🚨 OpenAIのCFOサラ・フライアーは、収益に関する大きな更新を発表しました:200億ドル+ARR。 記事はさらにこう述べています: 「コンピュートは前年比で~3倍に成長しました(2023年は0.2GW、2024年は0.6GW、2025年は~1.9GW)。収益も同じ曲線をたどりました。2023年に20億ドルのARR、2024年に60億ドル、2025年に200億ドル+でした。」 もしARRがその規模でこのようにスケーリングしているなら、「AIバブルはデマだった」と言ってもいいでしょうか?

エージェントが24時間365日稼働していないと、ひどいFOMO(取り残される恐怖)ができ始めています。 機会費用が非常に大きいように感じます。 まるで100人のエンジニアチームが、仕事を与えていないためにただ座っているだけのようです。 正直、あまり良い気分ではありません。 そして、土曜日に特集をリリースした後でも、この感覚を感じています。 同じような経験をしている人はいますか?

物理学に基づいたGNNで、データからニュートンの法則を学び、35×大きな系に外挿します 物理シミュレーション用のほとんどのニューラルネットワークはデータを消費し、脆弱です。一つの構成で訓練すると、境界条件を変えたり、システムを拡大したり、長期展開を行ったりすると崩壊します。根本的な問題は、これらのモデルが保存則ではなく相関関係を学習するということです。 ヴィナイ・シャルマとオルガ・フィンクは、ダイナミ-CAL GraphNetで異なるアプローチを取っています。ネットワークが物理学を発見しることを期待する代わりに、それを直接アーキテクチャに組み込んでいます。重要な洞察:ニュートンの第三法則は、エネルギーが摩擦や非弾性衝突によって消散しても、内部力が線運動量と角運動量を保存することを保証しています。 これらは、SO(3)等変、平行移動不変、ノード交換に対して反対称である新しいエッジ-局所参照系によってこれを実現しています。辺埋め込みから解読される力は自動的に等しく反対になります。角運動量も同様の扱いを受けます。ネットワークは内部トルクと力の加因点の両方を予測し、スピンを軌道寄与から分離します。 その結果は驚くべきものです。静止した箱内で60個の球体が衝突する5つの軌道で訓練され、2,073個の粒子を持つ回転する円筒形ホッパーに外挿し、16,000時間ステップにわたって安定した物理的に一貫したロールアウトを維持します。制約されたN体システム、人間のモーションキャプチャー、タンパク質分子動態では、特殊なベースラインを上回る性能を発揮しつつ、必要なデータ量も少ないです。 メッセージはこうです:損失関数ではなく保存則をアーキテクチャに組み込むと、スケールや幾何学、境界条件を超えて一般化できるモデルが得られます。なぜなら、彼らは最初から正しい帰納的バイアスを学んでいるからです。 論文: