Jeff Dean 在 Google 的最后一天，不只是一个时代结束。 从 MapReduce、TensorFlow 到 Gemini，他一直在做同一件事：把少数专家才能处理的复杂性，变成所有工程师都能调用的基础设施。 如今，他与三位长期合作者创办 Discovery Loop，把自动化推向科学发现。

阿里平头哥把真武AI芯片的整套软件栈开源了。 开发者可以直接获取底层驱动，编译器，算子库和调试工具，不用只靠芯片厂商内部适配。 这套软件栈叫T-Head SAIL，已经适配PyTorch，TensorFlow，vLLM和SGLang等260多个训练与推理框架。平头哥称，主流推理框架的平均适配时间可以压到7天以内。 公司同时披露，真武AI芯片截至今年4月累计出货超过56万片，覆盖400多家客户。

如果现在重新学深度学习，我反而会更重视这种「能把经典论文拆开跑一遍」的资源。 有人把 Ilya Sutskever 推荐过的 30 篇经典论文，全部做成了可运行的教学实现，而且尽量只用 NumPy，不依赖 PyTorch / TensorFlow 这类框架。 这点很重要，因为框架太强以后，很多细节会被封装掉。你知道怎么调用 attention、怎么 import 一个 ResNet，但未必真的理解梯度怎么流、信息怎么传、记忆怎么写入、模型为什么会稳定训练。 这个仓库覆盖的范围也很完整：RNN、LSTM、AlexNet、ResNet、Attention、GNN、VAE、Neural Turing Machine、Scaling Laws、RAG、Lost in the Middle，基本是一条从早期深度学习到现代大模型的技术脉络。 它的价值在于，把「经典论文阅读清单」变成了「可以动手拆开的学习路径」。 读论文容易停在概念层面，跑一遍实现，才会真正知道每个模块在系统里承担什么角色。 AI 时代很多人直接从调用大模型开始学，但底层直觉依然很值钱。 知道模型为什么能工作，可能比只会用模型更抗周期。

看Ben Affleck的最新视频，他把自己创办的AI公司六亿美元卖给了Netflix ​ 怎么说呢，​如下几点启发 ​ 1、卓越的人其实很多方面都很厉害，长得帅，会编剧本(Good will hunting)，会演戏(蝙蝠侠)，会泡妞(都是顶美)，还能写python 创办AI公司 想到几年前马修康纳利在采访中说自己在家部署私有模型，他也出版了一本书，文笔相当的不错 2、专注解决问题而不是AI工具 上个月写了一条推，讲的就是“我觉得AI创业成功的可能是其他行业的人，而非技术行业的人”，外行其实更容易发现自身问题，比如Ben Affleck发现大模型公司生成的视频很好，但是其实离做电影还是太远，于是他自己捣鼓一套AI电影工作流 3、技术并非那么难 Ben介绍自己写Python ，研究谷歌的tensorflow ，他天天酗酒泡妞都能把代码学会，我们自然也会 4、发现需求眼光和资本的力量，这两者相乘才能做出好的产品

《智能合约圣杯：NEAR 生态的 5 大飞轮》🔥 昨晚加密市场迎来了一波大回踩，但 NEAR 近期凭借“链抽象 + 隐私＋去中心化 AI”的三重定位持续吸引流动性回流，价格相当抗跌，领跑主流公链板块。 而不扒不知道，一扒吓一跳，原来NEAR竟然是一条AI顶级大牛倒逼出的公链！⬇️ 👉Illia Polosukhin @ilblackdragon | Transformer 奠基人之一：NEAR联合创始人 Illia 是 2017 年人工智能里程碑式论文《Attention Is All You Need》的作者之一（大模型如 GPT、Claude 的底层架构源头），前 Google 机器智能研究员，曾深度参与 TensorFlow 研发与大规模深度学习算法优化。 👉Alex Skidanov @AlexSkidanov | 分布式数据库架构大牛：另一位联创 Alex 曾斩获 ACM-ICPC 全球金牌，曾任微软工程师及知名分布式内存数据库 MemSQL（现 SingleStore）工程总监，一手主导了 NEAR 动态状态分片（Nightshade）的系统架构。 👉而且，NEAR 的起源是“纯 AI 公司”。两位创始人于 2017 年创立项目时名即为 AI 自主写代码”。但因当时以太坊网络极其拥堵且手续费高昂，团队最终决定自己造一条兼顾极致吞吐与丝滑体验的高性能公链。这使得 NEAR 拥有极纯粹的 AI 与全链抽象基因。 而今天， Bankless 联合创始人也公开撰文力挺 NEAR，直言NEAR将吸纳“智能合约买盘”，进一步点燃了社区与资金情绪📈。 在最近行情与关注度回暖之际，NEAR 官方门户与生态矩阵也密集推出了多项全新交互机制。小编为大家梳理了当前NEAR生态最受关注的 5 大核心生态👇 1⃣ Confidential 💡定位：由 NEAR 官方门户（ Swap 交互。 🔥核心玩法与门槛：充值并持续留存价值 $100+ 的任意支持资产（USDT/USDC/NEAR 等），并在模块内完成至少 1 笔隐私 Swap。 ⭐机制亮点：采用独立隐私账本隔绝外部链上追踪，直接集成原生账户抽象，无需配置专用隐私钱包或插件。 🚀潜在机会：锁定生态 NEAR@3.33 奖励池（333,333 枚 NEAR）资格，目前第一期已经可以领取。第二期条件暂未官宣，可以积累早期交易量权重搏一搏空投。 2⃣隐私、安全的跨链资产路由 💡定位：由 NEAR 联合生态意图网络（如 Defuse）打造，用来实现 BTC、ZEC 与稳定币之间的“免跨链桥”互换。 🔥核心玩法与门槛：无资金硬性门槛，用户声明兑换意图直接由 Solver 撮合；进阶隐私玩法可将 NEAR 链上资产换为原生 ZEC 并提入 Zcash 官方屏蔽钱包 Zashi，反向亦然。 ⭐机制亮点：依托链签名（Chain Signatures）由 MPC 节点在目标链签发原生交易，避免出现传统跨链桥被盗与包装代币（如 WBTC）脱锚风险；链下撮合让滑点接近 CEX 闪兑。 🚀潜在机会：低磨损安全调配原生大额资产，同时借助 Zashi 屏蔽池切断 EVM 与 UTXO 链之间的资金聚类分析与地址追踪。 3⃣ 隐私＋永续合约 💡定位：由 NEAR 生态结合链签名与 Hyperliquid 接口构建，用来让 NEAR 钱包用户直接跨链交易头部去中心化永续合约，并隐藏交易者链上真实身份。 🔥核心玩法与门槛：无需跨链转移 Gas、无需在 Arbitrum 开户或配置多套助记词，直接用 NEAR 账户调仓。 ⭐机制亮点：交易意图与底层实际下单地址物理隔离，外部分析工具无法将订单与用户主钱包关联；直接复用 Hyperliquid 的高流动性订单簿深度。 🚀潜在机会：有效防止大额持仓被链上跟单或定向“猎鲸”，同时可以积累 NEAR 链签名在衍生品高频场景下的交互权重。 4⃣ 质押与去中心化 AI 💡定位：由 NEAR 官方及生态 AI 团队主导，用来将 PoS 质押收益直接定向转换为去中心化机密 AI 算力与推理额度。 🔥核心玩法与门槛：正常质押原生 NEAR（年化收益约 8%~10%），在后台开启收益流映射，将质押利息自动结算为 AI 节点的隐私推理（Private Inference）额度，目前可调用Qwen、DeepSeek等国产模型。 ⭐机制亮点：“本金保本、利息消费”，改变了按调用量直接烧现金/代币的商业模式；结合 TEE 硬件机密计算，确保输入的 Prompts 和私有代码端到端加密不泄露。 🚀潜在机会：卡位 NEAR“User-Owned AI”飞轮红利；以极低边际成本与强隐私性，为链上 Agent、自动化交易策略和安全审计提供算力支撑。 5⃣RWA 资产配置 💡定位：由 NEAR 生态与 Ondo Finance 协同打通，用来让非美国合规地区用户直接使用链上稳定币配置代币化美债收益与美股 ETF。 🔥核心玩法与门槛：需符合合规地区准入（非受限 IP，东南亚、欧洲）；将闲置稳定币一键换购为 Ondo 旗下的生息资产（如 USDY）或证券标的。 ⭐机制亮点：依托 NEAR 秒级出块与极低 Gas 费实现即时结算，省去海外券商电汇出入金与高昂摩擦；生息资产可继续作为链上协议的低风险抵押品。 🚀潜在机会：震荡行情下在链上即时获取 4%~5% 的美元底层无风险基准年化，同时保留资金机动性，随时换回加密资产抄底。 ⭐结语 目前，near@3.33是NEAR链上比较具有确定性的机会，可以优先通过 完成 $100+ 隐私资产充值与 1 笔 Swap，维持余额沉淀，以最低成本锁定后续的 near@3.33 资格与生态追溯空投。

📚 刚发现一份 AI 工程转型的论文清单，从零到前沿的路线全给你排好了 GitHub 上 2.6K stars 写了几年后端想转 AI，最难的不是学不动，是不知道从哪学起。网上的资料要么是「三天精通大模型」这种速成课，要么直接甩你一篇 Transformer 原论文，中间那段路没人给你铺。 这份清单把中间那段补上了，按主题分层排：分词、向量化、基础设施、核心架构打底，往上是混合专家模型、RLHF、思维链和推理，最后是优化、蒸馏和状态空间模型。每一层给的都是原始论文和项目本体，BERT、TensorFlow、FAISS、Ray、FlashAttention、Mamba、CLIP、DSPy 和 Model Context Protocol 都在列，《Attention Is All You Need》《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》《Distilling the Knowledge in a Neural Network》这几篇奠基论文也标了出来。 除了论文还有实战部分：图像 Transformer、视频 Transformer、上下文工程和竞赛模型相关的研究，以及 Meta、OpenAI、Swiggy、Netflix 和 Uber 的真实系统案例，能看到这些东西在生产环境里是怎么用的。末尾还附了一门 AI Engineering 的视频课。 想清楚要学什么，比一头扎进去学得快。 GitHub：

Google 资深副总裁 Jeff Dean 宣布离职创业 Google 资深副总裁 Jeff Dean 宣布将在工作 27 年后离职，与 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 共同创办 AI 公司 DiscoLoop AI。 Jeff Dean 是 Google 传奇工程师，参与构建了 MapReduce、BigTable、TensorFlow 等核心系统，近年负责 Google AI 和 Google Research。

Google有很多明星高管, 但在工程师的世界里，真正被写成“神话”的人，是 @JeffDean Jeff Dean! 硅谷曾经流传着一整套关于他的段子： “Jeff Dean的简历上，只需要列出他没有做过的事 - 因为那一页比较短。” “Jeff Dean写代码之前，代码会先自行优化，以免让他失望。” 这些当然是模仿Chuck Norris的玩笑，却也反映了他在计算机世界近乎传奇的地位。 Jeff Dean在1999年加入Google。当时公司只有大约25个人，办公室还位于Palo Alto一家店铺楼上。 他参与建立了Google早期的搜索、索引、广告和大规模计算系统，后来又推动了MapReduce、Bigtable、Spanner、TensorFlow、TPU和Google Brain等一系列关键技术。 我们今天所熟悉的搜索、云计算、大数据和深度学习世界，很多看不见的底层结构，都有他的影子。 但Jeff Dean最动人的故事，并不只是一个天才如何写代码，而是两个天才如何一起工作了二十多年，结下深厚友谊，同时一起改变世界。 2018年，《纽约客》曾用一篇长篇特写，讲述Jeff Dean与 @Sanjay_Ghemawat 的友情 (没错，Jeff 现在新的startup 就是和自己多年的老友 Sanjay 一起！），标题叫： 《The Friendship That Made Google Huge》 — 让Google变得如此庞大的友谊。 两个人性格截然不同。 Jeff外向、活跃，喜欢提出大胆的新想法，迅速写出令人惊讶的原型；Sanjay安静、内敛，擅长把一个想法变成可以稳定运行许多年的系统。 Jeff负责看见远方，Sanjay负责让通往远方的桥不会倒塌。 他们甚至经常不是各自在电脑前工作，而是坐在同一台电脑旁结对编程：一个敲键盘，一个在旁边观察、纠正、思考。 2000年，Google的搜索索引系统几乎陷入瘫痪。网页还在迅速增长，但用户搜到的结果已经落后了五个月。 Jeff和Sanjay一起找到问题：随着服务器规模扩大，原本极小概率发生的硬件错误开始变得不可避免，甚至宇宙射线都可能让芯片里的一个0变成1。 他们没有只修复那一次故障，而是进一步思考：如何让成千上万台随时可能出错的廉价计算机，像一台可靠的超级计算机一样协同工作？ 后来诞生的Google File System、MapReduce和Bigtable，不仅支撑了Google的扩张，也深刻影响了此后的云计算与大数据产业。 《纽约客》把两个人称为“Binary Stars”—二进制双星。 在Google当时的工程师等级体系中，大多数人的职业生涯止步于Level 5或Level 6；Jeff和Sanjay则被描述为公司最早、也是当时仅有的两位Level 11工程师。 但Jeff Dean的人生并不只有技术。 他的父亲研究热带疾病，母亲是医疗人类学家。13岁时，他曾跟随父母前往索马里的难民营；读高中时，他就参与开发流行病学软件，后来被世界各地的公共卫生工作者使用。 这或许也能解释，为什么他在离开Google之后，没有选择再做一个聊天机器人或者广告优化工具，而是把新公司的使命定为：用AI加速科学与工程，为人类解决药物、健康、清洁能源和水资源等重要问题。 27年前，Jeff Dean和Sanjay Ghemawat一起加入一家只有几十个人的创业公司，把它变成了今天的Google。 27年后，58岁的Jeff Dean决定重新开始。 而Sanjay，依然坐在他身边。 这真是令人感动，所谓真正的知己，无非如此 - 就像巴菲特和查理芒格，一辈子的知己，人间值得！ PS. 照片来自 @JeffDean 的推文 - 你可以看到Jeff 和他的天才小伙伴们，无论年龄和成就，眼中仍有朴实和纯真的光芒，让你感到世间还是有希望和温暖！

推荐这份报告，OpenAI 记录了 8 个科学软件加速项目的实况。 核心发现：瓶颈不在写代码，在验证——agent 经常对明显错误表达高度自信。 OpenAI 在 7 月 28 日发布了一份实地报告，记录了 8 个用 coding agent 加速科学计算软件的案例。全文基调不是"AI 将取代科学家"，而是一个更具体的观察：瓶颈已经不在代码实现，而在验证。 8 个项目 覆盖基因组学、免疫学、统计学和 RNA 测序。5 个项目独立使用 Codex，3 个结合 Codex + Claude Code。任务分三类：打包和构建系统清理、现有代码的性能优化、以及完整的语言或后端迁移。 几个具体数据： • HI.SIM（DNA 测序读段模拟器）：GPT-5.2 和 GPT-5.6 分别做了一轮自主优化，运行时减少 31%，输出不变 • Hifiasm（基因组组装）：优化目标上减少 25%，独立的人类测序数据上减少约 15% • MHCflurry（蛋白质片段预测）：TensorFlow/Keras 后端完整迁移到 PyTorch，保持已发布模型权重兼容 • bayesm-rs（R 统计模型的 Rust 移植）：单线程快 2.3-2.7 倍，8 线程快 4.4-9.5 倍 两个更极端的案例： • RustQC 把 15 个独立 RNA 质量检测工具合并成单一程序，运行时减少 60 倍，磁盘 I/O 减少 25 倍 • HelixForge 是 GPU 原生重建的突变模拟工具 BAMSurgeon，在真实人类数据 benchmark 上运行时减少约 60 倍 核心发现：验证，不是代码生成，是真正的瓶颈 所有贡献者一致观察到同一个模式：agent 处理有明确边界和可衡量目标的实现请求时能力很强，但无法判断自己的输出是否科学上正确。agent 经常对包含明显错误的工作表达高度自信。 这意味着研究者的实际负担从"写代码"转移到了"构建验收测试"——精确输出匹配、与现有工具的等价性检查、或者用模拟数据预先建立的标准答案。单个 reference 不足以验证 agent 的输出，需要多个维度的确认。 一个贡献者的原话被引用了两次："让 agent 跑得快是一回事，让科学走得远仍然需要专家的指导、理解、品味和 care。" 维护问题 报告提出了一个值得注意的警示：更低的工程成本双向作用。它让一个两三人团队可以承担原本需要资助性工程雇佣的重建工作，但也让三个不同实验室更容易产生同一工具的三种不兼容版本。报告建议在 agent 生成第一行代码之前就确定谁负责维护重建的工具。 原文： #Codex# #ScientificComputing# #AgentEngineering#

MediaTek NeuroPilot 是联发科（MediaTek）闭源的商业闭环生态，因此它没有官方的、开源的单一 GitHub 主仓库。 如果你需要下载工具链或查看官方文档，需要前往联发科的官方开发者门户： 官方门户网站：👉 MediaTek NeuroPilot Portal 你可以在这里注册开发者账号，并下载编译转换工具（如 NeuroPilot Express SDK、Neuron Compiler）以及查看开发指南。 与开源社区（GitHub）的合作接口 虽然核心编译器和运行时是闭源的，但联发科在 GitHub 上为许多主流的开源 AI 部署框架贡献了 NeuroPilot 硬件加速适配层（Backend） 的代码。你可以通过以下开源项目学习它是如何接入硬件加速的： pytorch/executorch 说明：PyTorch 官方针对移动端设计的轻量化推理框架。联发科官方在其中维护了 MediaTek (NeuroPilot) 后端适配器代码，支持直接在该框架下调用 APU。 Google LiteRT (GitHub，原 TensorFlow Lite):项目地址： google-ai-edge/LiteRT 说明：Google 的端侧 AI 框架，内置了对 NeuroPilot NPU 硬件加速器的支持接口。