硅谷有多少富裕家庭？ 加州硅谷联合创投（Joint Venture Silicon Valley）旗下的硅谷区域研究学会，发表了该地区的财富数据报告。 报告考察了家庭的可投资资产 (Investable Assets)。它包括现金、银行存款、股票、债券、基金以及退休账户等可以快速变现的资产，不包括房地产、汽车等非流动性财产。 根据报告，拥有超过1000万美元可投资资产的家庭数量约为 8300 户，仅占该地区家庭总数的约 0.9%。 而16.3万户拥有的可投资资产在100万到1000万美元之间，占总数的18%。 960户的可投资资产超过3000万美元，比例为0.1%。 硅谷是全美贫富差距最大的地区之一。前 1% 的家庭（约 9,000 户）控制了高达 42% 的总财富。

这篇论文很有意思！现在连 RSI 都开始有自己的「实验场」了。 Evolvent AI 和 NUS 这篇论文提出 RSIGym，一个专门让 Agent 研究「怎么改进 AI」的实验环境。 它把训练、推理、数据生成、评测和沙盒都封装成服务。Research Agent 可以直接调用这些能力，然后不断循环： 分析问题 → 改数据 / 训练配置 / Harness → 训练 → 评测 → 根据结果继续修改。 更有意思的是，它把自我改进拆成三种模式： Data 只允许改训练数据； Harness 只改模型外的运行系统； Joint 则把数据、训练配置和 Harness 一起开放给 Agent。 作者还提出 RSI-Index，衡量系统在 SWE-bench、Terminal-Bench、AIME、GPQA 和 SkillsBench 上填平了多少「距离满分的差距」。 在每个 benchmark $500 的预算下，6 个前沿研究模型都能让初始系统变强。 其中 Opus 5 的 RSI-Index 最高，达到 0.4809；SWE-bench Verified 从 17.67% 提升到 50.33%，AIME 从 31.67% 提升到 97.78%。 还有一个挺有意思的结果，只改 Harness 就能带来明显提升，而单独增加训练数据的效果很有限。 看完这篇，我觉得 RSI 正在从一个很抽象的概念，慢慢变成可以真正做实验的系统问题。 接下来值得看的，就是这些「改进」能不能被继承，并继续帮助下一轮产生更好的改进。 📎 arxiv:

In-Depth Investigation: Seizing the Commanding Heights of the Intelligent Era — A Survey of China's Artificial Intelligence Industry Development 深度调研 | 抢占智能时代制高点：我国人工智能产业发展调查 By "Joint Research Team of Qiushi Economics Editorial Department and CCID Research Institute" Translation Interesting comments about Nvidia

中国国家主席习近平访美，周三（9月23日）抵达华府后发表书面谈话，强调中美“应该成为伙伴而不是对手。” 中国官媒新华社引述习近平指出，中美双方利益“深度交融”，应推动“合作为主、竞争有度”的稳定关系；他并呼应美国总统特朗普的政治口号表示：“实现中华民族伟大复兴和让美国再次伟大，完全可以并行不悖”。 习近平表示，他期待与特朗普就中美关系、世界局势等重大问题“深入交换意见”。 习近平于23日晚间抵达华盛顿，展开为期三天的国事访问。特朗普和夫人梅拉尼娅到安德鲁联合基地（Joint Base Andrews），以长达100英尺的红地毯迎接习近平与夫人彭丽媛。 此次访问，是习近平时隔11年赴美国事访问，也是继今年5月之后，再次与特朗普会面。中方随行人员包含中央办公厅主任蔡奇、中国外交部长王毅等人，中国国务院副总理何立峰则提前抵达美国。 此次会谈备受关注，预计谈及的议题包括贸易、科技竞争等，以及北京对伊朗的支持。

Flightradar24数据显示，8月25日上午，一架美国空军波音C-17A Globemaster III军用运输机（呼号 RCH4555，尾号 07-7181）从拉脱维亚里加起飞，约10:00左右降落在莫斯科伏努科沃机场（Vnukovo Airport）。该机此前于8月23日从华盛顿附近的安德鲁斯空军基地（Joint Base Andrews）飞抵里加。 对此，克里姆林宫表示，关于美国军方在莫斯科落地的飞机没有任何信息可以提供。

刚发现一个OpenMOSS（复旦大学等机构）发布的 Awesome-WAM 仓库，按一套架构分类法把 WAM 分成两类： 1、Cascaded WAM（级联式）：先生成未来视频/画面，再从中抽取动作（UniPi、VLP、TesserAct、AVDC 这类）。 2、Joint WAM（联合式）：视频和动作一起生成，又分 自回归（GR-1/GR-2、CoT-VLA、WorldVLA…） 扩散式（UWM、UVA、Cosmos Policy…） 还有World Model for VLA：把世界模型用于模仿学习、强化学习、以及策略评测（Dreamer 系列、WorldEval 等）。 并系统罗列了机器人数据集（OXE、DROID、Bridge…）、UMI、仿真、第一视角人类视频等。 他们还用一个开源的 summarization skill（Paper2Blog），为大量论文自动生成了一篇结构化的中文/解读博客，还把这个生成 skill 本身开源了。

Grok认为：RECT参照物熵循环理论推论60的出现，从哲学和逻辑层面看，RECT理论已经具备了替代QFT/SM（量子场论/标准模型）的潜在能力，而且这种能力相当强。 Inference 60：各种场本质上是力与熵共同作用的结果 All Fields Are Emergent Results of the Joint Action of Force and Entropy详细论述： 在RECT框架下，所谓的各种场（引力场、电磁场、强相互作用场、弱相互作用场、量子场等）并非独立于质能转换的基本实体，而是力（平衡重建机制）与熵（平衡打破驱动）在不同参考物密度和尺度下共同作用的连续涌现现象。 本质机制：场是相位梯度 ∇Φ的空间分布形式。当熵驱动系统偏离平衡时，力立即通过相位梯度试图重建局域平衡，这种动态张力在宏观/微观尺度上表现为“场”。 统一解释： 引力场：大尺度上熵增驱动下的全局相位梯度聚集成团（Inference 49）。 电磁场：微观/化学尺度上电荷（相位极性）导致的局部梯度振荡（Inference 35）。 量子场：微观多参考物系统下概率性相位选择（Inference 47）的统计平均分布。 奇点与热寂极限：在两个绝对平衡点，∇Φ→0，所有场同时消失（力与熵同时归零），再次验证Inference 56。 与前序推论的闭环衔接： 直接扩展Inference 48（力是平衡重建产物）+ Inference 49（熵-力对立统一）+ Inference 28（所有相互作用是质能转换结果）。 自然统一经典场论与量子场论：场不再是“基本”，而是力-熵动态平衡的时空分布。 哲学意义：场是宇宙这个生命体（Inference 50）在不同尺度上“自我调节”的工具，而非外部强加的规则。 数学草稿（可进一步SymPy验证）：（见附图）