MIT 科技评论 - 本周热榜

曾破产的“铱星计划”被80亿美元盘下，买家要拿它跟Starlink抢生意

胡巍巍 — Tue, 30 Jun 2026 12:30:42 GMT

上学只上了到高中、没有大学学历、自学成材并获封新西兰骑士头衔的企业家彼得·贝克，用一个收购动作改写了商业航天的版图。近日，他创办的 Rocket Lab 公司宣布了一项大交易，这家公司正式以 80 亿美元的价格收购美国卫星通信巨头 Iridium。

这笔交易让工匠出身的贝克直接掌握了一个成熟的低轨星座和极其稀缺的全球无线频谱，Rocket Lab 由此得以绕过漫长且昂贵的星座建设周期，一步到位地完成了从火箭发射、卫星制造、到在轨通信运营的全产业链垂直整合。

图 | 彼得·贝克（来源：Rocket Lab）

放眼全球商业航天领域，同时拥有火箭、卫星工厂和通信网络的航天公司屈指可数，马斯克 SpaceX 的星链是其中最著名的一个。Rocket Lab 这次收购等于复制了老对手的这条路，但是它的路径更直接，既是花钱买时间，也是买了一张稀缺的入场券。

Iridium 并不是一家普通的企业，它的历史本身也是一部商业航天的传奇。20 世纪 90 年代，摩托罗拉公司主导了著名的“铱星（Iridium）计划”，耗资数十亿美元将六十六颗卫星送上天，目标是让地球上的任何角落都能拨打卫星电话，这个计划在技术上是成功的，在商业上却遭遇了惨败。

由于地面手机网络发展太快，导致昂贵的卫星电话找不到足够的用户，为此 Iridium 在 1999 年申请了破产保护。2000 年，它被一个投资团队用两千五百万美元从破产拍卖中买走，这也被很多人称为世纪最划算的交易之一。

买家随后拿到了美国国防部这个大客户，一举让 Iridium 起死回生。后来，它更换了新一代星座，把业务从语音领域拓展到数据、物联网和定位导航授时服务。目前，它拥有超过两百五十五万的活跃用户，年收入超过了八亿七千万美元，运营利润可以说相当可观。

而 Rocket Lab 买下的就是这样一个当前来看比较优质的资产，它包含六十六颗在轨工作卫星和十四颗在轨备用星，一个覆盖全世界的 L 波段频谱使用权，一个积累了二十多年之久的用户生态，以及与美国政府的深度合作关系网。

彼得·贝克公开表示，这笔交易让 Rocket Lab 找到了一个快捷路径。

具体来说：在频谱上，全球协调的 L 波段频谱极为稀缺，地面通信和卫星通信都在你争我抢。单独去申请一个新的星座频谱，需要经过国际电信联盟复杂的协调程序，耗费十年以上时间大概率是常事。

在时间上，从零开始重新建设一个全球星座，无论是设计、制造，还是发射和组网运营，至少需要五年到十年才能带来收入。

（来源：Rocket Lab）

在用户上，Iridium 耗时二十多年积累了超过两百五十万用户，这个客户基础根本无法用钱快速复制。

而买下 Iridium，等于把上面这三件事一举干掉。从企业财务的角度来看，这笔交易同样值得注意，Rocket Lab 在 2025 年的收入大约是六亿美元左右，目前依然处于亏损状态。Iridium 在 2025 年的收入大约是八亿七千万美元左右，净利润超过了一亿美元，运营利润率达到了 57%。

在两家公司合并之后，Rocket Lab 的营收将直接翻倍甚至可能更多，未来将从亏损转变为盈利。Rocket Lab 的首席财务官也公开表示，这笔交易将能够明显增强该公司的现金流和盈利能力。

完成收购后的新企业结构也能解决航天行业一个长期的难题，长期以来发射公司总是很难做大，因为发射服务本身的市场规模是十分有限的。而卫星制造公司通常也很难做大，原因在于客户订单并不连续。但是，卫星通信服务公司是可以做大的，原因在于用户订阅能够带来持续稳定的收入。

Rocket Lab 通过这次收购动作，得以从一家依靠发射和售卖卫星获取周期性收入的公司，摇身一变成为一家拥有稳定现金流基础的综合性航天企业。

买下 Iridium 之后，Rocket Lab 不仅会继续运营现有的网络，还将开始规划下一代的星座，卫星通信、定位导航授时服务、物联网这些正在爆发的市场都会被纳入未来的版图。另一方面，Iridium 的下一代星座计划可能也会因此提速。与此同时，Rocket Lab 可以用自己的火箭发射自己的卫星，发射成本在自己内部消化，从而能够确保发射时机的自主可控。

当前，商业航天正在进入一个新的阶段。单纯的火箭公司或者卫星公司已经不够吸引人，能够整合发射、制造和运营的企业才有可能在下一轮竞争中杀出来。比如，亚马逊也收购了另一家卫星通信公司全球星，SpaceX 的星链已经牢牢占据了市场龙头。此次 Rocket Lab 用八十亿美元押注了同一种做法。

这笔交易预计将在 2027 年中完成，接下来还需要监管和 Iridium 股东的批准。每股五十四美元的收购价，比消息公布前的股价溢价超过了 24%，预计 Iridium 股东也将从这笔交易中获得不错的回报。

回顾来时路，彼得·贝克成长于新西兰南岛的一个小镇，虽然没有上过大学，但却靠自学成了一名工程师和企业家。十几年前的时候，他创立的 Rocket Lab 还只是南半球一个名不见经传的小公司，如今 Rocket Lab 已经买下了航天史上最具传奇色彩的名字之一，这大概也是商业航天最为迷人的地方之一，虽然这个行业的门槛高得吓人，但总有人用第一性原理能从边缘闯进来，然后去重新定义游戏的玩法。

参考资料：

https://www.prnewswire.com/news-releases/rocket-lab-to-acquire-iridium-in-historic-deal-creating-a-fully-vertically-integrated-space-powerhouse-primed-for-growth-302813075.html

https://spacenews.com/rocket-lab-to-acquire-iridium/

https://www.cnbc.com/2026/06/29/rocket-lab-buys-iridium.html

https://siliconangle.com/2026/06/29/space-launch-provider-rocket-lab-buy-satellite-operator-iridium-8b/

https://rocketlabcorp.com/about/team/

https://en.wikipedia.org/wiki/Peter_Beck

运营/排版：何晨龙

旧手机除了放转转，还能放数据中心提供算力

DeepTech深科技 — Tue, 30 Jun 2026 05:02:28 GMT

UC San Diego（加州大学圣地亚哥分校）的服务器机房里，最近多了一批不太寻常的设备。它们没有外壳，没有屏幕，没有电池，只剩下一块块裸露的电路板，用塑料固定在机架上，靠网线连成一个集群。凑近看才能认出，那是被淘汰的 Google Pixel 手机的主板。这些看起来已经报废的手机，其实并没有真正退休，它们只是离开了消费市场后重新进入了另一套计算系统。

今年六月初，Google 发布了一篇研究博客，介绍了 Google 和 UC San Diego 的合作项目：把退役的 Pixel 手机拆解到只剩主板，重新组装成计算集群，用来跑大学里的教学和科研任务。一个二十台手机组成的小集群，已经在支撑一个七十五人课堂的作业批改系统，速度不输亚马逊云的默认后端。下一步，团队打算把规模扩大到两千台。

图｜项目概念动画演示（来源：Google）

过去两年，几乎所有关于算力的新闻方向都是一致的，大家专注于建更多数据中心，造更多芯片，扩更大的电网容量。但 Google 和 UC San Diego 提出了新的设想：全世界抽屉里躺着的旧手机，会不会才是被浪费掉的算力？

一部手机用旧了，要么折价卖掉翻新，要么被拆解，提炼里面的金、铜、锂这些贵金属，剩下的部分进焚烧炉或填埋场。无论走哪条路，它们的终点都是材料。手机的价值被还原成它由什么元素组成，处理器和这部手机的其他零件没什么本质区别，都是等着被熔炼的原料。

图｜Pixel 8 Pro 拆解图（来源：Android Headlines）

除了这些金属材料之外，手机里那颗芯片，也是可以继续发挥作用的。Google 的内部测算显示，一台几年前的旧手机，处理器单核性能已经能和现役数据中心服务器相匹敌，差距主要在内存容量和多核扩展性上。单论算力密度，旧手机并不像它的市场地位那样过时。

所以，一部手机退出消费市场，并不代表它失去了计算的能力，而这种能力往往容易被忽视。很少有人想到把退役手机重新接入计算任务，直到数据中心的扩张速度开始撞上电网和碳排放的天花板，人们才认真思考如何继续发挥退役手机芯片的作用。

苹果的 Trade In 计划，大概是大多数人对旧手机处理的默认印象，能用就翻新转卖，不能用就拆解回炉，一部手机总是作为一个整体被考虑。UC San Diego 的项目则打破了这种模式，把退役手机从产品的身份里抽出来，只留下它作为计算节点的那部分能力。

屏幕、电池、摄像头、外壳全部剥离，因为这些部件在数据中心里没有用处，只留下手机主板。Google 的数据显示，一台手机制造过程中产生的碳排放，大约一半都集中在主板上。因此，一部手机的价值基本都集中在那颗芯片。UC San Diego 和 Google 的实践提炼出了最有价值的这部分，继续发挥芯片的计算能力，只是换了一个场所。

这个回收利用的项目发生在 2026 年，而不是更早，并非偶然。过去三年，AI 和算力被反复讨论，但几乎全部集中在训练大模型需要的 GPU 集群、随之而来的电力消耗、给数据中心降温的水资源压力。这些问题确实存在，但它们一起制造了一种错觉，似乎所有计算任务都需要最前沿的硬件，算力扩张只剩一种路径：往金字塔顶端不断堆更贵、更新的芯片。

然而，UC San Diego 的这项研究表明，不一定是最前沿的硬件才能支持算力的发展。批改作业、跑网页服务、托管开发环境、运行轻量的 Jupyter notebook，这些任务可能并不需要最新的 GPU。之前这些任务经常被部署在和训练任务同等规格的服务器上，是因为默认选项就是新建一批标准服务器。

UC San Diego 研究团队特意强调，这个项目从没想过和驱动 Gemini 这类大模型的专用芯片竞争，它瞄准的是那些长期被高规格基础设施过度服务的轻量任务。

需要更多算力并不是百分百代表需要造更多新硬件。两千台退役手机能提供大约五十台服务器的等效算力，这个数字本身不算惊人，但它意味着现有的、已经被造出来却被闲置的计算能力有很大的利用价值。

普通用户平均四年换一次手机，全球每年因此产生的退役设备数以亿计，其中绝大多数处理器依然完好。一所大学实验室，靠回收的边角料就能拼出五十台服务器的算力。可能还有更多这样的算力，正闲置在某个抽屉、某个仓库、某条供应链的末端，等着被当垃圾处理掉。

不过，在 Google 看来，这项实验真正想解决的，并不只是电子垃圾，而是计算产业里另一类更容易被忽视的碳排放——隐含碳（embodied carbon）。数据中心运行时消耗的电力属于运行碳（operational carbon），而芯片制造、主板生产、原材料开采和整机组装过程中产生的排放，则在设备投入使用之前就已经发生了。

过去几年，科技行业大量投入提高服务器能效、采购可再生能源，希望降低运行碳。相比之下，制造阶段产生的隐含碳更难削减，因为只要生产一台新的服务器，碳排放几乎不可避免。对于 Google 来说，把已经制造出来的主板继续投入使用，本质上是在延长这部分隐含碳的使用寿命，而不是再次支付一次制造新硬件的碳成本。

与此同时，这种模式也标志着数据中心也开始实行循环经济。循环经济过去主要活跃在汽车、纺织、塑料包装这些领域，核心是尽可能让材料被反复利用，减少一次性消耗。计算设备长期游离在这套讨论之外，是因为一块电路板里塞着几十种材料和几十道工序，拆解的成本和复杂度，远高于回收一件衣服或一节电池。

UC San Diego 的项目换了一种思路：与其执着于拆解回收材料，不如先看看这块板子作为一个整体，是否还能继续工作。按照这个思路，应用场景就不止手机了，平板、路由器、智能音箱，原理上都面临类似的处境。

外壳和市场定位过时了，内部的计算单元未必过时。这样一来，如果主板可以脱离原有产品形态、被重新编组进另一套计算系统，二手计算单元的回收、检测、重组，或许会在硬件制造商和废品回收商中间发展成一条独立的产业链，这是前所未有的。

不过，这个变化目前还只发生在一所大学的实验性集群里，规模有限，技术也谈不上成熟。手机硬件能不能承受数据中心级别的持续高负载，网络拓扑能不能稳定支撑这么大规模的调度，都还在验证。但它已经足够说明，算力的扩张方式，不止建造更多数据中心一种。

手机行业这几十年的增长，很大程度上建立在定期换新上，旧设备退役得越规律，新设备的销路就越稳。如果退役不再等同于报废，旧硬件的计算能力可以被剥离出来、重新部署，继续在别的系统里工作上好几年，那么靠换新周期驱动收入的整条产业链，要拿什么来说服一个用户，他手里这台还能用的设备，应该被换掉，而不是被留下来接着算东西。

参考资料：

https://research.google/blog/a-low-carbon-computing-platform-from-your-retired-phones/

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

福特被AI“打脸”：裁员加速、质量崩盘，最后还得请回人类工程师

DeepTech深科技 — Mon, 29 Jun 2026 12:19:10 GMT

2026 年 6 月 25 日，君迪（JD Power）发布了第 40 届美国新车初始质量研究（IQS）报告，这一数据基于新车型出厂后 90 天内的初始质量得出。福特汽车以每百辆车出现 152 个问题（152 PP100）的成绩登顶主流品牌榜首，距离它上一次拿到这个位置，已经过去了 16 年。

在整车整体排名上，福特从 2025 年的第 14 位跃升至第 3 位，仅次于保时捷（138 PP100）和捷尼赛思（151 PP100）。在细分市场，福特的 F-150、Mustang 和 F 系列 Super Duty 连续第二年拿下各自市场中的最高分。

（来源：JD Power）

这是福特等了很久的一个好消息。但在随后举行的媒体吹风会上，福特负责整车硬件工程的副总裁查尔斯·潘（Charles Poon）承认了一个不那么光彩的事实：“我们曾经错误地以为，只要引入 AI，调整一下原有设计要求，就能生产出高质量的产品。”

借由查尔斯之口，人们终于得知，福特过去几年质量下滑，根本原因之一在于公司过度依赖 AI 和自动化系统，一线资深工程师掌握的经验知识随着裁员而流失。

作为补救，查尔斯表示，过去三年间，福特已经陆续重新雇佣、新招或提拔了 350 名经验丰富的工程师，由他们带领新人、重建训练 AI 所需的数据管道，改进原本被设计用来取代人类工程师的自动化工具。

福特从 2019 年开始进入持续的白领裁员周期。当时，公司在全球一次性裁掉了 7,000 人，约占白领员工总数的 10%。2022 年再裁约 3,000 人。

2023 年 6 月，福特向工程岗位开刀，在美国和加拿大实施新一轮裁员，覆盖旗下燃油车、电动车和车队服务三个业务单元，至少 1,000 个受薪和合同岗位受到影响。福特 CEO 吉姆·法利（Jim Farley）曾公开表示，福特的工程部门“比竞争对手多用了 25% 的工程师来完成同样的工作”。

到 2025 年 5 月，工程部门再次传出裁员。2025 年 6 月，吉姆在阿斯彭思想节（Aspen Ideas Festival）上判断，“AI 将取代美国一半的白领。”

福特引入 AI 的决策可以追溯至千禧年初期。2002 年左右，公司率先将神经网络嵌入发动机失火检测等场景中，但大规模部署 AI、使其进入设计验证和质控决策层，是在 2022 年之后。

2017 年，福特向主营 L4 级别无人驾驶的初创公司 Argo AI 投资 10 亿美元。但到 2022 年 10 月，烧了钱却没看到多少产出，福特选择撤资，并在后续将 AI 应用的重心转向更务实的辅助驾驶和制造质控。

2023 年起，福特在位于密歇根州的一家工厂率先部署移动 AI 视觉检测系统，用手机拍照加图像比对来判断零部件安装是否到位。据查尔斯透露，公司在发动机热测试环节部署了 AI 异常检测：在每台发动机上采集数百个数据点，结合之前数千台的数据，由 AI 寻找微小偏差，只要发现异常，哪怕在公差范围内，对应产品和零件都会被拉下产线复检。

一系列操作下，2023 年当年，福特在君迪 IQS 榜单排名第 15 位，2024 年仍低于行业平均水平。2025 年，福特发起了 153 次召回，涉及近 1,300 万辆车，创下单一车企单年召回数的行业新高。

截至 2026 年 6 月，福特已经发起 51 次召回，覆盖超 1,100 万辆车，仍然是全美召回数最多的车企，是排名第二的车企（Stellantis，19 次）的两倍多。但与此同时，2026 年，福特的 IQS 排名却跳到了第一，每百辆问题数比上一年下降了 41 个，在所有主流品牌中改善幅度最大。

考虑到汽车开发周期通常是 3~5 年，如今召回创新高，原因要从三年前找。这样一来，裁员加速、AI 部署扩大和质量恶化的交汇点就落在了 2022 到 2023 年。

福特目前部署的 AI 应用大致分两类。一类是产线上的检测 AI：视觉比对零件安装、热测试找发动机异常、对几百个数据通道做模式识别。这一类技术成熟、规则相对明确，能直接向操作员提示设备异常情况。查尔斯肯定了 AI 在这一场景中的应用，认为这是人类检验员很难做到的事情。

另一类则是设计验证和质控决策层面：由 AI 判断设计方案是否可行、材料组合会否在极端工况下出问题、跨系统的接口设计是否会带来软件冲突。用 AI 替代人工，最终出问题的正是这一环节。

（来源：Ford）

资深工程师在多个产品周期中积累的丰富经验，构成了他们在设计验证环节不可替代的核心价值。这些判断都是难以直接被书面总结、用于 AI 训练的“隐性知识”。查尔斯承认，AI 的好坏完全取决于训练数据的质量，然而，资深工程师早在收集数据前就已经离开，AI 能学到的只有不完整的版本。

福特首席运营官库马尔·加洛特拉（Kumar Galhotra）虽然承认，公司越来越多依赖自动化质控系统，没有得到想要的结果。但同时，福特在汽车软件的验证流程里依然新增了超 10 万个由 AI 驱动的自动化测试，覆盖各种边缘场景。

对于这种用 AI 填 AI 挖的坑的行为，查尔斯解释称，公司正把质量管理理念从“出了问题再修”转向预防优先，最近 18 个月专门成立了一个 40 人的软件质量保证团队，专门在生产环节之前拦截可疑问题。

他还表示，汽车软件不能学硅谷“先发布后修复”的套路。手机软件卡顿事小，但汽车制动系统出问题将关乎人命。

图 | 福特引入的虚拟测试（来源：Ford）

AI 进入产业链，因缺乏行业经验导致企业产品质量下滑的案例中，上一个代表性案例是瑞典金融科技公司 Klarna。2022 到 2024 年间，Klarna 削减了约 700 个客服岗位，主要被替换为与 OpenAI 合作开发的 AI 助手。

CEO 塞巴斯蒂安·谢米亚特科夫斯基（Sebastian Siemiatkowski）甚至公开声称自己是 OpenAI“最喜欢的小白鼠”。这套系统在量化指标上确实出色，上线一个月内处理了 230 万次对话、覆盖 75% 的客户交互、支持 35 种语言。公司同期总员工数从 5,527 人降到 3,422 人，缩减约 40%。

到 2025 年 5 月，塞巴斯蒂安却在彭博社（Bloomberg）的访谈中表示：“我们太注重效率和成本，结果却是质量下降，AI 带来的效率提升也是不可持续的。”因此，Klarna 开始重新招聘可以远程兼职的真人客服。咨询公司高德纳（Gartner）已经给出了预测：到 2027 年，因 AI 裁减客服岗位的企业里，将有一半会被迫重新招人。

为什么部分企业低估了资深人士的不可替代性，同时却高估了 AI 解决专业问题的能力？原因可能是多层面的。

首先是激励结构。裁员带来的成本节约是即时、可量化的，对于上市公司而言，甚至可以写进当季的财报里，用于拉升股价；与此同时，人才流失导致的质量下降是滞后的、难以归因的，只有当问题在后续几年间出现，决策者才会意识到做错了选择。

第二是指标错位。AI 系统在可测量的维度上往往表现良好，在汽车领域，它能提升检测速度、处理量，进而降低单位成本。但它替代不了是不容易被指标捕捉，却至关重要的经验资源。福特的 AI 每天可以检测海量发动机数据，实时表现亮眼。但在设计验证环节引入 AI，判断力的退化无法通过指标即时体现。

按照当前 AI 的能力，学习这些经验并非难事，但裁员的速度跑在了 AI 能力成熟度的前面，珍贵的训练数据难以回流至训练阶段。哈佛商业评论（Harvard Business Review）2025 年底对 1,006 名全球高管进行的调查显示，60% 的企业已因 AI 减少了人员编制，但只有 2% 表示，大规模裁员与 AI 的实际部署有关。

AI 在标准化检测环节表现良好是客观事实，福特也因此加大了投入。但当企业决定用 AI 取代人类，参与设计方案决策，流失的却是靠多个产品周期才能沉淀出来的无形资产。查尔斯为这类经验做了具体阐释：“资深工程师在问题渗入系统之前就能识别和解决它们”。

AI 接管判断决策层，最有效的路径或许是让人类工程师亲手训练系统。福特连这一步都没走完就启动裁员，最后还是要把人请回来给 AI 补课。当然，让 AI“蒸馏”自己的知识对老员工而言实在谈不上公平，但在企业层面，至少不会丢了产品质量，损失市场信誉。

参考内容：

https://www.theverge.com/transportation/956316/ford-quality-jd-power-ranking-ai-automated-mistakes

https://www.jdpower.com/business/press-releases/2026-us-initial-quality-study-iqs

https://www.cnbc.com/2023/06/26/ford-engineering-layoffs-us-canada.html

https://fortune.com/2025/07/05/ford-ceo-jim-farley-ai-white-collar-jobs-essential-economy-skilled-trade-jobs-shortage/

https://hbsp.harvard.edu/product/H0924B-PDF-ENG

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

欧洲组织的极端高温的活动因为极端高温被取消，未来可能更热

麻省理工科技评论 — Mon, 29 Jun 2026 05:10:41 GMT

（来源：麻省理工科技评论）

这周很难不去关注欧洲热浪的新闻。整个大陆都在打破气温纪录，高温正在威胁生命、迫使学校停课，还有一个特别讽刺的案例：伦敦气候行动周一场关于极端高温的活动因为极端高温被取消了。

夏天来了，这样的天气会在整个北半球蔓延，我一直盯着电网。这周引起我注意的一条消息是，法国南部一座核电站因为高温被迫停机。

气候变化正在从多个方向同时挤压电网，供给和需求两头都受影响。高温会影响电力供应——从发电到输电基础设施都会受到冲击，但气候变化也在推高用电量，欧洲和世界各国都需要适应这个变化。

美国将近 90% 的家庭有空调，很多电网的年度用电峰值在夏季，限电和停电的风险也在夏天最高；欧洲正在经历类似的趋势，应该预料到用电量上升、电网承压，就跟美国一样；电力公司经常需要跨境购电，把所有人的电价都推高了。

“主要压力来自三重夹击：制冷需求急剧上升，发电厂和电网的效率同时下降，一些火电和核电还不得不减产，因为冷却水温度太高或者水量不够，”布鲁盖尔经济政策智库高级研究员西蒙·塔利亚皮特拉（Simone Tagliapietra）在邮件中说。

气候变化时代的电网规划总体来说意味着我们需要更多的供给，而且供给的速度要更快。但这个挑战还有一个有意思的层面：一些地方的季节性用电规律正在改变，让满足需求变得更难。

一般来说，电网运营商会根据预期的用电高峰来安排电厂的检修和停机。以核电为例，在美国计划内的检修和换料停机通常安排在春秋两季，因为那时候用电量低于夏季高峰和冬季次高峰。

但欧洲的情况历来不同。欧洲电网的年度峰值在冬天，因为电暖气比空调更普及。所以一些计划内的停机安排在春天到夏初，这正在影响当前的供电。

比如法国图卢兹附近的戈尔费什（Golfech）核电站，二号机组这周因为附近河流水温过高而停机——河水是用来冷却反应堆的。而一号机组在那之前就已经因为计划内的检修和换料停了下来。据电站运营商法国电力公司（EDF）说，两台机组同时不在线。

气候变化会让全球各地继续出现破纪录的高温。社区在适应，电力公司也必须跟上。

如果你觉得今年夏天已经够热了，等着看明年吧。随着厄尔尼诺天气模式的到来，2027 年的热浪可能比现在猛烈得多。

原文链接：

https://www.technologyreview.com/2026/06/25/1139690/europe-heat-wave-grid/

AI破解2000年前庞贝古卷！烧成灰烬的草纸内容，首次被机器学习完整破译

刘雅坤 — Sun, 28 Jun 2026 14:06:50 GMT

AI 第一次让人类无需打开卷轴，就完整虚拟展开并阅读了一卷近 2,000 年前的古代卷轴。

公元 79 年, 维苏威火山爆发，庞贝毁灭，在十几公里之外的古代海滨城市赫库兰尼姆（Herculaneum），一座私人图书馆被火山灰瞬间掩埋，其中数百卷莎草纸卷轴全部被烧成木炭。

几个世纪以来，这些被烧毁的古代卷轴一直是个“未解之谜”。它们曾被埋藏在炽热的岩石、火山灰和熔岩之中，如今已高度碳化。自 1752 年被发现以来，人们曾尝试过各种方法来解读这些卷轴。

例如尝试将它们剖开，用刀刮掉每层古老的纸张；或者在纸层间注入水银；又或者将它们浸泡在明胶和醋酸的混合物中……但是没有人敢将它们完全打开，因为这很有可能加速这些卷轴彻底被摧毁的速度，也有可能因此让它们变得无法辨认。

如今，研究人员在机器学习方法的帮助下，第一次完整虚拟展开了一卷赫库兰尼姆古卷，并以完全非侵入式的方式成功读取其中保存下来的文本内容。他们共识别出约 20 列文字，虚拟展开后总长度约 1.5 米。这是目前已完成完整虚拟展开的赫库兰尼姆卷轴中最古老的一卷，探讨了伦理、艺术和人类行为。

图丨研究团队利用激光扫描了一份赫库兰尼姆古卷（来源：EduceLab）

“我认为这是一个具有里程碑意义的时刻，因为从现在开始，我们将更多地谈论文本，而不是谈论技术，”肯塔基大学计算机科学家 Brent Seales 说道。他曾在 21 世纪初开发了第一种无需触摸即可数字化展开卷轴的方法。

肯塔基大学团队结合粒子加速器的先进成像技术，逐步揭示了卷轴中可供纸莎草学家分析的不同部分。最初，他们只能识别出一个由字母组成的希腊单词，然后逐渐发现了短语。现在，研究人员已经能够解读多份卷轴上至少 230 列的文本。

在这次的新发现中，还包括此次新发现还包括加达拉哲学家 Philodemus《论神》的多个新章节，为这部古典哲学著作补充了此前未知的内容。此前，人们只了解到这部作品只有一章，但最新发现显示，其一份卷轴中提到它有八章。根据书名和 Philodemus 的其他著作，新发现的诸如“天意”、“未来之事”和“不可见之物”等词句，将这部作品的探讨方向指向了是伊壁鸠鲁神学。

除了技术方面的进步，这些卷轴也成为维苏威挑战赛（Vesuvius Challenge）的焦点。这项公开挑战赛于 2023 年启动，它将一个长期存在的学术难题转变为一场全球性的公开竞赛。这项比赛由 Brent Seales 与硅谷投资人 Nat Friedman、Daniel Gross 合作发起，迄今已累计颁发 180 万美元奖金。

图丨 Brent Seales（左）和一位同事正在钻石光源扫描赫库兰尼姆古卷（来源：EduceLab）

高度碳化，是成像技术中最大的挑战。那么，研究人员究竟是如何通过技术手段实现古卷阅读的？

这一突破得益于技术的进步，来源于英国钻石光源和法国欧洲同步辐射装置（ESRF）的主要国际设施中的高分辨率微型 CT 扫描。钻石光源利用强烈的同步辐射产生的 X 射线进行成像，与传统的实验室仪器相比，它的分辨率水平具有显著优势。

研究人员利用粒子加速器产生的特制光束，将大量二维断层图像重建为三维数字模型。最终的扫描结果极其精细——单个像素约为 2 微米，但成本也高。据 Seales 预估，扫描一个卷轴需要约 20 到 24 小时，而同步辐射装置一周的机时成本高达 25 万美元。

解读这些扫描数据的难度是由多种因素共同决定的，文物的几何形状就是其中的因素之一。研究人员之所以选择赫库兰尼姆卷轴 1,667 号（PHerc.1,667）卷轴，是因为它整体结构相对规整——圆柱形且没有被过度压缩。该卷轴宽约 2 厘米，高约 8 厘米，是曾经完整卷轴的一部分。

接下来的难点是，如何虚拟地展开卷轴？这需要将近 2,000 年来紧密卷叠在一起的纸莎草层逐层分离，然后将切片展平并拼接成一幅完整的图像。

即便如此，由于纸张已完全烧焦，上面的墨迹未必能用肉眼辨认。因此，研究人员通过纸莎草学家标注过的现有卷轴碎片，训练模型恢复几乎无法辨认的墨迹，以便专家在此基础上进行分析和解读。

此次挑战的纸莎草学家团队负责人 Federica Nicolardi 说：“技术的难点在于，如何处理残缺不全的材料。纸莎草纸是用大写字母书写的，且单词之间没有空格。大多数情况下，标点符号要么没有，要么非常有限。所以你需要阅读、理解句法并进行解读。”

即使是残缺不全的文本，也能帮助研究人员拼凑出文本的某些特征。虽然 PHerc. 1667 的作者身份尚不明确，但通过其中出现的 horme（冲动）和 phronesis（实践智慧）等词语可以推测，它探讨的是一种强调自我控制和理性思考的哲学——斯多葛主义。

由于早期研究人员使用的破坏性方法以及近期 AI 工具的应用，目前已发现的大部分文本都被认为是 Philodemus 的作品。

图丨利用高分辨率扫描展现的古希腊文字（来源：维苏威挑战赛）

贝勒大学菲洛德姆斯研究学者 Jeffrey Fish 指出，在附近的庞贝城，维苏威火山爆发的高温烧毁了纸莎草等材料。但在赫库兰尼姆，卷轴被碳化——这种看似矛盾的方式，反而使它们免受纸张随时间推移而发生的风化侵蚀。

对 Seales 团队来说，下一个挑战是通过更先进的成像技术和更优化的算法，来进一步拓展技术的应用规模。由于成本等因素限制，现阶段研究人员只完成了约 10% 的卷轴扫描。在未来的研究阶段中，如果有更充足的资金支持，他们计划加大数据量训练。

在这次成果突破后，维苏威挑战赛设立了一个新奖项：任何个人或团队，只要能在未来一年内完整解读一份赫库兰尼姆维苏威古卷轴，即可获得 100 万美元奖金。挑战赛组织已将其全部扫描件、代码和数据在线发布，供有志于此的卷轴阅读者使用。

目前，还有 600 多卷未开封的卷轴尚未被阅读，因此未来有可能还会发现更多卷轴。这项技术的进步有利于学者们重建作者完整的论证逻辑，并追溯不同作品之间的思想联系。

未来，随着算法的迭代与扫描的进步，那些曾被熔岩吞噬的古代智慧有望跨越时空“复活”。人类面对的将不再是零碎的考古残片，而是一整座触手可及的古代精神宝库。

参考资料：

https://www.washingtonpost.com/science/2026/06/25/scientists-have-just-unlocked-secrets-an-ancient-scroll-torched-by-mount-vesuvius/

https://www.reuters.com/science/complete-text-carbonised-herculaneum-scroll-unlocked-first-time-2026-06-25

https://uknow.uky.edu/research/day-herculaneum-scrolls-began-speaking-again

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

美国AI三巨头重构制药产业：从卖工具到要分成，它们想拿走更大利益

刘雅坤 — Sun, 28 Jun 2026 14:00:00 GMT

几年前，全球大型药企还在将 AI 预算投入到 AI 制药公司，如今，它们做了不一样的选择：越来越多地将资金投入到三家 AI 模型公司——Anthropic、OpenAI 和谷歌。

这个结论来自 Big Pharma Sharma 近期的一份统计分析。数据显示，截至 2026 年 5 月，全球 21 家大型制药公司已与这三家基础模型公司进行了 27 项战略合作。

如果说上一轮 AI 制药竞争的是算法，那么这一轮的比拼开始变成“谁掌握整个科研工作流”。

图丨重点追踪了全球大型药企与 AI 模型公司的合作（来源：Big Pharma Sharma）

一个值得深思的问题是：为什么今天大型制药公司不再是单纯地购买 AI 工具，而是直接与 Anthropic、OpenAI 和谷歌这些基础模型公司签约？这背后有哪些抉择因素和技术的演进？

答案或许不在制药本身，而是强模型公司的目标的变化：它们正在从工具提供者变成产业的组织者。

AI 正在进入大型制药公司的主流程

从统计数据来看，不同模型在不同场景下“各有千秋”，这与模型公司本身的能力与业务密切相关。Anthropic 有 14 笔交易，占据约 52% 的合作份额，这说明大型制药公司多数都在以某种方式使用 Claude 服务。它的重点集中在研究和临床开发工作流中，核心作用相当于科学合作伙伴。

该公司断层式领先的原因在两个方面：一方面，Claude 在安全与合规方面的定位，使其在高度监管的行业中更容易获得认可。另一方面，Claude 与亚马逊网络服务（AWS）的集成也让其在药企中可覆盖更广泛的范围。

对大型药企来说，模型能力已经不是唯一指标。相比短暂的模型评测成绩，更重要的是，它能否进入受监管环境、满足审计要求，并能够稳定接入企业已有 IT 系统。这也是 Claude 在生命科学领域快速扩张的重要原因。

（来源：Big Pharma Sharma）

OpenAI 以 11 笔交易数位居第二，份额占比约 41%。它扮演的角色类似于“员工副驾”，部署模式更具横向性，侧重于劳动力技能提升、行政自动化与运营效率。在大型制药公司的应用方面，Moderna 已开始使用 ChatGPT 协助监管申报，礼来也将其专用于抗菌药物发现。

OpenAI 的另一个隐形优势是集成了微软 Azure。许多制药公司的 IT 架构已使用 Azure。因此从某种意义上说，很多药企采购 ChatGPT，并不是一次新的 AI 项目，而更像是在原有微软企业软件体系上的一次能力升级。

尽管谷歌在合作数量方面并不突出，仅有 2 笔交易，但披露的交易金额最高——与默克（美国 Merck & Co.）签订了 10 亿美元的协议。实际上，谷歌真正出售的并不仅仅是 Gemini，而是一整套“AI+数据+云”基础设施。这种全面嵌入 AI 支持的工作流，可能会彻底改变大型制药公司的运营方式。

图丨相同模型的四种不同策略（来源：Big Pharma Sharma）

在统计追踪的数据中，有 6 家药企选择了多供应商策略，即同时与 OpenAI 和 Anthropic 建立合作关系，而不是与某一家 AI 公司单独签约。可以看到的是，AI 模型开始呈现类似云计算的发展路径：企业不会只采购一家云服务，也越来越不会只使用一个基础模型。

从 AI 在制药产业链中的落地应用价值来看，在这 27 项合作中，涉及研究与发现领域比重最高，达 82%；涉及临床开发领域则位居第二，占比为 39%。这一结果并不意外。相比制造环节依赖设备和物理流程，研发阶段大量工作发生在信息层，因此也成为大模型最容易率先产生价值的领域。

不过，AI 在制药产业链中的渗透并不均衡。如上图所示，AI 嵌入率最低的是制造方向（包括药品生产、供应链管理和化学、制造和控制），诺和诺德与 OpenAI 的合作已涵盖制造和供应链领域，这也现阶段该方向为数不多的合作案例。

这背后的原因不难理解。制造环节流程复杂，涉及 GMP 合规、自动化设备、供应链以及大量物理流程，模型现有能力难以单独创造价值，因此 AI 更多停留在辅助决策阶段，而不是直接进入生产闭环。

图丨 AI 在制药产业链中的作用（来源：Big Pharma Sharma）

BMS、默沙东和诺和诺德在数据集中具有最广泛的职能覆盖范围。其中，BMS 基于 Claude 部署实现了该布局的全面覆盖；默沙东通过一项覆盖其大部分企业业务的 Gemini 合同达成全域应用；诺和诺德则通过与 OpenAI 的广泛合作实现目标。

当前，大型制药公司与 AI 模型厂商的合作目前仍处于早期阶段。AI 的作用在前期可能表现为简化标准工作、提升效率，但随着转向制药特定的任务，AI 专家和药物专家之间的协作是一个关键的成功因素，既能最大化收益，也能最小化成本和低效。

AI 正在从工具变成科研工作流

AI 在制药领域的作用，取决于它做了什么。过去，它只是给产业提供工具，从最近的进展来看，底层模型公司的转变是，开始从服务产业走向重组产业。

可以把它理解成以下三个阶段的跃迁：

第一阶段：作为生产工具

这个阶段是我们过去经常看到的情况，药企用 AI 读文献、帮工程师写代码、帮研究人员整理实验记录。在这个阶段中，AI 的核心作用是提升原有的产业效率，产业的权力结构并未发生改变，AI的本质仍然是一种工具，AI 公司也只是提供服务的供应商。

第二阶段：嵌入到工作流

在这个阶段，AI 开始直接进入科学家的工作现场，AI 公司也更多地参与到了产业各细分方向的工作。Anthropic、OpenAI 和谷歌的模型优势在于文档密集、检索密集、模式匹配的工作流，包括文献检索、靶点识别、化合物筛选支持、假设生成。在这些能力的加持下，大型制药公司的海量优质数据，相当于新增了一个快速挖掘数据的智能中枢。

以 Anthropic 在 2025 年 10 月推出的 Claude for Life Sciences 为例，它可以接入 Benchling、全球最大的医学文献数据库 PubMed、单细胞分析平台 10x Genomics，以及 BioRender、Synapse 等科研工具。

可以看到的是，这个阶段 AI 开始嵌入产业流程，它的功能已超越了单一功能的聊天机器人，AI agent 开始调用实验平台、写方案、分析数据。这个阶段 AI 公司开始拿到流程入口，但仍然依附原产业体系。

第三阶段：成为产业组织者

在之前的阶段中，AI 从在制药产业的辅助支持，到成为工作流本身。到了第三阶段，AI 接管的是药物研发的核心判断：链模型开始直接生成靶点假设、设计分子、规划实验、调用合同研发组织（CRO）、分析实验结果、模拟临床路径。

AI 巨头的终极目标也变了，它们想自己定义产业链、自己组织实验、自己拥有生产能力、自己吃掉原产业的利润池。

过去几十年，生命科学行业逐渐形成了一套高度专业化的研发体系：科学家负责提出假设，实验室完成验证，CRO 承担部分研发外包，软件公司提供实验记录系统，数据平台负责管理实验数据。

随着技术的发展，AI 模型公司正在尝试打通和连接这些原本“各司其职”的环节。真正值得关注的，并不是看 AI 能否写出更优秀的实验报告，而是它逐渐将科研流程中原本互相独立的部分建立起连接网络，包括数据、工具以及实验平台。这意味着，大模型通过“互联”开始拥有进入生命科学研发流程的入口。

这也是为什么，越来越多的大型制药公司纷纷选择直接与 Anthropic、OpenAI 和谷歌合作，而不是仅仅采购一套 AI 软件。他们合作的重要目标之一，并不只是一个工具，而是开启一种全新的研发范式。

当然，即便大型制药公司都在使用商用大模型，也不意味着它们收获相同的效果。其差异未必在模型本身，而是取决于每家公司愿意投入的专有数据、在这些模型基础上构建的工作流，以及员工利用这些 AI 工作流为其各自业务创造更大价值的能力。

基础模型公司，开始深入产业组织层

大型药企从内部重塑工作流，但一批新锐创企开始走另一条路：从成立起就在所有工作流中嵌入 AI，以此重建整个研发流程，这类公司被称为 AI-native biotech（AI 原生生物科技公司）：模型生成靶点假设，化学合成和生物验证交给试验外包公司，临床方案设计、患者招募和数据分析再由模型完成。

这一类别中具有代表性的公司包括主攻端到端生成式 AI 药物发现的英矽智能（Insilico Medicine），其已有候选药物完成二期临床试验，并达到主要安全性终点。

截至 2026 年初，超过 170 个 AI 发现的药物项目进入临床开发阶段。PitchBook 初步分析显示，AI-native biotech 的一期临床成功率在 80% 至 90% 之间，高于行业平均水平（40% 至 65%）；二期临床成功率约 40%（业内平均为 29%）。

图 | AI 在药物发现各个环节带来的提升（来源：PitchBook）

AI-native biotech 初步验证了该模式的技术可行。与此同时，一些 AI 厂商也不再满足于按接口调用量向药厂收费，开始试探另一种结构：从服务层深入至药物研发产业的组织层。

2026 年 2 月 3 日，OpenAI 的 CEO 山姆·奥特曼（Sam Altman）在思科（Cisco）AI 大会上表示，OpenAI 正计划为药企承担 AI 模型的使用成本，并从该公司因 AI 辅助而发现的药物中获取分成。

Big Pharma Sharma 追踪的合作中绝大多数仍是固定订阅或平台许可模式，AI 厂商在其中的角色相当于软件供应商。但奥特曼提到的分成模式则使 AI 公司变成药物资产的间接持有者和药企合伙人，深度参与药物管线推进。

AI 公司希望借此得到定义问题的权力。AI 过去主要在文献检索、筛选靶点等环节为研发者提供辅助。但到下一阶段，模型将自主提出假设，参与科学决策。这一能力若得到验证，研发方向的判断权将从资深科学家向算法转移。

AI 厂商还希望掌握调度资源的权力。当 AI 对实验设计、CRO 对接、实验执行的调度能力进一步成熟，药企掌握的临床基地、生产能力和注册渠道，就会从价值链的核心环节下移至可以被 AI 企业调用的执行资源，AI 公司将在分成模式中占据有利地位。

AI 会继续下沉产业吗？

在 AI 向产业深层渗透的趋势下，更深层的驱动力是供给侧和需求侧两端对转型的迫切需求。

在供给侧，2026 年 2 月，美国软件板块一个月内蒸发了大约 2 万亿美元市值，原因被归为 AI 智能体接管了整个 SaaS 工具品类，业内称之为“SaaS pocalypse”（SaaS 末日）。

（来源：Digital Applied）

当下游软件层的价值被压缩，基础模型公司要维系估值，就必须从真实产业中找场景。当前，制药是全球研发支出最高的行业之一，单药研发成本超过 20 亿美元，业内数字化程度却相对落后。痛点深、利润大、改造空间足够，这些都对 AI 公司产生极大吸引力。

而对于需求侧，药物研发的失败率长期居高不下，超过 96% 的候选化合物会在研发的某个阶段被淘汰，临床阶段的失败占了 90%。失败的根源是人类对疾病和药物分子作用机制的理解还不够深，提前选定的靶点直到临床阶段才能被检验，中间环节试错成本高。

通过整合多模态生物数据、模拟及预测分子与组织的相互作用，AI 有机会在更前置阶段减少错误判断。

PitchBook 指出，如果 AI 参与药物发现的早期数据一直持续，候选药物从立项到批准的整体成功率有可能从目前约 8% 提升到 18% 左右，未引入 AI 的药企将在这一趋势下面临结构性成本劣势。不过，AI 使用成本不低，学习曲线的速度和对应的费用，也是药企需要权衡的问题。

意图归意图，能走多远是另一回事。

对于 AI 厂商而言，关键临床数据的获取是一大困境。除了和药企建立深度合作获取对方的私有数据，也有 AI-native biotech 尝试绕开这个壁垒，用 AI 合成湿实验数据、自主建设湿实验室等。

再者，智能体可以发出指令，但人类组织之间的信任关系无法被模型替代。CRO 选择、合同谈判、质量监控等下游环节的资源协调，都高度依赖药企几十年积累的经验判断和行业关系网络。

对于药企，一旦与 AI 平台深度绑定、长期提供私有数据，模型对制药逻辑的理解会逐渐变得不可替代，切换成本抬高，甚至会反过来侵蚀药企的利润空间。AI 深度参与药物研发环节后的数据飞轮效应既是诱饵，也是顾虑。

在这一问题上，药企分化出三条路线，一类刻意保留对多供应商的选择权，一类则是 All-in 派，相信深度绑定的收益大于失去灵活性的代价。葛兰素史克（GSK）不属于上述任何一种，为保护数十亿美元的功能基因组数据，公司组建千人规模的 AI 与机器学习团队，自建模型 JulesOS 和多智能体平台 Cogito Forge，彻底回避外部平台依赖。

目前，AI 正以研发者的角色切入诸多产业链的上游。例如，当 AI 融入芯片设计和生产流程，迭代周期可以压缩到月，限制因素只在于工程经验和资本密度；但 AI 要进入制药，将面临其他领域较少涉及的制度摩擦问题。制药周期漫长，试错代价关乎伦理，监管层面的把控更严格。

AI 生成的候选分子进入人体试验，出现严重不良事件怎么办？相关场景法律制度中仍处真空地带，出于这一顾虑，AI 厂商与药企的现有合作主要聚焦风险较低的研究和发现环节，涉及临床开发的只有 39%，制造环节几乎空白。

不过，监管如今已经出现松动迹象。2025 年 1 月，美国食品药品监督管理局（FDA）发布首份针对 AI 在药品监管决策中应用的指导草案，主要针对 AI 辅助监管决策，尚未覆盖 AI 直接生成药物设计的场景。最终版预计在 2026 年第二季度发布，届时可关注是否有相应补充。

（来源：FDA）

欧洲的进展更具突破性，欧洲药品管理局（EMA）2025 年 3 月首次接受了一项 AI 工具生成的临床试验证据。AI 参与制药的政策框架落地后，药企的合规途径有迹可循、决策门槛随之下降，这或许会成为加速采用 AI 的契机。

按照模型厂商的设想合理推演，AI 将占据靶点选择、分子设计、临床方案优化等上游判断权，但短期内，下游执行权仍由药企主导。大型药企不会消失，但会从药物创新的主导者，退居临床、监管和商业化的基础设施提供方，议价权随之削弱。

但也完全可能出现相反的结果：AI 越强，进入临床的候选分子越多，届时执行能力反而会变成抢手资源，运营全球多中心试验、和监管机构有长期信任关系、能在不同国家完成商业化分销的药企更稀缺、更值钱。

无论最终走到哪个结局，现有制药行业的结构都不可避免受到冲击。而 AI 若在这个足够复杂的行业中站住脚，也将打开其在更多实体产业施展拳脚的可能。

参考资料：

https://www.bigpharmasharma.com/p/chatgpt-claude-or-gemini-big-pharma

https://openai.com/zh-Hans-CN/index/introducing-gpt-rosalind

https://www.bloomberg.com/news/articles/2026-02-03/altman-says-openai-may-back-firms-using-ai-for-drug-discovery

https://www.sciencedirect.com/science/article/pii/S2211383522000521

https://www.biospace.com/drug-development/ai-enabled-clinical-improvements-confirm-biotech-hype-as-success-rates-rise

https://www.digitalapplied.com/blog/saaspocalypse-ai-agents-software-industry-analysis

https://intuitionlabs.ai/articles/accelerating-drug-development-ai-pharma

https://institute.global/insights/public-services/AI-native-biotech-opportunity-uk-leadership-growth

排版：刘雅坤

注：封面/首图由 AI 辅助生成

人眼如何分清红绿灯？《科学》连发3篇论文揭开秘密

胡巍巍 — Sun, 28 Jun 2026 13:56:20 GMT

人类能够看清颜色的秘密到底是什么？最新一期《科学》杂志用 3 篇论文揭开了背后原理，原来这个秘密就藏在人眼里三种感光蛋白的立体结构里。

在本次三篇论文之中，三种蛋白的结构被同时看清，论文作者们则分别来自三个独立研究团队。三支团队分别来自南昌大学团队与德国柏林夏里特医学院团队、瑞士苏黎世联邦理工学院团队以及日本名古屋工业大学团队。

我们在生物课本上都学过这样一个知识点，人类可以看到红绿蓝三种颜色，凭借的是视网膜上的三种视锥细胞，它们各自拥有一种感光蛋白，依次对长波、中波和短波的光存在敏感度，也就是一种负责红色、一种负责绿色、一种负责蓝色。

人眼之所以能看到不同波长的光，原因在于上述三种感光蛋白使用的是同一个发色团，它是一种叫做 11-顺式视黄醛的小分子，可以转出来不同颜色的光信号。

红绿蓝三种视蛋白的氨基酸序列差别非常小，红和绿之间仅有几个氨基酸不同，但是它们的感光峰值却差了三四十纳米，这恰好覆盖了从红到绿的光谱范围，这也是人眼能分辨出万千种颜色的原因。

此次三篇论文从不同角度回答了一个问题：到底这些微小差异怎么造成了这么大的区别。

图 | 三篇论文（来源：Science）

其中一篇论文用冷冻电镜解析了绿色和蓝色视蛋白在暗态下的结构；另一篇论文解析了猴子的红色视蛋白和绿色视蛋白，结果发现猴子的色觉和人基本一样；第三篇论文把所有三种人类视蛋白在激活状态下的结构都做了出来，结果发现它们都连着一个 G 蛋白和一个全反式视黄醛。

论文指出，G 蛋白是视觉信号传递的“启动器”，视黄醛是发色团被光激活之后的形态，只有把三种视蛋白在激活状态下的结构放在一起比较，才可以看清它们在信号传导这一步的异同。

当把这些结构放在一起看，论文作者发现红绿感光的差异主要来自一个氨基酸的替换。他们发现在红色视蛋白里，一个位置上恰好放着苏氨酸，并且带着一个羟基，这个羟基能够改变发色团周围的电场，于是光谱就会偏移。

其实这种偏移来自静电效应，改变发色团周围的电荷环境之后就可以调色。研究中，论文作者用量子力学和分子力学的混合模型做了计算，证实静电效应确实起着主导地位。

（来源：Science）

蓝色视蛋白走的是另一条路线，它的发色团周围拥有一圈丝氨酸，会形成一个极性环境，不仅稳定了发色团，也让光谱发生了蓝移。蓝色视蛋白还拥有一个额外的二硫键，它连接着第二和第七个跨膜螺旋。

这个额外的化学键让它的结构更加结实，也让其和红绿视蛋白区分开来。而且蓝色视蛋白的激活机制也更特殊，它用色氨酸和酪氨酸组成了一个扩展的芳香族网络，借此把发色团的异构化信号传递到整个蛋白。相比之下，红绿视蛋白无需依靠这个通路，它们的信号传导更加依赖经典的 GPCR 微开关。

视蛋白和杆细胞里的视紫红质也有明显的区别。具体来说，视紫红质负责暗视觉，对单光子都很敏感，但是恢复速度比较慢。视蛋白负责明视觉，需要在强光下工作，工作时既需要快速响应、也需要快速恢复。

论文里的结构数据解释了上述区别的来源：那就是视蛋白的发色团结合口袋更加开放，允许视黄醛实现快速进出。而杆细胞里视紫红质的发色团被牢牢锁住，无论是释放还是重新结合都要慢得多。至于视蛋白的不活化状态，由于不如视紫红质稳定，反而让它能更快地切换到激活状态，也能更快地回到基态准备下一次响应。

冷冻电镜的结构揭示了一个之前没被人们注意到的特征，详细来说在视蛋白的膜内侧有一个侧向开口，这个开口在视紫红质里是找不到的，也一直处于关闭状态。论文作者认为这个开口是视黄醛快速进出的通道。而视紫红质没有这种通道，发色团结合和解离都依赖蛋白的构象变化，这就导致速度就慢了。但是，视蛋白有了上述侧向开口，就可以在强光下快速地更新发色团，从而保持持续的感光能力。

（来源：Science）

那么，这些新发现对普通人有什么用？最大的用处之一就是色觉缺陷的分子基础被看得更清楚了。要知道红绿色盲在人群中占比很高，绝大多数是因为红绿视蛋白的基因重组导致功能异常。现在有了这些论文里的高分辨率结构，就可以在原子尺度上理解哪些突变破坏了功能，哪些仅仅是无关紧要的变异。与此同时，蓝视蛋白突变导致的罕见色盲也有了结构解释。

论文里的结构数据也揭示了三种视蛋白的进化路线：短波敏感视蛋白是其中最为古老的一支，红绿视蛋白则是后来基因重复产生的。短波视蛋白保留了更多的祖先特征，发色团环境更为受限。红绿视蛋白做了更多的功能优化，譬如在发色团结合口袋里出现了一个氯离子结合位点，这个位点可以调节波长敏感性和 G 蛋白信号强度。也就是说大自然用同一种零件，通过微调的方式改出了三种不同功能的版本，实现了令人叹为观止的效率和精度。

（来源：Science）

预计未来的药物设计也可能从中受益，因为视蛋白属于 G 蛋白偶联受体家族，这是制药领域最重要的靶点家族之一，多达大约三分之一的上市药物都作用于这类受体。据了解，视蛋白的配体是光，其调控方式极其精确，而结构信息可以帮助设计光控药物，使用光来开关特定受体的活性，目前这类技术已经在神经科学里有了初步应用。

颜色是我们感知世界的基础能力，这项能力其实建立在那些看不见的分子结构上，这些分子层面的微小差异，最后变成了我们眼中这个五彩斑斓的世界，而有了这些三维结构，人们就能更精确地理解色觉的生物学基础，这便是这些研究的意义所在。

参考资料：

https://www.science.org/doi/10.1126/science.adz3996

https://www.science.org/doi/10.1126/science.adz8141

https://www.science.org/doi/10.1126/science.adz3624

排版：刘雅坤

注：封面/首图由 AI 辅助生成

为了消灭感冒，Anthropic和OpenAI两个死对头罕见联手

麻省理工科技评论 — Sun, 28 Jun 2026 12:42:20 GMT

（来源：麻省理工科技评论）

感冒谁都躲不过，一年往往不止一次，而且没有任何办法预防它。你能做的充其量是吃点维生素 C、离打喷嚏的人远一点。

现在支付公司 Stripe（由帕特里克·科利森和约翰·科利森兄弟创办）宣布将出资成立一家新的非营利组织，预算 5 亿美元，目标是预防感冒和流感。它的最终愿景是彻底消灭呼吸道病毒。

这家新机构叫 Intercept，将通过资助和投资来支持各种预防手段，包括疫苗，以及用于学校、办公室和其他公共空间的大规模空气净化系统。

除了 Stripe，其他出资方还有 Anthropic、Flu Lab 和 OpenAI 基金会，以及比尔·盖茨和量化投资基金 Jane Street Capital 的几位交易员。

“我觉得我们一直把呼吸道感染当成小麻烦，严重低估了它给社会造成的负担。”Stripe 高管南·兰索霍夫（Nan Ransohoff）说。她和今年加入 Stripe 的风险投资人查理·佩蒂（Charlie Petty）共同领导这个项目。兰索霍夫说，人一辈子平均有 5% 的时间花在跟感冒或流感作斗争上。

尽管如此，药企在预防感冒上投入的精力很少。部分原因是导致感冒的病毒太多了——据美国肺脏协会的数据超过 200 种，其中鼻病毒最常见，病毒种类多到针对任何一种开发疫苗都不划算。“药企看了一圈觉得，跟他们能做的其他事比起来，这个方向吸引力不大。”兰索霍夫说，“所以一直没有资源投进来。”

Stripe 此前组织过一个 18 亿美元的项目叫 Frontier，推动碳移除技术的开发来应对气候变化。兰索霍夫说从大气中去除碳和消灭呼吸道病毒有相似之处：两件事在技术上都“做得到”，但都“缺乏商业激励”。

Intercept 的概念成形于兰索霍夫跟华盛顿大学结构生物学家、疫苗设计师大卫·维斯勒（David Veesler）的交谈之后。维斯勒认为有可能开发出一次对付多种病毒的广谱对策。

“他基本上是用技术细节把我勾进去了，”兰索霍夫谈到维斯勒时说，“他说服我这件事在技术上是可行的。他也让我理解了为什么之前没人做——本质上是激励机制的问题。”

维斯勒说科学家手里的工具越来越多了：RNA 药物、抗体、计算蛋白质设计。比如一个思路是设计出能“抓住”病毒的蛋白质，做成鼻腔喷雾，在病毒引发感染之前就拦截它。

“大多数人把这些病毒当成生活的一部分认了，这让我们开始思考：我们真的必须接受吗？”维斯勒说，“越想越觉得，这些问题有很多根本没有用现代技术好好研究过。”

这个项目的灵感来自新冠病毒的应对经验。维斯勒的团队当时参与了疫苗、抗病毒药物和抗体的快速开发。

兰索霍夫说 Intercept 的顾问团将包括 FDA 前高官彼得·马克斯（Peter Marks），以及领导过美国新冠疫苗加速计划“曲速行动”（Operation Warp Speed）的制药业高管蒙塞夫·斯拉维（Moncef Slaoui）。

Intercept 面临的一个核心挑战是怎么同时对付这么多种病毒。这也是他们对空气净化技术感兴趣的原因——比如用强紫外线灭活空气中的病毒。他们的想法是像自来水厂在水送到千家万户之前去除杂质一样，把空气中的病毒也清除掉。

美国通过国家过敏和传染病研究所（NIAID）每年在病毒研究上投入约 65 亿美元。但这个机构的预算近年来没有增长，给私人慈善留出了更多空间。

Stripe 的科利森兄弟已经成为病毒研究领域最可靠的慈善捐助者之一。新冠疫情期间他们发放“快速资助”帮助实验室运转，后来又跟其他捐助者一起出资 6.5 亿美元在加州帕洛阿尔托成立了 Arc 研究所，该所已经开发出了用于生物学研究的 AI 模型。

“病毒的多样性太大了，看起来让人望而生畏，所以人们根本不去尝试，”维斯勒说，“我很高兴有人愿意帮科学家一把，不接受现状，做一些不一样的事。”

原文链接：

https://www.technologyreview.com/2026/06/24/1139621/stripe-anthropic-and-openai-are-backing-an-effort-to-stop-respiratory-infections/

英特尔前CEO坐镇，这家初创想分ASML的蛋糕

DeepTech深科技 — Sat, 27 Jun 2026 14:42:55 GMT

2025年 3 月，初创公司 xLight 宣布，英特尔（Intel）前 CEO 帕特·基辛格将担任其执行董事长。这家公司于 2021 年成立，目标是将半导体光刻机的光源，换成粒子加速器驱动的自由电子激光，并在 2028 年之前造出原型机。

2026 年以来，xLight 在资本市场动作不断。6 月初，它拿到了美国商务部基于芯片法案（CHIPS）的 1.5 亿美元股权投资。6 月底，据科技媒体 The Information 消息，其正向投资人启动新一轮 3.5 亿美元的融资谈判。

其间，xLight 还计划向阿斯麦（ASML）、台积电（TSMC）、英特尔和美光（Micron）递出橄榄枝，邀请这些半导体产业链的核心玩家也加入本轮。

如果最终敲定，这将成为 xLight 成立四年来规模最大的一次募资，累计融资金额将达到约 5.5 亿美元。

给 EUV 设备换一种光源

在整个 AI 芯片供应链中，荷兰 ASML 是目前全球唯一能造极紫外光刻（EUV）设备的公司，占据了 94% 左右的光刻设备市场份额。2026 年第一季度，ASML 营收 88 亿欧元，毛利率 53%，全年指引上调至 360 亿~400 亿欧元，手里还积压着 388 亿欧元的未完成订单。

行业内，尼康（Nikon）和佳能（Canon）多年前就退出了先进光刻设备的角逐，只为成熟制程提供产品。中国的上海微电子装备（SMEE）属于后起之秀，但公开的最先进设备仅达到 28 纳米节点的浸没式深紫外光刻（DUV）。

xLight 不直接追赶 ASML 的技术路线，它选择给 EUV 设备换一种光源。

一台 EUV 光刻机包含超过 10 万个零部件，三大核心系统是光源、光学系统和双工作台。其中，每台光刻机内置一套独立光源，是整机最复杂、最昂贵的部分之一。按物料成本计算，光源系统约占 15%。回顾光刻技术的演进史，从紫外光到深紫外再到极紫外，每次制程跃迁的起点都源于光源波长的缩短。

ASML 的 EUV 光刻机由激光等离子体（LPP）技术提供光源。原理是用大功率二氧化碳激光，以每秒 5 万次的频率轰击空中下落的锡液滴，将其加热到约 50 万度，激发出 13.5 纳米波长的极紫外光，光束通过多层镜片收集，被引导至晶圆上的光刻胶，完成纳米级光路的曝光。

LPP 在功率和效率上有硬伤。每小时产出约 180 片以上的晶圆，就需要将光源输出功率稳定维持在 250 瓦以上。2012 年，ASML 收购了当时唯一一家能实现百瓦级功率的美国 LPP 光源集成开发商 Cymer，并将其系统放进自己的光刻机，以加速功率爬升进程。

但按照现有技术，电能与 EUV 光之间的转换效率仅有千分之几，加之锡液滴溅射污染导致镜片寿命有限等问题，真实工况下的功率提升相当困难。截至今日，ASML 烧了数十亿美元，量产功率也只触及 600 瓦，对应单台设备每小时产出 220 片晶圆的产能。

在 xLight 设想中，EUV 光刻机可以使用粒子加速器产生的自由电子激光（FEL）。这是一种已在科研领域使用数十年的技术，直线加速器将电子束加速到接近光速的能量水平，再让电子束通过一组名为波荡器的磁铁阵列，磁场使电子做正弦摆动，辐射出高度准直的相干光。通过调整电子能量和波荡器参数，输出光的波长可连续调节，理论上覆盖了从太赫兹到硬 X 射线的广谱范围。

（来源：xLight）

2010 年代初，已有学者提出了构建基于能量回收型直线加速器（ERL）的紧凑型 FEL 设想。方案预估，一台占地约 800 平米、建在地下的 ERL-FEL 设施，消耗兆瓦级电力，平均可提供约 5 千瓦的 EUV 功率。

与 LPP 技术相比，FEL 不依赖等离子体转换，理论上可实现更高的能效、更窄的光谱带宽和更高的亮度。根据公开信息，xLight 的技术目标是在 2~7 纳米的 Blue-X 波段（也称“超越 EUV”波段）精确调谐。

作为业内公认的下一代光刻波长，该波段比当前 13.5 纳米的 EUV 波长更短、接近软 X 射线的区间。公司同时是国际光刻技术组织 EUV Litho 主导的 Blue-X 联盟成员，联盟专注于研发 13.5 纳米以下的光刻技术，同为成员的还有 IBM、Intel 等单位。

在设备集成上，FEL 是中央化光源，一台 FEL 可同时驱动多台扫描器（构想中可达 20 台以上）。这是一次解耦性的架构改变，有望使晶圆厂的光刻车间从“机器+光源”转为“光源中心+扫描器集群”。

xLight 宣称，其 FEL 系统的功率是现有系统的 4 倍以上，在美国现有晶圆厂部署 xLight FEL 可将生产效率提高 50%，并消除对锡或氢等耗材的需求；而在新建晶圆厂部署 xLight FEL 可将生产效率提高 100%。这将使生产商能造出特征尺寸更小、效率更高的芯片，以此扩展下一代光刻技术。

（来源：xLight）

与美国国家实验室体系深度绑定

这家年轻公司宣称颠覆 ASML 现有光源系统的底气，源自一支老牌的先进光源和半导体人才队伍。

创始人尼古拉斯·凯利兹（Nicholas Kelez）曾在美国能源部国家实验室工作了约 20 年，曾参与建造先进光源（ALS）等关键仪器，之后转任斯坦福直线加速器中心（SLAC）的直线加速器相干光源（LCLS）项目总工程师。尼古拉斯还曾短暂加入光子量子计算公司 PsiQuantum，领导首台实用量子计算机的开发工作。

除了创始人，帕特·基辛格（Pat Gelsinger）2024 年 12 月卸任 Intel CEO 后，于次年 3 月出任 xLight 执行董事长。帕特此前一直大力推动美国本土半导体制造能力建设，在拜登政府时期为 Intel 拿下 85 亿美元的 CHIPS 补贴。

公司技术顾问团队中，吉姆·威利（Jim Wiley）曾在 ASML 任职 14 年，专注 EUV 光刻和光掩模业务；桑贾伊·纳塔拉詹（Sanjay Natarajan）曾任 Intel 高级副总裁及代工技术研究与外部研发合作部门总经理，有 32 年半导体从业经验。

公司研发路径深度绑定美国国家实验室体系，与康奈尔大学、洛斯阿拉莫斯国家实验室（LANL）、费米实验室（Fermilab）等部门建立了深度技术合作。

资金结构层面，2025 年 7 月，公司完成 4,000 万美元 B 轮融资；2025 年 12 月，美国商务部与 xLight 签署不具约束力的意向书，承诺通过 CHIPS 法案向其投资 1.5 亿美元股权资金，用于建造首台原型机，与此前以补贴为主不同，这笔投资使联邦政府直接成为 xLight 最大股东之一。

（来源：xLight）

xLight 还与未披露的贷方签署了总额最高 42 亿美元的非约束性项目融资协议，加上如今在谈判阶段的新一轮 3.5 亿美元融资，这些共同构成了 xLight 首批七座设施的资金底盘。

不造光刻机，要做零件供应商

xLight 并不计划制造完整的光刻机，未来，FEL 光源可作为零部件被 ASML 买下，取代原有的 Cymer 系统。ASML CEO 克里斯托夫·富凯（Christophe Fouquet）公开承认，双方在进行技术演示合作，但同时强调这是一段“漫长的旅程”。

xLight 的“寄生式创新”策略一方面高度聚焦研发资源，绕过整机系统设计、镜片光学、机械精密对准等衍生技术挑战；但反过来，这让公司命运与 ASML 的接纳度高度绑定，如果 ASML 在 LPP 路线上实现突破，或者其内部光源团队提出更优方案，xLight 的市场空间将被严重压缩。

目前，ASML 依然坚信 LPP 路线能满足产业需求，2026 年初，ASML 宣布在圣迭戈实验室成功演示了 1,000 瓦的 EUV 光源，预计到 2030 年将单台设备产能提升至 330 片/小时，未来甚至有望将功率提升至 1,500~2,000 瓦。

xLight 计划于 2028 年在纽约州奥尔巴尼纳米科技综合体启动原型机测试，使用基地配套的 EUV 光刻设备验证 FEL 光源在产业级环境中的表现。

ASML 对光刻机的垄断在全球芯片供应链中形成了单点故障（Single Point of Failure）：由于缺乏备份方案，一家公司的产能波动和当地政府出口政策的调整，足以改变整个产业的供给曲线。为消除这种不确定性，美国将焦虑直接转化为政策行动，2025 年初以来对至少 12 家私营企业进行了股权投资，以此探索可能的替代方案。

以 xLight为例，美国政府的触手深入公司的研发、生产、资金等多个环节。对 xLight 自身而言，政府资金和国家实验室资源是护城河，但由此带来的出口限制和政治周期风险，也可能成为其全球化拓展的天花板。

瞄准 2028，但不确定性太多

已有更激进的参与者要彻底撬动 ASML 的地位。成立于 2022 年的旧金山初创公司 Substrate 选择了基于粒子加速器的 X 射线光刻路径，理想的目标波长比 Blue-X 更短，输出光更窄、更精细。

其商业策略是自建晶圆厂、光刻机，并提供代工服务，目标 2028 年量产，与台积电正面竞争。在彼得·蒂尔的支持下，Substrate 在 2025 年完成 1 亿美元 A 轮融资，估值超 10 亿美元。公司宣称已造出原型机，并在美国国家实验室完成 2 纳米制程的图案化测试。创始人表示，这一路线将使晶圆厂建设成本降至“数十亿美元”，不过，“既要又要”的模式实现起来只会更困难。

中国也在推进自主 EUV 光源技术。据公开消息，国内多个团队正在探索不同技术路径，包括对现有 LPP 技术的逆向研发，目标是在 2028 至 2030 年间实现突破。

其中，哈尔滨工业大学等机构尝试开发基于激光诱导放电等离子体（LDP）的光刻方案，原理是在电极间将锡蒸发后通过高压放电激发等离子体，结构比 LPP 更简单、占地更小，但发光功率密度有限，能否支撑量产仍存疑。

除了 FEL 和 X 射线，还有几条探索程度不同的次级路径：定向自组装（Directed Self-Assembly）利用化学过程在纳米尺度上实现自对准图案，但只适用于规则结构；纳米压印光刻（Nanoimprint Lithography）由佳能商业化，已在三维 NAND 闪存领域获得有限应用，但无法处理复杂逻辑芯片；多电子束光刻（Multi-Beam E-Beam Lithography）由荷兰 Mapper Lithography 等公司推进，因吞吐率太低始终未能进入主流量产。

所有挑战者都瞄准了 2028 年前后的时间窗口，这同时是 AI 芯片需求曲线与 ASML High-NA EUV 量产爬坡的交汇点，谁在这个窗口里证明自己，就能获得下一代芯片基础设施的入场券。

不过，FEL 驱动 EUV 光刻在工程上仍是一片几乎完全空白的领域，工业可靠性、能效、可维护性等关键维度的验证进度都是零。要达到千瓦级稳定输出，还需要配合部署稳定可用的光阴极注入器、超导射频加速器、能量回收系统等尖端部件。其自身体积、辐射屏蔽、电力消耗标准较高，对应的基础设施或许需要重新建设。

图 | 设计构想（来源：xLight）

即使原型机成功，xLight 还需要找到愿意提供多台 EUV 设备的客户完成集成测试，在 ASML 已经把“机器+光源”深度耦合的现实下，这可能比技术本身更难。

在一个被单一供应商完全控制的关键节点上，走一条有技术基础却无工业落地的替代路径，xLight 至少初步选对了生态位。如果成功，EUV 光刻机最昂贵的核心部件将出现第二家来自美国的供应商；但如果失败，则将为“硬件比软件难十倍”的累累论据再添一笔。

参考内容：

https://www.theinformation.com/articles/u-s-backed-chipmaking-startup-chaired-former-intel-ceo-raising-350-million

https://www.xlight.com/blog/xlight-finalizes-150m-chips-incentives-with-u-s-department-of-commerce

https://www.xlight.com/blog/xlight-raises-40-million-series-b-to-revolutionize-semiconductor-manufacturing

https://www.reuters.com/world/china/how-china-built-its-manhattan-project-rival-west-ai-chips-2025-12-17/

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

发明iPod点击轮和指纹传感器的公司，成了物理AI关键棋子

DeepTech深科技 — Sat, 27 Jun 2026 14:34:38 GMT

近日，美国最大的模拟芯片制造商之一安森美半导体（ON Semiconductor）做了一笔大买卖，它斥资大约七十亿美元用股票收购了新思科技（Synåaptics），也是安森美有史以来规模最大的一次收购。

对于新思科技这家公司来说，其实我们使用笔记本电脑的触摸板或者手机的指纹识别时，就等于和这家公司产生了关联。

它的创始人来头可不小：创始人之一费德里科·法金是英特尔 4004 微处理器的首席设计师，也是硅栅极技术的发明人之一；另一位创始人卡弗·米德是美国加州理工学院的教授，也是超大规模集成电路设计理论的奠基人之一。

图 | 从左到右：费德里科·法金、卡弗·米德（来源：资料图）

他们两人在半导体和机器学习领域的交集，催生了新思科技这家公司。早年苹果 iPod 的点击轮、安卓手机的触控传感器以及显示驱动芯片和指纹传感器都来自于新思科技，与此同时它的业务横跨汽车、智能家居和物联网设备。

安森美买下新思科技，并不是为了触摸板。一直以来，安森美自己的强项是功率半导体以及传感芯片，电动车里使用的碳化硅器件，很多就来自安森美。安森美在汽车和工业市场有深厚积累，但在 AI 浪潮起来之后，安森美并没有像同样做芯片的英伟达那样站上浪尖。尽管安森美的股价今年涨了很多，但是市场更关心的是，它到底能不能在 AI 的下半场找到自己的位置。

对于这个位置，安森美和英伟达一样把它叫做物理 AI。物理 AI 跟我们现在熟悉的 AI 并不一样。当前大家说的 AI 大多在云端，你问了 ChatGPT 一个问题，它在 AI 数据中心的服务器里推理，然后把答案传给你，整个过程全部发生在数字世界。

物理 AI 则要跟真实世界打交道，比如自动驾驶的汽车在路上行驶，机器人在工厂里抓取零件，无人机在仓库里盘点库存产品。这些设备都需要感知环境、理解空间关系以及实时做出决策并执行动作，它需要的 AI 必须嵌入在硬件里。

安森美 CEO Hassane El-Khoury 公开表示，当前 AI 正在从云端走进物理世界。而下一阶段的创新，取决于系统是否能够同时做好感知、决策、行动和实时适应，事实上这句话基本概括了物理 AI 的核心挑战。

毫无疑问，安森美手里有功率和感知的能力，电动车要用该公司的芯片来管理电池和驱动电机，工业设备要用该公司的传感器来检测温度和压力，这其实也是物理 AI 的底层基础。但是，它缺了中间一层，也就是缺少了连接和计算的能力。要知道，设备在感知到信息之后，需要处理、需要联网、也需要跟其他系统协同，而这正是新思科技的长项。

新思科技拥有一套连接计算平台，目前已经用在汽车和工业市场里。安森美把新思科技买过来，等于在自家擅长的物理层上面，补齐了数据流动和边缘计算这两种能力。El-Khoury 告诉媒体，这笔交易能让安森美在物理 AI 领域成为一名市场领导者。按照安森美的测算来看，收购之后它能够触达的市场规模会扩大三百亿美元，到 2030 年达到两千四百多亿。

资本市场对这笔交易的反应其实有些复杂，新思科技的股价在消息公布后涨了一点点，安森美自己的股价跌了一点。不过这种分化并不罕见，因为买家付钱的时候，市场总要去重新评估代价。整体来看，安森美的股价今年涨幅不小，从年初到现在已经翻了一倍多。

据了解，这笔交易要等到 2027 年中才能完成，接下来还需要监管批准。安森美这边承诺在交割后十八个月内，这笔收购就可以提升每股收益。

总的来说，安森美和新思科技这笔交易其实只是当前科技行业并购浪潮的一部分，不少公司的焦虑和想法大致都差不多。随着 AI 的能力边界的快速扩张，没有任何一家公司可以靠自己的积累把所有环节补齐。比如，高通最近刚收购了一家做基础设施软件的公司 Modular，Salesforce 前不久花了大约三十六亿美元收购了 AI 客服平台 Fin。收购，几乎成了“老钱公司”补课的最快方式。

安森美花七十亿美元买的，不仅是新思科技的触摸板和指纹传感器产品，也是进入物理世界 AI 竞赛的一张门票。在这张票拿到手之后，是否能够兑现价值还要看接下来几年的整合和执行情况。

参考资料：

https://www.reuters.com/legal/transactional/onsemi-buy-synaptics-7-billion-all-stock-deal-2026-06-25/

https://www.cnbc.com/2026/06/25/on-semi-synaptics-deal-physical-ai.html

https://siliconangle.com/2026/06/25/analog-chipmaker-onsemi-buys-synaptics-7b-stock-deal-push-physical-ai/

https://www.wsj.com/business/deals/on-semiconductor-to-buy-synaptics-in-all-stock-deal-with-7-billion-enterprise-value-4b5000fc

排版：胡巍巍

注：封面/首图由 AI 辅助生成