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。😅😅

吴说获悉，Tether 宣布与可编程商业银行 Pave Bank 以及总部位于新加坡的非营利组织全球金融与科技网络（GFTN）签署谅解备忘录（MoU），共同探索启动“格鲁吉亚—新加坡金融科技学者计划（Georgia–Singapore Fintech Scholars Program）”。该计划旨在打破资金门槛，选拔格鲁吉亚第比利斯国立大学（TSU）优秀的 STEM 专业本科生，于 2027 年赴新加坡管理大学（SMU）交换学习一个学期，并深入融入新加坡的金融科技产业生态。入选学者将参与学术深造、行业导师指导，合格结业者还将获得合作机构的实习机会与 GFTN 全球人脉网络资源。

🗺️ 一本用 Python 做地理空间分析的书，全书代码全开源 作者是田纳西大学副教授、Amazon Scholar，也是 geemap 和 leafmap 的作者 想入门地理空间分析，最难的是找到一条从环境配置到实战的完整路径。网上教程要么只讲某个库的用法，要么依赖商业软件，学完做不出完整的东西。 这本《Introduction to GIS Programming》把路铺完整了：从软件环境配置、Python 基础，一路讲到地理空间编程实战。涉及的工具是这个领域的主力阵容，GeoPandas、Rasterio、Xarray、Leafmap、WhiteboxTools、MapLibre、Earth Engine、Geemap、DuckDB、GDAL 都在里面。 作者 Qiusheng Wu 本身就是 geemap、leafmap、segment-geospatial 这些包的创建者，等于是工具作者亲自教你用。配套代码按章节组织，MyBinder、Colab、Docker 都能跑，还有配套视频。 英文纸质版 556 页全彩，电子版有 15 种语言，中文也在其中。 跟着工具的作者学工具，这是最短的路。 GitHub：

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👉

写论文管文献，参考文献一条条手敲，投稿被拒换期刊，引用格式从一种换成另一种，五十条挨个重排一遍。 JabRef 干这个活有年头了，开源免费，Windows、macOS、Linux 都有，整个库就是一个纯文本的 .bib 文件。 找文献直接在软件里搜 arXiv、PubMed、Google Scholar 这些库，有 DOI 或 ISBN 的填个号就把完整信息拉回来，PDF 丢进去也能抽出元数据。 GitHub： 浏览器装个扩展，看到论文点一下就进库。写作时 Word、LibreOffice 里插引用，内置的引用样式有上千种，切格式就是换一下。 支持导入 15 种以上的文献格式，重复条目能找出来合并，读没读、优先级、质量都能打标。 库文件是纯文本这一点我觉得最踏实，放 git 里管版本、Dropbox 同步给导师都行，多人一起用还能走数据库同步。 写论文还在手工排参考文献的同学，用 LaTeX 的尤其该装一个。