文章核心观点 - 英伟达联合创始人兼首席执行官黄仁勋在访谈中分享了其个人领导哲学、公司文化、对人工智能未来的展望以及个人成长经历，核心观点包括：英伟达的成功源于其独特的企业品格、长期坚持的技术愿景以及“没有终极目标”的发展理念，而非生产规模 [1][60][61] - 黄仁勋预测，未来五年AI将彻底改变计算模式，提升社会生产效率，并改变所有工作岗位的性质，但不会导致大规模失业 [2][38][43] - 黄仁勋将自己描述为一个“不情愿的CEO”，并认为CEO是公司里最脆弱的一群人，其成功依赖于团队和外部帮助 [1][49][52][53] 公司战略与愿景 - 公司自1993年创立以来，长期致力于重塑计算行业，其早期战略观点在CPU为主流的时代颇具争议 [4] - 公司的发展路径是“走了整整33年才看到成果”，其成功不仅在于技术发明（如GPU和CUDA），更在于将技术转化为产品、制定市场策略并培育生态系统的全链条能力 [5][6] - 公司曾推行“CUDA无处不在”的战略，创始人长期向高校、企业推广CUDA技术，坚信其将改变世界 [7] - 公司没有终极目标，“活下去”就是计划，这种“没有终极目标”的理念对其发展起到了至关重要的作用 [60][61] 领导力与公司文化 - 公司内部有近60位直接下属，每位都具备担任世界级CEO的潜力，从某种意义上说，公司有61位“CEO” [1][18] - 公司打造了一个安全的环境，过去包括创始人在内的很多人都犯过严重错误，但从未有人因此被解雇，形成了包容、宽恕并从错误中学习的文化 [1][25] - 创始人的用人哲学是“宁让职位空着，也不能让不合适的人占着位置”，并愿意为等待合适人选而让职位空缺很久 [20][21][22] - 创始人认为公司的成功秘诀在于独特的企业文化和企业品格、团队在逆境中的凝聚力，而非产量或单个人的能力 [23][24] - 创始人将自己定位为公司的一名员工，必须每天努力以对得起工作，并认为CEO需要向董事会负责，职位本身很脆弱 [15][52] 技术发展与行业展望 - 创始人断言，未来五年，英伟达及整个行业在AI领域的投入将彻底改变计算机运作模式，从“由人类编程”进化为“在人类引导下自主学习编程” [2][38] - 未来的计算机将能够处理比现在大十亿倍的问题规模，这将重塑所有科学领域并解决许多当前难题 [38][39] - AI将极大提升企业生产效率，供应链管理将更顺畅，浪费基本消失，公司利润更丰厚，社会财富增长 [40] - 创始人提出“英伟达定律”，称公司发展速度比过去的摩尔定律快了整整一千倍 [10] - 无监督学习（自监督学习）技术的突破是深度学习规模效应彻底释放、公司驶入发展快车道的关键 [8][9] 对就业与社会的影响 - 未来100%的工作岗位都会发生变化，但不会有50%的岗位消失，趋势是大家会比现在更忙碌 [2][43] - AI将帮助那些有天赋但不懂技术的人跨越技术鸿沟，例如通过“氛围编程”让任何人成为软件程序员，并创造经济机会 [43] - 那些现在没有工作的人，很可能会因为AI获得谋生的手段 [2][43] - AI将缓解劳动力短缺问题，帮助控制通货膨胀，并有望推动GDP增长 [43] 创始人个人见解与经历 - 创始人自称在很多方面是一个“不情愿的CEO”，不喜欢公开演讲和抛头露面，但为了公司会全力以赴去做 [1][49] - 公开演讲让其感到恐惧和焦虑，尤其是公司内部会议演讲，这与外界认为其享受演讲的印象相反 [55][56] - 创始人的自信源于对底层原则的坚信、持续的逻辑推演和复盘，而非道听途说 [13][14] - 童年经历塑造了其性格，包括母亲用词典教英语让其学到“有坚定意志就能做事”，以及9岁时在肯塔基州上学途中面对欺凌的“痛苦与磨砺” [28][29][30] - 创始人认为“无知”是一种超能力和福气，正是当年的“无知”和乐观让其敢于创立英伟达，如果早知道困难就不会去做 [58][59][60] - 创始人认为真正的“聪明”是兼具技术洞察力与人文同理心、能预见和规避风险的能力，而非单纯的智商或解题能力 [54]

行业里程碑：Geoffrey Hinton的学术影响力 - Geoffrey Hinton的Google Scholar引用量突破100万，成为历史上第二位达到此成就的计算机科学家[1] - 其引用量仍在以惊人速度增长，自2021年以来新增引用量达534,241次，总h-index为192[2] - 在此之前，只有另一位“深度学习教父”Yoshua Bengio达成了百万引用成就[2] 核心学术成就与关键论文 - 2012年发表的论文《ImageNet classification with deep convolutional neural networks》引用量最高，已超过188,837次，标志着深度学习时代的正式开启[2][21] - 2015年发表于Nature的综述论文《Deep learning》引用量达107,646次，是Hinton引用量第二高的论文，系统总结了深度学习的发展历程与应用[2][16] - 其他高引著作包括《Visualizing data using t-SNE》(引用63,932次)、《Learning internal representations by error-propagation》(引用61,439次)和《Dropout: a simple way to prevent neural networks from overfitting》(引用60,895次)[2] 对人工智能领域的奠基性贡献 - 与David Rumelhart和Ronald Williams共同推广了反向传播算法，解决了多层神经网络的训练难题[10] - 提出了玻尔兹曼机、受限玻尔兹曼机、深度信念网络等，为无监督学习和特征表示学习奠定了基础[14] - 发明了Dropout正则化技术、t-SNE可视化方法、层归一化、知识蒸馏、胶囊网络、混合专家模型等多种关键技术[14] - 2022年提出了Forward-Forward Algorithm，作为对反向传播生物学合理性的反思与挑战[14] 荣誉与认可 - 2018年与Yoshua Bengio和Yann LeCun共同获得计算机领域最高荣誉图灵奖，三人被称为“深度学习三巨头”[13] - 2024年与John Hopfield共同获得诺贝尔物理学奖，以表彰他们“实现了利用人工神经网络进行机器学习的奠基性发现和发明”[18] 关键合作者与门生：Alex Krizhevsky与Ilya Sutskever - Alex Krizhevsky是AlexNet论文的第一作者和主要构建者，他编写的CUDA代码让神经网络在GPU上高效训练，在2012年ImageNet挑战赛中以10.8%的绝对优势夺冠[25] - Ilya Sutskever是AlexNet论文的第二作者，后作为联合创始人兼首席科学家创办了OpenAI，是ChatGPT和GPT-4诞生的关键人物[28] - 两人均师从Hinton，Alex Krizhevsky目前可能处于半退休状态，而Ilya Sutskever于2024年成立了专注于AI安全的公司Safe Superintelligence Inc. (SSI)，并为其筹集了10亿美元资金[26][28] 行业影响与思想演变 - AlexNet在ImageNet竞赛中的成功被公认为深度学习时代的“大爆炸”时刻，证明了深层卷积神经网络在海量数据和GPU算力下的统治力[14] - Hinton晚年从谷歌离职，以更自由地谈论AI风险，他担忧数字智能可能演变成比人类更优越的智能形式并对人类构成生存威胁[20] - Ilya Sutskever对AI安全的关注日益加深，曾主导OpenAI董事会罢免Sam Altman，其新公司SSI宣称“第一个产品将是安全的超级智能”[28]

学术成就里程碑 - AI领域先驱、图灵奖得主Geoffrey Hinton的论文总被引次数正式突破100万次，成为全球第二位达成此成就的学者[1][3] - 首位达成百万被引的学者是Yoshua Bengio，其被引次数已达到103.6万次[7][10] - 图灵奖三巨头中的另一位Yann LeCun，论文被引次数也达到了44.6万次[14][16] 核心高被引论文分析 - **AlexNet (2012)**: 被引18.9万次，该研究通过深度卷积神经网络在ImageNet竞赛中取得突破性胜利，Top-5错误率仅15.3%，远低于第二名的26.2%，标志着深度学习复兴的开端[18][32][34] - **Deep Learning综述 (2015)**: 被引10.8万次，由Hinton、Bengio和LeCun合著，系统性地阐述了深度学习的原理、架构（如CNN、RNN）和潜力，成为该领域的奠基性文献[20][36][38] - **t-SNE可视化方法 (2008)**: 被引6.4万次，解决了高维数据降维可视化的难题，成为科研和数据分析中的标准工具[21][39][41] - **Dropout正则化技术 (2014)**: 被引约6.1万次，通过随机失活神经元来防止过拟合，成为训练深度神经网络的基础技巧之一[24][46][47] 学术贡献与行业影响 - Hinton的早期研究，包括反向传播、深度信念网络等，为现代深度学习算法奠定了基础，其工作直接支撑了ChatGPT、Gemini等大模型的运行[24][27] - AlexNet的成功证明了“数据+GPU+端到端训练”范式的有效性，推动了计算机视觉从手工特征工程向端到端学习的转变，并促进了GPU加速和大规模数据集在AI研究中的广泛应用[18][34][35] - Hinton因其在人工神经网络方面的基础性贡献，于2018年与Bengio、LeCun共同获得图灵奖，并于2024年与John Hopfield共同获得诺贝尔物理学奖[28][30] 学术背景与坚持 - Hinton出身学术世家，其曾曾祖父乔治·布尔创立了布尔代数[25] - 在神经网络研究被视为“死胡同”的AI寒冬期，Hinton坚持研究，并于1987年加入多伦多大学，建立了神经计算与自适应感知实验室，培养了大量AI人才[27] - 他自2013年起兼任谷歌脑副总裁，推动了深度学习在工业界的落地应用[27]

聂卫平的个人成就与时代背景 - 聂卫平于2026年1月14日逝世，享年74岁，被尊为“棋圣”，是振兴中国围棋的核心人物[2] - 1984年，中日围棋擂台赛由日本NEC公司出资举办，中国《新体育》杂志总编辑郝克强力主参赛，但当时81%的中国人认为日本队能赢，中国棋手普遍悲观[3][4] - 聂卫平1952年生于高干家庭，少年学棋，十岁获北京市和全国少年围棋赛冠军，70年代末80年代初国内大部分围棋冠军由其获得，开启“聂卫平时代”[4][5] 中日围棋擂台赛的历程与影响 - 首届中日围棋擂台赛（1985年），聂卫平连胜三位日本“超一流”棋手，助中国队夺冠，其身穿印有“中国”字样的乒乓球队服参赛[9] - 第二届擂台赛，聂卫平陷入以一敌五绝境，决赛鏖战七个半小时；第三届实现个人九连胜，助中国队三连冠[9] - 擂台赛胜利打破了日本围棋“不可战胜”的神话，与女排“五连冠”共同成为改革开放初期提振国民信心的符号[10] “棋圣”称号的社会效应与商业关联 - 1988年，国家体委授予聂卫平“棋圣”称号，其为新中国围棋史上唯一获此称号者[12] - 擂台赛胜利在全国掀起围棋热潮，湖南一围棋学校校长回忆称当时报名孩子增长了10倍[12] - 聂卫平成为企业家偶像，雷军称其围棋复盘方法塑造了商业运营思维；金立手机董事长刘立荣（业余六段）推动公司连续11年赞助中国围棋甲级联赛；段永平创办企业赞助的“霸王战”赛事，称围棋思维影响其投资决策[13][14][15] 职业生涯的遗憾与传承 - 聂卫平职业生涯最大遗憾是未获世界冠军，1989年首届应氏杯决赛在2:1领先韩国曹薰铉的情况下，因航班延误、高烧等意外以2:3落败，冠军奖金达40万美元[17][18] - 其淡出赛场后担任国家围棋队总教练等职，通过道场培养人才，其弟子常昊获应氏杯世界冠军，其道场培养出柯洁、辜梓豪等超过26位世界及全国冠军[19] 人工智能（AI）对围棋的冲击与聂卫平的看法 - 2016年，DeepMind的AlphaGo战胜韩国棋手李世石；2017年，AlphaGo 2.0（Master）网络60连胜，击败聂卫平等顶尖棋手，随后以3:0战胜世界第一柯洁[25] - AlphaGo Zero版本通过自我强化学习，以100:0战绩击败曾战胜柯洁的AlphaGo Master[25] - 聂卫平曾断言电脑不可能战胜人类，后称认知被颠覆，但也指出AI辅助训练帮助年轻棋手水平迅速提高[27] 聂卫平与时代精神的象征 - 聂卫平的胜利象征着改革开放初期中国人敢于超越的决心；后聂卫平时代，AlphaGo所代表的技术成为全国关注和追赶的焦点，奋力争先的精神得以延续[29]

行业趋势与研究方向 - 自动驾驶前沿研究方向窗口期有限 正被大厂和头部高校激烈竞争[2] - 对于计算机和自动化背景的研究者 深度学习方向如VLA、端到端、世界模型具有从入门到工作及读博的广阔发展空间[2] - 对于机械和车辆背景的研究者 建议从传统PnC、3DGS等算力要求低、入手简单的方向开始学习[2] - 行业前沿研究方向包括端到端、VLA、世界模型、强化学习、3D目标检测、多传感器融合、3DGS、BEV感知、Occupancy Network、多任务学习、语义分割、轨迹预测、运动规划、扩散模型、Flow matching、点云感知、毫米波雷达、单目感知、车道线/在线高精地图等[3] 研究支持服务 - 提供涵盖论文选题、全流程指导、实验指导及申博指导等研究支持服务[6][9] - 服务已成功帮助多篇论文被CVPR、AAAI、ECCV、CoRL、ICLR、IROS、ICRA、ACL等顶会顶刊收录[7] - 服务覆盖的论文级别包括自动驾驶顶会/顶刊 CCF-A/B/C SCI一区至四区 中科院1至4区 EI/中文核心 以及毕设论文、申博和比赛等[10]

文章核心观点 - 神经网络架构KAN的提出者刘子鸣将于2025年9月加入清华大学人工智能学院任助理教授，其研究聚焦于AI与科学的交叉领域，旨在通过KAN等工具提升神经网络的可解释性并推动科学发现 [1][13] 人物背景与职业动向 - 刘子鸣拟于2025年9月加入清华大学人工智能学院，担任助理教授 [1] - 其首批博士生招生已于2025年5月前完成 [4] - 刘子鸣本科毕业于北京大学物理学院，博士就读于麻省理工学院（MIT），师从物理学家Max Tegmark [5] - 目前他在斯坦福大学从事博士后研究，合作导师是Andreas Tolias [15] KAN技术概述与影响 - KAN（Kolmogorov-Arnold Networks）初版论文于2024年4月发布，被提出作为多层感知机（MLP）的有力替代方案，在准确性和可解释性上优于MLP [1] - KAN的设计灵感来源于Kolmogorov-Arnold定理，该定理指出任何有界域上的多元连续函数可表示为有限个单变量函数的两层嵌套叠加 [5] - KAN用可学习的单变量函数替代了MLP边上的线性权重，从而提供了更好的可解释性和交互性 [6][8] - 论文发布后反响强烈，其GitHub仓库在两三天内获得1.1k星星，截至新闻发布时，Google Scholar引用量已超过3000次 [1][8] - 2024年8月，团队发布了KAN 2.0，旨在进一步提高其实用性和易用性 [12] 研究方向与理念 - 刘子鸣将KAN解读为三个层面的AI+Science：Science for AI（原理来自数学）、Science of AI（澄清神经缩放定律现象）、AI for Science（发现科学问题中的符号公式） [13] - 其研究风格是好奇心与影响力驱动，追求兼具科学启发和长期影响力的研究，例如KAN [15] - 研究注重理论与实验结合，理论追求物理学的严格程度，实验用于阐释现象而非盲目追求SOTA（最先进水平） [15] - 研究问题通常介于纯理论与纯应用之间的中间抽象层，强调抽象的质量和对实践的实用性，并与具体科学领域的应用组合作 [15] - 他通过名为“physics of AI”的博客，以研究物理学的方式研究AI，关注模型、数据与现象的关系，并坚持每日更新 [16][18] - 其博客更新策略是每天投入约2小时，通过玩具模型积累“大量小见解”，以期其中部分能产生改变领域的巨大影响 [18]

文章核心观点 - 文章通过一张1986年CMU联结主义夏令营的历史照片，串联起AI领域先驱杰弗里·辛顿及其首位博士生彼得·布朗的职业生涯与人格特质，展现了辛顿在长期科研困境中坚守理想、安贫乐道的“贵族风范”，以及其学术思想如何深远地影响了从AI到量化金融等多个领域 [1][4][71] 1986年CMU夏令营合影的历史意义 - 该合影被誉为AI界的“索尔维会议”，照片中人物在几十年后统治了硅谷和华尔街，其中包括深度学习发明人、图灵奖得主杰弗里·辛顿，以及卷积神经网络发明人、图灵奖得主扬·勒昆 [2][4] - 照片中还有当时的研究生彼得·布朗，他后来成为全球顶尖量化对冲基金文艺复兴科技公司的首席执行官 [5] 彼得·布朗的职业生涯轨迹 - 彼得·布朗是杰弗里·辛顿指导的第一位博士研究生，于1987年毕业，博士论文题为《自动语音识别中的声学建模问题》，其研究奠定了基于统计模型的现代语音识别基础 [11][12][21][23] - 博士毕业后，彼得·布朗加入IBM，从事语音识别和机器翻译研究，其团队坚持纯数据驱动的统计方法，在当时备受传统学派冷遇 [23][24][25] - 在IBM期间，彼得·布朗是“深蓝”计算机项目的关键幕后推手，他通过一次偶然的交谈说服公司副总裁投资约100万美元建造该机器，最终“深蓝”在1997年击败国际象棋世界冠军，为IBM带来了约200亿美元的市值增长 [28][29][30] - 因家庭新生儿带来的经济压力，彼得·布朗接受了詹姆斯·西蒙斯给出的双倍薪酬邀请，从IBM跳槽至当时规模尚小的文艺复兴科技公司，其转型决定完全出于财务原因 [31][32][33] 彼得·布朗在文艺复兴科技的成就 - 彼得·布朗与罗伯特·默瑟一同加入文艺复兴科技，引入现代计算机科学方法重写了公司的股票交易系统，并从2002年起逐步接管公司核心业务 [36][37] - 他于2009年成为公司联席CEO，并于2018年成为公司唯一的首席执行官 [37] - 在其领导下，文艺复兴科技的旗舰产品大奖章基金在1988年至2019年间创造了年化超过66%的净回报率，公司被誉为华尔街“最赚钱的机器” [38] - 公司的成功依赖于由数学家和物理学家驱动的系统化量化交易，彼得·布朗倾向于招聘无金融背景的科学家，并自称每周工作80小时，截至2023年已在办公室睡了近2000晚 [39][40][41][42] - 因其卓越业绩，彼得·布朗早在2012年就从公司约33%的净收益中获得约1.25亿美元收入，跻身亿万富翁行列 [43] 杰弗里·辛顿的人格与坚守 - 在AI复兴前的三十年里，辛顿面临科研经费短缺和个人经济拮据的困境，他于2013年以64岁高龄加入谷歌，主要动机是为有学习障碍的儿子的未来储备资金 [8][47][48][50] - 尽管其首位博士生彼得·布朗已成为亿万富翁和对冲基金CEO，但辛顿始终未曾动用这层关系为自己谋取经济利益，展现了其安贫乐道、遗世独立的品格 [9][10][53][71] - 辛顿出身于科学世家，家族成员包括布尔代数发明者、核物理学家寒春等，其“贵族”背景与其长期坚守理想、不随波逐流的气质相契合 [55][59][63] - 在职业生涯中，辛顿在神经网络不被看好的时代坚守数十年，又在AI资本狂欢时离开谷歌，独立发声警示AI风险，其观点和行动往往“不合时宜”却经得起时间检验 [64][65][66][67][69][72][73]

研究突破与核心方法 - 研究团队结合深度学习与大语言模型的推理能力，开发了一个名为LyMOI的混合组学解读工作流，用于从海量组学数据中识别细胞调控网络并进行机制阐释 [2][5] - 该工作流整合GPT-3.5进行生物知识推理，并采用基于图卷积网络的大型图模型，该模型融合进化保守的蛋白质相互作用，通过分层微调技术从多组学数据中预测特定情境的分子调控因子 [5] - GPT-3.5随后生成机器思维链，对预测的调控因子在生物学系统中的功能进行机制性阐释 [5] 应用成果与发现 - 以自噬过程为重点，LyMOI系统解读了1.3TB的转录组、蛋白质组及磷酸化蛋白质组数据，拓展了对自噬调控因子的认知 [7] - LyMOI精准识别出两种人类癌蛋白CTSL和FAM98A，它们能在抗肿瘤剂双硫仑处理下增强自噬效应 [7] - 体外实验表明，沉默CTSL和FAM98A这两个基因可削弱双硫仑介导的自噬并抑制癌细胞增殖 [7] - 联合使用双硫仑与CTSL特异性抑制剂Z-FY-CHO，可显著抑制体内肿瘤生长 [7]

文章核心观点 麻省理工学院的研究团队提出并演示了一种创新的芯片制造方法，通过在传统CMOS芯片的后端工艺（BEOL）区域低温堆叠有源器件层，将逻辑晶体管和存储器晶体管垂直集成，从而显著减少数据在逻辑与内存之间传输的能耗和时间，为人工智能推理、深度学习等以数据为中心的计算工作负载提供高能效解决方案 [1][6][8] 技术原理与架构创新 - 研究团队颠覆传统制造顺序，在芯片后端工艺（BEOL，传统上用于布线的区域）添加有源晶体管层和存储元件，避免了高温前端工艺对底层已完成电路的损坏 [1][2][10] - 该技术创造了一个垂直集成的器件堆叠结构，缩短了计算、嵌入式存储器和互连之间的物理路径，从而减少了传统布局中因数据移动造成的能量浪费 [2][6] - 该方法并非取代先进节点的硅器件，而是在现有芯片主要用于布线的区域添加新的功能层，以提高集成密度和能效 [6][10] 关键材料与工艺突破 - 使用非晶氧化铟作为BEOL晶体管的有源沟道层，因其独特性质，可在约150°C的低温下生长极薄的氧化铟层，不会损坏下方电路 [2][10] - 氧化铟薄膜厚度仅约2纳米，团队通过优化制造工艺，最大限度地减少了材料缺陷（氧空位），使晶体管能够快速且干净地切换，降低了开关所需的额外能量 [4][11] - 集成铁电铪锆氧化物（HZO）层以实现存储器功能，这是一种CMOS兼容的实用材料选择 [4][7] 器件性能与成果 - 制造的BEOL逻辑晶体管开关迅速且缺陷少，降低了开关能耗 [4][11] - 集成的存储器BEOL晶体管尺寸约为20纳米，开关速度达到10纳秒（达到测量极限），且工作电压低于同类器件，功耗更低 [4][11] - 该研究提供了一个可堆叠平台，并完成了从独立器件到电路级集成所需的性能建模（与滑铁卢大学合作） [6][12] 应用前景与影响 - 该技术最直接的受益者是内存流量占主导地位的工作负载，包括人工智能推理、深度学习以及需要反复传输激活值和权重的计算机视觉任务 [6][9] - BEOL中的存储晶体管能够实现存储和计算之间更紧密的耦合，支持内存内和近内存计算方案 [7] - 铁电器件缩小到纳米级为研究单个铁电单元的物理特性提供了平台，可能影响未来存储和计算单元的设计 [7][11] - 该技术有望帮助减少生成式人工智能、深度学习等高要求应用日益增长的计算电力消耗 [9] 后续计划 - 短期计划是将后端存储晶体管集成到单个电路中 [7][12] - 未来将致力于提高晶体管性能，并进一步优化对铁电层特性的控制 [7][12]

公司产品技术状态 - 泰和科技的脑波生物反馈装置现阶段仍以经典算法为主，尚未采用深度学习等AI技术 [1] - 该技术尚处在内部性能测试和外观设计优化阶段 [1] - 该产品尚未投放市场 [1]