有网友爆料称，特斯拉专门为FSD（Full Self-Driving Supervised，监督版完全自动驾驶）入华筹备的上海数据中心已“人去楼空”，相关对接团队全部撤离。 今日记者向特斯拉中国方面求证，一位内部人士回应称：“不实消息。”（每经）

分析师认为Tesla股价还有30%的上涨空间 “关于特斯拉 Full Self-Driving（FSD）软件的有效性，怀疑者从来不缺，” Piper Sandler 的 Alexander Potter 周三在给客户的报告中写道。但他和他的团队“认为特斯拉实际上已经实现了 L4 级自动驾驶，至少在大多数条件下如此”。 特斯拉表示，其受监督版 FSD 高级驾驶辅助系统属于“L2 级”系统。这意味着驾驶员仍然需要持续观察道路，并把脚放在踏板附近，随时准备接管。 Potter 对特斯拉股票评级为“增持”。他列出了六个理由，说明为什么他认为特斯拉也已经实现了 L4 级自动驾驶车辆。他部分引用了特斯拉为经常使用 FSD 的客户推广汽车保险折扣这一点，也提到了他个人驾驶——或者说被特斯拉汽车“驾驶”——的体验。 这位分析师还提到了特斯拉近期披露的活跃 FSD 订阅数量。特斯拉从上个季度开始提供这一数据，并显示其拥有 128 万个订阅。特斯拉指出，这一指标既包括一次性预付款，也包括按月付费使用其软件的方案，这与 CEO 埃隆·马斯克规模庞大、基于里程碑的薪酬计划要求保持一致。 此外，Potter 还指出，特斯拉正在努力扩大其 Robotaxi 业务规模，包括寻求许可，在得克萨斯州欧文市建设相关基础设施，并开始其 Cybercab 车型的批量生产。该公司还计划在 2026 年上半年在 7 个新州推出 Robotaxi 服务，尽管要实现这一目标的时间已经不多了。 Potter 写道：“这可能不太现实……但趋势是明确的。”

Poyang Lake Waterway: This road has been put on the "must-drive-in-a-lifetime" list by many self-driving travel enthusiasts in China. 鄱阳湖水上公路，被许多中国自驾旅行爱好者列入“此生必驾”名单。 #China# #Jiangxi# #JiangxiScenery# #Jiangxicountrywalk# #coolJiangxi#

🇺🇸Tesla 车主可以来领一个月免费FSD了，但是有要求是12月内没有订阅过😂 如果有符合的可以用这个链接试试。如果你成功了，我也可以得到一个月。 Get a free month of Full Self-Driving (Supervised) when you use my link.

五菱宏光这款车，6万块钱，可以坐7个人，完全足够在城市通勤。 这种车配上2万块钱的robotaxi级别的full self driving，总成本8万块钱，总寿命是16万公里，每公里的折旧成本就是5毛钱，算上维护和电费，每公里1块钱。 每跑1公里，这种车可以算法拼车2~7个人，如果平均只坐5个人，那么每公里每人成本， 就只有2毛钱。 算上服务费抽成1毛钱，税费1毛钱，这种车做成完全算法拼车的robotaxi，每个乘客每公里价格定到5毛钱，就完完全全足够，车厂有利润，政府能狠狠收税，robotaxi平台也能狠狠收抽成，绰绰有余。 Again，我再说一次： 1. 只有在中国投放1亿辆robotaxi，才能真正解决堵车问题，7个人拼一辆minivan，比一个人自己开一辆卡罗拉，道路通勤效率高了大概5倍左右，完完全全将会彻底缓解大城市拥堵； 2. 在中国投放1亿辆robotaxi，将会彻底解决就业问题，带来新一轮经济大爆发，所有滴滴司机都去车厂造车，做数据标注，在充电站做充电，做车辆保养维护，做责任认定，做紧急救援等等工作，带来的工作岗位将会不低于1000万人； 3. 在中国投放1亿辆robotaxi，将必然会带来个人生活方式的彻底改变，每天上下班、上下学可以躺在车里刷抖音、打王者荣耀、打王者万象棋、玩原神、玩云原神、听党哥youtube视频、打开桌子写作业、上课、开会、写代码、修复故障， 汽车将会成为中国人的第三空间，舒舒服服躺着，有空调，有沙发，中国人不用像个大傻逼一样在地铁和公交车里一直站着，浪费时间； 4. 在中国投放1亿辆robotaxi，将会是中国社会的最终福利和最后基建，让至少7亿人享受科技的便利，老人、小孩、盲人、大妈、文盲、小学生、中学生、大学生、上班族、民办三本文科宝妈，每个人都永远不用学会开车，只要手机app一叫车，5分钟后在你家门口接你出门上班、工作、买菜、上学、放学、下班、聚会、旅游，每天通勤距离可以拉长到100公里， 将会彻底解放每个人的家庭、土地、房地产，每个人都将会有极大的生活、工作、娱乐、社交、学习的通勤半径，将会彻底解放中国人的一切时间和精神需求。 这才是最伟大的科技时代，让robotaxi成为中国的基建，让99%的中国人抛弃地铁、公交、私家车、摩托车、电驴、自行车、狗骑兔子，一个App实现无差别、无休假、永久享受的城市乘车福利和基建。 剩下1%的人当然可以自己选择开私家车，开豪车，开轿跑，坐地铁，坐短途高铁，跑步，爬着，骑公路车等等方式自由通勤——这些都是你自己的爱好选择，而不会成为强制要求，因为99%的人不喜欢这些方式，非常累，贵，成本高，还要找停车位，最终必然会集体选择robotaxi。 这就是党哥的中国梦。

【特斯拉撞入民宅致老人身亡 “自动驾驶”功能安全吗？】 一起致命的特斯拉车祸使自动驾驶车辆再次受到审视。特斯拉的“全自动驾驶”（Full Self-Driving）功能究竟有多安全？#dwdigital#

总有人担心，如果允许萝卜快跑这种robotaxi全面铺开，就会让600万滴滴司机全部失业。 我反复鼓吹一件事，中国如果给至少5家公司牌照，落地部署1亿辆robotaxi，让全中国7亿城市人口每天出门打车， 打车费率可以压低到0.3元/公里，政府可以额外收取0.2元/公里的税费， 不仅中国所有人的就业全解决了， 汽车产业迎来大爆发，整个汽车产业链蓬勃发展， 而且为了最大规模扩大化robotax，整车成本可以压缩到5万人民币一辆（包含整套self driving和lidar，完全可以实现L4级别的自动驾驶）， 同时极大提高中国国家电网夜间使用率，夜间进行充电，成本1毛钱/公里， 同时还能以最简单的办法，解决财政问题：robotaxi的电能耗和折旧成本约等于0.1元/公里，robotaxi公司利润可以做到0.2元/公里， 同时各地方政府再理直气壮地收取0.2元/公里的“无人驾驶出租税”，直接纳入财政收入，用于补贴各级地方财政， 同时在所有大城市建立robotaxi运营中心，完成robotaxi的充电、辅助驾驶接管、维修、交通事故处理、高精地图测绘的服务，解决当地部分就业， 最后，1亿辆robotaxi在中国大街小巷上跑，以0.5元/公里的费用去运营， 让中国每个成年人、学生、老年人、儿童、妇女、残障人士、智障人士、贫困人士不用挤公交、挤地铁，以低廉的成本去享受科技的进步，极大程度上扩大社交和交通范围，去实现娱乐、工作、生活、购物、旅游的需求， 同时极大程度上扩大城市范围，让大家住在郊区更舒适的大平层或者叠拼别墅，不用开车，不用买车，不用挤公交和地铁，每天robotaxi来家门口接送出行，充分享受便捷交通， 这不仅解决了就业（就业岗位远超过600万滴滴司机），解决了财政问题，还为中国7亿城市人口实打实地带来了便捷和舒适， 这才是科技改变城市生活的最真实、最长期、最有前景的规划。

在计算材料学与分子动力学（MD）领域，科学家长期受困于一个“不可能三角”：计算精度、通用泛化性与计算速度不可兼得。 这对已经具备海量材料候选结构生成能力的最新的ai模型来说，让“验证与筛选”变成了主要的新材料研发的瓶颈。 第一性原理计算（DFT）：具备量子力学精度与全元素通用性，但算力开销极高，通常只能处理几百到几千个原子的微观体系。 经典经验势（如 MEAM / EAM）：将原子相互作用简化为经验公式，速度极快、可模拟上亿原子，但缺乏通用性，换一种合金或相变条件往往需要重新拟合参数。 通用机器学习势（MLIP）：通过神经网络拟合量子化学势能面，兼顾了精度与泛化能力，但复杂的等变网络（Equivariant Networks）架构极其笨重，计算速度比经典经验势慢上数个数量级。 来自深势科技（DP Technology）、北京科学智能研究院（AISI）与北京应用物理与计算数学研究所的联合团队在 论文《Universal Machine-learning Molecular Dynamics at the Speed of Empirical Potentials》中提出了名为 DPA4C 的全新通用机器学习原子间势函数，首次在保持近第一性原理精度的同时，将计算速度推向了经典经验势的级别。 以往的 AI for Science 研究多聚焦于扩大模型参数与增加训练数据量，但在实际部署中，复杂的张量积与高阶等变特征计算往往导致 GPU 显存带宽与算力利用率低下。 DPA4C 摒弃了纯算法维度的单点优化，采用了软硬件协同设计（Software-Hardware Co-design）范式： 等变物理架构精简：在严格保留旋转与平移对称性的前提下，重构了特征表达路径。 极端压缩的定制 CUDA 算子：针对推理部署的物理约束，手写并融合了底层 GPU 算子，最大限度减少了内存搬运与内核启动开销。 全尺度模型族覆盖：发布了参数量跨度达 49 倍 的 5 种模型变体，构建起覆盖极端轻量到高精度的“精度—吞吐量”前沿阵面。 DPA4C 在精度、推理吞吐量与并行扩展性上均给出了极具冲击力的实测数据（见附图） DPA4C 为 AI 材料研发带来了四个维度的结构性变革： 1. 疏通高通量初筛的“算力堰塞湖” AI 生成的海量晶体结构往往存在大量亚稳态甚至不稳定的虚假构型，必须经过晶格弛豫、有限温度 MD 与相图计算来校验动力学稳定性。DPA4C 将高通量动力学校验的耗时从“数月”直接压缩至“数天”，使下游验证吞吐量得以匹配前端生成能力。 2. 从“理想晶胞”跨越到“工程微观组织” 实际工业材料的力学强度、抗疲劳与腐蚀性能，往往取决于晶界、位错、空位聚集以及微裂纹扩展等非均匀微观结构。以往由于算力限制，高精度模拟无法涵盖这些大尺度缺陷；而 DPA4C 支持的十亿级原子动力学模拟，让 AI 材料设计能够直接模拟多晶组织演变与断裂力学行为。 3. 赋能自驱实验室（Self-Driving Labs）的高速闭环 在“设计 $\to$ 计算筛选 $\to$ 机器人合成 $\to$ 表征反馈”的自动化实验闭环中，DPA4C 极高的推理速度允许系统在机器人合成前，对熔融、结晶与溶液反应路径进行毫秒级的动态预演，将闭环迭代周期大幅缩短。 4. 攻克多元复杂系统与动态相界面 针对成分组合空间极其庞大的高熵合金，以及固态电池中高度复杂的固-固电解质界面演化、原位催化表界面重构等传统方法难以建模的场景，通用势函数的跨元素泛化能力与经验势级速度提供了前所未有的研究工具。 一句话总结，DPA4C 标志着 AI for Science 正在从“纯算法精度探索”迈向“以硬件部署与工业吞吐为导向”的成熟工程阶段，为计算化学与先进材料研发铺设了真正可落地的底层基础设施。

很多人给 Claude Code 加"多智能体编排"靠的是写更长的提示词，但放任它跑，结果往往是：直接在 main 上改、提交不走 PR、换个会话上下文全丢、做了什么为什么做完全无法追溯。The Claude Protocol 不靠"建议"，它直接强制执行——加一层会物理阻断坏操作的外壳。 它的核心是 13 个 Hook 横跨 5 个生命周期事件，规则全是 block 不是 warn：orchestrator 不准在 main 上写代码，supervisor 不带 bead ID 不准 dispatch，epic 有未关闭子任务就不准 close，连 git commit --no-verify 都被拦死（pre-commit 永远跑）。配套一条铁律：一个 bead = 一个 git worktree = 一个 PR。Beads 是 Steve Yegge 那套 git 原生工单，工单就存你自己仓库里，不依赖第三方。 角色分三层。Orchestrator 是副驾驶，只能用 Grep/Read/Glob 调查、Plan mode 规划、Task() 委派，永远不碰代码——而且有条硬约束：不读真实源码就不准 dispatch（作者引用 Cursor 的 self-driving codebases 研究，认为约束远比"记得先调查"这种软提醒有效）。Supervisor 按你的技术栈自动生成，在隔离 worktree 里干活、推干净 PR。每条 dispatch prompt 被 PostToolUse Hook 自动记成 bead 评论，agent 用 bd comment 写 LEARNED: 笔记会被抽成 JSONL 知识库，下次会话开头自动浮出最近 5 条——刻意用 grep+jq 而非向量库，理由是项目级知识根本用不上 embedding。 还有些务实细节：<10 行的琐碎改动有 quick-fix 逃生舱，但在 main 上硬阻断、feature 分支也要带文件名弹窗批准；关闭的 bead 永久不可变，修 bug 开新 bead 用 bd dep relate 链接，杜绝 reopen 脏历史；加 --external-providers 还能把只读 agent 委派给 Codex，Gemini 兜底。npx skills add AvivK5498/The-Claude-Protocol 即装，仅 macOS/Linux。它代表的思路和"让模型更聪明"正交：可靠性用确定性的 shell Hook + git 原语兜住，而不是赌提示词。