
比尔·盖茨延续了他一贯的传统,在自己的博客“盖茨笔记”(GatesNotes)中发布了他为2022年夏季精选的五本阅读书单。他自己也承认,这次的书单不容易啃,“对于夏日时光来说,显得有点硬核”。
未来生活永远不会像年轻人想象中那般美好。总之,这次没有什么轻娱乐读物。”
下面来看盖茨推荐的“今年暑假五本必读好书”:
Naomi Alderman
于2016年写下的这本科幻作品《The Power》。盖茨说,这本书是他的大女儿Jennifer推荐给他的。
为主题,一经出版就获得了包括《纽约时报》和前总统奥巴马在内的一致好评。
盖茨写道,“读了《The Power》,我对当今许多女性所经历的虐待和压迫有了更强烈、更发自内心的感受。我也向正在美国乃至世界各地致力于解决这些问题的人们表示感谢。”
著《为什么我们会两极分化》),作者Ezra Klein
而这本由Vox联合创始人兼政治分析家Klein撰写的《Why We’re Polarized》,正好以此为主题。
Klein的书从心理学的角度探讨了美国国内的政治分歧,认为人们以自我认同组织起的群体,正在左右他们决策乃至看待世界的方式。
盖茨写道,“如果想要了解美国当前的政治状况,这本书值得一看。”
著《林肯公路》),作者Amor Towles
在2019年的夏季书单中,盖茨就列出了这位作家的畅销书《A Gentleman in Moscow(译著〈莫斯科绅士)》,这次他表示自己对《The Lincoln Highway》的喜爱绝不逊于那本。
这本书出版于去年,是一本以1954年为背景的冒险小说,讲述的是一个过失少年与弟弟的越野之旅,途中却被两个越狱的囚犯打乱了计划。
盖茨评价道,“Towles从著名的英雄征程中汲取灵感,似乎在提醒我们,每个人的旅程都不会像计划中那般线性或可以预测。”
《The Ministry for the Future》(该书还没有中译本,暂译为《未来局》),作者Kim Stanley Robinson
它的背景设定在不久的未来,讲述某个虚构全球组织带头开展各种努力、对抗气候变化的故事。
盖茨一直以“气候变化活动家”自居,去年也在自己的书中提出了应对气候变化的潜在解决方案。值得注意的是,他认为Robinson的这部小说提供了“很多有趣的想法”,解释了气候变化背后的科学,并给出了“一个出人意料、又充满希望的结局”。
《How the World Really Works: The Science Behind How We Got Here and Where We’re Going》(该书还没有中译本,暂译为《世界是如何运作的》),作者:Vaclac Smil
盖茨毫不掩饰自己对于《How the World Really Works》的赞美,将其称为“我最喜欢的作家的又一部杰作”。
这本书的作者是捷克裔加拿大人Vaclac Smil,巴尼托巴大学环境科学系名誉教授。盖茨曾在2017年提到,他已经读过Smil当时已经出版的全部37本书,主题涵盖清洁能源、制造业、农业等等。盖茨坦言,他就像影迷们期待《星球大战》新作那样期待Smil的新书。
盖茨这次写道,虽然Smil的大多数书读起来像教材,但“这一本是写给普通读者的,概述了他本人的主要专业。”其中提到“能源如何塑造从农业社会、到现代工业时代的整个文明发展历程”。
Smil“将这一切归纳为数字”,希望“把数字思维这股塑造人类生活面貌的基本力量,通过简洁全面的方式传递给读者。”
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。