北京时间4月17日消息,美国《时代》周刊今天公布了“年度百位全球最具影响力人物”名单,其中科技界有小米科技创始人雷军、苹果CEO蒂姆·库克(Tim Cook)及微软CEO萨提亚·纳德拉(Satya Nadella)等人上榜。
以下为评论语:
蒂姆·库克
美 国民权领袖、民主党议员约翰·刘易斯(John Lewis)在评语中写道:“对于蒂姆·库克来说,走进已故苹果联合创始人史蒂夫·乔布斯的巨大阴影,并不是一件容易的事情。但是,库克却以优雅的姿态和 勇气直面这种挑战,还希望树立自己独有的风格,最终他将苹果的利润推向了难以想象的高峰,而且还承担起更大的社会责任。”
“他为全世界的 企业运营树立了一个新的标杆。蒂姆·库克坚定不移地支持保护个人隐私权,不仅宣扬平等和LGBT(指女同性恋者、男同性恋者、双性恋者与跨性别者)权利, 而且还以实际行动来推动变革。他对再生能源的承诺还让我们的星球变得更干净,也为还未出生的几代人带来了更多的绿色。”
“最为重要的是,他用行动证明,赚钱与诚信是可以同时实现的。库克做到了这一点,一次次地推出了世界上最具创新精神的产品。所以,利润并不是评判最成功企业的唯一标准,蒂姆·库克就是明证。
雷军
《时 代》周刊东亚区负责人汉娜·毕什(Hannah Beech)在评语中写道:“他穿着休闲衬衫和牛仔裤。他卖智能手机,亲自登台主持本公司盛大的新品发布会。作为中国手机厂商小米公司的创始人,雷军常常 被人与史蒂夫·乔布斯相提并论,这并不足为奇。但即便是这位已故苹果的传奇人物,也无法让公司在创立短短五年内取得如此迅猛的发展。”
“在四月某天的12小时内,小米手机的在线销量达到210万部手机,由于消除了中间商这个环节,利润由此大幅提升。批评者称,雷军的低成本手机大量借鉴苹果的设计和元素。他们的批评或许也有道理——小米的产品包括小米Note手机和Mi Pad平板电脑。但投资者并不担心。”
“在去年晚些时候实施的新一轮融资中,小米的估值达到了460亿美元左右,由此成为世界上最具价值的科技创业公司。雷军的付出也获得了回报,这位亿万富翁已成 为中国最有钱的人之一。但更为重要的是,小米恰恰是中国需要的那种具有颠覆力量的科技企业,因为中国经济正试图从低成本制造向其他模式转变。”
萨提亚·纳德拉
云存储服务商Box CEO阿隆·列维(Aaron Levie)在评语中写道:“萨提亚·纳德拉正带领微软再次走上铸就伟业的道路。数十年来,微软一直控制着软件行业,但随着移动技术和云技术的崛起,它的 这种影响力开始减弱。虽然是微软的长期员工,但纳德拉在担任CEO以后,却给这家公司带来一种新的、革命性的思维,先通过打造一批新平台来做到辞旧迎 新。”
“在短暂却影响深远的任期内,他致力于让微软从封闭走向开放,期间甚至还支持竞争对手的服务。在微软,改变曾经是最忌讳的一个字 眼,但正是一系列改变让微软扭转颓势:发布开源软件,支持iOS和Android平台,甚至在一些情况下免费提供Windows。在一些儿童题材电影中, 父母因故离家以后,孩子成了家的主人,纳德拉就像是这种电影中的主角,只不过是一个表现极为出色的主角。”
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。