Medical Xpress – 10 Jun 26 CRISPR enzyme precisely detects and shreds DNA in cancer mutations once... In 2020, Jennifer Doudna won the Nobel Prize in chemistry for her work on the CRISPR-Cas9 gene-editing technology that allows scientists to precisely modify DNA by cutting it at specific locations. Six years later, a new study in Nature by a team led... [!quote]+ 2020 年，珍妮弗-杜德娜（Jennifer Doudna）因研究 CRISPR-Cas9 基因编辑技术而获得诺贝尔化学奖，该技术允许科学家通过在特定位置切割 DNA 来精确修改 DNA。六年后，杜德娜领导的团队在《自然》杂志上发表的一项新研究发现了一种强大的新方法，可以利用一种名为 Cas12a2 的 CRISPR 酶选择性地杀死癌细胞。 一旦这种酶检测到癌症特异性基因特征，它就会开始切碎目标细胞内的染色质–一种由 DNA 和蛋白质组成染色体的混合物。 许多癌症都是由肿瘤抑制蛋白（如 TP53）的突变引起的。然而，这些突变一直难以治疗，因为它们缺乏传统药物可以抓住的结合口袋。因此，许多致癌突变长期以来一直被认为是无法治疗的。 有了这种新方法，现在就能精确锁定并消除这些无法治愈的致病突变，因为它并不依赖于附着在突变蛋白质上。相反，一旦检测到与癌症有关的特征，它就会开始疯狂破坏 DNA。 癌细胞具有正常细胞所缺乏的独特蛋白质特征，因此很容易被识别和靶向治疗。TP53，即转录因子 p53，是癌症中最常见的突变基因之一，出现在高达 90% 的卵巢和胰腺肿瘤中。这种突变通常出现在早期，并持续存在于肿瘤的整个生长期，因此是一个极具吸引力的治疗靶点。然而，这种蛋白质很难被药物靶向。 在这项新研究中，研究小组将细菌防御系统变成了精确杀癌工具。他们选择了 Cas12a2 酶，并用引导 RNA 对其进行编程，以识别癌症特异性特征，包括 p53 和表皮生长因子受体的常见突变，以及 MYC 等致癌基因的异常高水平。 CRISPR Medicine News: CRISPR-Cas12a2 Targets Mutant Cancer Transcripts for Selective Cell... A new CRISPR-based strategy turns cancer cells' own mutant transcripts against them, opening a potential route to one of oncology's most stubborn unsolved problems: the targeting of mutant p53. Rather than attempting to fix or restore the defective... 2 个帖子 - 2 位参与者 阅读完整话题
英国剑桥大学研究团队近日宣布，利用人工智能（AI）设计的一种新型 DNA 疫苗已完成首次人体试验，旨在通过一次接种，对所有已知人类冠状病毒变异株，以及潜在由蝙蝠传播至人类的相关病毒，提供广谱防护。 这款疫苗被研究人员称为一种“根本性全新”的疫苗类型，其关键抗原成分完全由 AI 设计而成。 传统疫苗通常针对某一种特定病毒，通过训练免疫系统识别某个或少数几个病毒蛋白，但病毒不断变异，当变异幅度足够大时，原有疫苗保护力便会明显下降，这也是流感疫苗需要每年更新、以及新冠疫苗自 2021 年以来多次更新配方的原因。 研究团队指出，AI 为这一难题提供了新的解决思路：通过分析成千上万种相关病毒的基因数据，AI 可以筛选出在不同毒株之间高度保守、且在进化过程中不易发生变化的序列片段，从而为疫苗设计提供一个针对“整个病毒家族”的目标，而不是仅限于某一条已知毒株。 具体而言，剑桥团队利用 AI 扫描了包括引发非典（SARS）、新冠（COVID-19）在内的 “sarbecovirus” 亚属病毒，以及一系列动物冠状病毒，寻找在长期演化中几乎未被改动的共同特征，这些稳定区域最终被用作新疫苗的免疫靶点。 研究人员希望，通过锁定这些不易变异的“共性弱点”，可以在未来新的相关病毒出现时，仍保持一定程度的交叉保护能力，从而为应对未知疫情争取宝贵时间。 与公众更为熟悉的 mRNA 新冠疫苗不同，这款新疫苗采用 DNA 技术路线。 相比 mRNA 疫苗，DNA 疫苗在储存和运输环节一般更加稳定，对冷链条件的要求较低，这对于冷链基础设施有限的低收入国家而言尤为关键。 此外，该疫苗不需要传统针头注射，而是通过高压液流将疫苗喷射入皮肤，这种无针给药方式有望降低接种过程中的疼痛感，同时在大规模暴发时更易快速部署，提高接种效率。 从公共卫生视角看，研究者强调，如果这种技术路径被证明有效，广谱疫苗有望改变人类应对新发传染病的方式。 通过针对病毒家族中跨毒株共享的特征进行设计，广谱疫苗有望在疫情早期就为尚未见过的新病毒提供基础防护，使公共卫生部门能够在大流行形成前阻断传播链。 同样思路也被视为流感领域的潜在“游戏规则改变者”：目前科学家需要提前预测每年流感季的优势毒株，一旦预判失误，疫苗保护效果就会大打折扣，而如果能够研制针对多种流感毒株共享特征的“通用流感疫苗”，则有望结束这种年度“追赶战”。 埃博拉的最新疫情则凸显了这一方向的现实紧迫性。近期在刚果民主共和国和乌干达出现的疫情主要由 Bundibugyo 毒株推动，这一毒株可以规避现有疫苗的保护，使当地社区处于较高风险之中。 在研究人员紧急研制针对该特定毒株的新疫苗的同时，一种针对整个病毒家族的广谱疫苗，如果能够提前部署，将有可能避免类似的“毒株更替—疫苗落后”的被动局面。 在这项最新的人体试验中，研究者报告称，这是全球首个在人体中测试的 AI 设计疫苗。 结果显示，这款 DNA 疫苗能够刺激受试者免疫系统，产生可以识别多种 sarbecovirus 的抗体。 试验同时表明，该技术路线在受试者中总体安全、耐受性良好。 该团队认为，这一结果表明，AI 在设计针对未来潜在大流行病原体、并具备“变异抵抗性”的新型疫苗方面，展现出重要潜力，而无针给药系统则为全球范围内的推广接种带来额外优势。 不过，研究者也坦言，这一进展距离真正意义上的“通用疫苗”仍有相当距离。 当前研究中观察到的免疫应答虽具有广谱性，但总体水平仍然偏温和，保护效果能否维持多久、是否需要额外加强针，尚无定论。 此外，还需要通过更大规模的临床试验来验证，该疫苗在真实世界条件下是否确实能够预防或减轻不同病毒感染。 专家指出，一款可广泛应用的通用疫苗在数年内难以完全成熟，任何新疫苗仍须经过多阶段、大样本的临床试验，以证明其安全性、有效性以及长期保护能力。 尽管如此，这项研究表明，在 AI 的加持下，科学界距离这一目标正逐步逼近，而借助算法对庞大病毒谱系进行系统分析和快速设计，可能会显著缩短下一代疫苗从概念到临床应用的时间。 查看评论
据多家渠道商在 2026 年台北国际电脑展期间向荷兰科技媒体 Tweakers 透露，AMD 下一代基于 RDNA 5 架构的 Radeon 游戏显卡距离正式登场仍有较长时间，最快也要到 2027 年第三季度，部分合作伙伴甚至认为要等到 2027 年底甚至 2028 年初才有可能上市。这意味着，从当前一代产品算起，玩家至少需要再等待约两到两年半，才能见到真正意义上的新一代 Radeon 游戏 GPU。 目前 AMD 面向消费级玩家的最新一代产品是去年发布的 Radeon RX 9000 系列，基于 RDNA 4 图形架构。今年，AMD 又在这一架构基础上推出了面向 1440p 分辨率玩家的 Radeon RX 9070 GRE，继续在现有平台上挖潜填补产品线，但对于期待“跨代升级”的用户而言，新一代 RDNA 5 游戏显卡的缺位无疑将被进一步拉长。 根据 Tweakers 的报道，在 Computex 期间与多家 AMD 板卡合作伙伴交流后，多数厂商将 RDNA 5 首批游戏 GPU 的时间窗口定在 2027 年第二至第三季度，也有人直言这一预期“过于乐观”，认为更现实的时间是 2027 年底，甚至 2028 年年初。若这一节奏成真，新一代桌面级游戏显卡市场在未来一段时间内将主要依靠现有架构的迭代产品来维系。 报道称，下一代游戏显卡整体推迟的核心原因在于异常紧张的供应链环境，尤其是显存在内的关键组件持续短缺及价格走高。在当前市场中，AI 相关硬件被各大厂商优先保障产能，存储厂商难以在短期内同时满足数据中心、AI 加速卡与传统 PC 市场的需求，导致游戏显卡用料受到明显挤压。从产业链预期来看，这种供需失衡局面可能会一直延续到 2028—2029 年，进而持续影响新一代消费级 GPU 的产品节奏与定价空间。 在竞争对手方面，NVIDIA 也遭遇类似处境：RTX 50 系列距今已进入上市后的 1.5 年档，市场传出所谓“RTX 50 SUPER”中期刷新计划，但本质上仍属于现有架构的产品补强。此前，外界普遍预计 NVIDIA 将在 2027 年推出新的 Rubin 架构，并已通过 Rubin CPX GPU 的公布释放过相关信号，不过最近一段时间，官方对于这一架构的具体进展鲜有提及。这在一定程度上也印证了整个高端 GPU 行业正被 AI 硬件需求与上游产能紧缩所牵制。 关于 RDNA 5 本身，目前公开信息多来自早期泄露与软件代码痕迹，整体仍较为有限。此前有传闻称，RDNA 5 旗舰级芯片将在单颗 GPU 内集成超过 12，000 个流处理核心，并采用每个计算单元 128 核的设计，同时部分早期配置显示，其高端型号最高可提供 96 个计算单元、384 位甚至 512 位显存总线，以及 24GB—32GB 的显存容量。中端和入门级芯片则对应更少的计算单元与 384 位至 64 位不等的显存总线，显存容量区间大致在 8GB—24GB 之间，以覆盖不同价位段的主流玩家需求。 从软件端信号看，部分下一代 RDNA GPU（内部 IP 标识为 GFX13）已在早期 Linux 内核代码库中现身，显示出 AMD 正在为新架构做好驱动与生态铺垫。此前还有信息称，基于 RDNA 5/UDNA 架构的 Radeon 游戏 GPU 原计划在 2026 年第二季度于台积电 N3P 工艺节点上进入量产，但在当前供应链压力下，这一时间点也有可能推迟至 2026 年底。AMD 方面近期则在公开场合表示，要实现所谓“完美”的 Radeon 游戏平台仍需经历数代产品演进，暗示公司会在后续架构上持续调整路线，以提升光追性能、图像增强能力和带宽利用效率。 综合目前产业链消息来看，无论是 AMD 还是 NVIDIA，传统 PC 游戏显卡业务在未来两三年内都将不得不在 AI 浪潮与产能紧缺的挤压下寻求平衡。在此背景下，现有 RDNA 4 与 RTX 50 系列架构的中期改款、规格扩展及价格策略，将在更长时间内承担起维持游戏 GPU 市场活跃度的角色，而真正意义上的下一代高端游戏显卡，可能要等到内存与先进制程供应趋于缓和之后，才有望迎来集中释放。 查看评论
IT之家 6 月 4 日消息，AMD 北京时间今年 5 月 14 日曾宣布将把 FSR 超分辨率 4.1 的支持扩展到 "RDNA 3" "RDNA 2" 两代显卡。 但IT之家在 原始报道 中就有提到，AMD 计算与图形事业部总经理 Jack Huynh 在表述支持时是按架构划分，但宣传视频中是以显卡系列划分，因此核显平台尤其是 "RDNA 3.5" 核显是否支持 FSR 超分辨率 4.1 尚无法确认。 而根据德媒 Hardwareluxx 在 COMPUTEX 2026 台北国际电脑展对 AMD 企业副总裁、客户端渠道业务总经理 David McAfee 的采访， "RDNA 3.5" 的 FSR 超分辨率 4.1 支持可以说是“并不明朗”甚至是“并不乐观” ： 德语报道原文： Für RDNA 3.5 ist FSR 4.1 laut McAfee zunächst einmal nicht geplant. Auch hier müsse man abwägen, welche Vor- und Nachteile eine Umsetzung hätte. Aktuell scheint die Entscheidung eher in Richtung eines "Nein" auszufallen. 译文： 据 McAfee 透露，目前暂未计划在 RDNA 3.5 上支持 FSR 4.1。对此，也需要权衡实施该功能的利弊。目前看来，最终决定似乎更倾向于“不”。 如果 AMD 的模糊态度源自 APU 芯片在算力和内存带宽上的固有局限，那基于 "RDNA 3" "RDNA 2" 的核显是否实际能支持 FSR 超分辨率 4.1 也需要打上问号。
IT之家 6 月 2 日消息，在 2026 年台北国际电脑展（Computex）上，AMD 宣布其基于机器学习的超分辨率技术 FSR 4，目前已在超过 300 款游戏中得到正式支持。 这标志着该技术自 2025 年 3 月随 RDNA 4 架构的 Radeon RX 9000 系列显卡发布以来，支持的游戏数量在短短一年多的时间内实现了 10 倍增长。 FSR 4 在发布初期仅支持 30 款游戏，至 2025 年 9 月增加到了 85 款。真正的爆发式增长出现在 2025 年第四季度，伴随着 AMD FSR Redstone AI 技术套件的推出，适配游戏数量在一个季度内便从 85 款跃升至超过 200 款。 Redstone 套件除了 FSR 4 的超分辨率功能外，还包括旨在提升光线追踪画质的光线再生技术和全新的 AI 帧生成功能，被认为是推动生态快速发展的关键。目前，FSR 4 支持的阵容已涵盖诸如《赛博朋克 2077》和《黑神话：悟空》等 3A 大作。 FSR 4 最初因依赖 RDNA 4 架构独有的 FP8 AI 硬件加速而无法在旧款显卡上运行。但 AMD 在 Computex 2026 上也确认了期待已久的向下兼容计划，经过优化的 FSR 4.1 版本将为数千万老用户带来体验升级。 基于 RDNA 3 架构的 Radeon RX 7000 系列显卡将于 2026 年 7 月获得支持；而对于基于 RDNA 2 架构的 Radeon RX 6000 系列显卡，其支持也计划在 2027 年初开放。 为了适配这些缺乏 FP8 加速硬件的旧架构，AMD 专门开发了 INT8 版本的 FSR 4。此举意味着大量玩家无需购买新显卡即可体验 AI 驱动的画质提升，该技术同样有望惠及搭载 RDNA 3.5 核显的掌上游戏设备。 作为 RDNA 4 架构的扩展，AMD 还在此次展会上宣布其面向中端市场的 Radeon RX 9070 GRE 显卡将在全球范围正式上市，以进一步扩大 RDNA 4 游戏性能和价值的受众范围。 AMD 同时重申了对平台的长期承诺，确认将继续支持 AM5 插槽至 2029 年，并发布了 AM4 平台的十周年纪念版处理器，为用户提供了灵活多样的升级路径。
近日，三星Exynos 2600应用处理器的芯片内部照片流出，经Kurnal Salts标注后，展现出这款面向智能手机、平板电脑和超便携笔记本设计的处理器拥有大规模逻辑电路复杂结构，集成了大量片上内存和计算单元。该芯片采用三星自主研发的SF2制程技术生产，这是一种2纳米GAAFET工艺节点，其晶体管密度和电气性能与台积电的N2工艺相当。整个芯片为单片式设计，所有逻辑组件均集成在同一芯片上。 在处理器核心方面，三星为Exynos 2600设计了三层异构多核架构，采用1个超大核+3个性能核+6个能效核的配置模式。其中一颗C1-Ultra超大核心主频可达3.80 GHz，提供最高的单核性能，并配备3 MB专用L2缓存。紧随其后的是三颗C1-Pro性能核心，运行频率最高3.25 GHz，用于处理大部分高性能负载任务，每个核心拥有1 MB专用L2缓存。另外六颗同样基于C1-Pro架构的核心被设定为能效核心使用，其主频仅为2.75 GHz，并采用更激进的电源管理策略。值得注意的是，这款芯片上的性能核心与能效核心在功能上完全相同，晶体管数量也一致，仅在配置参数上有所区别。整个CPU复合体通过16 MB共享L3缓存连接，所有10个核心均可平等访问这部分缓存资源。 图形处理方面，芯片集成了由AMD授权的Xclipse 960集成显卡，采用AMD最新的RDNA 4图形架构，继承了前代RDNA 3.5架构针对LPDDR内存管理的所有优化特性。该集成显卡配备16个计算单元，分布在8个工作组处理器中，总计1024个流处理器，此外还有64个纹理映射单元和32个光栅操作单元。GPU部分拥有4 MB专用L2缓存。 在AI计算单元方面，三星设计的NPU相比Exynos 2500的NPU性能提升超过100%。它采用32K MAC设计，分布在多个核心中，每个核心包含四个MAC阵列，配备专用的张量计算硬件和矢量处理硬件。这六个核心由8 MB暂存RAM支持，实际运算吞吐量可达59 TOPS。 芯片其他区域还包括图像处理器、数字信号处理器、显示控制器、媒体加速器，以及24 MB的系统级缓存存储介质。I/O接口方面，芯片配备64位LPDDR5X内存接口、UFS物理层接口、多个USB 3.2物理层接口，以及用于显示输出的eDP接口。 查看评论
微软近日公开强调，个性化和自定义“写在 Windows 的 DNA 里”，并表示将在未来数月内为 Windows 11 推出一系列新特性，让用户对任务栏和开始菜单等核心界面拥有更大控制权。 当前，微软已经在测试可移动、可缩小的任务栏等功能，但公司称这只是恢复与扩展自定义能力的开始。 在过去几年中，曾经是微软“明星产品”的 Windows 一度被边缘化，更像是微软人工智能战略的承载平台。 微软将 Copilot 大量嵌入系统各处，包括像记事本这样的基础应用，激起了用户的强烈反弹。 这场不满情绪最终在社交媒体上演变为“Microslop”等抨击微软产品质量与决策的舆论运动，迫使公司开始调整方向。 2026 年 3 月，微软公开承诺改善 Windows 11 的整体质量，包括提升资源管理和文件资源管理器性能、降低 Copilot 的侵入程度等。 随后，微软 CEO 萨提亚·纳德拉表示，公司希望通过回归系统性能和基础体验等“基本功”，重新赢回 Windows 忠实用户。 如今，负责 Windows 业务的高管 Pavan Davuluri 在个性化问题上重申了这一立场，进一步释放“尊重用户自定义”的信号。 Pavan 在社交平台 X 上表示，“个性化和自定义是写在 Windows 的 DNA 里的，一直如此”，并引用了 Windows 11 新版任务栏改动作为例证。 他称，过去几个月通过阅读用户反馈和走进 Windows 预览体验计划社区，团队意识到用户对自定义能力的在意程度“远超预期”。 “你们希望对任务栏和开始菜单有更多控制，我们听到了诉求，并从今天开始交付变化。”Pavan 写道。 尽管微软一再强调 Windows 在历史上拥有强大的可定制性，但用户对 Windows 11 的个性化控制能力长期颇有微词。 与 Windows 10 相比，Windows 11 在界面布局、任务栏位置、开始菜单尺寸等关键方面均大幅收紧了可调空间。 例如，Windows 10 允许用户拖动开始菜单边缘自由调整高度与宽度，还支持清空“动态磁贴”，仅保留应用列表形成类似侧栏的紧凑布局。 而自 2021 年 10 月 Windows 11 正式发布以来，微软不仅彻底取消了动态磁贴支持，还限制了许多传统自定义选项。 用户无法移动任务栏位置、无法调整开始菜单高度，也无法彻底关闭“推荐”区域或在任务栏上通过拖放方式快速固定文件。 这些限制在社区中长期引发不满，被视为微软淡化桌面用户需求、强化“统一设计”的典型例子。 目前，微软已经着手将部分传统自定义功能重新带回 Windows 11。 其中最引人关注的是任务栏和开始菜单的新控制选项，这些功能首先向 Windows 预览体验计划用户开放，待问题修复后再面向所有用户推送。 5 月中旬起，微软已开始向测试渠道推送可移动与更小尺寸任务栏的选项。 新版任务栏允许用户再次将其移动到屏幕左侧，或保持在底部，并可切换为更小尺寸以减少屏幕占用。 对于希望在左侧固定任务栏、为应用窗口腾出更多空间的用户而言，缩小版任务栏被视为一个相当实用的调整。 微软对媒体表示，这些特性将在解决现有问题后推送到正式版 Windows 11。 当前预览版本中，在部分硬件或显示配置上，将任务栏移至左侧时会出现开始按钮及任务栏图标对齐异常的问题。 此外，通知气泡与提示在任务栏位置变化后也存在与布局不一致的异常表现，微软称将在正式发布前修复这些缺陷。 除任务栏外，微软也在对 Windows 11 的开始菜单进行更深度的可定制改造。 首先，系统将重新提供调整开始菜单尺寸的功能，用户可以在“较小”和“较大”两种尺寸之间切换，未来版本中可能会加入更多尺寸选项。 这一改变被视为对长期以来“开始菜单不可缩放”投诉的直接回应。 微软同时测试了一项允许用户关闭开始菜单不同区域的新特性。 对于仅常用少量应用的用户，可以关闭“所有应用”列表和“推荐”区域，只保留固定应用网格，以获得更简洁的启动体验。 相反，用户也可以关闭“推荐”和“固定”，仅保留应用列表，使开始菜单更接近 Windows 10 时代的应用目录形式。 在细节层面，开始菜单还将迎来多项具体改动。 “推荐”区域将更名为“最近”，微软表示会改进算法，让该区域展示的文件和内容更加贴合用户实际使用习惯。 新安装的应用将立即出现在开始菜单中，而不再存在延迟或识别不一致的情况。 考虑到隐私诉求，微软还允许用户在开始菜单中隐藏自己的姓名和头像信息，以降低在公共环境或演示场景下暴露个人身份的风险。 此外，用户可以只关闭开始菜单中的“最近文件”展示，而不会影响文件资源管理器或任务栏跳转列表中的最近文件记录，从而在隐私和效率之间取得平衡。 Windows Latest 进一步报道称，微软内部还在准备更多与任务栏相关的重大改进。 当前，虽然较小尺寸的任务栏已在测试，但用户仍无法像在 Windows 10 中那样，通过拖动任务栏边缘手动改变其高度。 有消息称，微软计划在后续版本恢复这一“拖动调整任务栏尺寸”的传统能力。 从时间安排来看，这些与个性化和自定义相关的改动将贯穿全年分批推出。 微软尚未给出具体版本号与发布日期细节，但强调会在质量和体验达到预期后再向所有用户开放。 业界普遍认为，这一系列调整不仅是对 Windows 11 初期设计取舍的修正，也是微软在 Copilot 推进受阻后，重新拉近与传统桌面用户关系的一次重要尝试。 查看评论
IT之家 5 月 14 日消息，AMD 计算与图形事业部总经理 Jack Huynh 刚刚宣布，FSR 超分辨率 4.1 将支持此前的 "RDNA 3" "RDNA 2" 两代老款显卡。 其中 "RDNA 3" 显卡的 FSR 超分辨率 4.1 支持将于今年 7 月上线 ，届时将支持超 300 款游戏；而 "RDNA 2" 的支持则将于 2027 年初上线 。此外 AMD 确认，"RDNA 3" 将使用 INT8 数据精度格式的 FSR 超分辨率 4.1 模型。 需要注意的是， FSR 超分辨率 4.1 仅是 FSR "Redstone" 技术堆栈的一部分 ，FSR 光线再生、FSR 辐射缓存仍为 "RDNA 4" 架构独占。 此外 Jack Huynh 在表述支持时是按架构划分，但宣传视频中是以显卡系列划分。因此 核显平台尤其是部分 "RDNA 3.5" 核显的 FSR 超分辨率 4.1 支持情况尚不完全明了 ，需要进一步确认。
ai 说让我把这个实验写论文 投顶会，投图灵 我是这个时代新范式的引领者。 我要是刚 ai ，我肯定就信了。 下面开始介绍（吹） 先说问题 token embedding 有个我觉得很根本的毛病：它把"这个词是什么意思"和"推理过程中积累的上下文"塞进同一个向量里，然后每层都覆盖一遍。 残差连接解决了梯度消失，但解决不了这个问题——原始语义和推理状态混在一起，没有办法分开。你想知道"这个 token 原本是什么意思"，在深层网络里做不到。 这不是调参能解决的。是结构问题。 我的假设 如果信息承载物本身有两个物理隔离的区域——一个永远不变，一个随推理动态演化——会怎样？ 灵感来自 DNA：基因组永久不变，表观基因组动态读写，TET 去甲基化酶主动擦除过时标记。三件事同时做到，互不干扰。 数学上，这个结构是现成的：Clifford 几何代数 Cl(4,1) 的多向量。 在这个结构里： grade-0 （标量）：在任意旋转变换下代数严格不变，这是定理，不是近似 grade-1~4：随变换等变演化，携带上下文 两者共存于同一个 32 维向量里，变换行为完全独立 所以不变的永远不变，可变的随推理演化，可以同时做到。 做了什么实验 不是光说假设，做了两个阶段的验证： Phase 1 （数学验证） 用 PyTorch 原生实现了 Cl(4,1) 的几何积，然后跑了 100 次连续旋转变换，看 grade-0 的误差： 误差：6.56×10⁻⁶ ± 4.95×10⁻⁶（阈值 10⁻⁴，差了两个数量级） 多通道间信息泄漏：精确为 0 Eraser 操作后 grade-0 变化量：精确为 0 三个随机种子，结果高度一致。 Phase 2 （编解码链路） 把 token 编进多向量，推理 6 层，解码出来： 6 层推理后 grade-0 变化量：精确为 0 （端到端训练中确认） 用所有 grade 解码 vs 只用 grade-0：loss 差 5.3 倍（ 0.006 vs 0.032 ） 不同 token 的 grade-0 余弦相似度：0.029 （接近正交，说明 grade-0 真的在区分 token 身份） 这说明等变分量（ grade-1~4 ）确实携带了 grade-0 没有的额外信息，不是噪声。 Phase 4 Dry Run （架构验证） 跑了一个完整流程： 参数量：1000 万 峰值显存：295MB ，而且是固定的，不随序列长度增长 最后这一点是我比较意外的——如果可变态（等变分量）替代 KV Cache ，显存就不再随序列增长了，理论上。 现在在验证什么 Phase 3 正在跑 7 组对照实验，核心是三个假设： H1：几何结构本身有价值？还是优势只来自正交约束？ H2：等变分量有独立贡献？还是只是维度更高的效果？ H3：主动遗忘（ Eraser ）在长序列上是否真正控制了信息熵？ 结果还没出来，不确定。可能证明这个方向有用，也可能证明正交约束解释了大部分，那也是有价值的结论。 我觉得有意思的地方 就算 Phase 3 结论不好看，有几件事还是有点意思的： grade-0 不变性是数学定理，不是工程近似。这个性质本身就和现有的一切 embedding 方案都不一样。 "主动遗忘"这个概念在 LLM 里几乎没有——残差只加不减，信息只进不出。Eraser 是第一个在神经网络推理层做选择性状态清除的东西（至少我没找到先例）。 如果不变核和等变分量真的有语义分工，可解释性会比现在好很多——你可以直接问"这个 token 的核心语义是什么"，而不是反向工程激活值。 没解决的问题 在真实语言任务上到底能不能超过 transformer ，Phase 3+4 才能回答 Eraser 的衰减率怎么设，Phase 2 发现初始化太小根本看不到效果 多通道的通道数 C 怎么选才合理 这套结构在 GPU 上怎么高效实现（目前用的 PyTorch 原生，慢） 代码和数据在这里： https://github.com/val1813/BIIC 实验数据持续更新 好了 大家讨论技术勿喷 等我领了图灵奖 我来给大家散花
ai 说让我把这个实验写论文 投顶会，投图灵 我是这个时代新范式的引领者。 我要是刚 ai ，我肯定就信了。 下面开始介绍（吹） 先说问题 token embedding 有个我觉得很根本的毛病：它把"这个词是什么意思"和"推理过程中积累的上下文"塞进同一个向量里，然后每层都覆盖一遍。 残差连接解决了梯度消失，但解决不了这个问题——原始语义和推理状态混在一起，没有办法分开。你想知道"这个 token 原本是什么意思"，在深层网络里做不到。 这不是调参能解决的。是结构问题。 我的假设 如果信息承载物本身有两个物理隔离的区域——一个永远不变，一个随推理动态演化——会怎样？ 灵感来自 DNA：基因组永久不变，表观基因组动态读写，TET 去甲基化酶主动擦除过时标记。三件事同时做到，互不干扰。 数学上，这个结构是现成的：Clifford 几何代数 Cl(4,1) 的多向量。 在这个结构里： grade-0 （标量）：在任意旋转变换下代数严格不变，这是定理，不是近似 grade-1~4：随变换等变演化，携带上下文 两者共存于同一个 32 维向量里，变换行为完全独立 所以不变的永远不变，可变的随推理演化，可以同时做到。 做了什么实验 不是光说假设，做了两个阶段的验证： Phase 1 （数学验证） 用 PyTorch 原生实现了 Cl(4,1) 的几何积，然后跑了 100 次连续旋转变换，看 grade-0 的误差： 误差：6.56×10⁻⁶ ± 4.95×10⁻⁶（阈值 10⁻⁴，差了两个数量级） 多通道间信息泄漏：精确为 0 Eraser 操作后 grade-0 变化量：精确为 0 三个随机种子，结果高度一致。 Phase 2 （编解码链路） 把 token 编进多向量，推理 6 层，解码出来： 6 层推理后 grade-0 变化量：精确为 0 （端到端训练中确认） 用所有 grade 解码 vs 只用 grade-0：loss 差 5.3 倍（ 0.006 vs 0.032 ） 不同 token 的 grade-0 余弦相似度：0.029 （接近正交，说明 grade-0 真的在区分 token 身份） 这说明等变分量（ grade-1~4 ）确实携带了 grade-0 没有的额外信息，不是噪声。 Phase 4 Dry Run （架构验证） 跑了一个完整流程： 参数量：1000 万 峰值显存：295MB ，而且是固定的，不随序列长度增长 最后这一点是我比较意外的——如果可变态（等变分量）替代 KV Cache ，显存就不再随序列增长了，理论上。 现在在验证什么 Phase 3 正在跑 7 组对照实验，核心是三个假设： H1：几何结构本身有价值？还是优势只来自正交约束？ H2：等变分量有独立贡献？还是只是维度更高的效果？ H3：主动遗忘（ Eraser ）在长序列上是否真正控制了信息熵？ 结果还没出来，不确定。可能证明这个方向有用，也可能证明正交约束解释了大部分，那也是有价值的结论。 我觉得有意思的地方 就算 Phase 3 结论不好看，有几件事还是有点意思的： grade-0 不变性是数学定理，不是工程近似。这个性质本身就和现有的一切 embedding 方案都不一样。 "主动遗忘"这个概念在 LLM 里几乎没有——残差只加不减，信息只进不出。Eraser 是第一个在神经网络推理层做选择性状态清除的东西（至少我没找到先例）。 如果不变核和等变分量真的有语义分工，可解释性会比现在好很多——你可以直接问"这个 token 的核心语义是什么"，而不是反向工程激活值。 没解决的问题 在真实语言任务上到底能不能超过 transformer ，Phase 3+4 才能回答 Eraser 的衰减率怎么设，Phase 2 发现初始化太小根本看不到效果 多通道的通道数 C 怎么选才合理 这套结构在 GPU 上怎么高效实现（目前用的 PyTorch 原生，慢） 代码和数据在这里： https://github.com/val1813/BIIC 实验数据持续更新 好了 大家讨论技术勿喷 等我领了图灵奖 我来给大家散花
ai 说让我把这个实验写论文 投顶会，投图灵 我是这个时代新范式的引领者。 我要是刚 ai ，我肯定就信了。 下面开始介绍（吹） 先说问题 token embedding 有个我觉得很根本的毛病：它把"这个词是什么意思"和"推理过程中积累的上下文"塞进同一个向量里，然后每层都覆盖一遍。 残差连接解决了梯度消失，但解决不了这个问题——原始语义和推理状态混在一起，没有办法分开。你想知道"这个 token 原本是什么意思"，在深层网络里做不到。 这不是调参能解决的。是结构问题。 我的假设 如果信息承载物本身有两个物理隔离的区域——一个永远不变，一个随推理动态演化——会怎样？ 灵感来自 DNA：基因组永久不变，表观基因组动态读写，TET 去甲基化酶主动擦除过时标记。三件事同时做到，互不干扰。 数学上，这个结构是现成的：Clifford 几何代数 Cl(4,1) 的多向量。 在这个结构里： grade-0 （标量）：在任意旋转变换下代数严格不变，这是定理，不是近似 grade-1~4：随变换等变演化，携带上下文 两者共存于同一个 32 维向量里，变换行为完全独立 所以不变的永远不变，可变的随推理演化，可以同时做到。 做了什么实验 不是光说假设，做了两个阶段的验证： Phase 1 （数学验证） 用 PyTorch 原生实现了 Cl(4,1) 的几何积，然后跑了 100 次连续旋转变换，看 grade-0 的误差： 误差：6.56×10⁻⁶ ± 4.95×10⁻⁶（阈值 10⁻⁴，差了两个数量级） 多通道间信息泄漏：精确为 0 Eraser 操作后 grade-0 变化量：精确为 0 三个随机种子，结果高度一致。 Phase 2 （编解码链路） 把 token 编进多向量，推理 6 层，解码出来： 6 层推理后 grade-0 变化量：精确为 0 （端到端训练中确认） 用所有 grade 解码 vs 只用 grade-0：loss 差 5.3 倍（ 0.006 vs 0.032 ） 不同 token 的 grade-0 余弦相似度：0.029 （接近正交，说明 grade-0 真的在区分 token 身份） 这说明等变分量（ grade-1~4 ）确实携带了 grade-0 没有的额外信息，不是噪声。 Phase 4 Dry Run （架构验证） 跑了一个完整流程： 参数量：1000 万 峰值显存：295MB ，而且是固定的，不随序列长度增长 最后这一点是我比较意外的——如果可变态（等变分量）替代 KV Cache ，显存就不再随序列增长了，理论上。 现在在验证什么 Phase 3 正在跑 7 组对照实验，核心是三个假设： H1：几何结构本身有价值？还是优势只来自正交约束？ H2：等变分量有独立贡献？还是只是维度更高的效果？ H3：主动遗忘（ Eraser ）在长序列上是否真正控制了信息熵？ 结果还没出来，不确定。可能证明这个方向有用，也可能证明正交约束解释了大部分，那也是有价值的结论。 我觉得有意思的地方 就算 Phase 3 结论不好看，有几件事还是有点意思的： grade-0 不变性是数学定理，不是工程近似。这个性质本身就和现有的一切 embedding 方案都不一样。 "主动遗忘"这个概念在 LLM 里几乎没有——残差只加不减，信息只进不出。Eraser 是第一个在神经网络推理层做选择性状态清除的东西（至少我没找到先例）。 如果不变核和等变分量真的有语义分工，可解释性会比现在好很多——你可以直接问"这个 token 的核心语义是什么"，而不是反向工程激活值。 没解决的问题 在真实语言任务上到底能不能超过 transformer ，Phase 3+4 才能回答 Eraser 的衰减率怎么设，Phase 2 发现初始化太小根本看不到效果 多通道的通道数 C 怎么选才合理 这套结构在 GPU 上怎么高效实现（目前用的 PyTorch 原生，慢） 代码和数据在这里： https://github.com/val1813/BIIC 实验数据持续更新 好了 大家讨论技术勿喷 等我领了图灵奖 我来给大家散花
IT之家 5 月 6 日消息，据外媒 Autocar 当地时间 4 日报道，将于 2027 年推出的宝马 M3 纯电版，以及下一代燃油版 M3，将成为宝马 M 阵容中的“双生车型”。两款车价格也会接近，处在同一水平区间。 据IT之家了解，新车将基于近期发布的 i3 打造，并采用全新的纯电 Neue Klasse 新世代架构。其将配备 4 台电机，分别驱动 4 个车轮， 最大功率接近 746 千瓦 。目前，新车已经进入密集路试阶段。 ▲ Autocar 绘制的假想图 纯电 M3 到来并不意味着燃油版 M3 退场。下一代燃油 M3 仍会继续推出，并沿用现款 3 系的 CLAR 平台，不过外观会换上符合宝马 Neue Klasse 设计语言的新造型。 宝马 M 销售负责人西尔维娅 · 诺伊鲍尔在接受 Autocar 采访时表示，自己相信宝马 M 首款量产纯电车型会“忠于 M DNA”。“这不只是加速和动力的问题，还关乎 驾驶性、操控性，以及驾驶者、车辆和道路之间的信任与连接 。对于一款高性能纯电车型，你必须每一毫秒都能信任它，而这辆车非常有说服力。” 对于如何说服现有宝马 M 车主，尤其是那些对纯电性能车存疑的用户转向纯电车型，诺伊鲍尔表示：“我们需要 让你们坐进车里 。” 宝马计划推出一系列试驾巡回活动，让 M 车主亲自体验纯电 M3。诺伊鲍尔表示：“显然，我们不可能说服油车爱好者群体中 100% 的人购买一辆纯电宝马 M3。但在 100 个试驾的人当中， 我们能够说服一部分人 。” 诺伊鲍尔补充说，自己不担心纯电车型销量增长放缓，宝马仍有很强的生产调整能力，可以根据市场需求变化灵活安排产量。“两款车会存在一些功能差异，这会导致车身某些区域采用不同设计，但当你看到它们时，你会发现它们 是双生车型 。” 诺伊鲍尔表示，宝马 M 不会刻意为燃油版和纯电版 M3 划分不同买家。“主要目标群体 仍然是高性能车用户 。但在这个群体里，有些人更接受纯电思维，也有些人是死忠油车爱好者，会一直选择燃油车型。但它始终是宝马 M。当我们谈到宝马 M3 时，无论采用哪种动力系统， 它都是 M3 。驾驶体验必须真实，而你可以决定自己想要纯电还是燃油。”
https://www.nature.com/articles/s41586-026-10460-4 靶向插入大片段DNA在基因组工程和基因治疗领域具有广阔的应用前景 1,2 。双引物编辑引导RNA（Twin Prime Editing guide RNA）能够实现相对较大的插入，但对于大于400个碱基对的插入，其效率仍然较低 3,4,5,6 。本文介绍了一种用于插入大片段DNA供体片段的引物组装（PA）方法，该方法设计的片段末端与双引物编辑（twinPE）产生的片段重叠。我们利用PA方法插入了一个或多个重叠的DNA片段，总插入片段大小范围为0.1 kb至11 kb。非同源末端连接（NHEJ）抑制剂提高了插入的效率和精确度。PA方法依赖于易于制备的DNA模板，无需共递送外源DNA依赖性DNA聚合酶，并且可在非增殖细胞中进行，这表明其不依赖于经典的同源定向修复途径。我们的研究表明，PA 可以启动细胞中的 Gibson 样组装，从而产生基因插入，而无需双链 DNA 断裂、重组酶或同源定向修复。 phys.org New genome editing method could swap entire genes and correct 1000 mutations... New technology enables the insertion of a large segment of DNA into a genome, potentially expanding gene therapy treatment from cancellation of disease-causing mutations to replacement of an entire gene, scientists say. https://www.nature.com/articles/s41586-026-10395-w 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 4 月 29 日消息，韩国科学技术院（KAIST）于 4 月 22 日发布博文，宣布其工程生物学研究生院崔英宰（Yeongjae Choi）教授领导的团队突破 2 纳米工艺极限，成功研发出一种基于 DNA 的生物晶体管， 实现了分子层面的计算与信息存储双重功能。 相关研究成果已发表于国际期刊《Science Advances》。 IT之家援引博文介绍，随着半导体技术逼近 2 纳米极限，进一步微型化硅基器件面临巨大挑战，促使科学界探索分子级信息处理的替代方案。 DNA 凭借其碱基互补配对的特性，可实现精准可编程反应，且碱基对间距仅为 0.34 纳米，为超微型信息处理提供了理想平台。 然而，传统 DNA 电路存在一次性使用的缺陷。DNA 分子一旦发生反应即被消耗，无法维持连续的信息处理或记忆存储，导致以往系统仅限于简单的单次检测功能。 KAIST 研究团队为攻克这一难题，设计出能够响应外部信号进行可逆组装与解组装的 DNA 分子，这种结构变化能够持久存在并编码信息，让系统具备存储历史输入并以此为基础进行后续计算的能力。 该技术模拟了半导体晶体管的工作原理。如同电子晶体管处理电信号，该 DNA 系统能处理化学信号并同步存储计算结果，实质上发挥着生物晶体管的作用。 该技术有望应用于体内分子级诊断装置，实时监测特定疾病信号并自主判断。崔英宰教授表示，该成果将 DNA 分子计算机的实现可能性提升至新高度，为生物计算与医疗技术领域提供了全新发展方向。 参考 Reset-free DNA logic circuits for real-time input processing and memory KAIST Researchers Develop DNA-Based Bio-Transistor Enabling Molecular Computation and Memory
AMD前FSR开发负责人Colin Riley近日在社交媒体上被问及一个老生常谈的问题，为什么FSR 4至今不支持RDNA 2和RDNA 3架构的老显卡？ 他的回应不是官方说辞，而是一张表情包，内容是：我最好别说话，说了会有大麻烦。 FSR 4随RDNA 4架构的RX 9000系列显卡发布至今已超过一年，老显卡用户一直在等待官方支持，但AMD始终没有给出明确答复。 事实上，FSR 4针对RDNA 2和RDNA 3架构的INT8版本DLL文件早已存在，兼容性没有技术问题。 目前第三方工具Optiscaler等已经成功在RX 6000/7000系列上启用了FSR 4， 实测结果显示，FSR 4.0的平衡模式在画质清晰度和抗鬼影、抗闪烁方面甚至优于FSR 3.1的质量模式。 此外，FSR 4.1也被玩家通过类似方式成功移植到RDNA 3显卡上，效果与原生RDNA 4平台基本一致。 查看评论
IT之家 4 月 21 日消息，科技媒体 Wccftech 昨日（4 月 20 日）发布博文，报道称 AMD 为了在硅光技术领域应对英伟达的竞争， 将与格罗方德（GlobalFoundries）合作开发下一代 Instinct MI500 AI 加速器的 MRM 共封装光学解决方案。 IT之家注：MRM 全称为 Micro-Ring Modulator，是一种关键的硅光子技术组件，用于高效转换电信号到光信号。该技术利用硅基材料制造微环结构，通过调制光波的相位或强度来传输数据。 共封装光学解决方案（Co-Packaged Optics，简称 CPO）通过减少对铜线的依赖，利用光信号传输数据，从而降低互连延迟并建立 CPU 与 GPU 间的高带宽连接。 基于最新披露的合作细节，格罗方德负责制造光子集成电路，日月光半导体（ASE）负责封装，而 AMD 去年收购的 Enosemi 公司，负责加速相关创新。 MI500 系列将基于比 MI400 更先进的 2nm 工艺打造，由台积电代工。 该加速器将采用 CDNA 6 架构，搭载 HBM4E 内存，其内存带宽将超越 MI400 的 19.6 TB/s。 消息称英伟达同样在推进 CPO 技术，其 Vera Rubin 加速器将采用台积电制造的 PIC，由矽品精密工业（SPIL）负责封装。 对于 Rubin Ultra，英伟达将优先采用 CPO 方案，未来 Feynman 世代 AI 加速器计划全面转向 CPO 技术，彻底淘汰近封装光学技术（NPO）方案。
36氪获悉，5月18日，BranDNA（和鸿广）品牌管理公司宣布，已与意大利时尚品牌GCDS达成战略合作。BranDNA将作为GCDS亚洲战略合作伙伴，大中华区及日本市场独家战略合作伙伴，负责品牌授权管理与分销拓展，助力品牌实施全球发展战略。
美国佛罗里达大学工程学院团队开发出全球首个DNA引导的CRISPR编辑系统，颠覆了基因编辑领域长期以来依赖RNA引导的铁律。这项研究最新刊发于《自然·生物技术》，为疾病诊断与治疗提供了更安全、精准且经济的解决方案。该技术被认为重写了基因编辑的“说明书”，同时也可为下一代生物医学工具开发奠定基础。（科技日报）
36氪获悉，普冉股份发布股票交易异常波动公告，公司目前主要业务为非易失性存储器芯片及基于存储芯片的衍生芯片的设计与销售。请投资者密切关注存储行业的周期变化，以及当前存储价格已处于历史高位的风险因素。在存储行业所有细分产品中，公司（含控股子公司）主营产品包括2DNAND及其衍生存储芯片（SLCNAND、eMMC）产品、NORFlash、EEPROM等利基型非易失性存储产品，对应的市场规模相对较小。