Scaling the robot fleet drives higher token consumption: as more agents read logs, summarize peer branches, and coordinate, the total token budget required to reach a successful policy grows with fleet size
这是一个关于多智能体扩展的微妙发现：机器人数量增加，总token消耗也增加——主要来自智能体之间的协调开销（阅读彼此的日志、总结peer分支）。更大的团队更快到达成功，但边际收益递减，而边际成本递增。这与人类研究团队的规模化规律惊人地相似：超过某个规模后，协调成本开始主导生产成本。
TEMPO could be replaced by a much cheaper analog, 4-hydroxy-TEMPO, with little loss in performance
这个细节揭示了AI辅助实验设计的一个实际价值：不只是找到有效的条件，还能系统地探索更实用的替代方案。4-OH-TEMPO比TEMPO便宜得多也更易获得。在人力驱动的研究中，这类成本优化往往因为探索成本太高而被跳过；在高通量系统里，这是一批额外实验，边际成本极低。这种从发现到实用化的自动延伸，正是AI辅助科研的独特价值。
at approximately $22/AAR-hour, 800 cumulative AAR-hours cost roughly $18,000
$18,000换来了PGR=0.97——约等于1-2周一个研究员的成本，但这是9个智能体5天并行的结果，相当于45人天的等效工作量。更关键的是扩展性：AI研究的真正优势不在于个体速度，而在于近乎无限的并行化能力。同样$18,000可以运行多个独立搜索，结果可以综合；而人类研究的边际成本随并行度线性上升。
the agents recovered 97% over 800 cumulative hours and used roughly $18,000 in compute
AI安全研究的具体对比：2名人类研究员用约一周时间恢复了23%的性能差距；AI agent用800累计小时+18,000美元算力恢复了97%。18,000美元的算力成本在AI公司是完全可承受的，而「2名顶尖研究员工作一周」的人力成本远不止于此。同等预算下，AI的输出已经碾压人类。「人类仍然选择了问题和评分标准」——这个保留条款现在是唯一剩余的人类不可替代性，而这篇文章本身就是在论证这个条款也在缩窄。
the agents recovered 97% over 800 cumulative hours and used roughly $18,000 in compute
AI安全研究的具体对比：2名人类研究员用约一周时间恢复了23%的性能差距；AI agent用800累计小时+18,000美元算力恢复了97%。注意这里的隐含逻辑：18,000美元的算力成本在AI公司是完全可承受的，而「2名顶尖研究员工作一周」的人力成本远不止于此。同等预算下，AI的输出已经碾压人类。「人类仍然选择了问题和评分标准」——这个保留条款现在是唯一剩余的人类不可替代性，而这篇文章本身就是在论证这个条款也在缩窄。
计算机使用能量进行计算，那么能不能反过来，使用计算来储存能量？ 这是可以做到的，让信息变成电池。电力便宜时提前执行某些耗时的计算，并将结果缓存；电力昂贵时，再使用这些计算结果。
只是减少能量成本, 并没有真的减少能量消耗.
软件行业中，错误的做法往往得到更多的资源。下面是两个例子： 一个公司里面，技术债务最多的团队，员工最多。 问题最多的软件库或编程语言，产生最多的话题。
就像 #帕金森定理 所说, 膨胀或混乱才是一个组织的正常现象. 对抗这种现象需要付出巨大的力量.
#权力 的衡量标准是根据可以控制的人数来决定的
拜登想要发展美国制造业，有效的方法不是遏制中国，而是让中国的工资上升，那样制造业就会回到美国。
陈平不等式和马恩牌的提出原因吧