IT之家 5 月 14 日消息，据“开放原子”公众号，近日，基于开源欧拉的宇航级嵌入式操作系统搭载某星座实验卫星成功发射并在轨稳定工作。 IT之家从官方介绍， 这是基于开源欧拉的嵌入式操作系统首次在商业卫星载荷领域实现实际在轨运行 ，不仅标志着基于开源欧拉的星载操作系统已具备支撑宇航级场景的硬核实力，更代表基于开源欧拉的星载操作系统在高可靠、强实时的空间智能场景中迈出里程碑式一步，为中国商业航天自主创新发展筑牢数智底座。 该系统采用混合关键部署框架，重构独立硬实时内核，实现非实时域与硬实时域分离，任务切换、中断响应均小于 15μs，可精准匹配卫星姿态控制、载荷数据处理、星务管理的极致时序需求，确保卫星动作“ 零延迟、零误差 ”。 构建星载载荷专属安全体系，通过内核与用户空间内存隔离、内核栈溢出保护、内核地址空间布局随机化等加固技术，确保操作系统自身的内生安全；支持异常信息实时采集与地面回传，实现星地联动安全态势感知；搭载星载黑匣子功能，全程记录系统运行数据，为故障追溯提供完整依据，全方位守护太空数据安全。 系统采用内核分区设计，实现单粒子翻转防护，支持错误分区自动识别与恢复，有效抵御太空辐射干扰；系统轻量化精简设计，兼顾资源利用率与稳定性，适配超宽温域环境，保障卫星长期在轨“不宕机、不失效”。 系统兼容海思、飞腾、瑞芯微等多款宇航级芯片 ，适配“通导遥”各类商业卫星载荷场景；提供完整板级支持包、遥测遥控组件，支持应用软件在轨安装、运行、卸载与状态监控，无需卫星返地即可完成功能升级，大幅降低运维成本。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
IT之家 4 月 26 日消息，长城汽车欧拉 5 燃油版、混动版车型于昨日在 2026 北京车展上市，售价 7.98 万元起，限时换新价 6.98 万元起。IT之家注意到，官方现已公布新车的详细配置。 据介绍，新车提供沙洲米、敦煌绿、赛里木湖蓝、冰川灰、林芝红、白崖白等外观配色，内饰提供暮光绿、晨曦白、漫午棕、星夜灰配色。 座舱方面，该车提供 1.65 平方米天幕、星河律动氛围灯、Coffee OS 3 系统、3.2 升冷暖随行储物盒、手机无线快充，配备 15.6 英寸悬浮岛中控屏幕 、4nm 芯片、24+128G 内存、毫秒级语音响应。 动力方面，混动版搭载 1.5T 混动专用高效率发动机 ，系统最大功率 166kW，2 挡 DHT 智能调节双电机进行扭矩补偿，城市巡航 37.2 分贝。WLTC 综合工况油耗 4.5L/100km，一箱油能跑 1100km+。 燃油版搭载 1.5GDIT+7DCT 动力配置， 最大功率 135kW ，零百加速 8.9s，WLTC 综合工况油耗 6.4L/100km。 IT之家附价格如下： 混动版 Hi2 电混 Air 版建议零售价 8.98 万元，限时换新价 7.98 万元 Hi2 电混 Max 版建议零售价 9.98 万元，限时换新价 8.98 万元 燃油版 1.5T Air 版建议零售价 7.98 万元，限时换新价 6.98 万元 1.5T Max 版建议零售价 8.98 万元，限时换新价 7.98 万元
IT之家 4 月 25 日消息，正在举行的 2026 北京车展上，长城汽车欧拉 5 燃油版、混动版车型迎来上市，售价 7.98 万元起，限时换新价 6.98 万元起。 IT之家附价格如下： 混动版 Hi2 电混 Air 版建议零售价 8.98 万元，限时换新价 7.98 万元 Hi2 电混 Max 版建议零售价 9.98 万元，限时换新价 8.98 万元 燃油版 1.5T Air 版建议零售价 7.98 万元，限时换新价 6.98 万元 1.5T Max 版建议零售价 8.98 万元，限时换新价 7.98 万元 据介绍，欧拉 5 混动版搭载全新一代 Hi2 智能混动技术， Hi2 与 Hi4 同根同源 ，共用一套研发标准、共测一套验证体系、共享一套供应链生态，系统功率 166kW，峰值扭矩 476N·m，实现启停无感、换挡无感、提速无突兀。 欧拉 5 燃油版搭载长城汽车 第六代 1.5T 高效发动机 及长城汽车第三代双离合变速器，1500 转即可爆发 275N.m 峰值扭矩，持续高能输出到 4000 转。 最后，长城还推出了欧拉 5 侯明昊限定版，建议零售价 8.98 万元起。此外，长城还预告欧拉 5 运动款即将登场。
36氪获悉，据openEuler官微消息，基于OpenAtom openEuler（简称“openEuler”或“开源欧拉”）的宇航级嵌入式操作系统于近日搭载某星座实验卫星成功发射并在轨稳定工作，这是基于openEuler的嵌入式操作系统首次在商业卫星载荷领域实现实际在轨运行。
36氪获悉，家庭具身智能企业“欧拉万象”(Ola Dimensions)近日宣布完成数千万元种子轮融资，投资方包括五源资本和高瓴创投。值得关注的是，这也是五源资本在具身赛道的首次布局。此次融资将用于顶尖团队搭建和首款家庭具身产品研发。