凭什么Kimi庆功要挨骂，硅谷狂欢却被捧为文化？

作者：动察 Beating原标题：凭什么KIMI不能去夜店庆功？在刚刚过去的这个周末，Kimi 在北京的一家夜店办了庆功宴。夜店的大屏幕上打着三行字：K3，scale upK4，scale the fuck upTo the moon有人当晚发了小红书，说 Kimi 的程序员都挺拘谨，坐在卡座里低头玩手机，自己凑过去加微信还被拒了。联创张予彤据说也在场。第二天，社群和社交媒体上的评价是浮躁、纸醉金迷、做大模型的人不该这样。有人说他们技术还没做到世界第一，酒倒先喝上了。Kimi 在夜店办庆功宴本来不应该招来这么多的骂声。Kimi K3 刚发布不久就已经在国际上引起了轩然大波，甚至可以说是近期美国科技行业以及政坛关于开源模型争议最关键的导火索之一，团队当然有高兴的理由。可一场普通的庆功到了北京，就变成了一场关于初心的审判。奇怪的是，同样的场面换个地方发生，观感会完全不同。硅谷崇拜试想一下，如果是一家硅谷的公司，在硅谷的夜店庆功，是不是就顺眼很多呢？一群刚训练完模型的工程师，穿着 T 恤在酒吧喝多了，创始人站在人堆里，屏幕上打一句带脏话的口号。第二天科技媒体写出来，标题里大概会有野心、疯狂、年轻这些词。读者看完会说，这就是硅谷。我们谈论硅谷的时候，一向宽厚。硅谷最值钱的产品，不只是芯片、模型和软件。它还生产了一整套解释成功的语言。乔布斯常年一件黑色高领衫，那叫专注。扎克伯格穿拖鞋见投资人，那叫不把陈规当回事。睡办公室是献身事业，赚到钱去火人节是释放创造力。硅谷卖给世界的不只是芯片、模型和软件，还有一整套说辞，用来解释一个人为什么成功、他成功以后干什么才算体面。硅谷的人可以骄傲，可以冒犯，喝多了说几句脏话也没人当回事。他们不必时刻证明自己是个好学生，因为在这套说辞里，他们默认代表未来。可是中国的公司从来没有这种待遇。它要先证明技术是真的，增长是真的，估值不是吹的。这些都证明完了，还要再证明自己没有得意忘形。发布会英文说多了，有人嫌它崇洋媚外。创始人会表达，有人说他只会营销。公司赚到钱，员工出去庆祝，又有人担心它丢了初心。说得难听一点，这里面有一种硅谷崇拜。在很长一段时间里，硅谷不只是先进技术的产地，也是现代生活的原产地。车库创业、黑客文化、风险投资、股权激励、扁平管理，连反叛的姿势都是从那儿学来的。问题恰恰也出在这里。我们可以接受中国公司学习硅谷怎样吃苦，却不大能接受中国人也学会像硅谷成功者那样享乐。这其实是就是一种隐性的文化自卑。这里的硅谷崇拜，不是简单地觉得硅谷更高级。而是我们潜意识里认为：西方成功者拥有定义生活方式的权利，而中国成功者只有接受生活方式审判的义务。The Information 最近有一篇文章《Private Jets Are Scarce. Blame the Gusher of AI Wealth》里面描述了这样一个现实：如今美国高端私人飞机的消费者约 30% 来自硅谷，这其中不止是科技公司的创始人们，得益于 AI 在资本市场上的疯狂表现，如今很多 AI 公司的研究员和工程师们也开始消费私人飞机了。美国最顶尖的 AI 工程师已经开始研究买湾流 G650 了，我们还在讨论中国 AI 工程师去工体喝酒是不是太浮躁。我们并不是在宣扬一种奢侈的生活方式，平心而论，如果你是这些顶尖人才，你更愿意在哪个舆论环境下工作？苦难道德主义我们对美国科技精英格外宽容，对自己人却格外严厉，也不仅仅是因为硅谷崇拜，还因为我们从小接受的教育告诉我们，一份体面的成功，应该来得很苦。我们很早就学会用是否能吃苦判断一个人的品行。小孩成绩不好，家长最生气的往往不是分...

24天前burnking#律动BlockBeats

菲尔兹奖得主怎么发了AI顶会？

作者：量子位原标题：菲尔兹奖得主王虹，也发过NeurIPS嗯？新晋菲尔兹奖得主王虹，也曾跨界做 AI？NeurIPS 2026 出分在即，有网友扒出，王虹教授发过一篇NeurIPS 2019。而且还不是挂名，是实打实的共同一作。那么问题来了，一个纯数方向的顶尖数学家，为什么会在 AI 顶会上发论文？通读下来，我们的结论是，这是一篇数学理论+机器学习的最佳范例。不过有意思的是，在王虹个人主页列出的将近 40 多篇论文和预印本中，几乎每篇都附有完整链接。唯独这篇，是个例外。王虹跨界挑战 AI这篇论文研究的，是机器学习和数据分析中的一项基础任务：低秩矩阵近似。简单来说，现实中的数据通常可以整理成一个矩阵，但这些矩阵往往非常大，直接存储和处理成本极高。低秩近似就是用一个结构更简单、秩更低的矩阵，尽可能准确地还原原始矩阵。近来常用的近似算法是列子集选择（Column Subset Selection，CSS）。它的思路其实非常直观。在面对一个包含大量列的数据矩阵，不再直接求出一个全新的低秩矩阵，而是从原矩阵中挑出具有代表性的若干列，再用它们张成的空间去近似整个矩阵。由于被 CSS 选出来的列直接来自原始数据，因此会比普通矩阵分解得到的抽象向量更容易解释，同时它也能降低存储和计算成本，适合处理大规模数据。此前的研究证明，其中对于一般的低秩近似，CSS 算法的近似比上界大约是O(k+1)。这里的 k 指的是目标矩阵的秩，k 越大，理论上允许的最坏误差就越大。王虹等人的工作，则是把这个界进一步推进：· 当 1≤p≤2 时，近似比为 (k+1)^(1/p)；· 当 p≥2 时，近似比为 (k+1)^(1−1/p)。相较此前统一的 O(k+1) 结果，这一界明显更紧，算法能够被严格限制，最坏结果也只会比最优解差一点点。另外，对于 p≥2 的情况，论文还构造了对应的下界，证明其结果精确到常数 1。换句话说，这篇论文给出了近乎封顶的理论答案。而这篇论文中最关键、也最能体现王虹数学背景的部分，是他们使用了来自调和分析的经典工具Riesz–Thorin 插值定理。通常情况下，想证明一套算法在所有 p 值下都成立，需要针对不同的 p 分别展开复杂分析。对于某些端点情况，例如 p=1、p=2 和 p=∞，则相对容易处理。接着 Riesz–Thorin 插值定理可以在掌握这些端点结果后，把结论「插值」到中间的所有 p 值。具体来说，论文先证明 p=1、2、∞ 三个特殊情况，再通过插值理论推出整个范围内的近似界。事实上，这套工具在调和分析和算子理论中属于经典方法，却并不是当时理论计算机科学研究者最常使用的技术。NeurIPS 当年的审稿人也注意到了这一点。审稿人最终认可这篇论文最主要的技术创新，就是往计算机领域引入 Riesz–Thorin 定理，最后的 Meta Review 则将它评价为一篇论证相当扎实的论文。放到今天看，这篇论文其实也提供了一个非常典型的跨学科案例，机器学习的难题或许可以在纯数学中找到突破口。NeurIPS 2026 出分在即时间拨回到现在，NeurIPS 的审稿机制正在发生一次明显调整。NeurIPS 2026 要求作者在投稿时，从五种贡献类型中选择出最符合论文定位的一类：General、Theory、Use-Inspired、Concept & Feasibility 以及 Negative Results。毫无疑问，王虹这篇 2019 年的论文属于其中的Theory类型。按照 NeurIPS 2026 最新审稿指南，理论论文首先考察的是数学严谨性...

28天前burnking#AI #王虹