🚨 CFO OpenAI Sarah Friar baru saja memposting pembaruan besar tentang pendapatan: $20B+ ARR. Artikel itu melanjutkan mengatakan: "Komputasi tumbuh ~3x dari tahun ke tahun (0,2 GW pada tahun 2023, 0,6 GW pada tahun 2024, ~1,9 GW pada tahun 2025). Pendapatan mengikuti kurva yang sama: ARR $2 miliar pada tahun 2023, $6 miliar pada tahun 2024, dan $20 miliar+ pada tahun 2025." Jika ARR menskalakan seperti ini pada ukuran itu, wajar untuk mengatakan: "gelembung ai adalah tipuan"?

Saya mulai mengembangkan FOMO yang buruk jika agen saya tidak berjalan 24x7. Rasanya biaya peluangnya ekstrem. Ini seperti Anda memiliki tim yang terdiri dari 100 insinyur yang hanya duduk di sana karena Anda belum memberi mereka pekerjaan untuk dilakukan. Bukan perasaan yang bagus sebenarnya. Dan saya merasakan ini bahkan setelah mengirimkan fitur pada hari Sabtu. Ada orang lain yang mengalami ini?

GNN yang diinformasikan fisika yang mempelajari hukum Newton dari data—dan mengekstrapolasi ke sistem 35× lebih besar Sebagian besar jaringan saraf untuk simulasi fisika haus data dan rapuh. Latih mereka pada satu konfigurasi, dan mereka berantakan saat Anda mengubah kondisi batas, meningkatkan skala sistem, atau menjalankan peluncuran yang panjang. Masalah mendasar: model-model ini mempelajari korelasi, bukan hukum konservasi. Vinay Sharma dan Olga Fink mengambil pendekatan yang berbeda dengan Dynami-CAL GraphNet. Alih-alih berharap jaringan menemukan fisika, mereka menyematkannya langsung ke dalam arsitektur. Wawasan kunci: Hukum ketiga Newton menjamin bahwa gaya internal melestarikan momentum linier dan sudut—bahkan ketika energi menghilang melalui gesekan atau tumbukan tidak elastis. Mereka mencapai ini melalui kerangka referensi tepi-lokal baru yang bersifat SO(3)-ekuivarian, translasi-invarian, dan antisimetris di bawah pertukaran simpul. Gaya yang didekodekan dari penyematan tepi secara otomatis sama dan berlawanan. Momentum sudut mendapat perlakuan yang sama: jaringan memprediksi torsi internal dan titik aplikasi gaya, mengisolasi putaran dari kontribusi orbit. Hasilnya mengejutkan. Dilatih hanya pada lima lintasan dari 60 bola yang bertabrakan dalam kotak stasioner, model ini mengekstrapolasi ke hopper silinder yang berputar dengan 2.073 partikel—mempertahankan peluncuran yang stabil dan konsisten secara fisik selama 16.000 langkah waktu. Pada sistem N-body yang terbatas, penangkapan gerakan manusia, dan dinamika molekuler protein, ia mengungguli baseline khusus sambil membutuhkan lebih sedikit data. Pesannya: ketika Anda memasukkan hukum konservasi ke dalam arsitektur daripada fungsi kerugian, Anda mendapatkan model yang menggeneralisasi lintas skala, geometri, dan kondisi batas—karena mereka telah mempelajari bias induktif yang tepat sejak awal. Kertas: