🤖 AI 资讯晚报 · 10-26

📖 全文含深读概述，按 🔥 必读 / 📌 值得看 / 📄 其他 分档；每条末尾附原文链接。

本期 47 篇新命中里，两个源（36氪、智东西）主抓取超时，已手工回捞：36氪 180 条覆盖 10-25 12:42 → 10-26 18:58（三次 trial 完全一致），智东西 20 条。真正撑起本期的是 10-26 白天那批：数学界「Siegel 零点」难题被 AI 参与的接力证否、一条绕开反向传播的预训练路线、以及一张消费级显卡被社区解锁出双倍张量吞吐。三条都有可核实的论文号或仓库，也都带着研究者自己写下的限定条件。

🔥 必读

1️⃣ 张益唐苦攻数十年的 Siegel 零点被证否：Ben Green 只用了 5 页，AI 与人类接力 12 天

牛津数学家 Ben Green 发布了一份排除 Landau–Siegel 零点的证明，全文 5 页。思路是反证：假设这个紧贴 1 的实零点存在，绝大多数小素数会被迫「站到同一边」，据此构造出的巨大正整数 det G 有一个有限上界；再对这些素数取 p 次方，√d 变成 −√d，det G 被迫被它们一层层整除、下界越抬越高——地板撞穿天花板，矛盾成立。相比 OpenAI 原版，Green 全程只待在一个更小的数域里，行列式也写成了显式式子。

链条是这样接起来的：10 月 6 日 OpenAI 一口气公开 700 多篇数学手稿，其中夹着一篇 8 页的《一致排除 Landau–Siegel 零点》；5 天后密苏里大学 William Banks 把它铺成 19 页，并把原本只知道「存在」的常数算成了 0.003；又过 4 天新南威尔士大学堪培拉分校 Bryce Kerr 用鸽巢原理把插值和行列式推导整段替换，砍到 6 页；最后落到 Green 的 5 页。Green 在论文首页写明「本文不主张任何人类原创性」——这是他跟 ChatGPT 6 Astra 边聊边做（他自称 vibemathing）的产物，事后只亲手重写了一遍论证。

⚠️ 三点限定：这不是黎曼猜想，只是证明「Siegel 零点不存在」，但它解掉了经典解析数论里拖了几代人的「除非存在 Siegel 零点」这条尾巴；10 月 6 日那篇出自 OpenAI 一个未公布名称的内部模型；Green 版目前是预印本，尚未见同行评审。

原文：新智元 · 张益唐未竟难题被OpenAI攻破！人类联手GPT-6接力两周，证明只剩5页 ｜ arXiv 2610.21099（Kerr 6 页版） ｜ arXiv 2610.15483（Banks 19 页版）

2️⃣ 不用反向传播也能预训练 Transformer：Q Labs 的「Dust」把扰动搬到激活空间，但第三方复现说它还赢不了

Q Labs 提出零阶优化方法 Dust，声称是第一个能在 Transformer 预训练任务上与反向传播正面竞争的零阶方法。核心做法是不动权重、只改激活：对每个线性层的输出按 token 独立加高斯噪声（y_t → y_t + σa_t），于是一个 token 就相当于一份「虚拟种群成员」，一次前向就能并行评估几千份；哪个方向的噪声让 loss 降了就记功，再用带衰减系数的信用分配（因果注意力下前面的 token 会影响后续预测）加权平均，估计输出端误差信号，与层输入做外积得到梯度估计。工程上还做了三件事：按层类型分别扰动并缓存未扰动中间结果、QKV/Gate 用注意力输出变化而非 token 损失分配奖励、输出头直接在缓存 logits 上扰动以低成本扩种群。

动机写得很直白——致敬「苦涩的教训」：可微性和反向传播可能只是低算力时代的好归纳偏置，高算力时代反而限制了能被训练的架构（不可微模块、离散计算、外部程序都被挡在训练回路外）。但作者自己承认瓶颈在 scale：Dust 目前仍远比反向传播贵，要再便宜几个数量级才有资格谈「替代」；论文实验最大只到 243M 参数、20M token，离工业级千亿 token 很远。

⚠️ 最关键的一条限定来自第三方：SOTAAZ Lab 复现显示，在论文设定的一轮 SGD 比较下 Dust 基本可复现、但与反向传播差距很小，没有论文强调的明显优势；一旦给反向传播换上更合适的优化器、或让它在同一数据上多训几轮，反向传播明显领先且计算成本低得多。所以 Dust 的意义是「证明零阶方法能用于 Transformer 预训练」，不是「现在可以不要反向传播」。

原文：机器之心 · 不用反向传播，也能预训练Transformer，Jeff Dean投的这家公司出成果了

3️⃣ 英伟达 GPU 的「隐藏算力」被开源解锁：RTX 4090 张量指令吞吐 165.6 → 331.6 TFLOPS

社区项目 gpu-unlock-ada（作者 JustAResearcher，GPL-2.0，10 月 23 日建库，三天涨到 3.4k star）在 RTX 4090 上把 FP16 输入 / FP32 累加的 Tensor Core 吞吐从 165.6 提到 331.6 TFLOPS，BF16 输入 / FP32 累加从 165.5 到 330.6；把测试循环从 2 万次加到 4 万次复测仍是 330.8 / 330.3，结果稳定。另一位 RTX 4090 持有者用审查过的代码独立复测（Linux 7.2.11、驱动 615.78.08、同为 450W），得到 160.4→320.4 与 159.7→320.2，同样接近翻倍。

手法是通过 GPU 启动阶段的固件执行流程拿到受保护寄存器的写入权限，改掉控制指令发射速率的 SS0/SS1 等配置，随后一次 PCIe 功能级重置、由未经修改的原版 NVIDIA 驱动正常接管，配置依然生效。不需要换卡、不刷 BIOS、不动官方驱动。RTX 30 系（Zagitta 的 gpu-unlock）同样中招：3090 Ti 的 BF16 从 87.5 到 157.4 TFLOPS（+80%）、TF32 涨 94%，3080 10GB 的 BF16 +73%，3070、3060 分别 +81%、+76%。

⚠️ 这里的「翻倍」必须加限定：翻的是底层指令吞吐率。真实 cuBLAS 矩阵乘法只提升 12%–34%（4096³ 的 FP16 从 153.2 到 206.0 TFLOPS，+34.4%），BF16 在 4096³ 规模上几乎没有变化；FP16→FP16 累加、INT8（约 661 TOPS）、普通 FP32（约 79.1 TFLOPS）解锁前后基本不变。也就是说，这次解锁只影响此前被限速的特定张量运算路径，不等于 AI 训练或推理速度翻倍。

原文：机器之心 · 英伟达GPU隐藏算力被开源解锁！不改官方驱动，RTX 4090吞吐翻倍 ｜ GitHub · gpu-unlock-ada

📌 值得看

4️⃣ 哈佛摆擂台：Claude Opus 4.8 在七个审稿维度上全胜人类专家

哈佛校级教授、定量社会科学研究所所长 Gary King 与同所数据科学主任 Steven Worthington，用 IQSS 的 rapidPeer 预审服务 2019–2026 年的全部有效投稿做对照：124 篇论文、134 份人类意见。Claude Opus 4.8（推理开到最高档）分两个身份上场——一个与人类完全同条件（同 13 条指南、禁用外部工具），一个带专门提示词且可联网（平均每篇搜 12.4 次）。裁判是另一家公司的 GPT-5.5，成对盲比并要求交换顺序双胜才算赢。结果：整体比较没有一次判人类赢；七维度全胜，均分 8.7 对 6.0，补文献 9.55 对 4.73、图表 7.57 对 2.95（不少人类意见对图表只字未提）；3 位期刊前编辑 30 次盲选挑了 26 次 Claude。研究者还把意见拿回原稿逐句核对，发现人类专家说错的比例接近 Claude 的 3 倍。⚠️ 限定：比的是「投稿前预审」而非期刊同行评审；裁判同为 LLM；联网 + 专用提示词本身就是加成。

原文：新智元 · 人类审稿被AI一波团灭！哈佛派出最强专家，错误率高达3倍

5️⃣ 清华 ParallelWorld：让机器人先在不同未来里预演，再决定这一步怎么走

清华与新加坡国立大学把「多步预演」塞进具身智能体的高层规划：从当前状态展开多条候选动作、预测动作后的观察，形成搜索树，由验证器比较哪条分支更有助获取证据或完成任务、剪掉差的分支，然后只执行选中轨迹的第一步、依新观察滚动重规划。LIBERO-Pro 八种设置全部超过直接基线（Spatial 位置交换 +27 个点，Object 指令重定向 +15 个点），ESI-Bench 在 28 个子项中 26 项超过顺序式主动探索，任务成功率从 56% 提到 83%。⚠️ 代价和边界都写在论文里：自适应搜索平均耗时约为直接执行的 5.8 倍；刚性容纳、几何构型两类子任务反而下降（60%→50%、17.96%→16.9%），说明「看到更多」不能替代精确几何与接触动力学推理。

原文：机器之心 · 先在平行世界里试一试，机器人再动手：清华提出ParallelWorld ｜ arXiv 2608.22971

6️⃣ 智元发布精灵 G2 Max：双臂 40kg 负载，同时做到 ±0.5mm 定位

智元在 10 月 26 日发布安规级重载具身机器人精灵 G2 Max，主打「重载与精细兼得」：单臂负载 20kg、双臂额定 40kg（峰值 50kg）、重复定位精度 ≤±0.5mm，官方称覆盖 95% 以上工业料箱与零部件；7 自由度力控双臂配视觉引导，混线来料识别率 100%，可完成拆垛、开箱上料、空箱回收整条长流程。空间适配是它的卖点——垂直作业区间 0.1–2.5m、水平覆盖 1.2m，靠腰部俯仰主动前倾实现单面拆码垛，托盘可直接贴墙摆放，不必预留 1.5 米绕行空间。电商仓场景称作业成功率超 99%、拆垛 80 箱/h、码垛 75 箱/h；在启元 T1 产线上以「机器人造机器人」方式匹配 2.5 分钟下线一台的节拍，配双电池热插拔做 7×24 小时作业。⚠️ 上述运行数据均为厂商自述，未见第三方测试。

原文：机器之心 · 智元发布安规级重载具身机器人精灵G2 Max，载重与精细作业兼得

7️⃣ 马斯克：SpaceX 为 GPU 采购敲定 400 亿美元债务融资，200 多家新云厂商要「批量死亡」

马斯克 10 月 26 日凌晨发文称，过去几周债市「几乎彻底关上大门」——任何没有独立于 AI 数据中心的大规模收入的公司基本拿不到钱；SpaceX 刚为 GPU 采购敲定 400 亿美元债务融资，凭的是投资级信用评级和 Starlink、发射业务的现金流。这笔钱主要是可赎回债务，用于采购明年第一、二季度到货的 GPU。他的判断很残酷：那 200 多家「新型云厂商」将迎来「孔雀鱼级别」的批量死亡与整合，会有一些撑过去，但不会多。这条与同期软银拟在马来西亚投 500 亿美元建 AI 基建对照看，说明算力扩张的资金正在向少数有现金流的玩家集中。

原文：36氪 · 马斯克：SpaceX为GPU采购敲定400亿美元债务融资

📄 其他