Agili 的 Hacker Podcast 2026-05-09

欢迎阅读今天的 Agili 的 Hacker Podcast，我们将探讨 AI 攻克高阶数学带来的科研颠覆、语音模型传输底层的协议痛点，以及揭开闪电起源的物理新发现。

AI 突破多项式级别数学难题

17 分钟的博士级成果

菲尔兹奖得主蒂姆·高尔斯（Tim Gowers）分享了一次使用 ChatGPT 5.5 Pro 的经历。在约一个小时的交互中，该模型产出了一项达到博士水平的数学成果。研究聚焦于组合数学中的和集（Sumset，集合元素相加所得的集合）问题。系统需要在给定集合大小与和集大小的前提下，推导出集合直径（Diameter，集合中最大与最小元素的差值）的上限。

模型在思考 17 分钟后，提出利用西多集合（Sidon set，任意两个元素之和都唯一的集合）的构造方法，将原有的指数级上限优化到了多项式级别。这种思路原创且巧妙，不是对现有知识的简单拼凑，原本可能需要人类研究者耗费数周时间。

科研门槛与培养模式的颠覆

这种能力的跨越正在重塑学术界的规则。过去导师会给新手分配相对温和的问题作为起步，现在 AI 能轻易解决这些问题。高尔斯认为，数学研究的最低门槛已经变成了“证明 AI 证明不了的东西”。

资源鸿沟也在加剧。顶尖 AI 模型的访问权限昂贵且受限。数学曾是少数不需要昂贵设备就能开展的学科，未来的竞争可能演变为各院校 AI 模型能力的角逐。

人类学者的核心资产

社区讨论普遍认为，学习的本质在于思考过程中的摩擦与挣扎。如果博士生依赖 AI 跳过这些过程，将难以建立对问题空间的深层洞察。物理学教授 ziotom78 提到，AI 是排查复杂表达式中低级错误的得力工具，但在处理 3D 克利福德代数（Clifford algebras，一种将几何逻辑代数化的工具）等特定领域时仍会犯概念性错误。扎实的数学功底依然是研究者在与 AI 协作时保持专业判断和纠偏能力的基础。

OpenAI 语音 AI 背后的传输协议困境

为何 WebRTC 并不完美

OpenAI 在构建大规模语音 AI 时选择了 WebRTC（Web Real-Time Communication，网页即时通信）协议。这个最初为视频会议设计的协议优先保证低延迟，会激进地丢弃在网络波动中迟到的数据包。在语音交互场景下，丢包会导致 AI 接收到的指令不完整，进而生成错误的回答。

语音 AI 用户通常愿意多等 200 毫秒换取精准的回复。WebRTC 缺乏客户端缓冲机制，OpenAI 只能在发送端人为加入延迟（Sleep）以保证音频匀速播放。这种做法利用实时协议模拟流媒体传输，牺牲了音频质量并增加了系统复杂性。

扩展性与连接挑战

WebRTC 的连接建立通常需要 8 次网络往返（RTT），并依赖大量端口，容易被企业防火墙拦截。OpenAI 开发了一套自定义负载均衡方案，仅解析 STUN（Session Traversal Utilities for NAT，NAT 会话穿越实用程序）头部来转发数据。这缓解了端口压力，却破坏了协议原生的连接迁移功能。当用户从 Wi-Fi 切换到移动网络时，通话经常出现中断。

下一代传输方案的呼声

工程界呼吁转向更现代的协议。QUIC（一种基于 UDP 的高性能传输协议）仅需 1 次往返即可建连，并使用连接 ID 标识会话，允许用户在切换网络时保持通话连续。基于 QUIC 的 WebTransport 允许开发者自行控制延迟与质量的权衡，决定数据包的等待时间。社区开发者指出，一旦语音对话总延迟超过 500 毫秒，人机交互的自然感就会消失。随着原生语音到语音（S2S）模型的演进，数据以极小时间片持续流动，底层传输协议的升级势在必行。

揭开 Wi-Fi 路由器包装盒上的速度测算迷雾

真实的网速瓶颈

无线网速的瓶颈通常在客户端设备（如手机、笔记本电脑）而非路由器。受限于功耗和体积，多数移动设备仅支持 2×2 MIMO（Multiple Input Multiple Output，利用多根天线同时收发数据的技术）。路由器包装上的高数值（如 AX11000）是所有频段理论速度的总和。一台 2×2 MIMO 的手机根本无法跑满高端路由器的全部天线容量。

衡量性能的核心指标是物理层速率（PHY Speed，设备间建立连接的原始位速率）。由于协议开销和半双工（half-duplex，同一时刻只能发送或接收）特性，实际吞吐量通常只有物理层速率的 70%。

共享信道与信号衰减

Wi-Fi 是一种共享介质。Hacker News 用户 niobe 指出，即使 Wi-Fi 7 引入了改善多用户并发的 OFDMA（Orthogonal Frequency Division Multiple Access，正交频分多址）技术，信道竞争依然存在。当邻居使用相同信道时，设备必须共享该频率的传输时间。

Wi-Fi 7 引入的 4096-QAM（正交幅度调制，提高单位时间数据传输量的编码技术）对信号质量要求极高，通常只有在靠近路由器且无遮挡时才能生效。室内墙壁和地板的阻挡会导致网速迅速下滑。

改善家庭网络的实用建议

要提升远距离房间的网速，增加由有线网络连接的接入点（Access Point）效果最好。用户 blindriver 提醒，接入点并非越多越好，设备有时会死锁在远处信号较弱的旧接入点上，出现“粘性”问题。

选购路由器时，支持 4×4 MIMO、DFS（Dynamic Frequency Selection，动态频率选择）频道和 160 MHz 频宽的设备性价比更均衡。即使客户端只有两根天线，路由器也能通过波束成形（Beamforming，将信号功率集中导向特定设备）提升连接稳定性。

AI 时代重读《人月神话》

历久弥新的布鲁克斯法则

Fred Brooks 在 1975 年出版的《人月神话》（The Mythical Man-Month）依然在指导今天的软件工程。书中的布鲁克斯法则指出，向进度落后的软件项目增加人手，会使进度更加落后。人员增加会导致沟通路径呈指数级增长，瓦解协作效率。

Brooks 强调概念完整性（Conceptual Integrity）。一个为了保持思路一致而省略部分功能的系统，优于拼凑了许多独立好主意但缺乏协调的系统。

AI 是新的银弹吗？

Brooks 曾预言没有任何技术能让开发效率在十年内提升十倍。现在，开发者利用 Claude 等 AI 工具正在挑战这一论断。有工程师在社区分享，过去需要五人耗时一年的复杂系统集成，现在单人借助 AI 不到一年就能完成。AI 充当了 Brooks 构想中“外科手术团队”的辅助角色，大幅降低了沟通成本。

产出激增背后的认知债务

代码产出不等于交付成果。AI 能够快速处理偶然复杂度（Accidental Complexity，由实现方式引入的困难），但在面对本质复杂度（Essential Complexity，问题固有的难度）时，人类对核心逻辑的审视依然不可或缺。大量由 AI 生成的代码如果缺乏深刻理解，会积攒高昂的认知债务。组织流程中安全审计、发布决策等环节的处理能力，往往无法消化激增的代码量，成为新的交付瓶颈。

React2Shell：潜藏在服务端组件底层的安全漏洞

Flight 协议的安全盲区

安全研究员 Lachlan Davidson 发现了一个名为 React2Shell 的远程代码执行（RCE）漏洞，Meta 随后紧急修复。漏洞源于 Next.js 框架底层的 Flight 协议。该协议允许开发者在客户端和服务器间传递复杂的 JavaScript 对象，如日期或循环引用，突破了传统 JSON 格式的限制。

Flight 在处理对象引用时存在疏漏，它允许引用对象的原型属性。攻击者可以构造恶意消息，调用服务器端对象的继承属性并绑定在可控对象上，这就撕开了安全防线。

攻击链条的构建

漏洞的触发利用了 JavaScript 处理异步操作的机制。React 在解码 Flight 响应时使用了 await 关键字，这会自动调用目标对象上的 .then 方法。Davidson 向服务器发送伪造的“可等待对象”，触发服务器自动执行指定的函数。

通过提取 React 专用的 Chunk 对象原型方法，攻击者成功伪造了 React 的内部状态，并利用处理上传文件（blob）的代码逻辑执行了系统命令。由于 Flight 协议缺乏公开文档，其复杂的内部逻辑长期处于安全审计的盲区。

复杂架构带来的隐患争议

这一漏洞在社区引发了对 React 架构方向的讨论。React 试图模糊客户端与服务端的界限，引入服务端组件（RSC）。批评者指出，这种设计带来了具有“泄露抽象”特征的补丁代码，极易产生安全隐患。支持者则认为，这有效应对了 Web 开发中固有的数据加载复杂度。开发者在不熟悉底层渲染模型的情况下使用复杂框架，容易在无意中留下安全后门。

智能体时代的交互界面：从 Markdown 走向 HTML

纯文本的局限与 HTML 的崛起

Markdown 曾是人类与智能体交流的默认格式，但在处理复杂任务时，纯文本的局限开始显现。Anthropic 团队成员观察到，长篇 Markdown 文件的阅读体验欠佳。HTML（超文本标记语言）展现出了更高的信息密度，它能够直接集成表格、矢量图形、代码片段甚至交互式组件。

现在的智能体可以生成带有滑块和拖拽看板的“一次性编辑器”。用户通过调整 UI 界面完成参数配置后，再将数据导回对话中，改变了原有的交互流程。

效率与灵活性的取舍

生成 HTML 会消耗更多的大语言模型 Token（文本处理的最小单位），速度比生成 Markdown 慢 2 到 4 倍。社区用户指出，HTML 降低了人类手动修改文档的便利性，在版本控制工具中的代码对比也更加混乱。

部分开发者建议使用 MDX（支持嵌入组件的 Markdown 扩展）作为折中方案，或者在需要自动化分析时使用 JSON 格式。

增强用户的参与感

尽管存在性能取舍，HTML 让静态的输出变成了灵活的工作台。这种转变让用户能更直观地审视和干预智能体处理复杂逻辑的过程，在自动化工作流中保留了人类的控制感。

大语言模型在形式化验证中的“教材式”偏差

语法完美与逻辑脱节

Specula 团队测试了让 Claude 编写 Etcd 的 TLA+（一种用于并发系统的形式化规格说明语言）模型，发现模型只是在复述 Raft 论文的附录内容，没有体现真实的代码逻辑。

团队开发了自动化评测框架 SysMoBench 测试了 11 个系统。多数大语言模型在语法阶段表现完美，但在涉及一致性和系统不变性（invariant，系统需始终满足的安全属性）测试中，平均得分仅在 40% 左右。

两种典型的建模错误

这种“教材式建模”通常存在两种缺陷。第一种是陷入不可能的系统状态。例如在 ZooKeeper 选举逻辑中，真实代码会用新选票覆盖旧选票，而模型生成的代码将选票不断累加，导致状态推演失真。第二种是过度合并操作。模型将跨越多步的代码操作合并为一个原子动作，抹除了系统必然经历的中间状态。

框架引入了转换验证（Transition Validation），通过逐个检查系统真实运行轨迹切片，发现即使是 Claude 3.5 Sonnet，在面对复杂分布式系统时的一致性得分也极低。

寻找更可靠的验证路径

社区观点认为，事后让模型编写规格说明存在固有缺陷。像 Verus 这样将代码实现与验证直接耦合的工具能有效避免分歧。Specula 团队正在开发的专用建模智能体，通过自主阅读代码仓库来驱动工作流，表现优于基础模型。减少状态抽象过程中的信息损失仍是当前的攻坚方向。

用发光藻类制造无需电力的生物光源

酸碱度控制的光开关

科罗拉多大学博尔德分校的研究人员利用化学溶液，成功控制了发光藻类的生物发光（Bioluminescence）过程。这种名为 Pyrocystis lunula 的藻类平时只在受到扰动时产生毫秒级的闪烁。

研究发现，在 pH 值为 4 的酸性溶液中，这种藻类能持续发出明亮集中的光长达 25 分钟。研究团队将它们嵌入水凝胶（Hydrogel）中，通过 3D 打印制成各类形状。这些结构中的藻类能存活数周，且在四周后依然保持 75% 的亮度。

环保概念与物理现实

活体发光材料作为光合作用生物，能吸收二氧化碳，为照明技术提供了新思路。社区讨论指出，虽然这被称为“无需电力”的照明，但生物体内部运作依赖 ATP（三磷酸腺苷，细胞内能量分子）等化学能，荧光素的氧化过程也会释放少量二氧化碳。

特殊场景下的应用潜力

在效率上，生物发光难以直接挑战现代高能效的 LED 灯。但这种技术在特定场景具有独特价值，例如作为水质监测指示剂，或者为深海机器人提供无电池照明。藻类对温度高度敏感且需要定期光照维持生存，解决环境控制难题是其迈向实用化的关键。

高能物理视角下的闪电起源之谜

理论与观测的矛盾

地球上每时刻都有两千多场雷暴，但物理学家仍未弄清闪电开启的确切机制。长期以来，科学界认为闪电是云层电荷累积击穿空气的结果。但气象观测显示，雷雨云中的电场强度通常只有击穿空气所需理论值的十分之一。

逃逸电子与宇宙射线

物理学家 Joseph Dwyer 提出了逃逸电子雪崩（Runaway relativistic avalanches）理论。在电场中，接近光速移动的电子像子弹穿过雪花一样击穿原子，释放更多电子并产生伽马射线与正电子。这种反馈循环在毫秒内增强电场，诱发闪电。

洛斯阿拉莫斯国家实验室的研究则指向了外部诱因。来自深空的宇宙射线（超新星爆炸的碎片）撞击大气层产生的高能粒子流，可能像“引信”一样，在电场强度不足时强行电离空气路径，触发闪电。

捕捉云层中的微弱闪烁

NASA 的 ALOFT 任务驾驶高空飞行器穿越强风暴核心，证实了雷雨云内部即使没有可见闪电，也在持续发出微弱的伽马射线闪烁。雷暴云层本质上是一个活跃的粒子加速器。

闪电研究仍有许多未解之谜，包括向上喷发的蓝色喷流（Blue jets）和罕见的球状闪电。随着观测精度的提升，基础物理现象背后的高能机制正在逐步显现。

瑞士互联网档案库成立：构建分布式的数字记忆

延续千年的存证责任

瑞士互联网档案库（Internet Archive Switzerland，简称 IAS）近日在圣加仑成立。这是一家独立的非营利机构，与美国、加拿大等地的档案馆共享愿景，致力于构建具有韧性的全球数字图书馆。圣加仑拥有修道院档案馆等千年存证传统，IAS 选址于此具有象征意义。

数字信息的寿命正在受到文件格式更迭、存储介质损坏和付费墙的威胁。为应对这些挑战，IAS 启动了两个重点项目：与圣加仑大学合作建立生成式人工智能档案，为后代保存当下的 AI 模型；以及与联合国教科文组织合作的“濒危档案”计划，抢救受冲突和封锁威胁的数字资产。

分布式架构的韧性

在不同国家设立独立法律实体的做法，被视为应对政治压力和资金风险的策略。虽然各地机构拥有独立的董事会，但核心成员与技术架构保持紧密协作。这种分布式的网络避免了单一节点受损导致全球服务瘫痪，为保护人类集体记忆提供了坚实的基础设施。

播客全文

女：Hello 大家好，欢迎收听 Hacker Podcast，我是莓莓。

男：大家好，我是阿哲。

女：做产品经理这几年，我经常遇到一个头疼的情况。项目进度一旦落后，老板的第一反应就是“加人”。我最近看到 Martin Fowler 重新讨论了《人月神话》（The Mythical Man-Month）这本书，里面那个著名的布鲁克斯法则说得太准了，向进度落后的软件项目增加人手，只会让它更加落后。

男：这本书是 1975 年出版的。当时作者 Fred Brooks 总结的是 1960 年代开发 IBM 系统的经验。他提到人员增加会导致沟通路径呈指数级增加。如果协作机制没有设计好，整个团队的效率会瞬间瓦解。他当时提倡一种外科手术团队模式，也就是一个主程序员带几个专业的辅助人员。

女：过去很难实现这种模式，因为找齐专业辅助人员成本很高。现在情况变了。有个开发者分享了他用 Claude 辅助编程的经历。以前需要五个工程师花一年时间才能完成的复杂系统插件集成，他一个人不到一年就做完了。他一个人就像是一个外科手术团队，AI 包揽了那些繁琐的辅助工作。

男：这种效率提升确实打破了 Brooks 以前关于软件开发效率的预测。AI 解决了很多偶然复杂度（Accidental Complexity，由实现方式引入的困难）。不过，10 倍的代码产出并不等于 10 倍的交付速度。

女：对，产出和成果是两回事。半夜三点醒来，想到 AI 智能体还在不知疲倦地生成成百上千行代码，其实挺让人不安的。代码变得廉价后，人类去理解、调试这些代码的心理负担反而变重了。如果大型组织的发布审核流程跟不上，这些代码也只会堆积在代码库里。

男：我们在日常开发中已经能感受到这种变化。Anthropic 团队的 Thariq 发现，当智能体处理复杂任务时，传统的纯文本格式就不够用了。超过一百行的 Markdown 文件读起来非常吃力。他们开始让智能体生成 HTML（超文本标记语言）格式的文档。

女：这就把静态文档变成了动态工具。智能体可以直接给你一个带滑块的控制面板，或者一个可以拖拽的任务看板。你调整好参数，再把数据导回给它。这让普通用户在面对 AI 复杂的内部逻辑时，有了一个直观的抓手。

男：从开发角度看，这种做法有得有失。社区里有开发者提出，生成 HTML 消耗的 Token（大型语言模型处理文本的最小单位）更多，速度比生成 Markdown 慢 2 到 4 倍。如果是在版本控制系统里做代码差异比对，HTML 文件看起来会非常混乱。很多做自动化处理的工程师还是更倾向于使用 JSON（一种轻量级数据交换格式）。

女：而且过度依赖复杂的底层框架和协议，很容易留下安全隐患。最近安全研究员 Lachlan Davidson 报告了 Meta 的一个严重漏洞，就是一个典型的例子。

男：这个编号为 CVE-2025-55182 的漏洞出在 Next.js 框架底层的 Flight 协议上。这个协议是用来支持 React 服务端组件（RSC，React Server Components）的，它允许在客户端和服务器之间传递日期或者循环引用这类复杂对象。为了实现这种灵活性，Flight 协议用特殊的语法标识数据类型。

女：听起来这个协议为了方便开发者，把手伸得很长。

男：确实如此。Davidson 发现 Flight 在处理对象引用时有个安全缺口。它允许引用服务器端对象的继承属性。攻击的突破口在于 JavaScript 处理异步操作的方式。React 在解码 Flight 响应时使用了 await 关键字。当它遇到带有 .then 方法的对象时，运行环境会自动调用这个方法。

女：这就像是给系统递了一个伪装好的包裹。系统按照常规流程去拆解它，结果自动触发了包裹里的机关。

男：完全准确。Davidson 和另一位研究员 Sylvie Mayer 发现，他们可以提取 React 内部处理数据流的 Chunk 对象原型上的方法。通过利用 React 处理上传文件时的代码逻辑，他们构造出了能够执行任意系统命令的攻击载荷。Meta 安全团队反应很快，17 小时内就确认并修复了这个漏洞。

女：这件事在社区里引起了很大的讨论。Next.js 的创始人 Guillermo Rauch 自己也说这是安全检查的疏漏。React 这几年越来越想模糊客户端和服务端的界限，这种架构引入了大量复杂的补丁代码。有开发者提醒，如果不去搞懂框架底层的渲染逻辑，很容易像这样无意间打开一扇后门。

男：说到复杂的底层协议，OpenAI 在做大规模语音 AI 时遇到的问题也很有代表性。他们选择了 WebRTC（网页即时通信）协议，这在工程界引起了不小的争议。

女：WebRTC 我知道，以前做视频会议产品时经常接触。它最大的特点就是快，为了保证低延迟，如果网络稍微抖动一下，它会直接丢掉迟到的音频包。

男：这对视频会议没问题，人耳对稍微卡顿一下的容忍度很高。但对语音 AI 来说，丢掉一个音频包，AI 接收到的指令就不完整，给出的回答就会出错。

女：用户体验的逻辑在这里变了。如果我在和 AI 聊天，我宁愿多等 200 毫秒让它把我的话听全，也不想它因为丢包给我一个莫名其妙的回答。人机交互的那种流畅感一旦超过 500 毫秒的延迟，魔法感就消失了。

男：为了解决这个问题，OpenAI 不得不在发送端给每个音频包人为加入延迟，去保证匀速播放。这等于是用一个实时的协议去模拟流媒体传输，把原本简单的事情搞复杂了。而且 WebRTC 建立连接很繁琐，通常需要 8 次网络往返，还得占用大量端口，经常被企业防火墙拦截。

女：他们为什么不用更现代的方案？

男：目前行业方向都在朝着原生的语音到语音模型演进，数据切得非常碎。社区里普遍认为基于 UDP 的 QUIC 协议是更好的选择。它只需要 1 次往返就能建立连接。而且它用连接 ID 标识会话，就算你从 Wi-Fi 切换到手机网络，通话也不会断。OpenAI 现在面临前所未有的规模压力，只能先用成熟的协议，自己做了一套叫 Relay 的负载均衡方案来硬扛。

女：说到 Wi-Fi 切换，我最近刚好在折腾家里的网络。我买了一个包装上印着 AX11000 这种夸张数值的高端路由器，结果隔一堵墙在卧室用手机上网，还是会卡。

男：这是一个常见的认知误区。无线网速的瓶颈往往不在路由器，而在你的手机或者笔记本。大多数移动设备因为功耗限制，只支持 2x2 MIMO（多输入多输出，指利用多根天线同时发送和接收数据的技术）。不管路由器的天线再多、标称速度再快，你的单台手机根本吃不满它的容量。包装上的那个高数值，是 2.4 GHz、5 GHz 和 6 GHz 所有频段理论速度加起来的总和。

女：所以这个数值其实有很强的误导性。

男：对。衡量 Wi-Fi 性能要看物理层速率（PHY Speed，指设备间建立连接的原始位速率）。实际的应用层吞吐量只有这个速率的 70% 左右。更关键的是，Wi-Fi 是一种半双工（half-duplex，指同一频率在同一时刻只能发送或接收）的技术。

女：社区里的 niobe 说得好，Wi-Fi 本质上是一种共享介质。如果你的邻居和你用同一个信道，你们其实是在按时间切分共享这个频率。

男：虽然现在的 Wi-Fi 7 引入了能同时处理多个设备的传输技术，但物理规律是打破不了的。信号在室内遇到墙壁和地板，衰减得非常快。要改善远距离的网速，增加接有线网的接入点比用无线 Mesh 效果好得多。

女：不过有网友提醒，接入点也不是越多越好。手机有时候很笨，即使你走到新的路由器旁边，它还是死死连着远处信号很弱的那个，这就是所谓的设备粘性问题。

男：选购的时候可以关注支持 DFS（动态频率选择，允许 Wi-Fi 使用雷达占用频段的技术）频道的路由器。即使手机天线少，路由器多出来的天线也能通过波束成形（Beamforming，将信号功率集中导向特定设备的技术）提升连接的稳定性。

女：现在的技术演进速度太快了。网络协议在迭代，AI 的能力也在突飞猛进。菲尔兹奖得主 Tim Gowers 最近分享了一件事，他在没有给出实质性提示的情况下，让 ChatGPT 5.5 Pro 在一个小时内搞定了一项达到博士水平的数学研究。

男：这涉及组合数学里的和集（Sumset，指集合中元素相加所得结果的集合）问题。简单来说，就是看集合大小和它的和集大小之间，对集合的跨度有多大影响。MIT 的学生之前证明了它们之间是指数级关系。AI 想了 17 分钟，用了一种叫西多集合（Sidon set，指任意两个元素之和都唯一的集合）的构造方法，把这个上限优化到了多项式级别。

女：那个验证论文的学生确认，AI 的思路是原创的，不是在网上随便拼接的现成知识。物理学教授 ziotom78 也提到他用这种模型排查复数公式里的低级错误。不过在处理 3D 克利福德代数（Clifford algebras，一种将几何逻辑代数化的工具）这种极其特定的领域时，AI 还是会犯概念上的错。它现在就像一个高效但需要导师盯着的学生。

男：这种跨越确实让人兴奋，但也带来了新的问题。研究员 Olof Sisask 提到，数学以前是门不需要昂贵设备的学科。现在顶尖 AI 模型的访问权限很贵也受限制。普通院校和富裕机构之间的资源鸿沟正在拉大。

女：而且博士生的培养方式也要变了。以前导师会给点温和的小问题让新人练手。现在 AI 把这些小问题全包了。进入数学研究的门槛，变成了去证明那些 AI 证明不了的东西。如果在核心思路上人都插不上手，那人类学者的价值体现在哪呢？

男：Gowers 认为，学习过程中的挣扎是有价值的。如果直接跳过这些摩擦，人就建立不起对问题的深层洞察。他预测到了 2029 年，数学研究者不再是去追求证明某个具体定理的声望，而是通过解决难题来锻炼逻辑能力，这样才能具备审查和纠正 AI 错误的专业判断力。

女：要审查 AI 的错误确实需要极高的专业素养，尤其是在面对复杂的系统工程时。Specula 团队最近做了一个很有意思的实验，他们让大语言模型去写 Etcd 版本的 Raft 分布式协议规格说明。

男：用的语言叫 TLA+（一种用于并发和分布式系统的形式化规格说明语言）。表面上看，Claude 生成的代码通过了语法检查，也能在检查器里跑通。但研究人员仔细一看，发现它根本没有体现 Etcd 真实的运行逻辑，只是在复述 Raft 原始论文里的附录内容。

女：这就有点像学生考试遇到不会的题，就把课本上的原话默写上去。

男：为了查清这个问题，团队开发了 SysMoBench 评测框架。测试结果很有意思，多数模型语法得分很高，但在系统真实行为的一致性和不变性（invariant，即系统需始终满足的安全或存活性属性）测试中，平均只有 40 分左右。

女：它具体是怎么出错的呢？

男：有两种典型模式。第一种是陷入了真实系统永远不会到达的状态。比如在 ZooKeeper 的选举代码里，真实情况是用新选票覆盖旧选票。但 AI 却把选票全存进集合里不断累加。这种写法在教科书里很常见，但不符合实际情况。第二种是它把代码里好几个步骤合并成了一个不可分割的动作，直接把系统运行中必然会出现的中间状态给抹除掉了。

女：这很要命。如果连中间状态都覆盖不到，这种验证就成了表面文章。

男：所以 SysMoBench 引入了转换验证方法，把系统执行轨迹切分成前置状态、动作和后置状态的小窗口，逐个去检查。结果发现，即便换成 Claude 3.5 Sonnet 这种强力模型，在面对复杂的真实系统时，得分依然很低。这说明事后让 AI 去写规格说明很容易脱节，可能需要在写代码的同时就绑定形式化验证。

女：AI 确实还没有全知全能。说到这种让人着迷但又充满未知的现象，我想起物理学界一直在研究的一个问题。地球上随时都有超过两千场雷暴在发生，但闪电究竟是怎么产生的，到现在还没完全搞清楚。

男：本杰明·富兰克林两百多年前证明了闪电是电火花。科学界一直以为，那是云层的电荷积攒到了击穿空气的临界值。但观测数据显示，击穿空气每米需要 300 万伏特的电场，而气象气球在雷雨云里测到的电场强度连十分之一都不到。

女：也就是说，雷暴云是在电量远不够的情况下，强行劈出了闪电。

男：这就引入了天体物理学的视角。物理学家 Joseph Dwyer 提出了逃逸电子雪崩理论。在电场里，有些电子移动速度接近光速，它们撞击空气分子释放出更多电子，还会产生伽马射线（Gamma rays，能量最高的光射线）和正电子（Positron，电子的反物质对应物）。正电子被电场推回去，又触发新的雪崩。这个循环在几毫秒内把电场强度瞬间拉高，闪电就出来了。

女：NASA 后来派飞行器直接飞越强风暴的核心，证实了雷雨云内部真的像一个粒子加速器，就算没有闪电劈下来，里面也在不断发出微弱的伽马射线闪烁。

男：还有另一种解释。洛斯阿拉莫斯国家实验室的科学家发现，某些闪电的启动方向和云层电场方向对不上。他推测是来自深空的宇宙射线，也就是超新星爆炸的碎片，撞击大气层产生的粒子流成了引信，强行点燃了空气路径。

女：这个画面太震撼了。地球上的每一次打雷，都可能是一颗遥远恒星死亡的回响。尽管闪电的能量惊人，但真要收集起来其实并不多，折算下来也就相当于几十加仑的汽油。相比之下，科罗拉多大学博尔德分校的一项新研究，提供了一种更可控的光源。他们用化学溶液激活了藻类的生物发光（Bioluminescence，生物体通过化学反应产生光的现象）。

男：这种叫 Pyrocystis lunula 的藻类平时只在受到扰动时闪一下。研究人员把它们放进 pH 值为 4 的酸性溶液里，酸度跟番茄汁差不多，它们就能持续发出明亮的蓝光长达 25 分钟。如果换成碱性环境，光就会变散变暗。

女：他们还用 3D 打印技术把这些活体藻类封存在水凝胶里做成各种形状。就算放了四周，只要回到酸性环境，还能保持 75% 的亮度。这不仅不需要插电，还能顺带吸收二氧化碳。

男：从原理上看，这确实不依赖外接电源，但藻类维持生命发光还是得靠它们体内的化学能，而且发光反应氧化荧光素时依然会释放极少量的二氧化碳。现在的 LED 灯能效已经非常高了，这种生物发光在亮度上还比不了。

女：它肯定不是用来照亮客厅的。但想想看，如果把它放在深海探测器上，或者做成水质监测器，水里一有特定毒素它就亮起来预警，这些特定场景的潜力很大。

男：目前最大的技术阻碍是环境控制。藻类对温度很敏感，而且不能一直在暗处生存，没法直接替换现有的电力照明系统。

女：我们今天聊了 AI 编程、网络协议、复杂的数学定理，还有自然界的发光现象。产生这么多有价值的信息，怎么保存它们也是个大问题。最近，瑞士互联网档案库在圣加仑正式成立了。

男：这是一家独立的非营利基金会。他们和大家熟悉的美国互联网档案库愿景一致。现在的数字信息其实非常脆弱。数字文件的格式会过时，存储介质会损坏，有时候还会遭遇刻意删除或者被锁在付费墙后面。

女：圣加仑这个地方很有底蕴，那里有超过千年历史的修道院档案馆。把新的数字档案库存放在那里，有一种历史传承的感觉。他们现在重点做两个项目，一个是把现在的生成式 AI 模型存档留给后人，另一个是跟联合国教科文组织合作，抢救那些面临灾害或者冲突威胁的数字内容。

男：在不同的国家设立这种独立的法律实体，也是一种防范风险的策略。分布式的架构可以让档案库在面对资金或者地缘压力时更具韧性，不至于因为一个节点出问题就导致全球的服务瘫痪。

女：这是一种必须要做好的基础设施建设。我们的记忆和知识，总得有个安稳的存放处。好了，今天的话题就聊到这里，感谢大家的收听。大家在各种泛用型播客客户端都能搜索订阅我们的节目，我们下期再见。

男：下期见。

推荐订阅源