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)

輝達首席執行官黃仁勳本月早些時候發出警告，稱在全球人工智慧主導權競爭中，中國正迅速縮小與美國的差距。年初深度求索（DeepSeek）異軍突起，恰恰印證了這種實力對比的快速演變。這場較量不僅在矽谷和深圳上演，更已延伸至大學校園。中國政府正依託清華大學穩步建構本土人工智慧引擎，挑戰美國常春藤盟校在尖端科技領域的霸主地位。圖片來源：VCG/VCG via Getty Images清華大學產出的全球百篇高被引AI研究論文數量位居全球高校之首，且該校每年申請的人工智慧相關專利數量超過麻省理工學院、史丹佛大學、普林斯頓大學和哈佛大學的總和。彭博社基於律商聯訊（LexisNexis）的資料分析顯示，2005年至2024年底，清華大學研究人員共申請4986項人工智慧與機器學習領域的專利，僅去年一年就申請了900多項。不過，美國仍保持著優勢。美國機構持有眾多最具影響力的AI專利，根據史丹佛大學《2025 年人工智慧指數報告》（2025 AI Index Report），美國已推出40個“重要AI模型”，數量遠超中國的15個。但中國模型正在質量方面迅速縮小差距。“政府、產業界和學術界對人工智慧和機器學習充滿熱情，” 今年從哈佛大學加盟清華大學、牽頭組建該校新統計與資料科學系的劉軍教授向彭博社表示，“吸引人工智慧人才的關鍵在於資本，以及中國政府對科學研究，包括人工智慧及相關領域的支援。”美國企業爭相吸納中國AI人才中國科技戰略佈局遠不止於大學階段。如今，人工智慧基礎知識已走進六歲學童的課堂。今年秋季，北京市中小學全面開設人工智慧通識課程，每學年不少於8課時，內容涵蓋聊天機器人等工具的使用、技術原理背景以及人工智慧倫理等主題。這種前瞻性佈局，為中國培育了規模龐大的科技人才隊伍。據美國戰略與國際研究中心（Center for Strategic and International Studies）統計，2020年中國STEM（科學、技術、工程和數學）專業畢業生為357萬人，而美國同期僅為82萬人。中國官方媒體後續報導稱，這一數字預計將突破每年500萬。（註：中國人口規模為美國的四倍多）美國科技企業已敏銳地察覺到這一趨勢，並爭相搶奪中國人才。今年夏季，Meta宣佈啟動全新“超級智能實驗室”，旨在打造超越人腦的智慧型手機器。據《紐約時報》（New York Times）報導，該實驗室11位創始研究員均非在美國接受高等教育，其中7人出生於中國。保爾森基金會（Paulson Institute）2020年的一項研究發現，在全球百位頂尖人工智慧科學家中，近三分之一是中國籍研究人員，且其中多數人供職於美國高校與企業。卡內基國際和平基金會（Carnegie Endowment for International Peace）後續研究發現，儘管地緣政治緊張局勢加劇，這些研究人員中仍有87%選擇繼續在美國工作。正如參與這兩項研究的分析師馬特·希恩對《紐約時報》所說：“美國人工智慧產業是中國人才紅利的最大受益者。”（財富中文網）

固態電池領域，再爆重磅突破！在被日韓「卡脖子」20年的電池戰場上，中國終於迎來一記反擊。最近，清華聯手天津大學團隊，甩出王炸技術：固態電池，實現零下30℃極寒，快充7000小時無損循環，高電流快充仍穩如初。這不是實驗室秀肌肉，而是實打實的應用前緣。過去十年，中國電動車一路狂飆。從造車新勢力崛起，到鋰電池產業鏈全球領先，中國的新能源故事堪稱奇蹟。我們從300公里撐到600公里，卻始終逃不過「快充傷電池、低溫廢續航、安全懸頭頂」的死循環。我們這些電動車用戶，也早就被折磨得沒脾氣了。露天停車，怕自燃提心吊膽；快充幾次，電池容量就跳水；寒冬臘月，續航里程直接腰斬；換電池，​​要花大幾萬血汗錢!而被吹了好多年的固態電池，卻只聞其聲不見其車。不是不想做，是全世界的科學家都卡在一個死胡同，電池裡的保護殼根本扛不住現實路況暴擊，日韓車企砸上千億，結果充電慢、壽命短、低溫報廢。實驗室裡的固態電池看著完美，車上就歇菜，核心問題就在「介面矛盾」。鋰金屬負極和固態電解質，就像兩枚齒輪，中間SEI膜是潤滑油加保護套。傳統SEI膜硬邦邦，脆得要命：快充應力一來碎裂，低溫直接凍住。一旦破裂，鋰枝晶瘋長，刺穿電池，短路事故隨時可能發生。全世界都卡在這裡，固態電池遲遲無法商用。就在產業幾乎放棄的時候，中國團隊出手了。清華康飛宇、賀艷兵攜手天津楊全紅，在《自然》公佈最新突破。他們不再修補“玻璃殼”，而是讓它變軟一點，甚至提出了一個全新的概念：“塑性富無機SEI”，直接給電池換上“柔性防彈衣”。簡單說，就是讓這層保護膜既能像金屬一樣變形、又能像橡膠一樣韌，外柔內剛。更棒的是，這層「鎧甲」在運作中還能自我修復。當電極膨脹或收縮，它會自動延展，不會破裂。當溫度下降，它依然保持離子通道暢通。結果實測數據震撼：即便在攝氏零下30度極端環境下高電流快充，7000小時循環後仍穩定。這意味著其壽命和安全性，雙雙邁入實用門檻，下一代固態電池，也終於將不再只是紙上談兵，而是觸手可及的生活體驗。未來，電動車續航力輕鬆突破1000公里，冬天去漠河自駕遊也不怕續航腰斬。充電30分鐘就能滿電出發，安全隱憂不再懸頂。別小看這一「塑性鎧甲」，它背後是中國在高端能源材料上的一次結構性突圍。要知道，全球固態電池賽道上，美、日、韓早已佈置多年。美國QuantumScape背靠大眾；日本豐田拿著上千項專利；韓國三星幾乎每年都有原型發行。而中國雖然在鋰電池量產上領先，卻在核心材料、介面設計、固態電解質等關鍵技術上被限制。這次清華團隊登上《自然》，不僅是學術突破，更是產業訊號：我們有了屬於中國的「原創解法」，能把實驗室的創新一步步推向量產。過去十年，中國電動車的成功，被全球質疑為「規模取勝」。但事實正在改變，從寧德時代的鈉離子電池，到清華團隊的固態電池介面創新，中國科研正在把「被動跟隨」轉化為「主動定義」。而一旦固態電池實現量產，將直接改寫三條主線：1、電動車不再受制於充電時間；2、儲能係統安全性全面提升；3、動力電池的壽命和成本平衡迎來質變。更現實的是，在碳中和、能源安全、產業升級的多重博弈下，誰率先掌握固態電池量產能力，誰就擁有下一個十年的能源主導權。固態電池不僅是續航力器，還能解放重量和體積。能量密度比液態電池高50%，重量減三分之一。未來，儲能電站、無人機、新能源飛機都能藉力。充電不再排隊，冬天不再趴窩，安全不再焦慮。這背後，是中國科研20年深耕的累積。康飛宇、賀艷兵、楊全紅團隊，不只是改良電池，而是重新定義材料科學與電化學結合的極限。他們證明了：不是硬邦的保護殼撐起安全，而是「剛柔並濟」的梯度結構。過去我們在晶片被卡、在高階設備被限，如今在電池這條賽道，我們不再求補課，而是在引領創新。就像當年鋰電改變電子設備一樣，中國技術正在定義下一代能源時代。有人說，固態電池距離量產還有路要走。也有人說，這才是真正意義上的「新能源革命」。但無論如何，這次突破，標誌著中國在全球新能源競爭中，終於握住了技術話語權。現如今，從充電樁前的漫長等待，到寒冬裡的續航焦慮，我們忍了十年的痛點，終於要被中國科研一錘定音。你準備好，和續航焦慮說再見了嗎？ (正商參閱)

清華大學團隊研製出亞埃米級快照光譜成像晶片“玉衡”。清華大學電子工程系方璐教授團隊在智能光子領域取得重大突破，首創了可重構計算光學成像架構，研製了高分辨光譜成像晶片“玉衡”，實現了亞埃米級光譜解析度，千萬像素級空間解析度的快照光譜成像，標誌著中國智能光子技術在高精度成像測量領域邁上新台階。相關研究成果以《整合鈮酸鋰光子學亞埃米級快照光譜成像》（“Integrated lithium niobate photonics for sub-angstrom snapshot spectroscopy”）為題線上發表於學術期刊《自然》。光譜記錄著光在不同波長下的強度變化，揭示了物質與光的相互作用，是解析成分、結構與特性的“光學金鑰”。然而，傳統光譜測量受限於分光採集與固化結構，光譜解析度與成像通量之間長期存在固有矛盾，成為光譜成像領域久未破解的科學難題。研究團隊基於智能光子原理，創新提出可重構計算光學成像架構，將傳統物理分光限制轉化為光子調製與計算重建過程。通過挖掘隨機干涉掩膜與鈮酸鋰材料的電光重構特性，團隊實現高維光譜調製與高通量解調的協同計算。可重構計算光學成像架構並由此研製出亞埃米級高分辨光譜成像晶片——“玉衡”。無需在波長維度犧牲通量，每個像素均可獲取完整光譜資訊，快照光譜成像的分辨能力（R=12,000）提升兩個數量級，突破了光譜解析度與成像通量無法兼得的，長期瓶頸。與傳統體型龐大、採集緩慢的高分辨光譜裝置不同，“玉衡”晶片僅約2釐米×2釐米×0.5釐米，卻可在400—1000奈米的寬光譜範圍內，實現亞埃米級光譜解析度、千萬像素級空間解析度的快照光譜成像，能在單次快照中同步獲取全光譜與全空間資訊，並具備88 Hz 的快照光譜成像能力，為高分辨光譜成像開闢了新路徑。方璐表示，“玉衡”攻克了光譜成像系統的解析度、效率與整合度難題，可廣泛應用於機器智能、機載遙感、天文觀測等領域，以天文觀測為例，“玉衡”的快照式成像每秒可獲取近萬顆恆星的完整光譜，有望將銀河系千億顆恆星的光譜巡天周期從數千年縮短至十年以內，憑藉微型化設計，它還可搭載於衛星，有望在數年內繪製出人類前所未有的宇宙光譜圖景。據悉，目前課題組正基於原理樣片，加速工程化樣機與系統級最佳化，並將在10.4米口徑加那利大型望遠鏡（GTC）上進行測試應用。小彩蛋！為何這枚晶片會取名叫“玉衡”呢？據清華大學解釋稱，玉衡之名：以光校衡天地。《尚書·舜典》有言“在璿璣玉衡，以齊七政”，古人以“玉衡”校定日月星辰的運行秩序。而今，科學家以同名之芯，校衡光的頻譜與宇宙的奧秘。“玉衡”是融合人工智慧、整合光子學與材料科學的突破。未來，隨著高分辨光譜獲取範式的持續變革，以“玉衡”為代表的計算光譜成像技術有望以更小的體積、更高的分辨力、更廣的應用邊界，為材料科學、地球科學、天文科學開拓新的光譜天地。 (半導體產業縱橫)