AI TrendTrackers

2024年诺贝尔化学奖颁发给了Demis Hassabis、John Jumper和David Baker，以表彰他们利用机器学习解决生物学中最大的难题之一——预测蛋白质的3D结构并从头设计蛋白质。这次获奖的研究起源于科技公司DeepMind，这是一个不同寻常的现象，因为以往大多数化学诺奖获得者来自学术界。 今年的物理学和化学奖有一个有趣的联系：物理学奖表彰了机器学习的基础理论，而化学奖则表彰了应用机器学习破解蛋白质折叠难题。2024年诺贝尔奖强调了人工智能在当今科学中的重要性，以及跨学科合作对取得突破性成果的关键作用。 蛋白质折叠难题 蛋白质是生命的分子机器，它们的3D结构决定了其功能。1972年，Christian Anfinsen因揭示蛋白质的氨基酸序列决定其形状而获得诺贝尔化学奖。然而，预测蛋白质形状一直是科学界未解的难题，尤其是基于其氨基酸序列来推测其折叠成的最终结构。 机器学习的突破 随着DeepMind成立，Demis Hassabis及其团队将AlphaZero等AI技术的成功应用于蛋白质折叠问题，开发出AlphaFold2。该AI可以根据氨基酸序列精确预测蛋白质的3D结构。这一突破不仅解决了长期困扰生物学的难题，还为药物开发和疾病治疗提供了新的可能性。 AlphaFold已经预测了超过2亿种蛋白质的结构，并免费提供给全球科学家使用，加速了生物学、医学和药物研发的进展。 设计新蛋白质抗击疾病 预测蛋白质的形状对设计新药物至关重要。2024年，DeepMind发布了AlphaFold3，不仅能预测蛋白质结构，还能识别小分子药物的结合位点，进一步推动精准药物设计的发展。 与此同时，David Baker及其团队利用AI创造了全新的蛋白质，包括发光酶，展示了机器学习在设计自然界无法进化的功能性蛋白质方面的潜力。 AI推动科学的未来 Hassabis、Jumper和Baker的成就表明，机器学习已经成为生物学和医学的核心工具。通过破解蛋白质折叠难题，他们为药物发现、个性化医疗以及生命化学的深入理解开启了新的篇章。

在2024年第三季度，AI领域的风头依然强劲，风险投资者对这类公司热情不减。根据Crunchbase的数据，AI公司在第三季度总共筹集了189亿美元，占据了整个风投市场的28%。其中，OpenAI的66亿美元融资成为历史上最大的一笔风投交易，2024年也见证了六起超过10亿美元的AI融资事件。 以下是2024年筹集了超过1亿美元融资的美国AI公司： 10月 9月 8月 7月 这些公司反映了AI领域的广泛创新，从法律科技到编程平台，再到芯片开发和电子邮件安全，AI正在持续推动各个行业的变革。

Anthropic的CEO达里奥·阿莫迪（Dario Amodei）最近发表了一篇长达1.5万字的博客文章，旨在传达他对AI未来的乐观展望，尽管他坚称自己并不是一个AI“末日论者”。在这篇文章中，阿莫迪描绘了一个AI技术已经彻底改变世界、风险得到控制、社会繁荣并走向前所未有的丰裕的未来。 阿莫迪对“强大的AI”持非常乐观的态度，预测这种AI最早可能在2026年问世。他所说的“强大AI”不仅比诺贝尔奖得主在生物学、工程学等领域更聪明，还可以解决未解的数学难题、写出“非常优秀的小说”，甚至控制任何想象中的软件或硬件，从工业机器到实验室设备，都在它的掌控范围内。 尽管他承认AI技术的局限性，当前的AI更多是在重复数据模式，而非真正“思考”，但阿莫迪相信，这些问题将很快得到解决。他设想的未来AI可以治疗几乎所有的传染病、消除癌症、治疗基因缺陷，并阻止阿尔茨海默症的早期发展。他甚至预测，未来5到10年内，AI会帮助治愈PTSD、抑郁症、精神分裂症和成瘾等心理疾病，并有可能通过基因筛查预防这些疾病。他还大胆宣称，AI将使人类的平均寿命达到150岁。 然而，阿莫迪的预测在很多方面似乎过于乐观。AI尚未在医学领域带来根本性变革，而他提到的生物医学突破距离现实仍有很长的路要走。即使AI能够帮助减少研发新药的成本和时间，这些药物在临床试验阶段依然可能失败。更不用说，当前的AI在医疗领域还存在诸多偏见和风险，实际应用起来困难重重。 阿莫迪对AI潜力的乐观态度并未止步于医学领域。他相信AI可以解决全球饥饿问题、扭转气候变化，并在5到10年内将撒哈拉以南非洲的人均GDP提高到中国目前的水平。然而，这些说法很容易让人联想到“奇点”（Singularity）运动的追随者们的论调，尽管阿莫迪也承认这些变化需要全球健康、慈善和政治倡导方面的巨大努力。 他在文章中也提到了AI对社会可能带来的负面影响，比如经济结构的重组，以及可能产生的不平等问题。然而，阿莫迪并没有给出具体的解决方案，而是淡化了AI取代人类工作带来的经济冲击。他认为，即使AI能更好地完成某些任务，人们依然会追求成就感和竞争，比如参与研究、创业或追求演员梦。 总结来看，阿莫迪的文章虽然充满了对未来AI的美好想象，但忽视了当前AI面临的许多现实问题和挑战。尤其是在环境影响、财富不平等以及AI偏见等方面，乐观的预测并没有充分考虑AI技术可能带来的复杂后果。有人可能会质疑这篇文章发布的时机，因为有消息称Anthropic正处于筹集数十亿美元风险投资的关键阶段，类似的情况也曾发生在OpenAI CEO Sam Altman发布乐观宣言后。因此，阿莫迪这篇文章或许不仅仅是对未来的展望，背后也可能有商业动机。

尽管日本的初创企业领域规模庞大，但在独角兽数量和风险投资规模上，相较于美国、中国和英国，仍显得相对落后。多年来，日本的老龄化问题、经济通缩以及上班族偏向传统大公司的文化，使得创业生活对许多人来说并不具吸引力。 根据国际货币基金组织（IMF）最新发布的报告，引用了CB Insights的数据，截至2023年10月，美国约有661家独角兽公司，中国有172家，英国52家，而日本只有区区7家（PitchBook的数据显示为9家，说明日本的独角兽实际数量可能略高于某些数据集的统计）。 但事情正在有所好转。越来越多的年轻毕业生正在打破传统，选择自主创业，而不是在现有的企业系统中打拼。日本政府也在努力重新吸引人们对本土初创企业的兴趣。 例如，政府在2022年启动的“五年创业发展计划”旨在到2027年创建10万家初创企业，并培育100家独角兽。该计划通过推广孵化器、加强风险基金投资、多元化退出渠道等方式推动初创生态的发展。东京政府今年还推出了“东京创新基地”，为创业者提供共享工作空间、举办网络活动和路演比赛。此外，还有“创业签证”政策，方便风险投资公司、初创企业和加速器在日本落地，并为天使投资人提供特别税收制度。目前日本约有130家加速器，考虑到市场规模，这个数字还算可观。 然而，尽管有这些优势，日本的大部分风险投资仍来自国外。IMF的报告显示，从2010年到2023年，美国投资者占日本初创企业投资的50%，英国占10%，而日本本土投资者只占5%。 例如，Bessemer Venture Partners最近首次投资了一家日本初创企业Dinii，这是一家食品配送公司。Bessemer的Bryan Wu表示，他们曾是美国Toast的主要投资者，并帮助其成长为130亿美元的公司，而他们在Dinii身上看到了类似的成功潜力。 日本的初创企业通常比其他国家的企业更早上市，往往在仅仅几轮融资后就选择IPO，部分原因是东京证券交易所的上市规则相对宽松。因此，预计以下日本独角兽可能会很快上市。 以下是几家值得关注的日本独角兽企业： Spiber融资总额：6.53亿美元最新一轮融资：2024年4月融资6500万美元主要投资者：Baillie Gifford、富达投资、Goldwin、神西漆料等 Spiber的环保生物材料迅速吸引了投资者和客户的关注，广泛应用于时尚、美容和汽车行业。该公司今年4月筹集了6500万美元，计划扩大“酿造蛋白”材料的生产。 SmartNews融资总额：4.79亿美元最新一轮融资：2024年1月的6930万美元主要投资者：Atomico、亚洲资本联盟、日本邮政资本等 SmartNews是一个新闻聚合平台，虽然曾在2021年达到20亿美元的估值，但近年来用户活跃度下降明显。 SmartHR融资总额：3.62亿美元最新一轮融资：2024年6月的1.4亿美元主要投资者：Beenext、KKR、加拿大教师退休基金等 SmartHR提供企业人力资源管理SaaS平台，近年需求强劲，年经常性收入（ARR）在2024年达到1亿美元。 Sakana AI融资总额：3.44亿美元最新一轮融资：2023年9月的2.14亿美元主要投资者：大和生命、富士通、全球大脑等 Sakana AI由前谷歌AI工程师创立，专注于低成本生成式AI模型的训练，吸引了众多关注，尤其是在日本对AI的需求日益增长的背景下。 Preferred Networks融资总额：1.52亿美元最新一轮融资：2018年的810万美元主要投资者：Chugai Pharma、FANUC、丰田等 Preferred Networks专注于为AI设计半导体，并开发深度学习和机器学习模型，应用于机器人、药物发现、自动驾驶等领域。 OPN融资总额：2.22亿美元最新一轮融资：2022年5月的1.2亿美元主要投资者：JIC、MUFG、住友三井银行等 OPN是一家金融科技公司，主要提供移动支付和虚拟卡等服务，客户包括丰田和泰国多家公司。

为高管职位选择合适的候选人是组织中最具影响力的决策之一。然而，尽管企业在评估候选人是否胜任时，通常会使用尽职调查的常用工具，其预测能力却和星座占卜的可靠性差不多。企业在招聘方面一再犯错，但却很少反思其方法。尽管在候选人评估的公平性、有效性和可靠性方面有所进步，这些改进却并未有效预测出卓越的工作表现。 每一次的招聘决策都是一种预测，但在选拔领导者时，企业却往往犯下一些可以轻易避免的错误。以下是七个常见的失误： 1. 招聘决策靠运气 一位即将退休的CEO曾与我们分享过他的经验。他的公司依靠有效的产品组合和有限的竞争取得了成功。然而，最近一些新兴竞争对手占据了市场的一部分，公司不得不开始学会攻守兼备。公司急需一位灵活的领导者来应对新局面，但这类人才极为稀缺。CEO自以为很清楚自己想要的，“我只需要一个有力的握手，当我看到对方眼中的坚定时，我就知道合适了！”他这样说道。但一年内，他已经因为职位不适而辞退了两位他曾青睐的CFO候选人。当被问及原因时，他解释说，“他们不胜任这个职位”，尽管这两人都有“有力的握手”和令人印象深刻的表现。这种用直觉做决策的行为在企业中屡见不鲜。 这种极端的例子引发了对自己公司招聘方式的思考：有多少人是因为在面试中“征服”了面试官而被聘用的？面试中有哪些固有的偏见妨碍了客观性？ 2. 面对面面试偏爱讨人喜欢的人 企业招聘效率的最大障碍是过度依赖面对面面试，而几乎每家公司都在这么做。面试的有效性取决于其是否有明确的方向、合理的评估标准和有效的提问方式。面试中，候选人的讨人喜欢往往会对他们的评价产生不成比例的影响，然而这种吸引力与他们的实际工作表现无关。如果面对面面试是公司选拔过程中的关键环节，那么不难理解为何公司的员工看起来像是面试官的“朋友”。一个缺乏多样性的公司，只有在认识到其团队的构成反映了面试官所偏好的群体时，才可能在公平代表性方面取得进展。那些真正有能力的人如果无法与面试官融洽相处，将很难被选为领导者。 3. 无结构化面试有效性差 当面试缺乏正式的流程和统一的评价标准时，其弊端尤为突出。每位候选人的面试体验都可能截然不同，因为面试官会随意抛出一些他们认为有助于了解候选人的问题，但这些问题的答案并不能预测候选人的未来表现。即使某些公司试图为面试过程设置结构化模板，这些模板往往也面临两大难题。首先，通常没有权威研究探讨不同回答的预测效果；其次，面试官在解读候选人回答时会引入个人偏见。不同的面试官对同样的回答可能会有不同的解读，从而导致判断失误。 4. 企业误导候选人并损害品牌形象 面对面面试可能会在无意中让一些不太可能被录用的候选人产生希望。为了使候选人在招聘过程中感到被重视，面试往往变成了一场友好、肯定的对话。如果没有设定明确的期望，这可能会误导候选人。这样的处理方式不仅对候选人有害，也会损害公司的招聘品牌。一些公司没有认真对待招聘结果的处理，特别是对那些未成功的候选人。如果在拒绝候选人时处理不当，公司无疑是在逐步削弱其未来的招聘努力。 5. 360度评估主观性强，可能带有偏见 360度评估要求同事、直接下属、工作伙伴或上级对领导者进行一系列特定特质的评分。然而，研究表明，人们在评价他人时会表现出明显的缺陷和偏见，这些偏见不仅无法通过汇总纠正，还会加剧多样性挑战，导致对女性和少数族裔的不公正评估。此外，对于高管而言，360度评估还可能泄露求职意图，从而影响他们的职业安全。 6. 传统猎头公司存在利益冲突 传统猎头公司在员工选拔中扮演着重要角色，尤其是在高管层面。许多猎头公司不仅负责候选人筛选，还进行内部评估并向客户提供建议。然而，这种模式存在一个严重的利益冲突。猎头公司往往为了快速推荐候选人、拿到佣金，然后迅速投入下一个任务中，这使得他们倾向于推销已经在名单上的候选人，而非更合适的新人选。 7. 保密的推荐信不可靠 许多失败的高管在入职前都获得过“美好的推荐”，那么为何他们最终未能胜任？原因很简单：人们并不擅长评估他人，即便是对熟悉的人也是如此。推荐人所提供的反馈通常基于特定环境中的表现，这种表现未必能转化为新公司中的成功。实际上，研究显示推荐信的有效性还不到结构化面试的一半。 解决上述问题需要企业审视自身的招聘流程。许多公司在招聘过程中使用的标准大多是主观的，且没有跟踪其有效性。这导致了与随机挑选无异的结果。 任何公司都可以改进其招聘流程，提高预测能力。有效的选拔过程核心在于通过验证的评估，帮助识别最适合岗位的人才。

特斯拉备受期待的无人驾驶出租车Robotaxi终于揭开面纱。 在周四晚间的“We, Robot”发布会上，埃隆·马斯克展示了特斯拉即将推出的自动驾驶出租车。这场发布会在加州伯班克华纳兄弟探索电影制片厂的一个场地举行，这个地点让特斯拉得以展示其自动驾驶能力，同时避免了交通带来的突发情况。 马斯克步入会场后登上了一辆造型时尚的银色Robotaxi，这款两门汽车的车门采用了向上开启的蝴蝶门设计。这辆Robotaxi，也被称为Cybercab，带着马斯克绕场地兜了一圈，然后他才下车正式开始活动。 马斯克表示，这款Robotaxi没有方向盘和踏板，也不需要插电充电。取而代之的是，这辆电动汽车依靠感应充电技术，只需驶入充电板上方即可充电。据他透露，特斯拉目前已有至少20辆Cybercab，而此次活动上共有50辆完全自动驾驶的车辆，其中一些已经无人驾驶地在场地内行驶。 他还提到，明年特斯拉将在加州和德州的道路上推出无需监督的完全自动驾驶汽车，包括Model 3和Model Y，而Cybercab则计划在2027年前投入生产。不过，马斯克自己也坦言，他的时间表往往过于乐观，特斯拉的产品发布经常比预期晚。 Cybercab还会对外销售，预计价格低于3万美元。特斯拉还在社交平台X的帖子中透露，Robotaxi服务将免收司机费用，完全自驾的车辆将仅依赖摄像头，而非雷达或激光雷达设备。此外，用户只需叫一次车，就可以无限次使用，无论是短途出行还是全天使用。 不过，马斯克没有分享关于Robotaxi背后技术或安全功能的太多细节。过去，特斯拉的驾驶辅助系统安全性曾引发争议，美国国家公路交通安全管理局的最新报告显示，正在调查数百起涉及Autopilot的车祸，其中29起导致死亡。 在发布会上，特斯拉还展示了一款名为Robovan的大型客车，最多可容纳20人乘坐。同时，马斯克还介绍了人形机器人Optimus，并称其大规模生产后预计售价在2万到3万美元之间，但未透露具体的上市时间。 发布会最后，几台Optimus机器人在灯光秀的伴随下跳起了舞。据马斯克透露，发布会现场布置成了一个“未来世界”，场地分为“TSLA剧场”“纽约”“大都会”和“西部世界”等区域，活动中还有德州烧烤、街头表演和街机游戏等娱乐项目。 此次活动吸引了大量观众，通过X平台进行的直播在某一时刻的观看人数超过了300万。不过，发布会比原定时间晚了将近一小时开始，马斯克解释说，这是因为现场观众中有人突发医疗状况。 Robotaxi的推出对特斯拉来说是一个重要里程碑，尽管此前多次推迟发布。今年8月，原本计划的发布被延期，马斯克在X上发文称，这是因为车辆前部设计进行了“重要更改”，他还表示额外的时间可以让公司“展示更多新东西”。 马斯克一直强调实现完全自动驾驶对特斯拉未来发展的重要性。他曾多次预测自动驾驶技术的落地时间，尽管这些时间表不断推迟，从2017年的洛杉矶到纽约无人驾驶之旅，到2019年宣称2020年将有100万辆Robotaxi上路，再到2023年的预期，但特斯拉的自动驾驶技术依然面临不少挑战和监管审查。 虽然特斯拉的现有车辆具备二级自动驾驶能力，但谷歌旗下的Waymo已经达到了四级自动驾驶技术，在美国部分城市可以实现无人驾驶。一些分析人士预计，真正的全自动Robotaxi还需要几年的时间，特斯拉接下来需要克服的主要障碍是监管部门的审批。

在10月10日晚间的“We, Robot”发布会上，埃隆·马斯克将展示备受期待的自动驾驶出租车原型，这次展示对于特斯拉来说至关重要。马斯克一直以来都在承诺自动驾驶技术即将到来，这次发布会被认为是兑现这一承诺的关键时刻。特斯拉将揭示一款专为自动驾驶设计的“Cybercab”自动驾驶出租车，目标是开启一个新交通时代，让无人驾驶的特斯拉为车主在睡觉或上班时赚钱。 自动驾驶出租车“Cybercab” 此次活动的亮点是特斯拉的自动驾驶出租车Cybercab，这款车预计与特斯拉现有的车型有所不同，不需要人类司机进行操作。特斯拉的自动驾驶技术主要依赖摄像头和计算能力来导航，与通用汽车的Cruise和Waymo等竞争对手不同，后者还依赖于激光雷达（Lidar）。马斯克一直认为激光雷达成本高昂且不必要。 设计和技术 虽然Cybercab的最终设计仍未公开，但有消息称这款车将配备两个前座和向上开启的“蝴蝶门”。此外，外界还猜测特斯拉可能会同时展示另一款新车型，例如可以载十几人的自动驾驶货车或用于配送的自动驾驶车辆。 为了实现完全自动驾驶，特斯拉需要在人工智能领域取得重大突破。目前，成千上万的特斯拉车主已为所谓的“全自动驾驶”（FSD）功能支付了高额费用，但这些驾驶辅助功能依然需要驾驶员的监控，并不能实现真正的自动驾驶。马斯克预计还会在发布会上谈及FSD技术在特斯拉Semi卡车上的应用前景，但不会展示Semi的FSD功能。 监管挑战 即使特斯拉在技术上取得成功，仍需要获得监管部门的批准才能推出自动驾驶出租车服务。目前，特斯拉选择在华纳兄弟片场的非公共道路上举办发布会，而在加州提供自动驾驶商业乘客服务需要申请部署许可，而特斯拉尚未申请。相比之下，Waymo和Cruise等竞争对手在这方面已走在前面。 商业模式 马斯克描绘的自动驾驶出租车服务类似于Uber和Airbnb的结合体：特斯拉车主可以在不用车的时候将车辆加入特斯拉的出租车队伍，这些私家车将与专为自动驾驶设计的出租车一起服务，以满足市场需求。 人形机器人Optimus 发布会的名字“We, Robot”暗示，马斯克可能会在活动中更新关于人形机器人Optimus的最新进展。他此前表示，Optimus将在明年开始小批量生产。 更便宜的车型 尽管外界对自动驾驶出租车的期待很高，特斯拉当前面临更紧迫的问题——可能会首次出现年度销量下滑。在第三季度，特斯拉共交付了接近46.3万辆汽车，未能达到分析师预期。此外，对于此前在4月提到的更廉价车型，特斯拉并没有进一步说明，只表示这些车型将在现有生产线上制造，可能是Model 3或Model Y的低价版本。 此次发布会对于特斯拉至关重要，不仅是展示新技术的机会，也是证明其自动驾驶愿景可行性的关键时刻。如果未能展示令人信服的自动驾驶原型，可能会引发投资者的质疑。

在2019年，谷歌首次宣布实现了“量子霸权”，即量子计算机能够执行传统计算机在合理时间内无法完成的操作。然而，这一说法引发了争议，因为当时的操作主要是一个基准测试，用于让量子计算机表现出其量子特性，而改进后的超级计算机模拟方法大幅减少了所需的模拟时间。如今，谷歌带着新的研究成果回归，通过一篇发表在《自然》杂志上的论文，展示了最新的基准测试结果，并探讨了其量子处理器性能的“相变”现象，以及如何在低噪声环境中运行。 量子随机电路和交叉熵基准测试 这次研究的基准测试涉及量子随机电路的性能。这类电路的操作涉及对量子比特进行一系列操作，让系统状态随时间演变，使输出结果高度依赖于量子力学的随机性。随着量子比特数量的增加，在经典硬件上模拟量子随机电路的难度也随之增加，这正是谷歌最初提出量子霸权的依据。 然而，运行量子随机电路时不可避免地会出现错误。交叉熵基准测试是一种评估量子硬件整体保真度（即执行无误操作的能力）的方法，它与量子随机电路的性能密切相关。谷歌首席科学家Sergio Boixo将量子随机电路的运行比作一场竞赛，一方面是量子纠缠的快速扩展，另一方面是噪声对纠缠的破坏。 探索低噪声环境和相变点 谷歌的研究重点在于使用交叉熵基准测试来探讨最新一代Sycamore芯片的错误情况，并确定从“错误占主导”状态到“低噪声状态”之间的过渡点。通过数值估算和实验，研究人员发现这一过渡点与每个操作周期中的错误率有关，而参与操作的量子比特数量也会影响这一点的位置。要想在低噪声环境下运行，就需要限制量子比特的数量，或者降低整体错误率。 在低噪声环境中，虽然每个操作仍有可能出错，量子比特也可能无故失去状态，但这些错误率可以通过交叉熵基准测试来估计。不过，当超出过渡点时，错误会迅速干扰纠缠过程，导致纠缠系统分裂为多个小系统。谷歌的研究模拟了这种情况，并证明经典计算机可以通过将计算分解为多个可管理的部分来模仿这种行为。 最终，研究人员利用对相变的表征，确定了在Sycamore芯片的基本错误率下，最多能在低噪声环境中保持的量子比特数量，并执行了上百万次随机电路操作。尽管在量子硬件上这相对容易，但即使使用最先进的超级计算机进行模拟，仍需要约一万年的时间。通过优化存储器使用，这一估计时间才被缩短至12年。 研究的意义 Boixo强调，这项工作的价值不在于随机量子电路的实际用途，而在于更好地理解量子算法所能容忍的噪声水平。该基准测试旨在让量子计算机尽可能容易地超越经典计算。因此，如果在这个基准测试上无法胜出，就不可能在更复杂的问题上获胜。谷歌还表示，确定相变点可以帮助寻找在低噪声相位内运行的应用，这些应用有望在噪声较大的量子计算机上超越经典计算机。 这也解释了为什么谷歌专注于改进单一处理器设计，而其他竞争对手则快速增加量子比特数量。如果基准测试表明，Sycamore处理器无法在最简单的低噪声计算中同时利用所有量子比特，那么增加比特数量的价值可能有限，唯一的解决办法就是降低处理器的基础错误率。 谷歌目前正致力于降低错误率，并探索通过纠错逻辑量子比特来克服这些限制。这项研究为未来的量子计算应用提供了新的视角和技术路径，期待后续的进展能带来更大的突破。

在Meta，React和React Native不仅仅是开发工具，而是推动产品开发和创新的核心技术。每个月有超过五千名员工使用这些技术来构建产品和体验，这些技术已经深深融入Meta的工程文化，并使公司能够快速开发和发布高质量的产品。在Meta Connect 2024上，不少项目展示了这些技术的威力，以下就是一些产品团队的开发故事。 Instagram和Facebook在Meta Quest上的重生 在Meta Connect大会上，马克·扎克伯格宣布Instagram和Facebook已经为混合现实（MR）平台Meta Quest重建，旨在将旗舰社交体验带到这款头戴设备上，让用户可以与好友保持联系并观看Stories和Reels，同时展现MR带来的新可能性。要为Meta Quest从零开始构建这些社交应用，团队必须充分利用平台的功能，并确保高质量标准。团队面临的第一个问题是：是重用现有的安卓应用、编写新的安卓原生应用，还是用React Native重新开发？为了提供符合Meta Quest独特特性的用户体验，我们选择了React Native，因为它能够快速迭代开发，提供强大的动画能力，良好的性能，并且是支持大部分Meta Quest 2D系统应用的共享平台。 对于Instagram的新应用，React Native让团队能够打造出丰富的动画效果和独特的交互体验。例如，视频帖子可以从动态消息无缝过渡到全屏视图，并可在不丢帧的情况下与评论并排显示；还支持通过手柄摇杆滑动浏览照片堆叠，或用手势操作。此外，互动元素还引入了随手柄动作平滑跟随的悬停动画。 在开发Facebook for Meta Quest时，团队利用了Facebook.com桌面版成熟的代码和基础设施，通过共享代码技术重用一些复杂的功能，如动态消息和评论。这些技术包括Meta的开源项目，如StyleX和React Strict DOM。这种代码共享大大减少了重复业务逻辑的时间，使团队能够专注于Meta Quest的特定交互和体验开发。 全新的Meta Horizon移动应用 今年，Meta还推出了焕然一新的Meta Horizon移动应用，让用户在头显内外都能更轻松地社交和表达自己。新增了一个专属标签，用于个性化定制虚拟形象，用户还可以通过手机访问Horizon Worlds并完成任务，解锁独家虚拟形象样式、物品和表情。 在性能方面，Meta的团队通常以Facebook Marketplace作为React Native的性能基准。然而，Meta Horizon作为一个独立应用，其冷启动时React Native即会初始化，而Facebook应用则是在首次访问React Native界面时才进行初始化。尽管如此，Meta Horizon团队的性能优化成果超出了预期，达到了Meta移动社交应用的水平。 Meta Horizon商店的更新 Meta Horizon商店现已开放，所有开发者都可以发布应用，包括2D应用。为了支持这一变化，团队对商店进行了重大改进，如增加更多分类、更好的应用排名和分类，以及新增“抢先体验”版块。由于商店需要在Android、iOS、Horizon OS和Web四个平台保持功能一致，React和React Native的使用使得团队可以更快地推出新功能和实验，并节省了人力。 Meta Spatial Editor的开发 Meta推出了Meta Spatial SDK和Meta Spatial Editor，帮助移动开发者使用熟悉的Android编程语言、库和工具为Meta Horizon OS创建沉浸式体验。Meta Spatial Editor是一款全新的桌面应用，支持用户导入、组织和变换资源，并通过glTF标准将其导出到Meta Spatial…

2024年诺贝尔化学奖的一半授予了谷歌DeepMind的联合创始人兼首席执行官德米斯·哈萨比斯和公司总监约翰·M·朱姆珀，以表彰他们在利用人工智能预测蛋白质结构方面的研究成果。另一半奖项则授予华盛顿大学生物化学教授大卫·贝克，以表彰他在计算蛋白质设计领域的贡献。三位获奖者将分享1100万瑞典克朗（约合100万美元）的奖金。 这一研究的潜在影响巨大。蛋白质是生命的基础，但要了解其功能，需要破解其结构，这是一个复杂且耗时的难题，以往往需数月甚至数年才能解决。如今，由今年获奖者开发的计算工具大大缩短了预测蛋白质结构的时间，帮助科学家更好地理解蛋白质的工作原理，并为研究和药物开发开辟了新的途径。这项技术可能推动更高效的疫苗研发，加速癌症治疗研究，甚至催生全新的材料。 哈萨比斯和朱姆珀开发的AlphaFold于2020年解决了科学家们数十年来的难题：如何从氨基酸序列预测蛋白质的三维结构。自那以来，该AI工具已被用于预测所有已知蛋白质的形状。其最新版本AlphaFold 3不仅可以预测蛋白质的结构，还能预测DNA、RNA和配体等分子的结构，这对药物研发至关重要。DeepMind还将其成果的源代码和数据库免费向全球科学家开放。 哈萨比斯表示：“我致力于AI领域的研究，是因为它具有无与伦比的潜力，可以改善数十亿人的生活。AlphaFold已经被超过两百万名研究人员用于推进关键研究，从酶设计到药物发现。我希望将来人们回顾AlphaFold时，会将其视为AI加速科学发现的首个实例。” 大卫·贝克则通过开发多个AI工具来设计和预测蛋白质结构，例如著名的Rosetta程序系列。他的实验室在2022年开发了一款名为ProteinMPNN的开源AI工具，帮助研究人员发现未知蛋白质并设计全新的蛋白质。该工具能辅助科学家根据目标蛋白质结构，寻找可折叠成该形状的氨基酸序列。 最近，贝克的实验室在9月底宣布，他们成功开发出定制分子，能够精准地在活细胞中靶向和消除与疾病相关的蛋白质。 贝克曾在2022年接受《麻省理工科技评论》采访时表示：“蛋白质在进化过程中不断优化，以解决生物体面临的各种问题。但今天我们面临的新问题，如新冠疫情，如果我们能够设计出能像进化过程中产生的蛋白质那样有效解决新问题的蛋白质，那将具有非常强大的潜力。” 此次诺贝尔奖的颁发不仅再次彰显了AI在推动科学研究中的巨大作用，也预示着计算工具在生物学和医学领域的广泛应用前景。