4.30省流日报丨机器人爆炸级突破丨2026

腾讯ima上线copilot模式，用户可领养个性化东北味熊猫AI合伙人【深度查验】

该模式整合知识库、长期记忆系统和全场景感知能力，无需上传文件即可自动识别浏览内容并辅助分析。

【活动】申请后两分钟就能通过，上线送500积分，每天签到再给100积分。但积分还是太少了，如果你还没用过OpenClaw，可以尝个鲜。

但不建议接个API当主力，长期使用。它是网络端服务，数据隐私是问题。它的框架不开源，也不知道省不省钱（Tokens），会不会有坑。所谓的个性化，其实自己接个Skill就能行。数据库功能…看着送30GB空间挺好，但你上传的资料是无法下载回本地的，我已经能想象到以后迁移资料的痛苦。

所以真想用AI代理（OpenClaw），还是老老实实弄个本地版本。

物理启发深度学习EMNN实现光子逆向设计17000倍加速【深度查验】【确认伪人】

该网络由局部电磁场求解器与Huygens-Fresnel Stitch连接器组成，建模误差较数值模型降低两个数量级，成功设计计算元系统。

【解读】他们的做法不是把物理公式当作外部插件来调用，而是直接嵌入到神经网络层内部。为什么要这么做？

在芯片设计领域，已知“芯片结构”，可以用物理公式正向算出“光的效果”；但反过来，知道“光的效果”，物理公式却无法直接推导出该用什么样的“芯片结构”。

如果只是做成插件，公式依旧只能做正向计算，解决不了从效果反推结构的逆向难题。

但嵌入神经网络层后，训练时，模型每猜出一个结构，内置的公式层就立刻按物理定律算出这个结构所产生的光效（因为是直接从公式推导，所以答案不会错），并给出精确的误差评分。

大模型再根据误差评分，进行自监督学习。这样，大模型就学会了“根据光效反向猜测结构”。

【启发】这是非常经典的案例。“符号主义”通过一种新的方式融入了“连接主义”的大模型。任何专业领域的AI大模型都可以参考这个思路。

【伪人】但这是一篇伪人资讯。因为论文在2025年1月27日就发布了。当前，心猿社还处于早期阶段，很多板块还没有完成，并且这篇资讯也很典型，可以帮我们拓宽眼界，所以就留下啦。

【注意】某些网址加载慢，打不开是因为魔法问题。

谷歌科学家利用AI实证研究助手ERA加速真实科学研究【深度查验】

该工具已被应用于流行病学、宇宙学、大气监测等场景，此前已在细胞生物学等六大跨学科难题上提出创新解决方案。

【解读】讲述了四个案例，核心想说明的是ERA在辅助学术研究上有着巨大潜力。

【扫盲】人工智能具备发现新规律的可能。

【注意】某些网址加载慢，打不开是因为魔法问题。

智源2050论坛探讨数字生命上传：分步逼近路径已清晰【深度查验】

研究员雷博提出Brainu融合方案，可将fMRI、脑电等脑信号统一Token化编码，与会科学家共识是数字生命无法一步实现。

【解读】里面的观点分为两派：复刻大脑结构路线，以及拟合路线（即大模型路线）。但我不希望你割裂的看待它们，因为它们本质上都属于连接主义，并不存在真正的分歧。

比如，大脑结构复刻路线，最有力的实验案例就是那只“赛博果蝇”，它有力地证明了“大脑神经网络”和“智慧”存在高度联系，但这个案例实际上还有力地支持了拟合路线。

你要找到二者之间的联系性：所谓复刻大脑结构，不就是在复刻一个已经训练好的神经网络吗？所谓拟合路线，不就是让人工神经网络接近生物神经网络吗？

【推演】该资讯中还有一个观点：即使完美模拟了行为，我们也无法证明数字生命有主观感受。这是个困扰了我们许多年的哲学问题，相当的经典。那么，我们用推演论的思维，该怎么分析它呢？

你是否想过：身边的人，真的都有主观感受吗？你会说：“瞎扯！”但仔细一想，人真的证明过吗？有没有一种可能性，你只是被洗脑了。教科书告诉你“生命有主观感受”，周围人也这样说，于是你便过度假设：生命一定有主观感受。这就像误采毒蘑菇，因为你认识香菇、草菇能吃，所以过度假设眼前不认识的毒蘑菇也能吃。

你要骂我了：这不就是怀疑论吗？其实我最担心的，就是你将推演论过度假设为怀疑论。推演论真正想揭示的，不是“什么也证明不了”的虚无，而是一种认知范式。换句话说，推演论描述的是人类最根本的认识状态和认识变迁。

类似未被证明的东西还有很多。时间真的存在吗？真理真的存在吗？是“意识→物质”还是“物质→意识”？这些问题看似高深，实则可能只是我们过度假设的产物。

所以推演论不讨论“意识→物质”还是“物质→意识”，而是后退一步，阐述两者兼有的“→”。同样，在推演论的框架下，时间、真理，乃至“生命有主观感受”这些命题，我们都可以先假定它们成立，然后再通过分析它们所处的表达位置，来理解应该如何合理地对待它们。

你可能会担心：万一这些假定是错的呢？推演论中阐述：人的一切认识均是假设，即使假设被验证了也依然是假设，因为​人几乎不可能测量准确​​。但请放松一些，把人类社会放在更长的时间尺度上看，我们不正是一次次推翻过去的假设，才抵达今天的认识吗？

所以，推演论从不害怕错误。因为它描述的就是人类最根本的认识状态与认知变迁，而人类，本来就很容易犯错。

真正关键的是：我们如何对待现有的认识，如何在犯错之后有效地自我纠正。这才是推演论真正的革命之处。

【注意】某些网址加载慢，打不开是因为魔法问题。

清华何秉翔分享可扩展强化学习三条边界：JustRL、无监督RLVR和On-Policy Distillation【深度查验】

该团队三项工作系统回答了RL recipe是否必须越来越复杂、人工标注成本爆炸时能走多远、密集Token级监督是否“免费午餐”三个根本难题。

OpenAI硬件负责人Stanford闭门分享：自研系统已从零走到流片【深度查验】

该团队两年内完成芯片设计并实现流片，目标构建涵盖芯片、机架、网络、散热的完整系统，以重获AI运行底层控制权。

1.6B参数跨本体世界动作大模型解锁具身GPT-2时刻【深度查验】

该模型首次在数据层面实现虚实共融、人机混合数据统一利用，仅需1小时后训练即可跨具身本体自适应操控。

【解读】正如详情所述：现在的机器人“吃数据”完全不挑食了。无论是虚拟仿真还是实拍、人拍还是机拍、高清还是模糊、有标注还是无标注，各类数据都能混合训练，被高效利用。这是一项爆炸性的突破，意味着机器人终于可以进行大规模训练，它将由此进入一个性能极速飞升的时期。

【注意】某些网址加载慢，打不开是因为魔法问题。

三维多模态基础模型OCTCube-M提升OCT分析诊断精度【深度查验】

该框架通过多模态对比学习联合分析3D OCT与二维眼底影像，在八种视网膜疾病预测等任务中显著优于传统监督模型。

【解读】就是多模态突破。模型现在能在读懂三维图像的同时，参考二维图像的信息。

【注意】某些网址加载慢，打不开是因为魔法问题。

David Baker团队Nature综述：AI蛋白质设计正从造分子迈向造机器【深度查验】

该综述指出RFdiffusion等生成式AI已建立“骨架生成+序列设计+结构验证”完整流程，判断未来5-10年有望超越天然蛋白潜力。

【注意】某些网址加载慢，打不开是因为魔法问题。

多路超图神经网络MHGNN破解中药预测，准确率超92%【深度查验】

该框架将草药-症状相互作用建模为多重超图，采用分层消息传递与基于网络邻近度的负采样策略，在两个公开数据集上始终优于13个SOTA基线。

【解读】它可以用来解释中药为什么能治病。

AutoGaze自回归眼动模块实现19倍推理加速，支持千帧4K视频【深度查验】

该轻量级模块主动移除冗余视觉patch，将Token数减少4至100倍，使多模态大语言模型首次支持1000帧4K视频理解。

【解读】就是对数据剪枝，保留重要数据，常见的思路。

寻明生科完成3500万美元A+轮融资，加速AI驱动抗体药物从头设计【深度查验】

该企业资金将用于推进创新功能抗体设计平台AuraIDE™建设，已有一款药物即将进入临床，两款进入IND开发阶段。

北大研究员王鹤获北京青年五四奖章，系本年度唯一具身智能领域获奖者

其团队在泛化抓取、物体操作、3D寻物导航等方向实现原创突破，构建以“银河星脑”为核心的端到端闭环控制体系。

国务院参事薛澜出席中瑞创新政策研讨会，谈AI创新与能源转型

该学者为清华大学苏世民书院院长，就AI技术创新与能源转型议题进行了交流。

英伟达入股CoreWeave并推出Vera CPU，DeepSeek V4证实其GPU生产可用

该企业以20亿美元购入CoreWeave股权，后者成为首家部署Vera CPU的客户；新CPU基于定制Arm架构，拥有2270亿晶体管、88核176线程。

【解读】就是英伟达进一步进军CPU的举措。

【注意】某些网址加载慢，打不开是因为魔法问题。

Anthropic年化营收突破300亿美元，正式超越OpenAI成为美国AI营收榜首

该企业80%收入来自企业端，拥有超30万家企业客户，年付费超100万美元的大客户超1000家，模型训练投入仅为OpenAI的四分之一。

AWS发布桌面AI助手Amazon Quick，打通本地应用生态并接入OpenAI最新模型

该助手基于知识图谱打通邮件、日历、Slack等应用，可主动安排会议并生成PPT；同时首次将OpenAI前沿模型接入Amazon Bedrock（托管平台）。

18年开源老兵含泪告别：AI负荷致GitHub天天宕机，带5万星项目Ghostty迁离

Vagrant及Terraform缔造者Mitchell Hashimoto指出，AI浪潮将GitHub同时变成代码仓库、LLM训练数据池和AI Agent操作台，基础设施不堪重负。

GPT之父Alec Radford把AI扔回1930年：从未见过代码，竟写出了Python

该团队发布130亿参数talkie模型，全部训练数据来自1931年前的英语文本，验证LLM能力核心是推理而非检索，但传统OCR文本训练效率仅达人工转录的30%。