不圆 发自 凹非寺 量子位 | 公众号 QbitAI 37岁就获诺奖的传奇大佬 大卫·巴尔的摩（David Baltimore） 去世了，享年87岁。 他在1970年发现 逆转录酶 ，颠覆了传统遗传"中心法则"描述的细胞中遗传信息流动方向。 让现如今的"中心法则"，多了一条从RNA到DNA的路径。 这项发现动摇了新兴分子生物学领域的根基，并促进了人们对逆转录病毒和包括HIV在内的病毒的理解。 凭借这一发现，他获得1975年诺贝尔生理学或医学奖，也是最年轻的诺奖得主之一。 说起巴尔的摩，他也是妥妥的学霸：25岁获得博士学位、一年半发了10篇论文；但大佬人生中也遇到过低谷，曾面临长达10年的学术不端争 议…… 他与妻子 黄诗厚 也因科学结缘、相识于实验室，并相伴终生。 巴尔的摩曾经说过： 我能够代表我共事过的大部分科学家说，我们并不把科研当成一份工作，我们把它视为我们的生活，能够有机会穷尽一生去探索人类知 识的前沿，那是一种上天的赏赐。 他也确实践行了这句话——直至生命的最后一周，他仍在持续学术创作。 18个月发10篇论文 1938年3月7日，大卫·巴尔的摩出生于纽约曼哈顿，父亲是一位从事服装生意的信正统犹太教的 ...

特斯拉Optimus机器人最新动态 - 特斯拉Optimus机器人在餐厅门口进行爆米花销售演示 展示与人类互动能力 包括递送爆米花、挥手告别和拍照比剪刀手等社交行为 [5][13][15] - 演示中机器人表现出低延迟特性 即使存在远程操作可能 其响应速度仍令人印象深刻 [20] - 当前演示版本为黑色外观的V2型号 非最新版本 [6][33] 新一代金色Optimus机器人特性 - 金色款Optimus通过Salesforce创始人视频首次曝光 视频观看量超过260万人次 [21] - 新手部设计采用高度拟人化方案 类似试衣模特的手 但具体灵活性尚未展示 [22][23] - 定价区间为20-50万美元 显著高于马斯克此前公布的2-3万美元量产目标价格 [25] 机器人技术发展趋势 - 人形机器人正向轻量化、敏捷化方向发展 需平衡重量、刚性、稳定性和灵活性 对材料科学和控制算法提出更高要求 [30] - 特斯拉CEO表示公司未来80%价值将来自Optimus业务线 [34] - 小鹏汽车在慕尼黑车展推出首款机器人"Iron" 演示手冲咖啡功能 并计划2026年实现量产 支持离线对话和自主行动 [36][38][39] 版本迭代信息 - 马斯克确认金色款并非Optimus V3版本 当前最新公开版本为V2和V2.5 [32] - 黑色爆米花销售机器人为经过外观修改的V2版本 [33]

闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 18岁，创业做机器人，还卖爆单了！ （你的童年我的童年好像不一样） 这款名为 Sam 的 养老机器人 ，就是18岁女孩Audrey Lo和她的两个同龄朋友的创业产品。 据Audrey透露，这款机器人上线两天，就因为预订单太多导致网站崩溃，还有很多养老院想要与她们下单，有的甚至一口气就要20台。 其实在最开始，Sam是Audrey Lo为自己的祖父母设计的，现在已经成为了一款成功的产品。 来看看它都能做些什么。 24小时主动监测老年人安全 作为首款聚焦老年人安全的机器人，Sam以 24小时守护 为核心定位，凭借跌倒检测与自主移动两大核心能力，主打保障老年人的居家安全与 提供日常陪伴。 从功能上来看，它能实现全方位的安全监测，不仅可以自动检测老年人跌倒情况，一旦发生意外，会立即发送包含实时摄像头画面的紧急警 报，提醒家属及时响应。 同时，它还能通过游戏互动、智能对话等方式为养老院的老人们提供娱乐，丰富他们的日常生活。 在日常陪伴与生活辅助上，它可以精准提醒老年人按时服药、记录日历中的待办事项，甚至能传递家属提前设置的定制化消息。 更值得一提的是，Sam还能像朋 ...

鱼羊 编辑整理 量子位 | 公众号 QbitAI 笑死，Hinton天天对超级AI忧心忡忡，原因可能找到了（手动狗头）—— 他被前女友用ChatGPT分手了。 这一最新爆料来自Hinton本人。在接受英国《金融时报》采访时，老爷子分享了这个来自ChatGPT的"惊喜"： 她让ChatGPT告诉我为什么我是个渣男。她让聊天机器人解释了我的行为有多么糟糕，然后把答案传给了我。 我倒不觉得自己真那么不堪，所以并没受太大影响……我遇到了一个我更喜欢的人，你知道是怎么回事。 emmm……信息量有点大啊老爷子…… 可惜 老爷子没有分享这封分手信的具体内容，不过在这次访谈中，这位当前人工智能领域最受尊敬的先驱，照例分享了他关于AI的最新所 思。 和不少关于Hinton本人的小小趣闻（doge）。 人类"唯一的希望"是让AI成为我们的母亲 尽管最近不提发展超级智能是"养虎为患"，改口AI和人类之间是一种"母亲和婴儿之间的亲密共生关系"，但这并不代表Hinton对人工智能放下 了警惕。 他依然在思考：当助手比你聪明得多时，你要如何保持对它们的控制？ 一个智力高得多的生物被智力低得多的生物控制，这种情况我们只知道一例，那就是母亲 ...

henry 发自 凹非寺 量子位 | 公众号 QbitAI OpenAI好不容易发了篇新论文，还是给GPT-5挽尊？ 最近，《语言模型为何会产生幻觉？》这篇论文火了。 它提出模型有幻觉是因为： 标准的训练和评估流程，更倾向于奖励"猜对"，而非承认不确定 。 正因如此，模型在面对不确定的问题时，往往会选择冒险猜测以获得更高评分。 | Adam Tauman Kalai* | Ofir Nachum | Santosh S. Vempala† | Edwin Zhang | | --- | --- | --- | --- | | OpenAI | OpenAI | Georgia Tech | OpenAI | 所以，为了让模型"老实说不"，就应该 重新设计 评估指标，从而 鼓励模型承认自己不会，惩罚随意猜测 。 而好巧不巧的是， OpenAI 自家的GPT-5就 最不爱猜测 。 所以，这究竟是OpenAI为了GPT-5这口醋才包的饺子，还是说真的揭开了大模型幻觉背后的更深层问题？ 要回答这个问题，得先看这篇论文到底说了什么。 | Metric | gpt-5-thinking-mini | OpenAl o4- ...

一水 发自 凹非寺 量子位 | 公众号 QbitAI 马斯克xAI被曝正在自研推理芯片！ 代号X1，将采用台积电3纳米工艺，预计将在2026年第三季度实现量产 （首批量产30万块） 。 实际上，作为一家快速崛起的AI创企，xAI"缺芯"这事儿也不是一天两天了。 就在今年7月，《华尔街日报》爆料称xAI将再融资120亿美元， 用于购买英伟达芯片 。 而在报道的一天之后，马斯克还出来立下豪言壮志： xAI的目标是在 五年内实现5000万块H100规模算力 。 5000万块啥概念？要知道号称"世界最强AI集群"的孟菲斯超级集群也才10万块H100。 这样看来，为了实现自己立下的flag，老马搞自研芯片这事儿不难理解。 毕竟买买买也不是那么简单容易，需要耗费大量资金不说，人家英伟达AMD也不一定供应充足。 而且环顾四周， xAI也不是第一家想要"突围"的，仅从博通拿到的合作来说，谷歌、Meta、OpenAI这几家都在纷纷布局自研。 下面详细来看—— 一个多月前，xAI就被曝正在招兵买马 事实上，xAI自研推理芯片这事儿不是今天才曝出的，而是早有线索可寻。 大约一个多月前，DCD智库 （一家重点关注数据中心市场的企业） ...

文章核心观点 - Meta超级智能实验室提出REFRAG高效解码框架 重新定义RAG技术 最高可将首字生成延迟加速30倍 [1][13][24] - 该框架通过压缩-感知-扩展流程优化长上下文处理 在保持准确性的同时显著提升推理效率 [14][27][28] - 技术突破解决RAG计算冗余问题 为AI应用规模化部署提供重要解决方案 [9][12][29] RAG技术背景与挑战 - RAG通过外部知识库检索增强LLM回答准确性 但存在推理效率与信息量的权衡问题 [6][7] - 长上下文处理导致计算复杂度呈平方级增长 首字生成延迟显著增加 [8] - 不同文档片段间交叉注意力得分低 标准Transformer架构却进行全局计算造成资源浪费 [12] REFRAG技术原理 - 压缩阶段用轻量编码器将文本块转化为向量表示 使输入序列从数千词元缩减至数百嵌入 [16][17] - 感知阶段通过强化学习策略网络智能识别需保留原始文本的关键信息块 [20][21] - 扩展阶段向LLM输入混合序列 结合压缩嵌入与原始文本实现高效解码 [22][23] 性能表现 - 首字生成延迟最高加速30.85倍 较先进方法提升3.75倍 [24] - 困惑度与下游任务准确率无性能损失 上下文窗口等效扩大16倍 [27][28] - 框架适用于多轮对话和长文档摘要等长上下文处理任务 [29]

核心观点 - 英伟达推出通用深度研究（UDR）系统 支持用户完全自定义研究策略 无需额外训练或微调即可接入任何大语言模型（LLM）[1][6][13] - 系统通过自然语言编译生成可执行代码 将研究逻辑与语言模型解耦 显著提升计算效率和灵活性[11][13][19] - 当前版本仍存在策略执行准确性依赖模型代码生成质量 用户预设策略合理性 以及缺乏实时干预功能等局限性[21][22] 系统架构与功能 - UDR系统由用户界面和代理逻辑两部分组成 用户界面用于接收研究提示并实时更新进度 代理逻辑支持代码代理或LLM代理协调工具组合[7][16] - 支持自然语言定制研究策略 用户可用自然语言定义工作流并转换为可执行代码[12] - 采用与模型无关的架构 允许封装任何供应商或架构的大语言模型[13] - 提供用户可控策略驱动界面 支持实时修改策略 选择预设策略库 接收进度通知和查看分析报告[15] 性能优势 - 通过区分控制逻辑与语言模型推理提升效率 研究流程调度由CPU执行代码负责 避免成本高出数十倍的LLM推理开销[19] - LLM调用仅在处理代码变量中精简文本片段时触发 显著降低GPU资源消耗和执行延迟[20] - 支持用户自主设置资源优先级 验证信息权威性并控制搜索成本 弥补现有深度研究工具（DRTs）的不足[18] 应用潜力 - 突破智能体自主性限制 非常适合企业工作场景[4] - 可生成高价值行业需要的专业文档分析方案 解决现有DRTs功能僵化问题[18] - 允许用户将最新或最强大模型与智能体灵活组合 形成更强大的研究工具[18] 当前局限性 - 策略执行准确性完全依赖底层AI模型生成代码质量 模糊策略可能导致理解偏差或逻辑错误[21] - 默认用户预设策略合理且可执行 若策略设计不佳可能导致报告质量低下或无法生成[21] - 执行过程中不支持用户实时干预或调整方向 所有决策需预先设定 限制长时间探索性任务的灵活性[21][22] 未来发展 - 研究人员提出配备可修改策略库 探索用户控制语言模型自由推理过程 以及自动转化用户提示为确定性控制智能体等改进方案[23] - 系统目前处于原型阶段 未正式推出 但已提供带用户界面的研究演示原型在GitHub开源[3][25]

复旦大学团队 投稿 量子位 | 公众号 QbitAI 让大模型破译从未见过的甲骨文，准确率拿下新SOTA！ 来自复旦大学的研究人员提出了一种 基于部首和象形分析的可解释甲骨文破译框架 —— 不仅在公开基准数据集HUST-OBC和EV-OBC上，达到最先进的Top-10识别准确率以及优异的零样本破译能力。 而且面对未破译甲骨文，所提方法也能够输出可解释性的分析文本，从而为考古破译工作提供潜在帮助。 事实上，作为最古老的成熟文字系统，甲骨文长期以来因其稀有性、抽象性和象形多样性，给考古破译工作带来了重大挑战。 当前基于深度学习的方法在甲骨文破译任务上取得了令人鼓舞的进展， 但现有方法往往忽视了甲骨文字形与语义之间的复杂关联 。 这导致了有限的泛化能力和可解释性，尤其是在处理 零样本场景 和 未破译的甲骨文 时。 为此，本文提出了一种基于大型视觉语言模型的可解释甲骨文破译方法，该方法通过联合部首分析与象形语义理解，弥合了甲骨文字形与语意 之间的鸿沟。 下面具体来看—— 首个象形解析甲骨文破译数据集 概括而言，团队提出了一种渐进式训练策略，引导模型从部首识别和部首分析，过渡到象形分析，最后进行部首-象形交互分析，从而 ...

衡宇 鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 继π0后，具身智能基座模型在中国也终于迎来了真正的开源—— 我们调研了一圈发现，在4.2B参数规模下，融合了超大规模的高质量真机数据进行预训练的 WALL-OSS ，是唯一一个具备语言、视觉、动 作多模态端到端统一输出能力的开源具身模型。 如果你是搞具身的开发者，了解它的基本资料，你就一定不会想错过它： 它是一个 通用基础具身模型 ，泛化性和推理能力一流，你可以在自有本体上部署，快速微调后用起来。 它还是一个 多模态具身模型 ，输入与输出的数据，有语言、视频、动作等多种形态，具备良好的因果推理、空间理解和反思能力。 这一波操作，不香都难。 刚刚， WALL-OSS 宣布正式开源！ 在多项指标中，它还超越了 π0。 它凭什么这么能打？我们得从背后的团队说起。 用最近的流行梗来说，模型"基础"，背后团队就不基础——成立于2023年底的 自变量机器人 。 目前，分层架构与端到端模型是两条具身的主要技术路径。从成立起自变量就全身心押注后者。去年11月，团队推出了WALL-A，全球最大规 模的端到端统一具身大模型。 | 常到端架构 | 百亿级参数 | 跨任务爵 ...