Loading...
Loading...
Demis Hassabis（戴密斯·哈萨比斯）：自然世界皆可学习，AI将助我们破解物理学等终极之谜撰文：Techub News 整理
导语
2025 年 7 月，在荣获诺贝尔物理学奖后，谷歌 DeepMind 联合创始人兼 CEO Demis Hassabis（戴密斯·哈萨比斯）再度做客 Lex Fridman 播客。这是哈萨比斯获奖后的首次深度长谈，也是他第二次出现在该播客中。在这场近两个半小时的对话里，哈萨比斯超越了对其获奖工作 AlphaFold（阿尔法折叠）的常规讨论，深入阐述了他对智能、物理世界本质以及通用人工智能未来的宏大思考。作为当今人工智能领域最具远见的领导者之一，哈萨比斯此次发声不仅总结了过去十年 AI 在科学发现上的突破，更勾勒出一幅 AI 如何帮助人类破解从细胞到宇宙等根本性谜题的未来图景。
摘要
哈萨比斯提出核心猜想：任何在自然界中生成或发现的模式，都可以被经典学习算法高效地发现和建模。
AI 模型（如 Veo）已能惊人地模拟流体、光影等复杂物理现象，暗示其对世界拥有“直觉物理”理解。
哈萨比斯梦想构建“虚拟细胞”模型，并认为 AI 将是帮助人类解答生命起源、意识本质等终极问题的终极工具。
对于 AGI（通用人工智能），他设定了高阶标准，并预测未来可能需要通过类似围棋“神之一手”的创造性突破来识别。
自然皆可学：一项关于世界本质的大胆猜想
访谈始于一个源于哈萨比斯诺贝尔奖演讲的大胆命题。他提出：“任何能在自然中生成或发现的模式，都能被经典学习算法高效地发现和建模。”这并非泛泛而谈，而是基于 DeepMind 一系列标志性项目 AlphaGo、AlphaFold 的成功实践。
哈萨比斯解释道，无论是围棋的棋步空间，还是蛋白质可能折叠成的形状数量，其组合可能性都远超宇宙中的原子总数，用穷举法求解是完全不可行的。然而，AlphaGo 和 AlphaFold 都通过为这些环境构建模型，从而智能地引导搜索，使问题变得可解。关键在于，自然系统并非随机，它们都经历了演化或类似过程的“塑造”，从而具有内在结构。蛋白质能在毫秒内折叠，宇宙本身就在求解这些复杂问题。AI 所做的，正是学习并模拟这种结构化的搜索过程。
“我有时称之为‘最稳定者生存’，”哈萨比斯说，“这不仅适用于生物进化，也适用于地质过程塑造的山脉形态，乃至行星轨道和小行星形状——它们都经历了无数次作用‘存活’下来。因此，应该存在某种可以反向学习到的模式或‘流形’，它能帮你高效地搜索到正确解并进行预测。”他认为，这或许不适用于人造物或抽象问题（如大数分解），除非数字空间本身存在模式。但对于大多数自然系统，其结构是可学习的。
这一观点将学习能力的边界问题与理论计算机科学中的经典难题 P vs NP 联系了起来。哈萨比斯认为，如果我们把宇宙看作一个信息系统，那么 P vs NP 本身就是一个物理问题。他正在与同事探讨，是否应该为这类可通过神经网络过程解决、并映射到自然系统的问题定义一个新的复杂性类别。“这可能是思考该问题的一种非常有趣的新方式。”他补充道。
从流体到光影：AI 模型展现“直觉物理”理解
哈萨比斯用 DeepMind 最新的视频生成模型 Veo 来佐证其观点。传统的流体动力学（如纳维-斯托克斯方程）计算在经典系统上被视为极其困难，需要海量算力，例如天气预报系统。然而，Veo 却能够相当出色地模拟液体、材质和镜面光泽。
“我曾早期在游戏行业编写物理引擎和图形引擎，深知编写能做到这些的程序是多么痛苦，”哈萨比斯说，“但不知何故，这些系统仅仅通过观看 YouTube 视频就在进行逆向工程。”他推测，模型正在提取这些材料行为背后的潜在结构，可能存在一个更低维度的流形被学习到了。“这可能对现实世界的大部分都成立。”
Lex Fridman（莱克斯·弗里德曼）表示，Veo 在模拟物理方面“并非完美，但已经非常出色”，并提出了一个深刻的科学问题：模型需要理解世界的哪些方面才能做到这一点？哈萨比斯认为，就模型能够以连贯的方式预测后续帧而言，这本身就是一种“理解”——虽然不是拟人化或深层次的哲学理解，但它确实建模了足够的动力学。他特别指出，模型对物理行为、光照、材质和液体的模拟能力，表明它拥有某种“直觉物理学”的理解，类似于人类儿童对物理的直观把握，而非博士生对方程的解析。
这一发现挑战了此前的一个常见假设：AI 必须通过具身交互（如机器人）才能建立对物理世界的深入理解。Veo 的成功表明，被动观察也可能达成相当程度的理解。“这再次暗示了现实本质的某些底层规律。”哈萨比斯说。他展望，下一步可能是让视频变得可交互，让人们能够“步入”其中并移动，这将真正令人震撼，并更接近他所称的“世界模型”——一个关于世界如何运作、其物理规律和内含物体的模型，而这正是真正 AGI 系统所需要的。
AI 与终极之谜：从虚拟细胞到生命起源
哈萨比斯将构建通用人工智能视为帮助人类解答终极科学问题的终极工具。他的梦想项目之一是构建“虚拟细胞”——一个完整的细胞内部模拟。他设想，科学家可以在硅基环境中对虚拟细胞进行实验，大幅加速研究进程，可能将实验速度提升百倍，最后再到湿实验室进行验证。
他认为 AlphaFold 提供了蛋白质的静态 3D 结构图，而 AlphaFold 3 开始建模相互作用（如蛋白质与蛋白质、蛋白质与 RNA/DNA 之间的互动），这是通向模拟整个细胞通路乃至完整细胞的第一步。他计划从酵母细胞这种研究透彻的单细胞生物体开始。当然，挑战巨大，例如细胞过程涉及不同的时间尺度，建模时需要决定模拟的粒度级别。哈萨比斯希望能在蛋白质级别进行建模，而无需下沉到原子级别。
更宏大的问题是，AI 能否模拟生命的起源？哈萨比斯认为这是一个最深奥、最迷人的问题之一。他设想，从原始汤的初始条件出发，AI 能否模拟出类似细胞结构的涌现？“那将是生命起源的‘神之一手’。”他说。他相信，最终我们会发现，从非生命到生命并非一条清晰的分界线，而是一个连续谱，连接着物理、化学和生物学。“破解这堵我们在大脑中构筑的墙，正是我毕生致力于 AI 和 AGI 工作的全部原因。”哈萨比斯坦言，现实本质、意识、时间本质等终极问题一直在他脑海中“呐喊”，而 AI 可能是解开这些谜团的关键。
AGI 的路径与标志：超越“认知不均”
哈萨比斯估计，到 2030 年有 50% 的可能性开发出 AGI。他设定的标准很高：能够匹配大脑拥有的全部认知功能。他强调，当前 AI 系统是“认知不均”的，在某些方面很强，在其他方面却有明显缺陷。真正的 AGI 需要具备全面的、一致性的智能。
如何测试 AGI？他提出两种方式：一是“暴力测试”，让系统完成成千上万个人类能够完成的认知任务；二是让世界顶级专家（如陶哲轩那样的领域专家）花一两个月时间尝试找出系统的明显缺陷。如果都找不到，那就可以相当确信拥有了通用系统。
此外，他期待看到一些“灯塔时刻”，即类似围棋“神之一手”的突破性创造。例如：1）提出像爱因斯坦相对论那样的全新物理学猜想或假说。可以进行回溯测试：将知识截止到 1900 年，看系统能否提出狭义和广义相对论。2）发明一种如围棋般深邃、优雅的新游戏。“一个系统能够同时完成好几件这类事情，而不仅仅是单一领域，这就是我会寻找的迹象。”哈萨比斯说。
对于当前热门的“递归自我改进”和 AI 安全，哈萨比斯认为像 AlphaEvolve（阿尔法进化）这样的系统展示了将大语言模型与进化算法等传统搜索方法结合的潜力，这可能在科学发现中催生新的能力。但他不确定完全的端到端自我改进是否可取，因为这可能导致“硬起飞”场景。目前，系统在给定具体指令时表现良好，但对于“创造一个比围棋更好的游戏”或“做一个更好的自己”这样高度不明确的指令，还无法处理。
游戏、意识与人类未来
作为曾经的游戏开发者（代表作《主题公园》《黑与白》），哈萨比斯对 AI 将如何重塑游戏充满期待。他梦想着能根据玩家想象动态创造内容、编织故事的 AI 系统，实现终极的“选择你自己的冒险”游戏。结合类似 Veo 的交互式生成技术，他认为未来 5 到 10 年可能实现这种令人惊叹的开放世界游戏。
当被问及意识是否可以被经典计算机建模时，哈萨比斯与物理学家罗杰·彭罗斯观点相左。他认为大脑中进行的主要是经典计算，因此意识现象原则上可以被经典计算机模仿或建模。但关于“感受性”的哲学难题可能是个例外。他提出了一个有趣的思路：未来如果通过脑机接口与 AI 系统连接，我们或许能亲身体验在硅基上计算的感觉，从而更好地理解意识。
谈及人类未来，哈萨比斯持乐观态度。他相信人类无限的创造力和极强的适应性。“看看我们现在所处的世界——我们是用狩猎采集者的大脑在应对。乘坐飞机、做播客、玩电脑游戏……这已经令人震惊。我认为这只是下一步。”他认为社会已经在一定程度上适应了当前令人瞠目的 AI 技术。
最后，关于 AI 时代人类的独特性，哈萨比斯认为，构建 AI 这种智能人造物并将其与人类心智进行比较，或许是理解人类心智特殊之处的最佳方式。“我相信存在特殊之处，但这场我们正在进行的旅程将帮助我们理解和定义它。”这场对话最终回归到哈萨比斯的初心：利用 AI 这一工具，探索智能的本质，并最终理解我们自身与所处的宇宙。
因为这个功能，高德支棱起来了作者｜孙芮
微信｜lombredeau
AI已经能把一趟旅行安排得明明白白：去哪玩、吃什么、住哪里，都可以列成详细攻略。
但走进商场，找个几十米外的厕所，你可能仍然需要来回确认：走哪条通道，要不要上楼，入口究竟在哪边？
对传统导航来说，手机横着竖着都没什么差别，反正工作内容主要是三件事：报路口、算距离，以及在你走错之后提醒掉头。
但导航Live颠覆了传统导航。它先让手机“支棱”起来——把手机从支架上取下来、竖起来，摄像头开始看路，并结合位置和方向，把厕所位置转化为跟当前环境对应的视觉引导，屏幕里的数字信息也就和眼前的现实世界对应上了。
9月10日，高德地图发布扫街榜2026，并推出导航Live功能。高德导航产品负责人孙冲在接受《硅星人》采访时表示：“导航Live的本质，是一个具备‘时空上下文＋现场感知＋端到端行动力’的具身智能体。它让用户的手机变成了真实世界的搜索框，可以识别并解读眼前的建筑、景点、店铺和环境信息。”
听起来像是给导航装上了“AI眼睛”，但“看见”只是第一步。
比如在一座陌生城市的老街区，开车或者步行来到三个几乎挨在一起的窄巷口，传统导航可能只会提醒“前方50米右转”。方向没错，至于究竟是哪一个口，往往还得靠自己猜。
导航Live要做的，是把地图上的右转变成眼前可辨认的路：从挂着红灯笼的便利店右侧进去，留意左边正在卸货的面包车。要是你临时改了主意，想换一家本帮菜，它也能接着前面的对话继续找店，并根据当前位置和道路条件重新规划路线。
手机竖起来并不难。难的是让它知道自己看见了什么、你正身处哪里，以及接下来该做什么，高德要做的是让导航理解真实世界。
1
高德如何让导航理解真实世界
导航Live看起来只是将摄像头加入导航，但真正困难的并不是让AI识别一张图片，而是让AI理解图片背后的复杂动态的空间关系。
它需要同时理解用户在哪里、朝向哪里、眼前是什么，以及这些对象与道路、建筑、地点之间是什么关系。
例如，识别出眼前的是一家餐厅只是视觉识别；进一步确认这家餐厅对应地图中的哪个POI、距离用户多远、入口在哪里，则涉及位置、地图和空间关系的综合判断。
而这些能力背后，正是高德空间智能发挥作用的地方。可以简单理解为三个层面：
首先是动态感知，将摄像头画面、位置和传感器信息，以及实时交通等数据结合起来，让AI理解用户眼前正在发生什么；
其次是时空推演，不只判断当前看到了什么，还结合道路和交通状态理解接下来可能发生什么；
最后是三维空间表达，将地点、道路和环境等数字信息准确地对应到现实空间中，让AI的理解能够随着用户移动持续保持在正确的位置。
因此，导航Live背后是一套从“感知—理解—推演—行动”串起来的空间智能能力。摄像头让AI能够看到现实世界，而位置、地图、交通和三维空间数据，则让它真正理解自己看到的东西处于什么位置、与用户是什么关系，以及下一步可以做什么。
这也让导航Live更像一个能跟着任务一直走下去的智能体，而不是一问一答的视觉入口。它看到的不只是画面里的招牌，还包括你此刻在哪、朝哪个方向、是在走还是停着，以及周边的路况正在发生什么变化。
因此它不必等着被提问。车道快要变窄、前方弯道有盲区，或者路过一家评价不错的老店，它可以在恰当的时机主动说一句，而不是让人像用工具一样一遍遍下指令。
认出来之后，它还能接着做事。通用视觉模型识别出一个对象，通常给的是一段介绍；而导航Live识别出一个地点后，可以直接接上高德已有的能力——重算路线、指向具体入口、继续查这家店的信息，把“认出来”变成“下一步怎么走”。
1
实测导航Live，找厕所再也不是难题了
上述变化更多体现在产品逻辑上，那么实际使用导航Live，可以更直观地看到这种变化。
我们从室内找厕所，和选餐厅这两个日常化的场景做了实测。
相信大家经常会遇到室内找厕所这个难题，这是一个非常高频的导航需求。
通常情况下，我们需要打开地图搜索，从导航软件给出的POI（信息点）中选择目标位置。但在商场、景区等复杂空间中，地图上的位置并不一定能够直接转化为现实中的行动指引。
用户知道厕所距离自己只有几十米，却仍然可能需要在多个入口、楼梯、电梯和通道之间进行反复判断。
导航Live把这一步简化了。点开搜索框旁边的摄像头图标，AI获取当前环境，再结合位置和方向，把地图上的厕所POI转化成与眼前环境对应的视觉引导。
在此过程中，导航Live不仅提供了目的地信息，还尝试建立地图坐标与现实空间之间的对应关系。对于商场、街区等空间相对复杂的场景，导航Live可以帮助减少寻找时间和不必要的绕行。
第二个场景则是逛街选餐厅这类更复杂但同样高频的需求。当你在旅行过程中感到饥饿疲惫，想在附近找一家餐厅吃饭时，往往街道上的多家餐厅会让你一时难以抉择。
过去，通常需要先确认各家店名，再进入地图或点评产品搜索，查看评分、评价和推荐菜等信息。
导航Live则提供了一种更加简便的交互方式。
我们可以将摄像头对准街道，通过导航Live询问高德“这家店评分怎么样”“哪家店更适合一人食”这些问题。
导航Live可以直接识别取景框内的餐厅，点击扫街榜的图标还可以有更多餐厅评分、人均消费等信息。
这实际上是把视觉、地点和消费信息一次性关联起来：先认出眼前的餐厅，再对应到地图中的具体POI，然后取回评价信息、按你的问题组织答案。原本“识别对象—搜索对象—获取信息”的长链路，被压缩成了一次提问。
找厕所解决的是当前位置与下一步行动的关系，问餐厅解决的是现实对象与数字信息的关系，两者共同回答的是同一个问题：AI如何进入并理解你正在经历的现实场景。
1
空间智能重塑一整天生活体验
当然，高德的空间智能能力并不只服务于导航Live。飞行街景2.0，将目的地变成一个可以自由探索的三维空间，让用户能自由调整观看位置、角度和高度，在出发前就获得身临其境的在场感。扫街榜结合真实到店、专程前往、反复到店等聚合行为信号，以及经授权的评价信息，帮助用户判断一个地方值不值得去；避雷指南则把用户做好的攻略放进具体的时间、空间和交通条件中验证，看原本静态的行程是否真的可执行。
几项产品背后，其实是高德将空间智能逐步应用到出行不同环节的过程。
发布会上亮相的ABot-Earth 0.7，是高德三维空间表达能力的一项直观呈现。作为3D原生城市世界模型，它将空间、时间与现实信息组织进可连续进入、自由探索和交互的三维世界。
从扫街榜到飞行街景2.0、避雷指南、导航Live，再到ABot-Earth 0.7，高德探索的其实是同一个问题：如何让AI和现实世界对上。
今天生成一个答案已经不难，难的是让答案落在此时、此地。出行需要的从来不是一个脱离场景的回答，而是与眼前这条街、这个入口、这一刻的路况有关的信息。
要做到这一点，一端是长期积累并持续更新的地图、道路、位置和街景，一端是把这些数据变成空间理解的能力。前者决定AI能不能接触真实世界，后者决定它能不能看懂。
地图过去回答的是世界在哪里，现在要回答的是，眼前这个世界和你的下一步之间是什么关系。这也是高德成为AI进入现实世界的入口的原因。
【早鸟票开售】硅谷101 Alignment 2026千人大会来啦！最近太多科技峰会了，硅谷101来点不一样的。
Alignment 2026将有整两天的时间，呈现给大家：AI前沿，到底在发生如何的剧变。
2026年10月10日-11日，硅谷101年度科技大会将第三次在硅谷举办。过去几年，我们很幸运，通过播客和视频，和大家一起追踪了这一轮AI浪潮中最重要的技术、公司和人。从大模型到Agent，从机器人到AI Infra，从实验室里的突破，到真实世界里的商业化——很多我们在节目里持续追问的问题，今年，我们继续把它们带到线下。
更重要的是，把那些真正身处变化中心的人，带到大家面前。
所以，here’s Alignment 2026: Live from the AI Frontier, Uncut.
Alignment 2026
今年的Alignment大会，会有几个很大的升级。
去年的大会我们收到很多好评，但不少人遗憾的一点是：行程太紧、时间太短了。台上的讨论意犹未尽，场外刚聊起来，一天就结束了。
所以今年，我们索性把Alignment 2026变成一场完整的两天大会。
我们希望大家不只是来“听几场演讲”，而是真的有时间和研究者、创业者、投资人，以及同样对技术充满好奇的人待在一起。有价值的讨论，不应该只发生在台上。
很多真正的思维碰撞或是合作的开端，发生在茶歇、午餐、走廊，以及一句“诶，你刚才在台上说的那个观点，我也一直在想”的后面。
我们希望创造一个沉浸式的场域。
（Alignment 2025现场）
硅谷101一直不太喜欢泛泛而谈。
相比“AI会不会改变世界”这样的问题，我们更想知道：
在前沿领域，无论是大模型还是机器人，到底在发生什么？将如何带来颠覆？
AI4S、RSI、FDE、Alignment、Agent Infra、Robotics、World Models、AI for Content……当我们忘掉公关稿和精心制作的demo，真正深入技术的本质核心，会带来完全不一样的思考。
今年最热、也最没有标准答案的问题，我们都会聊。
而我们更在意的，是谁来回答这些问题。
硅谷101更喜欢邀请那些正在一线做研究、做产品、建公司的人。
不绕弯子，不念PR稿。
我们希望在现场，对着最核心的嘉宾问出那些真正尖锐、真正核心、也真正值得讨论的问题。
（Alignment 2025 Main Stage强化学习论坛）
如果你来过前两届Alignment，应该知道：硅谷101拒绝把科技大会做得很无聊。
今年，我们还会玩得更大一点。
AI Avatar主持、音乐家与AI乐器现场合奏、机器人表演、AI Demo，以及各种我们现在还不能全部剧透的现场实验……
我们希望你在这里不仅能“听懂AI”，也能真正看到、听到、摸到AI正在变成什么。
严肃的技术讨论和好玩的现场体验，并不冲突。
平日里，很多观众告诉硅谷101，会拉着家里小朋友一起看/听我们的节目；而同样，我们的大会也老少皆宜。大人可以来追最前沿的技术趋势，小朋友也可以近距离看看机器人和AI究竟能做什么。希望在他们心中埋下一些未来的种子。
（Alignment 2025 Tech Playground现场）
这一年，视频模型进步得实在太快了。
快到已经开始动摇整个影视与内容行业原本的生产方式。
所以我们想做一个实验：
如果把最懂内容的人，和最懂AI的人放在一起，他们能把AI for Content推到什么程度？
Alignment 2026将特别设置AI短剧黑客松。
我们会把创作者、导演、编剧、AI工程师和产品人聚到一起，在新的生产工具下重新想象：一个故事，到底还能怎么被创造出来？
现场会有作品放映、专业评审团，也会有高额奖金。
但比比赛结果更让我们好奇的是：
当技术门槛快速下降之后，真正稀缺的，到底会是模型、制作能力，还是人的想象力？
我们想和大家一起看看答案。
（Alignment 2025 Tech Playground现场）
过去三年，Alignment从一个想法，慢慢变成了硅谷101每年最期待的一次线下相聚。
而2026年的AI，也走到了一个无比关键的转折点：随着OpenAI正式发布了新一代大模型GPT-6Astra，将其称为“全球最智能、对齐程度最高的模型”、且宣告AGI时代的到来，但问题是：AGI来了，SO WHAT?
从模型能力，走向Agent、科研、机器人与真实世界；从Demo里的惊艳，走向成本、收入、基础设施和规模化背后，也是今年Alignment最有价值的探讨与记录。
10月10日-11日，我们硅谷见。
用两天时间，和一群真正站在AI前沿的人，一起穿过噪音，看看这场变化真正发生在哪里。
（Alignment 2025现场演讲）
🎟️ 早鸟票现已开放
欢迎扫码或点击阅读原文购票
Alignment 2026 嘉宾亮点
陈天桥是互联网时代最具代表性的创业者之一。
近年来，他将主要精力投入Apodex，探索AI如何从“回答已知问题”走向“发现未知知识”。Apodex致力于构建面向复杂科学与研究任务的AI Discovery系统，让AI能够提出假设、调用工具、反复验证、修正错误，并在真实世界约束下持续进化。
在近期的公开分享中，陈天桥提出：AI真正改变Discovery的地方，可能不只是更高的智能，而是更低的试错成本。在Alignment 2026，他将带来主题演讲：AI Discovery vs Human Genius: Cheap Inner Loops and Expensive Outer Loops （AI发现与人类天才：低成本的“内循环”与高成本的“外循环”）
当AI可以同时探索成千上万个假设，人类“天才”的意义会如何被重新定义？下一阶段AI Discovery真正的瓶颈，又会出现在模型、工具，还是现实世界的验证系统？这将是一场关于AI、科学发现，以及未来知识生产方式的讨论。
Dylan Patel是SemiAnalysis创始人、CEO兼首席分析师，也是当下硅谷最具影响力的AI基础设施与半导体分析者之一。
从GPU、HBM、先进封装，到数据中心、电力与模型经济学，他长期追踪AI浪潮背后决定扩张速度的物理与商业瓶颈。2026年GTC上，黄仁勋曾直接引用SemiAnalysis的InferenceX测试，自封为“Inference King”。Dylan最近在媒体采访中强调：AI的下一轮跃迁不会只来自更快的GPU，而来自模型、软件、芯片、互连乃至数据中心的全栈协同设计；与此同时，算力竞赛真正的天花板正越来越多地转向内存、供应链和电力。在他看来，Inference的规模甚至可能成长为“比石油更大的市场”。
如果你想知道未来几年数千亿美元的AI CapEx最终会流向哪里，以及Nvidia的护城河究竟有多深、TPU和定制芯片能否真正挑战GPU、AI数据中心下一处最可能卡在哪里，Dylan是最值得听的人之一。
Andy Hock是Cerebras首席战略官（Chief Strategy Officer）。
在hyperscaler们疯狂修GPU数据中心的今年，Cerebra提出了一个很重要的视角：AI workload并不都是同一种workload，未来的AI基础设施也不应该只有一种计算架构。
Training与inference、离线生成与实时Agent，对延迟、吞吐和成本的要求完全不同；尤其随着Agent开始进行长链条推理和实时交互，token生成速度和ultra-low-latency inference正在从体验问题变成AI能力本身的一部分。
这也是Cerebras押注的方向。从整片晶圆打造的Wafer-Scale Engine，到新一代CS-4，Cerebras正试图用一条完全不同于传统GPU cluster的路线解决AI推理瓶颈；今年，它还与OpenAI达成了750MW的高性能推理部署合作，并与AMD探索将低延迟与高吞吐计算拆分的heterogeneous inference架构。
Andy会加入Dylan Patel的panel环节，与主持人肖志斌博士一起探讨芯片的替代性架构与算力未来。
随着大模型能力的迅速提升，Alignment（对齐）成为AI产业最重要的议题。
近来，数名Anthropic及OpenAI研究员以“人类将失去对AI的控制”为由，公开表达安全顾虑，令外界对AI竞赛的安全风险担忧骤然升温。这是硅谷101非常关注的方向，因此我们邀请了几名该领域值得听的声音。
John Yan是AI可解释性公司Gutenberg创始人，曾任Anthropic的研究工程师并参与Claude 3 Opus和Haiku的模型训练工作。在Gutenberg，John正在探索Data-Centric Interpretability：不是只打开模型权重研究神经元，而是从成千上万条真实Agent trajectories中寻找隐藏的行为模式。其最新研究利用Sparse Autoencoder分析多智能体强化学习过程，提前识别出了reward hacking、异常角色扮演，以及训练失败的根本原因。
随着AI从chatbot走向可以执行复杂任务的autonomous agent，Alignment的问题也正在发生变化：我们不仅要让模型“说正确的话”，更要理解它为什么这么做，以及它是否正在学习人类没有预料到的策略。John正站在这一变化的前沿。
在Alignment panel上，我们也邀请到了Bo Li（李博），她是Meta Superintelligence Labs（MSL）AI Safety & Security研究者、UIUC计算机科学教授，也是AI安全公司Virtue AI联合创始人。她长期研究trustworthy AI、adversarial machine learning、red teaming 与 alignment，是AI安全领域最有影响力的研究者之一。
2026 年，她与Virtue AI团队加入Meta Superintelligence Labs，继续推动frontier model与AI agent的安全、治理和可信部署。
FDE是硅谷讨论最火的词之一，我们请到了OpenAI最关键的人。
Shawn Li是OpenAI Forward Deployed Engineering（FDE）团队成员。FDE是OpenAI连接frontier model与真实企业场景的一线团队：他们直接深入客户业务，从问题定义、原型设计到生产部署，验证AI在复杂工作流里究竟能不能创造真正可衡量的价值，并把一线反馈重新带回产品与模型迭代。OpenAI也将此视为企业AI落地的重要机制。
如果说模型公司正在生产越来越强的intelligence，那么FDE要解决的问题是：怎样把这种intelligence变成真正可以运行、规模化、并重构企业工作流的系统。Shawn将从OpenAI一线部署的视角，分享frontier AI 从 Demo走向生产环境时，真正困难的问题到底在哪里。
Qifei Wang是Google DeepMind Nano Banana核心研发负责人之一，长期从事生成式AI、计算机视觉与多模态模型研究。他深度参与了Nano Banana Nano Banana Pro的研发，并负责推动通过RL on Diffusion让图像模型更好地对齐真实用户偏好。Nano Banana发布后迅速成为Google最具代表性的生成式AI产品之一，其后续版本在图像生成与编辑评测中持续位居前列。
随着Gemini的推理与世界知识被融入图像生成，模型开始能够理解复杂指令、保持人物与场景一致性、处理文字与空间关系，并通过对话持续修改视觉世界。当AI从“看懂一张图”走向“生成、编辑、推理甚至模拟一个世界”，视觉模型会不会成为继LLM之后的下一种通用智能入口？ Qifei Wang正站在这场Generative AI从content creation走向visual intelligence的最前沿。
宇宙探索，是我们今年最期待的内容之一。
Fengwu Sun（孙凤梧）是天文学家、JWST/NIRCam仪器科学团队成员，长期研究早期宇宙中的星系形成与演化。他曾参与James Webb Space Telescope（JWST）NIRCam的在轨调试与校准，也是JADES深空巡天团队成员，并领导或参与了累计超过2,000小时的JWST观测项目。2026年秋，他将从Harvard & Smithsonian Center for Astrophysics加入西湖大学，组建早期宇宙研究团队。
今天的天文学正在面对一个和过去完全不同的问题：我们获得数据的速度，已经开始超过人类科学家阅读和分析数据的速度。NASA的新一代Nancy Grace Roman Space Telescope刚刚于8月30日升空，预计每天传回约1.4TB数据——大约是JWST日均数据量的20多倍，五年将产生超过20PB的科学数据。面对这样的数据规模，没有AI，未来的天文学研究几乎难以想象。
当望远镜可以以前所未有的速度生产数据，AI能帮助天文学家更好的探索宇宙深空吗？Fengwu将从一线天文学家的视角，分享AI正在如何改变天文学，以及为什么现在可能是整个科学界最让人兴奋的时刻之一。
（韦伯空间望远镜传回的首批全彩深空图）
这会是一个keynote，有很多浪漫的宇宙照片，欢迎带小朋友们来听哦～
Michael Hsu早年师从日本机器人学家菅野重树，长期研究机器人、触觉感知与人机交互。2021年回国创立帕西尼，坚持“具身原生”为出发点：从创业之初便同步布局触觉传感、具身数据与智能执行三大路线。
他推动触觉感知实现从“万元级”到“百元级”数量级降本，在全国5大区域建设具身数据采集基地，并让机器人进入汽车制造等真实场景，持续采集数据、训练模型和验证能力。三条路线最终形成帕西尼感知—智能—执行（PIE）”全栈体系，让机器人能够感知世界、理解世界，并真正作用于世界。
2026年，帕西尼累计融资近40亿元，估值突破100亿元。许晋诚也持续推动行业标准与开放生态建设，带领帕西尼迈向具身智能基础设施平台。
AI在科学上的发展是硅谷101关注的重点方向，在Neolab panel上，我们邀请到Carina Hong（洪乐潼），她是Axiom Math创始人兼CEO，正在打造能够进行严谨数学推理、生成形式化证明并验证自身结果的“AI Mathematician”。
OpenAI今年先用未发布模型推翻了一个研究近80年的Erdős单位距离猜想，随后又公布了横跨几何、编码理论、复杂性理论等领域的10项长期开放问题的新结果或实质性进展。这意味着我们正在进入一个新的阶段：AI开始参与创造此前不存在的数学知识，而这门学科正成为AI从reasoning走向discovery最先发生质变的领域。
Carina说：“Math is AGI.” 在现场，她将深度阐释这句话背后的原因。
田渊栋（Yuandong Tian）是Recursive Superintelligence联合创始人，前Meta FAIR Research Scientist Director，曾共同领导Llama 4 reasoning，长期研究强化学习、规划、推理与大模型效率。他曾主导Meta的OpenGo项目，也指导了StreamingLLM、GaLore，以及探索“连续隐空间推理”的Coconut等研究。
如今，他正在把研究重点推向一个更核心的问题：AI能不能成为改进AI自身的研究者？Recursive正在探索Recursive Self-Improvement（RSI，递归自我进化）：让AI自己提出研究想法、修改代码、运行实验、验证结果，并把有效发现带入下一轮研究。关于AI界最近关于RSI进展的探讨，你不能错过田渊栋的分享。
Neolab的论坛上，我们还邀请到了Andrew Dai。他是Elorian AI联合创始人兼CEO，前Google Brain / DeepMind核心研究者。在Google近14年间，他参与了现代大模型发展的多个关键阶段：早期语言模型预训练研究、Mixture-of-Experts，曾领导 PaLM 2 pre-training，并负责Gemini的数据与多模态相关工作。2026年，他离开 DeepMind创立Elorian，并完成5500万美元融资，投资方包括NVIDIA、Menlo Ventures、Altimeter，以及Jeff Dean等AI研究者。
Andrew现在最关注的，是frontier models一个常被忽略的短板：AI已经能写代码、做数学、处理复杂语言，却仍然经常“看不懂”一个人类小孩轻松理解的视觉世界。Elorian因此选择押注Visual Reasoning / Multimodal Intelligence——让模型真正理解空间、结构、关系与物理世界。
杜克大学的Haozhe Harry Wang教授说，“硅”也许不是人类发明芯片的最终形态。
他的实验室长期研究二维半导体、原子尺度制造与AI for Nanofabrication，聚焦在一个越来越迫切的问题：当传统硅芯片不断逼近物理极限，下一代计算材料会是什么，我们又能不能用AI更快地找到它？Harry的团队正在研究石墨烯、MoS₂、MXene等只有几个原子厚的二维材料，希望构建更小、更快、更节能的post-silicon computing。
今年，他与Google DeepMind合作，将AI Co-Scientist接入真实半导体实验：AI提出方案并优化参数，实验室直接合成、表征和验证材料，形成从推理到物理世界反馈的闭环。当AI开始参与制造承载AI自身的下一代芯片，RSI是否会从软件世界进一步进入材料与硬件？这正是Harry Wang正在探索的未来。
Havey AI是硅谷Agent领域跑得最前面的公司，没有之一。
它选择法律这个高专业度、高价值、同时对准确性和安全要求极高的行业切入，把模型深入到研究、合同审阅、尽调、诉讼等真实工作流中。Harvey已服务全球2,400多家机构、超过20万名律师，并进入75家以上AmLaw 100律所；2026年9月宣布完成 5.5亿美元 的新一轮融资，公司估值飙升至 155亿至156亿美元，前其累计总融资额已超过15.5亿美元。
Joey Wang是Harvey Engineering Lead，负责构建面向coding与professional services的background agents。
Nico Laqua是Corgi联合创始人兼CEO/CTO。Corgi是过去一年硅谷增长最快、也最具争议的AI-native公司之一：成立于2024年，从保险切入，用AI agents重构underwriting、claims、policy operations等原本高度依赖人工的工作流，并直接成为持牌保险carrier。
Corgi的发展速度本身就极具“AI时代”色彩。2026年1月公司宣布融资1.08亿美元；5月完成1.6亿美元融资、估值13亿美元，仅三周后估值又翻倍至26亿美元；随后又被报道以约40亿美元估值继续融资。与此同时，Corgi已从startup insurance快速扩展到trucking、claims infrastructure、AI liability，最近又推出自己的admitted insurance carrier。
但Corgi极其另类的marketing playbook也让它从诞生开始就伴随争议：一家AI保险公司，在旧金山金融区开了一家24/7 Corgi咖啡店；又买下一辆醒目的巴士，提供连接YC、Caltrain和咖啡店的免费巴士。咖啡店后来甚至把菜单本身变成广告位，让科技公司购买冠名饮品。有人把这些动作视为噱头和attention hacking，也有人认为，在数字广告被AI内容彻底淹没之后，Corgi找到了一种非常AI-native的GTM：不是购买流量，而是在现实世界里制造流量、社区和话题本身。
也正因如此，Corgi是一个非常有意思的AI Agent样本。
Jiantao Jiao（焦剑涛）是NVIDIA Director of Research & Distinguished Scientist，同时任UC Berkeley EECS与统计学教授，长期研究大语言模型、强化学习、post-training与agentic AI。近年来，他深度参与NVIDIA Nemotron开放模型系列的研发，覆盖从pre-training、RL、evaluation到agent system的完整技术栈。
当最强的frontier models越来越走向闭源，NVIDIA却在做一个不同的下注：不仅开放模型权重，还开放训练数据、post-training recipe和RL infrastructure。最新的Nemotron 3 Ultra是一个面向long-running agents的550B MoE模型，同时开放 checkpoint、训练数据与训练方法；而刚刚发布的Nemotron 3.5 Lightning，则进一步把重点放在always-on Agent所需要的速度、成本和模型routing上。
这背后其实是一个比“开源 vs 闭源”更大的问题：未来AI的intelligence layer，会不会像今天的软件世界一样，最终形成一个任何公司都可以定制、训练和拥有的开放技术栈？对NVIDIA而言，开放模型也意味着模型、训练框架、推理系统和 GPU 可以被一起co-design，模型本身正在成为下一代计算平台的一部分。
当然我们的大会还会涵盖世界模型，及其对自动驾驶和机器人领域的影响。
José M. Álvarez是NVIDIA Director of AI Research，目前在Spatial Intelligence Lab 领导自动驾驶应用研究团队，研究横跨autonomous driving、foundation models、world models与Physical AI。他长期关注一个核心问题：如何让机器理解物理世界的规律，并预测“接下来会发生什么”。
José深度参与了NVIDIA Cosmos世界模型体系的研究，包括用于可控世界生成的 Cosmos-Transfer。2026年NVIDIA又发布Cosmos 3：把视觉推理、世界生成与action prediction放进同一个开放模型，让机器人和自动驾驶系统可以先在模型里“想象”不同未来、模拟行动后果，再决定现实世界中如何行动。
而José最近尤其在探索self-improving Physical AI：用reasoning自动驱动data flywheel，也就是说，World Model不只是一个更强的视频生成器，而可能成为机器人持续学习和自我进化的环境。
Wei-Chen Wang（王韋程）是Nebius VP of AI Inference，负责打造高性能、低成本的生产级AI推理基础设施。他此前联合创立Eigen AI，专注于模型优化、post-training与inference systems；2026年Eigen AI被Nebius收购，并整体融入Nebius Token Factory。更早之前，他曾在MIT HAN Lab从事高效AI系统研究，并凭AWQ（Activation-aware Weight Quantization）获得MLSys 2024 Best Paper Award——这项技术如今已成为大模型4-bit量化部署中极具代表性的方案。
随着AI从训练竞赛走向大规模真实使用，行业正在面对一笔越来越现实的经济账：模型再强，如果每个token都太贵、延迟太高，就很难真正支撑数以亿计的Agent持续运行。加入Nebius后，Wei-Chen正在把Eigen的模型优化能力与Token Factory的全球AI Cloud结合，从模型量化、speculative decoding到系统级优化，重新思考如何让inference更快、更可靠，也更便宜。
以上只是Alignment 2026的部分嘉宾，更多重磅嘉宾正在确认中，即将揭晓……Livepeer, AI视频需求爆发带动季度使用量激增71.9%……Messari Research指出“转向实际应用中心”Livepeer（LPT）在2026年第一季度于实时AI视频基础设施市场中展现了显著的存在感。Messari Research的Jake Koch-Gallup在近期报告中分析称，Livepeer的季度网络使用量环比增长71.9%，达到创纪录的1.344亿分钟，而基于AI的费用约占协议总收入的60%，已确立为核心收入来源。不过，由于处理量增速超过费用增速，单位营收有所放缓，受代币价格下跌影响，质押奖励也大幅减少。
Livepeer是一个支持实时AI视频生成与推理、直播及视频转码的去中心化GPU计算网络。其目标是以比传统云服务商低60%至85%的成本处理媒体工作负载，采用编排者提供GPU资源、委托者委托Livepeer代币（LPT）的运作结构。近期，它正迅速从传统转码网络转向以AI视频推理为核心的基础设施。
本季度增长的关键在于“实际使用量的扩大”。报告显示，Livepeer网络处理量从2025年第四季度的7820万分钟飙升至2026年第一季度的1.344亿分钟。这并非单纯的事件性增长，而是现有应用在生产中深化使用以及构建者持续扩大采用的结果。尤其是在需求集中于实时AI及基于代理的工作负载的情况下，Livepeer的基础设施转型战略被认为已取得成效。
在收入方面，规模增长也在持续。Messari Research指出，第一季度需求侧费用为25.73万美元，环比增长34.2%。但每千分钟的平均收入从2.45美元降至1.91美元，下降了22%。这是由于网络处理量增长更快，导致单位盈利能力下降。这一现象被解读为低费用、高处理量工作负载占比扩大、初期AI定价形成阶段以及效率提升等多重因素共同作用的结果。
值得关注的是AI视频货币化的质量提升。Livepeer的AI费用为15.47万美元，环比增长15.5%。中奖票总数仅增长3%至28330张，但每张票的平均费用从4.87美元上升12.2%至5.46美元。这表明不仅仅是处理量增长，更有价值的AI工作负载正在涌入网络。尽管AI占比从上一季度的70%以上降至约60.1%，但这源于非AI需求的同样快速扩张，从“收入来源多元化”角度来看是积极的信号。
在代币经济方面，情况则喜忧参半。质押参与率为52.2%，高于协议50%的目标，保持稳定。这使得Livepeer的动态通胀机制运作，年化日通胀率从28.4%降至26.2%。这对网络安全和发行量管理是积极因素，但投资者盈利能力有所恶化。第一季度总质押奖励约为740万美元，环比下降44%。原因是LPT价格从2.90美元下跌26.8%至2.12美元，加上发行量减少的影响叠加。
这意味着Livepeer正从“高通胀奖励型网络”转向“基于实际使用的费用型网络”。实际上，网络活动在扩大，但奖励规模对代币价格和发行量变化更为敏感。委托人数量从2570人减少到2468人，也与这种结构变化不无关系。这表明网络参与依然稳健，但市场价格疲软正在压缩参与者的实际收益率。
市值也未能避免下跌趋势。Livepeer的流通市值环比下降24.6%，至1.054亿美元。流通供应量增长了约3.1%，但价格跌幅更大，导致总价值缩水。这表明市场在认可网络实际使用扩大的同时，对代币价格反弹仍持谨慎态度。
产品与生态系统的扩张速度很快。第一季度，Livepeer将基于BYOC的流媒体功能整合到节点软件中，并通过ComfyStream扩展支持了多模态输出和数据通道。同时，ai/live远程签名器堆栈得到升级，提升了实时AI工作负载的路由、结算和编排效率。Network-as-a-Product（NaaP）的构想也调整为更现实的MVP核心方向，并构建了Grafana仪表板及基于API的观测系统等提升运营可见性的基础设施。
外部合作也转化为实际用例的扩展。与XMTP的合作被设计为整合消息驱动的直播、聊天和身份功能；与Ar.io合作开发了AI生成视频的来源证明基础设施；与Sprizts的合作展示了低带宽环境下的实时视频传输可能性；而minidev.fun和embodied.zone的案例则证明了Livepeer基础设施正在向AI代理和交互式头像领域扩展。
在治理方面也有重要变化。Livepeer于1月22日通过LIP-101重新启动了国库奖励，并恢复了10%的国库分成。这是为了在未来稳定积累协议安全、网络开发和生态投资的资金。同日，协议研发特别目的实体（Protocol R&D SPE）也正式成立，将维护、升级、测试网运营和漏洞应对工作制度化。综上所述，这表明Livepeer正趁AI视频基础设施竞争全面展开之际，同步夯实技术、财务和治理基础。
最终，2026年第一季度Livepeer在网络使用量、AI视频需求和费用增长这三个方面取得了明确的进步。另一方面，LPT价格疲软和奖励减少仍然是代币投资视角的负担。尽管如此，在实时AI视频和GPU计算需求结构性扩大的趋势中，Livepeer被视为一个去中心化基础设施能够吸收实际市场需求的案例。Messari Research的Jake Koch-Gallup判断，Livepeer正朝着更低通胀、更注重实际使用的模式转型。未来的观察点在于，以AI视频为中心的需求能否进一步转化为代币价值和盈利能力的提升。LiveOne, 上调2026年业绩指引…重在改善盈利与现金流LiveOne（$LVO）公布了2026财年业绩指引，预计营收为8200万至9000万美元（约合1219亿至1337亿韩元），调整后EBITDA为500万至1000万美元（约合74亿至149亿韩元）。目标期间为截至2026年3月31日的财年。
公司表示，在发布此次预测的同时，也在推进财务结构改善工作。LiveOne已完成了超过1500万美元（约合223亿韩元）的未付账款转换，转换基准为每股7.50美元。此举旨在降低债务性质的负担，提升财务稳健性。
持续回购股票……预计核心子公司均实现盈利
LiveOne还在继续实施股票回购计划。据悉，目前仍有超过500万美元（约合74亿韩元）的回购额度可用。通常，股票回购被视为减少流通股数量、展现提升股东价值意愿的信号。
公司还预计，所有核心子公司都将实现调整后EBITDA盈利。此外，公司还签署了多年音乐许可协议的续约，降低了业务持续性方面的不确定性。内容使用权被视为音乐与娱乐平台企业收入结构中的核心资产。
重组效果显现……预计现金流改善
完成重组的定制个性化解决方案业务部门预计也将为2026财年的业绩改善贡献力量。公司预计该部门将带来每年350万美元（约合52亿韩元）的营收以及超过60万美元的现金流。
此次指引表明，LiveOne更侧重于提升“盈利能力”和“现金创造能力”，而非单纯的规模增长。鉴于未付账款转换、股票回购以及业务部门重组正在同时进行，市场很可能会关注未来实际季度业绩在多大程度上能够支撑这一蓝图。
TP AI注意事项
本文使用基于TokenPost.ai的语言模型进行摘要。正文主要内容可能被省略或与事实不符。假‘Leisure Live’应用程序受害扩散…50余人被骗950万美元链上调查员ZachXBT透露，苹果应用商店上架的一款假冒"Ledger Live"应用程序与4月7日至13日期间从50多名受害者处窃取约950万美元（约合1398亿韩元）加密货币的事件有关。此次事件影响巨大，因为它同时针对了比特币(BTC)、以太坊(ETH)、Solana(SOL)、波场(TRX)等多个网络的使用者。
根据ZachXBT当地时间13日在Telegram上发布的内容，被盗资金通过超过150个KuCoin存款地址进行了洗钱，他将其与看似中心化混币服务的"Ody A6"联系起来。不过，截至发稿时，苹果和KuCoin均未发表官方立场，损失规模和受害者人数也仍基于ZachXBT的调查结果。
最大的损失案例有三起。一名受害者损失了总计约195万美元的比特币(BTC)、质押以太坊(stETH)和以太坊(ETH)；另一名受害者于4月9日被盗323万美元的泰达币(USDT)；4月11日还确认了约200万美元的USDC(USDC)损失。
Ledger首席技术官Charles Guillemet对CoinTelegraph表示："Ledger绝不会要求提供24个单词的恢复短语"，"无论是浏览器、应用商店还是桌面环境都不可信。"这意味着，即使是看起来官方的环境也不能断定是安全的。
此次事件是在前一天也有类似案例报告后接连发生的。音乐家Garrett Dutton，即知名人物"G. Love"也表示，他在苹果应用商店下载了恶意应用程序并输入了种子短语后，损失了价值约42万美元的比特币(BTC)。接连发生的损失事件再次表明，即使是应用商店这样的官方分发渠道也可能成为攻击目标。
文章摘要 by TokenPost.ai
🔎 市场解读
官方应用商店亦遭渗透的钓鱼应用程序案例，凸显加密货币安全风险
同时针对多链使用者的攻击，可能对市场整体信任度造成短期压力
通过中心化交易所进行的资金洗钱路径也再次成为争议焦点
💡 策略要点
钱包应用程序务必从官方网站直接下载
要求输入种子短语（恢复短语）应100%视为诈骗信号
应用商店排名、搜索结果靠前也不能作为可信依据
考虑小额测试转账及采用多钱包分散保管策略
📘 术语解释
种子短语：用于钱包恢复的12-24个单词，泄露可能导致资产全部被盗
链上分析：追踪区块链交易数据以掌握资金流向的技术
混币服务：为隐藏资金来源而混合交易的服务
稳定币：与美元等法定货币价值挂钩的加密货币
💡 常见问题 (FAQ)
Q.
此次假冒Ledger应用程序事件的核心侵害方式是什么？
用户在安装假冒应用程序后，一旦输入24个单词的恢复短语，攻击者便会窃取钱包访问权限并转移所有资产。要求输入恢复短语是典型的网络钓鱼手法。
Q.
为什么官方应用商店也不安全？
因为第三方可以注册使用相似名称和设计的应用程序。虽然存在审核系统，但并不完美，攻击者屡次绕过该系统的情况时有发生。
Q.
个人投资者如何预防此类侵害？
钱包软件务必仅从官方网站下载，任何情况下都不应输入或共享恢复短语。此外，将资产分散保管在多个钱包中有助于风险管理。
TP AI 注意事项
本文摘要基于TokenPost.ai语言模型生成。正文主要内容可能被省略或与事实存在出入。[LIVE] 香港-韩国Web3政策协商会正式成立…亚洲区块链联合全面启动连接香港与韩国的亚洲Web3政策合作网络于23日正式启动。
HYPAI Labs、WebGA、全球Web3开发者大会（GWDC）于当天下午3点举行了"亚洲Web3政策委员会线上启动仪式及2026 GWDC韩国站发布会"。活动通过TokenPost YouTube频道进行实时直播，并提供中英文字幕及录制服务。
两国议员·企业家齐出动…组成多边政策合作体
此次委员会是由韩国与香港两国的国会议员、国家领导人、区块链·数字资产领域专家共同参与的多边政策合作体。其目标是超越亚洲，加强与中东、非洲等Web3领先国家的团结。
活动演讲嘉宾包括：中国人民政治协商会议全国委员、商贸·创新技术小组委员会主席Johnny Ng，提出数字资产基本法的国会议员闵炳德，亚洲经济开发委员会主席尹锡勋，WebGA CEO Caspar Wong，HYPAI Labs代表Alex Chung-hyun Park，TRON创始人孙宇晨，Bithumb代表李材元等。
确定举办2026 GWDC韩国站
当天活动的最大焦点是正式宣布2026年全球Web3开发者大会（GWDC）韩国站的举办。GWDC是连接全球Web3开发者与政策制定者的大型国际会议，韩国能否崛起成为亚洲Web3生态的核心据点，正吸引着业界的目光。
活动以开幕致辞开始，随后依次进行▲香港-韩国Web3政策合作联盟发言（Johnny Ng·闵炳德） ▲HYPAI Labs主旨演讲（尹锡勋） ▲GWDC韩国站启动发布（Caspar Wong·Alex Park） ▲TRON网络主旨演讲（孙宇晨） ▲Bithumb主旨演讲（李材元），活动将持续至下午4点20分。
韩国·香港媒体也作为官方合作伙伴参与
媒体方面，韩国最大的数字资产专业媒体TokenPost担任了国内独家合作伙伴，香港方面则有Techub News作为合作媒体参与。两家公司曾于去年8月以在香港数码港举行的DePIN Expo 2025为契机，签署了战略合作协议，并在内容交流、共同举办活动等方面持续合作。SK证券将CJ目标股价上调至23万韩元……Olive Young的良好业绩主导SK证券基于对CJ旗下子公司业绩改善的预期，上调了其目标股价。具体而言，看好CJ Olive Young持续的良好业绩将对CJ股价产生积极影响，将目标股价从原先的20.5万韩元上调至23万韩元。
CJ Olive Young因去年访韩外国人数量增加，线下销售额上升，同时线上用户数也有所增长，实现了销售额的均衡增长。因此，CJ Olive Young持续保持着高增长性和收益率，这一业绩也对CJ整体的业绩改善做出了贡献。预计这些因素将直接推动CJ股价上涨。
此外，CJ第一制糖和CJ ENM在上季度虽录得净亏损，但预计今年第一季度将转为盈利。这预计将对CJ股价产生积极影响，从而使得CJ的股价上涨趋势更加明确。
总体来看，预计今年CJ的年度营业利润将达到2.787万亿韩元，较去年增长10%，这是在多家子公司业绩改善支撑下可实现的目标。若此趋势持续，CJ股价很可能保持更为稳健的上涨势头。播客 Ep.387ㅡAI改变视频流媒体…"Livepeer"，以去中心化GPU基础设施挑战实时视频市场2025年第四季度，去中心化视频基础设施项目Livepeer在全面推进实时AI视频战略的同时保持了稳健增长态势。季度总视频处理量达到7870万分钟，较去年同期增长174%。分析指出，随着实时AI推理需求上升，该业务已占据全网收入70%以上，成为核心收入来源。
Livepeer正在构建基于GPU资源的去中心化计算网络。在此架构中，协调者需质押LPT代币以获得任务分配，从而赚取ETH手续费及新增LPT奖励；转码器负责实际视频转码工作，通常与协调者运行在同一配置环境中；委托者则代表运营方质押LPT并分享收益。这种质押与手续费激励结构构成了强化网络安全的运行机制。
截至2025年第四季度，需求侧手续费总额达19.17万美元，虽较去年同期增长162%，但环比下降5.9%。这主要受ETH价格下跌及单位收益减少影响。值得注意的是，实时AI推理任务的扩展促使计费模式从传统多码率转码转向按单任务计费，对实际收益率产生了影响。
AI视频处理业务产生13.4万美元手续费，占协议总收入的70%以上。尽管环比下降9%，但分析认为这并非AI应用暂缓所致，而是源于单价结构性调整与竞争加剧。该业务单任务平均手续费为4.87美元。
另一方面，由于LPT价格环比下跌52%，总质押奖励减少27.3%至1310万美元。但质押参与率突破50%目标值，满足网络安全假设，动态通胀机制也趋于稳定。不过，质押资本权重与实际手续费创造能力之间的差距仍是待解难题。
协议方公布了面向2026年的中长期路线图，强调将聚焦提升实时AI视频产品的可靠性与生产环境采用率。"Daydream"与"Cascade"等技术计划致力于端到端AI工作流支持及实时管道优化。此外，改善用户体验、扩展GPU供应、构建企业级采用基础等也被列为下一代增长战略。
研究机构Messari指出，四季度使用模式反映出稳定的网络利用指标而非事件驱动型激增，佐证了基于实时推理的AI视频流媒体的可持续性。市场期待这种针对去中心化GPU基础设施的战略能为应对Web2视频平台的Web3服务提供新选择。
Livepeer能否在AI实时视频处理市场真正奠定其去中心化基础设施的地位？“AI实时视频需求拉动收益”…Messari集中分析Livepeer四季度增长势头2025年第四季度，去中心化视频基础设施平台Livepeer的网络使用量和盈利指标较去年同期实现大幅提升。加密货币研究机构Messari Research在报告中指出，随着AI驱动的实时视频推理需求扩大，Livepeer的协议收入正在激增。
报告显示，2025年第四季度Livepeer网络的视频处理量达到7870万分钟，环比增长1.6%。与去年同期相比，增幅高达174%。这一趋势随着实时应用的出现以及网络利用率的扩大（包括AI生成叠加等功能）而愈发明显。Messari Research分析认为，这种扩张尤其基于生产环境中的稳定需求，而非一次性事件。
在费用方面，总需求侧费用同比增长162%，达到19.17万美元，但环比下降了5.9%。这是由于以太坊（ETH）价格下跌以及向AI推理计费模式转变拉低了平均单价。实际上，每千分钟收益从上一季度的2.63美元降至2.44美元。然而，据Messari Research分析，这并非网络性能下降所致，而是源于收入结构的细化和价格竞争的加剧。
Livepeer网络收入的核心支柱仍然是AI相关费用。2025年第四季度AI费用为13.4万美元，占协议总收入的70%以上。虽然该数字环比有所下降，但Messari认为这是激增后的正常化调整。报告特别指出，每个AI工作单元的费用从5.28美元降至4.87美元，这反映了更广泛的应用采用和竞争。
在质押方面，总奖励为1310万美元，环比下降27.3%。这主要是由于LPT价格下跌52.1%所致，影响了奖励的绝对规模。另一方面，质押参与率超过50%，达到52.2%，有助于缓解通胀。这意味着即使在代币价格较低的情况下，对网络的基本信任和参与度依然得以维持。
与此同时，Livepeer明确了向实时AI视频基础设施的转型，并发布了以可靠性、可观测性和可扩展性为核心的2026年路线图。提高路由效率、减少实时延迟、扩展AI内容生成工具等被列为核心任务。此外，为推广实时流媒体应用案例而进行的基础设施升级和强化市场进入策略也被确定为主要推进方向。
在报告末尾，Messari Research将2025年第四季度定义为"增长高峰后的稳定过渡期"，并预计未来基于真实用户的应用扩展和盈利模式的细化将持续进行。报告特别分析指出，作为弥合"AI×实时内容"技术与市场差距的平台，Livepeer的作用将愈发重要。撰文：Techub News 整理 导语 2025 年 7 月，在荣获诺贝尔物理学奖后，谷歌 DeepMind 联合创始人兼 CEO Demis Hassabis（戴密斯·哈萨比斯）再度做客 Lex Fridman 播客。这是哈萨比斯获奖后的首次深度长谈，也是他第二次出现在该播客中。在这场近两个半小时的对话里，哈萨比斯超越了对其获奖工作 AlphaFold（阿尔法折叠）的常规讨论，深入阐述了他对智能、物理世界本质以及通用人工智能未来的宏大思考。作为当今人工智能领域最具远见的领导者之一，哈萨比斯此次发声不仅总结了过去十年 AI 在科学发现上的突破，更勾勒出一幅 AI 如何帮助人类破解从细胞到宇宙等根本性谜题的未来图景。 摘要 哈萨比斯提出核心猜想：任何在自然界中生成或发现的模式，都可以被经典学习算法高效地发现和建模。 AI 模型（如 Veo）已能惊人地模拟流体、光影等复杂物理现象，暗示其对世界拥有“直觉物理”理解。 哈萨比斯梦想构建“虚拟细胞”模型，并认为 AI 将是帮助人类解答生命起源、意识本质等终极问题的终极工具。 对于 AGI（通用人工智能），他设定了高阶标准，并预测未来可能需要通过类似围棋“神之一手”的创造性突破来识别。 自然皆可学：一项关于世界本质的大胆猜想 访谈始于一个源于哈萨比斯诺贝尔奖演讲的大胆命题。他提出：“任何能在自然中生成或发现的模式，都能被经典学习算法高效地发现和建模。”这并非泛泛而谈，而是基于 DeepMind 一系列标志性项目 AlphaGo、AlphaFold 的成功实践。 哈萨比斯解释道，无论是围棋的棋步空间，还是蛋白质可能折叠成的形状数量，其组合可能性都远超宇宙中的原子总数，用穷举法求解是完全不可行的。然而，AlphaGo 和 AlphaFold 都通过为这些环境构建模型，从而智能地引导搜索，使问题变得可解。关键在于，自然系统并非随机，它们都经历了演化或类似过程的“塑造”，从而具有内在结构。蛋白质能在毫秒内折叠，宇宙本身就在求解这些复杂问题。AI 所做的，正是学习并模拟这种结构化的搜索过程。 “我有时称之为‘最稳定者生存’，”哈萨比斯说，“这不仅适用于生物进化，也适用于地质过程塑造的山脉形态，乃至行星轨道和小行星形状——它们都经历了无数次作用‘存活’下来。因此，应该存在某种可以反向学习到的模式或‘流形’，它能帮你高效地搜索到正确解并进行预测。”他认为，这或许不适用于人造物或抽象问题（如大数分解），除非数字空间本身存在模式。但对于大多数自然系统，其结构是可学习的。 这一观点将学习能力的边界问题与理论计算机科学中的经典难题 P vs NP 联系了起来。哈萨比斯认为，如果我们把宇宙看作一个信息系统，那么 P vs NP 本身就是一个物理问题。他正在与同事探讨，是否应该为这类可通过神经网络过程解决、并映射到自然系统的问题定义一个新的复杂性类别。“这可能是思考该问题的一种非常有趣的新方式。”他补充道。 从流体到光影：AI 模型展现“直觉物理”理解 哈萨比斯用 DeepMind 最新的视频生成模型 Veo 来佐证其观点。传统的流体动力学（如纳维-斯托克斯方程）计算在经典系统上被视为极其困难，需要海量算力，例如天气预报系统。然而，Veo 却能够相当出色地模拟液体、材质和镜面光泽。 “我曾早期在游戏行业编写物理引擎和图形引擎，深知编写能做到这些的程序是多么痛苦，”哈萨比斯说，“但不知何故，这些系统仅仅通过观看 YouTube 视频就在进行逆向工程。”他推测，模型正在提取这些材料行为背后的潜在结构，可能存在一个更低维度的流形被学习到了。“这可能对现实世界的大部分都成立。” Lex Fridman（莱克斯·弗里德曼）表示，Veo 在模拟物理方面“并非完美，但已经非常出色”，并提出了一个深刻的科学问题：模型需要理解世界的哪些方面才能做到这一点？哈萨比斯认为，就模型能够以连贯的方式预测后续帧而言，这本身就是一种“理解”——虽然不是拟人化或深层次的哲学理解，但它确实建模了足够的动力学。他特别指出，模型对物理行为、光照、材质和液体的模拟能力，表明它拥有某种“直觉物理学”的理解，类似于人类儿童对物理的直观把握，而非博士生对方程的解析。 这一发现挑战了此前的一个常见假设：AI 必须通过具身交互（如机器人）才能建立对物理世界的深入理解。Veo 的成功表明，被动观察也可能达成相当程度的理解。“这再次暗示了现实本质的某些底层规律。”哈萨比斯说。他展望，下一步可能是让视频变得可交互，让人们能够“步入”其中并移动，这将真正令人震撼，并更接近他所称的“世界模型”——一个关于世界如何运作、其物理规律和内含物体的模型，而这正是真正 AGI 系统所需要的。 AI 与终极之谜：从虚拟细胞到生命起源 哈萨比斯将构建通用人工智能视为帮助人类解答终极科学问题的终极工具。他的梦想项目之一是构建“虚拟细胞”——一个完整的细胞内部模拟。他设想，科学家可以在硅基环境中对虚拟细胞进行实验，大幅加速研究进程，可能将实验速度提升百倍，最后再到湿实验室进行验证。 他认为 AlphaFold 提供了蛋白质的静态 3D 结构图，而 AlphaFold 3 开始建模相互作用（如蛋白质与蛋白质、蛋白质与 RNA/DNA 之间的互动），这是通向模拟整个细胞通路乃至完整细胞的第一步。他计划从酵母细胞这种研究透彻的单细胞生物体开始。当然，挑战巨大，例如细胞过程涉及不同的时间尺度，建模时需要决定模拟的粒度级别。哈萨比斯希望能在蛋白质级别进行建模，而无需下沉到原子级别。 更宏大的问题是，AI 能否模拟生命的起源？哈萨比斯认为这是一个最深奥、最迷人的问题之一。他设想，从原始汤的初始条件出发，AI 能否模拟出类似细胞结构的涌现？“那将是生命起源的‘神之一手’。”他说。他相信，最终我们会发现，从非生命到生命并非一条清晰的分界线，而是一个连续谱，连接着物理、化学和生物学。“破解这堵我们在大脑中构筑的墙，正是我毕生致力于 AI 和 AGI 工作的全部原因。”哈萨比斯坦言，现实本质、意识、时间本质等终极问题一直在他脑海中“呐喊”，而 AI 可能是解开这些谜团的关键。 AGI 的路径与标志：超越“认知不均” 哈萨比斯估计，到 2030 年有 50% 的可能性开发出 AGI。他设定的标准很高：能够匹配大脑拥有的全部认知功能。他强调，当前 AI 系统是“认知不均”的，在某些方面很强，在其他方面却有明显缺陷。真正的 AGI 需要具备全面的、一致性的智能。 如何测试 AGI？他提出两种方式：一是“暴力测试”，让系统完成成千上万个人类能够完成的认知任务；二是让世界顶级专家（如陶哲轩那样的领域专家）花一两个月时间尝试找出系统的明显缺陷。如果都找不到，那就可以相当确信拥有了通用系统。 此外，他期待看到一些“灯塔时刻”，即类似围棋“神之一手”的突破性创造。例如：1）提出像爱因斯坦相对论那样的全新物理学猜想或假说。可以进行回溯测试：将知识截止到 1900 年，看系统能否提出狭义和广义相对论。2）发明一种如围棋般深邃、优雅的新游戏。“一个系统能够同时完成好几件这类事情，而不仅仅是单一领域，这就是我会寻找的迹象。”哈萨比斯说。 对于当前热门的“递归自我改进”和 AI 安全，哈萨比斯认为像 AlphaEvolve（阿尔法进化）这样的系统展示了将大语言模型与进化算法等传统搜索方法结合的潜力，这可能在科学发现中催生新的能力。但他不确定完全的端到端自我改进是否可取，因为这可能导致“硬起飞”场景。目前，系统在给定具体指令时表现良好，但对于“创造一个比围棋更好的游戏”或“做一个更好的自己”这样高度不明确的指令，还无法处理。 游戏、意识与人类未来 作为曾经的游戏开发者（代表作《主题公园》《黑与白》），哈萨比斯对 AI 将如何重塑游戏充满期待。他梦想着能根据玩家想象动态创造内容、编织故事的 AI 系统，实现终极的“选择你自己的冒险”游戏。结合类似 Veo 的交互式生成技术，他认为未来 5 到 10 年可能实现这种令人惊叹的开放世界游戏。 当被问及意识是否可以被经典计算机建模时，哈萨比斯与物理学家罗杰·彭罗斯观点相左。他认为大脑中进行的主要是经典计算，因此意识现象原则上可以被经典计算机模仿或建模。但关于“感受性”的哲学难题可能是个例外。他提出了一个有趣的思路：未来如果通过脑机接口与 AI 系统连接，我们或许能亲身体验在硅基上计算的感觉，从而更好地理解意识。 谈及人类未来，哈萨比斯持乐观态度。他相信人类无限的创造力和极强的适应性。“看看我们现在所处的世界——我们是用狩猎采集者的大脑在应对。乘坐飞机、做播客、玩电脑游戏……这已经令人震惊。我认为这只是下一步。”他认为社会已经在一定程度上适应了当前令人瞠目的 AI 技术。 最后，关于 AI 时代人类的独特性，哈萨比斯认为，构建 AI 这种智能人造物并将其与人类心智进行比较，或许是理解人类心智特殊之处的最佳方式。“我相信存在特殊之处，但这场我们正在进行的旅程将帮助我们理解和定义它。”这场对话最终回归到哈萨比斯的初心：利用 AI 这一工具，探索智能的本质，并最终理解我们自身与所处的宇宙。
