UFO,PhD☀️

生物的复杂度比材料高至少3个数量级，why？ 我写一个软界面的非平衡态物理，最多20组方程 若把蛋白的控制方程都搞清楚，比湍流方程展开还要复杂，我只能退而求其次，用粗化动力学逼近细胞长期的真实行为 自从玩 $PYTHIA 后，真入坑生物物理了🧠 专注软界面物理 (材料，生物，社会，金融，治理)

@0xWayne_light @Orama__Desci 对😆

@ufobtc27 @Orama__Desci 搞定央视了啊？

央视CCTV3正在报道，脑机接口动物实验，你看看这是什么？👀🧠🐁 $PYTHIA @Orama__Desci

@CryptoApprenti1 兄弟，有空回香港了，天道信托坐坐啊

有谁能说一句，教授牛逼？

@rise6982 @Orama__Desci 冲

@ufobtc27 @Orama__Desci 大的来了老师

@wangelssd @Orama__Desci 可以

@ufobtc27 @Orama__Desci 牛逼

Yann LeCun was right the entire time. And generative AI might be a dead end. For the last three years, the entire industry has been obsessed with building bigger LLMs. Trillions of parameters. Billions in compute. The theory was simple: if you make the model big enough, it will eventually understand how the world works. Yann LeCun said that was stupid. He argued that generative AI is fundamentally inefficient. When an AI predicts the next word, or generates the next pixel, it wastes massive amounts of compute on surface-level details. It memorizes patterns instead of learning the actual physics of reality. He proposed a different path: JEPA (Joint-Embedding Predictive Architecture). Instead of forcing the AI to paint the world pixel by pixel, JEPA forces it to predict abstract concepts. It predicts what happens next in a compressed "thought space." But for years, JEPA had a fatal flaw. It suffered from "representation collapse." Because the AI was allowed to simplify reality, it would cheat. It would simplify everything so much that a dog, a car, and a human all looked identical. It learned nothing. To fix it, engineers had to use insanely complex hacks, frozen encoders, and massive compute overheads. Until today. Researchers just dropped a paper called "LeWorldModel" (LeWM). They completely solved the collapse problem. They replaced the complex engineering hacks with a single, elegant mathematical regularizer. It forces the AI's internal "thoughts" into a perfect Gaussian distribution. The AI can no longer cheat. It is forced to understand the physical structure of reality to make its predictions. The results completely rewrite the economics of AI. LeWM didn't need a massive, centralized supercomputer. It has just 15 million parameters. It trains on a single, standard GPU in a few hours. Yet it plans 48x faster than massive foundation world models. It intrinsically understands physics. It instantly detects impossible events. We spent billions trying to force massive server farms to memorize the internet. Now, a tiny model running locally on a single graphics card is actually learning how the real world works.

@Orama__Desci @0xMax_8282 @SobottaProtocol @Floa_AI @CROsDAO @zenotech_ai Nice

✋Who is in HK meeting with our partners? @SobottaProtocol @Floa_AI @CROsDAO @zenotech_ai

太有牌面了，700人在香港半山共聚 $PYTHIA 🧠 全球啟動！ @Orama__Desci

@muditha96 @OpenBCI Yeah

@ufobtc27 @OpenBCI If AI vibes all hard science first, then mind is the real singularity test.

AI will “Vibe” Physics, Math, Matter, Bio, then almost each Engineering Only Meta-Physics, Humanity, Culture and their operational system: MIND may be the last thing not “Vibed” before SINGULARITY 🧠 Brain is the end game #OpenBCI @OpenBCI doi.org/10.1002/adma.2…

🧠 the Digital Brain Project is now live: $5M total · up to $500k per selected team Let's open-source the modeling of the human brain brain activity! ➡️Apply on: digitalbrainproject.org

@HaoYin20 @BiologyAIDaily this

Quantitative rational design of microcapsules/microparticles😎 How to do it? 1⃣Build a Chemical-Process-Structure-Performance database 😱 All literature related to Microencapsulation by interfacial polymerization 303 experimental batches x 44 input features 2⃣Interpretable machine learning Methods: SHAP, permutation, ALE Performance metrics: Encapsulation efficiency, mean particle diameter, shell thickness-to-radius ratio 3⃣Extraction of hidden descriptors for high-throughput virtual screening Core LogP, emulsification variables, Mayr reactivity parameters...... 4⃣A virtual formulation space of 40k candidate microcapsules ➡️Programmable design (rather than recipe-based optimization)😌 I feel that I am reading a book, instead of a research paper!?😳 (👉凝聚态风水大师👹) #AdvMater 2026 @AdvPortfolio advanced.onlinelibrary.wiley.com/doi/abs/10.100…

@HaoYin20 Bro , u could make some with BioPhysics 😆

My continued biological education Physiological aging (& senescence) in three dimensions Cell type-specific aging trajectories of 3D genome folding, A/B compartment switch/score variation/interactions, TAD boundary alteration, enhancer-promoter rewiring Very straightforward educational illustrations!😎 @TrendsCellBio 2026 sciencedirect.com/science/articl…

@tig88411109 😂哈哈哈，老师麻烦关注下订阅者，我以前那个DrU账号没了，这是新的

推特鱼龙混杂还有很多AI 机器人，我无法鉴别/回复/关注 请我的订阅者多提问、发言和评论，我基本上都会及时答疑解惑。 这也是我最喜欢的部分，上网的动力在于和真实的人互动。 ❤️

We are building autonomous scientific discovery. And it runs 370x faster than a human scientist. Our AI agents index millions of scientific publications and learn what an entire field has done in the time it takes a researcher to read one paper. Then we bring it to the lab to verify and further fuel learnings. 10 years to discover a material? Not here.

Today we're introducing TRIBE v2 (Trimodal Brain Encoder), a foundation model trained to predict how the human brain responds to almost any sight or sound. Building on our Algonauts 2025 award-winning architecture, TRIBE v2 draws on 500+ hours of fMRI recordings from 700+ people to create a digital twin of neural activity and enable zero-shot predictions for new subjects, languages, and tasks. Try the demo and learn more here: go.meta.me/tribe2

@HaoYin20 Yeah

Soon we all yield to AI...👹

@KKaWSB 这个不太算零样本了，700人的数据以及拟合的很好

Meta发布”读脑”AI：TRIBE v2 给你看任何画面、听任何声音，它能预测你大脑怎么反应。 700多人、500多小时fMRI数据训练出的”神经活动数字孪生”。 关键是：零样本预测。 新的人、新语言、新任务，直接能预测。

@bc1qDave 写得好👍

詹姆斯·西蒙斯引起了不小的热度。我在文章里说西蒙斯之后交易者分成了四种类型：索罗斯，巴菲特，利弗莫尔和西蒙斯。更加详细地解剖一下，我们可以得出这样一个交易员类型坐标系，大家可以来对号入座： 客观理科型。客观商科型。主观理科型。主观商科型 四个象限。横坐标是本体论维度，纵坐标是方法论维度。 1：客观理科型（右上角第一象限） 客观理科型的交易员主要依赖数理模型，他们把市场视为一个客观主体来对待。在客观理科型的交易员眼里，交易是一项工程。他们的目标是用精密的模型和灵巧的参数搭建系统，通过客观未来的输入，执行系统，最终目的是得到正向收益，至于这个工程系统具体是怎么运行的，哪怕是一个黑箱，客观理科性交易员也觉得没有关系。 他们的代表是詹姆斯·西蒙斯，西蒙斯老爷子的名言是 "Don't ask why" 在币圈里，客观理科代表交易员是0富Vida @Vida_BWE 客观理科型交易员对应的交易生态位是量化：Quant Developer，Quant Trader，Quant Researcher。 他们对应的经济学派是数理至上的洛桑学派。由两位来自洛桑大学的创始人命名。 2.：主观理科型（左上角第二象限） 主观理科型的交易员也非常依赖数理建模以及机制运算，但是他们把市场视为一个可以交互的主观主体来对待。在主观理科性的交易原理中，交易是一个生意。他们的交易手法是谈合生意，算清楚账，随后通过机制和市场对话。说直白一点，就是通过机制影响市场。 他们的代表是乔治·索罗斯。索罗斯老爷子的名言是“金融市场反身性”，这也说明了他把金融市场看作一个有生命的主体来对待。 在币圈里，主观理科代表交易员是 Danny @agintender 主观理科型交易员对应的交易生态位是 MM，也就是做市商，包括被动和主动做市商（市值管理） 他们对应的经济学派是强调干预的凯恩斯学派。凯恩斯认为，市场不是至高无上的神，如果看市场不爽，也可以用一只“无形的手”揍他一拳。 3. ：主观商科型（左下角第三象限） 主观商科型的交易员主要依赖商业底层逻辑，包括金融学与经济学原理。他们同样把市场视为一个可以对话的主体。这种对话来自于他们将自己的思维意志投射到市场上，并做出判断。在主观商科型交易员眼里，交易是一个哲学。他们的交易操作往往看起来朴实无华，没有复杂的机制，甚至常常出现裸多头或裸空头。同时他们的操作理由，往往是一个低维度、高密度的信息。 主观商科型交易员的代表是巴菲特与段永平。段永平的名言是“公司文化”，一个相当说不清道不明、无法量化的词 在币圈，主观商科代表交易员是 Pickel @0xPickleCati 主观商科型交易对应的交易生态位是基本面分析或宏观分析。 他们对应的经济学流派是逻辑与推理至上的奥地利学派。 4. ：客观商科型（右下角第四象限） 客观商科型交易员主要依赖商业底层逻辑、经济金融学原理，但是他们把市场认为是一个客观运行的主体，市场的运行就像地球围绕着太阳转动一样，是客观而不受干扰的事实。所以，在客观商科型交易员眼里，交易是一门科学（热知识，经济学早已被国际严格认证为一门科学）。他们的操作手法是找规律，基于市场客观表现和已经被认证的经济学与金融学科学原理，搭建一套科学系统来尽力预测市场。 客观理科型交易员的代表是利弗莫尔和威克夫。利弗莫尔的名言是“把投机当作一项严肃的事业去对待” 在币圈，客观商科代表交易员是Kevin @KevinZbtc 和 Dave @bc1qDave 客观商科交易员对应的交易生态位就是广为人知的 Trader，或者更精确地说 Principal Trader / Prop Trader 他们对应的经济学流派是认为“事出必有因”的芝加哥学派 以上四个象限，按照本体论和方法论分类，其中： 兼容性最高的是“交易科学家”客观商科交易员。他们向其他三个方向转型是最快的 ROI 最高的是“交易哲学家”主观商科交易员。他们通过深刻的思想和极其简单的操作，和时间做朋友，轻松地获得大额财富 生态位最高的是“交易生意人”主观理科交易员。他们是庄家，整起来可以割爆全市场 门槛最高的是“交易工程师”客观理科交易员。他们对智商以及硬性技能要求是非常高的 有趣的是，上面几位币圈交易员代表里，据我所知，在商科象限的三位大学本科都是商科 @KevinZhunter @0xPickleCati @bc1qDave 。而在理科象限的两位大学本科好像也都是理科 @agintender @Vida_BWE （虽然 Danny 老师有点过于全能，我甚至相信他大学选择的是职业羽毛球）欢迎老师们评论区认领一下哈哈 四个象限里的交易员没有高低之分。天花板都非常高，都是福布斯财富榜上的级别；地下室也都非常低，做不好都是咔咔亏钱。大家可以对照着看一看，自己属于什么风格？是什么类型的交易者，适合什么类型的交易👍 （图片由 @HHenleyy1104 小助理协助整理）

@cmgdank Yeah, the nature is best teacher. Biomimic

@ufobtc27 Thanks would be nice to get the opportunity to see if it has legs to run on.