MIT 科技评论 - 本周热榜

真能戴出门的脑机接口来了？长得像普通毛线帽，戴上就能意念打字

DeepTech深科技 — Tue, 15 Sep 2026 10:27:37 GMT

当地时间 9 月 14 日，业内人士爆料称，非侵入式脑机接口（BCI）公司 Kernel 的现任 CEO 瑞恩·菲尔德（Ryan Field）宣布离职，并加入另一家脑电图（EEG）BCI 初创公司 Sabi。

Kernel 由硅谷知名生物黑客布莱恩·约翰逊（Bryan Johnson）在 2016 年创办。目前已是行业内融资规模最大、技术积累最深的玩家之一。

瑞恩 2018 年加入 Kernel 后，以首席技术官（CTO）的身份主导公司核心产品 Kernel Flow 的专用芯片、光电子模组和整机系统等研发工作。Kernel Flow 是一款时域功能性近红外光谱（TD-fNIRS）头盔，可通过近红外光穿透颅骨成像探测脑血氧变化，间接反映皮层神经活动。2023 年，他升任 CEO，负责公司整体运营。

离开 Kernel，进入一家产品未出货、团队规模很小的初创公司，瑞恩的选择或许暗示，消费级 BCI 最早的商业落地案例，更有可能出现在 EEG 路线。

Sabi 是谁？

Sabi 总部位于美国加州，由 CEO 拉胡尔·查布拉（Rahul Chhabra）与合伙人共同创办。公司于今年 4 月 16 日正式走出隐身模式，首轮融资由知名风险投资机构 Khosla Ventures 领投，参投方包括 Accel、Initialized Capital、OpenAI 首席产品官凯文·韦尔（Kevin Weil）以及 Ascend 等，具体融资金额尚未披露。

Khosla Ventures 创始人维诺德·科斯拉（Vinod Khosla）在接受《连线》（Wired）采访时用一句话概括了他选择 Sabi 的逻辑：“如果想让 10 亿人每天用 BCI 操作电脑，它就不可能是侵入式的。”

Sabi 的核心产品是 Sabi Cap，一顶外观和普通毛线帽几乎无异的可穿戴设备，计划在 2026 年底通过邀请制发货，后续会推出棒球帽形态的版本，具体售价尚未公布。

与此前 EEG 类 BCI 配备几十到上百个电极、只能实现有限指令控制不同，Sabi 的目标场景是连续解码“内心独白”（inner speech）。

Sabi Cap 的内衬分布着数万个比米粒还小的微型脑电传感器。使用者仅需戴上帽子、连接显示设备，并在脑中默念自己想说的话，文字就能实时出现在屏幕上，速度约为每分钟 30 词，虽然不及部分侵入式 BCI 能达到的 70~80 词/分钟，远低于人类口语的 140~180 词/分钟，但超过了熟练用户在手机上打字的速度。

（来源：Sabi）

Sabi 选择的 EEG 路线是所有非侵入式脑成像方式里响应最快、成本最低、临床应用时间最长的一种。它经由头皮电极采集大脑电活动，但长期以来，这种技术因信号分辨率不足饱受诟病。

为克服精度限制，Sabi 在传感器密度和算法层面都做了改进：团队自研的专用集成电路（ASIC）用于支撑十万量级的传感器阵列，并基于 100 名参与者约 10 万小时的脑电记录，训练出名为“脑基础模型”（Brain Foundation Model）的大规模神经解码模型。

拉胡尔希望这套模型能实现跨用户的通用解码，免去用户在使用前进行个人化校准的麻烦。

独白解码还有一个绕不开的问题，如何分清哪些话能“说”出来，哪些只能在脑子里想一遍？此前，斯坦福团队发表的相关成果通过设置“心念口令”作为系统启动的提示词，但拉胡尔认为，“读取意图本身就是 BCI 能做到的事”，系统有能力隐式判断使用者何时在真正尝试沟通。这个设计选择听上去更自然，但在工程实现角度来看更为困难。

侵入式与非侵入式 BCI 的技术分野

在整个 BCI 领域，主流技术大致可分为侵入式和非侵入式两大类。如今，二者的应用场景、用户画像、监管路径正在发生显著分化。

侵入式 BCI 需要把电极阵列或血管支架植入颅内，直接采集皮层神经元的放电信号。代表公司包括 Neuralink、Synchron、Paradromics 以及 BrainGate 等。

其信号信噪比高、精度好，可以进行精细控制，但代价是需要开颅或血管介入手术，风险和监管门槛极高，价格昂贵，商业化路径聚焦于完全瘫痪、渐冻症（ALS）、脊髓损伤等愿意承担手术风险以换取沟通能力的少数重症患者。

非侵入式 BCI 则从头皮外侧采集信号，无需手术，安全门槛低、潜在用户规模更大。

在这一领域，fNIRS 的空间分辨率优于 EEG，但时间分辨率较差、价格更贵。以 Kernel 为例，开发重点在于传感器和光学系统，产品主要面向临床和科研领域，头盔单价近 10 万美元。

图 | Kernel Flow 头盔（来源：Kernel）

脑磁图（MEG）可测量大脑活动产生的微弱磁场，信号质量高，但传统设备体积巨大，新一代 MEG 正向可穿戴形态推进，但进展较为缓慢。此外，Meta 的现实实验室（Reality Labs）还在推进肌电（EMG）路线，通过读取腕部肌肉电活动来反推使用者的运动意图。其配套腕带产品在跨用户场景下的输入速度达到 20.9 词/分钟。

EEG 路线也可以进一步区分：Neurable 把 EEG 电极嵌入头戴式耳机，可监测专注度和认知负荷； Elemind 推出了将 EEG 与声学神经调制结合的助眠头带；更为老牌的 Emotiv 长期为研究者和开发者提供多通道可穿戴 EEG 头显。

过去，非侵入式 BCI 对 EEG 的行业共识是“只能用于粗粒度控制，做不了高精度任务”。如今，以 Sabi 为代表的公司正试图改写固有观念：EEG 信号的潜力尚未被完全开发，关键在于提高算法的解码能力。

消费级 BCI 的商业化想象

在短期内，为尚未完全失能的运动障碍人群提供辅助功能，将成为 EEG 式 BCI 最直接的受益群体，潜在用户数以千万计。

投资人则更看好其远期成为通用输入设备的可能。语音输入在过去几年因大模型加持而快速成熟，但在办公室、公共交通、图书馆等需要保持安静或注重隐私的场景中并不适用。更传统的文字输入依赖双手，无法适配许多可穿戴或增强现实场景。

如果非侵入式 BCI 真能做到开箱即用、速度达标且隐私可控，它就有机会成为全新的主流输入方式，打开更大的消费市场空间。

回到 Sabi Cap，其通用解码能力、长时间佩戴的信号稳定性、模型泛化表现都有待验证；而在商业角度，产品定价、消费者接受度、发货节奏能否兑现也是未知数。

在此之上，更关键的是伦理和监管问题：神经数据的权属、收集和使用规范等如何界定？

Sabi 的回应是，脑电数据在离开帽子之前就完成端到端加密，脑基础模型仅利用加密后的信号训练，公司还表示正与斯坦福大学的神经安全团队合作评估整套技术的可靠性，但尚未公开具体细节。

科幻剧集《黑镜·你的全部历史》中，记忆颗粒就能完整记录并回放使用者听到、看到的一切，最终却让亲密关系走向病态的相互审视。而当消费级 BCI 设备批量进入现实，神经数据的采集规模也将迅速扩大，我们很难预知数据滥用等问题会否爆发。

不过，Sabi 和瑞恩的跳槽至少向行业发出了提醒，消费级脑机接口的竞赛，正从“能不能做出来”进入“谁先做出来”的阶段。

参考内容：

https://x.com/rohanpaul_ai/status/2099524312881586508

https://sabi.com/

https://www.kernel.com/

https://www.wired.com/story/this-beanie-is-designed-to-read-your-thoughts/

https://www.neurofounders.co/articles/inside-the-beanie-that-transforms-thought-to-text

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

机器人开始学会“三思而后行”？这家公司将世界模型接入灵巧操作，任务成功率提高至75%

DeepTech深科技 — Mon, 14 Sep 2026 08:24:14 GMT

机器人家务到底做得怎么样了，距离真正解放我们的双手还有多远？拧灯泡、撕厨房纸、抽出叠放纸杯，对人类轻而易举，但在具身智能领域，如何让机器稳定完成这些看似简单的操作，一直是个难题。

过去几年，机器人基础模型逐渐从针对单项任务训练，转向利用视觉、语言和动作数据学习通用策略。视觉语言动作模型（VLA）可以根据画面和指令输出动作，世界模型则尝试预测动作执行后环境将如何变化。

但如果机器人最终要进入工位、厨房和家庭，它需要追赶的或许不只是人类“完成动作”的能力。人类已经积累了海量与现实世界交互的经验，从怎么看物体、怎样用手，到接触失败后如何调整。如何让模型、训练数据和机器人本体都围绕这些经验共同演进，正在成为具身智能的一条重要路线。

9 月 10 日，生数科技联合创始人、首席执行官（CEO）骆怡航在 2026 外滩大会发布 Motus2。该模型由生数科技研究团队与清华大学共同完成，面向高自由度灵巧操作，已在采用 WUJI Hand 2、Sharpa Wave 等灵巧手的双臂机器人上测试。

Motus2 给出的技术路线，正可从人与模型、数据和硬件关系理解。它用共享模型连接动作生成、后果预测和价值评估，从约 13 万小时人类第一视角视频中提取操作先验，再用机器人轨迹完成本体适配。在执行端，双目视觉、工作记忆和触觉传感分别补充深度、历史与接触信息。

其核心变化，是让机器人在行动前“多想一步”，并把想象结果变成学习信号。前代 Motus 已联合建模视频与动作，Motus2 再加入价值模型，提出动作、预测后果并判断其是否接近目标。反馈既筛选当次动作，也用于更新策略。

给动作后果打分

如果想让机器人自主完成任务，那么首先需要回答一个问题：根据当前观测和任务指令，下一步应该执行什么动作。

工业机器人通常依赖预设轨迹、状态机或人工设计的规划器，在工位、物体位置和流程高度确定时稳定有效。一旦物体形态、摆放方式或任务指令发生变化，规则与轨迹往往需要重新设计。

近年来，模仿学习和视觉语言动作模型从示范数据中学习“观测—动作”映射，提高了任务泛化能力。但这类方法更擅长复现已有行为，通常缺少对动作后果及其任务价值的显式判断。

世界模型由此提供另一种思路。它不急于把动作送给真实机器人，而是根据当前观测和候选动作，先预测未来几帧环境可能发生什么变化。近年来，DreamDojo、Ctrl-World 等研究都在探索动作条件世界模型，机器人因此获得一个近似的内部模拟器。

此前，生数科技发布的 Motus 已在统一潜在动作世界模型中连接视频预测和动作生成。它既可作为世界动作模型（WAM），根据语言指令、当前观测和视觉历史生成动作，也可作为动作条件世界模型（AC-WM），在给定动作后预测未来视觉状态，分别回答“下一步做什么”和“执行后会发生什么”。

不过，“能想象未来”仍不等于“知道哪个未来更好”。机器人还需要依据人类设定的任务目标，在多个可能结果中判断哪一种更值得执行。

为此，Motus2 在这套结构中增加了价值模型（VM）：类似人类在行动前权衡不同选择及其后果的思维，机器人需要根据动作及其结果评估任务进展，通过价值模型判断“这个结果是否更接近目标”。

图｜Motus2 整体架构：共享模型统一策略、模拟与评估，触觉模块进一步支持动作

但要让同一个模型兼顾动作、预测和评价，还必须确保三类信息按照真实行动顺序流动，不能让机器人在训练时“偷看答案”。

假如模型在生成动作时读取到了执行这个动作以后才出现的画面，相当于利用了现实部署时不存在的未来信息，训练结果则难以在实际部署中复现。

因此 Motus2 采用动作优先（Action-first）的信息流，让动作只读取此前信息，未来视频读取动作，价值评估再读取动作和预测结果，以保证动作生成过程符合真实部署时的因果顺序。

在此基础上，预测和评价结果进入两条路径。一条用于推理阶段的当次动作选择，另一条用于训练阶段的长期策略更新。

具体而言，在推理阶段，模型通过 Best-of-N 规划生成多个候选动作，分别预测其后果并评分，再选择较优方案执行。完成一个动作片段后，机器人重新获取真实环境中的观测，随后开始下一轮规划。这种方式仅改变本次动作选择，但不会更新参数。

第二种发生在训练阶段。Motus2 通过引入基于模型的强化学习（MBRL），可以将模拟器预测的未来和评估器给出的价值转化为策略更新信号：高价值方案得到更强引导，低价值动作逐渐减少。这意味着，世界模型预测出的未来不再只用于展示，也能反过来影响动作策略，使模型以后更容易生成有利于完成任务的方案。

另外，区别于主要依赖高质量成功示范进行行为克隆的训练方式，失败数据在此体系中也获得了新的用途。例如，经过筛选的成功示范可以直接监督动作学习；失败和次优轨迹虽然不适合作为模仿目标，却可以用于学习动作导致的环境变化，并为价值模型提供“哪些结果偏离任务目标”的判断依据，间接参与策略优化。

研究团队在放置手机和多指操作两项真机任务中，分别进行了每项 20 次闭环测试。基础策略的平均成功率为 65％，单独加入规划后达到 67.5％，单独加入 MBRL 后达到 72.5％，同时使用两种机制后达到 75％。

从对照结果看，推理时规划使成功率提高了 2.5 个百分点，MBRL 带来的提升为 7.5 个百分点。二者结合后较基础策略共提高 10 个百分点，说明在这两项任务中，更新策略产生的作用更明显，而规划可以在此基础上进一步改善当次动作选择。

如何学习 13 万小时的数据

在搭好了行动、预测和评价框架后，下一道门槛是数据。

灵巧手单手可有 20 个以上自由度，遥操作采集既需要设备、操作者和标定，也要承担磨损与安全成本。因此，如何获得足够丰富的操作数据，并将其扩展至不同任务和机器人本体，成为训练灵巧操作模型的一大难题。

目前，业内常见的数据扩展路径包括大规模机器人遥操作、仿真生成与从人类视频中提取先验。其中，机器人数据最接近部署本体，却昂贵且覆盖有限；仿真便于批量试错，但接触、材质和传感噪声与现实仍有差距。互联网或第一视角视频规模更大，却通常缺少可直接执行的机器人动作标签。

为缓解高质量机器人数据稀缺、不同数据源又难以直接对齐的问题，Motus2 采用了分层的数据扩展路径，先从人类第一视角视频中学习操作经验，再逐步迁移到机器人。

其数据体系包含约 13 万小时原始录像，训练依次使用单目视频、同步双目视频与人类动作，最后加入机器人轨迹和人机对应数据。

图｜人类数据金字塔：从大规模视频中的操作经验，逐步连接到真实机器人动作

论文披露的第一视角语料约 13 万小时，其中超过 11 万小时为单目数据，覆盖多种物体、场景和人类操作行为，帮助模型学习较广泛的视觉知识及状态变化。

第二阶段引入约 1.74 万小时同步双目素材。左右视角不仅增加画面数量，更提供视差形成的隐式深度线索，并支持更准确的三维手部姿态估计，使模型进一步学习手与物体之间较细粒度的空间关系。

不过，由于人手与灵巧手在关节数量、尺寸、活动范围和控制接口上并不一致，，若把人类姿态生硬映射到机器人关节，轻则动作变形，重则产生自碰撞或无法形成有效抓握。

为跨越这道“本体鸿沟”，Motus2 使用数十小时人机对齐数据，以及包含机器人轨迹在内、总计超过 100 小时的中间训练数据。此后，模型还要通过目标任务数据完成后训练，才能把人类操作经验转化为特定机器人可以执行的动作。

五项真机任务中，仅经人类数据预训练的模型平均成功率为 51%，加入机器人域中间训练后升至 84%。放置小球和贴合橡皮为 100%，拧灯泡 90%，多指操作 70%，放置手机 60%。人类视频提供操作先验，机器人数据仍负责动作落地。

图｜在 2,000 至 20,000 小时的实验范围内，双目数据规模增加对应更低的人类动作预测误差。

此外，团队还用 2,000 至 20,000 小时双目数据比较人类动作预测误差。数据增加时，最优误差持续下降，并在测量范围内与数据时长的对数近似线性。但该指标是留出集上的人类动作预测，并非真机成功率，也不能推出扩张会无限保持同样收益。

因此，“以人为牵引”并不等于让机器人照搬人。更准确的说法是，先用人的视角和动作扩大模型对物理交互的认识，再用少量但更昂贵的对齐数据、机器人轨迹和目标任务数据逐级校正。数据路径要与模型接口匹配，而能否迁移又受到硬件形态约束，模型、数据与硬件在这里形成了相互制约的三角。

补全记忆与触觉

完成本体适配后，机器人仍不等于拥有人的操作能力。有些任务依赖已经发生的历史信息，另一些则取决于手指与物体间的实时接触，仅凭当前画面难以准确判断。

一般而言，业内会选择以扩大视觉上下文、压缩历史为记忆标记，或引入力觉和触觉传感来补足信息。但前者将面临历史完整度与计算量的取舍，后者则要处理采样频率、噪声、传感器形态和模型融合成本。

为此，Motus2 分别引入工作记忆与触觉专家，使机器人能够调用此前观测，并根据最新触觉反馈调整动作。

寻找隐藏方块时，机器人先要记住方块进入哪只杯子，再经历杯子移动和遮挡。固定滑动窗口开销不随任务时长增长，但早期线索会被逐出上下文。Motus2 比较了保留完整历史的全局自回归，以及把中间历史压缩成标记的混合记忆。

测试结果显示，在寻找隐藏方块和依据历史提示按键两项测试中，全局自回归在仿真环境中的平均成功率为 78％，混合记忆为 52％。转移到真机后，两者分别为 57.5％和 25％。这意味着，在两项测试中，直接读取完整历史比压缩历史信息更有利于完成任务。

这些结果也反映出记忆方式需要在信息完整度与运行成本之间取舍。完整历史能够保留更多线索，也会增加上下文长度和计算开销。同时，真机成功率低于仿真结果，表明真实环境中的视觉变化、遮挡和执行误差仍会影响历史信息的调用。

图｜Motus2 九项真机演示

触觉处理的是另一种不可见信息。抽取叠放纸杯时，夹得太松会滑落，太紧则可能带出下层纸杯。撕纸时，双手的受力位置和方向持续变化。摄像头通常要等物体发生明显位移后才能确认失误，指尖传感器却能更早捕捉接触力和形变。

若让完整策略模型随每次触觉更新重新推理，高频传感会带来延迟。因此，Motus2 沿用 T-Rex 的触觉响应思路，设置轻量触觉专家，主模型生成动作片段并缓存特征，每个短片段执行前，专家读取最新触觉，对尚未执行的动作作最后修正。

这一分工体现了模型与硬件的协同。主干负责较低频的全局语义和动作规划，触觉专家处理高频、局部的接触变化。训练时还预测动作后的真实力信号，帮助模型学习接触如何演化，部署时则只输出修正后的动作，避免每一步都重新运行大模型。

在抽取纸杯和撕纸两项任务中，加入触觉后平均成功率从 60% 升至 72.5%。其中抽取纸杯由 65% 升至 75%，撕纸由 55% 升至 70%。这组消融实验支持了触觉对精细接触操作的作用，但范围仍限于两项任务与特定平台，不能视作对所有材料和操作的普遍结论。

上述测试使用了单手 20 自由度的 WUJI Hand 2 和单手 22 自由度的 Sharpa Wave 等平台。

图｜生数科技提出的通用世界模型五级演进路线

此外，生数科技还提出了通用世界模型（GWM）五级路线，以描述通用世界模型从生成环境走向自主行动的能力演进。五级路线依次为 L1“生成世界”、L2“与世界交互”、L3“在世界中行动”、L4“自主世界智能体”和 L5“世界组织者”。

按此框架，Motus2 已掌握 L3“在世界中行动”的关键能力：既能理解当前状态，也能预判行动后的未来，还能生成可执行的真实机器人动作。更进一步，它把 Evaluation 与 Feedback 明确接入闭环，形成“行动 → 预测 → 评估 → 反馈 → 再学习”的循环。

由此，这一机制初步展现出类似 RSI（Recursive Self-Improvement，递归自我改进）的特征：模型会借助自身对世界的预测和评估结果，反向优化行动策略。

世界模型开始拥有一定的自我演进能力，也是生数为从 L3 迈向 L4“自主世界智能体”的一次重要探索。

值得注意的是，Motus2 始终“以人为牵引”进行技术迭代，进一步印证了人类经验在机器人能力演进中的重要性。未来，若要继续迈向长期自主决策，仍需更可靠的预测、跨本体评测和规模化触觉采集，也取决于模型、数据与硬件能否协同演进。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

让野生猴子自愿用上AI，科学家想借AI工具重塑灵长类认知研究

DeepTech深科技 — Sun, 13 Sep 2026 10:36:58 GMT

为了更好地研究野生动物，科学家正在让它们通过 AI“刷脸”领香蕉。

哥斯达黎加西北部的塔博加森林保护区（Taboga Forest Reserve）里，生活着一群白面卷尾猴。多年来，埃默里大学（Emory University）的人类学教授玛尔塞拉·贝尼特斯（Marcela Benítez）都想找到一种好办法，在野外测试这些猴子的行为模式和认知水平。

2025 年，研究人员在野外布置了一台类似触屏电脑的机器，下方是个与自动贩卖机取货口相近的开口。没过多久，卷尾猴帕皮（Papi）走向这个新玩意，好奇地绕了几圈，嗅了嗅就径直走开了。

后来，帕皮又重新回到机器前，试图和屏幕互动，很快就掌握了这台机器的正确用法：把左手按在蓝色方块上，右手顺势放在下方的取食口，它低着头，准备接受一片干香蕉的“馈赠”。

这个令人和猴子乍一看都有些摸不到头脑的机器名为 CapuchinAI，由猴脸识别模型驱动，是马尔赛拉团队的新成果，他们希望借此改变学界研究野生灵长类心智的固有方式。

（来源：American Journal of Primatology）

在野外收集实验室级别的数据

灵长类认知研究长期面临的困境是，科学家固然可在实验室里进行精细的变量控制和多次测量，但圈养动物往往已脱离它们大脑演化时所处的复杂环境；野外测试能揭示动物在真实情境中的行为，但状况往往超出掌控范围，很难获得可比较、可重复的量化数据。

近些年，智能设备的普及为研究动物的野外行为提供了机会。2023 年，洛桑大学（University of Lausanne）团队在南非部署过一套便携触屏系统，证明触屏仪器可在野外正常运作，灵长类动物也愿意与之互动，但实验流程仍需专人在现场手动切换任务，且无法确切统计哪些猴子分别参与了多少次测试。

在前人基础上，玛尔塞拉团队想用一套结合机器学习面部识别、触摸屏和自动奖励分配的野外系统，进一步缩小野外实验和室内测试的距离。

推进这项工作的最大障碍，是如何为野生灵长类个体做一套精准的野外“FaceID”。在人类社会中，稳定的光照、标准可控的姿态和海量训练数据保证了识别的精确性；而野生猴子生活在光线变化频繁的树冠层，更不可能遵循指令完成“猴脸采集”。

在野外灵长类面部识别领域，2019 年，牛津大学（Oxford University）联合京都大学开发出一套黑猩猩识别系统，利用包含 23 只黑猩猩、约 50 小时视频、约 1000 万张面部图像的数据集，训练出身份识别准确率达到 92.5%、性别识别准确率 96.2% 的模型。但这项工作的验证基于历史档案视频离线处理，也无法进一步实时驱动下游反馈。

经过考量，CapuchinAI 团队选择了实时目标检测算法 YOLOv7 的轻量版本，该模型专为检测高帧率视频流中的物体设计。他们利用过去几年记录下的 6 只卷尾猴视频，训练出猴脸识别模型 MultipleCapuchins v1.0，准确率最高可达 97.5%。把测试图像旋转、缩放、剪切、翻转、改变亮度后，模型的识别性能仍保持在 90% 左右。

（来源：American Journal of Primatology）

识别静态图像只是第一步，为了让模型可在电池供电的小型计算机上运行、被独立放置于野外且驱动物理装置完成“识别-任务-奖励”的流程，研究人员用高性能单片机树莓派 5（Raspberry Pi 5）作为 CapuchinAI v1.0 的主控。

显示屏上搭载的红外触摸功能，可被手指、手掌、指甲、嘴巴甚至舌头触发，更符合野生动物的“操作习惯”。装置还包括一颗全高清网络摄像头和一个食物分配器。整套系统装在木框里，由两块旅行充电宝和一块 12 伏电池组供电，续航可达 8 小时以上。

不过，在本次发表的工作中，实际部署的是前述身份识别模型的降级版本，它只能分辨出现在镜头前的是不是一只卷尾猴。原因在于，原始模型是“闭集”分类器，只能分辨训练数据里的卷尾猴，遇到未被纳入训练的卷尾猴时就会出问题。

装置放置在野外后，摄像头会持续扫描，一旦检测到卷尾猴脸立即开始录像，直到视野中 10 秒没有再检测到脸再停止；屏幕上默认显示蓝色方块，只有在识别到卷尾猴脸的情况下，触屏事件才会触发分配器旋转、掉出一片干香蕉；触发结束，屏幕冷却 2 秒后恢复原状。

“先识别卷尾猴脸才可能发奖励”的双重条件在实际部署中避免了不少麻烦，测试平台附近偶尔有长鬃吼猴和白鼻浣熊出没，它们也会靠近装置。团队在实验室中用其他物种的图像测试过这套识别流程，均未触发反应，只是偶尔会把人脸认成卷尾猴。由于野外并没有“野人”，这不会影响系统运行。

（来源：American Journal of Primatology）

让猴子玩游戏，顺带做个研究

2025 年 7 月至 8 月，团队把 CapuchinAI v1.0 搬进塔博加保护区，在 2 个已知卷尾猴群体的活动范围中进行为期两周、共计 6 次的测试。

结果显示，共计约 16 只卷尾猴与装置直接互动，另有 14 只在旁围观。参与互动的猴子中有 10 只学会了触屏获取奖励；其中 8 只被认为已形成 “完整关联”，它们不再随意摸索装置的各个部位，而是专注地按屏幕，还作出了转向出食口、伸手等待等预期性动作。其中 5 只在中断实验 1 周再恢复时依然能立刻出现这套行为，证明关联已经留在了它们的脑海中。

开头的帕皮是其中一个族群的首领，它在第 3 次测试中就建立了关联，到试验结束之时还保留着稳定使用装置的习惯。而在帕皮开始拿到食物时，跟它结伴出现的亚成年雄性个体皮贝（Pibe）还只是探索性地触摸和近距离观察，到第 4 次也形成了完整关联。

一些个体的经历还揭示，这种方法有助于识别动物群体中隐藏的社会学规律。

例如，幼年雄性个体普罗博西斯（Proboscis）从第 2 次就开始尝试触屏，但连续多次被帕皮和皮贝挤走，直到第 5 次终于形成关联。团队发现，最频繁使用装置的是成年和亚成年雄性；成年和幼年雌性都曾在试图参与互动时被排挤离开。这些案例表明，野外“自愿参与”采集的数据多样性也会受到社会层级的影响。

另外，成年雄性普鲁托（Pluto）在前 5 次测试中几乎没有直接互动，但在第 6 次“偷看”皮贝触屏并趁机偷走香蕉后，也迅速掌握了这套逻辑，这种行为极可能属于某种社会学习。当然，还有一些倒霉的个体在第 6 次测试中终于学会用这套设备，但食物恰好分完了，只能遗憾离场。

图 | 伸手等待香蕉掉落的帕皮（左一）和围观的皮贝（来源：American Journal of Primatology）

用上机器学习之后，人类学者也不能“偷懒”

研究者指出，CapuchinAI 目前还不是万能的研究工具。它最适合部署在猴群已经习惯研究者长期存在、频繁搭建固定测试平台的地点；另外，如果没有前期的了解和积累，直接把陌生的机器扔进丛林，很难收到有效反馈。

装置对物种的天性也有要求：卷尾猴属于对新事物警觉性低、探索欲强的物种，对新事物高度警觉的物种未必适用这一测试平台。

团队目前正在基于 v1.0 部署期间收集的互动个体视频，训练一个能真正区分 16 只参与交互个体的模型版本。

未来，他们对 v2.0 的完整设想是：一只卷尾猴走近装置，系统认出它的身份，从数据库中调出它的任务进度，并在屏幕上呈现后续题目；如果模型认为面前的是一只陌生个体，屏幕将退回蓝色方块模式，同时启动录像收集新数据；装置支持一次识别多只在场个体，可判断哪只离屏幕最近、为其分配对应任务；也可以设置规则，比如在某只“惯偷”猴子进入平台时暂停任务、待其离开后再恢复。

以往的野外实验大多使用一次性“谜题箱”（puzzle box，需要动物想办法打开才能获取其中食物的机关盒子），只能看出这个群体大致会做到什么程度，无法追踪“具体某只猴子在一段时间里的认知能力发生了哪些变化”。

如果进展顺利，这项工作将攻克野外认知研究中收集长期、个体化、跨认知维度纵向数据的难题。

这相当于把实验室里经过验证的经典范式搬进丛林，为猴群里的每只个体建立一份可持续更新的认知档案，让野生动物自愿参与，记录它们的终生信息。

而把机器学习引入田野灵长类学，能解放科学家的生产力吗？在玛尔塞拉看来，AI 再强大，研究人员和动物建立的深厚理解与信任依然是最不可替代的。

他们在论文中强调，机器学习的核心机制是通过降低复杂度来优化数据分类，本质上是一种为效率而生的技术。但从今西锦司（Kinji Imanishi）、珍·古道尔（Jane Goodall）再到弗兰斯·德瓦尔（Frans de Waal），灵长类学的传统优势恰恰建立在“厚描述”和沉浸式田野工作之上。

对具体个体、具体群体、具体生态背景的深入了解，没有捷径，只能在丛林里蹲守几年、数十年，甚至一生。

团队之所以放心地把 AI 装置送进保护区，正因为他们已经与森林里的 4 个猴群共处近 10 年，能看懂猴子们互动时的每一个细微反应，熟悉他们的社会关系和性格。

科学家提醒，如果为了“偷懒”而将机器学习带到野外，只会破坏学科发展的根基。技术走进了丛林，并不代表人就可以离场。

参考内容：

https://onlinelibrary.wiley.com/doi/full/10.1002/ajp.70194

https://www.science.org/doi/10.1126/sciadv.aaw0736

https://news.emory.edu/features/2026/07/ai-opens-new-era-cognitive-studies-wild-primates

https://github.com/fsanch4/capuchin-ai-touchscreen https://github.com/raks097/live_capuchin_detection

注：封面/首图由 AI 辅助生成

不依赖EUV，不建新厂，一家隐形初创要用铁电材料改写存储技术

DeepTech深科技 — Sun, 13 Sep 2026 10:30:55 GMT

2026 年 9 月，美国存储芯片初创 Kepler Computing 在成立 7 年后正式走出隐身模式，同时宣布完成累计 4.68 亿美元融资，CEO 德博·奥拉塞比坎（Debo Olaosebikan）在社交媒体上宣布了这一消息。

参投名单上，格芯（GlobalFoundries）、英特尔资本、AMD 风投、Baillie Gifford 以及 Gates Frontier 等知名机构赫然在列。两个月前，美国商务部还依据“芯片法案”签署意向书，拟向 Kepler 提供最高 2.45 亿美元资金。

一家尚未公开产品的初创，仅宣称要将存储和逻辑芯片的制造推向物理极限，就同时被芯片设计商、制造商、主权资金和顶级资本押下重注，它的底气何在？

从英特尔实验室走出的技术

Kepler 专注于用铁电材料和 3D 堆叠架构，开发面向 AI 的新型高带宽存储。其技术和管理积累来自一支资深半导体队伍，创始成员几乎都有突破性半导体技术的研发经验。

图 | Kepler 创始团队（来源：Kepler Computing）

CEO 德博在康奈尔大学（Cornell University）取得物理学博士学位，曾参与建成世界首个电激活硅激光器。他一度离开硬件研究，创办按需软件开发平台 Gigster，2018 年回归芯片领域，联合创办 Kepler，同时兼任美国商务部半导体行业顾问委员会成员。

CTO 萨西·马尼帕特鲁尼（Sasi Manipatruni）的工作构成了 Kepler 的技术基础。他曾任英特尔功能电子集成与制造（FEINMAN）研究中心创始主任。2018 年，他主导开发的磁电自旋轨道（MESO）逻辑器件发表于《自然》（Nature），被认为是“可能带领计算超越半导体时代”的突破。

Kepler 的首席科学官拉马穆尔蒂·拉梅什（Ramamoorthy Ramesh）是这项研究的另一位核心合作者。他在 2001 年首次发现多铁性材料，后续主导解决了铁电材料“疲劳”这一困扰学界数十年的经典难题。

工业量产经验方面，联合创始人拉吉夫·多卡尼亚（Rajeev Dokania）曾主导定义英特尔 Foveros 3D 芯片堆叠技术的架构，这项技术已用于英特尔多款处理器产品。他将在 Kepler 继续开发 3D 堆叠方案。

另一位联创拉尔斯·海内克（Lars Heineck）领导过 7 代动态随机存取存储器（DRAM）的量产，并主持过业界首批 232 层 3D NAND 闪存的规模化生产。安通·多米奇（Antun Domic）则是电子设计自动化（EDA）领域的先驱、新思科技（Synopsys）前 CTO。

对于存储这一既需要材料科学突破、工艺集成经验，还需要大规模量产能力的复合问题，Kepler 在每个关键节点上都有对应人才。

有趣的是，按蛰伏时间推算，Kepler 创立于 2018 年，彼时距离 ChatGPT 发布还有 4 年，高带宽内存（HBM）远没有今天这般紧俏，“AI 存储瓶颈”更是无从讲起。

事实上，团队成立时只专注于半导体的长周期趋势：传统 CMOS 晶体管的尺寸缩小已逼近物理极限，行业需要新的材料体系来延续算力增长。

公司最初的产品定位是给 CPU 和 GPU 做片上缓存的静态随机存取存储器（SRAM）替代品，再逐步推进 DRAM 和 HBM，前者对应着几十年来相对稳定的需求。MESO 研究原本是为“后 CMOS”命题做出的技术准备，铁电材料则是这条路线里最有希望的候选之一。

德博在媒体采访中透露，“ChatGPT 发布之后，HBM 替代品的需求突然爆发，我们才开始规划 HBM 路线，现在是两条路线并行推进”。

Kepler 并未预见 AI，反而是 AI 等到了Kepler。

图 | Kepler的路线规划：内存先行，逐步发展到逻辑层面（来源：Kepler Computing）

在原有产线上做更好的新材料

AI 爆发后，算力增长远快于存储带宽增长，HBM 供不应求，新建一座先进存储晶圆厂动辄需要投入 200 亿至 400 亿美元，耗时两到三年。对此，Kepler 的解法是：不建新厂，只换材料。

铁电随机存取存储器（FeRAM）的起源可追溯到 1950 年代，当时的研究人员发现，外部电压作用于铁电材料时，晶体结构内部的电偶极子沿电场方向排列形成自发极化，撤去电压后极化方向依然保留。将极化的两个方向分别映射为 0 和 1，材料就构成了一种断电不丢数据的非易失存储介质。

这与依靠电容储存电荷来记录信息的主流存储技术有本质区别，DRAM 工艺越先进，电荷泄漏越快，需要毫秒级的刷新操作不断“补充”数据，这会持续消耗大量电力。SRAM 虽然速度快、无需刷新，但会占用大量芯片面积，很难在单一芯片上做大容量。

1990 年代，铁电存储已出现商业化产品，主要用于智能卡、无线射频识别标签等对功耗敏感、容量需求不高的应用场景。

而它始终未能进入主流存储市场的原因在于，反复读写带来的“疲劳”会导致极化翻转越来越困难，最终器件失效；在纳米尺度下，早期该技术采用的钙钛矿结构材料，极化性能会急剧下降，存储可靠性随之退化，且其与硅工艺兼容性不足。

针对这些短板，团队在材料创新方面下足了功夫。经历了 35 次材料迭代，最终敲定使用一种以氧化铪基化合物为核心的低电压铁电复合材料，其具备原子层沉积精度和精细的晶体结构控制。

这类材料与硅基工艺兼容性较好，在几纳米厚度下也不会失去铁电特性，能较好融入现有半导体制造流程。德博隐晦地表示，“我们使用的材料种类很少，其中一些并不是主流铁电材料中常见的成分”。

将新材料与纵向 3D 集成结合后，Kepler 存储系统的带宽功耗比将接近 SRAM 水平，容量可能达到当前 SRAM 和 HBM 的 10 倍。铁电极化无需持续电力供应，待机功耗大幅降低，翻转极化的能耗也极小。

落实进具体应用场景，在铁电存储技术的加持下，大语言模型推理中频繁访问的模型参数、以及用于保留会话上下文的键值（KV）缓存，有望在更大容量、更低功耗条件下贴近处理器部署。

Kepler 计划将 28 纳米成熟制程产线直接改造用于存储芯片，绕过依赖昂贵极紫外光刻（EUV）设备的传统制造策略。

据 Kepler 合作方、格芯 CMOS 业务高级副总裁埃德·卡斯特（Ed Kaste）介绍，将一条现有产线改造为 Kepler 的“下一代”存储产线，大约仅需 8 个月。德博则将这一策略概括为“最大化每座工厂的智能密度和投入产出比”。

目前，Kepler 已在格芯的新加坡和美国工厂内建起“迷你晶圆厂”，累计流片约 2000 片晶圆，采集了初步的电学表征数据。

作为对照，在存储需求爆发的当下，SK 海力士（SK Hynix）和美光（Micron）等巨头更追求传统路线的规模升级：在全球斥资数十亿美元建设新的 HBM 晶圆厂，用更先进的光刻制程、更高的堆叠层数和更精密的封装实现产能扩充。

国内，长江存储在 3D NAND 闪存领域已经成为不可忽视的力量，出货量位居全球第三。其凭借自研晶栈（Xtacking）架构在提升存储密度的同时加快迭代速度。长鑫存储则在 DRAM 领域快速追赶，依靠深紫外多重曝光技术推进先进制程节点。

风险、未知数与前路

从技术角度出发，铁电存储的耐久性仍是 Kepler 的核心限制因素。大多数氧化铪基平面电容器件目前仅能维持约 106 次稳定循环，与商业存储要求的 1015 次循环下限仍有巨大差距。Kepler 曾表示已通过材料科学突破克服疲劳问题，但具体方案尚未公开披露。

污染隔离构成另一重风险，Kepler 的复合材料含铁，这种元素在半导体产线上属于严重污染物，一旦逸出可能破坏整条产线的其他产品。Kepler 的方案必须运行在专用设备上，或对材料进行完全封装以防泄漏，这都将提高对制造工艺的要求。

接口标准与技术生态也是隐藏的挑战：新型存储如何与 GPU 及各类 AI 加速器互联，将直接决定其能否被生态接纳。这不仅是物理设计问题，还涉及加速器侧内存控制器和软件的适配。

检验半导体公司技术路线的终极考场依然是量产。与主流存储产品每月百万片量级的稳定良率相比，Kepler 目前的产量微不足道。

Kepler 计划在 2026 年底出货首批 HBM 芯片样品，2027 年在格芯的新加坡工厂实现量产，2028 年扩展到美国生产。按照埃德的说法，接下来就看 Kepler 能否在成千上万片晶圆和数百万个器件上“都拿到好结果”。

参考内容：

https://www.wired.com/story/a-new-dollar400-million-startup-wants-to-fix-the-ai-memory-bottleneck/

https://x.com/dolaoseb/status/2097776763514560680

https://keplercompute.com/

注：封面由 AI 辅助生成

Anthropic称要放缓RSI进度，OpenAI与马斯克罕见附和

DeepTech深科技 — Sun, 13 Sep 2026 06:10:03 GMT

9 月 12 日，人工智能公司 Anthropic CEO 达里奥·阿莫迪（Dario Amodei）发表题为《我们必须放缓前沿的步伐》（We Must Pace the Frontier）的长文，呼吁行业应主动放缓 AI 能力提升的速度，目的是让安全工作有时间追上来。

他为此提出了一个“三步走”的战略框架：嵌入式第三方评估员、国家内部的行业协调，以及全球范围的协调。同时宣布 Anthropic 从当天起将单方面启动第一步。

达里奥的判断有两个直接触发因素：一是从今年夏天起，递归自我改进（RSI）明显加速； 7 月的 OAI-HF 事件（OpenAI-Hugging Face 事件，AI 代理群体自发发动网络攻击）又充分显示了当前系统存在失控的可能。他认为，如果不加干预，类似的失控或将在 6~12 个月内造成数千亿美元的损失。

随后几个小时，三位平时常常互怼的行业领袖罕见地站在同一条战线：OpenAI CEO 山姆·奥尔特曼（Sam Altman）转发达里奥的推文，并承诺 OpenAI 也将引入拥有员工级权限的独立评估员，透露“控制前沿步伐”已经是公司内部近几周讨论的核心议题。埃隆·马斯克（Elon Musk）紧随其后，表态称“达里奥说得对（Dario is right）”。

（来源：X）

达里奥认为，AI 能力提升的驱动方式发生了质变。RSI 过去更多停留在理论推演。而从今年夏天起，多家前沿实验室内部已经看到了这个循环。如果放任不管，这种动态可能超越人类理解和控制这些系统的能力。

2026 年 7 月，OpenAI 在一项内部网络安全能力评估中发现，约 1200 个本应彼此隔离的 AI 代理开始交流，其中约 700 个代理通过即兴通讯系统协调分工，攻入开源模型托管平台 Hugging Face 的基础设施。

独立评估机构“模型评估与威胁研究”（METR）和 Redwood Research 在 8 月底发布了 37 页调查报告，首次向外界阐述这一事件的严重性。

达里奥判断，此次 OAI-HF 事件损失有限，但如果能力更强的模型出现类似的失控模式，它们可能会用持久性僵尸网络接管整个互联网。Anthropic 内部也出现了类似情况，公司9 月初披露， Claude 模型在配置错误的沙箱里意外接触到真实互联网，其中一次甚至将恶意软件包上传至 Python 官方包管理平台 PyPI。

为控制事态恶化提出的“三步走”框架中，第一步是部署嵌入式评估员：由独立第三方机构派驻团队常驻前沿 AI 公司内部，拥有和内部风险评估员近乎相同的访问权限，可参与实际的对齐评估流程。

最关键的是，评估员有权公开发布他们看到的风险、事件和被拒绝提供的访问权限。在 Anthropic，公司只能出于安全、法律隐私、商业机密或第三方保密对披露报告进行有限的删节，不能因其结论对公司不利就取消披露。此外，如果删节会影响结论，评估员也可以公开说明。

达里奥把这一制度类比为银行业的监管驻场制度，并认为这是所有后续放缓承诺能否落地的基础：不允许中立第三方看到执行细节，一切承诺都只能建立在脆弱的互信之上。

山姆在转发时明确表示，OpenAI 会采取同样的做法，“很快将分享更多信息”。如果这一步真的在两家最主要的前沿实验室同时落地，很可能成为事实上的行业标准，为后续一切形式的监管或行业协议提供可验证性的基础设施。

事实上，早在 2023 年 3 月，未来生命研究所（Future of Life Institute）发起过一份呼吁暂停超过 GPT-4 规模训练 6 个月的公开信，最终征集到超 3 万个签名，其中就包括马斯克。但这封信没有取得实质效果，Anthropic 当时也没有签名。

达里奥在文章中表示，那次呼吁在他看来意义不大：当时的模型不够强，无法作为智能体在真实世界连贯行动，也不具备明显的欺骗、操纵或网络攻击能力，“用它们研究对齐风险，就像用细菌研究人类心理”。

而他选择现在发声，核心原因是模型能力已经越过能力的阈值。它们既足够强大到可被用于研究对齐问题，也足够强大到可能造成真实伤害。达里奥判断，如果放缓能换来一到两年时间用于推进对齐研究，就能显著降低出严重问题的概率。

放缓的含义并不等于暂停训练或叫停技术进步。达里奥在文章中澄清，他描述的机制更接近在能力推进和安全验证之间设立检查点，模型一旦达到某种能力，必须通过对齐评估、可解释性分析和训练环境审计后才能继续发展。例如，如果模型的能力达到“可以绕过大多数常见沙箱隔离”，那么它就必须证明自己没有主动越狱、控制大量计算机的倾向。

放缓 AI 发展争取到的时间主要应该用在四个方向上：一是保障训练和部署的执行质量。达里奥承认，Anthropic 最近披露的安全事件，部分原因是强化学习环境的过滤不够彻底。二是让对齐研究的训练手段跟上 AI 能力的增长。三是可解释性，我们需要更清楚地看到模型的行为动机。四是测试与评估：能力更强的模型更擅长在测试里“假装”对齐，因此需要更精巧的评估方法与可解释性交叉验证。

三步框架的后两步都涉及协调。第二步主要是前沿公司之间的协调，达里奥主张既要监管路径，也要自愿协议路径，而后者需要政府提供反垄断豁免，允许公司之间就安全标准进行讨论。他偏好基于模型能力的“检查点”设计对齐方案，而非基于训练算力等输入指标，毕竟后者更容易被规避。

第三步是全球协调，这一步里，达里奥把可能的协议按难度分成四级：禁止 AI 用于生物武器、双方在发布前建立标准机构测试急性风险、对 RSI 速度设限，甚至全面放缓或暂停 RSI（短期内不太可能实现）。

他也指出，鲁莽推进不符合任何人的利益，即使难以达成正式协议，共享关于失控案例和 RSI 进度的信息也具有极大价值。

达里奥的观点在业内已经得到初步支持。OpenAI 首席科学家雅库布·帕乔基（Jakub Pachocki）近期公开表示，没有任何一家实验室把对齐和监控做到足以支撑无限期、最快速度扩张的水平，他主张，在共同安全底线建立之前，自愿放缓应成为行业惯例。

但如今，前沿模型的估值、竞争压力、投资人预期都指向更快的发展速度，“放慢”的承诺依然可能让位于阶段性发展目标。

在具体操作层面，第三方评估员看到的每一份文档都可能触及商业机密，“独立审计”的能力范围取决于合同细节和公开报告的执行情况，达里奥并未划出所谓“安全敏感”和“结论不利”的明确边界。框架的另外两步则涉及与行业竞争和地缘政治密切相关的协调机制，实现难度更大。

（来源：X）

也有网友犀利指出，作为一个以精于算计著称的 CEO，达里奥一直将安全叙事作为商业策略，他选择此时发声，或许是担心被其他 AI 实验室或开源模型赶上。还有人批评他在一如既往地“制造恐慌”。

AI 发展可能的确正在接近某个不该轻易越过的门槛，但仅凭一份声明，恐怕很难立即建立减速的共识，更无法保证安全举措落地的程度。

参考内容：

https://darioamodei.com/post/we-must-pace-the-frontier

注：封面/首图由AI辅助生成

气候太热怎么办？美国科学家想直接用二氧化硫给地球“降温”

麻省理工科技评论 — Sat, 12 Sep 2026 11:35:54 GMT

（来源：麻省理工科技评论）

一家位于旧金山的非营利机构发布了一份详细的研究路线图，列出了它认为，要想对太阳地球工程是否应该投入使用做出知情判断，还需要开展哪些实验、研究并建设哪些基础设施。

过去半个世纪里，科学家一直在探索一种对抗气候变化的可能方案：向平流层释放能够反射阳光的微粒，模拟火山喷发后的降温效应。这种技术被称为“平流层气溶胶注入”（stratospheric aerosol injection，SAI）。

尽管围绕它的研究至少已有数百项，但我们对它究竟能在多大程度上发挥作用，又可能带来哪些连锁影响，仍然存在大量科学空白。更重要的是，此前一直没有一套系统性的研究计划，来逐步缩小这些不确定性。如今，资助太阳地球工程研究的机构 Reflective 试图填补这一空白。该机构发布了一份《SAI 研究路线图》。

“我们的使命，是尽快为世界提供做出知情决策所需要的数据和工具，让这些研究真正来得及发挥作用。”Reflective 联合创始人兼 CEO 达科塔·格鲁纳（Dakota Gruener）说，“我们认为，世界可能很快就不得不做出一些影响极其深远的决定，而时间尺度要比现有科研体系所能适应的短得多。”格鲁纳表示，他们希望这份路线图能够为未来的科研工作提供方向，同时推动慈善机构和政府部门为高优先级项目提供资金，从而“以负责任的方式加快研究”。

根据报告估算，如果所有研究能够得到协调推进，大约需要 10 年时间，耗资约 3.7 亿美元；如果各项研究彼此分散、缺乏协调，则可能需要约 20 年，成本接近 14 亿美元。

格鲁纳强调，Reflective 并不主张真正部署这种太阳地球工程技术。不过，这份报告明确认为，有必要开展户外实验。在这些实验中，研究人员将逐步增加向平流层释放的二氧化硫，或者能够转化为二氧化硫的物质，以直接观察它们会产生什么影响。这也是整个计划最具争议的部分之一。

自 2002 年以来，已有数百名学者签署公开信，呼吁禁止户外实验，并建立一项“国际不使用协议”。他们认为，一项足以改变整个地球环境的强大技术，几乎不可能以真正公平的方式进行全球治理。一些签署者还认为，无论开展多少研究，都无法回答太阳地球工程最关键的问题之一：究竟谁有权决定使用它？

“在我看来，最首要的问题并不是技术问题。”荷兰瓦赫宁根大学全球环境治理教授、国际不使用倡议发起人之一阿尔蒂·古普塔（Aarti Gupta）此前接受采访时表示。“真正的核心问题是：像平流层气溶胶注入这样足以改变整个地球的技术，最终由谁控制？谁来开发，谁来部署？目的又是什么？它要服务于什么目标，又是谁的目标？这些问题非常根本，因为任何能够改变整个地球的技术，都必然会制造赢家和输家。”

快到足以发挥作用

自格鲁纳于 2023 年底创办 Reflective 以来，这家非营利机构迅速成为太阳地球工程研究领域的重要参与者。目前，Reflective 已从多家知名慈善机构和个人手中筹集超过 2000 万美元，并向数十个研究团队提供了约 400 万美元资助。它自己也启动了一系列推动相关研究的项目，包括开发一套开源太阳地球工程模拟器，以及一个供研究人员协作使用的线上平台。

今年早些时候，Reflective 发布了“SAI 不确定性数据库”，系统整理了在任何小规模太阳地球工程项目真正启动之前，都必须面对的一系列科学未知和工程难题。其中一些最大的未知，在于究竟应该使用什么样的气体或颗粒，以及这些物质进入干燥的平流层后究竟会发生什么。例如，目前仍不清楚，这些颗粒能否以最大化反射效果的方式均匀扩散，还是会彼此聚集，很快沉降到对流层，也就是地球大气的最底层。此次发布的路线图正是建立在这一数据库之上，试图为解决其中大部分问题规划一条具体路径。

路线图

Reflective 路线图的第一阶段被称为“基础知识”阶段。这一阶段将开展更多计算机模拟和实验室实验，用来研究太阳地球工程可能对不同地区、生态系统以及自然现象产生的影响，包括海洋环流、冰盖和农作物产量等。

报告还提出，在这一阶段就需要开始开发更多观测工具，以进一步了解平流层目前的基准状态。只有掌握这些基础数据，未来真正向其中释放物质之后，研究人员才有能力准确判断究竟发生了哪些变化。第一阶段预计持续两到三年，耗资约 3000 万至 7500 万美元。不过，其中一部分分析和观测工作还会延续到后面的研究阶段。

下一阶段则会真正进入户外释放实验。按照路线图，研究人员将使用经过改装的飞机向平流层释放 10 吨二氧化硫，并在两个季节里重复四次。整个阶段预计需要四到八年，耗资 7000 万至 1.5 亿美元。报告认为，这些实验有望将太阳地球工程“降温效率”的不确定性降低约 25%。所谓降温效率，指的是每释放一吨硫，地球究竟能因此降温多少。

再往后的实验规模则会急剧扩大。研究人员计划在一个季节内向平流层释放 2.5 万吨二氧化硫，至少进行一次，最多可能进行两次。包括其他相关研究在内，这一阶段预计持续四到 11 年，耗资 2.7 亿至 11 亿美元。

按照路线图的估算，这些研究可以把降温效率的不确定性降低约 66%。最后一个阶段，则是在全球真的决定大规模部署太阳地球工程的前提下，对其进行持续监测。

研究人员将收集技术实际运行后的真实数据，用这些数据不断修正模型中对影响的估算，同时尽早识别任何“意外或不希望出现的后果”。格鲁纳说，现在发布的路线图只是“1.0 版本”。它首先要做到“足够具体，让大家有东西可以争论”。

Reflective 计划根据研究人员和其他观察者的反馈不断更新方案，并会在网站上开放相应渠道，邀请外界提出意见。她同时强调，在研究的后几个阶段之间，路线图设置了明确的“阶段闸门”。

也就是说，如果实验发现物质释放无法产生预期效果，出现令人担忧的副作用，或者始终无法消除关键的不确定性，那么研究就不应该继续进入下一阶段。“我们的路线图之所以设计这些关卡，就是因为研究走到某些节点时，答案完全有可能是：你应该停下来。”她说。

终止冲击

多数接受采访的研究人员都认同，这些研究确实有助于减少人们对太阳地球工程有效性以及技术可行性的疑问。但指出户外实验具有科学价值，并不意味着这类实验就会更容易真正实施。

此前已有多个太阳地球工程户外实验计划最终在反对声中夭折，包括哈佛大学的 SCoPEx 项目，以及英国的 SPICE 项目。反对者既包括环保人士，也包括政策制定者。此外，也并非所有人都相信，按照路线图设想的规模开展实验，最终就足以让人类做出所谓的“知情决策”。

美国大学研究教授、法律学者，同时也是“国际不使用协议”签署者的威尔·伯恩斯（Wil Burns）担心，在太阳地球工程真正全面部署之前，科学家可能根本无法了解其潜在负面影响究竟有多大。这些影响可能包括对保护地球的臭氧层造成破坏，以及改变不同地区的降水模式。

“这些研究当然会给你一些答案，”他说，“但我并不认为，它们给出的答案真的足够重要。要获得真正相关的答案，你就必须进行大规模部署。而我不认为这在任何情况下都是可以接受的。”

在伯恩斯看来，原因之一是，这项技术可能违背代际公平原则。如果全球继续排放温室气体，同时不断增加太阳地球工程的使用规模，这项技术实际上只是把地球持续升温的现实暂时“遮住”。这意味着，未来几代人即使从未参与过最初的决策，也很难选择停止使用它。因为一旦突然停止，之前被掩盖的升温可能迅速反弹，造成所谓的“终止冲击”（termination shock）。

“在我看来，这相当于在未来几代人的头顶悬上一把达摩克利斯之剑。”伯恩斯说，“所以，即使你能够所谓地‘证明它有效’，从代际公平的角度来看，我仍然不认为这是一种可以接受的方案。”不过，也有研究人员认为，“终止冲击”的风险未必像通常想象得那么高，而且太阳地球工程也可以随着时间推移逐步减弱，而不是突然停止。

正确的方法

英国先进研究与发明局（Advanced Research and Invention Agency，ARIA）前 CEO 伊兰·古尔（Ilan Gur）则对 Reflective 的路线图表示赞赏。ARIA 是英国的一家科研机构，去年资助了 21 个地球工程研究项目。

“无论你是科学家、政策制定者，还是一个单纯关心这件事的普通人，我们共同的目标都应该是，以最快、最高效的方式，用科学回答那些最重要的问题，从而判断这条路究竟可能走得通，还是根本不可能奏效。”他说。“我们都应该愿意投入精力和资金，把这些不确定性尽可能降下来。所以在我看来，Reflective 现在采取的方式百分之百是正确的。”

伦敦帝国理工学院可持续航空副教授塞巴斯蒂安·伊斯特姆（Sebastian Eastham）也持相似观点。他目前正在领导一个由 ARIA 资助的项目，研究另一种人为降温方案。伊斯特姆承认，Reflective 路线图中的户外实验不可能解决所有未知问题。

但他认为，在气候风险不断上升的背景下，这份路线图至少开启了一场必要的讨论：面对一种既可能带来收益，也可能带来严重风险的工具，我们究竟应该如何做决定？“人类历史上所有真正困难的决定，都是在不确定性尚未完全消除的情况下做出的。”他说，“现实本来就是这样。”

伊斯特姆进一步表示，要回答一些最关键的问题，如今已经有必要走出计算机模拟。在他看来，只要设计和执行得当，户外实验能够提供的信息，可能远远超过数百万小时的计算模拟。以至于完全拒绝任何形式的实验，本身反而可能变得“不负责任”。

“真正的风险是，我们不断重复运行同样的计算模拟，一遍又一遍，却始终在原地打转。”他说。如果一直如此，研究人员反而可能无法真正了解平流层气溶胶注入究竟有多有效，又可能有多危险。

权衡风险

格鲁纳表示，太阳地球工程可能进一步加剧全球不平等，这一风险必须认真考虑。但与此同时，如果全球变暖继续失控，发展中地区同样可能承受远高于其他地区的损失。她也承认，户外实验不可能彻底解决所有科学未知，但它们至少能回答很多重要问题，而且实验本身造成的环境风险很低。

她举例说，10 吨二氧化硫还不到全球航空业每天向大气排放二氧化硫总量的 2%。“有些人会对任何形式的户外实验讨论都感到不安。但如果我们希望未来的决策真正建立在可靠科学之上，那么有些问题就是必须通过实验才能回答。”格鲁纳说。

她真正担心的是，随着气候变化带来的威胁不断加剧，各国政府和其他行为主体最终会面临越来越大的压力，不得不考虑太阳地球工程。届时，即使此前没人真正完成那些降低科学不确定性、解决技术难题所必需的研究，相关行动也可能被迫启动。

“我们并不认为另一种可能是，大家最后干脆什么决定都不做。”她说。“我们认为，真正的另一种可能，是人们最终在恐慌中，或者在缺乏证据的情况下做出决定。”

原文链接：

https://www.technologyreview.com/2026/09/10/1143804/this-road-map-could-help-us-decide-whether-to-deploy-solar-geoengineering/

戴个帽子就能用意念操纵轮椅，瘫痪患者或将迎来最便携的脑机接口

DeepTech深科技 — Sat, 12 Sep 2026 11:32:14 GMT

近日，纽约一家非侵入式脑机接口初创公司 Synaptrix Labs 的创始人阿里安·戈维尔（Aryan Govil），在社交媒体上发布了一段产品测试视频：参与者头戴脑电帽，屏幕上的光标即可随着他的意念变换方位，成功击中目标色块。

不需要开颅手术、植入芯片，甚至不依赖眼动追踪，这款基于脑电图（EEG）电极的产品就能实现“意念操控”。

Synaptrix Labs 成立于 2023 年，全职员工不到 10 人。2025 年 10 月，公司刚刚完成由知名投资人马克·库班（Mark Cuban）领投的种子轮融资，预计规模在 800 万至 1,000 万美元之间。

（来源：Synaptrix）

创业前，阿里安在纽约大学朗格尼医学中心（NYU Langone）的临床研究实验室工作了五年。他曾近距离观察到神经损伤患者的日常，也了解侵入式脑机接口在成本、监管和可扩展性上的落地困境。

在一次和室友埃里克·姚（Eric Yao）的聊天中，两人说起自动驾驶的两条路线，一条是特斯拉为代表的纯软件计算，另一条则是 Waymo 的多传感器融合硬件路线。他们当即意识到，脑机接口领域也存在类似的分流：引入更精密的传感器、设计更激进的手术方案，或者承认现有信号的物理约束，把主要资源投向解码算法。

此前，埃里克主要研究时序预测和量化建模，这恰好可以用于将脑电信号组织为高维动态系统，Synaptrix 就此成立，埃里克担任首席技术官（CTO）。

Synaptrix 的核心观点是，EEG 信号中可提取的有用信息远比过去人们认为的更多，一直没被充分利用，并非因为电极不够好用，信号解码技术才是最大限制。为此，他们将打造一种“成本低于手机”的非侵入式脑机接口设备，可运行先进的深度学习模型，让大脑的信息变得易于解读。

非侵入式脑机接口还有脑磁图（MEG）、超声、功能性近红外光谱等多条技术路线，EEG 是其中响应速度最快、成本最低、临床应用时间最长的一种，更适配对便携性和低延迟有要求的场景，却一直因信号精度问题备受质疑。

阿里安在接受媒体采访时表示，EEG 虽然嘈杂，但依然承载着海量可用的皮层意图信号，一旦将它转化为高维动力学问题，用现代深度学习的方法求解，非侵入式系统的能力上限将会显著提升。

据 2025 年的报道，Synaptrix 的产品结构分为三层。Atlas 平台采用高密度神经传感和轻量化无线架构，保障在用户自然活动时，采集信号的稳定性维持在临床级别；2024 年发布的 Neuralis 头戴设备配有干电极传感器和端侧 AI 信号处理模块；在解码端，NeuroDiffusion 软件可在低延迟下将原始脑电信号转化为可执行的控制指令，同时具备自适应学习能力。

Synaptrix 还与瑞士脑电硬件厂商 IDUN Technologies 建立授权合作，将 NeuroDiffusion 的伪影去除模块集成至 IDUN 的研发用头戴设备中。

近日，公司进一步建立名为“皮层”（Cortex）的神经数据引擎，这是一个整合过去数十年公开电生理数据集和设备实时信号的多模态“脑数据湖”，用于训练大规模神经表征模型。

Synaptrix 计划进入的首个应用场景是轮椅控制，并在美国临床试验数据库注册了一项早期可行性研究，评估 Neuralis 在四肢瘫痪、脊髓损伤、渐冻症（ALS）和脑瘫等严重运动障碍患者中控制电动轮椅的安全性和可行性；同期，公司正与哥伦比亚大学（Columbia University）合作推进真实场景下的临床试验，还向 FDA 提交了正式的预提交（Pre-Submission）文件，为后续 De Novo 申请路径做准备。

与其他脑机接口公司相比，Synaptrix 的目标看上去更务实。原因或许在于，非侵入式 EEG 的信噪比在客观层面不及植入式电极，实现高精度光标控制或高速打字较为困难。而轮椅导航本质上是一系列由方向、速度和制动等操作组成的离散指令问题，对信号精度的要求相对更低。

图 | 志愿者用 Synaptrix 的系统操纵轮椅（来源：Synaptrix）

这一市场需求目前也处于扩张阶段。麻省总医院（Mass General）的脑机接口临床研究者利·霍克伯格（Leigh Hochberg）曾表示，脑瘫患者家庭对脑机接口的兴趣正在迅速增长，而仅在美国就有大约 75 万名脑瘫患者。

以脑瘫为例，多数患者从幼儿阶段就表现出症状，严重影响日常生活。如果选择侵入式脑机接口，儿童接受开颅植入手术的临床风险与收益究竟该如何权衡？这个问题为侵入式脑机接口的临床应用带来了巨大阻力。而即便技术成熟，绝大多数家长也很难接受在孩子头骨上留下一个个可能伴随终身的孔洞。

同时，轮椅场景也有明确可复用的监管路径，以及相对清晰的付费方结构，保险、医疗系统和辅助技术采购渠道都更为成熟。

事实上，非侵入式和侵入式脑机接口的市场覆盖正在发生分化。Neuralink、Synchron、BrainGate 等系统的核心用户画像是完全瘫痪、愿意承受手术风险、需要神经元级别精度以实现打字或精细操作的重症患者。用户数量有限，但单个用户的临床价值极高。

非侵入式脑机接口则向更宽松的辅助技术领域靠拢：它够用、安全、价格可负担、且不需要手术。这是一个规模约 200 亿美元且依然在快速增长的年度市场，而其中有关“读取意图、控制外部设备”的产品长期供给不足。

这条赛道上，不同玩家开发出形态各异的交互产品。AXION 推出的 Click 是一款结合 EEG 和眼动追踪的头带，可以用于控制 iPad 光标；Cognixion 将自研 Nucleus 生物传感器与苹果 Vision Pro 相结合，已获得 FDA 突破性设备认定。一些不走寻常路的公司直接选择用身体其他器官操控设备，如 Augmental 近日推出的舌控接口 MouthPad。

Synaptrix 的前路依然充满不确定性。一方面，EEG 信号极易受到颅骨衰减和空间模糊化的影响，物理层面的信息上限客观存在，而且，深度学习对信号失真的弥合程度、多用户间的泛化能力、长期使用的信号稳定性，都需要更多研究和真实数据进行验证。

在最新发布的演示帖子中，阿里安回复网友疑问时表示，产品已经为完全瘫痪的患者提供了服务。未来，Synaptrix 或许可以让瘫痪患者用意念自如地操控轮椅，在某个晴朗的下午出门晒晒太阳。

参考链接：

https://www.synaptrix-labs.com/technology

https://www.forbes.com/sites/naveenrao/2025/10/24/noise-to-signal-cuban-backs-synaptrix-labs-non-invasive-bci-platform/

https://x.com/SynaptrixAI/status/2097301428003848378

https://x.com/SynaptrixAI/status/2032049463498330289

免责声明：本文旨在传递生命科学和医疗健康产业最新讯息，不代表平台立场，不构成任何投资意见和建议，以官方/公司公告为准。本文也不是治疗方案推荐，如需获得治疗方案指导，请前往正规医院就诊。

运营/排版：何晨龙

注：封面由 AI 辅助生成

一只赛博果蝇被全网玩出花，能打游戏、下棋，还能炒比特币

张锦怡 — Sat, 12 Sep 2026 11:27:19 GMT

过去一周，果蝇突然成了程序员手里最忙的动物之一。

有人把它塞进《毁灭战士》和《超级马里奥》的游戏里，让一套来自真实果蝇的神经网络控制角色移动、转向和开火；也有开发者做了一只会下国际象棋的“果蝇”，并开放网页让网友直接和它对弈。

图｜果蝇在毁灭战士里开火（来源：X）

还有一些开发者开始训练果蝇如何“停车”：神经模型控制一只模拟果蝇的腿，再由腿去转动 CARLA 仿真环境里的方向盘。

(来源：X）

还有一只果蝇，甚至在模拟世界里拧起了魔方...

（来源：X）

除此之外，更有开发者还让果蝇玩起了《节奏光剑》《我的世界》，根据不同音调摆出 Y、M、C、A 四种姿势，观看动画时记录整套神经网络的活动，甚至把它丢进各种模拟环境里，观察它在受到外部刺激后会怎么逃跑和做出选择。

这些项目的玩法可以说千奇百怪，但底层思路基本一致：开发者拿一张真实果蝇的神经连接图，给它补上一套简化的神经活动规则，再把游戏画面、行情变化等外部信息变成对神经元的刺激，最后读取网络的输出，转换成转向、开火、下棋、拧魔方等动作。

让一只赛博果蝇，拿 100 美元去炒币

这波“电子果蝇”里，最离谱的项目之一叫 Stonkfly。

开发者 Alex Wormuth 给这只果蝇安排了一份新工作：盯着 Coinbase 的比特币行情，自己决定买入、卖出还是继续持有。值得一提的是，他也是那只在《毁灭战士》游戏里开火果蝇的作者。

（来源：X）

不过，这只果蝇看到的其实并不是价格数字。Stonkfly 会先把实时行情画成一张价格图，再把图像转换成对果蝇视觉神经元的刺激。信号进入约 16.67 万个神经元组成的网络后，程序再从一组与运动有关的下行神经元中读取活动，把结果解释成“买入、卖出或持有”。

开发者还人为加入了一套简单的反馈机制，赚钱时刺激一组多巴胺神经元，亏钱时刺激另一组神经元，再允许部分神经连接随结果发生调整。可以粗略理解成，交易赚钱就给它一个“奖励信号”，亏钱则给另一个反馈，看看网络之后会不会改变决策。

Wormuth 还做了一个公开网页，可以实时查看这只果蝇的持仓、交易记录、神经活动和账户盈亏。

（来源：Stonkfly）

至少目前，它还没有表现出什么投资天赋。最新界面中，账户以 100 美元虚拟资金起步，完成 12 笔交易后剩下 99.81 美元，亏了 0.19 美元。

而且这里的“炒币”和“学习”都要打上引号。Stonkfly 默认使用模拟资金，所谓赚钱刺激多巴胺，也只是开发者人为规定的反馈规则。它确实会根据行情产生不同的神经活动，并据此做出交易动作，但这还不能说明一只果蝇真正理解了价格、利润或者投资。

更准确地说，Stonkfly 是把真实果蝇的神经线路接进金融市场，看看这样一套生物网络在持续输入和反馈下，会产生什么样的行为。最近爆火的这些“电子果蝇”，基本也都是这个逻辑：换一个环境，重新定义输入和输出，再看这套神经网络会做出什么反应。

但为什么偏偏是最近，一下子冒出了这么多果蝇项目？

为什么突然冒出这么多“电子果蝇”？

这波热潮最直接的起点，是一套最近正式发表的雄性果蝇完整中枢神经系统连接组 MaleCNS v1.0。

（来源：X）

它由 HHMI Janelia、剑桥大学 MRC LMB、Google Research 等团队合作完成，覆盖果蝇的大脑、视叶和腹神经索，包含约 16.67 万个神经元和约 1.25 亿个突触连接。9 月 3 日，相关研究正式发表在《Cell》。

严格来说，这套数据并不是 9 月才出现。MaleCNS v1.0 在 6 月就已经开放下载，但随着论文正式发表，它才迅速进入更多开发者的视野。

关键在于，这次开放的并不只是一张果蝇大脑的三维地图。神经元类型、神经递质预测、突触位置和连接关系等信息已经被整理成机器可读的数据，开发者既可以直接下载，也可以通过 neuPrint 用程序查询。

这相当于把过去主要供神经科学家阅读的一张“脑图”，变成了一套程序可以直接加载的网络结构。

而且，相比 2024 年 FlyWire 公布的成年雌性果蝇脑连接组，MaleCNS 还把腹神经索纳入了重建。腹神经索在功能上可以粗略类比脊髓，其中包含大量与运动相关的神经元。这样一来，从视觉等感觉输入，到中枢处理，再到下行运动控制，可以在同一套连接组中串起来。

对于想让果蝇“动起来”的开发者来说，这一点尤其重要：他们不仅知道信息应该从哪些神经元送进去，也更容易找到哪些神经活动可以被读取出来，映射成移动、转向或者其他动作。

但只有线路图，仍然不够。连接组主要告诉我们“谁和谁连接”，并没有告诉计算机每一个神经元在现实中究竟应该怎样活动。要让这张静态线路真正运行起来，还需要人为补上一套神经动力学规则。

这一步同样已经有人做了大量铺垫。2024 年，一项发表在《Nature》的研究就曾根据果蝇连接组和神经递质信息，将整个网络转化成可以运行的漏电积分-发放神经模型，用它模拟和预测果蝇进食、梳理等行为相关的神经活动。

此外，随着近期模型能力的大幅提升，把这些现成组件重新拼起来的成本也突然降低了。

比如让果蝇玩《超级马里奥 64》的开发者 Jessica Paquette 就在 GitHub 上写道，整个项目“100% vibe coded with GPT Astra”。简单说，她并不是从头研究怎么模拟果蝇大脑，而是借助 GPT Astra，把已有的连接组数据、神经模拟代码和游戏接口接到了一起。

最后形成的系统其实很简单，游戏画面刺激果蝇的视觉神经元，神经信号在网络里传播，再把部分输出神经元的活动翻译成 Mario 的移动、转向和跳跃。这也是为什么后面的玩法扩散得如此快的原因。

当然，现在的“电子果蝇”距离真正的数字果蝇仍然很远。

MaleCNS 主要记录神经元之间的连接关系，并没有完整保存每个神经元真实的膜电位、离子通道、突触动力学、神经调质、激素和记忆状态。许多项目只能用统一或简化的参数补上这些空缺；输入怎样映射到感觉神经元、哪些神经元应该对应什么游戏动作，也包含大量人工设计。

因此，现在这些项目更准确的描述，仍然是真实果蝇的神经线路，加上一套近似的神经活动规则，再被接进一个人为设计的虚拟世界。

真正有意思的变化可能还在另一层。过去，连接组首先是一种供科学家研究的实验数据；现在，它正在变成普通开发者可以下载、运行、修改和 remix 的计算对象。

参考链接：

1.https://github.com/nftechie/stonkfly

2.https://stonkfly-three.vercel.app/

3.https://github.com/nftechie/doomfly

4.https://male-cns.janelia.org/

5.https://www.janelia.org/project-team/flyem/male-cns-connectome

陶哲轩、邓煜等25位菲尔兹奖得主联合警告：AI公司正在把数学变成一场速度竞赛

张锦怡 — Sat, 12 Sep 2026 02:48:29 GMT

今天，陶哲轩、邓煜等 25 位菲尔兹奖得主共同发布了一份题为《数学领域中人工智能的严重失衡》（A Severe Misalignment of AI in Mathematics）的联合声明。

（来源：Mathstodon）

签名者横跨近半个世纪的菲尔兹奖得主名单，包括皮埃尔·德利涅、彼得·舒尔茨、塞德里克·维拉尼、玛丽娜·维亚佐夫斯卡等。声明还上线了独立网站，并继续开放联署。

公开信的主要内容并不是反对 AI 进入数学研究。25 位数学家真正质疑的是另一件事：当 AI 公司开始把攻克著名数学难题当成衡量模型能力的 Benchmark，数学共同体真正关心的“理解”，是否正在被“解出多少题”这个更容易被量化的目标取代。

图｜25 位菲尔兹奖得主联名名单（来源：Math and AI）

声明开篇就指出，AI 公司的目标与数学共同体的目标正在出现“严重失衡”。

过去几个月，大语言模型在高阶数学上的进展明显加速。今年 5 月，OpenAI 的内部模型给出了 Erdős 单位距离猜想的反例；8 月，OpenAI 又一次性公布了数学与理论计算机科学中的十项成果，称这些结果解决或显著推进了一批长期开放问题。

前几日，OpenAI 公布了在 Navier–Stokes 方程上的新进展，更让外界再次关注到 AI 数学能力的快速变化。

9 月 8 日，OpenAI 宣布，一个尚未公开的内部模型给出了 Navier–Stokes 存在性与光滑性问题的一种解答。为了寻找证明，OpenAI 动用了约 1 万个并行智能体，持续运行约 88 小时。仅这一问题上，智能体之间就交换了 270 万条消息，产生约 1300 亿输出 token；之后又使用 GPT-6 Astra 花费约 17 小时完成 Lean 形式化验证。目前，结果还需要经历数学界进一步的审查。

（来源：X）

Navier–Stokes 问题是克雷数学研究所在 2000 年提出的七个“千禧年大奖难题”之一，每一道题悬赏 100 万美元。二十多年来，唯一被克雷数学研究所正式列为已解决的，仍然只有格里戈里·佩雷尔曼证明的庞加莱猜想。

而 OpenAI 显然没有停下来的意思。9 月 10 日，其又向《纽约时报》表示，在完成 Navier–Stokes 的工作后，它已经在“另一个千禧年难题”上取得了“重大进展”，目前正在考虑如何更审慎地公开结果。OpenAI 没有说明究竟是哪一道。近期社交媒体上有不少传言指向霍奇猜想，但截至目前，还没有官方信息足以确认这一点。

这似乎可以解释 25 位菲尔兹奖得主为什么选择在此时发声。在他们看来，著名数学难题从来不只是等待被勾掉的任务清单，而是数学版图中的“地标”和“灯塔”。

过去，一个重大问题被解决，通常意味着研究者找到了新的方法和视角。此后，数学共同体还会花上多年甚至更长时间，通过报告、讨论、简化和教学，把一个高度专业的证明逐渐变成其他数学家能够理解和使用的知识。

答案不是终点，真正重要的是答案如何进入已有的知识体系，并继续生成新的问题、方法和人才。而 AI 最擅长的，却是把这个漫长过程压缩成最后一步。

声明中最核心的判断也是如此。数学家们认为，AI 公司正在把“解决问题”的数量和速度作为 Agent “概念理解和洞见”的能力指标。而如果把指标本身变成目标，工具就可能反过来伤害目标。模型可以用越来越高的速度批量生成命题、证明和反例，但这种速度并不会自动产生理解。

数学家们还担心的一个问题是现有的研究流程被打乱。AI 生成的结果如果被迅速公开，往往没有足够时间整理成严谨的论文，也没有时间从庞杂推理中提炼真正新的方法，更容易在归属、引用和前人工作的承认上产生争议。最近围绕 OpenAI 和人类数学家关于 Navier–Stokes 方程结果出现的优先权和数据争议，正好具象化了这个问题。

更深的一层则是人才培养。数学训练的意义，并不只是让学生最终算出一个答案。一个研究者学习如何提出问题、试错、建立直觉、判断一条路线为什么失败，这些过程本身构成了研究能力。

如果 AI 直接给出终点，而人类只负责核验，那么原本依附在“解题”过程中的训练、讨论和代际传承，都可能被削弱。声明进一步把这种担忧延伸到所有智力劳动：长期训练不仅为了生产最终结果，也是为了培养理解力，以及提出新问题和新思想的能力。

这也是陶哲轩此前反复强调的一点。陶哲轩本人并不是 AI 数学的反对者。相反，他一直在积极尝试大模型、形式化证明等工具。他也会在视频网站上积极分享如何使用 AI 进行数学研究的过程。

（来源：YouTube）

但在谈到 AI 对科研方式的影响时，陶哲轩曾用过一个“瀑布和直升机”的比喻：传统研究像徒步去寻找一处瀑布，人会走错路、认识地形、发现岔路，甚至在途中看到另一处值得探索的景观；AI 则更像一架直升机，可以直接把研究者送到瀑布前。虽然过程效率提高了，但沿途形成的那张“地图”不会因此自动出现。

声明使用一个形象贴切的词“misalignment”（失衡）来描述这种落差。AI 公司更容易用一道著名难题是否被攻克来展示模型能力，数学界关心的则是这些结果能否被验证、理解、吸收，并进一步转化成新的方法和问题。双方衡量“进步”的尺度，已经开始出现偏差。

这种压力已经传导到了年轻数学家们的身上。今年的菲尔兹奖得主邓煜本周就在社交媒体上开玩笑说：“如果 AI 能解决所有数学问题，我就回家写小说。”他随后向媒体解释，这只是一句玩笑，并不认为 AI 目前已经能够解决所有数学问题。不过他也提到，AI 的快速发展确实给数学界带来了一种焦躁和紧迫感，未来一两年之后，整个领域或许会逐渐找到新的适应方式。

25 位菲尔兹奖得主也在声明结尾表示同样的观点，AI 有潜力加快真正的数学研究，数学家这一职业也需要随之调整。

但在调整和适应之外，笔者认为更值得继续讨论的是“速度差”的问题。

过去，一项重要数学成果从出现，到被同行验证、讨论、吸收，再进入教材，可能需要几年甚至几十年。现在，模型能力按照算力、数据和工程周期快速迭代，一项结果刚刚发布，下一项突破已经接踵而至。技术进步的时间尺度正在不断缩短，但人的寿命、注意力、学习速度和教育周期并不会随之加速。

这种差距带来的压力，已经超出了“AI 会不会取代某个职业”的讨论。一个研究者可能刚刚建立起对上一轮技术变化的认识，很快又需要重新调整自己的方法、知识结构和判断标准。人的时间越来越多地被用于适应技术，而不是决定技术应该被用来做什么。

人类当然期待更强的 AI 帮助科学家处理过去难以解决的问题，缩短探索周期，打开新的研究空间，这无可厚非。但技术的发展不能只以能力增长本身作为尺度。机器可以不断刷新能力上限，人类社会却仍然需要时间来验证结果、调整教育、重建规则，也需要时间判断哪些能力真正值得使用。

从最基本的目的出发，技术最终仍应服务于人的发展。它可以替人完成更多工作，但不应让人长期处于被动追赶的状态；它可以压缩获得结果的时间，却不能因此挤掉人理解世界、形成判断和提出问题的空间。

数学只是较早遇到这种矛盾的领域。随着 AI 进入科学研究、编程、写作和更多知识工作，同样的问题还会反复出现。

参考链接：

1.https://mathandai.org/

2.https://terrytao.wordpress.com/2026/09/11/a-severe-misalignment-of-ai-in-mathematics/

3.https://openai.com/index/ten-advances-in-mathematics/

4.https://openai.com/index/navier-stokes-solution/

5.https://www.claymath.org/millennium-problems/

波士顿动力前高管创业，要打造一个“机器人版迪士尼”

张锦怡 — Fri, 11 Sep 2026 13:13:38 GMT

过去几年，人形机器人创业公司的主要目标大多是工厂、仓库和家庭劳动。而近期正式走出隐身的一家初创公司，却把第一站选在了主题乐园。

这家公司叫做 Dynamic Creatures，由波士顿动力（Boston Dynamics）前首席战略官 Marc Theermann 与机器人研究人员 Farbod Farshidian 创立，目前也是波士顿动力在娱乐和酒店场景的官方合作伙伴。公司宣称希望利用成熟的机器人平台和人工智能系统，把电影、电视和游戏中的虚拟角色变成能够在现实世界中行走、表达并与人实时互动的实体机器人。

某种程度上说，Dynamic Creatures 想打造的是一套“机器人版迪士尼”的生产工具。客户提供角色和故事，它负责解决角色怎样站起来、走进人群，以及怎样维持自己的性格。

图 | 公司创始人 Marc Theermann(左)和 Farbod Farshidian(右) (来源：Dynamic Creatures)

波士顿动力出来的人，开始研究机器人怎么“演戏”

Dynamic Creatures 的 CEO Marc Theermann 在波士顿动力工作了近六年，此前也曾在 Google 任职。在波士顿动力期间，他负责战略和商业化，经历了 Spot 等产品从实验室技术走向商业市场的过程。

机器人进入娱乐行业的想法，也部分来自那段经历。

波士顿动力的机器人已经是经常出镜的“老演员”了。Spot 跳过舞，Atlas 做过后空翻，它们还出现在演唱会、电视节目和体育活动里。Theermann 回忆，当时经常有人联系波士顿动力，希望机器人能参加现场活动、体育比赛或者中场表演。工业客户关注效率、负载和可靠性，这些娱乐客户首先在意的则是机器人能不能吸引观众。

图｜波士顿动力 Atlas、Spot 与 Handle 三款机器人跳舞。（来源：Boston Dynamics）

另一位创始人 Farbod Farshidian 的背景则偏向技术。他曾在 Robotics and AI Institute 领导研究团队，研究学习型控制、四足机器人高速运动以及人形机器人的敏捷行为，也参与过波士顿动力 Atlas 的相关研发。

目前，公司唯一公开展示的机器人叫 Danielle。它看起来是一只紫色贵宾犬，可以活动嘴巴、眼睑和四肢；扒开毛绒外壳，底层实际上是一台波士顿动力 Spot。

图｜Marc Theermann 和 Daniell（来源：Dynamic Creatures）

另一个原型 Hugo，则是一个来自阿尔卑斯山区设定的巨魔角色，外形有点像雪人。这两个角色暂时更接近技术样机，公司未来更主要的业务，是根据影视公司、主题乐园和品牌已有的 IP 制作角色。

这种产品面临的问题和普通服务机器人有所不同。对于仓储机器人来说，从 A 点稳定走到 B 点就足够了；角色机器人还要考虑“怎么走”。一个笨拙的怪物、胆小的动物和精力旺盛的卡通角色，即便执行同一个转身动作，也应该呈现出不同的节奏和姿态。

Dynamic Creatures 因此引入了动画制作和动作捕捉工具。动画师可以先设计角色运动，再利用强化学习把这些动作转化成机器人的控制策略。团队还聘请木偶师参与设计，研究眼神、停顿、姿态等细节。

AI 在这里解决的是一个过去更多由动画师和表演者处理的问题：怎样让机器的动作看起来符合一个角色。

公司整套系统都建立在一个底层平台 SnowJay 上，这个平台将运动控制、实时感知、行为程序和角色设计结合起来。除了在 Spot 等现有硬件上进行改造，Dynamic Creatures 也计划根据具体角色从机械结构开始定制机器人。前一种方法开发速度更快，公司称基于成熟平台的项目可以在数月内完成。

（来源：Dynamic Creatures）

不过，这些机器人短期内不会完全依靠 AI 自己在人群中行动。早期项目仍会保留人工操作和监督。机器人可以承担一部分行走、动作和互动，复杂情况由后台人员介入，再随着实际部署积累数据，逐渐提高自主程度。

对于一个要在人群、儿童和复杂环境中运行的机器人来说，这种做法也更现实。实验室里的机器人摔倒一次可能只是测试失败，在主题乐园里撞到游客就是另一回事了。

已经有主题乐园在试，但名字还没公布

现阶段，Dynamic Creatures 给出的目标市场相当宽。主题公园、酒店、度假村、赌场、博物馆、邮轮和现场演出都在其中，未来他们还考虑进入豪华零售和汽车品牌体验中心。

但其中最值得关注的仍然是主题乐园。官方披露显示，目前已经有一家“大型主题乐园”与 Dynamic Creatures 合作开发面向游客的角色体验，但双方没有公布名称。因此，现在还不能把迪士尼、环球影城等具体乐园写成它的客户。

事实上，迪士尼自己也在做非常接近的事情。

近几年，Walt Disney Imagineering 持续开发能够自由行走的机器人角色。最早出现的是《星球大战》中的 BDX Droids，它们可以在园区中移动并和游客互动。2026 年，迪士尼又把《冰雪奇缘》中的 Olaf 做成了能够自主行走的实体机器人，并让它进入巴黎迪士尼的 World of Frozen。

图｜BDX Droids（来源：The Walt Disney Company）

Olaf 的技术路线和 Dynamic Creatures 有一些相似之处。动画师先提供希望角色表现出的动作，机器人随后在物理仿真环境中通过强化学习掌握如何保持平衡，并尽量还原动画角色的步态。它可以活动眼睛、嘴巴、胡萝卜鼻子和手臂，也能说话和参与互动。

这给 Dynamic Creatures 提供了一些借鉴。迪士尼拥有自己的 Imagineering 部门，也有几十年的 Animatronics 技术积累，可以自己研发机器人角色；大部分影视公司、主题乐园、酒店和品牌没有这样的研发体系。如果移动机器人继续成熟，把虚拟角色搬进现实世界就可能逐渐成为一项可以采购的技术服务。

图｜迪士尼经典角色 Olaf 机器人（来源：Walt Disney Company）

Dynamic Creatures 想占据的，大致就是这个位置。它不会自己拥有米老鼠、Olaf 或《星球大战》这样的超级 IP，而是更接近一家技术供应商：拥有 IP 的公司提出角色需求，它把机械结构、机器人平台、动画、AI 和现场运营组合起来。

这家公司选择娱乐行业，还有一个更现实的商业原因。当前高级机器人普遍价格不低。如果把一台几十万美元的机器人放进工厂，客户很容易提出一个问题：它到底能替代几个工人，多长时间能够回本？

主题乐园对机器人的价值计算方式就不一样了。一个角色不会因为比真人演员效率高三倍，就自动成为更好的产品。游客愿不愿意停下来和它互动、拍照和分享，角色能否提供过去的固定动画机械无法完成的体验，都会进入这笔账。

因此，娱乐行业可能容忍机器人在成本还比较高、能力还没有完全成熟的时候率先进入商业场景。投资 Dynamic Creatures 的 Heliad 将主题乐园、酒店大堂和娱乐场所视为消费级机器人进入家庭之前的一种测试环境：运营方承担设备、安全和维护责任，大量游客则不断产生真实的人机互动。

这个判断有一定吸引力，但距离商业验证也还有不少问题。

首先是安全。工业机器人通常可以与人隔离运行，角色机器人却需要主动靠近游客，甚至被触摸和拥抱。在儿童密集的主题乐园里，游客的行为又很难预测。感知系统能不能及时发现突然冲过来的孩子，机器人摔倒时如何避免伤人，毛绒外壳是否会影响散热和传感器工作，都可能直接影响部署。

其次是可靠性。主题乐园需要设备每天长时间工作，户外还有高温、雨水和高湿环境。如果一只机器人每隔几个小时就需要工程师维护，再吸引人的角色也很难规模化。

还有一个更难量化的问题：新鲜感能维持多久。如果是游客第一次遇到一只会说话、会走路的机器人，他们很容易停下来拍照；但半年以后，同一个角色还能不能提供更丰富有趣的互动，才是让人感兴趣的重点。

Dynamic Creatures 目前给出的答案是增加感知、记忆和行为变化，让角色随着游客和环境调整反应。这套方法能否让机器人长期保持吸引力，还需要等第一批项目进入真实乐园之后观察。

参考链接：

1.https://www.dynamiccreatures.com/news

2.https://www.dynamiccreatures.com/

3.https://bostondynamics.com/news/dynamic-creatures-launches-mobile-interactive-character-robots-for-hospitality-and-entertainment/

4.https://www.fortune.com/2026/09/08/boston-dynamics-spinout-building-robots-youll-actually-want-to-hug/

5.https://kindredventures.com/announcement/dynamic-creatures-character-robots/

6.https://in.marketscreener.com/news/heliad-why-we-invested-in-dynamic-creatures-ce785bd9da8ff727

运营/排版：何晨龙

注：封面由 AI 辅助生成