AISleepless AI 價格

日本内阁7月21日通过《骨太方针2026》，将财政政策重心从追求年度“基础财政收支平衡”，转向旨在实现“债务余额/GDP比稳定下降”的长期目标。政府计划通过投资AI、半导体等战略领域提升经济增长率，以应对低增长、老龄化等结构性挑战。 此举在金融市场引发分歧。政府希望讲述通过“负责任的积极财政”促进增长的新故事，但债券市场更关注财政规则松动带来的风险。方针公布后，10年期日债收益率一度升至2.9%，日元亦出现波动，反映出投资者对财政纪律可信度的担忧。 市场关注的“到2040年370万亿日元投资”是一个覆盖AI、半导体、能源等多领域的长期官民投资总盘子，并非单一政府预算。与美国不同，日本更侧重将AI应用于解决制造业效率、劳动力短缺等实际问题。 分析指出，新框架成败关键在于日本名义经济增长率能否持续高于长期利率，以及政府后续预算能否切实控制债务。若战略投资能有效提升生产率并增加税收，市场将视其为增长政策；若仅被视为支出扩张，则可能推高融资成本，反噬政策空间。国债市场将持续对这一“增长换债务稳定”的赌注进行定价。

比特币矿场正利用其电力资源、基础设施和行业经验，向AI算力基础设施转型。矿企如Crusoe、比特小鹿等将已有数据中心改造为AI数据中心，与OpenAI、Anthropic等签署长期高价合约。同时，加密行业人才与资本也流向AI领域：OpenSea联合创始人创立模型聚合平台OpenRouter，Coinbase背景团队打造生成式媒体基础设施Fal.ai；加密富豪Jed McCaleb投资成立GPU租赁公司Voltage Park，FTX早期投资的Anthropic和Cursor估值飙升。加密周期积累的电力资产、工程师能力及风险资本，正持续为AI行业输送关键资源。

这篇发表于ICML 2026的研究提出了一种名为“半监督噪声自适应（SSNA）”的新方法，其核心思想是：迁移学习中，用于辅助训练的“源数据”可以不是真实的图像或文本，而是**完全没有语义的随机噪声**。 传统迁移学习需要大量有标签的源数据，但在隐私、版权等限制下，真实数据往往难以获得。SSNA框架（NAF）打破了这一限制。研究者为每个目标类别（例如CIFAR-10的10个类）生成一组对应的高斯分布噪声样本，并为每个噪声类预先指定一个目标类别编号（但编号本身无意义）。 NAF通过三个步骤实现“正迁移”： 1. **利用少量真实标签**：使用目标域中极少的标注样本进行基础监督学习，建立噪声与真实类别间的初步联系。 2. **在噪声域构建判别结构**：训练模型将同类噪声聚集、异类噪声分离，形成清晰的类别结构。 3. **跨域对齐**：将噪声域中学习到的类别结构（分布）与目标域的对齐，从而将判别性知识迁移到真实数据上。 实验表明，在每类仅有4个标注样本的极端少样本设定下，NAF相比仅使用标注数据的基线方法（ERM）在多个数据集上取得显著提升（如CIFAR-10提升12.35%）。研究还发现，关键因素在于噪声域中是否形成了**可分离的类别结构**，而非噪声数量多少。当把所有噪声压缩为一点（无结构）时，性能会大幅下降。 这项工作的意义在于，它揭示了迁移学习中可迁移的知识可能不限于数据的“语义内容”，**表征空间的“组织结构”本身也是一种有效的知识**。这为无法获取真实源数据的场景提供了一种低成本、保护隐私的替代方案。

作者在学习核能相关知识后，认识到其传统上被视为投资巨大、周期漫长的“国家级工程”。然而，AI数据中心的兴起正在改变这一逻辑。以微软、谷歌、亚马逊为代表的AI企业，因其对长期、稳定、低碳电力的迫切需求，成为了核能前所未有的强大商业买方。 这推动了一系列变化：大型核电仍属国家基建，而小型模块化反应堆（SMR）更适合数据中心等商业场景，并进入商业化验证。同时，非能动安全技术、模块化制造和监管改善，正试图将核能从一个“一次性超级工程”转变为可复制的工业产品。 核能的应用场景也在拓宽，不仅限于发电，还包括供热、工业蒸汽、制氢、海水淡化以及高耗能制造业的能源供应，这将带动一整条相关供应链的发展。 当然，核能仍面临建设周期、成本、核废料、燃料供应、监管和融资等风险，聚变能商业化也尚需时日。但总体而言，AI并未使核能一夜成熟，却为其提供了前所未有的商业需求、资本支持和现实订单。未来十年，核能可能成为AI产业中最容易被低估的关键基础设施之一。

菲尔兹奖得主王虹教授（2019年时）曾以共同一作者身份在NeurIPS上发表论文，研究机器学习中的低秩矩阵近似问题。该论文针对列子集选择（CSS）算法，利用调和分析中的经典工具——Riesz–Thorin插值定理，首次给出了关于近似误差更紧的理论上界，并在p≥2时证明其结果精确到常数。这项工作展示了将纯数学工具引入计算机科学以解决理论难题的跨学科价值。尽管王虹的个人主页未直接列出该论文链接，但它在当时即因扎实的论证而获得认可。文章指出，这与NeurIPS 2026所强调的理论贡献导向相符，表明顶会不仅关注应用突破，严谨的理论推进同样重要。