IT之家 8 月 6 日消息，据中国科学院高能物理研究所，北京时间 8 月 6 日，北京正负电子对撞机上的北京谱仪 III 实验（BESIII）国际合作组在巴西举行的国际高能物理大会（ICHEP 2026）上，以特别大会报告的形式宣布：经过 15 年的持续研究，BESIII 实验建立了证明胶球存在的完整证据链，解开了困扰学术界近半个世纪的胶球存在之谜。该发现不仅为“量子色动力学”理论提供了决定性验证，也表明一类全新物质形态 —— 纯由“力”构成的物质的存在。 ▲ 北京谱仪 III (BESIII) 探测器，图源中国科学院高能物理研究所 IT之家从文章获悉，原子核由质子和中子组成，质子和中子又由夸克组成。夸克之间靠胶子传递强相互作用力，就像光子传递电磁相互作用力一样。但胶子的特别之处在于，光子不会自己吸引自己，而胶子却会。因此，胶子之间有可能相互吸引，形成一种全新的粒子 —— 胶球。 在描述强相互作用的物理学理论“量子色动力学”里，胶球是个极其重要的预言，因为它是唯一一种由“力的传播子”构成的粒子。然而，半个世纪以来，实验上一直未能找到胶球。胶球到底存不存在，是对这个物理学理论至关重要的检验，也是至今仍悬而未决的重大科学问题之一。 北京正负电子对撞机能够大量产生丁肇中先生发现的 J/psi 粒子，这种粒子产生之后瞬间就会衰变成其他更轻的粒子。理论上，J/psi 的衰变过程非常有利于胶球的产生，是寻找胶球的最佳途径之一，胶球的实验寻找也是北京正负电子对撞机几十年来的首要物理目标之一。 2011 年，BESIII 合作组在 J/psi 的衰变产物中发现了一个新粒子 X (2,370)，疑似为胶球。经过 13 年的努力，他们于 2024 年首次利用 100 亿个 J/psi 粒子，测定了 X (2,370) 的自旋和宇称量子数，其质量与格点量子色动力学对相同量子数胶球的理论预言完全一致，为确定其真实身份迈出了关键一步。 最近，由南京大学金山教授和中国科学院高能物理研究所黄燕萍研究员共同领导的研究团队又往前迈了一大步：他们发现了多个 X (2,370) 粒子新衰变模式，并且首次测出了它的又一项关键“身份特征”——“味单态”性质。 “味单态”性质是胶球的最重要特性。质子、中子等普通粒子都含有不同“味道”的夸克，如上夸克、下夸克、奇异夸克等，而胶球由纯胶子构成，不含“味道”信息，属于“味单态”。最新实验结果成功测定，X (2,370) 是“味单态”。 至此，BESIII 实验通过历时 15 年的一系列研究，建立了从质量、量子数到“味单态”的完整实验证据链，证实 X (2,370) 的主要成分正是物理学家找了近半个世纪的胶球。 这是近五十年来，胶球寻找最明确的实验结果，不仅清晰验证了“胶子能够自我结合形成新型物质”这一重大理论预言，也展示了北京正负电子对撞机在研究强相互作用方面的独特优势。北京正负电子对撞机自 2008 年完成重大升级改造以来，BESIII 探测器已累计采集超过 100 亿 J/psi 事例，成为陶-粲能区无可争议的世界领导者。此次发现正是持续积累、精密测量、国际合作三位一体的典范。 据悉，国际高能物理大会是每两年一次的全球性大会，只有特别重大的成果发布，才会增加特别大会报告。 北京谱仪 III（BESIII）是运行在北京正负电子对撞机（BEPCII）上的大型粒子物理探测器，其国际合作者由来自 15 个国家约 96 个研究机构的约 700 名科学家组成。实验聚焦陶-粲能区的精密物理研究，在强子谱学、粲物理、陶物理和新物理寻找等领域取得了一系列世界领先成果。北京谱仪 III 探测器和北京正负电子对撞机加速器运行维护团队在数据采集过程中、北京谱仪 III 离线软件团队和中国科学院高能物理研究所计算中心在数据分析过程中的高效工作为本次发现提供了保障。

IT之家 8 月 6 日消息，国家能源局今日发布《中国核电发展报告（2026）》。截至 2025 年底，我国在运和核准在建核电机组共 112 台，装机规模 1.25 亿千瓦，总规模居世界首位，在建规模持续保持全球第一，是 2012 年的 2.6 倍。 IT之家从报告获悉，我国“十四五”新核准核电机组 46 台、5,450 万千瓦，新投运机组 11 台、1,245 万千瓦。截至 2025 年底，在运和核准在建核电机组共 112 台，总规模 1.25 亿千瓦。其中，在运 59 台、装机容量 6,248 万千瓦，仅次于美国和法国，位居全球第三；核准在建 53 台、容量 6,293 万千瓦，连续 19 年稳居核电工程建设规模全球第一。 核电安全运行业绩稳居世界前列。所有核电机组保持良好安全纪录，未发生国际核与辐射事件分级 2 级及以上运行事件 / 事故，未对公众和环境造成任何不良影响。世界核电运营者协会 (WANO) 核电机组运行综合指数连续 10 年保持全球第一，满分比例和综合指数平均值位居世界前列。 发电量稳步提高。2025 年，核电全年发电量 4,852 亿千瓦时，同比增加 7.6%，在全国总发电量中的占比为 4.6%，在非化石能源发电量中占比为 11.4%。全国核电机组平均利用小时数为 7,809 小时 (负荷因子 89.1%)，如图 2-1 所示，同比增加 126 小时，保持较高水平。 2025 年，新核准建设 10 台核电机组，容量 1,210 万千瓦，分别为浙江三门 5、6 号机组、山东海阳 5、6 号机组、福建霞浦 1、2 号机组、广东台山 3、4 号机组和广西防城港 5、6 号机组。截至 2025 年底，国内共有核准在建机组 53 台，容量 6,293 万千瓦，其中“华龙一号”机组 33 台、占比 62%。

IT之家 8 月 6 日消息，美国国家航空航天局（NASA）的“好奇号”（Curiosity）火星车近日在探索火星一处大型山谷时，在地表发现了令人意外的特殊地貌。 据IT之家了解，这些照片拍摄于 2026 年 6 月 19 日和 20 日，分别对应“好奇号”登陆火星后的第 4,930 个和第 4,931 个火星日。画面显示，在名为 Valle Grande 的山谷中，分布着大量类似蜂窝状的图案。这些图案被科学家称为“多边形裂隙”（polygonal fractures），单个结构直径约为 4 至 8 厘米。 虽然“好奇号”此前也曾在火星发现过其他有趣的几何图案，但这次的新发现仍令科学家感到惊讶。 NASA 喷气推进实验室（JPL）“好奇号”项目科学家阿什温 · 瓦萨瓦达（Ashwin Vasavada）表示：“我们通过‘好奇号’看到了许多令人惊叹的火星景观，但这片一望无际的多边形区域依然让我们震撼不已。我们已经对这些结构的形状和化学成分进行了详细测量，希望能够从数据中找到它们形成过程的线索。” 这片多边形地貌一直延伸到“好奇号”探测设备能够观测到的最远处，甚至覆盖了科学家命名为“Miraflores”的一座陡峭山丘底部周围区域。 目前，任务团队已经提出了一些关于这些结构形成机制的假设，但其真正成因仍然是一个未解之谜。 科学家推测，火星上的温度变化可能使水分在沉积层之间流动，并最终形成这些多边形裂隙。不过，要得出最终结论，还需要收集更多探测数据。

我国科研团队编制完成的1∶500万全月地质图，主图长约280厘米、高约120厘米，附带南北极局部地质图，精准标注了逾1.3万个撞击坑和81个撞击盆地，划分出14类地质构造和17种岩石类型。 记者8月6日从编制方中国地质科学院地质研究所获悉，基于嫦娥工程等最新探测成果，兼顾科学严谨性与直观性，在三方面实现系统创新—— 修正“月球时钟”。依据最新研究，对月球地质年代进行精细化修订，艾肯纪起始年龄调整为43.3亿年，酒海纪起始年龄调整为41.7亿年，雨海纪起始年龄微调至39.2亿年，在全球尺度上首次对月球晚期地层进行更细致的划分。 更新“月球物质清单”。采用更高分辨率的月表关键矿产分布图，优化了岩石分类标准。利用嫦娥四号、六号最新发现，在南极-艾肯盆地新识别出一类名为辉长苏长岩的岩石，让人类直接“看到”月球深部物质。 定制“专属放大镜”。针对1∶500万比例尺制图需求，建立了分类型的差异化最小表达尺度，确保了宏大图面既有整体可读性，又不遗漏具有重大科学价值的关键地质特征。 中国地质科学院地质研究所所长杨志明说，新版全月地质图发布，为我国未来月球科研站建设、着陆区选址及深空探测提供了重要科学支撑，也为人类探索太阳系演化作出了新的中国贡献。

编译 | 宇琪 策划 | Tina 一年前，Google 首席科学家 Jeff Dean 在 AI Ascent 2025 峰会上预测：到 2026 年，可能出现能够全天候工作、能力接近初级软件工程师的 AI 系统。 一年后，也就是 6 天前，他在一期 YC 访谈中承认，自己低估了 AI 的进展速度。模型处理复杂任务的能力，增长得远比他当时预想的更快。那么，在 Jeff Dean 看来，AI 接下来还会以多快的速度向前推进？创业公司又该如何在通用模型不断扩张能力边界的时代生存下来？ 今天凌晨，这期访谈又有了不同的分量。Jeff Dean 宣布，明天将是自己在 Google 的最后一天。效力 Google 27 年后，这位被誉为硅谷“程序员中的程序员”、深度参与 Google 系统架构和 AI 技术建设的传奇工程师，将与长期合作伙伴 Sanjay Ghemawat、Oriol Vinyals 和 Quoc Le 共同创立 Discovery Loop，一家聚焦机器学习、科学和工程前沿研究的公益性公司。Google 将作为创始投资方和云计算合作伙伴继续与他们合作。 据 WIRED 披露，这个创业想法其实只是几周前才浮出水面。为了挽留这支核心团队，Alphabet CEO Sundar Pichai 还曾在多次会面中试图说服他们“别摘工牌”。但最终，几人还是决定离开大公司体系，去换取一家初创公司才有的乐趣、速度和自由。 Jeff Dean 在告别信中写道，自己见证了 Google 从一家只有 25 人的公司，成长为拥有 19 万多名员工的科技巨头。如今，Google 已有 13 款产品的用户规模超过 10 亿。从搜索、邮件、翻译和视频，到大规模计算、自动驾驶和 AI 系统，他参与建设的技术几乎贯穿了 Google 的整个发展历程。 而促使他们离开的一个重要原因，也恰恰是大公司难以摆脱的惯性。正如 Oriol Vinyals 所说，在大型组织内部，要推动任何激进变化，都必须先克服层层阻力；他们想做点不一样的东西。颇有意思的是，迄今为止，这家新公司甚至还没来得及招人、租办公室，至于谁来当 CEO，团队内部短暂停顿后，大家把目光投向了 Jeff Dean——“我想应该是我吧。”他说。 因此，这期发布于 Jeff Dean 离职前夕的访谈，也像是他站在职业生涯转折点上，对 AI 下一阶段的一次集中判断。节目中，他与 YC 合伙人 Diana Hu 讨论了 AI 从“模型为中心”转向“上下文工程”的范式变化、推理硬件正在出现的巨大机会，以及创业者如何在通用模型越来越强、越来越多应用可能被模型直接吞并的时代，找到真正值得坚守的生存空间。 本文基于该访谈视频整理，经 InfoQ 编辑。 太长不看版 Q：去年你说到 2026 年会出现能力接近初级工程师的 AI。一年过去了，这个预测打脸了吗？ A：相当准确，但我低估了一件事：模型处理越来越复杂任务的能力，增长速度比我预想的快得多。而且这种能力正在溢出到编码之外的领域，基于 Agent 的系统开始真正崭露头角。 Q：对 2027 年的大胆预测是什么？ A：深度学习系统将实现全自动的问题分解和自动化实验循环：把问题拆成子问题，自动跑实验，整合结果，得到一个改进后的系统。而且这不只适用于机器学习，任何有可衡量目标的科学和工程领域都能用上。 Q：2001 年 Google 把搜索索引装进内存，2026 年那个“装进内存”的时刻是什么？ A：高性能、低能耗的专用推理硬件。推理是让 Agent 系统触达更多人的关键，专用硬件能带来 50 倍延迟改善和 30-80 倍能效提升。当年省掉的是磁盘寻址的物理延迟，今天省掉的是通用计算的多余步骤。但这次赌注更高，因为 Agent 需要的是成千上万次连续推理，每一次延迟都在累积。 Q：人们现在对 AI 最大的误解是什么？ A：大家都觉得 Agent 就是跑一两个小时的临时任务，但配合足够强的底层模型，你可以让 Agent 连续跑上几天甚至几周。 Q：那张催生 TPU 的餐巾纸数学，到底算出了什么？ A：2013 年语音识别效果暴增，我们算了笔账：如果每个用户每天对着手机说三分钟话，用 CPU 根本撑不住，于是造了 TPU。几年后 Transformer 横空出世时，它恰好成了根基。 Q：AI 时代的延迟数字清单，最该记住哪个数？ A：做一次计算消耗约一皮焦耳，但把数据搬进处理器的那一小段路，能耗是它的 1000 倍。这个差距决定了你必须做 batching，把很多样本拼在一起处理，把成本摊成“一千倍除以 batch size”。 Q：创始人该怎么选要做的领域？ A：拿当前最强的通用模型去测你想做的领域，如果模型成功率在 0% 或 1%，那是好信号；如果在 20%，那是危险信号，说明能力已经萌芽，下一代模型很快会覆盖。 Q：当 Agent 写完所有代码，什么技能变得稀缺？ A：品味，知道该让你的 Agent 去解决什么问题。一是靠解决过大量问题的经验，二是写下你觉得未来 12 个月可能重要的十件事，一年后回来复盘哪些真的变重要了，三是做疯狂的思想实验，比如“如果晶体管每天出错 20 次而不是每一百万年一次，系统该怎么设计？” 高性能、低能耗的推理硬件革命 Diana：去年 5 月在 AI Ascent 大会上，你说到 2026 年左右，可能会出现能够全天候工作、能力接近初级工程师的 AI 系统，现在我们离这个预测有多近？ Jeff：我觉得模型在处理基于 Agent 的长时间运行编码任务方面进步非常大。现在看起来很明显，它们确实已经相当有能力了，取决于你对“初级工程师”的精确定义，这个预测现在看来相当准确。 Diana：那你当时低估了什么？ Jeff：我认为处理越来越复杂任务的能力，其增长速度比我预想的要快得多。而且，在编码之外的领域，这些基于 Agent 的系统也开始真正崭露头角，我认为这将是未来一个重要的趋势。 Diana：你觉得 2027 年版的预测会是什么？ Jeff：我认为你会看到更多机器学习系统自身的自动化。具体来说，就是让机器学习系统通过运行大量实验来提升自己的能力，把问题分解成子问题，在紧密的自动实验循环中运行这些子问题，然后把结果整合起来，从这种全自动的问题分解和自动化实验中得到一个改进后的系统。而且这不仅适用于机器学习，也适用于科学和工程的其他领域。基本上任何有可衡量目标的事情，如今都能取得很大进展。 Diana：2001 年，Google 搜索还是跑在硬盘上的。你和 Sanjay 算了一笔账，意识到在某个时间点，整个搜索索引终于能装进所有运行中计算机的内存里。你们做出了那个激进的决定，基本上在几天之内就和 Sanjay 一起把一套全新的、基于内存而非硬盘的搜索版本推到了生产环境，正是这件事让 Google 成为了今天的 Google。 历史总是在重演，那么在 2026 年的当下，那个“能装进内存了”的时刻是什么？在座所有人都应该思考和设计的那个转折点在哪里？ Jeff：情况有些不同，但我想说的是，你会看到越来越多高性能、低能耗的推理硬件系统出现。因为现在大家都意识到，推理是让这些 Agent 系统触达更多人的关键。延迟真的很重要，而硬件的专门化是让你在能效和延迟上都优于 GPU 或 CPU 这类通用计算设备的核心途径。 Diana：所以你的意思是我们也许不用再等待了？ Jeff：没错，想象一下，如果延迟能改善 50 倍，你能做些什么？ Diana：在座大约 6000 人，他们脑子里关于 AI 的哪个假设，其实已经是错的了？ Jeff：我想可能是人们还没有充分意识到，Agent 系统能跑多久的潜力。大家总觉得 Agent 就是跑一个小时、两个小时的临时任务。但事实上，在某些问题领域，配合足够强大的底层模型，你可以让这些 Agent 连续跑上几天甚至几周，真正去解决那些复杂的、长期的问题。这绝不仅仅是“多等一会儿”的区别，而是质变。 Diana：那你实际跑过哪些跑了几个星期的任务？你让 Agent 去解决什么？ Jeff：比如，你可以让 Agent 去实现一个全新版本的软件，用不同的编程语言重写，可能具备更好的安全性或性能特性。它真的能认真地去完成这件事，而且完成得相当靠谱。 TPU 的起源 Diana：大家一直都知道你特别擅长“餐巾纸数学”。有个关于你的故事是，2013 年谷歌的语音识别刚上线时，你做了个估算：如果每个谷歌用户每天用手机对着语音识别系统说三分钟话，整个服务器的规模就得翻倍，那成本高得吓人。于是你构建了一个定制芯片，那就是 TPU 的起源故事。 Jeff：当时的情况是，我们训练的基于深度学习的语音模型，效果开始变得非常好，但计算开销比老的语音系统贵得多，不过它把错误率砍掉了一半。这相当于把语音识别领域 20 年的进步，浓缩在几个月里就实现了，我们只是调整了一下模型、稍微扩大规模、拿到更好的数据。于是我们开始担心：如果语音识别效果大幅提升，人们的使用频率也会大幅上升。 所以那个粗略计算实际上就是关于：如果人们开始更频繁地使用语音识别，用来口述邮件、对着手机说话，会发生什么？算完之后我们发现，当时用 CPU 跑根本撑不住，于是我们造出了 TPU，一种专门为低精度稠密线性代数设计的芯片，而这正是今天几乎所有机器学习算法的核心。 虽然除了算线性代数，它啥也干不了，不能运行 Chrome 和 Word，但这对机器学习推理来说无所谓。几年后这颗芯片问世，能效比同时代的 CPU 和 GPU 高出 30 到 80 倍，延迟也低了 20 到 30 倍。 Diana：你当时肯定没法预料到，TPU 会在后来 Transformer 架构横空出世时变得如此根基性，毕竟 Transformer 是 TPU 发明之后好几年才出现的。 Jeff：这恰恰是我们当初把它做成一个通用线性代数系统的原因。我们知道机器学习算法还在演化，不能过度特化，但又要特化到能获得巨大的性能收益。所以我们做了很大的乘法单元、高速内存、高速互联，后来的 TPU 还能把成百上千颗芯片高效地协同到同一个问题上。就这样一代一代迭代，一直做到今天。 Diana：如果有谁想当未来的创始人，应该算一道什么样的“餐巾纸数学”，才能造出像 TPU 一样有影响力的东西？ Jeff：我觉得，去想想你在思考的领域里看到了什么问题、什么瓶颈，然后问自己：有没有一种非常不同的思考方式，能让解决方案带来一个数量级甚至两个数量级的提升？有时候你只是眯着眼看一个问题，不被“这个问题今天是怎么解决的”锚定住，而是从第一性原理出发去思考你会怎么解决它，你就能冒出一些被人根本没想到的真正的好点子。 AI 时代的“延迟数字”清单 Diana：你多年前写过一份非常著名的清单，叫《每个工程师都应该知道的延迟数字》，里面列了各种系统操作的耗时：缓存未命中要多久、磁盘寻道要多久、一个网络包从加州传到荷兰要多久……这份清单后来成了无数分布式系统工程师的圣经。现在，是时候更新 AI 版的了。 Jeff：如果看今天 AI 系统里什么最重要，你首先得知道加速器上主内存到片上内存、再到乘法单元之间的带宽是多少，你得知道做一次乘法运算要消耗多少能量，你还得知道芯片之间的互联带宽是多少，以及在这个带宽下你能连多少颗芯片。再往大了说，当你需要跟 10000 颗芯片通信而不是 500 颗的时候，网络带宽会衰减到什么程度。这些数字才是真正决定你怎么思考问题的底层约束，它们直接决定了你会用什么样的思路去解决什么样的问题。 Diana：你说过，现在衡量一切的标尺变成了能量。做一次计算或数学运算大概消耗一皮焦耳，但移动数据、做数据 I/O 的能耗是它的 1000 倍。 Jeff：没错。就是从加速器上的 HBM 把数据搬进处理器、让它真正能算得上的那一小段路，能耗就差了三个数量级。 Diana：这个差距其实在悄悄决定哪些产品能做出来、哪些算法路线能走通。既然数据移动这么贵，如果创始人来找你，说自己遇到了“模型问题”，但实际上本质是能源问题或数据 I/O 问题。你怎么分辨这两者？ Jeff：你刚才提到的这个一千倍差异，其实塑造了机器学习里大量的决策。如果没有这一千倍的差距，你根本不需要做 batching。但现实是你必须把很多样本、很多 token 拼在一起处理，才能摊薄数据移动的成本，不是付出一千倍的代价，而是付出“一千倍除以 batch size”的能耗。而对低延迟场景来说，batching 并不友好。所以这些硬件层面的能耗考量，深刻影响着我们构建上层系统时的每一个决策。 Diana：一个很具体的例子就是训练模型的方式，把数据集分批、跑 epoch，很多人以为这是模型问题，但实际上这本质上是个系统的数据 I/O 问题，对吧？ Jeff：对，你必须组装 batch 才能让硬件跑出更高效率。理想情况下你恨不得用 batch size 等于 1 来训练，但那样效率太差了，所以现在大家都用很大的 batch。 Diana：我听说你有个习惯：消失一段时间，然后带着一个绝妙方案回来。那有没有可能你花上几周时间，把 batch size 等于 1 的训练彻底搞定？ Jeff：说实话，我最近更多在想推理这件事。推理是个很有意思的问题，因为你确实想要极低延迟，训练倒不一定需要那么低的延迟，而推理恰恰是 batching 最不好使的领域。核心就是尽量把数据搬运降到最低，然后去想极低精度的运算，也许不需要支持那么多不同种类的精度格式。如果你对需要哪种精度有很好的答案，那就直接把它固化进硬件里，别的都不用管。 Diana：我想起一位著名计算机科学家跟我说过的一个核心类比：整个 AI 过程本质上是一个巨大的压缩问题。因为要让数据有损压缩、再把它恢复出来，你基本上得先真正理解它。 Jeff：对，如果你真正理解数据，就应该能把它压缩得非常好。 Diana：Transformer 架构恰恰就是被验证为特别好用的一种压缩方式。 Jeff：这得归功于我的同事们。 上下文工程是下一个前沿 Diana：过去我们谈 AI 进步，往往就是指模型本身变得更好。但最近几年越来越明显的是，不只是模型规模、参数数量或数据量，而是检索、工具调用、记忆、Agent 工具这些外围能力，这些东西正在汇聚成人们所说的“上下文工程”。 Jeff：模型其实只是整个系统里的一块拼图。你要做的，是构建一个能解决真正有趣问题的完整系统，这个系统需要一个知道怎么用各种工具的模型，知道怎么检索相关信息，也许还保留着过去解决类似问题时检索过的历史信息，然后把这些信息放进模型的上下文里。 上下文工程的美妙之处在于，这些信息对模型来说是极其清晰的。不像训练数据那样，几万亿个 token 搅在一起，融成几千亿参数的浓汤，什么都糊在一起，模型直接看到的上下文，远比那些模糊的训练数据要明确得多。 接下来还要理解有哪些工具可用、哪些工具能帮模型解决当前这个阶段的问题、怎么把一个复杂问题拆解成一系列工具调用、甚至尝试多种路径看看哪条走得通、然后评估效果，这就是复杂 Agent 和多 Agent 系统的编排，它会变得越来越重要。 Diana：怎么才能成为上下文工程的高手？ Jeff：最好的方式就是直接用这些模型、Harness 和工具去解决实际问题。用着用着，你会看到模型在哪些地方失败了。然后你会发现，你往往不需要调整模型参数，那是外部很难做到的事，而是通过写更好的提示词、设计更清晰的上下文，就能让模型表现得更好。 Diana：能不能给我们举个你自己做上下文工程的例子？你写过哪些 skills，或者配过哪些工具，让你的工作流发生了巨大的变化？ Jeff：就拿我和 Sanjay 几周前一起做的事来说吧，我们经常要做一些非常底层库的性能优化工作。Google 内部有一套微基准测试库，你可以用它来测量不同操作耗时多久，比如从数据结构里弹出一个元素需要多少纳秒。这些数据结构可能跑在 Google 数百万个进程上，所以确保它们的高性能其实非常重要。 我们写了一个 skill，教模型如何按特定顺序做一系列操作：先跑微基准测试测量当前性能，然后做代码修改，再重新跑基准测试验证改进效果，接着测量缓存占用，然后继续迭代。这样它就能做自我改进，实际上只是我们把作为人类会使用的方法以模型能用的形式给了它。 Diana：也就是说，你们有一个 skill，如果别人拿到了，就能像 Jeff Dean 一样做性能优化？全世界都会疯抢这个东西，对某些人来说它值无限的钱。 Jeff：其实我们几个月前发布了一份文档，叫《Performance Hints》，是 Sanjay 和我写的。那是一份大约 30 页的文档，涵盖了各种性能优化的技巧。已经有人把它做了摘要喂给各种模型，结果发现模型在推理代码性能问题上的能力确实变强了。 Diana：在座各位可能都在构建 Agent，也都见过自己的 Agent 在第 30 步或第 40 步突然跑偏。你觉得今天的瓶颈是什么？是上下文评估器，还是因为这是个开环系统、错误不断累积？ Jeff：我们当然希望 Agent 能长时间运行，因为这样才能解决越来越复杂的问题。但正如你观察到的，它们有时在十次工具交互之后就不工作了。有时候是因为模型在尝试做它缺乏经验的事情，模型一旦偏离训练分布，性能就会像大多数机器学习模型一样急剧下降，离舒适区越远，失败的概率就越高。 有几种应对办法：一是给模型提供 skill 和提示，让它尽量走在熟悉的明亮路径上；二是采用多 Agent 系统，让多个 Agent 尝试不同方案，再用另一个模型或 Agent 去评估哪些方案有前景。这本质上是用推理时计算来搜索可能的解决方案空间，能大幅提升长时运行 Agent 流程的可靠性和性能。 Diana：你们内部是怎么实现这种工作流的？ Jeff：我们有各种 harness，还有一整套 skill。 尤其是在 Google 内部开发环境里，我们写了 skill 让 Agent 学会使用内部工具，代码审查、性能测量、拉取日志文件。这些 skill 让基础模型即使没被训练过我们专有系统的用法，也能通过正确的 skill 定义把活干好。 初创公司如何打败谷歌 Diana：Google 的独特之处在于，你们从处理器到产品全栈协同设计。哪些层是 Google 会持续深耕、不断积累优势的？哪些地方是两三个人的小团队依然能打赢的？ Jeff：显然 Google 和 Gemini 模型以及硬件基础设施，我们追求的是构建能做几乎所有事情的通用模型。但在很多情况下，这意味着我们无法在特定领域投入太多注意力。一个精心设计的界面，搭配一个模型和一组 skill，或者一个不在通用模型体系里的专用模型，反而可能拥有显著优势，因为你可以为真正热爱的领域打造出令人愉悦、高精度、高质量的产品，我觉得这正是两三个人做他们真正兴奋的东西时能获得优势的地方。 通用模型的能力确实在越来越广的范围内变强。所以你必须想清楚：你现在做的东西，是能长期成立的，还是说前沿模型在未来 6 个月或 12 个月内就会做得比你好？又或者是他们两三年内都做不到的事？这个时间窗口的判断，是你决定做什么时最需要权衡的东西。 Diana：那具体怎么判断呢？创始人该怎么推理哪些领域值得做？ Jeff：最重要的事情是选择一件你超级兴奋、想要去构建、并且你认为对世界有用的东西。其次，拿当前最强的通用模型去测试你想做的那个问题域。你先看看现在的模型在这个领域表现如何，如果它们完全做不了，那大概率是个好信号。如果它们已经能做一部分了，但做得不太好，那可能是个危险信号。因为这说明这个能力已经开始出现在模型里了，随着更多训练数据、更大规模的模型，它很可能变得更好。所以你要找的是模型成功率在 0% 或 1% 的领域，而不是 20% 的领域。 Diana：那这些 0% 的领域怎么找？它们是不是本质上就是训练集之外的东西？什么样的问题形态符合这个标准？ Jeff：有时候是因为你做的产品能接触到某种特定类型的数据，而底层通用模型接触不到。比如你做一个帮用户整理个人信息的工具，模型本身没有权限访问用户的个人数据。也可能是一些极其困难的问题，如果你得到了正确的训练数据，你可以训练一个比通用模型更专门的模型，而且你实际上可以以非常经济的方式做到这一点，训练一个针对特定问题的细分模型不需要那么多算力。 Diana：这么看其实有两条路。第一条路有点微妙，你们谷歌的口号是“组织全球的信息”，那个领域基本已经被覆盖了，但“组织个人自己的信息”这个方向还完全开放着。而第二条路，你刚才提到某些领域的专用模型，能具体讲讲是哪些领域吗？ Jeff：你看我同事们在 AlphaFold 上的工作，那是一个专门针对蛋白质折叠的模型，非常成功，真正把那个领域处理得非常好。它不是一个通用模型，而是一个非常专门的模型。在其他领域，比如材料科学、芯片设计，这种思路也能发挥巨大作用，你可以用高度精确但小众的模型，去做今天很难做的事情。 当 Agent 写完所有代码，稀缺技能变成了“品味” Diana：你过去说过，管理一群 Agent 的关键在于写出清晰的设计文档或 Spec。人们如何擅长这个？ Jeff：当你与 Agent 合作时，你越清楚你想要什么，Agent 就会有越多的指导方针和规则，以及它试图完成的目标的概要。而如果你没有指定太多东西，Agent 就不得不推断你的意思。在很多情况下，它可能推断出与你想象不同的东西。所以我们从一开始就告诉计算机科学家，在编写软件之前先明确说明你正在编写的软件试图完成什么。现在，指定你想要什么的重要性上升了。因为以前，你会把它交给一个非常聪明的人，他可能有上下文或者可以问你后续问题。虽然 Agent 有时也能做到这一点，但清晰的 Spec 是个好主意。 举个例子：一个效果非常好的编码 Agent 的用法是，你可以让今天的模型把软件从一种计算机语言翻译成另一种语言，效果非常好，因为在那种情况下你实际上有一个极其详细的 Spec，你有整个软件来说明系统应该做什么。所以如果你有一个 Python 实现的东西，你想要一个 Go 实现，这是当今模型似乎非常擅长的事情。因为它可以拿 Python 中的所有测试，确保它们在 Go 版本中通过，把测试翻译成 Go，比较两个实现之间的行为差异直到没有差异，并且非常高效，因为那个 Spec 太清晰了。 Diana：假设每个人都学会了同时跑几百个 Agent，所有代码都由 Agent 写完了，那什么技能会变得稀缺？ Jeff：我认为是真正出色的品味，知道该让你的 Agent 去解决什么问题，这才是研究问题的核心。 一个研究者可以拥有所有工具和技术，但大部分战斗在于：你要把时间花在哪个问题上？如果你选对了问题并且成功解决了它，那远比你把一个无聊的问题执行得漂漂亮亮要好得多。这种“该做什么”的高层智慧，我认为极其重要，而模型不太可能在这方面变得很擅长。所以，未来会是人来掌舵大量的 AI 辅助计算，去完成伟大的事情。但“你希望你的模型做什么”这个本质，才是你真正应该专注的事情。 Diana：在这个 Agent 编程的时代，品味这个词被频繁提及。但它听起来太玄学了，怎么把它变得具体？怎么培养品味？ Jeff：这确实是个难题，品味在很多情况下没有一个可衡量的客观标准。我觉得一部分来自经验，过去解决过大量不同的问题，会教会你什么样的问题在未来可能有趣，或者什么样的事情通过拼接之前的方法可能刚好能实现。另一个方法是：写下你觉得未来 12 个月可能重要的一堆事情。也许你挑了其中一个去做，但 12 个月后回来评估：其他那些事情里，哪些真的变得重要了？哪些被世界上其他人做出来了？哪些还没有人碰？这能为你自己的品味培养提供大量样本。 Diana：我觉得还有第三种方式，我们之前聊到的，做非常疯狂的思想实验。 Jeff：哦对，那是另一个好方法。有时候，不要把所有大多数人视为理所当然的事情当作理所当然。比如我前几天跟同事们做了一个疯狂的思想实验：60 年来，整个硅芯片设计和制造行业做了大量工作，把晶体管做得越来越小、错误率越来越低。因为我们的假设是，每一颗制造的芯片都应该和另一颗完全一致，你不希望任何 bit 翻转。但在宏观尺度上，我们构建大规模分布式系统时并不做这个假设，我们用不可靠的部件构建可靠的分布式文件系统。单个磁盘可能坏，但你的数据应该是安全的。那么一个有趣的思想实验是：如果你试图用每天可能出 20 次错的晶体管来构建系统，而不是每一百万年才出一次错，会发生什么？ 那会是一个非常不同的设计点，可能会在制造端带来非常有趣的可能性。 Diana：太疯狂了，这开始跟神经形态计算或者人脑的工作方式产生共鸣了。 Jeff：完全正确。大脑中的信号从一个地方传到另一个地方并不是特别可靠。所以在大脑里，当有真正重要的信息需要传递时，会有多条通路来确保信息能到达。 Diana：有没有一个你抛弃的疯狂假设，最终真的构建出了一个有影响力的系统？ Jeff：TPU 就是一个好例子，在一个问题领域看起来还没有今天这么重要的时候，就为它专门定制硬件。 MapReduce 的起源是另一个好例子。我和 Sanjay 以及一些同事之前写过很多手写并行化的代码，做了大量 checkpoint 来确保在几百台或几千台机器上运行时足够健壮。但那些代码往往和你要做的简单事情混在一起，比如“我想看看所有网页的内容，然后计算 URL 到页面语言的映射”，却被大量并行化和可靠性代码淹没了。我们想起了函数式编程的训练，意识到可以眯着眼看这些问题，抽象出 MapReduce 这个抽象层，把 checkpoint 和可靠性机制都放到底层库里，所有东西都构建在它之上。 所以，从那个“如果我们眯着眼看，能不能找到大量适合这个抽象的问题”的思想实验里，诞生了 MapReduce。 用 AI 构建更好的 AI Diana：现在 AlphaChip 在布局芯片，AlphaEvolve 在提出解决方案、评估并保留有效的方案，看起来你正在构建一套能够自我复合的系统——AI 在构建 AI。 Jeff：更广泛地说，这其实是科学方法的基础：提出实验、实现实验、评估实验、获得结果。现在有越来越多的问题域，可以不只是跑几个实验，而是跑大量实验，因为你能够自动化这个循环，让循环的延迟变得极低，这会让我们能够处理科学、工程、机器学习、模型设计本身，以及芯片设计等工程任务中的大量不同问题域。如果你能自动化这些，并且有一个编排框架，能把高层目标分解成子问题，每个子问题都是自动化的探索循环，然后编排框架再把子问题的解决方案整合成整体方案，这将产生巨大的影响，会加速机器学习、加速科学、加速工程。 Diana：听起来很多领域，只要有好的评估器，或者能被形式化验证的领域，都适合 AI 自我改进。 Jeff：对，很多时候你的评估器需要变得更快。举个例子，我的同事们大约十年前在量子化学领域做了一些工作，你想了解某个分子的性质，可以生成一个分子构型，然后想知道它有什么性质，你可以跑一个计算量非常大的密度泛函理论模拟器，那可能需要一整晚的计算才能给出一个答案。 但我的同事们做的是：拿大量模拟运行的输出，输入的分子构型和昂贵模拟器的输出，然后训练一个神经近似器来替代模拟器。他们做出了一个比原模拟器快 30 万倍、精度几乎一样的验证设备。 这完全改变了你做科学的方式，你可以在吃午饭的时间里筛选 1000 万个候选，而不是花六个月去凑够计算资源跑完所有模拟。在很多领域，更快的验证模型，有巨大的空间。 Diana：那你特别期待这个超速科学方法解决哪些领域的问题？ Jeff：显然机器学习本身就是一个。能不能有一个模型，通过跑大量实验来自我改进？今天大型研究团队改进模型的方式是：人们想出一些想法，跑一批小规模实验，看哪些有效，然后把最有希望的放大规模，评估，整合成新的配方。 但没有任何真正的障碍阻止这变成一个更自动化的循环，模型自己决定探索什么，或者在高层次上由人轻轻推一下“为什么不试试包含这个的模型架构新想法”，然后它就跑大量实验，看哪些有效，以更快的速度整合。本质上，你要优化的是每单位计算输入的发现数量。 Diana：2014 年你和 Geoff Hinton、Oriol Vinyals 写了一篇关于蒸馏的论文，即用一个大模型训练一个更小、更高效的模型，现在这已经成为行业里每个人都在用的技巧，但这篇论文被 NeurIPS 拒了。 Jeff：对。我不怪程序委员会，因为很多时候一篇论文收到三份评审意见，有人看了一眼说“不太可能产生重大影响”。但当我们写这篇论文时，我们看到了这是一个超级重要的问题，因为我们知道从更大规模的模型做出更便宜、能力更强的模型，是我们迫切想做的事情，我们想在语音、视觉等许多领域，把模型服务给越来越多的人。 但有时候评审者可能没有那样的经验，他们可能不是在考虑大规模 AI 服务，而是在想“这是一个根本性的进展吗？”所以偶尔被拒也没关系。我们把它放上 arXiv，人们读它、用它，一切都好。 我们确实在用蒸馏技术做我们的 flash 模型，从更大规模的 pro 模型蒸馏出来，这就是为什么我们的 Gemini flash 模型在同等规模和速度下如此有竞争力。 Diana：你 1999 年加入 Google 时，它还只是个 20 人的初创公司。如果把年轻的 Jeff Dean 从那时传送到现在，以你的技能，你会怎么做？你会加入前沿实验室，还是创办一家公司？ Jeff：对我来说，最重要的问题是：你要做的这件事，是你真正在意的吗？如果你能和一群你喜欢共事的同事一起取得进展，这件事能以某种积极的方式改变世界吗？你应该努力的是：对世界产生积极的影响，和你喜欢的人一起工作，努力工作、做到最好。 至于加入前沿实验室还是创办一家两三个人的小公司，那是不同的体验。 在大机构里，有大量出色的同事，有大量有趣的问题，而且你已经有了一个平台可以让你的工作影响世界上很多人。 而作为一个小型初创公司，你必须有你充满热情的东西，而且承担这个特定问题的风险很大，但这也可以是非常有回报的。 无论你走哪条路，问自己：如果我解决这个问题，最好的结果发生了，世界会变得好很多吗？还是世界会说“哦，挺酷的，但无所谓”，这就不值得你花时间。 Diana：你一直是很多工程师的导师和管理者，也构建了庞大的系统。怎么和聪明人合作、怎么找到聪明人，有什么经验？ Jeff：你总是想找到在你需要的领域有真正出色技能的人，但你也想找到你乐于与之相处的人，因为你会花大量时间和他们一起解决非常困难的问题。你想要低自我、有团队精神、技能与你互补的人。 我总是觉得，在一个小团队里，别人知道我不知道的东西，而我也有一些别人不具备的技能，这超级有趣，因为你们在共同构建一个你们任何一个人都无法独立完成的东西。在这个过程中，你实际上获得了大量新知识、新技能，他们也一样。 你应该把自己的工程或研究职业生涯看作一条装满技术的工具带，你总想往上面加新工具，因为你永远不知道什么时候会遇到一个问题，添加更多工具使得你未来遇到的问题更有可能被你解决。 Diana：我相当确定在座有人最终会构建出像你做的 MapReduce、TPU、蒸馏等一样有影响力的东西，你希望他们在研究什么问题？ Jeff：我特别兴奋的是硬件的新方法，或者更高效的推理硬件。我认为可能有根本不同的机器学习算法，比我们今天用的方法数据效率高得多。今天的模型，它们看到的数据量可能是一个 18 岁的人能看到的一千倍。但一个 18 岁的人，在很多事情上比那些看到了更多数据的前沿模型持平甚至更好。 所以你能不能想出更数据高效的系统，能从自己的行为中持续学习？持续学习是一个非常有趣的方向，多 Agent 交互也很有趣。创造让人们更好地对话的方式，帮助世界各地的人们根据兴趣认识彼此，这些都可能很有意思。世界上有很多酷的事情，我们都应该去努力让更酷的事情发生。

向来在供应链上予取予求的苹果，这次也碰壁了。 据韩媒 Digital Daily 报道，苹果此前试图与长鑫商谈更低的内存部件价格，却遭到了长鑫的回绝。面对压价要求，长鑫给出了不低于三星和海力士的报价。 赋予长鑫谈判底气的，自然是供需关系的严重失衡。 手机、主机、游戏机，目之所及，举凡需要用到存储芯片的产品，都在眼下这场迁延日久、且至少将维持到 2028 年的存储涨价大潮中被波及。 内存，这个曾经的「白菜价」零部件，如今却价比黄金。 但这波涨价潮，也给了几家头部存储厂商一项超能力：有钱。 于是，丰厚的现金储备纷纷砸向研发，过去一周，存储行业几乎每天都有新技术发布—— 谁能提前锁定新的行业标准，谁就是未来十年的大赢家。 一场新内存战争打响了。 三星：更快、更强、更贵 昨天，三星在圣克拉拉举办的未来内存与存储大会（Future of Memory and Storage, FMS）上一口气拿出了近 30 款存储技术更新。 率先端上来的是下一代 NAND 闪存芯片 V10 BV-NAND。 作为存储厂商通过 3D 堆叠存储单元增加容量的最新「叠叠乐」成果，用上了「晶圆键合」技术的 V10 BV-NAND 堆叠层数直抵 400+ 层，远超当前量产的 V9 版本的 286 层。理所当然地，内存密度也提升了 58%，并在 I/O 性能上有所突破。 简言之，「同等体积内提供更大容量」的闪存发展定律目前仍然有效。只不过更复杂的工艺，也许会成为下一轮涨价的理由。 在 AI 服务器专用的下一代 HBM 内存发展思路上，三星则与华为的「韬定律」殊途同归——既然晶圆生产不可能瞬间提上来，那提升性能的最佳方式只能是在设计上动脑筋，尽可能地降低时延，发挥出目前被数据搬运耗时拖累的计算性能。 由此诞生的产物，便是最新的概念模型：zHBM。 虽说前面的 z 让整个名字开始长得像验证码，但它的含义倒是很好理解——z 代表 zero-distance（零距离）。 传统的 HBM 和处理器有点像基板上相邻的高楼和厂房，数据从高楼（HBM）搬到处理工厂（处理器）还要走一段路，这段距离消耗的时间都是实打实的性能浪费。 于是，zHBM 把垂直空间发挥到极致，直接将 HBM 堆叠到处理器上方。跑一层楼，数据就能直抵处理器，从而最大限度地降低时延。 结合刚刚说过的晶圆键合技术和下一代接口，三星预期 zHBM 的性能大约是 HBM5 的 8 倍，存储密度超过 HBM5 10 倍以上，能效提升 3 倍，热阻降低过半。用今天的眼光看来，堪称是科幻级的产品。 当然，离处理器很近的 zHBM 离我们还很远，三星或许需要五年以上的时间来解决垂直堆叠带来的散热问题。 在那之前，还隔着即将量产的 HBM4E 和 HBM5，而业界预期 HBM4E 的价格将会是 HBM4 的两倍，更别说 HBM4 本身的价格也很可能从今年下半年的 2 美元/Gb 上涨到明年的 4~5 美元/Gb。 朋友们，「内存是最好的理财产品」这句话还是太权威了。 作为存储涨价大潮最直接的受益者之一，三星绝对不希望打价格战，而是打算走「高端精品」路线，依靠先进技术制定行业标准，将自己打造成「内存界的爱马仕」。 闪迪 & SK 海力士：HBM「平替」也是好生意 另一厢，目前的 HBM 龙头 SK 海力士还没有发布像 zHBM 这样的概念性前瞻产品，毕竟根据当前路线图，等海力士循序渐进开发到 HBM5E 也是 2031 年的事了。 这不代表他们没有新动作。就在三星发布会的前一天，海力士联合闪迪共同发布了 HBF（高带宽闪存）的首份技术规范，Google 和 AI 芯片公司 Tenstorrent 也已加入这个标准化联盟。 从签署合作备忘录到规范落地，HBF 只用了六个月。 与 HBM（高带宽内存）相对，一字之差的 HBF 目标就是成为「闪存版 HBM」，即运用相对更廉价的堆叠式高带宽闪存代替内存，来补足「HBM 太贵、SSD 太慢」的需求缺口。 当然，如果 HBM 足够便宜，完全使用 HBM 才是最佳方案；但眼看着内存价格突破天际，数据中心也不得不曲线救国。 要知道，主流的 12 层 36GB HBM 模组的价格已经喊到了 300—500 美元一颗，而你可以用相近的成本堆叠出高达 512GB 的 HBF 模组，容量是 HBM 的十多倍。 但 HBF 不完全是 HBM 的「平替」，因为二者的延迟速度差了两个数量级，像 AI 模型推理过程中高频访问的 KV Cache 等热数据，还是只能放在 HBM。 HBF 瞄准的更多是一个此前缺乏合适解决方案的中间层市场，亦即构建出一个类似当前 CPU 多级缓存的分层存储方案，只让 HBM 负责读写变化最频繁的数据，模型权重与上下文历史等相对稳定的数据则挪到 HBF，用分工提升系统整体效率。 HBM 的光芒，可能让很多人忘记了海力士本身就是全球第二大 NAND 厂商。HBF 一旦落地，海力士在全球存储版图中的制霸将更加稳固。 不仅要做得更高，还要做得更广，这就是海力士的战略意图所在。 有人可能要问，HBF 能让内存降价吗？ 答案可能比单纯的「不能」更糟糕。 先不说远水救不了近火——HBF 至少要到 2028 年才能投入商业化应用——哪怕它确实替代了部分服务器的 HBM 需求，省出来的资源也会被 AI 参数规模与上下文窗口的扩张瞬间吞噬。 在整体需求远远未看到天花板的情况下，新技术也不能改变内存紧缺的现状，反倒是支持多达 20 层 NAND 堆叠的 HBF 会大幅提升数据中心对 NAND 闪存的需求——是的，固态硬盘也要大涨价了。 长鑫：国产内存「拯救世界」 就在这个当口，供应链传出消息：长鑫存储的 LPDDR6 内存已经进入送样阶段，有望于今年下半年实现量产。 如果消息属实，长鑫科技就不再是落后一两代的追赶者，而是有能力与三星、SK 海力士一道生产符合最新标准的内存。 更重要的是，消费者真的能买到长鑫的产品。 前几天，《日经亚洲》获悉惠普、宏碁和华硕等 PC 大厂已经在今年先后完成了对长鑫 DRAM 内存的认证流程，开始少量采购长鑫内存。 结合早前苹果公司游说美国政府希望放行使用长鑫存储芯片的新闻，我们大可以这样认为： 作为追赶者，长鑫的产能不会被 HBM 等高端业务锁定，已经形成业务的都是 DRAM 内存，这反倒给了长鑫一个难得的历史机遇——争夺被「御三家」抛弃的消费端市场。 在这个数据中心商用产品严重挤占普通 DDR、LPDDR 内存产能的时代，「买得到」比性能本身更重要。 哪怕长鑫的主流产品仍落后于一线梯队，但对于被内存风暴撕扯得无处安身的消费电子厂商而言，任何形式的供给都可算是久旱逢甘霖。 消费端的迫切，还产生了奇特的利润倒挂。今年 3 月的财报电话会议上，美光管理层承认，传统 DRAM 产品的边际利润率甚至超越了 HBM 内存。 因为商业合同至少会将报价锁定几个月，而消费 DRAM 几乎一天一个价的涨幅，会实时反映到利润率之上。 长鑫也确实在全力应对这一需求。 据估算，到 2026 年底，长鑫的 12 寸 DRAM 晶圆月产能将达到 35 万片，已经相当接近美光每月 37.5 万片的数字。 只可惜，对于已经陷入挤兑的内存市场，任何形式的增产都很难单方面改变市场走势。 这里面的逻辑在于：任何预期到内存价格仍将继续走高的厂商，都会为了保障供应而尽可能地扩大库存，进而加剧内存短缺，于是便再次巩固了内存价格将继续飞涨的共识。 过往经验告诉我们，一旦社会陷入到这种循环，哪怕是便宜、量大的食盐和卫生纸都可能出现短缺，更何况是昂贵的内存芯片？ 所以，哪怕长鑫的崛起能「拯救」消费端市场，也只能救一点点；在可预测的将来，这轮超级内存周期都看不到终点。 此前半年，消费电子行业还处于一种接近「功能代偿」的状态，即通过消耗库存、停产低端产品、承受更低利润等形式，尽可能避免让内存涨价直接冲击消费市场。 但随着所有缓冲被打破，接下来的秋冬季节，将比此前任何一年都更难熬。 昨天的发布会上，余承东更是直言：所有手机都可能大规模涨价，否则将陷入亏本销售的境地。 「内存战争」打到现在，一个明显的趋势是—— 三星和海力士正在做得更贵、更新，试图将未来十年的存储生态与标准，和自家产品高度捆绑。 另一方面，长鑫存储正在巨头们空出来的消费级内存市场快速发育。 但对于像你我这样的普通消费者而言，唯一能做的，似乎就只有乖乖掏出钱包，成为这场「新内存战争」的见证者。 作者｜彭海星 编辑｜肖钦鹏

机器人前瞻（公众号：robot_pro） 作者 | 刘俐杉 编辑 | 许丽思 机器人前瞻8月6日报道，今日，物理AI基础设施企业飞捷科思宣布完成数亿元A1轮融资。本轮由老股东泰达科投携手海松资本、复旦科创共同领投，毅达资本、优势资本、踊跃资本、汇融基金、财鑫资本、湘江国投作为新增投资方参与投资；云启资本、硅港资本、中赢创投、常垒创投等现有股东继续追加投资。 本轮融资资金将重点投向核心技术迭代、产品规模化落地与产业生态建设。 今年5月，飞捷科思宣布完成数亿元Pre-A3轮融资，本轮融资由致道资本、云启资本联合领投，东方富海、硅港资本等持续加码跟投，泰达基金、常垒创投、长石资本、磐谷创投、中赢创投等多家投资机构联合参与。 飞捷科思创立于2024年8月，该公司致力于打造以新一代通用物理仿真引擎、具身智能仿真训练平台，以及全模态物理AI基础模型与新一代物理世界模型为核心的全栈物理AI支撑技术体系。 该公司创始人为复旦大学智能机器人与先进制造创新学院副院长、智能机器人研究院常务副院长张立华教授。张立华本硕博均毕业于清华大学，本科就读于自动控制专业，研究生和博士阶段均专攻控制理论与控制工程，曾任英伟达PhysX物理引擎研发团队负责人。 ▲ 飞捷科思创始人张立华（图源：飞捷科思） 该公司联合创始人兼CTO杨鼎康，复旦大学博士，香港中文大学MMLab博士后，聚焦于物理AI与具身智能、多模态/全模态感知与交互研究，曾任字节跳动视觉语言基础模型算法研究员，入选华为天才少年等顶尖人才计划。 该公司核心团队成员均来自清北复交等顶尖高校，深耕物理仿真、具身智能、多模态大模型等领域，兼具深厚技术积淀与产业落地经验。 今年7月，飞捷科思开源了Fysiverse-3D管线，即系统以一张RGB图像和少量用户提示为输入，可实现物体及其关系的自动理解，并恢复出多个可独立编辑的三维对象与场景布局，再通过视觉对齐、接触校正和重力稳定化，最终输出可以继续进入物理仿真、交互系统和机器人任务的仿真就绪场景。 具体而言，这一过程可拆解为以下几个步骤。 首先系统需要能够看懂场景，将图像中的独立物体进行分割，为每个对象建立贯穿分割、三维生成和物理仿真的一致身份，随后识别物体类别、用途和空间关系，构建场景语义关系图。 其次，Fysiverse-3D为每个对象生成独立三维模型，并同步估计其在场景中的位置、朝向和尺度比例。系统输出具有基本空间结构的完整初始场景。 之后，系统会从输入图像对应的视角重新渲染生成场景，并将物体轮廓、中心位置和投影面积与原图进行比较。优化校正相机与整体场景的视角关系，再逐个调整物体的位置、姿态和尺度。 但视觉一致并不代表三维接触关系正确，之后仍需进行校正。系统在检测穿插与间隙时，对于“放置在上方”“安装于表面”等支撑关系，优先沿合理方向调整，使上方对象落到支撑面，而对于语义上不应接触的对象，则需要在确认真实穿插后进行分离。 完成视觉与接触校正后，场景被放入物理引擎并施加重力。悬空对象自然下落，轻微接触偏差得到调整，系统同时观察是否出现明显倾倒、滑移或坍塌。最终输出的是在基础碰撞与重力条件下能够保持稳定的场景状态，而不是只在某一视角下成立的静态画面。 ▲ 物理稳定化的多资产自然下落（图源：飞捷科思） 对于世界模型，飞捷科思CTO杨鼎康提到，下一代世界模型的竞争，一定是将画面质量的竞争进一步走向世界状态与因果推演能力的竞争。 飞捷科思以Fysics可微分物理引擎为底座，针对当前数据驱动的世界模型普遍面临的“物理幻觉、推理失效、非标场景崩坏”等问题，打造了遵循真实世界物理规律的物理世界模型Fysiverse。 Fysiverse提出了一条“显式物理模拟器×生成式渲染器”的系统路径，以可计算的物理状态作为中间层，以可微分物理引擎作为世界演化机制，以渲染器作为视觉表达层。它将世界模型的计算链路重构为“观测—状态—物理演化—视觉呈现”。 ▲ Fysiverse路线图（图源：飞捷科思） Fysiverse首先解决的是“世界状态从哪里来”。系统针对场景观测进行解耦，分离前景物体与背景上下文，恢复物体的三维几何，并补全可用于接触、遮挡和碰撞计算的空间结构。原本停留在二维画面中的各种球体、积木，由此被还原为一个能够参与物理计算的三维场景。 完成世界状态重建后，Fysiverse依托飞捷科思自研的Fysics可微分物理引擎，对场景中的运动与交互进行显式推演。通过统一物理求解框架，Fysics覆盖刚体、软体、流体和颗粒等多种物质形态，并处理它们之间的耦合交互。系统由此能够从小球滚动、积木倒塌等基础运动，延伸至柔性形变、流体飞溅等更复杂的动态过程。 ▲ Fysiverse与前沿世界模型生成结果对比（图源：飞捷科思） 最后，Fysiverse从物理仿真的动态状态中提取几何、运动、遮挡与接触等结构化信息，形成面向视频生成模型的多模态物理条件。生成模型能够在明确的物理推演结果上完成视觉呈现。 在未来规划上，该公司称，本轮融资落地后，飞捷科思将持续深耕全栈自研技术，依托产业联合体整合上下游资源，持续夯实国产物理AI技术底座。

IT之家 8 月 6 日消息，2026 年 8 月 5 日下午，神舟二十一号航天员乘组张陆、武飞、张洪章从太空返回后，在中国航天员科研训练中心首次与媒体和公众正式见面。 其中，航天员张陆从神舟十五号到神舟二十一号两次飞行任务共执行了 7 次出舱活动，刷新了我国航天员个人出舱活动次数纪录。见面会上，张陆坦言，每一次成功出舱，都是千万航天人的默默托举。 张陆表示，譬如大家所熟知的模拟失重水槽，到目前为止我个人已经进行了 40 余次的水下训练，每次训练 5~6 个小时，我们的水下教员都会背着沉重的氧气瓶，就像一株水草悬浮在我们左右，陪伴保护着我们。我们每一次出舱也离不开地面支持团队的全力保障，大家在电视机前能够看到的是每一次出舱太空漫步的精彩画面，看不到的是他们为了出舱反复打磨、反复推演、多次协同，这样才能让一次次出舱圆满成功。 张陆补充道，同样离不开的，还有我们的舱外服。神舟二十号飞船带回了一套功勋舱外服 B，它曾在 4 年的时间里保障了 20 次出舱任务，我个人也在神舟十五号任务时穿着它执行过 4 次出舱。 这一次神舟二十一号任务，我们也迎来了舱外服 E。神舟二十一的第一次出舱，有一项工作就是拍摄神舟二十号飞船舷窗的受损情况。舱外服 E 所配置的高清相机，让我拍下了极为清晰的照片，为地面维修和判读提供了可靠的依据。 IT之家注意到，神舟二十一号航天员乘组于 2025 年 11 月 1 日进驻中国空间站，3 名航天员在轨驻留 210 天，刷新了中国航天员单个乘组在轨驻留最长纪录，期间进行了 3 次出舱活动，完成了神舟二十号飞船返回舱舷窗巡检拍照、空间站空间碎片防护装置安装等任务，开展了多次货物进出舱任务，并在地面科研人员密切配合下，完成了涉及微重力基础物理、空间材料科学、空间生命科学、航天医学、航天技术等领域的大量空间科学实（试）验。 在轨飞行期间，神舟二十一号航天员乘组亲身经历和见证了我国载人航天工程史上首次飞船受空间碎片撞击推迟返回、首次航天员乘组换船返回、首次飞船应急发射等历史时刻，经历和见证了载人航天工程全线天地同心、万众一心开展应急行动的难忘瞬间。

文婷 发自 凹非寺 量子位 | 公众号 QbitAI 哎呦我去，SpaceX真把月球给撞了。🤯 最新消息，SpaceX一段已经在地月空间漂泊了近19个月的猎鹰9号火箭第二级残骸，以5400英里/小时（8700公里/小时）的速度一头撞向月球，引发大量网友吃瓜围观。 评论区里月球保卫派、科研狂喜派和地球担忧派吵成了一团。 有人心痛地骂道：“马斯克破坏地球还不够，还要破坏我们大家的月亮！”； 有科研人士兴奋不已：“这是研究月球的绝佳契机！”； 还有的人默默地爬评论表达担忧：“这对我们地球上的人没影响吧……” 那么火箭残骸到底为什么会撞上月球？ 这场有人愁、有人喜、有人怕的修罗场，究竟该怎么看？ 我们把事情的来龙去脉梳理得一清二楚，还附上了马斯克在财报会上剧透的星舰新进展，速来吃瓜！ 为什么SpaceX火箭会撞到月球？ 其实两天前就预告了。 当地时间8月3日，SpaceX负责NASA科学与龙飞船项目的主管Julianna Scheiman，就在一次新闻发布会上专门解释了整件事情的来龙去脉。 △ 左2:Julianna Scheiman，来源SpaceX官网 这段约重4至5吨的猎鹰9号第二级残骸，来自2025年1月15日的一次发射任务。 当时，SpaceX用它将Firefly Aerospace的Blue Ghost 1和日本ispace的RESILIENCE两台月球着陆器送入奔月轨道。 通常情况下，SpaceX会让猎鹰9号第二级受控离轨，最终在地球大气层中烧毁。 但此次任务几乎耗尽了第二级的推进能力，无法再执行常规的离轨操作。 起初呢，SpaceX采取了另一种处置机动，确保第二级符合相关安全规定，但是这么弄下来，并未将其送入永久稳定的轨道。 于是在此后的一年多里，太阳活动以及地球和月球的引力不断改变着这个火箭残骸的运行轨迹，并最终将它推上了撞月路线。 撞肯定是有争议的。 所以到了撞击当天，SpaceX又做了一次说明。大概就是这么处理“太空垃圾”已经是SpaceX能做到的最负责任的做法了。 当然，也有人关心这次撞击会不会把月球砸出什么大问题？ 天体物理学家Jonathan McDowell的说法是： 这次撞击不会造成严重问题。 但他又提到： 但如果未来，月球上建立起了长期基地，类似的撞击就会成为一个问题，我们不应该让火箭残骸处于这种混乱的轨道上。 翻译一下就是，单次没事，但以后建立月球基地，就多很多垃圾了。 这次撞击会带来什么影响？ 有意思的是，对于这次撞击，也有人“求之不得”； 因为这也是一场天然实验。 天然流星体什么时候撞、从哪撞，往往很难提前知道。但这次不一样，撞击物的来源、质量、速度和轨道都有迹可循。 早在2025年9月，Project Pluto开发者Bill Gray就根据观测数据算出，这段火箭残骸将在2026年8月5日撞上月球。 随着全球多座天文台不断补充数据，他在撞击前将时间进一步收敛至世界协调时8月5日06时35分37.5秒，也就是北京时间14时35分37.5秒前后。（实际时间可能存在数秒误差。） 除了Gray，得州大学奥斯汀分校研究人员William Jo等人则以约2.43公里/秒的预测撞击速度为基础，模拟了火箭残骸撞击月球后，月壤抛射物的运动和可观测性。 这正是科学家们最感兴趣的地方。 美国洛斯阿拉莫斯国家实验室天文学家Benjamin Fernando在论文中表示： 研究团队关注这次撞击，部分原因正是要弄清碎片撞击会给未来宇航员带来多大风险。 此外，研究人员还希望观测撞击闪光、尘埃羽流和新形成的撞击坑，为未来的月震实验以及月面基础设施安全积累数据。 但这场实验也有另一面。 William Jo提醒，撞击抛射物可能传播到敏感科研仪器附近，甚至直接击中设备。 研究此次撞击，也正是为了弄清这类风险究竟有多大。（感兴趣的小伙伴可以看看论文） 不过嘛，更多人关心的还是太空人造垃圾可能会越积越多…… 布法罗大学教授John Crassidis警告： 随着更多航天器进入月球附近，地月空间未来可能逐渐形成新的碎片场。虽然宇航员近期被太空垃圾直接击中的概率仍然很低，但人类完全可以做得更加谨慎。 毕竟宇航员的命也是命啊！ 所以综合看来，科研人们真正高兴的，可能并不是月球被撞得越多越好； 而是既然事故已经发生，那我就多抢救一点数据回来，为后续的研究积累资料，也为未来的宇航员和月球基地摸清风险。 One More Thing SpaceX撞月前夕，SpaceX举行了2026年第二季度财报电话会，这也是SpaceX上市后的首份季度财报。 财报显示，SpaceX当季营收约78亿美元（约合人民币531亿元），同比增长约92%；净亏损为5.41亿美元（约合人民币36.8亿元）。 作为主要现金来源，SpaceX包括卫星在内的连接业务收入同比增长了66%，用户数量翻倍至1200万。 在电话会议上，马斯克进一步畅想：“不排除未来某个时候，星链将承载全球大部分互联网流量的可能性。” 而相比这些财务数字，马斯克在会上剧透的星舰新进展更值得关注。 根据最新试飞数据和对飞船外观的初步检查，马斯克称SpaceX可能已经解决了星舰实现完全、快速复用的最大技术难题之一，也就是可重复使用隔热盾。 不过，这只是马斯克基于现有飞行数据和目视检查作出的判断，具体如何仍需通过后续飞行乃至同一艘飞船的重复使用加以验证。 接下来，SpaceX还准备把回收测试往前再推一步。 马斯克在财报会上表示，如果获得监管部门批准，公司计划在8月底进行下一次星舰试飞，并首次尝试用发射塔机械臂捕获返回的星舰飞船。 SpaceX总裁Gwynne Shotwell则给出了另一张登月时间表： 公司希望在2028年借助星舰将宇航员送上月球。 是的，就在明年，把人用星舰送月球。

IT之家 8 月 6 日消息，美国宇航局（NASA）昨日（8 月 5 日）发布博文，报道称天文学家在分析“新视野号”（New Horizons）探测器 2015 年飞掠冥王星期间拍摄的图像，发现其表面存在液体的证据。 研究显示，液态氮可能正通过 Sputnik Planitia（斯普特尼克平原）北缘裂缝上涌至地表，是冥王星表面近期存在液体流动的首个证据。相关研究于 7 月 31 日发表在《行星科学杂志》上。 IT之家援引博文介绍，Sputnik Planitia 是冥王星上的大型冻结氮冰川，面积超过美国得克萨斯州与俄克拉荷马州总和。 “新视野号”于 2015 年飞掠时拍摄到该区域最北部图像，显示 Sputnik Planitia 上存在地质对流单元。 这些单元之间分布着细窄深色线状特征，以及边界更弥散的深色特征，研究人员认为这些形态可能指向历史上的液体流动。 图源：美国宇航局 研究人员还将 Sputnik Planitia 北部地表纹理与地球冰川特征对比，表示相关纹理变暗的方式类似地球冰川被降雨润湿，或地下液体涌至地表后形成的现象。 “新视野号”首席研究员、论文第一作者 Alan Stern 表示，这个证据在暗示冥王星表面近期可能存在液体外，还表明该星体上可能存在随时间变化的地貌特征。

哈萨比斯 凤凰网科技讯 北京时间8月6日，美国新闻网站Semafor披露了谷歌AI人事地震的背后内幕。据两位熟悉戴密斯·哈萨比斯(Demis Hassabis)想法的人士透露，他卸任DeepMind CEO的想法至少已经酝酿了一年时间。 当地时间周三，谷歌AI业务迎来重大人事调整。诺贝尔奖得主、谷歌旗下AI实验室DeepMind CEO哈萨比斯卸任CEO，转任该部门董事长兼Alphabet首席科学家。曾任DeepMind首席技术官的科雷·卡武克丘奥卢(Koray Kavukcuoglu)将接手该部门，向谷歌CEO桑达尔·皮查伊(Sundar Pichai)汇报。同时，谷歌首席科学家杰夫·迪恩(Jeff Dean)与其他三名公司资深员工离职创业。 早就开始卸任职责 据知情人士透露，哈萨比斯此前已在逐步卸掉公司Gemini AI模型和消费级AI战略的日常管理职责，将这些工作越来越多地移交给公司首席AI架构师卡武克丘奥卢。哈萨比斯在2010年创建了DeepMind，并在2014年将其出售给了谷歌。 知情人士称，哈萨比斯并非被迫卸任。相反，他发现自己很难从担任科技公司高管这一角色中获得满足，他更希望成为一名具有远见的科学家。 哈萨比斯曾于2024年获得诺贝尔奖。最近，他在谈到从DeepMind分拆出来的生物技术公司Isomorphic Labs时表现的最为兴奋，他本人也负责运营这家公司。他真正的热情在于利用AI解决科学难题，例如治愈疾病、发现新材料，以及确保AI不会意外地给人类带来灾难性伤害。 但是，哈萨比斯的卸任恰逢谷歌首席科学家杰夫·迪恩(Jeff Dean)离职，导致谷歌股价周三下跌4%，并引发市场对该公司在快速发展的AI竞赛中所处地位的质疑。谷歌AI模型在编程能力方面大约落后前沿水平六个月，而目前大部分算力资源正被消耗在这一领域。 根据谷歌在7月22日发布的最新财报，该公司营收增长24%，达到1200亿美元，云业务营收增长82%。但其资本支出与几乎所有大型科技公司一样，处于历史高位，并导致其自由现金流自2004年上市以来首次转为负值。 据谷歌一位高管透露，公司内部的感觉是，此次管理层变动将有助于加速AI的发展，而非阻碍它。虽然哈萨比斯已经成为谷歌AI业务的代表人物，但他并未将重点放在与公司在AI竞争中的地位最密切相关的业务部分。 迪恩离职创业 对于迪恩的离职，知情人士表示，迪恩在过去二十多年里一直是谷歌底层技术的重要贡献者，他的离开让公司内部许多人感到惋惜，包括谷歌CEO皮查伊。但与哈萨比斯不同的是，迪恩的直接下属很少，也并未负责某个重大业务部门。 “我们正处于一个充满变革的时刻，前方有如此多的机遇，”皮查伊在谷歌官方博客中写道，“通过今天的调整，我们将继续保持我们的发展势头。” 哈萨比斯离开DeepMind也重新引发了一个困扰谷歌一整年的问题：它还能招募到顶尖AI人才吗？最近，与哈萨比斯共同获得诺贝尔奖的约翰·朱姆珀(John Jumper)离开谷歌，加入了Anthropic。此次领导层变动可能会引发更多离职，因为像这样的结构性调整往往会产生连锁反应。 不关心产品竞争 据Semafor编辑透露，自ChatGPT引爆AI热潮以来，他曾多次采访过哈萨比斯。最近一次与他的交流是在6月，当时明显感觉到有些东西已经变了。 谷歌当时已经重新调整了公司架构，以加快AI产品的部署速度，其中一些产品已经取得了巨大成功，例如笔记本和AI研究公司Notebook LM。Gemini是消费端唯一能与OpenAI抗衡的聊天机器人，并且正在逐步缩小差距。 但是，哈萨比斯似乎对谈论这些东西毫无兴趣。正如今天有人对Semafor编辑说的那样，哈萨比斯今后会快乐得多，而且在这个过程中很可能还会再拿一个诺贝尔奖。 凭借其算力(得益于自主研发的TPU)、庞大的现有消费者用户群，以及对全球最受欢迎移动操作系统的掌控，谷歌仍然可能是最有实力赢得消费者AI竞争的公司。当然，这引出了一个问题：为什么它还没有打造出某种秒杀所有人的AI超级应用？然而，这种批评的前提假设是，世界的变化速度比实际要快。近年来，AI能力确实已经发展到了惊人的水平。但在全球经济和全球范围内，AI的采用率仍然微乎其微。 这在一定程度上是因为AI数据中心还不够多，而且成本仍然过高。更多的算力将提升AI能力，并降低谷歌推出相关服务的风险，因为目前一些服务可能会出现令人尴尬且代价高昂的故障。 谷歌不能松懈，它正面临着比其早期创业以来更为激烈的竞争压力。这场竞赛远未结束，而DeepMind依然底蕴深厚、后劲十足。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

　　日本政府5日召开临时内阁会议，通过食品消费税减税政策，决定自2027年4月起拟将税率由现行的百分之八下调至百分之一，政策有效期2年。今年以来，高市政府不断妄图突破“无核三原则”。7月，日本防卫大臣小泉进次郎公开提出，日本应毫无禁忌地讨论与核武器相关的政策。 　　一直以来，高市早苗政府动作频频。一方面，日本政府借减税谋求长期执政引发国内担忧；另一方面，日本首相高市早苗有关“无核三原则”的表态含糊其词，也引发日本国内的抗议呼声。高市早苗支持率持续承压，将如何影响日本的发展方向？  　　复旦大学日本研究中心副研究员 王广涛：高市早苗自执政以来，政策重心一直在外交、军事、安全等领域，反而忽略了对国内经济社会等民生政策领域的关注。这一轮日本国内社会对涉及外交安全政策，特别是对“无核三原则”的讨论也反映出，民众希望高市内阁不要把过多的精力放在外交和军事安全领域，应该更多地着眼于经济社会等民生领域。 　　复旦大学日本研究中心副研究员 王广涛：这一次消费税下调能够看出：第一，高市早苗试图通过这个政策挽救自身支持率；第二，高市早苗意识到在外交和内政平衡问题上，日本走偏了。高市政府想要重新回到对经济社会政策领域，践行对老百姓、选民的承诺。这两件事关联起来能够看出，民众更希望高市内阁把更多精力放在经济社会领域，而不是外交和安全领域。倘若在外交和安全领域继续坚持修正主义的动向，同时在国内经济社会政策领域的政策又没有得到民众的认可，这样无论在内政还是外交领域，都会失去民众的支持，进而影响高市内阁执政的稳定性。

　　中国人工智能（AI）大模型正以开源、低价、低能耗、可自主部署的姿态走向全球。这一趋势引发国际舆论的广泛关注。《纽约时报》8月5日刊文称，在非洲科技中心，开发者们更倾向于选择中国的人工智能模型。 《纽约时报》网站报道截图 　　文章说，当前中国AI产业正蓬勃发展，尤其是在广大发展中国家的落地势头更为突出。这些市场的核心诉求十分明确：寻找成本可控、体验稳定的实用技术方案。与美国头部AI企业OpenAI、Anthropic等推出的闭源付费模型形成鲜明对比，中国主流AI模型普遍采用完全公开的开源模式，用户无需支付费用、无需提前申请授权，即可直接下载并根据自身需求进行二次修改。 　　文章称，在肯尼亚、乌干达以及其他非洲多国进行的采访中，记者发现当地开发者、政策制定者与企业高管共同勾勒出一个快速迭代的AI市场图景：在这里，使用成本、算力资源门槛、数据自主可控性以及本地化定制适配能力，远比一款AI模型的研发产地更受重视。绝大多数从业者并不盲目追求最前沿的尖端AI技术，他们的核心需求十分务实——只需要一款能在有限硬件资源条件下，稳定流畅运行的实用产品。 　　乌干达米亚纳地区的咖啡种植者穆甘齐先生使用 Sunflower 语言大模型来与其他人沟通有关作物状况和农场管理的信息。Sunflower 正是基于中国的开源人工智能模型Qwen3（千问3）构建的。 　　不少受访者比喻说，使用中国AI模型就像拥有一套完全属于自己的房子，开发者无需投入数百万美元的巨额成本从零训练基础模型，只需下载一套成熟的中国开源AI系统，就能在此基础之上搭建完全自主的全新产品，后续成本几乎仅来自服务器硬件支出。而使用美国闭源模型则更像是长期租房，因为这些模型大多是标准化的通用技术，用户需要根据不同使用场景持续支付订阅费及各类附加服务费用，长期使用成本也居高不下。 《纽约时报》网站报道截图 　　此外，在落地推广过程中，中国企业也在持续加强对本地化的支持：为非洲AI开发者提供免费算力额度，手把手地进行工程技术指导，帮助本地团队快速上手AI开发。文章说，这份市场认可并非凭空而来，而是扎根于过去二十年间双方积累的深厚技术合作基础。早在此前，中国企业就帮助非洲多国搭建起了覆盖广泛的通信网络，参与修建了大量交通基础设施，深度的技术合作为中国在非洲打下了扎实的用户基础与市场信任，这如今成为中国AI技术落地推广的天然依托。 　　不少非洲AI开发者表示，中国企业真正把非洲团队当作核心服务对象，而美国AI厂商几乎没有在非洲市场布局任何落地服务。 　　来源：总台环球资讯 　　编译：杨卓英 　　签审：游佳 　　监制：邹浩宇

　　当地时间5日，也门胡塞武装表示，该组织当天袭击了两艘沙特油轮。自7月下旬以来，该组织已经袭击多艘沙特油轮，并迫使近30艘沙特油轮返航。也门胡塞武装近期为何频频袭击沙特油轮？沙特又会如何应对？ 红海上的一艘货轮 袭击沙特油轮背后的算计 　　5日，也门胡塞武装就袭击沙特油轮先后两次发表声明。根据声明，该组织当天早些时候“精准”打击了位于红海北部、沙特港口城市延布附近的一艘沙特油轮，5日晚，又“击中”亚丁湾一艘沙特油轮。 　　胡塞武装的声明还说，自7月下旬对沙特实施海上封锁以来，胡塞武装已累计袭击8艘沙特油轮，并在红海和阿拉伯海累计拦截并迫使29艘沙特油轮返航。胡塞武装还称，该组织的行动迫使一些航运公司改道，前往红海北部。该组织今后将升级针对红海北部沙特油轮的军事行动，阻止沙特油轮通过红海北部。 　　胡塞武装近期为何将沙特油轮作为袭击目标？分析认为，直接导火索是7月中旬沙特与胡塞武装围绕萨那机场航班问题爆发的冲突，随后，胡塞武装开始对曼德海峡进行封锁，并袭击沙特油轮。 　　中国现代国际关系研究院中东研究所副所长秦天在接受总台环球资讯《闪评》栏目采访时表示，这背后，还有胡塞武装精明的算计： 　　首先，是要壮大胡塞武装的声势，通过实战提高威胁对手、打击对手的能力。这次袭击沙特油轮，胡塞武装能够定向对沙特船只进行有针对性的打击，同时将袭击范围从之前的曼德海峡一带向北，即苏伊士运河的方向扩展，表明胡塞武装能够打击的范围进一步扩大，更说明胡塞武装在中东安全事务中扮演的角色日益增强。 　　其次，胡塞武装的行动造成曼德海峡与霍尔木兹海峡联动的态势，实际上也策应了伊朗。即便现在美伊之间可能在就重新开放霍尔木兹海峡进行谈判，胡塞武装在这个时候继续袭击沙特的船只，实际上也是伊朗与美国谈判的一个筹码。 胡塞武装行动影响几何？ 　　胡塞武装在5日的声明中表示，将扩大对沙特的“封锁”范围，将在驶往苏伊士运河的水域袭击沙特油轮。据《纽约时报》报道，全球油价在连续两天下跌后，5日上涨 1%至每桶80美元。 　　胡塞武装的行动将会带来哪些影响？秦天表示，红海航运和全球能源市场都会因此受到明显影响： 　　胡塞武装7月下旬对沙特实施海上封锁并打击沙特油轮之前，曼德海峡的航运日通行量约为30到50艘。胡塞武装采取行动后，7月底到8月初的几天里，曼德海峡日通行量下降到不足20艘。通行量出现明显大幅下滑。 　　沙特从红海出口的石油和石油产品每天约为500万桶，总量并不是太大。此外，红海有南北两个通道。目前，经过红海从苏伊士运河进入地中海，再绕行好望角的航路仍然存在。因此，沙特出口的500万桶原油可能会损失其中一部分，但不会全部损失。 牵头成立防卫联盟可行吗？ 　　面对胡塞武装的袭击行动，沙特在军事上进行了有限回击，于7月下旬对胡塞武装控制的红海港口城市荷台达的军事目标进行了空袭。秦天认为，这表明沙特并不希望与胡塞武装再次陷入2022年之前那种大规模的持续性较量之中。 　　与此同时，沙特在7月底举行会议，与十几个国家组建“多国海上防卫联盟”，以共同应对红海、曼德海峡和亚丁湾的“海上威胁”，矛头直指也门胡塞武装。 　　沙特国防部发布的照片显示，沙特牵头成立多国海上防卫联盟。 　　多国海上防卫联盟能挡得住也门胡塞武装吗？秦天表示，其前景并不看好： 　　参与多国海上防卫同盟的国家主要是沙特、埃及、土耳其、巴基斯坦、约旦等地区国家，这些国家的海上防卫能力较弱。美国以及西欧大国也没有参与其中。这样一支海上防卫同盟在能力上是有欠缺的。 　　多国海上防卫同盟的行动力也比较差。同盟成立后，并没有组建联合舰队或者采取相应的安全行动。以英法牵头组建的所谓霍尔木兹海峡护航行动作为参照，多国海上防卫同盟也没有能力在红海进行有效的安全护航行动。 阿曼斡旋可能性几何？ 　　此外，据彭博社等外媒报道，沙特寻求通过阿曼作为调解人与胡塞武装进行对话。不过，沙特官方媒体援引消息人士的话对此予以否认。阿曼斡旋沙特和胡塞武装之间冲突的可能性存在吗？ 　　西北大学中东研究所教授王晋在接受总台环球资讯《闪评》栏目采访时表示，对沙特和胡塞武装冲突来说，阿曼的确是一个合适的沟通渠道，但双方的矛盾在短期内很难缓和： 　　阿曼与也门胡塞武装以及伊朗都保持比较密切的关系，与沙特也关系密切。从历史上看，阿曼也充当过沙特和也门胡塞武装之间的沟通渠道，所以阿曼确实能够成为比较合适的沟通渠道。 　　但是，沙特和也门胡塞武装的分歧巨大，存在非常明显的对立态势，冲突方很难在短期内完全放弃不信任感，无法通过一两轮对话就完全消除分歧。 　　即使未来阿曼可能会成为重要的斡旋方，但能否发挥作用，尤其是能不能完全使得当前的冲突结束，还是要打一个大大的问号。 　　未来一段时间，红海地区的通航安全，可能会持续受到威胁和影响。 　　 　　来源：总台环球资讯 　　采访、编辑：董晨啸 　　签审：贾延宁 　　监制：邹浩宇

AI 行业正在经历一场罕见的人事与权力重组。 在谷歌任职 27 年的 Jeff Dean 宣布离职，并与三位核心技术伙伴共同创办新公司 Discovery Loop，专注 AI 驱动的科学研究与工程自动化。 1️⃣DeepMind 突然换帅 几乎同一时间，Google DeepMind 也发生重大调整： 创始人 Demis Hassabis 不再担任 CEO 转任 DeepMind 董事长 + Google 首席科学家 将专注 AGI、基础科学与 Isomorphic Labs DeepMind 日常管理权转交 CTO Koray Kavukcuoglu 外界普遍解读为： Hassabis 从“执行型领导”转向“战略与象征性科学领袖” 2️⃣Jeff Dean + 三位核心科学家集体出走 离开的“梦之队”包括： Jeff Dean：Google 首席科学家、Gemini 联合负责人 Oriol Vinyals：DeepMind 研究副总裁 Quoc Le：Google Brain 联合创始人 Sanjay Ghemawat：Google 分布式系统核心奠基人 四人分别覆盖： 大模型（Vinyals） 自动机器学习（Quoc Le） 系统架构（Ghemawat） 全局技术统筹（Jeff Dean） 几乎覆盖 Google AI 的核心能力栈。 3️⃣更早的关键人才流失 在此之前，谷歌已失去多位关键人物： Noam Shazeer（Transformer 早期核心作者，去了 OpenAI） John Jumper（AlphaFold 负责人，去了 Anthropic） 这被视为 Google AI “黄金一代”持续外流的延续。 4️⃣市场反应：市值蒸发约 2000 亿美元 消息公布后：Alphabet 股价一度下跌约 5% 市值蒸发约 2000 亿美元 市场担忧集中在一点：Google AI 核心人才体系正在发生结构性松动 一个更关键的问题 这一系列变化叠加后，一个趋势变得清晰： DeepMind 管理层重组 Jeff Dean 团队创业 顶级研究员持续外流 外界开始重新审视： Google 是否在 AI 竞赛中失去人才优势？ AGI 竞争是否正在从公司转向“个人/小团队”？ 不过本人却认为这并非坏事，这些老资格反而是阻止谷歌 AI 发展的根本原因。对比一下我们国内的 AI 团队，起关键作用的，大多数可能是刚毕的学生。 5️⃣结语 这不仅是人事变动，更像一次行业权力重排： Hassabis 转向战略层 Jeff Dean 离开核心体系 多位顶级科学家持续流动 市场用 2000 亿美元的波动给出判断：AI 的竞争，正在从“模型竞争”，变成“人才竞争”。

　　连日来，伊朗与阿曼就霍尔木兹海峡航运安排的谈判持续释放向好消息。伊朗方面5日称，双方协议已接近最终敲定，届时海峡通航模式将发生重大变化。伊朗副外长加里巴巴迪还强调，霍尔木兹海峡相关安排应仅由伊朗和阿曼协商决定，伊方绝不接受任何外部势力介入。 路透社报道截图 　　如何看待伊朗与阿曼就霍尔木兹海峡通行模式的新安排？ 　　美国会接受伊阿间的谈判共识和安排吗？ 　　总台环球资讯《闪评》邀请中国国际问题研究院助理研究员李子昕为您深度解析。 　　霍尔木兹海峡通行模式重构 伊朗追求最大话语权 　　伊朗副外长加里巴巴迪5日在接受采访时表示，伊朗和阿曼将在霍尔木兹海峡建立一种不同于过去60年的新通行模式。根据新设定的航道，商业船舶进入霍尔木兹海峡以及驶离海峡的部分航程将经过伊朗领海，且新航道为临时性质，预计可使用2至4个月。 　　值得注意的是，路透社5日援引两名地区官员和一名伊朗高级消息人士的话报道称，伊朗与阿曼即将达成的协议，将赋予德黑兰对经霍尔木兹海峡驶入海湾船只的控制权。路透社称，这将是迄今向伊朗作出的最大让步之一。 路透社相关报道截图 　　李子昕认为，尽管当前伊朗与阿曼拟达成的霍尔木兹海峡临时通航协议没有更多的细节披露，但伊朗掌握海峡航运的最终控制权是此次谈判以及相关协议的核心议题。 　　对海峡的控制权是冲突爆发以来伊朗始终坚守且由伊朗最高领袖划定的谈判底线，也是伊朗将海峡作为地缘博弈核心筹码的集中体现。 　　在这种控制权的对外诠释上，伊朗可能会采取灵活的表述方式，但实际执行中绝不会放弃这一根本原则。伊阿最终协议落地后，伊朗预计将在实操层面占据主导地位。 　　目前明确的新航道是在海峡中线附近划定的全新路线，该路线虽与战前部分航道存在重合，但通行秩序将完全区别于战前旧模式。同时，双方将这一安排定义为临时性质，也为后续根据局势变化调整规则预留了政策空间。 　　美伊阿三方暗线沟通 但海峡通航仍存变数 　　伊朗近期多次强调，霍尔木兹海峡相关安排应仅由伊朗和阿曼协商决定，伊方不接受任何外部势力介入。美国在霍尔木兹海峡问题上会接受伊阿间的谈判共识和安排吗？ 　　对此，李子昕认为，美伊阿三方的间接沟通一直都是存在的。如果伊朗和阿曼能够达成一致，那美方对这一谈判结果认可的可能性比较大，但这并不意味着海峡恢复畅通近在咫尺。 　　伊朗在霍尔木兹海峡通行规则谈判中立场明确，坚持仅海峡主权国伊朗与阿曼有权协商相关规则，主张对海峡行使排他性主权管辖，拒绝任何域外国家介入，同时否认与美国开展相关直接谈判，以此对外彰显立场，对内避免被视作在美方压力下签署城下之盟。 　　美方则将恢复海峡通行视作当前最紧迫事务，自认深度参与伊阿谈判，认为最终通行安排必须获得美方认可，且依赖美方解除对伊海上封锁。 　　当前三方实际存在间接沟通，伊阿谈判全程大概率与美方保持信息同步。若二者达成共识，美方认可该结果的可能性较高。 　　但后续美伊在解除海上封锁、落实伊方相关诉求等环节仍难快速达成一致。霍尔木兹海峡能否完全恢复畅通仍存在很大变数。 　　阵营对抗加剧 中东能否靠海峡谈判踩下刹车？ 　　在密集发布与阿曼谈判进展的同时，伊朗连日来也在频频向美国发出警告：若美国对伊朗领土发动任何新一轮袭击，伊朗将对整个海湾地区的关键能源基础设施实施报复性打击；5日，伊朗官员表示，伊拉克、也门和黎巴嫩等“抵抗阵线”力量之间的协调配合，正使美国在地区面临前所未有的压力。 沙特媒体《阿拉伯新闻报》网站相关报道截图 　　伊朗的一系列表态传递出哪些信号？ 　　李子昕认为，伊朗相关表态并非单纯威慑，更是对当前中东局势的客观研判。目前中东地区的阵营对抗和代理人冲突呈现上升趋势，各方应以出现积极迹象的海峡谈判为契机，防止冲突升级。 　　若局势持续失控，区域内国家都将被更深地卷入冲突，各方都将承担难以承受的代价。这也是此前美国多次试图升级军事行动均被地区盟友极力劝阻的核心原因。 　　当前地区各国主观上均不愿深陷地缘博弈，普遍期盼尽早恢复持久和平。正在推进的霍尔木兹海峡通行秩序谈判正是关键契机，有望推动各方重回外交政治轨道，避免冲突再度升级。 　　来源｜总台环球资讯 　　采编｜游佳 　　签审｜杨卓英 　　监制｜邹浩宇

　　治国必先治党，党兴才能国强。“十五五”开局之年，中国共产党迎来成立105周年。以习近平同志为核心的党中央带领全党深入推进新时代党的建设新的伟大工程，百年大党在革命性锻造中更加坚强有力。 　　《时政新闻眼》特刊聚焦习近平总书记今年以来治国理政历程和实践，领略“中国之治”的战略考量。今天带你从开局之年的党建篇章中，读懂百年大党的关键密码。  　　△视频：《新闻联播》系列报道《奋力开创中国式现代化建设新局面——习近平总书记今年以来治国理政纪实》第四集《砥砺初心使命 把党建设得更加坚强有力》 01 　　一场庆祝大会，凝聚奋进力量 　　时序更替，征程向前。当“十五五”的壮阔画卷徐徐铺展，中国共产党迎来105周年华诞。 　　7月1日上午，庆祝中国共产党成立105周年大会在人民大会堂隆重举行。习近平总书记为“七一勋章”获得者一一颁授勋章。在会上受到表彰的，还有“两优一先”代表。 　　△人民大会堂北门外，红毯铺就、红旗飘扬，礼兵列队、少年儿童手持花束迎候“七一勋章”获得者。（总台央视记者胡玮拍摄） 　　初心如磐，使命如炬。一代代功勋党员植根人民、依靠人民、服务人民，以一生坚守践行初心使命，用实干担当诠释忠诚奉献。 　　庆祝大会上，总书记从六个方面总结中国共产党的优秀特质。“这些优秀特质，是中国共产党为什么能的关键密码。我们要结合新的实际，把党的优秀特质不断发扬光大，确保党永远不变质不变色不变味，始终具有强大创造力凝聚力战斗力。” 　　△庆祝中国共产党成立105周年大会现场。（总台央视记者韩锐拍摄） 　　经过105年不懈奋斗，我们党已经发展成拥有超1亿名党员、540多万个基层党组织的世界第一大执政党，成为中国人民和中华民族最可靠的主心骨。 　　“‘功崇惟志，业广惟勤。’实现新时代新征程党的使命任务，要求全体中国共产党人坚定信心、接续奋斗，不断创造无愧于时代和人民的新业绩。” 　　总书记对全体中国共产党人提出“五个必须”的明确要求，向1亿多中国共产党人发出动员令，凝聚起14亿多中国人民团结奋进的磅礴力量。 02 　　一项学习教育，砥砺初心使命 　　10年前，在庆祝中国共产党成立95周年大会上，习近平总书记曾鲜明指出，“党和人民事业发展到什么阶段，党的建设就要推进到什么阶段。这是加强党的建设必须把握的基本规律”。 　　“十五五”时期是基本实现社会主义现代化夯实基础、全面发力的关键时期。我们党如何团结带领全国各族人民实现“十五五”良好开局？ 　　△1月20日，省部级主要领导干部学习贯彻党的二十届四中全会精神专题研讨班在中央党校（国家行政学院）开班。（总台央视记者程铖拍摄） 　　今年1月，总书记在“开年第一课”上指出，顺利完成“十五五”时期目标任务，必须着力提高党领导经济社会发展能力和水平。“党中央决定今年在全党开展树立和践行正确政绩观学习教育，重点要从党性上找差距、挖根源、强修养，动真碰硬解决突出问题。要引导党员干部特别是领导干部坚持为人民出政绩、以实干出政绩。” 　　总书记在相关指示中强调，今年是“十五五”开局之年，地方各级领导班子将陆续换届，通过学习教育推动各级领导班子和领导干部树立和践行正确政绩观，十分重要，很有必要。 　　△春节期间的北京隆福寺街区。（总台央视记者李增仁拍摄） 　　春节假期刚过，树立和践行正确政绩观学习教育在全党开展。 　　“要加强党的领导和党的建设，牢固树立、深入践行正确政绩观，营造风清气正的政治生态”“树立和践行正确政绩观，最终要落到为民造福上”……今年以来，总书记在国内考察和重要会议中多次强调树立和践行正确政绩观，为全党开展学习教育指明方向。 　　△3月23日，习近平总书记到河北雄安新区考察，主持召开深入推进雄安新区高质量建设和发展座谈会。（总台央视记者范凯拍摄） 　　各地区各部门以立党为公、为民造福、科学决策、真抓实干为总要求，以一体推进学查改为抓手，精心组织实施树立和践行正确政绩观学习教育，推动“十五五”开好局、起好步。 03 　　一个永恒课题，久久为功 　　办好中国的事情，关键在党，关键在党要管党、全面从严治党。 　　进入“十五五”，改革发展稳定任务重，矛盾风险挑战多，这对党的自身建设、党的执政能力与领导水平提出了新的更高要求。 　　△1月12日，中国共产党第二十届中央纪律检查委员会第五次全体会议在北京开幕。（总台央视记者程铖拍摄） 　　新年伊始，习近平总书记在二十届中央纪委五次全会上发表重要讲话，强调要以更高标准、更实举措推进全面从严治党，为实现“十五五”时期目标任务提供坚强保障。 　　在庆祝中国共产党成立105周年大会上，总书记对全体中国共产党人坚定信心、接续奋斗提出“五个必须”的明确要求，其中一条是“必须持之以恒推进全面从严治党”。 　　△庆祝中国共产党成立105周年大会现场。（总台央视记者范一鸣拍摄） 　　党的二十届五中全会即将在今年10月召开，一项主要议程是“研究持之以恒推进全面从严治党若干重大问题”。 　　从“更高标准、更实举措”，到“持之以恒”，传递了我们党全面从严治党、推进自我革命的坚定决心和信心。 　　总书记深刻指出，“我们一定要站在事关党长期执政、国家长治久安、人民幸福安康的高度，把全面从严治党作为党的长期战略、永恒课题”。 　　△延安革命纪念馆。（图/视觉中国） 　　全面从严治党，永远在路上。持之以恒，久久为功，不断实现党的自我净化、自我完善、自我革新、自我提高，就能确保党始终成为中国特色社会主义事业的坚强领导核心。 04 　　一个重要思想，指引前进方向 　　这是一个需要理论而且一定能够产生理论的时代，这是一个需要思想而且一定能够产生思想的时代。 　　在习近平总书记掌舵领航下，我们党与时俱进推进党的建设新的伟大工程，在新时代全面从严治党的伟大实践中不断深化对马克思主义执政党建设规律的战略思考。 　　△山东省德州市陵城区边临镇西于架村。（总台记者韩森拍摄） 　　党的十八大以来，以习近平同志为核心的党中央围绕建设什么样的长期执政的马克思主义政党、怎样建设长期执政的马克思主义政党的重大时代课题，提出一系列管党治党、兴党强党新理念新思想新战略，形成习近平党建思想。 　　今年6月，全国党建工作座谈会在京召开，会议对学习贯彻习近平党建思想作出工作部署。在中国共产党成立105周年之际，党中央明确习近平党建思想，正当其时，意义深远。 　　习近平党建思想鲜明提出“十四个坚持”，极大丰富发展了马克思主义建党学说，为在新征程上不断开辟百年大党管党治党、兴党强党新境界提供了根本遵循和行动指南。 　　△中国共产党历史展览馆。（图/视觉中国） 　　新征程上，在习近平党建思想指引下，走过105年奋斗历程的中国共产党，将以更加昂扬的奋斗姿态、更加清醒的历史自觉、更加强烈的使命担当，弘扬伟大建党精神、勇于推进自我革命，团结带领亿万人民继续创造新的时代辉煌。 　　总监制丨申勇 　　监制丨龚雪辉 全宇虹 　　主编丨刘会民 时冉 马立飞 郭晗光 　　主笔丨刘会民 　　记者丨李炜 何盈 薛冠南 范凯 凌枫 闫耀东 张垚 金雨秋 刘颖超 苑竞玮 　　视觉丨陈括 张晶

　　炎炎夏日，空调成为不少人日常离不开的降温好物。然而，长时间待在空调房中，不少人会出现口干鼻塞、颈肩酸痛、头晕乏力等不适症状。 　　想要舒适纳凉又守护身体健康，下面这些空调使用的好习惯，请收好！ 科学使用空调， 你学会了吗？ 　　文案：王成凤 　　专家审核：国家健康科普专家库成员、中国疾病预防控制中心环境与健康相关产品安全所研究员  潘力军 　　策划：王宁

　　△阿根廷外交部长巴勃罗·基尔诺 　　阿根廷外交部长巴勃罗·基尔诺5日说，阿根廷驻巴西大使丹尼尔·雷蒙迪将于近日“回国休假”。 　　此前一天，巴西外交部长召见雷蒙迪，表示巴西政府决定将巴阿外交关系降至代办级，并要求其返回阿根廷。 　　阿根廷与巴西关系近日恶化。阿总统米莱7月25日在巴西自由党于圣保罗举行的全国大会上强烈批评巴西总统卢拉，并抗议巴西联邦最高法院法官阻止其探望服刑中的巴前总统博索纳罗。巴西外交部次日召回驻阿根廷大使，以抗议米莱言行。 　　基尔诺5日在新闻发布会上表示，阿根廷政府愿维持双边关系，不会对巴西政府的举动作出任何外交回应。