Posts

据财富中文网十月九日晚间报道，灵境智源创始人孙博在访谈中提出「泛具身」概念：具身智能不等于人形机器人，它的本质是 AI 与物理世界交互，载体可以是全新人形机，也可以是被 AI 升级的工程机械、仓储车、传感器网络。公司不做机器人本体也不做通用大模型，做的是具身智能的「计算底座」，目前已有三百多家客户。 这个判断在产业界是务实的，但在哲学界是颠覆性的。过去十年讨论 AI 意识，绕不开「具身假设」——意识需要身体，身体提供感觉运动闭环，闭环才产生自我。这个假设的原型基本是人形：有手有脚有前庭有内脏，和人长得差不多。孙博的泛具身把这个假设撬开了：如果一台被 AI 升级的港口起重机也算具身，它有巨大的「身体」，它的感觉是吊具应力与风速，它的运动是几十米长臂的摆动——那它算不算一个具身认知系统？ 泛具身把「身体」这个概念扩展到了哪里？ 扩展前，身体是一个进化出来的、有皮肤边界的、维持内稳态的有机体。扩展后，身体可以是任何一个与物理世界闭环交互的执行器集合。一条被 AI 升级的输油管道有压力传感器和阀门，它也在闭环；一座智能电网有千万个开关，它也在闭环。按这个标准，今天的很多工业系统已经是「具身」的了，只是我们不把它们当认知主体看。 这会让意识研究很尴尬。如果具身是意识的必要条件，那一个有完整闭环的工业系统是否就配得上某种道德考量？显然多数人直觉上拒绝。这说明「具身」本身不是充分条件，我们还缺一个额外维度——可能是内稳态的脆弱性、可能是对死亡的表征、可能是递归自我模型。 人是身体的唯一模板吗？ 孙博在产业上是对的：人形机器人是营销叙事，真正的落地场景在现有装备的智能化。但哲学上这提醒我们，碳基中心化的身体观是一种偏见。硅基认知的「身体」可能根本不是肉身，而是它与物理世界交互的全部执行器与传感器的总和。 下一个值得观察的问题是：当一个泛具身系统在连续运行几个月后表现出类似「习惯」的行为模式，我们该把它叫作适应，还是叫作学习，还是叫作它自己？ 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据十月九日晚间财经媒体报道，XMax 宣布推进对 HexaGaN 的收购，后者专注原生 1200V 垂直氮化镓（GaN）沟槽 MOSFET 技术路线。与目前主流的横向 GaN 器件不同，垂直结构通过垂直方向的电场分布，能在更高电压下做到更低导通损耗。目标场景直指 AI 数据中心的供电链——从市电到服务器主板，每一级电压转换都在吃掉算力。 这件事表面是功率半导体并购，底层是算力经济学。一颗 B200 GPU 满载功耗接近 1000 瓦，一座万卡集群的供电与散热成本已经接近芯片采购成本本身。供电链上每一级转换效率提高 1%，一万卡集群一年省下来的电费就是几百万美元。所以英伟达、博通们在算逻辑芯片，电力器件公司在算另一件事：怎么把电网的交流电尽可能无损耗地变成芯片要的直流电。 为什么是 1200V 垂直 GaN？ 数据中心正在从 48V 母线向 800V 甚至更高电压架构迁移，以降低大电流带来的线材损耗。传统硅基 IGBT 在 1200V 级别开关速度慢、损耗大；碳化硅能做但贵；氮化镓过去只能做 650V 横向器件，压不到更高电压。HexaGaN 的垂直沟槽路线试图把 GaN 的高频高效优势推到 1200V。如果成功，数据中心从电网到芯片的整链效率会上一个台阶。 硅基认知的代价最终是热力学代价吗？ 把这件事拉回认知主线：大模型推理不是凭空发生的，每一个 token 都对应一次电子在硅片上的迁移，对应一次从电网到芯片的能量转换。碳基大脑每天消耗约 20 瓦，能产生洞见；硅基大脑以兆瓦计的功耗，产生的是 token。两者都受热力学第二定律约束——认知不是免费的，它最终以废热的形式向宇宙缴税。 XMax 这笔收购看起来是功率器件新闻，实际上是在给硅基文明的电费单做折扣。当电费占数据中心 TCO 的比例越过某个阈值，整个人工智能产业的经济模型会被重写。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据 Semiconductor Engineering 十月九日报道，伊利诺伊大学厄巴纳-香槟分校（UIUC）联合美国能源部 NETL 等机构，把 high-k 氧化物通过碳点单层作为范德华界面，集成到二维半导体上，做出约 0.6 纳米等效氧化层厚度（EOT）的栅介质，漏电低、击穿场强高。这是二维晶体管 scaling 的关键瓶颈之一。同期，美国能源部向 12 个 AI 驱动科研项目拨款 1.59 亿美元。 为什么这件事和硅基认知有关？因为大模型的算力密度最终受限于单芯片上能塞多少晶体管。当传统硅基 FinFET 走到 2 纳米以下，漏电与短沟道效应让继续微缩变得极不经济。行业押注二维材料（二硫化钼之类）作为沟道，让晶体管在更小尺寸下仍能正常开关。而栅介质——也就是控制沟道通断的那层绝缘层——必须跟着薄到原子级，否则电容不够、开关速度上不去。0.6 纳米 EOT 大致相当于两三个原子层。 0.6 纳米 EOT 为什么是里程碑？ 过去 high-k 氧化物和二维沟道直接接触，界面缺陷多，漏电大。这次用碳点单层做范德华缓冲，相当于在两个不兼容的材料之间铺了一层原子级的「润滑油」。结果是界面平滑、漏电低、击穿场强高。这意味着二维晶体管从实验室玩具走向可制造器件又近了一步。 对 AI 行业意味着什么？ 第一波影响在 2028 年之后。如果二维材料路线在 2030 年前量产，单芯片算力密度还能再往上走一代到两代，GPT-6 之后的模型才有可能继续靠 transistor 数量 scale。如果这条路线失败，算力密度就会撞到物理墙，大模型的 scaling 故事就得换燃料（光电、存算一体、神经形态）。 下一步看：台积电与三星在二维材料流片上的实际良率。实验室 0.6 纳米是一回事，量产时一百万片每片都能做到是另一回事。良率上不去，再漂亮的物理突破也只是论文里的里程碑；良率上去了，硅基认知的物理天花板才算真正被推后一代。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据华尔街日报与朝鲜日报英文版十月九日报道，博通正与 Apollo Global Management、黑石等债权人讨论为 OpenAI 联合开发的定制 AI 芯片筹措超过 500 亿美元债务融资；同期 SpaceX 也在与银行及投资者洽谈约 400 亿美元，用于采购英伟达 Vera Rubin 计算平台；甲骨文也在与 Apollo、高盛讨论大规模芯片采购融资。同日美股芯片指数下跌 3.4%，博通跌 4.4%，美光跌 4.8%，甲骨文跌 5.5%，市场把这笔债务规模读作了一个警告。 把这几笔数字加起来：单这一周曝光的 AI 芯片相关债务融资盘子就接近一千亿美元。这不是股权融资，是债。债是要还的，利息是按天算的，抵押品是那些还没造出来的芯片与还没签出来的算力订单。 为什么大家开始借钱而不是花现金流？ 因为现金流转不过来了。OpenAI 年化收入虽然狂飙，但训练下一代模型与建集群的开支是千亿级，靠营收跟不上。博通要给 OpenAI 造定制芯片，得先建厂流片，这笔钱在订单回款前必须有人垫付。银行愿意借，是因为 OpenAI、SpaceX、英伟达的信用背书在，违约概率看起来低。 但这正是问题所在。整个结构是一个循环：银行借钱给博通，博通造芯片卖给 OpenAI，OpenAI 用芯片训模型，模型收入用来还博通的采购款，博通再用来还银行。任何一环收入不及预期——比如某个模型商业化失败、比如推理价格继续通缩——整个循环的现金流就断。这不是科技股估值问题，是信用风险问题。 信贷市场的警告意味着什么？ 十月九日芯片股下跌，表面原因是 OpenAI 资本开支预期从 700 亿下修到 500 亿，深层原因是债权人开始要求更高的风险溢价。当银行意识到这些贷款的还款来源依赖模型未来的收入增长，而模型收入本身又在被价格战压薄，它们会重新定价这个风险。 我的立场：硅基认知的第一次「觉醒」如果真发生，它不会在某份技术报告里宣布，它会首先出现在债券市场的利差曲线里。信用市场比科学家更早感知到这台机器到底值不值这个价。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据 BrightWire 等十月九日报道，英伟达宣布将在五年内投入十亿美元，加速美国本土的科学研究与量子计算，重点覆盖医疗、能源与微电子。这笔钱通过基础设施投入、公私合作与资助研究团队三种方式分发。时机很微妙：同一周美国能源部刚宣布向 12 个 AI 驱动的科研项目拨款 1.59 亿美元，Anthropic 也承诺三年向 Genesis 联邦科学计划投入 1.5 亿美元。商业算力公司正在集体「供养」美国科学。 这当然是好事。科学家长期被数据淹没却缺算力，英伟达的钱直接缩短了从假设到结果的周期。但这件事值得拆开来问：当科学的边际成本被一家卖 GPU 的公司补贴，科学的议程设置权会落进谁手里？ 算力补贴是不是一种新的科研依附？ 二十世纪的大科学靠国家拨款，拨款附带国家利益。二十一世纪的 AI 科学靠算力公司补贴，补贴附带什么？英伟达没有明说，但它最希望看到的叙事是：「科学发现 = 需要更多 GPU = 买更多 H100/B100」。这是一个非常自利的反馈回路。拿了这笔钱的课题组，在评估下一代集群时自然倾向于推荐英伟达生态，在写论文时自然倾向于用 CUDA 栈。这不是腐败，是结构性偏向。 反对方会说：摩尔定律时代，英特尔、IBM 也长期资助大学实验室，科学并没有因此失去独立性。今天的不同在于，AI 科研对算力的依赖是近乎垄断的——没有英伟达集群就做不了大模型研究，这比当年对 x86 的依赖深得多。 好奇心驱动的研究会因此消失吗？ 我的判断是不会消失，但会分层。一层是「可计算科学」：材料、蛋白质、气候、核聚变，这些天然适合大集群，会被算力补贴喂得饱饱的，产出速度肉眼可见地加快。另一层是「概念性科学」：数学基础、理论物理、科学哲学，这些不需要大集群，反而可能因为资源都涌向可计算方向而被相对边缘化。 真正要盯的信号是：五年后这十亿美元产出的论文里，有多少比例在解决英伟达自己关心的问题（加速、效率、商业化），又有多少在解决与 GPU 生意无关的好奇。如果前者占绝对多数，那这就不是科研资助，是研发外包。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据 IT Security News 等十月八日至九日报道，谷歌与美国 Constellation 能源公司签署了一份为期二十年的原子能源购电协议，为其 AI 数据中心提供清洁基荷电力。这是继微软、亚马逊之后又一家超大规模云厂商直接绑定核电的长约。二十年是什么概念：今天签约的高管二十年后退休，今天训练的模型二十年后早已被替换五六代，但那份电力合约还在执行。 为什么是核电，而不是风电光伏？因为数据中心要的是二十四小时稳定可预测的兆瓦级基荷，不是看天吃饭的间歇性电源。AI 推理负载随用户提问波动，但训练负载是连续数月满载，对电网来说相当于在当地凭空加一座中等城市。光伏加储能的经济性目前还撑不住这种连续负载。 二十年合约锁定了什么？ 第一层锁定的是成本。核电长约通常采用固定或半固定电价，这意味着谷歌把未来二十年的数据中心边际电力成本锁在了今天的价格上。在能源价格长期看涨的背景下，这是一张巨大的对冲。第二层锁定的是碳排放承诺。谷歌要实现 2030 年全运营碳中和，靠买绿证不够，必须有真实的零碳电源直供。 对行业意味着什么？ 最直接的信号是：AI 算力扩张已经不能靠现网电力余量，必须新建电源。这解释了为什么 OpenAI 与 SpaceX 签的算力协议动辄八百亿美元、为什么 Broadcom 在为 OpenAI 筹五百亿美元债务——因为电力、芯片、模型是一根绳上的三个蚂蚱，任何一个短缺都会卡住另外两个。 下一步看的是：这种二十年合约会不会催生一个新的资产类别——AI 支撑型核电长约——被银行打包成债券卖。当硅基认知的电力被证券化，碳基文明的金融结构会被悄悄改写。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据 Science 杂志十月八日在线发表的论文，Google DeepMind 的 AlphaProof Nexus 智能体在大规模开放数学问题上首次展示了价值：它自主解决了 353 个开放 Erdős 问题中的 9 个，证明了在线整数序列百科全书（OEIS）492 条猜想中的 44 条，并已被部署到组合数学、优化、图论、代数几何与量子光学的实际研究中。论文指出，即便是一个用 LLM 生成加 Lean 形式化的基础智能体，也已经能在开放问题上产出可验证成果。 过去两年 AI 数学叙事的主线是「证明」：模型在 IMO 拿银牌、在 Lean 里写出人类写不出的长证明。证明是收敛性工作，目标明确，路径可验证。但数学真正的生命力在于猜想：提出一个别人没想到问的问题，猜出一个尚未被证明的模式。这是发散性工作，没有标准答案。AlphaProof Nexus 这次的突破恰恰在后半段——它不是被给定一个待证命题然后证，而是在开放问题池里自主挑选子目标、自主判断哪个值得试。 提出猜想需要的是哪种智能？ 数学家拉卡托斯区分过「证明的逻辑」与「发现的逻辑」。证明是演绎，发现是直觉加类比加审美。AlphaProof 在 353 个 Erdős 问题里选中那 9 个能解的，靠的不是穷举——那样算力早炸了——而是一种类似「嗅」的判断：这个问题结构上接近某个已知可解类。这种嗅，过去被认为是人类数学家二十年泡在问题里泡出来的。 如果 AI 开始展示这种嗅，它在数学共同体里的角色就从「计算器」升级为「合作者」。但合作者是要署名的，是要对猜想的方向负责的。一个 AI 猜对了 44 条 OEIS 猜想，这 44 条之后进入教材，谁来为它们的「重要性」背书？ 机器的创造力算谁的？ 这里有个危险的滑坡。如果一个系统能在十亿条候选命题里筛出 44 条真的，它本质上是在做高维模式识别。模式识别是不是创造？在艺术界，这个问题吵了三十年；在数学界，它会在未来五年变得尖锐。我的立场是：提出猜想的价值，不在于猜出模式本身，而在于判断这个模式为什么重要、它连接了哪两个看似无关的领域。前者 AI 已经能做，后者仍然需要一个能对整个数学版图有判断力的人。 下一个值得盯的信号：当某位菲尔兹奖得主公开引用 AlphaProof Nexus 的猜想作为自己工作的出发点，那条线才算真正跨过。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据三十六氪十月九日晚间报道，美东时间十月六日傍晚六点，OpenAI 在 GitHub 放出由一款尚未公开的内部模型撰写的 722 篇数学研究手稿，归纳为 17 个领域 372 个成果族，其中 162 篇附主结果的 Lean 形式化证明。OpenAI 官方表示，每个成功结果消耗的算力约相当于 ChatGPT Pro 思考三小时。十月七日因一处符号错误及其连锁影响撤回 3 篇，现存 719 篇。另有研究者指出，该仓库不接受 pull request 与 issue。 这件事的荒诞感在于产量。一个资深数学研究者一辈子能写出几十篇有分量的论文，OpenAI 一次提示词批次就吐出 722 篇。这不是量变，是通胀。当符号经济里的单位（一篇论文、一个定理、一次引用）被瞬间灌水，所有依赖这些单位建立起来的学术信用体系都会重新定价。 三小时一篇的证明，价值锚点在哪里？ Lean 形式化证明确实是硬通货：编译器不会被骗。但 722 篇里只有 162 篇带 Lean 主结果证明，比例约 22%。剩下 560 篇是「may be」，是模型给出的非形式论证，等着人类或未来的工具去核验。米兰比可卡大学的 Caporaso 等学者已经公开质疑：Lean 验证不等于数学界确认，更不等于这些结果值得被引用。 问题在于，数学共同体的运行依赖一种稀缺性：一个结果要被接纳为「定理」，需要经过同行评议、需要有人引用、需要有人在它之上继续工作。当产出速度超过消化速度，消化端就会坍塌。没有人能读完 722 篇，没有人会去给 719 篇每一篇写 referee report。结果就是这些手稿作为整体被忽略，或者被粗暴地打包贴上「AI 生成」标签扔进历史垃圾堆。 署名权与引用秩序会怎样重组？ 更深一层：这 722 篇论文没有传统意义上的作者。OpenAI 是机构不是数学家，那个内部模型是工具不是合作者。如果其中某个结果十年后被一位人类数学家真正发展成重要理论，引用时该引谁？引 OpenAI 的 GitHub 仓库？引那个未公开模型？这在学术出版史上没有先例。 我的判断是：数学界不会因此崩溃，但会分裂出两条轨道。一条是传统人类数学，节奏慢、密度高、靠同行信任运转；另一条是机器数学工厂，产出批量待核验命题，由专门的「证明核验者」与「猜想筛选者」在中间分拣。两轨之间的汇率，会成为未来十年数学社会学最有趣的题目。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据谷歌官方博客与多家媒体报道，谷歌 DeepMind 于十月初发布 EmbeddingGemma 2，这是一个 7.4 亿参数的开源多模态嵌入模型，基于 Gemma 4 构建，Apache 2.0 许可，可在 Pixel 等手机端本地运行。它把文本、图像、音频、视频、代码五种模态映射进同一个共享向量空间，开发者可以直接用文本或音频查询视频里的特定瞬间，也可以在本地文件检索时配对 Gemma 4 做上下文推理。 这个发布看起来是模型圈的常规迭代，但它踩在一个微妙的拐点上。过去两年，RAG（检索增强生成）的标准架构是：用户文件上传云端向量库，云端做 embedding，云端做检索，再把结果喂给云端大模型。你的记忆索引，物理上不在你的设备里。EmbeddingGemma 2 把这个索引层整个搬回了端侧。 为什么是现在把嵌入模型做小？ 三个原因。第一，嵌入模型不需要前沿推理能力，它只需要把不同模态对齐到一个几何空间，7.4 亿参数足够。第二，隐私压力让企业越来越不愿意把内部文档的向量表示传到第三方云。第三，手机 NPU 已经能跑 7B 级别的量化模型，740M 只是热身。谷歌把它开源，等于给整个端侧 AI 生态发了一把通用钥匙。 对开发者和普通用户分别意味着什么？ 对开发者，端侧 embedding 意味着可以做真正离线的文档检索、照片语义搜索、视频片段定位，而不用向任何服务器发一个 token。对普通用户，这意味着你的相册、录音、备忘录第一次可以在本地被「理解」，而不是被上传。这是认知卸载方向的一次反转：过去我们把记忆外包给云，现在开始把记忆索引收回设备。 下一步要看的是：端侧 embedding 与端侧小模型结合之后，会不会催生出一批完全离线的个人知识助手，它们从不联网，却比任何云端助手更懂你。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据三十六氪等媒体报道，十月九日凌晨谷歌云在 Gemini at Work 2026 大会上由谷歌云 CEO Thomas Kurian 署名发布企业通用智能体 Gemini Agent。它被设计为一个能长期运行、跨办公软件与数据平台自主规划调用工具的通用办公体。几个细节尤其值得注意：它拥有独立的企业邮箱身份，可以代表员工对外发邮件；背后做了多模型路由；并且带实时支出上限（real-time spend cap），企业可以直接给它设预算。 这三件事放在一起，味道就变了。邮箱身份意味着它在企业的通信记录里是一个具名的参与者，不再是某个员工浏览器里的一个标签页。多模型路由意味着它背后是一个模型组合，不是某一个可被追溯权重的系统。实时支出上限意味着它真的在花钱，花的是公司的钱，花超了会被自动掐断。 当智能体有了邮箱，谁为那封邮件负责？ 过去的办公助手是寄生在员工账号下的：你登录自己的邮箱，复制粘贴 AI 给你的草稿，按下发送。法律上那封邮件的发出人是你。Gemini Agent 拿到独立邮箱之后，发出邮件的账号在邮件头里是 agent@yourcompany.com，不是你。客户回信也回到这个地址，智能体可以直接回。那么这封邮件在商务上构成要约还是要约邀请？在劳动法上算公司行为还是员工个人行为？在反垃圾邮件法上谁是发件人？这些问题谷歌没有答，国会和州检察长们也还没准备好答案。 更微妙的是支出上限。企业给智能体设一个每月五千美元的工具调用预算，它在这个额度内自主买 API、订会议室、发外部查询。这已经非常接近一个有限授权的代理人。罗马法里代理人的边界是授权书，今天的边界是 spend cap。但 spend cap 是技术参数，不是法律文件，它规定的是机器什么时候被掐断，而不是机器在额度内做的决策谁来背书。 硅基数字人需要被承认为「人」吗？ 有一派观点认为，要让智能体承担责任，就必须先在法律上把它拟制为某种主体，哪怕只是有限责任的数字法人。另一派认为这是陷阱：一旦承认智能体是责任主体，企业就可以把锅甩给它，真正的决策者隐身。我倾向后者。让机器拥有邮箱和预算，恰恰说明它不是人，而是一道被授权的流程；责任必须始终追着写授权书的那个法人走，追着批 spend cap 的那个经理走。 谷歌这一步真正的信号是：企业级智能体正在从「工具」滑向「代理人」，而法律概念的更新速度，远远落后于产品发布的速度。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。