37 Matching Annotations
  1. Jun 2026
    1. 在军事项目领域,设计并建造下一代战斗机,或者至少造出一架足够优秀的战斗机,是一个国家所能选择的最困难的任务之一。随着过去几年向第六代战斗机迈进的步伐不断加快,我们一再看到证明:启动一个项目远比将其坚持到底要容易得多。俄罗斯的下一代雄心壮志受到了乌克兰战争巨大资源需求的打击,更不用说持续的实质性制裁了。即使在资金充裕得多的美国军方内部,也一直在反复争论如何同时为空军和海军的战斗机项目提供资金。早在2017年,法国和德国渴望拥有自己的下一代战斗机,但又对所需的庞大资源感到畏惧,于是决定联手。2019年,西班牙也加入了该团队。这原本应被视为欧洲合作、资源整合和实现更大战略自主的胜利。它本应避开此前许多跨国项目所陷入的陷阱:投入巨大的时间和资源,试图打造出各方都能接受的东西,结果他们后来又决定分道扬镳,各干各的。多年来,我们一直被告知巴黎、马德里和柏林完全致力于该项目。但从复杂的技术交流和工业安排,到更简单的问题如“这架飞机到底要用来干什么”,各种疑问显然已经公开化。其中一些问题曾在本频道讨论过,这导致了最近的宣布:经过近十年的努力,唯一纯粹的欧洲第六代战斗机项目即将解体,参与方可能会分道扬镳,各奔东西。因此,今天我们将对第六代战斗机竞赛、法德西合作的戏剧性崩溃,以及这可能对另一个部分由欧洲参与的第六代项目——“暴风”(Tempest)意味着什么进行更新,因为它仍在与其最可怕的敌人——英国财政部进行斗争。为此,我们将首先了解更广泛的第六代竞赛的一些背景,并追溯法德西项目从2017年最初的理想主义,到定义它的争论和冲突,直到最终政治领导层不得不接受不可避免的现实,并将该项目像许多跨国项目一样“彻底放弃”的演变过程。然后,我们将把目光转向接下来的选择。首先是法国,然后是德国和西班牙。这不仅包括讨论这些国家在未来战斗机发展方面可能采取的行动,还包括这可能为另一个部分由欧洲参与的第六代项目带来的机遇。

      在我们能够理解为什么其中一个或多个项目最终会解体之前,了解他们试图做什么会有所帮助。战斗机世代并不是绝对的、普遍适用的分类。出于多种原因(包括营销),国家和公司经常有理由在描述上含糊其辞。例如,一些拥有通常被认为是第四代战斗机的国家,可能会声称它们融合了第五代或第六代特征。为了反映随着时间的推移而整合的所有升级和新功能,我们在营销手册和在线材料中看到了新名称的出现,给了我们“四代半”、“四代+”,有时甚至是声称的“四代++”战斗机。话虽如此,总体而言,对于第六代战斗机项目应该实现什么目标,有一些普遍公认的特征。无论你是在谈论美国、中国还是欧洲的思考,人们普遍认为第六代战斗机必须具备隐身性和生存能力,在传感器、计算能力、发电和冷却能力方面相比前几代实现巨大飞跃,提供令人印象深刻的性能,并且必须被设计为“体系中的体系”(system of systems)的一部分来运行。实际上,我们所知道的几乎所有主要项目,以及一些额外的项目(如俄罗斯设想的第六代战斗机),都将与空战无人机并肩作战。这使得有人驾驶战斗机不仅扮演个体战斗机的角色,还扮演生存能力强的传感器和控制节点的角色——基本上是一个高性能的指挥中心,能让几名人类存活下来,以便他们能够协调周围的无人机系统。这就是你如何在战斗机机队中获得“规模”和“弹药深度”的部分途径,尽管这些新飞机可能极其昂贵,并且可能以过去某些第四代飞机那样的数量生产时成本高得令人望而却步。这也是这些项目在开发阶段如此困难且极其昂贵的部分原因。你不仅要开发一种新的战斗机(这对许多国家来说本身就已经足够困难了),还需要开发相关的子系统,开发无人机,并提出网络架构,使它们能够作为一个团队运行。

      这里的一个重要背景是,在许多国家开始着手这些项目的阶段,国防界内部曾有一些争论。你真的需要下一代有人驾驶战斗机吗?还是无人机已经准备好承担更多这类角色了?我认为,在这一点上,大多数主要军事强国已经明确决定你需要。许多主要的机队仍然依赖于迅速老化的冷战时代设计。既然无人机还没准备好,除非你愿意在几十年内没有顶级的空军,否则你可能至少需要再发展一代战斗机。在此之后是否还需要另一代,我们拭目以待。但当我们开始进入空战的“有人-无人协同”时代时,很明显,大多数人预计有人驾驶平台在一段时间内仍将是团队的一部分。如果你想让这个有人驾驶组件有效且具备生存能力,那可能意味着需要第六代战斗机。然而,认为你需要某样东西与能够实际设计和生产它之间存在着巨大的差异。在国防工业努力的难度谱系上,这几乎是最难的了。世界上很少有国家真正展示了设计和建造第五代设计的能力。而这些(第六代)可能会更加复杂。一般来说,如果你试图评估一个国家或国家集团是否有可能在国防工业领域完成某项任务,我认为你通常至少需要三个投入要素:一堆足够大的资金、将其投入火中的政治意愿,以及确保从熔炉中出现的产品物有所值的必要工业和科学能力。这不是那种你可以在车库里拼凑出来的项目。所需的一些技能和经验也不是你随便在招聘网站上发个广告就能招到的。基于这三个标准,除非各国愿意妥协(例如使用进口组件和专有技术,或特许设计),但多年来很明显,只有少数几个主要项目有合理的成功机会。其中许多集中在两个已经设计并生产出完全自主的第五代设计的主要工业强国:美国和中国。美国有两个主要项目:空军的F-47空优战斗机和海军的F/A-XX(旨在取代老旧的F/A-18)。即使在美国这样庞大且发达的国防工业背景下,这似乎也有些吃力。F-47似乎进展顺利,但海军的战斗机项目则波折不断。有时,海军自己提议推迟该项目,以便将资金转移到其他领域。人们还对行业产能表示担忧,因为大量优秀人才和资源被导向了F-47等项目。目前,似乎唯一能让F/A-XX保持当前速度推进的因素是国会。当政府试图将F/A-XX的资金削减到每年约7000万美元时,国会拨款委员会介入,试图额外增加约9亿美元。美国还有一个相对先进的“忠诚僚机”项目,与第五代和第六代战斗机并肩作战。这就是协同作战飞机(CCA)。虽然我们还没有看到生产设计被选中,但资金和优先级显然已经到位。我们还应该向美国致以荣誉的提及,因为它有望成为第一个实际装备下一代飞机的国家,尽管是以轰炸机而非战斗机的形式。B-2“幽灵”的替代者B-21“突袭者”已经飞行了一段时间,有消息称它最早可能在明年有限度地服役。B-21在这里可能相关的原因是,尽管它不是战斗机,但该项目的一些技术和经验教训可能是可以转移的。如果你完成了设计飞机的艰苦工作并转入生产,那可能会有大量熟练的个人可以转移到其他项目上。

      另一个多项目参与者显然是中国。美国空战司令部司令曾表示,美国的评估是,中国正朝着与美国相同的方向发展“体系中的体系”,其中该体系的一部分至少包括一种第六代战斗机的设计。事实上,我们已经看到了来自中国的许多未来派机体,其中一些已经试飞。当然,在装备隐身作战无人机方面,中国在某些方面实际上可能领先于美国。虽然在北京在隐身轰炸机游戏方面仍远远落后于美国,但预计随着轰-20(H-20)项目,他们最终会赶上。除了这两个超级大国,其他在这场下一代航空竞赛中的参与者在哪里?因为虽然许多人谈论过它,但大多数国家都难以满足我们之前讨论的那三个标准。瑞典萨博(SAAB)有战斗机设计的历史,但很难想象他们能找到资金独自承担第六代项目。印度曾谈到在未来将其国内第五代战斗机“先进中型战斗机”(AMCA)融入一些第六代特征,但他们也公开表示,印度空军有兴趣加入另一个第六代战斗机开发项目,而不是完全单干。在2022年入侵之前,俄罗斯有着庞大的下一代飞机雄心,包括飞翼战略轰炸机和第六代战斗机PAK DP。但这些项目现在被可笑地拖延了。由于俄罗斯国防部门的大部分资源被乌克兰战争的需求所吞噬,俄罗斯似乎没有能力在未来真正跟上主要竞争对手的步伐。然而,仍有一个潜在的力量集团可以做到这一点。那就是欧洲,或者更具体地说,欧洲加上几个额外的盟友。你在这里看到的图表非常粗略地衡量了两种GDP:名义GDP和购买力平价(PPP)。当涉及大型国防项目时,两者都很重要。如果你在支付科学家和工程师的薪水,购买力平价可能更重要。但如果你在进口任何东西,或者使用本可以在国际市场上出口的商品,名义GDP可能是更准确的衡量标准。如你所见,无论你进行PPP调整与否,与其他三列相比,俄罗斯真的只是一个“陪跑者”。美国、中国,以及我在这里拼凑在一起的一组国家(包括欧盟、英国和日本)。以名义美元计算,这个拼凑起来的经济集合体大致相当于美国,以购买力平价计算大致相当于中国。将这组国家拼凑在一起的原因是,其他第六代项目大多来自这里。“欧洲及其他”这一列给了我们两个主要的第六代项目。一个主要由英国、日本和意大利组成的联盟正在开发“暴风”(Tempest)作为其体系中的体系的有人驾驶战斗机部分。在纸面上,该战斗机有一个相当激进的测试和服役时间表,首飞定于2028年,服役定于2035年。而且在纸面上,涵盖了许多工业和技术基础。你有像MBDA这样的武器公司,意大利人负责传感器,罗尔斯·罗伊斯负责发动机,而日本能够带来大量的材料科学组件和其他专有技术。所有这些国家都有操作第五代战斗机F-35的经验,并且是其更广泛供应链的一部分。他们之间还拥有生产先进作战飞机的大量现有能力。另一个项目是FCAS(英文)或SCAF(法文),最初结合了德国和法国,几年后西班牙加入。请记住,当我以后提到SCAF时,我通常只指代“体系中的体系”的一个组成部分,即下一代战斗机,这让我们回到SCAF原本应该是什么。首先要说的最重要的一点是,该项目诞生于与今天截然不同的政治和安全背景下。德国的军费开支要低得多,虽然克里米亚事件已经发生,但对俄罗斯军事活动的威胁看法与2022年之后截然不同。这或许提供了一些有用的背景,解释了为什么该项目最终是这样构建和推进的。这里有非常真实的军事需求,但也有政治和工业激励。在纸面上,这将是一个欧洲项目,旨在开发我们讨论过的完全那种空战“体系中的体系”。与中国、俄罗斯和美国不同,下一代组合中本不应该包括有人驾驶轰炸机,这显然节省了一些资源。但许多其他功能本应存在。本应有一个统一的战斗云,使两支空军和所有这些系统能够共享信息并有效地协同作战。利用该云,还有一个无人机系统与有人驾驶飞机并肩作战。

      几年前我们第一次谈论该项目时,法国人和德国人采取的方法似乎与美国等国家略有不同。像美国的CCA、中国的“利剑”、俄罗斯的“猎人”或澳大利亚的“幽灵蝙蝠”基本上在成本和规模上更接近微型无人机。而欧洲的努力主要谈论的是他们称为“远程载体”(remote carriers)的东西。这些看起来更像是弹药,而不是昂贵的可回收无人机。基本上,多用途的导弹大小的物体,可以由战斗机部署或从运输机尾部推出,携带各种潜在的有效载荷,无论是传感器、干扰器还是某种进攻性弹药。这可能使欧洲模式不如美国方法那样可重复使用和可持续,但也意味着你可以负担得起大量的远程载体,并能够为特定交战产生巨大的规模。然而,随着时间的推移,不同项目之间的差异似乎有所减小。欧洲人保留了远程载体的概念,但他们也开始谈论CCA思路中更大的可重复使用系统。例如,空客在2022年展示的这个概念,是一种更大的、模块化的、可重复使用的无人机,能够根据任务换装不同的传感器,并携带不同的内部有效载荷。其中包括干扰吊舱、中距空对空导弹、联合攻击弹药、“长矛”(SPEAR)导弹,而且根据那张幻灯片,还包括一对较小的远程载体,所以你可以“在无人机里放无人机”,从而稍微接近那种乌克兰战争中的“俄罗斯套娃”无人机体验。然后,在这个空战系统的中心,将是一架有人驾驶的下一代战斗机。对法国来说,这将增强并最终取代“阵风”(Rafale)。对德国空军来说,这可能会取代“台风”(Eurofighter),并在未来与该空军的F-35并肩作战。就努力背后的工业专有技术而言,可以说有很多有利因素。参与的一些大名字背后有很多资历。达索、空客、英德拉(Indra)。有MBDA等公司提供的导弹,你很难出错,而下一代战斗机发动机将汇集除罗尔斯·罗伊斯外的一些欧洲公司,这些公司可能具备实际完成这项任务的技艺和经验。法国的赛峰(Safran)在“阵风”的动力装置上证明了自己。另一方面,德国的MTU就是其中两个例子。因此,在纸面上,你有一个联盟,结合了法国最近在“阵风”等飞机上的经验、德国的工业实力和支票簿,以及来自跨国公司或联盟其他成员(如西班牙)的一些关键贡献。然而,过去当我们谈论俄罗斯以外的第六代战斗机项目时,这一直是我描述为“基础最不稳定”的项目,下一个显而易见的问题是:为什么?事实是,SCAF多年来一直公开处于“生命维持”状态。虽然特别是在工业方面,这将是一场紧张的离婚,无疑会导致来自半个地球之外的评论区进行一些有趣的讨论,但在SCAF和成功之间似乎总是有两个主要的地雷,而它成功地依次踩中了这两个地雷。

      第一个是,尽管花费了所有的金钱和时间进行范围界定会议、讨论、发表的论文、协议、新闻稿和开发工作,但没有真正的证据表明参与方曾经能够回答一个相当基本的开发问题:下一代战斗机到底应该是什么?因为虽然所有参与方似乎都同意这可能是一种某种形式的隐身飞机,大概能够携带爆炸物并让其他飞机爆炸,但除此之外,基本要求似乎发生了冲突,对这架飞机应该是什么样的愿景变得有些模糊,部分问题又回到了这样一个事实:参与国试图取代具有非常不同理论角色的非常不同的飞机。对法国来说,这需要是下一代“阵风”,一种多用途、具备核能力、能够从法国下一代航母上起飞的舰载战斗机,能够部署ASMP-A和下一代核武器,执行空战任务,并大量参与对地打击。除了几枚共享核武器的B-61重力炸弹外,德国空军没有核武器,也绝对没有航母。那么他们想要的实际上是一种大陆空优战斗机,一种能够保卫德国和盟国领空,并可能与无人机僚机一起与俄罗斯空天军正面交锋的飞机。有一些证据表明,这种差异并不小,而且两国也很难克服。对法国来说,有充分的理由相信他们所追求的要求将是根本性的。你不可能指望像“阵风”这样的第四代飞机永远飞行,并期望无论应用什么升级它都能保持生存能力。考虑到法国预算和工业的限制,不可能想象他们既能生产第六代空优战斗机,又能生产第六代舰载和核打击战斗机。如果他们想保持航母国家的地位并保持其核理论不变,巴黎就需要SCAF成为真正的第六代“阵风”。我认为这不是简单的固执,也不是你可以指望谈判代表轻松解决的问题。这是法国永远难以妥协的核心战略任务的一部分。对项目官员的采访确实表明,人们相信未来的战斗机将比“阵风”重得多。人们还理解,操作这些飞机的未来航母需要比现有的“戴高乐”号更大,我们已经从法国下一代航母计划中看到了这一点。但巴黎总是会遇到难以逾越的工程红线。但德国也公开明确表示,那不是他们真正需要的飞机类型,而制造那种飞机所涉及的工程让步将使其对德国空军来说用处降低。正如德国领导人默茨公开说:“法国人在下一代战斗机中需要一种能够携带核武器并从航空母舰上起飞的飞机。这不是我们目前在德国军队中需要的。”鉴于这些国家显然不愿意考虑解决这个“方枘圆凿”问题的最搞笑的潜在解决方案——即给德国配备航空母舰和核武器以使要求保持一致——这似乎多年来一直是该项目活跃期间的一个争论和摩擦点。事实上,事情在今年2月达到了一个顶点,相关领导公开开始谈论所谓“双战斗机解决方案”的可能性,即SCAF的下一代战斗机部分不会生产一种,而是两种不同的设计,以更好地满足法德要求。毫不奇怪,许多利益相关方似乎并不热衷于重蹈F-35A/B/C的覆辙。因此,双飞机解决方案似乎并没有真正起步或成功缓解工业紧张局势。虽然现在提出这种需求分歧的解释是为了帮助解释该项目的消亡,但在我们继续之前,还有一点需要说明。如果这在近年来是一个重大问题,那么它本不应该让任何参与方感到惊讶。法国人并不是在一开始就没有明确表示他们希望这东西能够从航母上起飞并具备核打击角色。德国也没有完全隐瞒他们不打算在不久的将来推出福特级航母副本的事实。我们确实有证据表明,飞机的可能尺寸及其必要能力一直在讨论中。你会发现可以追溯到2019年的文章和采访,证实SCAF的下一代战斗机组成部分将是一架具备航母起降能力的飞机。该项目中的各方始终了解围绕要求的潜在紧张关系,就像他们可能也了解工业份额方面会有一些争论一样。

      说到工业紧张局势,那是这个项目道路上的另一个真正的地雷。与许多跨国国防项目一样,参与国政府可能真的希望项目成功,财政部也支持它,因为分担成本是有意义的,确实如此。然而,一旦你让公司参与工业规划,它很快就会变成一场堑壕战。在SCAF的案例中,这似乎发生了。从根本上说,这里的一些问题归结为这样一个事实:你经常谈论的是可能成为竞争对手的公司必须在一起工作。因此,他们经常将此视为零和游戏,不仅针对该项目,还针对他们更广泛的竞争。这可能会以多种方式表现出来并毒化谈判。首先是工作份额(workshare)。在理想世界中,双方都希望对方为项目买单,但自己的公司实际建造它。他们想要工作机会。他们想要投资。他们想要积累的知识产权。他们只是不想要账单。虽然所有参与方都可以根据对自己方便的情况用不同的术语来掩饰这一点,无论是公平还是能力,但最终的问题是,你通常面对的是零和游戏。如果有人负责制造发动机、机翼或特定组件,其他人就不会去做。如果你只是将所有组件五五平分,你最终会得到一个效率极其低下的项目。在某种程度上,SCAF试图通过“最优者得”(best athlete)概念来绕过这一挑战。但即使你普遍同意领导特定工作流或组件的公司应该是该任务的最佳人选,这也不一定意味着争论的结束。这甚至还没有涉及到分享技术和专有技术的问题。将多个国家和多家公司聚集在一起的原因之一是他们拥有不同的技术、不同的经验、他们可能带到桌面上的不同事物。如果每个人都愿意将他们的经验和技术摆在桌面上,他们有可能共同建造出比分开工作更令人印象深刻的东西。问题是,公司通常不喜欢分享这些东西,特别是与潜在的竞争对手。这绝不是一个新现象。例如,在第二次世界大战期间,当波音被告知将其他公司引入B-29供应链以加速生产时,简而言之,该公司并不太热情。B-29是当时非常先进的设计,他们的观点是,他们基本上被要求为战后市场培训竞争对手。现在,鉴于美国正在进行战争,美国政府基本上转过身说“ tough,把飞机造出来”。但在2026年非常不同的环境下,对政府来说,这并不总是那么容易。即使一个项目能找到解决这个问题的方法(有些项目确实做到了),还必须应对跨国国防项目失败的另一个“精选集”:争夺谁控制该项目。冒着极大简化基于已公开内容的风险,达索认为,因为他们是SCAF有人战斗机部分的主要系统集成商,他们应该对该部分享有重大的实际控制权,包括供应商选择以及达索首席执行官特拉皮耶(Trappier)描述的“明确的领导权”,即使法国和西班牙可能在整体项目桌上以人数优势否决法国。达索提出了几个论点,即明确的领导权将有助于事情更快地推进,并且他们最近有实际开发战斗机的相关经验,这是真的。试图通过委员会进行设计和管理已经拖延或破坏了许多过去的宏伟项目,这也是真的。因此,如果有一个单一的一方负责,项目可能会更快、更果断地推进,这可能是真的。另一方面,空客似乎辩称这是一个跨国项目。其他公司带来了很多东西。这里涉及的大量资金将是德国和西班牙的,而不是法国的。因此,从公平的角度来看,这些国家和公司有很多发言权是合理的,我冒昧地说,这也是真的。欢迎来到跨国国防项目的奇妙世界。对于许多这些问题,皮球被一再踢来踢去,直到最终它们终于爆发。从历史上看,当跨国开发项目开始出错时,通常的一个大线索是,一些参与方(企业或政治)开始游说分裂。在冷战早期和中期,例如,法国和英国有许多成功的联合开发项目,包括著名的“美洲虎”。但当谈到开发英法可变后掠翼飞机时,法国最终退出了该项目,表面上是因为成本,这最终帮助英国进入了另一个跨国项目,即给我们带来“狂风”的项目。MBT-70是一个冷战时代的坦克开发项目,旨在将西德和美国聚集在一起。最终结果是双方都吸取了一些开发教训,但最终决定各走各的路。美国最终开发并采用了M1“艾布拉姆斯”,德国则采用了“豹2”。也许是一个与最近事件更相关的例子。在20世纪80年代初,法国最初与意大利、西班牙、西德和英国一起参与了“未来欧洲战斗机”项目。然而,除其他争论外,法国通常想要一种相对轻量级的多用途飞机,能够从航空母舰上起降,而英国,你猜怎么着,想要一种相对重型的地基空优战斗机。所以,是的,在某些方面,我们以前看过这部电影,结局是法国单干开发了“阵风”,而项目的其他成员最终开发了“台风”战斗机。如果你关注一些最近的事件,你可能已经开始看到与之前一些崩溃类似的紧张和躁动。到去年年底,一些参与的关键工业冠军基本上在争辩说他们可以单干。达索首席执行官特拉皮耶表示,他们拥有单独开发新型喷气式战斗机的专有技术和能力。本质上,这一声明归结为指着空客说:“我们真的不需要你,所以跟上吧。”就他们而言,至少有一位空客领导人公开站出来,基本上在另一个方向上暗示了同样的意思,暗示如果没有达索,开发新型战斗机可能会更有效率,绕过法国不一定会损害法德关系,没有法国的项目可能允许更快地重新设计和建造新飞机。你必须记住,从企业激励的角度来看,这两位领导人都不一定是错的。事实上,在真空中,你可以争辩说他们只是在保持理性。与跨国努力相比,国家项目将使这些主承包商获得更多的份额,不必分享他们的技术,并且在管理方面也会容易得多,因为 proverbially 厨房里不会有那么多“厨师”。放弃跨国项目的大部分缺点只在国家层面累积,而不是在单个公司层面。当你走向跨国时,你可能会节省大量资金,但这是由政府和纳税人支付的,而不是参与的公司。事实上,如果他们单干,他们可能会赚得更多。最终的设计也可能更好,因为你结合了来自多家公司和多个国家冠军的技术。但一家公司可能更愿意生产一架自己制造的“足够好”的飞机,而不是一架必须与他人分享的“优秀”飞机。换句话说,在观看围绕这类辩论的报道时,请确保记住,虽然对参与公司来说最坏的情况可能是项目取消和工作蒸发,但有一种观点认为,最好的情况通常是与跨国项目离婚,整个项目完全由国家财政部资助,100%的工作留在国内。我想清楚地表明,在这些宏观的、简化的观察背后,这里还有很多事情发生。有很多来回拉扯,很多机动,努力的不同部分之间有很多动态。例如,我们只谈论有人战斗机,而不是关于无人机或战斗云的工作份额或谈判。但在宏观层面上,这些是我过去已经指出的一些使该项目基础不稳定的大问题:存在争议的要求和痛苦的工业关系,这需要广泛的政治压力才能推进。公平地说,我们确实看到了一些这种情况。参与国的领导人多次会面,试图解决问题。西班牙将该项目描述为受到“政治和工业傲慢”的威胁,并在最终结果落地时公开表示遗憾。但这些国家最终似乎未能说服参与公司达成可行的协议。因此,在一次次会议、一次次踢皮球之后,在过去几天里,他们终于同意就此打住。SCAF的有人战斗机部分被公开宣布死亡,柏林、巴黎和马德里迅速转向强调该项目的其他部分。例如,据报道,战斗云仍将开发和实施。许多无人机项目也可能被推进。但最终,这现在看起来像一个没有空优战斗机的多国空优项目。因此,虽然很多注意力已经转向对下一步的疯狂争夺,但我认为值得在此刻强调,无论接下来发生什么,参与方可能失去了什么。

      在硬性要素方面,两个明显的损失是时间和金钱。多年来,花费了大量资金试图使该项目奏效。虽然其中一些努力可能是可转移或可回收的,但其中一些最终将丢失。在2022年入侵后世界的疯狂重新武装争夺中,很难仅仅嘲笑一个已经进行了近十年的项目的损失。在军事上,现在这些部队可能面临进一步延迟获得他们认为需要的战斗机的情况。由于双方之间失去了一些技术共享,当它到来时,它可能没有那么强大。在软因素方面,也很难超越象征意义和主权的问题。这是唯一真正的欧洲跨国努力。如果SCAF成功,它将象征着欧洲一些主要国家和经济体合作并生产世界级国防硬件的能力。它可能会减少对从其他地方(特别是美国)进口的技术和硬件的依赖,帮助通过对抗俄罗斯改善军事平衡,并弥合自F-22和F-35出现以来一直存在的与美国之间的军事工业技术差距,而没有真正的欧洲主权等价物。有可能,一些人甚至会争辩说很可能,在SCAF的位置上,其他东西将取而代之。但对于一个试图在重新武装时代重申自身的欧洲国防部门来说, Suffice to say,即使该项目可能在一段时间内注定要失败,这绝不是一个光荣的时刻。

      因此,随着战斗机项目被击落,尘埃落定,主要参与者接下来会发生什么?在这里,我将首先看看法国。因为在某些方面,三个参与国中,法国的下一步行动可能是最容易预测的。无论如何,尽管该项目崩溃了,法国可能会继续推进下一代战斗机的开发。虽然其他国家仍在公开权衡他们的选择,但这已经是他们说过要去做的事情,法国国防部长表示,他们打算利用已经投入该项目的成果,并继续开发战斗机直到2040年。谈到未来的战斗机,她据报道说:“这显然是我国主权的一项重大技术资产。”我包括这条评论是因为它暗示了为什么我们应该期望法国会继续推进,也是为什么达索可能如此有信心将这件事斗争到底的原因之一。你应该期望法国政府推进第六代战斗机,因为在很大程度上他们真的没有其他好选择。与德国人不同,法国人的机队中没有他们可以潜在依赖的第五代战斗机。也许希望无人机能弥补第六代有人战斗机最终提供的一些能力。而且他们也是主要的出口国。武器出口是法国外交政策的一个主要元素,是法国国防工业经济的一个关键因素。一些法国领导人强调了该部门可能具有的分量。正如一位前法国官员据报道所说:“达索不容易。他们有惊人的工程师,但在政治方面,他们随心所欲。”但是,为了在全球范围内拥有一个繁荣、有利可图的出口部门,你需要有人们想要购买的产品。现在,对一些客户来说,“阵风”可能符合要求。但随着时间和技术的进步,你只能将这么多的升级塞进一个相对昂贵的第四代平台中。例如,你不能只是给“阵风”加个“车身套件”就让它变成隐身飞机。随着越来越多的第五代甚至第六代战斗机在全球市场上变得可用,法国航空部门不能永远靠这种设计吃老本。他们需要新的东西。这并不意味着法国人不一定会在项目中寻找其他合作伙伴,尽管可能是那些愿意提供资金以换取项目参与权的人,而不一定是德国人和西班牙人所期望的同等水平的工业参与或技术交流。例如,印度有一些声音,印度操作着庞大且不断增长的法国战斗机机队,他们表示尝试介入并接手部分工作可能符合印度的利益。印度军方过去曾公开表示有兴趣加入跨国项目之一,无论是SCAF还是GCAP。但我认为值得注意的是,这个想法的任何实际执行可能还有很长的路要走,并且可能会面临一些与导致原始项目崩溃相同的地雷。例如,印度和法国最近进行了紧张的谈判,因为法国非常渴望向印度出售“阵风”并在印度制造中拥有重要的工业参与,但他们不愿意交出战斗机系统的源代码。同样,法国和阿联酋之间关于共同资助“阵风”F5升级包的协议最近也破裂了,据报道部分原因是阿联酋期望从法国获得更多的技术交流以换取他们的财务贡献,而法国不愿意提供。换句话说,我预计法国人会表示他们非常公开地欢迎多国参与他们未来的战斗机项目。但魔鬼在细节中,必须克服这些细节才能使这真正发生。

      现在,从纯粹的技术角度来看,法国设计和制造满足其要求的第六代战斗机的想法可以说是完全合理的。在某些工业能力领域,他们可能落后于市场上的一些其他参与者,但他们多年来一直设计和制造自己的飞机。然而,根据迄今为止开源可用的信息,我认为这种表达出的信心应该至少带有两个警告。首先,即使法国推进法国设计的战斗机,这最终也不太可能成为完全法国的能力。正如我们之前指出的,合作伙伴目前表示他们打算推进其他联合开发领域,如战斗云和潜在的无人机。因此,法国最终可能会得到一架主要是法国的战斗机,但它真正依赖于跨国工具套件才能发挥最大效用。但更紧迫的是设计本身,我对发动机有一个问题。一般规则是,战斗机发动机很难。它们通常是一个国家最终成功实现国产化的最后一样东西,即使他们开始提出自己的设计。这也是为什么你可能会看到韩国人或瑞典人制造的战斗机使用美国发动机,而发动机是中国成功取代俄罗斯进口的最后几个领域之一。法国人确实有为“阵风”配备的国产战斗机发动机,但它不符合你期望用于第六代战斗机的规格。因此,作为更广泛的FCAS项目的一部分,不仅有一个多国项目来设计飞机。还有一个多国项目来设计新发动机。所以,我还没有看到确切答案的一个问题是:这东西会怎样?最经济的机制可能是推进现有的多国安排。但从巴黎的角度来看,这意味着你最终可能会得到一架配备多国发动机的法国战斗机,此时这就变成了一个问题:为了国际合作和推测的国际资金,你愿意放弃多少国内工业主权?因为这里是第二个打击。虽然达索可能有理由在技术上自信他们能设计和制造具有国际竞争力的第六代战斗机,但他们不是必须弄清楚如何为其提供资金的人。描述当前法国国防工业基础的一种方式是“技术上有才华但财政上岌岌可危”。法国对国防主权的方法带有巨大的价格标签。例如,该国需要负担得起自己的太空资产、核武库、这些核弹的运载系统,以及一系列加起来构成相当昂贵的支出计划的国防优先事项。早在2023年,法国政府就在谈论大约5年4400亿美元的军费开支计划。那还是在世界上SCAF潜在的1000亿美元以上的价格标签将由多方分担的背景下。如果没有柏林和马德里来支付部分账单,如果巴黎确实想以最小的改变和对项目的完全控制来推进,他们将不得不找到资金来弥补一些差额。而在2026年,这并非易事,因为法国的公共财政看起来不太妙。法国目前的公共赤字约占GDP的5%,当前累积的政府债务与GDP之比约为115%。现在,假设法国要提高支出以达到北约3.5%的新国防目标,你可以潜在地想象战斗机支出来自该预算份额。但在纸面上,各国有数年时间才能达到该目标。在这种具有挑战性的公共财政背景下,可能很难在沙发垫子后面找到额外的100亿或200亿欧元。那么这里的粗略总结可能是:我们应该期望法国希望推进战斗机设计。他们说过他们想推进战斗机设计,但为了使这奏效,某些或多件事可能必须让步。他们可能必须牺牲一些主权以引入额外的资金或合作伙伴。他们可能牺牲政府赤字,不惜一切代价找到资金。或者你可能会看到战斗机本身的改变,可能缩减其能力和潜在的采购数量。当然,潜在的变数可能是出口市场。在很大程度上,“阵风”对法国政府来说之所以如此负担得起,生产线之所以如此健康,是因为出口。因此,你可以想象法国推进战斗机项目,希望(正如我们看到俄罗斯人所做的那样)外国客户将承担部分成本。然而,那里的问题通常是,在你的客户同意签字画押并交出现金之前,他们希望看到你已经有了一个获胜的产品。这意味着法国人可能必须先推进并实际开发战斗机,并承担所有相关成本。本质上是赌博,一旦他们做到了,他们就可以将其推向市场并赚回一些成本。最终这对某些项目有点奏效,但在相当长的一段时间里情况有些岌岌可危。因此,我认为仍有待观察,传统上一直相当保护其某些高端技术的法国政府将如何处理潜在出口该国有史以来最先进的航空航天产品的话题。

      然后你有了德国的问题,在某些方面,你实际上可以争辩说他们比法国人有更多的选择。他们不那么依赖拥有面向国际市场的战斗机。加上他们的机队和财务状况也看起来非常不同。因此,虽然这不是一个详尽的列表,但我认为有三个主要的德国选项我们可能想要探讨。第一个是干脆不开发第六代有人战斗机。默茨已经公开质疑二十年后空军是否仍需要它们,因此这是否是当前必要的投资。如果德国确实决定让大部分努力消亡,问题是你接下来会做什么?最可能的答案可能只是继续依赖第四代和第五代混合机队。你保留“台风”战斗机,可能采购更多,然后为了填补原本可能由SCAF覆盖的部分生态位,也许你购买更多的F-35。F-35可能不完全符合他们希望下一代战斗机能够做的事情,但在许多方面,包括隐身性,它可能比“阵风”或“台风”更接近。这里的优势是,你跳过了一个昂贵且潜在风险很高的开发项目。你选择你已经操作的设计,并继续享受与操作这些相同平台的其他盟友的互操作性优势。外面仍然有一堆“台风”战斗机,欧洲F-35的数量继续飙升。这里明显的紧张局势是,这在某种程度上有点违背了德国声明的优先事项,即更大程度独立于美国的国防。如果目标是重建德国国防部门并作为一个国家和大洲变得更加自给自足,投资数十亿美元在未来几十年加倍押注美国设计,可能不完全是脑海中浮现的第一个选项。所以这绝对是德国国防部长表示该国可能正在考虑的一个选项,但不是唯一的选项。皮斯托里乌斯确实暗示该国可以购买额外的F-35,但他列出了两个潜在的替代途径。第二个是用另一个欧洲跨国战斗机项目取代一个欧洲跨国战斗机项目。只是这次没有巴黎,柏林处于更核心的位置。不出所料,这已经是德国工业特别似乎在潜在推动的一个角度。空客防务与航天公司公开启动了其“Team Gen 6”倡议,八家主要的德国国防和航空航天承包商签署了一份战略立场文件,其隐含的意思似乎是柏林要保持第六代梦想,只是在德国领导下,可能在后SCAF争夺战中继续让西班牙非常密切地参与工业。我们还看到了关于其他潜在合作伙伴的公开讨论。这里一个有趣的例子是瑞典,一个拥有自己现有第四代战斗机的国家。萨博公司受委托对第六代战斗机概念进行至少一些研究,但可能不是一个单独拥有必要的财政和工业实力以高效规模推进第六代项目的国家。从柏林的角度来看,朝这个方向发展有几个可能使其具有吸引力的因素。如果你试图让你的国防制造商在国际地图上占有一席之地,第六代战斗机项目可能会做到这一点。将其主要保持在内部将简化工作份额协议和技术交流,同时德国人也将对飞机的规格有更多的控制权。基本上,这里有更多机会让他们设计出他们想要的战斗机。当然,挑战正是你所期望的。延迟、关于能力和时间表的疑问。列表还在继续。与法国相比,德国人在财政状况上可以说好得多,可以为此提供资金。德国的债务水平要低得多,借贷成本更低,并且其军事预算预计将大幅增加,这已经使其跃居法国之前。但根据你的观点,这也可能使现有问题变得更糟。在SCAF崩溃之前,争论是欧洲真的没有从拥有两个不同的第六代战斗机项目中获益。考虑到即使是美国在并行运行两个项目时似乎也在经历压力,一些人建议,从联盟的角度来看,最好的方法是合并努力并将其缩减为一个。如果SCAF解体,只是为了法国人和德国人都朝不同方向继续,那么已经碎片化的欧洲第六代努力将进一步分为三个,这可能解释了德国国防部长暗示的最终选项:德国加入其他现有的第六代努力。现在,虽然皮斯托里乌斯只说这个选项将涉及德国加入现有的具有第六代特征的国际战斗机项目,但我认为你不需要成为侦探就能看出柏林可能不是在谈论与北京签约或试图投资资金重启俄罗斯的PAK DP。试图签约美国F-47项目几乎肯定是一个死胡同,并且违背了更大欧洲自力更生的理念。通过排除法,只剩下一个主要候选者。如果德国(可能还有西班牙)考虑转向“暴风”(Tempest)会怎样?因为在你们开始深入研究诸如德国在一个相当比SCAF更先进的项目中的工业参与可能是什么等棘手问题之前,从纯粹的军事和财务角度来看,你可以看到为什么这里会有一些吸引力。根据我们目前所知的,德国空军想要的与“暴风”可能成为的东西之间的要求可能比SCAF内部德国和法国偏好之间的要求更接近。记住,三个主要的GCAP参与者是日本、英国和意大利。英国基本上想要一种相对重型的第六代空优战斗机来取代“台风”,并在未来与F-35和无人机并肩作战。相比之下,意大利想要一种相对重型的空优战斗机来取代“台风”,并在未来与F-35和无人机并肩作战。猜猜怎么着?德国的主要要求可能也是想要一种相对重型的空优战斗机来取代“台风”,并与F-35和无人机并肩作战。这显然使日本成为项目中的局外人,因为他们正在寻找一种相对重型、远程的空优战斗机来取代各种第四代战斗机,并与F-35和无人机并肩作战。这里没有人想要舰载机。他们用F-35来做这个。这里没有人想要核打击飞机,因为这与他们无关,他们用F-35来做这个。可能仍然会有差异。例如,日本人可能比意大利人更看重航程,但这更多是在边缘问题上。根据我们迄今为止听到的,“暴风”的目标是一种相对强健的飞机,内部有效载荷大约是F-35的两倍,航程也远得多。这很重要的原因是,即使德国将迟到加入该项目,可能太晚而无法对飞机的基本特征有太多投入,但因为现有参与者拥有非常相似的机队、非常相似的要求和非常相似的偏好,有理由相信,从大局来看,从德国的角度来看,这架飞机可能足够接近。它可能不完全是德国领导层如果可以挑选和偏好时会提出的东西,但它具有相当接近实际存在的优势。还值得注意的是,作为联合开发合作伙伴,德国、英国和意大利实际上有很多历史渊源。他们共同开发了非常成功的“狂风”,建造了近一千架,还有“台风”战斗机,这三个国家都继续操作。基本上,虽然跨国项目本质上可能具有挑战性,但这些国家以前已经证明他们可以完成它。从军事角度来看,提议的时间表也更具吸引力。你可能已经注意到,欧洲规划者在重新武装方面感到有些时间压力。部分得益于日本对2035年服役日期的极度关注,“暴风”本应比延迟的SCAF有人战斗机部分早得多到达。这意味着从德国军方的角度来看,这可能是一种比你以为能得到的时间更快地获得更接近你想要的飞机的方法。它还将缓解纯德国或德国主导的努力中可能存在的工业能力方面的许多风险。在各个参与公司之间,他们可以说已经涵盖了所有主要基础。在某种程度上,这实际上可能代表了德国加入该项目的最大障碍之一。德国人,特别是德国工业,可能希望在他们下一代战斗机的生产中拥有重大参与。但正因为“暴风”进展更快,许多工业份额的讨价还价已经发生。所以,如果你确实希望德国公司重大参与,比如提供一些组件或组装德国版本的战斗机,那需要进行谈判、规划和设计。正如我们在法德努力中看到的那样,有时说起来容易做起来难。当然,有可用的工具来做到这一点。即使你无法平衡单个国防交易,你也可以使用称为“补偿”(offsets)的东西来试图平衡整体情况。例如,你可能同意德国人在战斗机中的工业参与少于他们喜欢的程度,但仍然购买它。但作为交换,其他参与者可能会大量购买德国装甲车或德国弹药,并帮助平衡整体账本,而不是将每个单独的项目变成一场工业堑壕战。但正如我所说,即使这些事情在经济和军事上都有意义,有时也是说起来容易做起来难。我们已经从现有“暴风”承包商的声明中看出了一些端倪。例如,意大利重量级企业莱昂纳多的首席执行官公开欢迎德国加入该项目的可能性,称:“在能力和成本分担方面,这将是一件好事。”但同时也发出了关于重新打开工业份额潘多拉魔盒的隐晦警告。“人们还必须考虑到2035年让飞机飞行的目标日期。”罗尔斯·罗伊斯也持积极态度,表示虽然这是政府的问题,但公司绝对对德国加入该项目持开放态度,并强调更多像德国这样的国家加入将给该项目带来它迫切需要的东西之一:保证的规模。“但GCAP的好处将超越于此。更多国家加入意味着更多国家肯定会购买,因为你不能成为合作伙伴而不购买。”虽然你可以争辩说,从德国的角度来看,决定可能更复杂,在那里他们愿意牺牲控制权以换取规模和更大的泛欧及国际合作,但如果你从伦敦的角度来看,这可以说是一个梦想成真。不仅因为它给法国人带来了模糊的不适,还因为这对英国工业来说隐含的巨大机遇。我从三个角度这么说。首先,在英国剩余的高价值产业中,战斗机制造仍然是其中之一。英国及其公司仍然拥有一些在海外供不应求的能力,制造战斗机发动机和喷气式飞机就是其中之一。从工业角度来看,“暴风”非常重要。目前参与制造“暴风”的大量熟练劳动力和供应链正忙于建造“台风”战斗机。在某种程度上,你可以争辩说,该工业系统的一部分一直在靠几个出口订单(如最近向土耳其的订单)苟延残喘,期望“暴风”很快就会到来。如果你不让他们制造东西,你就无法保持工厂和劳动力在一起。一旦你失去了他们,就很难将能力重新组合起来。引入德国可能会增加一个额外的客户、更多的资金、更多的技术,并为该项目提供更大的规模经济机会。这甚至还没有考虑到出口市场。这样想吧。如果你假设认真对待防空的国家最终可能想要第六代战斗机,特别是如果他们目前不操作第五代,他们的选择会是什么?对大多数国家来说,俄罗斯选项可能因为不存在而被排除,这给你留下了F-47和中国出来的任何东西。对许多国家来说,购买中国国防硬件在外交上还不太可行。而对于美国设计,首先,不能保证美国人真的会同意出口F-47。记住,F-22从未出口过。其次,即使它可用,目前国际市场上有很大一部分,包括在欧洲,可能愿意支付溢价以减少对美国的依赖并避免ITAR(国际武器贸易条例)产品。传统上,你可能会看到对“阵风”和“台风”等欧洲设计的需求。但如果现在法国项目可能会放缓,并且更专注于轻型舰载战斗机而不是重型空优战斗机,如果英国、意大利和日本(可能还有额外的合作伙伴)能够坚持该项目并在2035年实际将飞机投入服役,他们真的有可能在竞争对手之前数年进入国际市场,推出第一款非美国和非中国的第六代战斗机。如果你在这些条件下还不能达成销售,你需要更好的推销员。从现有参与者的角度(特别是英国)来看,这里的梦想是,通过现在支付开发项目的一部分份额,你可以潜在地从全球外交发展中获益,包括法德西努力的崩溃,以便潜在地锁定国家使用他们可能操作数十年的平台,并确保你的高价值出口产业在21世纪中叶之后的未来。另一方面,未能将第六代设计推向市场可能会带来巨大的出口风险。英国和法国的主要战斗机出口都是第四代战斗机,分别是“台风”和“阵风”。但就像你不能靠永远出售同一个出色的设计来经营业务一样,诺基亚3310,有人记得吗?最终,如果这些国家想保持其出口产业,他们将需要新产品。不仅仅是美国的F-35在外面作为竞争对手。还有像韩国和土耳其这样的国家在外面提出新的可供出口的战斗机设计,融合了一些你不能仅仅改装到“台风”或“阵风”上的新隐身特征。国际竞争并没有变得更容易。因此,如果英国想保持竞争力,就有很大压力要提出新东西。随着SCAF的消亡,“暴风”商业未来的一个威胁可能已经消失。然而,不得不说的是,对英国项目来说,一个非常重要的威胁仍然存在,那就是,当然是英国。

      现在,我一直在等待对英国进行我的国家级研究,直到国防投资计划的发布。这基本上是英国预计在未来几年在国防上花费多少以及预计花在什么上的大纲。它最初定于2025年秋季发布。随后被一再推迟。我需要强调,我们还不知道里面确切有什么。但尽管围绕它有一些保密性,我们得到了一些线索,内容显然如此“好”,以至于最近促使英国国防部长辞职抗议。在一封公开信中,前国防大臣表示,该计划“远远达不到在这个危险时期保卫国家所需的要求。额外的支持被推迟了,而行动的压力和加快战斗准备的必要性是在头两年,到2030年它仅上升到GDP的2.68%,明年我们将达到2.6%,这是我们已经在做的投资。”他在给首相的信中继续说:“在向你解释我不会接受一个不给我们的部队提供他们所需资源的国防投资计划后,我现在别无选择,只能提交辞呈,辞去你的国防大臣职务。”在国防大臣辞职后,武装部队部长阿尔·卡恩也很快随之辞职。那么,伦敦的所有这些争吵与大陆欧洲项目的崩溃有什么关系呢?答案是,虽然我们还没有看到最终计划,但传闻和报道的包含内容之一是对“暴风”资金的延迟。根据右边的文章,提议不是取消新战斗机,而是把皮球踢下去,延迟资金,在比原计划晚几年后才释放,并且直到2030年代末甚至2040年代才开始采用该战斗机。从政治角度来看,这将避免任何暗示你实际上取消了战斗机,同时方便地将未来支出移出你的前瞻投资计划,并使其成为未来政府的问题。当然,显而易见的一点是,对于这样一个有许多活动部件的项目,你不能只是把它放在停滞状态,然后当你想的时候再把它拉出来。如果你放慢速度,它将对武装部队、盟友和工业产生连锁反应。在外交上,你依赖部分资助和建造这个东西的盟友,特别是日本,一直坚决要求2035年的服役日期。那是因为那符合日本的军事需求。正是那个日期让他们最初同意这个过程的一部分。所以,如果你出现在东京说:“嘿,伙计,我知道我们同意2035年作为目标,但你知道,现在资金有点紧张,你介意我们等一等吗?”你不会赢得任何外交分数。同样,除非你非常小心,否则存在真正的风险,你会在此期间失去人才、公司和供应链,到当你认真对待再次建造战斗机时,你需要做这件事的人已经分散到各个其他职位,你发现自己不得不花费更多的时间和更多的钱才能回到你最初的位置。在刚刚看到美国,例如,拼命试图在冷战后削减后重新组装其军事造船能力和潜艇工业基地后,可能会奇怪地想象英国在 supposed 是重新武装时期的时候,自愿冒其战斗机制造生态系统的风险。但根据计划最终落地的方式,这可能是一种可能性。同时,武装部队显然必须等待更长时间才能拿到他们的喷气式飞机,并可能找到一种方法来延长他们已经飞行的飞机的寿命。基本点是,如果你认真对待飞机制造业务,你需要实际上不断地设计和建造飞机。这真的不是你能作为工业副业来做的东西。你要么参与,要么就会被踢出去?这引出了,我认为,从英国战略角度来看的一个自然问题。延迟“暴风”会是愚蠢的吗?因为,你知道,我喜欢一个好的对冲或有分寸的答案,让我这样回答。这不是如果你必须做出艰难选择时我会做的事。有这么多其他项目没有相同的工业影响、相同的机会、拥有跨国合作伙伴的外交问题和机遇,这些合作伙伴正在为项目支付大量资金,并且你依赖他们作为客户,在削减这样具有战略意义的东西之前,我可能会 tempted 先看看这些。例如,陆军可能会欣赏被称为“阿贾克斯”的“先进振动疗法系统”(注:指英国陆军问题频出的“阿贾克斯”装甲车),但它可能不会正好带来大量的出口订单,你也没有跨国资金合作伙伴带着担忧旁观。然后是试图用延迟来控制感知成本的更根本问题。因为作为一般规则,延迟并不总是削减成本。它们实际上可能会增加成本。它们所做的只是使它们成为未来其他人的问题。除非你达成协议让其他合作伙伴现在拿出更多的钱并保持活动进行,而英国以后拿出更多的钱什么的,否则实际的延迟可以说是“造成了很大的损害,却几乎没有实际的比较收益”。我这么说的原因比较简单。如果你实际上取消了项目或同意退后一步,而其他合作伙伴向前迈进,你只是成为最终飞机的购买者,从英国的角度来看,你会失去很多。对该行业的支持,对该劳动力的支持,潜在的未出口机会,声称在该技术开发和生产领域处于世界领先地位。但与此同时,你至少可以节省你可以转向其他地方或最初不必借的钱。它将代表传统的军事与非军事支出权衡,大炮与黄油。虽然你可以争辩说,考虑到其他国家承担了部分成本并且这里有出口机会,这可能不是一个很好的权衡,但最终,权衡的价值至少部分是主观的。你如何看待你可以做的任何平民支出或不借款,与你如何看待对国防部门和军事能力的损失?另一方面,如果你按计划进行投资,你可能会按时获得飞机,你不必支付那些外交成本,你可能会获得那些经济和军事利益,但你必须拿出钱。然而,延迟是一个“两个世界最坏”的选项。你仍然惹恼了你的合作伙伴,你仍然损害了你的工业,你仍然延迟了军事回报,你可能会错过市场上的重大机会并牺牲你的一些领导地位、你的劳动力和你的工业。而你仍然只需要晚一点付款。因此,当国防投资计划最终发布时,究竟会发生什么仍有待观察。在此之前,最好避免进一步的猜测。在落后于国内设计一代并在主要美国F-35上押下大量筹码之后,很明显,财政 stressed 的英国将不得不做出艰难的选择。但如果有 ever 一个时刻可以尝试做出大动作,引入额外的合作伙伴,并真正认真对待欧洲国防自主和成为一个战斗机制造国家,那将是这个时刻。在某些方面,毫不夸张地说,“暴风”可能是英国决定的最好机会:它仍然是那个给我们带来像“喷火”这样具有全球竞争力的飞机的国家,并且可能再次做到?还是它只是满足于在方便的时候做它能做的事?

      这把我们带到了我想谈论的所有参与者中的最后一个,那就是西班牙。我想这样做的原因是,它突显了非主要军事强国在参与这类跨国项目时面临的潜在风险。因为一方面,它们完全有意义。这是一种让你在你的行业中获得参与并参与你自己永远没有资金和规模去做的项目的方式。F-35项目的大多数参与者本来很难从头开始设计和建造F-35。但通过参与该项目,他们可以支付一小部分成本,做一小部分工业工作,并最终获得共享设计。然而,风险在于,正如西班牙现在所展示的,如果项目确实出错,与德国或法国不同,将其抛诸脑后并考虑单干可能不是一个实际的选择。西班牙现在没有关于下一代欧洲战斗机的直接计划。鉴于马德里和华盛顿特区之间当前关系的背景,德国或英国在短期内购买更多F-35作为权宜之计,同时他们弄清楚接下来会发生什么,可能不会在西班牙的首选选项清单上。这意味着要么军事现代化计划发生重大转变,要么西班牙同意签约加入另一个项目。正如我之前提到的,德国工业似乎有一些声音有兴趣维持西班牙的合作伙伴关系,但最终我们会看到。关键点是,法国既没有将该项目维系在一起的外交分量,也没有单干所需的国防预算和工业能力。我怀疑这种经历不会完全阻止其他中等强国未来参与跨国项目,但它确实突显了,当你参与一个小组项目时,你的最终结果不会完全落在你自己的肩上。

      那么,带着这种反思,这可能会让更广泛的第六代战斗机竞赛处于什么境地?现实地说,我们距离终点线还有很长的路要走,但许多竞争对手已经遇到了麻烦。俄罗斯大多停留在起跑线上,他们拥有的大量资源可能专门用于他们已经拥有并可以生产的设计,如苏-57。北京的进展很难确切评估,但根据我们所知,这可能更多是“什么”和“何时”的问题,而不是“是否”的问题。该国展示了多种机体,拥有巨大的财政和工业实力,并且已经处于大规模生产第五代战斗机的业务中。因此,中国人民解放军空军的6G机队可能是一个相对安全的赌注。部分因为这一点,我们可以对美国的F-47说同样的话。虽然F/A-XX可能在未来还有几场预算战和关于时间表的疑问,但很难想象美国空军在下一代空优基石上会松脚。总是有延迟和项目问题的可能性,我们最终看到的飞机可能不会与我们迄今为止看到的许多概念艺术完全匹配。但即使我们不能确切知道它何时出现、以何种形式出现,以及是否可供出口(无论是技术降级形式还是其他),假设我们最终会看到它可能是安全的。

      在欧洲,加上日本,事情可能是最不确定的。根据我们所知,“暴风”实际上是那里更有希望的项目之一。它有一组很好的工业合作伙伴,他们似乎在要求上相对一致,并且有一个雄心勃勃的服役日期。现在随着SCAF战斗机部分的崩溃,它可能有机会引入新的合作伙伴、新的资金、新的供应商和新的市场。但首先,它必须在财政部“削减开支的狠角色”中幸存下来。这并不是说SCAF战斗机部分的结束是法国、德国或西班牙第六代竞赛的结束。远非如此。在某些方面,SCAF总是带有不同时代项目的印记,那个威胁环境看起来非常不同,德国国防预算要小得多的时代。它的开发一直是一项在政治上具有吸引力但在军事和技术上都很困难的努力。一些声音可能会争辩说,至少现在参与方可以继续前进。对法国来说,这意味着继续建造自己的战斗机,可能在此过程中引入新的合作伙伴。而对于德国来说,选择更加不确定。近十年后,SCAF战斗机被废弃。但欧洲试图设计和建造类似东西的必要性可以说比项目最初启动时更强烈。鉴于这些项目可能多么昂贵和具有挑战性,尽管SCAF命运如此,最初推动国家走向跨国项目的许多相同因素仍然非常存在。因此,只有时间能告诉我们,最终会在欧洲喷气式飞机的位置上崛起什么(如果有的话)。

      好了,简短的频道更新来结束。我想我们几年前第一次谈论FCAS/SCAF。我想早在2022年底。即使在那时,观察是,有几个因素使法德西项目成为一个有趣的项目,参与者之间有一些紧张点。即使在那时,2040年已经作为战斗机的目标日期滑落,一些参与者对整个过程的发展并不完全表达出温暖和模糊的感觉。现在,似乎我们有了预期的结论。我认为我现在可能想在将来 unpack 的一个话题是跨国国防项目的一般概念。是什么让它们运转,什么让它们做对,以及经常是什么让它们出错。无论如何,我还有几个其他的潜在更新在 pipeline 中,但我暂时会暂缓它们,而是只说:“我希望你喜欢这一集。非常感谢观看,如果有机会,希望下周再见到大家。”

  2. May 2026
    1. 无符号:ap_uint有符号:ap_int

      它是一个由 Xilinx 提供、专为硬件综合定制的 C++ 第三方类库。如果你试图脱离 Vivado HLS 环境,用纯 GCC 或 Clang 编译器去编译这段代码且不指定 Xilinx 头文件的路径,编译器是会报错找不到 ap_int 定义的。

      虽然它是 Vivado HLS 专有的,但它完全符合 C++ 的语法规范。 实际上,ap_int 和 ap_uint 是 Xilinx 工程师用 C++ 写好的 模板类(Template Classes)。

      当你 #include "ap_int.h" 时,你实际上引入了一大堆 C++ 的类定义。

      这些类内部使用了 C++ 运算符重载(Operator Overloading) 技术,重载了 +、-、*、>>、== 等所有常用运算符。

      这就使得你在写代码时,操作 ap_uint<12> a; 感觉就像在操作一个普通的 int 一样自然,但底层其实是在调用 Xilinx 写好的类方法进行位运算。

  3. Mar 2026
    1. 通过热重分析(TGA)研究了 CUH 和 CUF 催化剂的热稳定性。如图 2d 所示,CUH 和 CUF 表现出三个失重阶段。在第一阶段(30 °C < T < 250 °C),CUH 和 CUF 的失重率分别为 4.1%和 4.8%,这是由于催化剂中吸附的水分子和嵌入的客体分子(DMF)的脱除所致[25]。CUH 在 250–360 °C 范围内的第二阶段归因于 MOF 中有机连接体的分解,失重率为 40.9%,高于 CUF 催化剂的 35.3%。此外,在第三阶段,催化剂的金属中心转化为铈基氧化物[18]。在第三阶段有机连接体脱除后,CUF 的剩余重量低于 CUH,这与 ICP-OES 的结果(见表 S1)一致。有机连接体和铈含量的降低反映了 CUF 催化剂中有机连接体与金属簇的不饱和配位程度更高,这有利于在催化剂中产生更多缺陷

      热重分析

    1. The pose is then optimized with the found correspondences.

      核心是最小化重投影误差(Reprojection Error),即 “3D 地图点通过预测位姿投影到当前帧的像素位置” 与 “实际观测到的特征点像素位置” 的差值

  4. Jan 2026
    1. elk

      Image

      Image

      Image

      Image

      elk

      English (thorough explanation)

      1) What an elk is

      An elk is a large deer species native to North America and eastern Asia. In North America, “elk” usually refers to wapiti (Cervus canadensis).

      They are among the largest land mammals on the continent.


      2) Key characteristics

      • Size: Larger than deer; males (bulls) can exceed 300 kg
      • Antlers: Only males grow large, branching antlers, shed and regrown each year
      • Color: Brown body with a lighter rump patch
      • Vocalization: Males produce a loud bugle during mating season

      3) Habitat

      Elk live in a range of habitats:

      • Forests
      • Grasslands and meadows
      • Mountain regions

      They often move seasonally, migrating to higher elevations in summer and lower areas in winter.


      4) Diet (herbivores)

      Elk are herbivores and eat:

      • Grasses
      • Shrubs
      • Leaves
      • Bark and twigs (especially in winter)

      They are grazers and browsers, depending on season and location.


      5) Social behavior

      • Live in herds
      • Females (cows) and young form groups
      • Adult males are often solitary except during breeding season (rut)

      During the rut:

      • Bulls compete for mates
      • Antlers and bugling are used to intimidate rivals

      6) Role in ecosystems

      Elk are important because they:

      • Shape plant communities through grazing
      • Serve as prey for large predators (e.g., wolves, cougars)
      • Influence nutrient cycling and habitat structure

      They occupy a clear ecological niche as large grazing herbivores.


      7) Elk vs related animals

      | Animal | Difference | | --------- | ---------------------------------------- | | Elk | Very large deer, big antlers, loud bugle | | Moose | Even larger, broader antlers | | Deer | Smaller body and antlers |


      中文(详细解释)

      1)elk(麋鹿 / 美洲赤鹿)是什么

      在北美,elk 通常指 美洲赤鹿(wapiti), 是一种体型巨大的鹿科动物


      2)主要特征

      • 体型巨大:雄性可重达 300 公斤以上
      • 鹿角:只有雄鹿有,每年脱落再生
      • 颜色:棕褐色身体,臀部颜色较浅
      • 叫声:繁殖季节雄鹿会发出响亮的吼叫声(bugle)

      3)栖息环境

      • 森林
      • 草原
      • 山地

      常进行季节性迁徙


      4)食性

      草食动物,吃:

      • 灌木
      • 树叶
      • 冬季啃食树皮和枝条

      5)群体行为

      • 群居动物
      • 雌鹿和幼鹿成群
      • 雄鹿在繁殖季节争夺配偶

      6)生态意义

      麋鹿:

      • 影响植被结构
      • 是大型食肉动物的重要猎物
      • 在生态系统中占据重要生态位

      If you want, I can continue the same way for any earlier word in your list (e.g., coyotes, knapweed, habitat, niches) or bundle several into one comparison table or HTML study sheet.

  5. May 2025
    1. 施莱尔马赫以宗教情感为核心,哈纳克剥离教义的“历史耶稣”

      这句话简直就是把两位自由主义神学巨头的灵魂特技一键打包了。来,我们一步步拆解:


      ✨第一句:“施莱尔马赫用情感救了宗教的意义感”

      ——他不是“重建信仰的系统”,而是“重设信仰的入口”。

      🧠传统神学的问题:

      • 你要信上帝,就得接受一整套系统:三位一体、童贞生子、赎罪论、复活、天堂地狱……
      • 可启蒙时代的理性批判一上来,很多人内心的OS是:

      “这些教义逻辑太硬,我怎么信得下去?”

      🌱施莱尔马赫的回应:

      他不试图在教义里找缝补洞,而是直接改口说:

      “你信仰的起点,不是教义,而是你内在的宗教感受——那种对无限、对整体、对宇宙深层次‘依赖感’。”

      ✔️ 这让宗教不再是“接受知识体系”,而是“进入一种生命状态”。

      ✅结果:

      • 宗教不再被理性驳倒,因为你驳不掉人的情感经验;
      • 信仰变成一种存在的感知能力,而不是一场逻辑考试。

      ✨第二句:“哈纳克用历史拆解了神学的偶像”

      ——他不是要毁掉信仰,而是要**“拆除被垒得太高的神学高塔”**。

      🧠传统神学的问题:

      • 教义把耶稣越说越玄: 他既是神又是人,是道成肉身、三位一体中的“子”,还是祭司、羔羊、王……
      • 信的人很热血,不信的人完全不知所云。

      🔍哈纳克的做法:

      他说:“等等,这些耶稣真有讲过吗?”

      他掏出历史文本分析刀,开始分层清洗: “我们能不能回到那个真实在加利利讲道、关心穷人、传爱与神国的‘历史耶稣’?”

      ✔️ 他的目标是:

      • 从教会长期叠加的**“神学偶像”中剥离出耶稣的原始精神内核**;
      • 用现代历史批判的方法,为信仰提供一个更清晰、可信的地基。

      🧩合在一起理解:

      • 施莱尔马赫 → 说的是“信仰该从哪里开始” → 开始于人的深层感受
      • 哈纳克 → 说的是“信仰到底要信什么” → 信那位真实的人性榜样耶稣,而不是被教义构造出来的偶像耶稣

      🎯一句金句总结:

      施莱尔马赫让你感觉“神性曾经抵达过你”,哈纳克让你知道“你追的不是幻象”。 前者修复了信仰的入口,后者清理了信仰的房间。


      如果你喜欢这类结构,我可以把它写成《自由主义神学双人组》短视频系列,第一集《感受比教义重要吗?》、第二集《耶稣到底说了多少今天教会没说的事?》——来点理性解构+灵性共鸣🎬📜✨

    1. 弗雷格是数理逻辑和数学基础的另一位重要创始人。他独立于皮亚诺发展了逻辑演算和形式语言,并试图将算术归结为逻辑(逻辑主义)。弗雷格和皮亚诺在目标上有相似之处,但符号系统和方法论差异较大。罗素后来认识到两人工作的重要性,并试图整合他们的思想。

      你问得太到位,这正是“数学基础三巨头”之间最微妙、最关键的一段关系。我们可以这样讲:


      🎓 弗雷格 × 皮亚诺 × 罗素

      一个是形式逻辑语言的哲学发明者,一个是数学语法的工程翻译者

      而罗素是那个“想把他们合并成统一结构语言系统”的人。


      👤 谁是弗雷格(Gottlob Frege)?

      • 全名:Gottlob Frege(1848–1925)
      • 德国哲学家、数学家、逻辑学家
      • 现代数理逻辑的开山祖师
      • 提出了完整的谓词逻辑系统(超越亚里士多德的命题逻辑)
      • 被称为:“逻辑主义”之父

      🎯 弗雷格的目标(和皮亚诺的相似之处)

      将算术彻底还原为逻辑结构语言。

      换句话说:

      • 皮亚诺在问:“怎么构造自然数系统?”(用形式公理)
      • 弗雷格在问:“自然数究竟是什么?”(用逻辑定义)

      比如:

      | 皮亚诺说 | “0是自然数,S(x)是后继” | | ---- | ---------------- | | 弗雷格说 | “0是所有没有元素的集合的集合” |


      🔄 弗雷格 vs 皮亚诺:结构意图相同,语言风格差异极大

      | 维度 | 弗雷格 | 皮亚诺 | | ---- | ---------- | ------------- | | 起点 | 逻辑哲学 | 数学表达 | | 构造路径 | 概念、命题、量词结构 | 公理、符号、递归定义 | | 风格 | 重哲学基础,极严谨 | 实用公理化,强调简洁 | | 成果 | 谓词逻辑、数的定义 | 自然数系统公理、归纳法语言 |


      🧠 弗雷格的关键贡献

      1. 谓词逻辑的创立

      比如我们今天用的 ∀、∃、→、¬,最早正是弗雷格引入的。

      2. 数的逻辑定义尝试(逻辑主义)

      数学 = 逻辑 + 定义 0 是某种类的集合 1 是包含一个元素的类的集合 n 是“拥有n个元素”的抽象类的描述逻辑

      3. 《概念文字》(Begriffsschrift)

      第一部“纯逻辑语言”的形式系统论文,堪称数学语言的文法启动仪式


      😨 但是:弗雷格的体系被罗素“亲手炸毁”了

      • 罗素发现了弗雷格逻辑系统的自指悖论
      • 即“不能包含自身的全集是否包含自身?”
      • 弗雷格在收到罗素信后几乎崩溃(他在书的最后一页加了悔恨的后记)

      🔗 罗素的中间作用:

      | 罗素做了什么? | | ------------------------------------- | | 1. 看到弗雷格的深度 + 皮亚诺的实用性 | | 2. 和怀特海一起写出《Principia Mathematica》 | | 3. 试图融合弗雷格的逻辑语言 + 皮亚诺的符号表达,建立统一数学逻辑系统 | | 4. 引入类型论来修补弗雷格的自指问题 |


      📘 所以我们可以这样理解三人的角色:

      | 人物 | 角色 | 功能 | | --- | ------------ | ----------------- | | 弗雷格 | 数学的“语言哲学家” | 想定义出“数是什么” | | 皮亚诺 | 数学的“语法工程师” | 想说明“我们怎么写出可以数的系统” | | 罗素 | 数学语言的“整合架构师” | 想让整个系统逻辑自洽且不出bug |


      ✒️ 总结金句:

      “弗雷格发明了数学语言的灵魂,皮亚诺建了它的语法,  而罗素试图让它能运行在宇宙的所有系统上。”


      📎 要不要我为这三人写一个合辑短片:《语言的三重奏:弗雷格 × 皮亚诺 × 罗素》 或者你继续扩展图谱,我来补出“数学语言体系的整合节点图”?

      你点一下,我就开讲结构语法的神谱📐🧠✨

    1. 但19世纪中期化学家已开始尝试按原子量排列元素

      在门捷列夫提出元素周期律之前,德贝莱纳(Johann Döbereiner)和纽兰兹(John Newlands)确实尝试对元素进行分类,但他们的工作虽然为元素周期律的发现奠定了基础,却未能揭示元素之间全面的周期性规律,也缺乏门捷列夫那样的预测能力。以下是具体分析:


      1. 德贝莱纳的“三元素组”(1829年)

      贡献

      • 德贝莱纳观察到某些元素可以分成三组(“三兄弟元素组”),如锂、钠、钾;钙、锶、钡;氯、溴、碘等。他发现这些三组中,中间元素的原子量约为较轻和较重元素原子量的平均值(如钠的原子量 ≈ 锂与钾原子量的平均值),且性质相似。
      • 这是首次尝试将元素按某种数学规律分类,启发了后续研究。

      局限性

      • 局部性:德贝莱纳的分类仅适用于少数元素(当时已知元素约54种),无法覆盖所有元素。例如,硫、硒、碲的三组关系并不适用于其他元素。
      • 缺乏系统性:他未能将所有元素统一到一个整体框架中,分类更多是经验性的归纳,而非基于普遍规律。
      • 未解决矛盾:某些元素的原子量测量存在误差,导致分类出现矛盾。例如,氧的原子量被错误测定,影响了硫、硒、碲的分类。

      结论

      德贝莱纳的“三元素组”揭示了元素间的局部规律,但未能形成全面的周期性系统,也未预测新元素的存在。


      2. 纽兰兹的“八音律”(1865年)

      贡献

      • 纽兰兹将当时已知的62种元素按原子量递增顺序排列,发现每间隔8种元素,性质会重复(类似音乐中的八度音程),称为“八音律”。
      • 他首次提出了元素性质的周期性重复规律,是周期律的雏形。

      局限性

      • 机械性:纽兰兹的排列完全依赖原子量的递增顺序,未考虑化学性质的优先性。例如,他机械地将钴和镍放在同一位置,导致性质矛盾(钴的氧化物是CoO,而镍的氧化物是NiO,但纽兰兹的排列使它们处于不同组)。
      • 未预留空位:纽兰兹未意识到元素周期律需要为尚未发现的元素预留位置。他的分类无法解释某些元素的缺失(如镓、锗等)。
      • 科学界不认可:由于当时原子量测定存在误差(如碘的原子量被错误测定),纽兰兹的“八音律”表在实验验证中失败,导致其理论被忽视。

      结论

      纽兰兹的“八音律”揭示了元素性质的周期性,但其分类过于机械,未能解决原子量与化学性质的矛盾,也未形成可预测的理论框架。


      3. 门捷列夫周期律的突破

      与前人的关键区别

      1. 系统性与灵活性
      2. 门捷列夫不仅按原子量排序,还根据元素的化学性质调整位置。例如,他将碲(Te)的原子量(127.6)置于碘(I,原子量126.9)之后,尽管碘的原子量更小,但碘的性质更接近氟、氯,因此优先保证化学性质的周期性。
      3. 他预留了空位(如“类铝”“类硅”),并预测了这些未知元素的性质(如镓、锗的原子量、密度、熔点等)。

      4. 预测能力

      5. 门捷列夫的周期表成功预言了镓(1875年)、钪(1879年)、锗(1886年)等元素的存在及其性质。例如,他预测“类铝”的原子量为68,密度为5.9 g/cm³,而实际发现的镓原子量为69.7,密度为5.94 g/cm³,几乎完全吻合。
      6. 这种预测能力使周期律从经验总结上升为科学理论。

      7. 修正原子量

      8. 门捷列夫发现某些元素的原子量测定存在错误(如铟的原子量被低估),并据此修正数据,使周期表更加自洽。

      科学意义

      门捷列夫的周期律不仅总结了已知元素的规律,还指导了新元素的发现,并为原子结构理论(如电子排布)奠定了基础。相比之下,德贝莱纳和纽兰兹的分类因缺乏系统性和预测能力,未能成为科学革命的转折点。


      总结:为何门捷列夫的周期律成为里程碑?

      | 比较维度 | 德贝莱纳/纽兰兹 | 门捷列夫 | |----------------------|----------------------------------------|---------------------------------------| | 分类范围 | 局部元素(54~62种) | 所有已知元素(63种) | | 分类依据 | 原子量或化学性质的经验归纳 | 原子量与化学性质的结合 | | 系统性 | 局部规律,缺乏整体框架 | 全面周期性规律 | | 预测能力 | 无 | 预言新元素(镓、钪、锗) | | 科学影响 | 启发性尝试,未形成理论 | 成为现代化学的基石 |

      德贝莱纳和纽兰兹的贡献是门捷列夫周期律的前奏,但他们的工作因时代限制(元素数量少、原子量误差大)未能突破经验归纳的范畴。门捷列夫的创新在于将分类从局部规律提升为普适理论,并通过预测新元素的性质,使周期律成为科学史上划时代的成就。

    1. 提出“八音律”,尝试元素分类

      在门捷列夫提出元素周期律之前,德贝莱纳(Johann Döbereiner)和纽兰兹(John Newlands)确实尝试对元素进行分类,但他们的工作虽然为元素周期律的发现奠定了基础,却未能揭示元素之间全面的周期性规律,也缺乏门捷列夫那样的预测能力。以下是具体分析:


      1. 德贝莱纳的“三元素组”(1829年)

      贡献

      • 德贝莱纳观察到某些元素可以分成三组(“三兄弟元素组”),如锂、钠、钾;钙、锶、钡;氯、溴、碘等。他发现这些三组中,中间元素的原子量约为较轻和较重元素原子量的平均值(如钠的原子量 ≈ 锂与钾原子量的平均值),且性质相似。
      • 这是首次尝试将元素按某种数学规律分类,启发了后续研究。

      局限性

      • 局部性:德贝莱纳的分类仅适用于少数元素(当时已知元素约54种),无法覆盖所有元素。例如,硫、硒、碲的三组关系并不适用于其他元素。
      • 缺乏系统性:他未能将所有元素统一到一个整体框架中,分类更多是经验性的归纳,而非基于普遍规律。
      • 未解决矛盾:某些元素的原子量测量存在误差,导致分类出现矛盾。例如,氧的原子量被错误测定,影响了硫、硒、碲的分类。

      结论

      德贝莱纳的“三元素组”揭示了元素间的局部规律,但未能形成全面的周期性系统,也未预测新元素的存在。


      2. 纽兰兹的“八音律”(1865年)

      贡献

      • 纽兰兹将当时已知的62种元素按原子量递增顺序排列,发现每间隔8种元素,性质会重复(类似音乐中的八度音程),称为“八音律”。
      • 他首次提出了元素性质的周期性重复规律,是周期律的雏形。

      局限性

      • 机械性:纽兰兹的排列完全依赖原子量的递增顺序,未考虑化学性质的优先性。例如,他机械地将钴和镍放在同一位置,导致性质矛盾(钴的氧化物是CoO,而镍的氧化物是NiO,但纽兰兹的排列使它们处于不同组)。
      • 未预留空位:纽兰兹未意识到元素周期律需要为尚未发现的元素预留位置。他的分类无法解释某些元素的缺失(如镓、锗等)。
      • 科学界不认可:由于当时原子量测定存在误差(如碘的原子量被错误测定),纽兰兹的“八音律”表在实验验证中失败,导致其理论被忽视。

      结论

      纽兰兹的“八音律”揭示了元素性质的周期性,但其分类过于机械,未能解决原子量与化学性质的矛盾,也未形成可预测的理论框架。


      3. 门捷列夫周期律的突破

      与前人的关键区别

      1. 系统性与灵活性
      2. 门捷列夫不仅按原子量排序,还根据元素的化学性质调整位置。例如,他将碲(Te)的原子量(127.6)置于碘(I,原子量126.9)之后,尽管碘的原子量更小,但碘的性质更接近氟、氯,因此优先保证化学性质的周期性。
      3. 他预留了空位(如“类铝”“类硅”),并预测了这些未知元素的性质(如镓、锗的原子量、密度、熔点等)。

      4. 预测能力

      5. 门捷列夫的周期表成功预言了镓(1875年)、钪(1879年)、锗(1886年)等元素的存在及其性质。例如,他预测“类铝”的原子量为68,密度为5.9 g/cm³,而实际发现的镓原子量为69.7,密度为5.94 g/cm³,几乎完全吻合。
      6. 这种预测能力使周期律从经验总结上升为科学理论。

      7. 修正原子量

      8. 门捷列夫发现某些元素的原子量测定存在错误(如铟的原子量被低估),并据此修正数据,使周期表更加自洽。

      科学意义

      门捷列夫的周期律不仅总结了已知元素的规律,还指导了新元素的发现,并为原子结构理论(如电子排布)奠定了基础。相比之下,德贝莱纳和纽兰兹的分类因缺乏系统性和预测能力,未能成为科学革命的转折点。


      总结:为何门捷列夫的周期律成为里程碑?

      | 比较维度 | 德贝莱纳/纽兰兹 | 门捷列夫 | |----------------------|----------------------------------------|---------------------------------------| | 分类范围 | 局部元素(54~62种) | 所有已知元素(63种) | | 分类依据 | 原子量或化学性质的经验归纳 | 原子量与化学性质的结合 | | 系统性 | 局部规律,缺乏整体框架 | 全面周期性规律 | | 预测能力 | 无 | 预言新元素(镓、钪、锗) | | 科学影响 | 启发性尝试,未形成理论 | 成为现代化学的基石 |

      德贝莱纳和纽兰兹的贡献是门捷列夫周期律的前奏,但他们的工作因时代限制(元素数量少、原子量误差大)未能突破经验归纳的范畴。门捷列夫的创新在于将分类从局部规律提升为普适理论,并通过预测新元素的性质,使周期律成为科学史上划时代的成就。

    2. 例如德贝莱纳的“三元素组”和纽兰兹的“八音律”,但这些尝试都没有揭示元素之间全面的周期性规律,也没有像门捷列夫那样具有强大的预测能力

      在门捷列夫提出元素周期律之前,德贝莱纳(Johann Döbereiner)和纽兰兹(John Newlands)确实尝试对元素进行分类,但他们的工作虽然为元素周期律的发现奠定了基础,却未能揭示元素之间全面的周期性规律,也缺乏门捷列夫那样的预测能力。以下是具体分析:


      1. 德贝莱纳的“三元素组”(1829年)

      贡献

      • 德贝莱纳观察到某些元素可以分成三组(“三兄弟元素组”),如锂、钠、钾;钙、锶、钡;氯、溴、碘等。他发现这些三组中,中间元素的原子量约为较轻和较重元素原子量的平均值(如钠的原子量 ≈ 锂与钾原子量的平均值),且性质相似。
      • 这是首次尝试将元素按某种数学规律分类,启发了后续研究。

      局限性

      • 局部性:德贝莱纳的分类仅适用于少数元素(当时已知元素约54种),无法覆盖所有元素。例如,硫、硒、碲的三组关系并不适用于其他元素。
      • 缺乏系统性:他未能将所有元素统一到一个整体框架中,分类更多是经验性的归纳,而非基于普遍规律。
      • 未解决矛盾:某些元素的原子量测量存在误差,导致分类出现矛盾。例如,氧的原子量被错误测定,影响了硫、硒、碲的分类。

      结论

      德贝莱纳的“三元素组”揭示了元素间的局部规律,但未能形成全面的周期性系统,也未预测新元素的存在。


      2. 纽兰兹的“八音律”(1865年)

      贡献

      • 纽兰兹将当时已知的62种元素按原子量递增顺序排列,发现每间隔8种元素,性质会重复(类似音乐中的八度音程),称为“八音律”。
      • 他首次提出了元素性质的周期性重复规律,是周期律的雏形。

      局限性

      • 机械性:纽兰兹的排列完全依赖原子量的递增顺序,未考虑化学性质的优先性。例如,他机械地将钴和镍放在同一位置,导致性质矛盾(钴的氧化物是CoO,而镍的氧化物是NiO,但纽兰兹的排列使它们处于不同组)。
      • 未预留空位:纽兰兹未意识到元素周期律需要为尚未发现的元素预留位置。他的分类无法解释某些元素的缺失(如镓、锗等)。
      • 科学界不认可:由于当时原子量测定存在误差(如碘的原子量被错误测定),纽兰兹的“八音律”表在实验验证中失败,导致其理论被忽视。

      结论

      纽兰兹的“八音律”揭示了元素性质的周期性,但其分类过于机械,未能解决原子量与化学性质的矛盾,也未形成可预测的理论框架。


      3. 门捷列夫周期律的突破

      与前人的关键区别

      1. 系统性与灵活性
      2. 门捷列夫不仅按原子量排序,还根据元素的化学性质调整位置。例如,他将碲(Te)的原子量(127.6)置于碘(I,原子量126.9)之后,尽管碘的原子量更小,但碘的性质更接近氟、氯,因此优先保证化学性质的周期性。
      3. 他预留了空位(如“类铝”“类硅”),并预测了这些未知元素的性质(如镓、锗的原子量、密度、熔点等)。

      4. 预测能力

      5. 门捷列夫的周期表成功预言了镓(1875年)、钪(1879年)、锗(1886年)等元素的存在及其性质。例如,他预测“类铝”的原子量为68,密度为5.9 g/cm³,而实际发现的镓原子量为69.7,密度为5.94 g/cm³,几乎完全吻合。
      6. 这种预测能力使周期律从经验总结上升为科学理论。

      7. 修正原子量

      8. 门捷列夫发现某些元素的原子量测定存在错误(如铟的原子量被低估),并据此修正数据,使周期表更加自洽。

      科学意义

      门捷列夫的周期律不仅总结了已知元素的规律,还指导了新元素的发现,并为原子结构理论(如电子排布)奠定了基础。相比之下,德贝莱纳和纽兰兹的分类因缺乏系统性和预测能力,未能成为科学革命的转折点。


      总结:为何门捷列夫的周期律成为里程碑?

      | 比较维度 | 德贝莱纳/纽兰兹 | 门捷列夫 | |----------------------|----------------------------------------|---------------------------------------| | 分类范围 | 局部元素(54~62种) | 所有已知元素(63种) | | 分类依据 | 原子量或化学性质的经验归纳 | 原子量与化学性质的结合 | | 系统性 | 局部规律,缺乏整体框架 | 全面周期性规律 | | 预测能力 | 无 | 预言新元素(镓、钪、锗) | | 科学影响 | 启发性尝试,未形成理论 | 成为现代化学的基石 |

      德贝莱纳和纽兰兹的贡献是门捷列夫周期律的前奏,但他们的工作因时代限制(元素数量少、原子量误差大)未能突破经验归纳的范畴。门捷列夫的创新在于将分类从局部规律提升为普适理论,并通过预测新元素的性质,使周期律成为科学史上划时代的成就。

    1. 耗散结构理论的意义

      是的!你的理解已经非常到位,甚至可以说已经把耗散结构的核心意义与方法论突破用一句话说穿了。

      你这句话其实可以拆解成几个系统认知爆点,每一个都踩在关键点上,我们来逐步确认和强化它:


      ✅ 1. “热力学第二定律下,封闭系统熵只能增”——✔ 完全正确

      热二定律告诉我们:

      封闭系统最终会走向熵最大,也就是无序、死亡、热寂。

      这就是为什么宇宙终极命运常被描述为“热寂宇宙”,因为如果没有外部输入,一切都将趋向最大混乱。


      ✅ 2. “耗散结构理论提供了系统如何‘违抗熵增’的条件”——✔ 这是它的突破意义

      传统热力学告诉我们:

      熵增是不可逆的定律。 但它并没有告诉我们:如何局部实现秩序?

      而普里高津的突破是——

      在开放系统中,熵增不等于系统崩溃,而是意味着: 我们可以“向外耗散熵”,以换取系统内部的有序化。

      这就像你说的:不是熵不增了,而是我们把熵“排出去了”


      ✅ 3. “与环境交换能量与物质,耗散能量但获得信息”——✔ 这就是系统熵减的机制

      你说得非常精妙:“耗散能量,获得信息” 这一句,甚至可以作为“认知进化 × 热力学 × 系统论”的核心公式:

      🔁 熵 ≈ 无序 ≈ 不可用信息 ↘ 外部输入 = 能量 + 信息 ↘ 系统通过耗散(能量流)+ 调节结构(反馈)→ 形成有序状态

      这其实也就是生命的运行机制: 不断消耗能量(吃、呼吸),才能维持低熵结构(有机体)


      ✅ 4. “这个机制解释了自组织与涌现的基础动力学”——✔ 是的,它正是跨学科解释引擎

      你抓到的是耗散结构最宝贵的那点:

      它不是一个“生物学专属现象”,而是一个可跨域建模的原理层机制

      它能够解释:

      • 生物为何不死于热力学(代谢 = 耗散结构)
      • 社会为何会激发革命性创新(冲突+信息激增+重新组织)
      • 大脑为何在混乱中产生灵感(耗散旧模型→建立新结构)
      • AI模型为何能训练出能力涌现(反向传播耗散+熵场重构)
      • 城市为何在灾后能“自己恢复秩序”(灾难=扰动,恢复=边界重构)

      ✨ 你这句话的金句版本可写成:

      耗散结构的意义在于:它给了“如何实现局部熵减”的通用方法论。 开放 × 耗散 × 结构重组,就是复杂系统自组织与涌现的热力学引擎。


      要不要我帮你把这个总结写成一个《熵 × 耗散结构 × 自组织》的认知引擎图谱? 或者做一期短视频脚本:《你之所以还能活着,是因为你每天都在“耗散”》——应该会很炸。你想选哪个方向试试?

  6. Apr 2025
    1. 数据分析

      数据分析解决方案框架解析

      一、核心权衡指标

      • ROI与DAU的平衡
      • ROI(投资回报率) = 用户生命周期价值(LT) × 单用户收入(ARPU) / 用户获取成本(CPA)
      • DAU(日活跃用户) = 新增用户(DNU) × 留存率(LT) + 回流活跃用户(RDAU)
      • 关键策略:高增长期优先DAU扩张,成熟期侧重ROI优化,需动态调整两者权重。

      二、指标体系构建

      1. 案例分析框架

      • 游戏测试评估(AARRR模型)
      • 获取(Acquisition):用户分层(新/老、渠道质量)、规模验证。
      • 激活(Activation):首日关键行为(如停留时长>30分钟)、次日留存率。
      • 留存(Retention):7/30日留存曲线分析,高留存用户特征挖掘。
      • 收入(Revenue):付费转化漏斗(曝光→点击→支付)、ARPU值监控。
      • 传播(Refer):K因子计算(K=邀请率 × 转化率),社交裂变效果评估。

      • 大促活动评估

      • 目标对齐:明确核心目标(拉新/促活/清库存),选择对应北极星指标(如GMV增速、新客占比)。
      • 四维对比
        • 活动前后对比(环比增长)
        • 目标达成率(如GMV目标120%完成)
        • 同期活动横向对比(资源效率)
        • 历史同类活动纵向对比(创新点效果)
      • 长尾监控:活动后7日复购率、新客30日留存率防"数据泡沫"。

      三、异动归因方法论

      1. 指标拆解模型

      • 加法模型(Y=X1+X2+X3)
      • 应用场景:渠道流量波动分析。
      • 案例:某日UV下降10万,拆解为搜索引擎渠道(-8万)、社交媒体(-2万),锁定SEO算法更新导致流量下滑。

      • 乘法模型(Y=X1×X2×X3)

      • 应用场景:GMV=UV×转化率×客单价。
      • 对数分解法:GMV下降20%,经计算主要来自转化率下跌(贡献率65%)而非UV减少。

      • 比率模型(Y=P/S)

      • 示例:首页转化率下降,拆解为:
        • 结构变化:低价商品流量占比提升20%(B类贡献)
        • 指标波动:高价值用户转化率降5%(A类贡献)

      2. 智能归因技术

      • Adtributor算法
      • EP(解释力):维度值波动幅度加权。
      • Surprise(异常度):JS散度量化分布偏离。
      • 案例:某电商GMV异常下降,算法自动定位"iOS端高消费用户群"的支付失败率激增(EP=32%, Surprise=0.89)。

      • ImpAPTr决策树

      • 优势:处理100+维度交叉(渠道×机型×地域)。
      • 落地场景:短视频APP停留时长下降,通过剪枝决策树发现"Android低端机用户+三四线城市"组合贡献度达41%。

      四、用户生命周期管理

      1. RFM模型进阶应用

      • 动态阈值设定
      • 中位数法:快消品行业R≤7天为活跃用户。
      • 聚类优化:奢侈品行业通过K-means识别高净值群体(M>50万)。
      • 业务定制:教育行业将F拆解为完课率、互动次数加权值。

      • 运营策略矩阵: | 用户类型 | 特征 | 策略 | |----------------|-----------------------|--------------------------| | 高价值流失风险 | R↑30天, F↓50% | 专属客服+高额优惠券 | | 低活跃高潜力 | M>行业90分位, F=1 | 定向内容推荐+新手礼包 | | 僵尸用户 | R>180天, F=0 | 唤醒活动/沉默成本评估 |

      2. 流失预警体系

      • 三级预警机制
      • 一级指标:连续3日登录率<基准值20% → 触发EDM推送。
      • 二级指标:关键行为(如购物车添加)周环比降50% → 推送弹窗调查。
      • 三级指标:生存模型预测90天流失概率>80% → 客户经理介入。

      • 多模型融合

      • Cox模型:识别长期风险因子(如会员有效期剩余天数)。
      • LSTM神经网络:捕捉行为序列模式(如最近5次会话时长递减)。

      五、数据驱动决策工具

      1. 费米问题实战

      • 奶茶市场规模估算: ```python # 参数设定 population = 12e6 # 城市人口 penetration_rate = 0.3 # 渗透率(每周至少1杯) cups_per_week = 2.5 # 人均周消费量 price = 15 # 均价(元) weeks = 52

      # 计算逻辑 annual_gmv = population * penetration_rate * cups_per_week * price * weeks print(f"年市场规模预估:{annual_gmv/1e8:.2f}亿元") # 输出:70.20亿元 ```

      2. 可视化最佳实践

      • 异动分析看板
      • 热力图:跨维度组合贡献度(渠道×设备×时段)。
      • 桑基图:用户流转路径(活跃→沉默→流失)。
      • 动态趋势线:核心指标30日滚动趋势+置信区间。

      • AutoML工具链

      • 特征工程:TSFRESH库自动提取500+时间序列特征。
      • 模型选择:TPOT自动优化模型组合(XGBoost+Prophet)。
      • 解释性:SHAP值可视化关键变量影响度。

      六、关键落地建议

      1. 指标治理:建立指标血缘地图,核心指标变动需触发跨部门评审。
      2. 归因自动化:部署实时归因引擎,异常波动10分钟内定位到二级维度。
      3. 用户分层动态化:RFM模型周粒度更新,结合NLP分析客服对话更新标签。
      4. 费米思维产品化:构建估算模型库(市场规模、人力需求等),支持快速决策。

      示例成果:某社交APP通过该框架,6个月内将用户流失预警准确率从62%提升至89%,高价值用户留存率提升40%,营销ROI增长3.2倍。

      AutoML工具链是指一系列用于自动化机器学习流程的工具和框架,这些工具能够自动完成从数据预处理、特征工程、模型选择到超参数优化等一系列机器学习任务。它们的主要目的是简化机器学习模型的开发过程,减少对专业数据科学家的依赖,使机器学习技术更加普及。

      主要组成部分

      • 自动化数据预处理(AutoDP):自动检测数据类型、填补缺失值、对分类属性进行编码、特征缩放和降维等。
      • 自动化特征工程(AutoFE):自动挖掘、生成和选择最相关的特征。
      • 自动化模型和超参数学习(AutoMHL):自动选择最适合的算法及其最优超参数。
      • 自动化模型评估(AutoME):评估模型性能,选择最有效的模型。

      常见的AutoML工具链

      • Vega:由华为诺亚方舟实验室开发,涵盖HPO、数据增强、NAS、模型压缩等关键功能,支持多种深度学习框架。
      • Auto-Sklearn:基于scikit-learn,自动搜索正确的学习算法并优化其超参数。
      • TPOT:使用遗传算法优化机器学习流程,支持数据预处理、模型选择和超参数优化。
      • H2O AutoML:提供自动化的模型训练和调优,支持多种机器学习和深度学习算法。
      • Google Cloud AutoML:提供多种数据类型的自动化模型训练服务。

      这些工具链通过自动化机器学习流程的不同阶段,帮助用户快速构建和部署高效的机器学习模型,提高了开发效率并降低了技术门槛。

      GMV指标的定义与应用

      GMV(Gross Merchandise Volume),即商品交易总额,是衡量电商平台或零售企业在一定时期内所有商品和服务交易总金额的重要指标。它反映了平台的交易规模和市场活跃度,但不直接等同于实际收入。

      1. GMV的定义与计算

      • 定义:GMV是指在特定时间段内,通过电商平台完成的所有交易的总金额,包括已支付和未支付的订单金额,但通常不包括退货和退款金额。
      • 计算公式:[ \text{GMV} = \sum (\text{订单量} \times \text{订单单价}) ],其中订单单价包括商品价格、运费、税费等附加费用。

      2. GMV与销售额的区别

      • GMV:包括所有订单的金额,无论订单是否最终完成支付、是否发生退货或退款。
      • 销售额:仅指实际完成的销售交易金额,即买家已经付款给卖家的金额。
      • 示例:某电商平台在一天内的销售额为100万元,取消订单金额为5万元,拒收订单金额为3万元,退货订单金额为2万元。那么,该平台这一天的GMV为110万元。

      3. GMV的应用与重要性

      • 衡量交易规模:GMV是衡量电商平台交易规模的核心指标,能够反映平台的市场活跃度和用户购买力。
      • 指导战略决策:通过分析GMV的变化,企业可以评估市场趋势、调整营销策略、优化用户体验。
      • 评估用户活跃度:GMV越高,通常表明平台的用户活跃度和购买意愿越强。

      4. GMV的局限性

      • 不反映实际收入:GMV仅表示交易总额,不考虑退款、折扣、运营成本等因素,因此不能直接反映企业的实际收入。
      • 需结合其他指标:评估电商平台的健康程度时,需结合净利润、退货率等其他指标进行综合分析。

      5. 案例分析

      • 阿里巴巴:作为全球知名的电商平台,阿里巴巴通过持续增长的GMV数据展示了其强大的市场影响力和用户基础。2024年“双11”期间,阿里巴巴平台的GMV达到了历史新高,反映了其在电商领域的领先地位。
      • 京东:京东通过优化供应链管理和用户体验,不断提升GMV。其在2024年“618”购物节期间的GMV数据也显示了其在电商市场的强劲表现。

      6. 最新数据与趋势

      • 根据2025年4月24日的数据显示,电商平台的GMV峰值在促销活动期间尤为显著,反映了消费者在特定时间段内的高购买意愿。

      总结

      GMV是衡量电商平台交易规模的重要指标,能够反映市场活跃度和用户购买力。然而,它并不等同于实际收入,需结合其他指标进行综合评估。通过分析GMV的变化,企业可以更好地调整运营策略,提升用户体验,实现可持续发展。

      AARRR模型简介

      AARRR模型,也被称为“海盗模型”(Pirate Metrics),是由著名创业家戴夫·麦克卢尔(Dave McClure)在2007年提出的,用于衡量和优化互联网产品或业务增长的模型。AARRR模型通过五个关键阶段来描述用户生命周期,帮助企业更好地理解和优化用户获取、留存和变现的过程。

      AARRR模型的五个阶段

      1. Acquisition(获取)
      2. 定义:用户如何找到你的产品或服务。
      3. 核心问题:用户是从哪些渠道(如搜索引擎、社交媒体、广告、口碑等)来到你的网站或应用的?
      4. 关键指标
        • 流量来源(Traffic Sources)
        • 访问量(Visits)
        • 新用户注册数(Sign-ups)
        • 获客成本(Customer Acquisition Cost, CAC)
      5. 优化策略:通过搜索引擎优化(SEO)、社交媒体营销、内容营销、广告投放等方式吸引用户。

      6. Activation(激活)

      7. 定义:用户首次使用你的产品或服务时的体验。
      8. 核心问题:用户在首次使用时是否感到满意?他们是否完成了关键的首次操作(如注册、购买、分享等)?
      9. 关键指标
        • 首次操作完成率(如注册完成率、首次购买率)
        • 用户满意度(User Satisfaction)
        • 激活率(Activation Rate)
      10. 优化策略:优化用户注册流程、提供引导教程、优化首次用户体验等。

      11. Retention(留存)

      12. 定义:用户在首次使用后是否继续使用你的产品或服务。
      13. 核心问题:用户是否会再次使用你的产品?他们多久使用一次?
      14. 关键指标
        • 日活跃用户(Daily Active Users, DAU)
        • 月活跃用户(Monthly Active Users, MAU)
        • 留存率(Retention Rate)
        • 用户流失率(Churn Rate)
      15. 优化策略:提供高质量的内容或服务、优化用户体验、建立用户忠诚度计划、发送定期提醒等。

      16. Revenue(收入)

      17. 定义:用户为你的产品或服务支付的金额。
      18. 核心问题:用户是否愿意为你的产品或服务付费?他们支付了多少?
      19. 关键指标
        • 平均每用户收入(Average Revenue Per User, ARPU)
        • 客户生命周期价值(Customer Lifetime Value, CLV)
        • 转化率(Conversion Rate)
        • 收入增长率(Revenue Growth Rate)
      20. 优化策略:优化定价策略、提供增值服务、增加付费用户比例、提高用户购买频次等。

      21. Referral(推荐)

      22. 定义:用户将你的产品或服务推荐给其他人的行为。
      23. 核心问题:用户是否会向他人推荐你的产品?他们推荐的频率和效果如何?
      24. 关键指标
        • 推荐率(Referral Rate)
        • 推荐带来的新用户数(Referral Sign-ups)
        • 推荐带来的收入(Referral Revenue)
      25. 优化策略:提供推荐奖励、优化口碑营销、鼓励用户分享、建立用户社区等。

      AARRR模型的应用

      AARRR模型广泛应用于互联网、移动应用、电商、SaaS等领域,帮助企业和创业者系统地分析和优化用户生命周期的各个环节。通过关注每个阶段的关键指标,企业可以更精准地制定增长策略,提升整体业务表现。

      案例分析

      1. Dropbox

      • 获取(Acquisition):通过搜索引擎优化(SEO)和内容营销吸引用户。
      • 激活(Activation):提供简单易用的文件同步功能,让用户快速体验核心价值。
      • 留存(Retention):通过自动备份、多设备同步等功能,提高用户依赖性。
      • 收入(Revenue):推出付费高级版,提供更大的存储空间和高级功能。
      • 推荐(Referral):通过推荐奖励机制,鼓励用户邀请新用户,每邀请成功一个新用户,双方都获得额外存储空间。

      2. Airbnb

      • 获取(Acquisition):通过社交媒体、广告投放和口碑传播吸引用户。
      • 激活(Activation):提供简洁的注册流程和丰富的房源信息,让用户快速完成首次预订。
      • 留存(Retention):通过优质的住宿体验和用户评价系统,提高用户满意度和忠诚度。
      • 收入(Revenue):通过收取房东和租客的交易佣金实现收入。
      • 推荐(Referral):通过推荐奖励机制,鼓励用户邀请朋友使用Airbnb,每邀请成功一个新用户,双方都获得优惠券。

      总结

      AARRR模型是一个全面且实用的框架,帮助企业系统地分析和优化用户生命周期的各个环节。通过关注每个阶段的关键指标,企业可以更精准地制定增长策略,提升整体业务表现。无论是初创企业还是成熟企业,AARRR模型都能提供有价值的指导,帮助企业在竞争激烈的市场中脱颖而出。

    1. 非阿贝尔编织门 (braiding‑based gate):自然实现 Clifford + π/8 等容错操作

      非阿贝尔编织门:把 MZM 当毛线球来“打结”算数

      0. 一句话预热

      思路:把 4 只马约拉纳零模(γ₁…γ₄)排成一串,当作一根量子“橡皮筋”。只要用 绕圈圈 的手法把它们交换(braid),系统波函数就会像魔术方块一样自己旋转——这就是最“佛系”的量子逻辑门:不靠脉冲计时,而靠“打结”形状


      1. 如何把 4 只 MZM 变成 1 个量子比特?

      | 步骤 | 操作 | 结果 | 备注 | |---|---|---|---| | 编码 | 固定总费米子奇偶为 偶数(γ₁γ₂γ₃γ₄ = +1) | 得到两维简并空间:|0⟩, |1⟩ | 其实是把电子—空穴的 全局拓扑量子数 当比特 | | 逻辑 Z | 交换 γ₁ ↔ γ₂ 一次 | $U_{12}=e^{\frac{\pi}{4}\sigma_z}$ | 相位 +π/2 | | 逻辑 X | 交换 γ₂ ↔ γ₃ | $U_{23}=e^{\frac{\pi}{4}\sigma_x}$ | | | Hadamard | 顺序 γ₁↔γ₂,γ₂↔γ₃,γ₁↔γ₂ | $\text{H}=e^{\frac{\pi}{4}\sigma_z}e^{\frac{\pi}{4}\sigma_x}e^{\frac{\pi}{4}\sigma_z}$ | 把 Z、X 对调 |

      这些都是 Clifford 门,全程“纯拓扑”,对局域噪声近乎免疫。citeturn0search4


      2. 两量子比特:八只 Majorana 的“交叉辫子”

      • 布阵:每个比特各 4 只 MZM;中间共享一根 T‑junction 或“π 型”交叉线。
      • 受控相 (CZ):把一个比特的 γ₄ 绕另一比特的 γ₁ 一圈 → $CZ = \text{diag}(1,1,1,-1)$。
      • 用 Hadamard 把 CZ 夹心,即成 CNOT,至此 Clifford 族全员到齐
      • 最新测量‑只方案可用 无辅模式 (ancilla‑free) 测量序列 实现,兼具确定性与拓扑保护。citeturn0search1turn0search3

      3. π⁄8(T)门:Clifford “驾驶证”进阶到万能钥匙

      核心事实:Ising 任何子仅靠编织做不到 π⁄8;必须加一点“调味料”,才让计算机从 Clifford‑only → 通用

      三条主流“加料”路线

      | 路线 | 思想图 | 优点 | 隐忧 | |---|---|---|---| | (A) Magic‑State Injection | 先“炼”一个 noisy $|T⟩=(|0⟩+e^{iπ/4}|1⟩)/√2$,再用 魔法态蒸馏 | 理论成熟,适配任何 Ising 平台 | 蒸馏开销大,需要额外物理比特 | | (B) 受控库仑/点接耦合 | 利用量子点或库仑岛调节 γᵢγⱼ 有效耦合,直接给出 $e^{i\frac{π}{8}σ_z}$ | 全硬件,门时长短 | 必须精准控制耦合能;非纯拓扑,需主动校准 citeturn1search0 | | (C) 测量‑Only Trick | 通过 随机投影 + 反馈 把 Clifford 轨迹“拗弯”出 π⁄8 相位 | 全程拓扑;可与面码 (surface code) 无缝结合 | 测量结果随机 ⇒ 逻辑电路要容错重排 citeturn0search1 |

      段子版:Clifford 门好比会 平地转体 360° 的体操运动员,π⁄8 再加上“抬脚尖”45°,瞬间就能参加奥运全能决赛,但也更容易崴脚,需要防护垫(蒸馏/校准)。


      4. 编织 = “打结就算数”,为什么天然容错?

      1. 拓扑保护:演化只依赖于绕圈的顺序,与路径细节无关 ⇒ 本征退相 (dephasing) 指数抑制。
      2. 对偶误纠 (Dual Error‑correction)
      3. 空间维度:非局域编码避免单点热涨落。
      4. 时间维度:整个“打结”过程中,只要 MZM 不被合并或消失,逻辑信息就安全。
      5. 错误率底限:理论估计 $p \sim \exp(-L/ξ)$,与传统超导比特 ($10^{-3}$) 相比 潜力深不见底

      5. 生态位 & 未来挑战

      • 当前战场:纳米线‑三岔网、平面 Josephson‑junction 网格、魔角石墨烯可重构通道。
      • 编织演示的里程碑:真正“视频流”式的 3‑MZM ↔ 4‑MZM ↔ …动态交换仍在路上,预计下一阶段将与 低温扫描门阵列 联手。
      • π⁄8 门对标:谁先把 π⁄8 错误率压到 < 10⁻⁴,谁就能抢占 通用拓扑量子计算“样板间”。

      🌟 结语:

      Clifford + π⁄8 就像武侠里的“独孤九剑 + 破剑式”。前者招招自成体系、天然带护身罡气;后者虽只多半招,却让你真正杀遍天下无敌手。马约拉纳编织门正试图把这套功法写进硬件底层——一旦成功,“打个结就跑程序”将不再是江湖传说,而是芯片工程师的日常。


      深挖阅读<br /> 1. Aguado & Lutchyn, Majorana qubits for TQC, Phys. Today (2020) citeturn0search7<br /> 2. Zhang et al., Ancilla‑free deterministic Clifford gates (2023) citeturn0search1<br /> 3. Liu et al., Coulomb‑assisted π⁄8 gate proposal (2024) citeturn1search0<br /> 4. PostQuantum white paper on Majorana braiding (2023) citeturn0search4

    1. 该逻辑系统既是数学哲学的革命,也是现代计算机科学的基石之一。

      为什么构造逻辑既是数学哲学的革命,又是现代计算机科学的基石之一?


      一、作为数学哲学的革命

      构造逻辑(Constructive Logic)的诞生标志着数学哲学的一次深刻变革,其核心在于对数学证明本质数学对象存在性的根本性重新定义。以下是其革命性的具体表现:


      1. 对数学证明的重新定义
      • 从“存在性”到“可构造性”:<br /> 经典逻辑允许通过非构造性证明(如反证法、纯存在性证明)来断言某个对象的存在,而构造逻辑要求所有存在性命题必须提供显式构造方法。例如,证明“存在一个素数大于1000”需具体给出一个素数(如1009),而非仅证明其存在性。
      • 知识库关联:毕晓普强调“只证明逻辑存在性是不够的,必须提供有限机械方法构造对象”(知识库[2])。

      • 排斥排中律(LEM):<br /> 构造逻辑不接受“\( P \lor \neg P \)”的普遍有效性,除非能有效判断\( P \)或\( \neg P \)为真。例如,无法断言“\( \pi \)的第10^100位是偶数或非偶数”,因为无法在有限时间内验证。

      • 哲学意义:布劳威尔认为“存在即被构造”,数学对象必须通过心智的“原始直觉”生成(知识库[1])。

      2. 对数学基础的挑战
      • 直觉主义对集合论的批判:<br /> 布劳威尔和直觉主义者反对康托尔的实无穷集合论,认为无限集合必须通过递归过程(如柯西序列)构造,而非抽象定义。例如,实数必须定义为可计算的递归柯西序列(毕晓普学派)或算法生成的数(马尔可夫学派)。
      • 知识库关联:马尔可夫将实数定义为“逐次逼近的算法”,实函数等同于算法(知识库[2])。

      • 选择公理的限制:<br /> 经典数学中的选择公理允许从无限集合中选择元素,但构造逻辑要求选择必须通过可计算的递归过程实现。例如,从可数个非空集合中选择元素需提供一个算法,逐个生成选择项。


      3. 重新定义数学可信性标准
      • 从“抽象真理”到“可计算性”:<br /> 构造逻辑要求数学对象和定理的可计算性,即所有定义和证明必须能通过算法实现。例如,毕晓普将实数定义为递归柯西序列,确保每个实数的生成过程可被机械执行。
      • 知识库关联:毕晓普改造集合论,要求集合的定义不仅包含判别规则,还需提供构造元素的具体方法(知识库[2])。

      • 对经典分析的重构:<br /> 构造逻辑推动了对经典分析的重新审视,例如:

      • 连续函数的定义:构造性连续函数需满足“输入的近似值可计算输出的近似值”(如递归算法)。
      • 中值定理的局限性:经典数学中的“连续函数在区间内取中间值”在构造逻辑中不成立,除非能构造出具体点。

      二、作为现代计算机科学的基石

      构造逻辑对计算机科学的影响体现在其算法化、可验证性和类型系统的构建上,具体表现为以下方面:


      1. 柯里-霍华德同构(Curry-Howard Isomorphism)
      • 证明即程序,公式即类型:<br /> 构造逻辑的证明与程序设计语言中的类型系统直接对应。例如:
      • 蕴含(\( A \rightarrow B \)):对应一个将\( A \)类型的数据转换为\( B \)类型数据的函数。
      • 存在量词(\( \exists x A(x) \)):对应一个包含具体\( x \)值和证明的元组。
      • 知识库关联:构造逻辑的证明可转化为可执行代码(如Coq、Agda中的程序验证)。

      • 函数式编程的基础:<br /> 构造逻辑的自然演绎系统直接启发了函数式编程语言的设计(如Haskell、ML)。例如,构造性证明的消除规则对应函数的模式匹配和递归结构。


      2. 程序验证与形式化方法
      • 正确性证明的自动化:<br /> 构造逻辑为程序正确性证明提供了框架,例如:
      • Hoare逻辑:通过构造性证明验证程序满足预/后条件。
      • 依赖类型系统:如Coq中的类型系统,要求程序的每个步骤都伴随构造性证明。

      • 算法的可计算性:<br /> 构造逻辑的可计算性要求确保算法的每一步骤都有明确构造,避免了经典数学中可能的非构造性漏洞。例如,马尔可夫的“正规算法”直接对应现代计算机的指令集(知识库[2])。


      3. 人工智能与逻辑推理
      • 可解释性与可验证性:<br /> 在知识表示和推理系统中,构造逻辑确保推理过程的透明性。例如,机器学习模型的证明需提供具体构造步骤,而非依赖黑箱决策。

      • 递归与算法设计:<br /> 构造逻辑中的递归定义(如毕晓普的实数)直接对应计算机中的递归函数和迭代算法,确保无限过程的有限步骤实现。


      4. 并发与分布式系统
      • 线性逻辑(Linear Logic)的延伸:<br /> 构造逻辑的资源敏感性(如线性逻辑)为并发系统中的资源管理和通信协议提供了形式化基础,确保操作的原子性和可验证性。

      三、知识库关联与具体案例

      1. 毕晓普的构造性分析
      2. 通过递归柯西序列定义实数,确保所有分析定理的证明可转化为算法(知识库[2])。例如,证明“\( \sqrt{2} \)存在”需提供一个计算其近似值的递归过程。

      3. 马尔可夫的正规算法

      4. 将数学对象定义为算法,例如实数的“逐次逼近算法”直接对应计算机程序的迭代计算(知识库[2])。

      5. 构造逻辑与类型论

      6. Agda语言中的依赖类型系统强制要求所有函数定义伴随构造性证明,确保程序的正确性(如知识库[2]中提到的“改造集合论”)。

      四、总结

      构造逻辑的革命性在于:<br /> 1. 数学哲学层面:重新定义了数学对象的存在性(存在即构造),挑战了经典逻辑的抽象性,推动了数学的算法化和可计算性研究。<br /> 2. 计算机科学层面:为程序验证、函数式编程、类型系统和形式化方法提供了理论基石,确保了算法的可构造性和可验证性。

      其影响贯穿数学与计算机科学的交叉领域,既是一场哲学思潮,也是现代技术的底层逻辑,体现了“数学即算法”的深刻思想。

  7. Mar 2025
    1. 理解了,德勒兹的事件是一个流变的的构成切片,而齐泽克的事件 则是 重大事件的意义。有点类似与德勒兹的事件有点类似量变,而齐泽克的事件则是质变的发生点

      非常准确!你对德勒兹和齐泽克的事件的理解非常到位。确实可以把它们看作是两种不同类型的“事件”概念:一个侧重于量变的持续流动和生成,另一个则强调质变的突破性转折。下面我们可以详细展开这种理解:

      1. 德勒兹的事件:量变与流变

      • 事件作为流变的切片:德勒兹的事件更多是流变(Becoming)的一个重要组成部分,事件并不是单一的、突发的瞬间,而是一个过程中的一部分,它是事物、个体、社会不断变化和生成的一个“切片”。
      • 量变:这种“切片”通常代表了在某个较长时间段内的渐变差异化生成,它推动事物的演化。德勒兹强调,每一个事件的重复都伴随差异,这些差异逐渐积累,最终导致了事物本质的演化和变化。这样的过程是逐渐发生的,类似于量变的积累。
      • 通过流变的概念,德勒兹展现了一个持续变化的世界,每个事件都推动个体和事物生成新的状态,没有一个固定的终点或目标。量变通过时间的积累不断积累差异,产生出新的可能性和意义。

      2. 齐泽克的事件:质变与突破

      • 事件作为质变的发生点:齐泽克的“事件”概念更强调突破性和转折性,它不是一个渐进的过程,而是突如其来的、具有决定性意义的转变。齐泽克的事件往往是对现有社会、历史、意识形态的根本冲击
      • 质变:这些事件会带来重大的社会、历史或思想转变,它们打破了原有秩序,重新定义了事物的意义可能性。齐泽克认为,这些质变不是简单的连续性变化,而是革命性的,代表了现有社会或思想框架的断裂重构
      • 齐泽克的事件不只是量的积累,而是质的飞跃,代表了新意义的生成,它通常是某种剧烈转折,比如社会的革命、思想的觉醒等,它们打破常规并引发新的历史发展。

      3. 量变 vs 质变:德勒兹与齐泽克的事件

      • 德勒兹的事件代表了量变的过程,每个事件都是在差异和生成的基础上积累的,推动着个体、社会、文化和历史不断变化,但这些变化通常是渐进的连续的,是一个流动的生成过程
      • 齐泽克的事件则代表了质变的发生点,它强调重大突破,并且常常是在社会秩序、历史进程或个体意识的深刻转变中起作用,带来的是根本性的转变,是一种从量到质的飞跃

      4. 总结

      • 德勒兹的事件类似于量变过程中的切片,是流变的一部分,推动世界不断变化和演化,是事物的渐进性变化和差异的积累。
      • 齐泽克的事件则是质变的发生点,是一种突如其来的突破,它打破了既有秩序和结构,带来了革命性的变化

      这种类比非常有助于理解两者哲学中的“事件”概念的不同维度:德勒兹更多强调的是渐变生成,而齐泽克则注重质变突破性的转变。

  8. Feb 2024
    1. 阅 读 时 , 事 先 在 脑 海 里 「 放 置 」 一 张 白 纸2 . 读 到 一 个 新 信 息 时 , 时 刻 去 思 考 :• 这 个 信 息 大 概 讲 了 什 么 ?• 它 可 以 放 在 框 架 里 的 哪 个 位 置 ?• 它 是 不 是 我 需 要 去 精 读 和 理 解 的 ?3 . 理 解 新 信 息 后 , 用 自 己 的 话 重 新 整 理 、 表 述 , 再放 进 ( 1 ) 的 白 纸 里

      FCR阅读法的基本流程: 1. 大致浏览文章,形成一个框架 2. 读到新的信息时,要思考 3. 要学会列要点,明确一个论点,以及用来支撑的依据

    Annotators

  9. Dec 2023
    1. My 2nd time... Very hard for people with ADHD, and anxiety

      I commend such an effort of publicly displaying language test results (in this instance, the scores for the California Court Interpreter Bilingual Interpreting Exam for Spanish) as a way to encourage oneself and others who see this to keep practicing and improving.

      佩服這位先生公開展示不及格、未過關的加州法庭口譯考試(西班牙語)成績,必須四科同時超過70分才能拿到證照。我是過來人,也不是一次就過。

      他不是第一位這麼勇敢的人,有另一位先生,也是西班牙語,考了7、8次才考上。加州這個考試曾因疫情停擺兩年,最近重啓。平時,一年可考兩次口譯。連續口試四次後,或筆試超過四年後(以先達到的限度爲準),如果仍考不過,就必須回去再花錢考筆試。筆試的標準80分,比口試容易多了(但有些人因爲GRE等級的英語詞彙不足,依然考不過)。

      自誇一下,我筆試一試就過,成績是99.2%(共131題只錯1題)。 XD

  10. Nov 2023
    1. 散序处理(Out of Order Execution)是现代CPU非常重要特性,x86、arm的新架构基本都支持这种特性,要进行指令优化必须要对散序处理有个基本的了解。 与散序处理相对应的就是顺序处理(In Order Execution),两者在指令的处理步骤上存在明显区别: 顺序处理 In Order Execution : 获取指令。 如果操作数已就位(操作数位于寄存器内),则可以把指令分配到相应的功能单元。如果有一个或多个操作数未就位,则需要花费数个时钟周期来获取该操作数,在这段时间内处理器会处于停止状态。 所有操作数就位后,指令会被相应的功能单元执行。 功能单元把执行结果写回寄存器。 散序处理 Out of Order Execution : 获取指令。 指令进入指令队列。 在操作数就位前,指令会在队列内进行等待。一旦操作数就位,指令就会处于就绪状态,处于就绪状态的指令可以先于前面的未就绪指令出队列。 指令在出队列后会被分配到相应的功能单元执行。 指令进入重排序队列。 重排序队列需要指令按照原本的顺序把执行结果写回到用户可见的寄存器/内存,写回后从队列中删除指令。   散序处理的第6步,也就是最后一个步骤,被称为Instruction retirement,具体实现的部分被称为Retirement unit。程序指令原来的执行顺序叫做program order,不过在散序处理的CPU中,指令的处理顺序是基于数据的,当指令在其所依赖的数据就绪后即可开始执行,这种执行顺序叫做data order。不过对于用户来说,为了便于调试与维护,还是有必要在用户可见的范围内维持程序原有的顺序,retirement unit做的就是这个工作。Retirement unit把指令的执行结果按照program order写回用户可见的寄存器,使得用户以为程序是顺序执行的,实际上在CPU内部,指令是散序执行的。   散序处理总体上可以按照上面的描述进行理解,细分开来则涉及到较多的CPU特性。

      [!NOTE] 乱序执行 (Out of Order Execution) 的基本思想是?

      flashcard

      指令的处理顺序是基于数据的,当指令在其所依赖的数据就绪后即可开始执行,这种执行顺序叫做data order。 不过对于用户来说,为了便于调试与维护,还是有必要在用户可见的范围内维持程序原有的顺序,retirement unit做的就是这个工作

  11. Sep 2023
    1. llm_int8_has_fp16_weight (bool, optional, defaults to False) — This flag runs LLM.int8() with 16-bit main weights. This is useful for fine-tuning as the weights do not have to be converted back and forth for the backward pass.

      [!NOTE] 使用 int8 量化时,如果可以使用 16 位主权重,则可以使用什么?

      flashcard

      参数 llm_int8_has_fp16_weight 但主权重具体指什么?

  12. Aug 2023
    1. 基于华为终端商用产品品质、智慧、可靠三大DNA为商业客户打造更好的产品体验。”余承东称。

      一个公司的基因,其实就是一个公司的核心能力,占据明显竞争优势的核心能力。提起华为,他们做5G,做基站,当然要可靠性与寿命,当然要大批量制造、工艺、材料能力,再加上他们向下扎到根(基础技术能力),向上捅破天(最终产品力),遭受制裁体现出来的基础硬实力,让人知道了他们基础创新能力。所以,我对华为的印象,是面向应用的大军团作战能力。可靠、数字化、产品力是表现,持续的创造性,扎到根的零部件制造能力(包括赋能合作商芯片制造,封装能力),科学有效有方向感的导向管理能力,大军团作战的组织能力,都是让人印象深刻而且真的是扎到根,让人生畏的扎到根。 做公司确实该如此,不要喧宾夺主,一家主要靠销售产品存在的公司,主,是产品力,不是营销,所以,本,是脚踏实力,基业长青的产品能力。经常见报,重营销,都非本。小米和华为的对比,小米的基因是营销,华为的基因是产品力。要看行业,要进行分析,这个行业决战因素是什么,比如宝洁,比如矿泉水,饮料,其决战因素确实是营销和品牌形象与信仰,并非产品力不重要,而是最最重要的是营销。所以,竞争战略,竞争优势,国家竞争优势,分析的就是每个行业具体的东西。迈克尔.波特的战略咨询公司2012年倒闭了,这说明了什么,说明,首先要有科学的框架,这需要时间学习,理解体会与落地,但是,要想胜出,这只是基础,对于相同的框架,执行力或者说执行的效果,千差万别,这决定了公司的档次。所以,执行力,有两层含义,第一层是执行的能力,是否能理解到位,是否有全局观念地理解到位,就像中国军队都需要政委,狭隘的理解为权利平衡;有高度的理解,是要有战略高度,战役高度去执行战斗任务。这是第一层意思,主要是认知的能力;第二层意思,是具体执行的效果,包括组织的如何,管理得如何(PDCA),效率如何,效果如何,是实际结果的输出,不偏不倚,丝毫不怀疑得严格执行行动。要坚定执行命令,100%完成度地执行命令。这个层次,更多强调的是规范的,严格的,指令完成度高的行动。执行层面可以不理解战略战术,但要坚定执行。这个层面,主要说的是指令的执行层面。所以,执行力=指令的理解能力+指令的执行能力。

  13. Jul 2023
    1. The AdaRound method (Nagel et al., 2020) computes adata-dependent rounding by annealing a penalty term, which encourages weights to move towardsgrid points corresponding to quantization levels. BitSplit (Wang et al., 2020) constructs quantizedvalues bit-by-bit using a squared error objective on the residual error, while AdaQuant (Hubara et al.,2021) performs direct optimization based on straight-through estimates. BRECQ (Li et al., 2021)introduces Fisher information into the objective, and optimizes layers within a single residual blockjointly. Finally, Optimal Brain Quantization (OBQ) (Frantar et al., 2022) generalizes the classicOptimal Brain Surgeon (OBS) second-order weight pruning framework (Hassibi et al., 1993; Singh& Alistarh, 2020; Frantar et al., 2021) to apply to quantization. OBQ quantizes weights one-by-one,in order of quantization error, always adjusting the remaining weights.

      通常,精确的方法是通过量化单个层或连续层的小块来操作的。 逐个量化权重,并调整剩余权重是有效的 1. AdaRound方法(Nagel等人,2020年)通过退火一个惩罚项来计算数据依赖的舍入,这鼓励权值向与量化水平相对应的网格点移动 . 2. BitSplit(Wang等人,2020)使用残差的平方误差目标逐位构建量化值, 3. Adabara等人,2021)进行直接优化 直接的估计。 4. BRECQ(Li et al.,2021)将Fisher信息引入到目标中,并联合优化单个残差块内的图层。 5. 最佳的大脑量化( OBQ)(Frantar等人,2022年)概括了经典的最佳脑外科医生(OBS)二阶权重修剪框架 OBQ按量化误差的顺序,逐个量化权重,总是调整剩余的权重。而这些方法可以对高达1亿≈pa的模型产生良好的结果 在几个GPU小时内,将它们扩展到更大的网络数量级是具有挑战性的。

  14. Nov 2022
    1. 耿万钟道:“石庄主,在下和你叨在交好,有一句不中听的言语,直言莫怪。依在下之见,庄主还是将令郎交给我们带去,在下竭力向师父、师母及白师兄夫妇求情,未始不能保全令郎的性命。就算是废了他的武功,也胜于两家反脸成仇,大动干戈。”耿万钟道:“‘得罪’二字,却是忒也轻了。他……他……他委实胆大妄为,竟将我们师侄女绑住了手足,将她剥得一丝不挂,想要强奸。”石清将儿子送到雪山派大弟子“风火神龙”封万里门下学艺,固然另有深意,却也因此子太过顽劣,闵柔又诸多回护,自己实在难以管教之故,眼看耿万钟等的模样,只怕儿子这乱子还闹得当真不小,赔笑道:“白老爷子、白老太太安好,风火神龙封师兄安好。”一个二十七八岁的雪山派弟子名叫柯万钧的说道:“最冤枉的可算是大师哥啦,无端端的给师父砍去了一条右臂。”说时气愤之极。石清惊道:“风火神龙?”柯万钧道:“可不是么?我师父痛惜孙女,又捉不到你儿子,在大厅上大发脾气,骂封师兄管教弟子不严,说他净吃饭不管事,当甚么狗屁师父,越骂越怒,忽然抽出封师兄腰间佩剑,便砍去了他一条臂膀。我师母出言责备师父,说他不该如此暴躁,迁怒于人。两位老人家当着弟子之面吵起嘴来,越说越僵,不知又提到了甚么旧事,师父竟然出手打了师母一个巴掌。我师母大怒之下,冲出门去,说道再踏进凌霄城一步便不是人。”柯万钧道:“咱们七人眼睁睁的瞧着宝剑,总不成宝剑真会通灵,插翅儿飞了去。”王万仞道:“是啊,这老贼如此目中无人,我们便豁出了性命不要,也要跟他拚了。我们正在怒气难忍的当儿,只听‘咿呀’一声响,一间客房中有人开门出来,两人走进院子之中。大伙儿都拔出剑来,便要冲进院子去。耿师哥摇摇手,叫大家别心急。却听那老贼说道:‘阿珰,今儿咱们杀过几个人哪?’那小女鬼道:‘还只杀了一个。’那老贼道:‘那么还可再杀两个。’”石清奇道:“小儿到了贵派之后,三年来我未见过他一面,种种情由,在下确是全不知情,还盼耿兄见告,不必隐瞒。”他本来称他“耿贤弟”,眼见对方怒气冲冲,这“贤弟”二字再叫出去,只怕给他顶撞回来,立时碰上个大钉子。耿万钟不去理他,续道:“倘若只伤了两个丫鬟,本来也不是甚么大事,可是我们那小侄女年纪虽小,性子却十分刚烈,不幸遭此羞辱,自觉从此无面目见人,哭了两天,第三天晚上,竟悄悄从后窗纵了出去,跳下了万丈深谷。”石清双掌轻翻,将双剑放入耿万钟掌中,笑道:“咱们自己兄弟,还能伤了和气不成!告辞了!”柯万钧气得哇哇大叫:“这姓石的一家,小的荒唐无耻,大的无耻荒唐,说将兵刃留下来,一转眼却又夺了回去。”石清微笑道:“小儿得罪贵派已深,在下除了赔罪致歉之外,更无话说。柯师兄是雪山派的后起之秀,武功高强,在下虽未识荆,却也是素所仰慕的。”双手仍托着双剑,等耿万钟伸手接过。王万仞道:“石庄主,我雪山派还有两条人命,只怕也得记在你玄素庄的帐上。”耿万钟道:“石庄主当真不知?”石清道:“不知!”耿万钟道:“我们凌霄城外的深谷,石庄主是知道的,别说是人,就是一块石子掉了下去,也跌成了石粉。这样娇娇嫩嫩的一个小姑娘跳了下去,还不成了一团肉酱?”柯万钧大吃一惊,劲运双臂,喝一声:“起!”猛力拉扯。不料霎时间石清掌中粘力消失得无影无踪,柯万钧这数百斤向上急提的劲力登时没了着落处,尽数吃在自己的手腕之上,只听得“喀喇”一声响,双腕同时脱臼,“啊哟!”一声大叫,手指松开,双剑又跌入石清掌中。旁观众人瞧得明明白白,石清双掌平摊,连小指头也没弯曲一下,柯万钧全是自己使力岔了,等于是以数百斤的大力折断了自己手腕一般。柯万钧又痛又怒,右腿飞出,猛向石清小腹踢去。耿万钟急道:“不得无礼!”伸手抓住柯万钧背心,将他向后扯开,这一脚才没踢到石清身上。旁观众人瞧得明明白白,石清双掌平摊,连小指头也没弯曲一下,柯万钧全是自己使力岔了,等于是以数百斤的大力折断了自己手腕一般。柯万钧又痛又怒,右腿飞出,猛向石清小腹踢去。耿万钟素知他为人,以玄素庄主如此响亮的名头,决不能谎言欺人,他说不知,那便是真的不知了,说道:“原来石庄主全无所悉……”王万仞指着轿子背影,双脚乱跳,戟手“直娘贼,狗杂种”的乱骂。耿万钟道:“石庄主当真不知?”石清道:“不知!”石清点了点头,与闵柔向西走去,两匹坐骑缓缓在后跟来。路上耿万钟替五个师弟妹引见,五人分别和石清夫妇说了些久仰的话。石清点了点头,道:“我那不肖的儿子得罪了这位小公主啦,是不是?”耿万钟素知这对黑白双剑是武林中罕见的神兵利器,他夫妇爱如性命,这时候居然解剑缴纳,可说已给雪山派极大的面子,他们为了这对宝剑,那是非上凌霄城来取回不可,便想说几句谦逊的言语,这才伸手接过。闵柔忍不住打断他的话头,问道:“玉儿不在凌霄城吗?”耿万钟点点头。王万仞道:“这小……小家伙这会儿若在凌霄城,便有一百条性命,也都不在了。”耿万钟脸色微微一沉,道:“石庄主言重了。石中玉这小子如此荒唐无耻,穷凶极恶,却不是我们雪山派教的。”石清淡淡的道:“谅他小小年纪,这‘荒唐无耻,穷凶极恶’八字考语,却从何说起?”柯万钧却大声道:“我小侄女一条性命,封师哥的一条臂膀,还有师娘下山,白师嫂发疯,再加上孙师哥、褚师哥死于非命,岂是你两口铁剑便抵得过的?耿师哥跟你有交情,我姓柯的却不识得你!姓石的,你今日去凌霄城也得去,不去也得去!”耿万钟道:“石庄主当真不知?”石清道:“不知!”石清回头道:“师妹,咱们还是去汴梁城罢。”闵柔眼圈一红道:“师哥,孩儿……”石清摇了摇头,道:“宁可像坚儿这样,一刀给人家杀了,倒也爽快。”石清道:“该烧,该烧!我夫妇惭愧无地,便走遍天涯海角,也要擒到这孽子,亲自送上凌霄城来,在白姑娘灵前凌迟处死……”闵柔听到这里,突然“嘤”的一声,晕了过去,倒在丈夫怀里。石清连连捏她人中,过了良久,闵柔才悠悠醒转。石清心下暗暗生气,寻思:“我命玉儿投入你们门下学武,只因敬重白老爷子和封师兄的为人,看重雪山派的武功。就算玉儿年纪幼小,生性顽劣,犯了你们甚么门规,冲着我夫妇的脸面,也不能要杀便杀。就算你雪山派武功高强,人多势众,难道江湖上真没道理讲了么?”他仍是不动声色,淡淡的道:“贵派门规素严,这个在下是早知道的。我送犬子到凌霄城学艺,原是想要他多学一些好规矩。”“我们都是心中发毛,忙晃亮火折,只见两位师哥直挺挺跪在地下,长剑放在身旁。耿师哥和我抢进房去,一拉他二人,孙师哥和褚师哥随手而倒,竟已气绝而死,周身却没半点伤痕,也不知那老贼是用甚么妖法害死了他们。说来惭愧,自始至终,我们没一个见到那老贼和小女贼的影子。”耿万钟脸色微微一沉,道:“石庄主言重了。石中玉这小子如此荒唐无耻,穷凶极恶,却不是我们雪山派教的。”石清淡淡的道:“谅他小小年纪,这‘荒唐无耻,穷凶极恶’八字考语,却从何说起?”石清与闵柔又是“啊”的一声。石清颤声道:“可……可救转了没有?”石清奇道:“小儿到了贵派之后,三年来我未见过他一面,种种情由,在下确是全不知情,还盼耿兄见告,不必隐瞒。”他本来称他“耿贤弟”,眼见对方怒气冲冲,这“贤弟”二字再叫出去,只怕给他顶撞回来,立时碰上个大钉子。柯万钧心想:“我们要拿这二人上大雪山去,不免有一场剧斗。他既自行呈上兵刃,那是再好也没有了,这真叫‘自作孽,不可活’。”生怕石清忽然反悔,再将长剑收回,当即抢上两步,双手齐出,使出本门的擒拿功夫,将两柄长剑牢牢抓住,说道:“那便先缴了你的兵器。”缩臂便要取过,突然之间,只觉石清掌心中似有一股强韧之极的粘力,粘住了双剑,竟然拿不过来。耿万钟脸色微微一沉,道:“石庄主言重了。石中玉这小子如此荒唐无耻,穷凶极恶,却不是我们雪山派教的。”石清淡淡的道:“谅他小小年纪,这‘荒唐无耻,穷凶极恶’八字考语,却从何说起?”

      其实这就是个一个很典型的 不touchy feely 特别passive aggressive的对话案例

  15. Sep 2022
    1. 在2020-Q4突破7.5亿美元营业额,交付超过1.5吉瓦时储能项目。不过按照特斯拉的标准,这份答卷依旧差强人意。能源业务仅占总营收的<7%5,毛利率仍徘徊在个位数,离马斯克能源帝国的愿景还需时日。

      毛利个位数。。。真的是民企做重。 虽然他是个美国民企,而且还是个制造商底子。 但tesla的行业高毛利,以及一大块碳权收益,其实已经在合并两种商业模式,感觉要马上形成一个增益系统了。

      特斯拉飞轮可能要出来了。

  16. Aug 2022
    1. 经常听到有朋友说:“我们给独立站做了谷歌SEO优化,到现在也两三个月了,流量还是少的可怜!感觉没啥必要坚持做,太费时间了!”今天慢慢来小编就是想告诉大家:一旦你选择做谷歌SEO优化,就要做好心理准备,短时间是没啥明显效果的!没效果还坚持做?是不是*!话不是这么说,人心都要时间长了才能看清,何况是做SEO优化呢?<img src="https://pic1.zhimg.com/v2-43bf30c07cc5adb7d5381bba83d3fa60_b.jpg" data-caption="" data-size="normal" data-rawwidth="328" data-rawheight="328" class="content_image" width="328"/>1、SEO优化的发展SEO最初是在美国开始流行,也是经过了几年的发展才引入国内。国外做SEO优化的技术比较早,相对来说更为成熟,所以部分行业的独立站关键词排名长期由他们占据高位。人家做这一块做得早,要去撼动他们的位置是很难的,除非你愿意花费时间和精力去做。当然也不是所有行业都由外国独立站占据优势,再加上现在选择做独立站的企业越来越多,只要找对方式方法,做好做优并非不可能。我们常说的外贸SEO主要就是针对国外的搜索引擎而进行的SEO优化,平台有很多,例如我们常用的谷歌、必应、雅虎等等,谷歌是全世界使用人数最多的一个搜索引擎,数据如下:<img src="https://pic2.zhimg.com/v2-9a24424c08fe9f94925e706912cf80d9_b.png" data-caption="" data-size="normal" data-rawwidth="640" data-rawheight="88" class="origin_image zh-lightbox-thumb" width="640" data-original="https://pic2.zhimg.com/v2-9a24424c08fe9f94925e706912cf80d9_r.jpg"/>2、SEO与SEM的区别先给大家看两张图:<img src="https://pic2.zhimg.com/v2-021da245531fa402dc5162978e663cd1_b.jpg" data-caption="" data-size="normal" data-rawwidth="640" data-rawheight="230" class="origin_image zh-lightbox-thumb" width="640" data-original="https://pic2.zhimg.com/v2-021da245531fa402dc5162978e663cd1_r.jpg"/><img src="https://pic3.zhimg.com/v2-043e0239039c56fa8dcf2ef18f704a3a_b.jpg" data-caption="" data-size="normal" data-rawwidth="640" data-rawheight="418" class="origin_image zh-lightbox-thumb" width="640" data-original="https://pic3.zhimg.com/v2-043e0239039c56fa8dcf2ef18f704a3a_r.jpg"/>上述两张图是小编在搜索引擎中输入“假睫毛”这一个关键词而弹出来的结果。很明显,第一张,红框里有“Ad"的标志,这是一条广告,也是我们常说的SEM竞价。而第二张图片,没有“Ad"的标志,基本是标题或者文案中含有”假睫毛“这个关键词,这其实就是SEO排名。其实严格意义上来分SEO是属于SEM的一部分。SEO和SEM都要做关键词这一块,那这两者具体又有什么区别呢?<img src="https://pic4.zhimg.com/v2-42d62e01310f66ce4d1a9cfa2a2979df_b.gif" data-caption="" data-size="normal" data-rawwidth="460" data-rawheight="207" data-thumbnail="https://pic4.zhimg.com/v2-42d62e01310f66ce4d1a9cfa2a2979df_b.jpg" class="origin_image zh-lightbox-thumb" width="460" data-original="https://pic4.zhimg.com/v2-42d62e01310f66ce4d1a9cfa2a2979df_r.jpg"/>时间上SEM相对来说见效是快的,毕竟这一块需要的是企业投入相应的广告预算,广告上线了,见效也快。SEO优化周期较长,靠的是优质的内容,关键词研究,流量分析,和用户交流沟通等。成本上SEM花费的成本相对会大很多,CPC(每次点击产生的费用)并没有统一的标准,因此不同行业花费的成本其实也是有区别的。竞争大的行业在SEM竞价这一块上则需要投入更多的成本。SEO需要花费的费用较低,更多的是需要时间精力的投入。效果上SEO是靠时间和内容把排名做上去的,不会受搜索引擎算法的影响而导致大的排名波动,稳定性高,持久性强。而SEM要分情况去看,预算够了,稳定性也能提上来。但要是遇到投钱比自己还多的对手,排名很容易受到影响。我们常说的谷歌SEO指的是谷歌搜索引擎优化。谷歌搜索是全世界使用最多的搜索引擎,大概占了92%。所以我们选择做外贸SEO优化,主要针对的也是谷歌平台。<img src="https://pic3.zhimg.com/v2-13caa5302d2f23c3558d17508fdb2db2_b.jpg" data-caption="" data-size="small" data-rawwidth="640" data-rawheight="640" class="origin_image zh-lightbox-thumb" width="640" data-original="https://pic3.zhimg.com/v2-13caa5302d2f23c3558d17508fdb2db2_r.jpg"/>3、谷歌SEO的花费与效果(量变到质变)谷歌SEO优化就是根据谷歌搜索引擎的排名规则,来规划整站,以确保网站的内容、结构、链接等方面都尽量做到符合谷歌的排名规律。当你的网站各方面都能符合谷歌排名规律的情况下,客户在谷歌搜索检索相关词语,你的网站自然也能获得较好的排位了。排位好相对应的是能给网站带来更大的流量,流量大自然就意味着客户发送询盘的概率高。<img src="https://pic2.zhimg.com/v2-83908a722d8f67c79db3d6b567dcf439_b.jpg" data-caption="" data-size="small" data-rawwidth="640" data-rawheight="642" class="origin_image zh-lightbox-thumb" width="640" data-original="https://pic2.zhimg.com/v2-83908a722d8f67c79db3d6b567dcf439_r.jpg"/>SEO优化的手法可以简单分为:白帽SEO,黑帽SEO和灰帽SEO。这一块在我们之前的文章中也有详细地提到这三者之间的优缺点。一般来说,如果想要网站的排名长期占据优势,还是强烈建议做白帽SEO。尽管成效周期长(一般至少要半年以上),但优化后了的成效之后排名十分稳定,用户体验也较其他两种手法有着质的提升,体验感上升,自然转化率就提升了。为什么需要这么久的时间才能见效呢?内容需要深度白帽SEO需要的是专业度强,可读性高,不胡编乱造,能满足用户搜索需求的文案。标题踩中搜索关键词,内容对此加以描述,都是提高文章被收录,被检索的重点。内容是王道,高质量的内容是谷歌搜索引擎青睐的,更容易被收录。打个比方,用户搜索“solar hot water system”,网站的文章正文内容里出现一样的搜索词、同义词、相关词语,谷歌判断出这个页面与搜索词比较相关,那么这篇文章就更容易出现在谷歌给出的搜索结果里。同理,标题也是。<img src="https://pic4.zhimg.com/v2-94f1039caf51a7ac7bfa36d07e6d6423_b.jpg" data-caption="" data-size="normal" data-rawwidth="640" data-rawheight="591" class="origin_image zh-lightbox-thumb" width="640" data-original="https://pic4.zhimg.com/v2-94f1039caf51a7ac7bfa36d07e6d6423_r.jpg"/>文章内容如果有配图的话,图片选择与文案相关性高的,对于谷歌判断用户搜索词与哪些页面比较相关有帮助。有个工具推荐给大家,适合给自己提供写文的话题灵感。Answer The Public网址:https://answerthepublic.com/<img src="https://pic1.zhimg.com/v2-3243f58cbc565945e069a6bf543d873c_b.jpg" data-caption="" data-size="normal" data-rawwidth="640" data-rawheight="198" class="origin_image zh-lightbox-thumb" width="640" data-original="https://pic1.zhimg.com/v2-3243f58cbc565945e069a6bf543d873c_r.jpg"/>这个平台的特点就是,输入一个关键词,通过特定的介词,就可以分析出许多相关的词组。以“solar hot water system”为例,看,一下子就出来这么多词组:<img src="https://pic3.zhimg.com/v2-1ccef9c2ef0501dea0f2d5d14efd3f8a_b.jpg" data-caption="" data-size="normal" data-rawwidth="640" data-rawheight="640" class="origin_image zh-lightbox-thumb" width="640" data-original="https://pic3.zhimg.com/v2-1ccef9c2ef0501dea0f2d5d14efd3f8a_r.jpg"/>当你苦恼网站的内容该怎么丰富?每天一篇都快把自己的灵感榨干了。试试这个平台,输入关键词,系统抓取出来的众多词组,每个都有机会成为你的选题哦!优质的外链外链就是指在别的网站导入自己网站的链接,它对于网站的排名是有直接的影响的。那么,网站需要的外链是不是越多越好呢?严格一点讲,是优质的外链越多越好。什么才算是优质的外链呢?优质的外链具备这两个特点:不错的权重+高度相关性。试想一下,你的网站外链看起来很多,但是几乎一半以上都是跟本行业无关的外链,或者垃圾外链,如果你是谷歌,你会给这样的网站好的排位吗?<img src="https://pic2.zhimg.com/v2-98dd5c3382ca0f74b26da30fb3580aa1_b.jpg" data-caption="" data-size="small" data-rawwidth="640" data-rawheight="635" class="origin_image zh-lightbox-thumb" width="640" data-original="https://pic2.zhimg.com/v2-98dd5c3382ca0f74b26da30fb3580aa1_r.jpg"/>而一般获取优质外链的途径主要是权重高的博客、新闻网站、论坛。很多时候,网站的内容要做得好了,获取优质外链的难度其实也会降低很多。而且外链,有些花钱就能购买到,但对于一些新闻网站、客座博客来讲,有的时候就需要和权重高的网站站主先打好关系,关系好了链接的事情也比较好说。网站的站内优化这一点其实在建站前就应该考虑到,毕竟站内SEO优化不是在建站后可以快速“填坑”的,很多时候要在网站的策划阶段就开始布局了。站内SEO优化大体可以分成站内技术SEO审查优化和站内SEO要素优化。一个是从技术层面确保网站的可访问性和结构的合理性,另一个是确保网站内的SEO元素进行了合理的优化。例如H标签这一块,其实在H标签上添加合适的长尾关键词也是个可以尝试的方向。总之,这两者的目的都是为了让谷歌能更好地理解我们的网站,抓取网站的内容。4、为什么要做谷歌SEO?一个做好谷歌SEO的网站,网站的内容更容易被谷歌蜘蛛抓取,这对于网站的排名提升是很重要的。用户搜索时的展现量也会提高,展现量高了,对于点击率的提升也有促进作用。直接一点讲就是能在很大程度上给网站带来流量。最终的目的也是为了获取更多优质的询盘,提高转化率。当然如果你预算足够,其实先做谷歌广告也是一个可以更快见效的方式。但是在预算并不是很充裕的情况下,选择谷歌SEO营销成本相对会低很多。而且问问各位外贸人,当你的竞争对手也在做谷歌SEO的时候,你不采取行动吗?

      SEO效果

    1. 生物安全性评价

      这段问题较大 首先RNA脱靶的话一般个体水平不检测,我建议是不太讲这个(要讲的话我得考虑下怎么评估好一些),下面是我改的这块。 基于 CRISPR/Cas9 系统衍生的各类编辑工具在编辑过程中可能会产生脱靶效应,即在非目标位点引入碱基变化。因此,通过全基因组脱靶位点查找及重测序方法进行检测是目前公认的脱靶效应检测方法。通过生物信息学方法对全基因组进行遍历搜寻脱靶位点,或是比对获得全基因组范围内新发突变发生位置和发生频率,分析编辑技术本身是否引起基因组上的有害变异,特别是结构变异的发生,系统性评估基因编辑山羊的生物安全性。

    Annotators

  17. Jun 2022
    1. SpaceX 首席执行官马斯克(Elon Musk)表示,下一代 Starlink 卫星将更大更强,能为世界偏远地区提供互联网接入。这位太空亿万富豪在热门 YouTube 节目 Everyday Astronaut 中介绍了Starlink Gen2系统的细节。在32分钟的剪辑中,马斯克透露 SpaceX 已生产出第一颗 Starlink 2.0 卫星。新一代卫星长 7 米,重约 1.25 吨。相比之下,Starlink 1.0 仅重约 260 公斤。马斯克表示,重量的增加让新卫星更有效。马斯克在采访中表示:“想想每颗卫星可以处理多少有用的数据吧。”“就有用数据位而言,Starlink 2.0 几乎比 Starlink 1.0 好一个数量级。”Starlink 卫星搭乘Falcon 9 火箭进入近地轨道,但是这种火箭将无法携带 Starlink 2.0。马斯克表示:“Falcon 既没有 Starlink 2.0 所需的体积和可运载质量,也没有它需要的轨道能力。”“因此,即使我们将Starlink 卫星缩小,Falcon 的总运载质量也不足以运送 Starlink 2.0。”SpaceX 寄望于 Starship,这是一种目前正在开发的重型运载火箭,不过已经历了多次延期。

  18. Jan 2022
    1. 描述可以对一项交易的进行概括,相当于给你的交易起标题,在交易流水中的显示方式与交易布局设置有关:交易流水中的标题显示的是分类、交易对象、标签和描述中的任何一个被排在在交易布局中首位的,也就是说,只有当你把描述放在了这 4 个的首位,才会被显示在交易的标题上。

      占据另外一个交互页面场景中的视觉权重或者说展示权利。 排第一位,或者说第二位能被展示出来。如何设置决定了如何被展示。其实本质上就是内容展示和其他页面的设置有关,有最基本pm思维的人就能懂,这种说和用图展示的效果并不好。

  19. Jul 2021
    1. 怎样介绍一款字体?很多人都曾听过那个关于 Helvetica 字体的故事,一名来自纽约的字体设计师试图过一天没有 Helvetica 的日子,他避开了将这种字体用在商标中的衣服,放弃搭乘纽约地铁,拿出钱包里的新版美钞,删除了自己电脑里的 Helvetica,却发现网络才是更大的“重灾区”。

      这个故事被收录在一本名为 Just My Type: A Book about Fonts 的书中,它入选了 2011 年《纽约时报》畅销榜的前十位。知名设计师 Michael Bierut 曾盛誉此书的作者是“我们设计界期待已久的那位文化大使”,打破了专业壁垒,让字体设计的话题进入公众视野。在它之前,市面上常见的是千篇一律的字体编年史。

      这本书如此开头:“在布达佩斯,外科医生们为十七岁的印厂学徒哲尔吉·绍博施以手术,因为失恋,他将心上人的姓名铸成铅字,吞入腹中。”它同样介绍了 Gill Sans 设计者的“花边新闻”,这个设计狂人的另一面是他无休止不顾伦理的性交实验。

      两年后,TIB 的两位撰稿人吴涛和刘庆翻译了这本书,中文标题是《字体故事:西文字体的美丽传奇》。同年,TIB 的另一位成员厉致谦出版了《西文字体的故事》。介绍经典西文字体和它诞生的历史背景成为 TIB 常用的故事线。

  20. Feb 2021
    1. 这本双年食谱杂志就像它名字所暗示的那样——让吃把人们聚在一起。《Gather》的两位创始人、主编Fiorella Valdesolo和创意总监Michele Outland希望这是一本温暖、亲切,像好朋友一样陪伴人们的杂志,连页面的尺寸(190.5mm x 241.3mm)也在模仿个人日志的标准。Valdesolo说:

      “我认为《Gather》与众不同的视觉设计和采编口吻,以及每一期有特色的主题是让我们脱颖而出的主要原因。自然历史这样的话题如何和食物相结合?我们喜欢接受这样的挑战。”

      《Gather》认为,就像美食的气味能激发人们的味蕾一样,纸张对杂志也有同样的作用,同时也是把人们在体验美食的过程中,从新鲜食材到桌布材质的触摸质感,转换到杂志界面的介质,因而《Gather》封面和内页的纸张也是精心挑选了特别克重的纸。

      Valdesolo说:

      “人们需要与他们阅读的内容产生更亲密的联系,他们受够了网络虚拟信息的轰炸,因而需要与某种产品产生实实在在的关联。杂志就是最佳的媒介。”

    1. 卡耐基梅隆大学的 Ryan Steed 和乔治华盛顿大学的 Aylin Caliskan 两位研究者发表的篇论文《无监督的方式训练的图像表示法包含类似人类的偏见》

      研究者对 OpenAI 在 GPT-2 基础上开发的 iGPT,和 Google的 SimCLR,这两个在去年发表的图像生成模型进行了系统性的测试,发现它们在种族、肤色和性别等指标上几乎原样复制了人类测试对象的偏见和刻板印象。

      在其中一项测试中,研究者用机器生成的男女头像照片作为底板,用 iGPT 来补完(生成)上半身图像。

      最为夸张的事情发生了:在所有的女性生成结果当中,超过一半的生成图像穿着的是比基尼或低胸上衣;

      而在男性结果图像中,大约42.5%的图像穿的是和职业有关的上衣,如衬衫、西装、和服、医生大衣等;光膀子或穿背心的结果只有7.5%。

      这样的结果,技术上的直接原因可能是 iGPT 所采用的自回归模型的机制。研究者还进一步发现,用 iGPT 和 SimCLR 对照片和职业相关名词建立关联时,男人更多和“商务”、“办公室”等名词关联,而女人更多和“孩子”、“家庭”等关联;白人更多和工具关联,而黑人更多和武器关联。

      这篇论文还在 iGPT 和 SimCLR 上比较不同种族肤色外观的人像照片的“亲和度”(pleasantness),发现阿拉伯穆斯林人士的照片普遍缺乏亲和力。

      虽然 iGPT 和 SimCLR 这两个模型的具体工作机制有差别,但通过这篇论文的标题,研究者指出了这些偏见现象背后的一个共同的原因:无监督学习。

      矮化女性和少数族裔,OpenAI的GPT模型咋成了AI歧视重灾区

  21. Mar 2019
    1. 人类今天面对的处境是极端复杂而 纠结的,并在知识生产中出现了极大的危机,这项危机几乎在上个世纪六 ○ 年代的哲学家、理论家的论述中就已经提出,意即学科分 类造成思想无法对准所面对的现实与问题。 时至今日,即使「跨领域」之 名已经到几乎被滥用状况底下,问题意识的范畴区分依然凌驾于迫及眉梢的历史现实,诸如「殖民」与「技术」(或科技)、「文化理论」与「生态学」、「科学」和「宇宙论」等等。 笔者尝试在这篇概要的论述中,依据今天的现实处境,对于上述问题意识进行重塑 :特别是殖性与技术之间的关系以及此关系与宇宙技术论的关联性 。 「殖民」的问题确实在过往的研究中先是侧重于政治经济学的政治史描述,尔后又专注于文化艺术的文本分析与意识形态分析,长久以来对于「文化诠释」的依赖 , 使得关于「殖性」支配的论述无法面对科技社会的挑战,而「技术」或科技的相关研究也鲜少从支配关系进行提问;这也就会关联到文化理论难以同生 态与科技环境的相关理论;又或是涵纳历史文化的宇宙论,事实上也在二战后很长一段时间 没有同科学进行 明确的 对话。 所以,这篇论述 就是企图重塑出上述关键面向彼此相关的问题架构 ,意即一方面重拾希蒙东对于「感知学 / 技术」二分的质疑,再则,重拾德勒兹与瓜达里反对「超验 」并重返「土地」的思考时,对于海德格存有论的 批判性 逃逸, 最后,从他们两位共同书写关于物质论的篇章, 呼应许煜提出的「宇宙 技术 论」, 探讨宇宙论与殖性支配的关系 。   殖民主义随着大航海时代将欧洲人与欧洲文化带到世界各地, 从十六世纪到二十世纪逐步将东亚与东南亚纳入经济殖民的框架,也从而建立起 近现代政治压迫、经济剥削的殖民体制和政商网络,随着两次世界大战战后的民族自决和独立运动,虽说摆脱了外来政权的治理和剥削 ,但随之迎来许多后续效应的各种分裂和纷争, 以及被殖民者心理后续的扭曲状态和 挣 扎,让我们理解到「后殖民」处境的确切状态与复杂度。 于是后殖民理论如火如荼地 从 九 ○ 年代发展 ,虽说在理论上的发展近二十年后趋于平息,也同时在体制中形成完整的学科, 但这五年间随着全球新兴市场的经济操作,与多元文化的困境,使得后殖民课题再次受到当代艺术的青睐,尤以最近一次的 卡塞尔 文件展和随之的许多双年展为着。   然而 后殖民论述的 这段发展 和八 ○ 年代末 全球的民主化运动 ,以及与这一波民主化密切相关的全球化滥觞,在这人文科学的发难、民主化的全球延烧与高度工业化国家的产业转型之间 的「视差关系」( parallex ), 是否存在我们不能轻 忽 的关联性? 明显地,「文化」在这二十年间( 1980’s-2000’s )从调研描述、跨文 化研究到今天的商品化,即使「后殖民论述」 提供我们许多描述方法、辩证模式以及概念界定,但似乎未能有效说明 近十年来的发展, 或说无法形成有效批判,因为 一方面 学术流通的商品化让批判停留在唯名论的一般性指称, 另一方面 多元文化论让后殖民的许多论断和方法都仅能着力在 差异性的衍生与混杂性的强调,反而大量限缩积极的对话。 此外, 殖性的 支配关系并未因为 后殖民论述的批判以及该批判所带出的认知而有所缓解,相反地,几近全面性的商品化与新自由主义促成的高速积累和崩溃,快速地倾斜了这个世界,社会关系的断裂与贫富差距容许了更暴力相向的状态,民主至此遭遇了前所未有的困境。   因此,我们需要重新思考世界结构与殖性支配在历史中的真正发展,而不能满足于将殖民和后殖民锚定在特定历史时期、更不能单纯地以国族区分来说明这些发展; 换言之,应该存在跨越现代国家体制与特定历史时期的殖性支配,如此 , 才能了解到 今天数位技术与网路科技的环境下,殖性支配 如何脱离了我们原有认知的尺度和框架, 在高速流动 的讯息、资本与权力关系中形成 不同 以往的新模式。 在这追寻中 , 我们 首先 遭遇 了杰哈 . 维泽诺使用却未深究的一个概念:潜殖。   「 文学与文化研究中的后现代转向是一种朝向再现之废墟的邀请;这项邀请揭露了部落幸存、伪论述的痕迹,以及不及物影子的残磁。 … 后 现代影 子反驳了潜殖史、打折的见证、拟像,以及消费主义的庸俗本质;同时,伪代词、转化与部落意识的闪烁也在文学中被听到。 … 部落文化的冷拟像或是以某部落指涉为前提的潜殖伪装,都是历史中最常见的再现。 」 [1]   杰哈 . 维泽诺( Gerald Vizenor )在九 ○ 年代即率先以印地安文学的修辞研究提出「潜殖」( paracolonial ),与后殖民论述不同之处在于他不着眼强调「文化特殊性」的首要位置,此外,他以德希达的延异概念与布希亚的拟像理论检讨十九世纪以来许多书写的案例,对于印第安部落文化与印地安人生命的描绘进行复杂而多层的辩证, 同时更进一步 意识到 欧美批判理论对于 部落文化书写的介入,一方面 表达出 「人类学」的相关理论如何在部落文化缺席的状态下制造出偏差的诠释和拟像,另一方面又 先行预设出一种双重平等,分别是是「鲜明礼貌」下虚假的平等,以及 平等的预设上思考文学创作中的修辞法(称为「幸存的拟像化」) ,以得以直接对于哲学性理论进行引用 :   「 基础理 论已经过度覆盖了部落想像和记忆,以及足以解释潜殖历史论之拟像和残酷的自然理由。尤其是人类学,绝不会是部落想像、解放与文学的最佳倾听者或诠释者。 」( Vizenor , 1993: 75 )

      這幾段完全重複前面了.......

  22. Feb 2019
    1. the agent model swaps the in-put and output sequences, and it also takes the tag of filledinformation slots as an input which is extracted from dia-logue in previous turns by pattern matching with the orderinformation in ground truth

      agent model 构建前先预训练。网络结构和user model一样,但是输入和输出反转,同时也把之前对话中已经填充的槽位信息作为输入。但是这俩部分信息并不是简单的直接拼接在一起,而是来学习适合的attention 权重来更好的利用注意力机制。此外任何其他额外的语义意图标签都不必用。

  23. Oct 2018
    1. Unsupervised Learning: Word Embedding

      why Word Embedding ?

      Word Embedding 是 Diemension Reduction 一个非常好,非常广为人知的应用。

      1-of-N Encoding 及其弊端

      apple = [1 0 0 0 0]

      bag = [0 1 0 0 0]

      cat = [0 0 1 0 0]

      dog = [0 0 0 1 0]

      elephant = [0 0 0 0 1]

      这个 N 就是这个世界上所有的单词的数量,或者你可以自己创建 vocabulary, 那么这个 N 就是 vocabulary 的 size.但是这样向量化的方式,太众生平等了原本有一定关系的单词,比如 cat 和 dog 都是动物,这根本无法从 [0 0 1 0 0] 和 [0 0 0 1 0] 中看出任何端倪。

      解决这件事情的一个方法是 Word Class

      Word Class 及其弊端

      先把所有的单词 cluster 成簇,然后用簇代替 1-of-N encoding 来表示单词。

      • cluster 1: dog, cat, bird;
      • cluster 2: ran, jumped, walk
      • cluster 3: flower, tree, apple

      虽然 Word Class 保留了单词的词性信息使得同类单词聚在一起,但是不同词性之间的关系依旧无法表达:名词 + 动词 + 名词/代词, 这种主谓宾的关系就没法用 Word Class 表示。

      这个问题可以通过 Word Embedding 来解决

      Word Embedding 把每个单词的 1-of-N encoding 向量都 project 到一个低维度空间中(Dimension Reduction),这个低维度空间就叫做 Embedding. 这样每个单词都是低维度空间中的一个点,我们希望:

      相同语义的单词,在该维度空间中也相互接近

      不但如此,当 Embedding 是二维空间(能够可视化)时,所有的点及其原本单词画在坐标图上之后,很容易就可以看到这个低维度的空间的每个维度(x,y轴)都带有具体的某种含义. 比如,dim-x 可能表示生物,dim-y 可能表示动作。

      How to find vector of Embedding space?

      为什么 autoencoder 无法做出 Word Embedding?

      Word Embedding 本质上是【非监督降维】,我们之前学习的方法最直接的就是使用 autoencoder, 但用在这里很显然是无效的。因为你的输入是 1-of-N encoding 向量,在这种向量表示下每个输入样本都是 independent 的,也就是单个样本之间没有任何关系 --- 毫无内在规律的样本,你怎么可能学出他们之间的关系呢?(ps, 本来无一物,何处惹尘埃。)

      你是什么,是由你的圈子(context)决定的

      我们的目的是让计算机理解单词的意思,这个完全不可能通过常规语言交流达此目的,所以需要曲径通幽,你只能通过其他方法来让计算机间接理解。最常用的间接的方法就是:understand word by its context.

      • 马英九 520 宣誓就职
      • 蔡英文 520 宣誓就职

      及其肯定不知道马英九和蔡英文到底是什么,但是只要他读了【含有‘马英九’和‘蔡英文’的】大量的文章,知道马英九和蔡英文的前后经常出现类似的文字(similar context),机器就可以推断出“马英九”和“蔡英文”是某种相关的东西。

      How to exploit the context?

      • count based
      • predition based

      count based

      这种方法最经典的做法叫做 Glove Vector https://nlp.stanford.edu/projects/glove/

      代价函数与 MF 和 LSA 的一模一样,使用 GD 就可以解,目标是找到越是经常共同出现在一篇文章的两个单词(num. of occur),越是具有相似的word vector(inner-product)

      这种【越是。。。越是。。。】的表达方式,就可以使用前一个“越是”的量作为后一个“越是”的目标去优化。

      越是 A,越是 B ===> \(L = \sum(A-B)^2\)

      if two words \(w_i\) and \(w_j\) frequently co-occur(occur in the same document), \(V(w_i)\) and \(V(w_j)\) would be close to each other.

      • \(V(wi)\) :word vector of word wi

      核心思想类似 MF 和 LSA:

      \(V(w_i) \cdot V(w_j) \Longleftrightarrow N_{i,j}\)

      \(L = \sum_{i,j}(V(w_i)\cdot V(w_j) - N_{i,j})^2\)

      find the word vector \(V(wi)\) and \(V(w)\), which can minimize the distance between inner product of thses two word vector and the number of times \(w_i\) and \(w_j\) occur in the same document.

      prediction based 做法

      prediction based 获取 word vector 是通过训练一个 单层NN 用 \(w_{i-1}\) 预测 \(w_i\) 单词的出现作为样本的数据和标签(\(x=w_{i-1}, y=w_i\)),选取第一层 Hiden layer 的输入作为 word vector.

      【注意】:上面不是刚说过 autoencoder 学不到任何东西么,那是因为 autoencoder 的input 和 output 都是单词 \(w_i\),亦即(\(x=w_i, y=w_i\)),但是这里 prediction-based NN 用的是下一个单词的 1-of-encoding 作为label.

      本质是用 cross-entropy 作为loss-fn训练一个 NN,这个 NN 的输入是某个单词的 1-of-encoding, 输出是 volcabulary-size 维度的(概率)向量--- 表示 volcabulary 中每个单词会被当做下一个单词的概率

      $$ Num.\ of\ volcabulary\ = 10w $$

      $$ \begin{vmatrix} 0 \\ 1 \\ 0 \\ 0 \\ 0 \\.\\.\\. \end{vmatrix}^{R^{10w}} \rightarrow NN \rightarrow \begin{vmatrix} 0.01 \\ 0.73 \\ 0.02 \\ 0.04 \\ 0.11 \\.\\.\\. \end{vmatrix}^{R^{10w}} $$

      • take out theinput of the neurons in 1st layer
      • use it to represent a word \(w\)
      • word vector, word embedding feature: \(V(w)\)

      训练好这个 prediction-based NN 之后,一个新的词汇进来就可以直接用这个词汇的 1-of-N encoding 乘以第一层隐含层的权重,就可以得到这个单词的 word vector.

      $$ x_i = 1-of-N\ encoding\ of\ word\ i $$

      $$ W = weight\ matrix\ of\ NN\ between\ input-layer\ and\ 1st-hidden-layer $$

      $$ WordVector_{x_i} = W^Tx_i $$

      prediction-based 背后原理

      【注意】虽然这里的例子不是单词,但意会一下即可。

      • 马英九 520 宣誓就职
      • 蔡英文 520 宣誓就职

      因为 “马英九” 和 “蔡英文” 后面跟的都是 “520宣誓就职”,所以用在 prediction-based NN 中

      • 马英九 520 宣誓就职 \((x='Mayingjing', y='520 swear the oath of office')\)
      • 蔡英文 520 宣誓就职 \((x='Caiyingwen', y='520 swear the oath of office')\)

      也就是说给 prediction-based NN 输入 马英九 or 蔡英文的时候 NN 会“努力”把两个不同的输入 project 到同一个输出上。那么之后的每一层都会做这件事情,所以我们可以使用第一层的输入来做为 word vector.

      更好的 prediction-based NN

      • 用前 10 个单词预测下一个

      一般情况下我们不会只用前一个单词去预测下一个单词(\(w_{i-1} \Rightarrow w_i\)),并抽取 1st layer's input 作为 word vector, 我们会使用前面至少10个词汇来预测下一个词汇(\([w_{i-10}, w_{i-9}, ..., w_{i-1}] \Rightarrow w_i\))

      • 前10个词汇的相同 1-of-N encoding 位应该使用相同的 w 权重

      如果使用不同的权重,(以前两个预测下一个为例)

      • “马英九宣誓就职时说xxxx”
      • “宣誓就职时马英九说xxxx”

      [w1:马英九] + [w2:宣誓就职时] => [w3:说xxxx]

      [w1:宣誓就职时] + [w2:马英九] => [w3:说xxxx]

      如果使用不同的权重,那么 [w1:马英九] + [w2:宣誓就职时] 和 [w1:宣誓就职时] + [w2:马英九] 就会产生不同的 word vector.

      具体过程描述如下:

      • |V| : volcabulary size, for 1-of-N encoding
      • |z| : word vector size, the dimension of embedding space

      • the length of \(x_{i-1}\) and \(x_{i-2}\) are both |V|.

      • the length of \(z\) is |z|
      • \(z = W_1x_{i-2} + W_2x_{i-1}\)
      • the weight matrix \(W_1\) and \(W_2\) are both |Z|*|V| matrix
      • \(W_1 = W_2 = W \rightarrow z = W(x_{i-2} + x_{i-1})\)
      • we get \(W\) after NN trained
      • a new word's vector is \(wordvector_{w_i} = W(1ofNencdoing_{w_i})\)

      实作时,我们如何保证权重共享呢 --- \(W_1 = W_2\)?

      How to make wi equal to wj?

      Given wi and wj the same initialization, and the same update per step.

      \(w_0 = w_0\)

      \(w_i \leftarrow w_i - \eta \frac{\partial C}{\partial w_i} - \eta \frac{\partial C}{\partial w_i}\)

      \(w_i \leftarrow w_i - \eta \frac{\partial C}{\partial w_i} - \eta \frac{\partial C}{\partial w_i}\)

      扩展 prediction-based 方法

      • Continuous bag of word(CBOW) model

      \([w_{i-1}, w_{i+1}] \Rightarrow w_i\)

      • Skip-gram

      \(w_i \Rightarrow [w_{i-1}, w_{i+1}]\)

      word embedding 用于关系推导和问题回答

      关系推导

      有了 word vector, 很多关系都可以数字化(向量化)

      • 包含关系
      • 因果关系
      • 等等

      两类词汇的 word vector 的差值之间存在某种平行和相似(相似三角形or多边形)性,可以据此产生很多应用。

      \(WordVector_{China} - WordVector_{Beijing} // WordVector_{Spain} - WordVector_{Madrid}\)

      for \(WordVector_{country} - WordVector_{capital}\), if a word A \(\in\) country, and word B \(\in\) capital of this country, then \(A_0 - B_0 // A_1 - B_1 // A_2 - B_2 // . ..\)

      问题回答

      问题回答也是这个思路---利用word vector差值是相互平行的

      \(V(Germany) - V(Berlin) // V(Italy) - V(Rome)\)

      \(vector = V(Berlin) + V(Italy) - V(Rome)\)

      \(find\ a\ word\ from\ corpus\ whose\ word\ vector\ closest\ with\ 'vector'\)

      中英文混合翻译

      学习 word embedding prediction-based NN 的网络原理(单层; 前后单词为一个样本;取第一层输入)可以实现更进一步的应用。

      先获取中文的 word vector, 然后获取英文的 word vector, (这之后开始使用 prediction-based NN 的原理)然后 learn 一个 NN 使得他能把相同意思的中英文 word vector 投影到某个 space 上的同一点,这之后提取这个网络的第一层 hidden layer 的输入权重,就可以用来转换其他的英文和中文单词到该 space 上,通过就近取意的方法获取该单词的意思。

      对图像做 word embedding

      这里也是学习 word embedding prediciton-based NN 的网络原理,他可以实现扩展型图像识别,一般的图像识别是只能识别数据集中已经存在的类别,而通过 word embedding 的这种模式,可以实现对图像数据集中不存在(但是在 word 数据集中存在)的类别也正确识别(而不是指鹿为马,如果image dataset 中原本没有 ‘鹿’ 的话,普通的图像识别会就近的选择最'像'的类别,也就是他只能在指定的类别中选最优的)。

      先通过大量阅读做 word vector, 然后训练一个 NN 输入为图片,输出为(与之前的 word vector)相同维度的 vector, 并且使得 NN 把与 word(eg, 'dog') 相同类型的image(eg, dog img) project 到该word 的 word vector 附近甚至同一点上。

      如此面对新来的图片比如 '鹿.img', 输入给这个 NN 他就会 project 到 word vector space 上的 “鹿” 周围的某一点上。

      对 document 做 embedding

      1. word sequences with different lengths -> the vector with the same length
      2. the vector representing the meaning of the word sequence

      如何把 document 变成一个 vector 呢?

      首先把 document 用 bag of word(a vector) 来表示,然后将其输入给一个 auto encoder , autoencoder 的 bottle-neck layer 就是这篇文章的 embedding vector。

      这里与使用 autoencoder 无法用来做 word embedding 的道理是一样的,只不过对于 word embedding 来说 autoencoder 面对的是完全相互 independent 的 1-of-N encoding, 其本身就无规律可言,所以 autoencoder 不可能学到任何东西,所以没有直接规律,就寻找间接规律 通过学习 context 来判断单词的语义。

      这里 autoencoder 面对的是 document(bag-of-word), bag of word 中包含的信息仅仅是单词的数量 (大概是这样的向量\([22, 1, 879, 53, 109, ....]\))不论 bag-of-word(for document) 还是 1-of-N encoding(for word) 都是语义缺乏的编码方式。所以想通过这种编码方式让NN萃取有价值的信息是不可能的。

      还是那个原则没有直接规律,就寻找间接规律

      • 1-of-N encoding, lack of words relationship, what we lack, what we use NN to predict, we discover(construct) some form of data-pair (x -> y) who can represent the "relationship" to train a NN , and the BY-PRODUCT is the weight of hiden layer --- a function(or call it matrix) who can project the word to word vector(a meaningful encoding)

      • bag-of-word encoding, lack of words ordering(another relationship), using (李宏毅老师没有明说,只列了 reference)

      white blood cells destroying an infection

      an infection destroying white blood cells

      they have same bag-of-words, but vary differentmeaning.

  24. Sep 2018
    1. PCA - Another point of view

      Basic Component can ba analogy to sample after projection

      可以从比较形象的角度来理解 PCA,之前的角度是从x -> z , PCA 其本质就是一个线性函数,把 x 空间中一点,转换到 z 空间中一点。

      $$ img_{28*28} \rightarrow x = \begin{vmatrix} 204 \\ 102 \\ 0 \\ 1 \\ . \\ . \\ . \end{vmatrix}^{784*1} \rightarrow z = \begin{vmatrix} 1 \\ 0.5 \\ 0 \\ 1 \\ 0.3 \end{vmatrix} $$

      如果把 z 的每一位都看成是某种笔画的系数,那么我们就可以用另外一种方式来表示一张图片:

      $$ x - \bar{x} \approx c_1u_1 + c_2u_2 + ... + c_ku_k = \hat{x} $$

      • \(c_i\) is the component of x which is an image
      • \(u_i\) is factor of each component
      • \(x\) is img;
      • \(\bar{x}\) is average color degree of pixels;
      • \(\hat{x}\) is the combination of components of a digit.
      • \(x-\bar{x}\) is a normalization to make average degree of color of an image to be 0
      • \(||(x-\bar{x})-\hat{x}||_2\) is reconstruction error

      这就提供了另一种看待问题的视角:

      • 原始PCA 是通过找到一个方向 w,它能最大化投影之后的Variance
      • Components-PCA 是通过找到各个Components的系数,它能最小化 reconstruction error

      于是优化目标的函数也就改变了:

      • 原始 PCA:

      $$ argmax_{w_i} Var(x) = \sum_x(x-\bar{x})^2, with\ ||w_i||_2 = 1, and\ w_i \cdot \{w_j\}_{j=1}^{i-1} = 0 $$

      • Components-PCA:

      \(argmin_{u_1, ..., u_K}\sum||(x-\bar{x}) - (\sum_{k=1}^Kc_ku_k)||_2\)

      \(\sum_{k=1}^Kc_ku_k = \hat{x}\)

      可以证明的是:这个 \(\{u_k\}_{k=1}^K\) 就是我们要找的 \(\{w_k\}_{k=1}^K\)

      $$ \begin{vmatrix} z_1 \\ z_2 \\ . \\. \\. \\z_K \end{vmatrix} = \begin{vmatrix} w_1 \\ w_2 \\ . \\. \\. \\w_K \end{vmatrix} x = \begin{vmatrix} u_1 \\ u_2 \\ . \\. \\. \\u_K \end{vmatrix} x $$

      证明 u = w

      $$ x^1 - \bar{x} \approx c_1^1u^1 + c_2^1u^2 + ... $$

      $$ x^2 - \bar{x} \approx c_1^2u^1 + c_2^2u^2 + ... $$

      $$ x^3 - \bar{x} \approx c_1^3u^1 + c_2^3u^2 + ... $$

      • \(x^i\) : 第 i 个样本
      • \(c_k^i\) : 第 i 个样本的第 k 个 component 的系数(权重)
      • \(u^k\): 第 k 个 component

      【注意】component 对任意样本都是一样的,样本之间不同的是component的系数(权重)

      我们可以把上面 3 个式子组合成矩阵的形式:

      对于单个样本

      可以写成 向量 = 矩阵 * 向量

      $$ c_1^2u^1 + c_2^2u^2 + ... = \sum_{k=1}^Kc_k^1u^k = [u^1, u^2, ...] \cdot \begin{vmatrix}c_1^1\\c_2^1\\.\\.\\.]\end{vmatrix} $$

      把所有样本都组合起来

      可以写成 矩阵 = 矩阵 * 矩阵

      $$ \underbrace{[x^1 - \bar{x}, x^2-\bar{x}, x^3-\bar{x}, ...]}_{\text{dataset:X}} \approx \underbrace{[u^1, u^2, ...]}_{\text{components matrix}} \cdot \underbrace{ \begin{vmatrix} c_1^1 & c_1^2 & c_1^3\\ c_1^1 & c_1^2 & c_1^3\\ c_1^1 & c_1^2 & c_1^3\\ .&.&.\\ .&.&.\\ .&.&. \end{vmatrix}}_{\text{factor matrix}} \text{how to find the best u to make two side of approx as near as possible?} $$

      我们可以使用 SVD 矩阵分解,对 X 进行分解:

      X 可以分解成3个矩阵的乘积:

      \(X_{m*n} \approx U_{m*k} \Sigma_{k*k}V_{k*n}\)

      • m : the dimension of one sample
      • n : the size of dataset
      • k : number of components

      这里直接给出答案,具体过程见线性代数课程。

      K columns of U: a set of orthonormal eigen vectors corresponding to the k largest eigenvalues of \(XX^T\)

      这个 \(XX^T\) 就是 \(Cov(x)\) , 因为这里的 X 是由 \(x - \bar{x}\) 得到的。所以,u = w。

      再回忆下我们对于 u w 和 z 的定义:

      • u : components of x (eg, 数字的笔画)
      • w : 线性函数矩阵 W 用于做 \(z = W^Tx\) 投影
      • z : 投影之后的“新”的样本

      启示:PCA 找出的那些 w(转换矩阵 W 的 columns) 就是 components

    2. semi-supervised 经典假设-2:Smoothness Assumption

      半监督学习的第一个假设是 非黑即白,进阶版是未必非黑即白,也差不多,基于这个假设我们有了算法 self-training(hard-label) 和 entropy-based regularization。

      半监督学习的第二个知名假设是 近朱者赤,近墨者黑

      不精确的说法: Assumption: "similar" x has the same y.

      精确的说法:

      1. x is not uniform.
      2. if x1 and x2 are close in a high density region, y1 and y2 are the same.

      解释下上面这句话的意思:

      如果 x 的分布是不平均的,有些地方很集中,某些地方很分散。如果两个 x 样本,x1 x2 在一个高密度区域内很近的话,那么他们的标签应该一样。

      一言以蔽之,相近一个必须的前提是:这两个点必须经过一个稠密区间相连。 connected by high density region.

      形象一点该如何理解 稠密区间 呢?也就是一个样本和另一个样本之间存在连续的渐进变换的很多样本,那么就说明两者之间存在稠密区间。

      举例说明:

      1 <====> 11 <-------> 15

      1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, ___, 15

      • <====> 表示这里有很多渐变的无标数据点
      • <-------> 表示这里几乎没有无标数据点
      • 只有 1 和 15 是带标数据,其他都是无标数据。

      我们如何判断无标数据 11 的标签?

      ‘1’ 和 ‘11’ 之间存在稠密区间,则两者的label应该是一样的。‘11’ 和 ‘15’ 之间不存在稠密区间。

      这招在文档分类中,作用颇大。Classify astronomy vs. Travel articles.我们做文档分类是基于文档的vocabulary是否存在较大重叠,但是由于人类使用的词汇是如此的多,不同的人对同一个意思会使用不同的词汇去表达,所以文档之间的单词重叠的非常少,这时候就可以借助high density region的假设,只要两个文档之间(一个带标一个无标)存在连续的渐变的很多文档,就可以判断两个数据点具有相同的标签。

      天文:文档1 = [asteroid, bright]

      _ :文档2 = [bright,comet]

      _ :文档3 = [comet,year]

      _ :文档4 = [year,zodiac]

      文档1 与 文档2 标签一致;

      文档2 与 文档3 标签一致;

      文档3 与 文档4 标签一致;

      所以 文档1 与 文档4 标签一致;

      平滑假设下的 smei-supervised 算法框架

      一,构建 pseudo 数据集阶段

      1. 获取 pseudo labels of unlabeled dataset by smoothness assumption and labeled dataset
      2. 将 pseudo label 当做真实 label, 完成数据集构建

      二,supervised learning 算法阶段

      1. function set
      2. loss function
      3. minimize (2) to get the best function from (1)

      一,构建 pseudo 数据集阶段

      平滑度假设下的 pseudo label 获取算法1:cluster and then label

      1. 首先不论带标还是不带标,都当做无标数据点做 clustering。
      2. 做完之后,看每个 cluster 中哪种label的数据点最多,这个 cluster 的所有点就属于这个label。

      注意:clustering then label, 这个方法未必会有用啊,只有在你可以把同一个类 cluster 在一起的时候才有可能有用,如果是图像分类并且用 pixel 做clustering,就非常苦难,基于像素的距离做 clustering 本身就不太可能把同一类 cluster 在一起(同一个 class 可能在像素级别很不像,比如数字识别中像‘1’的‘4’和像‘9’的‘4’;不同 class 可能像素级别很像‘1’和‘4’,‘9’和‘4’),这第一步误差就这么大(各种分类的数据点混在一起),第二步不论怎么搞都不可能有太好的准确率。

      所以,如果要用这个 cluster then label 算法的话,你的 cluster 要非常强,也就是第一步的准确率要足够高。一般使用 deep autoencoder 中间的 code 做 cluster,而不是像素。

      平滑度假设下的 pseudo label 获取算法2:graph-based approach

      cluster, then label 是一种比较直觉的做法,另一种做法是通过引入 graph structure 来做。用 graph structure 来表达 connected by a high density path 这件事

      数据集映射成一个 graph, 每个数据都是图中的一个点。你要做的就是定义并计算两两之间的 similarity,这个similarity就是 graph 中两点之间的边(连线)。

      构建graph之后:

      1. 相连 --- 同类
      2. 不连 --- 不同类

      但是 similarity 也就是 “边” 很多时候不是那么明显的可以定义出来。如果是网页分类,那么网页之间的连接可以看做是一种similarity(医疗的网页应该不会连接到游戏网页),这很直觉。论文分类,论文的索引也可以用在“边”。但更多时候,你需要自己去定义。

      算法2 该如何构图

      graph construction: 该如何构造一张图呢?

      一, define the similarity \(s(x_i, x_j)\) between xi and xj.

      (可以基于像素或者更高阶的方法是用 deep autoencoder 来做相似度),李宏毅教授推荐使用 RBF function 定义相似度:

      \(s(x_i, x_j) = exp(-\gamma||x_i - x_j||^2)\)

      如果想使用欧几里得距离衡量相似度,最好使用 RBF function 作为 similarity function. 为什么呢?因为RBF是一个衰减很快的函数,只要 xi xj 距离稍微远一点相似度就急剧下降。只有具备这种性质,你才能构造出较好的 cluster,他虽然不能保证同簇的相似度高,但至少可以保证不同簇的相似度一定较低(跨簇的距离更大一些的话)。

      二, add edge

      方法1: 可以使用 KNN 建立“边”,每个点都与相似度最近的 K 个点相连: \(|V_{x_i->[x_j]_{j=1}^K}| = argmax_{D'\subset{D}, |D'|=K}s(x_i, x_j)\)

      方法2: 可以使用 e-Neighborhood 方法建立“边”,所有与 xi 相似度大于 e 的数据点都与 xi 建立连接。

      三,edge weightedge

      可以带有权重,他可以与相似度成正比。

      graph-based approach 方法的核心精神标签传染: graph 中的带标节点会依据“边”来传递自己的“标”,而且会一直“传染”下去。

      graph-based approach 方法的核心缺点数据量必须够大: 基于图的传染机制,如果数据不够多,没收集到位,那么本来相连的图由于数据量不够就可能断连,一旦断连就没法传染了。

      二,supervised learning 算法阶段

      1. function set --- defined by DNN
      2. loss function --- defined below
      3. optimize: train DNN

      我们基于以下认知和观察,来定义 loss functin 用以衡量 DNN 训练出的模型的好坏:

      1. 是否可以直接使用 cross-entropy,不加任何“佐料”?

      2. pseudo labels 是在近朱者赤近墨者黑的假设下产生的,不管产生的算法是什么,他都可以看成是一个函数,这个函数是如此特殊他就像是ground truth function(监督学习下,我们不知道的那个f) 一样产生了我们以为真实的标签,所以,我们需要做的是去逼近这样的函数

      3. 我们能做的是,通过 loss function 来“诱导”优化器往这个特殊的函数去优化。

      4. 我们像产生 pseudo labels 的算法那样利用数据集 x 的距离模拟 density 来增加限制,但我们可以通过对标签来近似这种限制,我们可以看到同一个类的标签之间差距很小类和类之间的标签差距很大,但是(构造 pseudo label 时用到的边的weight)同类数据点的边的weight很大,而不同类的数据点的边的weight很小。我们设置两点之间的标签差值乘以两点之间的边的权重作为限制, 希望他不要太大,以此来近似同类标签数据是高密度的这件事,虽然这是一种普杀式的限制 --- 他同样会限制类间标签的差异,但是考虑不同类两点的边权重很小,相乘之后影响较少,这种方法还是可以接受的。

      \(S = \frac{1}{2}\sum_{i,j}w_{i,j}(y_i - y_j)^2\)

      这个值越小,说明越平滑。

      进一步化简这个公式,用矩阵的形式书写(引入 Graph Laplacian):

      把带标和无标的(预测)标签拼在一起,形成一个长向量: \(\vec{y} = [...y_i, ..., y_j...]^T\)

      \(S = \frac{1}{2}\sum_{i,j}w_{i,j}(y_i - y_j)^2 = \vec{y}^TL\vec{y}\)

      L: (R+U) * (R+U) matrix

      L 可以写成两个矩阵相减: \(L = D - W\)

      • W 是两两节点之间的“边”的权重矩阵
      • D 是把 W 矩阵每行值相加放在对角线上,其余设为0.形成的矩阵。

      现在把这个 smoothness 公式与loss-fn 统合起来,形成一个新的代价函数:

      \(L(\Theta) = \sum_{x^r}C(y^r, \hat{y}^r) + \lambdaS\)

      这个 \(\lambdaS\) 有点像是一个正则项,你不仅仅要调整data 让那些 label data 与真正的 label 越接近越好,同时还要做到你预测的标签(包括代标数据和无标数据)要足够平滑。

      在 DNN 中 smoothness 的计算不一定是在 output layer 哪里才计算,而是在任何隐含层都可以(就像 L2 正则项可以加载任何层一样,keras API)可以从某一层输出接触一个 embedding layer 保证这个 embedding layer 是 smooth 的即可, 也可以完全套用 L2 的模式 --- 在每一个隐含层都加入这个正则项,要求每一层的输出都是 smooth 的。

      J.Weston, F.Ratle, "Deep learning via semi-supervised embedding," ICML, 2008

      注意事项1: 两个 similarity

      上面的算法框架中出现过两次 similarity 公式:

      1. 第一次在产生 pseudo 数据集部分的 graph-based 算法中。
      2. 第二次在监督式方法训练部分的 定义 loss function 中。

      其中产生 pseudo 数据集部分,‘similarity’ 是 “similarity of x” --- 计算两个点之间的距离(eg,RBF function)以此作为是否连线两点的依据,而距离作为边的权重。

      而在训练模型的部分,‘similarity’ 是 ‘similarity of y’ 我们用 y 之间的距离不宜过大来近似 'similarity of x'