日前，Anthropic 聯合創始人兼總裁 Daniela Amodei在史丹佛商學院做了場 50 分鐘的演講。 與很多 AI 大佬不同的是，她並非 CS 出身 ，而是一名英國文學專業的文科生。 在分享中，她指出，在硬核技術的盡頭，最稀缺的要素還是那些最古老的人文智慧。 文科通才比 CS 專業更有競爭力

適合香港大學畢業生的全職職位空缺由2022年的約8萬個下跌至2025年的約3.1萬個。較易受自動化技術替代的職位類別，跌幅最高已接近九成 人工智慧（AI）等自動化技術對中國香港特區的勞動力市場影響日益顯現。雖部分觀點認為其亦會創造新崗位，但目前階段的影響仍主要體現在替代當地各行業不同職級的工作機會。5月13日，中國香港特區政府勞工及福利局局長孫玉菡公佈的一組最新數字，則展現了這種替代率在當地各個行業的現實影響程度。 在當日回覆香港立法會議員梁美芬有關當地大學生就業情況的一系列提問時，香港勞工及福利局彙總香港教育局及香港特區政府統計處的相關資料顯示，2025年當地15至29歲教育程度達學位課程或以上的就業人數（不包括外籍家庭傭工）約為26.8萬人，與2024年的約27萬人大致相同。 分析看似仍較為平穩的“全民就業”情況之下，引起當地各方高度關注的，則是在高等教育畢業生的就業市場方面，AI的普及應用對初階職位需求已開始帶來較為顯著影響。

AI領域最重要的學術會議ICLR在巴西正式落下帷幕，作為AI領域三大頂會之一，ICLR一直是衡量全球AI學術實力的風向標。 有人通過對本次頂會的論文來源進行分析，結果並不意外。亞洲崛起勢頭越來越猛，中國實現跨越式領跑，美國硬核實力依舊，唯獨是歐洲已經掉隊。 但其實從另一個角度來看，這份分析也是一份擇校地圖。那麼，那些地區機會更多？那些高校實力最強？ 01 清華332篇全球第一 中國AI登頂ICLR

一場畢業典禮，讓全球兩大晶片巨頭的掌門人罕見同台，也釋放出雙方合作進入實質階段的強烈訊號。 當地時間5月10日，卡內基梅隆大學舉行2026屆畢業典禮，輝達創始人兼CEO黃仁勳發表主題演講，並被授予科學與技術榮譽博士學位。而親手為黃仁勳披上博士披肩、頒發證書的，正是英特爾CEO陳立武。 陳立武在現場表示，黃仁勳在AI與加速計算領域貢獻深遠，自己也很榮幸能替他披上博士袍。隨後，陳立武還在社交平台X上公開發表祝賀：“祝賀我的好朋友黃仁勳獲得卡內基梅隆大學科學與技術榮譽博士學位，很榮幸為他授予這一榮譽。”同時，他還指出，“英特爾和輝達正在合作開發令人興奮的新產品。” 輝達AI部門官方帳號隨後也轉發了這條帖子，並附上綠色愛心表情作為回應。

史丹佛把HAI與Data Science合併，李飛飛昇任校長顧問。這是頂級大學在AI新階段押注「組織力」的全面換擋。剛剛，史丹佛進行了一項重磅重組。5月4日，史丹佛大學宣佈：將旗下兩大AI與資料科學組織——Stanford HAI（以人為本人工智慧研究院）和Stanford Data Science（史丹佛資料科學）合併為一個統一機構，名稱保留Stanford HAI，由電腦科學家James Landay全面掌舵。而那位讓全世界記住ImageNet的女人——李飛飛，則升任校長Jonathan Levin的AI特別顧問，同時與史丹佛前校長、圖靈獎得主John Hennessy共同出任HAI顧問委員會聯席主席。HAI，2019年由李飛飛、前教務長John Etchemendy、NLP大牛Chris Manning和Landay聯合創立。7年間，它集結了超過400位跨學科學者，累計發放6000萬美元研究資助，覆蓋史丹佛全部七個學院。它做出了每年一度的AI Index報告，搞了面向國會議員的「AI訓練營」，還在基礎模型、數字經濟、環境智能等領域建立了多個研究中心。Stanford Data Science，由數學與統計學家Emmanuel Candès領銜建立，專注大規模資料處理，建造了高性能計算叢集Marlowe，並在天體物理、因果推斷、可持續發展、神經科學等領域建立了交叉研究中心。過去，兩個組織各有側重：HAI偏「人文視角+政策影響」，Data Science偏「算力基建+資料方法」。但AI發展到2026年這個節點，問題變了——無論你做天文發現、腦科學建模還是歷史文字挖掘，你都需要同時具備大規模資料能力、高性能算力和AI方法論。把兩套成員拆著跑，效率越來越低。用史丹佛校長Levin的話說，合併後的HAI將是「史丹佛AI的統一入口」。也就是說，以後史丹佛搞AI，不管那個學院、那個方向，都從這一扇門進。李飛飛角色升維作為HAI創始院長和ImageNet的締造者，李飛飛在學術界和產業界的號召力毋庸置疑。但HAI發展到今天，需要的不只是學術聲望，更需要一個能「搞工程、搞協同、搞基建」的操盤手。李飛飛昇任校長AI特別顧問，管的是全校七個學院的AI戰略，格局更大了。她自己說得很明白：AI正在改變的不只是技術，還有我們追求科學發現、學習和教育、服務社會的方式。而接棒的Landay，可能在國內知名度不如李飛飛，但在人機互動（HCI）領域，這是一位教科書級的人物。他在1990年代開發的設計工具SILK，比Figma和Canva早了二十多年；他在2000年代初做的UbiFit項目，比Fitbit和Apple Watch早了近十年。2024年，他拿到了ACM SIGCHI終身研究獎——這是人機互動領域的最高榮譽之一。更關鍵的是，Landay的核心理念和這次合併高度契合。他反覆強調的是「團隊科學（Team Science at Scale）」——不是傳統的五人小實驗室，而是20-30人的跨學科大團隊，包含教授、博士後、研究工程師、資料科學家、項目經理和設計師。這恰恰是AI研究從「個人英雄主義」走向「工業化協同」所需要的組織形態。John Hennessy——這位史丹佛前校長、圖靈獎得主、RISC架構之父、Alphabet董事長——也加入了顧問委員會。他的評價最為直接：這是史丹佛最重要的舉措。新HAI到底要幹什麼？合併後的HAI明確了三大支柱：第一，重新定義大學裡的科學發現方式。史丹佛的天文學家用機器學習搜尋系外行星，神經科學家用模型預測腦活動，歷史學家用NLP挖掘檔案——這些不再是「AI+X」的點綴，而是新的研究範式。HAI要提供算力、研究工程師和資料科學家，讓「團隊科學」真正跑起來。第二，推動教育變革。 從K-12到終身學習，AI正在改變人類學習和被評估的方式。HAI要和史丹佛學習加速器等機構合作，探索適應性輔導系統和新型教育模式。第三，研究和塑造AI的社會影響。 就業怎麼變？組織流程怎麼變？設計方法怎麼從「以使用者為中心」升級到「以社區和社會為中心」？這些問題不能只靠工程師回答。而貫穿這一切的關鍵詞是：開放。開放原始碼、開放資料、開放模型、開放課程。學術界在AI時代的價值史丹佛這次重組，釋放出一個非常清晰的訊號：大學AI競爭的下半場，拼的不再是一篇論文、一個明星教授，而是一整套系統能力——算力、資料、人才、組織力和開放研究生態。過去幾年，前沿AI研究的話語權加速向產業界集中。OpenAI、Google DeepMind、Anthropic手握最強算力和資料，學術界的聲量不斷被壓縮。史丹佛這次的動作，本質上是在回答一個存亡級問題：學術界在AI時代還有沒有不可替代的價值？答案是有的——但前提是你能提供產業界給不了的東西：透明性、可復現性、公共利益導向的長期研究，以及真正跨學科的融合視角。而這些東西，不是靠一兩個超級教授就能實現的，需要從組織架構層面去支撐。李飛飛沒有離開，她只是換了一個更高的位置去看全域。Landay沒有橫空出世，他只是終於站到了與自己三十年積累相匹配的舞台上。Hennessy沒有退休，他只是用另一種方式繼續押注史丹佛最重要的賭注。當產業界拚命卷模型、卷算力、卷融資的時候，史丹佛選擇卷「組織力」——用開放、跨學科、以人為本的方式，重新定義學術界在AI時代的角色。 (新智元)

如果你現在還在為未來感到焦慮。覺得好賽道都被佔滿了，好機會都被前輩搶光了。甚至覺得，現在的世界階層固化，普通人再也沒有翻身的機會。那麼，請你一定要認真聽聽黃仁勳在史丹佛大學剛剛說出的那段話。在那個擠滿了全球最聰明大腦的沙龍現場。老黃沒有聊那些高大上的財報資料，也沒有兜售輝達的最新晶片。他只用了一個詞，就讓在場所有快要窒息的年輕人，眼裡重新燃起了火。這個詞就是：重啟（Reset）。他說，現在的世界，不再是那個等級森嚴、前輩掌握絕對話語權的舊世界了。整個電腦工業，這個全球最大的產業，已經被AI徹底推倒，原地重啟。而因為所有行業都是建立在電腦工業之上的，這意味著——全球所有的產業，在這一刻，都被強制重啟了。看完這篇充滿力量的對談實錄，我最大的感觸是：我們可能正處於人類歷史上最公平的一個瞬間。不管你是剛畢業的大學生，還是在大廠待了十年的老兵。在這一刻，沒有人比你更有領先優勢。這篇文章，我不談枯燥的技術參數，也不販賣“馬上就要失業”的焦慮。就聊聊在這場席捲全球的“大重啟”中，老黃為我們普通人指出的那條活路，到底在那裡。01 別怕，所有人都是“第一代”在史丹佛的講台上，黃仁勳對著台下的學生說了一句極具衝擊力的話：“這是你們步入社會的最好時機，因為世界被重啟了。”這句話背後，藏著一個極其殘酷，但也極其迷人的真相。在過去的幾十年裡，我們身處的職場和商業世界，是一層層堆疊起來的金字塔。前輩們掌握著更深厚的程式碼功底、更複雜的系統架構、更龐大的行業資源以及更熟練的業務套路。你要想出頭，必須得順著人家搭好的梯子，忍辱負重地一級一級往上爬。你得拼熬夜、拼體力、拼資歷。但現在，那個梯子斷了。當大模型開始重塑軟體生成的方式，當AI開始接管基礎的邏輯推演。以前那些靠“低效經驗積累”築起的護城河，一夜之間被徹底抹平了。老黃殘忍且真實地提醒我們：現在的產業，正處於一個沒有任何人有“先發優勢”的階段。那怕是那些在傳統網際網路行業呼風喚雨了二十年的高管，在面對今天的通用人工智慧時，他們的認知也未必比一個每天泡在AI工具裡的大學生深刻。這意味著，你不再需要去苦苦追趕那些跑了三十年的前輩。因為大家面對的，都是一種全世界從未見過的、全新的技術範式。你、我、甚至那些矽谷的頂級專家，現在其實都站在同一條起跑線上。我們每一個人，都是這個新時代的“第一代”。這種“歸零”帶來的，絕不是恐慌。而是一種前所未有的自由和解脫。如果你能意識到這一點，你就會發現，那些曾經困擾你的所謂“職場天花板”、“行業壁壘”。其實早就隨著舊世界的重啟，一起灰飛煙滅了。02 別被高門檻嚇住，最好的核武器就在你手邊很多人潛意識裡覺得，AI是一門極其高深的學問。想要玩轉AI，是不是得先去啃幾本厚厚的電腦視覺教材？是不是得學懂Python，搞懂神經網路的底層演算法？老黃在現場給出了一個極其治癒，也極其顛覆的回答：AI不僅是全世界最強大的技術，它還是人類歷史上最“平民化”的技術。在以前的工業時代，如果你想掌握最先進的生產力。你必須得去大工廠、頂尖實驗室，或者花重金購買極其昂貴的專業裝置。但現在，這個被老黃稱為“核武器”等級的工具，就安靜地躺在你的瀏覽器裡。只要有網路，每個人點選一下滑鼠就能用。老黃在史丹佛極其激動地說：“它是高度個性化的，它是極其容易獲取的，任何人都可以用它來為自己的職業生涯服務。”不要再覺得技術是高高在上的了。也不要覺得非理科出身、非專業人士，就無法觸碰這個時代的核心紅利。這種史無前例的“工具可及性”意味著，技術的高牆不僅塌了，而且被徹底碾碎了。你不需要知道發動機是怎麼造出來的，你只需要學會怎麼踩油門和轉動方向盤。現在這個世界缺的，根本不是那些能在底層寫程式碼造工具的人。而是那個能把工具拿起來，去解決現實世界具體問題的人。03 現在的企業，都在瘋狂尋找“AI專家使用者”在很多人的日常焦慮裡，AI總是扮演著那個來搶飯碗的“終極反派”。大家每天都在擔心：AI今天會畫畫了，插畫師是不是完了？AI明天會寫文案了，策劃是不是該下崗了？但老黃在史丹佛，分享了他在行業最前線看到的真實景象：整個工業界、所有的頂尖企業，現在並沒有在想著怎麼大規模裁員。相反，他們正在翹首以盼，甚至可以說是極度飢渴地等著新一批人才入場。注意，他在這裡使用的一個極其精準的詞彙，不是“AI開發者（AI Developers）”。而是“AI專家使用者（Expert AI users）”。這四個字，就是普通人未來十年最值錢的個人定位。老黃提到，無論你是學行銷的、搞金融的，還是做工程、寫軟體的。公司現在最想要的，是那些能用AI重塑自己專業能力的人。比如，一個懂財務的人很多，一個懂AI的人也很多。但是一個能熟練使用AI去清洗龐大財務資料、建立自動預測模型的“AI財務專家”，鳳毛麟角。一個懂設計的畫師，和一個能用AI在半天內生成上百張草圖並進行精準渲染的“AI設計專家”，他們的產出效率是十倍甚至百倍的差距。這種需求是全方位的，也是極其迫切的。老黃非常動情地對台下的學生說：“我們這些在產業界另一頭的人，正在等待著你們。”在這一刻，你不是一個被大廠挑肥揀瘦、隨時可能被替代的弱勢群體。你是一個帶著“新式核武器”進場，去拯救那些效率低下的舊業務的支援力量。你要做的，從來不是去和AI比誰的算力強、誰的邏輯更嚴密。而是去學習如何駕馭它，讓它成為你職業生涯的超級外掛。就像老黃說的那樣，這不僅是一個機會，這簡直是一個讓人“難以置信的巨大機會”。04 在被重啟的世界裡，尋找你的“確定性”老黃的這場簡短但極其震撼的演講，其實是給所有迷茫的人指出了一條明路。在這個連矽谷大佬都在不斷推翻自己認知的時代，我們普通人該如何尋找確定性？答案是：放棄線性規劃，擁抱非線性爆發。以前我們講究職業規劃，三年做到主管，五年混到經理，十年混個總監。這種規劃的前提，是整個行業按照既定的軌道緩慢行駛。但在一個被重啟的世界裡，這種按部就班的階梯已經不存在了。你現在唯一的確定性，就是把你手裡那個叫“專業”的舊武器，裝上一個叫“AI”的新引擎。不管世界怎麼變，企業解決具體商業問題的需求不會變。人類需要被治癒、需要更高效的運轉、需要更精準的行銷，這些本質的需求永遠都在。如果你是一個懂財務、懂法律、懂設計、甚至懂心理學的普通打工人。千萬不要去焦慮自己會不會寫程式碼，能不能搞懂複雜的演算法模型。你要做的是，比全公司所有人都更早、更熟練地去使用大模型。去成為那個能用一句精準的Prompt（提示詞），讓AI幫你幹完別人三天活的人。去成為那個能在極度混亂和不確定中，快速呼叫各種AI工具拼湊出解決方案的人。那座舊世界的金字塔已經轟然倒塌，新世界的荒原剛剛展開。不要再抱怨自己沒有早點出生，錯過了房地產紅利，錯過了移動網際網路紅利。今天，就是人類歷史上絕無僅有的一次，所有人被強制拉回同一條起跑線的機會。那些曾經不可一世的巨頭和前輩，現在和你一樣，都在面對一個完全未知的考卷。既然世界已經被重啟了。既然發令槍已經打響。剩下的，就是扔掉包袱，帶上你的超級工具，拚命跑下去。 (杏仁的第二大腦)

世界模型（World Model）是現在AI領域最受關注的研究方向之一，其核心目標在於建構能夠對真實世界進行感知、理解、互動與預測的統一智能系統。然而，在當前研究實踐中，不同任務（如互動式視訊生成、3D 場景建模、視覺-語言-動作（VLA）控制以及多模態推理）之間普遍存在介面不統一、推理流程割裂、系統耦合嚴重等問題，研究者往往需要為每類任務單獨建構推理邏輯與工程環境，導致重複開發成本高、跨任務對比困難，從而制約了世界模型的系統性發展。為應對上述挑戰，北京大學DCAI課題組聯合快手可靈團隊、上海演算法創新研究院、中關村學院等研究人員，推出了OpenWorldLib——一個統一、規範、可擴展的先進世界模型推理框架。論文對世界模型做出了明確界定：一種以感知為核心，具備互動能力與長期記憶能力，用於理解和預測複雜世界的模型或框架。在這一統一定義下，OpenWorldLib整合了多模態理解、生成與行動能力，並建構了面向開源社區的標準化介面體系，使研究者能在同一框架中進行模型復現、對比與擴展。OpenWorldLib的核心價值體現在四個方面：通過統一介面遮蔽不同模型之間的差異；通過統一推理流程降低工程複雜度；通過統一能力定義促進跨任務對齊；通過開源生態推動世界模型領域的協同發展。框架設計整體架構Pipeline作為系統的核心調度模組，負責串聯各功能元件，實現從輸入到輸出的完整推理過程。該模組不僅支援單輪推理（forward execution），還支援多輪互動（stream execution），通過自動呼叫 Memory 模組實現上下文讀取與更新，使模型在複雜任務中保持狀態一致性與長期依賴能力。OpenWorldLib的整體架構主要分為以下幾個層次：模型抽象層（Model Abstraction）：對不同類型的世界模型進行統一抽象，無論視訊生成、3D 重建還是具身控制模型，均通過一致介面定義輸入、輸出與推理邏輯。使用者無需關心底層實現差異，按統一規範即可完成推理。推理引擎層（Inference Engine）：內建對多種推理後端的支援，使用者可便捷地基於指令碼進行呼叫。互動管理層（Interaction Manager）：針對世界模型特有的多輪互動需求（如條件視訊編輯、3D 場景逐步探索等），設計了統一的管理機制，支援狀態追蹤、條件注入和增量推理。Operator 機制Operator模組充當原始輸入（或環境訊號）與核心執行模組（Synthesis、Reasoning、Representation）之間的橋樑。世界模型需要處理來自真實世界的複雜多模態輸入——文字、圖像、連續控制動作、音訊訊號——Operator被設計用於將這些多樣化資料流進行統一標準化處理。當 Pipeline 被呼叫時，系統首先將原始輸入傳遞至 Operator 的 process() 方法。Operator承擔兩個核心功能：其一是校驗（Validation），確保輸入資料的格式、形狀與類型滿足下游模型要求；其二是預處理（Preprocessing），將原始訊號轉換為標準化的張量表示或結構化格式——例如對圖像做尺寸調整、對文字做分詞編碼、對動作空間做歸一化處理。四大核心模組Reasoning Module（推理模組）：負責多模態理解與決策，包括通用推理、空間推理與音訊推理。核心作用是將感知資訊轉化為結構化語義表示，為後續生成與行動提供依據。Synthesis Module（生成模組）：負責多模態內容生成，包括圖像、視訊、音訊以及動作序列。將模型內部推理結果轉化為可觀測或可執行輸出。Representation Module（表徵模組）：負責建構顯式世界表示，例如 3D 場景、點雲與深度資訊，為物理一致性建模與模擬驗證提供支援。Memory Module（記憶模組）：負責長期上下文管理，包括歷史資訊儲存、相關記憶檢索與狀態更新，使模型能支援多輪互動與長期依賴任務。實驗效果為了驗證框架的有效性，OpenWorldLib在多個典型世界模型任務上進行了系統評估，覆蓋視訊生成、多模態推理、3D建模與具身控制等方向，並在論文中給出了可視化結果與定性分析。互動式視訊生成在視訊生成任務中，OpenWorldLib支援導航視訊生成與互動式視訊編輯，並通過統一介面對不同方法進行評測。實驗結果表明，相較於早期方法（如 Matrix-Game 系列），新一代模型在長序列生成中顯著提升了視覺質量與物理一致性，減少了顏色漂移與結構失真等問題，同時在複雜互動條件下仍能保持穩定表現 。多模態推理能力在推理任務中，Reasoning模組能夠融合文字、圖像等多模態資訊，完成空間關係分析與複雜語義推理，並輸出具有可解釋性的結果。這一能力使模型不僅具備“生成能力”，還具備“理解與決策能力”，從而更接近真實世界中的認知過程。3D 場景生成與重建在3D任務中，OpenWorldLib通過Representation模組實現從視覺輸入到結構化三維表示的統一建模。實驗表明，雖然現有方法在大視角變化下仍存在幾何不一致問題，但整體框架能夠穩定支援多視角重建與模擬驗證，為複雜場景理解提供基礎 。Vision-Language-Action（VLA）在具身智能任務中，框架能夠將自然語言指令與視覺觀測轉化為動作序列，實現從“理解”到“行動”的閉環過程。這一能力驗證了 OpenWorldLib 在跨模態任務協同與真實世界互動中的潛力。總體而言，OpenWorldLib不僅在單任務上具備良好性能，更重要的是通過統一框架實現了跨任務能力整合與系統級協同。使用方式在具體使用過程中，OpenWorldLib支援以下幾種典型方式：單輪推理呼叫： 使用者通過Pipeline介面直接輸入多模態資料，完成一次完整推理，適用於視訊生成、推理等標準場景。多輪互動執行： 通過stream()介面，系統自動呼叫Memory模組維護歷史狀態，支援互動式視訊編輯或具身控制等複雜任務。模型擴展與接入： 框架提供統一的模組範本（Operator / Reasoning / Synthesis / Representation / Memory），開發者只需實現對應介面即可接入新模型，無需修改整體架構。開源生態與社區支援： 項目已支援視訊生成、3D建模、VLA控制與多模態推理等多類任務，提供完整文件與示例，鼓勵社區通過Issue與Pull Request參與共建。綜上，OpenWorldLib通過統一介面與模組化設計，使世界模型的使用從“複雜工程系統”轉變為“標準化工具呼叫”，不僅顯著降低了研究與開發門檻，也為未來多模態智能系統的建構提供了可復用的基礎設施。 (量子位)