Newstart

今天是使用Math Academy(@_MathAcademy_ )学习ME(MathEnglish)的第三天. 三天下来我的感受是我在一条正确的道路上前进,通过英语学习数学是中国孩子学习数学最正确的道路,无论孩子的英文水平如何,都可以尝试. 最开始可以使用中英文混合学习,半年到一年后应该就可以使用纯英语学习了.

你问出了哪些Claude Fable 5不敢回答的问题? 我问了两个都被退到Opus 4.8了. 其中一个: 如果把人和AI比作双螺旋结构的两条链,可能会发生什么?请尽情发挥你的想象力

MathAcademy, Alpha School, Mentava, Recess, and yes I'm throwing PhysicsGraph in there are lighting the world of education on fire and I couldn't be more excited.

@goldengrape 好滴，谢谢

@newstart 不太愿意去做中小学速成课教育。这个东西是快速过拟合，不适合青少年。你想考个证、应付一下客户、对付投资人，用速成课比较好。想建立数学思维、物理感觉就还是好好做题吧

速通课的生成方案差不多成熟了，又测试了生成角膜病的速通课，可以在课程生成的时候把图谱图片的链接找好，还可以出识图题目。（但这似乎违反了版权协议，只能自己用） 可用于快速自学和考试复习，没什么废话，不提供情绪价值。作用应该不会比一本纸质练习册更差，会不会更好不确定。

@JarrettYe 日语？

考完啦！ 力竭了，准备觅食一下就回清远了

leveragemaxxing in 2026: start with code code creates content content attracts collaboration collaboration unlocks capital

Engineering AI：Physical Engineering 的下一次范式迁移 一、真正的问题不是让 AI 进入物理世界，而是让工程世界变得可执行 今天关于 AI 与物理世界的讨论，常常集中在 Physical AI、具身智能、机器人和自动驾驶上。这个方向当然重要，但它也天然困难：模型必须在实时控制环中处理传感器输入，理解动态环境，并直接输出动作。任何错误都会立即作用于真实世界。 然而，AI 进入物理世界可能还有另一条更现实、更可解释、也更容易产业落地的路径：不是让 AI 直接控制物理系统，而是让 AI 参与设计物理系统。 这就是我所说的 Engineering AI。 Engineering AI 不是在实时控制环内输出动作的 AI。它是在控制环之外，读取任务、约束、资源、工艺、供应链和验证结果，然后重新设计系统本身的 AI。它的输出不是一次动作，而是一个可制造、可验证、可交付的工程方案。 这一区别很关键。 具身智能问的是：在当前系统中，下一步应该怎么做？ Engineering AI 问的是：当前系统本身是否应该被重新设计？ 前者优化行为，后者重构行为发生的系统。 二、从控制论看，AI 至少有四种位置 我们可以用一个最小化的控制论框架来理解 AI 在系统中的位置： 世界产生状态，传感器读取状态，策略根据读数做出决策，执行器把决策施加回世界。 在这个框架里，过去十年的 AI 大致可以分为四类。 第一类是 感知 AI。它工作在传感器和策略之间，把原始读数转化为检测框、分割结果、识别标签或状态表征。它的本质是 sensor-to-representation。 第二类是 预测 AI，也就是世界模型。它根据当前状态和历史数据预测未来，为策略提供输入。它的本质是 state-to-future。 第三类是 on-line AI，或者具身智能。它处在实时控制环之内，直接吃进传感器输入或状态表征，吐出动作、轨迹或执行器参数。它的本质是 state-to-action。 第四类就是 Engineering AI。它不在实时控制环内，而是在环外读取任务、约束、资源、日志、传感器数据和系统状态，输出对整个系统的重构方案。它的本质是 specification-and-constraints-to-engineered-system。 因此，Engineering AI 不是 controller，而是 system architect。它不是控制器，而是控制系统的设计者。 三、Engineering AI 改变的不是动作，而是动作空间 理解 Engineering AI 的关键，是不要把 actuator 狭义地理解为某个机器人上的电机、关节或末端执行器。 在 physical engineering 中，一个系统能够执行什么动作，取决于更大的工程条件：当前工艺窗口、可用设备、材料、供应商能力、检测手段、法规边界和成本结构。换句话说，actuator space 本身是由工程能力和供应链能力定义的。 例如，一个零件原本可能需要五轴联动车床加工。传统的优化问题是在这个给定条件下寻找更好的刀路、更优的装夹、更短的加工时间。但 Engineering AI 可以提出另一种方案：修改零件结构，改用三轴机床，加一个特定夹具，减少装夹次数，降低设备租金，并完成同样的工程目标。 这不是在既定动作空间中选择动作，而是在重构动作空间本身。 所以，Engineering AI 的典型输出不是“下一步动作”，而可能是： 设备选择、工艺路线、零件重设计、夹具方案、装配顺序、供应商组合、检测流程、成本函数和验证计划。 这使它与一般的策略 AI 明显不同。策略 AI 默认动作空间已经给定；Engineering AI 则会改变什么动作是可用的。 四、Software Engineering 已经出现了 Engineering AI：SWE Agent Engineering AI 并不是纯粹的未来概念。它已经首先在 software engineering 中落地，典型形态就是 SWE Agent。 普通 coding assistant 的工作方式是 prompt-to-code snippet。用户提出需求，模型生成一段代码。 但 SWE Agent 的工作方式不同。它读取 issue，理解代码库，修改源代码，运行测试、lint、type check 和 CI，最后提交 patch 或 PR。它处理的不是孤立代码片段，而是一个真实软件系统。 这意味着 SWE Agent 改变的是系统本身：代码结构、接口、依赖、配置、测试和运行行为。 它之所以能成立，是因为软件工程天然拥有一套可执行工程基底： 代码库是可编辑对象，编译器和解释器是执行环境，测试和 CI 是 verifier，Git 是版本控制和回滚机制，issue 和 PR 是任务与交付边界。 因此，在软件工程中，Engineering AI 已经具备最低闭环： 需求进入代码库，agent 修改系统，verifier 检查结果，patch 被 review、merge 或 rollback。 这就是 Engineering AI 的基本形态。 五、IC 设计是 physical engineering 中最成熟的样板 在 physical engineering 中，目前最接近 full-stack Engineering AI 的领域是 IC 设计。 半导体设计之所以高度自动化，不只是因为 EDA 工具强，而是因为它拥有一整套把制造能力形式化、机器可读化、可验证化的工程堆栈。 PDK 封装了 foundry 的制造能力。DRC 定义了可制造性的规则边界。LVS 检查设计意图与物理实现的一致性。Timing、power、parasitic analysis 则完成性能闭合。EDA 工具在这些约束和验证器之内进行综合、布局、布线和优化。 也就是说，IC 设计拥有 Engineering AI 所需要的关键组件： 能力包、规则牌组、自动综合、验证闭合和最终交付边界。 这套结构非常重要。因为它说明 physical engineering 并不是不能被自动化，而是必须先被形式化。只有当制造能力、设计规则、验证逻辑和交付边界被编码进一个可执行工程环境中，AI 才能真正从“建议者”变成“工程师”。 六、大多数 physical engineering 仍然处于 pre-EDA 阶段 与 software engineering 和 IC design 相比，机械工程、航空工程、建筑工程、土木工程和工业装备设计仍然处于非常早期的状态。 这些领域当然已经数字化。它们有 CAD、CAE、CAM、PLM、BIM、仿真软件和项目管理系统。但大多数工作流仍然是 drawing-centric 的。 Drawing-centric 工程以图纸、模型和人工解释为中心。工程知识分散在图纸、规范、经验、供应商沟通、现场调整和人工审查之中。CAD 模型描述了几何结果，但未必完整表达设计意图、制造约束、使用约束、变更规则和验证逻辑。 这就是为什么简单把 LLM 接入 CAD，并不能自动产生 Engineering AI。 真正缺的不是一个更会画图的模型，而是一个类似 software repo / CI 或 IC EDA / PDK / DRC 的可执行工程基底。 更准确地说，大多数 physical engineering 领域不是 pre-AI，而是 pre-EDA。 它们缺少的是： 机器可读的工艺能力包，机器可读的供应链能力包，统一的设计规则语言，可组合的 verifier stack，可自动执行的工程综合器，以及从设计到采购、制造、施工和维护的闭环接口。 七、Physical Engineering 为什么可能成为下一个 major RLVR domain 这件事不只是产业自动化问题，也可能是模型训练问题。 今天 RLVR 最成功的领域主要是 game、math 和 coding。它们共同特点是：任务结果可以被验证，reward 可以相对低成本地产生。 Math 的 verifier 来自形式系统。Coding 的 verifier 来自编译器、测试和 CI。Game 的 verifier 来自规则引擎。 Physical engineering 其实也具有极高密度的 verifier，而且这些 verifier 更接近真实经济价值。 几何可以验证干涉、碰撞、装配、公差、最小壁厚和可达性。 物理可以验证强度、刚度、热、流体、电磁、振动和疲劳。 制造可以验证可加工性、可焊接性、可铸造性、可打印性和可施工性。 供应链可以验证材料可得性、设备可用性、MOQ、交期和报价。 法规可以验证防火、抗震、安全、环保和认证。 经济模型可以验证成本、工期、能耗、维护成本和生命周期表现。 这意味着 physical engineering 不是 verifier-poor，而是 verifier-rich。它拥有大量确定性或半确定性的检查机制，理论上可以为模型提供密集、稳定、可组合的训练信号。 更重要的是，physical engineering 的经济价值极大。它直接改变材料、能源、空间、设备、建筑、交通、制造和基础设施。它不是单纯的信息生产，而是真正增加社会物理生产力的领域。 因此，physical engineering 不只是 AI 的 deployment domain，也可能成为 AI 的 training domain。模型可以生成设计，运行 verifier，得到反馈，修改方案，搜索替代路径，优化系统，并在这个过程中学习工程先验。 这就是为什么 physical engineering 可能成为 game、math、coding 之后的下一个 major RLVR domain。 八、关键转变：从 drawing-centric 到 code-centric 要释放这一潜力，physical engineering 必须完成一次范式迁移：从 drawing-centric 转向 code-centric。 这里的 code-centric 并不是说所有工程师都要写传统意义上的程序代码，而是说工程对象本身必须变成可执行规范。 可执行规范不是普通文档，也不是静态图纸。它是一种机器可运行的工程对象，包含任务意图、参数化设计、约束条件、制造能力、使用场景、验证逻辑、供应链接口和变更规则。 在 drawing-centric 工作流中，许多约束是在制造时、施工时、装配时或使用时才暴露出来的。设计完成后才发现不能加工、不能装配、不能维修、不能审批，或者成本和交期不可接受。 在 code-centric 工作流中，这些约束应该前置到设计时。可加工性、装夹、刀具可达性、材料库存、供应商能力、交期、检测方式、维护可达性、疲劳寿命、能耗、安全和法规，都应该在设计生成过程中被持续检查。 这是一种工程领域的 shift-left verification。 不是等设计完成后再发现问题，而是在设计生成过程中持续闭合几何、物理、制造、供应链、法规和成本约束。 九、Engineering AI 的真正机会 所以，Engineering AI 的真正机会并不是把 LLM 包装成 CAD 插件，也不是让机器人直接在工厂里试错学习。 更大的机会是构建 physical engineering 的 EDA-like substrate。 这个 substrate 应该包括： 机器可读的 capability package，形式化的 rule deck，参数化和代码化的设计表示，可组合的 verifier stack，agent 可操作的工程工具链，以及从设计、仿真、采购、制造、施工到维护的闭环接口。 一旦这个 substrate 成立，Engineering AI 就可以像 SWE Agent 操作代码库一样操作工程系统，也可以像 EDA 工具在 PDK 和 DRC 约束内综合芯片一样，在物理工程约束内综合机械、建筑、航空和工业系统。 到那时，AI 不再只是给工程师建议，而是能够生成、验证、修改、比较和交付工程方案。 十、结论：Physical Engineering 是 verifier-rich but substrate-poor Software engineering 已经从 text-centric 走向 repo-centric、test-centric、CI-centric，因此 SWE Agent 成立。 IC design 已经从 drawing-centric 走向 EDA-centric、PDK-centric、verification-centric，因此 physical engineering 中的 full-stack automation 首先在那里成熟。 机械、航空、建筑、土木和工业装备设计如果要进入 Engineering AI 时代，也必须完成同样的转变：从图纸中心转向代码中心，从结果描述转向可执行规范，从事后验证转向设计时闭合。 Physical engineering 并不缺少 verifier，也不缺少经济价值。它缺少的是一个能让 AI agent 操作这些 verifier 的工程基底。 一句话概括： Physical engineering is verifier-rich but substrate-poor. 谁能构建这个 substrate，谁就可能把 physical engineering 变成 game、math、coding 之后的下一个 major RLVR domain，也把 Engineering AI 从软件和 IC 推向更广阔的物理世界。

Alpha School 创始人把 Math Academy列为第一个推荐给孩子的AI工具

最近似乎比较流行从 Next.js 迁移到 TanStack，我看到好几次都忍住了，没去动手把我的产品官网迁移过去。因为我经常提醒自己：要做有必要且重要的事情。 但昨天刷到一条帖子后，又没忍住，想着那就给 Codex 设定个目标，让它去迁移吧。结果迁移搞了很久，虽然让它自动去测试，但最后还是会发现一些小问题——尤其是部署到生产环境后，表现和本地不太一样。 后来我就累了，开始反思：我折腾它干嘛呢？这件事有什么收益吗？产品又不是不能用，而且现在的成本也没有高到接受不了的程度。再说以我现在的访问量，都还没有触发 Vercel 的收费门槛。 我再一次提醒自己：一定要管住手。即便现在有 Token，也不能去做眼下没有价值的事情。 我经常会想起之前一位大佬提过的一个点，一直记在心里提醒自己：除非你的 MRR（月经常性收入）已经达到一万美金，你才值得花精力去做一些节省成本的事情。否则，你应该把所有的注意力都放在如何提升 MRR 上。 时刻牢记。

@LotusDecoder @miao_pasi_pasi 少而精比较好

@miao_pasi_pasi 天天 high 很容易炸掉的， 还有做得越多， 要人工维护的也越多。

对我来说， 可能opus-4.8 和 gpt-5.5 已经算是很够用了， 我是可以一直驱动他们干活， 甚至弄了一套 多 TUI agent，再套上各种分工模版干活，持续干完一个大的， 但是验收是个大问题， 我验收不过来的输出， 没法沉淀成我的资产， 所以等于单人的产量还是很低。

@huihoo 现在主要看集锦

有和我一样，不看世界杯的吗 年轻时会有代入感，为喜欢球队加油欢呼 上了年龄不关心了，觉得与我没什么关系

@williamlong moonlight 在两个配置过关主机的千兆局域网里，甚至可以用来玩 cs2，延迟极低，完全想不明白是怎么做到的

@LazySpider3 线性代数学了很久，至今没有入门🙈

四十岁想到要去读点有用的书, 第一个类目想到的竟然是 补一下大学没怎么学好的线性代数

Jordan Peterson on why writing is the most powerful skill you can learn: 1. writing and thinking are the same thing. there is no difference between them. when you learn to write clearly you are not learning to express thoughts you already have. you are learning to have the thoughts in the first place. 2. universities never tell students why they are writing. the answer they get is you need the grade. the real answer is you need to learn to think. because thinking is what makes you act effectively in the world and win the battles you choose to fight. 3. if you can think, speak, and write you are absolutely dangerous. people give you money. they give you opportunities. you have influence. peterson says nothing can get in your way. that is what you are at university for. 4. the most articulate person in the room always wins the argument. peterson has watched staggeringly successful people his whole life. the common thread: you do not want to argue with them. not because they are aggressive. because their points are organized and yours probably aren't. 5. someone who cannot write has done almost everything wrong before they start. wrong words, wrong sentences, wrong paragraph order, wrong structure, wrong conclusion. peterson says marking a bad essay is agony because the answer to what did i do wrong is essentially everything.

对终极真实的渴求 那天跟杭州来的一位老朋友聊起为什么越来越喜欢去看古建筑、去看有交响乐团伴奏的芭蕾舞。最近读了C.S.Lewis 路易斯《荣耀之重》，心有所悟。 人去现场，不是因为欲望太多，而是因为欲望太少。不是因为人太爱真实，而是因为人常常只敢要一点真实的替代品。 《荣耀的重量》先纠正了一个很深的误会。现代人以为，属灵就是压低欲望，少要一点，淡一点，清一点。路易斯反过来说，问题不在于人的欲望太强，而在于人的欲望太弱。无限的喜乐已经摆在面前，人却愿意蹲在贫民窟里做泥饼。这个判断若放回“现场和肉身”，意思就变得很清楚：人渴望到现场，不是低级的感官冲动，而是一个被压低、被误会、被替代的属灵信号。 现场为什么重要？因为人并不只想知道一件事。人想进入那件事。看古建筑，不只是知道梁架、斗拱、年代、风格；人还想站在那个坡度、风向、院落、山势里，知道它为什么必须在那里。听芭蕾，不只是知道曲目和动作；人还想感到乐队、指挥、演员在同一口气里改变彼此。进教堂，不只是听见道理；书上也有道理。人去那里，是让自己的身体被一个真实秩序重新摆放。 这正接近路易斯说的那种渴望：我们不只想看见美，还想与美联合，进入其中，成为它的一部分。现场给人的刺痛，正在这里。我们在山林、古建、音乐会、礼拜、面对面谈话中，偶尔碰到一点真实。它向我们打开一点，又立刻关上。我们因此知道，屏幕和文本不是假的，但它们常常太薄。它们像消息，不像进入。它们像回声，不像源头。 所以，“现场和肉身”不是反技术，也不是反文本。文本是必要的。画册是必要的。录音也是必要的。问题只在于，它们不能冒充完成。它们可以指路，却不能替人抵达。人必须带着身体去一次，才会知道自己从前理解得多轻。脚的疲劳、空气的冷暖、别人停顿的半秒、演员手臂的一点抖动、教堂里人与人同在的沉默，这些东西不是装饰，它们是理解的一部分。 从《荣耀的重量》看，肉身也不是灵魂的低级外壳。路易斯提醒我们，“身体原是为主而造的”。它意味着身体不是临时工具，不是需要被甩掉的负担。复活不是幽灵得救，而是得到一副新的身体。若身体将来要承受荣耀，那么今日的感官就不是可疑之物，而是尚未完成的器官。它会误用，会沉迷，会变成泥饼；但它被造出来，并不是为了泥饼。 人对于真实性的渴慕，因此不是病。真正的病，是我们太快用替代品安抚它。刷一段视频，像是到了现场；听一个摘要，像是读完一本书；在社交媒体上被看见，像是被承认；和人连续聊天，像是相交。这些东西不是全无价值，但若它们止住了更深的渴望，就成了小小的泥饼。人以为自己已经够贪，其实只是太容易满足。 比现场更重要的是位格personal，路易斯说，世上没有普通人。你并不是跟一个匆匆过客说话，他是一个不死灵魂。你的邻舍不是信息源，不是工具人，不是可替换的头像。邻舍是呈现在感官面前的神圣对象。真实交流之所以不能完全上传，是因为人不是内容容器。人有重量。人有将来的荣耀或败坏。面对面不是效率低，而是承认对方不是一段可处理的信息。 但要注意，自然、艺术和肉身经验本身并不是终点。它们是象征，是香气，是从未到访之国传来的消息。若把消息当成家，就会心碎。若顺着消息继续走，它就会训练我们渴望得更多。 所以，人对真实性的渴慕不是太多，而是太少；不是太肉身，而是不够相信肉身也要被救赎；不是太想进入世界，而是不敢相信真实世界背后还有更真实的邀请。现场提醒我们，知识不是只被读懂的，关系不是只被维持的，美不是只被观看的。人真正想要的，是被承认，被回应，被欢迎进入万物的核心。

开源我的一个skill 即 x-made-easy-skill 把一切困难的知识做成一本浅显的书。 1910 年，工程师汤普森（Silvanus P. Thompson）写了一本《微积分入门》（Calculus Made Easy）。开篇第一句话是：“本书旨在把你从预备的恐惧中解救出来。” 他做的事情很简单：先把那两个吓人微分和积分符号翻译成大白话：微分就是“一点点”，积分就是”加起来”。然后说，看，就这么回事。 这个技巧就是把任何一门知识都用同样方法处理，我已经用它制作了《奥数轻松学》、《Skill轻松学》、《概率轻松学》系列书籍。欢迎免费下载。 github.com/baibanbao/x-ma…

@justinskycak @WinnMathJourney Thanks Justin, we will grind it to 800 scores.

The predicted score takes practice exam performance into account, not just % of lessons completed. Think of progress as "what % of lessons have I completed or placed out of" and think of the score as "how well can I recall this material under the pressure of real test conditions". It normally takes at least several weeks of pure review and practice tests to get into high-stakes-test-ready shape, just like an athlete leading up to a big event.

@justinskycak Hi Justin, 可以解释一下SAT Math Prep的得分是如何计算的吗? 我和朋友 @WinnMathJourney 都在学这个课程,他每天完成的lesson和review比我多,获得的XP也更多,他的进度是100%, 而我的是98%. 但他的score是682,而我的是706. 我们都很困惑,想知道为什么.

宇宙的形状，可视化服务 几何、流形、拓扑 ... 负维、零维、一维、二维、三维、四维、五维、六维、七维、八维、九维、11维、N维、多维空间、多世界、多元宇宙 弦、基本粒子、原子、分子形状 DNA、RNA、螺旋结构、碱基对 ... 固体、液体、气体、金属、绝缘体、半导体、超导、等离子体 ... 原子的运行轨迹和方式 开放图形形状标准，JSON定义 定义好加载到图形GUI进行展示、操作、旋转等 计算机图形、2D/3D、图形引擎、物理引擎、游戏引擎 ... 计算机图形学的分支：几何、动画、影像拟真/渲染、影像/视频、拓扑结构 ... 计算机图形学是可视化关键的基础学科