Google Earth的飞行模拟器✈️ 现已在网页端全球向所有用户开放 你可以打开Google 地球选择任意的地方，然后开启飞行模式，可以模拟驾驶飞机在空中飞行的感受 探索全球任意地点

谷歌真是绝了，又出了个有趣的东西： - Google Earth 飞行模拟器 - 你可以在Google 地图上的任意地方自由飞行，全程模拟飞机驾驶感 现已在网页端全球向所有用户开放， 飞行体验：

最近经常刷到，有人用 GPT-6 Astra 一句话做出能开的飞行模拟器、能玩的卡丁车游戏等有趣案例。 awesome-astra-prompts，这份列表收集整理了 211 个例子，每条都有提示词、成品预览图或视频、原帖链接，有源码的也附上。 覆盖 Blender 建模、Three.js 浏览器场景、Unreal 和 Unity 游戏，从黑洞渲染、乐高 1999 赛车重制到北京天坛祈年殿的网页 3D 都有。 GitHub： 提供了 14 种语言版本，中文目录是单独一份文件，仓库每天同步两次，新案例会自动进来。 想拿 GPT-6 Astra 试着做 3D 场景或小游戏，可以在这里找自己感兴趣的案例进行复刻。

以前想在电脑上开着飞机环游世界、鸟瞰地表，还得专门去下载安装好几个 GB 的谷歌地球专业桌面版，甚至要忍受复杂的配置？赶紧把那些笨重臃肿的桌面客户端连夜送进碎纸机！ ⚰️ 谷歌官方终于整了个超级大活！最硬核、最让人上瘾的 谷歌地球飞行模拟器（Google Earth Flight Simulator），现已直接在网页端向全球用户无门槛全量开放！无需下载任何插件，打开浏览器就能狂暴起飞！ ✈️ 网页端一键御风起飞 ⛰️ 硬核地貌“海拔剖面图” 📂 全新专业级导入类型 纯净、免费，网页端的流畅度直接拉向外太空。想要足不出户、零门槛体验全屏开飞机的老哥们，机长广播已响起，赶紧复制网址准备起飞👇（不会操作，无法调出飞行模拟器的看下图箭头指示） 🔗 网页端起飞直达： #谷歌地球# #飞行模拟器# #GoogleEarth# #黑科技# #网页神站# #极客必备# #环游世界# #免安装#

2026 年 9 月 29 日，OpenAI 在旧金山 Fort Mason 办了今年的开发者大会 DevDay。主讲是 CEO Sam Altman。其他几位上台的人都在做这些产品。产品团队的 Holly 演示了新产品 Dots。后训练（模型预训练之后做对齐和能力调优的阶段）研究负责人 Tejal 讲了模型怎么反过来帮 OpenAI 做研究。Codex 的演示由 Romain Huet 来做，他在 OpenAI 负责开发者体验，去年 DevDay 主题演讲里的 Codex 演示也是他做的。整场演讲分三块：面向用户的常驻智能体 Dots 和协作空间 ChatGPT Space，给开发者的新模型和新工具，以及帮开发者做分发、赚钱的渠道。 1. Dots：一直在线、会主动干活的智能体 Sam 把 Dots 比作电影里那种一直在身边帮忙的 AI 助手。他认为订餐厅、买机票这类代办虽然有用，但和这项技术能做的事比起来太小了。他想要的 AI 知道正在发生什么，也知道你在意什么，不用你事事交代。 Dots 是常驻在线的智能体（Agent），有自己的云端电脑和浏览器，能写代码、跑测试。它的权限跟着用户走，能直接用用户已经在 ChatGPT 里连好的插件，覆盖 4000 多个应用。除了在 ChatGPT 里对话，之后还可以给它发短信、打电话。目前每人先有一个 Dot，以后可以配一整组。Dots 跑在 本月早些时候发布的 GPT-6 Astra 上，Sam 称它是 OpenAI 对齐做得最好的模型。用户可以限定 Dot 能用哪些应用、能不能操作电脑，也能给它的各类操作写自定义指令，愿意交出多少责任就放多少权。 Sam 说，他自己的 Dot 每天早上会把夜里进来的消息过一遍，挑出紧急的提醒他。他说这让他拿回了一部分注意力，没那么离不开手机了。他还举了一个更重的例子：把应用从一个即将停用的旧 API 上迁走。这个 API 可能散落在代码库各处，改了哪里会连带弄坏什么，事先看不出来。Dot 可以追踪依赖关系，找出所有要改的地方，写代码、跑测试，最后把 PR（代码合并请求）交给团队审。他让听众想想，过去做这件事要几个人、花多久。 开场视频里，用户把自己的 Dot 改名叫 Alfred。Alfred 和另一个 Dot 帮用户上线网站，改董事会材料，在婚礼蛋糕商家取消后找好备选。它们还发现财务会和女儿的演出撞了期，提出改时间。每件事都是 Dot 推进到需要人确认的地方，再由人拍板。 2. ChatGPT Space：人和智能体一起用的工作区 Sam 认为，现有的生产力软件几乎都没考虑过人和 AI 一起干活。ChatGPT Space 以页面为单位，可以在里面写计划、做调研、生成图片和数据。页面和文件像网盘一样放在同一个空间里。Dot 能直接在页面上工作，在评论里 @ 它，它就会接活。页面本身也能带指令，比如“每天去看 API 平台的 Slack 频道，把发现更新到这里”。之后 Space 里还会加入演示文稿，格式做成智能体方便读写的样子，团队成员可以和各自的 Dot 一起改。 在 Holly 的演示里，页面用斜杠命令就能插入交互图表、表格和可运行的原型。她 @ 自己的 Dot（名叫 Dotty），让它把一组数据改成柱状图。图表可以按反馈类型筛选，Dotty 每小时刷新一次。她还让 Dotty 把“某位工程师在我 Slack 私信里提过的新手引导数据”补进 FAQ。Dotty 能看到她的上下文，所以这种模糊的指代也找得到。 3. OpenAI 内部怎么用 Dots Holly 用一个虚构的歌单应用 Blossom Music，模拟发布前一天的状况。早上 Dotty 已经做了几件事：发现发布评审会提前，改好了日历；看完前一晚测试用户的反馈；注意到设计团队临时改了首页，把新设计发给她。她让 Dotty 直接把这个设计做出来。Dotty 调用她笔记本上的 Codex 构建应用，在 iPhone 模拟器里跑起来，再提交 PR。现场的语音演示卡住了，Dotty 一直回复“还在查”。Codex 线程也报过一次错，她重试后才继续下去。 她说，Dots 真正改变 OpenAI 工作方式的地方在 Slack。Dots 在公司 Slack 里有自己的身份，员工就开始把它们当作代理人。被同事 @ 到的零碎请求，直接转给自己的 Dot 处理。建群时，大家从一开始就把各自的 Dot 拉进来，Dot 带回结果时所有人都能看到。 工程师走得更远。有人在反馈频道贴出会话 ID 和一个用户 bug，某位工程师的 Dot 就会接手排查，提 PR 修复。她说这是真实情况：工程师们的 Dots 每天这样修掉几十个 bug，Dots 这个产品本身有很多部分就是 Dots 写的。 4. 上线范围和企业用的 Specialist Dots Dots 和 Space 当天向 ChatGPT Pro、Business Premium 和 Enterprise 用户开放。Dot 包含在套餐里，和它的对话不占用额度。 企业客户还可以预览 Specialist Dots。这是由公司统一设置、供整个团队使用的虚拟同事，负责会计、市场、法务这类工作量大的事。公司给它目标和背景，审核它的产出，给它反馈，反馈在全公司共享。OpenAI 也在和微软合作，把 Specialist Dots 接入 Agent 365（微软用来管理企业智能体的工具），企业可以用已经在用的微软工具来管理它们。 5. 新模型：更便宜的 GPT-6.1 Sol，更快的 UltraFast Astra 发布这几周，用户的要求集中在两点：更便宜，更快。GPT-6.1 Sol（转录稿误作 Soul）的能力接近 Astra，价格是它的五分之一。缓存输入（重复发送、已被缓存的上下文）比标准输入便宜 95%。智能体需要反复读同一批上下文、长时间迭代，这对它们尤其省钱。Sam 说 Sol 在某些方面比 Astra 还聪明，定位是开发者的日常主力模型。 UltraFast 是新的速度档，API、ChatGPT 和 Codex 里都能用。原有的 Fast 档是两倍速度、两倍价格；UltraFast 是八倍速度、六倍价格，每秒 300 个 Token。它现在可以配合 Astra 用，之后也会支持 Sol。现场让两个模型用同一个提示词，做一个 DevDay 配色的火箭。UltraFast 的火箭已经升空时，标准速度的还没做完。 订阅也跟着调整。新推出的 500 美元档 Pro 订阅叫 Pro 500，额度最高，是 Plus 的 25 倍。它可以在 ChatGPT 和 Codex 里用 UltraFast，还能通过“用 ChatGPT 登录”在合作方的应用里使用。Pro 200 重新开放，继续提供所有前沿模型。 另外预览了 Decisions API。它给 Luna 模型一组预先定义好的选项，让模型从中选一个，比如给请求分流、给图片分类、决定智能体下一步做什么。任务收窄成选择题之后，响应时间可以压到一秒以内，同时保留图像理解、多语言和安全防护。Romain 后来补充说，做机器人的朋友看中的是它能处理视觉输入：机器人可以根据看到的东西，近乎实时地快速行动。 6. 模型开始帮 OpenAI 做研究 Sam 提到，去年这个时候，他和 Jakob 在一次直播里预测，一年内会出现第一个“AI 研究实习生”，当时几乎没人相信。几周前 OpenAI 宣布达成了这个目标：有了一个能接手定义清晰的研究任务的系统，这类任务原本要熟练的研究员花大量时间和精力。 Tejal 的方向是电脑操作（computer use，让模型像人一样操作桌面和浏览器）。她举了两个例子。 第一个是让模型优化电脑操作的运行框架（harness，包在模型外面、负责调用工具和管理步骤的代码）。模型在循环里持续寻找能同时降低延迟、提升效果的改动，团队把找到的改进合进生产环境的框架，并用于后训练。结果是延迟改善了两倍以上，已经上线。 第二个是模型帮忙改进了监控和拒绝训练，让 Astra 在不安全的场景里更会拒绝。Astra 在电脑操作压力测试上因此达到业内领先，操作时出错更少，也更贴合用户的本意。 她给出了几项内部数据。今年夏天之后，研究工作消耗的 Token 量急剧上升。1 月时，模型能做好 15 分钟以内的短任务，需要一天以上的任务大多会失败；到 7 月，超过三分之一的一天量级研究任务，模型能在无人干预下完成。她还提到，Astra 这类模型已经帮忙解决了 100 多个悬而未决几十年的数学问题，也在参与针对耐药感染的新抗生素、古代语言研究、可再生能源和工业机器人等方向的工作。 7. 给开发者的底层工具 Sam 说，OpenAI 想让开发者用上自己内部用的东西。 第一件是 Codex 的运行框架。它同时支撑着 Codex、ChatGPT Work 和 Dots，目标是用最少的 Token、最快拿到准确结果，现在已经开源。第二件是 Codex 完全上云：在手机上开始的任务，可以在浏览器或桌面端接着做，合上笔记本任务也不会中断。 云端能力带来了 Codex Security Cloud。它在云端环境里持续寻找漏洞，并准备好验证过的修复方案供人审核，这次新增了自动去重、定时扫描和新界面。Sam 说这是为了给防守方更好的工具，因为“我们看得到接下来会发生什么”。 新的 Agents API 进入公开测试。它包含运行框架、托管、记忆、多智能体控制等功能，是 Codex 和 Dots 用的同一套技术，也加入了电脑操作能力。现场的例子是一个网站测试智能体，会自己打开浏览器、点击页面、测试流程。基础设施方面，OpenAI 和 AWS 合作推出由 OpenAI 驱动的 Bedrock（AWS 的托管 AI 服务）托管智能体，AWS 客户可以直接使用 OpenAI 的前沿模型、Codex 和 ChatGPT Work。 隐私方面预览了 OpenAI Private Intelligence。其中的零数据留存（ZDR）配合私有安全处理，可以在不把用户内容存到 OpenAI 服务器的情况下做安全检测；私有推理则把隐私保护延伸到推理阶段。Sam 说这套方案是和最大的一批客户一起设计的，目的是让他们能把模型用在最敏感的工作上。 性能方面，Responses API 一年里增长了 100 倍，可靠性保持在 99% 以上。首个 Token 的等待时间缩短了 45%，工具调用和工作流提速 30% 以上。 8. Romain 的 Codex 演示 演示从手机上的 Codex 开始。Romain 人还在会场外，让 Codex 替他跟观众打招呼、讲一个会场的冷知识。接着他用几张会场照片生成的 3D 场景演示 UltraFast，一边说一边改：把小人放到座位上，把直播画面投到场景里的大屏幕上。现场语音没连上，他改成了打字。 Codex 命令行工具（CLI）这次全面翻新。他让 UltraFast 写一个应用，从观众里随机抽三个人送明年的门票，几秒就写完；改成抽六个人，也几乎是瞬间完成。命令行现在支持由 GPT Live 驱动的双向实时语音，不只是语音转文字，但现场没能演示出来。 后面几段演示了多模态和电脑操作。游戏 Astra Adventures 从一张纸上的草图开始，几轮之后画面还很粗糙，借助图像模型，才变成有质感、能用在正式游戏里的美术。然后他让 Astra 通过浏览器自己学着玩这个游戏，屏幕左边显示模型的决策，右边显示它按下的按键。 他又用“应用快照”（app shot）把自己记录飞行课程的应用作为上下文交给 Codex，让它在各种屏幕尺寸下审查这个应用并截图。Codex 自己在模拟器里点开了各项功能。云端 Codex 现在和本地版用同样的工具，包括插件和电脑操作。他顺手把一个“用 Rust 重写整个后端”的任务丢到云端，打算稍后在手机上查看。 最后一个演示用的是 Hugging Face 借来的可编程小机器人 Micro Duck，它名叫 Lavender。Romain 前一晚让 Codex 把它接好：视觉用 Astra，图像生成用 GPT Image 2.5，语音交互用 GPT Live 1。机器人现场看着观众画了一幅画。他说，OpenAI 做 Dots 和 Codex 用的，就是 API 里开放给开发者的同一批工具。 9. 分发和变现：让开发者在 ChatGPT 上做生意 ChatGPT 每周大约有 12 亿人使用。Sam 承认，此前类似的尝试效果参差不齐。他说这次有信心，是因为开发者拿到的是 OpenAI 自己做 ChatGPT 用的工具。 第一项是“用 ChatGPT 登录”（Sign in with ChatGPT）。用户登录第三方应用时，可以直接用自己 ChatGPT 套餐里包含的 Token，开发者不必替新用户垫付模型费用。首批有 16 家合作方。 第二项是插件扩展（plugin extensions）。开发者可以把编辑器、仪表盘乃至整个工作区，做成原生嵌在 ChatGPT 和 Codex 里的应用。现场展示了三个例子。一个是会议应用：在 ChatGPT 里看日历上的会议，点“记笔记”后，页面变成团队和 Dots 一起跟进待办的 Space。一个是 Figma：打开设计稿、看团队评论、让 ChatGPT 改稿。还有一个是 Adobe：在 ChatGPT 里使用 Photoshop 的功能。ChatGPT sites（在 ChatGPT 里生成的网站，几个月里已有数百万个）现在也能接入插件和数据。访客用自己的账号登录、带上自己的智能体，看到的内容因人而异。 用户发现插件的渠道也扩大了。除了在插件库里搜索，ChatGPT 还会在对话中识别出能帮上忙的插件，用户当场就能连接。插件审核流程也简化了：开发者可以跟踪审核进度，看到需要修改的地方，申请人工复审，更新工具时也不用从头提交。 第三项是 OpenAI Marketplace，首批有 30 多家合作方，包括 CodeRabbit、Notion、Vercel。企业客户可以用已经和 OpenAI 签下的采购承诺额度来买这些产品，有承诺额度的开发者也能在这里花。通过和模型推理托管公司 Baseten（转录稿写作 Base10）合作，市场里还能用到开源模型。 10. 收尾：一次额度重置，和“文艺复兴”的说法 当天的后续安排里，Peter 会讲 OpenAI 对开源社区的投入，包括新的 OpenClaw Enterprise Harness（OpenClaw 是一个开源 AI 智能体项目）。还有一个 Codex 游戏工作室环节，观众可以用 Codex 做复古游戏，每人能领一台 DevDay 限定的 chromatic computer，用来玩自己做的游戏。最后是 Sam、Tibo (Thibault) 和 Tejal 的现场问答。 Sam 和 Tibo 还在台上按下按钮，给全世界的用户重置了一次用量额度。Sam 说 OpenAI 已经做过太多次重置，Tibo 一直想把公司改名叫“重置公司”。 最后 Sam 说，他不喜欢把 AI 比作新一轮工业革命，那意味着人变成巨大机器里的齿轮，转得越来越快；生活里有些部分不能也不该被自动化。他希望，如果做对了，AI 带来的会更像一场新的文艺复兴：让人对自己的生活有更多掌控，有更多工具去创造、学习和探索。

关于用iphone当冷钱包，我知道这可能会引起恐慌，但是现实问题必须面对，从我知道的角度分享下用闲置手机当冷钱包的风险： 手机当冷钱包的原理：重置后的手机装支持QR码的开源钱包APP，装好后开飞行模式断网，在断网状态下生成或者恢复助记词，因为是用QR的方式签名，所以之后这台存着私钥的钱包可以一直不碰到网络。 但是手机这种硬件平台存在几个硬伤： 第一个是蓝牙： 尤其对于苹果来说，只要电池还接在主板上，蓝牙模块就是一直开启的，这是为了find my功能有的机制 苹果的蓝牙之前已经被攻破过，没记错的话是用模拟苹果的配件来取得设备的控制权。 因为存着私钥的离线设备绝不可以联网，所以设备的系统版本也不会更新，老系统的漏洞会成为私钥被偷走的入口 防范措施只能拆机，把蓝牙➕Wifi模块拆焊，同时不用的时候能把电池拔下来，但是这个处理方式对于绝大多数人来说还不如拆开买到手的冷钱包看看有没有被改过。 第二个是加密被破解： 苹果的加密现在应该是CPU里面的协处理器实现，我们应该已经都知道警察已经把前几代的iphone和mac的加密成功破解能实现取证了 所以如果你想用手机当冷钱包，你只能每更新一代新设备就升级一次，每次拿到手之后拆蓝牙➕Wifi模块，魔改电池部分做成可拆卸 不然，想要你资产的人伪装成假警察，机场安检环节，甚至真的警察都可以在拿到你设备后把你的私钥拿出来，而且取证是整个设备做镜像，结束后设备可以当作无事发生一样还给你，可以做到不留证据和痕迹偷走你的资产 所以一个现实情况需要面对： 这次Ledger的供应链攻击让人们知道硬件钱包最脆弱的两个部分，一个是软件漏洞被利用，让黑客反算出你的私钥，另一个是供应链到运输的每个环节设备都有机会被入侵，唯一的防范措施只能是受到设备后拆开验证 手机当冷钱包用风险也很大 唯一解只能自己动手用树莓派做冷钱包，然后设计下硬件来防止别人能轻松拿走你树莓派的SD卡 于是总的来说，自己存数字货币资产变成了一种风险很高，技术门槛也很高的行为，暂时最安全的方式很遗憾是非常不去中心化的交易所和支持存币的银行 直到有供应链到运输环节都可以被信任的产品出现 如果能理解到这里，就能知道这次事件对这个行业的负面影响有多大了

FEL：马斯克重新定义 EUV并开启太空芯片制造 马斯克最近一句“FEL FTW”，让 Free-Electron Laser（自由电子激光器，FEL）重新进入半导体行业视野。 市场很容易把这件事理解成“马斯克要造自己的 ASML”，但这可能并不是最准确的框架。 FEL 首先不是一种全新的光刻原理，而是一种新的 EUV 光源。如果这条路线最终进入 Terafab，它真正挑战的可能不是整台 ASML EUV scanner，而是过去二十多年 EUV 产业形成的一个基本架构：每台 scanner 配备自己的 LPP 光源。 FEL 更激进的可能性，是把 EUV 光源从 machine-level component 变成 fab-level infrastructure。 1、从锡滴到电子束 今天 ASML EUV 的核心波长是 13.5 nm。产生这种光的方法非常复杂：高功率激光每秒数万次击中高速飞行的微小锡滴，把锡瞬间变成高温等离子体，再从等离子体辐射中收集 13.5 nm EUV。这就是 LPP，Laser Produced Plasma。这里有巨大的工程问题：锡滴变成超高温 plasma然后才能产生 EUV。 但过程中必须处理：锡碎屑、collector污染、hydrogen plasma、镜面寿命、清洁、热负荷…… 这本身就是 ASML/Cymer 二十多年积累起来的一座巨大技术壁垒。ASML甚至长期与大学研究团队合作解决氢等离子体环境、锡清洁和组件寿命问题。 FEL 完全不同。电子枪产生电子束，加速器把电子加速到接近光速，再让电子穿过周期性磁场组成的 undulator。电子不断摆动并逐渐形成 microbunching，最终产生高度相干的电磁辐射。通过设计电子能量和 undulator，可以直接产生 13.5 nm EUV。 所以两条路线解决的是同一个问题：怎样大量、稳定地产生 13.5 nm 光子。LPP 的答案是“激光+锡等离子体”；FEL 的答案是“相对论电子束+加速器”并以此绕过锡等离子体的巨大工程技术壁垒，并还能增加EUV photon throughput。 2、FEL 最大的赌注是功率 EUV 光源功率直接影响曝光速度、光刻胶剂量和 scanner throughput。LPP 已经从早期几瓦一路发展到数百瓦，并正在向千瓦级推进。但继续提高功率越来越困难。更多激光能量意味着更极端的锡等离子体、更大的 collector 热负荷、更严重的污染和更复杂的系统可靠性问题。 FEL 的长期诱惑在于数千瓦甚至 10 kW 级 EUV。公开的 FEL-EUV 研究已经讨论过这种量级。这里必须区分“理论/工程设计目标”和“半导体量产能力”：今天并不存在一台 10 kW FEL 在先进晶圆厂里稳定量产芯片。但如果这种光源最终实现，它提供的就不只是“比 LPP 多一点光”，而可能是一个数量级不同的技术路线。 FEL 的优势也不仅是功率。它可以提供高度相干、窄频谱、可控偏振的辐射，没有 LPP 那套锡滴、锡碎屑和等离子体污染问题。某些偏振模式甚至可能改善极小尺寸图形的成像对比度和 process window。换句话说，FEL 不只是更大的灯泡，而可能是一台更强、更干净、更可控的 EUV photon engine。 代价也非常明显：它把“锡滴地狱”换成了“粒子加速器地狱”。 电子枪、RF、加速腔、磁铁、undulator、超高真空、beam control、energy recovery、冷却和控制系统，每一项都可以成为新的工程瓶颈。今天 LPP 最大的优势不是物理原理漂亮，而是已经经过数十亿小时级别的产业学习和大规模晶圆生产验证。FEL 最大的问题也不是能不能产生 EUV——答案早已是能——而是能不能把一个粒子加速器变成 semiconductor-grade manufacturing infrastructure。 3、Terafab 改变了 FEL 的经济学 如果目标是制造一台设备卖给 TSMC，FEL 的体积和复杂度是巨大劣势。但如果目标从“造一台光刻机”变成“从零设计一座超大型 AI 晶圆厂”，问题就完全不同。 传统架构大致是： Scanner A + LPP A Scanner B + LPP B Scanner C + LPP C Scanner D + LPP D FEL 更激进的架构可能是： 10 kW Central FEL → EUV Beam Distribution → Scanner A / B / C / D / E…… 这意味着不再试图把一个粒子加速器塞进光刻机，而是直接把整个晶圆厂建在粒子加速器周围。FEL 从一台机器的 component，变成整个 fab 的 utility，类似电力、超纯水和中央气体供应系统。 这可能正是 Terafab 与 FEL 结合最有想象力的地方。巨大的 accelerator 不再是单台 scanner 必须承担的固定成本，而可以由十台甚至更多 scanner 分摊。一套价值数亿美元甚至更高的 FEL，如果能够稳定向大量 scanner 提供数千瓦 EUV，其单位曝光成本可能完全不同。 4、长期看，FEL 甚至比传统光刻机更适合成为“太空半导体工厂” FEL 本身具有几个天然适合太空的特征。首先是高真空。电子束和 EUV 本来就需要真空环境，太空至少在外部环境上与这套系统高度兼容。其次是规模。地面建设一公里级 accelerator 意味着土地、建筑、隧道、地基和振动隔离；轨道大型结构如果未来能够低成本模块化部署，“很长”本身未必是最致命的问题。第三是机械环境。太空不存在传统地震和地面振动， 因此轨道 FEL 比轨道先进晶圆厂更容易想象。当低成本重型运输、机器人自主建设维修和高度自主 AI fab 同时成熟以后，“Orbital FEL Terafab”更可能从科幻式工程概念变成真正可以计算 ROI 的工业方案。 5、RSI 是 FEL 最值得关注的变量 这可能是整件事情最重要、也可能是最终让马斯克下定决心的因素。 AI 对成熟 LPP 和 FEL 都有帮助，但边际价值可能非常不同。LPP 已经经历二十多年极端工程优化。剩余问题越来越集中于 collector 寿命、热负荷、锡污染、材料耐久性、光刻胶和精密制造。这些问题 AI 可以帮助优化，但越来越受到现实材料和制造能力限制。 FEL 仍然拥有巨大的未搜索设计空间。Electron gun、beam energy、emittance、RF phase、bunch compression、magnetic optics、undulator geometry、energy recovery、beam distribution 和反馈控制形成一个极其复杂的高维系统，而且其中相当大一部分可以通过 Maxwell equations、particle dynamics 和 accelerator physics 在计算机里模拟。 这恰好是科研 AI 最容易产生巨大杠杆的领域。 过去是工程师提出一个方案，跑 simulation，修改参数，制造 prototype，再测试。未来可能是 AI 生成十万种 architecture，用 surrogate model 初筛，再通过高精度 physics simulation 搜索 Pareto frontier，最后只制造最有希望的几十种设计。 AI 的价值还不仅在设计。FEL 最大的工业问题之一是稳定性：RF phase、beam energy、magnet current、temperature 和 beam position 的微小漂移都可能最终变成 wafer 上的 CD variation。FEL 本质上也是一个巨大的实时高维控制系统，而这正是 advanced AI control 最可能发挥作用的地方。 能力不断增强的ai，会让FEL开发建设循环变成： AI 设计 FEL Gen 1 → 制造 → 自动采集 beam/wafer 数据 → AI 找到 simulation-to-reality gap → 修改 accelerator、undulator 和 control → FEL Gen 2 → 更多数据 → FEL Gen 3。 这也解释了为什么 FEL 在 RSI 时代可能比过去任何时候都值得重新评估。没有 AI，挑战拥有二十多年工业学习曲线的 LPP 是一个极其困难的命题。有了越来越强的科研 AI，FEL 大量尚未解决的问题恰恰属于 AI 最容易压缩的“simulation + search + optimization + control”空间。 因此，马斯克看好FEL，其底层的最重要的逻辑其实是： 当 AI 芯片需求扩大一个数量级、科研 AI 开始参与硬件设计、晶圆厂走向 Terafab 规模以后，FEL架构，相比今天以独立 scanner + 独立 LPP source 为核心的 EUV 架构，更可能会是最优解！

每一年我都要骂一遍。自动化（控制科学与工程）是典型的万金油专业，所有专业都蹭一点点。 强电电机电力拖动光伏新能源整流逆变蹭一点，弱电电子信息蹭一点，信号蹭一点，计算机和嵌入式蹭一点，过程控制与化工蹭一点，航空航天飞行器蹭一点，测控仪器仪表蹭一点， 就本专业里面，自动控制学还学不完 ，模式识别是吃前50年计算机image processing和cv的剩饭，凸优化也是借来的，各种时域频域信号处理也是偷来的， 最玄学的各种专家系统、模糊控制、遗传算法、鱼群算法等等灌水重灾区，完全是1950年代美国古典人工智能时代偷来的。 现代控制理论是唯一一个自留地，没有任何工业和商业价值，成了应用数学里面最烂大街、最臭不可闻、门槛最高、落地价值为0、灌水最踊跃的小方向。 这个专业有一个好，就是各行各业的外行大傻逼们，都以为你是自己人， 科技互联网也能让你混进去，面machine learning engineer的时候算法题一愣一愣的，新能源电机光伏储能也能进去，整流逆变起手就在白板上画，弱电嵌入式各种消费电子也能进去，工业控制传感器PLC也能进去，图像处理美颜也能混进去，航空航天飞机大火箭也能进去滥竽充数，大化工大制造业过程控制也能进去，生物医疗器械各种CT和X光机器设备厂也能进去，什么数学物理计算化学计算材料计算生物跑模拟也能进去， 什么物联网、AIoT、遥感等等，全都是自动化专业出身这批混子们的身影，你不上一次当，你永远以为自动化毕业生是诸葛亮，无所不知，无所不能，解答世间万物。 这批自动化最牛逼的，是炒热具身智能这个方向，一堆人靠简单的运动控制，能瞒天过海组团上春晚，所有人都被这个骗局吓傻了，几十亿几百亿往里投钱，开始意淫星球大战、黑灯工厂、解放全人类了。 自动化是当代中国最成功的专业，是工科里真正的跳大神、画皮、国学，兼容并包，一切都会，一切都能干，真正中国工程界的安宫牛黄丸、板蓝根、片仔癀。

主提示词： 19秒，16:9，30fps，4K，写实电影级亚洲近身动作片，视觉上连续的一镜到底，专业武术指导，克制的少量血沫与口水，不出现重度血腥。 场景是一座宽阔的工业摄影棚兼仓库：灰蓝色水泥地面、红色定位线、黑色钢结构墙壁、黄色金属栏杆、堆叠纸箱和高处工业灯。冷灰色电影调色，局部暖黄色实景光，高反差照明，空气中存在轻微尘埃，背景保持真实而不过度虚化。 两名年轻亚洲男性进行无武器近身格斗。主角黑色中短发，穿飘逸的白色长款连帽外套、黑色内搭、黑裤和白鞋；对手身材高瘦、黑色短发，穿全黑连帽夹克、黑裤和黑鞋。两人的脸部、发型、服装、身高比例和左右位置全程一致。 0–2.1秒： 从两人拳头和手腕相互抵住的极近特写开始，画面中主要是交错的拳头、指节以及黑白袖口。浅景深，背景仓库化为柔和光斑。镜头沿两人的手臂缓慢横移并轻轻拉远，焦点从指节转移到白衣主角紧绷的眼神和面部。双方保持静态角力，手臂肌肉轻微颤动，营造爆发前的压迫感。 2.1–5.4秒： 动作突然加速。白衣主角踏步贴身突进，连续打出快速直拳、短摆拳和近距离前臂攻击；黑衣对手侧闪并抬臂封挡，随即挥拳反击。白衣主角以咏春式黏手连续截击，拍开手腕、改变攻击线路，低头钻入对方防线，压低重心打出短距离躯干拳。 镜头采用24毫米广角贴身跟拍，迅速从手部特写拉到双人中景，随后贴着肩膀顺时针环绕。手臂数次掠过镜头形成自然前景遮挡，伴随快速甩镜、轻微荷兰角和真实运动模糊。镜头运动激烈但始终能够辨认双方位置和动作方向。 5.4–6.3秒： 白衣主角从低位打出向上的掌根或前臂攻击，准确命中黑衣对手下颌。镜头从胸口高度快速下沉并推到对手面部的极低机位特写。命中瞬间，黑衣对手面部产生短暂的真实挤压，头部沿受力方向向侧后方甩动。 对手嘴角喷出少量半透明口水细雾，混合三到五颗暗红色小血沫。液滴严格沿打击方向飞散，在工业逆光中短暂闪亮，随后受到重力影响落下。下唇和嘴角留下非常轻微的血迹，没有开放性伤口。使用短暂速度坡度慢动作突出击中、液滴飞散和痛苦表情。 6.3–9.5秒： 速度恢复。黑衣对手横向挥臂反击，白衣主角双手交叉截住攻击，控制手腕并向下牵引，低头从手臂下方钻过，绕到对手侧面。双方进行连续的手臂缠斗、反抓、格挡、肘部封锁、肩部撞击和近距离换位。 白衣主角拍开对手拳头，以开放手掌托起下颌，同时控制另一只手腕；黑衣对手扭转身体尝试挣脱。镜头从两人之间穿行，紧贴手掌、手腕和面部进行横向弧形运动。衣袖偶尔遮住大半画面，遮挡结束后自然显露新的攻防位置，不出现硬切。 9.5–10.2秒： 白衣主角移动到黑衣对手侧后方，一只手控制手腕，另一只前臂压住颈侧，使对方失去平衡。镜头形成倾斜的面部近景，黑衣对手咬紧牙关并挣扎，嘴角仍保留很少的血迹。动作短暂放慢，强调颈部控制和身体重量。 10.2–11.6秒： 镜头顺着两人的身体快速下沉至贴近地面的低机位。白衣主角稳定支撑脚步，以膝击接低位侧踢破坏对手重心。白色长外套从镜头前方掠过，形成强烈的白色动态前景。 在腿部完全伸展、对手身体开始倾斜的瞬间进行约一秒的速度坡度停顿。能够清楚看见鞋底、裤脚、重心转移和衣料惯性，随后恢复正常速度。 11.6–13.3秒： 黑衣对手弯腰后强行旋转身体，尝试以反身肘击和横扫摆拳反击。白衣主角后撤半步避开肘尖，随即贴身进入内侧，截住前臂、转动髋部并把攻击引向一旁。 镜头跟随两人重新升高，从低机位迅速抬升至胸口高度，并以弧形轨迹环绕。高速阶段产生自然背景拖影，仓库中的栏杆、纸箱和地面红线形成明显的空间参照，最后拉到能够看清两人全身关系的中广景。 13.3–14.4秒： 两人在极近距离同时停住，拳头分别悬在对方面前，身体保持蓄力状态。白衣主角略微侧身，黑衣对手后脚支撑、上身前倾。动作近乎定格，只有呼吸、眼神、衣摆和肌肉存在细小运动。 镜头由激烈手持突然变为稳定的缓慢横移，形成短暂而压迫的安静，让观众清楚看见双方距离和下一击路线。 14.4–16.3秒： 白衣主角突然爆发，拍开对手的防守手臂，踏入内线，以短距离肘击或前臂横击重重命中黑衣对手的下颌与颈侧。动作短促、准确、有明显的髋部发力和肩膀传导。 镜头高速甩入极近面部特写，在接触瞬间产生真实横向运动模糊和一次克制的冲击震动。黑衣对手的脸沿受力方向转动，一小团扇形口水雾从嘴边喷出，其中混合少量暗红血点。血量非常克制，只出现几颗飞散血滴和嘴角血迹，没有大量喷血、伤口或牙齿脱落。 命中后进入约一秒半的速度坡度慢动作。黑衣对手眼神失焦，头部自然歪落在白衣主角的前臂上；细小液滴继续沿原方向飞行并迅速落下，白色衣袖只沾上一两颗很小的暗红血点。 16.3–19.1秒： 白衣主角旋转撤步并释放对手。黑衣对手失去支撑，向后倒地、翻滚一次，最终趴倒在远处地面。身体落地具有真实重量和惯性，不弹跳、不漂浮。 镜头随着白衣主角的旋转迅速拉到低机位中广景。白衣主角背对镜头站在画面前景，长款白色外套因旋转大幅展开，在空气中形成圆弧状飘动，并逐渐缓慢落下。黑衣对手位于背景左侧，先挣扎一下，随后完全倒下。 镜头最终稳定保持英雄式背影构图，轻微向前推进。白色衣摆占据视觉中心，仓库的巨大纵深完整展现，空气中的尘埃和几颗极小液滴在逆光中一闪而过。 19.1–19.3秒： 白衣主角保持背影站立，黑衣对手倒地不动，画面快速而平滑地淡出黑场。 整体视觉要求： 电影级真实人体动力学，专业近身格斗编排，每次攻击都包含预备、发力、接触、受力和回收。拳头、手掌与身体存在准确接触点，受击方向符合物理规律。衣服具有真实重量、褶皱和惯性，白色长外套形成富有表现力的动态轮廓。 模拟24毫米至28毫米广角电影镜头，贴身稳定器结合克制手持感，浅景深焦点转换，甩镜、弧形环绕、低机位、前景遮挡、轻微荷兰角、真实180度快门运动模糊。主要依靠镜头移动和遮挡完成转场，没有明显硬切。 口水呈半透明细雾，血液为少量暗红小血点，飞散方向必须与冲击方向一致，不悬浮、不突然出现、不持续喷射。整体具有强烈冲击力，但保持写实、克制，不走恐怖或重口味路线。 负面提示词： 大量喷血、血柱、血池、持续流血、整张脸被血覆盖、开放性伤口、断肢、内脏、骨骼外露、牙齿大量脱落、恐怖特写、夸张血浆、血液漂浮、口水过多、液滴逆着受力方向飞行、多余人物、多余手臂、多余手指、手指畸形、关节反折、肢体穿模、拳头穿过身体、没有接触就受伤、人物瞬移、滑步漂移、违反重力、角色换脸、发型变化、服装互换、身高变化、黑白衣服颜色混乱、左右位置突然交换、镜头轴线跳变、无意义剧烈抖动、全程慢动作、过度径向模糊、卡通特效、超能力光效、字幕、水印、Logo。