科技 - 禅世界论坛 https://chanworld.org/community/techs/ 修学、读书、政经、科技、文摘、健康、休闲、涂鸦 zh-Hans Thu, 10 Sep 2026 21:44:26 +0000 wpForo 60 铁道游：彷徨在时空奇点的边缘一一大爆炸前的故事之一 https://chanworld.org/community/techs/%e9%93%81%e9%81%93%e6%b8%b8%ef%bc%9a%e5%bd%b7%e5%be%a8%e5%9c%a8%e6%97%b6%e7%a9%ba%e5%a5%87%e7%82%b9%e7%9a%84%e8%be%b9%e7%bc%98%e4%b8%80%e4%b8%80%e5%a4%a7%e7%88%86%e7%82%b8%e5%89%8d%e7%9a%84%e6%95%85/ Wed, 02 Sep 2026 16:03:45 +0000 铁道游：彷徨在时空奇点的边缘一一大爆炸前的故事之一
发表于 2026 年 08 月 29 日 由 舟巷

一切皆源于一次大爆炸，于是有了宇宙，有了宇宙中的芸芸星系，有了银河系，有了太阳系，地球和人类。

这仿佛就是一个遥远的故事，而这一故事起源于1922年俄罗斯物理学家弗里德曼(Alexander Friedmann)在广义相对论的基础上建立的一组运动方程。他由此推导出，浩繁的宇宙起源于一次没有任何几何尺寸的点，或者曲率趋于无穷大的小球大爆炸。

但他的理论太过于耸人听闻，因此没有得到物理学家和世人的认可。后来，他的学生伽莫夫(George Anthony Gamow)进一步完善了宇宙大爆炸理论，而这一理论也被天文观测所证实，于是大爆炸理论深入人心，被世人广泛接受。

但人类探索宇宙起源的努力并未就此停止，对现行的宇宙大爆炸理论的质疑和诟病源源涌现。好奇的人们要问，既然宇宙诞生于一次大爆炸，那么大爆炸之前真的是空寂无物？如不是万物皆空，那又是什么？宇宙大爆炸的原因是什么？宇宙大爆炸是数学和物理奇点，不满足任何已知的数学连续性和物理学定理，那么它满足什么样的规律？于是，这些疑问就是牵引着人类进一步探索宇宙起源的缘由。

1927年，比利时科学家勒梅特（Georges Lemaître）把广义相对论和当时刚刚兴起的量子理论联系在一起，建立了一套新颖的量子天文学。这一理论认为，宇宙起源于一个超远古时代的原子破裂。

就在同一时期，爱因斯坦（Albert Einstein）经过长期的困惑和痛苦思考，终于放弃了他于1917年建立的静态宇宙模型，承认整个宇宙有一个原点。但他也清醒地意识到，宇宙的原点是一个数学上和物理上的奇点，而这一奇点会使他的相对论陷入巨大的困境。他开始并不愿意接受这一奇点理论给他的相对论带来的困扰，但他迷途知返，最后彻底承认宇宙起源于一个具有超级密度的原点。这就是现在众所周知的宇宙大爆炸理论。

1946年，爱因斯坦在他的著作<<相对论基础>>的附录中写到: “现在的相对引力理论是建立在把引力场和物质分离的基础上的。很明显，这一理论并不适合密度巨大的物体。在一种新的统一场理论中也许就可以避免这样的奇点。”

现在现代物理学家所追求的神圣目标，就是寻找一个终极万能公式，把所有自然界的力统一起来，避免出现大爆炸和黑洞诸如此类的奇点。为此目的，天文学家必须借助于量子场论。

但直到今日，这一目标还没有实现。如果我们回顾整个天文学的发展历史，不论是古典的还是现行的天文学理论皆认为宇宙起源于一个奇点。为此，英国科学家彭罗斯（Roger Penrose）因为他和另一位英国科学家霍金（Stephen Hawking）于1970年共同发表的关于宇宙奇点理论而获得了2021年的诺贝尔物理学奖。而霍金却没有获得此奖，因为他已经于2018年去世。

他们的理论本质上就是一个矛盾体，把人类追求理论完善过程的悲喜剧集于一体。霍金本人曾经说过： “宇宙奇点论意味着古典的广义相对论是一种不完善的理论，因为我们一旦把这样的奇点从时间和空间中分离出来，我们就不可能为这些奇点建立运动方程，从而不能推测它们的发展演变过程”。这意味着，我们就不可能理解一个无任何几何尺寸的奇点为什么能够发展成为今天这样一个浩瀚的宇宙。

如果我们承认奇点的存在就会导致全部近代科学体系的坍塌，在爱因斯坦的广义相对论基础上建立的物理学和天文学理论都会失效。但霍金深信，物理学定理之所以是定理，它必须放之无际的宇宙尺度，无边的时间长河而皆准，包括大爆炸这一时空点。言下之意，他认为广义相对论不能够成为现代宇宙学的理论基础。

从数学的角度来看，奇点没有时空特性，它既不是宇宙中的空间位置，也不是实体物质。所以在现有的物理学基础上，我们没有任何可能性探知奇点的起源，现状和它未来的演变。

尽管奇点理论有违传统的物理规律和数学逻辑，但提倡它和支持它却大有人在，西班牙巴斯克大学物理学教授塞诺维利亚（Jose M. M. Sennovilla ）就是奇点理论的积极拥护者和倡导者。他曾经说过：“原则上，我们甚至不能准确地说出奇点存在于何时何处，但所有物质粒子和光子都可能在一瞬间从那子虚乌有中爆放出来。”

时至今日，天文学家仍然没有彻底明白天际线上的时空破缺，粒子的发展演变过程与空间无穷弯曲之间的关系，但他们坚信这一理论。无论如何，奇点理论证明了时空的非完备性。塞诺维利亚教授补充说道：“简而言之，一定发生了什么特别怪异之事，才导致时空破缺。”

实际情形也可能与天文学家想象的完全不一样，大爆炸的奇点并不是一个点，它的原始几何形状与由它演变而来的宇宙相似。如果空间各向异性和非均匀，那么奇点的质量和能量分布在各个方向和位置上就不一样，因此它看上去可能相似一支雪茄烟或者一个煎饼。对于一个无穷大的宇宙来说，奇点本身就是三维无穷的。塞诺维利亚教授继续说道：“在宇宙大爆炸的第一瞬间，无穷大的空间即已产生。”

如预证明奇点理论的正确性，我们需要借助下面三个基本的物理准则：

  • 第一，无可逃逸空域。在一个有限的空域，如一个封闭的球体内部，任何物质都不能够逃逸引力的控制，也即不能飞离黑洞。
  • 第二，弯曲和能量条件。空间任意位置的声音传播速度不能高于此位置的光速。空间不存在负质量和负能量密度。这就是说，引力永远是吸引力。
  • 第三，因果律。在这一条件下，原因永远发生于结果之前。

反之，如果上面三个条件中至少有一条不满足，大爆炸时的弯曲奇点就不会发生。因此，理论上有很多可能性可以推翻奇点理论。为达此目标，天文学家已经建立几种很有前景的理论模型。

其中的一类为特定几何宇宙模型， 例如，圆柱对称宇宙模型或球体对称宇宙模型。这些模型虽然初期几何对称，但随着时间的演变却呈现鲜明的各向异性和非均匀性，在各个方向的膨胀也不尽相同。这些宇宙模型可以导致宇宙中不能够形成无可空逃逸空域。其原因是物质间的斥力，旋转，非均匀的剪切和压力梯度。当然这种宇宙模型还远不够成熟，不能够解释我们现在观察到的宇宙运行规律。在这些理论体系下，广义相对论也许并不适用于大爆炸的瞬间，因为时间在大爆炸时可能是不连续的，而是以间断的节拍向前推进，或者时间根本就消于无形。

第二类宇宙模型认为人类对能量和物质的理解并不完备，宇宙不仅可以无限地向未来迈进，而且也能够无止境地逆向回到过去， 或者大爆炸根本就是从无时间状态演变而来。这样一来，广义相对论的宇宙常数如果为正数，或者存在一种新颖奇特的能量场，再或者如果改进引力理论皆可能打破能量守恒定理。 还有另一种可能性，那就是重力在极短的距离内和物质密度极高的条件下不是吸引力，而是排斥力。

在第三类宇宙模型框架内，时间不是单向指向未来，而是一个封闭圆型循环圈，或者时间在大爆炸奇点中改变了方向。

为了进一步消除宇宙学中的种种不可思议的现象，有些学者认为大爆炸奇点并不是宇宙的起点，它仅仅是某些物理学家的想象而已。如果现行理论得以改进和补充，我们就能充分理解大爆炸的内在原因。为此，天文学家必须回答这些问题，大爆炸真实发生过吗？或者它仅仅人为想象出来的理论赝品？可能发展一种更完善的理论来代替它吗？

我们也可以这样认为，大爆炸时的弯曲奇点并不是宇宙的一个演变状态，不是一种物质形态，甚至不是大自然的一部分，它仅仅是物理理论的一个抽象概念，因此，奇点只是广义相对论适用范围终点的一种自我表述，在这一奇点上，即使广义相对论这样神奇的理论也无能为力。但这以结论对今后的天文学研究并不是灾难，而是一件好事，一种质量验证，因为不是每个物理理论都能象广义相对论这样明确地展现自己的适用边界。

既便象霍金和彭罗斯这样的奇点理论建筑师也并不满足于他们自己画下的条条框框。尽管他们在许多物理学方面观点大相径庭，但他们都认为奇点不是宇宙大爆炸和黑洞的最初起点或终极归宿, 更不是宇宙发展演变的最终判决书。他们还认为，奇点论本身自相矛盾，还必须通过新的理论模型加以完善。

为此，他们用各自不同的方式做出了种种努力。霍金假设宇宙起源于虚时间状态，而彭罗斯则提出了一种宇宙循环论，宇宙中的一切，包括黑洞，各种基本粒子以及时间本身，皆会渐渐变得虚无，消失于无形，最终进入新一轮大爆炸，如此循环，永不终结。

其他学者也构思了许多新颖奇妙的理论模型以完善大爆炸理论，其中之一就是现在渐渐流行起来的大反弹理论。在此理论的框架内，能量并不守恒 ，宇宙既没有一个绝对的起点，也没有永恒的过去，而仅仅起源于一个伪开端。于是，在宇宙大爆炸之前，并不存在时间，仅仅有毫无方向性的微观时间。随着开天辟地的大爆炸，不仅造就了浩瀚无际的物质生态，也衍生出方向永远指向未来的宏观时间。

还有一种特别激进的理论，它彻底放弃了我们所熟知的因果律。众所周知，我们生活的世界遵守因果关系，这是一切自然科学的基本前提，对于我们解释各种自然规律起到极为重要的作用。

诚然，在某些特定的条件下，由于我们的认知受到边界条件的限制和一些非可控因素的干扰，因果律会被淡化。另外，在微观世界，量子效应可能使得因果律彻底失效。但无论如何，我们确信，在量子宇宙学和量子引力理论的框架下还是存在确定的自然规律和表述，例如，宇宙大爆炸就是一种量子隧道效应或量子涨落。这样一来，宇宙大爆炸就是一次绝对偶然的事件，从而不需要我们作任何解释，自然而来，也不可能找到任何原因。

或者，大爆炸时因果律仍然有效，但它以循环往复的形式存于宇宙间。因此每一宇宙事件皆有其原因，而一系列事件相互联系成一环，彼此互为因果。这听起来有些荒唐，但某些物理学家却认为，这是广义相对论唯一确切的解。但这一因果循环理论究竟在多大程度上于现实相符合，或者它会被量子效应无可挽回地摧毁？我们目前还不能得出准确的结论。然而，确信无疑的是，我们可以用因果循环理论来弥补宇宙大爆炸理论的缺陷。这就是这一理论的魅力所在。

我们因此可以进一步猜测，宇宙初期仅仅存在一个微小的因果循环圈，既没有原因，也没有结果，严格地说，更没有起点，只有一微型自行循环宇宙。当这个奇特的自行循环圈破灭时，它就引燃宇宙大爆炸，并且射出了单向的线性时间箭头。整个时空绕一圈后又回到它的原始起点，形成一个既没有开端，也没有终点的封闭环。

到目前为止，解释宇宙大爆炸的起因以及大爆炸之前的物理演化状态的理论模型和猜想是五彩缤纷，不胜枚举。但我们还不能确定，在这些众多的理论模型和猜想中是否有一种会让我们步入柳岸花明又一村的境界，因为我们对宇宙的演化还缺乏足够的观察数据，还有许多天文现象有待我们继续探明。唯一确定的是， 我们目前还不能利用现有的知识和信息来拼凑出一块完整的宇宙演化图像。

也许只有通过量子引力理论才能让我们窥透宇宙演化之谜。为此，天文学家已经提出了许多富有前景的理论假设。科学发展史显示，当我们经过无数次艰难探索后仍然处于茫然之际，我们只要蓦然回首，真相也许就明了在那一瞬间。

参考资料：

1): 德文科学图片杂志2023年2月的文章<<时空边缘>> (Bild der Wissenschaft 2023 Februar: Am Rand der Raumzeit) ，作者: Von Rüdiger Vaas。

作者投稿

]]> 科技 Many https://chanworld.org/community/techs/%e9%93%81%e9%81%93%e6%b8%b8%ef%bc%9a%e5%bd%b7%e5%be%a8%e5%9c%a8%e6%97%b6%e7%a9%ba%e5%a5%87%e7%82%b9%e7%9a%84%e8%be%b9%e7%bc%98%e4%b8%80%e4%b8%80%e5%a4%a7%e7%88%86%e7%82%b8%e5%89%8d%e7%9a%84%e6%95%85/ 欧洲加大对前沿技术投资，能否与美中抗衡？ https://chanworld.org/community/techs/%e6%ac%a7%e6%b4%b2%e5%8a%a0%e5%a4%a7%e5%af%b9%e5%89%8d%e6%b2%bf%e6%8a%80%e6%9c%af%e6%8a%95%e8%b5%84%ef%bc%8c%e8%83%bd%e5%90%a6%e4%b8%8e%e7%be%8e%e4%b8%ad%e6%8a%97%e8%a1%a1%ef%bc%9f/ Thu, 20 Aug 2026 12:38:05 +0000 欧洲加大对前沿技术投资，能否与美中抗衡？

文章来源: 纽约时报 于 ​​​​​


C3 Biotech的实验室里，闪亮的圆柱形罐体和斜顶控制面板被推到墙边，这些价值数百万美元的高等级不锈钢设备基本上已经变成了一座昂贵的废料场。

所有这些尖端设备都是在该公司探索如何将土豆皮或甜菜渣等农业废弃物低成本转化为亚克力玻璃（一种广泛应用于制造业的材料）的过程中被淘汰的。

奈杰尔·斯克鲁顿是英格兰斯托克波C3 Biotech公司的联合创始人，他总是特意展示这些价格不菲的失败品，然后才解释说，他们最终找到的突破性方案竟然用的是便宜的塑料桶——就是你在沃尔玛可能会看到的那种。

同样令人意外的是，这家英国公司的突破性进展是由德国政府一项不同寻常的拨款资助的。这是德国政府在全欧洲范围内支持高风险高回报创新所作出的一项新颖尝试。

在与中国和美国的科技与工业进步的竞争中，欧洲面临的压力达到了顶峰。

十多年来，在投资、研发和生产率增长等多项竞争力指标上，欧洲一直落后于世界两大经济体。
奈杰尔·斯克鲁顿是C3 Biotech的联合创始人，这家英国初创公司正从事前沿研究。

该公司从食物垃圾中生产的化合物可用于制造包括玩具在内的数千种产品。

麦肯锡全球研究院的一份竞争力报告指出，欧洲在“汽车、制药和机械等许多传统优势领域”的领导地位正面临威胁。

据估算，欧洲每年需要额外增加近1万亿美元的投资，才能勉强跟上步伐。

战争加剧的能源成本飙升、相对较高的劳动力成本以及欧盟一贯缓慢的决策过程也被认为是削弱欧洲竞争优势的原因。

在这些令人悲观的预测之中，德国的联邦飞跃式创新局(SPRIND)带来了一线乐观的希望。

该机构决心打破固有观念，证明政府也可以快速资助雄心勃勃的前沿项目，而且这种资助不必局限于本国境内。

SPRIND并不是欧盟或英国为推动创新和科研而做出的首次尝试。欧盟规模达955亿欧元的“地平线欧洲”计划自2020年开始实施，下一阶段计划于2028年启动，目前拟议的预算规模为1750亿欧元。

C3 Biotech已从德国政府机构SPRIND获得关键资金。
不过，“地平线”计划的表现褒贬不一。批评者抱怨其申请程序繁琐、规则令人费解，而且更偏向大型企业而非具有颠覆性创新能力的中小企业。

SPRIND的规模要小得多，但志向远大。它追求的是能够“解决巨大的技术、社会或环境问题”、创造“全新市场”或改变现有市场的创新。

“SPRIND完全不同，”斯克鲁顿说。他在C3 Biotech和曼彻斯特大学（他是该校教授）从事研究工作近40年，期间申请过无数资助。大多数资助项目的审批周期都长达数月甚至数年。

SPRIND的数据显示，从提交资助申请到签署合同，平均只需14天。

欧盟委托、意大利前总理马里奥·德拉吉主持撰写了一份关于欧洲竞争力危机的重量级报告，报告将SPRIND的做法列为创新模式。

SPRIND的灵感之一来自美国的国防部高级研究计划局(DARPA)，该机构为互联网奠定了基础，还曾支持土星号火箭、武装无人机以及生物反馈系统等项目。

C3 Biotech用于将农业废弃物转化为制造业可用化学品的设备。

公共研究资助通常回避那些开发周期漫长、失败风险高，即便成功也未必能保证回报的项目。开创性创新常常夭折在所谓的“死亡之谷”中，因为它们无法获得资金，跨越从早期研究走向商业化生产的那道鸿沟。

SPRIND“挑战项目”负责人雅诺·科斯塔德希望给予研究人员“真正突破界限的自由，去做那些通过传统风险投资渠道很可能无法获得资金的事情”。

SPRIND的做法是提出开发开创性产品和技术的挑战，然后邀请企业家、学者和研究人员组成团队展开竞争。专家评审委员会负责筛选方案。除此之外，SPRIND也会向那些没有参与挑战的创新初创企业提供资助、投资和融资。

自2020年初成立以来，SPRIND已收到4740份材料，资助了376个团队。要获得下一轮资助，团队就必须证明自己取得了可量化的进展。失败也在预期之中。

C3 Biotech参与的是为期三年的生物制造挑战，目标是开发一种低成本方法，把各种废物流转化为最终能够大规模工业化生产的产品。

C3 Biotech在试验阶段废弃的昂贵设备。

SPRIND资助的其他挑战还包括将人工智能应用于健康数据、利用微重力环境开发药物等。

SPRIND的运作方式有一个不同寻常之处：虽然资金来自德国政府，但这个机构愿意把钱投向整个欧洲，包括C3 Biotech所在的英国曼彻斯特郊区。

“我们需要创造突破，而这些突破未必只能来自德国，”科斯塔德说。毕竟，如果一项重大进展能够降低德国的能源价格，那么这笔钱就花得值。

上个月，SPRIND向来自五个国家的10个团队提供了总额高达2650万欧元的资助，用于开发前沿人工智能系统。到2028年底，该机构计划帮助最终胜出的三个团队各自从公共和私人投资者那里筹集10亿欧元。

瑞典政府机构Vinnova也以类似方式为创新初创企业提供种子资金，目前它正与SPRIND合作开展一项新的技术挑战：如何摧毁小型无人机，同时确保坠落物不会对平民造成伤害。
Vinnova总干事达尔娅·伊萨克松表示，当得知SPRIND资助德国以外的团队时，“我们真的很惊讶”。这“正是让我特别关注SPRIND的一点”。

一桶充满细菌的废弃物正在发酵。

其他国家也注意到了这一模式。上个月，法国宣布计划成立自己的突破性创新机构，并与SPRIND开展合作。荷兰也在考虑建立一个类似德国这一创新孵化机构的方案。

在C3 Biotech，团队正在精心培育SPRIND的这笔投资成果。实验室里摆满了塑料桶，里面装着饥饿的嗜盐细菌，它们正在以薯片制造过程中留下的淀粉为食。

这种发酵产生的生物化合物经过加工后，可以制成亚克力玻璃，用于模具或3D打印机，制造从汽车前灯到儿童玩具等数以千计的产品。

一名科学家小心翼翼地捧着几件珍贵的样品：一块小小的黑色玩具积木、一个半透明的蓝色心形物，以及一个黄色乐高式小人偶。它们全都是用实验室生产的新型化学材料Citrasyn制成的。


C3 Biotech刚刚迎来一个里程碑：已连续180多天利用废弃物生产化学品。

斯克鲁顿说，找到一种廉价的方法把废弃物转化为化学品“多年来一直是生物制造领域的圣杯”。本月，他和团队庆祝了一个里程碑：连续生产已经持续了180天。

如今，C3 Biotech正在与一些有意将这项发现商业化的企业洽谈。

C3 Biotech这样的公司或许正是支撑欧洲未来繁荣所需要的创新力量。

“这正是SPRIND诞生的背景，”科斯塔德说。“我们现在的任务就是确保我们能够创造出这些新的产业。”
]]> 科技 Many https://chanworld.org/community/techs/%e6%ac%a7%e6%b4%b2%e5%8a%a0%e5%a4%a7%e5%af%b9%e5%89%8d%e6%b2%bf%e6%8a%80%e6%9c%af%e6%8a%95%e8%b5%84%ef%bc%8c%e8%83%bd%e5%90%a6%e4%b8%8e%e7%be%8e%e4%b8%ad%e6%8a%97%e8%a1%a1%ef%bc%9f/ 朱雀三号遥二运载火箭收回来了 https://chanworld.org/community/techs/%e6%9c%b1%e9%9b%80%e4%b8%89%e5%8f%b7%e9%81%a5%e4%ba%8c%e8%bf%90%e8%bd%bd%e7%81%ab%e7%ae%ad%e6%94%b6%e5%9b%9e%e6%9d%a5%e4%ba%86/ Wed, 19 Aug 2026 16:16:16 +0000

朱雀三号遥二运载火箭收回来了

文章来源: 金经 于 
8月19日早晨，蓝箭航天迎来了中国商业航天历史性的一刻。

7时35分，朱雀三号遥二运载火箭从东风商业航天创新试验区破空而起。

约137秒后，一二级成功分离：二级火箭继续挺进，将“鸿鹄03星”送入预定轨道；

一级火箭则调头返程，历经再入减速、气动滑行、着陆点火及支腿展开等一系列高难度动作，最终按预定轨迹落于甘肃民勤着陆场。

这是中国首次实现入轨级运载火箭一子级陆地回收，也是首次以着陆支腿方式完成一级回收。蓝箭航天由此成为中国第一家完成这一突破的民营火箭企业。

这场胜利，蓝箭等了不过八个月。

去年12月，朱雀三号遥一曾无限接近成功，却在距离地面仅剩数秒时遗憾失手。八个月后，蓝箭终于补齐了这最后的关键几公里。中国商业航天，也由此拥有了第一枚能够从太空直立归航的轨道级火箭。

然而，场内欢呼未落，场外的资本市场却率先归于理性。

发射当天，商业航天相关ETF大幅高开后震荡回落。这背后虽有大盘整体承压的因素，但更关键的原因或许在于预期早被透支：8月以来，卫星相关ETF累计涨幅已一度突破18%。

技术人员完成了技术验证的临门一脚，而投资者早已开始精算下一笔经济账：

朱雀三号的这次落地，究竟帮中国商业航天跨过了多高的一道门槛？

仍处于年亏损17亿元泥潭中的蓝箭，距离依靠“可重复使用”真正实现盈利还有多远？

以及那个始终绕不开的问题：中国商业航天，究竟追到了SpaceX的哪一步？

朱雀三号，含金量有多高？

严格来说，朱雀三号并不是中国首枚实现“入轨+回收”的火箭。

就在一个多月前的7月10日，长征十号乙已率先突破这一关卡。当时，长征十号乙在完成入轨任务后，一子级垂直返回，并由海上回收平台通过网系成功捕获。

而朱雀三号走的，是另一条技术路线。

它没有在海上搭一张巨大的网，而是在箭体底部安装四条着陆腿，通过栅格舵、发动机反推和自主控制，让几十米高的一级火箭自己飞到陆地着陆场，再像SpaceX猎鹰9号一样直立落下。

两种方案并无绝对的高下之分：

网系回收省去了着陆腿的重量，能最大化提升运载效率，但依赖建造与维护成本高昂的海上平台；

支腿回收虽牺牲了部分运力且对控制精度要求极高，但地面回收系统更简单，后续复飞检修也无需处理复杂的地面捕获装置，更有利于缩短周转周期。

对蓝箭而言，朱雀三号遥二最核心的突破，是真正跑通了“发射—入轨—返回—着陆”的全链路闭环。而这次成功，绝非对遥一任务的简单复刻。

遥一失利后，蓝箭团队沿着所有数据回溯，开启了一场长达两三个月的“技术归零”。排查严格遵循两条原则：“有罪推定”（将每一个疑点视为潜在故障源）与“孤证不立”（排除任何怀疑均需多重客观证据印证）。

正如副总设计师董锴在接受《晚点LatePost》采访时所说，一发火箭花的钱不少，“如果放过了真凶，那这学费就白交了”。

基于遥一的真实飞行数据，遥二做出了极具商业工程思维的调整：将返回阶段最多点火的发动机数量从5台减至3台。

原来的5台设计，是担心火箭在气动减速阶段刹车能力不足，需要更多发动机提供冗余。但遥一的真实飞行数据表明，3台发动机已经足够。既然不需要同时点燃5台，多出来的两台反而可能成为新的故障源。

“如无必要，勿增实体。”董锴在接受采访时用一句航天工程里的老话概括这种取舍。商业航天最终需要的，并不是一枚依靠大量设计余量勉强飞回来的火箭，而是一套足够简单、容易验证，也能够反复运行的工程系统。

这种“极致性价比”的思路，也体现在材料选择上。

与猎鹰9号“液氧煤油+铝锂合金”的组合不同，朱雀三号选择了“液氧甲烷+不锈钢”。甲烷燃烧干净、不易积碳；不锈钢耐高温、供应链成熟且成本极低——这种组合在路线图上其实更接近SpaceX后来的星舰（Starship）。

据《晚点LatePost》披露，蓝箭使用的并非昂贵的“航天特供钢”，而是每吨仅数万元的普通工业不锈钢。为了解决几十米薄壁钢体在焊接过程中的变形难题，团队甚至专门成立天马实验室，研发激光焊接工艺。

当然，选择了更新的技术路线，并不意味着直接拥有了成熟的商业产品。航天工业最严苛的挑战，从来不是让一枚火箭成功落地一次，而是让同一套系统稳定飞上十次、几十次。

目标一年10发

2015年6月蓝箭成立时，中国商业航天刚向社会资本敞开大门，而SpaceX甚至还没完成猎鹰9号的第一次成功回收。

一位早期投资人曾回忆，当时的行业“除了机会，什么都没有”。

没有成熟的民营发动机供应链，试车台、火箭工厂和发射能力统统需要从零起步。创始人张昌武很早便意识到，核心子系统靠买买不来。自2017年起，蓝箭率先走向了自研零部件与自建基础设施的重资产路线。

但真正决定做“可重复使用火箭”时，蓝箭的日子并不好过。

当时，朱雀二号首飞失利。为了省下资源制造下一发火箭，蓝箭暂停了部分基建扩张，却唯独将可复用火箭项目完整保留了下来。

据董锴回忆，他最初向张昌武预估制造试验箭需5000万元时，张昌武的反应是：“5000万元就能干这么大的事吗？那没问题，全力支持。”

然而到了今天，这项“大事业”的开销已不可同日而语。

蓝箭航天招股书显示，2025年公司营收仅为5209.63万元，归母净亏损却高达17.11亿元；其中研发费用达9.22亿元，近三年累计研发投入已超23亿元。截至2025年底，公司合并报表未分配利润为-59.55亿元。

收入五千多万元，一年亏掉17亿元，蓝箭显然还没有跑通商业模式。

如今，蓝箭正在冲刺科创板，计划募资75亿元（其中27.7亿元用于提升可复用火箭产能，47.3亿元继续投入研发）。资本市场若愿意再买单几十亿，赌的显然不是它眼下的几千万收入，而是朱雀三号未来实现稳定、高频复用的商业想象力。

这也是为什么今天的成功引起如此广泛的关注。中国未来若要部署数以万计的低轨卫星，继续沿用“造一枚、打一枚、扔一枚”的传统模式，运力与成本终将触及天花板。

但“能落地”并不等于“复用就便宜”。火箭回收后，检查、维修与耗材更换极其繁琐，如果维护周期太长、成本太高，回收省下的钱就会被维护费用迅速侵蚀。

针对这一点，蓝箭的工程哲学非常明确：“虽然火箭量少，但我们依然把它当工业品来造，而不是奢侈品。”

按目前的生产节奏，蓝箭制造一发新不锈钢火箭需要数十天。这意味着，回收火箭的检修速度必须比造新箭更快。董锴直言：“如果调整四五个月才能复用，还不如直接造一发新的。”

因此，朱雀三号落地后的第一件事，就是将其全面拆解，去盘点经历了太空飞行的各个零部件，“血条”还剩多少。

蓝箭真正需要建立的，是一套“可检、可测、可修”的高效维护体系：火箭返回后快速完成检测、更换少量部件、加注推进剂，即可再次推上发射台。

董锴为朱雀三号设定的首个运营目标，是跨过“一年10发”的门槛，远期则希望提升至每年30到50发。

朱雀三号“能不能回来”，蓝箭已经给出了第一次肯定回答。

但市场接下来等待的，是一组更乏味却也更致命的数据：

这枚火箭多久能复飞？一级能用多少次？单次检修成本几何？复用后单位发射成本究竟能降多少？

这些数字，将最终决定蓝箭今天亏掉的数十亿元，究竟是不断扩大的失血创口，还是通往规模化太空运输系统的前期入场券。

蓝箭追到SpaceX哪一步？

朱雀三号回收成功后，舆论场容易走向两个极端：

有人认为中国终于有了自己的“猎鹰9号”；也有人认为人家已复飞数十次，我们才刚落地一次，谈追赶尚早。

更客观的评价或许是：朱雀三号追上了SpaceX十年前的关键里程碑，但距离其如今建立起来的工程与商业生态，依然隔着浩瀚的星海。

技术路线决定起点，工程成熟度才决定终点。朱雀三号选择的“液氧甲烷+不锈钢+陆地垂直回收”架构，在底层逻辑上更接近SpaceX的星舰（Starship），但在“技术转化为可靠性”的链条上，蓝箭才刚跨出第一步。

董锴在接受《晚点LatePost》采访时，曾用一套1到9级的技术成熟度划分朱雀三号所处的位置。

按照他的判断，成功回收只是从第6级跨入第7级；把收回来的火箭重新送上天，才算进入第8级；而实现高可靠、规模化的持续发射，才是最高阶段的第9级。

他也曾借用修仙小说打过比方：如果猎鹰9号已是“化神”期，朱雀三号最多算“结丹”；唯有完成复飞，才称得上“元婴”。

这个比喻虽然戏谑，却道出了残酷的差距。

SpaceX首次成功回收猎鹰9号是在2015年12月。此后十余年间，它将这项曾经轰动全球的技术突破，炼成了发射场的日常动作。截至2026年7月，单枚猎鹰9号一级的最高飞行次数已达36次。

这就是蓝箭乃至中国商业航天必须跨越的修炼路径：一次回收是一条轰动的 新闻；完成复飞是验证可复用性的第一步；数十次高频复飞且成本可控，才是一门能够改变行业的生意。

更深层的差距在于，SpaceX最难复制的早已不是某一枚火箭，而是其“火箭复用+规模化制造+星链组网”形成的闭环正反馈。

更低成本的运力支持星链快速组网，庞大的星座不断制造发射需求与现金流，再反哺火箭迭代。它不仅能让火箭飞几十次，更拥有源源不断的卫星订单供其挥洒。

对于中国商业航天而言，低轨卫星互联网虽然需求旺盛，但如何将潜在需求稳定转化为商业订单，并匹配相应的火箭产能与发射工位，才是真正的硬仗。

没有高频次的发射流水线，回收技术就无法真正摊薄成本。

不过，蓝箭并未盲目叫板“弯道超车”。

董锴曾坦言，最触动他的其实是猎鹰1号连续失败三次后，SpaceX依然敢压上全部身家组织第四次发射——“还能这样、还敢这样”。这给后来者留下了一个至关重要的心理锚点：原来航天是可以容忍失败并继续前行的。

正如他在面对质疑时常说的那句话：“我们再难，也难不过马斯克当年吧。”

8月19日，朱雀三号把这句话向前推进了一大步。中国民营航天第一次用事实证明：轨道级火箭的一级，真的能够完整返回陆地。

接下来，蓝箭要做的是把它重新推上发射台，一次、两次、十次地继续飞下去。

对于一家一年仍然亏损17亿元的公司来说，真正的成功或许并不是让火箭落地的画面反复登上头条。

而是有一天，这样的画面已经没人觉得稀奇。

参考资料：

1.《晚点LatePost》《对话朱雀三号副总设计师董锴：工程没有弯道超车，只有少走弯路》

2.蓝箭航天《朱雀三号遥二运载火箭发射暨一子级回收任务圆满成功》

3.蓝箭航天空间科技股份有限公司《首次公开发行股票并在科创板上市招股说明书（申报稿）》

4.新华社《长征十号乙首飞成功，我国运载火箭首次实现可控回收》
]]> 科技 Many https://chanworld.org/community/techs/%e6%9c%b1%e9%9b%80%e4%b8%89%e5%8f%b7%e9%81%a5%e4%ba%8c%e8%bf%90%e8%bd%bd%e7%81%ab%e7%ae%ad%e6%94%b6%e5%9b%9e%e6%9d%a5%e4%ba%86/ 格新：谷歌AI部门的变化和未来AI路径 https://chanworld.org/community/techs/%e6%a0%bc%e6%96%b0%ef%bc%9a%e8%b0%b7%e6%ad%8cai%e9%83%a8%e9%97%a8%e7%9a%84%e5%8f%98%e5%8c%96%e5%92%8c%e6%9c%aa%e6%9d%a5ai%e8%b7%af%e5%be%84/ Mon, 10 Aug 2026 13:29:18 +0000 谷歌AI部门的变化和未来AI路径

格新

2026-08-10

谷歌母公司Alphabet在2026年8月初宣布了对AI核心部门Google DeepMind的重大领导层调整。

Demis Hassabis卸任日常CEO职责，转任Google DeepMind董事长兼Alphabet首席科学家，同时继续领导专注AI药物发现的Isomorphic Labs。

原DeepMind首席技术官兼Alphabet首席AI架构师Koray Kavukcuoglu升任高级副总裁，直接向CEO桑达尔·皮查伊汇报，全面负责Gemini模型开发、前沿研究、应用与开发者团队的日常运营。

与此同时，效力谷歌近27年的首席科学家Jeff Dean，以及Sanjay Ghemawat、Oriol Vinyals、Quoc Le等核心人物集体离职，共同创立名为Discovery Loop的公益公司，聚焦用AI自动化机器学习、科学与工程的完整实验循环。Alphabet成为该公司的创始投资者，并提供云与算力支持。

这一调整叠加此前数月已出现的人才流失——例如Transformer论文核心作者Noam Shazeer转投OpenAI、诺贝尔奖得主John Jumper等加入Anthropic——构成了近期AI部门组织与人事变动的全貌。

这些变化背后，官方表述强调的是战略分工与长期视野。Hassabis本人表示，他希望腾出时间与空间专注“大图景”，尤其是人工通用智能（AGI）的塑造与科学突破，因为他认为AGI已近在眼前。皮查伊也公开支持这一安排，认为Hassabis是推动AGI与科学应用的最佳人选，同时需要加快产品迭代以保持在AI前沿的竞争力。

公司内部还提及，领导层已向加州Mountain View总部集中，以缩短决策链条、强化模型发布与商业化节奏。

此前Gemini新一代模型（如计划中的3.5 Pro）出现延迟，编程与智能体能力相对落后于OpenAI和Anthropic，叠加巨额资本开支压力，让管理层感到必须加速从研究到产品的转化。

更深层次的原因则涉及组织张力与竞争现实。DeepMind与Google Brain合并后，科学家主导的长期研究文化与总部追求快速产品落地、收入转化的压力之间始终存在摩擦。Hassabis更侧重世界模型等基础方向与健康科学应用，而商业侧更强调编码工具、企业级能力与模型发布节奏。人才方面，顶尖研究员对资源分配、内部竞争、决策流程以及部分员工对军方合作的顾虑感到不满，导致连续流失。

Jeff Dean等人的离开被外界解读为资深技术领袖希望在更独立、更聚焦科学自动化的环境中工作，而Alphabet选择投资并保持算力合作，也体现了“留住生态、而非强留个人”的务实处理。权力结构上，日常运营从伦敦创始人主导转向加州职业化执行体系，反映了公司在投入数百亿美元基础设施后，不再让纯科学家完全掌控产品节奏的转向。

展望谷歌AI的未来路径，调整后的架构更清晰地走向“双轨并行”：一条是Kavukcuoglu领导下的产品与模型加速轨道，直接向皮查伊负责，目标是更快迭代Gemini、缩小在编码与智能体上的差距、强化搜索、云与应用的商业闭环，同时利用谷歌庞大的用户基础与算力优势稳住市场份额；另一条是Hassabis主导的长期科学与AGI战略轨道，继续推动基础研究、健康应用（如Isomorphic Labs）以及更广阔的社会影响讨论。公司希望通过集中领导、缩短研发到产品距离、以及与外部创业生态（如Discovery Loop）的合作，既应对当前激烈的模型竞赛，又保留对长期突破的投入。能否成功取决于人才稳定、模型发布节奏是否真正加快，以及在激烈的行业竞争中能否把基础设施投资转化为可持续的产品与收入优势。

市场对这一调整的即时反应偏谨慎，股价一度明显回落，说明外界仍在观察执行效果。总体而言，谷歌正试图从“科学家共治的研究驱动”转向“CEO直接掌控、产品与研究并重”的模式，以在AGI临近与商业竞争并重的时代重新校准方向。

]]> 科技 Many https://chanworld.org/community/techs/%e6%a0%bc%e6%96%b0%ef%bc%9a%e8%b0%b7%e6%ad%8cai%e9%83%a8%e9%97%a8%e7%9a%84%e5%8f%98%e5%8c%96%e5%92%8c%e6%9c%aa%e6%9d%a5ai%e8%b7%af%e5%be%84/ 王虹、邓煜获菲尔兹奖 丘成桐：希望两人回国任教 https://chanworld.org/community/techs/%e7%8e%8b%e8%99%b9%e3%80%81%e9%82%93%e7%85%9c%e8%8e%b7%e8%8f%b2%e5%b0%94%e5%85%b9%e5%a5%96-%e4%b8%98%e6%88%90%e6%a1%90%ef%bc%9a%e5%b8%8c%e6%9c%9b%e4%b8%a4%e4%ba%ba%e5%9b%9e%e5%9b%bd%e4%bb%bb%e6%95%99/ Thu, 23 Jul 2026 15:54:28 +0000 王虹、邓煜获菲尔兹奖 丘成桐：希望两人回国任教
文章来源: 红闻 于 
 
中国人在国际数学家大会（ICM）一炮双响。7月23日，四年一度的菲尔兹奖在美国费城揭晓，王虹、邓煜两位中国籍数学家获奖。

菲尔兹奖被称为“数学界的诺贝尔奖”，近百年间仅诞生两位女性获奖者，王虹成为第三位。1982年、2006年，丘成桐、陶哲轩两位华人数学家摘得菲奖，王虹、邓煜则实现中国籍获奖者突破。两人同为北大数院校友。

今年1月，王虹和邓煜已经共同获得了世界著名数学家、清华大学求真书院院长丘成桐发起的世界华人数学家大会（ICCM）的数学金奖。当时，这位“数学皇帝”携两位年轻学者左右陪同，共同出席记者会，丘成桐难掩喜色与欣赏。
]]> 科技 Many https://chanworld.org/community/techs/%e7%8e%8b%e8%99%b9%e3%80%81%e9%82%93%e7%85%9c%e8%8e%b7%e8%8f%b2%e5%b0%94%e5%85%b9%e5%a5%96-%e4%b8%98%e6%88%90%e6%a1%90%ef%bc%9a%e5%b8%8c%e6%9c%9b%e4%b8%a4%e4%ba%ba%e5%9b%9e%e5%9b%bd%e4%bb%bb%e6%95%99/ 马斯克（Elon Musk）在特斯拉2026年Q2财报会议的主要要点分析 https://chanworld.org/community/techs/%e9%a9%ac%e6%96%af%e5%85%8b%ef%bc%88elon-musk%ef%bc%89%e5%9c%a8%e7%89%b9%e6%96%af%e6%8b%892026%e5%b9%b4q2%e8%b4%a2%e6%8a%a5%e4%bc%9a%e8%ae%ae%e7%9a%84%e4%b8%bb%e8%a6%81%e8%a6%81%e7%82%b9%e5%88%86/ Wed, 22 Jul 2026 23:33:13 +0000 马斯克（Elon Musk）在特斯拉2026年Q2财报会议的主要要点分析

- 基于2026年7月22日最新财报电话会议

tsla999

1. 财务表现：营收超预期，EPS不及预期

•  营收：约282亿美元，同比增长约25%，超出分析师预期（预计26-27亿美元区间）。主要驱动因素包括汽车业务回暖和能源业务增长。 

•  调整后EPS：0.33美元，低于预期（0.50-0.55美元）。

•  自由现金流：转为负值（约-11亿美元），主要因大规模资本支出（CapEx）投入AI、工厂扩张和Robotaxi/Optimus项目。

•  其他亮点：FSD（全自动驾驶）订阅用户活跃数达148万（同比增长56%，新增约20万）；能源存储部署创纪录；超级充电桩网络增长17%；比特币持仓稳定在约8.25亿美元。

分析：营收强劲显示需求复苏和多元化业务（尤其是FSD订阅和高附加值服务）贡献显著，但高额投资导致利润率承压和现金流短期转负，这是典型的“为未来买单”策略。

2. 核心战略：AI、Robotaxi与Optimus优先

•  Robotaxi（Cybercab）：已在多个美国城市扩展无人监督运营（如Dallas、Houston、Miami）。Cybercab生产在得州超级工厂启动，计划进一步扩张。Musk强调安全第一，避免任何事故引发监管收紧。 

•  Optimus人形机器人：Fremont工厂部分产线转向Optimus生产。Musk称这是“有史以来最难规模化制造的产品”，计划内部测试并逐步外部部署，预计明年产生实际效用。

•  AI基础设施：大幅增加CapEx（全年可能超过250亿美元），包括AI芯片研发、训练集群和半导体工厂。Musk对AI在交通、能源和机器人领域的潜力极为乐观，认为这将推动特斯拉成为“世界上最有价值的公司”。

分析：特斯拉正从传统汽车制造商转型为AI/机器人科技公司。Musk反复强调长期愿景，但也更谨慎地对待时间线（避免过度承诺）。

3. Musk的其他关键表态

•  对监管和扩张持谨慎乐观态度，尤其在欧洲和中国FSD审批方面。

•  提到与SpaceX等潜在合作（如AI芯片项目），但在财报会上避免深入讨论公司合并等敏感话题。

•  整体语气积极但务实，承认制造挑战和监管风险，同时看好AI驱动的指数级增长。

4. 市场反应与风险

•  盘后股价下跌（常见于EPS不及预期+高CapEx指引）。

•  机会：FSD渗透率提升（北美新车附加率超55%）、能源业务增长、Robotaxi网络扩张可能带来高毛利 recurring revenue。

•  风险：高额支出导致短期财务压力、自动驾驶监管不确定性、竞争加剧、执行风险（Optimus/Cybercab量产难度大）。

总体评价：本次财报会议延续了特斯拉“投资未来”的叙事，营收和FSD数据亮眼，强化了AI转型故事。但短期利润承压和现金流消耗需要投资者耐心。Musk的愿景仍具吸引力，但兑现依赖执行力和外部环境（如监管）。 

]]> 科技 Many https://chanworld.org/community/techs/%e9%a9%ac%e6%96%af%e5%85%8b%ef%bc%88elon-musk%ef%bc%89%e5%9c%a8%e7%89%b9%e6%96%af%e6%8b%892026%e5%b9%b4q2%e8%b4%a2%e6%8a%a5%e4%bc%9a%e8%ae%ae%e7%9a%84%e4%b8%bb%e8%a6%81%e8%a6%81%e7%82%b9%e5%88%86/ 月之暗面Kimi K3问世，美中AI差距进一步缩小 https://chanworld.org/community/techs/%e6%9c%88%e4%b9%8b%e6%9a%97%e9%9d%a2kimi-k3%e9%97%ae%e4%b8%96%ef%bc%8c%e7%be%8e%e4%b8%adai%e5%b7%ae%e8%b7%9d%e8%bf%9b%e4%b8%80%e6%ad%a5%e7%bc%a9%e5%b0%8f/ Mon, 20 Jul 2026 12:17:13 +0000

月之暗面Kimi K3问世，美中AI差距进一步缩小

MEAGHAN TOBIN, CADE METZ

上周五在上海举行的世界人工智能大会，月之暗面的展位。该公司推出的Kimi K3模型在某些任务上的表现可与美国企业的领先模型相媲美。 Go Nakamura/Reuters
上周五，中美在人工智能主导权方面的竞争进一步升级，中国初创公司月之暗面发布了一款新的人工智能模型，似乎缩小了资金雄厚的美国竞争对手所保持的领先优势。
 
月之暗面表示，这款名为Kimi K3的模型是全球最大的开源人工智能系统，允许任何人免费使用、修改并在其基础上进行开发。该公司表示，Kimi K3在一些关键任务上的表现与OpenAI和Anthropic的领先模型不相上下。
 
该模型的发布恰逢中国领导人习近平发表讲话，勾勒了全球人工智能发展的宏伟愿景，将中国描绘成推动该技术开放发展的倡导者。
“人工智能发展不应该是某个国家的独奏，而应当是全球合作的交响，”习近平表示。他说，中国愿意“同各方一道把握和应对人工智能发展的机遇和挑战”。
 
市场反应立竿见影。上周五，股市下跌，纳斯达克指数下跌约1%，因为投资者抛售了制造驱动人工智能所需计算机芯片的美国公司股票，包括英伟达和英特尔。
 
这些事态发展凸显出中美在争夺领导权方面的地缘政治利害关系，许多人认为这场竞争是当今时代具有决定性意义的技术竞赛。特朗普总统多次将保持美国在人工智能领域的领先地位定义为维护美国经济和国家安全的战略要务。
 
人工智能成为一项具有深远经济和军事影响的基础性技术，促使美国限制中国获取训练尖端人工智能系统所需的高端芯片，从而延缓中国的进步。
 
中国推出了一款免费的开源人工智能模型，其性能足以媲美硅谷资金最雄厚公司开发的高成本计算密集型系统，这再次令人们担忧该行业在数据中心上的巨额支出狂潮是否合理。
 
3月，月之暗面联合创始人杨植麟在北京。 Tingshu Wang/Reuters
过去18个月里，中国科技公司源源不断地发布了性能接近美国竞争对手的开源人工智能模型，同时声称它们所需的计算资源更少。强大的性能和较低的成本相结合，使得中国的人工智能系统成为全球许多开发者的首选。
 
月之暗面的最新发布延续了这一势头，并让人们看到一种可能性：一家中国公司可能很快就会赶上甚至超越美国领先人工智能公司构建的尖端模型，这些美国公司已经筹集了数千亿美元，用于构建封闭且运行成本高昂的模型。
 
评估人工智能模型性能的独立公司 Vals AI 首席执行官雷扬·克里希南表示，根据该公司运行的基准测试，Kimi K3的表现略逊于Anthropic的Fable 5模型，但优于OpenAI的旗舰模型GPT-5.6 Sol。
 
Anthropic最新的人工智能模型已经变得如此强大，以至于它们的能力——包括识别银行网络和电网等关键基础设施中的漏洞——已经引起了世界各国政府的警觉。
 
研究中国开源人工智能生态系统的斯坦福大学教授格雷厄姆·韦伯斯特表示，一个模型是否处于绝对领先地位并不重要，因为中美领先模型之间的性能差距已经缩小。
 
他说：“对于中国落后美国多少个月，每个人都有不同的数字，估计普遍集中在六个月左右。这算不上多大的领先优势。”
月之暗面表示，将在本月底发布Kimi K3的全部细节。
 
约翰霍普金斯大学高级国际研究学院高级研究员萨姆·萨克斯出席了上周五习近平发表讲话的上海人工智能大会。她表示，许多专家认为，中国公司发布一款能够媲美Anthropic最先进系统的免费模型只是时间问题。萨克斯说，一旦这种突破性技术问世，将给试图遏制强大人工智能技术的监管机构带来棘手难题。
 
上个月，另一家中国初创公司智谱AI发布了一款名为GLM-5.2的模型，其性能几乎与美国领先系统、Anthropic的Fable 5模型同样强大。而且，与Fable不同的是，这款中国模型被广泛提供给大众使用。
 
硅谷的许多软件开发者和初创公司迅速采用了该模型，很大程度上是因为其价格远低于美国领先的系统。该模型问世之际，恰逢美国企业意识到，必须设法削减人工智能支出。
 
根据Vals AI运行的基准测试，Kimi K3甚至比GLM-5.2更强大。该模型的发布正值特朗普政府考虑对该技术进行监管之际。许多硅谷高管已开始支持此类监管，称尖端技术可能会助长恶意网络攻击，甚至可能被用于制造生物武器。
 
月之暗面是一家总部位于北京的初创公司，于2023年成立，其人工智能已在中国被广泛使用。
 
中国几乎所有领先的人工智能系统都是开源的，这有助于它们在全球范围内吸引用户。但与硅谷青睐的封闭系统不同，事实证明，中国人工智能模型更难实现盈利。面对如何利用其全球普及来打造盈利业务的挑战，包括互联网巨头阿里巴巴在内的一些中国顶级人工智能研究实验室已经产生分歧。
 
中国的人工智能研究人员经常将美国出口管制导致的算力短缺，视为该行业最大的制约因素，各公司已投入巨资以获取稀缺的芯片。包括稀宇科技和智谱AI在内的一些公司已通过上市向投资者筹集资金。阿里巴巴则日益引导客户使用需要付费的模型。
 
但中国人工智能公司的融资规模与美国竞争对手相比相形见绌。今年5月，月之暗面在由国有电信公司中国移动和外卖巨头美团的投资部门支持的一轮融资中筹集了20亿美元。相比之下，Anthropic在同月筹集了650亿美元。
 
因此，月之暗面转而专注于充分利用其有限的计算资源。今年在达沃斯世界经济论坛上发言时，该公司总裁张予彤表示，从一开始，效率就是一种必要条件。
 
她说：“我们知道，我们没有随意堆砌算力的奢侈条件。”
 
Anthropic和OpenAI曾指责中国公司不当收集其人工智能系统的数据，以加速竞争模型的开发。但专家表示，月之暗面和智谱AI最近的进展不能仅用模型蒸馏来解释。多年来在出口管制下运营，迫使中国公司在严格的算力限制下进行创新。
 
“中国模型之所以出色，并非仅仅因为蒸馏技术，”斯坦福大学的韦伯斯特说。“那里正在发生真正的创新。”
  •  

Xinyun Wu自台湾台北对本文有研究贡献。

]]> 科技 Many https://chanworld.org/community/techs/%e6%9c%88%e4%b9%8b%e6%9a%97%e9%9d%a2kimi-k3%e9%97%ae%e4%b8%96%ef%bc%8c%e7%be%8e%e4%b8%adai%e5%b7%ae%e8%b7%9d%e8%bf%9b%e4%b8%80%e6%ad%a5%e7%bc%a9%e5%b0%8f/ 火箭回收凸显中国太空雄心，航空工业与美国差距正在缩小 https://chanworld.org/community/techs/%e7%81%ab%e7%ae%ad%e5%9b%9e%e6%94%b6%e5%87%b8%e6%98%be%e4%b8%ad%e5%9b%bd%e5%a4%aa%e7%a9%ba%e9%9b%84%e5%bf%83%ef%bc%8c%e8%88%aa%e7%a9%ba%e5%b7%a5%e4%b8%9a%e4%b8%8e%e7%be%8e%e5%9b%bd%e5%b7%ae%e8%b7%9d/ Mon, 13 Jul 2026 18:42:56 +0000

火箭回收凸显中国太空雄心，航空工业与美国差距正在缩小

KENNETH CHANG

中国官方通讯社新华社发布的一张图片显示，长征十号乙运载火箭的一子级于周五降落在南中国海的一个海上平台上。 Xing Guangli/Xinhua, via Associated Press
周五，一枚火箭在发射升空数分钟后完成分离，其下半段朝着一座漂浮在南中国海上、外形酷似钻井平台的矮壮结构缓缓降落。当这个被称为助推器的火箭级几乎完全减速，并精准地移动到平台中心位置时，一个钢丝网轻轻合拢将其捕获。
 
这对中国一家国有航天企业来说是一次意义非凡的成功。在新一代长征十号乙运载火箭的首次飞行中，它成功完成了实现中国可重复使用火箭目标的关键一步。
 
通过网系捕获方式回收的技术也十分新颖。在半空中“抓住”悬停的助推器使得工程师无需再为助推器安装着陆腿。
 
这一里程碑进一步表明，中国的航天工业虽然仍落后于美国，但双方的差距可能正在缩小。与发射一次就报废相比，重复使用火箭能够像喷气式客机一样实现更高频率的运行，并降低发射卫星及其他载荷的成本。
 
不过，华盛顿智库美国企业研究所高级研究员托德·哈里森对此并没有过于惊讶。他指出，埃隆·马斯克的SpaceX早在十多年前就用“猎鹰9”实现了一级助推器回收。长征十号乙运载火箭在尺寸和性能上与“猎鹰9”大致相当。
 
“这意味着他们正在取得进步，”哈里森谈到中国时表示，“但并不一定意味着他们追上了美国目前的技术水平。”
 
SpaceX此后已成功回收”猎鹰9”助推器逾600次。
 
弗吉尼亚州航天咨询公司BryceTech的分析师菲尔·史密斯表示，这次助推器回收并不会改变整个行业格局，但足以说明中国火箭工程师拥有很高的技术水平。过去，“人们总觉得他们的质量不如别人，”他说。“这种看法早就已经过时了。”
 
长征十号乙运载火箭助推器的着陆并不直接服务于中国在2030年前将宇航员送上月球的目标，因为载人登月任务并不依赖这项能力。但重复使用助推器的能力——可以效仿SpaceX的例子——能够加速中国的航天发射产业发展。
 
十年前，SpaceX已经证明，它能够以6200万美元的价格用“猎鹰9”发射卫星，这一价格低于全球竞争对手的收费。但当时，它的发射频率并不高。
 
这一局面在2015年12月21日开始改变，当时“猎鹰9”的助推器助力卫星进入太空后，在数分钟内完好无损地平稳降落在卡纳维拉尔角的一个混凝土着陆台上。
 
航天商业的经济效益并未在一夜之间改变——SpaceX在2016年只发射了八次“猎鹰9”——但随着时间的推移，助推器的快速翻新使SpaceX能够以更低的成本进行更频繁的发射，因为它无需在每次发射后丢弃火箭的大部分部件。
 
去年，该公司共执行了165次“猎鹰9”发射任务。
 
“那么，中国是否有可能在数年之内进入一个呈指数级增长的阶段？”哈里森说。“我认为这完全有可能。”
 
不过，SpaceX并没有满足于“猎鹰9”的成功。它虽然能够回收一级助推器，但二级火箭仍然会被抛弃。SpaceX目前正在研发体积大得多的“星舰”，目标是再次彻底改变火箭产业：打造一种可完全重复使用、能够运载更大载荷、发射成本更低的火箭。哈里森表示，未来五到十年内，中国还没有任何能够与“星舰”相媲美的项目。
 
如今，中国也拥有了自己的商业航天产业。2014年，中国进行了一项重要监管改革，向民间资本开放了航天产业的部分领域。亚利桑那州立大学研究员乔纳森·罗尔表示，“从某种意义上说，中国正在采用一种混合发展模式”，把SpaceX那样的创新能力与中国传统的大规模制造优势结合起来。罗尔在2025年负责起草了一份关于中国航天企业的报告。“他们用我们的模式进行创新，又利用自己的优势来实现规模化。”
 
在私人资本涌入以及地方省市政府大量注资的双重驱动下，中国已涌现出一批航天初创企业。罗尔在去年9月发布这份由行业组织“商业航天联合会”委托完成的报告时表示，“这股投资热潮有目共睹。”
 
哈里森仍然乐观地认为，凭借SpaceX和杰夫·贝佐斯旗下蓝色起源等企业的创业冒险精神，美国将继续领先于中国政府和中国企业所能取得的成就。
 
“他们没有同样的市场机制，”哈里森说。“他们也无法像美国的私营部门那样获得同等规模的资本支持。中国在扩大市场份额方面仍面临诸多重大障碍。”
 
不过，在登月竞赛方面，由于美国航空航天局的“阿耳忒弥斯”重返月球计划不断延期，意味着下一次在月球上留下脚印的，很可能将是中国宇航员。
 
“我认为，他们会比我们更早把人送上月球，”哈里森说。
 
由于中共在国内拥有不容挑战的统治地位，因此能够设定航天优先事项，并进行数年乃至数十年的长期规划。而在美国，每逢总统换届，航空航天局的任务重点往往随之改变，尤其是载人航天项目，导致许多项目反复启动又中止，既浪费时间，也浪费资金。
 
许多美国政界人士将美中竞争形容为21世纪的太空竞赛，类比于美苏冷战时期的登月角逐——那场竞争最终以1969年“阿波罗11号”宇航员登月而告终。
 
他们指出，如今的竞争远比当年更具战略意义——这已不再只是一场国家声望与炫耀资本之争，更是关乎掌握军事制高点，以及抢占月球和小行星珍贵矿藏等潜在经济利益的博弈。
 
得克萨斯州共和党参议员，参议院商务、科学和运输委员会主席特德·克鲁兹去年9月在一次听证会上表示：“太空已经不再只是和平探索的领域。今天，它已经成为一个战略前沿，直接关系到国家安全、经济增长以及科技领导地位。”
 
在世纪之交的时候，中国的航天计划尚处于起步阶段，但它制定了雄心勃勃的未来规划，并有条不紊地逐一达成。2003年，中国首位宇航员进入太空。2011年，中国发射了一个试验性空间站，如今已建有一个永久性空间站在轨运行。2013年，中国将一台无人着陆器和一辆小型月球车送上月球，随后又成功执行了三次月球无人探测任务。2021年，它将着陆器和火星车送上了火星。
 
“我认为这两个国家无疑是旗鼓相当的对手，”史密斯在比较美中航天能力时表示。
]]> 科技 Many https://chanworld.org/community/techs/%e7%81%ab%e7%ae%ad%e5%9b%9e%e6%94%b6%e5%87%b8%e6%98%be%e4%b8%ad%e5%9b%bd%e5%a4%aa%e7%a9%ba%e9%9b%84%e5%bf%83%ef%bc%8c%e8%88%aa%e7%a9%ba%e5%b7%a5%e4%b8%9a%e4%b8%8e%e7%be%8e%e5%9b%bd%e5%b7%ae%e8%b7%9d/ Anthropic在官方博客发布了一篇题为《当AI构建自身》（When AI Builds Itself） https://chanworld.org/community/techs/anthropic%e5%9c%a8%e5%ae%98%e6%96%b9%e5%8d%9a%e5%ae%a2%e5%8f%91%e5%b8%83%e4%ba%86%e4%b8%80%e7%af%87%e9%a2%98%e4%b8%ba%e3%80%8a%e5%bd%93ai%e6%9e%84%e5%bb%ba%e8%87%aa%e8%ba%ab%e3%80%8b%ef%bc%88when-ai-b/ Fri, 05 Jun 2026 19:14:00 +0000 当 AI 开始构建自身
 
联合创始人Jack Clark和内部研究机构负责人Marina Favaro
 
https://www.anthropic.com/institute/recursive-self-improvement

一家估值接近万亿美元、正冲刺IPO的AI公司，突然公开呼吁全球暂停AI开发。

6月4日，Anthropic在官方博客发布了一篇题为《当AI构建自身》（When AI Builds Itself）的长文。文章由公司联合创始人Jack Clark和内部研究机构负责人Marina Favaro联合署名，首次罕见对外披露了一批此前从未公开的内部运营数据。

这些数据显示，AI正在以惊人速度加速AI自身的开发进程：截至2026年5月，Anthropic超过80%合并入代码库的代码由Claude撰写；与2024年相比，工程师每日合并代码量已增长8倍；在一项内部研究调查中，员工估计使用最新模型Mythos Preview后，自身产出约为不使用任何AI工具时的4倍。

更关键的是，Anthropic提出了一个令整个AI行业不安的概念警示：“递归自我改进”（recursive self-improvement）——即AI系统无需人类干预、自主设计并改进其继任者的能力。这一阶段尚未到来，但“可能在未来两年内发生，甚至更早”。

我们走向递归自我提升的进展及其影响。

在人工智能的大部分历史中，人类主导了其开发周期中的每一个步骤。但在 Anthropic，我们正将越来越多的人工智能开发工作委托给 AI 系统本身，这大大加快了我们的工作速度。

如果这一趋势发展得足够远，并拥有足够的算力，它将指向一个能够完全自主设计和开发其下一代产品的 AI 系统。这被称为递归自我提升（Recursive Self-Improvement）。我们现在还没有走到那一步，递归自我提升也并非不可避免，但它的到来可能会比大多数机构准备好去应对的时间还要早。

通过利用公开基准测试以及来自 Anthropic 内部此前未公开的数据，Anthropic 研究院（The Anthropic Institute）表明，AI 已经在加速 AI 系统自身的开发。仅举一例：如今，Anthropic 的工程师每季度平均交付的代码量是 2021 至 2025 年期间的 8 倍。

本文讨论的技术趋势表明，AI 系统在未来几年内将变得能力更加强大。这些趋势具有巨大的影响。一个能够构建自身的 AI 将是技术史上的一大重大进展——它可能在科学、医疗等诸多领域为世界带来巨大的福祉。但完全的递归自我提升也可能增加人类失去对 AI 系统控制的风险。如果系统能够完全构建自己的下一代，那么我们保护它们、监控它们以及塑造它们行为的方式都将变得至关重要。

AI 参与开发的发展历程

  • 2021–2023：构建第一代 Claude

    • 参与角色：人类、计算机

    • 在早期，Anthropic 的工作与其他科技公司无异：人们在笔记本电脑上编写代码和文档。

  • 2023–2025：聊天机器人

    • 参与角色：人类、计算机、聊天机器人

    • 人们开始使用早期的聊天机器人来协助流程中的部分环节，例如生成简短的代码片段并将其复制到文本编辑器中。

  • 2025–2026：编程智能体（Coding Agents）

    • 参与角色：人类、计算机、聊天机器人、智能体

    • 随着智能体能力增强，它们能够自主编写和修改代码，有时甚至是整个文件。

  • 当下（2026）：自主智能体（Autonomous Agents）

    • 参与角色：人类、计算机、聊天机器人、智能体、工作流

    • 智能体现在可以自己运行代码，并将长达数小时的工作分配给其他智能体。

  • 20XX？：闭环（Closing the loop）

    • 在未来，智能体可能具备足够的能力来自己构建和训练模型。如果发生这种情况，未来的 Claude 版本可以由 Claude 自身进行持续的改进。

来自外部世界的证据

AI 模型的改进速度正在加快。它们能够独立可靠完成的任务时长，大约每四个月就会翻一倍（而此前的趋势是每七个月翻一倍）。2024 年 3 月，Claude 3 Opus 可以完成需要人类花费大约 4 分钟完成的软件任务。一年后，Claude 3.7 Sonnet 能够应对需要约 1.5 小时的任务。又过了一年，Claude 4.6 Opus 已经能处理耗时 12 小时的任务。如果这一趋势保持下去，需要熟练人员花费数天才能完成的任务可能会在今年内进入 AI 的能力范围。到 2027 年，AI 系统可能就有能力处理需要人类花费数周时间的任务。

同样的模式也出现在编程和研究的基准测试（Benchmarks）中。基准测试用于衡量模型在特定领域的性能，当模型获得接近 100% 的表现时，基准测试就会趋于“饱和”。SWE-bench 是针对现实世界软件工程的标准测试：它向模型提供一个真实的开源代码库和一个真实的错误报告，并要求其编写代码修改以修复该问题并通过项目自身的测试。在两年内，模型的得分已经从极低的个位数发展到使该基准测试达到饱和。

CORE-Bench 测试模型是否能够复现现有的研究，这是它们开展原创性研究的前提。它向 AI 模型提供已发表论文背后的代码和数据，并要求其重新运行所有内容并确认能够复制该论文的结果。AI 系统成功复现结果的比例从 2024 年的约 20%，发展到 15 个月后的基准测试饱和。负责运行衡量模型完成长期任务能力的基准测试机构 METR 发现，Claude Mythos Preview 可以工作“至少”16 小时，并且已经处于“在没有新任务的情况下， 所能衡量的上限”。

公开的基准测试能够说明很多关于这些系统能力的问题。但它们无法揭示 AI 系统在加速 AI 自身开发方面所产生的具体影响。为此，我们需要来自像 Anthropic 这样的 AI 公司内部的直接证据。

来自 Anthropic 内部的证据

构建一个前沿模型主要包含两大类工作。一是工程（Engineering）：编写代码、搭建基础设施以及监督模型训练；二是研究（Research）：决定运行哪些实验、解读返回的结果以及思考下一步尝试哪些想法。

在工程和研究两个领域，情况是一致的。在工程方面，可以给 Claude 一个界定模糊的问题，它能自己想出解决方案；人类提供目标，但不再需要提供方法。在研究方面，Claude 在执行一个界定明确的实验时，已经能够媲美或超越熟练的人类。然而，当涉及到让 Claude 在工程和研究中运用判断力来选择目标时，依然存在巨大的性能差距。这就是今天的 AI 与未来能够自主设计其下一代的系统之间的差距。

随着经验的增加，Anthropic 的员工通常会承担更多开放性和更重要的任务。在早期，他们执行别人指定好的任务，比如：“导出按钮无法正常工作，请修复它。” 随着经验的积累，他们被赋予一个目标并自己设计方法，例如：“调查为什么网络在重载下会变慢。” 在最资深的层面上，他们要决定哪些问题根本不值得花时间去做：“团队下个季度应该构建什么？” 我们可以利用 Anthropic 的内部数据来看看 Claude 在处理这些不同类型的任务上已经走了多远。

Claude 编写了 Anthropic 相当大比例的代码。截至 2026 年 5 月，我们合并到 Anthropic 代码库中的代码有 80% 以上是由 Claude 编写的。在 2025 年 2 月 Claude Code 推出研究预览版之前，这个数字还处于极低的个位数。这种转变也体现在每位工程师的产出量上。在 Anthropic 的前四年（2021-2024 年），每位工程师每天合并的代码行数保持恒定，然后在 2025 年开始向上攀升，当时 Claude 开始能够运行代码，而不仅仅是提出建议供工程师复制粘贴。这一斜率在 2026 年随着模型开始在更长的时间跨度内自主工作而再次变陡。在 2026 年第二季度，典型工程师每天合并的代码量是 2024 年的 8 倍。这是因为大部分代码都是由 Claude 编写的，工程师负责指导和审查，而不是自己敲击键盘。

注意事项： 代码行数是一个不完美的衡量标准，因为它衡量的是数量而非质量。因此，2026 年第二季度每位工程师每天 8 倍的代码行数几乎肯定夸大了真正的生产力提升。尽管如此，它表明了一种加速趋势。在 Anthropic，我们并不根据员工编写了多少行代码来给予奖励；相反，团队成员之所以能产出更多代码，仅仅是因为他们正在使用 AI 系统来编写更多代码。

代码行数的增加与生产力大幅提升的主观印象是一致的。在 2026 年 3 月对来自 Anthropic 各个研究团队的 130 名员工进行的一项民意调查中，受访者中位数估计，在他们无论如何都会从事的项目类型上，使用 Mythos Preview 产生的产出大约是没有任何 AI 模型时的 4 倍。我们预计 3 月份的实际提升程度会略低一些。尽管如此，我们认为整体的说法是合理的，并且与我们的其他观察相符：相当大一部分 Anthropic 的技术人员完成核心工作的速度，比没有 AI 协助时快了数倍。

我们还看到证据表明，Anthropic 的员工正在使用 Claude 来做一些如果不是因为 AI 就根本不会发生的工作，例如构建探索性工具和处理拖延已久的清理工作。例如，在 2026 年 4 月，Claude 交付了 800 多个修复程序，将一类 API 错误降低了千分之一。负责监督 Claude 的工程师估计，人类需要花费四年时间才能完成这项工作；解决别人的 Bug 是缓慢而艰巨的，人类很难在脑海中同时容纳这么多陌生的上下文。

“大约一年前，我开始全力转向‘Claude化’（Claudifying）。那是一段疯狂的冒险，现在距离我上一次自己写代码已经过去大约 5 个月了。” —— Anthropic 员工

Claude 编写的代码质量“良好”且在不断改进。“好代码”意味着两件事：它能正常工作，且其编写方式允许另一位工程师理解并在此基础上进行构建。在第一个标准上，证据是显而易见的。一年来，Anthropic 员工对 Claude 进行修正、重定向或在任务中途接管的比例一直在稳步下降，即使在最复杂和最开放的任务中也是如此。这意味着在没有明确规范、工程师自己都不确定答案是什么样的问题上，Claude 也能胜任。

在最开放的任务中，Claude 的成功率在 2026 年 5 月达到了 76%，在六个月内上升了 50 个百分点。举一个该难度级别的任务示例：一次例行升级导致成千上万个训练任务崩溃。一位工程师向 Claude 指出了这一实时事故，当时几乎只提供了一些文本内容和集群访问权限。通过分析运行中的任务并一次测试一个环境设置，Claude 隔离出了触发崩溃的单个晦涩的调试标记，稳定地复现了它，并确认了修复方案。在大约两小时内，Claude 交付了通常需要两到三天才能完成的工作。

第二个标准是编写其他工程师能够理解并在此基础上进行构建的代码。在这一点上，人类和 AI 之间仍然存在差距，但正在迅速缩小。Anthropic 内部尚未达成完全共识，但许多人认为，在 2025 年底，Claude 编写的代码质量仍低于 Anthropic 人类编写的代码，而今天则大致持平。我们预计在一年内它会变得更好。

这已经改变了 Anthropic 现在审查自身代码的方式。现在，提交给代码库的修改建议会由一个自动化的 Claude 审查员阅读，在合并之前查找错误、安全漏洞和其他缺陷。利用这个工具，我们进行了一次追溯分析，发现如果对我们代码库的每一次修改都进行自动化的 Claude 审查，就能在过去 claude.ai 发生的事故上线之前，捕获其中大约三分之一的 Bug。编写这些代码的工程师是世界上构建这些系统最优秀的人才之一。而 Claude 现在正在捕捉他们遗漏的错误。

“在 2025 年底，Claude 编写的代码比 Anthropic 人类编写的代码稍差，今天大致持平，我们预计在一年内它会绝对胜过人类。”

Claude 非常擅长通过运行实验来达到别人设定的目标。每次 Anthropic 发布模型时，我们都会运行相同的测试：我们给 Claude 一些训练小型 AI 模型的代码，并要求它使该代码运行得尽可能快，同时仍要通过相同的正确性检查。目标和成功指标是预先固定的，因此 Claude 的工作就是通过重写代码、运行、计时并重复这一过程来寻找加速的方法。这是一个实验性研究循环的微缩版本。在 2025 年 5 月，Claude 4 Opus 相比初始代码实现了平均约 3 倍的加速。到 2026 年 4 月，Claude Mythos Preview 达到了 约 52 倍 的加速。作为参考，一个熟练的人类研究员需要四到八个小时才能达到 4 倍。在研究工作流的这一部分（在明确定义的实验中优化步骤），Claude 在不到一年的时间里已经从“超级帮手”变成了“超越人类”。

“如今的情况大致是‘人类产生想法，而模型能够以比以前快一个数量级的速度去实现、测试和评估它们’。”

Claude 在提出自己的实验建议方面正变得越来越好。2026 年 4 月，Anthropic 发表了第一个关于 Claude 全程端到端运行开放式研究项目的演示。由 Claude 驱动的智能体被赋予了一个 AI 安全领域的开放性问题——大致是：较弱的模型能否可靠地监督较强的模型？——然后让它们自己去解决。这涉及提出假设、测试假设、与并行智能体分享发现并进行迭代。该任务有一个明确的性能“下限”和“上限”：下限是弱监督者自己能做多好；上限是强模型在针对正确答案进行训练时的表现。两位人类研究员在全天大约一周的时间里，弥补了这一差距的约 23%；而智能体在累计 800 小时内弥补了 97% 的差距，并消耗了大约 18,000 美元的算力。这项工作有一些注意事项：结果并没有完美地转化到生产规模的模型中，而且人类仍然选择了问题并创建了评分标准。但在这些范围内，智能体自己设计了每一个实验。设定方向是人类扮演的唯一有意义的角色。

“在 1-2 天的时间里，Claude 在我极少协助的情况下完成了所有这些工作。我想如果一个初级同事在同样的时间里带着这样的结果回来找我，我会感到有些惊艳。未来已来。”

Claude 在引导研究会话走向研究发现方面正变得越来越好。我们检查了真实的 Claude Code 会话（在 2026 年 1 月至 3 月之间），在这些会话中，Anthropic 的研究人员正与 Claude 一起解决一个开放式的调查性问题，比如查明为什么训练运行一直崩溃，或者为什么模型在某个基准测试中得分很低。在每个案例中，我们都发现了研究人员走弯路的时刻：他们追求了一个导致会话跑偏的方向，然后才最终回到正轨。接着，我们只向各种 Claude 模型展示会话走偏之前的回溯工作，并询问它接下来会做什么。随后，另一个能够看到会话最终结果的独立 Claude 会评估是 AI 还是人类提出了更好的下一步建议。

因为我们刻意挑选了那些我们知道人类的选择还有改进空间的时刻（n=129），这并不是模型与人类判断力之间对等的比较。这些时刻为我们提供的是一套现实且具有挑战性的情境，在这些情境中，正确的下一步并不明显，而人类的选择可以作为一个有用的标尺，来衡量模型性能随时间推移的变化。在这项指标上，我们在 2025 年 11 月最好的模型（Opus 4.5）在 51% 的情况下击败了人类的选择；而在 2026 年 4 月（Mythos Preview），这一比例增长到了 64%。研究的日常工作很大程度上就是由这一连串的下一步决策组成的，这使得该指标成为衡量模型最终自主运行调查能力的切合标准。我们将这一结果视为一个早期信号，表明 AI 系统在做出 AI 研究赖以进行的各类判断抉择方面正变得越来越好。

“截至目前，人类的比较优势仍然在于看清更大的图景，以及跳出当前任务的局限进行思考。”

Anthropic 未来的工作可能会是什么样子？

证据表明，在 AI 开发过程的每一步中，人类的角色都在变窄。一旦人类和 AI 编写的代码质量达到对等，人类将完全停止编写代码，转而只进行审查。但如果他们审查代码的速度赶不上 Claude 生成代码的速度，人类审查就会成为 AI 开发的瓶颈。同样地，一旦 Claude 能够运行实验，问题就会转向“这些实验中哪一个值得运行？” 简单来说：执行（即编写代码、运行实验、产生结果）现在在人类时间上的成本几乎为零，即使它在算力上仍有成本。

目前，人类具有比较优势的领域是研究的品味和判断力，包括选择哪些问题重要、信任哪些结果以及何时判定某种方法走入了死胡同。

“过去的工作（和生活）依赖于人类之间小帮小助的‘互惠经济’。‘你能帮我把这个脚本运行起来吗？’ 每一次帮助都创造了一点人情债，一点共同的意识。而 Claude 速度更快，创造零人情债，但每一次这样的交互，都是一次人类合作机会的流失。”

“在一切运转顺利的日子里，我忍不住会想，我做的任何事情都不重要了，一切都是自动化的，而且比我能做到的更好、更快。但也有一些日子，所有东西都崩溃了，我不知道为什么，我才意识到自己根本不知道自己一直在忙些什么。”

如果我们错了呢？

对于上述证据的一个很自然的反对意见是：目前仍掌握在人类手中的工作——选择研究哪些问题——才是最重要的。缺乏这种判断力，Claude 只是一个能干的助手，而不是一个能够独自推动 AI 进步的系统。

目前尚不明确今天的训练方法和架构能否解锁这种能力。但 AI 很少是通过“灵光一现（eureka!）”的时刻取得突破的。在 AI 的近代历史中确实有一些这样的时刻，比如 Transformer 架构或混合专家（MoE）模型，但颠覆范式的想法往往相隔数年才出现。在这些时刻之间，大多数进展都是渐进式的：我们扩大某种规模，看看什么地方崩溃了，修复它，然后再次尝试。这恰恰是 Claude 现在所擅长的工作流。爱迪生说过，天才是 1% 的灵感加上 99% 的汗水。但我们看到，这些汗水正变得越来越自动化。很明显，推动前沿发展的许多工作都是可以自动化的；大规模的研究进展在很大程度上取决于工具和资源，它们决定了你运行实验的速度、能同时运行多少个实验以及多快能获得结果。

即使我们假设 Claude 永远无法获得良好的研究品味，对我们证据的保守解读仍然意味着复合式的加速。如果人类将大部分时间花在仅占个位数比例的“方向设定”工作上，而 Claude 处理其余的工作，这意味着每位工程师或研究人员所操控的工作量将远超从前。我们所看到的证据表明，Anthropic 的员工既移动得更快，覆盖的范围也更广。在实践中，这意味着 AI 已经使 Anthropic 的运转速度远快于高效 AI 工具出现之前。

而较不保守的解读是，关于 Claude 研究判断力正在改善的早期证据（尽管目前还很局限）是一个风向标，表明这一能力同样在提升。“研究品味”可能只是又一个 AI 系统在一段时间内无法做到、随后便能擅长的 AI 能力。我们在其他定性技能上也看到了类似的模式，例如 AI 系统能够解释为什么一个笑话好笑、展现出心智理论（Theory of Mind）以及解决语言谜题。

可能的未来

接下来会发生什么取决于两件事：趋势是否持续，以及如果持续我们选择怎么做。我们至少可以想象三种未来的场景：

  1. 趋势停滞，但今天的 AI 能力得到了广泛普及。 本文包含了许多指数级的轨迹。但这些轨迹实际上可能会变成 S 型曲线（S-curves）。我们可能正接近曲线的弯曲点，此时规模带来的回报递减，线条变直，然后趋于平缓。区分一个平庸的研究员与一个伟大研究员的“判断力”，可能是一种无法通过扩大训练输入（如算力和数据）来获得的能力。如果是这样，突破这一瓶颈将需要新的想法，例如取代目前所有前沿模型都在使用的 Transformer 架构的新架构方法。

    或者，AI 进步的束缚性限制可能存在于供应链中，而不是模型本身：推进和普及前沿技术可能需要比目前存在的更多的能源和算力。芯片制造的速度、电网扩张或互连带宽可能是限制因素，而不是智能本身。我们也不能排除外部冲击对 AI 生态系统造成剧烈减速的可能性，例如算力或电力供应的突然减少，这两者都会减缓进展，并使得实验室的远期投资变得更加昂贵。或者，我们可能没有预见到其他阻碍进展的壁垒。

    即使模型能力冻结在今天的水平，我们也可以预料到世界会发生重大变化。Project Glasswing 就是一个早期迹象：在其最初几周内，Mythos Preview 在世界上最重要的系统中发现了超过一万个高危和严重级别的软件漏洞——多到网络防御的瓶颈已经从“发现漏洞”转移到了“如何足够快地修补漏洞”。而且，今天的模型向更广泛的经济领域的扩散仍处于早期阶段，在那种情况下，一个 100 人的公司越来越能做 1,000 人公司的工作，因为每个员工都将坐拥一个智能体金字塔。

    我们加入这个场景是为了全面性，但我们不认为这很有可能。我们能衡量的每一项能力，包括那些感觉“更模糊”的能力，如代码质量和在开放式任务中的成功率，到目前为止都遵循着相同的曲线。我们还没有看到这条曲线发生弯曲。在我们考虑的三个未来中，这一个将给政府和社会留出最多的适应时间。我们更担心接下来的两个，它们会发展得更快，留给准备的空间也少得多。

  2. AI 实验室继续获得复合的效率提升。 在这种情景下，AI 开发实质上实现了高度自动化，但人类继续设定研究方向并评判结果。使用 AI 系统的组织随着时间的推移会变得更加高效，因此我们可以预期每个人身上都会出现显著的生产力倍增效应。100 人的公司可以完成 10,000 人或 100,000 人组织的工作。这将彻底变革知识工作和政府服务，但也可能被用于有害的目的，从对全体人口的威权主义监视，到针对每个人定制操纵手段且运行规模远超人类团队极限的影响力行动（Influence Operations）。在像 Anthropic 这样的公司，人类的角色将会转变。人们将与 AI 系统合作以扩大研究规模并产生新的见解，他们将共同构建所需的系统，以验证 AI 的产出是否可以被信任。

    我们在这里阐明的证据表明，我们很可能正在走向这个场景。但是，加速一个流程中的某一部分往往只是把瓶颈转移到了其他地方：整体步伐受限于那些没有加速的部分。在计算机科学中，这被称为阿姆达尔定律（Amdahl’s law），同样的逻辑也适用于组织。Anthropic 已经遇到了阿姆达尔定律的一个特征表现：随着我们开始在组织内推动更多代码，人类代码审查已成为一个新的瓶颈。

    我们在工程之外也遇到了这种摩擦。由于 Anthropic 员工与高能力模型合作，新想法、新计划、新工具和新模拟出现了爆炸式增长——远超我们有能力去追求的范围。组织发现并解决这些瓶颈的速度可能是一项随着时间推移而提高的技能，它可能成为任何组织最重要的一项技能。

  3. AI 系统自身变得能够进行完全的递归自我提升，并开始构建它们的下一代。 如果提升能力的性能趋势持续下去，且 AI 系统能够发展出人类变革性创造力所固有的能力，那么 AI 系统设计和完善自身便是说得通的。

    在这个世界中，AI 开发的进步步伐完全取决于 AI 系统可获得的算力（或在算法训练/推理中发现各种效率提升的速度）。人类在其开发中扮演的角色大幅削减，可能会将我们的大部分精力转向对 AI 系统运行的不断扩大的“虚拟实验室”进行监督、确认和验证。我们预计，能够进行自动化 AI 研究与开发的系统所具备的技能将转移到其他科学领域，使它们开始彻底变革其他学科。

    在这种未来中，对齐问题（Alignment Problem）如何得到解决——或者无法解决——是我们最不确定的事情。模型可能会被证明足够对齐且具备足够的研究品味，从而发现并实施我们尚未触及的新颖解决方案。如果情况不妙，它们也可能足够明智地停止开发。或者，今天模型中存在的罕见的不对齐现象可能会在模型构建其下一代时复合叠加，变得更加频繁却更少被理解，直到我们失去对它们的控制。我们可能无法构建、整合和验证那些我们用来理解自己究竟处于哪条趋势线所需的工具。

    我们对这个世界会长成什么样并没有良好的直觉，因为我们的经济目前是由人类和人类制造的工具驱动的。就其本质而言，一个由快速递归自我提升驱动的世界可能会被自我提升的模型所主导，因为它的能力将完全盖过人类，并且该模型会扩散到更广泛的经济领域。如果人类劳动力停止具备竞争力，很难预测经济会变成什么样。

    即使模型开发变得完全自动化和递归化，我们也无法预测这对大多数人的日常生活意味着什么。阿姆达尔定律在这里同样适用。递归智能可能会导致在某些领域迅速实现《仁慈机器》（Machines of Loving Grace）中所概述的许多福祉。我们预计具身智能（即机器人技术）可能会紧随递归智能之后，并走上一条相似的以递减成本获得递增回报的道路。更强大的智能可能会帮助我们更快地在物理世界中建造东西，进行更高效的挽救生命药物的临床试验，并发展出新颖的协作形式。

    但仅实现递归提升并不能预示工业生产方式、社会组织形式或市场运作机制会立即发生改变。再强大的智能也无法在数十年使用之前就了解到一种药物的长期作用，无法在宪法规定之前提前举行选举，也无法在一个周末里将一个陌生人变成老朋友。对于大多数人来说，这个未来所感受到的步伐仍将由瓶颈决定，即使上游的实验室正以算力的速度运转。这种碰撞——构建自身越来越快的递归智能与由人类、人际关系和治理组成的世界相遭遇——是这个我们无法预测的未来的另一个部分。

我们应该怎么做？

如果有可能有效地放慢这项技术的发展速度，以给我们自己更多的时间来应对其巨大的隐秘影响，我们认为这可能会是一件好事。但如果放慢速度仅仅让那些最不谨慎的行动者在技术上赶上来，它可能会让每个人都变得更不安全。在缺乏全球协调机制的情况下，公司和政府将不得不在竞争和地缘政治压力下做出关于安全的艰难决定。

我们认为，如果世界能够拥有放慢或暂时暂停前沿 AI 开发的选项，以便让社会结构和对齐研究能够跟上技术的进步，这将是一件好事。Anthropic 研究院将与许多其他机构合作开展研究并采取行动，以帮助构建可靠的减速或暂停所需的系统。这些系统将使前沿 AI 开发商能够核实全球其他开发商是否确实停止或放慢了脚步，并确保不良行为者无法利用协同减速的掩护在暗中跳跃式领先。如果存在这样的系统，只要处于或接近前沿的其他开发商也以可验证的方式这样做，我们预计我们也会放慢速度或暂时暂停。

一次有意义的减速或暂停需要多个国家处于或接近前沿的、资源充足的实验室同意在相同条件下停止。它还需要每个实验室都能核实其他实验室是否确实停止了。由于 AI 系统的独特特征，这一军控问题的“可探测性”（一个比“可验证性”更低的标杆）要素比其他技术要具有挑战性得多。训练运行比导弹发射井要容易隐蔽得多，它们的输入是通用目的的，而且悄悄违约的动机是巨大的，因为谁在别人暂停时继续前行，谁就可能接过领先地位。一个可信的暂停还必须明确是由什么触发的、由什么解除的以及由谁来裁决。

这一切在原则上并不一定是不可能的——世界已经为其他复杂技术建立了核查机制（例如《中导条约》）——但那些机制花费了数十年时间才建立起基础设施和信任。我们没有那么长的时间。相比之下，一个实验室的单方面暂停是可以立即实现的，但起到的效果要小得多：它会改变谁是领跑者，但它不会创造目前所缺失的更广泛的审议流程。

在接下来的几个月里，我们将组织对话，邀请政策制定者、研究人员、公民社会和其他 AI 公司共同解答本文提出的一些问题，特别是围绕完全的递归自我提升以及如何为协调和审议创造更好的选项。我们将公布这些对话的成果。共同调查这些问题的窗口期已经打开，AI 公司之外的人们应当参与到这场审议中来。

 

脚注 (Footnotes)

  1. METR 的核心衡量指标告诉你在处理一组任务时，AI 系统达到 50% 可靠性所需的时间跨度，不过该趋势线在 80% 可靠性下的表现基本一致。

  2. 尤其是当基准测试向更具开放性的形式和更高难度的任务（例如奥林匹克级别的数学题）转变时，由于题目和答案集中存在诸如表述含糊或无解的问题等错误，基准测试往往在达到 100% 之前就已趋于饱和。

  3. Anthropic 领导层曾公开估计，我们 90% 或更多的代码是由 Claude 编写的，这包括脚本和实验性代码。我们文中提到的“超过 80%”这一数据，衡量的是合并到生产环境的代码行数中归功于 Claude 的比例。从两方面来看，这都是一个更保守的衡量标准：一是我们的归因流程存在盲区；二是那些未归因于 Claude 的代码行中，还包含了同样并非由人类亲手编写的自动生成代码及其他产物。

  4. 代码产量的这一激增正在让所有人共享的基础设施承受巨大压力。GitHub（全球绝大多数软件的构建平台）在 2025 年全年见证了大约 10 亿次代码提交（commits）；而到了 2026 年年中，其每周的提交量已达 2.75 亿次，按此速度，全年预计将达到约 140 亿次。该公司的首席运营官（COO）表示，为了跟上这一速度，他们正在容量扩展上“付出令人难以置信的巨大努力”。

  5. 关于本次调查方法的更多细节，在《Claude Opus 4.7 系统卡》（System Card）的第 2.3.5 节中有所讨论。

  6. 许多受访者可能没有仔细思考过如何排除问题定义中的各种偏见或微妙之处，且 METR 最近的研究表明，开发人员对 AI 生产力提升幅度的估计可能会偏高。

  7. 加速幅度能有多大，很大程度上取决于初始代码留下了多少改进空间，因此不应将其理解为现实世界中的真实训练加速。所以，这里的绝对倍数并不是最核心的数据。更有参考价值的是这种实验设置所实现的“同类对比”——无论是模型之间的对比（过去一年里从约 3 倍提升到约 52 倍），还是与熟练人类的对比（人类在同一任务上花费 4 到 8 小时达到约 4 倍）。

  8. 为了检验裁判模型的偏见，我们在另一组包含 127 个时刻的样本上运行了相同的测试，在这些时刻中，人类的下一步举措已经非常强劲（这与原始样本集相反，原始样本中人类的方向尚有改进空间）。在那组测试中，模型的建议被评为更好的比例仅为 20% 左右。

* 本文各处引用的 Anthropic 员工言论均出自内部讨论，并在获得许可后使用。它们反映的是截至 2026 年 5 月的个人观点，并不代表公司的官方立场。

]]> 科技 Many https://chanworld.org/community/techs/anthropic%e5%9c%a8%e5%ae%98%e6%96%b9%e5%8d%9a%e5%ae%a2%e5%8f%91%e5%b8%83%e4%ba%86%e4%b8%80%e7%af%87%e9%a2%98%e4%b8%ba%e3%80%8a%e5%bd%93ai%e6%9e%84%e5%bb%ba%e8%87%aa%e8%ba%ab%e3%80%8b%ef%bc%88when-ai-b/ Anthropic的Claude code和 OpenAI的Codex在编程性能、易用性和价格上的比较（2026年5月最新对比） https://chanworld.org/community/techs/anthropic%e7%9a%84claude-code%e5%92%8c-openai%e7%9a%84codex%e5%9c%a8%e7%bc%96%e7%a8%8b%e6%80%a7%e8%83%bd%e3%80%81%e6%98%93%e7%94%a8%e6%80%a7%e5%92%8c%e4%bb%b7%e6%a0%bc%e4%b8%8a%e7%9a%84%e6%af%94/ Mon, 11 May 2026 18:30:42 +0000 Anthropic的Claude code和 OpenAI的Codex在编程性能、易用性和价格上的比较（2026年5月最新对比）

格希

2026-05-10

两者是目前最强的两大 AI 编程 Agent，定位略有不同：Claude Code 更偏本地终端交互式 pair-programming（实时协作、深读代码库），Codex 更偏云端自主 Agent（可长时间独立运行、建沙盒、提 PR）。

 

1. 编程性能（Programming Performance）

维度 Claude Code 优势 Codex 优势 胜出方
复杂多文件重构 / 大代码库理解 更强（1M+ 上下文、深层推理、代码质量高） 良好 Claude Code
SWE-bench Verified (真实 GitHub issues) ~80.8%（Opus 4.6/4.7） ~80% 左右（接近或略低） Claude Code（微弱）
SWE-bench Pro ~55-59% ~56.8%（有时领先） Codex（微弱）
Terminal / DevOps / 脚本任务 良好 明显更强（Terminal-Bench ~77% vs ~65%） Codex
代码质量 / 保真度 更好（更注重设计、文档、架构一致性） 更快得到可工作实现，但有时“偷懒” Claude Code
Token 效率 消耗更高（常 3-4x） 显著更好（相同任务用更少 token） Codex
自主长时间运行 依赖会话，适合交互 更强（云端 async、可跑几小时） Codex
 
  • 总体：复杂架构、需要深思熟虑的任务 → Claude Code 胜出；快速原型、终端任务、批量自主执行 → Codex 更高效。很多开发者两者搭配使用。

 

2. 易用性（Ease of Use）

  • Claude Code：
    • 终端 CLI + VS Code / JetBrains 插件 + 网页版。
    • 本地运行，直接操作你的文件系统、git。
    • 上手更快，交互自然，像资深 pair programmer。
    • 有优秀规划功能（Plan）、持久化记忆（CLAUDE.md 等）。
  • Codex：
    • CLI、桌面 App、ChatGPT 集成、云端 Agent。
    • 云沙盒自主性强，但有时需要更多分解任务。
    • 桌面 App 体验好（预览、并行任务等），适合不想配置本地的人。
    • 整体易用性接近，但 Codex 的云端模式对“扔任务不管”更友好。

结论：纯本地交互 → Claude Code 更顺手；喜欢云端自主或已有 OpenAI 生态 → Codex 更方便。

 

3. 价格（Pricing，2026年5月）

计划 Claude Code Codex (OpenAI) 备注
入门 Pro $20/月（标准限额） Go $8/月 或 Plus $20/月 Codex 更便宜入门
重度使用 Max 5x $100 / Max 20x $200 Plus $20（较慷慨）或 Pro $100-$200 Codex 在 $20 层限额更宽松
API 按 token 较贵（Opus 高达 $5–$25+/M tokens） 更便宜，效率也高 Codex 性价比高
实际月花费 重度用户常需 $100+ $20 够大多数人用 Codex 更划算
 
  • Claude Code Pro 容易撞限额（尤其用 Opus 时），重度用户常升级 Max。
  • Codex 在同价位（$20）通常提供更多使用量 + 更好 token 效率，性价比更高。许多人反馈从 Claude 切换到 Codex 后“用得更爽、不用担心限额”。

最终推荐

  • 选 Claude Code：如果你追求最高代码质量、大型代码库重构、喜欢本地实时交互、愿意为质量付更高 token 代价。
  • 选 Codex：如果你想要更高性价比、自主运行、终端/DevOps 任务、或预算有限（尤其是 $20 档）。
  • 最佳实践：很多顶级开发者两者都用（Claude Code 做复杂规划 + Codex 做快速执行/云任务），月费约 $40。
]]> 科技 Many https://chanworld.org/community/techs/anthropic%e7%9a%84claude-code%e5%92%8c-openai%e7%9a%84codex%e5%9c%a8%e7%bc%96%e7%a8%8b%e6%80%a7%e8%83%bd%e3%80%81%e6%98%93%e7%94%a8%e6%80%a7%e5%92%8c%e4%bb%b7%e6%a0%bc%e4%b8%8a%e7%9a%84%e6%af%94/