行业分类:
加载中...
头条分类:
加载中...
AI已替代65%编码工作,Snap裁员16%、年省5亿美元
编译 | 高远瞩 编辑 | 漠影 智东西4月17日消息,Snap公司4月15日宣布将裁减约1000名员工,占全职员工的16%,同时取消超过300个空缺职位。这家Snapchat母公司正借助人工智能大幅削减成本,成为最新一家以AI为由进行大规模裁员的科技公司。 受此消息影响,Snap股价当日上涨约5.8%,但该股今年迄今已累计下跌约31%。就在几周前,艾瑞尼克资本管理公司(Irenic Capital Management)向Snap施压,要求优化投资组合并提升业绩,该机构持有公司约2.5%的股份。 一、AI生成超65%新代码,年化开支削减5亿美元 Snap首席执行官埃文·斯皮格尔表示,人工智能的进步正在帮助公司简化运营,并以更小的团队运作。目前AI已生成超过65%的新代码,公司将关键工作分配给专注的团队和AI智能体。他预计到今年下半年,公司年化开支将削减超过5亿美元,主要得益于此次裁员以及降低运营成本和股权激励支出的努力。 监管文件显示,截至去年12月,Snap全职员工总数约为5261人。公司预计此次裁员将产生9500万至1.3亿美元的相关费用,主要计入第二季度。 此前几周,持有Snap约2.5%股份的激进投资者艾瑞尼克资本管理公司曾向公司施压,明确要求其剥离或关闭持续烧钱的AR眼镜业务Spectacles。该业务据称已投入超过35亿美元,每年亏损约5亿美元,Snap一直大力投资该部门,并计划今年推出该产品。 AJ贝尔投资总监拉斯·莫尔德表示:“削减成本可能在短期内安抚激进投资者,并让长期受苦的股东得到一些缓解,但这是否真的能让公司留下一个可防御的商业模式和竞争地位,目前仍不清楚。” 二、业绩预期超华尔街,与Perplexity协议仍存变数 Snap预计第一季度营收将增长约12%,达到约15.3亿美元,基本符合华尔街预期。调整后的核心利润预计约为2.33亿美元,高于华尔街预期的1.868亿美元。公司将于5月6日公布季度业绩。 当被问及初步业绩是否包含去年宣布与Perplexity达成的4亿美元协议所产生的收入时,公司拒绝置评。 Snap曾在2月表示,双方“尚未就更大范围推广的路径达成一致”。咨询公司Madison and Wall认为,Snap近几个季度的表现仍逊于竞争对手,且这一趋势不会逆转。 结语:AI裁员潮持续,专家质疑“人工智能粉饰裁员” Snap的裁员是过去一年科技行业AI裁员潮的最新案例。据Layoffs.fyi数据,今年迄今已有80家科技公司裁减了约71440个工作岗位。微软、亚马逊、甲骨文、Block等公司已裁撤数万岗位,同时声称AI可以让企业以更少人力完成更多工作。 然而,部分专家和前员工指责企业进行“人工智能粉饰裁员”,试图向投资者和市场摆姿态。风险投资家马克·安德森也认为,与AI相关的裁员常被用作企业此前人员冗余的借口。 与此同时,OpenAI和Anthropic等顶级AI公司愈发担心自身形象,已提出四天工作制等方案以应对AI对劳动力市场的负面影响。Snap能否借AI真正走出困境,仍需时间检验。
世界模型五大门派,围攻光明顶
春节后,图灵奖得主杨立昆的新公司 AMI 拿了 10.3 亿美元融资,创下欧洲 AI 公司种子轮纪录; AMI 拿钱几周前,李飞飞创办的 World Labs 也宣布了 10 亿美元融资; 本周早些时候,极佳视界获得数十亿元融资,估值超百亿; 昨天,阿里巴巴发布了世界模型「快乐生蚝」HappyOyster; 今天,群核科技在港交所敲钟。 这些公司,共同竞逐同一赛道:世界模型。 杨立昆曾经放话说:「大语言模型在通往超级智能的路上是条死胡同。」乍一听上去否认了大语言模型的价值,但限定条件是实现 AGI,细想还是有些道理。 可以这么简单理解:ChatGPT 能写代码能做题,却搞不清物理世界的基本规律——你让它描述「苹果落地」,它说得头头是道;但你问它苹果为什么会落地,它其实是在背课文,它并不一定真正理解重力。 问题的根源在于:大语言模型的训练数据是互联网文本,而真实世界是三维的、连续的、充满物理规律的。 这就是世界模型成为科研精英接下来攻关方向的原因。 不过,大家都在谈世界模型,但没人对这几个字的含义达成一致。有视频预测的路线,有的在建 3D 场景,有的在搭仿真平台,还有直接从神经科学出发的方向…… Meta 的研究科学家 Zhuokai Zhao,在 X 账号上分享了自己认为的世界模型「五大门派」。 这五大门派,分别都是什么呢? 本文基于 Zhao 的推文,参考了多方资料展开研究和扩写,希望对于有兴趣了解世界模型的你有所帮助。 JEPA 派:杨立昆的「抽象哲学」 JEPA 全称是 Joint-Embedding Predictive Architecture(联合嵌入预测架构)。它是杨立昆等人提出的一种新型 AI 架构。 简单来说,JEPA 的核心思想是:让 AI 像人类一样通过「观察」来学习世界的运行规律,而不是通过死记硬背像素或单词:AI 不用记住每片叶子的位置,它只需要知道风会吹落树叶。 在杨立昆看来,像 Sora 这种模型,本质是在「逐像素预测下一帧」。他认为这在物理上不可能——在充满随机性的世界里,你不可能精确预测每片树叶的飘落轨迹。 JEPA 的解法是:与其预测像素,不如在抽象的「表征空间」里做预测。 具体做法是先用编码器把视频转成抽象的数学表示,然后在这个空间 (latent space) 里预测「会发生什么」。比如预测「球会滚下桌子」这一更加「长期」和符合物理规律的结果,而非重复地预测球滚落的每一帧画面。 V-JEPA 2 目前是这个路线的代表作。该模型有 12 亿参数,基于 100 万小时无标签视频预训练。最惊人的是,它仅需 62 小时机器人数据,就能实现零样本规划动作。在陌生环境处理陌生物体,成功率能达到 65-80%。 对比传统机器人学习方法,可能需要数千小时示范数据,V-JEPA 2 对数据需求极致压缩。 杨立昆的原话是:如果表征足够好,你就不需要为每个任务从头训练。 不过,在创立了 AMI 公司之后,这位图灵奖得主科研大佬也要在现实面前低头。他说,AMI 的商业化产品可能要几年后才能看到。 这是一笔长线投资,但资本愿意赌。AMI 已经得到了第一轮 10 多亿美元的融资,投资方包括你知道的几乎所有业界和跨界大佬。 空间智能派:李飞飞的「建筑师」路线 如果说 JEPA 关注「时间预测」,另一位 AI 基础研究大佬李飞飞创立的 World Labs,则是盯上了另一个维度:「空间重建」。 这两条路线的分歧,从底层逻辑就开始了。 JEPA 认为智能的核心是在抽象层面预测「接下来会发生什么」,所以它不在乎像素级的细节,追求的是高效的因果推理。 李飞飞的出发点不一样。她认为,真正的智能需要对三维世界有显式的理解,包括几何结构、深度关系、物体之间的相对位置。 换个方式讲:JEPA 想教 AI 理解「球会从桌子上滚下去」这个规律,而 World Labs 想教 AI 理解「桌子有多高、球在桌子的什么位置、地板和桌子的距离是多少」。 前者关心事件的逻辑链条,后者关心空间的物理结构。 这种差异直接决定了产品形态。World Labs 2025 年 11 月发布了首款产品 Marble。输入一段文字描述、一张照片、一段视频,甚至一个粗糙的 3D 草图,Marble 输出的不是一段视频,而是一个可编辑、可导航、可导出的 3D 世界。 你可以在里面旋转视角、移动物体、改变光照条件,还能把结果导出为高斯溅射 (Gaussian Splat)、三角网格 (mesh)或视频格式,直接拖进 Unreal Engine 或 Unity 里用。 这里还有个容易被忽略的技术细节:很多视频生成模型能做出好看的画面,但本质上是在逐帧「编故事」,前后帧之间没有一个统一的 3D 结构做支撑。 而 Marble 生成的 3D 场景具备「空间一致性」。底层维护着一个真实的空间表示,所以转身回来,世界还是那个世界。 World Labs 的团队配置也很值得一提:联合创始人 Ben Mildenhall 是 NeRF(Neural Radiance Fields)的发明者重新定义了计算机视觉领域对 3D 重建的认知;另一位联创 Christoph Lassner 是 3D 图形方面的专家。 这个团队的知识结构,决定了 World Labs 从一开始就在走一条「显式 3D」的路线,而不是从 2D 视频里「暗示」三维关系。 2026 年 2 月,World Labs 宣布完成 10 亿美元融资,投资方包括 NVIDIA、AMD 和 Autodesk。 刚才提到的产品 Marble,也已经面向普通用户和商业场景推出,影视工作室、游戏开发者都在用它。 不过,Marble 目前也有明显的局限。生成的 3D 世界在走几步之后会开始出现视觉变形,出现所谓的「幻觉」。 这跟 JEPA 路线追求的「理解物理规律」形成了对比:World Labs 擅长重建空间的「样子」,但对空间中「会发生什么」的理解还比较薄弱。 李飞飞本人也坦承 Marble 只是第一步。她把最终目标定义为「空间智能」,意思是 AI 不光能看懂一个场景的结构,还能在里面做推理、做规划、做交互。这条路还很长,但方向很明确:从三维空间的显式建模出发,逐步加入物理和因果的理解。 学习型仿真派:DeepMind「造梦师」 DeepMind 的 Genie 3,可能是目前最接近「魔法」的世界模型思路。 谷歌的路线跟前两派又有了区别。它做的事情,比「理解世界」和「重建空间」都更往前,也更直接:制造出一个足够真实,而且可以实时交互的虚拟环境,让 AI 直接在里面练出真本事。 输入一句「在暴风雨中的威尼斯运河划船」,它就能生成一个 720p、24fps 的 3D环境。你可以控制角色在里面移动、操作道具、甚至修改天气。 你打碎一个花瓶,碎片会留在地上。你走开再走回来,碎片还在那里。也就是说,Genie 3 的「持久性」,从环境持久性进一步细化到了「对象持久性」(object permanence)。 但这对计算架构提出了很高的要求。DeepMind 的研究主管 Shlomi Fruchter 说,要实现实时交互,模型需要每秒多次回溯查询一分钟前的信息。 这样的 Genie 3,很像是一个运行中的游戏引擎。但这种情况经过自媒体的夸张加工,形成了一种常见的误解,也即 Genie 3 是游戏引擎的替代品。 其实并非如此,它没有真正硬编码的物理引擎,所有的行为都是模型从训练数据中「学」到的。 这既是优势也是劣势。优势在于它的灵活性:模型自己能推断出物理属性和碰撞规则,;劣势在于它的物理模拟仍然不如传统引擎(硬编码)精确。 至于持久性,受制于前面提到的计算架构限制和算力压力,目前 Genie 3 只能维持几分钟的连贯性,之后画面就开始走样——这对于游戏是不可接受的。 到此为止,DeepMind 也只是解决了「造出环境」,训练 AI 呢?那就要用到谷歌研发的另一个东西 Dreamer 了。 DreamerV4 于 2025 10 月发表,是一个无需跟真实环境交互,完全在「想象」中学习的世界模型框架。 它成为第一个纯靠离线数据就在 Minecraft 里挖到钻石的 AI 。要知道,从零开始挖到钻石需要连续做出超过两万次精确的鼠标和键盘操作,包括砍树、造工具、挖矿、冶炼,中间还要躲避怪物和处理各种突发情况。 之前 OpenAI 的 VPT 模型要完成类似任务,需要 27 万小时的标注视频加上 19.4 万小时的在线强化学习。DreamerV4 用的数据量只有它的百分之一。 DeepMind 目前在推动将「生成的环境」和「虚拟的智能体」进行结合,在完全虚拟但又完整闭环的环境里进行训练。 谷歌这条路线的核心赌注是:像素级别的生成虽然不等于物理理解,但如果生成的环境足够真实、足够多样化,在里面训练出来的智能体就有可能泛化到现实世界。这是一个还没有被证明的假设,也是这条路线最大的风险所在。 卖水卖铲子:英伟达作为基建供应商 前面三条路线各有各的技术理想,但都面临同一个现实问题:世界模型训练需要极其庞大的数据量和算力。谁来提供这些基础条件? 英伟达的 Cosmos 平台就是在回答这个问题。它的定位很清楚:你们都在造世界模型?我来提供造世界模型的工具…… Cosmos 包含几个核心组件。首先是数据处理管线 Cosmos Curator,能在 14 天内处理 2000 万小时视频,加速世界模型的训练;而传统 CPU 方案处理这么多数据需要 3 年以上。 其次是视觉 Tokenizer,就像大语言模型把文字切分成「词元」(token) 来处理,世界模型需要把视频帧切分成某种可计算的表征。Cosmos 的 Tokenizer 压缩率比业界方案高 8 倍,支持多种视频比例和时长,能处理从机器人第一视角到自动驾驶鱼眼镜头的各种格式。 最后是最关键的三种预训练模型家族:负责预测环境未来状态的预测模型 Cosmos Predict、将模拟迁移到真实的仿真模型 Cosmos Transfer,以及负责让机器人做规划的推理模型 Cosmos Reason。这些预训练模型都通过开放许可证发布,开发者可以免费下载。 自从 2025 年 1 月在 CES 上发布后,Cosmos 迭代飞速,目前仿真模型和推理模型已经进化到第二代,Predict 到了 2.5 代。小鹏在用 Cosmos 做自动驾驶仿真,Figure AI 等硅谷头部机器人公司也在用它生成训练数据。 背后还是英伟达的老套路:用免费开放软件来锁定硬件生态。用 Cosmos 来训练世界模型,最后还是需要英伟达的 H、Jetson 等平台,以及 CUDA 生态。 黄仁勋在 CES 上的原话是:世界基础模型之于物理 AI,就像大语言模型之于生成式 AI。 他押注的是,世界模型会像大语言模型一样,变成一个巨大,且对世界带来显著变革的赛道,而英伟达要确保的,是不管谁最终胜出,手里拿着的都是 N 家的铲子。 主动推断派:来自神经科学的「异端」 并不是所有人都在走深度学习的主流路线来实现世界模型。这个赛道上还有「异端」: 代表公司 Verses 的首席科学家卡尔·弗里斯顿 (Karl Friston) 来自于神经科学领域,他是「自由能原理」的提出者,知名度极高,Google Scholar 引用量在神经科学领域排名很靠前。 这个理论的大意是:所有生物系统的行为,本质上都在做一件事情,即不断生成对外界的预测,然后采取行动来减少预测和现实之间的偏差。 这跟主流 AI 的思路有什么区别? 强化学习,也即当今主流方向,其核心逻辑是「奖励最大化」:给 AI 设一个目标,让它试错以找到最优策略。Friston 的主动推断框架,追求的却是「减少意外」。 如果非要简化形容:一个是逐利,一个是避险。 一个直观的比喻:强化学习像是一个被胡萝卜引导的驴子,朝着奖励的方向走。主动推断像是一个在陌生城市里的旅行者,不断修正自己对这座城市的心理地图,让自己对下一个路口的预期尽量准确。前者是被目标驱动的,后者是被好奇心和不确定性驱动的。 基于这个理论, Verses 开发了 AXIOM 框架。 它有两大特点:首先是对象中心化,即世界由离散对象组成,每个对象有属性、有关系。 深度学习通常把一个场景处理为一个高维向量,不会显式区分场景里的具体物体。而 AXIOM 把世界建模为离散对象组成的结构,每个对象有属性、有和其他对象的关系。 这种处理方式,可以说更接近人类的认知方式:我们看一个房间,不是在处理像素矩阵,而是在识别「椅子在桌子旁边、窗帘是拉开的」这些结构化的关系。 其次是贝叶斯推理:用概率分布表示信念,通过消息传递更新,而非梯度下降。 举个例子,基于 AXIOM 框架,一个在仓库里工作的机器人,面对一个从未见过的物体时,应该知道自己「不确定这是什么」,而不是盲目地去拟合,猜测该物体可能是一个自己知道的什么东西,然后去执行有可能是错误的策略。 去年 6 月,Verses 宣布在雅达利游戏的 Gameworld 10K 基准测试中超越了 DeepMind 开发的 DreamerV3,训练数据量远少于后者,完成游戏的所用步数只有 1/8。 更激进的是,AXIOM不需要预训练。你把机械臂的关节换成陌生物体,它能实时重新规划——因为它在在线推理,而非执行固定策略。 Verses 的商业化产品叫 Genius,目标客户主要是金融、机器人和智慧城市领域,比如可以用主动推断模型来对市场不确定性进行建模。这家公司也被 Gartner 写进了关于 AI、空间 AI 和物理 AI 的研报中。 AI 学界的知名大喷子,纽约大学教授 Gary Marcus 曾经说,很多搞机器学习的人对在模型里放入任何先验结构有一种「暴力的厌恶」(意即总认为从零搭建的机器系统能够 somehow 涌现出真正的智能),但 Verses 没有这个毛病。 毕竟,生物智能的进化花了几十亿年打磨,所做的事情并不是梯度下降。 尽管如此,Verses 的主动推理路线,短期内很难成为主流。但 Friston 的理论在神经科学界有深厚积累。如果世界模型真的需要更接近生物智能的原理,这一派可能会后来居上。 写在最后 五条路线,从多个侧面回答同一个问题:世界模型到底是什么,该如何实现?他们之间并不是非此即彼的逻辑,更像是同一块拼图的不同碎片。 门派 代表 核心优势 主要挑战 JEPA AMI 数据效率极高,抽象表征 商业化周期长 空间智能 World Labs 可编辑3D,设计/游戏刚需 物理动态性较弱 学习型仿真 DeepMind 交互性强,训练成本低 像素生成≠物理理解 基础设施 英伟达 全栈平台,生态锁定 依赖硬件销售 主动推断 Verses 实时适应,可解释性强 生态兼容性差 世界模型突然爆发,不是偶然。 大语言模型遇到瓶颈,边际收益在递减,幻觉、推理能力、多模态理解仍是硬伤。资本需要新故事;具身智能崛起。人形机器人、自动驾驶、工业自动化都需要AI与物理世界交互。纯文本训练的模型解决不了这个问题。 另外,高质量物理交互数据也十分稀缺且昂贵。世界模型可以在仿真中生成无限数据,被这些世界模型研究者认为是终极解法。 杨立昆曾断言,五年后没有人会再用今天这样的大语言模型。虽然说的很夸张,但对趋势的观察不无道理: AI 已经读完了万卷书,接下来该行千里路了。而世界模型会成为它的眼镜和四肢。 至于五大门派谁能胜出,答案可能并不重要。长期来看,融合或许是唯一的出路。毕竟,真正的智能大概不会只有一种形态。 文|杜晨
RNA预测超95%专家,OpenAI发布生命科学大模型
编译 | 高远瞩 编辑 | 漠影 智东西4月17日消息,新药研发平均耗时10到15年,这是生命科学领域长期面临的困境。如今,OpenAI将目光投向这一赛道。4月16日,OpenAI发布了其首个行业专用高级推理模型GPT-Rosalind,专为生物学、药物发现和转化医学定制,试图用AI的力量大幅压缩早期研发周期,提高整个管线的成功率。 该模型得名于DNA双螺旋结构的关键贡献者罗莎琳德·富兰克林,已作为研究预览版登陆ChatGPT、Codex及API,目前仅向符合条件的美国企业客户开放,且预览期内不消耗现有额度。 与此同时,OpenAI还开源了Codex生命科学研究插件,免费连接超50个公共数据库与生物信息学工具,并已与安进(Amgen)、莫德纳(Moderna)、洛斯阿拉莫斯(Los Alamos)国家实验室等机构达成首批合作。 一、行业专用模型:OpenAI为何选中生命科学? OpenAI将生命科学作为行业专用模型的切入口,背后有清晰的战略逻辑。 一款新药从靶点发现到监管批准平均需要10到15年,而早期发现阶段的任何效率提升,都会在下游产生复合效应——更优的靶点选择、更强的生物学假设、更高质量的实验设计,最终提高整个研发管线的成功率。然而,科学家的工作流长期被大量文献、专业数据库、实验数据和不断演化的假设所拖累,耗时、碎片化且难以规模化。 GPT-Rosalind 在化学、实验设计与分析等关键任务上的得分均明显优于前代模型 GPT-Rosalind针对科学工作流进行了深度优化,将工具使用能力与化学、蛋白质工程、基因组学的理解相结合,支持证据整合、假设生成、实验规划等多步研究任务。 OpenAI表示,该模型不仅让现有工作更高效,更能帮助科学家探索更多可能性、发现被忽略的联系,并更快地得出更好的假设。 二、RNA预测超95%人类专家,多项基准领先 在性能评估中,GPT-Rosalind在生物信息学基准BixBench上,取得了已发布模型中的最高分。 GPT-Rosalind 在 BixBench 上的表现全面超越 Gemini、Grok 及 GPT 系列前代模型 在涵盖文献检索、序列操作、实验方案设计等11项任务的LABBench2基准中,GPT-Rosalind有6项任务优于OpenAI最新的通用旗舰模型GPT-5.4,其中最显著的提升来自分子克隆实验设计(CloningQA)。 更为关键的验证来自与AI基因疗法公司Dyno Therapeutics的合作。双方使用未公开、无污染的RNA序列,评估模型在序列到功能预测和序列生成上的表现。历史数据中,AI生物学领域的人类专家共有57个得分。 当直接在Codex应用中评估时,GPT-Rosalind在十次提交中的最佳结果:序列功能预测排名高于95%的人类专家,序列生成排名约为84%的人类专家。 三、开源插件+顶级合作:打造生命科学AI生态 除了模型本身,OpenAI还同步在GitHub上开源了Codex生命科学研究插件。该插件集成了超过50个公共多组学数据库、文献源和生物信息学工具,涵盖人类遗传学、功能基因组学、蛋白质结构、生物化学、临床证据等方向。插件对所有用户免费,不限于GPT-Rosalind,普通模型也可使用,为科研人员提供了一个灵活、可复用的工作流编排层。 OpenAI Codex 的「Life Science: Research」插件,提供覆盖多领域的生命科学研究工作流,支持路由、证据合成与并行子代理分析 在生态合作方面,OpenAI已与安进(Amgen)、莫德纳(Moderna)、艾伦研究所(Allen Institute)、赛默飞世尔科技(Thermo Fisher Scientific)等机构合作,将GPT-Rosalind嵌入实际研发工作中。 安进公司AI与数据高级副总裁Sean Bruich表示:“生命科学领域每一步都要求精准,问题极其复杂,风险极高。与OpenAI的合作让我们能以创新的方式应用其最先进的能力,加速药物送达患者。” 此外,OpenAI正与洛斯阿拉莫斯国家实验室探索AI引导的蛋白质和催化剂设计,包括在保持或改善关键功能的前提下修改生物结构。 结语:OpenAI入场垂直赛道,前路仍待破局 GPT-Rosalind在RNA预测等任务上表现亮眼,其开源插件也以免费的形式降低了科研工具的使用门槛。 但其争议同样不容忽视:该模型目前仅面向美国企业客户,技术普惠性受限;在LABBench2的11项任务中仍有5项未超越通用模型,性能优势尚不全面。此外,该模型以罗莎琳德·富兰克林命名,被批评是在消费一位曾遭受不公的女科学家,而非真正的致敬。 在安全层面,OpenAI虽强调通过信任访问机制(trusted access)防范生物技术滥用,但批评者认为,任何强大的生物学推理模型都可能被恶意用于设计危险病原体或毒素,而目前缺乏独立的第三方安全评估来验证这一制度的有效性。 就在GPT-Rosalind发布前两天,OpenAI推出了面向防御性网络安全的GPT-5.4-Cyber,竞争对手Anthropic也发布了前沿AI模型Mythos。 AI巨头正加速向行业垂直模型赛道渗透,但生命科学领域的特殊性决定了,从技术突破到最终成药,中间仍隔着漫长的临床验证和监管审批。开源插件或许能降低科研的工作门槛,但技术公平性、安全性验证等问题,仍是其走向广泛落地前必须直面的大山。
橘子海乐队指控华为侵权!要求七日内致歉并赔偿
鞭牛士 4月17日,独立摇滚乐队橘子海通过官方微博及经纪公司发布严正声明,直指华为终端在Pura 90系列手机营销中,未经授权大规模使用 “橘子海” 概念进行商业推广。 橘子海乐队在微博长文中表示,年初华为曾就新品手机营销内容与其接洽合作,乐队当时对大厂的审美与创作者尊重表示认可,后续得知项目更换内容方向与艺人后也表示理解。 但随着华为Pura 90系列官宣发布,乐队发现该机型主打配色命名为 “橘子海”,并以 “一起去看橘子海” 等为核心宣传语,在全国多地商圈、地铁、户外大屏及线下门店开展大规模营销推广,甚至在官宣海报中搭配了乐队代表作相关元素。 随后,橘子海乐队经纪公司发布严正声明并直接艾特华为官方。 经纪公司声明中表示,近日,华为终端就其旗舰产品 Pura 90系列手机开展大规模商业推广活动,将“橘子海”作为该系列主推配色的核心品牌概念,配以“看惯了人山人海,就去看橘子海”“一起去看橘子海”等宣传语,在多个自媒体平台、全国多地核心商圈、地铁站点、户外大屏同步铺设。 与此同时,华为终端更以“橘子海”主题对旗下品牌门店进行整体改造,将“橘子海”概念的商业使用规模扩张至线下实体空间。 声明称:“以上行为,严重侵犯了橘子海乐队的合法权益。” 声明称,公司代表橘子海乐队明确提出以下要求: 第一,华为终端有限公司应立即停止一切以“橘子海”为宣传主题的商业推广活动,包括但不限于户外广告、线上宣传物料及品牌门店相关设计的进一步铺设与使用; 第二,华为终端应向橘子海乐队公开致歉,并承认上述使用行为系未经授权; 第三,华为终端应与我方就乐队因此遭受的名誉损失及经济损失进行协商赔偿; 声明强调,上述要求若未能在本声明发布之日起七个工作日内得到华为终端方面的正式回应,公司将依法通过司法途径追究华为终端故意侵权责任。 截至发稿,华为终端尚未就此事作出公开回应。
李斌内部讲话:二季度压力不小,蔚来ES9和乐道L80是关键
李斌说,蔚来不是为了实现一个季度的盈利活着。 文丨赵宇 编辑丨龚方毅 我们独家获悉,在 4 月 16 日举办的蔚来内部会议上,蔚来创始人、董事长、CEO 李斌将 “做好战略新品发布” 列为二季度首要 VAU (Vision Action Upgrade,目标关键行动迭代更新)目标。 “蔚来 ES9 和乐道 L80 两款战略性车型将上市,五六月份会有新车效应,交付量应该能稳步提升,而且都是高毛利的大车。接下来两个月,一定要把握好。” 李斌说。VAU 是蔚来使用的目标和过程管理工具,每季度初由李斌召集各业务负责人复盘上季度,并设定当前季度 VAU 目标。 去年下半年,蔚来凭借乐道 L90 和三代蔚来 ES8 这两款车的超预期表现,以及持续的降本在四季度扭亏为盈。李斌在昨天的会上说,要力争继续保持这个趋势,他要求 “每个部门、每个同事,一定不要松懈”。据了解,ES9 过去一周的预订量超过内部预期,并带动三代 ES8 和 ET9 的订单显著增长。 大车售价高、毛利高,卖得好还能拉品牌,这个想法不止蔚来有。据我们不完全统计,今年预计有 10 余款车长超过 5.2 米的大尺寸车型上市;跨动力类型看,全新问界 M9、全新理想 L9 等全尺寸 SUV 也会给蔚来的几款大车带来正面竞争压力。 在 2025 年四季度首次盈利的同时,蔚来去年全年仍亏损超过百亿元。李斌昨天也提到,蔚来不是为了实现一个季度的盈利活着,而是要为每一个季度都能高质量完成经营目标,为用户和股东创造价值去拼搏。因此除了把车卖好,蔚来需要保持之前的运营节奏、控制费用。李斌称,蔚来要把钱花在刀刃上,“该省省、该花花,没想清楚的、可花可不花的钱尽可能不花”。 除蔚来 ES9 外,大五座 SUV 乐道 L80 也将于二季度发布。今年 1 月乐道品牌单月交付 3481 辆,同比下降 41%、环比下降 62%,为品牌推出以来月度新低,3 月回升至 6877 辆。L80 的登场将是拉回销量曲线的关键。李斌也把 ES9 与 L80 的销量表现视为二季度业绩的关键胜负手,“这两款车非常重要,要集中公司最优势的资源,二季度我们一定要实现目标。” 他同时提出,蔚来要努力避免新车上市后交付跟不上订单的情况。 以下为李斌当天讲话主要内容,经编辑: 题图来源:蔚来
抹黑中国上瘾了!美国财政部长称中国电车就是烧煤的车 遭全网狂喷
快科技4月17日消息,据报道,近日,美国财政部长贝森特在华盛顿举行的国际金融协会上公然抛出荒谬言论,声称中国的电动汽车其实就是燃煤驱动的汽车。 此次活动中,贝森特与丹麦学者比约恩・隆伯格围绕通胀、利率、全球市场风险等议题展开讨论,在气候相关对话中,两人均对气候变化持消极怀疑态度。 贝森特表示难以确定气候变化的真实成因,还呼吁国际金融机构侧重经济增长与减贫,此前他曾要求世界银行取消部分气候融资目标,支持天然气、石油、煤炭等能源相关资金支持。 隆伯格则认为气候变化并非危机,贫穷国家发展仍需依赖化石燃料,并批评世界银行的气候相关资金投入。 隆伯格在发言中提及中国生产全球多数太阳能板、风力发电机与电动汽车,且相关产品生产部分依靠煤炭,贝森特随即插话发表中国电车是“燃煤车”的言论。 该言论发布后,立刻遭到大量网友批评质疑,社交平台上的网民对此哭笑不得,有评论写道:“贝森特这是急了。” 有人一语道破:“我闻到了嫉妒的味道。” 也有网友直接驳斥:“他完全是在胡说八道,他应该亲自来中国看看,那些多年前针对中国的抹黑宣传早就站不住脚了。” 据悉,中国已建成全球最大清洁低碳能源体系,“十四五”末非化石能源消费占比达21.7%,2025年可再生能源发电量占全部发电量约38%。 此外,多位国际顶尖科学家也驳斥了贝森特的相关气候观点。
传热提升80%!中国突破芯片“热墙”,或摆脱进口依赖
【文/观察者网 张菁娟】 随着算力产业高速发展,新一代芯片的功率密度大幅提升、发热量显著增加,芯片的“热墙”(thermal wall)已成为制约全球算力产业升级的关键瓶颈。 在这一赛道上,中国科学院宁波材料技术与工程研究所功能碳素材料团队近日取得重大突破。该团队制备的高导热金刚石/铜散热模组,已成功应用于全球首个兆瓦级相变浸没液冷整机柜解决方案C8000 V3.0,可使芯片模组传热能力提升80%,并助力芯片性能提升10%。 宁波材料所在官网上写道,长期以来,我国高端散热材料高度依赖进口,导热效率与成本问题直接影响算力基础设施的自主可控水平。攻克极端热管技术难题,研发更高性能的先进热管理材料,构建自主可控的热管理材料产业链,对保障我国算力产业安全、提升核心竞争力具有重要战略意义。 面对这一产业痛点与国家需求,该团队依托自主研发的高效率3D复合技术与规模化制备工艺,通过“基础研究—中试验证—产业推广”全链条布局,系统攻克了金刚石铜复合材料在“分散难”“加工难”“表面处理难”等方面的制造卡点,成功研制出热导率突破1000W/mK的金刚石铜复合材料,在导热率、热膨胀匹配及加工精度等关键指标上达到国际先进水平。 香港英文媒体《南华早报》报道称,铜作为常用工程金属中导热性能突出的材料,热导率为400W/mK,而金刚石具有超高导热性能,热导率约为2000W/mK。 金刚石/铜高导热复合材料 中国科学院宁波材料技术与工程研究所 宁波材料所表示,该款复合材料已在国家超算互联网核心节点重大科技平台实现集群部署,标志着金刚石/铜高导热复合材料在算力芯片热控领域实现全球首次大规模应用。 曙光数创总裁何继盛上周发布C8000V3.0时表示,当前传统散热与供电架构正逼近物理极限,成为产业发展的关键制约。推动从“以服务器为中心”到“以基础设施为中心”的范式革命,是支撑超大规模智算集群建设的必然选择。 曙光数创资深技术专家黄元峰认为,金刚石铜未来发展潜力巨大,例如在金刚石铜中加入更多金刚石掺杂,有望获得更好的散热收益。未来金刚石一定是算力芯片、数据中心散热方案的首选材料。 据了解,我国金刚石单晶产量占全球总产量的90%以上,其中河南省人造金刚石产量占到80%。市场机构预计,2028年全球金刚石散热市场规模有望达到172至483亿元。 据《南华早报》报道,曙光数创已搭建了散热设备开放实验室,将面向芯片、服务器、集成商与算力运营商等开放核心接口与测试环境,协同攻克兼容性难题,加快行业标准制定,降低国产高端智能算力基础设施的部署门槛,推动开放生态体系建设。
世界首次!中国科学家造出人工“球状闪电”
IT之家 4 月 17 日消息,据新华社 4 月 16 日报道,中国科学院上海光学精密机械研究所的研究团队,首次在世界上用人工方式,成功激发并捕获了一种在形状、状态和发光特性与自然界球状闪电高度相似的球形发光体,从而揭示并证实球状闪电的本质为“电磁孤子”。16 日,国际权威学术期刊《自然 · 光子学》发表了相关论文。 IT之家从报道中获悉,球状闪电又俗称“滚地雷”,是自然界最神秘的电磁现象之一。其形态为悬浮于空气中的发光球体,科学家们也提出过多种理论假说,但始终缺乏可重复、可精确诊断的实验加以验证。 研究团队用高速摄像系统捕捉的画面显示,黑暗中的一个明亮的白色发光体,被一层幽蓝的外壳团团包裹,形成了一个球形的能量体,从小到大、飘忽不定、逐渐膨胀。慢慢地,球体变成了蓝色的粗颗粒状,最终耗散。 据上海光机所田野研究员介绍,这个蓝色的外壳,就是像太阳一样的燃烧等离子体,它如同一个无形的“光之茧”,将电磁波紧紧包裹在中间,最终形成了一个直径约百微米、寿命达百纳秒的能量球。“这个能量球缓慢膨胀,发出的光谱覆盖从紫外到红外的宽波段,完全符合理论预言的电磁孤子行为。经物理标度变换,该电磁孤子可对应自然界中直径几十厘米、持续数秒的球状闪电。” “电磁孤子”就是电磁波变成了像粒子一样稳定态、会穿墙、精准攻击的“电磁幽灵球”,而这就是科幻小说《球状闪电》的现实物理原型。 此前,浙江大学武慧春教授在理论上研究认为,球状闪电可以解释为电磁孤子的宏观表现形式:它由高温等离子体构成,却能在数秒内维持球状形态而不快速耗散。然而,其能量来源与稳定机制始终缺乏系统的物理解释与实验验证。 据上海光机所团队负责人宋立伟研究员介绍,该项研究基于团队在“强激光驱动丝波导太赫兹源”领域的持续深耕,特别是围绕极端太赫兹光场和非平衡物态的前沿展开的研究,为本次突破提供了关键支撑。 研究团队将激光驱动金属丝产生的太赫兹表面波,导引至纳米级针尖,借助其亚波长约束和近场增强效应,在局域实现了相对论级强度的近场场强,为亚毫米尺度电磁孤子的产生提供了高质量的驱动源。 与此同步,将超音速氩气气体喷流注入针尖近场区。在强太赫兹电场作用下,气体被迅速电离为等离子体,并将电子和离子向外排开,中间形成一个球形空腔。而球壳表面则是被太赫兹波推动,形成一层致密高温的等离子体壳。球形腔内的光波辐射压与球壳表面的热压,随着球体膨胀达成了一种“精妙的力学平衡”,将太赫兹波囚禁在内,进而形成了类似自然界的球状闪电。 业内专家认为,该研究不仅为破解球状闪电这一科学悬案提供了关键实验证据,也揭示了极端电磁能量约束的基础物理机制,为聚变能源、高能量密度物理及能量存储等相关领域研究提供了新的参考。
全球首款可耐受1300℃高温的锂电池材料研发成功
一片只有A4纸大小、硬币厚度,轻若无物的隔热片,在关键时刻却能成为守护生命的“安全卫士”。 在4月初举行的第十四届储能国际峰会暨展览会上,南京工业大学教授沈晓冬团队展示的一款新材料,引发众人关注。这便是全球首款可耐受1300℃高温的新能源锂离子电池用高热阻气凝胶隔热片。 沈晓冬团队研发制造的全球首款可耐受1300℃高温的新能源锂离子电池用气凝胶隔热片。 “锂离子电池可谓新能源汽车和储能系统的‘心脏’。电池一旦热失控,单个电芯温度可在五六秒内急剧攀升甚至引发爆炸,所以迅速阻断高温向相邻电芯传递至关重要。”沈晓冬双手包裹住一片隔热片,向科技日报记者演示,如果把双手看作两片相邻的电芯,那么气凝胶隔热片就是电芯间的“防火墙”。 沈晓冬在20多年的光阴里,带领团队通过调控气凝胶网络结构,提升干燥技术,完善加工工艺,将气凝胶隔热片的耐温性从最初的650℃,提升到如今的1300℃,热隔绝时间延长至2小时。 目前,这些“安全卫士”已经广泛应用于高温窑炉、航空航天以及宁德时代、比亚迪、阳光电源、小米汽车等企业的动力电池中。 耐高温又隔热 气凝胶是一种轻质绝热材料。在扫描电镜下,它呈现出由无数纳米颗粒编织而成的立体网络结构。“这张网约99%的空间由空气填充。”沈晓冬指着电脑屏幕上一张电子显微照片解释,“空气在这张网内被困住‘手脚’无法移动,所以气凝胶的热导率比空气还低,这让它成为材料界的‘隔热之王’。” 与生俱来的“天赋”,让气凝胶在锂离子电池中找到了“存在感”。“电池内部空间寸土寸金,这要求隔热材料既轻薄,又隔热耐温,气凝胶便有了用武之地。”沈晓冬介绍,几年前,国内头部新能源汽车厂商探索将气凝胶应用到电芯间隔热,但当时的隔热片只能承受300℃的温度,而电芯燃烧或者爆炸时的瞬间温度往往在650℃甚至1000℃以上。 “当时厂商一度要放弃气凝胶这条技术路线。”此前已经将气凝胶应用于热力管道保温、航天等领域的沈晓冬向厂商自荐,要为气凝胶争取一个证明自己的机会。 “要让气凝胶耐受1000℃以上的高温,就要让纳米孔骨架更结实,纳米颗粒间结合得更紧密。”团队核心成员、南京工业大学教授崔升和同事先是向原材料中加入氧化物,试图让气凝胶更结实、不坍塌,但却发现隔热性能下降了。 “能否增加纳米颗粒的比表面积,抑制热传导?”团队核心成员、南京工业大学教授孔勇查遍文献无果,抱着试试看的心态,向原材料中添加催化剂,但气凝胶经过干燥后体积大幅缩小,隔热性能比原来更差。 此路不通,团队回到起点。孔勇又重新审视催化剂的酸碱度。几经调试终于发现,偏酸性的条件下,颗粒之间的结合力较弱,所以气凝胶结构不牢固。他将催化剂调成碱性值更大时,骨架稳固了,成型后的气凝胶也能保持稳定结构了。 沈晓冬团队制备的气凝胶材料。 “纳米颗粒之间就像用胶水黏着一样,既保证了气凝胶的隔热性,又提高了耐温性。”孔勇说,最终团队研发的2.3毫米厚的气凝胶隔热片,可以在一面承受1000℃的高温5分钟后,另一面温度不超过100℃。 低成本“干湿分离” 制备气凝胶,材料是基础,过程是关键。“高效超临界干燥技术便是极难掌握的关键过程。”沈晓冬介绍。 所谓超临界干燥,是将湿凝胶中的溶剂用处于超临界状态的二氧化碳从纳米孔中“萃取”出来,再缓慢泄压,使其变为气态逸出,从而让纳米孔内仅留下空气且结构完好无损,最终得到气凝胶。 然而,早期超临界干燥技术仅能满足实验室需求。产业界既缺乏完善设备,又因工艺不成熟导致制备效率低。无经验可循、无产业支撑,沈晓冬团队的探索之路充满考验。 “气凝胶很脆,没法单独使用。必须借助基材的结构强度。”因此,团队将含有大量酒精和水的湿凝胶溶液浸到陶瓷纤维中,放进干燥釜里,原本预计仅需2至4小时就能干燥好,但十几个小时后还是湿漉漉,生产效率极低。 如何让湿凝胶迅速干透,成为首当其冲的难题。团队核心成员、江苏珈云新材料有限公司总经理滕凯明领衔开启了一场系统性攻关:首先降低湿凝胶含水量,将酒精纯度提升至95%以上,以提高二氧化碳的萃取效率;随后又历时一年多,设计出多种柔性透气隔网,优化了气凝胶毡层间二氧化碳流场分布、强化了二氧化碳的扩散传输通道,使得超临界二氧化碳更快速进入凝胶的纳米空隙中,与孔内的酒精进行高效传质。 干燥釜内的压力控制同样不容小觑。快速泄压虽能提升生产效率,但压力震荡对纳米孔的冲击会导致气凝胶开裂破碎。于是团队尝试每10分钟泄压一次,逐步摸清泄压快慢与纳米孔保持率之间的最佳平衡点。 成本控制是超临界干燥的另一道坎。每一次超临界干燥,都会从湿凝胶中萃取出大量酒精。 “这些酒精是不是可以作为原材料回收利用?”滕凯明看到了开源节流的契机。他们又花了大约两年时间,开发了一套工艺,先针对酒精中的不同杂质加入化学药剂进行预处理,破坏其与酒精的互溶关系,再通过精馏提纯,最终实现乙醇回收率超99.5%,仅原料成本便降低了一半以上。 弹性压缩超90% 工艺稳定性问题解决后,实际应用场景又带来新问题。传统二氧化硅气凝胶是典型的脆性材料,一捏就碎。但新能源电池、储能电池在充放电时,就像“呼吸”一样,会不断膨胀、收缩,对气凝胶形成反复挤压。如何让气凝胶柔软可压缩,又能在压缩后保持回弹和支撑性,同时还能不破坏纳米孔,构成一个“不可能三角”。 这一次的破题灵感,来自气凝胶的“亲戚”——硅橡胶。硅橡胶能在-100℃至300℃的宽泛温度范围内保持弹性,且物理性能变化极小。 “能否仿照硅橡胶的分子构型,将气凝胶从刚性结构变成弹性结构?”孔勇提出这一构想,并带领团队进行“微型手术”,通过选择性“敲除”纳米孔网格的部分连接节点,让整张网相对松散、更Q弹。 孔勇打了个比方:“这类似搭脚手架,如果每根钢管和连接件都严丝合缝,整个作业平台就都很稳固;但松开其中几个连接件,平台就会摇晃一些,出现滑移,但又不会散架。” “敲除”是个精细活。多了,整个网络散架,耐高温和高效隔热就无从谈起;少了,材料又硬邦邦。 孔勇和团队一次次地通过催化剂的用量和种类,调试反应溶液的酸碱度,为气凝胶纳米孔生长过程中的水解—聚合反应提供温和可控的环境,使气凝胶骨架长成一种长链的、相对松散自由的形态,气凝胶弹性压缩超90%而结构和性能依然没有被破坏。 历经多年技术迭代,沈晓冬团队已经研发出碳化硅、氮化硅、氮化铝、氮化硼等多种耐高温气凝胶隔热材料。2025年,江苏珈云新材料有限公司实现销售收入2亿余元。 “十五五”规划纲要提出,加快新能源、新材料等战略性新兴产业发展,这让沈晓冬对未来充满期待:“我们将加强基础研究和产业化进程,推动气凝胶隔热材料从新能源电池的‘高端选配’变为‘主流必配’,同时探索开拓其在消防、商业航天、太空算力等领域的应用,推动建立中国的气凝胶纳米材料产业体系。”

版权所有 (C) 广州智会云科技发展有限公司 粤ICP备20006386号

免责声明:本网站部分内容由用户自行上传,如权利人发现存在误传其作品情形,请及时与本站联系。