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#

【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#

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。