🚨 CFO OpenAI, Sarah Friar, tocmai a postat o actualizare uriașă privind veniturile: 20 miliarde $ + ARR. Articolul continua spunând: "Calculul a crescut de ~3 ori de la an la an (0,2 GW în 2023, 0,6 GW în 2024, ~1,9 GW în 2025). Veniturile au urmat aceeași curbă: 2 miliarde de dolari în 2023, 6 miliarde în 2024 și 20 miliarde+ în 2025." Dacă ARR scalează așa la acea dimensiune, e corect să spunem: "bula AI a fost o farsă"?

Încep să dezvolt un FOMO puternic dacă agenții mei nu funcționează non-stop. Pare că costul de oportunitate este extrem. E ca și cum ai avea o echipă de 100 de ingineri care stau acolo pentru că nu le-ai dat de lucru. De fapt, nu e o senzație grozavă. Și simt asta chiar și după ce am lansat un film într-o sâmbătă. Mai trece cineva prin asta?

Un GNN informat de fizică care învață legile lui Newton din date — și extrapolează la sisteme cu 35× mai mari Majoritatea rețelelor neuronale pentru simularea fizicii sunt consumatoare de date și fragile. Antrenează-i pe o singură configurație și se destramă când schimbi condițiile de frontieră, mărești sistemul sau rulezi rollout-uri lungi. Problema fundamentală: aceste modele învață corelații, nu legile de conservare. Vinay Sharma și Olga Fink abordează diferit Dynami-CAL GraphNet. În loc să spere că rețeaua descoperă fizica, o integrează direct în arhitectură. Ideea cheie: a treia lege a lui Newton garantează că forțele interne conservă momentul liniar și unghiular — chiar și atunci când energia se disipează prin frecare sau coliziuni inelastice. Ei realizează acest lucru printr-un nou sistem de referință local la muchie, care este SO(3)-echivariant, invariant la translație și antisimetric sub schimb de noduri. Forțele decodate din încorporarea muchii sunt automat egale și opuse. Momentul unghiular primește același tratament: rețeaua prezice atât cuplurile interne, cât și punctul de aplicare a forței, izolând spinul de contribuțiile orbitale. Rezultatele sunt remarcabile. Antrenat pe doar cinci traiectorii a 60 de sfere care se ciocnesc într-o cutie staționară, modelul extrapolează la un hopper cilindric rotativ cu 2.073 de particule — menținând rulări stabile și fizic constante pe parcursul a 16.000 de pași de timp. Pe sistemele N-body constrânse, capturarea mișcării umane și dinamica moleculară a proteinelor, depășește liniile de bază specializate, necesitând mai puține date. Mesajul: când integrezi legile de conservare în arhitectură, în loc de funcția de pierdere, obții modele care generalizează pe scări, geometrii și condiții de frontieră — pentru că au învățat de la început biasul inductiv corect. Hârtie: