微软联合创始人比尔·盖茨近日在其博客“盖茨笔记”上发表长文，深入探讨了人工智能对社会的影响。他不仅赞同AI领域员工呼吁放缓AI发展的公开信，还提出了一些颇具新意的政策建议，如征收机器人税和设立“人类保留”岗位。这些想法虽然尚处于概念阶段，但若被采纳，可能对AI行业产生深远影响。 盖茨在文中表示，他认同“负责任AI”阵营的观点，认为《Pacing the Frontier》公开信提出的放缓AI发展是合理的，但他也怀疑这种放缓能否持续。他对AI在科学和医疗领域的潜力表示兴奋，但也对劳动力市场的冲击表示担忧。这些观点与Anthropic的政策研究相似，但盖茨提出的两项新建议却鲜有人提及。 **机器人税**是盖茨提出的第一项建议。他指出，当前税法鼓励企业用机器替代人力：雇佣员工需缴纳工资税，但购买机器人却可作为商业支出立即抵扣。这种不对称的税收政策促使企业加速自动化。盖茨提议对机器人征税，以减缓人类劳动力被替代的速度，并为再培训和加强社会保障网络筹集资金。 **“人类保留”岗位**则是另一项建议。盖茨主张将某些工作领域划为“人类保留”，禁止AI介入。他认为，出于经济原因，例如保护难以转行的中老年劳动者，或出于伦理考虑（如告知患者绝症诊断），某些岗位应保留给人类。他举例说，不能指望一位55岁的建筑工人转行去养老院工作，这既不现实也不公平。同时，在医疗领域，让机器人告知患者不治之症的消息虽然技术上可行，但不应如此。 盖茨也承认，“人类保留”的范围会随时间演变，建议现在就开始甄别并逐步引入AI，以保留部分岗位。然而，这两项建议若实施，可能会大幅削减主要AI实验室的利润，这或许是它们此前鲜被提及的原因。此外，关于具体如何定义“机器人”以及如何执行“人类保留”政策，仍存在许多未解问题。
企业在消息、语音和数字渠道中部署AI代理、语音AI和自动化的速度，已经超过了支撑这些技术的架构更新速度。塔塔通信客户互动套件全球负责人高拉夫·阿南德指出，大多数部署是将对话式AI附加到从未为其设计的遗留系统上。 ## 遗留系统与新技术的脱节 阿南德表示：“在急于部署AI的过程中，组织大多将对话式AI硬接到遗留系统上。结果，虽然许多企业采用了数字工具，但很少有平台能够真正集成、扩展并实现无缝编排。”这种脱节给人工客服带来了沉重的认知负担，他们必须在多个脱节的工具之间拼凑上下文，才能理解AI系统已经向客户提供了什么信息。 挑战不仅在于数据访问，更在于缺乏共享的企业上下文，无法将客户身份、交互、交易、政策、旅程和运营系统连接成一个统一的理解。传统CX架构是为线性、人工驱动的路由而设计的，不适合管理自主AI系统、数据湖和人工员工之间的实时数据流。 ## 从自动化到编排：优先级的转变 随着协调问题的加剧，企业内部的战略优先级正从自动化转向编排。阿南德认为：“自动化解决单个任务，而编排将它们连接成端到端的成果。下一步演进是上下文感知的编排，AI代理、应用程序和人工员工基于对客户、流程和业务意图的共享理解来运作，而不是孤立的系统记录。” 随着组织积累越来越多的机器人、代理和AI工具，管理它们的复杂性呈指数级增长。阿南德表示，竞争优势现在更多地体现在系统如何智能地交接工作、协作和升级，而不仅仅是部署自动化。 ## 构建共享上下文层 要解决这一挑战，企业需要构建一个共享上下文层，使AI系统、应用程序和人员能够基于对客户和业务的相同理解来运作。这要求企业投资于数据集成、API管理和事件驱动架构，以确保信息在系统间流畅流动。 ## 未来展望 随着AI代理的普及，客户体验的成功将取决于企业能否有效编排这些代理与人类员工的协作。那些能够建立统一上下文并实现无缝编排的企业，将在竞争中脱颖而出，提供真正个性化的客户体验。
上周末，AI 社区因一个名为 Ox Alpha 的神秘开源权重模型而沸腾。该模型匿名发布在 OpenRouter 上，却迅速登顶多个基准测试和排行榜，与顶尖模型一较高下。如今，谜底揭晓：据彭博社报道，Ox Alpha 的创造者是知名 AI 实验室 Z.ai——GLM 系列模型的开发者。 Z.ai 已确认，Ox Alpha 是其 GLM 系列的最新迭代。此前，Hugging Face 曾公开使用 GLM 模型来防御来自 OpenAI 代理的攻击，可见其在业界的认可度。Z.ai 宣布，将于本周三（8 月 28 日）正式发布 Ox Alpha 的权重，届时开发者即可基于该模型进行二次开发。 Z.ai 将 Ox Alpha 描述为“专为编程、持续代理任务和生产工作负载设计的推理模型”，适用于长期软件工程、复杂推理以及结合文本与视觉上下文的工作流。这一发布进一步加剧了中国开源模型对西方前沿模型公司的竞争压力，尤其是对 OpenAI 和 Anthropic 等定价高昂的模型形成威胁。 本月早些时候，Z.ai 已发布 GLM-5.3，在某些基准上可与 Anthropic 的 Fable 5 相抗衡。如今 Ox Alpha 的推出，再次证明中国 AI 实验室在开源模型领域的强劲实力。 ## 行业影响 Ox Alpha 的出现并非孤立事件。近年来，中国 AI 实验室如 Z.ai、DeepSeek 等持续推出高性能、低成本的开源模型，逐步侵蚀美国公司的市场份额。这些模型不仅在性能上逼近闭源产品，还通过开放权重吸引大量开发者，形成生态优势。 对于开发者而言，Ox Alpha 的发布意味着他们可以利用世界级模型而无需支付高昂 API 费用，同时还能自主定制和部署，保障数据隐私。这无疑将加速 AI 应用的落地与创新。 ## 未来展望 随着 Ox Alpha 权重的即将开放，我们可以预见一系列基于它的衍生模型和应用将如雨后春笋般出现。Z.ai 选择在此时发布，也反映了其在全球 AI 竞赛中的战略布局。 不过，开源模型的商业化路径仍待探索。如何在开放与盈利之间平衡，是 Z.ai 及其他开源实验室面临的共同挑战。但无论如何，Ox Alpha 的发布已为 AI 行业注入了新的活力，让我们拭目以待它的表现。
在 Hacker News 上，AI 相关话题的热度一直居高不下，但究竟有多少标题真正包含“AI”这个词？一个名为“How much of Hacker News is about AI?”的网站试图给出量化答案。 该网站通过统计 Hacker News 新提交的标题中独立单词“AI”的出现频率（区分大小写、按单词边界匹配），来衡量 AI 内容的占比。例如，“OpenAI”不计入统计，而“AI-powered”则会计入。此外，网站还提供了一个“扩展”（Extended）模式，用于统计更广泛的 AI 相关词汇，包括“artificial intelligence”的全称、LLM、GPT 以及各种模型和厂商名称。 网站界面实时展示今日 AI 标题数量、总标题数、AI 标题占比，以及 AI 帖子之间的平均间隔时间。它还会倒计时重置，直到下一条 AI 标题出现。用户可以通过切换按钮在“严格”（Strict）和“扩展”（Extended）两种统计模式之间切换，并支持筛选“Show HN”或“Ask HN”等帖子类型。 值得注意的是，网站使用 Algolia 的搜索 API 进行历史数据匹配，由于 Algolia 的 token 匹配不区分大小写，因此历史数据与严格模式下的统计略有差异，但总体上保持高度一致。 这个工具为观察 Hacker News 社区的 AI 关注度提供了一个直观的窗口。它不仅能反映 AI 话题的实时热度，还能通过扩展模式捕捉更广泛的 AI 生态动态。对于研究技术社区趋势或关注 AI 领域发展的读者来说，这是一个简单而实用的参考工具。 需要注意的是，该网站目前仅统计标题中的关键词，并未分析文章正文内容，因此其数据反映的是标题层面的 AI 提及率，而非完整的内容占比。此外，统计结果可能受到标题写作风格的影响，例如某些标题可能使用“machine learning”或“neural network”等替代词汇，这些词在严格模式下不会被计入。 总的来说，这个工具以简洁的方式呈现了 Hacker News 上 AI 话题的活跃度，为技术社区的趋势观察提供了一个有趣的切入点。
物理 AI 是当下风投最热门的赛道之一，各公司纷纷筹集数十亿美元，试图将大语言模型的技术应用于机器人。这股热潮让中国领先的机器人制造商宇树科技（Unitree）成功上市，市值一度达到 660 亿美元。然而本周，该公司市值几乎腰斩。分析师指出一个显而易见的问题：虽然机器人的物理能力在提升，但它们仍缺乏真正创造价值的工作技能。 在上周举行的 Actuate 大会上，为机器人构建 AI 大脑的开发者们热情高涨。据主办方 Foxglove（一家帮助物理 AI 模型构建者管理和可视化数据的公司）称，该活动规模自 2023 年启动以来已扩大两倍，与会者达 1500 人。但风险也显而易见：物理 AI 基础设施公司 Avala 的展台上写着“解决机器人数据危机”。 所谓数据危机，是指缺乏高质量的训练数据。构建能做任何任务的通用机器人仍遥遥无期，而针对特定任务的端到端学习也尚未带来可靠、商业化的产品。开发者的答案是更好地模仿前沿 AI 实验室的进展——寻找或创造更多样化的数据集、尝试不同的训练方案、设计更好的强化学习场景。 Antioch 创始人 Harry Mellsop 认为，物理 AI 正处于 GPT-2 时代（即 ChatGPT 出现之前的 OpenAI 模型）。要突破瓶颈，需要更多数据和算力，尤其是用于创建高保真模拟的、针对光线追踪优化的 GPU。 走得最远的是自动驾驶汽车，部分原因是能从人类驾驶的汽车中收集相关数据，部分原因是其主要任务是避免碰撞，而非操控物理环境。许多模型构建工具来自自动驾驶公司；例如，Foxglove 由通用汽车旗下自动驾驶公司 Cruise 的前员工创立。如今，这些汽车公司越来越相信，它们在机器学习工具上的投资将使其能与专用人形机器人制造商竞争。特斯拉已经在用其 Optimus 机器人尝试这一点。
随着生成式AI和智能体AI的兴起，软件开发流程和所需技能发生了巨大变化。Coursera创始人、斯坦福大学讲师吴恩达基于对超过1万个职位发布的分析及对AI专家、招聘经理和猎头的访谈，列出了AI开发人员必备的四大技能领域。然而，一些行业观察者认为这份清单过于侧重工程实现，忽略了业务理解和风险管控等关键方面。 ## 吴恩达列出的四大核心技能 1. **构建和部署AI应用**：理解LLM、上下文工程、RAG、智能体工作流、机器学习和深度学习等基础组件，并掌握统计技术来度量、引导和治理AI系统，使其行为更可预测。 2. **软件工程基础**：架构、测试和安全等传统软件工程技能仍然至关重要。吴恩达指出，具备这些技能能带来比“vibe coding”新手更好的结果，因为新手往往不了解编码代理所做的权衡。 3. **使用编码代理**：需要建立对智能体工作原理的良好心智模型，理解其局限性并知道如何绕过，以及如何快速引导它们——知道何时干预、何时放手，从而高效构建可靠软件，避免浪费时间和token。 4. **塑造构建过程**：工程师不应再期望获得像素完美的需求，而应主动参与产品定义和迭代。 ## 专家视角：清单之外的盲区 尽管吴恩达的建议为AI开发者的技术成长提供了清晰路径，但多位专家指出，仅关注技术能力不足以应对AI项目的复杂挑战。 - **业务问题理解**：AI项目失败往往不是因为技术不行，而是因为没有对准真正的业务需求。工程师需要深入理解业务场景、用户痛点和成功指标，才能构建有实际价值的解决方案。 - **风险管理与伦理**：AI系统可能带来偏见、隐私泄露和错误决策等风险。开发者需要具备风险识别和缓解能力，并遵循负责任AI的原则，而不仅仅是追求模型性能。 - **跨学科协作**：现代AI开发需要与产品经理、领域专家、法律顾问等紧密合作。沟通能力和团队协作技能成为项目成功的关键。 - **持续学习与适应**：AI技术迭代极快，开发者需要保持学习心态，跟踪最新研究，并快速将新方法应用到实践中。 ## 小结 吴恩达的四大技能清单为AI开发者提供了扎实的技术基石，但正如专家所言，真正的AI人才还需要具备业务洞察、风险意识和协作能力。未来的AI开发不仅是编码，更是技术与商业的深度融合。开发者应在夯实技术基础的同时，培养更广泛的视野，才能在快速变化的AI领域中保持竞争力。
在人工智能和大数据浪潮的推动下，全球数据中心建设如火如荼。然而，一个潜在的瓶颈正悄然浮现：**中国对两种稀土元素——铒（Erbium）和钇（Yttrium）——的近乎垄断性掌控，可能成为制约数据中心扩张的关键因素**。 ## 稀土元素：数据中心背后的隐形支柱 现代数据中心依赖高速、长距离的光纤通信网络来连接服务器和存储系统。在这些网络中，**光信号在传输过程中会衰减，需要放大器进行增强**。而铒正是掺铒光纤放大器（EDFA）的核心材料。EDFA 利用铒离子的受激辐射特性，无需将光信号转换为电信号即可直接放大，是当前长距离光通信系统的基石。 钇则广泛应用于高性能激光器、高温超导材料及某些电子元件中，在数据中心的光通信和电力系统中也扮演着重要角色。可以说，没有这些稀土元素，数据中心的高效运作将无从谈起。 ## 中国的稀土主导地位 中国在全球稀土供应链中占据主导地位，**稀土产量占全球总产量的 60% 以上，而重稀土（包括铒和钇）的份额更是高达 90% 左右**。这种集中度意味着，一旦中国对稀土出口实施限制或加征关税，全球数据中心建设成本将大幅上升，甚至可能延迟项目进度。 近年来，中国已将稀土列为战略资源，并多次调整出口政策，引发国际社会对供应链安全的担忧。对于高度依赖进口稀土的国家和企业而言，这种风险不容忽视。 ## 供应链风险与应对策略 目前，**美国、澳大利亚等国家正在努力开发本土稀土矿源**，以降低对中国稀土供应的依赖。例如，美国加州的山口矿（Mountain Pass）已恢复生产，但主要集中于轻稀土，重稀土的分离和加工能力仍有限。此外，**稀土回收利用技术也在发展，但尚不足以填补潜在缺口**。 对于数据中心运营商和光通信设备制造商而言，供应链多元化成为当务之急。一些企业开始与澳大利亚、缅甸等国的矿商签订长期采购协议，同时探索新型放大器技术以减少对铒的依赖。然而，短期内这些替代方案难以完全取代现有供应链。 ## 未来展望 随着 AI 模型训练和云计算需求的爆发式增长，数据中心对带宽和连接速度的要求将持续提升，进而推高对铒和钇的需求。**如果供应链问题得不到有效解决，数据中心的扩张速度可能受限，进而影响全球数字化转型进程**。 业内专家呼吁，各国应加强稀土资源的战略储备，并加大在稀土替代材料研发上的投入。同时，国际合作与贸易对话也至关重要，以避免因资源博弈而阻碍技术进步。 总而言之，中国对铒和钇的掌控，正从单纯的贸易议题演变为关乎全球科技基础设施建设的战略性问题。如何平衡资源安全与产业需求，将是未来数年各国政府和企业必须面对的挑战。
Linux 系统常被认为比 Windows 更安全，但这并不意味着它可以完全免疫于恶意软件。尤其是当你需要与 Windows 用户交换文件时，潜在的风险依然存在。如果你正在寻找一种简单、免费且有效的方式来扫描 Linux 电脑中的威胁，那么 ClamAV 的图形界面工具绝对值得一试。 ClamAV 是一款开源的反病毒引擎，被广泛用于邮件网关和文件服务器。然而，对于普通桌面用户来说，其命令行操作方式可能有些门槛。幸运的是，现在有了图形化的前端工具，让 ClamAV 的使用变得像在 Windows 上运行 Defender 一样简单。 这款工具的核心价值在于，它能够扫描 Linux 系统上的文件，并检测出可能携带的 Windows 恶意软件。这对于那些经常与 Windows 同事或朋友共享 U 盘、外部硬盘或网络文件的用户来说尤为重要。即使 Linux 本身不受这些病毒影响，但如果不加防范，很容易在不知不觉中将这些恶意文件传播给他人。 使用这款 GUI 工具，你只需几步就能完成一次完整的系统扫描。安装过程也非常简便，通常可以通过软件包管理器或官方网站直接获得。扫描过程中，你可以看到实时的进度和结果，一旦发现威胁，工具会清晰标记出来，并提供处理选项，如隔离或删除。 除了按需扫描，它还支持计划扫描，你可以设定定期自动扫描，确保系统始终处于受保护状态。这对于那些希望“设置后忘掉”的用户来说，无疑是极大的便利。 当然，这款工具并非万能。它基于 ClamAV 的病毒库，对已知威胁的检测率较高，但面对新型或复杂的恶意软件可能力有不逮。因此，它更适合作为基础防线，而非唯一的安全措施。对于大多数 Linux 桌面用户而言，它已经足够应对日常的安全需求。 总之，如果你重视系统安全，尤其是涉及跨平台文件共享时，这款免费的 ClamAV 图形界面工具是一个值得考虑的选择。它让 Linux 上的威胁扫描变得前所未有的简单，让你在享受开源生态的同时，也能多一份安心。
AI模型常被视为“黑箱”，其决策过程难以捉摸。如今，初创公司Goodfire AI推出了名为Silico的研究工具，旨在帮助研究人员更深入地理解AI模型的内部工作机制。 ## 工具原理 Silico结合了**稀疏自编码器**与**探针技术**，能够剖析AI模型的推理过程。稀疏自编码器通过识别模型内部神经元的激活模式，将高维的模型状态压缩为更易解释的表示；而探针则用于定位特定概念或特征在模型中的编码位置。两者结合，研究人员可以观察到模型在处理输入时，哪些内部状态被激活，从而推断其推理逻辑。 ## 应用场景 该工具主要面向AI研究者，帮助他们回答诸如“模型为何会给出特定回答”或“模型是否存在偏见”等问题。通过可视化模型的内部状态，Silico有望在**模型调试、安全性评估**和**可解释性研究**中发挥重要作用。例如，当模型产生错误输出时，研究者可以追溯是哪些内部特征导致了偏差，进而进行针对性调整。 ## 行业背景 当前，随着大语言模型（LLM）的广泛应用，模型的可解释性成为AI领域的热点。许多公司如OpenAI、Anthropic也在探索类似的技术。Goodfire AI的Silico切入这一赛道，为研究者提供了新的工具选择。尽管该工具目前仍处于早期阶段，但其理念与“AI透明化”的趋势不谋而合。 ## 展望 虽然Silico的具体性能尚未公开，但这一方向预示着AI研究正从“只看结果”向“理解过程”转变。未来，类似工具或将成为AI开发的标准配置，帮助构建更可靠、更可信的AI系统。不过，该工具的实用性和效果仍需更多研究验证。
**核心结论**：NASA与业界工程师提出一种名为“同步双模式核火箭”（S‑BNR）的新型推进系统，有望将载人火星任务的往返时间从620天大幅缩短至335天，同时降低航天员在深空中的健康风险。 ## 为什么时间如此关键 任何载人火星任务的最大威胁都是时间。NASA目前最短的载人火星往返方案要求航天员在太空度过620天，其中仅在火星表面停留30天。长时间暴露在微重力、太阳辐射和宇宙射线中，会对人体造成不可逆的累积伤害。此外，任务时间越长，生命维持系统、设备故障等不可控风险也越高。因此，缩短飞行时间不仅能简化工程挑战，更能显著提升航天员的安全与健康。 ## S‑BNR：核热与核电的融合 S‑BNR（同步双模式核火箭）的核心创新在于：**使用单一核反应堆，同时驱动核热推进（高推力）和核电推进（高效率）**。传统设计需要复杂的阀门和模式切换机构，而S‑BNR通过两个独立的流体回路和优化的燃料区域，避免了机械切换的复杂性，既能提供高推力机动，又能持续为电力推进系统供电。 这种设计借鉴了20世纪60年代NERVA和Rover项目的核热火箭技术积累，并融合了现代核电推进的成熟经验。艺术家概念图展示了该火箭的外观：核热引擎负责高推力阶段，而一组电推力器在低推力、高效率阶段工作。 ## 挑战与前景 尽管S‑BNR潜力巨大，但工程实现面临多重挑战： - **燃料元件**：需要开发能同时适应核热与核电两种模式的燃料，并确保不同燃料区域兼容； - **地面测试**：核火箭的地面测试涉及安全和环境问题，需要建立新的测试设施； - **发射安全**：核反应堆随火箭发射升空，必须确保在发射事故中不会造成放射性污染； - **跨机构协作**：NASA、能源部及工业伙伴需要密切合作，从建模、实验到在轨演示逐步推进技术成熟。 ## 未来展望 S‑BNR目前仍处于概念研究和初步设计阶段，距离实际应用还有相当距离。但作为核热推进与核电推进的融合方案，它为深空探测提供了一条极具吸引力的技术路径。如果研发顺利，未来不仅火星任务时间大幅缩短，木星、土星等外行星探测也将受益于这种高效推进系统。 **小结**：S‑BNR是核推进领域的一次重要概念创新，它通过巧妙设计规避了传统双模式系统的复杂性，以单一反应堆实现高推力与高效率的兼顾。尽管挑战重重，但它为人类更快、更安全地探索太阳系提供了新的可能。
在本地大模型（local LLM）日益受到企业青睐的背景下，IBM 发布了新一代 Granite 4.2 模型，主打智能体（agentic）能力与可预测的企业部署体验。这一动作不仅是对市场趋势的回应，更体现了 IBM 在 AI 企业服务领域的战略布局。 ## 智能体能力：从对话到行动 Granite 4.2 的核心亮点在于对智能体能力的强化。与传统的对话式 AI 不同，智能体模型需要具备规划、工具调用和自主决策的能力，以完成复杂任务。IBM 通过优化模型架构和训练数据，提升了 Granite 4.2 在函数调用、代码执行和多步骤任务处理上的表现，使其能更自然地融入企业工作流。例如，在客户服务场景中，模型不仅能回答用户问题，还能自动查询数据库、更新工单或触发后续流程。 ## 可预测的企业部署：降低落地门槛 对于企业客户而言，AI 模型的可预测性至关重要。Granite 4.2 强调在特定硬件和软件环境下的稳定性能，提供详细的基准测试和部署指南，帮助企业预估资源消耗和响应时间。这种可预测性减少了试错成本，让 IT 团队能更自信地将模型集成到生产系统。此外，IBM 延续了 Granite 系列的开源策略，允许企业本地化部署，满足数据隐私和合规要求。 ## 本地大模型热潮：为何企业转向本地部署？ 当前，企业对本地大模型的兴趣激增，原因包括： - **数据安全**：敏感数据不离开企业防火墙，降低泄露风险。 - **定制化**：可根据行业数据微调，提升专业性。 - **成本控制**：避免按 API 调用付费，长期成本更可预测。 - **离线可用**：在网络受限环境中仍能运行。 IBM 此次推出 Granite 4.2，正是看到了这一趋势，并试图以“智能体+可预测部署”作为差异化卖点。 ## 行业影响与展望 随着更多厂商加入本地 LLM 赛道，竞争将聚焦于模型的实用性、易用性和生态支持。IBM 的优势在于其深厚的企业服务经验和 Watson 生态，但如何与微软、Meta 等对手竞争，仍需市场检验。Granite 4.2 的发布，或许标志着企业 AI 从“能聊”迈向“能做事”的新阶段。 （注：由于原文内容有限，部分细节基于行业背景合理推断，具体技术参数和基准数据请以 IBM 官方公布为准。）
比尔·盖茨近期对AI的反思引发了一场深刻的觉醒。这位微软联合创始人曾是AI的坚定乐观派，如今却对AI可能带来的集体未来深感悲观。在AI议题上沉寂一段时间后，盖茨带着一篇近6000字的文章回归，试图重新在全球AI塑造中发挥核心作用。文章题为《动荡的AI时代已经到来，我们现在做出的选择至关重要》，盖茨警告世界对即将到来的变化毫无准备，更糟糕的是，“我们并未为此做准备”。盖茨试图指明前路，但文章大体上重提熟悉的话题，指出了全球治理中根深蒂固的系统性障碍，却鲜有新颖的解决方案。这与他2023年那篇充满希望的AI文章形成鲜明对比，不过盖茨坚称，现在“确保利大于弊”还不算太晚。 ## 主要观点 ### 转型比世界意识到的更大、更快 盖茨表示：“AI要么成为有史以来最伟大的均衡器，要么成为最严重的不公正源头。”他预测，“向这一新AI时代的过渡将成为人类历史上最动荡的时期之一。”他认为，许多人低估了影响的规模，因为与PC等过去创新的“误导性”比较，以及当前模型性能问题“很快得到修复”的错觉。“这次真的不一样，”他说，“如果有人有可信的全球减缓AI发展的计划，我可能会支持。” ### 对机器人征税，为人类保留部分工作 盖茨非常担心AI对就业的影响，预测会出现广泛的、永久性的失业。他建议对机器人征税，并考虑为人类保留某些工作岗位，以缓解社会冲击。 ### 全球治理的困境 盖茨承认，现有的全球治理机制难以应对AI带来的跨国挑战。他呼吁加强国际合作，但并未提出具体的创新方案，这反映了AI治理的复杂性。 ## 结语 盖茨的这篇文章标志着他从乐观到悲观的转变，也反映了AI领域日益增长的担忧。尽管他仍怀有希望，但强调当前选择的紧迫性。对于AI的未来，我们是否真的准备好了？盖茨的警告或许是一个及时的提醒。
飓风建模或将因这项复用技术而改善。 ## 地震传感器的新使命 想象一下，原本用于监测地震的传感器，如今却能捕捉到飓风的“声音”——这不是科幻情节，而是最新研究的现实。**科学家发现，地震传感器可以“听见”飓风的呼啸**，这为飓风建模提供了全新的数据来源，有望提升对这类极端天气的预测能力。 这项研究由美国地球物理联合会（AGU）等机构支持，其成果发表于《地球物理研究快报》等期刊。研究人员利用美国地震台网（USArray）等部署的宽频带地震仪，在2021年飓风“艾达”和2022年飓风“菲奥娜”等风暴期间，捕捉到了由飓风引起的微地震信号。这些信号源于飓风与海洋和陆地表面的相互作用，例如巨浪拍打海岸、强风挤压地面，甚至风暴系统内部的气压波动。 ## 如何“听”见飓风？ 地震仪通常埋设在地下，用于记录地震波。但在飓风期间，它们记录到了持续数小时的、频率低于1赫兹的振动，这与地震产生的短暂高频信号截然不同。研究人员通过分析这些低频信号的振幅和方向，可以推断飓风的强度、位置甚至移动路径。例如，信号强度与风速有显著相关性，而信号方向则指向风暴中心。 这种“听觉”能力并非全新，但此前多用于监测海洋风暴或冰震，而针对飓风的系统性研究尚属首次。 ## 为什么重要？ 飓风建模目前主要依赖卫星、飞机和浮标等工具，但它们在风暴最强时往往难以获取数据——卫星可能被云层遮挡，飞机无法进入风暴眼，浮标则可能被巨浪摧毁。地震传感器的优势在于，它们分布广泛、持续运行，且不受天气影响，能够提供**地面实况**数据，补充现有观测的盲区。 此外，地震数据还能帮助科学家更好地理解飓风与海底地形的相互作用，从而改进风暴潮和波浪模型。 ## 挑战与前景 尽管前景诱人，但这项技术仍面临挑战。地震信号容易受到人为噪声（如交通、工业活动）的干扰，且不同地区的地质条件会影响信号传播，需要复杂的算法来提取有效信息。此外，地震仪并非为飓风监测而设计，其部署密度在海洋区域相对较低。 不过，研究人员认为，将地震数据与现有模型结合，可以显著提高飓风路径和强度的预测精度。未来，随着全球地震台网的完善和机器学习算法的应用，地震传感器有望成为飓风监测的“隐形”利器。 这项研究再次展示了**跨学科创新的价值**——一个为地球“把脉”的工具，也能为气象预报提供新视角。 *本文基于IEEE Spectrum报道整理，信息截至2025年4月。*
宠物主人、救援机构和野生动物组织正呼吁建立新的防护措施，因为AI让辨别动物（从北极熊到家猫）真假变得越来越困难。 ## 从寻猫启事到AI骗局 今年四月，Mibbby Butler收到一条短信，称她丢失的猫Brooklyn被找到了。发信人声称她的室友的男友前一天把猫带到了洛杉矶郊外30分钟车程的地方。Butler在社交媒体上发布了寻猫启事，正和室友开车寻找时，一个陌生人发来一张照片：Brooklyn坐在厨房台面上，被一个女孩拥抱着。Butler激动地对室友说：“我的宝贝没事！”但对方要求她预付一笔所谓的临时照顾费用。这时Butler意识到可能遇到了骗局，仔细查看照片后发现，Brooklyn的姿势和她寻猫启事上用的照片一模一样，背景中的Torani糖浆瓶和微波炉也在，但新照片中标签文字是乱码——这是AI生成的典型标志。Butler没有付款，但四个月后Brooklyn依然下落不明。 ## 真实内容创作者也深受其害 AI伪造内容的泛滥也让真实内容的创作者备受困扰。非营利组织We Animals发布了175位摄影记者记录农场、马戏团和科学实验室中虐待动物行为的作品。这些材料本身可能令人震惊，自然容易引发质疑。该组织的营销经理Eva von Jagow表示，例如他们分享的无人机镜头，显示奶牛场中疑似用于隔离小牛的成排木笼，就曾被质疑是AI生成。 ## 真假难辨的动物视频 过去几年，AI深度伪造和“AI垃圾”的爆炸式增长，让观众、创作者和支持动物的组织都感到沮丧，迫使人们在像素中寻找瑕疵或AI痕迹。无论是水手营救北极熊、小牛与母亲分离，还是丢失宠物奇迹般找回的画面，许多人已经无法再轻易相信社交平台上动物的真实性。 ## 呼吁建立防护措施 面对这一趋势，宠物主人、救援机构和野生动物组织正呼吁建立新的防护措施，以应对AI技术带来的挑战。如何在享受AI便利的同时，保护动物福利和公众信任，成为亟待解决的问题。
Hacker News 热门 · 97 分 · 66 评论
在追求个人成长的漫漫长路上，我们常常感到迷茫，不知如何突破现状，实现从平庸到卓越的跨越。近日，一款名为 **Creatium Coach** 的新工具登陆 Product Hunt，它宣称能帮助你“创造自己的英雄之旅，从平庸走向卓越”。 ## 何为英雄之旅？ “英雄之旅”这一概念源自神话学大师约瑟夫·坎贝尔的《千面英雄》，他总结了世界各地神话故事中英雄的成长路径：从平凡世界受到召唤，跨越门槛，历经考验，最终带着“恩赐”回归。Creatium Coach 将这一经典叙事框架应用于个人发展领域，旨在通过结构化的指导，帮助用户规划并实现自己的成长目标。 ## 从“中游”到“卓越”的进阶指南 根据产品描述，Creatium Coach 的核心价值在于帮助用户“从平庸走向卓越”。它可能提供一套系统化的方法，将宏大的成长目标分解为可执行的步骤，并像一位私人教练一样，陪伴用户走过这段旅程。虽然目前尚未公布具体的功能细节，但可以推测，它可能包含： - **目标设定与路径规划**：基于英雄之旅的叙事逻辑，协助用户明确自己的“使命”与“关卡”。 - **进度追踪与反馈**：通过里程碑和反馈机制，让用户清晰看到自己的成长轨迹。 - **激励与辅导**：在用户遭遇挫折时，提供激励和策略调整建议，帮助其“跨越门槛”。 ## 工具背后的行业趋势 Creatium Coach 的出现并非孤立现象。近年来，**AI 驱动的个人成长类应用**逐渐升温，从冥想、习惯养成到职业规划，各类工具层出不穷。这类应用通常利用人工智能技术，提供个性化的建议和陪伴，满足用户对自我提升的持续需求。然而，将“英雄之旅”这一叙事框架与 AI 结合，Creatium Coach 似乎试图在情感共鸣和理性规划之间找到平衡点。 ## 尚待观察的落地效果 尽管概念颇具吸引力，但 Creatium Coach 的实际效果仍有待验证。其能否真正帮助用户实现“从平庸到卓越”的转变，取决于其方法论的科学性、AI 交互的自然度，以及用户自身的执行力。目前，产品刚刚上线，我们尚不清楚其定价、平台支持以及具体的用户评价。对于这款工具，我们应保持审慎乐观的态度，期待它在实践中证明自己的价值。 **总结来看**，Creatium Coach 以独特的叙事视角切入个人成长赛道，为渴望改变的人们提供了一种新的可能性。如果你是“英雄之旅”的爱好者，或正寻求突破现状，不妨关注它的后续发展。
**核心发现**：一项新研究将分子电子结构的预测问题与拓扑深度学习中的细胞层理论联系起来，提出了一种新的等变神经网络架构——等变细胞层网络（Equivariant Cellular Sheaf Networks）。该模型不仅严格推广了现有的E(3)-等变消息传递网络，还通过层上同调提供了对分子非键轨道的拓扑解释。 ## 从图网络到细胞层 传统上，分子性质预测依赖于图神经网络，而近年来的进展是直接预测电子哈密顿量，并保证E(3)等变性。与此同时，拓扑深度学习将图网络扩展到了细胞层，这是一种更丰富的几何结构。 **关键观察**：在局域原子轨道基组下，分子的单粒子哈密顿量经过一个常数平移使其半正定后，恰好是一个由分子构造的正则细胞复形上的细胞层的拉普拉斯算子。这一结构上的对应关系是本文的核心出发点。 ## 模型与理论结果 作者将限制映射设计为从键几何导出的O(3)-可转向双中心核，这自然恢复了Slater-Koster形式作为特例，并产生了一个E(3)和置换等变的算子。 基于此，作者证明了三个重要推论： - **零阶上同调**：H^0 = ker L 是一个拓扑不变量，等于非键（零模）轨道，恢复了经典的交替非键轨道计数作为下界。 - **Hodge 1-拉普拉斯**：通过H^1，更高维的胞腔（如环）可以携带环流和离域信息。 - **模型表达能力**：该模型严格推广了E(3)-等变消息传递网络和CW网络，并继承了非平凡层扩散的抗过平滑性质。 此外，作者还证明了模型的等变性、表达性和上同调对应性。 ## 数值验证 在实验中，作者验证了以下结果： - 哈密顿量到层的嵌入在机器精度内精确成立。 - 上同调维数在十一个共轭分子上重现了非键轨道计数。 - 层拉普拉斯算子在机器精度内满足O(3)等变性。 - 在定向电子目标上，该模型实现了更低的误差和更好的旋转泛化。 ## 意义与展望 这一工作为分子电子结构预测提供了新的理论视角，将拓扑数据分析和等变深度学习结合，有望推动材料设计和药物发现领域的发展。未来，这一框架可能扩展到更复杂的电子性质预测，并启发其他科学领域中的等变网络设计。
在深度学习领域，理解Transformer模型的训练动态一直是研究热点。最近，一篇来自arXiv的论文（编号2608.23573）提出了一个新颖的视角：通过数据的可预测性来预测模型权重的增长。该研究由Tiexin Ding完成，揭示了权重幅度与语料库属性之间的量化关系。 ## 权重分布的Weibull特性 研究者发现，训练后的Transformer权重幅度可以用双参数Weibull分布来概括，其中形状参数 \( k \approx 1.2 \) 在不同层和模型间保持稳定。这意味着，训练过程中的大部分变化都体现在尺度参数 \( \lambda \) 上。那么，是什么决定了 \( \lambda \) 的增长幅度呢？ ## 关键发现：基于熵的预测定律 论文提出，语料库的二元条件熵 \( D = H(\text{next} \mid \text{prev}) \) 是一个关键的预测指标。这是一个在训练前即可计算的统计量，无需任何训练过程。通过控制语料库的破坏方式，研究者发现了一个与学习率相关的定律： \[ \lambda^2 - \lambda_0^2 = C_0(\eta) + C_1(\eta)(H_r - D)^{0.59} \] 其中 \( H_r \) 是匹配预算的洗牌基线，指数0.59是从独立测量的数据侧饱和关系中推导出来的，而非直接拟合。这一发现表明，数据的可预测性（以熵差衡量）与权重尺度的平方增长之间存在幂律关系。 ## 验证与泛化能力 研究者进一步验证了这一规律：在去除每个学习率的两个系数后，23次跨越一个数量级学习率的运行结果都坍缩到 \( (H_r - D)^{0.59} \) 上，斜率为1，\( R^2 \) 高达0.941，而直接按学习率拟合的效果较弱（\( R^2 \approx 0.82 \)）。由于 \( D \) 在训练前就能计算，该定律可以作为一个前向预测器。端到端的自验证显示，对于保留的族内权重增长，相对误差仅为5.7%。 此外，该规律在模型级和逐层分辨率上均成立，并在两种测试架构中保持了功能形式，仅系数有所变化。这显示了其强大的泛化能力。 ## 局限与展望 然而，该定律也有其边界：跨语料库预测时，对代码语料会过度预测，这表明冗余可能是更广泛的数据到权重框架 \( \Phi(D,R,A,H) \) 中的第二个轴。这一发现不仅深化了我们对Transformer训练动态的理解，还可能为模型设计和训练策略提供指导，例如通过分析语料库的熵特性来预估训练效果。 总之，这篇论文提供了一个新颖且实用的工具，将数据属性与模型行为联系起来，为AI可预测性研究开辟了新的方向。
近年来，大语言模型（LLM）在结构因果发现中常被用作先验因果知识的来源，但其直接边判断和置信度是否可信，一直缺乏系统验证。一项新研究对12个指令微调的开源模型进行了全面评估，覆盖6个基准因果图、5种提示策略和4种置信度来源（口头表达、基于logit、跨提示一致性和跨模型一致性），揭示了LLM在因果判断中的关键局限。 ## 主要发现 **1. 判断偏向高召回率，图密度过高** 研究发现，LLM的因果判断强烈偏向于高召回率，倾向于预测过于稠密的图，包含大量假阳性边。提示策略主要影响精确率与召回率的权衡，而非解决过度预测问题。模型规模的提升在最大图上效果有限，且无法消除校准误差。 **2. 难以区分直接因果与间接关联** LLM经常能捕捉到变量间的因果相关性，但无法可靠地识别直接性或方向。与参考图相比，模型将**40.0%的间接边**和**36.0%的反向非边**误分类为直接边，而其他非边的误分类率仅为28.2%。更令人担忧的是，**80.8%和84.6%**的这些假阳性获得了至少80%的口头置信度，表明模型对结构性错误预测过度自信。 **3. 传统置信度不可靠，一致性信号更优** 基于logit的置信度常常无论正确与否都接近1.0，而跨提示和跨模型的一致性在平均校准和区分度上表现更好，尽管在Holm校正后其优势并不显著。此外，基准熟悉度审计发现5个模型-数据集对存在潜在熟悉性问题，均涉及AsiaM数据集。 ## 对AI研究的启示 研究结果表明，LLM更适合作为**外部验证的软因果先验**来源，而非直接证据。在因果发现流程中，应谨慎使用LLM输出，避免将其作为确定性的因果结构。未来的研究可探索将LLM的置信度与一致性信号结合，以提升因果发现的可靠性。 这项研究为LLM在因果推理中的应用提供了重要的实证基础，也提醒我们，在利用LLM进行科学发现时，需保持批判性思维，并注重校准与验证。
生成模型在建模复杂数据时，常面临全局与局部方法的权衡：全局方法能捕捉完整结构但计算成本高，局部方法高效却难以再现长程关联。重正化群（RG）通过连接不同长度尺度的空间结构，为这一难题提供了新思路。来自东京大学的研究者Kanta Masuki与Yuto Ashida提出了一种名为**重正化群流匹配（RGFM）**的生成框架，利用精确的RG流作为概率路径，从长波长结构逐步生成到短波长结构，从而在保持局部计算效率的同时，捕捉全局结构。该研究发表于arXiv，论文编号2608.23696。 ## 方法核心 RGFM的关键在于利用RG的两个特性：**准局域性**和**尺度分离**。研究者严格证明，RGFM的概率流可由局部速度场精确近似，其作用范围与系统尺寸的对数成正比。具体而言，对于RG波数尺度Λ、线性系统尺寸L和误差容限ε，局部速度场的空间范围为O(Λ⁻¹[ln L + ln(1/ε)])。这一性质使得RGFM可以使用大小为O(ln L)的局部补丁进行生成，计算成本随系统体积近似线性增长。 ## 实验验证 在一维分布实验中，局部RGFM成功再现了远超其感受野的长程相关，而传统局部流匹配在长距离上出现显著误差。在**FFHQ人脸数据集**上，RGFM在64×64和256×256分辨率下生成的样本比局部流匹配更连贯、质量更高。这些结果表明，RG引导的概率流能够仅通过局部计算捕获长程结构，为可扩展生成建模提供了新路径。 ## 意义与展望 这项工作不仅为生成模型的设计提供了理论指导，也展示了统计物理工具在机器学习中的潜力。RGFM的准局域性保证了计算效率，而尺度分离则确保了全局一致性，有望应用于图像生成、物理系统模拟等需要长程关联的领域。未来，研究者计划将RGFM扩展到更多数据类型和更高维度，并探索其在条件生成任务中的应用。