标签: 麻省理工学院
好在菲尔兹奖获得者王虹是在法国工作。要是放在国内，恐怕仅凭她这一身穿搭，就能被不
好在菲尔兹奖获得者王虹是在法国工作。要是放在国内，恐怕仅凭她这一身穿搭，就能被不少网友喷得体无完肤。麻烦看官老爷们右上角点击一下“关注”，既方便您进行讨论和分享，又能给您带来更多优质的内容，感谢您的支持！王虹获得菲尔兹奖后，中文网络上很快出现一批穿搭分析，有人研究她的项链、戒指、衣服和鞋子，还根据照片寻找同款并估算总价，仿佛一位数学家站上领奖台，最值得讨论的不是证明，而是她身上挂着多少人民币。先把事实说清楚，所谓全身行头价值5万至6万元，主要来自网友根据图片进行的品牌比对，并没有购买凭证、本人回应或其他可靠材料能够确认，照片相似不等于型号相同，商品标价也不等于实际成交价，把网络猜测写成消费事实并不严谨。更荒唐的是，有人随即把王虹与韦东奕放在一起比较，仿佛数学家只有穿得朴素才算专心学术，只要戴首饰、穿品牌衣服就显得不够纯粹，在我看来，这种比较看似赞美节俭，实际上是在给学者规定统一的生活模板。王虹此次获得菲尔兹奖，是因为她在调和分析和几何测度论上的重要工作，其中包括与约书亚·扎尔解决三维挂谷猜想，纽约大学将这项成果评价为她获奖经历中的核心突破，而不是因为她穿了什么衣服。所谓挂谷问题，通俗理解是研究一根没有粗细的针，如何在尽可能小的空间中转向所有方向，这个问题看似像一道几何游戏，背后却连接傅里叶分析、几何测度论等重要领域，数学界围绕相关猜想已经研究了很多年。王虹现在是纽约大学西尔弗数学教授，同时担任法国高等科学研究所终身教授，在此之前还曾就读于北京大学、巴黎综合理工学院、巴黎萨克雷大学和麻省理工学院，她今天的职业收入来自多年训练和顶尖学术能力。在我看来，一名成年学者如何支配自己的合法收入，本来就是私人选择，她可以买几百元的鞋，也可以买几千元的衣服，只要没有证据表明存在违法所得、利益输送或者挪用科研经费，外界就没有理由仅凭价格进行道德审判。社会当然可以讨论消费观，但标准不能因职业而突然改变，我们不会要求一名优秀工程师只能穿工作服，也不会规定一名成功企业员工必须使用廉价手机，为什么到了科学家这里，朴素却被包装成必须完成的职业义务。我认为，人们热衷研究王虹的衣柜，还有一个很现实的原因，那就是衣服和首饰人人都能看懂，而调和分析与几何测度论需要很高的专业门槛，讨论数学成果太费脑子，辨认品牌、计算价格和制造争议却只需要几张截图。问题在于，当这种低门槛围观压过学术讨论，顶尖人才的真正价值就被遮住了，王虹成为历史上第3位获得菲尔兹奖的女性，奖项表彰的是已经完成的数学成就以及未来潜力，这些信息本该比她是否戴了戒指重要得多。拿王虹与韦东奕比较同样没有意义，韦东奕选择怎样生活值得尊重，王虹选择怎样打扮也应该被尊重，朴素是一种个人风格，不是衡量数学水平的单位，更不能变成要求所有学者共同遵守的道德制服。王虹在获奖后谈得最多的并非消费，而是坚持、尝试和做自己真正感兴趣的问题，她还回忆北大时期从优秀同学身上学到的习惯，这些经历解释了她如何成长为数学家，也远比一张模糊的穿搭价目表更接近本人。说到底，学者不是必须远离生活的苦行僧，真正应该接受检验的是研究成果是否可靠、学术行为是否诚信、公共资金是否规范使用，在这些底线之外，我认为一个人穿什么、戴什么以及怎样花自己的收入，都不该成为网络围猎的理由。王虹最值得被记住的，不是领奖时那条项链可能属于哪个品牌，而是她和合作者把一个长期困扰数学界的问题向前推进了一大步，当我们面对顶尖学者时，至少应该先抬头看看她完成的证明，而不是一直低头计算她鞋子的价格。对于这件事你怎么看？欢迎在评论区留言讨论，说出您的想法！
![不得不说，两人这么高的智商，要是在一起，生出来的孩子，成就不敢想象啊！[赞][赞](http://image.uczzd.cn/14586501766226617841.jpg?id=0)
不得不说，两人这么高的智商，要是在一起，生出来的孩子，成就不敢想象啊！[赞][赞
不得不说，两人这么高的智商，要是在一起，生出来的孩子，成就不敢想象啊！[赞][赞][赞]
![[鼓掌][鼓掌]数学家王虹的美国导师是谁？的确一一拉里·古思，一个相貌](http://image.uczzd.cn/6316618228152998744.jpg?id=0)
![北大数学系本来就是NO.1[赞]](http://image.uczzd.cn/6111360567883784497.jpg?id=0)
互联网上的文字ChatGPT们读了个遍，聊什么都头头是道。但在AI圈，一批重
互联网上的文字ChatGPT们读了个遍，聊什么都头头是道。但在AI圈，一批重量级人物认定这条路走不到头，理由很简单：这些模型从来没见过真实世界。美国Meta公司前首席AI科学家、图灵奖得主杨立昆说得毫不客气：“指望把大语言模型的能力一路扩展到人类水平的智能，完全是胡说八道。”计算机视觉先驱、美国斯坦福大学教授李飞飞的说法文雅些，她形容大语言模型是“黑暗中的文字匠”：能说会道，却毫无阅历；学识渊博，却双脚悬空。钱已经跟着这个判断走了。今年2月和3月，李飞飞联合创办的美国初创公司WorldLabs和杨立昆创办的AMI先后融资，各拿到约10亿美元；做AI视频起家的美国公司Runway也在2月融到3.15亿美元。这些钱押的都是同一个方向：世界模型。名字听着玄，定义其实一句话就能说清。大语言模型学的是文字接龙，预测下一个词；世界模型学的是世界接龙，给它一个场景和一个动作，它预测下一刻会发生什么。它和AI视频生成是近亲。Runway首席技术官阿纳斯塔西斯·格马尼迪斯回忆，转折点出现在他们给视频模型加上镜头控制之后：用户可以指挥镜头在画面里移动，感觉一下子就变了，更像在玩游戏，你在一个世界里四处游荡，而这个世界正被模型实时渲染出来。普通的AI视频是整段一次生成的：模型从一屏雪花噪点出发，反复“去噪”，把所有画面同时修出来。这样前后连贯，但也意味着视频生成完之前，你插不上手。世界模型把流程改成一帧接一帧：模型画出这一帧，你按个方向键，它根据你的动作画下一帧。视频就这样变成了游戏。代价也不小。每一帧都要现算，烧钱烧得厉害；模型还健忘，你在生成的房子里逛一圈再回来，屋里的摆设可能已经悄悄变了样，因为它把早先的画面忘了。去年8月谷歌DeepMind发布的Genie3、去年12月Runway发布的GWM-1，走的都是这条实时生成的路。WorldLabs则选了另一条：它去年11月推出的Marble，用一张图片或一段视频，再选择性地加一句描述，就能生成一个后院大小的3D场景，你可以用键盘鼠标飞进去逛，还能把整个场景导出来，给游戏开发者和特效师直接用。两条路各有软肋。Marble的场景一次生成、永久保存，家用显卡就跑得动，可惜里面是死的，一片树叶都不会动。实时生成的世界是活的，你能动手干预、看到后果，但一停机就烟消云散，而且每一秒都在烧算力。WorldLabs联合创始人本·米尔登霍尔承认这一点，他们正在想办法把“会动”加进自己的场景里。这些模型的物理知识是哪来的？没人教过它们牛顿定律，也没人给它们输入过三维几何。这恰恰是故意的。计算机科学家、强化学习先驱理查德·萨顿2019年写过一篇著名短文《苦涩的教训》，总结了AI几十年的历史：研究者总想把人类辛苦积累的知识亲手教给机器，但一次又一次，这种精心设计输给了简单粗暴的路线，也就是把海量数据和海量算力堆上去，让机器自己悟。教训之所以苦涩，是因为输掉的总是人类引以为傲的那部分知识。大语言模型就是这么成的：没人教它语法，它读了整个互联网，语法自己就冒出来了。世界模型下的是同一个赌注：不教三维，不教物理，只让模型看海量视频、反复练习预测下一帧。预测得足够好，它就有可能在内部自己长出一套对空间和物理的近似理解，至少支持者们是这么押注的。这套理解藏在哪？研究者管它叫“潜空间”。美国麻省理工学院的文森特·西茨曼打了个比方：假如你能翻开自己的大脑看，里面绝不会有一张房间的三维图纸，但你闭着眼也知道桌子在哪。模型也一样，它内部存着关于世界的信息，只是形式人类读不懂。连研究者自己也说不清模型内部是如何形成这些物理行为的，他们只能反复验证输出是否够用。比如拍一段真实视频，一只皮球吊在天花板下晃，把第一帧喂给模型让它续写，再把模型算出的轨迹和真实轨迹对比。那么问题来了：烧几十亿美元，就为了造个能逛的假世界？真正的目标是机器人。自动驾驶这几年进展快，一个重要原因是数据管够：行车记录仪和路测每天都在生产驾驶数据。而想让人形机器人进家干活，可用的训练数据少得可怜。有的公司已经在花钱雇人戴着摄像头做家务，就为攒一点训练素材，但这点数据杯水车薪。世界模型给出的解法是练功房：让机器人在模拟世界里日夜不停地练，摔了不疼，砸了不赔，失败1万次也只是几度电，还能批量生成机器人执行各种任务的画面当教材。西茨曼的团队就在用视频世界模型训练机器人撕胶带，这个动作看着简单，对机器人来说难得很。前提是模拟得足够真。要是模型把摩擦力算错一点，机器人学到手的就是错的功夫，到了现实世界一用就露馅。这一关目前还没过。所以下次再看到机器人公司发布的惊艳演示，可以多留个心眼：场景、任务、道具，都可能是精心挑过的。西茨曼自己说得很清楚：“这是一场赌注，还没有定论。”他甚至在博客里写，视频生成模型未必能解决机器人智能问题，甚至未必是最终答案的必要零件。但他和整个行业还是把钱和时间押了上去，因为赌对的回报太大。AI圈习惯把行业的繁荣期叫作“AI之春”。这一轮春天是大语言模型带来的，而这些真金白银的赌注说明，很多人相信，春天不会跟着聊天机器人一起结束。～～～～～～图一：题图，图源：MIT图二：文森特·西茨曼领导美国麻省理工学院计算机科学与人工智能实验室的场景表征研究组，图源：MIT图三：WorldLabs团队合影，左侧和中间穿黑色连帽衫的是本·米尔登霍尔，他左手边同样穿黑色连帽衫的是联合创始人李飞飞，图源：WorldLabs图四：Runway首席技术官阿纳斯塔西斯·格马尼迪斯在CerebralValley语音峰会上演讲，图源：NewcomerAISummits图五：计算机科学家、强化学习先驱理查德·萨顿2025年在圣迭戈演讲，图源：Xuthoria摄，CCBY-SA4.0许可图六：用WorldLabs的Marble从一段文字提示和一张2D参考图生成的3D场景，环境由高斯泼溅（Gaussiansplats）构成，用户可以在其中自由移动、变换视角，但场景里没有任何动态，图源：SamuelAxon图七：Runway最初发布GWM-1时的演示，生成的仓库场景上叠加着方向控制键，图源：Runway图八：西茨曼等人在用视频世界模型训练机器人完成撕胶带之类的任务，这个动作没有看上去那么简单，图源：MIT图九：类似3D软件Blender的悬浮场景视图只是世界模型可能的界面之一，有些世界模型根本不会有人类界面，图源：SamuelAxon信源：Axon,Samuel."Simulatingeverything,sortof:Thepromiseandlimitsofworldmodels."ArsTechnica,13July2026
美国公司高管改口：人工智能不会导致大规模失业，反而会促进就业自从AI的能力突破，
美国公司高管改口：人工智能不会导致大规模失业，反而会促进就业自从AI的能力突破，大规模失业的宣传就从未平息。OpenAI的奥特曼、Anthropic的阿莫代伊，更是高调鼓吹自家AI的跨越式进步，对于白领工作发出了“末日警告”。公司们转向大模型，将白领员工技能炼化为skill。许多科技公司的CEO与各界人士纷纷预测出现大规模失业，因为人工智能取代工作岗位。在廉价中国模型批量涌现后，趋势还在进一步加速。福特CEO吉姆·法利去年表示，“人工智能将取代美国所有白领员工中几乎一半的人”。但是近期，舆论反噬了。人们对AI公司转向反感，全美各地掀起针对数据中心的抗议浪潮，一些数据中心用地遭到了抵制。科技公司高管们纷纷改口。奥特曼说，“我们的行业低估了，我们能够在多大程度上始终将人置于一切的核心位置。”5月时他还说“我们在技术预测上大致准确，但在社会与经济影响方面却相当错误”，暗示对于失业的估计是不对的。阿莫代伊去年曾警告，人工智能会淘汰一半的基层岗位。如今，他在《华尔街日报》上指出，人工智能能够最大限度地提升生产效率。阿莫代伊说，“它们可以用更少的资源完成同样的工作，这可能导致裁员；或者在资源不变的情况下完成更多任务。”，但他补充说，“但那需要创造力”，暗示情况没那么严重。一篇六月发表的文章中，阿莫代伊写道，他在发出有关岗位流失的警示时，是希望政策制定者和私营部门能够拥有最佳的适应机会，而他并非想当一名“末日预言家”。Meta的扎克伯格也改口了。他近日表示，如果员工的生产率提升速度能快于自动化的发展速度，那么“从理论上讲，未来就业岗位应该会更多，而不是更少。”福特也有了变化，聘请了数百名工程师，因为“对已实现自动化的工作的质量的担忧”。一位发言人向《华尔街日报》表示：“拥有深厚技术专长的工程师与人工智能的强大赋能相结合，正推动福特在质量方面取得显著提升。”总体而言，人们的叙事已从由人工智能引发的、以劳动者失业为特征的末日式情景，转向了一个劳动者能够保住工作并实现生产率提升的未来。安永的一项调查显示，认为人工智能投资将带来大规模裁员的CEO比例已从2025年1月的约46%降至今年5月的20%。上月一家加州智库发现，除了一类人群之外，与人工智能相关的裁员激增的迹象并不存在。而受影响的人群，只是高AI技术应用行业的大学学历劳动者。据科技与管理咨询公司Emergn对企业高管的一项调查显示，约20%的受访者表示，人工智能部署报告描绘的前景乐观，但实际情况并不好，一些人甚至指出其员工在刻意掩盖部署失败。麻省理工学院经济学教授戴维·奥托尔对《华尔街日报》表示，“他们可能已经注意到，劳动力市场并未像他们预期的那样迅速发生变化”，“他们或许也意识到，宣称自己全新AI产品会摧毁经济，这根本就不是明智的商业策略。”金融科技公司Ramp与劳动力情报机构RevelioLabs的研究发现，那些在AI领域投入最多的企业，其员工规模比不用AI的同类企业平均高出约10%。针对数据中心的抗议浪潮发生后，人工智能行业的CEO们改口了，说此前关于大规模失业的警告被严重夸大了。（情况可能是一半对一半，CEO们面对舆论需要改口不能太狂，但AI取代白领也确实进展没那么好）
清华大学首度跻身全球第6位6月16日,Us.news官网发布了2026~20
清华大学首度跻身全球第6位6月16日,Us.news官网发布了2026~2027年度世界大学排名，清华大学首次排名第6位。哈佛大学排名第一，麻省理工学院排名第二，斯坦福大学排名第三，中烟大学排名第四，剑桥大学排名第五，清华大学排名第六。此外，北京大学，浙江大学，上海交通大学，复旦大学分别排第19位，第35，第37和第49名。排名的打分依据是:根据学校的学术声誉，论文产出与质量，国际化指标，人才培养等指标。也就是说，只要一所学校论文多，引用率高，博士生产量大，分数就会大幅上涨在清华大学在计算机，微电子，土木，能源等领域的论文产出比较高，被学者引用的数量多，所以靠这一项拉高了。学校排名甚至超过了伯克利，耶鲁等美国名牌大学当然了，也有不少网友调侃，这也是排名前20里面唯一一个没有在职诺贝尔教授的大学，虽然是一句玩笑话，但确实说的也是实话。像榜单的哈佛大学，麻省理工学院，斯坦福大学，牛津大学，剑桥大学等有数10位在职诺奖得主，哪怕是伯克利，耶鲁，普林斯顿大学等，也有不少诺奖得主任教。因为这项排名主要是靠论文数量、博士生数量、引用数量、国际学生数量等指标，这些都是清华大学的优势。就算没有诺贝尔教授也不影响清华大学的排名。另外就是不能太看重诺奖教授的含金量，因为他只是针对理论科学，没办法衡量一个学校的技术应用实力，顶多是停留在基础理论层面当然了，这套排名只看冰冷的论文数据，忽略了一所大学百年学术积累，基础理论，创新能力。这也是为什么会出现清华大学即便排名第六，但仍然没有在职诺奖的主要原因。
