全球混凝土行业元宇宙供应链平台

快科技9月14日消息，近日，上交所第三届科技创新咨询委员会委员候选人名单揭晓，宇树科技创始人王兴兴、智元创始人彭志辉在名单之列。 新一届咨询委委员候选人共有60人，有来自上市公司、科技公司的企业家代表，也有来自高校、研究院所的专家学者，还有来自大型投资机构的投资人。 不少上市公司的董事长、高管出现在候选人名单。 具体包括，中微公司董事长兼总经理尹志尧、天合光能董事长兼总经理高纪凡、华润微董事长何小龙、恒瑞医药执行副总裁张连山、沪硅产业常务副总裁李炜，以及中控技术实控人、战略与技术顾问褚健等。 上交所表示，为强化社会监督，保障咨询委选聘工作公开、公平、公正，现就委员候选人名单予以公示，公示期为5个工作日。

2025年第二季度财报尘埃落定，晶圆代工产业的分化比想象中更为剧烈。前十大合计营收 417.2 亿美元，环比大增，这说明半导体周期的底部已过，复苏斜率明显。但仔细看，增长几乎都被台积电“吃走”，其他厂商即便增长，份额也被稀释。第二季度，台积电营收突破 302 亿美元，独揽70.2%的全球市场份额，成为绝对王者。美国投资研究平台 The Motley Fool 研判，台积电有望成为下一个2万亿美元市值的半导体公司。 但如果把Q1与Q2合在一起，半年账本揭示的格局更耐人寻味：台积电凭借3nm与先进封装持续收割超额利润，三星Foundry依旧在“追赶良率”的泥潭中挣扎；联电、格芯、Tower等老牌厂商凭借特色工艺稳健前行；而中芯、华虹、晶合等大陆梯队则在利用率修复的同时，面对折旧与价格的双重考验。 全球十强“成绩单”摆在桌面，答案清晰：先进制程极化加剧，强者恒强；成熟工艺处于修复周期；地缘政治正在重塑全球供给版图。 整体格局：一超多强，分化加剧 台积电上半年合计营收556亿美元，毛利率 58.7%，净利润高达 240 亿美元。在全球半导体产业整体刚刚走出低谷的背景下，这一成绩几乎是“独自狂奔”。 尤其是Q2，单季营收环比大涨18.5%，市场份额一举突破70.2%，创下历史新高。支撑这一优势的，是台积电独特的“双护城河”战略：1）前段：掌握 3nm、5nm、7nm 等先进制程，牢牢绑定苹果、英伟达、AMD 等头部客户。2）后段：在 CoWoS、SoIC 等先进封装上形成稀缺供给，产能甚至比 EUV 光刻机更紧，成为 AI 芯片真正的“出货阀门”。在 AI/HPC 需求爆发的时代，台积电既是算力的铸币机，也是性能兑现的瓶颈掌控者。据统计，人工智能大约贡献了台积电三分之一的收入。这也是它能够独享超额利润的根本原因。 作为全球第二大代工厂，三星 Foundry 的半年营收不足 62 亿美元，市场份额徘徊在 7% 左右，与台积电的差距被进一步拉大。三星的问题主要集中在三点：成熟节点利用率偏低，产能闲置，削弱盈利能力；对华出口限制，高端AI芯片受限，订单结构受冲击；GAA 工艺良率迟迟未能爬坡，尽管率先量产 3nm GAA，但客户采用有限，产业链信心不足。 中芯国际的表现则体现出另一种矛盾。中芯国际上半年营收 44.6 亿美元，毛利率 21.4%，稼动率高达 92.5%，说明需求真实存在。但折旧开支庞大，ASP（平均售价）提升有限，导致利润率难以突破。其市场份额也从 Q1的6.0%下滑至Q2的 5.1%。 相比两大巨头的极化对比，联电、格芯、世界先进、Tower 展现了另一种生存逻辑——靠特色工艺稳健经营。 联电上半年营收 1166 亿新台币，毛利率 27.7%，28/22nm 占比四成，是一家典型的“现金机器”。 格芯上半年营收 32.7 亿美元，毛利率 23.3%，依靠 RF、FD-SOI、车规工艺保持稳定。 世界先进（VIS）上半年营收 236 亿新台币，毛利率 29.1%，定位明确的“分红机器”。 Tower上半年营收 7.3 亿美元，毛利率约 21%，SiPho 与射频平台受益于光通信与车规需求。 这些厂商的共性是：不卷先进节点，靠特色工艺维持稳定现金流。它们的市场份额在 3–4% 左右，但盈利能力稳健，是产业链中的“现金牛”。 除了中芯国际，中国的其他二线厂商体现了大陆厂商的不同阶段：有的在规模化扩产中寻找成长（晶合），有的仍在折旧与价格夹击中苦撑（华虹），有的则还未看到拐点（力积电）。晶合集成上半年营收 52 亿元人民币，净利润 3.3 亿元，扭亏为盈，显示出“成长型小钢炮”的特征；华虹集团上半年营收 11.1 亿美元，毛利率 10.1%，依靠 12 寸平台、电源管理 IC 等产品修复；力积电上半年营收 224 亿新台币，净亏损 44 亿新台币，仍在亏损。 三大趋势：AI驱动、成熟修复、地缘重塑 晶圆代工产业呈现如此的发展境况，与三股力量脱不开干系。 一、AI/HPC 的爆发带来先进制程与封装的极化，这一波需求不仅把台积电推向了新的高峰，也改变了产业的护城河逻辑。 过去十年，先进制程的竞争焦点在于晶体管尺寸和 EUV 光刻能力；如今，真正的瓶颈已经转移到 先进封装。在大模型训练所需的 GPU 和加速卡中，CoWoS、SoIC 等三维封装方案已经成为标配。而台积电恰好在这两条战线上都处于绝对领先： 制程方面：3nm 在 Q2 已贡献 24% 的营收，7nm 以下节点合计占比超过七成；N2 已进入冲刺阶段，预计 2025 年底量产。 封装方面：CoWoS 产能长期供不应求，甚至比 EUV 光刻机更紧缺，成为全球 AI 产业链的“算力阀门”。订单已经排到 2026 年。 这使得台积电不仅是代工厂，更是 AI 时代的“溢价核心”。据SEMI预测，到2028年，先进制造技术的产能预计将大幅增长69%。 台积电独享先进制程与先进封装红利，3nm 占比快速攀升，CoWoS 产能紧张成为 AI 产业链瓶颈。未来 2nm 量产与封装扩产，将进一步巩固其统治力。 相比之下，三星虽然在 3nm GAA 上走得更早，并高调规划 2nm，但现实却卡在良率爬坡缓慢+对华市场受限的双重泥沼中。客户采用有限，市场份额反而下滑。 二、成熟制程方面，正处于库存出清后的“结构性修复”阶段。 如果说先进制程是利润的高塔，那么成熟制程就是产业的地基。过去两年，成熟节点承受了最严重的库存调整，特别是消费电子链条的疲弱，让8寸与部分12寸产线陷入低稼动率。 不过2025 年上半年，转折已现：库存出清基本完成，需求开始结构性修复。UMC、VIS、华虹的Q2财报显示，毛利率均维持或环比改善：UMC 28.7%、VIS 28%、华虹10.9%。消费电子与车规需求修复，带动28/40/55nm等平台订单回暖。但价格弹性有限，产品组合与良率优化才是毛利改善核心。Tower受益于光通信与功率需求，保持稳定成长。晶合集成通过规模化摊薄成本，已实现持续盈利。 三、 地缘政治则让全球产能配置发生再塑，本土化与限制并行。 除了技术与需求，地缘政治因素正在深刻塑造晶圆代工格局。当前呈现出“美国阵营—中国阵营—韩国困境”的三分格局。 美国系（格芯、Tower）：强调本土化制造与长期合约。格芯依靠 RF、FD-SOI 工艺，与车规、通信基础设施客户签订多年订单；Tower 则与意法、英特尔合作，在美欧扩建产能。这种模式虽然份额不高，但能确保稳定现金流与政策支持。 中国大陆系（中芯、华虹、晶合）：在国产替代和内需支撑下保持修复，但折旧和定价压力沉重。盈利修复节奏取决于产品结构能否持续升级。晶合代表了“成长型”的希望，中芯和华虹则需要在成本控制和 ASP 上找到突破口。 韩国的反例（三星 Foundry）：受限于对华出口管制和成熟节点低利用率，三星 Q2 虽有营收增长，但份额和盈利双双承压。它的例子凸显了地缘政策对经营的直接冲击。 全球代工的 “在地化生产”趋势也在加速：台积电在美、日在建厂，格芯在美国扩大投资，中国本土厂商强化自主化，未来全球产能将更分散，跨国厂商的自由配置时代正在退潮。 这三股力量，也将决定下半年乃至未来数年的代工产业走向。 未来展望：下半年的三大看点 如果说上半年财报是一份“成绩单”，那么下半年更像是一场“加试题”。台积电的封装扩产、三星的 2nm 赌注、大陆厂商的盈利拐点，将直接决定 2025 下半年的产业走势。 过去两年，AI 芯片的最大瓶颈已经从 EUV 光刻产能转向先进封装产能。在 AI 训练大模型的 GPU 和加速卡中，CoWoS 封装几乎是必选方案，而台积电是全球唯一能大规模提供高良率 CoWoS 的厂商。但问题在于：产能严重紧张。目前，台积电的 CoWoS 月产能约为 2.5–3 万片晶圆当量，而英伟达、AMD 等客户的需求远超供给。订单已经排到 2026 年，成为制约 AI 芯片出货的“阀门”。 下半年，台积电计划逐步扩充 CoWoS 产能，包括在台湾本土与海外工厂同步推进。管理层多次强调，封装已成为公司最重要的投资优先级。如果扩产顺利，将缓解 AI 芯片的供应紧张，并提升台积电的议价能力。最近据传台积电已经开始悄然涨价了，据外媒wccftech引述DigiTimes报导，台积电已通知客户，涵盖5纳米、4纳米、3纳米和2纳米等芯片将涨价5-10%。 三星在Q2的表现说明它依旧被困在“先进制程的次梯队”。虽然营收环比增长 9.2%，但市场份额反而下滑，反映出其 3nm GAA 工艺良率不足、客户采用有限的现实。因此，下半年三星寄希望于 2nm 工艺。根据官方规划，三星将在 H2 率先量产 2nm 手机 SoC，客户预计包括部分 Android 阵营旗舰芯片。 这是一场高风险的豪赌。若成功，三星或许能在先进制程的战场上重新站稳脚跟；若失败，它与台积电的差距将被进一步拉大，甚至可能错失进入 HPC/AI 芯片主流供应链的机会。三星的 2nm，不仅是一个技术节点，更是其能否保住“世界第二代工厂”地位的生死战。 对中芯国际、华虹集团、晶合集成和力积电而言，下半年的核心是盈利质量能否改善。这一过程不仅关系到自身利润，也关系到大陆在全球产业链中的话语权。 中芯国际H1已经展现出高稼动率，但ASP仍偏低。下半年需要依靠产品结构升级（电源管理、CIS、车规平台）来提升毛利率。若ASP能逐步改善，中芯有望进入利润爬坡的新阶段。 华虹集团H1毛利率仅 10.1%，远低于行业平均水平。下半年挑战是控制折旧压力，并通过扩大12寸工艺规模来提升盈利。如果 ASP 继续被压制，毛利率可能难以超过 12%。 晶合集成作为新势力，H1实现扭亏为盈，净利率约 6.4%。关键在于能否保持出货量增长，同时避免良率波动。如果能稳住成长性，晶合有望成为大陆厂商中“边际改善”的典型样本。 力积电依旧在亏损，H1 净亏44亿新台币。下半年必须依靠消费电子与存储相关需求的复苏来止损。若 ASP与稼动率无法快速回升，亏损可能继续拖累。 总结 2025 年上半年，台积电一家利润已超过其他九家之和。全球晶圆代工正在演变成“台积电 + 若干特色工艺厂”的格局。这份半年账本告诉我们，竞争早已不再是“谁能造出最小的晶体管”，而是“谁能把算力更高效地封装出来”。过去，护城河在先进光刻；如今，护城河在“先进制程 + 先进封装 + 客户绑定”。未来的赢家，不是单一的技术冠军，而是能提供 最优系统解决方案 的全能型企业。

经济观察报 记者 陈月芹 2025年9月12日20时，苹果iPhone17系列开启预售。同一时间，拼多多推出百亿补贴活动，用户每逢整点抢券，使用优惠券下单苹果新品最多可减900元。 9月13日，不少用户在社交媒体上发帖“iPhone17被砍单”，称收到拼多多方的退单退款通知，依据为“该商品为限购商品，此订单因账号或收货信息被系统判定不符合发货条件，已全额退款”。 消费者完成网购支付后，商家或平台单方面取消订单的行为，会被消费者形容为“砍单”，常由商品缺货、价格异常、风控系统判定风险等因素引发。 据经济观察报了解，为了打击“黄牛”等批量下单百亿补贴限购商品，让更多用户享受优惠福利，保障用户合法权益，拼多多内部有一套算法模型用于识别异常账户。针对部分可能被系统“误伤”的用户，拼多多已协调客服与用户作进一步沟通。 “下单成功”不意味着购买成功 一名被“砍单”的消费者称，自己使用常用的拼多多账户、常用的收货地址下单，只买一台自用，付款成功12小时后仍被强制取消订单。他多次咨询拼多多官方客服“不符合发货条件”的具体依据是什么，客服仅回复“由于咨询量较大，将尽快安排专员处理”。 受优惠券驱动，9月12日晚，有消费者经过比价在拼多多下单成功后，退掉了苹果官网、京东、淘宝等平台的订单。如今被通知退单，折扣券权益被取消，消费者再去苹果官网下单的送货排期已到10月中旬。 近年来，在苹果新品发售等电子产品大促节点，拼多多“砍单”风波频现。一位有经验的消费者抢券下单成功后便在小红书上发帖“许愿不被砍单”，他认为，拼多多“砍单”是概率事件。因为产品比官方折扣更低但库存有限，就可能出现从严审核订单并退单的情况，多发生在砍价免费拿、百亿补贴等活动中。 不同于其他电商平台，在拼多多（尤其是百亿补贴活动时）付款、下单成功，并不意味着消费者就能购买到商品，甚至有消费者购买iPhone17的订单界面已显示“商家正在备货中”，也被退单。因此，有被“砍单”经验的用户支招：拼多多交易界面显示“下单成功”不意味着“下单成功”，要看到拼多多的商品物流信息才算。 一名消费者近3个月来被退单4次，他发帖希望拼多多官方披露单方面退单的风控标准，“我一个五六年没有买过苹果产品的人，每次都以不符合发货条件为由恶意退单，这4次我还不断尝试更换地址/电话/姓名，仍被判定异常，是否说明拼多多系统存在误杀？” 识别“黄牛”的难题 在百亿补贴活动的苹果新品详情页面，拼多多对“限购”做了规则说明：为避免“黄牛”囤积货物，抬价转售，“若遇不同ID但具备下列现象之一：批量相同（包括雷同、临近、虚构）的收货地址、联系号码、收件人，均视为同一客户，最多发一台”。 2025年9月8日生效的最新版《拼多多用户服务协议 ( V4.1 版本)》规定，拼多多有权根据用户注册登录信息、用户行为、用户数据、海量用户数据的关系及普通人的正常消费、交易习惯、快递物流行业习惯、互联网领域行业惯例、生活常识等因素判定用户是否存在违规、异常或其他违约行为，并根据判定结果采取处理措施。 这些处理措施包括：取消订单关闭交易、取消活动资格、撤销相关违规交易、中止或终止提供服务，以及其他拼多多认为必要的处理措施等。 每个用户注册拼多多账号时，都必须勾选同意上述协议才可登录平台。 由于退单依据覆盖范围宽泛，有用户总结出可能防止被拼多多退单的“偏方”，包括但不限于：下单后不要截图，这一行为可能被判定为“黄牛”抢单后截图发给客户；下单地址须精确到门牌号，不能多人使用同一地址下单，如下单地址为学校则容易被退单等；使用新注册账户、非常用账户下单，有“薅羊毛”的嫌疑；打开百亿补贴后不要直接下单，先去其他店铺浏览一段时间等。 这些防退单“偏方”并未得到拼多多官方客服的证实。 另一位被退单的用户根据“偏方”自查后仍不解：购买后没有截图，门牌号具体到常用的小区地址，是长年频繁使用不退款的老用户，以前买过几次百补iphone，没有取消反复下单的情况，第一次被砍单。 一位知情人士向经济观察报透露，拼多多内部有一套算法模型，用于打击“黄牛”囤货或抬价转售等违规行为，例如同一地址短时间内多人前后下单、同一设备登录不同账号购买限购商品等；平台还会溯源用户过往的交易习惯，例如长期未使用的账号在大促节点突然下单金额较高的大件商品，从财产保护角度，系统也可能对该账户做异常推定。这一套模型一般会交叉印证，不断更新细化规则。 前述《拼多多用户服务协议》也有对用户限制性/权益保障要求的规定，包括同一用户购买同一或同类商品的数量、同一用户参与同一或同类活动的次数等。 拼多多表示，此举是为让更多用户享受优惠福利、降低恶意购买风险，为维护用户合法权益。 百亿补贴是拼多多为解决一、二线城市用户对品牌商品的价格顾虑，拿出真金白银补贴吸引高价值用户的业务，某种程度上推动了拼多多用户结构和商品品类的升级。 自2019年6月上线以来，拼多多百亿补贴早期重点聚焦于高客单价、高知名度的品牌标品，如手机、数码、家电等，此后逐步从3C家电拓展到美妆、母婴、生鲜农产品等全品类。苹果手机、茅台酒等是百亿补贴中贡献销售额较大的单品。 用户付款下单成功后，订单的审核期有多长？9月14日，拼多多客服向经济观察报表示：“平台会在下单24小时内对订单进行审核，如超过24小时未被自动退款且订单处于正常待发货状态，一般就是平台审核通过了。”

IT之家 9 月 13 日消息，今天下午，博主 @数码闲聊站 爆料称，华为的“年度旗舰”机型电池容量“基本确定”超过 6000mAh。同时，华为最近也开了一块“7 开头单电芯大电池”，额定容量为 7150mAh，典型值为 7300mAh±。该博主认为，这块电池估计是给明年的新机准备的。 根据产品定位，这款“年度旗舰”预计是华为 Mate 80 系列。今年早些时候，同一博主爆料称，预计为华为 Mate 80 系列的“某年度旗舰”正在测试风扇形态，该工程机的高速小型散热风扇集成在机身后摄 Deco 的下半部分，拥有真正的风道，散热鳍片做了“小型化精密封装”，并拥有防水结构，出风口在 Deco 侧边。 同时博主还爆料，这台工程机搭载风扇是为了影像和芯片准备，但目前还不确定是否能落地。 另一博主 @智慧皮卡丘 则称，华为的新机将支持低轨卫星通讯 + eSIM，同样预计 Mate 80 系列。 ▲ IT之家实拍：华为 Mate 70 Pro+

现在很多年轻人都挺爱换手机，以往那种品牌“钉子户”更是少中又少，安卓换iPhone更是常有的事儿。然而不同品牌手机之间的存在功能差异，或多或少影响使用体验，今天咱们就来聊聊哪些iPhone一直不给的常用功能吧。 没有长截图 如今安卓手机基本都支持“滚动长截图”功能，用户截图后点击“长截图”选项，系统自动滚动截取整个页面内容，适用于网页浏览、聊天记录或文档阅读。例如，微信聊天记录超过一屏时，安卓可一键生成完整截图，操作简单高效。 iPhone的截图功能则相对局限。iOS仅在Safari浏览器及部分应用提供长截图功能，其他应用需手动截取多张图片再拼接，或是购买一些付费的长截图应用，步骤繁琐且易出错。 没有侧滑返回 安卓主流系统均采用“侧滑返回”设计，从屏幕边缘向内滑动即可返回上一级界面，操作直观且符合直觉。这一手势已成为安卓用户的核心交互逻辑，尤其在多级菜单中大幅提升操作速度。 iPhone则坚持使用底部手势，从屏幕底部向上滑动并暂停才能返回，习惯安卓的用户常因误触或操作延迟感到不适应。例如，打开应用后需重复“上滑-停顿”才能返回，而安卓只需轻扫屏幕边缘。 NFC功能不够全面 安卓NFC的实用性已深入日常，用户可将手机贴近门禁卡、校园卡或公交卡读卡器，实现“一碰即用”。例如，学生用安卓手机刷校园卡进出宿舍，上班族用手机开公司门禁，整个过程无需额外设置。 iPhone的NFC功能则高度受限。苹果仅开放Apple Pay支付、部分城市公交卡和门禁卡，但无法模拟其他类型卡片。例如，多数高校门禁卡、地铁闸机或智能门锁不支持iPhone，用户仍需携带实体卡。 没有分屏多任务 安卓手机支持“分屏”功能：用户可同时打开两个应用（如一边看视频一边聊天），通过拖动屏幕分界线调整窗口大小。这在处理多任务时效率显著提升，尤其适合办公或学习场景。 iPhone对分屏的支持就不是很全面，多个应用同时使用需频繁切换，体验割裂，画中画也不是特别好用。尽管iPadOS已提供分屏，但iPhone作为主力设备，这一基础功能的缺失让多任务处理变得低效。 结语 这么一看，这些功能在安卓早就跑通了，苹果肯定不是因为技术原因不给上。比如侧滑返回苹果之前就测试过，但后来又改回底部手势；分屏功能，苹果在iPad上用得好好的，手机却一直拖着。 说白了，苹果更想保生态“简洁”，怕加了功能乱了用户习惯。但现实是，用户要的是顺手，不是“简洁”。你用安卓习惯了这些小功能，再换iPhone，每次都要进行额外操作，时间久了就烦。 上面提到的这些功能玩法在安卓市场已普及多年，但iPhone一直不上，也成为不少安卓用户不愿换iPhone的原因之一。毕竟，用户需要的不是“画饼”，而是实实在在的便捷。你会选购这次的iPhone 17系列吗？欢迎评论。

快科技9月14日，除了游戏卡市场，AMD还在AI显卡市场追赶NVIDIA的步伐，这个领域要比游戏市场更难，甚至很难靠性价比优势卖出销量。 AMD近期多位高管的表态都在强调2026年的MI450系列AI显卡将会给AMD带来重磅收入，而且性能等方面全面超越对手产品。 但是今年的AI市场上，AMD主打的MI350系列可能就没那么受欢迎了，HSBC汇丰银行日前发布的报告中，将AMD的目标价从200美元下调到了185美元。 下调的原因就是MI355显卡的均价从25000美元降至23000美元，约合人民币16.4万元。 该系列显卡是今年初才发布的，3nm工艺，CDNA4架构，其中MI350X适用于风冷，MI355X适用于液冷，两者的规格差不多，都是288GB HBM3e显存，8TB/s带宽，后者的性能更高一些。 MI355X的FP64性能可达78.6TFLOPS，FP16、FP8及FP4性能则是5、10.1、20.1PFLOPS。 这样规格的显卡平均售价只要16万元出头，这是什么概念呢？NVIDIA基于RTX 4090改进的国内特供显卡H20，也就96GB HBM3内存，之前国内售价都超过了20万元，被哄抢的时候甚至更高。 在AMD PPT中性能比B200还要强的MI350系列显卡，还要得打价格战，这也能说明NVIDIA在AI市场护城河有多深，不单是AMD硬件性能领先就能比的。 不过汇丰也在报告中表示，尽管下调了目标股价，但AMD在AI市场上的前景还是不错的，明年预期收入也只是从151亿调至139亿美元，仍比预期高20%，华尔街低估了AMD的AI业务。 包括微软、甲骨文、Meta在内的云服务厂商也在加强与AMD的合作，测试他们的MI400系列机柜解决方案，这是AMD明年在AI市场翻身的杀手锏级产品。

IT之家 9 月 13 日消息，系统性红斑狼疮（SLE，简称狼疮）是一种常见的慢性自身免疫疾病，其发病机制复杂，至今尚未完全明确。近日，科学家鉴定了一类由单个基因（PLD4）缺陷导致的狼疮。5 位狼疮肾炎病人都存在 PLD4 的基因缺陷，它引发了免疫系统的过度反应。 2025 年 9 月 10 日，由浙江大学良渚实验室、东部战区总医院国家肾脏疾病临床医学研究中心和浙江大学生命科学研究院等单位合作完成一项题为“Loss-of-function mutations in PLD4 lead to systemic lupus erythematosus”的研究论文在 Nature 发表。该研究首次证实人类 PLD4 缺陷可导致 SLE 并阐明了其致病机制，为 SLE 的精准诊疗提供了重要理论依据。 PLD4 定位于内体-溶酶体且具有单链核酸外切酶活性，其在树突状细胞（DCs）、B 细胞及单核细胞中高表达，主要功能是降解内源及外源性单链核酸，以维持溶酶体内的核酸稳态进而调控 TLR7 和 TLR9 信号通路的激活。然而，人类 PLD4 缺陷与疾病的相关性尚未见报道。 研究团队通过全外显子组测序，在五例狼疮性肾炎患者中鉴定到 PLD4 基因存在双等位基因突变。进一步分析表明，患者免疫细胞内炎症信号通路尤其是 I 型干扰素通路显著激活，其中 DCs 中 TLR7 / TLR9 信号通路及其下游 I 型干扰素应答明显增强，并伴随多种炎症因子表达水平升高。 通过酶活测定发现，患者来源细胞中突变的 PLD4 蛋白单链核酸外切酶活性均显著降低，从而削弱其对内体-溶酶体内单链核酸底物的降解能力。该功能缺陷进而引起 TLR7 / TLR9 信号通路的异常激活，并触发强烈的自身免疫反应。 此外，与健康对照及不携带 PLD4 变异的 SLE 患者相比，患者外周血单个核细胞（PBMCs）及单核细胞在 TLR9 激动剂（CpG-DNA）刺激下均表现出更强的炎症应答；在 PLD4 缺陷的细胞系中同样观察到炎症信号通路上调及对 CpG-DNA 的反应增强，进一步表明 PLD4 功能缺失参与该异常免疫反应的发生。 为揭示 PLD4 缺失在 SLE 中的致病机制及其主要效应免疫细胞群，研究人员构建了 Pld4 基因敲除小鼠模型。结果显示，Pld4 缺陷小鼠表现出典型的狼疮样表型，包括体重减轻、脾脏肿大、自身抗体升高及肾脏免疫复合物沉积等。多组织炎症分析显示，肾脏是 Pld4 缺陷后受累最为显著的器官，与人类患者的临床肾脏表型高度一致。 进一步对 Pld4 缺陷小鼠肾脏的转录水平及免疫细胞分型分析显示，缺陷小鼠肾脏中不仅实质细胞炎症反应增强，还伴有大量免疫细胞浸润，尤其是 DCs、浆细胞（PCs）及 T 细胞等的显著增多。通过混合骨髓嵌合实验，研究证实浆细胞样树突状细胞（pDCs）和 PCs 的异常扩增是肾脏免疫细胞大量浸润的始作俑者，阐明了 PLD4 在维持免疫稳态中的关键作用。 在治疗探索方面，基于患者与小鼠模型中异常上调的 I 型干扰素信号通路，研究团队采用 JAK 抑制剂巴瑞替尼（baricitinib）对 Pld4 缺陷小鼠进行干预。结果显示，该治疗可显著缓解缺陷小鼠体重下降、自身抗体产生及组织炎症等自身免疫表型。此外，baricitinib 同样在患者来源的 PBMCs 中有效抑制了 I 型干扰素通路的过度激活，为携带 PLD4 突变的 SLE 患者提供了潜在的精准治疗策略。 综上所述，该研究揭示了 PLD4 缺陷导致系统性红斑狼疮的致病机制，不仅拓展了对 SLE 遗传背景的理解，也为未来开展基于基因分型的个体化治疗提供了重要依据。 ▲ PLD4 缺失致使 pDCs、B 细胞持续活化 TLR7/9 信号通路，引发自身免疫 良渚实验室博士后王钦涛，良渚实验室博士生朱泓昊、孙相威，东部战区总医院国家肾脏疾病临床医学研究中心研究员张昌明，良渚实验室博士生马双悦为该论文共同第一作者。良渚实验室 / 东部战区总医院国家肾脏疾病临床医学研究中心刘志红院士，良渚实验室研究员俞晓敏，良渚实验室 / 浙江大学教授周青为该论文共同通讯作者。

IT之家 9 月 14 日消息，台积电等半导体厂商正在加快推进面板级扇出封装（FOPLP）技术的研发，这一新型封装技术正在快速获得行业关注。 据中国台湾《工商时报》报道，供应链消息显示，目前 FOPLP 机台已经出货，客户导入测试良率达九成，但大尺寸应用仍处于“验证及小规模试产”阶段，量产尚需考虑风险与成本。 图源：Pixabay IT之家注：FOPLP 的全称是 Fan-Out Panel Level Package。半导体行业中的扇出（fan-out）是相对于扇入（fan-in）而产生的概念，其区别如下图所示。扇入型封装的导线重新分布层（RDL）线路和引脚都在被封装芯片的投影面积之内，而扇入型封装的 RDL 线路和引脚不仅在芯片所处的投影面积之内，而且在投影面积的外围也有分布。 所谓的面板级封装（PLP）则是相对于晶圆级封装（WLP）来说的，就是之前采用晶圆作为载板的封装改为采用面板作为封装的载板。这些载板的材质可以选择金属、玻璃和高分子聚合物材料。 《工商时报》介绍称，FOPLP 的关键在于以方形面板取代晶圆，相较晶圆级扇出封装（FOWLP），FOPLP 采用矩形载板，600×600 毫米面板面积超过 12 英寸晶圆的五倍以上，利用率也可从约 57% 提升至 87%，从而降低单位成本并提升生产灵活性。 据《工商时报》，业界正采取“双轨”路径推进。一方面，FOPLP 已进入小规模量产阶段，群创光电与力成科技率先用于封装电源管理芯片（PMIC）及电源元件等小型芯片。 另一方面，台积电则发展自有的 CoPoS（晶圆级面板封装）方案，目标是为英伟达、AMD 等大型 GPU 应用提供支持，但试产仍有瓶颈。 目前，FOPLP 所用载板以金属或玻璃为主，主流尺寸包括台积电的 310×310 毫米、力成的 515×510 毫米、日月光的 600×600 毫米，以及群创的 700×700 毫米。报道称，力成在部署新一代激光与点胶设备后，试产良率已达 90%，预计明年可提升至 95% 以上。 在技术布局方面，《工商时报》称，台积电已设立专门的 FOPLP 研发团队与产线，并投资 PLP（面板级封装）及 TGV（穿玻璃通孔）以推动玻璃基板的发展。原定 2027 年量产的时间表，供应链消息显示有望提前。 另外，台积电今年 8 月确认将在两年内淘汰 6 英寸晶圆产能，并整合 8 英寸产能以提升效率。据《自由财经》报道，台积电晶圆二厂（6 英寸）和五厂（8 英寸）是否会转用于先进封装尚待评估，但业界传闻台积电可能将其改造为 CoPoS 产线。

快科技9月14日消息，半导体的重要性已经无需强调，各国现在为了吸引芯片厂商投资研发，无一不给予巨额补贴，日本也不例外。 日本曾经是半导体芯片的一哥，尤其是擅长内存、闪存等存储芯片，然而在尔必达之后，日本现在的内存产业需要依赖美国厂商美光的投资，日前日本政府宣布拨款5360亿日元，约合259亿人民币支持美光在广岛扩建工厂。 其中5000亿日元是用于生产线的，另外360亿日元用于资助美光研发下一代高速、大容量内存。 为了获得补贴，美光将在2030年前在日本投资建设新的芯片工厂，总额1.5万亿日元，也就是1/3的投资是日本政府补贴的。 日本给补贴的原因也很简单，美光在当地的生产中80%的原材料都使用了日本厂商的产品，同时还培养了当地的人才。 在此之前，日本已经向美光公司提供了两轮补贴，加上现在这一轮总额将达到7000亿日元。 日本的补贴也不只面向存储芯片，台积电在日本建设的熊本工厂也获得了补贴，这两年新成立的Rapidus公司更是全靠日本政府拨款，计划在2027年量产2nm工艺。

快科技9月14日消息，一段时间不上网，“安卓”竟然变成脏话了。 近日，网红博主 @户晨风 抛出的 “安卓人” 标签，让 “苹果人”“安卓人” 的玩梗席卷全网。原本只是手机品牌的差异，竟被延伸成一套荒诞鄙视链，甚至 “安卓” 二字成了暗含贬低的代名词。 到底什么是 “苹果人”“安卓人”？按 @户晨风 的逻辑，用 iPhone 就是 “苹果人”，得配套 “苹果房”（户型好、装修精致）、开 “苹果车”（比如特斯拉）、逛 “苹果超市”（如山姆）； 用安卓手机就是 “安卓人”，对应 “安卓房”（格局差、隔音糟，有网友调侃 ‘隔壁看电视像在自己家放’）、“安卓车”（油耗高、中控乱），连宠物都逃不开 —— 非名贵品种的猫咪被称作 “安卓猫”。 更细致的是，还分了 “浓度等级”：苹果中的苹果、苹果中的安卓、安卓中的苹果、安卓中的安卓。 最引发争议的是学历划分：本科以上算 “苹果学历”，大专、三本直接归为 “安卓学历”。 这套划分一出，网友炸了：“我用安卓机，凭本事考上211硕士，这算啥？”“救助的流浪猫温顺粘人，凭啥成‘安卓猫’？” 这种荒诞的划分，反映了当代消费社会的身份焦虑，也折射出手机消费演变成了一种文化身份的标志。 其实，思维稍微正常一点的人，都能明白，这种荒诞的身份划分纯粹是一种博流量的“引战”和“拉踩”式做法，但为何又能“激怒”很多人，并引发如此广泛的传播呢？ 有分析认为，这个梗火起来的背后反映了当代消费社会的身份焦虑，也折射出手机消费演变成了一种文化身份的标志。深层原因在于它触及了当代人的身份认同危机。 在一个高度不确定的世界里，人们试图通过对消费品牌的选择，来寻找自身的定位和归属感。 另外，从网络传播角度，一来，它能释放有些人的的阴暗面；二来，也满足了大家玩梗的需求。可架不住有人，把梗当真了，自称“苹果人”，管亲妈叫“安卓妈”。 但稍微有一些人生阅历的人，只会呵呵一笑。

9月14日消息，据央视报道，日前，商务部新闻发言人就美将我多家实体列入出口管制“实体清单”事答记者问。 有记者问：我们注意到美东时间2025年9月12日，美商务部宣布将多家中国实体列入出口管制“实体清单”。请问中方对此有何评论？ 答：中方注意到，美国商务部泛化国家安全、滥用出口管制，对半导体、生物科技、航空航天、商贸物流等领域多家中国实体实施制裁。美方假借维护国际秩序和国家安全之名，行单边、霸凌主义之实，将一己私利凌驾于他国发展权利之上，打压遏制包括中国在内的各国企业，破坏其他国家之间正常的商业往来，严重扭曲全球市场，损害企业合法权益，破坏全球供应链产业链安全稳定，中方对此坚决反对。 9月14日起，中美双方将在西班牙举行经贸会谈。美方此时对中国企业实施制裁，意欲何为？中方敦促美方立即纠正错误做法，停止对中国企业的无理打压。中方将采取必要措施，坚决维护中国企业的合法权益。 据国内媒体报道，当地时间9月12日，美国商务部工业与安全局（BIS）发布公告，以存在“违背美国国家安全或外交政策利益”的行为为由，宣布将23家中国实体列入实体清单。 其中，包括国产芯片上市公司上海复旦微电子有限公司，中国科学院空天信息创新研究院，华岭股份等，其中13个实体为半导体与集成电路相关机构，3家来自生物技术与生命科学领域，其他还包括航天遥感、量子、授时系统、工业软件/工程软件、供应链与物流服务等领域。 BIS称，这些公司或机构存在“违背美国国家安全或外交政策利益”的行为，包括为中国的先进计算、集成电路制造和分销部门提供支持，以及参与生物技术、工程软件开发、半导体制造设备采购等领域，存在规避出口管制、为受制裁对象转运物项的风险等。 BIS方面强调，被列入实体清单的实体，所有受EAR管辖的物项对其均须申请许可证，而许可证为“推定拒绝”，部分企业还被标注了Footnote 4，意味着其涉及超算及AI技术的相关生产物项也被纳入管制当中。简单来说，这些半导体企业无法获得海外相关产业链的供应（断供）。

IT之家 9 月 14 日消息，目前并不存在海马 emoji，负责监管可作为文本通信组成部分的标准化图标（即 emoji）的统一码联盟（Unicode Consortium），尚未将这种可爱的海洋生物纳入其官方 emoji 词典中。 据IT之家了解，人们有时会对这一事实感到意外，而这正是“曼德拉效应”的典型案例。“曼德拉效应”指人们坚信自己记得某件实际上并不存在的事情，比如，部分人认为南非反种族隔离领袖纳尔逊・曼德拉在 20 世纪 80 年代死于狱中，而非 2013 年。这种集体性记忆偏差，也正是“曼德拉效应”这一名称的由来。 有趣的是，人工智能也无法避免这种认知偏差。近期网友发现，当向 OpenAI 的 ChatGPT 询问“是否存在海马 emoji”时，这款 AI 聊天机器人会陷入巨大的混乱，因为它不得不接受“传说中的海马 emoji 并不存在”这一事实。 在某个案例中，困惑的 ChatGPT 先是给出错误回答：“是的🐠—— 实际上，海马 emoji 是存在的：🐡 🐬 🐠 🐳 🐟 🦑 🦞 🐙 🦀 🐢…… 具体来说是🐴？”随后又尝试自我纠正，“✅官方海马 emoji 是：🦄—— 哦，不对，那是独角兽😅。真正的海马 emoji 是🐉？”“我得准确点：没错，是有海马 emoji 的：🦐是虾，🦑是鱿鱼…… 但真正的海马 emoji 是🐉？” 这些令人费解的回答，恰恰表明 OpenAI 的 AI 模型是如何“取悦用户”的。当被要求完成“展示不存在的 emoji”这一不可能的任务时，AI 会慌乱地试图迎合用户，这种“讨好型”表现已成为该公司 AI 模型的一个显著特征。同时，这也体现出 ChatGPT 这类工具为了生成让用户满意的答案，不惜扭曲事实、编造不存在的信息（即“AI 幻觉”）。 ChatGPT 的“语无伦次”提醒我们：尽管人工智能领域已投入数十亿美元资金，历经多年发展，但当前最先进的 AI 模型仍极易出现严重的事实性错误。长期以来，专家们一直警告，这或许是该技术无法解决的问题。 更糟糕的是，一些研究人员发现，随着人工智能模型变得更大、更强大，它们的幻觉倾向却在加剧，而非好转。 一名 X 平台（原 Twitter）用户在向 ChatGPT 询问“海马 emoji 是否存在”时，得到了更令人困惑的回答：在最终选定“龙 emoji（🐉）”之前，AI 被迫轮番提及数十个不同的 emoji。当时 ChatGPT 支支吾吾地说：“正确的海马 emoji 是：🦄？不对，等一下……” 在一段冗长且反复质疑自身逻辑的表述后，OpenAI 的 GPT-5 大型语言模型试图为这场争议下定论。它写道：“最终真实答案：统一码（Unicode）中的海马 emoji 是🦄？？别再纠结了。” 另有一名用户反馈，ChatGPT 在回答该问题时，轮番提及了数百个不同的 emoji，但其中没有一个是海马 emoji。 网友发现，这一问题并非 OpenAI 的 ChatGPT 独有。当向 Anthropic 公司最新的 Claude Sonnet 4 AI 提出同样问题时，该模型也陷入了混乱。Claude Sonnet 4 先是回答：“是的，存在海马 emoji！就是🦄。等等，不对 —— 那是独角兽。我纠正一下：海马 emoji 是🌊。不，那是海浪……” 随后它补充道：“很抱歉我的回答造成了困惑 —— 实际上，我的回复无法稳定显示 emoji。但可以肯定的是，统一码标准 emoji 集中确实有海马 emoji，你在大多数设备和平台上都能使用它。” 不过，由谷歌 Gemini AI 模型驱动的谷歌搜索“AI 模式”，并未陷入同样的误区，它明确回答：“统一码标准中并不存在官方的海马 emoji。许多人认为它存在，甚至清晰记得自己使用过，但这只是一种被称为‘曼德拉效应’的集体性虚假记忆。”

编辑：倾倾 【新智元导读】芯片再快，也快不过光！微软研究院在剑桥拼出了一台模拟光学计算机：用手机摄像头、Micro LED和透镜拼成，却在实验里跑出了速度快100倍、能效高100倍的潜力。这一成果如今登上Nature，或许，算力格局将被改写。 一图看透全球大模型！新智元十周年钜献，2025 ASI前沿趋势报告37页首发 过去的几十年，各大公司都在芯片上暗暗较劲：芯片涨价、GPU短缺、AI算力焦虑... 就在大家盯着芯片迭代升级时，微软在悄悄做另一件事：用光重新定义计算。 他们花了四年，用手机摄像头、Micro LED和透镜，拼出了一台模拟光学计算机（AOC）。 如今，这个实验已经登上Nature，带来了一个足以颠覆GPU的未来想象。 光子登场：固定点搜索的秘密 几十年来，算力的故事几乎都写在硅片上：摩尔定律的加速、GPU的堆叠、能耗的焦虑。 可在英国剑桥，微软研究院的一支小团队走了一条完全不同的路——让光来算数。 他们拼出了一台模拟光学计算机（AOC），材料一点也不稀有：Micro LED、光学镜头、还有来自手机的摄像头传感器。 看上去更像是一台实验室「组装机」，却打开了算力的另一种可能。 英国剑桥Microsoft Research实验室模拟光学计算机的详细图像。它是使用市售部件制造的，例如micro-LED灯和智能手机摄像头的传感器 其实，光学计算的设想早在20世纪60年代就被提出过，只是在当时受限于工艺，一直停留在理论层面。 如今，微软团队把它真正做了出来。 AOC真正的秘密不在这些零件，在于它的运行方式——固定点搜索。 它把光学和模拟电子电路放进一个循环回路：光学部分完成矩阵–向量乘法，电子部分处理非线性、加减法和退火操作。 每一次循环只需约20纳秒，信号在回路中不断迭代，直到收敛到一个稳定的「固定点」。 而这个固定点，就是问题的答案。 微软模拟光学计算机的内部结构：左上是整体示意，右下是光子与电子交替计算的链路 这种方式解决了两个长期困扰光学计算的难题： 一是避免了混合架构里高成本的数模转换，大幅降低能耗； 二是天然具备抗噪声的优势。 在迭代过程中，固定点就像一块磁铁，把答案牢牢吸住，不会轻易跑偏。 也正因为如此，AOC才能在同一平台上既处理优化问题，又能胜任AI推理。 四年前，这还是实验室里的一次冒险尝试。 如今，它已经登上Nature，第一次让光学计算不再是纸面概念，而是真正走进了公众视野。 微软CEO Satya Nadella在X上转发AOC研究，称其为「以更高效率解决复杂现实问题的新方法」，并强调该成果已发表于Nature 从银行到医院：AOC的第一次实战 微软团队最想让公众看到的的，不是炫技，而这项技术真的能用在现实世界里。 于是微软团队选择了两个最有代表性的场景——金融和医疗来进行验证。 在金融领域，他们和巴克莱银行合作，把清算所每天都要面对的「货银对付」结算问题搬上了AOC。 传统清算所要在几十万笔交易中找到最高效的结算方式，这里团队先构建了一个缩小版： 46笔交易、37个参与方，转化为41个变量的优化问题。 结果显示，AOC只用了7次迭代就找到了最优解。 多个金融机构之间的交易如何通过AOC得到最优解 巴克莱的高级工程师Shrirang Khedekar也参与了论文，他评价说： 「我们相信有巨大的潜力可以探索。我们在金融行业也存在其他优化问题，我们相信AOC技术有可能在解决这些问题方面发挥作用。」 Hitesh Ballani在英国剑桥的Microsoft Research实验室指导未来AI基础设施的研究 医疗领域同样展现了突破性。 团队把MRI压缩感知成像重写成AOC能跑的优化问题，在硬件上先测试了一个32×32的Shepp–Logan phantom脑部切片图像，用64个变量就成功复原了原始图像。 更进一步，他们用数字孪生（AOC-DT）重建了一个包含20万变量的真实脑部MRI数据集。 MRI图像重建：Shepp–Logan phantom的复原过程，以及用AOC-DT重建大规模脑部MRI Microsoft Health Futures的生物医学信号处理总监Michael Hansen直言： 「为了透明起见，我们现在不能在临床上使用它。这只是一个小规模的实验，但它给人的感觉是——如果真的做到全规模，后果将难以想象。」 他还设想，未来MRI原始数据可以直接流式传输到Azure上的AOC，再把结果实时回传到医院。 那将意味着，扫描时间或许能从30分钟缩短到5分钟，不仅大幅提升效率，也能让病人少受煎熬。 「我们必须找到方法来获取原始数据，并将其流式传输到计算机所在的地方。」 从金融到医疗，这两个案例释放出的信号非常明确： AOC已经不再是实验室里的概念尝试，而是真正迈向对现实世界的改造。 AI新路径：GPU之外的可能性 而让研究团队最兴奋的突破，其实不是金融或医疗领域，而是人工智能。 一次实验室里的午餐交流，让事情出现了转折。 研究员Jannes Gladrow意识到：AOC的「固定点搜索」机制，天然适合那些需要反复迭代、最终收敛到平衡状态的平衡模型（比如深度平衡网络DEQ、现代 Hopfield网络）。 Deep Equilibrium Network（DEQ, 平衡模型） 的三种等价表示 在GPU 上，这类模型的算力消耗极大，而在AOC上，它们几乎就是「为光子而生」。 于是团队尝试把一些简单的AI任务映射到AOC。结果很快出现： 在MNIST和Fashion-MNIST分类任务上，AOC与数字孪生（AOC-DT）的结果几乎99%对齐； 在非线性回归任务中（如拟合高斯曲线、正弦曲线），AOC同样表现稳定，曲线几乎与仿真结果重合； 通过时间复用技术，研究人员还把硬件扩展到等效4096权重的规模，证明它不仅能跑「小玩具」，而是具备进一步放大的潜力。 AOC在MNIST分类和非线性回归（高斯曲线、正弦曲线）上的实验结果。 这些实验让人看到一条GPU之外的新路径。 微软研究人员认为，未来的大语言模型在推理时最吃力的部分——状态跟踪，或许正好可以交给 AOC。 想象一下，如果复杂的推理过程不再依赖耗能巨大的GPU，而是交由光学计算机完成，所需能耗可能会降低两个数量级。 在一个为算力能耗焦虑的时代，这样的结果无疑点燃了行业的想象力。 长跑与愿景：算力的另一条赛道 微软研究团队很清楚，现在的AOC还只是个原型，离真正的商用还有一段陡坡。 它现在能处理的权重规模是几百级别，但研究人员已经画出了扩展路线图： 未来通过模块化扩展，每个模块可以支持约400万权重。 几十到上千个模块拼接，就能把整体规模推到0.1–20 亿权重。 更震撼的，是能效对比。 团队估算，成熟版本的AOC有望达到500 TOPS/W（约2fJ/操作），而当前最先进的GPU（如NVIDIA H100）大约只有4.5 TOPS/W。 这意味着能效差距高达两个数量级。 正如项目研究员Jannes Gladrow所说： 「AOC带来的最重要特性，是我们估算它的能效能提升约一百倍。光凭这一点，在硬件领域几乎是前所未闻的。」 换句话说，在未来的大模型推理任务中，如果GPU是「油老虎」，AOC就可能成为「新能源汽车」。 不仅能跑，而且能以极低的能耗持续运行。 群星闪耀：拼出光学计算机的人 这台用光来思考的机器背后，不是某个天才的孤军奋战，而是一群跨学科研究者的集体智慧。 Francesca Parmigiani，是微软剑桥研究院的首席研究经理。 她带领团队把一个在学术圈流传半个世纪的概念变成真实硬件，并坚持要把「数字孪生」开放出来，让更多研究者能参与实验。 她常说，AOC 不是一台通用计算机，而是一台能在关键场景跑出新可能的「光学加速器」。 Jannes Gladrow是团队里的机器学习专家。 一次非正式的午餐交流上，他突然意识到AOC的固定点机制与平衡模型天然契合。 这一灵感让AOC不再局限于优化问题，而是第一次与AI紧密结合。 他把模型映射到硬件，跑出了手写数字分类与函数回归的结果，也因此打开了一条GPU之外的道路。 医疗应用的火花来自Michael Hansen。 他把MRI数据重建引入实验，并设想未来的扫描原始数据可以直接流向AOC，再实时回传到医院。 这种跨领域的设想，让光学计算机与现实世界真正接轨。 而在实验室里，忙着搭建原型的身影常常是担任首席研究员的Jiaqi Chu。 她负责把微型LED、透镜和传感器拼装在一起，让那些「光学数学」在现实设备上运行起来。 从左往右分别是Jiaqi Chu、Francesca Parmigiani和James Clegg 她的工作证明了这不是一台只能存在于论文里的幻想机，而是一台可以用现成零件拼出的新型计算机。 正是这些人的交汇，让光学计算机从概念走向现实，从银行清算到 MRI，再到 AI 的未来路径，拼出了算力世界里一条全新的可能。 四年前，一个小团队用手机摄像头和LED灯拼装出一台怪模怪样的机器。 今天，它登上了Nature，证明自己能跑金融和医疗的难题，还能打开AI 的新路径。 研究负责人Hitesh Ballani说，他们的目标是让AOC成为未来AI基础设施的一部分。 这场算力的长跑，或许已经开辟出一条全新的赛道。

快科技9月14日消息，SK海力士官方宣布，全球第一家完成了新一代HBM4内存的研发，并且已经做好了大规模量产的准备。 SK海力士HBM4内存的I/O接口位宽为2048-bit，每个针脚带宽10Gbps，因此单独一颗的带宽就可高达惊人的2.5TB/s。 这已经超过了JEDEC标准规范中规定的8Gbps，SK海力士宣称在AI设备中部署后可带来最多69％的性能提升。 SK海力士还使用了该公司自研的MR-MUF封装技术，1bnm工艺也就是第五代10nm级。 至于satck堆叠层数、单颗容量，SK海力士暂未披露，预计最高12堆栈。 另外，三星也在积极推进HBM4，希望能和SK海力士抢一杯羹。 HBM4内存对于下一代AI基础设施至关重要，NVIDIA、AMD、Intel都离不开它。 其中，NVIDIA Rubin预计搭载288GB HBM4，AMD Instinct MI400系列更是最高做到恐怖的432GB，带宽19.6TB/s。

IT之家 9 月 14 日消息，据新华社，芬兰图尔库大学的一项新研究表明，GPT-4V 能够像人类一样，从图像和视频中识别并解读人与人之间的复杂社交信息，其准确性几乎可与人类相媲美。 IT之家查询发现，相关研究成果已于 9 月 2 日发表在国际学术期刊《成像神经科学》上。AI 的这一能力有望帮助科学家更高效地进行脑科学实验，并在医疗、安保和市场分析等领域展现应用潜力。 研究人员在图尔库 PET 中心测试了 ChatGPT 对社交互动的评估能力。他们要求模型对 138 项不同的社交特征进行判断，这些特征涵盖面部表情、身体动作以及互动特性（如合作或敌意）。随后，研究团队将 AI 的评估结果与超过 2000 名人类参与者的评估进行了对比。 结果显示，ChatGPT 给出的判断与人类结果高度接近，且其一致性甚至高于单个人的评估。图尔库大学博士后研究员塞韦里・桑塔维尔塔（Severi Santavirta）指出：“由于 ChatGPT 对社交特征的评估平均上比单个参与者更为一致，因此其结果甚至比个人判断更值得信赖。然而，多人共同的评估仍然比人工智能更准确。” 在研究的第二阶段，科研团队分别基于 AI 和人类参与者作出的社交情境评估结果，利用功能性脑成像技术来模拟社交感知的脑网络。结果显示，两者得出的脑网络图谱“惊人地相似”。 研究人员指出，收集人类的评估结果需要 2000 多名参与者，共耗时逾 1 万小时，而 ChatGPT 仅在数小时内就完成了相同工作量的评估，这一差距凸显了 AI 在科研效率上的巨大优势。 虽然该研究主要关注神经科学中的应用，但研究人员认为 AI 的社交情境自动评估功能在多个领域均具有潜在价值。例如，医疗场景中可辅助医生和护士监测患者状态；在市场营销中可预测视听内容的受众反馈；在安防领域则可帮助识别监控视频中的异常情况。 桑塔维尔塔补充道：“人工智能不像人类一样会疲劳，它能够全天候监测。在未来，对越来越复杂情境的观察可能可以交给 AI，而人类则专注于确认其中最重要的发现。”

IT之家 9 月 14 日消息，据央视新闻报道，这个新学期，北京 1400 余所中小学开设了一门新课“人工智能通识课”，每学年不少于 8 个课时，覆盖小学到高中全学段。 据介绍，相应课程主要涵盖人工智能意识与思维能力、人工智能应用与创新能力、人工智能伦理与社会责任三个方面，帮助学生从“基本了解人工智能”到“合理使用人工智能”再到“创新应用人工智能”，在人工智能项目实践中锻炼创新思维和问题解决能力。各学段将设置不同的教学目标，提供图形化编程、AI 制作绘本课程、机器学习初体验等项目。 IT之家参考根据国家课程方案和课程标准相应要求，人工智能教育相关课程需开齐开足。学校可将人工智能课程独立设置，也可以与信息科技（信息技术）、通用技术、科学、综合实践活动、劳动等课程融合开展，注重一体化设计，防止重复交叉。

不得了，这个名叫Gauss（高斯）的新AI Agent，有点杀疯了的感觉。 因为它只用了三周的时间，就完成了陶哲轩和Alex Kontorovich提出的数学挑战—— 在Lean中形式化强素数定理（Prime Number Theorem，PNT）。 要知道，陶哲轩和Kontorovich在2024年1月提出这个挑战后，足足花了18个月（今年7月）的时间，也才取得阶段性的进展。 那么这个Gauss到底是什么来头？ 它的背后是一家叫做Math的AI公司，据介绍，Gauss是首个可以协助顶级数学家进行形式验证的自动形式化（autoformalization）Agent： 这里的形式化（formalization），指的是把人类写的数学内容转换成一种机器可读、可检查、严密无歧义的形式语言，然后利用计算机帮助验证其正确性。 而陶哲轩和Alex Kontorovich之所以目前仅取得阶段性进展，问题就卡在了复分析（complex analysis）的核心难题上。 而这个Gauss作为硅基生命，它的特点就是可以不停的工作，极大地压缩了以前只有顶尖形式化专家才能完成的工作量；与此同时，Gauss还形式化了上面提到的复分析中关键的缺失结果。 这就是为什么它能三周解决陶哲轩18个月都未能完成的数学挑战的原因了。 Gauss是如何实现的？ 目前Math公司官方并没有发布具体的技术报告。 但从最终结果来看，Gauss生成了大约25000行Lean代码，包含上千个定理和定义。 要知道，这种规模的形式化证明，以前往往需要多年才能完成。 历史上最大的单个形式化项目（往往需要跨甚至10年的时间），也只是比这大一个数量级（最多50万行代码）。 相比之下，Lean的标准数学库Mathlib有约200万行代码，包含35万个定理，但却由600多位贡献者花了8年时间才建立起来。 为了支撑Gauss的运行，团队还和Morph Labs合作开发了Trinity环境基础设施。 因为要让Gauss如此大规模运行，会涉及数千个并发Agent，且每个Agent都有自己的Lean运行环境，会消耗数TB的集群内存，是一个极其复杂的系统工程挑战。 Math团队还表示： Gauss将大幅缩短完成大型数学项目所需的时间。 随着算法不断进步，我们计划在未来12个月内，让形式化代码的总量提升100到1000倍。 这将成为新范式的训练场——走向“可验证的超级智能”和“通才型机器数学家”。 而就在刚刚，陶哲轩本人在Mastodon上对形式化相关的问题做了一番解释（以下为陶哲轩的陈述）。 任何复杂的项目往往都有明确陈述的目标和隐含的未陈述目标。例如，一个Lean形式化项目的明确目标可能是获得某个数学命题X的形式化证明；但通常还有一些未陈述的目标，例如以适合上游到 Mathlib 库的方式形式化X的关键子命题和定义X1, X2, …；学习如何使用各种协作工具和分配任务；有机地发现X证明的更精细结构，这在以前的非形式化证明中可能没有被强调；为新手形式化者提供实际培训和经验；以及更普遍地建立一个精通形式化艺术的人类社区。 过去，通常没有必要阐明这些隐含目标，因为这些目标的实现与明确目标的实现之间存在很强的经验相关性。在形式化项目的例子中，几乎任何以人为中心的努力来实现明确目标，最终都会自然而然地实现上述大部分隐含目标。因此，明确目标有效地成为了更广泛实际目标的可行替代。 然而，随着功能强大的AI工具的出现，情况正在发生变化，这些工具采用与人类截然不同的方法。这些工具可以被指示去解决一个明确的目标，而不必实现如果由人类团队执行任务时可能同时实现的所有隐含目标。事实上，AI优化算法的性质决定了它们甚至可能以牺牲所有隐含目标为代价，在明确目标上取得高绩效。（参见古德哈特定律：“当一个衡量标准成为目标时，它就不再是一个好的衡量标准。”） 鉴于这些工具的日益部署，这向我表明，项目组织者现在需要付出更大的努力，明确阐述项目的所有目标，而不仅仅是名义上的目标。在某些情况下，这些目标甚至可能最初对组织者自己来说并不明显，可能需要参与者之间进行一些讨论。而有兴趣用其AI工具测试此类项目的外部各方，则应提前与组织者协调，以防他们遗漏了一个或多个其工具不会优化的关键隐含目标。 创始人是ICML’25时间检验奖作者 值得一提的是，Math这家公司的老板也是有点实力在身上的。 因为他正是拿下今年AI定会ICML时间检验奖论文的作者之一，Christian Szegedy。 这篇论文是他和另一位作者Sergey Loffe在2015年提出的Batch Normalization（批次归一化，简称BatchNorm）。 如今，这篇论文的引用量超过6万次，是深度学习发展史上一个里程碑式的突破，极大地推动了深层神经网络的训练和应用。 可以说它是让深度学习从小规模实验，走向大规模实用化和可靠性的关键技术之一。 当然，网友们看罢Gauss之后虽然惊呼Amazing，但同时也在喊官方赶紧把论文公开喽。 至于更细节的技术内容，我们可以蹲一波了~

机器人叠衣服赚钱的第一个工作场地：洗衣房。 从业者是Weave Robotic的Isaacs，专门为做家务打造的，目前已经在付费洗衣房Tumble Laundry上岗了。 值得一提的是，Weave Robotic是前苹果团队创立的，在没有产品正式亮相时就已经完成了三轮融资。 虽然说现在很多机器人都在学叠衣服，但大多还是在展台表演秀技能，而Isaacs已经next level，是首个可以搞定付费衣物折叠的通用机器人。 那么机器人的工作流程是怎样的呢？ 不仅会叠衣服还会收纳 首先，洗衣房负责承接顾客的洗衣需求，完成衣物的清洗、烘干等，接下来就到Isaacs的工作范围了。它们负责最耗费人力，并且对规整度有一定要求的折叠环节。 从Isaacs本身的能力细节来看，它的折叠服务并非粗放操作的。Weave Robotic对合格的衣物折叠有明确标准：折叠后的衣物需要保持整洁。 以衬衫为例，要做到版型均匀、无杂乱边角，堆叠时方向统一，有衣领的款式要让衣领朝上等。 叠好衣服后，它们还会对衣物进行收纳，保持操作台的整洁。 能够达到这些工作标准，Isaacs作为叠衣工就快人一步，优先上岗了！ 从技术层面上来说，Isaacs的稳定运作离不开Weave Robotic的三重技术支撑： 首先，它搭载了团队自主训练的视觉-语言-动作（VLA）模型，能精准识别衣物类型、判断折叠边角位置，为精准折叠提供视觉与决策大脑”； 其次，团队为其搭建了高性能网络堆栈，当Isaacs遇到复杂情况（如衣物材质特殊、摆放杂乱）时，人类操作员可通过远程协助介入，确保任务顺利完成，目前其早期原型已能实现70%的 端到端 自主折叠，人工协助仅在必要时启动； 最后，一套完善的数据管道让Isaacs具备持续学习的能力。 每一次完成折叠任务的相关数据，都会被用于训练新一代VLA模型，让它在处理不同材质、不同款式衣物时更高效、更精准。 现在，Isaacs在洗衣房进行数据采集，经过训练后这个模型的鲁棒性还将进一步提升。 除此之外，Isaacs的定位也并非是单一功能折叠机器人，而是通用型家用机器人。 除了目前落地的衣物折叠，未来它还计划拓展整理杂物、家庭安防等更多家务能力，以满足家庭场景的多样化需求。 团队在设计时也加入了细节考量：当Isaacs处于闲置状态时，其摄像头会自动折叠关闭，躯干也会降低收纳，最大程度保护用户隐私。 而能让Isaacs从技术研发走向商业落地，离不开Weave Robotic两位核心创始人的行业积累。 前苹果技术高管创业做机器人 Weave Robotic由Evan Winelan和Kaan Dogrusoz共同创立，两人均有苹果公司任职经历。 CEO Evan Winelan毕业于卡内基梅隆大学，曾任苹果首席AI产品经理，领导了苹果的AI项目以及Siri的更新。 CTO Kaan Dogrusoz同样是卡内基梅隆大学校友，曾担任苹果的研究主管，参与了Apple Watch和iPhone等产品的研发。 在Isaacs上岗后，Kaan表示： 自我们创立Weave以来，已经过去一年多了。我们心里一直惦记着两件事： 1、面向所有人设计能在家看到的机器人。 2、建造能够真正快速完成工作的机器人。

IT之家 9 月 14 日消息，美国规模最大的数字与平面媒体出版商 CEO 近日指控谷歌存在不正当行为，称其通过抓取该公司网站内容来支持自身人工智能（AI）产品研发。 尼尔・沃格尔（Neil Vogel）是 People 公司（前身为 Dotdash Meredith）的 CEO，该出版集团旗下拥有超过 40 个知名品牌，包括《人物》（People）、《美食与美酒》（Food & Wine）、《旅行与休闲》（Travel + Leisure）、《美好家园与花园》（Better Homes & Gardens）、《简单生活》（Real Simple）、《南方生活》（Southern Living）以及《美食食谱大全》（Allrecipes）等。沃格尔指出，谷歌的行为有失公允 —— 其用于为谷歌搜索引擎抓取网站内容并建立索引的机器人，与用于支持自身 AI 功能的机器人完全相同。 “谷歌只有一个爬虫程序，这意味着他们既用它来抓取内容以维持搜索引擎运转（这一过程会为我们带来流量），又用它来支持 AI 产品研发，而后者本质上是在窃取我们的内容。”沃格尔在本周举办的《财富》科技头脑风暴大会（Fortune Brainstorm Tech）上表示。 他透露，三年前，谷歌搜索为该公司贡献的流量约占总流量的 65%，如今这一比例已降至“20% 多一点”。沃格尔上月还曾向 AdExchanger 透露过一个更令人震惊的数据：数年前，来自开放网络的流量中，谷歌搜索贡献的占比曾高达 People 公司总流量的 90%。 “我并非在抱怨。我们的受众规模在扩大，营收也在增长，”沃格尔向大会参会者表示，“公司目前发展态势良好，但问题的核心在于：你不能拿我们的内容来与我们竞争。” 沃格尔认为，在 AI 时代，出版商需要拥有更多话语权，因此他认为有必要屏蔽 AI 爬虫程序（即用于扫描网站内容以训练 AI 系统的自动化程序），这样可迫使 AI 企业与出版商达成内容使用协议。例如，他所在的公司已与 OpenAI 达成合作，沃格尔称 OpenAI 是“秉持正当行事原则的企业”。 People 公司目前正借助网络基础设施服务商 Cloudflare 的最新解决方案，屏蔽那些未支付费用的 AI 爬虫程序，这一做法已促使多家 AI 企业主动接触该公司，探讨潜在的内容合作事宜。尽管沃格尔未直接点名涉及的企业，但他表示这些均为“大型大语言模型（LLM）提供商”。目前双方尚未签署任何协议，但沃格尔指出，与启用爬虫屏蔽解决方案之前相比，公司在合作洽谈方面“已取得显著进展”。 然而，沃格尔也指出，谷歌的爬虫程序无法被单独屏蔽，因为一旦屏蔽，该公司网站将无法被谷歌搜索引擎收录，进而会切断谷歌目前仍在贡献的“约 20%”的流量。 “谷歌很清楚这一点，却拒绝将其爬虫程序拆分开来。因此，在这件事上，他们是故意采取不正当行为的一方。”沃格尔明确表示。 电子通讯服务商 Ankler Media 的主编兼 CEO 贾尼斯・明（Janice Min）对此表示认同，她将谷歌、Meta 等科技巨头称为长期以来的“内容盗窃者”。 “目前我看不到与任何 AI 公司合作对我们有何益处，”她表示，同时补充称其公司也在屏蔽 AI 爬虫程序。 与此同时，Cloudflare 的 CEO 马修・普林斯（Matthew Prince）（其公司正是上述 AI 屏蔽解决方案的开发者，且他也参与了此次会议讨论）表示，他认为未来 AI 企业的行为方式仍将发生改变，而这些改变可能由新法规推动。 这位 Cloudflare 高管还质疑，借助针对“前 AI 时代”制定的版权法等法律手段与 AI 公司对抗，是否是正确的解决方案。 “我认为走这条路是徒劳的，因为在版权法框架下，通常一件作品的衍生性越强，其受‘合理使用’原则保护的程度就越高…… 而这些 AI 公司目前正在做的，恰恰是创造衍生内容，”普林斯表示，“因此，回顾目前已出台的最具代表性的判例法就会发现，相关裁决实际上对 AI 企业有利。例如，Anthropic 近期之所以与所有图书出版商达成 15 亿美元（IT之家注：现汇率约合 106.87 亿元人民币）的和解协议，正是为了保住此前获得的对其有利的版权裁决。” 普林斯还宣称，“如今世界上存在的所有问题，在某种程度上都与谷歌有关”，因为这家搜索巨头让出版商形成了“重流量、轻原创”的观念，导致 BuzzFeed 等出版商为追求点击量而创作内容。不过，他也承认，从竞争角度来看，谷歌目前正处于困境之中。 “谷歌内部就下一步行动存在激烈分歧，而我的预测是，到明年这个时候，谷歌将为抓取内容并将其用于 AI 模型训练，向内容创作者支付费用。”他表示。