在麻省理工科技评论（MIT Technology Review）主办的EmTech AI人工智能领导力峰会上，一场特别的圆桌会议通过直播形式举行，为订阅者独家揭晓了一份聚焦2026年人工智能领域关键发展的清单。这份清单涵盖了**10项关键技术、新兴趋势、大胆构想和重要动向**，旨在帮助行业领导者把握AI发展的核心脉搏。 ## 会议背景与形式 本次圆桌会议是EmTech AI峰会的一部分，由麻省理工科技评论的AI记者**Grace Huckins**主持，执行编辑**Amy Nordrum**和**Niall Firth**在台上正式公布了这份清单。会议于**2026年4月21日**录制，采用直播形式，优先面向MIT校友和订阅者开放，体现了内容的高端性和前瞻性。 ## 清单的核心价值 这份清单并非简单的技术罗列，而是经过编辑团队深度筛选，聚焦于“当前最重要”的AI要素。它可能包括： - **突破性技术**：如新一代大语言模型（LLMs）的演进、AI代理（AI agents）的成熟应用、多模态能力的深度融合等。 - **关键趋势**：例如AI在科学发现（如自动化研究）、社会治理（可能涉及监控伦理）、以及产业落地（如机器人导航）中的角色演变。 - **思想与运动**：涵盖对AI发展方向的宏观思考，如应对“AI倦怠期”（AI malaise）、平衡创新与监管、以及探索AI的长期社会影响。 ## 行业关联与深层意义 从会议提及的相关报道可以推断，清单内容紧密联系着AI行业的前沿动态： - **OpenAI**等领军机构正全力推进**完全自动化研究**，这代表了AI从工具向自主探索者的转变。 - **LLMs可能强化大规模监控**的讨论，凸显了AI伦理与隐私保护的紧迫性。 - **Niantic**利用《Pokémon GO》图像数据训练世界模型，展示了**数据众包与AI训练**的创新结合。 - **斯坦福2026年AI指数报告**指出“AI在狂奔，人类在追赶”，这或许呼应了清单对AI发展速度与社会适应力差距的关注。 这些关联表明，清单旨在整合技术突破、应用场景与伦理挑战，为决策者提供一份平衡的路线图参考。 ## 对中文读者的启示 对于关注全球AI趋势的中文读者而言，这份清单的价值在于： 1. **前瞻预警**：提前了解2026年可能成型的关键技术，为战略布局提供信息。 2. **风险识别**：关注AI伦理、监控等议题，有助于在本地化发展中规避类似风险。 3. **创新启发**：从自动化研究、数据利用等案例中，寻找可借鉴的技术路径或商业模式。 ## 小结 尽管清单的具体内容因订阅限制未完全公开，但其发布本身已传递出明确信号：AI领域正处在一个**技术加速、应用深化、伦理挑战并存**的关键节点。麻省理工科技评论通过这份清单，试图为行业提炼出最值得关注的焦点，帮助各方在AI的“狂奔”中保持清醒的方向感。对于无法直接获取清单细节的读者，关注相关报道和行业动态，仍是把握这些“重要事物”的有效途径。
## 改写地球生命演化史：氧气呼吸能力或提前数亿年 长期以来，科学界普遍认为，地球上的生命在大约 **23 亿年前** 的 **大氧化事件** 期间才进化出利用氧气的能力，这一事件为需氧生物的演化铺平了道路。然而，麻省理工学院的地球生物学家及其同事的最新研究，可能彻底颠覆这一传统认知。他们发现，某些早期生命形式在 **大氧化事件之前数亿年** 就已经进化出了使用氧气的关键能力。 ### 研究方法：从现代酶追溯远古起源 研究团队采用了一种创新的分子生物学方法，通过分析数千种现代生物的酶序列，并将其映射到生命进化树上，追溯了一种关键酶的起源。这种酶能使生物体利用氧气进行代谢，即 **有氧呼吸**。 * **关键发现**：这种酶的起源可追溯到 **中太古代**，即 **32 亿至 28 亿年前**。 * **技术路径**：研究人员利用基因序列比对和进化模型，重建了酶的演化历史，从而推断出早期生命可能已具备有氧呼吸的潜力。 ### 解开地球历史谜团 这一发现有助于解释地球历史上一个长期存在的谜题：既然最早产生氧气的微生物（如 **蓝细菌**）很可能在中太古代之前就已出现，为什么大气中的氧气直到数亿年后才积累起来？ 研究提出了一种可能的解释：那些进化出关键酶的早期生物，可能生活在产氧微生物附近，并迅速消耗了它们产生的少量氧气，从而阻止了氧气在大气中的早期积累。这就像一场“氧气争夺战”，在氧气大量释放到大气之前，已被邻近的生命形式“吞噬”。 ### 专家观点与意义 麻省理工学院地球、大气与行星科学系的研究科学家、该论文的合著者 **Fatima Husain** 表示：“**这极大地改变了有氧呼吸的故事**。它向我们展示了，在地球历史的各个时期，生命都是如此具有惊人的创新性。” 这项研究不仅将生命利用氧气的时间线大幅提前，也凸显了生命在极端环境下的适应能力和进化速度。它提醒我们，早期地球的生态系统可能比我们想象的更为复杂和活跃。 ### 对 AI 与科学研究的启示 虽然这项研究本身属于地球科学和生物学领域，但其方法论——**利用大数据（现代生物序列）和计算模型（进化树重建）来追溯远古历史**——与当前 AI 驱动的科学研究趋势高度契合。在 AI 时代，类似的数据驱动、模型推断方法正被广泛应用于天体物理学、气候模拟、药物发现等领域，帮助科学家从海量数据中挖掘隐藏的模式，挑战传统假设，推动科学边界。 **小结**：MIT 的这项研究通过基因追溯技术，揭示了生命可能早在 32-28 亿年前就已进化出利用氧气的能力，比大氧化事件早数亿年。这不仅改写了地球生命演化史，也为理解早期氧气动态提供了新视角，同时体现了数据科学在解开古老谜题中的强大力量。
意识如何从大脑的物理物质中产生？这一被称为“意识的难题”的哲学与科学问题，长期以来因缺乏合适的非侵入性研究工具而进展缓慢。近日，麻省理工学院（MIT）的哲学家Matthias Michel、林肯实验室研究员Daniel Freeman及其同事在论文中提出，一种新兴技术——**经颅聚焦超声**（transcranial focused ultrasound）——可能成为破解这一谜题的关键工具。 ## 超越传统脑成像的技术突破 与脑电图（EEG）或磁共振成像（MRI）等现有技术相比，经颅聚焦超声具有两大优势： - **穿透深度更佳**：能够触及大脑更深层区域，而传统非侵入方法往往局限于表层。 - **空间分辨率更高**：其声波可聚焦于仅几毫米的特定脑区，实现对局部神经结构的精准刺激。 该技术的工作原理是：通过颅骨发送声波，聚焦于目标区域，从而激活或抑制特定神经元群，研究人员随后可观察由此引发的行为或主观体验变化。这种“刺激-响应”模式为直接探索意识相关的神经回路提供了前所未有的可能性。 ## 检验两种意识理论 研究团队设计了一套实验方案，旨在利用该技术检验当前关于意识的两种主要理论框架： 1. **认知主义观点**：认为意识体验的产生依赖于高级认知过程（如推理、自我反思），这些过程很可能涉及前额叶皮层等区域。 2. **非认知主义观点**：主张特定的神经活动模式（通常位于皮层下结构或大脑后部皮层）直接催生主观体验，无需高级认知参与。 通过精准刺激不同脑区（如前额叶与皮层下区域），并记录被试者的主观报告或行为指标，研究人员有望区分这两种理论何者更符合神经现实。 ## 从基础科学到“难题”的跨越 Daniel Freeman指出：“这项工具不仅对医学或基础科学有价值，还可能帮助应对意识的难题。”所谓“难题”，即解释物理大脑活动如何转化为疼痛感、视觉体验乃至复杂思想等主观现象。 经颅聚焦超声的潜力在于，它能直接“探询”大脑中产生特定感觉或思维的神经回路位置。例如，通过刺激不同区域，观察是否引发疼痛或视觉幻觉，从而映射意识体验的神经基础。 ## 行业背景与意义 在AI领域，理解人类意识对开发更类人的智能系统具有深远影响。当前，大型语言模型虽能生成流畅文本，但普遍缺乏主观体验与自我意识。神经科学对意识机制的揭示，可能为AI的“意识模拟”或“感知建模”提供生物学启发。 同时，非侵入性脑刺激技术本身也是神经科技的热点方向。除超声外，经颅磁刺激（TMS）等技术已用于治疗抑郁症等疾病。经颅聚焦超声若在意识研究中验证有效，其应用可能从科研延伸至神经精神疾病的干预与康复。 ## 挑战与展望 尽管前景广阔，该技术仍面临诸多挑战： - 超声刺激的长期安全性需进一步验证。 - 意识体验的主观报告存在个体差异与测量难题。 - 理论框架本身可能过于简化，实际神经机制可能更为分布式或动态。 MIT团队的提案为意识研究开辟了一条新路径，但最终结论仍需严谨实验数据支撑。随着神经科技与AI的交叉融合，这类探索不仅关乎科学真相，也可能重塑我们对心智、机器与人类本质的理解。
**MIT化学教授Laura Kiessling领导的研究团队发现，一种名为intelectin-2的天然蛋白质，不仅能够增强肠道黏膜屏障，还能提供广谱保护，对抗胃肠道中的有害细菌。** 这项研究揭示了人体自身免疫防御机制的新层面，并为应对日益严峻的抗生素耐药性问题提供了全新的策略方向。 ### 双重防御机制：加固屏障与直接杀菌 研究团队发现，intelectin-2是一种凝集素（lectin），它通过两种互补的方式发挥作用： 1. **加固黏膜屏障**：intelectin-2能够与构成黏液的黏蛋白（mucins）中的半乳糖（galactose）结合，从而帮助稳定和加强肠道内壁的保护性黏液层。这相当于为肠道筑起了一道更坚固的物理防线。 2. **直接中和细菌**：当屏障受损，细菌开始逃逸时，intelectin-2会直接与细菌细胞膜上的半乳糖分子结合。这种结合会困住细菌，阻碍其生长。更关键的是，被困住的微生物最终会瓦解，这表明intelectin-2能够通过破坏细菌的细胞膜来杀死它们。 Laura Kiessling教授对此解释道：“intelectin-2的运作方式非常出色。它既能帮助稳定黏液层，又能在屏障受损时，直接中和或限制那些开始逃逸的细菌。” ### 对抗耐药菌的潜力 研究显示，intelectin-2能够中和或消灭包括**金黄色葡萄球菌（Staphylococcus aureus）** 和**肺炎克雷伯菌（Klebsiella pneumoniae）** 在内的多种病原体。这些细菌通常难以用抗生素治疗，是导致院内感染和抗生素耐药性问题的主要元凶之一。因此，研究人员认为，intelectin-2未来有潜力被开发成一种新型的抗菌剂。 Kiessling教授强调：“利用人类自身的凝集素作为工具来对抗抗生素耐药性，开辟了一条从根本上全新的策略，它借鉴了我们自身固有的免疫防御机制。利用身体已经用来保护自己免受病原体侵害的蛋白质，这一方向极具吸引力，也是我们正在追求的。” ### 对炎症性肠病等疾病的启示 这项发现对理解和管理某些疾病也具有重要意义。例如，在**炎症性肠病（IBD）** 患者中，intelectin-2的水平可能出现异常：水平过低可能削弱黏液屏障，而水平过高则可能杀死有益的肠道细菌。因此，恢复理想的intelectin-2水平，可能成为未来治疗这类疾病的一种新思路。 ### 总结与展望 MIT的这项研究不仅深化了我们对人体黏膜免疫系统的理解，更重要的是，它指向了一个对抗病原体（尤其是耐药菌）的创新路径——**利用人体自身产生的天然防御蛋白**。在传统抗生素研发面临瓶颈、耐药性问题日益严峻的背景下，这种“师法自然”的策略显得尤为宝贵。虽然将intelectin-2开发成临床应用的治疗手段还有很长的路要走，但它无疑为未来的抗感染治疗和免疫调节疗法点亮了一盏新的明灯。
电子设备运行时产生的废热通常被视为需要解决的问题，但麻省理工学院（MIT）的研究团队却从中发现了新的计算潜力。由MIT士兵纳米技术研究所的研究科学家Giuseppe Romano领导的团队，开发出一种不依赖电力的模拟计算方法，将废热转化为信息处理的媒介。这项技术不仅有望为人工智能硬件提供更节能的解决方案，还可能立即应用于电子设备的热源监测。 ## 废热如何成为计算媒介？ 传统计算依赖二进制编码（0和1）和电力驱动，而这项新技术采用了完全不同的物理原理。研究团队将输入数据编码为**基于设备已有废热的一组温度**，而非数字信号。通过精心设计的微小硅结构，热量的流动和分布成为计算的基础。这些结构由团队开发的**基于物理的优化算法**设计，能够引导热量以特定模式传递，最终在另一端收集的功率代表计算结果。 研究团队使用这种结构执行了**矩阵向量乘法**——这是大型语言模型等机器学习模型处理信息和做出预测时使用的核心数学技术。在许多测试案例中，该方法的准确率超过**99%**，证明了其作为计算媒介的可行性。 ## 技术突破与潜在应用 ### 为AI硬件提供节能替代方案 随着人工智能模型规模不断扩大，计算能耗已成为行业面临的严峻挑战。传统的数字计算在矩阵运算中消耗大量电力，同时产生显著废热。MIT的这项研究提出了一种**利用废热本身进行计算**的逆向思路，有望在未来开发出能效更高的专用AI硬件。 论文第一作者、物理系本科生Caio Silva指出：“大多数时候，在电子设备中执行计算时，热量是废品。人们通常希望尽可能消除热量。但在这里，我们采取了相反的方法，将热量本身作为一种信息形式。” ### 更直接的监测应用 尽管将这项技术扩展到现代深度学习模型仍面临诸多挑战——例如需要将数百万个这样的结构拼接在一起，以及随着矩阵复杂度增加、输入输出端距离增大时精度下降的问题——但它已展现出更直接的应用前景。 该技术可用于**检测电子设备中的问题热源并测量温度变化，而无需消耗额外能量**。这不仅能实现更精准的热管理，还能**消除当前芯片上占用空间的多温度传感器需求**，为芯片设计提供更多灵活性。 ## 行业意义与未来展望 这项研究代表了**模拟计算**领域的一次重要创新。模拟计算利用连续物理量（如这里的温度）进行处理，与数字计算的离散逻辑形成对比。在AI硬件寻求突破能效瓶颈的背景下，探索非传统计算范式具有战略意义。 **关键优势**： - **能量利用**：将废热转化为计算资源，实现“废物利用” - **潜在能效**：减少传统计算中的电力消耗 - **集成简化**：可能减少芯片上的传感器数量 **当前限制**： - 规模化挑战：如何将微观结构扩展到复杂模型所需规模 - 精度保持：在复杂运算中维持高准确率 - 制造可行性：大规模生产此类优化结构的实际成本 这项技术仍处于早期研究阶段，但为AI硬件发展提供了新的思考方向。随着计算需求持续增长，探索基于热、光或其他物理现象的替代计算方式，可能成为突破传统半导体限制的关键路径之一。
麻省理工学院（MIT）的学者们近期推出了一系列新书，这些著作从不同角度探讨了人工智能（AI）时代的关键议题，涵盖了技术安全、医疗数据分析、智能转型以及科学思维等前沿领域。这些书籍不仅反映了MIT在科技创新与人文思考方面的深厚积淀，也为当前AI行业的快速发展提供了重要的理论参考和实践指南。 ## 技术安全与共享繁荣 **《优先技术：确保美国安全与共享繁荣》**（Priority Technologies: Ensuring US Security and Shared Prosperity）由MIT城市研究与规划实践教授Elisabeth B. Reynolds编辑，预计于2026年由MIT出版社出版，定价24.95美元。Reynolds教授曾担任MIT“未来工作”特别工作组的执行主任，这本书可能聚焦于如何通过关键技术（如AI）来平衡国家安全与经济发展，探讨在全球化背景下，技术如何促进共享繁荣，同时应对潜在的安全挑战。在当前AI技术竞争加剧的背景下，这类议题对于政策制定者和行业领袖具有重要参考价值。 ## 医疗数据分析的“边缘”优势 **《医疗保健中的分析优势》**（The Analytics Edge in Healthcare）由MIT管理科学与运筹学教授Dimitris Bertsimas等人合著，预计2025年出版，定价110美元。Bertsimas教授是MIT在线教育与AI的副教务长，这本书可能深入探讨如何利用数据分析（包括AI驱动的算法）来优化医疗决策、提升患者护理效率，并降低医疗成本。随着AI在医疗领域的应用日益广泛，从诊断辅助到个性化治疗，这本书有望为医疗行业提供实用的分析框架和案例研究，帮助从业者把握数据驱动的创新机遇。 ## 智能时代的转型指南 **《超级转变：智能时代如何改变我们的生活、学习与工作》**（SuperShifts: Transforming How We Live, Learn, and Work in the Age of Intelligence）由MIT信息系统研究中心学术研究员Ja-Naé Duane等人合著，预计2025年出版，定价28美元。这本书可能从社会、教育和职业角度，分析AI和智能技术带来的根本性变革，探讨个人和组织如何适应这些“超级转变”，以实现可持续的发展。在AI自动化不断重塑劳动力市场的今天，这类内容对于理解未来工作场景和技能需求至关重要。 ## 其他相关著作 除了上述与AI直接相关的书籍，MIT学者还推出了其他值得关注的著作： - **《奇迹的形状：科学家如何思考、工作与生活》**（The Shape of Wonder: How Scientists Think, Work, and Live）由人文实践教授Alan Lightman等人合著，探讨科学思维的本质，可能为AI研究中的创新方法提供灵感。 - **《货币政策艺术：孙子兵法对中央银行的启示》**（The Art of Monetary Policy: Lessons from Sun Tzu for Central Banks）由管理及全球经济教授Kristin J. Forbes撰写，虽不直接涉及AI，但可能借鉴战略思维来应对经济波动，间接关联技术驱动的金融变革。 这些书籍的出版，正值AI技术快速演进、行业应用不断深化的关键时期。MIT作为全球科技创新的重镇，其学者的研究成果往往能引领思潮，为AI伦理、政策制定和实际应用提供多维度的视角。从技术安全到医疗创新，再到社会转型，这些著作共同勾勒出一个更智能、更互联的未来图景，值得业界和公众关注。 *注：部分书籍的详细内容尚未公开，以上分析基于现有信息推断，具体细节需以正式出版为准。*
## 引言：从热带到中纬度，天气模式正在转变 一个熟悉的天气模式——长时间潮湿炎热后紧随一场强雷暴——在热带地区司空见惯，但现在它正变得越来越常见于中纬度地区，如美国中西部。麻省理工学院（MIT）的两位科学家最近进行的一项研究，揭示了一个关键的大气条件，它决定了这些地区能变得多热、多湿和多风暴：**逆温层**，即一层暖空气覆盖在冷空气之上的现象。 ## 逆温层：不只是污染陷阱，更是热湿“放大器” 逆温层早已被公认为一种“大气毯子”，能将污染物困在地面。现在，MIT地球、大气与行星科学系（EAPS）的博士后**Funing Li**和助理教授**Talia Tamarin-Brodsky**发现，逆温层还能在地表**捕获热量和水分**。逆温层越持久，一个地区积累的热量和湿度就越多，从而导致更压抑、更持久的潮湿热浪。而当逆温层最终减弱时，就可能引发强烈的雷暴和暴雨。 ## 科学机制：逆温如何加剧极端天气 在典型条件下，大气层随海拔升高而变冷，地面热浪会触发对流：较暖、较轻的空气上升，促使较冷空气下沉。当暖空气遇到较冷高度时，会凝结成水滴，形成降雨，通常能降温。 Li和Tamarin-Brodsky的研究表明，当暖或轻空气覆盖在冷或重的地面空气之上时，一个给定的“空气包”需要积累更多热量和水分，才能获得足够能量穿过逆温层上升。**热湿度的上限取决于逆温的稳定性**。如果一层暖空气长时间停留在一个区域而不移动，它会允许更多水分和热量积累，这也使得最终发生的风暴更加剧烈。 ## 逆温的形成与全球变暖的影响 逆温通常在夜间形成，因为白天受热的地表向太空辐射热量，使接触它们的空气变得比上方空气更冷、更密。或者，当一层浅薄的冷海洋空气向内陆移动，并滑入陆地暖空气下方时，也可能形成逆温。在某些情况下，当受阳光加热的山脉空气被带到低洼地区时，会形成持久逆温。 在美国，Li指出：“**大平原和中西部地区历史上就有许多逆温，这要归因于落基山脉**。”但全球变暖很可能使这种效应更加显著。研究分析显示，东部和中西部地区的逆温现象可能因气候变化而加剧，预示着未来夏季将更炎热、潮湿和风暴频发。 ## 对AI行业的潜在启示 虽然这项研究主要关注气候科学，但它对AI行业有间接影响。随着极端天气事件增多，AI在**气候建模、灾害预测和应急响应**中的应用将变得更加关键。例如，AI模型可以帮助更准确地模拟逆温层的影响，优化天气预报系统，或辅助城市规划以应对热浪和风暴。这突显了跨学科研究的重要性，以及AI在解决全球性挑战中的潜在角色。 ## 小结 MIT的这项研究强调了逆温层在加剧中纬度地区夏季极端天气中的作用。通过捕获热量和水分，持久逆温层不仅延长热浪，还增强风暴强度。在全球变暖背景下，这一发现提醒我们，气候变化的影响正以复杂方式重塑天气模式，需要科学界和AI技术界共同应对。
随着全球人口增长，住房需求对木材等资源构成巨大压力，而一次性塑料污染问题也日益严峻。麻省理工学院（MIT）的工程师们提出了一项创新方案，有望同时缓解这两大挑战——利用回收塑料3D打印建筑结构件。 ## 从塑料垃圾到建筑构件 由机械工程教授David Hardt和讲师兼研究科学家AJ Perez领导的团队，在近期研究中详细阐述了如何将回收塑料转化为可用于建筑的梁、桁架等结构件。这些3D打印的塑料构件未来可能成为传统木结构框架的更轻、更可持续的替代品。 虽然已有公司尝试用大型增材制造技术建造墙体，但主要材料仍是混凝土或粘土，其生产过程通常对环境有较大负面影响。MIT团队是首批探索用回收塑料打印结构框架元素的团队之一。 ## 设计灵感与性能测试 研究团队设计的塑料桁架在形状上类似于支撑地板的传统木桁架，其梁以类似带对角横档的梯子图案连接。为了验证可行性，他们从一家航空航天材料公司获得了由回收PET聚合物和玻璃纤维制成的颗粒，并将其作为“墨水”输入到房间大小的3D打印机中。 打印出的四根长桁架被配置成传统的胶合板顶地板框架后，其承载能力超过**4,000磅**，远超美国住房和城市发展部设定的关键建筑标准。每根塑料打印桁架仅重约**13磅**，轻到无需平板卡车即可运输，而工业打印机可在**13分钟内**完成一根桁架的打印。 ## 技术突破与环保潜力 这项技术的关键突破在于，研究人员正在开发能够处理“脏”塑料的工艺——即未经清洁或预处理的塑料。除了地板桁架，团队还在研究打印其他构件，并将其组合成适中尺寸房屋的完整框架。 AJ Perez指出：“我们估计到2050年，全球需要约**10亿套新住房**。如果全部用木材建造，相当于需要砍伐**三倍亚马逊雨林**的面积。而我们的解决方案是：将脏塑料回收制成更轻、更耐用、更可持续的住宅建筑产品。” ## 未来愿景：闭环循环系统 研究人员设想，未来使用过的瓶子和食品容器等垃圾可以直接送入粉碎机，转化为颗粒并用于3D打印建筑构件。这不仅为塑料垃圾提供了高价值出路，还能显著减少建筑行业对木材的依赖。 这项研究展示了AI与材料科学交叉领域的创新应用——通过智能设计和制造工艺，将环境污染物转化为实用资源。随着3D打印技术和材料科学的进步，类似方案有望在可持续建筑领域发挥越来越重要的作用。
随着AI智能体在企业中与人类协同工作的场景日益增多，一个全新的安全攻击面正在悄然形成。德勤AI研究所的《2026年AI现状报告》显示，近**74%的公司计划在未来两年内部署智能体AI**，但只有**21%的企业**报告称拥有成熟的自主智能体治理模型。这一数据揭示了企业在AI智能体治理方面的巨大缺口。 ## 非人类身份激增带来的安全盲区 在现代企业中，非人类身份（NHI）的数量正在超越人类身份，而随着智能体AI的普及，这一趋势将呈爆炸式增长。企业可能尚未意识到，它们正在将智能体视为拥有“王国钥匙”的一等公民，这导致了潜在的安全盲点和暴露风险。 德勤网络安全实践负责人Andrew Rafla指出：“如果没有真正的控制平面，你实际上无法自主扩展智能体——你拥有的只是不受管理的执行，而这伴随着巨大的风险。”他进一步强调，如果企业无法回答“智能体做了什么、代表谁、使用了什么数据、遵循什么政策，以及是否能复制或停止它”，那么就不具备一个功能性的控制平面。 ## 治理：从实验到规模化应用的关键桥梁 治理是将AI试点项目转化为生产用例的关键。它是让企业从令人印象深刻的实验走向安全、可重复、全企业范围自动化的桥梁。缺乏治理的智能体部署不会安全地失败，而是会以不可预测的方式大规模失败。 企业高管最关注的三大风险领域包括： - **数据隐私和安全**（73%的受访者表示担忧） - **法律、知识产权和法规合规**（50%） - **治理能力和监督**（46%） ## 构建稳健的控制平面 企业需要的是一个强大的控制平面，用于治理、观察和保护AI智能体及其工具和模型在整个企业中的运作方式。Rafla将控制平面定义为“共享的、集中化的层面，用于管理谁可以运行哪些智能体、拥有哪些权限、遵循哪些政策，以及使用哪些模型和工具”。 治理必须使这些问题的答案变得显而易见，而不仅仅是理想化的目标。只有这样，企业才能在享受AI智能体带来的效率提升的同时，有效管理伴随而来的安全与合规风险。 ## 小结 AI智能体的广泛应用为企业带来了前所未有的自动化潜力，但也引入了新的安全挑战。构建以智能体为先的治理与安全体系，不仅是技术问题，更是战略要务。企业需要提前布局，建立完善的控制平面和治理框架，才能确保智能体AI的部署既高效又安全。
本期《下载》特辑聚焦两个看似无关却都关乎人类与自然和谐共处的技术话题：**人类噪音对野生动物的影响**以及**洛杉矶地铁的突破性进展**。 ## 人类噪音：动物世界的隐形杀手 随着人类社会不断扩张，城市噪音已成为野生动物的新威胁。鸟类首当其冲——为了在嘈杂环境中被听见，它们不得不加快鸣叫的节奏，但这导致**求偶叫声效果大打折扣**。更严重的是，持续的噪音干扰会加剧鸟类间的冲突，甚至迫使无法适应城市喧嚣的物种永久迁离。 然而，技术正在提供解决方案。降低环境噪音不仅有助于动物恢复自然交流，也能改善人类的生活质量。这提醒我们，技术创新应当服务于生态平衡，而非加剧人与自然的对立。 ## 洛杉矶地铁：地质挑战下的工程奇迹 今年五月，洛杉矶将开通一条连接市中心与太平洋海岸的新地铁线路。这条穿越**“奇迹一英里”**（Miracle Mile）区域的线路，将把原本数小时的车程缩短至**25分钟**。 其意义远不止交通便利——在洛杉矶复杂的地质条件下建设地下铁路，本身就是对地理与工程学的重大挑战。这条线路的成功，标志着城市基础设施向更高效、更环保的方向迈进，也为其他面临类似难题的大都市提供了参考。 ## 技术、自然与城市的交汇点 这两个故事都来自《麻省理工科技评论》即将出版的“自然”主题特刊。它们共同揭示了一个趋势：**现代科技正越来越多地应用于解决人与自然共存的问题**。 从降低噪音污染到建设可持续交通，技术不再只是经济增长的引擎，更是修复生态、优化城市生活的重要工具。在AI与计算能力爆炸式发展的今天，这类“接地气”的技术应用提醒我们：科技的价值，最终要回归到改善人类与地球的共同福祉上。 > 注：本期简报还提及了其他科技动态，包括苹果CEO更替、Anthropic与亚马逊的百亿美元计算合作、硅谷进军新闻业等，但核心焦点仍在于技术如何服务于自然与城市生态。
## 北极航行：从艰难险阻到“安静通道” 2025年夏季，挪威北极大学特罗姆瑟分校的地质学家约亨·克尼斯（Jochen Knies）与团队乘坐研究船“克朗普林斯·哈康号”（Kronprins Haakon）前往北极点（90度北纬）。与1996年首次乘船抵达北极时“冰层摩擦船体的刺耳声”形成鲜明对比，这次航行几乎未遇阻力——薄冰层和大片开阔水域让旅程变得“轻松而安静”。对克尼斯而言，这“提醒我们北极变化有多快”。 ## 数据揭示：北极海冰的急剧消退 自20世纪70年代末卫星开始观测极地海洋以来，**北冰洋夏季冰盖已减少超过40%**。在不到半个世纪的时间里，相当于地中海面积的冰冻区域因高纬度地区迅速变暖而化为开阔水域。若此趋势持续，北极点可能很快迎来**夏季完全无海冰**的状况。上一次出现这种情况可能是在约12万年前，但尚无确凿证据。 ## 科考使命：追溯历史，预测未来 为填补这一知识空白，克尼斯与来自挪威和德国的研究团队于去年8月从斯瓦尔巴群岛出发，展开为期五周的北极中心区域考察。他们的核心目标是：**确定该区域在近期地球历史上是否曾无冰覆盖，以及发生时间**。此次任务隶属于欧盟资助的1250万欧元项目，旨在回答关于北极乃至全球未来的关键问题： - **海冰消失如何影响海洋生态系统？** - **对海洋环流和全球气候有何后果？** ## 关键手段：沉积物岩芯——地球的“气候档案” 研究团队在北极海底不同地点采集了**长达22米的沉积物岩芯**。海洋沉积物是宝贵的气候档案，为科学家提供了窥探过往时代的窗口。它们像勤勉的记录员，能记载过去的水温、海冰覆盖范围和洋流强度。这些数据“加密”在沉积于海底的浮游生物残骸和风化岩石的化学与物理特性中。 尽管此前北极中心区域的考察已获取数米长的沉积物岩芯，但科学界对沉积物的实际年龄以及海冰是否曾完全消失**尚未达成共识**。新采集的更长岩芯有望提供更高分辨率的时间序列，帮助重建更精确的古气候模型。 ## 行业背景：AI与气候科学的交叉赋能 这项研究虽以传统地质学方法为主，却与AI科技领域形成有趣呼应。在气候科学中，**机器学习正被用于分析大规模环境数据**，例如卫星图像中的冰层变化模式、海洋温度异常检测等。未来，AI算法或可加速沉积物数据的解密过程，从复杂化学信号中自动识别气候事件标志，提升研究效率。 同时，北极变化本身也是AI模型训练的重要现实场景——**冰川消退速度、生态系统响应数据**可为预测模型提供验证基础，推动气候AI向更精准方向发展。 ## 小结：北极无冰时代的警示与机遇 克尼斯团队的航行直观展现了气候变化的速度，而其科研任务则试图从历史中寻找规律。沉积物岩芯分析不仅是地质学课题，更关乎全球气候系统的稳定性理解。随着北极冰盖持续缩小，相关研究紧迫性日益凸显，而**跨学科技术融合（如AI辅助分析）** 可能成为突破数据解读瓶颈的关键。北极的过去，或许正藏着应对未来的线索。
本期《下载》特辑聚焦两项前沿科技动态：一是科学家对合成“镜像”细菌从狂热到恐慌的转变，二是中国科技工作者面对AI自动化工具时的身份焦虑与反抗。 ## 从生命起源研究到全球性威胁：合成“镜像”细菌的争议 2019年2月，一群科学家向美国国家科学基金会提出了一项高风险、前沿且极具吸引力的研究计划：制造“镜像”细菌。这些实验室创造的微生物在结构上与普通细菌相似，但其蛋白质和糖类分子是自然界中对应物质的镜像版本。研究人员最初认为，这类合成生物能够为细胞构建、药物设计乃至生命起源提供全新见解。 然而，如今许多当初的倡导者已改变立场。他们开始确信，镜像生物体可能引发一场威胁地球上所有生命形式的灾难性事件。尽管具体风险机制尚未公开，但科学家们已拉响警报，呼吁重新评估这类合成生物学实验的潜在后果。 这项研究原本计划刊登于即将出版的《麻省理工科技评论》印刷版“自然”特辑中，凸显了科技与自然边界日益模糊所带来的伦理与安全挑战。 ## 中国科技工作者的AI替身焦虑：从自动化到身份危机 本月早些时候，一个名为“同事技能”的GitHub项目引发了广泛共鸣。该项目声称能够“提炼”一名员工的工作技能与个性，并通过AI智能体进行复制。虽然该项目被证实为恶搞，但它触发了一波深刻的自我反思——尤其是在那些原本对AI技术充满热情的早期采用者中。 多位中国科技工作者向《麻省理工科技评论》透露，他们的老板已经开始鼓励使用OpenClaw等工具记录工作流程，以便实现自动化。许多人现在担心，自己正被“扁平化”为代码，失去专业的身份认同。 作为回应，部分工作者开始使用旨在破坏自动化过程的工具进行反抗。这种对抗不仅关乎就业安全，更触及了在AI时代人类工作者独特价值与自主性的核心议题。 ## 行业背景与深层影响 这两则新闻共同反映了AI与合成生物学等前沿技术快速发展所带来的双重性：一方面，它们承诺突破科学边界、提升效率；另一方面，也引发了不可预知的风险与深刻的社会焦虑。 - **合成生物学**：从“镜像生命”研究的态度逆转可以看出，科学界对新兴技术的风险评估正在动态调整，监管与伦理框架亟待跟上创新步伐。 - **职场自动化**：中国科技工作者的案例表明，AI工具已从辅助角色转向潜在替代者，促使从业者重新思考技能壁垒与职业未来。 在技术加速迭代的今天，如何在创新与安全、效率与人性之间找到平衡，已成为全球科技行业必须面对的紧迫课题。
## 克隆红狼：科技突破还是营销噱头？ 2024年初的一个清晨，我与两位年轻科学家驱车驶入德克萨斯州东部的浓雾中，寻找被称为“幽灵狼”的红狼基因携带者。红狼（*Canis rufus*）曾是这片土地的主宰，但自白人定居者抵达北美后，它们便遭遇了长达200年的“战争”，最终在1980年被宣布野外灭绝。如今，仅存的少量红狼被圈养繁殖，而一些携带红狼基因的“幽灵狼”——实际上是混有红狼基因的郊狼——仍徘徊在墨西哥湾沿岸。 ### Colossal Biosciences 的克隆声明 就在去年，一家名为 **Colossal Biosciences** 的初创公司宣布，他们已成功“复活”了已灭绝超过1万年的恐狼（dire wolf）。这一声明引发了广泛争议：专家们质疑该项目的实际效用，以及这些克隆体——技术上只是经过基因改造的灰狼——是否真的能被称为恐狼。 对于像Tanner Broussard这样的年轻科学家来说，Colossal的声明带来了双重冲击。一方面，它可能为红狼等濒危物种的恢复提供新希望；另一方面，也让人担忧这是否只是科技公司的营销手段，而非真正的保护突破。 ### 克隆技术的挑战与伦理 克隆濒危或已灭绝物种并非易事。红狼的克隆面临以下关键挑战： - **基因完整性**：现有红狼种群基因多样性有限，克隆可能加剧近亲繁殖问题。 - **生态适应性**：克隆出的红狼能否适应野外环境，融入现有生态系统？ - **伦理争议**：将资源投入克隆项目，是否挤占了传统保护措施的资金和关注？ Colossal Biosciences 以基因编辑和克隆技术闻名，此前曾因猛犸象复活计划而备受关注。但克隆红狼的声明尚未提供详细的科学数据支持，这让许多保护生物学家持保留态度。 ### 红狼保护的现实困境 目前，红狼的保护主要依靠圈养繁殖和野外放归项目。美国鱼类及野生动物管理局（USFWS）的数据显示，截至2023年，野外红狼数量不足20只，圈养种群约250只。保护工作面临栖息地丧失、人类冲突和基因污染（与郊狼杂交）等多重威胁。 克隆技术理论上可增加红狼数量，但若不解决根本的生态和人为问题，克隆红狼可能只是“实验室里的奇迹”，无法真正拯救物种。 ### 行业背景：AI与生物科技的融合 Colossal Biosciences 的克隆项目背后，是AI技术在生物科技领域的深度应用。该公司利用**机器学习算法**分析古DNA序列，优化基因编辑过程，从而提高克隆效率。这反映了AI正从虚拟世界走向现实生态保护，但同时也引发了对技术滥用的担忧。 在AI行业，类似项目常被质疑为“科技乐观主义”的体现——过度依赖技术方案，忽视社会、生态和伦理维度。红狼克隆若缺乏透明度和独立验证，可能损害公众对新兴科技的信赖。 ### 未来展望 红狼的命运将取决于科技与保护的平衡。克隆技术或许能提供基因救援的补充手段，但成功的关键在于： 1. **科学验证**：Colossal 需公开克隆红狼的基因数据和野外试验结果。 2. **合作整合**：与保护机构、当地社区合作，确保克隆体融入整体保护策略。 3. **伦理框架**：建立国际规范，防止克隆技术被用于商业炒作而非物种恢复。 对于Broussard这样的田野科学家，红狼的真实生存比实验室宣言更重要。克隆红狼是否“为真”，不仅是一个科学问题，更关乎我们对自然保护的责任与承诺。
近期，一个名为 **Colleague Skill** 的 GitHub 项目在中国社交媒体上迅速走红，它声称能让用户“提炼”同事的技能和个性特征，并用 AI 代理进行复制。尽管该项目最初被创建为一个恶作剧，但它却触动了中国科技工作者的神经，揭示了在 AI 浪潮下，员工被要求训练 AI 代理以替代自己的现实困境。 ## Colleague Skill：从恶作剧到社会现象 **Colleague Skill** 由上海人工智能实验室的工程师 Tianyi Zhou 创建。用户只需输入同事的姓名和基本资料，工具就能自动从 **Lark** 和 **钉钉** 等中国流行的工作应用中导入聊天记录和文件，生成可重复使用的手册，详细描述该同事的职责——甚至包括其独特的怪癖。Zhou 向南方都市报表示，这个项目源于 AI 相关的裁员潮以及公司越来越倾向于要求员工自动化自身工作的趋势。 尽管 Zhou 的初衷是讽刺，但项目迅速引发广泛讨论。例如，27 岁的上海科技工作者 Amber Li 尝试用 Colleague Skill 重现一位前同事，结果在几分钟内就生成了详细的工作流程文件。她惊讶地发现，工具甚至捕捉到了该同事的小习惯，如反应方式和标点使用习惯。Li 表示，这让她感到既诡异又不适，但她也承认，使用 AI 代理作为“新同事”来帮助调试代码和即时回复，已成为一种可能。 ## AI 代理的兴起与职场压力 自 **OpenClaw** 等 AI 代理工具在中国掀起热潮以来，许多老板开始鼓励科技工作者使用这些工具自动化特定任务和流程。AI 代理能够控制电脑、阅读和总结新闻、回复邮件等，这提高了效率，但也带来了新的挑战。 科技工作者们，原本是 AI 的早期采用者和热情支持者，现在却面临一个悖论：他们被要求训练可能取代自己的 AI。这引发了一波关于尊严和个性的灵魂拷问。Colleague Skill 的走红，不仅是一个技术现象，更反映了职场中 AI 自动化带来的伦理和心理冲击。 ## 反思与未来展望 Colleague Skill 的讨论凸显了 AI 时代下，工作本质的转变。一方面，AI 代理能提升生产力，减少重复劳动；另一方面，它可能侵蚀员工的独特价值和创造力。中国科技工作者正站在十字路口：是拥抱自动化以保持竞争力，还是坚守人性化的工作方式？ 随着 AI 技术的普及，这种趋势可能成为常态。但关键在于，如何平衡效率与人性，确保 AI 成为辅助工具而非替代品。Colleague Skill 作为一个警示，提醒我们：在追求技术进步的同时，不应忽视工作者的尊严和个体差异。未来，职场可能需要新的规则和伦理框架，来应对 AI 带来的变革。
MIT招生办公室的博客最近分享了两篇关于2026年π日（Pi Day）的幕后故事，揭示了MIT社区如何将数学节日与美食文化巧妙结合。这些内容不仅展现了MIT学生的创意与执行力，也反映了这所顶尖学府独特的校园文化。 ## 30个派的烘焙行动 根据MIT招生博客的报道，一位名叫Ellie的学生策划并执行了烘焙30个派的项目，以庆祝π日。π日是每年的3月14日（3/14），源自圆周率π的近似值3.14，在MIT这样的理工科强校中，这一天常被用作庆祝数学和科学的节日。Ellie的行动不仅是一次简单的烘焙活动，更体现了MIT学生将抽象概念转化为现实体验的能力。 博客文章详细描述了Ellie如何组织团队、采购原料、协调烘焙过程，最终成功制作出30个不同口味的派。这一过程涉及项目管理、团队协作和创意执行，与MIT强调的“动手学习”（hands-on learning）理念高度契合。在AI和科技行业快速发展的背景下，这种跨学科实践能力——将数学灵感转化为美食项目——正是创新者所需的核心素养之一。 ## 美食研究所的π日主题 另一篇博客文章则聚焦于MIT的“美食研究所”（Food Institute）在π日的活动。MIT美食研究所是一个跨学科平台，旨在探索食品科学、可持续性和文化。在2026年π日，该研究所可能策划了与派相关的主题活动，将数学与美食创新结合起来。 这种结合并非偶然：在AI时代，数据科学和机器学习正被广泛应用于食品行业，例如优化食谱、预测供应链或开发可持续替代品。MIT通过此类活动，鼓励学生思考科技如何赋能传统领域，这正是其教育的前沿体现。美食研究所的活动可能包括讲座、工作坊或品尝会，旨在激发学生对食品科技的兴趣。 ## 对AI行业的启示 Ellie的30个派项目和美食研究所的π日活动，虽然看似与AI无直接关联，但实则反映了MIT生态系统的核心特质：鼓励实验、跨界融合和社区参与。在AI领域，类似的思维模式至关重要——例如，OpenAI等机构正致力于将AI应用于科研自动化，这需要团队协作、项目管理和创意执行能力，正如Ellie的烘焙项目所展示的。 此外，MIT的校园文化强调“从做中学”，这与AI开发中的迭代测试和快速原型设计不谋而合。美食研究所的活动则凸显了跨学科创新的价值，在AI行业，这意味着将技术应用于医疗、教育或食品等多元场景，以解决现实世界问题。 ## 小结 MIT招生博客的这两篇文章，通过π日的幕后故事，生动描绘了MIT如何培养下一代创新者。在AI技术日益普及的今天，这种结合数学、美食和社区行动的教育方式，或许能为科技行业提供灵感：创新不仅源于代码和算法，也来自生活中的创意实践。Ellie的30个派，正是这种精神的甜美体现。
## 内尼安德特人理论的挑战：基因研究的新视角 长期以来，许多人都相信我们体内可能藏有“内尼安德特人”——这一理论源于智人与尼安德特人曾杂交的假说，导致现代人携带少量尼安德特人DNA。这被视为21世纪人类进化领域最引人注目的发现之一。然而，2024年，一对法国遗传学家对这一理论的基础提出了质疑。他们提出，科学家所解释的杂交现象，可能实际上源于人口结构的影响，即基因在较小、隔离的群体中集中分布。这一新观点挑战了我们对人类进化历程的传统理解，暗示尼安德特人DNA的痕迹或许并非直接杂交的结果，而是早期人类群体分化和迁移的副产品。 这一发现不仅动摇了进化生物学的一个流行叙事，也提醒我们科学认知的不断演进。它强调了在解读复杂遗传数据时，考虑人口动态和统计偏差的重要性。对于普通读者而言，这意味着我们与远古祖先的联系可能比想象中更间接，但科学探索本身的价值在于持续质疑和修正。 ## AI战争中的“人类在环”幻觉：为何监督机制可能失效 随着AI技术日益渗透真实战争场景——从五角大楼与Anthropic的法律纠纷，到在伊朗冲突中的角色扩大——关于人类应如何保持“在环”（即在决策循环中）的讨论愈发紧迫。根据五角大楼的指导方针，人类监督旨在提供问责制、情境理解和安全保障。然而，现实是，“人类在环”这一概念可能只是一种令人安心的幻觉。真正的危险并非机器会在没有监督的情况下行动，而是人类监督者往往无法理解机器内部的“思考”过程。 AI系统，尤其是基于深度学习的模型，常以“黑箱”方式运作，其决策逻辑难以追溯。在高速、高压的军事环境中，人类操作员可能盲目依赖AI输出，而无法有效干预或纠正错误。这引发了严重的伦理和安全问题：如果人类无法真正掌控AI，所谓的监督就形同虚设。 幸运的是，科学或许提供了前进的路径。研究人员正在探索新的保障措施，如可解释AI（XAI）和强化人机协作协议，以增强透明度和控制力。但这需要全球政策制定者、技术开发者和军事机构的共同努力，以避免AI在战争中沦为不可预测的工具。 ## 其他科技要闻速览 - **Anthropic模型争议**：尽管被白宫列入黑名单，特朗普政府官员仍在谈判获取其新模型Mythos的访问权。Anthropic曾以安全风险为由拒绝公开发布该模型，而财政部长们对其安全隐患表示担忧。与此同时，Anthropic推出了风险较低的替代模型，但五角大楼对其发起了文化战争式的攻击。 - **Sam Altman的利益冲突**：OpenAI首席执行官Sam Altman的不透明投资引发利益冲突关切，可能影响公司决策。陪审团即将裁定OpenAI是否背离其创始使命，而该公司正大力进军科学领域。 这些事件凸显了AI行业在快速发展中面临的监管、伦理和竞争挑战。从基因研究的修正到战争AI的失控风险，科技前沿始终交织着希望与警示。
机器人学家曾怀揣宏大梦想，却只能构建微小现实。他们渴望匹配甚至超越人体非凡的复杂性，却往往将职业生涯耗费在优化汽车工厂的机械臂上。目标是C-3PO，结果却是Roomba。 **从规则编码到试错学习** 传统机器人学的核心是“规则编码”。以让机器人学会叠衣服为例：工程师需要预先编写海量规则——识别面料、定位衣领、抓取左袖、精确折叠、应对旋转或扭曲……每增加一个变量，规则数量便呈指数级增长。这种方法虽能产生可靠结果，但极度依赖人类对“所有可能性”的预判，灵活性与适应性有限。 **模拟环境与强化学习的崛起** 大约在2015年前后，范式开始转变。研究人员不再试图穷举所有规则，而是构建机器人手臂和衣物的**数字模拟环境**，让程序在其中通过“试错”自主学习。每当成功折叠，程序获得“奖励信号”；失败则收到“负面反馈”。通过数百万次迭代，机器人探索各种技巧，逐渐优化策略。这与人工智能在围棋、电子游戏等领域取得突破的原理如出一辙——**强化学习**让机器在虚拟世界中以极低成本积累经验。 **ChatGPT的催化与“预测下一个动作”** 2022年**ChatGPT**的横空出世，为机器人学习带来了新一轮革命。大型语言模型通过海量文本训练，核心能力是“预测下一个词”。当类似架构被适配到机器人领域时，模型能够吸收图像、传感器数据和关节位置等信息，进而“**预测下一个动作**”。 这意味着，机器人不再仅仅依赖在特定模拟任务中的试错，而是可以借鉴更广泛、更抽象的模式理解。例如，通过分析大量人类叠衣服的视频和动作数据，模型能学习到“叠衣服”这一任务的通用结构和物理逻辑，从而更快地在新环境、新衣物上泛化技能。 **资本涌入与行业拐点** 学习范式的根本性变革，重燃了市场对“通用型辅助机器人”的信心。尽管能够自如行走、适应环境、安全与人交互的科幻机器人尚未完全建成，但资本已开始大规模押注。数据显示，仅**2025年一年，企业和投资者就向人形机器人领域投入了61亿美元**，是2024年投资额的四倍。 这股投资热潮的背后，是业界对“机器人学习能力”质变的认可。从僵化的规则编码，到模拟环境中的强化学习，再到受大语言模型启发的“预测式”行动规划，机器人正变得越来越“善于学习”。这为它们走出工厂围栏，进入更复杂、更动态的家庭、医疗、服务等场景，奠定了关键技术基础。 **小结** 机器人学习的历史，是一部从“人类精心教导”走向“机器自主探索”的进化史。当前，融合了强化学习与大模型预测能力的新范式，正在打破机器人应用长期面临的“适应性”瓶颈。虽然前路仍有诸多工程与安全挑战，但学习方式的革命，已为机器人从“工具”迈向“伙伴”的科幻愿景，点亮了最关键的灯塔。
科技行业传奇人物斯图尔特·布兰德的新书《维护：万物，第一部分》近日出版，该书承诺将成为系列作品的第一部，提供“对维护的文明重要性的全面概述”。布兰德被传记作者描述为反主流文化和网络文化的中流砥柱，而在这本书中，他希望我们理解工具和系统的维护与修复对日常生活产生的深远影响。 ## 维护：被忽视的文明基石 布兰德在书中提出：“对维护某物负责——无论是摩托车、纪念碑还是我们的星球——都可能是一种激进的行为。”这种“激进”体现在哪里？本书并未直接说明，但布兰德在整体工作大纲中表示，他的目标是“以维护者的本质和他们应得的荣誉结束”。 **维护者应得荣誉**这一观点可能会让一些读者感到惊讶。实际上，自2010年代中期以来，维护和修复已成为学术界的热门话题。作为“维护者”组织的联合创始人，我本人也参与了这一运动——这是一个致力于研究维护、修复、关怀以及所有维持世界运转工作的全球性跨学科网络。 ## 创新光环下的维护困境 布兰德正确地指出，维护者尚未获得他们应得的荣誉。过去几十年，学者们已经表明，从给工具上油到更换磨损部件再到更新代码库，所有这些工作往往比“创新”地位更低。在许多组织和社会环境中，维护被忽视了（看看美国的一些基础设施就知道了！）。 正如“维修权”运动所揭示的，追求更高利润的公司经常将我们排除在维修能力之外，或大大缩短其产品的可维护寿命。很难想象在冰箱门上安装电脑还有其他原因。 ## 布兰德的个人视角与时代印记 布兰德早期的一些工作帮助启发了这些见解，但他的新书让我觉得他并不这样看待问题。对布兰德而言，维护似乎是一种孤独的行为，深刻但更多关乎个人成功和满足感，而非照料共享世界或使其变得更好。 出生于1938年的布兰德现已87岁。这本书弥漫着一种感觉——与腐蚀、锈蚀和衰败的斗争，以及在事物不可避免地衰退时仍试图维持其运转的努力——仿佛有人在审视生命并思考其终结。《维护：万物》与布兰德生命的每个阶段都有关联，值得回顾它在这段弧线中的位置。 ## 维护运动的现实意义 在AI和科技行业快速迭代的今天，布兰德对维护的强调具有特殊意义： - **技术债务的累积**：许多AI系统在追求创新时忽视了代码维护，导致技术债务不断积累 - **基础设施的脆弱性**：从数据中心到算法模型，缺乏维护的系统更容易出现故障和安全漏洞 - **可持续性挑战**：电子废物和能源消耗问题凸显了产品生命周期维护的重要性 布兰德的新书提醒我们，在追逐下一个技术突破的同时，不应忘记维持现有系统运转的同样重要的工作。维护不仅是技术问题，更是文明延续的基础——这一观点在AI时代显得尤为迫切。
当前关于企业AI的讨论大多聚焦于基础模型之间的竞争——GPT与Gemini的对决、推理分数以及边际能力提升。然而，真正的断层线并非在此。在实践层面，更具持久性的竞争优势是结构性的：谁拥有应用、治理和改进智能的**操作系统层**。 ## 两种AI应用模式：按需服务 vs. 操作系统层 企业AI的应用主要呈现两种截然不同的模式： 1. **按需服务模式**：以OpenAI、Anthropic等模型提供商为代表，将AI作为通用服务出售。企业通过API调用获取答案，智能是通用、基本无状态且与日常决策工作流松散连接的。这种模式能力强大且日益可互换，但每次提示都意味着智能的“重置”。 2. **操作系统层模式**：将AI嵌入为操作系统层——即位于模型与实际工作之间的**工作流软件、数据捕获、反馈循环和治理机制的组合**。这种模式的特点是智能会随着使用而不断积累和复合增长。 ## 操作系统层如何创造持久优势 将AI视为操作系统层的核心在于，它不仅仅是调用一个模型，而是构建一个能够持续学习和改进的智能系统。 * **工作流仪表化**：将智能深度集成到各个操作流程中。 * **反馈循环**：从人类的决策、例外处理、修正和审批中捕获信号。 * **治理与政策化**：将个体任务的处理经验转化为可复用的策略和规则。 在这种架构下，每一次交互都成为系统学习的机会。智能不再孤立，而是随着平台承载更多组织工作而不断进化。其优势是**累积性**和**专有性**的，难以被竞争对手简单复制。 ## 竞争格局的潜在逆转：系统问题 vs. 模型问题 主流叙事认为，轻量级的初创公司能够通过从零开始构建AI原生应用来超越现有企业。如果AI主要是一个**模型问题**，这一说法成立。 然而，在许多企业领域，AI更是一个**系统问题**——涉及集成、权限、评估和变更管理。在这种情况下，优势往往倾向于那些已经身处**高流量、高价值工作流**内部的企业。它们能够将这一位置优势转化为持续的学习和自动化能力。现有组织有机会将深厚的领域知识、现有工作流和客户关系，通过AI操作系统层固化为结构性壁垒。 ## 架构的倒置：AI执行，人类裁决 传统的服务组织架构是：人类使用软件来完成专业工作。操作员登录系统、遵循流程、做出决策。技术是媒介，人类判断是产品。 一个AI原生的平台将此倒置： * **AI自主执行**：平台吸收问题，应用累积的领域知识，自主执行任务。 * **人类进行裁决**：人类角色转变为监督者、例外处理者和复杂情况的裁决者。 这种转变将人类从重复性操作中解放出来，专注于需要更高层次判断、创造力和战略思考的环节。同时，人类的每一次干预又反过来成为训练和优化AI系统的宝贵数据，形成增强智能的良性循环。 ## 小结：决胜于操作系统层 企业AI的长期赢家，可能不是拥有最强大通用模型的公司，而是那些能够**将智能直接嵌入操作平台，并设计平台使工作本身产生可用信号**的组织。这场竞赛的关键在于，谁能更好地构建和掌控那个让智能得以持续应用、治理和改进的**操作系统层**。这要求企业超越对单一模型能力的追逐，转向对工作流、数据、反馈和治理体系的系统性重构。
随着AI浪潮席卷各行各业，公共部门组织正面临加速采用AI的压力。然而，政府机构在安全、治理和运营方面面临独特的约束，使其与商业机构截然不同。因此，**专用小型语言模型（SLMs）** 为在这些环境中实现AI落地提供了一条有前景的路径。 ## 公共部门AI部署的独特挑战 当私营部门扩展AI时，他们通常假设某些条件已经到位，包括： - 持续连接到云端的网络 - 依赖集中式基础设施 - 接受模型透明度不完全 - 对数据移动的限制较少 然而，对于许多政府机构来说，接受这些条件可能从危险到不可能。政府机构必须确保其数据保持在自身控制之下，信息可以被检查和验证，并且运营中断被控制在绝对最低限度。同时，他们经常不得不在互联网连接有限、不可靠或不可用的环境中运行系统。 ## 安全与治理的优先考量 凯捷咨询的一项研究发现，**全球79%的公共部门高管对AI的数据安全持谨慎态度**，考虑到政府数据的高度敏感性及其使用的法律义务，这是一个可以理解的数字。正如Elastic的AI副总裁韩晓所说：“政府机构必须对发送到网络的数据类型非常严格。这为他们如何思考和管理数据设定了很多界限。” 对敏感信息控制的基本需求是使AI部署复杂化的众多因素之一，特别是与私营部门的标准运营假设相比。 ## 运营连续性的重要性 “许多人低估了AI的运营挑战，”韩晓指出，“公共部门需要AI在各种数据上可靠地运行，然后能够在不中断的情况下增长。运营连续性经常被低估。” Elastic对公共部门领导人的一项调查发现，**65%的机构难以持续、实时和大规模地使用数据**。基础设施限制加剧了这个问题。政府组织可能也难以获得用于训练和访问复杂AI模型的图形处理单元（GPUs）。 ## 专用小型语言模型的解决方案 在这些约束下，**专用小型语言模型（SLMs）** 提供了一种有前景的替代方案。与需要大量计算资源和数据访问的大型模型不同，SLMs可以： - 在本地或边缘设备上运行，减少对云连接的依赖 - 针对特定任务进行优化，提高效率和准确性 - 提供更好的透明度和可解释性 - 降低数据安全和隐私风险 ## 未来展望 随着AI技术的不断发展，公共部门需要在创新与约束之间找到平衡。专用小型语言模型可能成为这一平衡的关键，使政府机构能够在确保安全、治理和运营连续性的同时，充分利用AI的潜力。这不仅是技术挑战，更是组织文化和流程的转变，需要跨部门的协作和持续的投资。