
人们可能通常会认为所有大型科技公司都对彼此的存在感到不满。例如,蒂姆•库克(Tim Cook)对谷歌的可信度提出了批评,而埃里克•施密特(Eric Schmidt)有点傲慢地反击了这一批评。这说明,两家科技公司的领导者不会互相传递什么友好的话。
然而,比尔·盖茨(Bill Gates)近来表现得愈发高尚。他依旧坚持做着慈善工作,依旧坚持着解决世界上一项最棘手的健康和社会问题。
本周盖茨接受了彭博社的采访,其间他详细谈到了关于让更多的“没有银行账户的”贫困者加入金融体系的事宜。
在采访中,盖茨还专门被问及苹果的最新安全移动支付应用Apple Pay。他回答道:“Apple Pay很好地证明了,一部手机将如何以一种强大的方式来识别用户,帮助你完成一笔非常非常便宜的交易。”
他解释道:“我可以在任何应用中买东西,这太奇妙了。而且我也不再需要什么实体卡了,直接就可以进行交易,而且你可以很清楚地确定交易的另一端是谁,这是一种真正的贡献。”
一些人不知道带许多信用卡有多不方便。他们会觉得,从口袋或钱包中取出一张卡付款真的是一项负担吗?Apple Pay正在解决这样一个不怎么大的问题吗?
不过盖茨表示,苹果真正的作用在于开创了这个市场:“所有的平台,无论是苹果、谷歌还是微软,都将会整合这种移动支付功能。它们将会建立在行业标准协议——NFC之上。而且这些公司都将参与其中。而苹果将有助于确保把这项移动支付服务推广到足够多的设备上去。”
苹果的竞争对手们意识到,一旦苹果涉及某种理念,每个人都将获得更多的机会。
苹果有两个优势。其一是,在苹果生态系统中有着大量富有价值的用户个体;其二是,它有着令其设备易于使用的天赋。
但笔者发现,目前人们在星巴克收银台处用手机付款时,似乎要比直接现金支付花费更长的时间。
在被问及为何在大约20年前他就写下了这种想法,但微软至今却仍未提供这种支付服务时,盖茨转移了话题。
不过,在如今很多业界其他领导者愿意用孤陋寡闻这种方式回击其竞争对手的情况下,盖茨却愿意承认至少对方有所成就,这确实令人耳目一新。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。