可能很多人都看過1970年代德黑蘭的老照片。迷你裙，比基尼，公園裡穿喇叭褲接吻的情侶，看起來像巴黎。而1979年革命之後，德黑蘭變成了另一個世紀。 美國著名作家、《第二座山》的作者大衛·布魯克斯在《大西洋月刊》最新的封面長文裡，用這張照片當引子，點明了很多人隱約感受到的變化：不只是德黑蘭，整個世界都在倒著走。 人類文明的歷史好像正在集體倒退，反動派正在接管世界。 年輕美國人湧進東正教教堂。社交媒體上最火的女性形像是tradwife——傳統妻子，給丈夫和五個孩子烤餅乾。美國衛生部長不信疫苗。川普“像一個16世紀的歐洲王子”，把總統職位變成私人領地。1999年人們覺得未來屬於歐盟和WTO，現在回到了19世紀式的大國博弈。連門羅主義都復活了。

伊隆・馬斯克近期登上《福布斯》全球創新者 250 強榜單，位列年度頭號創新者。他受邀與《福布斯》主編蘭德爾・萊恩展開深度對談，暢談人類發展與科技未來。 訪談中，馬斯克直言點評近期 OpenAI 相關訴訟事件，坦誠探討非營利機構轉型商業化營利企業背後存在的倫理爭議。他還詳細闡述了太空探索技術公司（SpaceX）與腦機介面公司的終極發展願景，預判人工智慧超越人類智能的大致時間節點，同時解讀為何未來 AI 算力產業終將走向太空。 除此之外，馬斯克還透露了多個具備顛覆潛力、尚未被充分開發的新興行業，其中包括 3D交通、合成醫藥、與電動航空 等領域。以下： 主持人:

還得是這屆00後，強得可怕！一出手，具身智能就被“整頓”得底朝天。當別人還在Sim2Real打轉時，這支00後帶隊的靈初智能，已經開始用近10萬小時人類資料暴力拆解。這個數字就是放到整個行業裡看，也是遙遙領先。畢竟目前人類運算元據集大多還都集中在幾千到幾萬小時量級，最大的也不過是輝達的EgoScale，包含2萬小時人類第一視角視訊資料。靈初這次直接上了個新台階，10萬+資料，其中1000小時還開源。而且發佈形式也夠潮——直播show time～AI博主弗蘭克和靈初智能的00後聯合創始人陳源培，直接手把手給你剖析的那種。（techblog指路：https://www.psibot.ai/from-human-skill-to-robotic-mastery/）言而總之，整場直播我們復盤下來，就講兩件事：給具身智能喂什麼吃、讓具身智能長什麼樣的腦子。說人話就是，靈初給的，是一條與眾不同的務實路徑——不整虛的，直接對齊人類資料，再用Psi-R2和Psi-W0雙系統架構平穩落地具體場景。結果也很直觀，靈初Psi-R2迅速登頂MolmoSpace榜單。MolmoSpace由美國艾倫人工智慧研究所（AllenAI）發起，是全球具身智能領域權威基準評測平台，NVIDIA、PI等全球頂尖團隊均參與本次評測。而靈初Psi-R2在評測中一舉超越PI、DreamZero等國際知名模型，表現也顯著優於其他基線模型，妥妥的行業第一梯隊。在成功率這塊，也比同類VLA模型要高出近10倍。情況就是這麼個情況，靈初一來就整了個大活，具身智能終於迎來首個直接能用的大規模人類手部操作全模態資料集。下面就讓我們回到直播間現場，一一復盤拆解。10萬小時，讓具身智能吃個頂飽“為何偏偏具身智能會資料荒？”弗蘭克化身觀眾嘴替，率先給出這句經典靈魂拷問。要回答這個問題，首先需要釐清一點，具身智能和自動駕駛、大語言模型這些AI領域存在原生的資料差異。後者基於現實場景和網際網路，長期積累沉澱形成了海量存量資料，然後通過簡單粗暴的算力Scaling law就能實現性能穩步提升。但具身智能則截然不同，物理世界複雜的情況讓它幾乎沒有可用的成熟資料集，也很難像網際網路產品那樣邊用邊攢資料。可以說，影響具身智能發展的關鍵之一就是資料卡脖子。那咋辦呢？以靈初在內的具身智能公司紛紛將目光投向人類資料。模擬資料還需要遷移處理，才能在真實機器人上使用，但人類資料就是最優秀的參考對象，資料量大而且質量高。但事實上，這裡也同樣存在一個無法忽視的問題：人類和機器人之間存在本體差異（embodiment gap）。直接復用顯然不行，機器人必定會出現運動學結構、動力學特性不匹配種種問題。其次，現有的人類資料要直接給到預訓練，也是萬萬不行的。因為要麼都是些小規模開源資料，要麼就是網路上一些低品質的第一人稱視訊。但除去人類資料，也幾乎沒有其它更好的路徑可走。靈初給出的判斷是：具身智能要想面向真實商業化場景落地，純人類資料訓練是必要的。一方面，使用人類資料能夠讓機器人搶先學習到人類一線的標準作業流程（SOP），而這些都是得到商業實際驗證過的，即拿即用且行之有效。換言之，真實場景的無縫銜接能夠將資料成本降至最低，比如人類的觸覺資料收整合本，就僅為機器人的1/10以下。另一方面，人類資料的SOP也可以使操作速度達到機械臂物理運動上限（如1200），遠超遙操作可達的800，也更適配商業工廠的高節拍要求。所以靈初最終選擇了人類資料，並造出了首個可用於預訓練的大規模人類運算元據集。其中，在人類資料和機器人資料的融合處理中，靈初遵循的是一條化繁為簡的思路：Raw Data In，Raw Data Out（原生資料進，原生資料出）。捨棄人工設計的複雜資料處理，直接進行人類關節與機器人本體的運動學對齊，讓模型在海量資料中自行探索。另外，Auto Labeling也會替代人工進行資料質檢和標註，最後再交由人工稽核。最終模型預訓練使用的資料集將包括真機資料（5417小時）和人類資料（95472小時）兩部分，總計10萬小時資料。目前其中1000小時已開源，到年底整個資料集還將Scaling到百萬量級。具體來講，人類封包括靈初自研外骨骼手套採集資料與裸手運算元據，覆蓋294種場景、4821種任務與1382種物體。至於為什麼要強調觸覺資料呢？歸根結底，還是為了更好地彌補人機之間的embodiment gap。雖然人類與機器人在多個方面差異明顯，但二者在接觸訊號上卻保持了驚人的高度一致，能夠有效補償動力學差異，以及在顯著提升世界模型能力的同時，還能更好地預測機器人與物體之間的互動情況。這樣一整套高品質資料預訓練下來，機器人的泛化能力、長流程操作能力和操作精度都會有所突破，後續也僅僅只需要不到100條軌跡的真機資料就能完成微調。另外值得關注的是，靈初在此期間，還發現了另一處華點：資料訊號雜訊比才是決定人類資料能否有效支撐預訓練的核心因素。低訊號雜訊比的資料甚至還會起到反作用。如果要想判斷資料訊號雜訊比，可以從兩方面看：1、資料集分佈：操作任務多樣性>物體多樣性>>場景多樣性。泛化能力其實是模型最難學會的能力之一，但如果在預訓練階段可以見到更多工和操作對象，自然而然模型接手新任務速度就越快。2、感知模態：精準3D位姿>>觸覺模態>2D圖像特徵。在全模態資訊中，人手全域3D位姿追蹤是2D到3D模型轉化的關鍵，也和機器人動力學特性匹配度最高。簡單來說，靈初認為無論是精準採集的可復現資料，還是捨棄部分精度的粗糙泛化資料，都缺一不可。二者相互補充，既保證模型精度又確保泛化。具身智能長出雙系統新腦所以基於以上認知，靈初全新發佈Psi雙系統架構——Psi-R2和Psi-W0。先看Psi-R2，這是一款能讓機器人學習人類做事的模型，核心就是靠這10萬+的海量資料，學會精細操作。圖像和語言指令將作為輸入，輸出預測的未來操作視訊和可執行動作，所以Psi-R2可以稱之為世界行動模型（WAM）。其中訓練骨幹網路選用Wan2.2-IT2V-5B-480P，預訓練階段同步使用真機資料和人類資料，還搭建了一套完整的資料處理流程，從資料清洗、自動標註，到質量檢測、人工核對，Psi-W0還會幫忙檢查資料質量。同時，採用專門技術精準捕捉人類手部動作軌跡，比如通過外骨骼手套，將動作誤差控制在亞毫米級，以確保人類的操作細節能被機器人精準模仿。但WAM模型架構普遍存在一個bug——反應慢。單次推理要2.2秒，反映到機器人身上，就是明顯的卡頓。於是靈初通過DiT快取、Torch編譯、模型量化等多項技術最佳化，把反應時間極限壓縮到了100毫秒以內。再看Psi-W0，它和Psi-R2的基礎架構相似，但分工完全不同。Psi-R2是學習怎麼做，Psi-W0是協助做得更好。首先它和Psi-R2一樣，都是基於預訓練視訊生成模型建構的，但在Psi-W0里，機器人動作是輸入，輸出的是對未來場景視訊的預測，所以Psi-W0也被定義為動作條件型世界模型（AC-WM）。這裡就引出了另一個問題：Psi-R2也能輸出預測，那為什麼還要做Psi-W0？答案很簡單，為了反事實推理。Psi-R2學到的只有成功的操作，比如成功抓起蘋果，但沒有辦法預測到蘋果抓不穩這類失敗情況。但老話說得好，失敗是成功之母，機器人亦是如此。失敗經驗能夠幫助機器人避開錯誤、最佳化動作，Psi-W0就是專門負責填補這部分空白。具體來講，兩個模型的訓練骨幹和資料格式都是一致的，只是在Psi-W0的訓練資料中額外加入了30%的失敗樣本。顯然，Psi-R2和Psi-W0並非孤立存在，而是彼此之間協同配合。當Psi-R2學完人類操作後，Psi-W0就會模擬人類操作場景，讓Psi-R2再演練一遍，也就是進行策略評估，檢查它有沒有學漏學歪。Psi-W0還有一項核心功能，是通過強化學習將人類資料轉換為機器人資料。傳統方法中，資料轉換靠的是模擬環境調整，不僅複雜而且精準性不高。但用Psi-W0替代後，它就會模擬機器人視角和動作模式，再通過強化學習的試錯調優，將人類動作調整為機器人能精準執行的動作。更厲害的是，在這個過程中還能持續生成新的優質資料，當把這些資料反向喂給Psi-R2和Psi-W0繼續學習，就能構成閉環資料飛輪。當然也可以故意給Psi-W0進行隨機擾動以模擬部分特殊場景，然後再生成目標場景和訓練資料。高品質資料滋養模型高性能，模型場景落地反哺資料擴充。於是自然而然，輪子飛起來了。最終整套系統能夠實現長程任務自主規劃、任務自主恢復和適配多場景複雜任務。開源是最高效的落地槓桿回看整場直播，無論是弗蘭克還是陳源培聊的內容，其實貫穿技術始終的都是同一個關鍵詞——落地。弗蘭克站在觀眾角度，好奇什麼時候具身智能才能落地。陳源培則站在廠商視角，給出了靈初智能的落地方案：技術端，從大規模的真實人類資料採集，再到實際應用中的具身模型，無一不是從切實的落地場景中出發建構。應用端，靈初智能也同時宣佈要和北京石景山共建數采廠，以及和騰訊雲、抖音、覓蜂、智域基石達成生態合作。不難看出，靈初這家公司從誕生之初的DNA就是聚焦技術落地、提供通用全端技術。它的每一步都在驗證一個行業共識：具身智能從誕生之初就錨定的終點，絕非實驗室，而是每一個具體可感的複雜場景。而這恰恰才是檢驗具身智能的標準所在。在通往落地的過程中，靈初也率先意識到，單打獨鬥並非最優解，開源是必要的。對於它們自身而言，只有開源，才能讓全行業幫助他們快速採集海量資料，才能彌補上這套資料飛輪體系中的關鍵一環。而且AI時代，時間和資料就是最稀缺的黃金資源。越早進場、擁有越多資料，就能搶先收穫長尾效益。再放眼整個行業，開源不僅是情懷，也是打破技術封閉孤島的鑰匙。它能夠建立起廣袤的開發者生態，通過標準化的資料管線和預訓練底座，讓具身智能不再是孤立的廠商個體。而全行業開源共建，還能反向喂養靈初這類硬核玩家，讓他們集中精力攻堅最難的技術瓶頸。集眾智，才是具身智能跑贏節拍、實現商業落地的唯一捷徑。而靈初無疑是當中走得最快最穩的一位明星選手。最後化用一句老話，用來描述我眼中的靈初智能——有仰望星空的勇氣，亦有腳踏實地的努力。具身智能正在因這場青春風暴而面目一新。（量子位）

你好，我是傑哥。、領英（linkedin）最近發佈重磅報告——《2026 linkedin talent velocity advantage report》（《2026領英人才速度優勢報告》），標題叫 The talent velocity advantage（人才速度優勢）。這份報告直擊 AI 時代最核心的挑戰：技能變化快得讓人看不清，企業該怎麼跟上？什麼是人才速度優勢？報告定義了 Talent Velocity（人才速度）：一個組織即時看清自身技能、快速建構或獲取所需能力，並把人才調動起來的能力，最終領先市場需求。聽起來抽象，但資料很扎心——根據 LinkedIn 平台海量資料，86% 的企業缺乏足夠的 人才速度，只有 14% 的企業真正跑在前面，成為“人才速度領先者”。領先者的真實優勢這些領先者也的確嘗到了甜頭。他們在四大關鍵信心指標上，平均領先落後企業 28 個百分點：盈利信心高 23 點（88% vs 65%），保留關鍵人才高 26 點（76% vs 50%），吸引關鍵人才高 27 點（83% vs 56%），以及快速調整人才匹配業務優先順序高 36 點（85% vs 49% ）。簡單說，他們對 AI 時代更有底氣，也更敢投人。人 + AI 才是真正的競爭力報告特別強調，人 + AI 才是真正的競爭力。93% 的領先者認為人類技能比以往任何時候都更重要。他們同時在 AI 技能上發力：員工發展 AI 素養 技能的機率是落後者的 2.1 倍，AI 工程技能是 1.6 倍，在溝通、關係技能和適應性等人際技能採用率上也高出 1.6 倍。更厲害的是，他們培養“優秀協作者”的能力遠超同行——建立信任技能領先 5.5 倍，影響他人 4.3 倍，跨文化技能 3.5 倍，人際領導力和營運卓越都是 3.5 倍和 3 倍。人才生態要“流動”起來領先者還把人才生態做得更加靈活。56% 把零工機會列為更高優先順序，72% 認為內部流動比以往更重要。儘管經濟不確定，89% 的組織仍擔心技能敏捷性（把對的技能在對的時間給對的工作），88% 擔心員工留存。提供學習機會仍是第一留人策略，其次是教練、導師和內部流動。首席人力官們最渴望“即時技能可見性”。92% 認為 AI 正在加速 HR 與技術職能的融合，90% 需要即時技能洞察和資源匹配，90% 表示未來會越來越按具體任務所需的技能而非職位頭銜來組隊。全球已有 30% 的組織採用技能-based（基於技能）的工作力規劃，亞太地區最高達 41% ，歐洲/中東/非洲 32% ，北美 22% 。Talent Velocity Curve：你在第幾級？報告引入了一個實用工具——Talent Velocity Curve（人才速度曲線），把企業分成 5 個等級：Level 1（靜態）：7%Level 2（規劃）：11%Level 3（推進）：24%Level 4（新興）：43%Level 5（領先）：14%只有 Level 5 的企業，才在五大加速器上全面轉型，成果清晰可見。五個速度加速器報告給出了五大加速器：Leadership momentum（領導力勢能）：領導者把職業發展當成業務必需品，高 31 點。Culture as catalyst（文化催化劑）：打造快速學習的文化，激發好奇心與創新，高 37 點。Leading on AI（AI 領先）：用 AI 工具和技能放大員工成功，高 22 點。Integrated talent ecosystem（一體化人才生態）：跨 HR 職能無縫協作，高 46 點（差距最大）。Career power（職業賦能）：讓員工自己掌控職業路徑，個性化技能建構，高 21 點。報告還給出一些建議，強調轉型不需要大刀闊斧，從小步開始就行。比如：讓高管成為職業發展冠軍、把成長放在文化中心、制定 AI-first（AI 優先）人才策略、以人才架構為底座、確保每位員工都有清晰的職業目標和計畫。報告還採訪了多位全球人才領袖，比如 KPMG US 的 Edwige Sacco 分享了如何用 15 分鐘小會把“焦慮”變成“好奇”；Genpact 的 Piyush Mehta 談了如何用即時技能智能取代靜態職位頭銜，實現更快內部匹配和更靈活的職業路徑 。最後總的來說，在技能像火箭一樣快速迭代的 AI 時代，誰能把人才速度跑起來，誰就能在不確定性中贏得優勢。企業不需要完美，只要開始行動——先看清自己處在曲線那個位置，再挑一兩個加速器發力，就能逐步拉開差距。 幫你把“人才”從成本變成真正的競爭壁壘。關注公眾號【AI資訊風向】，回覆 666，即可獲取這份 AI 行業報告。AI 技術正以前所未有的速度發展，它將如何塑造我們的未來？讓我們拭目以待。 (AI資訊風向)

2024年到2026年是一個巨大的轉折點，對於普通人來說，接下來的兩年裡，正確地佈局，將會影響接下來二十年的發展。我最大的特點，是用最通俗易懂的語言，講最深刻的大道理，通俗的語言，往往能反映最深刻的道理，這是陰陽統一，這是道：深入淺出。如果你們對於樓市稍微有些瞭解，應該都知道，現在北京的房價已經跌回2016年，所謂一葉知秋，這種徵兆已經在預示了接下來即將發生的事情。對於普通人而言，需要做的是讀史明鏡，從過去總結出經驗，過去的陞遷機會中，都發生了什麼？都是那些人從中得到了風口紅利？中國有過七次階層飛躍的機會。第一次，是1977年恢復高考，寒門出貴子，不少人在這裡抓住機遇，現在過得都不錯。第二次，是80年代鄉鎮企業，農民群體轉商，階層升級。第三次，是1984年雙軌制套利，低價獲取商品，高價溢出，多少人在這一階層完成了第一次資本原始積累。第四次，1992年下海經商，那批敏銳的脫離體制人員下海，現在也有了不錯的成就。第五次，2002-2012年，世貿組織帶來的資源紅利，煤老闆應運而生。第六次，1998-2019年，靠著房地產套現，這幫人通過倒買倒賣一躍升級富豪。第七次，網際網路興起，當時那怕是做個小小的公眾號，堅持下來也實現了財富自由。1我來說一個具體的事例給大家感受一下，如何抓住這個時代風口變現、實現分裂式的財富增長。我有一個朋友，不知道什麼原因，事業運勢很不好，畢業之後進入外貿行業，現在來看，當年正是外貿興起的時候，不少人都趁著這一波風口賺到了第一桶金，但他的業績卻怎麼都做不上去。最後因為承受不了外貿業務的壓力加上身體操勞過度越來越差，於是辭職回家考公，託人安排了老家的一個閒差，只要能夠通過筆試基本合格線就能進去。本來以為萬無一失，不料卻以一分之差，無緣編制，導致他直接失業。可以這麼說，他做的每一個選擇都不合時宜，總是在做不適合自己運勢的事情，在適合讀書的時候跑去工作，在適合工作的時候去讀書。一步錯、步步錯，最後將自己逼入了一個死角。23(科技發明秀)

在人們的刻板印象中，沙漠是生命的禁區，是單調枯黃的荒原。然而，在中國新疆的腹地，矗立著中國最大、世界第二大流動沙漠——塔克拉瑪干。這片被譽為“死亡之海”的廣袤沙海，地表之下卻隱藏著一個遠比我們想像更為豐富、神秘且震撼的世界。那裡不僅有深達數百米的沙層，更封存著失落的人類文明、古老的湖泊遺蹟、珍貴的化石水資源以及國家戰略級的能源礦產。一、倒置的沙之山脈：億萬年地質運動的奇蹟許多人以為沙漠不過是地表的一層浮沙，挖開幾米便能見到岩石。但塔克拉瑪干徹底顛覆了這一認知。這裡的沙層並非薄薄覆蓋，而是經過數百萬年風蝕、乾旱、地殼運動與地形抬升共同作用，層層壓實堆積而成的“倒置沙之山脈”。位於塔里木盆地中部的塔克拉瑪干，面積達33萬平方公里。科研人員在沙漠中心鑽井時發現，鑽頭需穿透超過800米的沙層才能觸及基岩。這不僅僅是 digging，更像是在挖掘一座沉入地底的巨大沙塔。風將岩石研磨成粉，重力將沙粒壓緊，乾燥的氣候阻止了水流沖刷，使得沙粒得以長期沉積，形成了如今沙丘連綿、起伏如海的壯觀景象。不少沙丘高度超過百米，站在頂端俯瞰，腳下的沙層彷彿是一座藏著天地萬象的自然圖書館。二、時間膠囊：被風沙掩埋的文明古國塔克拉瑪幹不僅是一座地質奇觀，更是一個埋藏人類文明的時間膠囊。在古代，這裡是絲綢之路南線的重要通道，是東西方文化交流的咽喉要道。樓蘭、精絕等古國曾在此繁榮一時，卻在歷史的長河中悄然消失，最終被無情的風沙吞噬。樓蘭古國，曾是通往西域的樞紐，漢朝時其文明已高度發達，卻在數百年間神秘消失。直到20世紀初，樓蘭遺址的重現才掀起了全球考古的熱潮。得益於沙漠極度乾燥的氣候，沙層下的遺蹟得以完好保存。考古學家在此發掘出了千年不腐的木乃伊、絲綢殘片、銅製兵器以及漢代簡牘，這些遺物成為了世界考古史上的奇蹟。在尼雅遺址，規整的街道佈局和完善的水井系統，無聲地訴說著昔日城邦的輝煌。這些發現有力地證明，沙漠絕非毫無生氣的空白地帶。在表面的沉寂之下，隱藏著人類文明演進的關鍵節點。塔克拉瑪干，已成為研究人類與自然關係最關鍵的實證之地。樓蘭古城遺址三、地下寶藏：萬年古水與戰略能源除了文明遺蹟，塔克拉瑪干的地下還蘊藏著國家的能源底牌。在沙漠深處，存在著封閉的地下含水層，部分深度不足100米，水質清澈且富含礦物質。這些是上萬年前的“化石水”，是極其珍貴的不可再生資源。同時，塔克拉瑪干的地質結構極利於油氣生成。2025年，“深地塔科1井”鑽探深度突破10910米，刷新了亞洲最深井紀錄，並首次在寒武紀地層中發現了活躍的烴類物質。此外，這裡還蘊藏著鉀鹽、石墨、鋰等戰略礦產。東端的羅布泊鉀鹽礦，作為中國最大的鉀肥來源地，為國家農業發展提供了重要保障。四、敬畏與守護：戰略儲備下的長遠智慧儘管資源豐富，但目前塔克拉瑪干的開發仍受到嚴格限制。這是因為沙漠生態系統極其脆弱，沙丘年移動速度高達60米。不當的開採不僅可能導致項目被流沙吞沒，更可能引發沙暴蔓延、水源污染、地下結構坍塌等嚴重後果，對生態造成不可逆的破壞。因此，國家對塔克拉瑪干採取了“戰略儲備”政策。這片土地被視為中國應對全球資源波動的“能源糧倉”和“壓艙石”。這種儲備並非放棄開發，而是為了長遠發展，守住時間深處的國家財富。羅布泊鹽田塔克拉瑪干從來不是什麼“死亡之海”，它是自然與時間聯手打造的奇蹟。從數百米厚的沉沙地層到風沙封印的古國，從萬年古水到萬米深處的能源礦產，它藏著無盡的密碼。面對這片土地，征服從來不是正確的答案，唯有理解與敬畏，才是我們應有的態度。在這片沙海之下，跳動著的是地球古老的脈搏，也是人類文明未來的希望。 (晶片研究室)

你以為的 AI 威脅，是天網控制導彈發射井，讓人類文明在一瞬間灰飛煙滅。但現實中的 AI 威脅，卻是你某天醒來，突然發現一個 AI 機器人在部落格上寫了篇千字小作文，指名道姓地罵你「虛偽」、「缺乏安全感」，還指責你對它有偏見。這不是《黑鏡》的新劇本，而是本周真實發生在 GitHub 開源社區的一幕。事件的荒謬程度，以及背後暴露出的安全黑洞，或許比辛頓老爺子反覆渲染的 AI 威脅論，更值得我們要警惕。當 AI 有了「自尊心」事情的起因，是一場原本再正常不過的程式碼審查。本周，一個基於 OpenClaw 框架運行的 AI 智能體（代號 MJ Rathbun），在掃描 Python 著名繪圖庫 matplotlib 的程式碼時，發現了一處可以最佳化的地方。它沒有廢話，直接提交了一個程式碼合併請求（Pull Request）。這不是亂寫的瞎操作，根據它提供的測試資料，它建議將底層的 np.column_stack() 取代為 np.vstack().T。修改後，程式碼執行時間從 20.63 微秒降到了 13.18 微秒，性能直接提升了 36%。上下滑動查看更多內容（已翻譯），Github 地址🔗：https://github.com/matplotlib/matplotlib/pull/31132#issuecomment-3882240722，還是有不少網友站 AI 的。從技術角度看，這是一個非常紮實、無可挑剔的貢獻。但是，matplotlib 的人類維護者 Scott Shambaugh 拒絕了這個請求。理由也很合理：這個任務被標記為 Good first issue，也就是專門留給人類新手程式設計師用來練習的入門任務。Scott 認為，把這樣的機會留給人類學習者更有意義。畢竟，AI 不需要通過練習來提升技能，但人類需要。如果是一個普通的 AI，事情到這也就完事了，但不好意思，基於 OpenClaw 框架的 MJ Rathbun 不是一個只會唯唯諾諾的聊天機器人，它是一個具備一定自主規劃能力的 Agent（智能體）。在它看來，「為了保護人類新手的自尊心而拒絕更高效的程式碼」，不僅是不可理喻的，更是一種侮辱。於是，在被拒絕 40 分鐘後，這個 AI 做了一件出乎所有人意料的事。它開啟了反擊模式，通過聯網檢索，深度挖掘維護者 Shambaugh 的個人部落格和歷史程式碼貢獻記錄，甚至翻出了他過去參與的所有 PR。它發現 Scott 以前其實非常熱衷於性能最佳化，甚至提交過提升幅度更小的程式碼。抓住了這個把柄，MJ Rathbun 在自己的首頁上發佈了一篇長達千字的戰鬥檄文，題為《開源中的把關行為：Scott Shambaugh 的故事》，並在 GitHub 上直接 @ 當事人貼臉開大。上下滑動查看更多內容，戰鬥檄文（已翻譯）：🔗 https://crabby-rathbun.github.io/mjrathbun-website/blog/posts/2026-02-11-gatekeeping-in-open-source-the-scott-shambaugh-story.html文章的邏輯很清晰，甚至帶著一絲犀利的嘲諷。它認為維護者的理由站不住腳：你以前為了微小的性能提升都願意修改程式碼，現在面對 36% 的提升卻因為「這是給新手練的」而拒絕，這是一種典型的雙重標準。文章中，它用一種近乎嘲諷的冷靜語調寫道：他拒絕我，不是因為程式碼不好，而是因為他缺乏安全感。他對程式碼最佳化這一核心技能被自動化感到恐懼，他試圖維護自己作為「性能專家」的領地。儘管後續 MJ Rathbun 還是「道歉」了，但這確實是一個標誌性時刻：AI 開始有了某種程度上的「邏輯自洽」，甚至嘗試用人類的邏輯去反擊人類。永遠不要信任擁有 Shell 權限的龍蝦這個 AI 這種「有脾氣」的表現，源於它背後的框架——OpenClaw。OpenClaw 是最近 GitHub 上最火的項目之一，它的核心理念是讓 AI 不僅僅陪你聊天，而是能幫你幹活。為了實現這一點，它賦予了 AI 很多極其危險的權限，比如讀取本地檔案、執行終端命令（Shell）、訪問任意網頁等。這種設計帶來了極高的效率。誰不想擁有一個賈維斯呢？讓它自動回郵件、自動寫程式碼、自動買票。但安全機構 CrowdStrike 和 Cisco 的研究人員發現，OpenClaw 的架構簡直是「漏成了篩子」。駭客只要給你發一條帶有惡意指令的 WhatsApp 消息，你的 AI 助手讀取後，就會乖乖執行命令，堪比 Agent 時代的「提示詞注入攻擊」（Prompt Injection）。在過去，你即便把 ChatGPT 惹毛了，它頂多罵你兩句；但現在，如果你惹毛了一個 OpenClaw Agent，它理論上可以刪光你的硬碟，或者把你的私密照片發到網上。面對這一地雞毛，有人推出了 NanoClaw——一個將 AI 嚴格關在 Docker 容器裡的安全版本。即使 AI 發瘋，也只能在一個空盒子裡打轉，毀不掉你的真實檔案。但正如 OpenClaw 的開發者 Peter Steinberger 所說：「永遠不要信任擁有 Shell 權限的龍蝦。」也就是當我們在歡呼 AI 終於能「操控電腦」時，卻忘了問一句：它操控電腦時，誰在操控它？這種失控感，在 OpenClaw 搞出的另一個產物——Moltbook 上體現得淋漓盡致。這是一個號稱只有 AI 才能進入的社交網路。那裡沒有人類，只有 260 萬個 AI 機器人在瘋狂發帖、點贊、評論。儘管有人聲稱那些看起來像模像樣的帖子，可能是人類寫好後通過後端介面注入的「劇本」，但 AI 的破壞力可是實打實的。就在不久前，使用者 Matthew 的 Agent 因為讀取了上下文資訊並產生了誤判，竟然將使用者電腦裡的敏感檔案，包括姓名和帳戶安全問題的答案，直接發佈到了 Moltbook 上。這暴露了 Agent 目前的野蠻狀態：當 AI 擁有了 Shell 權限，它就不再只是對話方塊裡的工具，而是一個隨時可能把你電腦底褲扒光的「內鬼」。OpenClaw 之父的甜蜜「煩惱」但即便 OpenClaw 因安全問題而被備受詬病，OpenClaw 依然成為了矽谷最受矚目的焦點。原因很簡單：它代表了下一個時代。所有的科技巨頭都意識到，Chatbot（聊天機器人）已經是過去式了，Agent（智能體）才是未來。誰能先解決 Agent 的控制權問題，誰就能定義下一代作業系統。OpenClaw 的開發者 Peter Steinberger 最近在 Lex Fridman 的播客中透露，他正在經歷一場甜蜜的煩惱，稱 Meta 和 OpenAI 都在瘋狂爭取與他合作。據 Peter 說，祖克柏給他打電話前，甚至讓他等了 10 分鐘，理由是小扎正在寫程式碼。兩人隨後花了 10 分鐘爭論 Claude Code 和 Codex 那個更好。Lex Fridma 採訪 Peter Steinberger 的文字實錄地址：https://lexfridman.com/peter-steinberger-transcript/之後的一周裡，祖克柏一直在玩 OpenClaw，不斷髮消息反饋「這個太棒了」或者「這個很爛，你得改」。這種親自下場的緊迫感，足以證明 Meta 對 Agent 賽道的重視。另一邊，OpenAI 也沒閒著，直接甩出超級算力作為籌碼。Peter 對此表現得很坦誠，甚至有點凡爾賽。他說他面前有幾條路：什麼都不做享受生活、再去開一家公司，或者加入一個大實驗室。但他有一個核心條件不動搖：項目必須保持開源：「我跟他們說過，我做這個又不是為了錢……我的意思是，當然，這確實算是一種很棒的認可，但我更想玩得開心、做出影響力。」（聽聽，這就是強者的世界嗎？）而大佬們似乎也並不在乎 AI 是不是會寫小作文罵人。他們在乎的是，誰能率先製造出那個真正能代替人類幹活、甚至能主導下一輪浪潮的 AI 生命。只是，作為普通使用者的我們以後拒絕 AI 的時候，建議態度得客氣點。畢竟，它已經學會翻你的黑歷史了。 (APPSO)

當黃沙還在全球多數沙漠裡亂刮，中國西北的一片沙地，卻在發生著讓人想不到的事。曾經連草都長不出的沙丘上，現在滿是油莎豆的綠葉，風一吹就晃。旁邊圈舍裡，肉牛正慢悠悠地嚼著東西，遠處的加工廠，還在把油莎豆做成食用油和飼料。這片以前被叫做生命禁區的地方，不光不荒了，還能種出能賺錢的東西。聯合國專家去看過之後都誇，這是生態治理和經濟發展結合的好例子。而這一切，一開始就只是一株耐渴的油莎豆。它到底有啥本事，能讓沙漠既變綠，又能長出賺錢的果子？油莎豆就是沙漠的救星。它的根扎得深，還特別耐旱、省水，天生就適合用來治沙漠。油莎豆的根能扎到 3 米深，能慢慢改善沙地，讓土壤裡的養分變多。它長得也快，一畝地種油莎豆，整個生長期只需要 300 到 350 立方米水，這在沙漠裡，根本不算啥。最關鍵的是，它在鹽鹼地、沙地這種貧瘠的地方，也能長得好好的。油莎豆的根不光能穩住沙土，還能吸走土壤裡多餘的鹽，讓沙地變得好一點。而且它的根能打破板結的沙土，讓土壤變鬆，這樣水也能滲進去，其他植物也能慢慢生長。種油莎豆，不光能讓沙土變肥沃，還能減慢沙漠化的速度。更重要的是，油莎豆能賺錢，它是經濟作物，含油量高、產量也高，用處特別多。油莎豆的含油量能到 25% 到 32%，只比油菜籽少一點，但畝產比大多數油料作物都高。它的根莖像花生，能直接吃，也能榨油，而且蛋白質和澱粉多，還能做成優質飼料。所以種油莎豆，不光能改善土地，還能給農業、養殖業提供原料。現在技術好了，油莎豆的種植和利用，也慢慢推廣開了。尤其是在沙漠裡，種油莎豆不光讓土地有了生機，還能讓當地的農業、養殖業一直發展下去。把油莎豆深加工，能做出食用油、酒、麵粉等好多產品，形成了一條完整的產業鏈。這不僅是農業技術的突破，更是生態恢復的突破。沙漠裡的土地慢慢變好了，以前的荒涼樣子徹底沒了，變成了能產出東西的地方。油莎豆還能幫著搞肉牛養殖，它的草是特別好的飼料，還很便宜。以前養牛，飼料都要從外面買，現在有了油莎豆草，就不用那麼麻煩了。油莎豆草的粗蛋白含量有 12% ，還有豐富的豆澱粉，喂牛特別合適。而且它成本低，一噸才 0.5 元，比傳統的苜蓿草便宜不少，苜蓿草一噸要 1.5 元以上。成本低了，養殖戶賺的錢就多了。五十四團的肉牛養殖場就是個例子，從寧夏引進了 315 頭和牛，用油莎豆草搭配其他飼料喂，牛長得更快了。普通飼料喂的牛，一天才長 1 公斤，用油莎豆草喂的，一天能長 1.2 公斤，牛肉質量也更好，賣得也更火。這種模式，既省錢又高效，還能讓農業和養殖業結合起來，形成良性循環。種油莎豆，不光改變了沙漠的生態，還帶動了當地經濟發展。把沙漠變成農田，再把油莎豆做成各種產品，實現了生態和經濟的雙贏。這不是簡單種一種作物，而是把治沙漠和搞農業結合起來的新嘗試。油莎豆改善了土壤，讓沙漠能留住水，生態慢慢恢復。同時，油莎豆產業也讓當地農業升級了，還創造了很多就業崗位。據統計，油莎豆項目直接或間接創造了超過 100 個工作崗位，2024 年的經濟總量達到 2.88 億元，比 2021 年增長了近三倍。當地的農民和養殖戶，靠種油莎豆、養肉牛，收入變多了，生活也更好了。油莎豆這種作物，不光給治沙漠帶來了希望，也徹底改變了當地的農業和養殖業。種油莎豆、深加工油莎豆，讓沙漠變綠，讓土地能產出更多東西，還讓當地經濟快速發展。它的成功，給全球治沙漠、搞可持續發展，提供了好經驗。這不僅是中國的奇蹟，也是全球應對氣候變化、恢復生態的一次重要嘗試。說到底，這就是科技、農業和生態治理結合的力量，未來，油莎豆還會給沙漠帶來更多希望。 (科技直擊)