AI 时代数学的未来：Jeremy Avigad 谈数学研究如何转向
数学家 Jeremy Avigad 在 Convergent Research 支持的科技创新创业会议上指出，AI 已能轻松生成一年前足以发表的研究成果，数学界日常解题工作正被颠覆。他认为数学作为严谨推理与交流的文化不会消失，出路在于借助 AI 攻克更难的问题、提出更大的构想，而非纠结是否还需要数学。
#数据/训练
Hacker NewsAI 评分2626
Latent SpaceAI 评分3434 MIT 的 Alex Zhang 谈 RLM、GPU 内核与智能体集群：学术界的雄心
MIT 研究者 Alex Zhang 在 Latent Space 播客中介绍了其 Recursive Language Models（RLM）等工作，基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的方案，早于 OpenAI 的 Astra。
NVIDIA BlogAI 评分2222 NVIDIA AI 工厂如何实现高产出、长寿命与通用性以最大化投资回报
NVIDIA 提出 AI 工厂投资回报取决于三个因素：每兆瓦产出能力、硬件使用寿命和 token 需求。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量比 GB300 NVL72 高 30 倍以上，在 DeepSeek V4 Pro 上每百万 token 成本最多低 45 倍。
Berkeley AI ResearchAI 评分4040 智能免费之后怎么办？面向智能体、由智能体运行、由智能体构建的数据系统
GPT-4 级能力从 2023 年初的约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间、中位数约 50x。UC Berkeley 的 Aditya G. Parameswaran 等人提出近零推理成本下的三大数据系统挑战：为智能体设计的数据系统、运行智能体集群的数据系统、由智能体合成并需可验证的数据系统。