育、出版和职业晋升上的标准，以奖励解释、社区建设和新方向的开放，并用想象力驱动 AI，而不是把它当成粗暴的求解工具。

离网生活：Hundred Rabbits

生活背景

Hundred Rabbits 是一个小团体，居住在帆船 Pino 上，采用离网自给自足的方式，同时开发软件、游戏和教育内容。日常包括生火炉、在导航台更新网站、在厨房做饭，全部用照片和日志记录。

工作流程

团队每月发布日志，追踪 Wiki 更新、游戏发布（如基于卡片的冒险游戏 Donsol、可在浏览器或 Uxn 模拟器运行的 Legs、通过漫画教授古代航海技巧的 Rabbit Waves），以及工具发布（Hakum、Oquonie、Uxn——一个便携 16 位虚拟机及其汇编语言 Uxntal）。他们还分享密码学知识，最近加入了关于一次性密码本（One‑Time Pad）的页面，帮助朋友学习基础加密。

项目与成果

社交月份显示，2026 年 8 月有朋友来访、林间徒步以及讨论复兴较老语言如 POP‑2（1970 年代类似 ALGOL 的语言），作为他们内部 “Catlang” 方言之间的 lingua franca。

7 月日志描述了不可靠的沿海互联网，他们会背着笔记本爬山寻找信号上传；6 月志记录完成自制电子表格 Nebu 和游戏资产图像查看器。

技术实验包括把 Giuseppe Peano 的 Latino Sine Flexion（简化拉丁）形式化为 BNF，并在 Uxn 中探索矢量渲染用于排版小册子。

团队维持一个轮换读书会，阅读《杀死一只知更鸟》《包法利夫人》等经典，常常反复研读数月。

所有活动均存档在他们的站点，提供月度日志链接、项目页面以及追溯至 2018 的完整存档，公开通过 wiki、RSS 和通讯共享。

维也纳和北京团队构建首枚orium 核钟

事件概述

维也纳和北京的研究团队宣布成功构建出第一枚基于钍‑229 的核钟。这种钟利用核跃迁而非电子跃迁来计时，理论上可比当前最佳原子钟更精准。

技术原理

核钟的核心是钍‑229 的低能核跃迁，这一跃迁对外界电磁干扰极其不敏感。

团队通过激光准备和探测该跃迁，建立了可重复的频率参考。

与传统铯或 strontium 原子钟相比，核钟对温度、磁场和黑体辐射的敏感度要低几个数量级。

行业影响

更高的频率稳定性有望改进对基本常数的时间变化测试，为暗物质探测提供新灵敏度。

在 relativistic 地测领域，核钟可以将地势测度的精度提升到厘米级以下。

尽管仍处于实验室阶段，这一成果表明核钟技术已经从概念验证迈向可行的频率标准研发路线。

匿名数学家 Cleo 的闭式积分答案

现象描述

在 Stack Exchange 上，匿名用户 Cleo 以极快速度给出高阶积分的精确闭式解，但从不提供推导过程。其一身份久违不明，直至 2025 年被软件工程师 David Schneider‑Joseph 追踪并确认为程序员 Vladimir Reshetnikov。

社区反应

一部分人认为这种“只给结果不给过程”剥夺了教育价值，类似于把答案直接交给学生而不让他们思考。

另一部分人则把 Cleo 与印度数学家拉马努жан相提并论，认为直觉给出公式同样能激发他人独立探索证明。

Reshetnikov 自己解释，他选择匿名且仅给出结果是希望促使其他人自行寻找证明路径，而不是仅仅接受现成答案。

启示

这一案例凸显了数学社区对答案与过程之间平衡的持续争议：直接答案可以快速传播知识，但缺乏推导可能阻碍深层理解和后续创新。社区仍在寻找既能利用直觉天才的贡献，又能保证知识可传递和可验证的机制。

十五年寻找一支曾经上榜又消失的乐队

问题背景

作者多年被一张 2006 年的独立单曲《Electric》/《Searchlights》所吸引，却因乐队名稱泛指、实体唱片丢失、网络信息稀零而一直无法追溯其来源。多次使用常规搜索引擎和音乐数据库均告失败。

AI 辅助流程

将封面艺术、音频文件、元数据和已知 URL 打包成提示，交给前沿大语言模型进行思考和记录。

模型建议检查 Discogs，作者在那里发现了待审条目，通过条目中的条形码追溯到伦敦的 Key Production。

使用 Companies House 和 Discogs 确认了唱片公司 Despatches 旗下另一支乐队，进一步缩小范围。

通过 AcoustID 指纹未匹配后，转向 Spotify、Bandcamp 等流媒体，仍无果。

在 Pandora 上终于发现了该曲，唤起记忆并确认了最初购买渠道。

歌词手工转录后交给模型进行更深层搜索，终于在唱片制作人页上发现拼写略有偏差的 “Searchlight”，指向制作人 Greg Haver。

通过 Greg Haver 进一步联系到乐队成员 Sam Tattersall（主唱/吉他）以及 Jon Tattersall（贝斯）和 Matt Salvage（鼓），确认他们后来改名为 OK Tokyo。

结果与启示

AI 在整个过程中充当了线索生成和记录工具，但关键突破仍依赖人工验证（如条形码追溯、人工歌词转录和直接联系制作人）。

这段经历表明，即使是长期失踪的小众文化产物，也能通过结构化的 AI 辅助与传统调查方法相结合而被重新发现。

Whistle：仅 16.9 MB 的开源语音转文本模型

项目定位

Whistle 是一个开源语音识别模型，单文件大小仅 16.9 MB，无需外部依赖，基于与 Needle 相同的 C++ 引擎，可在 CPU 上实现七种语言的转录。

核心能力

前端将 16 kHz 单声道音频转换为 80 维 log‑mel 滤波器特征，采用 25 ms 窗口、10 ms 跳幅，经过卷积干将帧数降至 375（约每 80 ms 一帧）。

编由八个 Simple Attention 构成（四个 mHC 残差通道加一个 Monarch Hadamard MLP），注意力非因果，允许任意帧间交互。

解码使用八个 Laddered Simple Attention 层（宽度 512，8 查询头、2 键值头），每层加入门控交叉注意项读取编码器输出。

采用五束搜索，长度归一化对数概率评分；关键词偏置通过 Aho‑Corasick 自动机实时提升匹配短语的得分。

输出包括分词时间戳（起止、概率）以及语音嵌入（每帧一编码器行），词汇表容量 8192 加七语言标记，语言标记直接作为 token 返回。

使用场景

在苹果 M4 Pro 上，首 token 延迟约 11.1 ms，解码速度约 1319 token/秒，优于 Whisper base（73.2 ms、266 token/秒）和 Moonshine tiny v2（22.8 ms、262 token/秒）。

在 LibriSpeech、SPGISpeech、Earnings‑22 和 FLEURS 基准上，词错误率低于 Whisper base；在 TED‑LIUM、AMI 和 MLS 上 Whisper base 仍略胜一筹。

预编译二进制已提供 macOS、Linux、Android、iOS、watchOS、Windows on ARM、RISC‑V、MIPS、浏览器以及 WASI 版本，使用方式如：
```
needle --model whistle.cact --audio clip.wav
```

Python 调用示例：

import needleprint(needle.transcribe("clip.wav")["text"])

可选参数支持词时间戳、关键词偏置、语言强制以及直接访问嵌入函数 needle.Whistle()。

Whistle 以极小体积和低延迟展示了在通用 CPU 上进行高质量语音识别的可行性，适合移动端、嵌入式设备或对隐私敏感的本地离线场景。

相关链接：

Math 2.0 需要更全面地重视数学进步