这个大概会怎么执行呢？ 1. 根据google scholar拉清单。 如果一个人在上学期间，没有发过顶会顶刊的文章，没必要拦着。 这就形成一个两难，你要在学术圈，建立威望，你必须要去顶会顶刊发论文吧。你发了又自动上了潜在名单上。 2. 各大公司主动申报。 国家发国务院特殊津贴。 3. 公开入党 或者参加涉密，涉军项目。 直接在学校一级就开始，比如AI项目申请经费，必须要党员率99%，并且中英文公示。 另外让一些项目直接涉军涉密，让你签保密协议。脱密就能拖你3年。 而且一旦有公式入党记录，涉军，涉密项目历史，那么西方国家入籍就变得非常渺茫了。 小明买了一盘蛋糕，不想小美吃，小明就想了一个办法，给每个蛋糕都舔了一口。😅😅

大模型升级一次，Start-up就死一批。 Clause Science出来了，以下是否就GG了 Elicit、Scite、Consensus、SciSpace emantic Scholar、Research Rabbit、Undermind、Perplexity、Genei、Scholarcy......

恭喜 Aether AI 喜获投资。Aether AI 由 UCSD 助理教授黄碧薇创立。黄教授@huang_biwei深耕因果 AI 领域 12 年，是 Causal-Learn 作者，发表过 100+ 篇顶会论文，并曾获 Apple Scholar。 过去几年，AI 行业默认相信：模型越大、数据越多、算力越强，智能就会继续进步。这套方法在语言模型上很成功。但当 AI 走向物理世界，问题就复杂了。 文字说错了可以改，机器人抓空一次，杯子可能就碎了。桌面高两厘米，光线、材质、角度一变，任务都可能失败。 所以具身智能真正需要的，不只是识别画面，而是理解物理世界如何变化。 现在很多 AI 模型学的是相关性：什么词后面接什么词，什么画面后面出现什么画面，什么动作后面大概率出现什么结果。这在文本、图像、视频里有效。 但机器人要判断的是：手有没有碰到杯子，摩擦力够不够，重心会不会变，继续动作会不会摔。 它真正要知道的是：如果我现在动一下，世界接下来会怎样？ 这就是因果问题。 因果大模型关注的，不只是预测下一个状态，而是理解变量之间如何相互影响。 改变一个动作，结果会怎样？换个环境，技能还能不能迁移？如果没有执行这个动作，另一种结果会不会发生？ 这些能力，对 Physical AI 很关键。因为真实世界不可能被训练数据完全覆盖。机器人不可能提前见过所有桌面高度、物体材质、失败姿态和真实环境。 只记住过去见过的模式，很难稳定工作。理解背后的因果结构，才有机会举一反三。 这也是 Aether AI 正在探索的方向：以因果世界模型为核心，打造下一代机器人大脑。 过去一年，“世界模型”很热。视频生成模型能生成连续画面，空间智能模型能理解三维结构。 但机器人还需要更进一步：和物理世界交互，处理接触、碰撞、摩擦、重心和反馈，在变化的环境里完成任务。 所以世界模型不能只停留在画面和空间结构上，还要进入因果推演：理解动作为什么导致结果，变量变化后系统如何演化，失败背后真正影响结果的因素是什么。 只有这样，机器人才能从“看起来会做事”，走向“真的能做事”。 大语言模型成功之后，Scaling Law 成了很多人的信仰。但在具身智能里，更重要的问题是： Scale What？你到底在放大什么？ 如果只是采集更多遥操数据、堆更多视频、买更多算力，未必能解决泛化问题。真正重要的是，模型能不能从同样的数据里抽取更深层的信息。 同样的数据，相关性模型看到的是表层模式，因果模型要挖的是背后的结构。 Aether AI 的短期目标，是打造一个能够跨本体、跨任务、跨环境泛化的机器人大脑，服务机器人本体厂商，以及工厂、仓储物流、家居、医疗健康等真实场景。 这家公司做的，不是简单给机器人接入一个语言模型，而是从算法、模型到系统层面，构建一套以因果智能为核心的新范式。 过去这一波 AI，让机器学会了生成语言、图像和代码。下一阶段，AI 要面对更难的问题：理解世界如何运转。 当 AI 进入机器人、科学发现、生物医药、新材料这些领域，它必须处理变量、干预、反馈和反事实推理。 这些问题，天然指向因果。 因果大模型值得关注，不只是因为它是一个新概念。它可能代表 AI 从“学习已有数据”，走向“理解世界机制”的一次范式变化。 如果说大语言模型打开了数字世界里的智能入口，那么因果世界模型，正在尝试打开物理世界里的下一扇门。 Aether AI 官网：

6月11日至13日，「APEC經濟體中國問題研究專家論壇」（APEC Economies China Studies Scholars Forum）在廣州白雲國際會議中心舉行。來自中國、澳大利亞、汶萊、智利、印度尼西亞、韓國、馬來西亞、墨西哥、紐西蘭、巴布亞新幾內亞、秘魯、菲律賓、俄羅斯、新加坡、泰國、越南等16個APEC經濟體的近百位中外專家學者匯聚一堂，圍繞「中國的發展與亞太的共同未來」這一主題展開深入研討。

本质上是个套壳的浏览器，通过MitM、内置的DoH和自签名根证书（Scholar Root CA v1 和 Scholar Service V2）信任劫持实现流量引导，并且有实时清理DOM元素的能力 例如：维基百科的首页，新闻动态、你知道吗全部被动态清零，YouTube整个/watch都是被屏蔽的，只允许看指定的博主的视频，至于 专用 DoH 服务器： 备案主体为长安通信科技有限责任公司，系 CNCERT 全资子公司） 代理集群：劫持使用 IP 段 205.164.50.20x（AS18779, EGI Hosting, Santa Clara），物理部署于 CERNET 主干网内部 这个DoH服务器维护着一份域名白名单，白名单外域名返回正常解析结果，白名单内域名（包括 Google、Wikipedia、GitHub、Docker Hub、YouTube 及部分学术出版商等）解析至 205.164.50.20x 段地址，另外A\也在白名单里面 更多的细节还请移步至👉

论文下载了一堆躺在文件夹里，找的时候全靠回忆文件名。这 6 个把找、读、管三件事分别解决： 1、【Zotero】 文献管理的标准答案。浏览器上看到论文点一下插件，PDF、标题、作者、期刊信息全部自动存进库，写文章时在 Word 里一键插入引用并生成参考文献列表，换个格式要求也是点一下的事。完全免费开源。 2、【Connected Papers】 输入一篇论文，它画出一张关系图，把和它高度相关的几十篇按相似度和时间摆开。进入一个陌生领域时，用这个比顺着参考文献一篇篇翻快得多。 3、【Semantic Scholar】 免费的学术搜索引擎，收录两亿多篇文献，会自动生成摘要要点，还能看到某篇论文被引用时别人具体说了什么。 4、【Elicit】 用来做文献综述。提一个研究问题，它去论文库里找相关研究，并把每篇的样本量、方法、结论抽成表格排好，一眼能看出哪几篇结论互相矛盾。 5、【SciSpace】 读论文时的解释器。选中看不懂的公式或段落，它用大白话讲一遍，还能追问。跨领域读文献时省很多力气。 6、【ResearchRabbit】 定位是文献推荐。把已经读过的几篇放进去，它持续推送相关新论文，还能顺着作者和引用网络往外扩。免费。 先用 Zotero 把库建起来，其他工具都是围着这个库转的。

姜伟嘉@weijia你好。首先，我为之前强烈怀疑你父亲 Huade Jiang（姜华德） 完全没有在WVU入学表示道歉。 今天我拿到了West Virginia University官方记录，确认你父亲的就读记录真实存在： 就读时间：1985年1月 至 1990年5月（整整5年4个月） 学位：Master of Arts in Engineering 但看完这份记录，我反而更加疑惑了，想请你和大家一起讨论，也请@weijia来回复： 你在CBS采访中说： “my dad was applying to graduate schools in the U.S. And he got a scholarship at WVU. So he brought our family there...” 然而以下几点与这个“全奖研究生带全家来美”的励志故事存在明显矛盾： 1，5年4个月才毕业。 正常全日制工程硕士通常只需1.5–2.5年，他却读了这么久，极大可能是part-time（兼读）。而1980年代F1的全额奖学金（TA/RA）几乎只给full-time优秀学生（尤其是博士生），且不会覆盖家属生活费。 2，地理位置完全对不上。 你在CBS采访中提到父母“很快”就在Buckhannon开了当地唯一的中餐馆，每天工作15-18小时。 但Buckhannon距离Morgantown的WVU开车单程1.5小时（约60英里），往返近3小时。 一个part-time研究生，如何同时维持这样的通勤和高强度工作？ 3，$40落地与餐馆启动资金。 你2019年推文说父亲只带40美元来美国。 1985-1986年启动一家小餐馆至少需要2-3万美元，这笔钱从哪里来？厦门工薪家庭当时很难拿出相当于今天几十万人民币的资金。 4，中国背景一片空白。 所有公开信息只说你们家是“厦门本地工薪阶层”，查不到你父亲任何具体工作单位、职业或教育背景。如果是正规J1公派/交换学者，通常需要单位Sponsor，且当时多要求政治可靠背景（中共党员概率较高）。 5，绿卡路径。 无正式工作单位 → 难以走就业类绿卡； 小镇家庭式小餐馆 → 规模太小，不符合EB-5投资移民条件。 最合理的解释仍是：J1交换学者/公派路径，项目到期后不想回国，直接“黑”下来，一边part-time读书，一边开餐馆维持生计，最后靠1992年六四绿卡（CSPA）合法化。 6，关于六四。 你2020年6月4日发推附坦克人照片，提到“leaving China not that long before”。但你们家1985年就已离开中国，并未亲身经历1989年的迫害。你把这段经历与六四联系起来，是否有些刻意带节奏？ @weijia ，你反复把这段经历包装成“父亲靠奖学金带全家实现美国梦”的励志故事，能把签证类型（F1还是J1）、奖学金具体情况、中国工作单位背景、餐馆启动资金来源等关键细节说清楚吗？ 我愿意继续听你完整的版本。作为白宫记者，诚信和透明是基本职业素养。如果你对公众隐瞒或包装关键事实，确实值得反思。 @CBSNews @CBSEveningNews @FaceTheNation

关键词：#何朝阳# #南加州大学# #FedML# #COAI# #博士团队# #开源# #联邦学习# 本文仅针对ChainOperaAI 创始成员及业务方向进行的基础调研，不涉及代币及市商层面。 Salman Avestimehr ChainOpera AI 联创；TensorOpera （前身为FedML）联合创始人 2008年博士毕业于加州伯克利分校，师从香农奖获得者、信息论与区块链著名学者David Tse教授（即Babylon 创始人） 曾担任南加州大学 ECE 和CS系主任教授、南加州大学-亚马逊可信人工智能中心的首任主任，以及电子和计算机工程系信息理论和机器学习 (vITAL) 研究实验室主任。也是美国奥巴马总统奖获得者。 基于在分布式计算领域的贡献，Salman于2020年入选 IEEE Fellow。 履历背景如下： 2008.9-2009.7 加州理工 材料研究所研究员 2009—2013 康奈尔大学助理研究员 2014—2018 南加州大学助理研究员 2018.12—至今  南加州大学 ECE 和CS系主任教授 2020-2022   Amazon Scholar亚马逊学者计划 2022.2 —至今 TensorOpera AI  联合创始人 2024.8 —至今 ChainOpera AI 联合创始人  Aiden He  何朝阳 ChainOpera AI 联创；TensorOpera （前身为FedML）CEO&联合创始人 毕业于南加州大学洛杉矶分校，获计算机博士学位；师从Salman Avestimehr  （南加州大学）、  Mahdi Soltanolkotab i教授（南加州大学）、 Murali Annavaram 教授  （南加州大学）三位分别擅长分布式计算、机器学习理论、分布式系统优化的教授和 张潼教授 （香港科技大学）。 履历背景如下： 2010-2011期间，尝试过几次创业，均以失败告终 2011.6 - 2012.6  华为开发工程师   2012.7 - 2014.11 百度高级工程师   2014.11 - 2018.7 腾讯研发团队经理和首席工程师  2017.4，received PhD offers from CMU, USC, Georgia Tech, and UCSB.收到了卡内基梅隆大学、南加州大学、佐治亚理工学院和加州大学圣塔芭芭拉分校的博士学位录取通知书。 2018.8-2022.3 南加州大学攻读计算机博士并做博士后研究 2018 — 2022期间，先后在Meta, Google, Amazon兼任研究员 「联邦学习」是谷歌在2016年提出，当时是用于训练输入法模型的新型方式。 FedML是全球最早的研究联邦学习与分析的团队之一，最开始是由博士生主导的科研开源项目。曾服务美国高校多个科研基金，辅助所在实验室发表了50多篇相关顶级论文。 2022年2月，何朝阳与Salman先是于加州共同创立了ai 初创公司 FedML，并于中国香港设有分公司，以公司化的形式将学术成果升级为工业化平台，探索在智慧城市、医疗、工业化IoT等场景下的商业落地。 在FedML成立之初就得到了Plug and Play、GGV、奇绩创坛 、AceCap，以及个人投资者加州伯克利教授、斯坦福教授“香农奖”得主David Tse，美国南加州大学校友王言治、张弥教授等超千万人民币的天使轮融资支持。 2023年3月，何朝阳与Salman 在FedML 内部组建了一个研究人工智能通证经济的加密团队，为如今的ChainOperaAI项目做好了全面准备。FedML的区块链团队主要由斯坦福大学、德克萨斯大学奥斯汀分校等顶尖学府的顶级区块链工程师和教授组成。这也是Chainopera AI 的雏形。 2023年6月 FedML 融资超1300万美元. 特此声明：本文绝对客观中立，且不涉及任何利益关联。仅供参考，不作为任何投资建议。 @ChainOpera_AI @AidenChaoyangHe @avestime @ShinjukuSokai @CryptoEmree_ @nine_DeFi @coldcupidrong @shawnchen_eth @junjieBTC @BudhilVyas @Bitcoinhabebe @octopusycc @guanhaibit @yaoyao_well @Meta8Mate