GPT-5首次通过「哥德尔测试」，连破三大组合优化猜想！甚至，它能自主推翻原有猜想，给出全新有效解法，当场惊呆OpenAI研究科学家。 AI迎来历史性一刻！ GPT-5成功破解三大猜想，通过了「哥德尔测试」。 论文地址：https://arxiv.org/pdf/2509.18383 OpenAI科学家Sebastien Bubeck惊叹地表示，这类开放性问题，顶尖博士生往往耗费数日才能解决。 不同以往，这项由海法大学和思科主导的研究，首次让AI直面「开放性数学猜想」的挑战。 论文中，团队设计了五项「组合优化」领域的测试任务，每项任务提供1-2篇文献作为了解。 在三个相对简单的问题上，GPT-5给出了近乎完美的解法，证明了其强大的逻辑推理水平。 (1) = (1 = $\varepsilon$) = max f(T), TET (1) = (1 = $\varepsilon$) = (1 = $\varepsilon$) = max f(T), TET (1) = (1 = $\varepsilon$) = (1 = $\varepsilon$) = max f(T), TET (1) = (1 = $\va ...

以下文章来源于深蓝AI ，作者深蓝学院 深蓝AI . 专注于人工智能、机器人与自动驾驶的学习平台。 本文只做学术分享，如有侵权，联系删文 AI技术日新月异，但真正的"硬核突破"在哪里？是让机器人更灵巧地完成复杂任务，还是让AI在工业决策上超越人类专家？抑或是为看似"黑盒"的模型找到坚 实的理论根基？ 这些令人兴奋的前沿挑战，正是 上海交通大学严骏驰教授团队 的主攻方向。作为IAPR/IET Fellow、国家优青，他带领的这支顶尖团队，近期在CVPR、 ICLR、NeurIPS等舞台上交出了一份惊艳的答卷，用一系列开创性工作回应了这些时代之问。 严骏驰教授，上海交通大学人工智能学院教授，IAPR/IET Fellow，CCF优博/杰出会员。科技部2030新一代人工智能重大项目负责人、国家自然科学基金委优青、交 叉学部重大研究计划重点项目负责人、教育部资源建设深度学习首席专家。发表CCF-A类第一/通讯作者论文过200篇（CVPR24最佳论文候选、AAAI21最具影响力 论文），引用超21000次。 作者 | 深蓝学院 来源 | 深蓝AI 点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾 ...

行业技术背景 - 人工智能和组合优化快速发展但面临高能耗挑战 对数字计算可持续性构成严峻压力 [1] - 当前新型计算系统存在局限性 多数仅擅长单一领域且需高能耗数字转换 效率受限 [2] - 现有系统硬件协同效率低 在处理内存受限神经网络和复杂优化问题时表现不佳 [2] 技术方案创新 - 提出模拟光学计算机（AOC）新范式 利用光与模拟信号替代传统数字逻辑计算 [3] - AOC实现模拟电子技术与三维光学技术结合 同一平台可同时加速AI推理和组合优化任务 [5] - 采用快速定点搜索方法 无需数字转换且增强抗噪声能力 支持递归推理新型神经模型 [5] 应用性能表现 - 在机器学习推理任务中实现图像分类和非线性回归 MNIST和Fashion-MNIST数据集显示略高准确率 [9] - 硬件成功运行非线性回归模型 精准重现高斯曲线和正弦曲线 需高精度数字孪生模型支持 [9] - 在组合优化任务中处理医学图像重建 压缩感知技术实现原始线条高度一致重建 均方误差低于0.07 [10] - 解决金融交易结算优化问题 7个块坐标下降步骤内找到全局最优解 远超量子硬件40-60%成功率 [11] 技术优势特性 - 全模拟操作最小化模数转换开销 原生支持迭代式计算密集型模型 [7][15] - 基于可扩展消费级技术构建 模块化架构支持光学矩阵-向量乘法分解为子运算 [17] - 支持1亿至20亿参数规模模型 需50-1000个光学模块 正负权重处理可减半模块数量 [17] 能效提升数据 - 1亿权重矩阵配合25个模块时功耗800W 计算速度达400 Peta-OPS [17] - 8位精度下能效为每瓦500 TOPS 较最新GPU每瓦4.5 TOPS提升超100倍 [17] - 光学组件带宽达2GHz或更高 制造生态系统支持晶圆级生产扩展 [17] 发展前景 - 硬件与算法协同设计推动创新飞轮 为可持续计算提供可扩展模拟平台 [19] - 架构展现出处理实际机器学习任务的潜力 能效提升约100倍 [18]

小盘风格表现 - 2025年下半年首个交易日，小微盘风格持续强势，中证2000增强ETF（159552）和1000ETF增强（159680）双双刷新上市新高 [1] - 中证2000增强ETF上半年净值增长率29.18%，涨幅位居宽基ETF第一，半年超额收益率近14% [1] - 中证2000增强ETF自2024年6月29日成立以来，每个季度均有超额收益，今年前两个季度超额均超过6% [6] - 1000ETF增强自2022年11月18日成立以来，累计超额收益33.10%，年化超额收益11.88% [9] 小盘风格强势原因 - 产业趋势及景气预期：在技术快速迭代、政策鼓励创新的阶段，小盘股更具相对优势 [2] - 宏观经济运行方向：经济预期平淡或缓和阶段，小盘风格偏强；经济企稳回升期，大盘风格占优 [4] - 当前AI、半导体等产业仍处于景气阶段，政策支持科创领域发展 [5] - 我国结构性问题突出，外部不确定性对增长带来挑战，稳增长政策下半年仍有加码需求及空间 [5] 市场数据与估值 - 截至6月27日，小盘指数换手率为2.1%，处于2015年以来77%分位数，交易拥挤度相对偏高 [5] - 小盘指数/大盘指数换手率比值约为4.1倍，位于历史均值附近 [5] - 当前小盘指数/大盘指数PE(TTM)比值为2.2倍，处于2015年以来72.5%分位数 [5] 基金业绩表现 - 中证2000增强ETF在2024Q3至2025Q2期间，净值增长率分别为18.91%、9.84%、13.58%、13.74%，超额收益率分别为1.24%、1.44%、6.50%、6.12% [7] - 1000ETF增强在2023Q1至2025Q2期间，各季度超额收益均超过1.50%，最高达4.85% [11] - 两只基金在单边下跌和震荡上涨行情中均能捕获超额收益，市场适应能力强 [8][9] 投资策略 - 招商旗下指增类基金采用多因子模型选股与组合优化的策略框架，涵盖基本面、技术面与机器学习因子 [13] - 基金以追求长期稳定的超额收益为目标，维持均衡稳健的组合配置，行业和风格不大幅偏离 [13]

矩阵乘法优化算法 - 矩阵乘法在训练和推理过程中消耗大量算力，成为计算瓶颈 [1][2] - 香港中文大学提出新算法RXTX，可节省5%-10%能源和5%时间 [3] - 针对特殊结构矩阵乘法（如XXᵀ）进行优化，突破传统算法限制 [7][8] RXTX算法技术细节 - 采用4×4分块矩阵递归乘法，结合机器学习搜索与组合优化方法 [10][11] - 递归关系式改进为R(n)=8R(n/4)+26M(n/4)，渐近乘法常数降至0.6341 [16][17] - 通过线性组合26个一般矩阵乘积和8个对称乘积计算结果 [11][13][14] 性能对比数据 - 乘法次数比原算法降低5%，运算量在n≥256时优于传统算法 [21][24] - 6144×6144矩阵测试中运行时间2.524秒，比BLAS默认实现快9% [27] - 总运算量公式显示对数项消除，算法优势随矩阵规模扩大而增强 [22][23] 算法开发方法 - 采用强化学习生成候选乘积，结合MILP求解器进行枚举筛选 [31] - 限制候选空间为二维张量降低计算复杂度，借鉴AlphaTensor思路 [28] - 通过大邻域搜索迭代优化减少冗余乘积，提升算法效率 [31]