近日， Arc 研究所 发布了其 第一代虚拟细胞模型—— STATE ，该虚拟细胞模型旨在 预测各类干细胞、癌细胞和免疫细胞对药物、细胞因子或基因扰动的反 应。 STATE 模型基于 1.67 亿个细胞的观察数据以及超过 1 亿个细胞的扰动数据进行训练，这些数据涵盖了 70 种细胞系。该论文已于近期发表在了预印本平台 bioRxiv 上。 撰文丨王聪 编辑丨王多鱼 排版丨水成文 人体是由 细胞 （Cell） 构成的马赛克，其中，免疫细胞通过增强炎症来对抗感染；干细胞可以分化成各种组织；癌细胞避开调控信号而无节制地分裂。然而，尽 管这些细胞之间存在显著差异，但这些看上去截然不同的体细胞都携带着 （几乎） 相同的基因组。 细胞的独特性不仅源于 DNA 的不同，更在于每个细胞对 DNA 的使用方式。换句话说，细胞的特性源自基因表达的变化，即基因在不同时刻的"开启"和"关闭"。 细胞的基因表达模式——以 RNA 分子的形式体现，而 RNA 分子本身又是从 DNA 转录而来，基因的表达不仅决定了细胞的类型，还决定了细胞的状态：细胞基 因表达的变化可以揭示细胞如何从健康状态转变为炎症状态，甚至癌变。通过测量有或无化学或基 ...

初心与人才汇聚 - 创立OpenAI的最关键决策是"决定要做"这件事本身 2015年时AGI被视为天方夜谭 团队几乎靠掷硬币决定是否启动[3] - 早期AI领域氛围与现状截然不同 当时连有效语言模型都未出现 团队仅8-20人 目标仅是写出像样的研究论文[4] - 聚焦AGI方向成功吸引1%顶尖人才 因"全世界只有你在做"的独特性形成人才聚集效应[5] - 伟大公司都始于微小起点 零收入创业公司与未来千亿估值公司初期形态相似[6] 产品与技术的未来 - 当前AI领域存在"产品滞后"现象 模型能力远超现有产品形态 即使性能停滞 仅推理成本下降就能催生大量创新[7] - 记忆功能是重要突破方向 指向未来AI将成为了解用户、主动帮助的个人助手 而不仅是被动问答工具[8] - 技术组合将创造强大体验 包括新设备、新浏览器、记忆功能和持久化模型的结合[11] - 计算负载将采用混合模式 部分本地运行减轻云端压力 但主要计算仍依赖云端[12] 机器人与工业复兴 - 机器人发展策略是先解决认知问题再连接机械 预计几年内可胜任实际工作 未来需求将远超当前供应链产能[15] - AI和机器人技术为重建美国工业能力提供新路径 可能实现制造业回流和复杂工业体系重建[16] - 建议创业者避开OpenAI核心业务 专注空白领域 如应用商店、个性化模型集成等方向[17] 界面革命与创业黄金时代 - 未来人机交互将"融化"为无感状态 AI像优秀人类助手仅在必要时出现 改变当前信息过载的交互方式[21] - 计算机交互正经历第三次革命 前两次是键盘鼠标和触控屏 本次由AI驱动将产生全新交互范式[22] - SaaS未来可能演变为API+数据库+LLM界面 UI将由大模型即时生成 当前是创业最佳时机[23] 能源与未来愿景 - AI发展与能源紧密相关 能源限制决定可运行的智能规模 需解决算力与地球散热的平衡问题[29][30] - 人均能耗与生活质量强相关 技术乐观主义相信"激进富足" 通过AI和无限能源创造美好未来[30] - AI推动科学进步是长期增长核心 未来10-20年可能出现超级智能 大幅加速科学发现速度[27] 早期经历与对年轻创业者的建议 - 创业需要长期坚持信念和韧性 即使遭遇失败也要继续前行 首个项目失败是常见经历[32] - 招聘应关注"斜率高的人"而非"y轴截距高的人" 即选择成长速度快、有好奇心的人才[26] - CEO工作挑战在于同时处理大量不相关但重要的决策 远超常人承受范围[26]

超级智能发展路径 - 超级智能是超越AGI和人类通用能力的更高维度AI发展方向，Meta等头部公司正投入巨资追求这一目标 [1][3] - OpenAI CEO认为构建超级智能是工程问题而非科学问题，暗示已有可行路径 [1][3] - Meta研究员质疑当前主流LLM+RL路径的有效性，认为无法实现超级智能 [1][2] 技术实现争议 - 构建超级智能的三种可能路径：纯监督学习(SL)、人类验证的强化学习(RL)、自动验证器的RL [2] - 当前LLM在训练分布内任务表现持续提升，但难以发展为单一超级智能模型 [2][34] - 文本数据具有特殊价值，非文本数据(图像/视频等)尚未证明能提升模型整体性能 [6][7] 数据与规模挑战 - 互联网文本数据面临枯竭风险，行业正全力挖掘剩余数据(如转录YouTube视频) [8][19] - 模型规模扩展遭遇硬件和电力瓶颈，部分公司尝试分布式训练甚至收购核电站 [18][19] - 参数规模突破10^19的假设难以实现，当前最大模型约千亿参数级别 [17][18][19] 学习方法比较 - 监督学习(SL)面临规模扩展极限，未来3-4年可能仅能扩展10倍 [19][20] - 强化学习(RL)存在冷启动问题，需结合SL解决 [22][23] - RLVR(可验证奖励强化学习)成为新方向，OpenAI已展示在数学题上的成功案例 [32][33] 行业竞争格局 - Meta建立秘密"超级智能"实验室，投入数十亿美元资金 [3] - OpenAI、Anthropic和Google DeepMind均公开超级智能研发目标 [3] - 行业可能进入RL任务集军备竞赛，争夺最优训练环境设计 [33]

久违的 Lex Fridman 又来采访 AI 行业的关键人物了。 这次是 Google CEO Sundar Pichai。过去半年，Google 凭借 Gemini 2.5 完成了 AI 竞赛的追赶，某种意 义上说，Google 和 OpenAI 现在站在了同一起跑线。 Lex 的播客一向聊的广且深，这次也不例外，Pichai 这一年的困境、核心产品搜索的未来方向、模型和 Sclaing Law，AI 编程、具身智能、AGI、ASI 还是 AJI 的探讨。 很多时候，问对了问题，好的采访就完成了一大半。Pichai 的回复，确实有蛮多干货。 2 小时多的播客，编译时我们做了一些删减。 原始播客： https://www.youtube.com/watch?v=9V6tWC4CdFQ&t=2711s TLDR: 超 6000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。 谷歌对于未来搜索的设想是，在搜索中部署了最强的模型，这些模型会围绕每一个查询执行多路 径检索，并整合信息，最终把用户引向真正有价值的内容。 随着 AI Mode 功能的成熟，谷歌会将其迁移到主页面上，可以看作是一个连续的统 ...

文章核心观点 - NVIDIA GTC 2025大会上CEO从供需端分析AI硬件行业趋势，带来CPO通信技术更新，需求端缓解算力通缩担忧，供给端芯片、服务器和网络通信有新品发布及技术进展，CPO虽处产业化初期但长期有扩大应用机会 [1][3][4] 行业需求 - 投资者因LLM预训练成本收益比下降和开源模型降成本而担忧算力硬件市场增长，公司重申预训练后、后训练和长思维链推理等场景遵循Scaling Law，加速token消耗扩大算力需求，如强化学习和思维链推理，还预计2028年全球数据中心资本开支超1万亿美元 [7] - AI产业拐点至，推理任务占比在算力需求中增长，推理需求对Blackwell GPU订单量贡献上升，大会发布Dynamo推理软件优化推理任务，协调加速GPU间通信，采用Prefill/Decode分离模式 [9] 硬件更新之芯片&服务器 - 大会公布未来三年数据中心GPU及系统级产品，FP4稠密算力三年翻10x，公司将以GPU die数量命名系统及产品 [14] - Blackwell Ultra预计2H25交付，采用新设计，FP4精度算力较B200系列提升50%，内存配置升级至288GB HBM3E [14] - Vera Rubin自2H26起成主力产品，采用TSMC 3nm工艺，释放I/O die到独立小芯粒，系统级产品以NVL 144架构起步，CPU采用新架构，互联带宽提升；2H27有望推出Rubin Ultra，性能进一步跨越，推出NVL 576机柜产品 [15] - Feymann有望2028年推出，与Vera CPU搭配并迎来HBM升级 [16] 硬件更新之网络 C2C和B2B互联持续迭代 - Scale-up网络中，Vera Rubin NVL144机柜NVLink升级至6，连接总带宽达260TB/s，2027年下半年Rubin Ultra NVL576的NVLink迭代至7，聚合总带宽达1.5PB/s，提升GPU间通信效率 [21] - Scale-out网络中，Vera Rubin NVL144用Connect-X9智能网卡，总带宽28.8TB/s，Rubin Ultra NVL576总带宽提升至115.2TB/s，Rubin平台用Connect-X9和102T Spectrum6 CPO交换机，Feynman平台有望引入Connect-X10和204T Spectrum7 CPO交换机 [22] CPO交换机正式亮相 - CPO构建高密度光互连，缩短光信号电学互连长度，减少信号衰减和失真，未来走向晶圆级封装提升互连密度 [24] - GTC 2025发布三款CPO交换机，IB CPO交换机有望2H25量产交付，两款Spectrum CPO交换机有望2H26交付 [27] - 硅光调制采用微环调制器，尺寸小、功耗低，115.2T IB CPO交换机中每个硅光引擎用MRM调制，单通道速率200Gb/s，节省3.5倍功耗 [30] - CPO处于产业化初期，面临散热、维护和实际TCO高等挑战，本次发布产品基于液冷、可插拔光连接器方案给出解决思路，长期随着技术和生态问题解决，CPO有望扩大应用，光器件与先进封装成核心增量环节 [34][35]

DeepSeek开源策略影响 - DeepSeek成立于2023年，由幻方量化孵化，专注于大语言模型开发，已发布DeepSeek Coder、DeepSeek LLM、DeepSeek V3、DeepSeek R1等多款产品 [2] - DeepSeek V3训练成本仅557.6万美元，性能比肩GPT 4o和Claude-3.5-Sonnet，但成本远低于GPT 4o [2] - DeepSeek R1训练成本仅为同类模型的1/30，性能达到OpenAI o1水平，竞技场评分为1362分 [2][3] - 开源周期间发布FlashMLA、DeepEP、DeepGEMM等代码库，优化DualPipe、EPLB并行策略和3FS文件系统，提升算力效率 [5] - FlashMLA在H800 GPU上实现3000GB/s内存带宽和580TFLOPS计算性能，突破硬件极限 [6] 全球AI大模型进展 - DeepSeek R1发布后7天内用户增长1亿，周活跃用户环比增长超750%，远超Kimi的28%增速 [7] - 武汉市出台政策支持AI关键技术突破，单个项目最高资助2000万元 [7] - xAI发布Grok 3，计算能力提升10倍，支持图像分析和多模态处理，并免费开放 [8] - OpenAI发布GPT-4.5，输入/输出价格达75/150美元/百万token，为GPT-4o的30倍，在事实性问答表现优异但学术推理不及Claude 3.7 Sonnet和DeepSeek R1 [9] - GPT-4.5显示单纯扩大模型规模未必提升全面性能，OpenAI计划将GPT-5转向模型架构优化和功能融合 [10] AI大模型投融动态 - OpenAI拟融资400亿美元，头部企业仍主导资本流向 [14] - 低成本高性能模型改变估值逻辑，中小厂商可通过垂直领域创新获得机会 [14] - 投资重心转向AI应用层（金融、医疗、法律等）和Agent开发，2025年国内亿元级融资包括极睿科技（近1亿人民币B+轮）、源络科技（数亿人民币A轮）等 [15][16]

新栏目上线试运行。 文丨 贺乾明 编辑丨黄俊杰 到了 11 月，越来越多的人说，成就 OpenAI 的这条路似乎撞到了墙： 多家媒体报道，Google、OpenAI、Anthropic 等公司，开发下一代模型时，都没能像前些年那样让模型能力大幅提升。 硅谷风投 a16z 创始合伙人、投资了 OpenAI 等多家大模型公司的马克·安德森（Marc Andreessen）说："我们以相 同的速度增加（GPU），根本没有智能提升。" OpenAI 联合创始人、前首席科学家伊尔亚·苏茨克维 (Ilya Sutskever) 说："2010 年代是扩大规模的时代，现在我 们再次回到了需要奇迹和新发现的时代。" 这些公司的高管否认了 "撞墙" 的说法，也有证据表明他们仍在想办法突破，毕竟建设更大规模的算力中心的势头并没 有放缓，甚至还在加速。 他们同步在大模型应用上倾注更多的资源。从 OpenAI、Anthropic 到 Google、微软，再到风投机构，都把 Agent——让 大模型理解人类指令，调度数据库和工具完成复杂任务的系统——当作下一个赛点。 11 月，ChatGPT 迎来两周年，却是 OpenAI 官方相对沉 ...

"如果我们在竞争中打不赢，就应该被淘汰，没有其他选择。 文丨程曼祺 由 MiniMax 视频生成大模型制作的短片《魔法硬币》，MiniMax 称其中每个场景都由大模型生成，未经任何修改。 发布会所在的 "西岸漩心" 被巨大的螺旋式阶梯环绕，游人可沿着步道一直走到顶层露台，眺望浦东风景。这 是一条上升、平缓，然后再上升、平缓，最终达到顶点的路。此时 AI 领域似乎也处在螺旋中的相对平缓期。 当 MiniMax 创始人闫俊杰放映完由视频生成模型制作的动画短片后，观众席传来数声尖叫。至少 3 位在场的 投资人说， 视频生成模型是他们当天最在意的成果 。 但视频生成模型本身不新鲜了，自 OpenAI 年初发布 Sora，数家中国公司跟进这一方向。 "期货" 也在成为行业关键词：GPT-5、GPT-4o 的语音视频功能、Sora……它们要么上线晚于预期，要么亮相多 时后仍未大规模公测。据我们了解，国内 "六小龙"（MiniMax、月之暗面、智谱 AI、百川智能、零一万物、 阶跃星辰 6 家大模型独角兽）今年的基础模型或多模态模型的更新时点也多晚于原计划。 发布结束后，闫俊杰被问起如何看待技术进展放缓。他说，一条上升、平 ...

"核聚变永远还有 50 年是对的，现在不到 10 年可能也是对的。" 文丨 贺乾明 编辑丨程曼祺 "如果核聚变发电就是实现不了呢？" 听到这个问题，在清华大学研究核聚变 20 多年的谭熠沉默了几秒，然后笑了起来。他觉得这个问题 "根本没道理"，因为核聚变 "从科学上是可行的"。 70 多年前的曼哈顿工程期间，科学家就了解核聚变原理。二战结束后，美国很快就用它造出了氢弹。但用核聚变发电的研究几经起伏，冷战后几乎停滞了 20 多年。 情况在 2021 年发生变化 ，美国的核聚变公司 Helion 宣布把等离子体加热到 1 亿摄氏度，实现原本只有政府项目才能做到的壮举；从麻省理工分拆的核聚变 公司 CFS 开发出形成更强磁场的高温超导磁体，把低成本建造能实现核聚变装置可能性大幅提高。 核聚变创业热潮出现：OpenAI 联合创始人山姆·阿尔特曼、PayPal 联合创始人彼得·蒂尔、比尔·盖茨、乔治·索罗斯等硅谷科技名流和富豪，以及 Google、DFJ 等机构在短时间里朝核聚变行业投资了 30 多亿美元，是美国政府数年来累计拨款的数倍。 这一年，谭熠创办核聚变公司星环聚能，担任首席科学家，在 2022 年 6 月拿到 ...

文丨程曼祺 编辑丨宋玮 黄俊杰 当大部分人都相信一件事或趋势时，不同意的人可以选择沉默，也可以大声说出来。前者是少数派中的多数派，后者少数派中的少数派。 马毅就是一个少数派中的少数派。 自 2000 年从伯克利大学博士毕业以来，马毅先后任职于伊利诺伊大学香槟分校（UIUC）、微软亚研院、上海科技大学、伯克利大学和香港大 学，现担任香港大学计算机系主任和数据科学研究院院长。 他最早将 "压缩感知" 技术应用于计算机视觉领域，在人脸识别、物体分类等任务上产生了巨大影响。 知名 AI 学者李飞飞是马毅在 UIUC 时参与招聘的第一个华人助理教授，ResNet 一作何恺明是马毅在微软亚研院负责视觉组时招的第一个新员 工。 少数派中的少数派。 马毅公开表达时直言不讳。AI 业界惊叹于 GPT 等大模型的威力，担心 AI 可能毁灭人类，如图灵奖得主杰弗里·辛顿（Geoffrey Hinton） 和 OpenAI 发起者之一伊隆·马斯克（Elon Musk）就多次将 AI 类比为原子弹，呼吁监管。 "说现在的 AI 危险的人，要么是无知，要么是别有目的。" 马毅在 twitter 上回应 AI 威胁论。 强烈的观点来自他对 ...