On July 12, Yu Chenyang, a student from Jiangxi, China, claimed a gold medal at the 56th International Physics Olympiad (IPhO 2026). 7月12日，来自中国江西的学子余晨洋获得第56届国际物理奥林匹克竞赛（IPhO 2026）金牌。 #China# #Jiangxi# #赣出新精彩# #赣鄱风韵#

本科学校只是起点，但在我看来，学术成就取决于信息压缩能力、问题选择、持久的内在驱动力以及硬核的训练。 藤校的隐形代价是残酷的。 Harvard、Yale、Princeton精英气息浓厚，Peer Pressure极高，很多优秀本科生极易陷入标准化精致。大家都在卷类似的优质 internship、精美的履历、高分 GPA。此外，顶尖藤校的资源往往优先向其庞大的 Postdoc和 Ph.D.倾斜，本科生有时只能在大牛实验室里做高级打工人。 而学术长跑看的是比热容和持久动能。 一些本科或许并不出众的学生进入 Ph.D. 阶段后，其对复杂问题的High Frustration Tolerance和研究冲劲，往往会远超那些早期被过度开发、对学术产生倦怠感的精英学生。 在我观察到的大州立大学杀出来的学术传奇，往往具备极度纯粹的理科硬核基因。 他们可能在高中时并不善于包装综合履历，但对物理、数学、计算理论或心智模型有着近乎本能的痴迷。 到了大学后，他们会将全部精力集中在高信息密度、高难度的底层学科。 科研的本质是在未知的混沌中寻找秩序。 当然，在最顶级的博士项目，比如Top 3 CS、Physics、Neuro、Math Ph.D里，藤校本科生和顶级州立本科生都会存在，但成名者的共同特质绝不是他们的本科校名，而是他们的学术审美。 高杠杆率和高压缩比的问题，始终稀缺。

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！

Physical AI 正在从演示走向真实基础设施工地。 Gritt 近期宣布完成 3240 万美元 pre-seed 和 A 轮融资，目标是把机器人和 AI 带入大型建筑场景，首先从太阳能电站施工开始。 它的路线很务实：不是从零打造一整套专用机器人车队，而是把机器人系统接入现有工地设备，比如 skid steer 和 forklift。 这让机器可以在户外工地完成重复性的体力任务，包括搬运、定位、组装等。相比工厂环境，真实工地会面对灰尘、地形、天气和现场变化，自动化难度更高。

Physical AI 是下一個瓶頸。軟體股已經漲翻天，但人形機器人要落地，真正卡住的是「致動器 (actuator)」——它佔了一台人形機器人成本的 70%。 以下是 4 檔美股，分別掌握了這個 Physical AI 瓶頸的不同環節： 1⃣ Novanta ($NOVT) 做致動器裡面三個最核心的東西：馬達、編碼器、扭矩感測器。風險最高但潛在報酬也在。 2⃣ Moog Inc. ($MOG-A) 老牌精密致動器製造商，軍工+機器人雙重需求驅動。 3⃣ Timken ($TKR) 軸承與運動控制，機器人每個關節都需要的基礎零件。 4⃣ Vishay Precision Group ($VPG) 精密感測器，讓機器人「感覺」到力道和位置。 🔑 核心邏輯： Jensen Huang 說人形機器人是 $40 兆市場。但大家都在追做機器人的公司（Tesla Optimus、Figure AI），真正的 alpha 在零組件供應鏈——就像當年 AI 晶片潮裡的 NVIDIA 一樣，這次的 picks-and-shovels play 是致動器。 軟體已經不是瓶頸了，Physical AI 的瓶頸在硬體：散熱、功耗、機械精度、可靠性。這些公司解決的就是這些問題。

继大模型之后，Physical AI 正成为 NVIDIA 的下一张王牌。 机器人不缺 AI，缺的是训练数据。NVIDIA 希望通过物理仿真生成海量合成数据，让机器人先在虚拟世界完成数百万次训练，再进入现实世界。未来，数据工厂可能比机器人本身更重要。

吴说获悉，据 DeFiLlama 数据，Physical TCG 协议费用在 6 月超 2,500 万美元，连续 4 个月创下历史新高，其中 Collector Crypt 达 1,590 万美元，Coutyard 达 440 万美元，Beezie 达 200 万美元，Phygitals 达 150 万美元等。

英伟达持续布局的Physical/物理AI机器人概念预期升温！ 从芯片、传感器、执行器到整机集成，多环节或迎爆发。 核心关注：$NVDA $TSLA $TXN $QCOM $ADI $HSYDF 👉 Bitget App → 行情 → 股票 → 热门概念「机器人产业链」，一键提前布局！

吴说获悉，据 DeFiLlama 数据，Physical TCG 协议在过去 30 天产生超过 2,600 万美元费用，成为在加密低迷周期中最活跃的新兴赛道之一，其中 Collector Crypt 费用约 1,550 万美元，Courtyard 达 565 万美元，Beezie 达 196 万美元，Phygitals 达 172 万美元等。

据 TechCrunch 报道，Encord 正在与 Zander Labs 测试一种新的 Physical AI 数据生产方式：在人类完成抓取、摆放等操作任务时，同时采集第一视角视频和脑电信号。 这不是“用意念控制机器人”。 重点是让训练数据更有信息量。脑电信号可能帮助标记意图、错误、惊讶或认知负荷，这些是单靠视频不一定能捕捉到的上下文。 Encord 的 Physical AI 数据体系还包括现场采集、遥操作、多传感器数据、标注和部署反馈。 机器人要学习真实世界，需要大量结构化样本：手、工具、物体、动作、时机和失败案例。