AI 资讯

**快讯简报** 一项受大脑启发的光传感器技术有望显著加速AI图像处理。这种新型像素不仅能感知光线，还能记住所感知的信息，从而减少数据传输量，提升效率。 **核心事实** - **技术原理**：传统图像传感器需要将光信号转换为电信号，再传输到处理器进行记忆和分析，整个过程涉及大量数据移动。而新型传感器将“感知”和“记忆”功能集成在同一个像素中，模拟了生物大脑中神经元处理信息的方式。 - **性能优势**：通过减少数据在不同组件之间的传输，该技术能降低功耗并缩短处理延迟，特别适合需要快速响应的AI应用，如自动驾驶、机器人视觉和实时监控。 - **研究团队**：该传感器由**俄勒冈州立大学**（Oregon State University）的研究人员开发，具体细节尚未完全公开，但已展现出在图像处理领域加速AI计算的潜力。 **行业背景** 当前，AI图像处理面临的主要瓶颈之一是“冯·诺依曼瓶颈”——数据在存储器和处理器之间频繁搬运，导致能耗高、速度受限。受大脑启发的计算架构（如神经形态计算）试图通过模拟人脑的并行处理方式来解决这一问题。这款光传感器正是这一方向的实践：它模仿了视网膜和视觉皮层的工作机制，即在同一位置完成光感知和短期记忆。 **小结** 虽然该技术仍处于研究阶段，但它为AI硬件创新提供了新思路。未来，若能将这种传感器与神经形态芯片结合，有望大幅提升边缘设备的实时处理能力，推动AI在物联网、可穿戴设备等领域的落地。更多技术细节有待后续披露。

在数据中心基础设施薄弱、网络连接不稳定的地区，大型 AI 模型往往难以发挥作用。如今，一种新的趋势正在兴起：**小型 AI 模型（Small AI Models）**，尤其是 TinyML 模型，正因其低功耗、低延迟和可离线运行的特点，在医疗、农业、工业等领域获得广泛应用。 以巴西为例，伊塔茹巴大学（University of Itajubá）的患者模拟器实验室研究员 **Jose Alberto Ferreira** 正在测试一种能够生成心电图（ECG）的 TinyML 模型。这类模型不需要依赖云端计算，可以在本地设备上实时运行，对于网络基础设施薄弱的地区而言，这无疑是一个巨大的优势。 ## 为什么小型模型更受欢迎？ 传统的大型 AI 模型（如 GPT-4、Gemini）依赖强大的数据中心和高速网络，这在许多发展中国家或偏远地区并不现实。小型模型则通过 **模型压缩、量化、剪枝** 等技术，将模型体积缩小到几兆字节甚至更小，从而可以在微控制器、物联网设备上运行。 - **低功耗**：小型模型能耗极低，可使用电池供电数月。 - **低延迟**：本地处理避免了网络传输延迟，适合实时应用。 - **隐私保护**：数据无需上传云端，降低了隐私泄露风险。 ## 应用场景多元化 除了心电图生成，小型 AI 模型还被用于： - **农业**：通过传感器监测土壤湿度、病虫害，实现精准灌溉。 - **工业**：预测性维护，检测设备异常振动。 - **医疗**：便携式诊断设备，如眼底筛查、疟疾检测。 TinyML 基金会的数据显示，2023 年全球 TinyML 市场规模已超过 **10 亿美元**，预计到 2028 年将增长至 **30 亿美元**。 ## 挑战与未来 尽管小型模型优势明显，但也面临挑战： - **计算能力有限**：微控制器的算力远低于 GPU，模型精度可能受影响。 - **开发门槛高**：需要专业的嵌入式系统知识和模型优化经验。 不过，随着 **TensorFlow Lite Micro**、**Edge Impulse** 等工具的普及，开发门槛正在降低。未来，小型 AI 模型有望与大型模型形成互补，共同推动 AI 的普惠化。

日本在机器人领域曾长期占据领先地位，尤其是人形机器人技术，从早稻田大学的WABOT到本田的ASIMO，再到大阪大学石黑浩教授的Geminoid，日本一直是全球瞩目的创新中心。然而，近年来，中国在人形机器人领域的快速崛起让日本感受到了前所未有的压力。 在最近于东京举行的一次机器人会议上，仅有少数几款日本本土的人形机器人亮相，其中包括石黑浩教授的Geminoid。相比之下，中国公司如优必选、小米、小鹏等纷纷推出大型人形机器人原型机，并在工业、服务、教育等多个场景展开探索。中国凭借庞大的内需市场、政府的大力支持以及完整的供应链体系，正在加速人形机器人的商业化落地。 日本面临的挑战不仅来自中国的追赶，更在于自身产业结构的调整。日本机器人企业长期专注于工业机器人，在汽车制造、电子装配等领域占据优势，但在面向通用服务的人形机器人方面，日本企业显得保守且缺乏创新动力。此外，日本在人工智能、传感器、电池等关键零部件上的投入不足，也制约了人形机器人的性能提升。 另一方面，中国在人形机器人领域的突破得益于人工智能技术的快速进步。计算机视觉、自然语言处理、路径规划等AI能力的提升，使得人形机器人能够更好地感知环境、理解指令并执行复杂任务。同时，中国企业在成本控制方面具有明显优势，能够以更低的价格推出功能丰富的产品。 为了保持竞争力，日本必须改变其传统的研发模式，从“技术优先”转向“应用导向”，并加强与AI企业的合作。日本在精密机械、材料科学和仿生学方面仍有深厚积累，这些优势若能与人形机器人的实际需求相结合，仍有机会在高端市场占据一席之地。 总体而言，人形机器人产业正处于从实验室走向市场的关键阶段。日本虽然起步早，但若不能及时调整战略，很可能被中国后来居上。未来几年，中日两国在人形机器人领域的竞争将更加激烈，而最终的胜负不仅取决于技术指标，更取决于谁能更快地找到切实可行的商业模式。

本周的机器人视频精选带来一则引人注目的消息：**NASA正在考虑使用好奇号火星车的测试双胞胎——一辆在地球上模拟火星任务的漫游车，来探索月球车任务概念**。这一创新想法由JPL（喷气推进实验室）提出，旨在利用现有成熟技术加速月球探测计划。 ## 从火星到月球：技术复用 好奇号火星车自2012年登陆火星以来，已经运行了超过12年，其设计验证了大量自主导航、科学载荷集成和极端环境适应技术。而它的地球测试双胞胎（通常称为“测试漫游车”）原本用于在地球上模拟火星任务中的各种操作场景。现在，NASA考虑将其改造用于月球任务，这体现了**航天领域常用的“技术复用”策略**——通过利用已验证的系统降低风险、节省成本。 ## 月球任务的新思路 与火星相比，月球的环境有显著差异：没有大气层，重力为地球的1/6，且表面覆盖着细小的月尘。但测试漫游车的底盘、驱动系统和自主导航软件可能仍能适应这些挑战。JPL的研究人员正在评估其是否能够承受发射时的力学环境，以及如何在月球表面长期运行。如果这一概念获批，它将成为**低成本月球探测的潜在路径**，特别是用于支持NASA的阿尔忒弥斯计划，该计划旨在建立长期月球基地。 ## 本周其他机器人视频亮点 除了这一重磅新闻，本周的视频合集还包括： - **波士顿动力的Spot机器狗**在建筑工地进行自主巡检的最新演示。 - **软体机器人**在医疗手术中的突破性应用，展示了其夹持脆弱组织的精确性。 - **无人机编队**在复杂环境下的协同物流投送测试。 这些视频共同展示了机器人技术从实验室走向真实场景的加速趋势。 ## 小结 NASA对火星车测试双胞胎的月球化改造构想，不仅是对现有资源的最大化利用，也反映了航天机构在预算约束下追求创新的务实态度。随着阿尔忒弥斯计划的推进，我们或将看到更多“跨界”技术出现在月球表面。

随着人工智能的飞速发展，其背后数据中心的电力需求已成为全球能源体系的新挑战。然而，问题不仅在于AI消耗的电量有多大，更在于它**如何消耗**——这种高度波动的用电模式正让电网不堪重负。 ## 波动性：比规模更棘手的问题 传统数据中心通常以稳定、可预测的方式运行，电网运营商可以提前规划。但AI负载，尤其是**大模型训练和推理**，呈现出剧烈的间歇性特征。训练任务可能突然启动或中断，推理请求则随用户行为波动，导致电力需求在数秒内急剧变化。这种“**功率振荡**”对电网频率和电压稳定性构成直接威胁，迫使运营商维持更多旋转备用容量，推高了整体运营成本。 ## 基础设施的隐性压力 尽管许多科技巨头声称通过可再生能源匹配实现“净零”，但电网的物理现实是：**输电线路和变电站必须按峰值容量设计**。AI负载的尖峰特性意味着这些设备频繁承受瞬时过载，加速老化并增加故障风险。例如，弗吉尼亚州的数据中心集群——全球AI算力最密集的区域——已多次触发当地电网的应急响应机制。 ## 行业的应对与争议 业界正在探索多种解决方案： - **负载调度**：将非紧急训练任务安排在电网负荷较低的时段； - **边缘计算**：将部分推理任务分散至更靠近用户的节点，减轻核心电网压力； - **电池储能**：在数据中心内部署大规模储能系统，平抑功率波动。 但这些措施面临成本与效率的权衡。批评者指出，**AI公司当前缺乏透明的用电数据披露**，使得监管机构难以评估真实影响。IEEE等组织已呼吁建立更严格的能效标准，将“用电平稳性”纳入考核指标。 ## 未来展望 AI的能源问题本质上是**计算效率与基础设施韧性**之间的赛跑。如果波动性得不到有效管理，即便总能耗增速放缓，局部电网崩溃的风险仍可能成为AI规模化部署的瓶颈。正如能源经济学家Matt Hasan所言：“我们习惯于关注AI需要多少电，却忽略了它要电的方式——这可能是更根本的挑战。”

随着电动汽车的普及，如何处理退役电池成为行业关注的焦点。近日，回收公司 **Redwood Materials** 公布了一项创新计划：将约 **100 块** 来自通用汽车的旧电池组合起来，为密歇根州的一家工厂提供 **1.5 兆瓦** 的电力。这一举措不仅延长了电池的使用寿命，也为电网级储能提供了低成本方案。 ## 退役电池的潜力 电动汽车电池在容量衰减至 **70-80%** 后，通常被认为不再适合车辆使用。然而，这些电池仍具备相当可观的储能能力。通过重新组合和优化管理，它们可以在电网调峰、备用电源等场景中发挥价值。 ## 项目细节 Redwood Materials 的方案是将不同老化程度的电池模块集成到一个系统中，利用智能控制算法平衡充放电，确保整体性能稳定。该项目预计于 **2024 年** 正式投运，届时将成为汽车制造商利用退役电池进行储能的重要示范。 ## 行业意义 类似项目正在全球涌现。例如，**日产** 与 **伊顿** 合作在英国建设了储能设施，**宝马** 也在德国启动了相关项目。这些案例表明，退役电池的梯次利用不仅环保，还能创造经济价值，降低储能系统的初始成本。 ## 挑战与前景 尽管前景广阔，但退役电池的 **一致性** 和 **安全性** 仍是主要挑战。不同电池的健康状态差异大，需要先进的电池管理系统（BMS）来监控和调节。此外，随着电池回收技术（如 **Redwood Materials** 自身的主业）的成熟，直接回收材料与梯次利用之间的成本权衡也将影响行业走向。 总体而言，退役电池在电网中的二次利用正从概念走向现实，有望成为未来能源体系的重要一环。

随着人工智能（AI）对计算能力的需求呈指数级增长，芯片研发的节奏正被推向新的高度。为了在这场竞赛中保持领先，**加州大学洛杉矶分校（UCLA）** 近期成立了全新的 **半导体中心（UCLA Semiconductor Hub）**，旨在通过紧密的学术界与产业界协作，加速从基础研究到商业化落地的进程。 该中心的成立背景是 AI 工作负载对专用芯片（如 GPU、TPU 和 AI 加速器）的依赖日益加深，而传统芯片研发周期往往长达数年，难以跟上 AI 模型迭代的速度。UCLA 半导体中心试图打破这一瓶颈，建立一个“反馈闭环”，让产业界的需求直接驱动学术研究，同时将学术成果快速转化为可部署的技术。 在 2026 年 5 月 21 日的启动仪式上，来自 **应用材料公司（Applied Materials）** 的 CEO Gary Dickerson、**博通（Broadcom）** 的 Charlie Kawwas 以及 UCLA 工程学院教授 Robert Candler 共同阐述了企业的参与方式。Dickerson 强调，材料创新是未来芯片性能提升的关键，而学术界的探索性研究能为产业提供新思路。Kawwas 则指出，数据中心和 AI 网络对高带宽、低延迟芯片的需求正在重塑设计规则，与 UCLA 的合作有助于博通提前布局下一代互连技术。 该中心的核心模式包括：联合研究项目、共享实验设施、以及学生与工程师的交叉培训。通过让研究生直接参与企业主导的课题，学生不仅能掌握最前沿的工艺知识，还能理解产业界的实际问题，从而缩短从毕业到岗位的适应期。对于企业而言，这相当于提前获取了经过实战训练的人才储备。 从行业背景来看，这一举措反映了全球半导体产业的一个趋势：**“产学研”的边界正在模糊化**。过去，大学通常专注于基础物理和材料研究，而企业则负责工程化。但现在，随着芯片制造工艺逼近物理极限（如 2nm 以下节点），任何微小的创新都需要学术界与产业界从早期就紧密合作。UCLA 半导体中心的成立，正是为了应对这种“从实验室到晶圆厂”的加速需求。 当然，这种模式也面临挑战：学术自由与商业机密之间的平衡，以及知识产权如何分配。但 UCLA 表示，将通过明确的协议框架来保障双方利益。 总而言之，UCLA 半导体中心不仅是一个研究机构，更是一个**创新加速器**。在 AI 对芯片性能永无止境的追求下，这种新型协作模式可能成为未来半导体研发的范式。

在当今职场中，技术能力固然重要，但软技能往往成为职业发展的关键分水岭。**公众演讲**正是这样一项被低估却极具回报的投资。它不仅能提升个人领导力，还能增强职业可见度与持久性。 ## 演讲：领导力的核心 优秀的领导者往往是出色的沟通者。当你能清晰、有说服力地向团队或公众表达观点时，你自然会被视为权威和引领者。无论是内部会议、行业大会还是客户提案，演讲能力都能帮你建立信任，推动决策。 ## 可见度与职业机会 在信息过载的时代，能够有效传递信息的人更容易脱颖而出。通过演讲，你可以打造个人品牌，扩大专业网络，甚至获得晋升或合作机会。数据显示，擅长演讲的职场人士获得领导职位的概率显著更高。 ## 持久性的价值 与某些快速过时的技术不同，演讲能力具有长期价值。它不会因行业变迁而贬值，反而随着经验积累而愈发精进。投资于演讲培训、加入俱乐部（如Toastmasters）或主动争取发言机会，都是低成本高回报的自我提升方式。 ## 如何开始？ - **从小规模开始**：先在团队内分享，逐步过渡到大型场合。 - **寻求反馈**：录制自己的演讲，分析改进点。 - **系统学习**：参加专业课程或工作坊。 总之，公众演讲是一项值得每个人认真对待的长期投资。它带来的领导力、可见度和职业韧性，将让你在AI与自动化时代依然保持不可替代的竞争力。

近段时间，将数据中心送入轨道的设想在科技圈掀起了一波不小的炒作浪潮。从SpaceX的星链到各类低轨卫星计划，人们开始畅想：既然地面数据中心能耗巨大、占地紧张，为何不把算力搬到太空？然而，IEEE Spectrum主编Harry Goldstein在其最新评论文章中直言不讳地指出，**星辰与数学——无论从技术还是经济角度——都不会在短期内为太空计算铺平道路**。 ### 太空数据中心的诱惑与现实 支持者描绘的图景颇为诱人：利用太阳能供电、近乎无限的冷却资源（太空的低温环境），以及全球无死角的低延迟连接，太空数据中心似乎能解决地面数据中心面临的所有痛点。但Goldstein认为，这一愿景忽略了几个根本性问题。 首先是**发射成本**。即便火箭复用技术将每公斤发射成本降至数千美元，建设一个具备基本冗余能力的数据中心（例如数十台服务器、存储设备、网络交换器及散热系统）仍需要数百吨载荷送入轨道。当前重型火箭的运力有限，且发射频率远无法满足大规模组网需求。 其次是**维护与可靠性**。太空环境充满高能粒子辐射、极端温差和微重力，这些因素会显著缩短电子元件的寿命。地面数据中心可以随时更换故障硬盘，而太空中的维修任务成本极高，几乎不可行。即便采用冗余设计，系统的整体可用性也难以达到地面99.99%的标准。 ### 通信延迟并非想象中那么低 一个常见的误解是：低轨卫星距离用户仅数百公里，延迟应远低于地面长距离光纤。但实际上，**卫星通信需要经过星间链路和中继，处理数据还需下行到地面站**，整体端到端延迟并不占优。对于需要实时响应的AI推理、金融交易等场景，太空数据中心反而可能因信号往返和星上处理延迟而处于劣势。 ### 环境与监管隐忧 大量卫星部署已引发天文学界和环保组织的担忧：光污染、轨道碎片风险以及发射产生的碳排放。Goldstein指出，若再增加数百个太空数据中心，轨道拥挤程度将进一步加剧，碰撞风险呈指数级上升。国际电信联盟（ITU）对频谱和轨道资源的分配已趋于严格，新的太空计算项目可能面临漫长的审批流程。 ### 结语：炒作回归理性 Goldstein总结道，太空数据中心并非全无价值——在军事通信、偏远地区应急备份、科学计算等特定场景下或有应用潜力。但将其视为地面计算的替代方案，**至少在可预见的十年内是不切实际的**。当前更务实的路径是提升地面数据中心的能效、利用可再生能源，以及探索边缘计算等分布式架构。太空计算的星辰大海，还需等待材料科学、推进技术和成本控制取得突破性进展。

五年前，华盛顿大学计算语言学家 Emily Bender 与合著者共同发表了题为《论随机鹦鹉的危险》的论文，为大型语言模型（LLM）的热潮泼下一盆冷水。如今，在 ChatGPT 席卷全球的背景下，Bender 再次接受专访，澄清“随机鹦鹉”的真正含义，并反思该论文在当下 AI 格局中的持续影响力。 ## 核心论点：并非“鹦鹉学舌”那么简单 Bender 强调，“随机鹦鹉”这一比喻常被误解。论文的核心并非嘲讽 LLM 只是机械模仿，而是指出模型通过统计模式生成看似连贯的文本，却缺乏对意义的真实理解。这种“随机性”与“模仿”的组合，使得模型可能放大训练数据中的偏见、传播虚假信息，并带来环境成本。Bender 认为，当前许多 AI 宣传恰恰利用了公众对语言理解的错误期待，将“流畅”等同于“智能”。 ## 五年后的回顾：担忧已成现实 回顾论文发表后的 AI 发展，Bender 指出，她与合著者当时警告的风险——如模型生成仇恨言论、加剧社会不平等、消耗大量能源——如今已广泛显现。尤其是 ChatGPT 的爆发式普及，让“随机鹦鹉”式文本生成进入了数十亿用户的日常生活，而相应的监管和伦理框架却严重滞后。Bender 呼吁业界重新审视“规模至上”的发展路径，转向更透明、更负责任的 AI 研究。 ## 对当前 AI 热潮的批判 Bender 对当前 AI 行业的“技术解决主义”倾向表示担忧，即认为更大的模型、更多的数据就能解决一切问题。她批评部分企业刻意模糊“统计模式匹配”与“真正推理”的界限，以吸引投资和公众关注。她坚持认为，语言模型本质上是一种“文字生成器”，而非“思考机器”，将其部署在高风险场景（如医疗、法律）前必须经过严格验证。 ## 未来展望：回归语言学的本质 作为计算语言学家，Bender 希望 AI 社区能更多借鉴语言学的基础知识，例如语义学、语用学和话语分析，而非一味追求参数规模的膨胀。她认为，只有将语言模型置于更广阔的人类交流框架中，才能设计出真正有益的工具。 ## 小结 五年前，“随机鹦鹉”论文像一枚警钟，提醒人们警惕 LLM 的潜在危害。五年后，这枚警钟的回响比任何时候都更加响亮。Bender 的访谈不仅澄清了误解，更是一次对 AI 发展方向的深刻叩问：我们究竟需要怎样的“智能”？

烟花，作为庆典的代名词，其历史远比我们想象的更为悠久和复杂。从古代中国的火药发明到现代全球的盛大表演，烟花技术不仅承载了科学与工程的演进，更折射出人类对光明与欢乐的永恒追求。 ## 火药的意外诞生 烟花的起源可追溯至约2000年前的中国。传说中，一位厨师无意中将硝石、硫磺和木炭混合，点燃后产生了绚丽的火焰——这便是火药的雏形。最初，这种混合物被用于驱邪避鬼，后来逐渐演变为节庆的装饰品。到了唐宋时期，烟花制作已相当成熟，成为皇家庆典和民间节日的必备项目。 ## 从中国走向世界 13世纪，随着蒙古帝国的扩张和贸易路线的开辟，火药和烟花技术传入阿拉伯地区，随后又经由欧洲旅行者（如马可·波罗）带回西方。欧洲人迅速掌握了烟花制作技巧，并将其与自己的化学和冶金知识结合，发展出更复杂的色彩和形状。文艺复兴时期，烟花表演成为王室婚礼、加冕典礼和宗教节日的重头戏，象征着权力与财富。 ## 化学与艺术的融合 现代烟花的绚丽色彩依赖于精细的化学配方。不同的金属盐在燃烧时释放特定波长的光：**锶**产生红色，**钡**呈现绿色，**钠**发出黄色，而**铜**则制造蓝色。要获得稳定的蓝色曾是长期难题，直到20世纪才被攻克。此外，烟花弹的结构设计决定了爆炸后的图案——星形、菊花、柳条等效果，都是通过精确排列药丸和延迟引信实现的。 ## 安全与创新的平衡 尽管烟花带来欢乐，其危险性也不容忽视。每年因不当使用导致的火灾和人身伤害事故屡见不鲜。为此，各国制定了严格的生产和燃放标准，例如美国的**美国烟花标准协会（AFSL）** 和欧盟的CE认证。同时，技术创新也在推动更环保的烟花：无烟配方、可生物降解材料以及电子点火系统，都在减少对环境和人体的影响。 ## 未来的烟花：无人机与数字替代 近年来，无人机灯光秀和激光投影逐渐成为烟花的替代方案，尤其在环保和噪音敏感的场合。例如，2020年东京奥运会开幕式上，无人机组成的动态图案令人叹为观止。但传统烟花凭借其独特的感官冲击力——震耳欲聋的轰鸣、弥漫的硝烟味和瞬间绽放的绚烂——依然无法被完全取代。 ## 小结 烟花的历史是一部人类智慧与情感的交织史。它从驱邪的火药，演变为庆祝的符号，再到如今科技与艺术的结合体。每一次升空、爆炸与消散，都是对光明与瞬间之美的礼赞。正如南卡罗来纳大学历史学教授**Allison Marsh** 所言：“烟花不仅是技术，更是我们集体记忆的闪光点。”

在尼古拉·特斯拉诞辰170周年之际，一篇来自IEEE AI杂志的文章《Poetry for Engineers: Nine Lives of Nikola Tesla》以独特的视角回顾了这位发明家的一生。作者Danica Radovanović是一位常驻德国的作家和数字社会研究员，她在Substack专栏中探讨了特斯拉的遗产如何超越单纯的工程技术，成为一种文化象征。文章标题中的“九条命”隐喻性地指向特斯拉多次从失败和争议中重生的经历，以及他那些超前于时代的发明——如交流电系统、无线电和无线输电——如何最终塑造了现代世界。Radovanović将特斯拉的生涯比作一首诗，强调其灵感与科学推理的交织。本文旨在帮助工程师和科技爱好者重新理解创新中的人文维度：特斯拉的成功不仅来自技术突破，更源于他近乎偏执的愿景和不屈不挠的精神。文章还提及了特斯拉与爱迪生的对比，以及他在晚年被主流科学界边缘化却仍然坚持实验的故事。对于AI从业者而言，特斯拉的跨学科思维和对长期影响的追求，或许能带来关于“技术诗意”的启示。

近日，特朗普政府签署两项新的行政命令，明确加速发展容错量子计算机的时间表，标志着美国在量子计算领域的战略投入进一步升级。这一举措不仅延续了此前对量子信息科学的关注，更将重点从基础研究转向工程化实现，旨在确保美国在下一代计算技术中的领先地位。 ## 新行政令的核心目标 两项行政令分别聚焦于**量子计算研发的协调推进**和**国家安全应用**。其中一项要求多个联邦机构在180天内提交一份综合计划，以加速实现“实用级容错量子计算机”的里程碑。另一项则强调量子技术在密码学、材料模拟和国防领域的战略价值，并指示相关部门优先保障量子项目的资源与人才。 这一时间表的压缩反映出美国对量子计算竞争紧迫性的认知。此前，业界普遍预计容错量子计算机还需10到15年才能成熟，而新政策暗示政府希望将这一进程缩短至5到7年。 ## 行业背景与技术挑战 当前量子计算仍处于含噪声中等规模量子（NISQ）阶段，现有设备虽能执行特定任务，但错误率极高，无法实现通用量子计算。容错量子计算机需要**足够多的物理量子比特**和**高效的纠错码**来抵消噪声影响。例如，**Infleqtion** 等公司正在研发中性原子量子计算机，承诺在两年内产出“科学相关结果”，但距离完全容错仍有距离。 行政令的出台可能加速技术路线竞争：超导量子比特、离子阱、光量子等方案都将受益于更多联邦资金和跨机构协作。同时，量子安全密码学（后量子密码）的标准化需求也更为迫切，因为一旦容错量子计算机问世，现有公钥加密体系将面临威胁。 ## 产业与地缘影响 美国此举也是对全球量子竞赛的回应。中国、欧盟等均在量子领域投入巨资，并已取得若干突破性进展。新行政令通过**国防部、能源部、国家科学基金会**等多部门联动，旨在构建从基础研究到商业应用的完整生态。 对科技企业而言，这既是机遇也是挑战。初创公司可能获得更多订单，但技术指标的压力也会增加。长期来看，容错量子计算的加速实现将重塑药物研发、金融建模、人工智能等行业的底层逻辑。 ## 小结 特朗普政府的量子新举措，将政策焦点从“探索可能性”转向“设定交付时间表”。尽管技术障碍重重，但明确的行政指令和资源倾斜，有望推动美国量子生态的实质性进展。未来几年，容错量子计算机的路线图将更加清晰，而全球科技竞争也将进入新的维度。

一种名为“Manta”的水下风筝正在为全球离网沿海社区带来清洁能源的新希望。这种设备由加州大学伯克利分校的研究团队开发，能够利用慢速潮汐流发电，为那些难以接入传统电网的偏远地区提供可持续电力解决方案。 ## 工作原理：潮汐中的飞行 与传统潮汐能发电装置不同，Manta 水下风筝并非固定在海床上。它通过一根系绳与海底锚点相连，像风筝一样在水中“飞行”。当潮汐流推动它时，风筝的翼型结构会产生升力，使其以比水流更快的速度移动，从而带动内置涡轮机发电。这种设计能够显著提高能量捕获效率，即使在流速低于 1 米/秒的慢速潮汐中也能有效工作。 ## 技术优势与挑战 相比传统潮汐能涡轮机，水下风筝具有多项优势。首先，它的材料成本更低，安装和维护相对简单，不需要大规模的海底基建。其次，由于能够利用慢速水流，它拓宽了潮汐能的可用范围——全球许多沿海地区的潮汐流速并不快，但依然具备开发潜力。 然而，技术仍面临挑战。水下环境复杂，风筝需要应对生物附着、腐蚀以及极端天气下的系绳应力问题。研究团队正在通过反复测试优化风筝的材质与控制系统，以提升长期运行的可靠性。 ## 应用场景：离网社区的能源自主 对于太平洋岛屿、偏远海岸线等离网社区而言，柴油发电机是目前的主要电力来源，成本高且污染大。Manta 水下风筝提供了一种本地化、可再生的替代方案。一台中型风筝的发电量足以满足数十户家庭的日常需求，且无需燃料运输。 研究团队已在旧金山湾进行了初步测试，验证了风筝在真实潮汐环境中的性能。下一步计划是在更典型的偏远沿海地区开展试点项目，评估其经济性与规模化潜力。 ## 行业视角：潮汐能的新篇章 潮汐能长期以来被视为潜力巨大但开发不足的可再生能源。传统潮汐坝或涡轮机对流速要求高、环境影响大，而水下风筝的出现可能改变这一格局。它代表了一种“轻量级”的潮汐能利用方式，降低了对环境敏感区域的干扰，同时提升了经济可行性。 不过，从实验室到商业化还有一段路要走。成本、耐久性和并网能力是决定其能否落地的关键。目前，类似概念（如瑞典的 Minesto 公司）也在开发水下风筝技术，竞争与合作将共同推动这一领域进步。 ## 小结 Manta 水下风筝为慢速潮汐能利用提供了创新思路。它不仅是技术上的突破，更是对离网社区能源自主的有力回应。随着测试深入和成本下降，这些“水下风筝”或许将在未来成为沿海绿色能源拼图中不可或缺的一块。

当前 AI 系统依赖 GPU 等传统硬件，能耗惊人——单个 GPU 功耗可达 1000 瓦，而人脑在处理同类任务时能效高出约百万倍。为了突破这一瓶颈，类脑计算（neuromorphic engineering）应运而生，旨在构建模仿神经元与突触的电子器件。然而，无论是新型实验器件还是 CMOS 晶体管模拟方案，都面临可靠性或集成度不足的问题。近日，研究人员在一次意外的实验室失误中，发现了一种简单高效的神经形态器件，它能像脑细胞一样工作，且制造工艺与传统半导体兼容。这一发现可能为低功耗、高性能计算打开新的大门。 ## 意外发现：从失误到突破 在尝试制造新型忆阻器时，研究团队因操作失误导致材料层结构异常。但测试结果令人震惊：这种“错误”的器件展现出了**类似生物神经元的积分-点火特性**，且能耗极低。与需要数十个晶体管才能模拟一个神经元不同，这个单器件就能实现关键功能，**功耗仅为微瓦级别**。 ## 类脑计算的核心挑战 传统神经形态方案面临两难：新型材料（如相变存储器、铁电晶体管）虽能模仿突触可塑性，但稳定性差、难以大规模集成；而 CMOS 模拟方案虽工艺成熟，但模拟一个神经元需 20-100 个晶体管，导致芯片面积大、功耗高。 ## 新器件的优势 该意外发现的器件采用**标准硅基工艺**，结构简单，可直接与现有 CMOS 电路集成。它不仅能模拟神经元的时空整合功能，还能实现**突触权重更新**，这意味着一个器件即可完成传统方案中多个元件的工作。初步测试显示，其能效比传统 GPU 提升 **三个数量级**。 ## 前景与局限 尽管成果令人兴奋，但该器件目前仅在实验室环境中验证，距离实用化仍有距离。团队需要解决器件一致性、长期可靠性以及大规模互联等问题。不过，这一“美丽的错误”已经为类脑计算提供了极具潜力的新方向——用最简单的结构，逼近生物大脑的效能。

在全球化与技术竞争交织的当下，**主权**与**自力更生**再次成为美国政策与产业界的核心议题。近日，IEEE Spectrum发表了一篇来自系统工程师、**《棘手问题：如何工程化一个更美好的世界》**作者**Guru Madhavan**的观点文章，探讨了美国历史上如何通过工程手段构建主权，并指出这种自力更生并非一蹴而就，而是一项持续的任务。 ## 工程与主权的历史交织 文章开篇即点明：**主权并非天然存在，而是被“工程化”出来的**。从19世纪的跨洲铁路到20世纪的州际公路系统，从曼哈顿计划到阿波罗登月，美国在关键基础设施与科技领域的自主能力，往往是通过大型工程项目的推动而逐步建立。这些项目不仅解决了物理连接与国防安全问题，更在制度、人才与产业链层面塑造了国家的独立韧性。Madhavan强调，工程思维——即系统性地定义问题、整合资源、迭代方案——是国家主权建设的重要工具。 ## 自力更生的现实挑战 然而，历史上的成功并不意味着今日可以高枕无忧。文章指出，**当代的供应链脆弱性、技术依赖与人才短缺**正在考验美国的主权基础。半导体制造、稀土材料、人工智能算法等关键领域，美国对海外来源的依赖程度远超过去。Madhavan认为，真正的自力更生不是追求100%的自给自足，而是**在关键节点上具备替代能力与快速恢复能力**。这需要政府、产业与学术界的持续协作，以及长期的投资耐心。 ## 现状与应对 当前，美国通过《芯片与科学法案》等政策试图重振本土制造业，但Madhavan提醒，**硬件之外，软件与系统层面的主权同样重要**。例如，在AI领域，训练大模型所需的算力与数据往往依赖跨国云服务，这构成了新的依赖关系。他建议，应当借鉴历史上**国防高级研究计划局（DARPA）** 的模式，设立跨领域的工程创新机构，聚焦“卡脖子”技术的突破，并建立从基础研究到产业化的快速转化通道。 ## 小结：主权是动态工程 Madhavan总结道，**主权不是一次性的成就，而是一个需要不断维护与更新的动态系统**。就像软件需要持续打补丁，国家的主权工程也需要根据技术环境的变化而调整。对于AI从业者而言，这意味着不仅要关注算法与模型的进步，更要思考如何在开源生态、数据主权与算力基础设施上构建自主可控的闭环。未来的竞争，将是“工程化主权”能力的竞争。

近年来，大语言模型在文本生成、翻译和对话领域取得了惊人进展，但一个名为 **ConlangCrafter** 的新项目将 AI 的创造力推向了另一个维度——**人工语言创造**。 ## 从现实语言到虚构语言 传统上，人工语言（conlang）的构建需要语言学知识、文化背景和大量手工设计。无论是《星际迷航》中的克林贡语，还是《权力的游戏》中的多斯拉克语，背后都有专业语言学家投入数月甚至数年时间。ConlangCrafter 的目标是让 AI 学习这种创造性过程，自动生成具有内在一致性的新语言。 ## 突破性能力：基于颜色变化造语言 ConlangCrafter 最引人注目的功能是能够根据 **颜色变化** 等非语言概念来设计语言。例如，用户可以指定“一种随着颜色从红变蓝而改变词序的语言”，模型会尝试生成一套符合该约束的语法和词汇。这种跨模态映射能力表明，AI 不仅学会了语言结构，还能理解颜色、空间等抽象概念与语言形式之间的潜在关系。 ## 技术实现与创新点 虽然具体技术细节尚未完全公开，但从现有信息推断，ConlangCrafter 可能结合了 **序列到序列模型** 与 **语法归纳算法**。它需要同时满足两个目标：生成的语言必须具有可解释的规则（如固定词序、时态标记方式），同时符合用户指定的外部约束（如颜色关联、声音模式）。这比单纯的语言翻译或文本生成更具挑战性，因为模型必须在“创造”与“一致”之间取得平衡。 ## 潜在应用场景 1. **游戏与影视创作**：为虚构世界快速生成背景语言，降低制作成本。 2. **语言学教育**：帮助学生理解语言结构如何通过规则组合形成。 3. **认知科学研究**：通过观察 AI 的“造语”过程，探索人类语言习得的底层机制。 ## 局限与展望 目前 ConlangCrafter 生成的词汇和语法仍较为简单，与真实人工语言的复杂性还有差距。此外，如何评估“造语”质量也是一个开放问题——是追求语法严谨性，还是强调文化合理性？未来版本或许会引入人类反馈（RLHF）来优化生成结果。 ConlangCrafter 的出现标志着 AI 在 **符号化创造力** 领域迈出了有趣的一步。它不再只是理解和生成现有语言，而是开始参与语言系统本身的构建。这一方向如果持续发展，可能会重新定义我们与计算机在创意协作中的边界。

欢迎来到本周的“视频星期五”——一个汇集全球精彩机器人视频的固定栏目。作为IEEE Spectrum的机器人编辑，Evan Ackerman每周都会为我们筛选出最值得关注的机器人动态。本期视频集锦的主题是“给机器人搭把手”（Give Robots a Hand），重点展示了机器人操纵、人机协作以及灵巧手技术的最新进展。 ## 本周亮点 - **人形机器人**：多家公司展示了人形机器人在仓储、家庭等场景中的操作能力，尤其是利用多指灵巧手完成精细任务，如抓取鸡蛋、拧瓶盖等。 - **协作机器人**：工业机器人通过力控和视觉引导，实现了更安全、更高效的人机协作，例如在装配线上与工人共同搬运重物。 - **仿生手**：研究团队推出了新型仿生手，其抓握力与灵活性接近人手，甚至能感知物体的软硬程度。 ## 技术解读 “给机器人搭把手”不仅是一个标题，更指向机器人领域的关键挑战：**灵巧操作**。长期以来，机器人擅长重复性、高精度的工业任务，但面对形状、材质各异的日常物品时往往束手无策。近年来，随着**深度学习**、**触觉传感**和**柔性材料**的突破，机器人手部正变得越来越“灵巧”。例如，通过强化学习训练的机械爪可以学会从未见过的抓取策略，而新型触觉皮肤则让机器人能感知滑动和压力。 ## 行业趋势 从本期视频可以看出，机器人行业正从“机器”向“伙伴”转变。人形机器人的涌现（如Tesla Optimus、Figure 01）推动了灵巧手技术的商业化，而协作机器人的普及则让工厂更安全、更柔性。不过，成本、可靠性和通用性仍是大规模落地的障碍。 ## 小结 “视频星期五”以直观的方式记录了机器人技术的演进。无论是人形机器人笨拙却努力的尝试，还是工业机器人精准的抓取，都预示着未来人机共融的图景。如果你对某个视频或技术感兴趣，欢迎留言讨论。

增强现实（AR）技术近年来在游戏、教育和工业领域取得了长足进步，但一个长期困扰用户体验的问题始终存在：虚拟物体与真实环境之间的光影不一致，尤其是阴影的缺失或错误投射，会打破沉浸感。最新研究提出了一种**无阴影增强现实**技术，通过算法消除虚拟物体投射的阴影，使得用户更难区分真实与虚拟内容。实验表明，参与者在测试中几乎无法分辨真实文字与投影文字的差异。 ## 技术原理与突破 传统AR渲染通常依赖物理引擎模拟光照和阴影，但计算复杂且难以实时适配动态环境。新方法采用**深度学习模型**，通过分析真实场景的光照分布，动态调整虚拟物体的渲染参数，使其无需阴影也能自然融入背景。关键技术包括： - **光照估计网络**：从单帧图像中预测环境光照方向与强度 - **阴影消除算法**：在渲染阶段抑制虚拟物体的阴影生成 - **边缘融合优化**：通过像素级混合减少虚拟与真实边界的突兀感 ## 实验与用户测试 研究团队设计了一项对照实验，让20名受试者观察混合现实场景中的文字内容。场景包含真实书写的文字和AR投影的文字，部分投影文字启用了无阴影模式。结果令人惊讶：**启用无阴影模式的投影文字被误认为真实文字的比例高达68%**，而传统带阴影的投影文字误认率仅为32%。这说明阴影的存在反而成为了用户识别的“破绽”。 ## 行业影响与应用前景 这一发现对AR/VR行业具有重要意义。当前主流AR设备（如Microsoft HoloLens、Apple Vision Pro）仍在努力解决光照一致性问题，而无阴影方案提供了一条低成本、高效果的路径。潜在应用包括： - **远程协作**：虚拟标注更自然，减少视觉干扰 - **医疗手术导航**：关键信息叠加更精准，避免阴影误导 - **消费级AR滤镜**：提升社交应用的沉浸体验 不过，该技术目前仍局限于静态光照场景，在复杂动态环境下（如户外阳光变化）的稳定性有待验证。研究团队计划下一步结合**神经辐射场（NeRF）**技术，实现全动态场景的无阴影渲染。 ## 小结 无阴影增强现实技术通过逆向思维——消除而非模拟阴影，反而提升了虚拟内容的真实性。这启示我们，在追求逼真渲染时，“不完美”有时反而更接近真实感知。随着算法的持续优化，未来AR体验或将进入一个“无影无形”的新阶段。

在夏季用电高峰，空调是电网的主要负担之一。然而，一家名为 **Every Electric** 的初创公司正在纽约市推出一种创新方案：用电池为空调供电，以缓解电网压力。这项技术不仅帮助用户节省电费，还让普通家庭成为 **虚拟电厂** 的一部分，参与能源市场的需求响应。 ### 工作原理：电池如何“接管”空调？ Every Electric 为住宅或小型商业建筑安装一套电池系统，专门与空调设备连接。当电网负荷达到峰值时，电池会自动放电，为空调供电数小时，从而减少从电网取电。用户几乎察觉不到切换过程，室内温度保持恒定。这套系统通过智能算法预测电网负荷高峰，并在电价较高时优先使用电池储能，从而降低用户的电费支出。 ### 虚拟电厂：从消费者到能源参与者 参与该计划的家庭实际上成为了 **虚拟电厂** 的一部分。虚拟电厂是一个由分布式能源资源（如电池、太阳能板、电动汽车充电桩）组成的网络，通过中央控制系统统一调度，向电网提供灵活性服务。在纽约，Every Electric 的电池网络在高峰时段可提供数百千瓦的电力，相当于一个小型发电厂的输出。电网运营商为此支付费用，这些收益会部分返还给用户，形成双赢。 ### 实际效果与前景 此前，类似的虚拟电厂项目多依赖太阳能或大型储能设施。而 Every Electric 的方案专注于空调这一单一但耗电巨大的设备，降低了部署门槛。纽约市已有数百户家庭参与测试，初步数据显示，该系统在夏季高峰时可减少 **20% 至 40%** 的空调相关电网负荷。 该技术对老旧的电网基础设施尤其有价值。纽约市的电网在极端高温天气下曾多次接近容量极限，电池空调方案提供了一种分布式、快速的缓解手段。此外，电池还可以在非高峰时段充电，利用夜间更便宜、更清洁的电力，进一步减少碳排放。 ### 挑战与未来 目前，该方案仍面临电池成本较高、安装空间有限等挑战。但 Every Electric 预计，随着电池价格持续下降和更多用户加入，经济性将逐步改善。公司还计划将系统与太阳能板集成，实现全天候清洁供冷。 对于城市居民而言，这不仅是技术升级，更意味着能源消费方式的转变——从被动用电到主动参与电网平衡。虚拟电厂的概念正从理论走向现实，而电池空调可能是其中最接地气的应用之一。