阅读研究雷达投资体系
登录 / 注册
全部阅读技术产品投资二级市场其他

阅读

2026-11-1392 篇

刷新

vLLM-Omni称MiniMax H3-Image在英伟达Vera Rubin上实现亚秒级4K生成

实质变化
2026-11-12

开源推理引擎vLLM-Omni团队于2026年11月12日发布技术博客,宣布对AI公司MiniMax新发布的开放权重图像模型H3-Image提供“Day-0”支持,并在英伟达(NVIDIA)下一代Vera Rubin架构GPU上进行了详细基准测试。据该博客自报数据,在四块GB300 GPU组成的系统上,使用短提示词服务基准测试时,原生4096×4096分辨率图像的生成中位延迟达到0.87秒。

除了低延迟,vLLM-Omni还展示了高吞吐量配置:通过四个单GPU副本并行处理,系统每小时可生成6,115张图像。这一性能得益于多项优化技术,包括MXFP8量化以加速DiT线性层、Ulysses序列并行(SP4)以及结合CUDA Graph和流式处理的VAE解码优化。例如,在四块GB300 GPU上,VAE解码时间从2.635秒降至0.213秒,使端到端延迟从约4.0秒降至1.6秒。

基于MiniMax官方标准4K API定价示例(每张图像0.06879美元),vLLM-Omni计算了潜在的经济效益。在全额计费利用率下,峰值吞吐量预计可带来每GPU小时105.16美元的毛收入;若利用率为75%,则约为78.87美元。需要注意的是,这些估算未扣除运营成本,且日产能是基于测量速率的外推值。

该支持不仅限于英伟达数据中心GPU,还扩展至消费级GPU(如RTX 5090/5080,通过CPU分层卸载实现单卡部署)以及其他硬件平台,包括AMD Instinct、Intel Arc Pro、华为昇腾NPU和摩尔线程MTT S5000。然而,所有性能数据均为厂商自测结果,未经独立第三方复现,且经济预测依赖于假设的销售价格和理想化的利用率条件。

信息源:vllm.ai

研究

亚马逊云科技:为什么标价更贵的模型反而让智能体任务便宜65%

实质变化
2026-11-13 02:43

智能体工作流中,模型选择的经济直觉经常是错的。一个标价每百万token 0.5美元的模型,和一个标价1美元的模型,看起来前者便宜一半。但如果前者的分词器把同一段750词的邮件切成1500个token而非1000个,输出时填充450个token的废话而非150个,并且因为误读工具架构需要额外两轮纠错(每轮都重发越来越长的上下文),最终这个任务花了0.0042美元——而那个标价贵一倍的模型一次就完成,只花了0.00145美元。这是亚马逊云科技在2026年11月发布的方法论文章给出的示例,它不是实测结果,而是用来说明一个结构性问题:公开定价反映的是单个token的价格,你的账单反映的是完成一个任务的价格。

文章将这种差异归结为四个隐藏成本驱动因素。第一是分词器效率:不同模型家族使用不同的词表和分词规则,同一段文本、代码或JSON负载在不同模型中拆成不同数量的token。结构化数据和数字数组尤其容易在便宜模型上膨胀,非拉丁文字脚本的差距更大,可能达到英文的两到三倍。第二是输出对齐和冗长度:输出token的单价通常是输入token的三到五倍,一个不遵守只返回原始JSON格式约束的模型,让你为填充词支付这个溢价。第三是智能体循环效率:工具调用要求多轮对话——分析提示、决定调用工具、等待观察结果、生成答案——每一轮都把完整对话历史和工具结果作为输入重新发送。一个需要四轮纠错的模型,其累计输入量远超一次完成的模型。第四是推理开销:支持扩展思维的模型在可见答案之前先生成思维链,这些推理token按输出token计费。一个思考2000个token再给出200个token答案的模型,实际计费2200个输出token。

文章给出了两个公式来处理失败成本。对于重试直到成功的工作流,每个成功任务的成本等于每次尝试的成本除以成功率。对于失败即升级的工作流,每个成功任务的成本等于每次尝试的成本加上(1减成功率)乘以升级成本。当提示缓存启用时,输入还进一步分为三个计价桶:未缓存输入按基础费率、缓存读取低于基础费率、缓存写入高于基础费率。这意味着模型响应中的inputTokens字段在缓存启用时只计未缓存部分,真实输入量需要把inputTokens、cacheReadInputTokens和cacheWriteInputTokens三者相加。

在证明智能体优于人工方面,文章强调一个常被跳过的步骤:在智能体上线之前测量人工基线。回溯性基线系统性地偏袒智能体,因为人们记住平均情况而忘记快速情况。基线指标包括完成时间、排队时间、主动工作量、重新打开率、升级率、每任务成本和结果质量。有了基线之后,每一次智能体运行都应作为实验记录,包含trace ID、实验变体、延迟、重试次数、工具调用数、人工审批数、人工花费分钟数和成本估算。文章特别指出humanMinutes是多数团队遗漏但最需要的字段——没有它,智能体完成了工作这句话悄悄排除了人类花35分钟审查它的时间。

最终决策依赖一个五维记分卡:采用率、质量、效率、成本和业务影响,每个维度有绿黄红阈值。绿色意味着扩大部署,黄色意味着调优,红色意味着退役或重新设计。文章认为,真正愿意退役一个红色智能体的意愿,是让整个记分卡可信的前提。

这套方法的适用边界需要明确。文中所有数字仅为示例——作者反复要求读者用Amazon Bedrock model evaluation对自己的数据做基准测试,用CountTokens API在生成之前比较分词器效率,从模型调用日志中累积真实token计数。四个隐藏驱动因素的权重因具体工作负载差异极大:一个纯单轮提取任务可能只受分词器和输出长度影响,而一个复杂规划智能体可能主要受循环次数决定。记分卡阈值被明确标注为 starting points, not prescriptions,需要按自己的车队数据和组织语境校准。

信息源:Amazon Web Services

研究

韩国Naver云高管称开发安全专用AI模型以应对出口管制,投入4000块B200 GPU

实质变化
2026-11-12 17:06

韩国云服务提供商Naver Cloud(네이버클라우드)的高级执行总监Kim Jin-hwi(김진휘)于11月12日在首尔举行的金融信息安全会议FISCON 2026上发表特别演讲,透露该公司正在开发一款名为“HyperCLOVA X-Cyber”的安全专用人工智能基础模型。这一举措旨在通过建立自主可控的AI能力,降低对海外前沿大模型的依赖,从而应对潜在的地缘政治风险和供应链中断。

Kim Jin-hwi指出,随着利用AI进行的网络攻击速度加快,传统的防御手段已难以确保网络安全,他将当前的威胁形势比喻为“网络大流行”。他特别提到,由于美国的出口管制,Naver曾暂时无法使用Anthropic公司的Claude模型,这促使公司意识到必须拥有自己的安全专用模型,以防止外部服务不可用时导致安全策略瘫痪。

为了实现这一目标,Naver Cloud展示了巨大的资源投入。据Kim Jin-hwi介绍,除了政府项目提供的256块GPU外,公司已预先投入了自有的4000块NVIDIA B200 GPU用于模型的预训练。他将这一算力规模估算为约2000亿韩元(约合1.4亿美元),并强调仅靠政府资源不足以完成既定目标,因此向管理层申请了额外的内部资源支持。

在技术路径上,该模型不仅关注漏洞发现,还致力于构建“Purple Loop”攻防闭环体系,即通过模拟攻击来验证防御机制的有效性,并将结果反馈至检测流程中。目前,Naver Cloud正与韩国金融安全院等机构合作,计划在封闭网络环境中部署该模型,以满足金融和公共部门对数据主权和安全性的严格要求。

信息源:바이라인네트워크

研究

AI营销公司Nectar推出Creator Agent,自动化网红发现与外联

快讯
2026-11-13 03:11

AI营销操作系统公司Nectar于周四宣布推出名为“Creator Agent”的新人工智能代理,旨在自动化网红营销中的手动工作,包括寻找合适的创作者、联系他们、管理合作伙伴关系以及跟踪结果。

据TechCrunch报道,该代理可以搜索超过3亿个创作者档案,分析视频内容以了解创作者发布的内容及其与品牌的契合度,并通过上下文审查而非简单的关键词搜索来检查品牌安全性。一旦找到潜在匹配项,代理可以用品牌的声音起草并发送消息,创建自定义落地页收集创作者信息,并协助管理合同、产品赠送和运输细节。

Nectar首席执行官Misbah Uraizee表示,品牌可以以任何格式分享声音指南,Nectar会从历史记录中获取其余信息,并有一套专有护栏确保每份草稿在语气和上下文中保持一致。

此次发布正值更多品牌转向创作者以触达客户之际。根据美国互动广告局(Interactive Advertising Bureau)的数据,预计2026年美国在创作者广告上的支出将达到440亿美元。随着公司与数百甚至数千名创作者合作,跟踪关系和衡量结果变得相当困难。

Creator Agent现已在全球范围内可用,涵盖Instagram创作者和TikTok用户。该公司计划通过模型上下文协议(Model Context Protocol,一种允许AI助手如Claude、ChatGPT等互操作的标准)提供该代理,使团队能够通过自己的定制代理使用它。

信息源:TechCrunch

研究

Anthropic推出自托管Claude智能体服务,允许企业将完整控制平面部署于内部环境

实质变化
2026-11-12

Anthropic于2026年11月12日宣布推出自托管Claude Managed Agents(Claude管理智能体)的私有测试版。这一更新允许开发者在完全隔离的企业环境中运行自主智能体,包括代码执行、凭证管理和会话历史记录。此前,Managed Agents主要作为托管服务提供,虽然已支持自托管沙箱,但核心编排逻辑仍由Anthropic基础设施承载。

在新的架构下,客户可以自行运营Managed Agents服务器、数据库以及执行shell和文件工具的工人节点。模型请求的路由由客户决定,可以选择直接发送至Anthropic,或通过Amazon Bedrock、Google Agent Platform、Microsoft Foundry等云平台,甚至通过客户自己的网关进行转发。这种设计旨在满足对数据驻留和安全有严格要求的企业需求,确保敏感的内部系统访问权限和会话状态不离开企业安全边界。

该服务围绕四项安全原则构建:首先,分离“大脑”(调用模型的harness)与“双手”(执行代码的沙箱),确保代理循环和会话历史独立于执行环境;其次,凭证通过沙箱外的代理注入,避免直接暴露给智能体代码;第三,网络访问可限制为白名单主机,阻断其他连接;最后,所有操作均通过OpenTelemetry导出完整记录,便于集成到现有监控系统中。对于已实施零数据保留(ZDR)政策的组织,此自托管模式同样适用,确保发送给Claude的请求符合既定的数据合规要求。

信息源:Claude

研究

AI教育公司银河智学邓澍军:大模型能解题,却答不出学生为什么不会

实质变化
2026-11-12 18:45

邓澍军的核心判断是:大模型能够迅速生成解题步骤,却未必能回答学生为什么不会。当通用模型成为基础设施,教育AI真正的分水岭在于能否深入学习过程——理解学科逻辑、识别个体认知差异,并将技术转化为真实课堂中可验证的学习效果。这个判断指向一个具体的架构问题:通用大模型在面对严谨的学科逻辑时仍可能出现幻觉,而仅靠语言交互无法稳定追踪每个学生的知识掌握状态。

银河智学给出的方案是双核架构。通用大模型(豆包)负责语言理解、内容生成和基础推理,团队围绕教育场景做了专项调优:解题思维链构建、苏格拉底式启发对齐、基于长期记忆的Agent能力开发。模型在解题关键步骤处暂停并抛出启发性问题,引导学生逐步理解知识、发现思维盲点。自研智能学习引擎则基于学习科学与认知测量分析,融合深度知识追踪(DKT)、项目反应理论(IRT)、认知诊断模型(CDM)和知识空间理论(KST),通过分析学生的作答、提问和订正记录,判断已掌握哪些知识、当前薄弱环节在哪里、下一步适合学什么内容。邓澍军将两者的关系概括为:前者要引导得好,后者要算得准。

这种分工的功能逻辑是:学习引导需要语言模型在对话中动态调整提问策略,在适当环节暂停并提出启发性问题;学情诊断则需要统计模型对学生知识状态进行持续追踪和概率推断,为学习难度匹配和后续任务规划提供依据。两者形成互补,再通过Agent能力衔接成闭环:学情诊断的输出决定下一步任务安排,大模型决定如何讲解和追问。在此基础上,银河智学进一步将Agent能力延伸至学生端的学习规划和教师端的教学支持。

在产品层面,这种架构体现为具体的交互设计。以圆柱体体积为例,学生可能误以为底面半径翻倍时体积也只翻倍。系统不直接给出答案,而是通过滑杆让学生观察半径变化对体积的影响,AI则围绕体积公式和底面积变化逐层追问,引导学生自主推导。随着理解加深,系统撤去辅助,通过独立作答和变式练习检验迁移能力。在难度匹配上,团队将深度知识追踪与最近发展区理论结合,选择预测答对概率约为70%到80%的题目,让学生通过努力获得进步,逐步建立信心。

需要指出的是,上述技术架构和效果描述均来自公司演讲和披露,尚无独立验证的学习成果数据。产品累计服务超过500所学校、覆盖24个省级行政区的数字也是公司自报。双核架构的设计逻辑——将认知测量与语言引导分离——在技术上是可检查的,但其实际效果是否优于单一模型方案,仍需要对照实验来回答。

信息源:量子位

研究

谷歌DeepMind发布AlphaGenome 2:预测特定细胞状态下的DNA影响,自测免疫细胞变异识别率提升至30%

实质变化
2026-11-12 19:09

谷歌DeepMind(Google DeepMind)发布了新一代DNA预测模型AlphaGenome 2。与去年推出的AlphaGenome 1及今年9月发布的AlphaGenome Atlas数据库不同,AlphaGenome 2的核心突破在于能够针对特定的细胞类型及其生理状态进行预测,而非仅给出组织层面的平均值。这一能力旨在帮助研究人员更准确地理解遗传变异如何影响基因活性,从而揭示疾病成因并寻找新药靶点。

据heise online报道,AlphaGenome 2分析了长达一百万个碱基对的DNA片段。研究人员可以通过计算修改单个DNA构件,预测其对不同细胞类型基因活性的影响。该模型利用人类和小鼠数据训练,并额外使用了来自68种人体组织的1.07亿个单细胞图谱,以适应新的细胞状态。此外,用户还可以输入自己的测量数据,使模型无需重新训练即可探索未知的细胞状态。

在性能方面,谷歌DeepMind自测显示,在28种免疫细胞类型中,AlphaGenome 2识别出30%的可能导致基因活性变化的DNA变异,而前代模型仅为16%。一个关于慢性炎症性肠病的案例表明,该模型成功识别了导致ETS2基因在特定免疫细胞中过度激活的关键DNA变异、受影响基因及相关细胞类型。

尽管有显著进步,谷歌DeepMind承认AlphaGenome 2仍会遗漏许多相关的DNA变化,且缺乏针对疾病相关细胞状态的训练数据。公司明确表示,该模型未经过临床或诊断应用的验证或批准。目前,非商业研究可通过AlphaGenome API免费使用,商业研究则处于私有预览阶段。

信息源:heise online

研究

英伟达董事会拟罢免CEO黄仁勋,股价跌近9%

实质变化
2026-11-12 16:39

据《华尔街日报》和《纽约时报》报道,英伟达(NVIDIA)董事会正准备罢免首席执行官黄仁勋(Jensen Huang)。这一消息引发市场剧烈反应,英伟达股价在盘后交易中下跌约8.95%,并带动纳斯达克100指数期货在美股开盘前承压下行。

此前,英伟达董事会已于11月8日宣布启动一项独立调查,以审查黄仁勋是否成为外国情报活动的目标。当时的声明强调没有证据表明国家安全或商业机密受到损害。然而,最新的媒体报道指出,董事会的行动源于对黄仁勋个人行为的担忧,具体涉及其与芯片公司高管的婚外情关系。

这一治理危机凸显了英伟达对黄仁勋个人的高度依赖,即“关键人物风险”。由于公司未公开明确的继任计划且管理层结构高度集中,投资者对领导层稳定性的担忧加剧。受此影响,不仅美国科技股期货下跌,亚洲市场如韩国三星电子和SK海力士等英伟达主要供应商的股票也遭受抛售压力。

信息源:FXEmpire

研究

谷歌XR负责人阐释AI眼镜隐私设计:保护佩戴者,也保护镜头前的人

实质变化
2026-11-12 22:00

当一副眼镜能看见你看见的一切,它就必须对镜片两侧的人负责。谷歌XR副总裁兼总经理Shahram Izadi在2026年11月12日的官方博客中,系统阐述了智能眼镜的隐私设计思路。他提到团队在多年研究中听取了佩戴者、旁观者和隐私专家的意见,发现佩戴者在外使用眼镜时不断在计算社交成本,而旁观者则担心被不知情地拍摄。这促使他们形成了一个核心判断:隐私保护必须同时覆盖镜片后面的人和前面的人。

在保护佩戴者数据方面,谷歌的设计选择是:摄像头画面不存入Gemini历史记录,不用于AI模型训练,也不用于广告定向。存储在眼镜上的数据加密,离开眼镜传输到手机或云端的数据同样加密。用户可以为每个应用单独授予或撤销摄像头权限,可以删除任意一条对话历史,也可以关闭个性化。眼镜框上还有一个物理电源开关,随时可以完全关闭设备。

对旁观者的保护则更多依赖硬件和软件的协同设计。每副眼镜外侧有一个LED指示灯,在拍照或录像时亮起,告知周围人正在录制。如果指示灯被遮挡或篡改,传感器会检测到并阻止拍摄。当用户向Gemini提问时,眼镜的设计是在Gemini处理画面之前自动脱敏旁观者的人脸。麦克风采用定向设计,默认聚焦佩戴者的声音而非周围人的声音。

这些设计选择背后有一个值得注意的立场:谷歌把旁观者保护做成了硬件层面的默认行为,而不是留给用户去设置。指示灯是物理的、不可关闭的;人脸脱敏发生在数据离开设备之前;定向麦克风是默认模式而非可选项。这种设计即保护的思路试图降低用户犯错的空间。

不过,所有这些机制目前都是厂商的自述。产品尚未大规模上市,外界无法独立验证人脸脱敏在各种光照和角度下的可靠性,无法测试指示灯防篡改机制是否存在软件层面的绕过路径,也无法确认定向麦克风在嘈杂环境中的实际分离效果。Izadi在文中使用的措辞是designed to(旨在),而非will(将会),这本身也反映了功能尚未经过独立检验的状态。

在平台层面,谷歌还设置了配套约束:用户必须同意不在未经许可的情况下录制他人、不在敏感场所录制、不遮挡指示灯,违反者可能被禁用设备;Google Play禁止应用利用眼镜摄像头进行社交直播或实时人脸识别;智能眼镜仅允许18岁以上账户设置。这些限制试图从生态层面堵住单点防护可能被绕过的缺口。

对AI可穿戴设备而言,旁观者隐私是品类能否被广泛接受的核心障碍之一。谷歌的回应展示了一种多层防御的设计哲学:硬件不可绕过的指示、软件默认脱敏、数据不保留、账户年龄门槛和平台政策约束。这套架构是否有效,最终取决于实际部署后的独立验证。

信息源:Google

研究

韩国AI能源平台公司Enlighten通过KOSDAQ技术特例上市评估,拟明年上市

快讯
2026-11-12 13:32

韩国太阳能发电站管理服务平台“发展王”(Beonjeonwang)的运营商Enlighten(엔라이튼)已通过韩国交易所(KRX)指定的两家专业机构的技术性评估,获得了在KOSDAQ市场进行“技术特例上市”的资格。该公司于11月12日表示,目标是明年正式提交上市预备审查申请。

技术特例上市是允许尚未满足一般盈利规模要求但拥有核心技术的公司在KOSDAQ上市的制度。Enlighten在两家评估机构中分别获得A级和BBB级评级,满足了申请资格。此前其预评估也获得了A级。

此次评估重点认可了Enlighten基于人工智能的电站监控、预测和控制技术。该平台目前管理着全国约3.2万个电站,累计装机容量7.7GW,约占韩国太阳能装机总量的23%。公司利用AI分析发电量、运营状态及气象数据,实现实时监控、远程控制和电力交易结算。

Enlighten的业务模式指向虚拟电厂(VPP),即通过软件聚合分散的小型电站和储能系统(ESS)。随着可再生能源占比提高,这种能够平滑波动、优化调度的AI驱动型基础设施服务受到关注。公司计划在上市后扩大VPP基础设施,并探索向日本等海外市场扩张。

信息源:스타트업 생태계의 모든 것 \'플래텀(Platum)\'

研究

AMD发布Versal TR芯片:内置硅背面物理攻击防护,简化AI边缘安全设计

实质变化
2026-11-12 23:00

美国半导体公司AMD于2026年11月12日宣布推出Versal™防篡改(TR)系列器件。这是业界首款在自适应SoC或FPGA架构中直接集成硅背面物理攻击防护的产品,基于Versal AI Edge Series Gen 2平台。

该技术的核心在于将传感器保护裸片通过3D active-on-active技术键合到主计算裸片上,从而屏蔽整个器件背面。这种设计能够检测物理攻击并在保护裸片被篡改或移除时阻止启动,同时保留高性能异构处理能力。

对于数据中心网络、金融科技、国防及关键工业基础设施等场景,客户此前通常需自行开发包含机械外壳、ASIC等组件的定制解决方案来抵御高级物理攻击,这增加了开发成本、专业资源需求和验证工作量。Versal TR器件将异构计算与增强型安全功能整合在单一芯片中,减少了对外部独立计算、安全和外壳组件的需求。

除背面防护外,该系列还扩展了后量子密码学的硬件加速支持,包括ML-DSA和SLH-DSA算法,并改进了应用安全单元(ASU)密钥库及内存元件老化传感器(MEAS)。AMD嵌入式产品、软件与解决方案企业副总裁Kirk Saban表示,此举旨在帮助客户简化安全关键系统的开发,同时保持性能与灵活性。

信息源:AMD Newsroom

研究

Construction Physics 作者 Brian Potter:技术发明是搜索问题,模块化让不可能的搜索空间变得可行

结构性
2026-11-12 21:01

Brian Potter 在 Construction Physics 提出一个观点:创造新技术本质上是在一个高维“设计空间”里搜索可行组合。这个空间大到难以想象。他引用经济学家 Matt Clancy 的估算:维基百科列出 272 个“命名方程”描述各种自然规律,如果每个规律可被使用或不使用,可能组合就是 2 的 272 次方,超过可观测宇宙原子数的常见估计(约 10 的 80 次方,约 2 的 265 次方)。这还低估了,因为同一原理可以以不同方式编排、在不同量级上使用。Potter 认为,实际可被利用的自然规律可能至少有数千个。

面对这种规模,人类靠什么找到技术?Potter 的答案是信息。每一个比特信息能把搜索空间缩小一半,所以少量知识就能把看似不可能的搜索变成可操作的问题。发明技术就是在收集信息:判断什么行得通、什么行不通、什么有前途、什么没有,从而在巨大可能性中收窄到能实现目标的方案。他用莱特兄弟举例:物理定律和鸟类的存在性证明已经缩小了飞行器的搜索空间,但具体构造仍无数种;莱特兄弟的优势在于异常擅长收集信息,比竞争者更快收敛到可行设计。

为了把这种直觉变成可模拟的模型,Potter 提出 PTOP:Phenomena Triggered by Objects with Properties,即“由具有特定属性的物体触发的现象”。模型受 Brian Arthur《技术的本质》启发。Arthur 把技术看成被捕获并加以利用的一组现象:收音机不只是零件集合,而是电磁感应、电子吸引与排斥、电子发射、电阻压降、频率共振等现象的编排。灯泡则利用焦耳加热、白炽和透明性等。Arthur 与 Wolfgang Polak 还指出,仅用 NAND 门、0 和 1 三种基本元素构造逻辑电路时,一个 8 位加法器只是 16 输入、9 输出下超过 10 的 177554 次方种可能表型之一。Potter 的模型中,物体有类型和尺寸等属性;当正确物体以正确排列组合时,现象自动触发,改变其他物体属性或产生新物体。把正确现象链起来,就能得到目标结果。

在一级模型里,10 种物体类型、10 种尺寸、5 个物体排成一线,就有 10 的 10 次方种排列;若扩大到 100 种物体、100 种尺寸、10 个现象层级,搜索空间是 10 的 40 次方。Potter 的模拟显示,随机盲搜平均需要十亿次尝试才能碰中一个十亿规模的正确设计;但模块化搜索每次只添加一个物体并调整尺寸,直到触发下一层现象,然后锁定成功模块,平均只需约 1300 次。更重要的是模块化程度:若把模型扩大到 100 个现象层级,搜索空间达到 10 的 200 次方,但因为可以锁定 100 个小步骤,随机模块化搜索平均约 1 万次就能找到;反过来,若搜索空间同样大,却只有 10 个可锁定步骤,即使模块化也几乎找不到。

模型还显示科学知识的价值在于它排除多少可能性。Potter 引用经济史学家 Joel Mokyr:如果搜索者不知道自然原理,需要试验的范围会大得多。在 PTOP 中,知识像“某现象不能与某物体配合”或“某现象的两个物体必须等尺寸”这样的约束。排除越多,信息越多,搜索越快。现实中的技术发明往往依赖这类“必须”条件:马可尼知道产生电磁波需要什么,爱迪生知道灯丝白炽需要什么,曼哈顿计划科学家大致知道触发核链式反应需要什么。

二级模型增加两个复杂性:一个现象可有多个输入物体,比如汽油机燃烧需要燃料、氧化剂和火花;同一层级可有多个现象实现同一目标,比如电动机、液压马达、内燃机都能产生机械运动。于是可行设计变多,但不可行组合仍远多。Potter 用类似 Arthur 的“封装”搜索:一旦某组物体触发某现象,就把该组合打包成新物体,再与其他物体随机组合。这样系统能积累部分解。他还用这个模型模拟技术“种群”:1000 个随机技术,无性繁殖每代只变异一个物体,有性繁殖则交叉两个亲本的分支。在 5 个现象层级下,无性繁殖 2000 代未达最高层级,有性繁殖约 100 代达到。这个结果被用来类比生物进化中避免克隆干扰、加速信息积累。

三级模型加入性能调优。触发属性不再只是开或关,而是 1 到 10 的值,取决于输入物体尺寸和前序现象值;有些现象在前序值和尺寸相等时最大化,有些则在二者差异最大时最大化。找到能工作的技术变容易,但把性能推到最大需要反复调整。Potter 用灯泡说明:白炽灯早在 19 世纪初已被演示,但寿命短、灯泡发黑、耗电高;爱迪生接手时基本配置已定,他通过调整真空程度、灯丝尺寸、碳类型等提升性能。模型还允许不同现象有不同性能上限,并加入并行现象:同一条件可能同时影响多个结果,而优化一个指标未必优化另一个。

这带来设计权衡。Potter 的模拟显示,同一个基本技术在不同目标下最优实现不同:最大化单一指标的设计,和同时最大化两个指标的设计根本不同。他举现实例子:碳灯丝性能有上限,灯泡最终转向钨丝,而钨丝又需要新的延性钨丝生产工艺;F1 赛车需要气动弹簧阀门,普通轿车用钢丝弹簧就够。Potter 的结论是,技术进步可被理解为搜索过程,其速度取决于信息如何被获取、模块如何被锁定、性能目标如何被权衡。

需要保留边界:PTOP 是作者提出的简化模拟,不是对真实技术史的经验验证。它假设技术具有类似层级模块的结构,而现实技术可能包含非层级耦合、涌现性质、组织协调、监管和社会接受度等瓶颈。因此,它更适合作为解释发明速度的心智模型,而不是预测某项技术何时出现的工具。

信息源:construction-physics.com

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系