過去半個世紀,全球科技產業的資本開支與創新節奏,都和一個規律緊密相連，那就是摩爾定律——晶片性能每18個月翻一番。在摩爾定律之外，還有一個“安迪-比爾定律”，它講的是，摩爾定律所主導的硬體性能提升的紅利，會迅速被軟體複雜度的增加所抵消。安迪指的是英特爾前CEO安迪·格魯夫，而比爾，指的是微軟創始人比爾·蓋茲。這種“硬體供給、軟體消耗”的螺旋上升,驅動了PC與網際網路時代的產業進化。時移世易，安迪、比爾都已經退出產業一線，但是規律的底層邏輯並未改變，而且被新的“安迪·比爾”推向更高的極致。ChatGPT的爆發拉開了生成式人工智能時代的大幕，在Scaling Law(規模法則)的主導下,模型參數指數級膨脹,軟體對算力的索取遠超摩爾定律的供給速度，AI發展的邊際成本急劇上升。當硬體供給遭遇能源、資料等天花板時，舊的“安迪比爾”式增長範式開始失效。產業需要一場逆向革命。大模型作為AI時代的“軟體”，需要通過極致的演算法與工程化重構，在現有硬體上爆發更強的能力。2025年，中國大模型公司成為這一路徑的最堅定實踐者。從DeepSeek V3通過細粒度混合專家(MoE)架構以1/10算力成本對標頂尖模型，到Kimi等團隊在稀疏注意力機制上的突破，被稱為“東方力量”的中國大模型公司，正試圖用架構創新努力拉平客觀存在的算力差距。清華大學電腦系副教授劉知遠及其聯合創立的面壁智能團隊，也是其中的典型代表。他們發佈的MiniCPM("小鋼炮")系列模型，僅用約1/10的參數規模,即可承載對標雲端大模型的智能水平，成為端側高效AI的案例。2025年11月，劉知遠團隊的研究登上全球頂級學術期刊《自然·機器智能》(Nature Machine Intelligence)封面，正式提出大模型的“密度法則”(Densing Law)。基於對51個主流大模型的嚴謹回測，論文揭示了驚人的非線性進化規律：從2023年到2025年，大模型的智能密度以每3.5個月翻倍的速度狂飆。這是一條比摩爾定律陡峭5倍的進化曲線。這意味著，每100天，就可以用一半參數量實現當前最優模型相當的性能。每100天成本減半，一年後成本就可能降至原來的十分之一。如此快的迭代速度，對技術創新、產業落地提出了不同以往的挑戰。劉知遠在與騰訊科技的對話中直言:如果一家大模型公司發佈一款新的模型後“3到6個月無法收回成本”，這家公司的商業模式就不可持續，因為後來者很快就能以四分之一的資源實現同等能力。當研發迭代周期被壓縮至百天量級,人類的智力供給已逼近極限,產業的終極形態必將發生質變。工業革命的標誌是機器製造機器,而劉知遠期待的AI時代生產力標誌，將是“用AI製造AI”。唯有如此,才能支撐這場超越摩爾定律的智能風暴。騰訊科技：我們今天的主題是您和團隊最新發表在《自然·機器智能》上的關於大模型“能力密度”（Densing Law）的論文。您能介紹一下這項研究的背景嗎？劉知遠： 雖然這篇論文是 2025 年發表的，但這個想法早在 2024 年上半年就已經開始萌生。2023 年初，ChatGPT 的出現引發了全球對大模型的追逐，中國團隊也不例外，當時大家都在研究如何復現 ChatGPT。到了 2023 年下半年，一線的團隊基本完成了復現工作。那時候我們開始思考大模型未來的發展路徑。有些團隊可能會繼續沿用 ChatGPT 的技術路線，通過增加參數規模、投入更多資料來訓練 GPT-4 水平的模型。這條路線雖然確定性高，但意味著要花費更多經費，這顯然不是一條可持續的發展路徑。你不可能無限地增加成本來換取更強的能力。因此，我們開始探討如何用更低的成本、更高的質量來實現模型能力。2024 年初，我們推出的 Mini CPM 系列模型驗證了這一點：我們可以用更少的參數，實現歷史上需要幾倍甚至幾十倍參數才能達到的能力。這是經驗性的結果，我們想尋找其背後的規律，於是促成了 2024 年對“密度法則”的探索。圖：Densing Law論文登上Nature Machine Intelligence封面騰訊科技：這項研究是否因為中國的國情，使我們更重視大模型的效率問題？它在國內外是獨一無二的嗎？劉知遠： 追求效率當然有中國算力有限的國情因素。我們必須關注如何用更少的算力實現更高品質的模型。這也是為什麼 2024 年下半年，《經濟學人》的一篇封面文章提到，中國企業正通過技術創新繞過“算力牆”，並舉了面壁智能和 DeepSeek 的例子。但同時，追求效率也符合人工智慧本身的發展規律。人工智慧是一場堪比工業革命的科技浪潮，如果要讓每個人都受益，技術就不能昂貴。我們必須像歷史上任何一次科技革命那樣，用更低的成本實現更高品質的產品和服務。因此，我們自信地認為，密度法則對人工智慧的未來發展具有重要意義。騰訊科技：在“密度法則”中，一個關鍵概念是量化“智能”，但這本身是一個難題。在研究開始前，您為什麼覺得這件事是行得通的？劉知遠： 這個問題問得非常好。實際上，我們在密度法則這篇論文裡並沒有真正解決“如何度量智能總量”這個科學問題，而是找了一條取巧的辦法：找一個參照物（Reference Model）。我們假設用同一套技術方案訓練的模型，無論尺寸大小，其密度大致相同。我們將這套方案訓練出的模型作為 Reference Model，並假設其密度為 1。然後，我們觀察目標模型達到某種智能水平時，Reference Model 需要多大參數才能達到相同水平。通過比較兩者達到相同能力所需的參數量，我們就可以算出目標模型的相對密度。這種方法規避了直接計算模型內部智能總量的難題。當然，如何衡量智能的總量（Mass）是未來幾年人工智慧需要攻克的基礎科學問題。歷史上任何大的科技革命背後都有科學理論支撐，如資訊理論之於通訊，熱力學之於蒸汽機。智能科學未來也需要解決如何衡量智能總量的問題。騰訊科技：您在2024年WAIC期間曾提到模型的“密度法則”周期是8個月，但最終論文的結果是3.5個月。為什麼進化的速度比您預期的快這麼多？劉知遠： 2024年年中我們剛有這個想法時，研究尚在初期，觀測的時間跨度和模型數量都有限，所以當時的資料不夠穩定。我們2024年下半年發佈的版本算出來是3.3個月，到今年正式發表時，我們補充了2025年的新模型資料，周期修正為3.5個月。其實，具體的周期是三個月還是八個月並非最重要，最重要的是，這個速度遠遠快於摩爾定律的18個月。這意味著我們正以前所未有的速度迎來一場智能革命。每100天成本減半，一年後成本就可能降至原來的十分之一。同時，我們確實觀察到了一個加速現象。2023年之前，這個周期接近五個月；2023年之後，則縮短到三個多月。我們猜測，這是因為ChatGPT引發了全球性的關注，更多的資源和人才投入加速了技術創新。所以，“密度法則”並非自然規律，而是我們人類社會在該科技領域的一種“自我實現”：投入越多，密度增長越快。騰訊科技： 剛才提到投入，大模型有暴力美學的 Scaling Law，您覺得 Densing Law 和 Scaling Law 是統一的還是矛盾的？劉知遠：我認為它們是硬幣的兩面，相輔相成。“規模法則”的表像是模型越大、能力越強，其背後是我們找到了一條通用的智能構造方案（Transformer架構+序列預測學習），使得在一個模型內持續增加智能成為可能。它開啟了通往通用人工智慧的道路。在坐標系中，“規模法則”是一條參數規模越大、模型能力越強的持續上升曲線。而“密度法則”告訴我們，通過在模型架構、資料治理、學習方法等方面的持續技術創新，我們可以用更小的參數承載更多的智能，從而找到一條更加“陡峭”的“規模法則”曲線。也就是說，用相同的參數實現更強的能力，或者用更少的參數實現相同的能力。所以，沒有“規模法則”就不會有“密度法則”，兩者都是人工智慧發展中至關重要的規律。騰訊科技：“規模法則”似乎正面臨資料、算力和能源的天花板。密度法則何時會遇到瓶頸？劉知遠： Scaling Law的持續發展確實面臨電力、算力、資料等約束。而 Densing Law 正是實現更可持續Scaling Law 的方式。通過技術創新提高密度，我們可以在算力或成本基本不變的情況下，持續提升模型能力。例如DeepSeek V3宣稱用 1/10 的算力實現同等能力，OpenAI 的 API 價格持續下降，都反映了內部通過技術創新用更小的模型提供同等服務。當然，資料枯竭問題可能需要依賴另一項技術——大規模強化學習來解決，即讓模型通過自我探索生成高品質資料進行學習。騰訊科技：2025年有那些讓您覺得驚豔的技術突破，能讓 Densing Law 更加陡峭？劉知遠：今年是模型架構創新的大年，主要有三個方向：第一，以DeepSeek V3為代表的細粒度混合專家（MoE）架構走向成熟，通過稀疏啟動少數專家來大幅提升計算效率。第二，稀疏注意力（Sparse Attention）機制大行其道，通過減少注意力計算中的內容參與度，有效處理長序列。這兩者分別最佳化了Transformer的FFN層和Attention層，實現了計算的“按需分配”。第三，復興循環神經網路（RNN）思想，通過與Transformer混合架構，利用其“記憶”機制降低計算複雜度。這些創新都在變相地提升模型密度。此外，大規模強化學習的應用也取得了巨大飛躍，尤其在數學和程式碼領域，模型通過自我探索持續提升能力，暫時還看不到盡頭。這解決了資料枯竭的問題。騰訊科技： 您覺得密度法則能推廣到多模態模型或世界模型嗎？劉知遠： 我認為這是一個普遍規律。雖然不同領域的倍增周期可能不同，但只要是通用的、遵循 Scaling Law 的模型，未來也一定會遵循 Densing Law。就像晶片摩爾定律和電池密度提升一樣，技術創新總是追求用更少的資源實現更高的性能。騰訊科技：您如何看待Google最新發佈的Gemini 3？它是否可被稱為里程碑式的突破？劉知遠：我們內部認為Gemini 3是一個非常重要的里程碑。它在圖像生成中對文字的控制達到了前所未有的高度，這表明其模型的可控性和對世界的理解能力達到了一個新水平。我們推測，它不只依賴於Diffusion模型，很可能將自回歸（Auto-regressive）的思想融入其中，實現了生成過程的逐層細化和高度一致性。歷史上，所有文生圖模型都難以處理好文字內容，Gemini 3的突破，在我看來是一個非常值得關注的新範式。這也印證了密度法則：只要能實現某種智能，未來一定可以在更小的終端上運行。比如 Gemini 3 現在的能力，未來一定可以在手機、PC 或汽車晶片上跑起來。騰訊科技： 現在還沒有出現能替代智慧型手機的端側 AI 裝置，是不是因為 Densing Law 還沒進化到位？劉知遠： 端側裝置的發展受限於多個因素。第一，還沒有形成好的端側應用場景。現在的手機助手雖然使用者多，但並未與硬體緊密結合。第二，端側技術生態尚未形成。AGI 發展還沒收斂，模型能力還在持續提升，且在產品設計上還沒法完全規避錯誤。就像早期的搜尋引擎也是經過產品打磨才普及一樣，AGI 結合智能終端也需要一個過程。一旦產品形態成熟，智能終端的廣泛應用就會成為可能。騰訊科技： 您提到 MiniCPM 4 可以看作一種“模型製程”，這個怎麼理解？劉知遠： 我更願意把這一代模型比作晶片製程。通過技術創新，我們形成了一套新的模型製程，無論建構什麼尺寸的模型，其密度都更高。例如 MiniCPM 4 在處理長序列時速度提升了 5 倍，意味著可以用更少的計算量承載更強的能力。但目前的挑戰在於，硬體支援還不夠好。我們正在努力做軟硬協同最佳化，希望在消費級硬體上真正跑出理想狀態。騰訊科技： 這需要和高通、聯發科等硬體廠商協同創新嗎？劉知遠： 我們跟硬體廠商交流密切。但硬體廠商受摩爾定律 18 個月周期的影響，架構調整更審慎。而模型每 3 個月就進化一次。所以短期內是軟體適配硬體，長期看硬體會針對穩定的新技術做最佳化。現在端側晶片廠商已經在認真解決大模型運行的瓶頸，比如訪存問題。騰訊科技： 之前大家嘗試過剪枝、量化等方法來做小模型，這和原生訓練的高密度模型相比如何？劉知遠： 我們做過大量實驗，剪枝、蒸餾、量化都會降低模型密度。量化通過後訓練可以恢復一部分效果，是目前端側比較落地的做法。但蒸餾現在已經融合進資料合成體系，不再是簡單的“大蒸小”。剪枝目前還沒找到保持密度的好方法。就像你不能通過剪裁把 14nm 晶片變成 7nm 晶片一樣，要把密度做高，必須從頭建構一套複雜的原生技術體系，包括架構設計、資料治理、學習方法和軟硬協同。這本身就是技術護城河。騰訊科技：“密度法則”對產業界意味著什麼？對於創業公司來說，機會在那裡？劉知遠：3.5個月的迭代周期意味著，任何一個投入巨資訓練的大模型，如果不能在3到6個月內通過商業化收回成本，這種模式就很難持續。因為很快就會有技術更新的團隊用更低的成本實現同樣的能力。因此，雲端API服務的競爭會極其慘烈，最終可能只會剩下幾家擁有海量使用者和強大技術迭代能力的頭部廠商。對於創業公司而言，機會可能在於“端側智能”。端側場景的約束條件非常明確（如功耗、算力、響應時間），這使得技術優勢，即誰能把模型密度做得更高，成為唯一的競爭點，大廠的“鈔能力”（如不計成本的投入）在這裡難以發揮。雖然手機廠商也在高度關注，但它們的決策會更審慎。我們認為，端側智能會先從智能座艙等對功耗不那麼敏感的場景開始，而最終，AGI時代一定會有屬於它自己的智能終端形態，這是我們希望探索的星辰大海。騰訊科技： 面對算力軍備競賽和快速折舊，您怎麼看泡沫論？劉知遠： 快速發展肯定伴隨局部泡沫，但整體上我們正進入智能革命時代。如果以 18 個月為周期，資訊革命走了 50 個周期；如果 AI 也走 50 個周期，按現在的速度，大概到 2030-2035 年就能實現全球普惠的 AGI。未來網際網路的主體不再只是人，還有無數智能體。雖然訓練模型的廠商會收斂，但推理算力需求會爆炸式增長。騰訊科技： 李飛飛（美國國家工程院院士）說 AI 是文明級技術，您對這場革命樂觀嗎？劉知遠： 我相當樂觀。騰訊科技：如果AI變得無比強大，未來人類會不會無事可做？劉知遠：我不這樣認為。未來一定是人機協同，人是把關人。人類知識大爆炸導致我們只能成為細分專家，阻礙了跨領域創新。人工智慧可以幫助我們成為知識的主人而不是奴隸，去探索宇宙、生命等更多未解之謎。騰訊科技： 您2026年最期待的創新是什麼？劉知遠： 我最期待“用 AI 製造 AI”。明年一個重要節點是自主學習（Self-play）。目前的強化學習還依賴人類給標準答案，未來模型如果能自主判斷探索結果的價值，就實現了自主學習。在此基礎上，結合密度法則的提升，我們有可能為每個人建構專屬的、持續學習的個人大模型。未來的生產標誌就是“用 AI 製造 AI”。不再依賴有限的人力，而是由 AI 來賦能 AI 的研發和製造。這將是一個指數級加速的過程。 (騰訊科技)

罕見疾病診斷一直是醫學界的難題。傳統方法存在檢測流程複雜、報告解讀困難等問題，約半數患者因缺乏明確病因治療而受阻。近日，《Nature Genetics》期刊上發布了一項名為「Proteome-wide model for human disease genetics」的研究，哈佛醫學院和巴塞隆納基因組調控中心（CRG）的研究人員開發出一款名為popEVE的AI蛋白質模型。此模型是結合演化資訊和人類群體數據的深度生成模型，能在全蛋白質體範圍內評估變異的有害程度。有望徹底改變遺傳疾病的診斷方式。為驗證模型效能，團隊分析了超過3.1萬個患有嚴重發展障礙的兒童家庭遺傳數據。在98%的病例中，popEVE將共同突變標記為最具破壞性的變異，其表現優於GoogleDeepMind團隊AlphaMissense在內的同類工具。同時，popEVE也發現了123個先前被認為與發育障礙無關的基因，其中104個僅在個別病例中出現。能判斷「嚴重程度」 無需父母數據早在2021年，該團隊就發表了變異效應進化模型EVE，當時該模型就能將人類疾病基因中的突變分類為良性或有害，但其分數無法直接在基因間進行比較，並確定那種對健康影響最為嚴重。而新推出的popEVE在大型語言蛋白質模型實現提升的基礎上，結合了來自英國生物樣本庫內的海量人類數據，實現了AI輔助罕見疾病診斷的全新突破。在測試中，此模型不僅能區分致病變異和良性變異，還能辨識出健康對照組，平均精確度比次優模型（AlphaMissense）提升3.2%。且此模型能僅憑兒童基因組辨識可能的因果變異，無需父母資料。popEVE最大的突破，還是實現了對「嚴重程度」的判斷。popEVE的範例輸出。左側和中間面板顯示了圖表和清單格式的變異分數，從最可能致病的深紫色到最不可能的黃色。右側面板描繪了帶有變體分數的蛋白質晶體結構。圖片來源：Marks實驗室在臨床情況下，一些蛋白的功能受損可能在晚年產生適度影響，而另一些蛋白的破壞在兒童期可能致命。這兩種情況都可以被視為“致病”，但在試圖找出嚴重疾病的遺傳原因時，模型必須能夠區分這兩種情況。力壓DeepMind 不只罕見疾病診斷2023年，開發出AlphaFold的GoogleDeepMind團隊開發了一款名為AlphaMissense的模型，作為AlphaFold的改良衍生工具，實現對錯義突變的致病性預測。該模型以接近89%的準確率一鳴驚人，推開了AI模型輔助診斷遺傳疾病的大門。然而，開發了popEVE的哈佛團隊認為，雖然AlphaMissense在蛋白質穩定性方面準確，但缺乏診斷所需的臨床校準。統計分析顯示，AlphaMissense預測平均每個人會有五種「致病」變異，而popEVE預測不到一種。這種差異在臨床環境中至關重要，因為過度預測可能導致誤診和不必要的焦慮。儘管性能有所提升，popEVE仍是一個研究工具尚未獲得FDA批准作為獨立診斷設備使用，目前已開源且可以透過線上入口網站直接存取使用。線上入口網站：https://pop.evemodel.org/開源連結：https://github.com/debbiemarkslab/popEVE據悉，該模型未來的應用不僅限於診斷，還將擴展到藥物發現，因為該模型能夠精確定位蛋白質結構中的特定致病機制。(智藥局)

2025年12月8日，Nature雜誌發表了今年的“Nature's Ten”，選出了年度十大人物。Nature特寫部編輯Brendan Maher表示：“今年的榜單頌揚了對新前沿的探索，醫療領域突破性進展的希望，對科研誠信的堅定守護，以及那些可以拯救生命的全球政策的制定者。我們激動地看到這麼多人在不遺餘力地理解自然世界，並在許多情況下幫助這個世界。這是他們入選今年Nature十大人物的原因。”一、梁文鋒 (Liang Wenfeng) (技術顛覆者)梁文鋒是總部位於杭州的中國公司DeepSeek的創始人。DeepSeek在今年1月發佈了功能強大但成本低廉的 R1“推理”大型語言模型（LLM）。R1是首批作為開放權重發佈的此類模型，這意味著研究人員可以免費下載並在此基礎上進行建構。DeepSeek的成功挑戰了美國在AI領域的領先地位，並促使中美其他公司也發佈了開放模型。此外，DeepSeek還發佈了R1的建構和訓練細節，成為首個經過同行評審的主要大型語言模型，教會了其他AI研究人員如何訓練推理模型。二、杜夢然 (Mengran Du) (深海潛水員)杜夢然是中國科學院深海科學與工程研究所的地球科學家。在“奮鬥者”號載人潛水器中，她和同事們在超過九公里的深處（位於日本東北部的千島-堪察加海溝）發現了地球上已知最深的動物生態系統。這個深淵生態系統不依賴陽光，而是通過化能合成來維持，利用從海底滲出的甲烷、硫化氫和其他化合物獲取能量。她的發現為化能合成生態系統可能在全球海洋中存在“走廊”提供了強有力的證據，這表明化能合成在深海中所起的作用可能比之前認為的更大。三、Susan Monarez (公共衛生守護者)作為美國疾病控制與預防中心（CDC）的主任，Susan Monarez在上任不到一個月時就被解僱了，她表示自己是因為“堅守科學誠信的底線”而被開除的。她拒絕了在未審視相關科學資料的情況下預先批准疫苗建議，以及解僱該機構頂尖科學家的命令。Monarez是一位公開對川普政府威脅公共衛生的政策變化表示擔憂的高知名度政府科學家。她此前對CDC的宏大計畫主要集中在簡化資料，以便提供針對每個地區和州的公共衛生建議。流行病學家Jennifer Nuzzo評價她是一位將證據置於國家利益之上的科學家，並指出任何自重的科學家都不會同意在未仔細審查科學證據的情況下蓋章通過事務。四、Achal Agrawal (撤稿偵探)Achal Agrawal是一位印度的自由資料科學家，他致力於提高該國對研究誠信違規行為（包括剽竊）的認知。他注意到在印度，許多人認為使用軟體改寫已發表的作品不算作剽竊，這讓他堅定了決心要解決研究不端行為根深蒂固的問題。今年，Agrawal的工作促成了一項里程碑式的政策變化：印度國家機構排名框架（NIRF）現在將懲罰那些研究人員發表了大量被撤回論文的機構。他創立了線上組織“印度研究觀察”（IRW），用於匿名舉報研究誠信違規行為，並開始分析印度機構研究人員的撤稿情況。他的目標是促進問責制，並幫助機構採取行動，以清理印度科學界的弊病。五、Tony Tyson (望遠鏡先驅)Tony Tyson是位於智利的全新的維拉·魯賓天文台（Vera Rubin Observatory）的構想者和推動者，他早在30多年前就構思了這個項目。這座耗資8.1億美元的天文台被稱為“高風險、高回報”的項目。它使用了世界上最大的數字相機，設計緊湊，能夠在短短40秒內捕獲一次曝光，將對南半球天空進行連續的視訊拍攝。天文台的核心任務包括繪製宇宙中看不見的暗物質的3D圖譜、探測數百萬顆恆星，以及發現可能威脅地球的小行星。Tyson在推動該項目方面展現了堅定的決心，他也是最早使用“弱引力透鏡”技術來揭示暗物質存在的科學家之一。六、Precious Matsoso (大流行病談判代表)作為指導全球大流行病條約談判小組的聯合主席，Precious Matsoso在艱苦的談判中發揮了關鍵作用，最終促成了世界衛生組織（WHO）190多個成員國就首個全球大流行病條約草案文字達成共識。該條約旨在為全球如何齊心協力預防、準備和應對下一次大流行病制定指導原則。在充滿摩擦的談判中，Matsoso使用了多種策略，包括在激烈的辯論中保持堅定，甚至通過唱歌（披頭士的《你只需要愛》）來傳達合作的資訊。她認為這項協議來之不易，特別是它承諾將技術訣竅轉移給低收入國家，使它們能夠自己生產診斷工具和藥物，這是同類協議中的首次。七、Sarah Tabrizi (亨廷頓英雄)Sarah Tabrizi是一位神經學家，擔任倫敦大學學院亨廷頓舞蹈症中心主任。她是以基因靶向療法 AMT-130 為目標的臨床試驗的首席科學顧問，該試驗提供了令人信服的證據，表明這種療法可以減緩亨廷頓舞蹈症這種神經退行性疾病的進展速度。臨床資料顯示，接受高劑量治療的患者的衰退速度減緩了75%。Tabrizi的經驗讓她得以吸取教訓，改進臨床試驗設計，她現在正領導研究，希望能在症狀出現之前進行干預。她的最終目標是阻止亨廷頓舞蹈症的發生。八、Luciano Moreira (蚊子俠)Luciano Moreira是一位農業工程師和昆蟲學家，同時也是Wolbito do Brasil公司的首席執行長。他在巴西設立了一家大型工廠，致力於大規模繁殖感染了沃爾巴克氏體細菌（Wolbachia）的伊蚊（Aedes aegypti）。攜帶這種細菌的蚊子能夠抑制登革熱等疾病的傳播。Moreira不僅證明了該模型的有效性，還成功說服了政治決策者實施這項技術，促使巴西聯邦政府將其確認為抗擊蚊媒疾病的官方公共衛生措施。他的工廠正穩步推進，目標是每年生產五十億隻帶有沃爾巴克氏體的蚊子（wolbitos）。九、Yifat Merbl (肽偵探)Yifat Merbl是以色列魏茨曼科學研究所的系統生物學家，她和她的團隊通過研究細胞的回收中心——蛋白酶體（proteasomes），發現了一個全新的免疫系統組成部分。她將這一發現比喻為在細胞的“垃圾桶”中找到了重要的線索。她發現蛋白酶體產生的肽片段中，有許多具有抗菌活性，能夠消滅細菌。她的團隊發現，這是一種獨立於免疫細胞啟動的初始防禦機制：當細胞受到感染時，蛋白酶體能夠切換其調控帽，以促進細菌對抗肽的生成。十、KJ Muldoon (基因編輯嬰兒)KJ Muldoon是已知第一個接受個性化CRISPR基因組編輯療法的嬰兒。他患有一種名為CPS1缺乏症的超罕見遺傳病，這種疾病會損害身體處理蛋白質的能力，導致有毒的氨在血液中積累。為了治療他，研究團隊使用了CRISPR基因組編輯技術——鹼基編輯技術，來靶向並糾正人類基因組中導致該疾病的錯義突變。這種高度個性化的編輯療法以創紀錄的速度完成，僅用了六個月，遠低於預估的18個月。KJ Muldoon的治療成功展示了快速製造和提供高度個性化基因編輯療法來治療罕見疾病的可能性。 (BioArt)

近期，權威科學期刊《自然》（Nature）旗下的“Nature Index Supplements 2024 AI”重磅發佈了全球AI研究領域領先的TOP100高校榜單！這份基於過去五年頂級期刊論文產出的排名，不僅揭開了學術界的科研暗戰，更折射出全球AI教育格局的深刻裂變：哈佛、斯坦福、MIT穩坐前三；清華大學首次殺入前十；電腦“神校”卡內基梅隆卻跌至62名。一、美國霸榜與加州系的“集體狂歡”美國高校以46所上榜的絕對優勢，延續著AI領域的統治地位。前三分別為：哈佛大學：以805.23的“科研份額值”登頂，相當於平均每天在頂級期刊發表1.5篇AI論文，其跨學科實驗室“腦科學與AI交叉中心”每年吸引Google、OpenAI投入超2億美元合作經費。斯坦福和MIT：分別以550.22、545.21的份額值緊隨其後，前者在生成式AI課程中直接引入ChatGPT-5作為教學工具，後者則把自動駕駛實驗室開進了波士頓地鐵隧道。2024全球AI領域Top100大學排名（Top10）更令人側目的是加州大學系統的“集團軍作戰”——UCSD、UCB、UCLA三校集體挺進前十，舊金山分校（UCSF）也位列20名。這些公立校憑藉矽谷地緣優勢，將產學研融合玩到極致：UCSD學生每周三天在高通總部偵錯晶片，UCB的AI倫理課由前GoogleCEO施密特親自授課，而UCLA醫學院正用AI預測癌症突變，論文直接轉化進輝瑞新藥研發管線。二、中國崛起：從7所到19所的“狂飆”中國高校的爆發式增長是最大亮點：清華大學：以264.24份額值衝至全球第9，其自動駕駛團隊在CVPR會議包攬3項最佳論文，深度學習框架“計圖”下載量突破千萬。2024全球AI領域Top100大學排名（中國）北京大學位列14，而中科院大學、浙江大學等19所高校集體上榜，數量較2020年激增171%。這種躍進離不開“國家隊”的投入：清華為AI專業本科生配備人均50萬元科研基金，中科院則把大模型訓練機房建在了貴州山洞裡，用天然低溫省下3成散熱成本。但光鮮背後也有隱憂。香港大學、港中文雖上榜，卻因論文合作率超60%被學界質疑“含金量”。而內地高校在《自然》《科學》等頂刊的獨立發文量僅為美國的1/5，顯示原創性研究仍有差距。三、英國：AI強校實力不容小覷英國政府非常重視 AI 技術的發展，早前就宣佈將加大投資力度，使英國 AI 超級計算能力提高 30 倍。本次排名中共有7所英國大學躋身全球AI研究百強，牛津大學與劍橋大學分別位列第4名和第5名。帝國理工學院: 作為G5超級精英大學之一，IC的電腦系擁有超過30個活躍的研究小組，研究範圍覆蓋從基礎AI理論到複雜智能系統的廣泛領域。愛丁堡大學: 在人工智慧領域的歷史可以追溯到上世紀60年代，是歐洲乃至全球最早開展AI研究的中心之一。其資訊學院 (School of Informatics) 是歐洲最大的電腦科學和資訊學研究機構之一，在機器學習、自然語言處理、電腦視覺和機器人學等領域擁有世界一流的研究實力。倫敦國王學院: 地處倫敦市中心的KCL，其電腦科學實力同樣強勁。得益於其優越的地理位置，KCL與倫敦蓬勃發展的科技產業聯絡緊密，為學生提供了豐富的實習、就業和產學研合作機會。英國AI名校推薦：帝國理工學院、劍橋大學、牛津大學、倫敦大學學院、愛丁堡大學、南安普頓大學、曼徹斯特大學、聖安德魯斯大學等。2024全球AI領域Top100大學排名（英國）四、電腦聖殿CMU為何暴跌？卡內基梅隆大學（CMU）的62名排名引發最大爭議。這所連續13年霸榜CSRankings的“電腦聖殿”，在《自然》體系中竟不敵貝勒醫學院、匹茲堡大學等“非傳統強校”。深究其因，CMU推崇的“問題導向型研究”與《自然》的論文數量指標天然衝突——該校教授更願把成果藏在DARPA軍事項目或創業公司程式碼庫，而非急於發表。其機器人研究所所長曼努埃爾·赫爾特曾說：“我們追求的是讓機器人在阿富汗拆彈，而不是在期刊上拆解公式。”這種“叛逆”反而成就了獨特優勢：CMU2018年開設全美首個AI本科專業，學生大二就能進入Uber無人車核心演算法組；其與Meta共建的元宇宙實驗室，讓學生用腦機介面設計虛擬城市，這些實戰經驗讓畢業生起薪高達16萬美元，遠超榜單前十高校。五、留學生的兩難：追排名還是賭未來？榜單折射的不僅是科研實力，更是留學選擇的認知革命。當南加州大學憑“好萊塢+矽灘”雙IP衝至46名，其電影AI專業學生已能用GPT-5生成劇本並自動匹配投資人。而華盛頓大學靠著亞馬遜的14億美元捐贈，把AI課程開進了西雅圖太空針塔頂層的全景教室。但理性聲音也在浮現：耶魯AI倫理課教授露西亞·溫警告，盲目追求論文產出會催生“學術流水線奴隸”，她更欣賞CMU“用技術解決真問題”的理念。這給留學生拋出尖銳選擇題——是擠進榜單前排高校獲取“學術光環”，還是投身CMU這類“反叛者”擁抱產業前沿？這場排名的真正價值，或許在於撕開了AI教育的複雜面相：當清華用國家力量猛追基礎研究，當CMU在產研融合中另闢蹊徑，當加州系把校園變成科技公司前哨站，每個選擇都對應著不同的未來圖景。正如MIT媒體實驗室主任伊藤穰一所言：“AI教育的終極考核不在榜單，而在十年後你的技術是否還活著。”2024全球AI領域Top100大學排名(人工智慧行動資訊港AI HUB)

2025年2月20日，北京大學物理學院現代光學研究所王劍威教授和龔旗煌教授課題組與山西大學蘇曉龍教授課題組合作，在國際頂級學術期刊《自然》（Nature）上發表一項以《基於整合光量子頻率梳晶片的連續變數多體量子糾纏》（“Continuous-variable multipartite entanglement in an integrated microcomb”）為題的突破性研究成果 Nature審稿人高度評價並指出：“這項工作首次在光學晶片上實現多位元連續變數量子糾纏，這一成果為可擴展量子資訊處理奠定了重要里程碑。”（This is the first time that multipartite entanglement is realized on an optical chip, which constitutes an important milestone for scalable quantum information） 這是在國際上首次實現了基於整合光量子晶片的連續變數簇態量子糾纏，為光量子晶片的大規模擴展及其在量子計算、量子網路和量子資訊等領域的應用奠定了重要基礎 我們一起扒一扒這篇論文：

全球科技圈都在為Sora瘋狂，馬斯克卻輕輕給Google點了個贊（doge）。 就在OpenAI“雙12”第三天，Google在前沿科技的另一極出手了： 發佈最新量子晶片，5分鐘內完成當今最快超級電腦之一需要10²⁵年才能完成的計算！ 怎麼說1025這事兒呢，就是……

這是155年以來從未發生過的事情 創刊155年以來，《自然》（Nature）雜誌迎來了員工的首次罷工，這可能導致這一著名的期刊首次缺席出版。 當地時間6月20日，施普林格自然出版集團（以下簡稱「施普林格自然」）全國記者工會（NUJ）的成員進行了為期一天的罷工。此次罷工是未來兩個月內八次罷工中的首次。 NUJ拒絕了施普林格自然5.8％的加薪提議，認為該漲幅遠落後於生活成本的上漲。 儘管施普林格自然每年獲利數億美元，並收取全球最高的文章處理費，但這些收益卻未能公平回饋給工作人員，NUJ已準備好談判解決這一爭端。這次罷工將波及施普林格自然旗下60 余種期刊，其中最受關注的就是《自然》雜誌及其系列刊物。

在開始正文之前，我們先來思考一個問題：人類是如何思考的？ 人類認識活動的一個前提是，人類的心靈與認識之間是透明的，即我們自身的認識對於我們而言是自明的，我們對其具有反思的能力，也可以將它們用語言表達出來。 儘管我們在很多時候也無法將自己的思維解釋清楚，但我們可以原諒自己不了解人類大腦的運作原理，因為人類大腦的運作原理是一樣的，即使無法了解其全貌，我們也可以與他人交流。 但對於現今的人工智慧來說，我們既不了解其運作原理，也無法理解其推理過程。