近年来，关于“计算机科学（CS）学位已经过时”的论调甚嚣尘上，尤其是随着AI编码工具的兴起和科技行业的裁员潮，不少学生和家长开始质疑：花四年时间读CS还值得吗？然而，来自行业培训项目Parsity的创始人Brian Jenney在一篇客座文章中明确指出：**CS学位并未消亡，只是求职策略需要与时俱进**。 ## 学位价值犹在，但需主动出击 Jenney认为，CS学位依然提供了扎实的理论基础、系统性思维和问题解决能力，这些是短期培训难以替代的。但如今单凭一纸文凭就想获得面试机会的时代已经过去。他强调，**“正确的求职方法”** 才是关键——这意味着毕业生需要主动展示自己的实际能力，而非仅仅依赖简历上的课程列表。 ## 实践项目与作品集是“新简历” 在AI辅助编程日益普及的背景下，雇主更看重候选人能否解决真实世界的问题。Jenney建议CS毕业生通过个人项目、开源贡献或实习经历来构建**强有力的作品集**。例如，开发一个完整的小型应用、参与GitHub上的协作项目，或是利用AI工具优化某个工作流，都能比成绩单更直观地证明技术实力。 ## 软技能与技术能力的平衡 文章还指出，许多CS毕业生在沟通、团队协作和产品思维方面存在短板。在面试中，能够清晰解释技术决策、展示学习能力，并体现出对业务的理解，往往比单纯刷题更能打动面试官。**“技术能力是门票，但软技能决定你能走多远。”** ## 行业趋势：AI不是威胁，而是助手 面对AI取代初级开发岗位的担忧，Jenney持乐观态度。他认为，AI工具如Copilot、ChatGPT实际上降低了编码的重复性劳动，让开发者能更专注于架构设计和创新。**掌握如何利用AI提升效率的毕业生，反而会更具竞争力。** 关键在于理解AI的局限性——它无法替代人类的判断力和创造力。 ## 小结：学位+实践+适应力=成功 总而言之，CS学位依然是进入科技行业的可靠起点，但毕业生必须主动适应市场变化。通过积累实战项目、提升软技能、拥抱AI工具，并保持持续学习的习惯，CS毕业生完全有能力在当前的就业市场中脱颖而出。**“不是学位没用，而是你需要证明它的价值。”**
随着全球气候变暖，冰川消退的速度日益加快，精确追踪冰川变化成为气候研究中的关键任务。然而，传统的人工识别方法耗时耗力，而现有的 AI 模型在面对不同地区的冰川时往往需要大量重新训练。近日，一项发表在《IEEE Spectrum》上的研究提出了一种新方法，让当前最先进的 AI 冰川追踪模型能够快速适应新区域，无需从头训练，大幅提升了冰川监测的效率和可扩展性。 ## 为何冰川追踪如此重要？ 冰川是气候变化最直观的“温度计”。它们储存着全球约 70% 的淡水资源，其消融速度直接影响海平面上升、区域水资源供应以及生态系统稳定。然而，全球冰川数量众多，分布广泛，仅靠人工从卫星图像中绘制冰川边界（即“冰川前端”）极为繁琐，且不同冰川形态各异，传统算法泛化能力不足。 ## 新方法的核心：迁移学习与域适应 研究团队提出的方案基于**迁移学习**和**域适应**技术。他们首先在一个大型冰川数据集上训练了一个深度学习模型，使其学会识别冰川的通用特征（如纹理、形状、亮度等）。随后，针对新的目标区域，他们仅需少量标注样本（例如几张卫星图像）对模型进行微调，即可让模型在该区域达到高精度。这种方法的关键在于：模型在训练阶段学习了“如何学习”冰川特征，而非死记硬背特定区域的模式。 实验中，该模型在多个不同气候和地貌区域（如阿拉斯加、安第斯山脉、喜马拉雅山）的测试中表现优异，与完全重新训练的模型精度相当，但所需标注数据量减少了 **90%** 以上。这意味着研究人员可以快速将模型部署到此前未覆盖的偏远地区，加速全球冰川数据库的构建。 ## 技术细节与行业影响 研究采用了**卷积神经网络（CNN）** 架构，并结合了**对抗性域适应**策略：在训练时，模型不仅学习预测冰川边界，还会学习忽略不同区域图像之间的“风格差异”（如光照、雪覆盖、岩石纹理等），从而提取与区域无关的深层特征。这一思路与近年来 AI 在医学影像、自动驾驶等领域的“域泛化”技术一脉相承。 对于气候科学界而言，这项进展意味着： - **效率提升**：过去需要数月才能完成的全球冰川普查，现在可能缩短至数周。 - **实时监测**：模型可接入实时卫星数据流，对突发性冰川崩塌或快速消退事件进行预警。 - **跨学科协作**：AI 与遥感、气候模型的结合将更加紧密，为 IPCC 等国际评估提供更可靠的数据支撑。 ## 挑战与未来方向 尽管前景光明，研究团队也指出当前方法的局限性：模型对**极端复杂地形**（如被岩石碎屑覆盖的冰川）的识别仍有误差，且需要高质量的卫星图像作为输入。未来，他们计划引入多光谱数据（如热红外、雷达）以增强模型的鲁棒性，并探索**自监督学习**，进一步减少对人工标注的依赖。 ## 小结 这项研究并非孤立的学术突破，而是 AI 在环境监测领域落地的一个缩影。当“迁移学习”遇上“冰川消退”，我们看到的不仅是技术的进步，更是人类应对气候变化工具箱中一件趁手的利器。随着模型不断迭代，或许在不久的将来，每一座冰川的“健康报告”都能由 AI 自动生成，而科学家们可以更专注于解读这些数据背后的气候故事。
在距离地球2亿公里之外的火星上，NASA的好奇号（Curiosity）火星车已经运行超过13年，远超其最初设计的两年任务寿命。这一成就背后，是喷气推进实验室（JPL）工程师们一系列精巧的技术维护策略。 ## 能源管理：核电池的长期运维 好奇号依靠**放射性同位素热电发电机（RTG）**供电，其钚-238燃料半衰期长达87.7年，但热电转换效率会随时间缓慢下降。JPL工程师通过优化每日任务计划，优先安排高能耗的科学探测，同时利用火星的季节变化（如冬季减少移动）来平衡能源消耗，确保电池组始终维持在安全电压范围内。 ## 软件更新与故障恢复 好奇号的计算机系统基于抗辐射的RAD750处理器，但经过多年运行，内存和存储设备出现老化。JPL团队定期上传**软件补丁**以修复漏洞，并开发了“安全模式”自动化程序：当检测到异常时，火星车会自动切换至低功耗状态，等待地面指令。例如，2023年一次机械臂故障后，工程师通过远程诊断和代码修正，避免了硬件替换。 ## 运动系统的磨损应对 火星的沙尘和岩石地形对车轮造成严重磨损。好奇号的铝制车轮已出现多处裂纹和破洞。JPL工程师开发了**地形评估算法**，通过分析图像自动避开尖锐岩石路径；同时，利用车轮上的“里程计”痕迹监测滑移率，调整驱动策略以延长使用寿命。此外，定期执行“车轮健康检查”——旋转特定角度并拍摄高清照片，以量化磨损程度。 ## 通信与数据管理 随着轨道中继卫星（如火星勘测轨道器）的老化，好奇号需要更高效的数据传输。JPL优化了**X波段通信协议**，并引入自适应数据压缩技术，使单次传输量提升30%。同时，火星车每天仅能接收约10分钟的指令窗口，工程师因此设计了一种“任务序列预加载”机制，将多日计划打包上传，减少对实时通信的依赖。 ## 科学仪器的持续校准 好奇号搭载的10台科学仪器（如SAM、CheMin）在长期运行中面临电子元件老化和火星环境侵蚀。JPL制定了**周期性校准方案**：利用火星大气中的已知气体成分（如氩气）作为参考，修正质谱仪和色谱仪的测量偏差。对于激光诱导击穿光谱仪（ChemCam），则通过定期击打标准岩石样本（如“玛琳”目标）来保持精度。 ## 小结 好奇号的超期服役并非偶然，而是系统工程与远程维护的典范。JPL团队通过**冗余设计、软件升级、磨损监测和科学校准**，将一台13岁的机器人维持在世界级科研水平。这一经验也为未来更遥远的任务（如欧罗巴快船）提供了宝贵参考：即便在数亿公里外，人类依然能通过智慧与算法，让机器持续探索未知。
在硬件安全领域，漏洞往往潜伏在芯片设计的最深处，难以被发现和验证。为此，一款名为 **Fractal** 的新型操作系统应运而生，它为研究人员提供了前所未有的工具，用于深入探索硬件缺陷。 ### 什么是 Fractal？ Fractal 并非传统意义上的通用操作系统，而是一个专为硬件安全研究设计的 **专用平台**。它能够直接与芯片底层交互，绕过通常被操作系统屏蔽的硬件细节，从而让研究人员得以观察和分析那些可能被隐藏的漏洞。 ### 为何需要 Fractal？ 近年来，像 **Spectre** 和 **Meltdown** 这样的硬件漏洞震惊了整个行业。这些漏洞根植于处理器架构的微架构层面，传统软件层面的安全检测手段难以触及。Fractal 的出现填补了这一空白：它允许研究者在 **裸机** 环境下运行代码，直接控制硬件资源，从而更容易地触发和观察异常行为。 ### Fractal 的核心能力 1. **底层访问**：Fractal 可以绕过操作系统内核，直接与 CPU 的微架构交互，包括缓存、分支预测器、TLB 等关键组件。 2. **可重复性实验**：研究人员可以精确控制实验条件，复现特定硬件行为，这对于验证漏洞和修复方案至关重要。 3. **轻量级设计**：Fractal 专注于最小化代码复杂度，减少干扰因素，确保观测结果的准确性。 ### 对行业的影响 Fractal 的推出为硬件安全研究提供了新的利器。它不仅能帮助学术界发现新漏洞，还能辅助芯片制造商在设计阶段进行更严格的安全性验证。随着芯片设计日益复杂，这类专用工具的重要性将愈发凸显。 ### 小结 Fractal 操作系统代表了一种针对硬件安全的 **专业化工具** 趋势。它让研究人员能够更深入地探索芯片的“黑暗秘密”，从而推动整个行业向更安全的计算环境迈进。
保时捷正在将其在Formula E电动方程式赛车上积累的技术经验，下放至其最畅销的SUV车型——全新一代Cayenne。这款即将推出的纯电动Cayenne，将搭载一套源自赛道的**850kW（约1156马力）**动力系统，使其成为该车型历史上性能最强的版本。 ### 从赛道到公路：冷却技术是关键 要让如此高的功率在SUV上持续输出，最大的挑战在于热管理。Formula E赛车在比赛中需要频繁进行高功率回收和释放，保时捷为此开发了一套极其高效的**直接油冷技术**。这项技术被直接移植到了全新Cayenne上。与传统的水冷系统不同，油冷可以直接喷射到电机内部最热的绕组和磁钢上，带走热量的效率是水冷的数倍。 保时捷工程师表示，这套系统能够在连续激烈驾驶（例如在纽博格林北环赛道刷圈）时，依然将电机温度控制在最佳工作区间内，**避免因过热导致的功率限制**。这意味着，驾驶者可以反复体验接近800kW的峰值加速，而不会像一些竞品那样在几次全力加速后便“软脚”。 ### 性能与实用性的平衡 尽管动力惊人，保时捷并未牺牲Cayenne作为豪华SUV的实用性。新车基于**PPE（Premium Platform Electric）平台**打造，该平台也用于保时捷Macan EV和奥迪Q6 e-tron。它支持**800V高压架构**，可实现270kW的超快充电，从5%充至80%仅需约20分钟。 同时，Cayenne EV将标配**自适应空气悬架**和**后轮转向系统**，这些技术同样源自保时捷的高性能跑车。更宽的轮距和低重心设计，旨在让这台大型SUV在公路上拥有接近跑车的操控灵活性。 ### 市场定位与战略意义 推出最强Cayenne EV，是保时捷电动化战略的重要一步。一方面，它用“赛道技术下放”的故事强化了品牌的高性能基因，与特斯拉Model X Plaid、Lucid Gravity等对手展开竞争；另一方面，它也展示了保时捷在**电动动力总成热管理**领域的深厚护城河。 目前，保时捷计划在2026年正式发布这款Cayenne EV顶配版本。届时，它不仅将成为保时捷加速最快的量产SUV（0-100km/h预计低于2.5秒），也有可能成为**纽博格林最快的纯电SUV**之一。 ### 小结 保时捷通过将Formula E的油冷技术移植到量产SUV上，解决了大功率电驱系统在持续高负载下的热衰减难题。这不仅是技术的胜利，也标志着传统跑车制造商在电动时代，依然可以通过**工程创新**来定义性能标杆。对于追求极致加速体验，又需要日常实用性的消费者而言，这台850kW的Cayenne无疑是一个值得期待的选项。
科学家提出一项大胆方案：在月球永久阴影坑内安装超稳定激光器，为航天器提供前所未有的精确计时和导航能力。 ## 月球计时新思路 美国国家标准与技术研究院（NIST）的 **叶军（Jun Ye）** 团队在最新研究中提出，在月球南极的永久阴影陨石坑内放置超稳定激光谐振腔，利用其极低的温度波动（约 -230°C）实现比现有原子钟更稳定的频率参考。这些激光器可像“月球灯塔”一样，向地球和深空探测器发射高精度时间信号。 ## 技术原理与优势 传统原子钟依赖原子跃迁，而光学激光腔则通过固定腔长锁定激光频率，理论上可达到 **10⁻¹⁸ 量级** 的稳定度——相当于 300 亿年误差不超过 1 秒。月球表面缺乏大气、地震活动极弱，且阴影区常年低温，是维持腔体热稳定的理想环境。 ## 应用场景 - **深空导航**：目前火星探测器定位误差可达数公里，而基于月球激光的时间网络可将误差缩小至米级。 - **基础物理**：可用于检验广义相对论、暗物质模型等。 - **地球同步**：为未来月球基地提供本地高精度时钟，并支持地月通信同步。 ## 挑战与展望 方案仍需解决设备硬着陆、月尘防护及长期供电（阴影区依赖电池或核能）等问题。团队计划先在地面验证原型，再借助 NASA“阿尔忒弥斯”计划或商业月球着陆器进行试部署。 > 叶军表示：“这不仅是导航工具，更是人类在月球建立精密科学基础设施的第一步。”
被誉为“天眼”升级版的下一代甚大阵列（ngVLA）项目迈出关键一步：其首台原型天线成功完成“第一缕光”观测，与现役的卡尔·G·央斯基甚大阵列（VLA）协同工作，捕获了英仙座星系团内活跃星系核3C84的射电图像。 ## 从27面到244面：射电天文学的跳跃 现役的VLA由27面直径25米的天线组成，自1980年运行以来成果斐然。而ngVLA计划部署**244面**天线，其中主阵列采用18米口径天线，辅以更小的短基线天线和更远的长基线天线，总有效收集面积较VLA提升10倍以上。其工作频率覆盖1.2至116 GHz，能够探测更暗弱、更遥远的天体。 ## 原型天线的“第一缕光” 此次获取“第一缕光”的原型天线位于新墨西哥州，与VLA同址。团队将其与VLA的现有天线进行干涉联测，成功解析了**3C84**——一个距离地球约2.3亿光年的活跃星系核。图像清晰展示了从星系中心喷出的射电喷流结构，验证了原型天线与现有阵列的协同能力。 > 这不仅是硬件上的里程碑，更意味着数据处理、校准和成像软件链已初步打通。 ## 建造时间线与科学目标 ngVLA项目由美国国家科学基金会（NSF）和国家射电天文台（NRAO）主导，预计**2030年代**全面投入运行。其科学目标涵盖： - **宇宙黎明与再电离**：探测首批恒星和星系的21厘米信号 - **星系演化**：高分辨率成像星系中的冷气体与分子云 - **行星形成**：解析原行星盘中的尘埃与气体结构 - **时域天文学**：快速响应引力波事件、快速射电暴等暂现源 ## 挑战与意义 建造如此大规模的天线阵列面临诸多工程挑战：数百面天线需在数十公里尺度上保持相位稳定性，海量数据实时处理要求极高计算能力。但一旦建成，ngVLA将填补**ALMA**（亚毫米波）与**SKA**（低频）之间的频率空白，成为世界领先的中高频射电观测设施。 对于中国天文学界而言，ngVLA的进展也值得关注——未来在系外行星磁场、黑洞阴影等前沿领域，国际合作和数据共享可能打开新的窗口。
英伟达正试图将AI计算能力从数据中心带到普通用户的桌面。其最新发布的 **RTX Spark** 平台，将CPU、GPU核心与独立NPU集成于一颗基于Arm架构的系统级芯片（SoC）中，专为Windows PC设计。这一举措可能标志着Windows PC架构的重大转变，但也面临着生态兼容性与性能落地的双重考验。 ## 从云端到桌面：AI硬件的下放 过去两年，英伟达凭借H100、B200等数据中心级GPU，在AI训练与推理市场占据了绝对主导。然而，随着AI应用逐渐向边缘端渗透——从本地大模型运行到实时AI助手——将AI硬件直接整合进个人电脑成为必然趋势。RTX Spark正是这一战略的产物：它并非简单地将桌面显卡“降级”，而是重新设计了一颗融合CPU、GPU和NPU的Arm SoC，旨在为Windows环境提供端到端的AI加速能力。 ## 架构亮点：三合一与NPU的差异化 RTX Spark最引人注目的设计在于其 **三合一架构**：CPU核心负责通用计算与任务调度，GPU核心延续英伟达在图形与并行计算上的传统优势，而独立的 **NPU（神经网络处理单元）** 则专为低功耗、持续性的AI推理任务优化——例如语音识别、背景模糊、实时字幕等。这种分工避免了GPU全时高功耗运行的浪费，使得AI功能可以像“呼吸”一样自然存在于日常操作中。 英伟达选择Arm架构而非x86，也透露出其对能效比和移动场景的重视。这与高通骁龙X Elite、苹果M系列芯片的思路一脉相承，但英伟达在GPU生态上的积累（CUDA、TensorRT）可能成为其差异化优势。 ## 挑战：生态与性能的“冷启动” 尽管硬件设计颇具前瞻性，RTX Spark面临的最大障碍并非技术本身，而是 **Windows on Arm的生态成熟度**。目前，大量Windows应用仍基于x86指令集开发，即使通过转译层运行，也可能出现性能损失或兼容性问题。此外，开发者需要针对NPU进行专门的模型优化，而英伟达的CUDA生态虽强大，但主要面向数据中心级GPU，如何将其“下沉”到桌面NPU并吸引Windows开发者，仍是一道待解的难题。 性能方面，RTX Spark的GPU核心预计无法与独立桌面显卡（如RTX 4090）相提并论，它的定位更接近“AI加速协处理器”——在功耗受限的笔记本或迷你主机中提供可用的本地AI算力。然而，用户对AI性能的期待往往以云端为参照，本地推理的延迟与模型复杂度上限能否满足实际需求，还有待实测验证。 ## 行业影响：Windows PC的AI化转折点？ 英伟达的入局，无疑会加速Windows PC的AI化进程。目前，英特尔、AMD、高通已各自通过NPU或异构计算方案布局AI PC，但英伟达凭借在AI训练与推理领域的深厚积累，可能提供更成熟的软件栈和开发者工具。如果RTX Spark能够顺利解决生态适配问题，它有望成为AI PC的标杆方案，并推动更多Windows应用原生支持本地AI推理。 不过，考虑到产品尚未正式上市，且英伟达在消费级硬件市场（如显卡）的定价策略常引发争议，RTX Spark最终能否获得OEM厂商和消费者的认可，仍需观察。对于普通用户而言，这意味着未来选购Windows PC时，除了CPU、GPU、内存等传统指标，可能还要多一个“AI算力”的考量维度。 ## 小结 RTX Spark是英伟达将AI硬件从云端推向桌面的关键一步。其Arm架构与三合一设计颇具创新，但生态与性能的落地才是决定成败的核心。如果成功，它将重新定义Windows PC的能力边界；如果失败，则可能成为又一个“叫好不叫座”的技术尝试。无论如何，这场围绕AI硬件的桌面革命，已经悄然拉开序幕。
又到了每周的机器人视频精选时间。本周的亮点来自 **DEEP Robotics**，他们展示了一台能够**在跑步状态下平稳下楼梯**的人形机器人。视频中，机器人以较快的速度接近楼梯，并在下台阶过程中保持动态平衡，动作流畅且未出现明显晃动或跌倒。 这一表现凸显了近年来人形机器人运动控制领域的显著进步。传统上，下楼梯对双足机器人是一项巨大挑战，因为需要精确的步态规划、实时姿态调整和地面反作用力控制。而DEEP Robotics的机器人似乎在**动态行走算法**和**足部传感反馈**方面取得了突破，使其能够应对楼梯这种非结构化地形。 值得注意的是，视频中机器人的“跑步”姿态——即双脚存在腾空期的运动模式——进一步增加了难度。这意味着控制系统必须在更短的支撑相内完成重心转移和落地缓冲。相比之下，许多现有机器人仍采用谨慎的静态步态下楼梯。 DEEP Robotics并非唯一在此领域发力的公司。波士顿动力的Atlas早已展示过后空翻和跑酷，而中国的宇树科技、小米等也在积极推进人形机器人运动能力。不过，DEEP Robotics的解决方案似乎更侧重于**实用性与鲁棒性**，而非极限表演。 从行业背景看，人形机器人正从实验室走向仓储、家庭服务等场景。能够稳健上下楼梯是进入人类居住环境的关键能力之一。DEEP Robotics的这项进展意味着未来人形机器人可能更快部署在需要多楼层移动的场合。 当然，视频仅为片段，尚不清楚机器人在更复杂楼梯（如螺旋梯、不同高度台阶）或意外扰动下的表现。但至少，这一演示让我们对双足机器人的运动边界有了新的认知。 更多精彩机器人视频，敬请关注IEEE Spectrum的“Video Friday”系列。
在核聚变能源的商业化竞赛中，**Commonwealth Fusion Systems（CFS）** 近日迎来关键里程碑。该公司发布的五篇新论文，系统验证了其商用聚变反应堆 **ARC** 设计的多个核心部件，标志着这一备受瞩目的项目从概念走向工程可行性的重要一步。 ARC 反应堆是 CFS 计划建造的首个商用聚变发电厂，其设计紧凑、功率密度高，旨在实现净能量增益并接入电网。然而，从理论设计到实际建造，中间横亘着无数工程挑战。这五篇论文正是针对其中最棘手的几个问题给出解答。 ### 高温超导磁体：ARC 的“心脏”得到验证 聚变反应需要将等离子体加热到数亿摄氏度，并用强磁场将其约束在真空容器内，不让它接触器壁。ARC 采用 **高温超导（HTS）磁体**，能在更高温度下产生更强磁场，从而缩小反应堆体积。论文之一详细展示了 CFS 的 HTS 磁体在接近运行条件下的性能测试结果，证明其磁场强度、稳定性和冷却系统均达到设计指标。这是 ARC 设计中最具风险也最关键的部分。 ### 包层与氚增殖：自给自足的燃料循环 聚变反应的主要燃料是氘和氚。氚在自然界中极为稀少，商用反应堆必须通过锂与聚变中子反应“增殖”氚，实现自给自足。另一篇论文聚焦于 **包层（blanket）设计**，该部件包裹等离子体，负责吸收中子、产生热量并增殖氚。CFS 团队通过模拟和实验，验证了其包层结构在热力学和氚增殖率上的可行性，为闭环燃料循环铺平了道路。 ### 等离子体稳定性与加热系统 如何将等离子体稳定维持在聚变条件，并持续加热至点火温度，是另一个核心难题。论文中还包括对 **射频加热系统** 和 **等离子体控制算法** 的模拟与实验验证。结果显示，CFS 设计的加热系统能够高效地将能量注入等离子体，而控制算法则能在扰动下维持等离子体的形状和位置，防止其失稳熄灭。 ### 从 SPARC 到 ARC：循序渐进的技术路线 CFS 并非一步到位建造商用堆。该公司目前正在建设 **SPARC** 实验反应堆，预计 2025 年完成，旨在首次实现净能量增益（Q>1）。ARC 则是基于 SPARC 验证的技术进行放大和工程优化的商用版本。这五篇论文的发表，意味着 CFS 在 SPARC 尚未点火前，就已对 ARC 的关键工程细节有了充分把握，大幅降低了后续开发的风险。 ### 行业影响与展望 聚变能源长期被视为“永远还有 30 年”的技术，但近年来随着 HTS 磁体、先进材料和控制系统的进步，多家初创公司已将商业化时间表压缩到 2030 年代初期。CFS 这次发布的多篇论文，因其系统性和公开性，在科研界和产业界引起了广泛关注。**麻省理工学院等离子体科学与聚变中心**（CFS 的技术发源地）的专家评论称，这些成果“将 ARC 的设计基础从概念论证提升到了工程数据支持的阶段”。 当然，商用聚变之路依然漫长。ARC 还需要解决材料在强中子辐照下的寿命、大规模氚处理的安全、以及经济性等难题。但至少，CFS 用扎实的工程数据证明：ARC 设计不再只是蓝图，而是正在一步步变为可建造的实物。
美国国家科学基金会（NSF）近期推出了一项名为 **X-Labs** 的试验性资助计划，总预算高达 **15亿美元**，旨在通过更灵活、更聚焦的实体来应对紧迫且具体的问题。这一举措标志着传统科研资助模式的一次重要转向。 ## 背景与动机 长期以来，NSF 的资助体系以支持基础研究、长期项目和广泛探索著称。然而，随着全球科技竞争加剧，特别是人工智能、气候变化等领域的快速迭代，传统的“提案-评审-拨款”周期显得过于缓慢。NSF 希望通过 X-Labs 模式，在保持基础研究投入的同时，开辟一条“快车道”，让资金能更快流向最需要突破的狭窄问题。 ## X-Labs 的核心特点 X-Labs 并非一个单一项目，而是一个 **“敏捷实体”集合**。这些实体可以是大学实验室、非营利组织、企业联盟，甚至是新型的跨学科团队。它们被要求聚焦于 **“紧迫且狭窄”** 的问题，例如：某个特定算法的安全漏洞、某类材料的合成瓶颈，或某个地区的灾害预警系统优化。 与NSF传统资助不同，X-Labs 强调： - **快速启动**：申请流程简化，从提交到拨款预计缩短至数月。 - **目标导向**：每个实体需明确具体的可交付成果，而非泛泛的“探索”。 - **灵活迭代**：允许在项目中期根据进展调整方向，避免僵化的计划束缚。 - **结果评估**：以实际解决问题的效果而非论文数量作为考核标准。 ## 对AI领域的影响 在人工智能领域，X-Labs 可能资助以下方向： - **大模型的安全对齐**：针对特定风险（如偏见、幻觉）开发可验证的缓解方案。 - **边缘AI的能效优化**：为物联网设备设计低功耗推理芯片或算法。 - **科学计算加速**：利用AI模拟蛋白质折叠或气候模型，但要求短期内产出可复用的工具。 这些方向通常被传统资助视为“太过应用”或“不够基础”，但X-Labs 承认它们对产业和国家安全的紧迫性。 ## 争议与挑战 尽管愿景积极，X-Labs 也面临质疑： 1. **与传统体系的割裂**：是否会削弱对长期基础研究的支持？NSF 强调X-Labs 是补充而非替代，但预算分配仍需平衡。 2. **“狭窄问题”的定义**：谁来决定哪些问题值得优先？可能存在政治或商业利益干扰。 3. **成果的可持续性**：实体可能为快速达标而选择“短平快”方案，忽略长期影响。 ## 小结 X-Labs 是 NSF 在资助模式上的一次大胆实验，其成功与否将影响未来全球科研资助的走向。对于 AI 从业者而言，这意味着新的资金渠道和合作机会，但也需要警惕短期目标与长期创新的平衡。
The tech was used once before to pull viruses directly from the blood
小型卫星（CubeSat）受限于体积，其通信天线往往尺寸较小，导致数据传输速率有限。近日，研究人员从折纸艺术中获得灵感，设计出一种可折叠展开的新型天线，其展开后的尺寸是收纳状态的25倍，有望大幅提升立方星的数据传输能力。 ### 折纸天线的工作原理 该天线采用折纸结构，在发射阶段可以紧凑地折叠在立方星内部，进入轨道后再通过机械装置或材料自身的弹性展开，形成一个大面积的抛物面或平面阵列。这种设计突破了传统天线受火箭整流罩尺寸限制的瓶颈，使得立方星也能搭载高增益、大口径的天线。 ### 性能提升与行业意义 对于立方星而言，天线尺寸直接关系到通信带宽和信号质量。更大的天线意味着更高的增益，能够支持更高速率的数据下行，例如从太空回传高清图像或视频。这对于地球观测、物联网通信、甚至深空探测等应用场景至关重要。以往，立方星由于通信能力弱，往往只能传输低分辨率数据，而折纸天线有望改变这一局面。 ### 技术挑战与未来展望 尽管折纸天线在理论上优势明显，但实际部署仍面临挑战：如何在微重力环境下可靠展开、如何保证展开后的形状精度、以及如何应对太空中的热胀冷缩和辐射环境。研究团队通过优化折叠模式和材料选择，初步解决了部分问题。下一步将进行在轨验证测试。 ### 小结 折纸天线为立方星的大数据通信提供了一条低成本、高效率的路径。随着卫星小型化和星座组网趋势的加速，这一技术有望成为未来小卫星的标准配置，推动太空互联网和遥感应用的进一步发展。
在物联网的世界里，连接方式的选择从未如此复杂。部分设备只需一颗低轨卫星就能完成数据传输，而另一些则要求太空中的“蜂窝基站”提供更强大的能力。随着6G标准制定进入倒计时，卫星物联网领域的两大技术路线——**窄带卫星直连**与**天基蜂窝网络**——正在展开一场激烈的竞赛。 ### 两种路径，两种哲学 当前卫星物联网市场主要分为两大阵营。一方以 **Ligado**、**Lynk Global** 和 **AST SpaceMobile** 为代表，试图将传统蜂窝基站搬上太空，让普通手机在无地面信号覆盖的区域也能直接连接卫星。另一方则以 **Swarm Technologies**（已被SpaceX收购）、**Hiber** 和 **Myriota** 为主，专注于低功耗、低带宽的窄带通信，仅传输传感器数据或简短消息，无需复杂的天线或专用芯片。 这两种思路各有优劣。天基蜂窝方案理论上能兼容现有数十亿部手机，实现真正的全球无缝覆盖，但卫星成本高、功耗大，且需要庞大的星座规模才能提供有意义的连接。而窄带方案虽带宽有限，但终端成本低、功耗极低，特别适合农业监测、资产追踪、环境传感等场景，这些场景对数据量的需求极小，却对覆盖的广度和持久性要求极高。 ### 6G的倒计时压力 真正让这场竞赛提速的，是6G标准化的时间表。国际电信联盟（ITU）已明确将“卫星直连设备”纳入6G愿景，而3GPP预计在2025-2028年间完成6G核心标准。这意味着，如果卫星物联网技术不能在这之前证明其商业可行性和技术成熟度，就可能在6G时代被边缘化。 窄带阵营的挑战在于：虽然已有数十万终端在轨运行，但如何从“连接万物”走向“连接高价值万物”？目前该市场的平均ARPU（每用户平均收入）极低，多数客户是大型农场或矿业公司，规模化盈利仍是难题。而天基蜂窝阵营则需要解决卫星与地面网络之间的干扰问题，以及卫星手机通话的体验——早期测试中，AST SpaceMobile的卫星通话延迟高达数秒，且信号不稳定。 ### 谁将胜出？ 业内专家认为，未来可能并非“赢家通吃”。窄带卫星物联网更适合**低数据量、广覆盖、低功耗**的静态设备，如土壤湿度传感器、牲畜追踪项圈、集装箱锁等。而天基蜂窝网络则瞄准**应急通信、偏远地区移动办公、户外探险**等需要实时语音或中等速率数据的场景。 值得注意的是，3GPP已在Release 17中定义了 **NR NTN**（非地面网络）标准，为卫星与地面5G网络的融合铺平了道路。无论是窄带还是宽带路线，最终都需要与地面蜂窝网络无缝互操作，才能被主流运营商接纳。 ### 小结 卫星物联网的竞争，本质上是**覆盖广度与连接质量**的权衡。随着6G标准逼近，两种技术都在加速进化：窄带方案正在提升数据速率和频谱效率，而天基蜂窝则在努力降低卫星成本和功耗。对于行业用户而言，选择哪种技术不应只看技术参数，而应回归业务本质——是只需要一个“太空传呼机”，还是需要一个“太空基站”？答案将决定谁能跑赢这场6G倒计时。
量子计算被视为下一代计算技术的颠覆者，但要让量子计算机真正发挥作用，经典计算技术的进步同样不可或缺。Nvidia 等公司正在开发新的软件、硬件和 AI 工具，以弥合经典计算与量子计算之间的鸿沟。 ### 经典计算是量子计算的关键支撑 尽管量子计算机在理论上可以解决某些经典计算机难以处理的问题，但实际应用中，量子处理器需要与经典系统紧密协作。例如，量子纠错、控制逻辑和结果读取都依赖于高性能经典计算。Nvidia 的 CUDA-Q 平台正是为此而生，它允许开发者将量子处理器与 GPU 加速的经典计算结合，模拟和优化量子算法。 ### 软件与硬件的双重突破 在软件层面，Nvidia 推出了 **cuQuantum** 库，用于加速量子电路模拟，使研究人员可以在经典计算机上测试和验证量子算法。此外，公司还开发了 **QODA**（量子优化与设计算法），这是一种混合计算框架，旨在简化量子与经典代码的集成。 硬件方面，Nvidia 的 **Grace Hopper** 超级芯片专为处理大规模量子模拟而设计，其高速内存和 GPU 并行计算能力可显著缩短模拟时间。其他公司如 **IBM** 和 **Google** 也在开发类似的经典-量子混合系统，例如 IBM 的 **Qiskit Runtime** 将经典计算资源直接集成到量子工作流中。 ### AI 助力量子计算 人工智能在量子计算中也扮演着重要角色。Nvidia 利用 **AI 模型** 优化量子门操作和错误抑制，例如通过深度学习预测量子比特的噪声模式，从而动态调整控制参数。这种经典 AI 与量子硬件的结合，有望加速实现容错量子计算。 ### 挑战与展望 尽管进展显著，经典-量子混合系统仍面临挑战。量子比特的脆弱性和纠错需求对经典计算提出了极高的实时性要求。此外，软件生态尚未成熟，不同平台间的兼容性有待提升。 未来，随着经典计算技术的持续进步，量子计算机将更接近实用化。Nvidia 等公司的努力表明，经典计算不仅是量子计算的补充，更是其落地的必要基石。
在AI技术飞速发展的今天，我们习惯于用准确率、速度、参数量等指标来评估模型性能，却很少问一个问题：**AI究竟如何影响人类？** 一位专家呼吁，行业应当建立衡量AI社会影响的指标，而不仅仅是关注技术表现。 当前，AI基准测试大多围绕技术能力展开，例如语言理解、图像识别或代码生成。这些指标固然重要，但它们无法反映AI在真实世界中的使用后果——比如是否加剧偏见、影响就业、改变社交行为或削弱隐私。专家指出，**缺乏社会影响度量衡**可能导致技术发展偏离人类福祉。 例如，一个在标准测试中表现优异的对话机器人，可能在日常交流中诱导用户产生负面情绪；一个高效的推荐算法，可能无意中传播虚假信息。这些隐性的“副作用”往往被技术指标所掩盖。 呼吁者建议，未来AI评估应加入**人类福祉、公平性、透明度、可解释性**等维度。这并非否定技术指标的价值，而是要在性能与影响之间建立平衡。正如其他行业有环境影响评估一样，AI也应有“社会影响评估”。 然而，实施起来并不简单。如何量化幸福感？如何衡量长期社会变化？这些都需要跨学科合作，包括社会学、心理学、伦理学等领域的参与。此外，企业可能抵触额外的评估负担，但专家认为，**长远来看，负责任的AI发展将赢得更多信任**。 目前，已有研究团队尝试构建AI社会影响框架，但尚未形成行业标准。或许，我们不该等到AI造成显著伤害才开始行动。正如文章所问：**为什么我们不先测量，再行动？**
全球定位系统（GPS）无处不在，从导航应用到位置共享，它已成为现代生活不可或缺的一部分。然而，其依赖卫星信号的特性也带来了脆弱性：在隧道、地下停车场、室内环境或信号干扰严重的情况下，GPS 可能失效。现在，一种基于手机中常见磁力计的新技术正在崛起，有望成为 GPS 的可靠替代或补充方案。 ## 从指南针到导航工具 手机中的磁力计最初仅用于电子罗盘，提供方向指示。但通过分析地球磁场在不同位置的细微变化，这些微型传感器能够实现精确定位，这一技术被称为**独立磁力测量**。与 GPS 不同，它不依赖外部信号，因此天然具有抗干扰、无盲区的优势。 ## 技术原理与进展 地球磁场并非均匀分布，其强度和方向会因地理位置、地下矿物结构等因素而呈现独特的“指纹”。通过预先绘制高精度的地磁场地图，并利用手机磁力计实时采集数据，算法可以将测量结果与地图匹配，从而确定位置，精度可达米级。 多家公司正在推动这一技术的商业化。例如，**SandboxAQ** 开发了基于量子传感器和磁力计的导航系统，已在美国军方测试中展示了在 GPS 拒止环境下的可靠性。另一家初创公司 **InfiniDome** 则专注于为无人机和车辆提供抗干扰的磁导航方案。手机厂商也在探索集成更灵敏的磁力计，以增强室内导航和增强现实（AR）体验。 ## 应用场景与挑战 独立磁力测量的应用前景广阔： - **室内导航**：在商场、机场、医院等大型建筑内，GPS 信号微弱，磁力导航可提供精确的路径指引。 - **地下与水下作业**：隧道、矿井、潜水器等场景可受益于不依赖卫星的定位。 - **军事与关键基础设施**：在电子战环境下，磁导航可作为 GPS 的备份，确保导航能力。 - **物联网与自主系统**：为机器人、自动驾驶车辆提供鲁棒的定位能力。 然而，该技术也面临挑战。地球磁场会随时间缓慢漂移，且受建筑物内钢筋、电子设备等干扰，需要频繁更新地图并校准传感器。此外，当前手机磁力计的精度有限，难以满足高精度要求，而更高性能的量子磁力计成本高昂。 ## 未来展望 尽管存在不足，独立磁力测量作为 GPS 的补充技术，其价值已获业界认可。随着传感器小型化和算法进步，未来手机可能同时集成 GPS、磁力计、Wi-Fi 和蓝牙等多源定位能力，实现无缝切换。这不仅是技术迭代，更是对导航基础设施韧性的重要提升。 总之，当 GPS 信号消失时，地球磁场或将成为我们新的“北极星”。
AI模型规模的指数级增长正将传统计算架构推向极限。当GPU算力持续攀升时，内存带宽与容量却成为制约性能的瓶颈——这一现象被业界称为“内存墙”。近日，硬件初创公司 **Majestic Labs** 宣布推出其AI服务器 **Prometheus**，旨在通过颠覆性的内存设计突破这一壁垒。 ## 128TB内存：从“搬运数据”到“就地计算” Prometheus 最引人注目的参数是每台服务器最高可配备 **128 TB 的 LPDDR6 内存**。这一数字远超当前主流AI服务器（通常搭载数百GB至数TB的HBM或DDR5内存）。Majestic Labs 的核心理念是：将海量数据直接存储在靠近计算单元的内存中，而非频繁地从存储系统搬运。 传统AI训练中，数据需从硬盘或SSD加载至GPU显存，再通过PCIe总线传输。这一过程不仅延迟高，且功耗巨大。Prometheus 通过将 **128TB 的 LPDDR6 内存** 直接与CPU/GPU互联，实现了近乎“零拷贝”的数据通路。LPDDR6 本身具备高带宽、低功耗特性，而大规模内存池化让模型参数与数据集可以常驻内存，极大减少了I/O等待时间。 ## 为何是“内存墙”而非“算力墙”？ 当前AI领域的军备竞赛多聚焦于GPU算力（如NVIDIA H100/B200的TFLOPS提升）。然而，实际训练效率往往受限于内存带宽与容量。以GPT-4级别的万亿参数模型为例，其参数存储需数TB空间，而传统服务器内存仅能容纳部分参数，导致必须采用复杂的模型并行与数据流水线技术，这些技术本身会引入大量通信开销。 Majestic Labs 的创始人指出：“算力增长与内存性能增长之间的剪刀差正在扩大。过去十年，GPU算力提升了约1000倍，但内存带宽仅提升约20倍。”这种失衡使得大量计算单元处于“等待数据”的空闲状态，实际利用率远低于理论峰值。**Prometheus 的128TB内存** 直接瞄准这一痛点，让大模型可以完整驻留于内存，甚至允许同时加载多个模型版本进行对比测试。 ## 架构细节与潜在影响 虽然完整的技术白皮书尚未公布，但从已披露信息看，Prometheus 采用了 **内存池化与CXL（Compute Express Link）互连** 技术。CXL 允许CPU、GPU、内存等设备通过PCIe 5.0/6.0总线共享一致的内存地址空间。这意味着Prometheus 并非简单堆叠DRAM，而是构建了一个统一的内存层级：LPDDR6 作为主内存池，配合少量HBM作为GPU的本地高速缓存。 这种设计对AI推理场景尤为有利。推理任务通常对延迟敏感，且需要频繁访问大模型权重。传统方案中，权重从内存加载至缓存的过程可能占据推理时延的70%以上。Prometheus 的大内存池可让权重常驻，实现接近“即时响应”的推理效果。 ## 市场定位与挑战 Majestic Labs 并非唯一瞄准内存墙的玩家。三星、SK海力士等内存巨头正在开发 **CXL 内存模块**，而AMD与Intel也在推进统一内存架构。但Prometheus 的差异化在于其 **128TB 的极端容量**，这主要面向超大规模AI模型训练场景，如自动驾驶、药物研发、气候模拟等。 然而，该方案也面临成本与功耗挑战：128TB LPDDR6 的采购成本可能高达数百万美元，且服务器功耗将远超常规机型。此外，软件生态的适配同样关键——需要操作系统与AI框架（如PyTorch、TensorFlow）支持透明的大内存管理。 ## 小结 **Prometheus 服务器的发布** 标志着AI基础设施从“算力优先”向“内存优先”的思维转变。当模型规模突破万亿参数，单纯堆砌GPU已非最优解。Majestic Labs 的尝试是否成功，将取决于其能否在成本、性能与生态之间找到平衡。但无论如何，它已经为行业提供了一个值得关注的方向：**突破内存墙，或许才是解锁下一代AI能力的关键**。
在全球加速拥抱可再生能源的当下，意大利撒丁岛却出现了强烈的抵制声音。当地居民反对风电、太阳能和储能项目，背后是长达2700年被外部势力入侵与资源剥削的历史记忆。 ## 历史创伤与现实困境 撒丁岛的历史是一部被征服与掠夺的编年史。从腓尼基人到罗马人，从比萨共和国到西班牙，再到近代的意大利统一，外族统治者不断开采岛上的矿产、木材和劳动力，却很少回馈当地。二战后，撒丁岛成为意大利的“能源殖民地”：大型火电厂和煤矿为大陆提供电力，却留下污染和健康问题。如今，可再生能源开发商再次将目光投向这片土地，计划建设大规模风电场、太阳能电站和储能设施，但当地居民认为这不过是“新殖民主义”——土地被占用，景观被破坏，而收益大多流向岛外。 ## 能源转型的信任赤字 撒丁岛的案例揭示了全球能源转型中一个被忽视的障碍：历史不公导致的信任赤字。尽管可再生能源对减缓气候变化至关重要，但如果开发过程不尊重当地社区的权利和记忆，就可能触发强烈的反弹。撒丁岛居民并非反对清洁能源本身，而是反对一种自上而下、忽视地方利益的发展模式。他们要求更透明的决策、更公平的利益分配，以及对文化遗产和环境的真正保护。 ## 结语：转型需要和解 撒丁岛的抵制并非孤例。从美国原住民保留地的管道抗议到欧洲乡村的风电争议，历史伤痕正在影响今天的能源政策。要推进公正的能源转型，开发者与政府必须首先承认并解决历史遗留的不公，与社区建立真正的伙伴关系。否则，清洁能源也可能成为新的冲突源。
在机器人技术发展的早期，电机几乎是驱动关节的唯一选择。然而，上世纪80年代末，一群英国业余爱好者却走出了一条截然不同的道路——他们用**气动“空气肌肉”**打造了一台名为 **Shadow Walker** 的双足步行机器人。 Shadow Walker 没有头部和手臂，结构极其精简，但它的双腿却能在气动肌肉的驱动下完成迈步动作。所谓“空气肌肉”，是一种通过气压收缩的柔性执行器，相比传统电机，它更接近生物肌肉的力学特性：轻量、柔顺、功率密度高。这种设计灵感直接来源于人体解剖学，旨在让机器人的运动更加自然、节能。 虽然 Shadow Walker 本身并未成为商业产品，但它背后的理念和团队经验却结出了更丰硕的果实。该项目的核心成员后来共同创办了 **Shadow Robot Company**，一家至今仍在活跃的机器人公司。这家公司以开发高灵巧度的机械手闻名，其产品 **Shadow Dexterous Hand** 被全球多家研究机构用于机器人抓取和触觉感知研究。 从一台业余自制的双足机器人，到推动灵巧操作技术的商业化，Shadow Walker 的故事折射出早期机器人社群“从兴趣到产业”的典型路径。气动肌肉虽然在精度和响应速度上不及电机，但在安全交互和仿生运动方面仍有独特价值。近年来，随着软体机器人技术的复兴，空气肌肉这类柔性执行器重新受到关注。 回顾这段历史，我们或许能更深刻地理解：**技术的演进并非只有一条主线**。那些看似“非主流”的尝试，往往在某个节点为未来提供了意想不到的解决方案。