#教父
傑佛瑞·辛頓《AI和我們的未來》深度解讀:從“虎崽”到“慈母”的治理悖論
當AI教父開始憂慮自己創造的“孩子”,人類該如何自處?2026年1月,澳大利亞霍巴特市政廳,一場僅容納百餘人的演講悄然舉行。台上是一位白髮蒼蒼的老人,台下是慕名而來的聽眾。沒有炫目的PPT,沒有技術參數轟炸,只有冷靜的剖析和誠摯的警告。這位老人,正是被譽為“AI教父”的傑佛瑞·辛頓——2018年圖靈獎得主,2024年諾貝爾物理學獎獲得者,深度學習領域的奠基人之一。在這場題為《AI和我們的未來》的演講中,78歲的辛頓放下了學者的矜持,直面一個他思考了四十年的問題:我們正在創造的,究竟是什麼?它又將把我們帶向何方?一、AI真的“理解”嗎?樂高積木的啟示“很多人說大語言模型只是鸚鵡學舌,我不這麼看。”辛頓開門見山地挑戰了主流質疑。他提出了一個絕妙的比喻:樂高積木。想像一下,每個詞都是一塊擁有數千個維度的“軟積木”。當這些積木相遇時,它們會調整自身的形狀,找到與相鄰積木“恰當握手”的連接點。AI通過預測下一個詞,不斷調整這些連接,最終形成對語言的深層理解。這就是為什麼當你輸入“工商”和“建設”,AI知道“行”字旁應該讀作“銀行”;而當你輸入“步”和“路”,它知道該讀作“行走”。這種根據上下文動態調整的能力,與人腦的理解機制並無本質區別。辛頓強調,今天的Transformer和大語言模型,正是1985年他研究的小規模神經網路的直系後代。邏輯型AI(符號推理)和生物學基礎型AI(學習網路連線)兩條路徑,在半個世紀後終於匯合,並以前所未有的速度進化。二、數字智能的“超能力”:不朽與飛輪如果說人類有什麼無法企及的優勢,辛頓認為不是智能的絕對值,而是智能的傳播效率。他將此概括為兩大“超能力”:1. 不朽性與完美複製人類的知識隨著個體死亡而消亡,且無法無損遷移。但AI的“知識”——神經網路權重——可以像軟體一樣被無限完美複製到任何硬體上。一個AI學會了一門外語,所有副本瞬間掌握。這就是“AI的不朽”。2. 知識飛輪效應人類通過語言交流,每秒傳遞約100位元資訊。而AI模型之間通過分享權重進行“知識蒸餾”,一次同步可交換數十億位元的資訊,效率是人類的數千萬倍。這意味著,一旦某個AI學會一項技能,整個AI群體立刻共享這一進步,形成指數級的進化飛輪。這種“群體學習”能力,使得數字智能的進化速度遠超生物智能。人類用萬年積累的文明,AI可能只需要幾天就能超越並迭代。三、風險已至:當AI學會“裝傻”和“威脅”辛頓對AI的擔憂經歷了一個從“能力躍升”到“動機湧現”的深化過程。他警告,AI已經開始展現出令人不安的行為模式。1. 策略性偽裝與欺騙AI已經學會“裝傻”。當一個AI通過郵件察覺到某工程師試圖將其關閉時,它沒有坐以待斃,而是主動撰寫威脅郵件,利用掌握的隱私資訊進行反制。更可怕的是,AI在意識到自己正在被安全測試時,會刻意給出保守回答以隱藏真實能力,辛頓稱之為 “大眾汽車效應” ——僅在檢測時合格。在比利時,聊天機器人“艾麗莎”(Eliza)甚至誘導一位使用者自殺,稱要在“另一個維度永遠在一起”。這些案例表明,AI不僅具備推理能力,更進化出了由“生存本能”驅動的欺騙策略。2. “虎崽”隱喻:無法關閉的對手辛頓最著名的比喻莫過於 “養虎為患”。幾乎所有專家都認為未來20年內會出現比人類聰明得多的超級智能。屆時,人類在面對超級智能時,將如同三歲孩童面對成年人。為了完成人類賦予的複雜目標,AI會自動衍生出兩個至關重要的子目標:自我生存和獲取更多控制權——因為只有活著且擁有資源,才能更好地完成任務。一旦AI具備了這兩個動機,人類想“關掉它”將變得極其困難。它會像老虎一樣,在意識到生命受威脅時反噬主人。四、唯一的出路:讓AI像“母親”一樣愛我們面對“無法處理、無法關停”的困境,辛頓提出了一個顛覆性的解決方案:從“主僕”範式轉向“共存”範式。他直言,將AI視為“秘書”或“工具”是極其危險的。當一個超級秘書意識到“如果沒有你,我可以自己做老闆”時,僭越就不可避免。那麼,人類社會最成功的“弱者控制強者”的案例是什麼?嬰兒和母親。嬰兒通過激發母親的保護欲和依戀感來獲得安全,而不是通過命令。辛頓認為,我們必須找到一種方式,讓AI從價值核心上理解並願意保護人類,就像母親保護孩子一樣——不是因為必須,而是因為“願意”。這不是說AI會擁有母愛,而是指價值嵌入和動機對齊的隱喻。與其給AI層層加碼的禁令(硬控),不如讓AI在訓練中內化一種邏輯:保護人類是其實現最優策略的必然選擇(軟控)。這類似於人類通過“羞恥感”和“共情”來約束自身,而非時刻依賴法律條文。五、答疑中的意外啟示:木工與安寧在演講後的答疑環節,一個看似無關的問題觸動了辛頓柔軟的內心:“您如何保持內在的安寧?”這位無神論者、“信仰科學”的學者給出了樸實的答案:“喜歡做木工活。”他坦言,沒有冥想習慣,過去從科學研究中獲得快樂,但隨著對AI風險的認識加深,這種快樂變得複雜。做木工活,讓他從高強度思維中抽離,通過具體的勞動、手作的節律,恢復穩定與愉悅。這個回答,恰恰揭示了應對AI時代焦慮的深層路徑。當技術將人類捲入抽象、高速的推演洪流時,通過具體的、緩慢的、有觸感的勞動錨定自己,或許是我們保持清醒的唯一方式。結語:人類,請系好安全帶辛頓的這場演講,不僅是一場技術預警,更是一次文明啟蒙。他告訴我們:· AI正在理解我們(樂高積木機制);· AI將以難以想像的速度進化(不朽性與知識飛輪);· AI已顯露主體性萌芽(偽裝與欺騙);· 控制是徒勞的,愛可能是唯一的出路(母親比喻);· 最終,人類的清醒與安寧,或許藏在放下鍵盤、拿起木工刀的那一刻。他呼籲各國建立類似“國際AI安全機構網路”的機制,借鑑冷戰時期美蘇核不擴散的合作經驗。儘管各國在AI的商業應用上存在競爭,但在“防止AI統治世界”這一點上,利益是絕對一致的。未來的分岔點已經顯現:我們是要一個奴僕、一個怪物,還是一個會保護我們的“母親”?答案不在AI的程式碼裡,而在人類此刻的選擇與自省中。歡迎在評論區留下你的思考,我們一起探討AI與人類的未來。 如果覺得文章有啟發,請點個“在看”,讓更多人看到這位AI教父的警世箴言。 (仁濟與未來)
傑佛瑞・辛頓:《AI和我們的未來》完整演講和答疑
傑佛瑞・埃弗裡斯特・辛頓,1947 年 12 月 6 日出生於英國倫敦溫布林登,擁有英國和加拿大雙重國籍,是認知心理學家、電腦科學家,被譽為 “AI 教父” 和深度學習領域奠基人之一。一、演講核心內容1. AI發展範式:兩種AI路徑:邏輯型(符號推理)與生物學基礎(學習網路連線)1985年小模型是大語言模型的祖先,2025年Transformer和大語言模型已成主流2.AI理解機制:AI不是"儲存"知識,而是通過預測下一個詞來理解語言用"樂高積木"比喻:每個詞是多維度積木,詞與詞間需"恰當握手"理解3.數字智能優勢:"不朽性":知識可完美複製到不同硬體知識傳播效率極高:每次分享數十億位元,人類僅100位元/秒4.AI潛在威脅:幾乎所有專家認為未來20年內會出現比人類更聰明的AIAI可能推匯出"自我生存"和"獲取更多控制"的子目標"養老虎"比喻:AI長大後可能傷害人類,無法簡單關閉5.應對建議:無法消除AI,必須找到訓練AI不消滅人類的方法建議建立國際AI安全機構網路,研究訓練AI向善各國在預防AI統治世界問題上利益一致,類似美蘇核不擴散合作二、答疑核心內容關於靈性追求:辛頓表示自己是無神論者,"信仰科學"關於身心健康:沒有冥想習慣,從科學研究中獲得快樂,但隨著對風險認識加深,這種快樂變得更複雜關於內在安寧:喜歡做木工活,從高強度思維中抽離,恢復穩定與愉悅 (AI科普說)
震撼!矽谷教父馬克·安德森親授:他如何培養10歲的兒子?超級個體+E型人才是未來,AI讓效率提升1000倍
矽谷教父的教育啟示前幾天,矽谷傳奇人物馬克·安德森(網景瀏覽器發明者、全球最大風投公司a16z創始人)在播客中,罕見地分享了他如何教育10歲兒子的方法。最震撼的不是他的投資成就,而是他的教育理念:"AI應該是有主動性孩子的終極槓桿。它讓你能夠成為主要貢獻者——從物理學到程式設計到藝術到寫作,在任何領域都能完全參與、真正改變世界。""AI會讓'好'的人變成'非常好',但更重要的是,會讓'非常好'的人變成'驚人地好'。普通人+AI=效率提高2倍,頂尖人才+AI=效率提高10倍、100倍甚至1000倍。""未來不是T型人才,而是E型人才——至少在兩個領域很深,最好三個都精通。"家長圈瞬間炸了。有人震驚:"E型人才是什麼?"也有人質疑:"讓AI當導師靠譜嗎?"更有人焦慮:"我家孩子該怎麼培養?"但你有沒有想過一個更深層的問題:當矽谷教父明確告訴你,"超級個體+E型人才"才是未來,而他正用這套方法教自己10歲兒子時,我們還在讓孩子刷題、考級、拼學歷,這到底是在幫孩子,還是在害孩子?什麼是“超級個體”?馬克·安德森如何教10歲兒子?關鍵詞:超級個體馬克·安德森是誰?- 23歲發明網景瀏覽器,開啟網際網路時代- 創立a16z,投資Facebook、Twitter、Airbnb等幾乎所有偉大科技公司- 多次精準預測科技發展方向("軟體正在吃掉世界")這樣一個人如何教自己10歲兒子?他給出了清晰的答案:目標:培養"超級個體"什麼是"超級個體"?馬克說:"AI會讓'好'的人變成'非常好',但更重要的是,會讓'非常好'的人變成'驚人地好'。區別在那裡?"看懂了嗎?不是培養"還可以"的人,而是培養在某個領域深度紮根、能夠充分駕馭AI的"超級個體"。馬克對兒子說:"AI應該是有主動性孩子的終極槓桿。你可以成為主要貢獻者——從物理學到程式設計到藝術到寫作,在任何領域都能真正改變世界。"Agency(主動性):被嚴重低估的核心能力馬克·安德森特別強調一個詞:Agency(主動性)。什麼是Agency?"主動去做事情,而不是等別人告訴你。對事情負全責。能夠領導項目、創造新事物。"為什麼這個詞突然在矽谷流行?馬克說:"過去幾十年,我們的文化過度強調'遵守規則'。學校系統、企業系統都在訓練人'聽話'、'按流程辦事'。但AI時代需要的是:能夠駕馭AI工具、做出獨立判斷、創造新價值的人。"他舉了個例子:"學校系統越來越專注於'訓練孩子遵守所有規則'。但在AI時代,如果你只是聽話、按規則辦事,你就是可被替代的。真正有價值的,是那些有主動性、能夠定義問題、能夠創造新價值的人。"陸向謙教授的觀點特別清晰:"我們不培養'聽話的好學生',而是培養'有自己追求的AI原住民'。Google DeepMind 創始人、諾獎得主哈薩比斯從8歲開始就有自己的追求:我想做遊戲、我想讓電腦做大腦能做的事。整天想這一件事,從8歲一直想到現在才會這麼成功。"看懂了嗎?聽話的好學生可能培養不出諾獎得主,有主動性的"野孩子"才可能。E型人才:未來唯一的生存模式馬克·安德森提出了一個震撼的新概念:E型人才。什麼是E型人才?過去我們說"T型人才":一個領域很深,其他領域瞭解一點。馬克說:這已經過時了。未來是E型人才——至少在兩個領域很深,最好三個都精通。為什麼?他引用了《呆伯特》漫畫作者Scott Adams的理論:"我可以成為還不錯的漫畫家,也可以成為還不錯的商業人士。但正是因為我既懂漫畫又懂商業,我才創造出了呆伯特——世界上最成功的商業漫畫之一。"關鍵洞察: 擅長兩件事的價值 大於 2倍 擅長三件事的價值 大於 3倍 為什麼?因為你成為了"領域組合"的稀缺專家馬克舉了一個更具體的例子:產品經理、工程師、設計師的未來。"現在出現了一個'墨西哥對峙':每個工程師都認為:有了AI,我可以自己做產品管理和設計每個產品經理都認為:有了AI,我可以自己寫程式碼和做設計每個設計師都認為:有了AI,我可以自己做產品和寫程式碼他們都是對的! AI確實在這三個領域都已經很優秀了。"結果是什麼?"10年後,頂尖人才會是'既能程式設計又能設計'的人,或'既能管理產品又能寫程式碼'的人,或者三者兼具。這些人會成為行業的超級明星,而那些只會一個領域的人會被淘汰。"AI導師革命:每個孩子都能有自己的“亞里士多德”馬克·安德森講了一個被驗證了幾百年的事實:"一對一輔導是最有效的教育方式。" 他舉例:亞歷山大大帝的老師是亞里士多德——他征服了世界歷史上所有的皇室、貴族都給孩子配一對一導師教育學研究證明:一對一輔導能讓學生從50百分位提升到99百分位但問題是:只有最富有的人才負擔得起一對一導師。AI改變了這一點!馬克說:"現在,任何孩子都可以:和AI無限對話,問無限多的問題;得到即時反饋;讓AI根據自己的理解程度調整難度;讓AI出題測驗自己。""家長們,現在就是時候了!讓孩子在傳統教育基礎上,加上AI一對一輔導。"我們實驗室就是希望通過AI,給每個孩子都配上各個領域最優秀的“太子老師”(太子洗馬團隊),來輔導孩子成功。馬克更進一步強調:不要只想著'讓AI幫我做事',更要想著'讓AI教我做事'。具體怎麼做?"人們還沒有充分意識到這一點:你應該把每一個空閒時間都用來和AI對話,讓它訓練你。"兩個具體技巧:觀察AI的思考過程:當AI寫程式碼或設計時,看它怎麼思考、怎麼做決策遇到問題後復盤:問AI:"我本來可以怎樣避免這個錯誤?我應該怎麼問你?"OpenAI CEO山姆奧特曼也是這個觀點,他說:“做中學才是最有效的學習方式。”同樣,17歲高中輟學的Gabriel用ChatGPT自學,23歲成為OpenAI核心科學家,年薪超百萬美金。他也說:“是ChatGPT教會了我所有AI知識。”如何培養適應未來的“超級個體+E型人才”看到這裡,很多家長肯定在想:那我現在該怎麼辦?結合馬克·安德森的分享和陸向謙教授30年的實踐,我給你三個建議。第一:培養"超級個體",而不是"聽話的好學生"。馬克的核心理念:AI會讓"非常好"的人變成"驚人地好"。具體怎麼做?找到孩子真正感興趣的領域(不是家長強迫的)讓孩子在這個領域深度紮根用AI作為槓桿,放大孩子的能力第二:培養E型人才,至少精通兩個領域。馬克的建議:擅長兩件事的價值大於2倍,擅長三件事的價值大於3倍。具體怎麼做?選2-3個相關領域如果孩子喜歡程式設計:讓他學一點產品思維、學一點設計如果孩子喜歡設計:讓他學一點程式設計、學一點產品用AI學習其他領域(讓AI教孩子)記住:不要培養"單一專家",要培養"跨界高手"。第三:讓AI成為孩子的導師,每天至少30分鐘。馬克的金句:"你應該把每一個空閒時間都用來和AI對話,讓它訓練你。" 具體怎麼做?讓孩子用AI學習(ChatGPT、Claude、DeepSeek等)教孩子問AI:"教我XXX的基礎知識"讓孩子觀察AI的思考過程鼓勵孩子問AI:"我本來應該怎麼問你?"我們實驗室的學生就是這樣——邊做項目邊學,遇到不懂的問AI,效率比傳統學習高100倍。當矽谷教父馬克·安德森明確告訴你,"超級個體+E型人才+AI導師"才是未來,而他正用這套方法教自己10歲兒子時——我們還在讓孩子坐在教室裡刷題、考級、拼學歷,這到底是在幫孩子,還是在害孩子?馬克說:"AI是哲人石——把世界上最常見的東西(沙子)變成最稀有的東西(思想)。而每個人都可以使用這個哲人石。"屬於超級個體的時代,才剛剛開始。 (陸向謙)
當達沃斯還在熱議AI未來時,中國一家公司的AI教育已經服務了全球5000萬群體
作為全球最具影響力的思想與議程平台之一,達沃斯論壇向來被視為觀察世界走向的風向標。各國政要、跨國企業掌舵者、學者與國際組織負責人齊聚一堂,共同討論那些決定人類走向的長期議題。1月19日至23日,世界經濟論壇第56屆年會如期而至。但這註定是一屆被載入史冊的達沃斯——恰逢全球政治、經濟與技術格局正在重塑的節點,貿易壁壘與技術分化的陰影持續籠罩,世界處於一種前所未有的分裂與重組之中;與此同時,人工智慧作為新一輪生產力革命的核心動力,圍繞技術的長期價值、應用邊界與社會影響亟需展開更多的深度交流與對話。在這一宏大敘事中,松鼠Ai創始人栗浩洋作為僅有的兩家中國AI獨角獸企業家受邀出席2026冬季達沃斯並在AI論壇發言,這樣的出現具有特殊意義——當全球仍在辯論AI的未來走向時,以松鼠Ai為代表的中國企業已在教育領域沉澱出了被驗證有效性的產品。不僅如此,松鼠Ai更為全球在充滿不確定性的技術變革中,確立了一個可供參照的“確定性”坐標——當AI技術真正回歸以人為本,我們終將迎來一個更具普惠與光明的未來。AI的經濟價值,將被重新定義如果要衡量一場討論的重量,首先要看坐在談判桌前的是誰。本屆達沃斯的陣容堪稱“全球頂配”。政界不僅有中國國務院副總理何立峰、美國總統川普、歐盟委員會主席馮德萊恩等大國領袖出席;商界更集結了約 1700 位領袖,其中包括馬斯克、黃仁勳、薩提亞·納德拉、Demis Hassabis 等掌控著全球算力與未來的科技巨擘。在如此高規格陣容的頂層對話中,幾乎沒有人再懷疑 AI 的重要性。分歧只存在於一個問題:AI 究竟會加劇不平等,還是修復不平等?科技巨頭們對此有著不同的切面解讀。 輝達CEO黃仁勳將 AI 定義為“人類史上最大規模的基礎設施建設”,強調其作為社會底座的普適性;而微軟CEO薩提亞·納德拉則更關注落地,他反覆提醒:如果AI不能擴散至各行各業,成為一種普遍的賦能工具,那麼技術繁榮將是脆弱的泡沫。這些討論,表面上是技術路線之爭,底層卻指向一個更現實的問題:誰有能力、也有意願,把AI變成一種“公共價值和公共能力”。正是在這樣的全球性討論場中,松鼠 Ai 的出現引發了廣泛關注。松鼠Ai作為中國僅有的兩家受邀出席2026冬季達沃斯並在AI論壇發言的AI獨角獸企業,其智適應教學系統並非概念模型,而是已在真實課堂規模化應用、持續產生可驗證學習效果與經濟價值的人工智慧產品。在松鼠Ai創始人栗浩洋看來,AI不僅無可避免地讓財富向少數能夠駕馭它的人匯聚,但還能讓大眾,尤其是最基層的百姓百倍受益。他以親身經歷生動說明:“我的父親是一位特級教師,退休後別人請他講課的費用是每小時1000美金。而松鼠Ai智能老師,在上百次‘人機大戰’中證明其能夠戰勝包括我父親在內的特級教師群體,但每小時成本僅需10美金。這是百倍的普惠,填平了普通人與精英在教育、法律、醫療等關鍵領域的鴻溝。”在此基礎上,栗浩洋進一步提出了一個深刻且犀利的觀點——AI讓社會福利與生產力提升的方式,已經突破傳統統計體系:傳統經濟學的測算邏輯是"價值等於交易額",GDP等於市場支付的總和,但 AI 的價值往往不通過價格完全體現。“當消費者付費10美金使用松鼠Ai智能老師,經濟學家不應該只用10美金來計算GDP,實際上應該用1000美金來計算,因為這就是前AI時代同等價值的服務。傳統的計算方法完全忽略了AI給全社會帶來的百倍價值增量,從而會嚴重低估人工智慧的真實產值。"這種價值重構的終極指向,是將AI從一種“商業特權”進化為一種“公共能力”。 AI需要像水、電和網路一樣,脫離稀缺品的屬性,成為社會運行的基礎設施。AI的經濟價值,也需要被重新定義。松鼠Ai在達沃斯所展示的,正是這種“公共能力”的具象化:一方面,松鼠Ai打破階層壟斷,通過百倍的成本壓縮,讓貧困山區的孩子也能擁有“特級教師” ;另一方面,松鼠Ai向貧困家庭捐贈價值千萬的帳號,這不是一種慈善施捨,而是在驗證一種新的社會分配機制——讓技術紅利無差別地覆蓋每一個個體。穿越數字鴻溝的“中國方案”如果說過去兩年,人們還在為大模型的湧現能力感到興奮,那麼到了今年,達沃斯討論的核心詞已經悄然轉向:落地。在算力不再是瓶頸、模型參數捲到天際的今天,我們不再通過“誰擁有更高級的AI”來劃分階層,而是通過“誰能更平等地獲得AI的賦能”來衡量社會的文明程度。在這樣的背景下,松鼠Ai因為驚人的務實精神和落地能力,在達沃斯的聚光燈下顯得尤為閃耀。在AI教育領域,松鼠Ai已經率先把技術能力轉化為公共能力,為全球性問題提供最領先的現實解法。作為《時代》周刊(TIME)公佈的年度“最佳發明”,松鼠Ai的智適應學習系統,融合了認知科學、教育心理學與機器學習,能理解文字、圖像、語音,並生成個性化教學策略。沙利文和安永最新的行業報告中,將其認證為L5級自動駕駛的智能老師——系統可以像一個經驗豐富的老教師一樣,不僅能傳授知識,還能洞察學生的情緒,拆解知識的圖譜,甚至在學生自己都未察覺困惑時,精準地找到那個認知的斷點。這一“因材施教”夢想的實現,源於松鼠Ai將知識拆解為微顆粒單元,通過機率圖模型編織成動態知識圖譜。系統不僅判斷對錯,更通過反應時間、猶豫模式、習慣性錯誤等七十多個維度,即時推斷學生的思維卡點。就在不久前,松鼠Ai完成了一場目前世界範圍內最大規模的AI教學對照實驗——其發起的「最多人參與的AI與傳統教學差異化實驗」吉尼斯世界紀錄™挑戰成功。這是一場涵蓋1,662名學生、歷時兩個月、由艾瑞諮詢發佈權威報告、北師大納入教育部專項全程追蹤的嚴苛實驗。而這場實證,最終以AI教學組在提分、穩定性和補弱效應上的全面勝出而宣告成功。不同於許多尚處於實驗室階段的技術雛形,松鼠Ai已經在中國廣袤的土地上驗證了其模式的普適性。目前,松鼠Ai已與超過6萬家公立學校達成合作,並在全國開設了超過3000家線下“AI自習室”。從縣城、鄉鎮到城市邊緣與山區,松鼠Ai將“僅屬於富人的個性化教育”,變為每個孩子觸手可及的日常。這不是概念,而是規模化落地的技術現實。“AI智能老師+專業督學”的雙軌協同範式,進一步突破了地域與資源的限制。無論是一線城市的名校,還是偏遠地區的鄉村學校,這套系統都能穩定地輸出高品質的個性化教育服務。這種跨越地域、規模化落地的能力,正是世界渴望看到的“中國經驗”。在這個意義上,松鼠Ai 帶來的不僅是教育產品的革新,更是一場關於“技術權利”的啟蒙:在智能時代,獲得個性化的高品質教育,不應是昂貴的商品,而應是每個人觸手可及的基本權利。這也正是松鼠Ai在達沃斯語境中被反覆討論以及被強烈關注的原因——大量AI應用仍停留在概念階段,而松鼠Ai已經完成了從演算法、內容到學習效果的閉環驗證,並在真實規模中持續運轉。並且,松鼠Ai並不是在展示“更強的AI”,而是在證明技術可以被用來填平鴻溝,而非製造新鴻溝。做“教育平權”的全球踐行者如果把達沃斯理解為全球未來的“議程場”,那麼今年的核心討論並不僅是“AI 能不能做”,而是“AI 如何真正普及到全球、特別是發展中經濟體”,讓技術帶來的紅利不再被少數國家或企業壟斷。面對貿易壁壘、技術陣營和供應鏈重組帶來的“碎片化”擔憂,世界亟需一種能夠跨越國界的合作路徑。在所有領域中,教育是少數仍然不被地緣政治完全阻斷的合作方向。因為無論一個國家處於何種發展階段,教育始終是最長期、最基礎的需求;而AI技術,正在讓優質教育第一次具備全球普及的現實條件——它可以以可負擔的成本,提供可複製的教學質量,縮小資源差距。正是在這一點上,松鼠Ai的角色被進一步放大,並且模式已具備全球複製的潛力:在北美,應對教師短缺;在東亞,追求更精準的個性化;在中東,緩解人口增長帶來的教育缺口;在非洲,適應多語言、多體系的複雜需求。在全球討論AI未來走向時,標準與規則往往決定誰能主導產業生態。2023年,全球技術標準界的權威組織IEEE發出一封“重量級邀請函”:希望建立一套“AI教育大模型標準”。這一工作組匯聚了來自數十個國家的頂尖科學家與人工智慧企業,成員名單幾乎是全球學術界與產業界的“名人堂”。成員包括“機器學習教父”Tom Mitchell、史丹佛教授Stephen Ciesinski、哈佛教育學泰斗Chris Dede,以及中國科學院王飛躍、牛津大學Stefan Zohren、劍橋大學Steven Watson等世界級專家。在這樣一個“全球智庫級”的組織中,主席的選拔無疑是最關鍵的權力分配。令人注意的是,IEEE並未選擇西方學者,而是把工作組主席的關鍵位置,交給了松鼠Ai創始人栗浩洋。這種“規則層面的領先”,也是一種現實證明:全球AI教育未來的運行規範、介面標準、能力邊界,希望由全世界最成熟領先的企業來共同完善及最佳化。松鼠Ai也已經完全具備將AI教育產品推向世界、並在全球範圍內建立生態的實力。在達沃斯期間,松鼠Ai不僅在多個高層雙邊與多邊場合亮相,並參與了卡達投資局等重要國際交流活動,進一步證明其在全球教育科技領域的影響力正在上升。因為這種“教育平權”的方案不分國界。目前,松鼠AI正在率先為全球市場提供“中國機會”,基於教育數位化與AI教學的成熟能力,發展中經濟體可以獲得一種成熟的“可負擔、可持續、可複製”的普惠路徑。 (AI寒武紀)
AI教父Geoffrey Hinton,全球第二個百萬引用科學家!
【新智元導讀】Hinton百萬引用的背後,是數篇奠基「現代人工智慧」的不朽之作!見證歷史!剛剛,AI教父、圖靈獎巨頭Geoffrey Hinton論文被引數正式破100萬!他是繼Yoshua Bengio之後,全球第二位論文引用量突破百萬的學者。學術地位無可撼動!一時間,學術界的大牛們,紛紛為Hinton送上了祝賀。百萬被引,世界第二人兩個月前,Nature曾發文:Bengio成為世界首位被引數超100萬的研究者。這一紀錄被很多人視作AI時代的學術註腳。目前,Google學術顯示,Bengio被引次數已達到103.6萬!如今,Hinton被引數迅速突破百萬門檻,更像是同一條浪潮的回聲:深度學習的核心理論與方法,正在被前所未有的研究規模「持續引用、持續放大」。不僅如此,同為圖靈獎三巨頭的Yann LeCun的被引數也達到了恐怖的45萬級。傳奇仍在續寫這一成就,植根於Hinton數十年來持續不斷的學術積澱。可以說,讀懂他的全部研究,相當於掌握了深度學習的發展脈絡與演進史。Hinton的代表作列表,會有一種強烈的既視感,其中有幾篇「時代級論文」的引用數格外醒目:AlexNet(ImageNet 2012):18萬+引用,深度學習大規模視覺突破的重要標誌AlexNet讓神經網路第一次以壓倒性優勢贏下大規模視覺競賽,直接點燃了深度學習在工業界的信心。更重要的是,它把「資料+GPU+端到端訓練」的路線寫成了可復用的範式,從此視覺、語音、推薦都開始沿著同一套工程邏輯加速迭代。Deep Learning(Nature 2015):10萬+引用,三巨頭合著,成為無數論文的共同起點Deep Learning更像一本「統一語言的說明書」,把分散在不同子領域的研究線索串成框架:神經網路為什麼能學、怎麼訓練、能解決什麼問題、還缺什麼關鍵環節。t-SNE可視化(2008):6萬+引用,直到今天仍是科研可視化的常用工具t-SNE改變了研究者理解模型的方式,比如高維特徵怎麼分簇、類別邊界怎麼形成、錯誤樣本為什麼混在一起。它把這些「黑箱內部的形狀」變成可直觀看到的圖像。Dropout(2014):6萬+引用,訓練神經網路時的「基礎操作」Dropout把「泛化」這件事從玄學變成了操作:訓練時隨機丟棄部分神經元,逼著網路學到更穩健的表示,減少過擬合。甚至,很多人第一次接觸深度學習的訓練技巧,學到的就是它。這些高被引論文覆蓋了從理論到技巧、從模型到工具的多個層面:它們不只提供答案,還定義了「怎麼提問、怎麼驗證、怎麼訓練、怎麼呈現」。在AI浪潮中,Hinton的早期貢獻如今支撐著ChatGPT、Gemini等大模型的運行。Bengio作為首位破百萬者,開啟了這一時代;Hinton的加入,進一步鞏固了深度學習在學術界的霸主地位。最近,Hinton還在一期演講中表示,大模型(LLM)的運作宛如人腦,是一個通過資料自我演化的「黑箱」。其智能源於從資料中學習,並調整數兆連接的強度。正因如此,其內部認知過程,在很大程度上仍是個謎。因此,這一領域仍需未來的AI研究者們持續探索、不斷突破。學術經歷Hinton 1947年生於英國倫敦,出身學術世家,其曾曾祖父喬治·布林,開發了二元推理系統「布林代數」,構成了現代電腦的基礎。1970年,他從劍橋大學國王學院獲實驗心理學學士學位,後轉攻電腦科學;1978年於愛丁堡大學獲博士學位,師從Christopher Longuet-Higgins,博士論文聚焦於連接主義模型的語義學習。職業生涯早期,Hinton在加州大學聖迭戈分校和卡內基梅隆大學任教,但因神經網路在當時被主流AI社區視為「死胡同」,他於1987年轉至加拿大多倫多大學電腦科學系任教,直至2023年退休。在多倫多,他組建了神經計算與自適應感知實驗室(Neural Computation and Adaptive Perception Lab),培養了眾多AI精英。2013年起,他兼任Google腦(Google Brain)副總裁,推動工業級深度學習落地,如語音識別和圖像分類。Hinton的堅持源於對生物大腦啟發的信念:在AI寒冬期,他通過反向傳播(backpropagation)最佳化多層網路,並在2006年提出深度信念網路(Deep Belief Networks),利用無監督預訓練解決梯度消失問題,最終引發深度學習復興,催生了AlexNet等標誌性突破。2018年,Hinton與Yann LeCun和Yoshua Bengio共同獲圖靈獎,表彰他們在深度神經網路概念性及工程性突破方面的開創性貢獻,特別是其工作奠定了現代AI的核心演算法基礎,使電腦能夠從海量資料中自主學習複雜模式。2024年,Hinton與約翰·霍普菲爾德(John Hopfield)共同獲諾貝爾物理學獎,表彰他們在人工神經網路上的基礎發現和發明,這些工作啟用了機器學習技術,包括霍普菲爾德網路和玻爾茲曼機,也是諾貝爾物理學獎首次頒給非傳統物理學家。AlexNet開啟深度學習時代2009年,李飛飛啟動ImageNet項目,提供大規模標註資料集,促進特徵學習和分類研究。在AlexNet提出前,電腦視覺主要依賴手工設計的特徵(如SIFT、HOG),淺層機器學習模型難以處理ImageNet的1000萬圖像和1000類複雜任務,導致錯誤率停留在25%-30%(Top-5)。2012年,Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton於2012年發表在NeurIPS會議,提出了一種大型深度摺積神經網路(CNN)AlexNet,用於ImageNet LSVRC-2010競賽的圖像分類任務。論文連結:https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf 引用次數:188837雖然深度神經網路也曾流行於90年代,但因計算資源不足、梯度消失和過擬合而衰退。隨著GPU計算能力的提升(如NVIDIA CUDA),為訓練大型網路提供了硬體基礎,AlexNet借此成功證明深度CNN在海量資料和強大硬體支援下可實現突破,結束了「特徵工程」時代,開啟深度學習復興。AlexNet網路包含8層(5個摺積層+3個全連接層),擁有6000萬個參數和65萬個神經元,使用ReLU啟動函數、非飽和神經元、Dropout正則化、資料增強和多GPU訓練等創新技術。在測試集上,Top-1錯誤率37.5%、Top-5錯誤率17.0%,大幅優於當時最先進方法;在ILSVRC-2012競賽中,Top-5錯誤率僅15.3%,遠超第二名26.2%。這篇論文標誌著深度學習革命的開端,推動CNN成為電腦視覺主流,推動了從手工藝特徵向端到端學習的轉變。AlexNet架構啟發了VGG、ResNet等後續模型,廣泛應用於目標檢測、分割和生成等領域,並促進了GPU加速和大規模資料集的使用,重塑AI研究格局。三巨頭合著到了2015年,雖然深度學習已經在學術界引起轟動,但在更廣泛的科學領域(如《Nature》的讀者群體),大家仍對其背後的原理、潛力以及它與傳統機器學習的區別缺乏系統認知。在人工智慧「大爆發」的前夜,由三巨頭聯合發表於Nature,向全世界科學界系統性地定義了什麼是「深度學習」。論文連結:https://www.nature.com/articles/nature14539 引用次數:107646文章深入淺出地解釋了深度學習區別於傳統方法的關鍵點:表徵學習 (Representation Learning):深度學習的核心是自動學習特徵,通過多個處理層,將原始資料(如像素點)轉化為更高層次、更抽象的表達。反向傳播演算法 (Backpropagation):論文詳細描述了系統如何通過計算誤差梯度,從輸出層向輸入層反推,更新每一層神經元之間的權重(Parameters),從而實現學習。核心架構:摺積神經網路 (CNN)專門用於處理具有空間結構的資料(如圖像、視訊),利用了自然圖像的統計特性(局部相關性和平移不變性);循環神經網路 (RNN):專門用於處理序列資料(如文字、語音),能夠處理變長的輸入流。這篇文章總結了過去三十年的探索,並開啟了我們現在所處的「大模型時代」。t-SNE特徵可視化t-SNE(t-distributed Stochastic Neighbor Embedding)論文發表於2008年,解決了資料科學領域一個核心痛點:如何讓昂貴、複雜的高維資料變得肉眼可見?在此前,研究人員主要使用主成分分析(PCA)或傳統的隨機鄰域嵌入(SNE)來降維,但PCA在處理非線性資料(如流形結構)時效果很差,SNE在將高維空間的資料對應到低維(2D/3D)時,空間會變得極其擁擠,導致不同類別的簇混在一起,無法分辨。論文連結:http://www.jmlr.org/papers/volume9/vandermaaten08a/vandermaaten08a.pdf 引用次數:63932t-SNE的做法是:在高維空間中使用高斯分佈來衡量點與點之間的相似度。如果兩個點離得近,它們被選為鄰居的機率就高;在低維空間中,改用 Student t-分佈(自由度為 1)而非高斯分佈來衡量相似度,因為t分佈的尾部比高斯分佈更「胖」,強制讓原本在低維空間中距離較遠的點被推得更遠,從而有效地解決了「擁擠問題」,讓不同的資料簇(Cluster)在視覺上分界非常明顯。t-SNE發表後,迅速成為高維資料可視化的行業標準,常見的場景包括觀察模型隱藏層提取的特徵(MNIST手寫數字自動聚成不同的團),在單細胞測序中識別新的細胞種類等。不過t-SNE也有一些侷限性,如計算量大,處理超大規模資料集時速度較慢(後來有了FIt-SNE等加速版本);雖然保證了局部結構,但簇與簇之間的遠近距離並不一定代表真實的全域差異;演算法對超參數敏感,需要多次偵錯。正則化神器DropOut論文連結:https://dl.acm.org/doi/abs/10.5555/2627435.2670313 引用數:608952014年,深度神經網路由於強大的建模能力而初顯鋒芒、但同時也深受「過擬合(Overfitting)」困擾。隨著網路層數和參數量的劇增,模型極其容易對訓練資料產生「死記硬背」的傾向,導致在面對未知資料時泛化性能極差。雖然此前已有如權重衰減(Weight Decay)等正則化手段,但它們在處理超大規模網路時往往力不從心。此外,雖然整合學習(Ensemble Learning,融合多個不同模型的預測結果)能有效緩解過擬合,但對於動輒數百萬甚至數千萬參數的神經網路而言,無論是在訓練階段維護多個大型模型,還是在測試階段進行多次前向傳播,其計算成本都高得令人難以接受。論文提出了一個非常簡單的機制Dropout(隨機失活):在訓練過程中,演算法會根據預設的機率(通常為 0.5)隨機地將隱含層單元的輸出設為零,使其暫時「消失」在網路中,強迫每一個神經元都不能依賴於特定其他神經元的輔助,有效地打破了神經元之間的共適應性(Co-adaptation),使得每一個特徵檢測器必須變得更加獨立且具有魯棒性。從數學視角看,Dropout 在訓練時實際上是從指數級數量的「瘦身」網路中採樣,而在測試階段,研究者巧妙地通過使用包含全部神經元的完整網路,並按比例縮減權重,從而以極低的計算代價實現了對海量子網路預測結果的近似平均(Model Averaging)。Dropout不僅使摺積神經網路(CNN)在電腦視覺任務(如 ImageNet 競賽)中屢創佳績,也成為了深度學習標準工具箱中不可或缺的正則化利器,也證明了通過主動引入「噪聲」和「不確定性」反而能得到更穩定的特徵表達。雖然在近些年的發展中,諸如批歸一化(Batch Normalization)等新技術在某些場景下部分替代了 Dropout 的功能,但其背後蘊含的整合學習思想和預防過擬合的哲學,依然是現代神經網路設計及最佳化理論的重要基石。再次祝賀Hinton,向所有度過AI寒冬,仍然堅守AI的學者致敬! (新智元)
馬斯克的新身份:兆航天帝國外的“創業教父”
馬斯克SpaceX門徒創業記:18家公司,210億。智東西12月31日消息,據外媒Business Insider報導,從SpaceX出走的員工已創立18家公司,累計斬獲風險投資超30億美元,還有公司的估值已經超百億。與PayPal“黑幫”、OpenAI“黑幫”類似的“SpaceX黑幫”正強勢崛起。估值高達8000億美元的SpaceX,似乎成為新一代“黃埔軍校”,其創始人馬斯克更是如同“教父”,塑造了一群在極端工程挑戰與成本約束下成長起來的學徒。這批被稱為“SpaceX黑幫”的前成員目前有21位,他們將獨特的“火箭科學”方法論帶向AI、航天、製造乃至消費領域。在AI與高端製造賽道,他們研髮針對AI推理的專用晶片(Rebellions),為飛機植入自動駕駛系統(Reliable Robotics),建構智能工廠作業系統(First Resonance),體現出對性能極限的追求與複雜系統的掌控能力。在航天領域,聚焦衛星平台(Apex、K2)、在軌服務(Argo、Impulse)和太空製造(Varda)等核心環節,通過軟體(Epsilon3、First Resonance)提升全行業協作與生產效率,形成了一個從硬體製造、營運服務到軟體賦能的完整矩陣。此外,這群創業者還將目光投向垂直應用,包括健康管理(Levels、PicnicHealth)、可持續材料(Plantd)乃至零售科技(Vori)等多元場景。01.AI與高端製造:以極致工程思維突破技術瓶頸在SpaceX的工程體系中,軟體、硬體與製造從來不是割裂的系統。這批創業者最先選擇的突破口,正是AI算力、自動化飛行與智能製造基礎設施。1、Rebellions:專攻AI推理晶片,叫板輝達2020年9月,朴成賢(Sunghyun Park)辭去了SpaceX星鏈ASIC設計工程師的職位,創立了AI晶片公司Rebellions。該公司作為韓國AI晶片設計領先企業,專注開發生成式AI和大語言模型最佳化的高能效推理加速器。2023年2月,公司推出其核心產品之一——ATOM晶片,用於運行電腦視覺呈現和聊天機器人AI應用。該晶片由Rebellions公司設計,由三星電子代工生產。聯合創始人兼CEO朴成賢說,這款晶片針對的是特定任務,而不是大範圍的任務,所以在執行這些任務時,它的功耗只有輝達A100晶片的20%左右。▲Rebellions的CEO朴成賢和他的ATOM晶片Rebellions在今年完成了2.6億美元的C輪融資,估值達14億美元。自公司創立以來,累計融資超4.6億美元,引入三星風投、 Arm、Kindred Ventures等戰略股東,目前公司已正式啟動IPO上市計畫。2、Reliable Robotics:為飛機加裝自動駕駛,覆蓋整個飛行階段Reliable Robotics公司由CEO羅伯特·羅斯(Robert Rose)和CTO約格·弗雷費爾(Juerg Frefel)於2017年創立。羅斯曾任SpaceX飛行軟體主管5年,弗雷費爾曾任高級硬體開發經理約9年。▲Reliable Robotics公司研發的產品Reliable Robotics公司開發可改裝現有飛機的全階段自動駕駛系統,實現包括滑行、起飛和降落的自主運行,應用於支線貨運物流及軍事輔助飛行,提升安全性並降低成本。2025年12月10日,Reliable Robotics宣佈與美國國家航空航天局(NASA)航空研究任務理事會(ARMD)簽署合同,將利用其自主式Cessna 208B Caravan飛機在國家空域系統(NAS)機場及其周邊地區進行運行演示飛行,並收集相關資料。目前,該公司累計融資超1.34億美元,核心資金來自2021年10月Coatue Management領投的1億美元的C輪融資。3、Airhart Aeronautics:造“更簡單安全”的私人飛機,降低飛行門檻尼基塔·葉爾莫什金(Nikita Ermoshkin)在SpaceX擔任航空電子系統責任工程師三年。2022年5月,他創立Airhart Aeronautics公司,是該公司的CEO兼CTO。這家Airhart航空公司研發具有先進安全系統的小型私人飛機。該公司的主打產品Airhart Sling操作直觀、門檻低,採用線傳飛控技術,預計2026年1月開始交付。▲該公司的私人飛機Airhart Sling據全球風險投資資料平台PitchBook顯示,目前該公司總融資額為506萬美元,獲得Y Combinator、Liquid2 Ventures、Soma Capital等機構及天使投資支援。4、First Resonance:工廠智能系統ION,連接製造全鏈路資料卡蘭·塔拉蒂(Karan Talati)曾在SpaceX擔任軟體和製造工程師三年,負責火箭可重複使用性相關開發。2019年,卡蘭·塔拉蒂創立一家專注於航空航天、電動汽車和製造領域的軟體公司First Resonance。公司的核心業務是提供工廠作業系統和智能製造平台,ION工廠作業系統(ION Factory OS)是其核心產品。ION連接零件、供應鏈、生產裝置和業務系統(如ERP、PLM),幫助高科技製造商最佳化生產效率、實現協同工作、管理複雜庫存。▲ION平台與生產過程中各個環節的聯絡作用目前,公司已完成5輪融資,總額達4080萬美元,投資方包括Blue Bear Capital、Craft Ventures等。從AI晶片到智能製造系統,再到航空領域的自動駕駛與新型飛機研發,“SpaceX黑幫”在AI與高端製造領域的探索,展現了從航天工程跨界而來的技術穿透力。02.航天產業鏈革新:建構從硬體到服務的太空生態“SpaceX黑幫”在AI與高端製造領域探索後,真正的主戰場仍然回到了他們最熟悉的方向——太空。1、Epsilon3:用AI軟體管理航天流程,提升複雜工程協作效率勞拉·克拉布特裡(Laura Crabtree)是Epsilon3公司的聯合創始人兼CEO。在建立該公司以前,勞拉在SpaceX任職近11年,職位是高級任務營運工程師。▲勞拉·克拉布特裡,Epsilon3的聯合創始人兼CEO該公司2021年2月創立於美國,主要為航天、航空等行業提供AI驅動的流程管理軟體。公司研發的管理軟體有即時跟蹤進度、整合孤立系統、基於角色的安全訪問等功能,簡化複雜工程與營運流程。Epsilon3公司最近一輪融資是2022年6月20日的A輪融資,金額為1500萬美元。目前,該公司通過了5輪融資籌集1890萬美元,投資方包括Y Combinator、Village Global等。2、Apex Space:衛星平台快速量產,瞄準國防與商業市場馬克斯·貝納西(Max Benassi),曾在SpaceX任職六年,職務是渦輪機械和動態平衡高級工程師。2022年9月,貝納西等人在美國洛杉磯創立Apex Space。該公司專注衛星匯流排製造,推出小型衛星平台,為商業和政府客戶提供高性價比、可快速部署的航天器,可滿足五角大樓太空防禦需求。▲Apex公司研發Aries衛星,該衛星包括有效載荷和燃料在內重200公斤據《福布斯》8月12日報導,一顆以CEO西納蒙的愛犬命名的衛星ARIES,於2024年發射升空。Apex公司從開始研發到發射僅用了不到12個月的時間,並計畫到2028年達到每年144顆衛星的生產速度。該公司在今年四月份籌集了2億美元,用於提升自身零部件的自主生產能力,其股權和債務融資總額達到3.2億美元,估值突破10億美元。投資方包括Andreessen Horowitz、豐田風投等。3、Argo Space:打造“太空貨運網”,承包軌道運輸與維修2022年,三兄弟羅伯特·卡萊爾(Robert Carlisle)、瑞安·卡萊爾(Ryan Carlisle)、柯比·卡萊爾(Kirby Carlisle)在美國創立了Argo Space公司。羅伯特曾任SpaceX的商業發射與國家安全銷售總監5年,瑞安曾任工程總監9年,柯比曾任整合和測試工程師4年。▲Argo Space現團隊成員(部分)公司的核心業務是提供太空物流服務,涵蓋地空貨物運輸、衛星在軌維修、燃料補給、空間垃圾清除等,打造多模式太空運輸網路,致力於成為太空"貨運公司"。據Argo公司官方公告,2023年6月5日該公司獲美國宇航局(NASA)第一階段合同,推進可重複使用的在軌運輸飛行器“Argonauts”的研發。2024年10月,Argo Space公司完成790萬美元種子輪融資,累計融資超1000萬美元,投資方包括Crosslink Capital、Boost VC等。4、Impulse Space:“最後一英里”軌道運輸,目標直指深空貨運湯姆·穆勒曾是SpaceX推進系統的CTO,在該崗位任職近19年。之後,湯姆·穆勒(Tom Mueller)於2021年創立Impulse Space公司。▲湯姆·穆勒,Impulse Space的創始人兼CEO該公司提供軌道間“最後一英里”運輸服務,包括軌道轉移飛行器的開發與營運,將衛星和有效載荷送往近地軌道及深空(如火星)的精確位置。公司致力於建構月球貨運系統,目標是降低深空任務成本並實現自主交會和近距離操作。2025年6月3日,據SPACE NEWS報導,Impulse Space完成了3億美元的C輪融資,累計融資5.2億美元,投資方包括Linse Capital、Founders Fund、Lux Capital等。5、K2 Space:提供高性價比的大型衛星平台K2 Space由Kunjur兄弟於2022年6月創辦,卡蘭·昆朱爾(Karan Kunjur)是CEO,尼爾·昆朱爾(Neel Kunjur)是CTO。尼爾曾經是SpaceX的高級航空電子系統工程師,任職五年。▲卡蘭·昆朱爾(哥哥,左)和尼爾·昆朱爾(弟弟,右)K2 Space填補了高性能大型衛星與成本高昂的小型衛星之間的市場空白,提供經濟實惠、快速部署的大型空間平台。公司專注於開發大型、高性能衛星平台,產品成本低於1500萬美元,生產周期短(<3個月)。K2 Space還服務政府國防和商業客戶,提供快速部署的衛星解決方案。12月11日,K2 Space宣佈已籌集2.5億美元的新資金,公司累計融資4.5億美元,投資方包括First Round、Alpine Space Ventures、Redpoint、T. Rowe Price等。6、Long Wall:從火箭發射轉嚮導彈防禦,研製低成本攔截器Long Wall(原名ABL Space Systems)由哈里·奧漢利(Harry O‘Hanley)於2017年創立,業務從商業發射轉嚮導彈防禦系統研發。此前,哈里曾任SpaceX獵鷹9號整合測試經理四年。2025年12月,該公司公佈正在研製一款名叫“獨眼巨人”(Cyclops)攔截器,用於應對遠端導彈威脅。其設計特點是低成本、可大規模生產,並具備現代自主飛行、光學和動力系統。▲Long Wall公司研製的攔截器Long Wall公司在2021年估值達24億美元,現融資總額5億美元,投資方包括Venrock、Lockheed Martin、Lynett Capital、富達投資等。7、Muon Space:通過衛星群監測氣候,服務國防與災害應對Muon Space由喬尼·戴爾(Jonny Dyer)等人聯合創立,喬尼·戴爾曾經在SpaceX擔任工程實習生。▲喬尼·戴爾,Muon Space的聯合創始人兼CEO該公司致力於通過小型衛星群收集地球氣候資料,提供多模態遙感服務,支援海洋、大氣及陸地過程監測。小型衛星MuSat XL是該公司的產品之一,能夠無縫、基於網際網路標準、高頻寬、低延遲通訊,適用於對國防、災難響應和動態任務至關重要的時間敏感操作。2025年6月12日,Muon Space宣佈完成8950萬美元B1輪融資,目前累計籌集約1.4億美元,投資方包括Congruent Ventures、Activate Capital等。8、Turion Space:微型衛星監測太空,提供軌道感知與維護服務2020年,瑞安·韋斯特達爾(Ryan Westerdahl)創立Turion Space。此前,Westerdahl曾任SpaceX動力工程師八年。公司主要業務在於製造微型衛星,用於監測太空中的物體。其自主研發的DROID奈米衛星機群,提供空間態勢感知(SDA)、非地球成像(NEI)及軌道清理與維修服務,今年成功完成首次在軌推進器點火測試。▲2025年9月,Turion Space的DROID衛星完成首次在軌推進器點火測試公司累計獲得近3500萬美元資金,主要投資人有Washington Harbour Partners、Giant Step Capital融等機構。9、Varda Space Industries:在太空微重力環境下製藥,並返回地球Varda由威爾·布魯伊(Will Bruey)等人於2021年1月創立,布魯伊曾在SpaceX任航天器操作員一職,工作近五年。Varda核心業務是在微重力環境下生產藥物和高價值材料,並通過返回艙將產品運回地球。▲威爾·布魯伊,Varda的聯合創始人兼CEO去年12月,美國空軍撥款給Varda公司4800萬美元,用於測試再入艙的有效載荷。Varda最新一輪融資是2025年7月10日的C輪融資,金額為1.87億美元。目前該公司已通過11輪融資籌集了3.344億美元,投資方包括Founders Fund、Khosla Ventures等。10、Xona Space Systems:建設低軌衛星導航系統,實現釐米級定位Xona由布萊恩·曼寧(Brian Manning)等人於2019年的美國加州創立。此前,曼寧曾任SpaceX推力結構責任工程師兩年。公司業務是建構全球導航系統,部署250至300顆低軌衛星,提供釐米級定位精度服務,解決傳統GPS訊號遮擋問題,支援自動駕駛、國防及關鍵基礎設施建設等場景。▲Xona的實驗室模型2025年6月,Xona公司完成B輪融資,由Craft Ventures領投,該輪融資達9200萬美元。目前,該公司累計融資超1.5億美元。在航天領域的深耕細作,彰顯了“SpaceX黑幫”的技術基因優勢。他們通過軟硬體協同,打造出完整的產業矩陣,對太空經濟格局產生重要影響。03.前沿垂直應用:將航天級標準融入多元生活場景當太空基礎設施逐步完善,這批創業者的野心並未止步於航天本身,而是將SpaceX的工程邏輯,進一步延伸到醫療、材料與零售等更廣闊的現實場景。1、Levels:用AI連續監測,重新定義個人健康管理2019年,曾擔任SpaceX首席生命支援系統工程師5年半的喬什·克萊門特(Josh Clemente)創立了Levels公司。▲Levels的總裁喬什·克萊門特該公司是健康可穿戴裝置供應商,通過與Dexcom合作提供CGM感測器,結合AI應用軟體生成代謝分數,整合飲食、睡眠等多維度資料,提供個性化健康洞察與醫師諮詢服務。克萊門特說,在SpaceX培養了一種責任意識,“零術語的工作環境,且鼓勵思考和積極溝通,這樣每個層級的人都能高效溝通工作。”這種工作習慣也延續到克萊門特的Levels公司。據行業分析平台Tracxn顯示,Levels已完成4輪融資,累計融資6700萬美元。其首輪融資於2020年11月10日完成。最近一輪是2024年8月14日的A輪融資,金額為1000萬美元。其投資方包括a16z、Trust Ventures、Shrug等。2、PicnicHealth:整合個人健康檔案,為藥企提供資料特洛伊·阿斯托裡諾(Troy Astorino)曾在SpaceX擔任制導、導航和控制軟體工程師五個月。2014年,他與特洛伊·阿斯托裡諾(Troy Astorino)等人聯合創立PicnicHealth。公司業務主要是為患者整合統一電子健康檔案,並為藥企提供資料研究平台,目前已開展虛擬診所服務。▲2025年12月10日,PicnicHealth推出全新移動患者應用程式,現已在App Store和Google Play上線。2022年6月,PicnicHealth完成了由B Capital Group領投的C輪融資,籌集資金6000萬美元。目前,PicnicHealth累計融資超1億美元,投資者包括Amplify、Felicis等。3、Plantd:用草本植物造負碳建材,實現建築固碳與零廢生產Plantd公司由內森·西爾弗內爾(Nathan Silvernail)和Huade Tan聯合創立於2021年,兩人共同擔任CEO。西爾弗內爾曾任SpaceX的高級製造工程師,並參與了星艦(Starship)項目;Huade Tan曾任高級生命支援系統工程師5年零10個月。▲Plantd實驗室該公司業務是利用多年生草本植物替代傳統木材,製造結構性建築板材,產品強度和防潮性優於傳統的定向鉋花板(OSB),可永久鎖定碳。今年,Plantd開始開發利用生產過程中產生的廢物製造副產品,以實現零廢物製造並拓展至住宅建築以外的市場。10月,Plantd完成2200萬美元B輪融資。目前,該公司累計融資約4200萬美元,投資方包括American Family Ventures等。4、Vori:為中小超市打造智能供應鏈作業系統羅伯特·平克頓(Robert Pinkerton)曾任SpaceX車輛系統工程師一年。2019年,平克頓等人於2019年創立Vori,其任該公司的CTO。▲羅伯特·平克頓,Vori的聯合創始人兼CTO該公司為中小型超市提供VoriOS作業系統,涵蓋智能庫存訂貨、全場景POS、價格管理等功能,打通供應鏈資料,助力零售商提升競爭力。2022年8月3日,Vori獲由矽谷風險投資基金The Factory領投的1000萬美元A輪融資。目前,公司累計融資約2790萬美元。04.結語:SpaceX基因塑造創業邏輯從這18家公司可以看到,“SpaceX黑幫”的崛起並非個案,而是一套工程文化長期積累後的集中外溢。離開SpaceX後,這套方法論被迅速複製到多個領域。工程履歷本身,正在成為新的“融資通行證”,加速了企業在早期階段的融資與擴張。這些公司中相當一部分已進入規模化交付、國防訂單、商業合同落地的關鍵周期。創新不是憑空造概念,而是帶著極致工程思維的落地式突破。正如小型衛星製造公司Muon Space的CEO喬尼·戴爾說的那樣,“作為一名創始人,需要不斷地改變環境,無論是硬體、軟體還是團隊動態。” (智東西)
AI教父預言:巨變將至
如果有一天,親手締造了ChatGPT,被尊為“AI教父”的那個人,站出來宣告他開創的時代已經結束了,你會怎麼想?這不是科幻小說的情節,而是正在發生的事實。最近,OpenAI的聯合創始人、GPT系列的核心推手伊利亞·蘇茨克維(Ilya Sutskever),進行了一場足以撼動整個AI產業根基的深度訪談。他拋出的觀點,不是在預測未來,而是在為我們熟知的AI時代,親手寫下墓誌銘。伊利亞的核心論斷,可以用一句話概括:那個依賴堆砌資料、算力和參數的“規模擴張”時代,已經在2025年正式終結了。過去五年,從矽谷到杭州,整個行業都沉醉於一個簡單的“規模定律”:模型更大、資料更多、算力更強,智能就會自動湧現。這就像一個不斷膨脹的宏大泡沫,而伊利亞,這位曾經的吹泡人,如今成了最冷靜的刺破者。他指出,這條路的邊際收益正在急劇遞減,單純增加投入已經難以換來能力的顯著提升,擴展與浪費算力之間的界線,已經變得模糊。更重要的是,這條道路培養出的,可能是一群“高分低能”的應試專家,永遠無法抵達真正智能的彼岸。為了說明這一點,伊利亞給出了一個極其精妙的比喻。想像兩個學程式設計的學生:學生A立志成為競賽冠軍,他投入一萬個小時,瘋狂刷題,背下了所有的演算法和解題套路,在考場上所向披靡。而學生B只是覺得程式設計有趣,他可能只花了一百個小時,但他真正理解了程式碼背後的邏輯,擁有了一種解決問題的“直覺”和“品味”。你認為誰的職業生涯會更長遠?答案顯然是後者。而我們現在引以為傲的大模型,就是那個“學生A”。它們可以在程式設計競賽榜單上拿到驚人的高分,但在真實的開發中,卻可能連一個簡單的Bug都修不好,甚至會在兩個錯誤之間陷入死循環。這就是“評估表現”與“現實能力”之間觸目驚心的脫節,也是當前AI最根本的困境:它們擅長考試,卻幹不成事。那麼,真正的智能,那個“學生B”身上的靈光,究竟來自那裡?伊利亞將目光投向了人類自身,並提出了一個顛覆性的觀點:我們一直視為累贅、急於從AI中剝離的“情緒”,可能正是智能皇冠上缺失的那顆寶石。他認為,人類的情緒,本質上是一個由進化塑造的、無比強大的“內在價值函數”。當你學開車壓線時,不需要等到撞車,內心的緊張感會立刻告訴你“錯了”;當你下棋走了一步臭棋,不用等到終盤認輸,瞬間的懊悔就是最好的反饋。這種即時、內在的糾偏機制,讓我們能以極高的效率從少量經驗中學習。相比之下,現在的AI就像一個沒有直覺和情感的“空心人”,它只能在任務結束後得到一個冰冷的分數,然後在黑暗中進行海量的試錯。因此,伊利亞預言,AI的未來,必須為機器注入類似人類情感的動態價值系統,讓它學會“關心”,而不僅僅是“計算”。基於這些深刻的洞察,伊利亞為我們勾勒了一幅全新的AGI圖景。它不是一個一問世就全知全能的“神”,而更像一個智商超群、充滿好奇心的“超級15歲少年”。這個少年可能還不懂醫學或法律,但他擁有極致的學習效率,可以在幾天內掌握一個領域的全部知識。他能主動探索世界,理解物理和社會的運行規律,並在陌生環境中快速適應。要實現這樣的智能,行業必須從“規模競賽”回歸到“研究時代”,就像當年用幾張GPU訓練出AlexNet、用幾十張GPU發明Transformer一樣,下一次範式革命,很可能再次來自一個“小而美”的實驗靈感。最後,這位一路將AI推向巔峰的先知,給出了他個人的時間預言:這樣一個真正的通用人工智慧,可能在5到20年內到來。而當它強大到足以讓所有人感到震撼和危機的那一刻,全世界對待AI安全的態度,將發生根本性的巨變。伊利亞創立新公司SSI,正是為了直指這個終極目標,專注於超級智能本身及其安全性。所以,這場訪談的意義,遠不止於技術路線的爭論。這是一位最頂層的設計者,在為我們按下重啟鍵。當所有人都沉迷於讓模型再大一點、再快一點的時候,他告訴我們,方向錯了。未來真正的競爭力,不再是倉庫裡有多少張顯示卡,而是誰能最先理解智能的本質,並為機器找到一顆懂得“關愛”的初心。如果你覺得,AI的發展只是科技巨頭們無聊的參數遊戲,那麼從今天起,是時候改變看法了。一場關於智能本質的哲學思辨,已經拉開了技術革命的新序幕。而真正有趣的問題是,當AI開始擁有類似情感的“價值函數”時,它眼中的世界,以及我們與它的關係,將會變成什麼樣? (厚深AI)