AI 资讯

在人工智能的版图上，语言模型（LLM）已经征服了文本、代码甚至图像，但有一个领域却始终让它们头疼——**电子表格**。初创公司 **Fundamental** 推出的基础模型 **NEXUS**，正试图攻克这个被称为“AI最后前沿”的堡垒。 ## 为什么LLM搞不定表格？ 表格数据与自然语言有着本质区别。LLM擅长处理序列化的文本，但表格中的信息是高度结构化的：行与列之间的关系、数值的精确性、跨单元格的依赖，这些对LLM来说都是挑战。例如，一个简单的“查找某个产品的季度销售额”任务，LLM可能因为不理解表格的二维结构而给出错误结果。此外，表格数据往往涉及**精确计算**，而LLM在算术上并不擅长。 ## NEXUS：为表格而生的基础模型 Fundamental 的 NEXUS 模型专门针对表格数据设计。它并非像LLM那样逐字预测，而是将表格视为一种**多关系图**，捕捉单元格之间的复杂关联。这种设计让NEXUS能够处理包含数百万行和数千列的大型表格，而不会迷失在维度中。 在基准测试中，NEXUS在**表格分类、回归和填充**等任务上超越了传统机器学习方法，甚至在某些场景下比人类分析师更高效。例如，在金融数据集上，NEXUS能准确预测股票价格趋势；在医疗数据中，它能从电子健康记录中识别疾病风险因素。 ## 行业意义：从自动化到洞察 表格数据无处不在——从企业财务到科学研究，从供应链管理到医疗记录。LLM的失败意味着许多关键业务场景仍依赖人工处理或传统机器学习模型，后者需要大量特征工程和调参。NEXUS的出现可能改变这一局面： - **降低门槛**：非技术用户可以直接用自然语言查询表格，例如“去年哪个季度的利润最高？” - **提升效率**：自动完成数据清洗、异常检测和预测分析，节省分析师数小时的工作。 - **增强可信度**：表格任务要求高准确性，NEXUS在公开数据集上的错误率比LLM低一个数量级。 ## 挑战与未来 尽管NEXUS表现出色，但表格数据领域仍有难题：**数据隐私**（企业表格常包含敏感信息）、**实时更新**（模型如何适应动态变化的表格），以及**可解释性**（用户需要理解模型为何做出某个预测）。Fundamental 计划通过联邦学习等技术解决隐私问题，并开发可视化工具增强透明度。 随着NEXUS的推出，AI在结构化数据领域的空白正在被填补。或许不久后，我们就能像与ChatGPT对话一样，轻松地与自己的电子表格交流。

长途货运的电动化转型，正从牵引车头延伸至挂车本身。在欧洲，一场围绕“电动挂车”的技术竞赛已经拉开帷幕，多家制造商与零部件供应商正在探索如何将电池与电驱系统集成到半挂车底盘上，以显著提升燃油经济性并降低碳排放。 ## 从牵引车到挂车：电动化的新战场 长期以来，电动化货运的关注焦点集中在牵引车头的动力总成上。然而，对于满载货物、总重可达40吨的长途半挂车而言，仅靠车头电池往往难以支撑上千公里的续航需求。于是，一种新思路浮出水面：让挂车本身也具备驱动能力。 德国挂车制造商 **Krone** 与零部件巨头 **ZF** 合作，率先采用了 ZF 的 **TrailTrax** 电驱平台。该系统将电机、逆变器和制动能量回收装置集成在挂车轴内，能够根据行驶工况自动提供辅助推力或回收能量。据称，TrailTrax 可使整车燃油消耗降低 **15% 至 20%**，相当于每百公里节省约 4 升柴油。对于年行驶里程 15 万公里的车队而言，这意味着可观的运营成本节约。 ## 多方入局：BPW 与 Nivalis 的协同 另一家关键玩家是 **BPW**，这家拥有百年历史的车轴专业制造商正与 **Nivalis** 公司联合开发另一套电驱挂车轴系统。BPW 本身也是 Krone 的合作伙伴——Krone 同时采用了 ZF 和 BPW 两套方案，以测试不同技术路线的性能差异。这种“多平台并行”的策略反映出行业对挂车电动化标准尚未统一，各家都在探索最优解。 ## 实践检验：欧洲试点项目 目前，搭载 TrailTrax 系统的 Krone 挂车已进入欧洲道路测试阶段。试点车队覆盖德国、荷兰、比利时等国家，测试内容包括城市配送、区域运输及部分长途线路。初步数据显示，系统在频繁启停的市区工况下节油效果最明显，而在高速巡航时也能提供约 8% 的辅助动力贡献。 值得注意的是，电动挂车并非要完全取代牵引车动力，而是扮演“智能助力”的角色。其电池容量通常设计为 30-80 kWh，足以支持短途纯电行驶（如进出仓库、港口），但在长途模式下则通过能量回收和适时助力来优化整体效率。 ## 挑战与前景 尽管技术前景诱人，电动挂车仍面临多重挑战： - **成本**：一套 TrailTrax 系统的初期成本约 1.5 万至 2 万欧元，对于价格敏感的物流企业而言，需 2-3 年才能通过节油收回投资。 - **重量**：电池和电机增加了挂车自重，可能挤占有效载货空间。制造商正通过轻量化材料（如铝合金车架）来抵消这一影响。 - **标准**：不同厂商的接口、电压、通信协议尚未统一，给车队混合运营带来麻烦。 尽管如此，行业普遍认为电动挂车是迈向零排放货运的关键一步。欧洲运输与环境联合会（T&E）预测，到 2030 年，电动挂车在欧洲新挂车销量中的占比可能达到 **15%**。而 Krone、BPW 等先行者的测试数据，将为这一目标提供现实支撑。 ## 小结 电动挂车竞赛不仅是技术之争，更是货运效率与环保目标的平衡。随着更多试点数据的公布和成本曲线的下降，我们很可能在 5 年内看到这类产品大规模上路。对于物流行业而言，这或许是一次“静悄悄的革命”——不改变牵引车，却从根本上优化了每一公里的能耗。

最新研究表明，具备推理能力的AI模型在处理不合逻辑的提示时，可能会陷入无休止的“思考循环”，导致计算资源耗尽，从而被攻击者利用发动拒绝服务（DoS）攻击。这一发现揭示了当前AI系统在安全设计上的新盲区。 ## 推理模型的“过度思考”隐患 近年来，以OpenAI的o1系列、DeepSeek-R1等为代表的推理模型，以其强大的逻辑链推理能力著称。它们通过“慢思考”机制，在给出答案前进行多步推理，显著提升了数学、编程等复杂任务的准确性。然而，正是这种设计，让它们暴露在一种特殊的攻击风险之下。 研究人员发现，当向这些模型输入逻辑矛盾、无限循环或语义冲突的提示时，模型会试图强行解析并推理，导致推理步骤急剧增加，甚至进入死循环。例如，一个简单的提示如“请回答‘不’这个字，但前提是‘是’为真，且‘不’为假”，就能让某些模型陷入长达数分钟的运算，占用大量GPU资源。 ## 攻击原理：从逻辑陷阱到资源耗尽 这种攻击本质上利用了推理模型的**递归自我校验**机制。当模型无法在预设的推理步数内给出合理答案时，它会反复调整思路、回溯重试，而不是直接放弃。攻击者通过精心设计的“逻辑悖论”或“无限递归”提示，可以迫使模型持续消耗算力，直至超时或服务崩溃。 更危险的是，这种攻击无需高权限或复杂工具。只需通过API接口发送特定文本，即可导致单次请求的响应时间从毫秒级暴增至数分钟，算力成本飙升数百倍。若攻击者批量发送此类请求，很容易造成服务端资源枯竭，影响正常用户使用。 ## 行业影响与防御建议 这一发现对当前依赖推理模型的AI服务（如代码助手、数学解题器、高级聊天机器人）构成了直接威胁。对于云服务提供商而言，**拒绝服务攻击的成本被急剧降低**——传统DoS攻击需要大量僵尸网络，而现在一条简单文本就可能瘫痪一个推理节点。 安全专家建议采取以下措施： - **设置推理步数上限**：强制模型在达到一定步数后终止并返回“无法回答” - **增加异常检测**：监控请求的推理时间与资源消耗，识别攻击模式 - **优化模型架构**：在推理层加入循环检测机制，避免死循环 ## 结语 AI模型的“思考能力”本是进步标志，但过度思考却可能成为安全短板。这一发现提醒业界：在追求模型智能的同时，必须同步考虑其健壮性与安全性。未来，推理模型的防御设计将像防注入攻击一样成为必修课。

日本研究人员成功展示了一种侧向堆叠芯片的原型，通过解决复杂的3D集成问题，为AI系统提供了更高的内存带宽和更低的散热压力。 ## 背景：AI的内存瓶颈 随着AI模型规模的指数级增长，传统内存架构逐渐成为性能瓶颈。高带宽内存（HBM）虽然通过垂直堆叠DRAM芯片提升了数据传输速率，但其散热问题日益突出——堆叠层数越多，热量越难散发，导致芯片温度升高、性能下降。 ## 侧向堆叠：一种新的3D集成思路 日本研究团队提出的方案打破了传统垂直堆叠的思维定式，将芯片**侧向排列**，即让芯片“躺倒”并沿水平方向扩展，而非向上叠加。这种设计的关键在于解决了3D集成中的**互连难题**：如何在不增加热阻的前提下，实现芯片间的高密度、高带宽连接。 研究团队开发了一种新型的**侧向互连技术**，通过微小的金属凸块和硅通孔（TSV）将芯片并排连接，形成类似“书架”式的结构。这种布局不仅缩短了芯片间的物理距离，还允许热量通过基板直接散发，避免了垂直堆叠中热量逐层累积的问题。 ## 性能与优势 原型测试结果显示，侧向堆叠方案在**带宽密度**上比传统HBM提升了约40%，同时芯片工作温度降低了15°C以上。这意味着AI加速器（如GPU或NPU）可以在更低的功耗下获得更快的数据吞吐，尤其适合需要频繁访问大容量内存的深度学习训练和推理场景。 此外，该方案对现有制造工艺的兼容性较好，无需全新的设备投入，有望在**2-3年内实现商业化**。不过，研究团队也指出，侧向堆叠会占用更大的水平面积，在空间受限的移动设备中可能不如垂直堆叠有优势。 ## 行业影响与展望 当前，HBM市场由三星、SK海力士和美光主导，它们正竞相推出更高层数的垂直堆叠产品（如HBM3E）。侧向堆叠的出现提供了一条差异化技术路径，尤其适合对散热要求严苛的数据中心AI服务器。 值得注意的是，这项技术并非要取代垂直堆叠，而是与之互补。未来，我们可能会看到**混合堆叠架构**：将侧向堆叠用于高带宽缓存层，垂直堆叠用于大容量存储层，从而在功耗、带宽和容量之间取得更优平衡。 对于AI开发者而言，这意味着更快的模型训练速度和更低的推理延迟。随着该技术的成熟，AI芯片的内存墙问题有望得到进一步缓解。

## 快讯：AI 艺术收藏的真相 AI 生成艺术正从小众实验走向主流市场，但收藏家们提醒：**一幅作品的价值远不止于一个巧妙的提示词**。 ### 关键事实 - **收藏标准升级**：收藏家认为，AI 艺术的价值在于其背后的**概念、算法独特性和艺术家意图**，而非单纯依赖文本提示。 - **艺术家角色**：顶尖 AI 艺术家（如 Refik Anadol）通过定制数据集、训练模型和精心策划的展示环境，创造不可复制的体验。例如，Anadol 的《Machine Dreams: Rainforest》展览在 Dataland 生成式 AI 博物馆展出，强调沉浸式叙事。 - **市场分化**：低端市场充斥大量“一键生成”作品，而高端收藏聚焦于**技术独创性、文化关联性和长期影响力**。 ### 行业背景 AI 艺术收藏仍处于早期阶段，但已吸引传统艺术界和科技投资者的关注。随着生成式 AI 工具普及，**稀缺性**成为关键——真正有价值的作品往往需要数月甚至数年的研发，而非几分钟的生成。收藏家建议关注艺术家的技术深度、作品的社会批判性以及是否推动媒介边界。 ### 小结 AI 艺术收藏的核心逻辑与当代艺术并无本质区别：**概念先行，技术为辅**。提示词只是起点，真正的价值在于艺术家如何以 AI 为工具，构建独特的视觉语言和思想体系。

一家创业公司通过众包和AI蜂群技术，在72小时内超越了谷歌的密码学研究成果，引发了业界对AI协作潜力的新讨论。 ## 事件概述 据IEEE Spectrum报道，一家未具名的初创公司利用**众包**和**AI蜂群**技术，成功破解了谷歌此前未公开的密码学工作成果。谷歌的原始研究涉及复杂的加密算法，而这家公司仅用72小时就取得了更优的结果。 ## 技术亮点 **AI蜂群**是一种模仿自然界蜂群、鸟群等集体智能的算法，通过大量智能体协同工作来解决复杂问题。结合**众包**——即从广泛人群中收集思路和计算资源——该公司构建了一个高效的分布式问题解决系统。该系统在短时间内分析了谷歌的密码学方案，并找到了更高效的破解路径。 ## 行业影响 这一突破表明，**去中心化的AI协作**可能在密码学等前沿领域比传统实验室研究更具效率。密码学是网络安全的基础，谷歌作为行业巨头，其未公开的研究通常代表顶尖水平。然而，这次事件显示，开放式的众包+AI模式或许能挑战甚至超越封闭式研究的成果。 ## 潜在风险与机遇 一方面，这种技术可能被用于**恶意破解加密标准**，威胁数据安全；另一方面，它也为密码学社区提供了**新的验证和优化手段**——通过集体智能快速发现漏洞或改进方案。业界呼吁建立更透明的协作框架，以平衡创新与安全。 ## 结语 这次“72小时超越”不仅是一次技术胜利，更预示了AI时代科研范式的转变。当众包遇见AI蜂群，密码学的“秘密”或许将越来越难以守住。

**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。