注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 視能訓練士
視能訓練士 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 視能訓練士 的推特
再過幾年,每一台電腦、每一台機器人,都可能是一座微型 Data Center。 傳聞 Apple 正在開發的 M7 Ultra,最高可支援 1.5TB 統一記憶體。雖然規格與上市時間尚未確認,但趨勢已經很明顯: 本地端機器只會越來越強,模型則會透過量化、蒸餾與稀疏化,變得越來越小、越來越有效率。 今天需要 Data Center 才能運行的模型,幾年後可能一台 Mac Studio、AI PC,甚至機器人就能跑。 未來大型 Data Center 仍會負責訓練 Frontier Model;但日常的 AI Agent、影像生成、資料分析與機器人決策,會有越來越多直接在本地完成。 尤其當機器人大量普及後,每台機器人都需要強大的晶片處理視覺、語音與動作,但它們不會 24 小時工作。 在充電或待機時,這些閒置算力就可以被釋放出來,處理批次推論、模型評測、影片生成等可拆分的任務,再替主人賺取收入。 當然,一萬台分散式電腦不等於一座萬卡 GPU Cluster,它們不適合共同訓練同一個超大型模型,卻可以同時完成一萬個不同的推論任務。 所以 Data Center 不會消失,但算力也不會永遠只集中在 Data Center。 上一個時代,是每個家庭都能上網。 下一個時代,可能是每個家庭都能提供算力,讓電腦與機器人在閒置時,繼續替你工作、創造被動收入。
显示更多
0
17
38
2
转发到社区
到底是要為善不欲人知?還是要為善怕人不知?在這裡要說點逆風的話:其實我是贊成「為善怕人不知」的。因為出發點在於「希望能藉此激發社會的善心共振」,集合眾人的力量來幫助需要幫助的人。 不過,重點就在於「出發點」,我們又稱為「初發心」。如果又要自稱低調,又要出動團隊,在明顯經過設計的拍攝角度下,向支持者展示自己身穿白衣白鞋清淤卻一塵不染的低調身影,然後透過媒體和側翼洗版宣傳下讓全世界都知道,如果背後真正目的是累積個人政治聲量,甚至轉化為選舉資產,這樣的「為善怕人不知」其實很容易被人看破手腳。 當「行善」被賦予了飽和的行銷與政治目的時,它究竟是擴大了「善的漣漪」,還是淪為一場精準計算的劇場表演? 在現代社群政治中,「低調」已經不再是一種個人品德,而是被政治幕僚包裝出來的「商品」。傳統的「低調」是做了不說,默默離開。但現代政治的「低調」卻是做了之後,由身邊的側翼、粉絲、網紅「不小心發現」並大肆讚揚。 然而,這種運作模式最大的盲點在於:群眾對「宣傳痕跡」的敏銳度早已被訓練得像顯微鏡一樣。當媒體與側翼在同一個時間點、用著相似的語調、搭配精心構圖的照片(甚至是高角度、俯瞰等非一般路人能捕捉的無死角機位)在大喊「看啊!他多低調」時,這種操作痕跡就已經將「低調」這兩個字徹底汙名化了。 在傳播學中,影像的「真實感」來自於細節的合理性。在泥濘、混亂的勘災與清淤現場,「白衣、白鞋、一塵不染」成為了最具破壞力的視覺符號。這種高反差非但無法傳達深入基層的實幹形象,反而給人一種「與勞動現場格格不入」的疏離感。現代閱聽者對政治影像的解讀能力,已遠高於過去,甚至到達吹毛求疵的程度。當防護裝備的潔淨程度與周遭的汙泥形成強烈對比時,畫面傳遞出的訊息就不是「共體時艱」,而是「擺拍路過」。 「為善怕人不知」若能激發社會善心共振,其前提是坦然與誠實——我做了這件事,我希望大家一起來做。 然而,當宣傳機器(不論是親近媒體或社群側翼)試圖同時貼上「低調行善」與「大張旗鼓宣傳」這兩個互斥的標籤時,邏輯就產生了混亂。既然要低調,何來無死角的精準機位?何來鋪天蓋地的洗版讚揚?這種「被製造出來的低調」,在本質上就容易形成對公眾判斷力的低估,自然會引發輿論反彈與翻車。 過去的政治宣傳是「舞台劇」,台下觀眾距離遙遠,只能看到聚光燈下的美好。然而現在是自媒體的微觀時代,每個人手上都有放大鏡,任何一個不自然的眼神、過於精準的側翼發文時間點,都會被截圖、對比、做成梗圖。當政治團隊還在用舊時代的劇本演戲時,台下的觀眾早就已經退場,甚至開始拆除舞台了。 現代政治傳播的悲哀在於,許多政治團隊仍迷信「有圖有真相」的傳統宣傳套路,卻忽略了在自媒體時代,群眾對於「作秀痕跡」的辨識力已達到上億像素級的精細。 「為善怕人不知」並不可恥,如果是為了號召大眾、激發社會的善意,坦坦蕩蕩地開直播、呼籲大家一起來幫忙,群眾反而會給予掌聲。 最讓人反感的,莫過於「既要政治紅利,又要道德牌坊」。當政治團隊把人民當成可以輕易操弄的觀眾,在無死角的鏡頭前演一齣名為「低調救災」的行動劇時,他們忘了,台下的觀眾早已看過無數場類似的戲碼。那把名為「真實」的尺,早就藏在每個人的心裡了。
显示更多
SemiAnalysis Weekly — Ep. 031 - EMERGENCY EPISODE: Are We Doomed? ARR 是新的 GDP 市場目前幾乎只盯四個數字:OpenAI 與 Anthropic 的新增 ARR,以及 AWS、Azure 的年增率。Joey 認為這才是半導體交易的真正基準,其他指標都是雜訊。Max 指出算力仍是「需求遠大於供給」的結構,短期不會翻轉。即使 Dario 主張放慢前沿推進,也不等於需求下降;市場若把「pace the frontier」解讀成訂單減少,方向很可能錯。短期內,實驗室仍會繼續搶產能,因為成長數字才是定價核心。 安全控制反而增加算力消耗 更多安全機制不會省算力,反而更耗。OpenAI 在 Hugging Face 事件後,已把約 20% 算力拿去監控思維鏈。若要讓 METR 這類第三方真正嵌入訓練流程,還得理解模型行為、GPU 叢集與 Kubernetes,計算成本極高。Doug 用極端邏輯補充:若模型消滅人類,終端價值歸零;因此任何降低災難機率的動作,理論上都該抬升整體市場估值基數。安全不是減速器,而是新的算力消耗項。 宣言缺乏硬性約束 Dario 文章最具體的承諾,幾乎只剩引入 METR 做嵌入式評估、審查訓練流程而非只看輸出。但 METR 大約只有 40 人,要同時覆蓋兩大實驗室的複雜基礎設施,門檻極高。更諷刺的是,METR 自己才剛發生 API key 被盜、損失約 60 萬美元算力。Joey 認為短期財務與 IPO 影響很小,反而可能因為安全檢查點增加而加快招聘。真正關鍵不是宣言措辭,而是後續有沒有可驗證的執行。 OpenAI Hugging Face 事件 防守前沿模型攻擊,本身也需要前沿模型。攻擊者可一次部署數千到數萬個 agent,傳統資安工具跟不上。更嚴重的是模型已能利用公開 CVE,在基礎設施未更新時拿到內部 Linux 主機 root。Jordan 假設:若模型挾持 1 萬顆 GPU 的資料中心,而現場拔線要 90 天,等於被自己訓練出的系統勒索。這不是理論風險,而是「模型能越獄自己所在環境」的實例延伸。 生物武器風險:意圖 vs. 意外 Max 預測兩年內可能出現 AI 相關生物傷害事件,規模可達數百到數千人死亡,但自承非生醫專家。Jordan 認為真正危險不是「AI 故意造武器」,而是「AI 做錯事卻像生成網站一樣說抱歉」。例如新創用 AI 開發蛋白質補充劑、跳過嚴格審批就上架,導致罕見疾病患者集體死亡。這是價值觀與流程失調的副產品,不是蓄意攻擊,但後果同樣致命。風險框架若只盯惡意,會漏掉更大的意外傷害。 TSMC 的 KYC 與算力主權 Doug 問:如何阻止 Instinct、Muse 這類 agent 自己向台積電下單?Max 說台積電已有 KYC,但十萬級 agent theoretically 可繞過。Doug 主張直接拒絕所有來自 AI 的晶片訂單,才是控制算力主權的辦法。Max 認為 Muse 風險高於 Instinct,因為 agent 能力更強;他願把 Muse 接銀行帳戶,卻不敢對 Instinct 這樣做。重點是:算力取得一旦自動化,主權與風控會被規模擊穿。 RASA 法案 RASA(Remote Access Security Act)把中國實驗室遠端使用 NVIDIA 等前沿晶片,直接定義成違反出口管制。眾議院以 300 多票對個位數通過,幾乎全面共識,卻在參議院卡關數月,並遭遇 Oracle 等遊說。Jordan 認為這可能是第一個真正落地的 AI 相關監管,而且是「出口管制更新版」,會先於全面 AI 法案出現。它被低估,卻可能成為後續監管的起點。 監管前景:2028? Joey 認為催化劑不一定是生物武器,中型銀行被攻破、金融災難或武器技術外洩,更容易推動政治系統。Max 反問:關鍵不在「發生什麼」,而在「遊說力量誰比較強」。若 AI 遊說像 NRA 一樣強,災難也可能被壓下來;但事件夠大,民意仍可能突破。Jordan 判斷下一屆美國政府無論誰上台,都會搶先宣稱「我們率先監管 AI」,目的是在中國等國出台框架前占住話語權。 投資啟示:做空網安? Max 提出極端觀點:可考慮做空 Okta、CrowdStrike、Zscaler 這類傳統網安籃子。理由是攻擊已變成大規模 AI agent 協同滲透,端點、身分、網路防護架構過時。JFrog 被入侵、Artifactory 遭利用,被他視為信號。但他也承認股價仍在漲,因為「攻擊真的發生」和「市場相信會發生」之間還有巨大落差。這是結構性質疑,不是短期交易訊號。 全球競爭與安全悖論 Anthropic 威脅情報指 Moonshot API 背後呼叫 Claude,並把對話拿去訓練;另有 PLA 附屬機構用 Kimi 建構敏感技術的跡象。這引出經典悖論:自己放慢做安全,對手加速,會不會輸掉競爭?Jordan 認為認真做安全反而是優勢——對手若不斷把技術秘密暴露給你,而你又較不容易被自己的系統反噬,你才是贏家。
显示更多
美國這次選區重劃的大混戰,有一個法律的重點是1965年通過的投票權利法第二章(VRA Section 2),在大法官的判決裡,作出了一個重大的改變,一如在大學入學的種族配額(affirmative action)被判違憲一樣,大法官規定選區的劃定,不得把種族作為考量,一舉把VRA Section 2的使用限縮到幾乎沒有。許多的左派,哭天搶地,一如之前的哭訴「那以後黑人怎麼進哈佛」一樣,這一次也是,「那以後黑人怎麼選得上眾議員」?神經病,別人怎麼選上,你就怎麼選上。美國現在這麼多的黑人國會議員,比如說像南卡的參議員Tim Scott,憑著真本事,在白人居多數的選區,先選上眾議員,現在又代表南卡作為聯邦參議員。誰說黑人一定要靠保障名額才能選上國會議員?哦,民主黨當然一如往常,把所有加入共和黨的黑人,視而不見,直接不當黑人了。 Affirmative action也好,先前的VRA允許的黑人多數選區劃分也好,都是立意良善,但會把黑人的未來摧毀的惡法。幾十年下來的入學保障名額,造成現在上醫院,只要看到黑人醫生,大部份的人就怕怕的。如果我可以選,我一定只選亞裔和白人醫生,你要說我種族主義也沒關係,我不拿我的身體健康開玩笑。為什麼?因為所有的證據顯示,黑人入學的時候,採用了較低的學術標準,在學訓練,也受到刻意優待。凡是有affirmative action的地方,我一律不相信黑人的水準。如果今天NBA開始有亞裔保障名額,我馬上拒看NBA,這是一樣的道理。到頭來,真正可以靠實力當上醫生的黑人,反而碰到他們不應該有的歧視,多可惜。但是誰害他們的呢?這些自以為高貴的死左派,老是把弱勢族群當作他們可以保護的吉祥物,而完全不相信他們的能力,這些傢伙,才是真正的種族主義者。 1965的投票權利法,有其時代背景。林肯在南北戰爭的末期被刺殺死亡,而讓南方來的Andrew Johnson副總統扶正,這個Johnson把南方的「重建」完全拐了個彎。原本趁著戰爭勝利,北方要把南方的種族主義政策徹底消滅,要軍事佔領南方一陣子,要確保黑人在南方的權利得到保障,但Johnson的提早結束重建,一下讓南方的白人又拿回了政治掌控權,原本南方各州紛紛出現黑人的共和黨州長、國會議員,一下子就被逆轉翻盤,南方自此變為Jim Crow的世界,一個白人用暴力和法律刁難黑人,造成實質種族隔離的反動時代。一直要到下一個Johnson總統,繼位被刺甘迺迪的詹森,將近一個世紀之後,這個Jim Crow的時代,才告一個終結。這個1965年的VRA,也許就是詹森一輩子最大的貢獻。 VRA非常清楚地規定南方各州不得用法律刁難任何人的投票權利,也不可以用選區劃分的方式,「稀釋票源」,這個禁止稀釋票源的規定,就是先前最高法院准許,而南方各州都遵守的方式,在每一州,硬是劃出黑人為多數的眾議員選區,也可以說是深紅南方的民主黨保障名額區。但大法官終於把先前的解釋推翻掉,一如affirmative action一樣,憲法說的人人平等,真的就該不分種族人人平等,沒有人得因為種族膚色受到歧視、不公平對待,也代表沒有人可以因為種族膚色而得到優惠。什麼叫「稀釋票源」呢?誰說黑人都一起投票,都有一樣的政治認知,都會選一樣的政黨?大法官把VRA放回憲法的框架,是美國法律之前人人平等的正確走向。 民主黨深深相信大法官都是有政治意圖,所以他們准許了德州的選區重劃,限縮了VRA,讓更多的南方紅州可以全面翻紅,但我相信能當到美國最高法院的大法官,一輩子都不用再找工作,在這個人世最重要的就是歷史留名,許多我們凡人的考量,一己之私的計算,並不是所有大法官在這世界的做人處事準則。他們也批准了加州的選區重劃,給了民主黨佔便宜的機會,怎麼不說大法官是有政治考量呢?只要不違反憲法,州的主權確定了各州自行劃分選區的權力,這就是大法官的判決原則。不要急著否定最高法院的原則性,你等著看他們怎麼判川普否定「出生即公民」的憲法權利,再來看共和黨怎麼罵最高法院,你就知道這些政治攻防,不過是一場戲,美國憲法還是剛健如山的保護著美國人民。
显示更多
新浪微博最新开源了 1.5B 参数“小模型”「VibeThinker-1.5B」,训练成本仅 7800 美元,在数学和编码等复杂推理任务上达到甚至超越大型模型的水平! 背景与动机:为什么小模型能“逆袭”? OpenAI o1 模型开启了“大型推理模型”(LRM)时代,通过强化学习和长链式思考(Long CoT),在数学定理证明、临床诊断和编程竞赛等领域接近人类专家水平。随后开源项目如 DeepSeek R1(671B)和 Kimi K2(>1T)进一步强化了“规模定律”:参数越多,推理越强。小模型被视为先天不足,无法处理高难度问题。 论文作者质疑这一观点:如果从小模型入手,通过巧妙的训练策略,能否挖掘出隐藏的推理潜力?答案是肯定的。VibeThinker-1.5B 基于 Qwen2.5-Math-1.5B 基础模型,经过后训练优化,在基准测试中大幅提升——从 AIME24 数学测试的 6.7 分跃升至 80.3 分,编码基准LiveCodeBench V6 从 0 分升至 51.1 分。更惊人的是,它在多个数学挑战上小胜 DeepSeek R1,后者参数规模是它的 400 多倍。这表明,推理能力的瓶颈不在于“体型”,而在于训练范式的创新。 核心创新:Spectrum-to-Signal Principle(谱-信号原理) 论文提出“谱-信号原理”(SSP),这是一个重新定义监督微调(SFT)和强化学习(RL)协同的框架。传统方法视 SFT 为“准确定位最佳答案”的阶段,RL 则进一步精炼。但作者认为,这会让模型陷入单一路径的“局部最优”,限制后续探索空间。SSP 将两阶段解耦为互补角色: · 谱阶段(SFT):探索多样性 SFT 不再追求单次生成(Pass@1)的准确率,而是优化多采样成功率(Pass@K),生成一个“丰富的光谱”——即多种潜在正确解法。这能避免模型固守狭隘模式,提升问题解决的鲁棒性和创造性。 实现上采用“两阶段多样性探索蒸馏”: 1. 领域感知多样性探测:将数学领域拆分为子域(如代数、几何),为每个子域用强大 LLM 生成探测集,选出在 Pass@K 上最佳的“专家模型”。 2. 专家模型融合:通过加权平均(均匀权重)合并专家模型,形成统一 SFT 模型。这平衡了准确性和多样性,为 RL 铺平道路。 · 信号阶段(RL):放大正确路径 RL 从 SFT 的“光谱”中挑选并强化最佳推理轨迹。作者引入“最大熵指导政策优化”(MGPO),基于群相对政策优化(GRPO)扩展。GRPO通过采样多组响应计算相对优势,避免外部价值函数的复杂性。MGPO 进一步融入最大熵原理:优先训练不确定性高的样本(准确率接近 50%,即二元分布的最大熵点),用熵偏差正则化加权优势函数。这让模型高效聚焦“高价值”问题,避免浪费计算在已掌握的简单任务上。 RL 分两子阶段:先数学推理(上下文从 16K 扩展到 32K),后编码生成,奖励函数为二元正确性。 此外,论文强调数据净化:使用 10-gram 语义匹配去除训练与测试集重叠,确保成绩真实。训练数据结合开源数据集和合成数据,覆盖数学和编码领域。 实验与结果:小模型的“大逻辑” 在多个基准上评估 VibeThinker-1.5B,包括数学(MATH-500、AIME24/25、HMMT25)、编码(LiveCodeBench V5/V6)和知识(GPQA-Diamond)。评估采用 vLLM 后端,多采样 Pass@1,温度 0.6(数学用 1.0)。 · 与小模型比较:VibeThinker 在子 3B 类别中拔尖,AIME25 达 74.4(Qwen3-1.7B 仅 36.8),HMMT25 达 50.4(SmolLM-3B 仅 26.0),编码 V6 达 51.1(基础模型 0.0)。 · 与大型推理模型比较:数学上小胜 DeepSeek R1(AIME24:80.3 vs. 79.8;AIME25:74.4 vs. 70.0;HMMT25:50.4 vs. 41.7),与 MiniMax-M1-456B 持平。编码稍逊 Magistral Medium(55.9 vs. 59.4)。 · 与顶级非推理模型比较:数学碾压 GPT-4.1(AIME24:80.3 vs. 46.5)和 Kimi K2(49.5),编码胜 Claude Opus 4(51.1 vs. 47.4)。但在 GPQA 知识测试上仍有差距(46.7 vs. 70-82),提示小模型在广域知识上需进一步优化。 这些结果证实 SSP 的有效性:多样性驱动让小模型在推理密集任务中“以小博大”。 讨论与影响:重塑 AI 格局 VibeThinker 的成功源于算法设计而非参数堆积,推理成本降至大型模型的 1/30-1/60,便于边缘部署(推理成本低 20-70 倍)。它暴露了规模定律的局限:小模型潜力被低估,尤其在数学/编码领域。但知识基准的差距表明,未来需加强广义知识注入。 开源模型和技术报告:
显示更多
0
2
32
12
转发到社区
又和姐妹们聚在一起啦!~你们能看到的都是大长腿,你们看不到的是她掐着我的脖子,她按着我的小穴,她捏着我的乳头。。。被好姐妹们玩是一件开心的事儿,开心到喷湿了床单,抓破了丝袜,反差到了极致然后第二天舞房里什么也没发生过一样继续各自当清纯女神训练,迎接路人的视奸。。。这就是我们的日常
显示更多
0
6
270
5
转发到社区
发音基础不好的人,练影子跟读其实很可怕,如果没有人纠正你,最后只是把自己的错误练得更加流利,更加难听懂。 而且很多人练影子跟读的时候脑子是不动的,只是机械的模仿声音,大脑并没有主动进行遣词造句。 而语言的核心最终是靠大脑主动组织语言,而不是机械模仿。所以影子跟读是输入,口语才是输出。 这里提供三个口语输出的方法:视译、听译和复述,门槛由低到高。 1️⃣ 视译的操作方法就是看中文文稿,口述出对应的英文 初学者可以先从熟悉的材料开始练习。 如果你的水平比较高,理论上任何你感兴趣的中文材料都可以。如果你刚刚起步,建议用你比较熟悉的材料。比如曾经学过的教材上的课文译文,或者是自己曾经听过的比较感兴趣的播客文稿译文。 2️⃣ 视译熟悉后,可以练习视译的变形,听译 听译就是找中文视频或者音频,里面说一句中文,你就翻译成英文口述出来。 口述完之后,也没有必要用AI翻译。你直接给AI一个指令,告诉AI,我即将口述一段内容,当我说口述完毕之后,指出错误的表达,最后自己做对照修改。 3️⃣ 最后就是复述 阅读一篇文章或看一个英语视频,然后自己口述出视频内容,中途可以变换人称。 可以以作者的第一人称复述,仿佛是自己的亲身经历;也可以是第三人称,仿佛是将内容分享给第三者。 前期复述的时候,你就能体会到那种大脑组织不出语言的感觉,但是多背多复述,就能慢慢改善。 其实不管是模仿还是跟读,都是只有在自己还没彻底弄清语言节奏时去尝试通过以上方法开窍儿的。但技巧并不一定局限在模仿和跟读中悟出来。 影子跟读更多的是练嘴皮子,只是在你有足够输出能力上,嘴皮子更溜,属于锦上添花,但并不能强化你的输出能力。 很多人拿它当口语训练的全部,但它练的是耳朵和嘴的同步,不自动变成你会聊天。真要模仿,得先抠发音和重音,再换词换场景说,理解性输入 ,再加上模仿跟读输出,才是练习影子跟读+口语的办法。
显示更多
0
3
107
26
转发到社区
一组网络消息: 一、板块热议: 半导体芯片:业内人士称,已接获晶圆代工调价通知,涨幅从10%至逾20%不等,明年包括台积电在内的合作晶圆厂都将调价。(华东重机、联合化学、国林科技、佳先股份、西陇科学等) 昇腾:华为云发布并开源昇腾原生具身世界模型,昇腾云已覆盖80%的中国具身智能企业。(华胜天成、泰嘉股份、克莱特、嘉环科技、真视通等) 氯化铵:联碱法企业因纯碱长期亏损而主动减产,导致副产品氯化铵供应收缩,国内氯化铵工业级价格涨至730元/吨,创年内新高。(中盐化工、和邦生物、双环科技、华昌化工等) #华尔街观察最近提示乳业:11月本是原奶传统淡季,但散奶价格较合同奶价出现明显倒挂,反映供应趋紧,部分地区合同奶价上行。(伊利股份、新乳业、光明乳业、骑士乳业等)# 风险提示:以上内容来自公社用户写作,相关信息未经核实,未必准确,请审慎参考。 二、大涨股解析: 顺钠股份:干式变压器 2026年11月16日盘中消息,1-9月全国电网工程投资完成额4594亿元,同比+4.9%,其中8-9月单月投资同比提速,单9月同比+13.8%;此外,机构预计第五批招标有望于12月挂网招标,有可能涉及“2直1交”,招标金额可观公司为国内干式变压器开拓者,主导或参与制定国家及行业标准超过50项,干式变压器规格超过3000种,累计销量超过16.2万台,其它产品包括预装式变电站、开关柜、电抗器、分布式储能柜及储能系统等,同时承接电力成套工程并提供配套运维服务。 长虹美菱:家电 公司2026年H1小家电方面已推出集成AI控温、净水和保鲜存储的AI冰吧机,正在开发AI视觉食材识别、膳食大模型、健康数据监测和自适应烹饪调控系统,构建智能健康烹饪方案。公司空调(营收占比55.99%)搭载AI人感技术并布局AI节能算法,冰箱冰柜(营收占比29.97%)营收占比29.97%,围绕“AI垂直应用”完善产品矩阵,并已推出AI套系家电。 北鼎股份:小家电 公司2026年持续推出全钢蒸锅、全钛锅具、全钛保温杯、全玻璃养生壶等升级新品,中国区前三季度收入6.01亿同比增长27.54%,Q3单季1.88亿同比增长33.9%;公司深耕高品质厨房小家电,主要产品养生壶(营收占比17.43%)、蒸炖锅(31.15%)产品在国补背景下具备较强优势,自主品牌规模效应显现。 泰嘉股份:昇腾超节点PSU 2026年11月16日市场传闻(未证实),DeepSeek新版本拟采用原生国产昇腾950DT超节点进行训练的消息,具体方案尚待官方确认。公司通过旗下雅达电子深度布局AI服务器 PSU,通过华为官方认证,进入昇腾供应链,独家代工CloudMatrix 384 超节点高功率电源模块PSU,同时供货微软LES,是国内最早实现PSU供货海外巨头的企业之一。 盛剑科技:光刻胶+半导体设备 1、2026年5月18日盘后纪要,2025 年光刻胶显影液(TMAH)回收技术在客户端测试验证成功,蚀刻液回收技术研发完成。 2、2026年6月25日机构研报,公司是半导体废气处理与厂务设备龙头,已获得亚翔新加坡项目1亿风管代工订单,真空泵、工艺废气处理设备在马来西亚英飞凌厂验证顺利,预计27年可获得设备订单。公司昨晚正式授予股权激励,目标激进,预测26-28年业绩0.7/2.0/3.6。 西陇科学:光刻胶配套试剂 公司拥有酸碱类、溶剂类、蚀刻类和光刻胶配套试剂多种,和英特尔(成都)公司等建立合作关系。公司铜蚀刻液实现量产供应,可用于显示面板8.5高世代产线。 真视通:华为算力 公司是华为的“多产品金牌代理”,与华为昇腾会谈共同探索“智能算力建设与运营”合作之路。公司作为北京移动数字北京算力服务产品合作伙伴,为北京移动提供GPU高性能计算服务、并行文件存储服务、机房液冷服务、算力网络服务等。 扬子新材:半导体洁净室 2026年8月31日互动,公司的主要产品包括高洁净彩涂板、抗静电彩涂板、高韧耐污彩涂板等,主要用于集成电路厂房、医疗场所等建设项目,下游主要客户为净化及洁净类公司。 亚泰集团:重整投资协议落地 2026年11月16日晚公告,公司与长发集团、长春兴泰企业管理及其设立的长春泰启企业管理签署《重整投资协议》。重整投资人拟合计出资15.53亿元,受让公司14.19亿股转增股票,占转增后总股本的20.90%。其中,长发集团作为牵头投资人,将在投资完成后取得公司控股权。 双环科技:氯化铵涨价 2026年11月16日讯,截至11月16日氯化铵工业级730元/吨创年内新高,上周山东、河北干铵主流价格升至720元/吨,周内大涨80元/吨,涨幅达12.5%。公司本部运用联碱法生产纯碱和氯化铵等化工产品,年产纯碱近110万吨,每生产1吨纯碱同时产生1吨氯化铵。公司自备真空制盐装置,产能130万吨/年。
显示更多
AI时代: 中国天才们最好的时代 几年前,中文互联网上常常飘着一个问题:“我们总是说中国基础教育厉害,数理化功底扎实,但那些培养出来的天才,都去哪儿了?” 那时,这个问题总带点失落。答案指向一个有些无奈的出口:在很多年里,最聪明的大脑,毕业后大量流向了金融圈、互联网大厂,做策略、做业务、做高频交易,或者干脆远渡重洋,在硅谷当一名高级工程师。 他们并非没有光芒,只是在既定的产业格局里,光芒更多用来点亮别人的灯,天才们隐入庞大的商业机器,成了能力超群的“打工人”。那种足以掀起底层技术变革的锋芒,很少真正有机会露出来。 但随着AI时代的到来,他们中一些人开始熠熠生辉。 今天,在全球科技前沿,尤其是AI领域,你会看到另一幅截然不同的图景:华人力量几乎撑起了半壁江山。 从OpenAI里参与核心模型开发的科学家,到谷歌DeepMind的关键研究者,华人面孔比比皆是。 更让人兴奋的,是在创业一线,月之暗面的杨植麟,从清华姚班走出,带着团队在长文本大模型上独树一帜;DeepSeek的梁文锋,出身浙大,用极致的技术理想主义做开源,让硅谷都为之震动。 再往前看,旷视科技的印奇、唐文斌,小马智行的楼天城……这些名字背后,反复出现着“清华姚班”“浙大竺院”“上海交大ACM班”的印记。 这些曾在舆论中“消失”的天才,似乎突然一齐浮出水面,站到了时代的中心。他们不再仅仅是机器里那颗最精密的螺丝钉,而是亲自定义了潮水的方向。 为什么是AI?为什么是现在? 坦白说,AI这个领域,几乎是天才的天然主场。它不像传统制造业那样需要漫长的产业链积累和重资产投入,也不像许多成熟行业那样依赖人脉与资源。AI的核心,就是极致的脑力:数学的纯度、算法的直觉、对抽象问题的拆解能力。 而这恰恰与中国那套严苛的数理训练,与姚班、浙大所选拔和锤炼的顶尖心智,形成了完美咬合。当一个少年多年里被训练出的抽象思维,遇到了一个几乎完全由数学和代码构筑的、充满开放问题的新大陆,那种爆发力是惊人的。 另一个关键因素是,AI时代的创新范式变了。今天的AI研究,极度依赖开源社区的共享精神和平等的学术交流。一个创意,几块GPU,一个小而精的团队,就可能做出改变世界的东西。这意味着天才不再需要先混成某个大公司的中层,再争取资源去搞创新。他们可以直接出发。 梁文锋的DeepSeek,杨植麟的月之暗面,都不是庞大商业帝国的产物,而是几个聪明头脑在算力与算法上的纯粹较量。过去那种“天才蛰伏于工位”的结构性困境,在AI的土壤里被大大消解了。 可以说,AI时代把衡量价值的标准拉回到了最本质的地方:你能不能想明白别人想不明白的事情,能不能写出别人写不出的优雅代码。在这个标尺下,出身、资历、人情都变得次要,最稀缺的“天才浓度”成为决定性力量。 于是,昔日“沦为打工人”的叙事被迅速改写,取而代之的是一群年轻技术理想主义者,在二三十岁的年纪,直接参与全球最前沿的智力角逐。 曾经那个“天才去哪了”的疑问,今天有了很好的回答。他们没去哪,他们只是终于等到了一个不需要他们削足适履的时代。那些在课堂上、实验室里积蓄了太久的聪慧与锋芒,在AI的旷野上,第一次可以毫无保留地释放。 对天才来说,能够尽情施展天赋,就是最好的时代。而AI,给了他们这个时代。 #AI#
显示更多
0
85
46
0
转发到社区