還得是咱中國國產世界模型牛！極佳視界最新力作GigaWorld-1，直接擊穿Google輝達，WorldArena登頂全球第一。而且還是唯一一個綜合得分突破60分大關的具身世界模型。什麼概念呢？就以三大核心維度為例，幾乎是斷層式領先：Physics Adherence（物理遵循）：相比第二名提升了整整16%。3D Accuracy（3D精準度）：近乎逼近滿分。Visual Quality（視覺質量）：同樣遙遙領先。也就是說，GigaWorld-1是真正的全能型具身世界模型，不僅視覺真實，而且幾何精準、物理精準。這意味著，極佳視界這家由清華系領銜，匯聚了阿里、百度、地平線等一眾頂尖大廠核心骨幹的中國團隊，已經率先完成了一次教科書式的技術超車。從最嚴苛的“試金石”脫穎而出眾所周知，WorldArena是世界模型領域公認的“試金石”。它由清華大學聯合普林斯頓大學、新加坡國立大學、北京大學、香港大學、中國科學院、上海交通大學以及中國科學技術大學等8所中國外頂尖高校及科研機構共同打造。其摒棄了單一維度的片面測試，轉而建構包含16項細分核心指標和3大真實應用任務的立體評估體系，旨在對具身世界模型的感知精度、物理規律理解、三維空間認知以及動作預測與落地能力進行最嚴苛的壓力測試。也正因如此，WorldArena吸引了全球幾乎所有頭部世界模型團隊同台競技，首批參評名單包括Google、輝達等。最終的結果也出乎所有人意料，不是科技巨頭，而是這家低調耕耘的技術掃地僧——極佳視界。其旗下最新的GigaWorld-1憑藉硬核實力，成功摘得桂冠！顯式動作建模與可微分物理引擎的完美融合那麼為何GigaWorld-1能取得如此傲人的成績呢？首先從技術路線看，GigaWorld-1是一款專為具身場景打造的AC-WM（Action-Conditioned World Model，動作控制世界模型） 。相較於傳統的世界模型，GigaWorld-1深度繼承並行展了極佳視界在去年7月發佈的EmbodieDreamer核心架構。該方案不僅引入了顯式的動作建模機制，從根本上保證了視訊生成過程中的幾何一致性；更創新性地融入了可微分物理引擎，從而獲取精準的機械臂物理參數，以實現對複雜物理互動過程的真實模擬與嚴格遵循。在此前沿架構的基礎上，極佳視界進一步引入了團隊長期積累的上萬小時高品質真實機器人操作視訊資料進行訓練，極大地增強了模型在開放場景下的泛化能力與高精度的動作遵循表現。目前，GigaWorld-1的核心程式碼與部分資料集已開源。僅開源後的短短半個月內，GigaWorld-1在HuggingFace平台的下載量便火速突破16000次，足見學術界與工業界對其技術實力的高度認可，以及在開發者社區中的巨大影響力。同時GigaWorld-1還將作為官方Baseline，強力支援即將於3個月後在美國舉辦的GigaBrain Challenge@CVPR 2026國際挑戰賽，為全球開發者積極賦能，共同推動具身智能生態的繁榮發展。(比賽官網：https://gigaai-research.github.io/GigaBrain-Challenge-2026/)於是這就引出了一個關鍵問題——極佳視界是誰？中國首家專攻世界模型的公司在業內，極佳視界是少有的產投雙棲玩家，一邊悶頭做技術，一邊又能拿下巨額融資。在本月初，極佳視界剛剛宣佈完成近10億元Pre-B輪融資，投資方陣容堪稱豪華——中芯聚源、上海半導體產投基金、臨芯資本、星源資本、萬林國際等頂尖晶片和汽車產業資本領投，中金資本、蘇創投、華強資本等重磅國資平台和知名財務機構跟投。而這，也並非極佳視界首次獲得資本追捧。早在2025年11月，華為旗下的哈勃投資就已聯合華控基金，完成了對極佳視界的億元級A1輪戰略投資。其實華為對世界模型關注已久，此前就將世界模型列為未來智能世界2035年十大技術趨勢之首。但它沒有像Google、輝達、特斯拉這些全球科技巨頭那樣直接佈局世界模型，而是通過哈勃投資，先在中國市場找到了最具潛力的標的——極佳視界。極佳視界是中國第一家佈局世界模型的公司，在世界模型的模型架構和資料引擎兩方面都擁有行業領先的深入積累。公司定位相當清晰，就是聚焦物理AI，致力於世界模型驅動的物理世界通用智能。其技術護城河建立在“世界模型×具身大腦”的雙輪驅動戰略上，並在世界級權威測評榜單中，成功拿下具身大腦和世界模型的雙料冠軍。產品矩陣包括世界模型平台GigaWorld、具身基礎模型GigaBrain、通用具身本體Maker等物理AI全端軟硬體產品。GigaWorld：物理世界的“數字沙盒”GigaWorld是極佳視界自研的世界模型平台，能模擬物理世界運行規律，生成高保真合成資料。與傳統模擬器相比，GigaWorld能通過幾何一致、物理精準的世界模型建模，生成高保真、可控、多樣化的具身互動資料，實現資料放大。這使得所訓練的VLA模型在新紋理、新視角、新物體位置三大泛化維度上均實現近300%的性能提升。更關鍵的是，GigaWorld能帶來10-100倍的效率提升。在具身方向，GigaWorld-0是全球首次讓具身世界模型在高水平具身基模上發揮核心價值，其GitHub開放原始碼斬獲1.5k+ Star，奠定了技術驗證的基礎。本次登頂WorldArena的GigaWorld-1，也是當前全球最領先的AC-WM。在駕駛方向，DriveDreamer系列是全球範圍內最早將世界模型用在物理世界的系列開創工作。此外，GigaWorld-Policy也是全球首次實現世界-動作模型WA即時性、成功率、訓練效率全面突破，實現了對主流WAM推理效率和性能的全面碾壓，讓世界-動作模型真正開始進入大規模Scaling階段。實測資料顯示，GigaWorld-Policy實現了10倍推理速度與10倍訓練效率的跨越式提升，同時任務成功率大幅上漲30%，標誌著具身智能正式邁入由世界模型驅動的新紀元。GigaBrain：機器人的“通用大腦”GigaBrain是極佳視界開發的端到端視覺-語言-動作基礎模型，在全球目前規模最大的真機評測比賽中，極佳視界的開源模型GigaBrain-0.1超越Pi0.5等眾多模型，獲得全球第一。後續發佈的GigaBrain-0.5M*則是全球首個基於世界模型的強化學習實現高效學習和自我進化的具身基模。它提出基於世界模型的強化學習範式，並採用迭代式四階段閉環訓練流程。在高難度長時程任務中，面對摺紙盒、咖啡製備、衣物折疊等包含多階段操作、精細感知與持續決策的複雜場景，GigaBrain‑0.5M*均實現接近100%的任務成功率，並可穩定復現，充分彰顯出卓越的策略魯棒性。物理AI“夢之隊”集結除了技術和融資，極佳視界更亮眼的莫過於其核心團隊：創始人兼CEO黃冠，清華大學自動化系創新領軍工程博士。曾擔任地平線機器人視覺感知技術負責人、鑑智機器人合夥人&演算法副總裁，並擁有微軟亞洲研究院、三星中國研究院等頂尖研究機構工作經歷。他完整經歷了過去十年物理AI的技術和產業發展歷程，多次帶領團隊獲得全球權威AI比賽世界冠軍，並行布多個全球知名AI成果。聯合創始人兼首席科學家朱政，智源青年學者，發表頂級論文70余篇，引用近2萬次。多篇著作影響力巨大，連續4年入選全球前2%頂尖科學家榜單，多次獲得吳文俊自然科學一等獎、最佳學生論文獎、CCF 傑出論文獎等榮譽，也是多個頂會領域主席、多項競賽冠軍。聯合創始人孫韶言，曾擔任阿里雲總監，地平線資料閉環產品線總經理，在物理世界超大規模資料閉環產品和架構方面擁有行業領先的經驗。他主導了業內首個智能駕駛資料閉環系統的落地，有效提升了資料的處理效率，為智能駕駛技術的發展提供了重要的基礎設施支援。合夥人兼工程副總裁毛繼明，擁有超過16年的模擬/工程/資料/分佈式架構方向的經驗。曾擔任百度Apollo模擬和工程負責人，以及曾擔任百度、贏徹等T10等級架構師，主導多個自動駕駛與世界模型核心項目的技術開發與落地。在高品質資料生成、端到端自動駕駛架構設計以及分佈式系統最佳化領域有著深厚的積累。另外，極佳視界模型核心團隊還包括博士期間超10篇頂會一作的世界模型頂尖科學家、超過10年物理AI全端量產經驗的產業專家、華為天才少年獲得者、萬卡叢集線性加速的頂尖演算法和infra專家等，是行業少有的同時擁有頂尖的新一代物理AI全面技術前沿創新能力和傳統物理AI全端系統量產經驗的全端團隊。可以說，這支團隊完整經歷了CV、自動駕駛、具身基模、世界模型等物理AI過去十年的發展歷程，並在每個階段都做出了行業領先的世界級成果。當他們聚集在一起，就共同造就了這支始終引領具身世界模型技術演進的“夢之隊”。從資料引擎（Data Engine），到閉環模擬器（AC-WM），再到世界動作模型（WAM），極佳視界一直走在前列。無論是當前世界模型和具身智能基礎設施的迭代，還是未來的AGI，極佳視界都將持續打造最堅實的技術基石。 (量子位)

十年後每周只幹兩天活，月底工資卡裡錢不但沒少還可能更多，這事聽著有點不真實，可清華大學智能產業研究院創始院長、中國工程院外籍院士張亞勤，就公開做了這個預測。他說，到2035年全球機器人數量會達到70億到80億台，超過人類總數。那時候社會運轉靠每周工作兩天就夠了，薪水不但不會降，還有可能比現在全勤拿得更多。這個預測的核心底氣，是生產力的大幅躍升。過去蒸汽機解放了人的體力，現在人工智慧和機器人，正在替代大量重複的腦力和體力勞動。流水線分揀、基礎診斷、裝配這類活，都能交給機器24小時不停幹。社會總財富漲得快，工作時間自然就能縮短。未來是人工智慧和人類智能共存的時代，人工智慧會放大人的能力。重複的事交給機器，人把精力放在創新、決策這些機器暫時做不好的地方。個人創造的價值上去了，薪水跟著水漲船高就是順理成章的事。中國機器人產業的發展，早就有實打實的成績撐著。2024年全國工業機器人銷量佔全球總銷量的54%，連續12年保持全球最大市場地位。2025年前三季度工業機器人產量，已經超過2024年全年總數。國產工業機器人市場佔有率首次突破50%，達到58.5%。人形機器人領域的進步同樣亮眼。2025年全球人形機器人出貨量，中國企業佔了絕大多數份額。業內預計2026年國內出貨量有望達到6萬台以上，真正進入規模化量產階段。這些機器人已經走進物流、養老、服務等真實場景，直接推著生產效率往上走。中國廠商在全球商用服務機器人市場出貨量佔比高達84.7%，這些實打實的進展，讓一周工作兩天的想法，從科幻變成了可討論的現實。機器替代重複勞動，普通人要做的，是提升自己駕馭新工具的能力，學會跟人工智慧配合，專注高價值的工作。2035年的人機密度拐點後，時間就是金錢的老邏輯會慢慢失效，取而代之的是效率和創新驅動。打工人不再是流水線螺絲釘，而是轉向指揮和創造的角色，生活節奏更從容，收入卻能穩中有升。 (科技直擊)

在全球AI浪潮中，人工智慧領域的“搶人大戰”正火熱升級。近期，兩則消息震動科技圈：2025年12月，騰訊重磅宣佈，清華姚班出身、年僅27歲的姚順雨，被聘為首席AI科學家，執掌公司核心AI部門；一個月後，同為姚班出身的天才少年陳立傑正式加盟OpenAI，主攻數學推理方向。消息一出，人們赫然發現：從OpenAI、Google DeepMind、xAI到國內幾乎所有頂尖AI企業的核心技術圖譜上，都深深鐫刻著同一個名字——清華姚班。姚班全名“清華大學電腦科學實驗班”，由圖靈獎得主姚期智教授於2005年創立，被行業譽為中國電腦領域的“天才集中營”。“半國英才聚清華，清華半英在姚班”，這句在業內廣為流傳的評價，道盡了這個班級的傳奇地位。它究竟有何魔力，能持續走出頂流人才，甚至被業內戲稱為“撐起全球AI領域的半邊天”？● 圖片來源：清華大學01 姚期智的“歸國賭注”姚班的傳奇，始於一位頂尖學者的“回歸”——他就是姚班的締造者姚期智。1946年12月，姚期智出生於上海，祖籍湖北孝感。幼年時，他隨父母移居台灣，20歲時，他獲得台灣大學物理學士學位，之後遠赴美國深造。1972年，26歲的姚期智在哈佛大學獲得物理博士學位，隨後毅然放棄深耕多年的物理學，轉而投身當時方興未艾的電腦領域，僅用兩年時間，他便斬獲伊利諾伊大學電腦科學博士學位。這一關鍵抉擇，也為日後姚班的創立埋下了伏筆。此後，姚期智先後執教於麻省理工學院、史丹佛大學、加州大學伯克利分校、普林斯頓大學等世界頂尖學府，成長為電腦領域享譽全球的頂尖學者。● 姚期智。圖片來源：清華大學期間，他橫掃電腦界多項成就。41歲時，他摘得數學界波利亞獎；50歲斬獲電腦界高德納獎。2000年，基於對計算理論包括偽隨機數生成、密碼學與通訊複雜度的突出貢獻，54歲的姚期智站上全球電腦領域的巔峰，榮獲有“電腦諾貝爾獎”之稱的圖靈獎，成為首位且迄今唯一獲此殊榮的華人學者。作為全球電腦領域炙手可熱的權威人物，姚期智已站在人生頂峰，此時他卻做出一個震驚學界的決定：辭去普林斯頓大學終身教職，全職加盟清華大學。當時，中國在人工智慧、量子計算等前沿領域尚處於起步階段，高端人才儲備不足。姚期智明白，核心技術的競爭，本質是頂尖人才的競爭，於是他心中定下一個目標：為中國建立世界一流電腦學科，培養拔尖創新人才。2004年，58歲的姚期智毅然回到國內，開啟人生全新的探索。2005年，姚期智面向本科生創辦了清華學堂電腦科學實驗班，後來被同學們親切地稱為姚班。從培養方案、課程體系到師資遴選，姚期智全程主導設計，從此拉開中國電腦拔尖人才培養的序幕。當年姚期智的毅然歸國，在許多人眼中近乎一場孤注一擲的豪賭——賭自己能在這片土地上，培養出站上世界之巔的電腦人才；賭這批青年學子，終將為中國科技在全球賽場爭得一席之地。如今，這場“賭局”早已塵埃落定——姚期智贏了。二十年間，他為中國電腦學科的騰飛日夜兼程，從姚班走出的一批批學子，已深度紮根全球AI與前沿科技核心陣地。而姚班也已成為全球科技界公認的“天才搖籃”。02 兩位95後站上全球AI舞台近兩年，陳立傑、姚順雨兩位95後姚班校友，接連亮相全球AI頂級舞台，讓世界再次見識姚班的硬核實力。●圖片來源：清華大學陳立傑：從網癮少年到OpenAI華人核心在AI頂尖學者圈層，陳立傑的履歷堪稱“現實版爽文”，但鮮少有人知道，這位如今站在全球AI舞台的華人學者，年少時曾是旁人眼中的“網癮少年”。1995年，陳立傑出生於浙江湖州。年少時成績平平，唯有數學稍顯亮眼。父母為輔助他學習購置的電腦，沒能成為提升成績的工具，反而讓他沉迷遊戲之中。彼時沒人能想到，這份對電腦的執念，日後會成為他叩開AI大門的鑰匙。中學時代的一次偶然，讓陳立傑接觸到了電腦程式設計與資訊學奧賽（OI），彷彿找到了屬於自己的賽道，他一頭紮進程式設計的世界。初三時，他憑著一腔熱血首次參賽卻遺憾失利，更因專注競賽耽誤了文化課，父母的勸阻、外界的質疑接踵而至，但陳立傑認準了程式設計這條路，便再未回頭。這份近乎執拗的堅持，最終迎來了爆發。2010年，他在全國青少年資訊學聯賽中斬獲浙江賽區一等獎，半年後以第一的成績入選浙江省隊；2011年，他代表浙江出戰全國賽，拿下第四名併入選國家集訓隊。在資訊學競賽領域，陳立傑是傳奇般的存在。●陳立傑。圖片來源：清華大學16歲，在全國青少年資訊學奧林匹克競賽中，他獲得金牌，成功保送清華姚班。18歲以世界第一的成績摘下國際資訊學奧林匹克競賽金牌，讓中國隊時隔五年再次站上IOI冠軍領獎台，從此一戰成名。如果說競賽場是他的“成名之戰”，那麼姚班的經歷，則讓他從賽場天才蛻變為科研精英。在姚班期間，他以年級第一的成績力壓一眾頂尖學霸，2016年斬獲清華本科生特等獎學金，其答辯視訊一度火爆全網，成為無數理工科學生的“偶像”。他選修研究生課程《高等理論電腦科學》，並斬獲滿分。大三赴麻省理工學院交換時，他僅用三周，就攻克了量子資訊領域權威學者Scott Aaronson團隊一年未能突破的科研難題。科研之路的順遂，從未讓他放慢腳步。2017年，陳立傑成為首位在電腦頂會FOCS發表論文的中國本科生，同年赴麻省理工攻讀博士，深耕計算複雜性理論，接連拿下STOC、FOCS最佳學生論文獎，奠定了其在國際理論電腦領域的地位。2025年7月，陳立傑入職加州大學伯克利分校擔任助理教授。約半年後，他正式以全職身份加入OpenAI（保留伯克利教職），負責數學推理方向研究。在矽谷最核心的AI賽道上，陳立傑以華人學者的身份，為OpenAI注入重磅力量，也代表姚班，站在了全球AI技術迭代的最前線。姚順雨：會唱rap的清華才子，27歲執掌騰訊AI●姚順雨。圖片來源：清華大學不同於陳立傑近乎傳奇的“天才路徑”，姚順雨身上帶著一份鬆弛感。1998年出生的姚順雨，初中就讀於合肥四十五中，高中躋身合肥一中，學霸底色早早顯現，電腦天賦更是異於常人。16歲時，他便斬獲全國資訊學奧林匹克競賽銀牌。2015年高考，他因考試犯睏意外失誤無緣省狀元，最終以704分拿下安徽省理科第三名，但順利叩開清華姚班的大門，主修電腦科學專業。在清華園裡，姚順雨打破了“學霸=高冷”的刻板印象，不僅憑藉出色的能力當選姚班聯席會主席，還聯合創辦了清華大學學生說唱社，以YSY為筆名在網易雲音樂發佈原創作品。“說唱最大的魅力就是它非常open-ended，如何操縱語言，這其實是很有樂趣的事情，這和我之後從事語言相關的研究有關。”姚順雨曾這樣解讀自己對說唱的熱愛。在他看來，說唱裡的節奏與表達，為他的AI研究帶來了獨特靈感。正是這種天馬行空的跨界思維，讓他在自然語言處理與強化學習領域遊刃有餘。2019年，從清華畢業後，姚順雨奔赴普林斯頓大學深造，專攻自然語言處理與強化學習。博士期間，他便交出了足以震動行業的成績單。他提出的思維樹（Tree of Thoughts）框架，大幅提升了AI決策模型的複雜問題解決能力。研發的ReAct方法首次建構“推理—行動”智能體範式，成為全球語言智能體開發的主流技術。頂尖的科研實力，讓姚順雨博士畢業後直接躋身全球AI的核心陣地——OpenAI，擔任研究科學家，深度參與了智能體產品Operator、DeepResearch及電腦使用智能體（CUA）的核心研發，為語言智能體領域的開啟與發展奠定了基礎性貢獻。2025年5月，年僅27歲的姚順雨入選《麻省理工科技評論》“35歲以下科技創新35人”中國區名單，並成為其中最年輕的入選者。不久後，姚順雨做出了一個重磅決定：回國，出任騰訊首席AI科學家。接過騰訊AI Infra部與大語言模型部的雙重帥印，主導騰訊AI架構重構。這一變動也被解讀為中國網際網路巨頭開始用頂格資源，爭奪全球頂尖AI人才的標誌性事件，也讓這位姚班學子走到了聚光燈下。03 中國硬科技創業“黃金戰隊”回溯中國AI產業化處理程序，“姚班系”的身影貫穿始終。●印奇。圖片來源：搜狐科技在AI大模型領域，姚班首批學生印奇無疑是姚班創業群體的標竿人物。2011年，同住一個宿舍的印奇、唐文斌，與學弟楊沐在一次挑戰杯比賽中相識。因懷著共同的志向，三人共同創辦了曠視科技，拉開了“姚班系”創業的序幕。憑藉領先的人臉識別演算法，曠視科技躋身AI 1.0時代“AI四小龍”之一。從聯想之星的數百萬天使輪融資起步，曠視科技一路吸引了包括阿布扎比投資局在內的全球頂級資本，成為中國AI視覺領域的獨角獸。然而隨著AI 2.0時代的到來，傳統視覺業務受到衝擊，行業格局發生深刻變革，曠視科技也未能獨善其身。隨之公司陷入一系列困境，三年半累計虧損146億，資產負債率突破300%。曠視科技的上市之路更是坎坷，兩次衝擊IPO未果，最終只能黯然撤回上市申請，核心團隊士氣跌至冰點。曾經風光無限的“AI四小龍”之一，陷入斷臂求生的境地，逐漸淡出聚光燈下。絕境之中，印奇選擇主動破局，抽身轉型。AI 2.0時代，印奇迅速以千里科技董事長的身份殺入“AI+車”賽道。今年初他又親自掛帥階躍星辰，投身大模型賽道，上任不久公司就完成超50億元B+輪融資，創下過去一年國內大模型企業單筆融資紀錄。15年創業生涯中，印奇三次執掌企業，在AI1.0與2.0時代接連入局，延續著姚班人對技術浪潮的精準卡位。而未來，如何跑通技術商業化閉環，依然是印奇面臨的挑戰。●樓天城。圖片來源：小馬智行素有“中國大學生電腦程式設計第一人”之稱的樓天城，是“姚班系”創業的另一個代表人物。作為姚班首屆畢業生，畢業後，他先後在Google、百度等頂尖網際網路公司任職，深耕自動駕駛技術研發。2016年，此時的中國AI產業化浪潮初起，但L4級自動駕駛仍是無人跋涉區，彼時，樓天城放棄百度T10級工程師的優渥待遇，與彭軍創立小馬智行（Pony.ai），專注L4級自動駕駛技術。縱然是公認的技術“大神”，但在技術攻堅期，樓天城也經歷過至暗時刻。他曾坦言，從2017年到2021年，小馬智行經歷了最艱難的5年。期間，他曾毅然推翻三年的訓練成果，承受長達兩年無進展的內外壓力。投資人的質疑、行業的唱衰、團隊的動搖，每一步都如履薄冰。但他始終恪守姚期智“為什麼不能這樣”的信念，拒絕轉向更易商業化的L2級輔助駕駛，堅信L4的價值。●深圳街頭小馬智行投入營運第七代Robotaxi。圖片來源：浙江經濟廣播最終，小馬智行成為中國首個推出Robotaxi服務的公司。2024年11月27日，小馬智行在美國納斯達克掛牌上市，成為“全球Robotaxi第一股”。樓天城用八年時間，在絕境中驗證了L4級自動駕駛的商業可行性，也用堅守詮釋了姚班人不畏艱難，執著追求的底色。●胡淵鳴。圖片來源：甲子光年2020年初，姚班出身的胡淵鳴，僅用99行程式碼復刻《冰雪奇緣》模擬特效，以極簡程式碼實現傳統數千行才能完成的材料點法模擬，一舉名震電腦圖形學界。2021年，胡淵鳴攜麻省理工博士期間研發的開源程式語言“太極”（Taichi）回國創業，創立太極圖形，並獲得紅杉中國等機構的天使輪投資，後又完成A輪5000萬美元融資，成為圖形學領域備受矚目的超級新星。但創業初期的熱度過後，胡淵鳴一度淡出公眾視野。開放原始碼專案“太極”在全球持續積累影響力，但其商業公司太極圖形的商業化探索卻趨於沉寂。2025年的一次採訪中，胡淵鳴坦然直面創業的失敗，與過往耀眼的標籤和解，立志成為更成熟的CEO與領導者。“我不再追求所有人的喜歡。”他說，“創新者不能妥協，必須做自己最熱愛做的事情。”帶著這份領悟，胡淵鳴投身Meshy，繼續新的創業之路。姚班的創業群體，還有鄒昊的清影醫療、龍凡的區塊鏈Conflux、星藥科技的創始人李成濤、宸境科技的漆子超……全球科技巨頭中，也有不少姚班校友的身影。常慧文成為Meta新一代AI團隊核心成員，主導多模態模型研發；丁力宇作為xAI創始成員，深度參與馬斯克AGI佈局；鐘沛林、艾雨青在Google AI深耕電腦視覺與NLP演算法，支撐核心產品技術迭代；吳作凡、任之洲在DeepSeek團隊中擔任R1演算法核心作者……在AI浪潮下，姚班學子已然成為全球AI巨頭爭相搶奪的頂級人才。但無論是深耕學術，還是投身創業，不難發現，姚班學子從不是天生的贏家，而是敢於直面挫折、勇於從頭再來的追光者。“你們如果要做一些事，最好去做一些別人辦不到的事，因為這些事只有你們可以做。”這是姚期智對學生們的期許。也正因如此，姚班學子從不缺少重新出發的勇氣，一次次的試錯與堅持，早已刻進他們面對挑戰的本能裡。04 “天才工廠”的造星密碼為什麼姚班能爆發出如此驚人的叢集效應？答案就藏在那套被稱為“清華樣本”的獨特培養體系中。先進的教育理念、嚴苛的選拔機制、完善的培養體系，共同構成了這個“天才工廠”的造星密碼。在選拔機制上，姚班的門檻堪稱“萬里挑一”，它的殘酷讓許多清華學霸都望而卻步。姚班每年僅招生30—50人，生源主要來自五大學科競賽（數學、物理、化學、生物、資訊學）的金牌保送生、各省高考前三甲，以及清華新生入學後的二次選拔。篩選只是起點，姚班真正的核心在於獨特的培養體系。成立之初，姚班就摒棄了常規的本科教育模式。在教育理念上，姚期智明確提出，姚班的目標不是培養“會寫程式碼的程式設計師”，而是培養“能定義規則的人”。●圖片來源：清華大學他融合MIT、史丹佛、普林斯頓等世界頂尖高校的教育理念，搭建起一套對標國際一流的核心課程體系，並親自講授其中6門課。在培養模式上，姚期智確立了四大核心理念：科學基礎紮實、儘早參與科研、注重理論與實踐及學科交叉、提供豐富的國際科研合作機會。姚班的課程強度與資訊密度遠超常規本科教育，2013級本科生范浩強曾回憶：“原本預想聽完一門課，自己的思維會從‘一層’升至‘五層’，這已經很刺激了，但沒有想到，老師直接從‘六層’講起！”科研實踐是姚班培養體系的重中之重，姚期智打破了“本科只能打基礎”的偏見。從大一起，學生便能直面學科最前沿，擁有充足自主時間投身科研與實習。在姚班，本科生參與國家級、世界級前沿項目已是常態，甚至頻頻在國際頂會發表論文，這樣的成績在全球頂尖高校中也實屬罕見。除了優質的課程與科研資源，姚班還擁有一支頂級師資隊伍。●圖片來源：清華大學姚期智不僅親自授課，還親自逐一面試、篩選出62位任課教師，手把手指導青年教師的教學工作。在他的邀請下，圖靈獎、奈望林納獎、哥德爾獎等國際頂級獎項獲得者相繼走進姚班課堂。為保障科研培養質量，姚班實行一對一導師制，由院士、頂尖教授親自指導科研，全程助力學生成長。同時，姚班全額資助大三學生赴麻省理工、史丹佛、哈佛等海外名校交換學習，讓學生在全球學術舞台上拓寬視野。據統計，姚班學生在讀書期間參與聯合培養、出席國際會議和出訪交流的比例達到200%。這種培養模式，不僅激發了學生的潛力，更讓他們養成了“挑戰極限”的習慣和不怕失敗的勇氣。● 姚期智院士與畢業生合影。圖片來源：光明網清華姚班的二十年，從來不是單一的“天才敘事”。從姚期智的“歸國賭注”，到陳立傑、姚順雨在全球AI舞台的閃耀；從印奇、樓天城締造的創業傳奇，到一代又一代姚班學子的持續突破，姚班早已成為一張觀察中國AI全球競爭力與產業佈局的關鍵名片。“天才”是外界貼給姚班學子最醒目的標籤。在AI1.0時代，姚班天才們締造了一個又一個商業神話，也親歷了技術理想主義與商業現實的劇烈碰撞。但無論怎樣，他們從沒停下腳步。如今，在ChatGPT掀起的AI 2.0浪潮之下，姚班學子正站在二十年的新起點。那些曾在AI1.0時代歷經起伏的“老兵”們再次出發，在技術與商業之間，奮力打通從實驗室到市場的“最後一公里”。而新生代姚班學子，正不斷湧入創業大軍。可以肯定的是，中國科技的下一個二十年，依然會有姚班學子的名字。 (最華人)

論文入選ISSCC 2026。芯東西2月26日消息，2月15日-19日，在被業界譽為“晶片設計國際奧林匹克會議”的國際固態電路大會（ISSCC 2026）上，清華大學、華為等大學與公司的研究人員發表論文，首次提出一款基於HYDAR框架的28nm混合存內計算（CiR）晶片的推薦系統（RecSys）加速器。這款36M RRAM CiR晶片能實現390K QPS的吞吐率與1574K QPS/W能效比。其建構的多晶片系統可實現百萬級即時端到端推薦系統（RecSys）。▲晶片顯微照片與系統概述在實際推薦系統任務中，CiR通過擴展至576M規模的多晶片系統，QPS提升了66倍，QPS/W提升181倍，精準率與CPU相當。▲晶片性能與當前頂尖設計的對比該晶片的核心優勢包括：採用DL-ADC實現非Top-K計算的早期終止；基於預測的預取調度流水線（PPSP）資料流提升不規則工作負載的吞吐量；由粗到細的檢索架構（coarse-to-fine）在保證系統召回精度的同時，可擴展至大規模應用。01. 引入CiR，實現高吞吐高能效、高精度相似向量檢索推薦系統中的核心運算單元是相似向量檢索（SVS），該方式通過計算查詢向量與大規模向量庫之間的距離，檢索出Top‑K最鄰近向量。SVS會佔據推薦系統絕大部分的計算時間與功耗，主要原因是外部儲存器訪問（EMA）開銷。其中，採用混合鍵合技術的DRAM加速器成本高昂，基於NAND TCAM的加速器存在讀取延遲高、資料與距離表示精度有限等問題。針對上述痛點，研究人員提出一種基於RRAM的數模混合存內計算加速器HYDAR，可實現高吞吐量、高能效、高精度的SVS。基於RRAM的存內計算（Compute-in-RRAM，CiR）因能最大限度減少資料移動、儲存密度高、平行度極大，已被公認為深度學習加速的極具前景的技術路線。但將CiR應用於SVS仍會帶來額外挑戰，如能耗與延遲急劇增加、降低PE利用率與吞吐量、精度降低等。▲面向高效推薦系統的、基於CiR的SVS加速器的研究動機與設計挑戰HYDAR通過CiR PE（存內計算處理單元）、混合晶片設計與多晶片系統架構協同最佳化，解決了上述挑戰：首先是帶動態延遲ADC（DL‑ADC）的CiR PE，其通過多位模擬CiR PE整合DL‑ADC，用於基於直方圖的相似向量檢索，可提前將距離與檢索閾值比較，並跳過非Top‑K向量，從而降低延遲與功耗。其次是基於預測的搶佔式調度流水線（PPSP），通過這種混合晶片機制，預測每個PE的執行階段間、中斷不平衡任務、插入短任務來平衡負載，以適應動態SVS工作流，提升利用率與吞吐量。最後是兩步由粗到精的檢索架構，其軟硬體協同設計框架，先在CiR PE上進行粗粒度檢索以保證高吞吐量，再在數字SVS引擎上進行精粒度檢索，在保證召回精度的同時最大化吞吐量。在此基礎上，基於HYDAR框架，研究人員採用28nm工藝流片實現了一款CiR原型晶片，包含36M RRAM單元，分為16個平行PE，每個PE包含一個288×4096陣列。▲HYDAR整體架構與核心特性及基於CiR的端到端檢索系統02. 採用基於DL‑ADC的SVS高效過濾機制 降低60%延時、71%功耗具體來看基於模擬存內計算單元的直方圖相似向量檢索（SVS）實現，以及支援計算提前終止的DL‑ADC設計。其通過查詢向量與基礎向量之間的距離分佈直方圖來確定Top‑K檢索的截斷閾值（CK）。在歐氏距離框架下，距離超過CK的基礎向量由雙模DL‑ADC過濾，該ADC可動態監測比較結果，實現非Top‑K向量的計算提前終止。歐氏距離計算可在288×4096的CiR陣列上完成，其中每個2T2R單元表示一個4位維度，每一列代表一個256維基礎向量及32維偏置。本設計中，CiR PE在計算過程中將直方圖存入本地直方圖儲存器，隨後同步至跨PE直方圖單元（CHU），合併分佈式結果以生成CK。該論文設計了三條定製指令來執行該流程。在DL‑ADC方面，基於逐次逼近暫存器（SAR）的結構支援提前終止模式（ET），將預生成的CK作為輸入，與每個周期生成的SAR碼一同送入按位比較器。在迭代調整IDAC以逼近ADC輸入電流的過程中，任何一位不匹配都表明計算結果與CK存在差異，觸發提前終止，停止計算並輸出2位向量掩碼（vMask）。最後，通過將DL‑ADC設定為ET模式，距離計算與過濾可同時執行。▲基於動態延遲ADC（DL‑ADC）的直方圖式SVS的CiR實現該ET機制在資料庫規模擴大時效果顯著，平均減少60%的計算時間和71%的功耗，宏單元面積開銷增加7%。03. 預測搶佔式調度，利用率提升至91% 平均查詢延遲降低30%其次是面向SVS負載提出的基於預測的搶佔式調度流水線（PPSP）。查詢在不同PE間平行計算，而每個PE參與計算的基礎向量數量通常不同，這會造成計算周期差異與PE間同步開銷，進而引發調度停頓與流水線氣泡。PPSP採用連續搶佔式調度與動態任務調度器（DTS）解決了這一問題。DTS會對各PE上查詢執行的完成時間戳進行監測與預測。該論文提出的搶佔式調度機制允許新任務搶佔那些即將完成的正在運行任務，這可以消除流水線氣泡、讓任務更早完成、PE更快釋放，以服務後續查詢。在接收到指令時，任務會佔用一個DTS槽位，並將其PE/段掩碼存入任務表，然後作為子任務路由到目標PE的兩個待處理緩衝區之一。DTS同時監控每個任務的預測關鍵結束時間（PCET），其定義為所有子任務PET的最大值。其中的仲裁器檢查PE與正在運行任務的重疊情況，如果新任務的PET可以降低且不影響正在運行任務的PCET，則切換待處理緩衝區以搶佔式調度新任務，從而提升吞吐量、降低延遲。此外，在查詢調度期間，DTS會在後端記憶體分配器中為每個查詢預分配地址空間，使得PE可以直接將結果寫入輸出緩衝區，無需PE間同步，從而實現PE快速釋放以處理新查詢。▲面向動態SVS負載的、所提出的基於預測的搶佔式調度流水線（PPSP）通過以上最佳化，PPSP將PE利用率提升至91%，平均查詢延遲降低30%，QPS吞吐量提升1.82倍。04. 由粗到細兩步檢索 實現系統級四級流水線平行最後是面向SVS、基於CiR的兩步檢索架構。為提升系統精度，該架構整合了數字精檢索引擎，在高吞吐粗檢索結果中精確篩選向量。這使得即使在模擬CiR存在噪聲與低精度處理的情況下，仍能保持高召回精度。該架構還通過多CiR晶片平行擴展了向量庫容量，並支援更廣泛的平行粗檢索，同時採用Thresh‑IVF流程與系統流水線，進一步提升吞吐量。CiR PE分為三類：質心PE（CPE）儲存聚類中心坐標，採樣PE（SPE）儲存從每個聚類中採樣的少量向量，用於表徵分佈並生成CK；全量庫PE（FPE）儲存所有基礎向量，並全程運行在高能效的DL‑ADC提前終止（ET）模式下，在整個流程中佔據92.7%的向量儲存。CiR專用的Thresh‑IVF工作流程包括查詢首先送入CPE，通過IT運算計算查詢與聚類中心的距離，識別最近的聚類；系統將查詢路由到所選聚類的SPE，通過IH在多晶片間生成直方圖，進而生成CK；CK被路由到步驟1所確定聚類的所有FPE，通過IC完成粗檢索ID生成。這種系統級基於閾值的粗檢索，最小化了每個晶片輸出的過濾結果數量，避免了在各晶片上執行相同Top‑K計算帶來的冗餘ID過濾。最後，少量候選ID被送入數字引擎，以FP16格式進行精檢索，使系統級儲存頻寬需求降低97.44%。▲兩步由粗到精檢索系統架構與工作流程該設計實現了系統級四級流水線平行；同時晶片內不同PE也可平行處理不同任務。相較於傳統基於CPU的IVF方案，這種多晶片層級流水線可將延遲降低90.17%。05. 結語：兼顧精度與效率推薦系統算力成本驟降推薦系統在連接使用者與海量內容和服務方面發揮著至關重要的作用，已廣泛部署於電商和串流媒體平台，但作為其核心運算單元相似向量檢索佔據了推薦系統絕大部分的計算時間和功耗。其中採用混合鍵合技術的DRAM加速器提升了頻寬以緩解EMA問題，但其成本高昂，且仍受限於DRAM與邏輯單元之間的資料傳輸瓶頸；基於NAND TCAM的加速器將計算整合到儲存陣列中以減少EMA，但存在讀取延遲高、資料和距離表示精度有限的問題。基於此，這篇最新研究提出了一款高效的SVS加速器，能在保證高吞吐量檢索的同時，不犧牲召回精度，進一步降低推薦系統的功耗。 (芯東西)

【新智元導讀】SSI-Bench是首個在約束流形中評估模型空間推理能力的基準，強調真實結構與約束條件，通過排序任務考察模型是否能精準理解三維結構的幾何與拓撲關係，揭示當前大模型在空間智能上嚴重依賴2D資訊，實際表現遠低於人類。研究指出，模型需提升三維構型識別和約束推理能力，才能真正理解空間問題。如果你把一個在空間理解榜單上刷分很高的多模態大模型，直接丟進真實世界，它很可能會在看起來很簡單的問題上翻車。不是因為它不會「看」，而是因為它從來沒有被迫真正尊重三維結構的可行性——它可以靠2D相關性、外觀先驗、資料集套路，走捷徑拿分。而現實世界裡，很多空間問題的本質恰恰相反：能怎麼擺、怎麼連、怎麼受力，不是隨意的；可行解往往只存在於一個被幾何、拓撲、物理強約束「壓扁」的空間裡。為此，清華大學的研究團隊推出SSI-Bench，從AI與結構工程的交叉視角出發，為空間智能評估提供了一種新的場景化思路——將評測置於複雜三維結構的約束流形中，系統檢驗多模態大模型的空間智能表現。項目首頁：https://ssi-bench.github.io/Arxiv論文：https://arxiv.org/abs/2602.07864Hugging Face資料集：https://huggingface.co/datasets/cyang203912/SSI-BenchGithub程式碼庫：https://github.com/ccyydd/SSI-Bench論文將這種能力明確界定為Constrained-Manifold Spatial Reasoning（CMSR，約束流形空間推理）：在此類任務中，潛在三維狀態並非可被任意「臆測」，而是受到顯式約束的限定，僅能落在一個可行解集合內——既需要滿足等式約束（如幾何一致性、連接關係等），也需要滿足不等式約束（如非相交條件、支撐條件與物理可行性等）。更重要的是，強約束會顯著收縮可行三維配置空間，使「高度、距離、最短路徑」等空間關係在不同合理解釋下更具穩定性，從而使評測結果具備更好的可量化性與可比性。SSI-Bench正是在這一背景下提出：它不再將模型置於約束較弱、可自由組合的日常場景中，而是面向複雜真實工程結構建構評測環境，要求模型形成約束一致的三維結構假設，並在此基礎上完成空間推理。聚焦複雜三維結構純人工硬核打造任務形式：用排序題「逼出」真3DSSI-Bench不再讓模型做選擇題，而是統一成排序任務：每題給出3或4個候選「構件/構件組」，要求在指定幾何/拓撲準則下輸出正確的全排列順序。覆蓋能力：幾何+拓撲+多視角一致性全基準共1,000道排序題，任務分兩大類：幾何類（Geometric）：Ground Height / Ground Angle / Dimension / Relative Distance / Area / Volume；拓撲類（Topological）：Hop Distance / Cycle Length等圖結構關係；並額外引入多視角題目：以兩張圖配合，一張提供參考構件，一張給出待比較目標，重點考察跨視角構件對應與整體結構一致性。建構過程：十位研究者耗費400+小時純人工打磨為了保證資料集的質量與多樣性，同時也由於缺乏真實結構構件的標註資料，SSI-Bench的建構流程非常「硬核」——10位研究者投入超過400小時，從大量真實結構圖片中進行人工篩選與題目設計：資料收集：研究中共計審閱約20,000張結構相關圖片，結構形式包括空間網架、鐵塔、斜拉橋、木竹結構、鋼筋籠、管道等，最終保留2,000+候選；主要來自免版稅來源（Unsplash / Pexels / Pixabay），多視角部分還補充了自採圖像。任務設計：結合空間智能需求與結構工程專業知識，共精心設計2大類、10小類任務。中繼資料標註：判斷每張圖片適用的任務類型，使用Label Studio提供構件定位標註；問題生成：依據圖片色彩自動選取標註顏色，並按構件位置自動佈局標註文字；問題生成後，由人工覆核清晰度與遮擋情況。質量檢驗：每題均由獨立檢查者覆核，若存在分歧則交由第三人裁決。最終共獲得1,000道有效題目。模型仍在起跑線人類領先近六成SSI-Bench系統評測了31個主流VLM，結論非常直接：人類幾乎「碾壓式領先」。人類平均91.6%，最強閉源33.6%（Gemini-3-Flash），最強開源22.2%（GLM-4.6V），隨機猜測基線12.85%也就是說，那怕拿到當下最強大模型，人類仍然領先58個百分點（91.6 − 33.6）。更為關鍵的是，即使鼓勵模型生成更長的推理過程，整體提升也多停留在邊際層面，難以觸及問題的核心瓶頸。並且在部分高度依賴全域三維一致性的任務（如Multi-View、Volume）中，過度推理反而可能在錯誤的結構假設上持續累積偏差，使結果進一步偏離正確答案。從結果到機制關鍵瓶頸在那裡？論文對代表模型做了人工復盤，歸納出四類高頻錯誤：構件範圍誤判：僅觀察到局部便誤認為整體，或對端點位置產生錯誤「補全」；遮擋越多，問題越突出。構件/節點識別錯誤：混淆不同部件，方向判斷失準（例如將傾斜構件誤判為水平或垂直）。計算與比較邏輯錯誤：在Area/Volume等任務中計算方式錯誤（例如以2D投影替代3D體積），或採用不成立的簡化假設。3D空間邏輯錯誤：深度關係混亂、跨視角對應失敗、關係組合不穩定，進而導致整體結構假設不一致。這也解釋了SSI-Bench的「硬核」並不在於題目刻意刁鑽，而在於它迫使模型直面並補齊兩項關鍵短板：三維結構構型識別與約束一致的空間推理。結語SSI-Bench的價值，並不是再造一個「更難的VQA」，而是把空間智能評估拉回一個更接近現實的坐標系：當場景是複雜真實結構、當可行解被強約束收縮、當2D捷徑不再可靠——模型是否還能穩定地建構約束一致的3D結構假設並完成推理？從目前結果看，答案仍然很殘酷：模型還在起跑線，人類已在終點線附近。但也正因如此，SSI-Bench給出了一個非常明確的研究方向：讓空間智能體從「會看圖說話」，走向「會在結構裡思考」。 (新智元)

【新智元導讀】剛剛，GoogleGemini 3 Deep Think原地進化！在Codeforces比賽中拿下全球第七，擊敗了人類選手。短短三個月，全方位刷爆SOTA。猝不及防，GoogleDeepMind深夜又放大招了！今天，Gemini 3 Deep Think重磅升級，幾乎刷爆全領域的SOTA，標誌著AI推理能力進入了全新維度。離職Anthropic入職Google的華人學者姚順宇參與了Gemini 3 Deep Think這一次，在科學研究和硬核工程領域，Deep Think堪稱一個「最強大腦」。它可以將草圖渲染成一個高保真、實用的3D筆記型電腦支架圖，並直接將其列印出來。GoogleVP曬出這個副項目，最終的成品是這樣子的。新版Deep Think的實力究竟有多恐怖？在程式設計界，它刷出了3455 Elo的驚人分數，達到世界冠軍級的水準，衝入了Codeforces比賽人類TOP 10！也就是說，全球只有7人擊敗了Gemini 3 Deep Think，一年前，最強o3也僅拿下2727 Elo。在人類最後考試（HLE）上，Gemini 3 Deep Think刷新SOTA，拿下了48.4%的成績。甚至，它在一夜之間讓最難的ARC-AGI-2基準直接飽和，以84.6%新SOTA一騎絕塵。與Gemini 3 Pro相比，Deep Think實現了全方位反超，並將Claude Opus 4.6、GPT-5.2直接踩在了腳下。更令人震撼的是，Gemini 3 Deep Think的實戰表現。羅格斯大學數學家Lisa Carbone在研究時，讓它審查一篇高深的物理數學論文。結果，Deep Think竟發現了一個連人類同行評審，都遺漏的細微邏輯漏洞。Gemini 3 Deep Think這波史詩級進化，又讓某些人睡不著了。目前，Google AI Ultra訂閱使用者即可在Gemini中體驗新版Deep Think。同時，首次通過API向部分研究人員、工程師和企業開放。實力刷爆SOTA，奧賽金牌大滿貫去年，Deep Think專門版成功解決了推理領域最艱巨的任務，在數學和程式設計世界錦標賽中奪下金牌。就在昨天，GoogleDeepMind還做了一個預熱。背靠初代Deep Think的「AI數學家」Aletheia可以獨立撰寫論文，證明了「Erdős猜想」中多個難題。不僅如此，Deep Think直接推翻了十年猜想，一舉攻克18大研究瓶頸。而現在，迭代後的Deep Think已在多項高難度的基準測試中刷新SOTA：人類最後的考試（HLE）：設定了新標竿，在不使用工具的情況下精準率達48.4%；ARC-AGI-2：達到了前所未有的84.6%，並獲得ARC獎項基金會的驗證；演算法競賽平台Codeforces：Elo評分達到了驚人的3455分；2025 IMO：達到金牌水平。除了數學和演算法競賽，Gemini 3 Deep Think現在在化學和物理等廣泛的科學領域也表現優異。在2025年國際物理奧林匹克和化學奧林匹克的筆試部分，新版Deep Think同樣具備了金牌實力。此外，它在高級理論物理方面也遊刃有餘，在CMT-Benchmark測試中取得了50.5%的成績。另外，Gemini 3 Deep Think在ARC-AGI-1上，直接頂到頭了。官方演示中，Gemini 3 Deep Think可以根據論文，為「時空循環視訊Transformer」架構建立一個可視化方案。Deep Think殺入科研，十倍加速除了頂尖的性能表現，Deep Think還突破了智能邊界，能夠解決科學、研究和工程領域的現代難題。它不僅能幫助科研人員解讀複雜資料，還能輔助工程師通過程式碼對物理系統建模。在早期測試中，許多科學家在科研工作流中，顯著提升了研究產出質量。在杜克大學，Wang Lab用Deep Think最佳化了複雜晶體生長的製造方法，以用於潛在的半導體材料發現。令人意想不到，Deep Think成功設計出了一種生長大於100 μm薄膜的配方，達到了以前方法難以實現的精確目標。Google平台與裝置部門的研發主管Anupam Pathak表示——我不是CAD設計師，但有了Deep Think，可以直接將草圖變成可3D列印的實物。它會分析繪圖，對複雜形狀進行建模，並生成3D列印所需的模型檔案，讓物理零部件建模加速十倍。只需傳送一張圖片、一個提示詞，它就能夠深入思考，便可以提供幾個之前自己從未設想過的全新設計方案。Deep Think將深厚的科學知識與實用的工程能力相結合，超越了抽象理論，真正開始推動實際應用。網友驚豔實測，物理模擬太強在實測中，Gemini 3 Deep Think展現出超強的物理模擬能力。它可以模擬光線追蹤，在瀏覽器中就可以實現。並且還可以在單個HTML檔案中，建構出一個完整的Three.js場景，渲染出博物館中古典油畫難以區分的全3D室內房間。Simon Willison用Gemini 3 Deep Think畫了一張鵜鶘騎自行車的SVG向量圖，效果非常驚豔。他表示，這是自己目前見過最棒的一版了。既然在處理那條基礎的「生成一張鵜鶘騎自行車的SVG」指令時表現得這麼出色，Simon決定加大難度，試個更有挑戰性的版本：生成一張加州褐鵜鶘騎自行車的SVG圖像。自行車必須要有輻條，車架形狀要精準。鵜鶘必須具備其標誌性的大喉囊，且要有清晰的羽毛細節。必須能清楚地看出鵜鶘正在蹬車。圖像需要展示加州褐鵜鶘完整的繁殖羽特徵。結果如下：這一次，Google讓AI真正滲透進了科研工作的「最後一公里」：審閱論文、工業設計、實驗最佳化，無所不包。當AI能夠揪出連人類審稿人都忽略的邏輯漏洞時，「輔助工具」這四個字顯然已經配不上它了。如今，壓力球拋回給了OpenAI。面對Google這記直擊痛點的「深思」回擊，奧特曼的下一張王牌，必須足夠震撼。 (新智元)

作為人類社會的最高學府，大學是相當燒錢的，拿中國舉例子，每年國家都要拔出數以萬計的資金給大學，其中清華大學的經費最多，大約有395億元。清華大學的年經費幾乎和一座小城市的GDP，或一座中型城市的年財政收入差不多。但是清華大學的經費收入拿到國際上排名不算多，世界上年經費最多的大學經費是清華大學的近10倍。2025年中國大學經費投入前50名。哈佛大學是世界上經費收入最高的大學，2024年經費收入達520億美元，折算成人民幣就是3640億元！哈佛大學的年收入都可以抵得上深圳市一年的地方收入，而深圳可是全中國最能賺錢的城市，有1700萬人口。或者再舉個例子，非洲大國喀麥隆2024年的GDP有538億美元，和哈佛大學的一年經費相當，而喀麥隆有近3000萬人口。各種國際大學排名中，哈佛大學也幾乎都是世界第一。作為世界頂級大學，哈佛大學成立於1636年，美國還有將近150年才建國。作為私人研究型大學，目前哈佛大學有1個本科生院和12個研究生院，藏書量超2000萬冊，註冊學生大約2萬人。美國常春藤大學分佈地圖，是美國乃至世界最頂尖的8所大學。哈佛大學的實力強悍，自成立以來誕生了12名美國總統和160餘位諾貝爾獎得主。比如美國總統羅斯福、甘迺迪、歐巴馬等都是畢業於哈佛大學，再比如巨富祖克柏、比爾蓋茲也都出自哈佛大學。中國的大學一般兼具大學和行政機關兩種身份，所以中國大學的主要收入來自於政府財政撥款，而國外的大學不是這樣。哈佛大學經費收入結構圖。拿哈佛大學舉例，哈佛大學的收入結構如上圖所示。哈佛一半的收入來自慈善捐款，畢竟哈佛校園中走出無數億萬富翁。然後就是教育收入，包括學費、住宿費這些，大約佔21%。哈佛大學的學費一年大約是5.42萬美元，折合人民幣就是約39萬元，比較一下中國大學的普遍學費一年才四五千元。聯邦和地方政府的財政撥款只佔哈佛大學收入比重很小一部分，大約佔16%，折算下來也有83億美元，大約580億元了，這樣看也一點不比中國對清華大學的投入力度小。全美大學經費收入排名。美國頂級高校的經費相當充足，哈佛大學之後的德克薩斯大學經費收入有480億美元，耶魯大學的經費收入有410億美元，史丹佛大學的經費收入有380億美元，普林斯頓大學的經費收入有340億美元，麻省理工有250億美元，哥倫比亞大學有150億美元。全美總共有25所大學的經費收入超過80億美元，折算成人民幣就是560億元。國際排名中清華大學一般排在20名左右，前20名一大半都是美國大學，原因一部分就是經費投入力度的多少。世界大學排行榜前24名。中美對大學教育的態度完全不一樣，中國致力於教育公平，頂級大學的經費收入和普通的大專院校差距都不大，比如說清華大學的經費收入有395億元，深圳職業技術大學也有32億元。而且中國公辦大學的學費普遍在1萬元以下，保證了人人都唸得起大學。中國總共有2820所大學，公辦本科才850所，接受過高等教育的人群比例也不過7%。美國強調精英教育，美國頂級大學的經費相當充足，哈佛大學的經費收入是清華大學的接近10倍，同樣哈佛大學的學費也是清華大學的80倍不止。全美有大約5600所大學，除了極少數頂尖大學外，大多數都是社區大學，類似於俱樂部一樣，這種高等教育的氾濫也保證了人人有大學上，加上美國是高度發達的國家，全美的高等教育率大約有40%，遠遠高於中國。全球高技能人才流向地圖，全世界頂級人才都在流向美國。在經費收入來源上，中國大學作為行政機構依賴財政撥款，這樣大學的考評和教學科研質量、學生體驗的關係就不大。而美國很多大學都是私立大學，儘管政府也會適當撥款，但大多數依賴私人慈善資助，這樣那些教學科研質量差，學生就業不好的大學就會越來越窮，甚至破產倒閉。曾經大學是頂級知識殿堂，但現在已經淪落為人人都能上大學。但是無論那個國家，最頂尖的教育資源依舊在頂級大學裡。雖然美國搞快樂教育，但是這只是對底層民眾的，美國的常春藤名校一年經費收入都超過百億美元，全世界最頂尖的人才都去美國頂級大學留學或者做研究，美國依舊是世界上科技最發達的國家。 (未音g)

清華大學近日成立具身智能與機器人研究院，將重點突破“強健本體+智慧大腦”全端技術的“0到1”原始創新，同時建構“技術研發-中試驗證-場景應用”全鏈條轉化樞紐，加速技術成果落地。研究院掛靠科研院，由自動化系、機械系、電子系、電腦系共同建設，院長由清華大學自動化系主任張濤擔任。研究院將打造具有全球影響力的人才高地和創新策源地，強化清華大學在國家“機器人+”戰略中的核心支點地位，為中國搶佔具身智能與機器人領域賽道，培育新質生產力提供核心驅動力，為國家在新一輪科技革命和產業變革中贏得戰略主動。清華校長李路明表示，具身智能與機器人研究院的成立是該校主動服務國家戰略需求，充分發揮多學科與人才優勢，進一步完善人工智慧佈局，有組織開展前瞻性、戰略性、系統性的科技攻關的重要舉措。希望研究院充分發揮清華多學科優勢，積極探索交叉創新新範式，打造科研創新和拔尖創新人才培養重要基地。研究院還將與企業在智能算力供給、智能體研究、具身智慧型手機器人開發、前沿場景驗證、技術成果轉化等方面展開深度合作。此外，該校近日還發佈了《清華大學人工智慧教育應用指導原則》，首次系統性地對校園中的人工智慧應用提出全域性、分層級的引導與規範，劃定人工智慧教育應用“紅線”與“綠道” 。該校明確，人工智慧始終是輔助工具，師生才是教學與學習的主導者。要求師生對人工智慧使用情況及生成內容依規進行披露聲明，嚴禁學術不端。嚴禁師生使用敏感資訊、涉密資料或未授權資料訓練或驅動人工智慧模型。提醒師生警惕人工智慧“幻覺”，應通過多源驗證防範因過度依賴導致的思維惰化。清華建議教師基於教學目標自主制定人工智慧的應用方式與程度，在課程開始時向學生明確說明使用規範，並對人工智慧生成的教學內容負責。同時，教師需主動引導學生辯證認識人工智慧，培養其核心素養。該校還鼓勵學生在遵守課程規定的前提下積極探索人工智慧工具輔助學習，但嚴禁將人工智慧生成的文字、程式碼等內容直接複製或簡單轉述後作為學業成果提交。針對研究生群體，該校特別強調禁止用人工智慧代替本應由本人進行的學術訓練，嚴禁使用人工智慧實施代寫、剽竊、偽造等行為。研究生指導教師需在此過程中提供規範性指導並進行全過程監督，確保學術訓練的完整性和學位論文及實踐成果的原創性。清華線上教育中心主任王帥國表示，指導原則也為未來在學術研究、管理服務等更多場景中拓展人工智慧應用邊界、譜寫新的篇章預留了充分空間。“我們希望它不是一個‘束縛手腳’的檔案，而是一個有生命力的、能隨著技術演進不斷生長的指導體系。” (新華網)