谈到“卡脖子”，我们一直认为只有核心科技。但实际上还有一个重要的领域卡在海外，那就是需求。中国制造两头在外，一是技术，一是市场，两头都身不由己，由他人掌控。特朗普再次上台，不仅继续在技术上卡脖子，还要通过大幅提高关税来卡住外需的脖子。可以设想一下，一旦特朗普将关税提高到60%，大量外贸企业及连带的制造业企业倒闭，几千万人失业破产，造成的后果将不堪设想。
评：科技，需求，关税都被人卡脖子，这脖子确实有点硬呀，多想想为啥被人卡脖子吧
资金正从新兴市场国家的资产中流出。投资于股票的投资信托的流出规模创出了9年零3个月以来的新高，债券投资信托也连续4周净流出。其背景是坚挺的美国经济和中国经济的减速。如果美国下一任总统特朗普的政策运作导致美国通货膨胀重燃，新兴市场国家的资产也有可能遭遇进一步的逆风。
统计世界投资信托资金流向的美国调查公司EPFR的数据显示，11月7日～13日，新兴市场国家的股票基金流出约74亿美元。流出额创出自2015年8月以来的新高。
评：A股风险加剧
近日，来自微软的研究人员开源了使用全新方法训练的MoE大模型，不走寻常路，且编码和数学表现出色。继Phi家族之后，微软又开源了新的混合专家大模型——GRIN MoE。与Phi-3.5同样的个头（16 * 3.8B），却采用了截然不同的训练方法。这个「不走寻常路」如果写个太长不看版，那就是两句话：
. 使用新一代SparseMixer来精确估计专家路由的梯度，解决传统方案中利用门控梯度代替路由梯度的问题。
. 专家并行不要了，训练中改用数据、pipeline和张量并行，避免了传统方法丢弃token的问题。
评：微软回来科技创新的步伐
就连「量化」也不管用，scaling law真的要终结了吗？
一提scaling law，人们重点关注的是参数规模、数据量等因素，却忽视了「精度」这一关键变量。
哈佛斯坦福MIT等机构研究人员竟发现，低精度训练会降低模型的「有效参数量」！
对此，他们提出了「精度感知（precision-aware）」scaling law。
评：AI领域低精度加速的时代即将结束
把连续相同的图像块合并成一个token，就能让Transformer的视频处理速度大幅提升。
卡内基梅隆大学提出了视频大模型加速方法Run-Length Tokenization（RLT），被NeurIPS 2024选为Spotlight论文。在精度几乎没有损失的前提下，RLT可以让模型训练和推理速度双双提升。
评：ViT模型改进方法
近日，Anthropic开源了“模型上下文协议”（MCP），该协议将大模型直接连接至数据源，简单来说，现在企业和开发者要把不同的数据接入AI系统，都得单独开发对接方案，而MCP要做的，就是提供一个“通用”协议来解决这个问题。
Anthropic在博客中解释说：“即便是最先进的模型，也受困于无法获取数据的限制，它们被困在信息孤岛和老旧系统之中。每接入一个新的数据源，就得重新开发一套对接方案，这让真正互联的系统很难大规模推广。”
评：增加LLM的触角，像章鱼一样
开源绝对是AI如今发展迅猛的助推剂，而其中的一股重要力量就是来自Meta
Meta在人工智能开源界可谓是硕果颇丰，从大模型LLama到图像分割模型Segment Anything，覆盖了各种模态、各种场景，甚至在AI以外的学科，如医学等科学研究进展也都从Meta的开源模型中受益。
评：Meta发大招，赞
用AI大模型一键解析MRI、CT和病理学等九大生物医学成像模式。不仅复杂、不规则形状对象能高精度识别，而且通过对象识别阈值建模，模型能够检测无效的提示请求，并在图像中不存在指定对象时拒绝分割。
评：以后自己医药拍完片后都可以看懂
David Baker 团队研发了一项创新的基于扩散模型的技术——RFpeptides，专门针对多种蛋白靶标设计高亲和力的大环结合物。
评：看来医学诺奖实至名归
最近，Jim Fan参与的一项研究推出了自动化数据生成系统DexMimicGen。该系统可基于少量人类演示，合成类人机器人的灵巧手运动轨迹，解决了训练数据集的获取难题，而且还提升了实验中机器人的表现。
要知道，大规模、优质的机器人训练数据集的获取往往非常有挑战性。
不过最近，来自英伟达、UT Austin和UCSD的研究人员推出了一种大规模自动化数据生成系统——DexMimicGen。它可基于少量人类演示合成类人机器人的灵巧手运动轨迹，帮助实现在更少人工干预下扩大类人数据的采集。也就是说，机器人训练数据集的获取效率得到了大幅提升！
评：有可能迎来机器人的chatgpt时刻