AI驱动的Fluent无人机外部流场CFD仿真 这次尝试用 Codex 帮我在Ansys Fluent 里跑一个飞行器的气流 CFD仿真。从导入模型、生成网格，到设置来流、查看压力云图和气流动画，中间也遇到了一些方向和显示问题。这个视频主要记录整个调试和可视化过程。 #Codex# #AI工程仿真# #ANSYS# #Fluent# #CFD# #外流仿真# #气动仿真# #瞬态仿真# #PyFluent# #网格生成#

小鹏汽车 AI 基础架构部负责人陆思渊即将离职，目前正在交接工作。他的下一站是 OpenAI，将参与具身智能机器人研发。 陆思渊负责小鹏从模型训练到上车量产的整套 AI 基础设施，直管约 200 人。工作覆盖训练框架、GPU 集群、自研芯片编译器、模型量化优化和车端部署。 这个岗位对小鹏格外关键。小鹏走自研芯片路线，编译器和推理运行系统都要自己搭建。由于暂未找到接替者，陆思渊的团队预计拆成三个以上独立团队。 OpenAI 官网目前仍在招聘机器人软件、仿真和固件工程师。官方称，机器人团队正在研发可在真实环境工作的通用机器人，并打通模型、硬件和软件。

字节第一个赚到钱的 AI 业务：Seedance 2.0，毛利率达70% 每卖出 10 元 API 调用，服务器和推理成本约占 3 元。一位业内人士根据 Seedance 2.0 的模型参数估算，一次完整训练成本在数亿元。 相比之下，语言模型通常有更多版本、更密集的迭代和更长的训练周期，总体训练成本可能是视频模型的 3 到 5 倍。Seedance 目前主要押注一个视频生成模型，训练投入更容易被后续收入摊薄。按这样的成本结构，“要实现盈利并不困难。” 上述人士说。 不过大模型的毛利率还取决于字节如何计算折旧。字节并非长期租用外部算力，主要成本来自自建数据中心和自购芯片。芯片按几年折旧会显著影响账面成本。类似争议在硅谷也存在：AI 芯片迭代太快，折旧年限到底该按传统服务器计算，还是按更短的技术周期计算，尚无定论。 这些都是更大的投入换来的。2025 年，业内主流判断是：沿传统的 DiT 架构（扩散式 Transformer）继续训，模型提升空间已经不大，多数团队转向后训练。业内头部的团队，有更多的资金、资源投入，做极致预训练模型。 经近一年优化，Seedance 2.0 成为第一个完整采用 MoE 的视频生成模型，参数 2000 亿，2026 年 2 月上线后迅速成为全球性能最强的视频模型。 今天的视频和语言大模型训练都必须用昂贵且难以买到的英伟达 GPU 或者 Google TPU。但训练完，上线使用时，视频模型对推理芯片的要求更低。语言模型一个词接一个词生成、每步都要回看上下文，对显存和卡间通信要求很高；视频模型的 DiT 架构能把一批数据一起算、分批输出，同样吃算力，但对卡间通信依赖低，很多国产芯片都可以跑。这是高毛利的基础。 Seedance 研发人力也更便宜。一位猎头说，多模态高阶人才薪资普遍比语言模型方向低 30% 左右。视频生成的竞争烈度低于语言模型，团队也精简——Seedance 核心算法成员仅十余人，绝大部分毕业就去了字节：总负责人曾妍是 2021 届博士毕业后加入，预训练负责人魏国强是 2023 届博士毕业，负责工程化的吴捷 2020 年从中山大学硕士毕业。 如今 Seedance 已经成为 AI 仿真人剧、漫剧的重要生产工具。制作公司借助它自动拆解剧本，生成分镜和提示词，再上传提前确定好的人设图、场景图，就能生成视频。人的工作主要变成检查结果，筛选出可用画面。 据我们了解，头部漫剧公司使用 Seedance 的算力成本在 5 万元左右。

半年来，我一直反复介绍的四个原则： 原则1，AI时代的第一性原理：LLM一定会越来越聪明，benchmark越来越高，context window越来越大，reasoning越来越长，价格越来越便宜，inference速度越来越快， 这是scaling law今天依然持续的具体方向，不用你质疑，这是你唯一的信仰和行业最大共识。 原则2， 管理学设计红利：从我提出“自动编程机”、行业提出vibe coding、SWE-Agent以来，从cursor到manus到metaGPT到claude code， 人们逐渐把LLM Agent抽象成人，把软件管理、工程管理、管理学等等所有方法论直接套在multi agent workflow上面，严格按照人类管理学的方式去拆分、review、执行、反馈、循环， 这一波很快红利也吃完了，因为 a. LLM Agent毕竟不是人，存在着memory有限、执行力有限、function calling工具有限等等局限；b. 人类用于管理学的各种方法，直接套在LLM Agent上有利有弊，红利迅速挖掘完，剩下的弊端大量存在，比如过度交流、七手八脚、随时停工等等。 原则3，LLM Agent的职位和定位：绝大多数人，把claude code当做一个工具，最终的产品是用工具来完成的，最终的代码也是人与SWE Agent一步一步interactively迭代产生、迭代review、迭代部署的， 而我反复告诉过所有人，也是我又一条首次提出的原创观点，multi agent未来越来越会变成本身的一个runtime，这个runtime就运行在production里面，产品和面向的对象消费的，不只是软件或者SaaS本身，而是这个runtime实时产生的内容， 所以claude code/opencode/codex/openclaw这些agent，本身将会越来越多地被嵌入到产品本身，在产品关键逻辑和决策中发挥作用， 而绝对不仅仅停留在开发层面，把产品仅仅局限在SWE Agent单向产出和部署的代码和服务上。 原则4，也是我一直强调的，就是当人们试用了SWE Agent这种强大工具之后，人们还有哪些low hanging fruits可以寻找？SWE Agent目前最适合解决哪类问题？ 我反复讲过的一点是，对于一个设计复杂、环境复杂、场景复杂、用户复杂、体量复杂、范式复杂、一切开放、一切无解的超级复杂系统，这并不是SWE Agent最擅长的领域，相反这些场景需要人去和环境、客户、场景、性能一点点迭代才能打磨好的产品， 比如微信的100种功能，Facebook的一大堆功能模块和十几年来迭代出来的极其复杂的infra，支付宝后面成千上万的基金和风控，这些都不是AI Agent能一次性解决的问题，相反这些场景和问题不仅高度开放，更高度依赖人的观察、人的设计、人的反馈、人的定义。 AI Agent最适合的场景，甚至是我原创提出goal driven（ a. 定义简单、干净、封闭（一道数学系、一个确定性最小系统、一个编译器、一种算法、一个lean证明、一个电路或者信号模拟、蛋白质模拟和预测、CAD设计与仿真、游戏关卡测试、行为经济学仿真，都是well-defined problems，都有非常明确且封闭的边界） b. 解决问题的搜索空间巨大（可能有100~10万种天马行空的解决方案，并且绝大多数都是错的） c. 容易验证，容易verify，验证的成本是设计成本的千分之一（比如编译器，设计可能需要几万行甚至几十万行，验证只需要2000个test case全面覆盖，或者一道数学题，解决需要100步，验证答案只需要带入或者lean编译这一步） 当然，写一段简单的代码，定义一个封闭、完整、定义完全的编程问题，符合上面这些定义， 但是设计一套巨大、复杂、开放、与现实世界深度绑定、高度耦合的系统，让这个系统复杂迭代、添加功能、沟通、review、工程管理、产品管理，这些问题都远远超出这个范畴，很明显是不符合这个要求的。 人们未来探索这些multi agent产品和场景的最关键出路，在于继续挖掘这一类问题，而不是盲目把agent比作一个人，乱套各种管理学方法。 原则5，这一点我先保密，之后我再讲。

GPT-5.6和Fable 5联手搞定了一个25年没人证出来的通信理论问题。 说出来有点反常识：用的算法是2000年代就有的。 符号LMMSE估计加热心逐位翻转，复杂度O(N³)，简单到通信工程师看了会说这不就是我们一直在用的那个吗。 问题是大家用仿真跑了二十年都知道它好使，但谁也没能从数学上严格证明它确实达到了信息论最优阈值。 现在证明出来了。在N×N高斯MIMO信道上，这个简单算法在SNR≥2log N时就能把N个比特全部正确恢复，跟指数时间的最大似然检测打平。 那个从2000年代初就悬在那儿的计算-统计鸿沟——统计上能恢复的时候，多项式时间算法到底行不行——关掉了。 证明分三步。先证LMMSE初始估计离真实解只差亚线性Hamming距离，再证真实解附近每个错误比特翻回来都有正增益而且优化路径跑不偏，最后证任何下降路径必然收敛到精确解。 就这些，没有新数学。 真正有意思的部分在后面。 Dimitris Papailiopoulos是这个问题早期的研究者之一，他自己说得很直白：无线通信领域早就不关心这个了。 大规模MIMO、5G/6G、编码、神经网络检测器，这些才是现在的热点。精确块恢复阈值这个问题，被社区丢在角落大概十五年。 它不是那种全世界聪明人都在攻但攻不动的明星问题。 它是那种大家都知道应该有人证、但谁也没真坐下来花几个月把冗长的证明磨完的问题。因为不划算。 证出来了也发不了顶会，领域已经走了，学术生涯不会因此加速。 然后AI来了，花了不知道多少时间，把它证完了。 这件事比结果本身值得注意。它说明一个事：很多长期开放的问题，缺的不是新数学，是有人愿意把已知的工具足够耐心地拼到正确高度。这个证明不需要灵光一闪，需要的是不犯低级错误地推很多步，在该卡住的地方找到正确的技术路径，然后一直推到底。 人会烦。人会觉得这个问题不够性感。人会在证明到一半的时候去做更热门的东西。AI不会。 它不在乎问题流不流行，不在乎证明过程好不好看，它就一直推。 Dimitris管这叫把Death Star对准那些社区已经搬走但逻辑上还没关闭的老问题。我觉得这个说法很准。 想象一下各个学科里散落着多少这种问题——被遗弃的理论死角，证明就在那儿等着人写，但没人写。现在AI可以极低成本地一个一个扫过去。 当然实用价值有限，算法本身20年前就在用了，证明只是给了个理论盖章。现代通信系统关心的是软输出、是编码增益、是近似算法，不是严格的精确块恢复。O(N³)对真正大规模的MIMO也偏重。 但证明技术能迁移到随机格点解码、同步问题、稀疏恢复这些相邻问题上。 而且它展示了一种新的研究模式：人来判断哪些问题值得攻、给出方向和关键直觉，AI负责把那些需要耐心但不需要天才的长证明推完。 我看完最大的感受跟AI能力关系不大。就是觉得，有多少东西其实早就可以被解决了，积木都散在地上，就差一个不会无聊的人把它们搭起来。

周末行研：EUV Mask Inspection --- EUV最难的问题之一 DUV时代的mask，更像“透明玻璃上的图案”。光穿过去，再投射到wafer上。很多问题集中在表面颗粒、划痕、断线等二维缺陷。 但EUV完全不同。13.5nm EUV会被绝大多数材料吸收，因此EUV mask变成了反射式结构。它本质上是由40~50层Mo/Si multilayer组成的纳米级布拉格反射镜。重要的是，EUV mask已经变成一套极其复杂的三维纳米光学系统。 这会导致问题集中在 buried defect（埋藏缺陷）。 例如某一层Mo/Si之间出现0.5nm级别的小隆起、空洞或颗粒，表面可能完全看不出来，但却会改变EUV光的相位与干涉行为，最终在wafer上形成CD偏移、图形变形甚至随机缺陷。 这类问题在DUV时代并不突出，但在EUV时代会直接影响良率。 很多缺陷在可见光下看不到，在DUV下也不明显，但到了13.5nm下却会变成灾难。因此最理想的方法，是用真正的13.5nm EUV去检测EUV mask，也就是所谓的 Actinic Inspection。但问题在于，Actinic Inspection本身几乎等于“再造一台小型EUV光刻机”。它同样需要EUV光源、超高真空、多层膜反射镜、极低振动、极高稳定性以及超高灵敏度探测器。 重要的是，inspection tool的要求很多时候甚至比曝光机更苛刻。因为曝光机追求的是稳定曝光，而inspection追求的是发现极微弱异常。尤其EUV时代大量缺陷已经变成 phase defect。很多缺陷并不一定有明显高度差，却会改变光的相位与干涉结果。这已经变成光学、相位、散射、干涉的综合问题。 与此同时，EUV mask本身还是典型的3D结构，会出现shadowing、absorber sidewall effect、3D scattering与angle dependency。同一个缺陷，在不同角度下，影响可能完全不同。重要的是，EUV inspection已经需要模拟完整的EUV成像行为。 缺陷会不会真正印到wafer上，也就是业内所谓的 Printable Defect Analysis，这背后需要 computational lithography、光学仿真、wafer correlation、AI defect classification 与 OPC补偿共同完成。 EUV光学系统在13.5nm波长下，传统透镜已经完全失效。EUV系统只能使用反射式光学。这意味着整个系统必须依赖超高精度的Mo/Si multilayer mirror。这些mirror已经接近原子级精度的纳米工程结构，其表面粗糙度甚至要求达到picometer级。在EUV波长下，哪怕0.05nm级别误差，都可能影响最终成像。 因此，检测系统的光学部分也长期高度依赖 Zeiss。 随着High-NA EUV、2nm、1.4nm、更高mask复杂度以及更严重的stochastic defect推进后，mask defect对良率的影响会指数级扩大。过去很多问题还能依靠OPC补偿、process window与冗余设计容忍，未来则越来越困难。 因此整个行业对actinic inspection、mask review、pellicle inspection以及printable defect analysis的需求都会快速增长。这也是为什么有euv检测能力的公司价值都可能会进一步增长的原因。 它们是EUV时代良率控制的核心基础设施。 本文非投资建议dyor

现在硅谷的AI工程师们都讲中文了 刚刚看到一个回国的AI工程师说，他之前在硅谷发现：Meta不是花了很多钱找了很多牛逼人干AI嘛，最近，Meta做AI的一个老外给公司反映说，现在在Meta做AI，如果不会中文融不进核心团队。因为他说现在很多核心的人除了开会时候用英语，会后聊天全用中文。 那老外写信给公司吐槽说：我不会中文，我根本听不懂他们在说什么。 这位工程师说，他疫情前来硅谷，专门在硅谷请过英语老师。但今天你来硅谷，你问AI的事，你好像一句英语都不用说了，现在讲AI的是真的都是华人。

Meta 正在严格限制其应用 AI 工程团队使用 Anthropic 的 Claude Code和 OpenAI 的 Codex，甚至曾要求暂停部分相关任务以强化合规审查。Meta 担忧员工过度依赖外部工具开发内部替代品，导致竞品模型的输出渗入自身的训练数据中。这种「模型蒸馏」的做法可能会违反竞品的服务条款，引发与合作伙伴的严重冲突。 目前，Meta 仅允许员工将外部 AI 用于设置工作流、整理代码和构建测试基础设施等常规工作，且输出必须经人工严格审查；但严禁使用外部模型生成编程挑战来评估其内部模型，也禁止利用外部 AI 寻找代码漏洞或构思测试任务。 此举也是 Meta 试图通过推广自研编码助手 MetaCode（前称 DevMate）来重塑内部工具链、控制其高达数十亿美元的内部 AI 运营成本努力之一。