模型觀點 · 本週 趨勢 （發表 07-20 前後）
本篇出自 2026年7月22日 晨報
Google DeepMind 研究副總裁 Raia Hadsell 在演講中主張：造出大語言模型的那套配方（大模型＋大資料＋自監督）同樣適用於世界模擬、機器人、生物、氣象，下一個十年的進展跑在這些系統上，跟把聊天機器人做更大關係不大(Air Street 轉述，07-20)。同週，AI 藥物發現公司 Xaira 的科學家從第一線潑了盆冷水：他們訓練「虛擬細胞」模型發現，模型表現早早卡住的原因不是模型太小，而是觀察性資料只描述不預測——只有做基因擾動實驗產生的因果資料才能解鎖繼續進步；若這條對，科學基礎模型的競爭是濕實驗室通量之爭，不是 GPU 之爭(Latent Space,07-20)。兩條都是單一來源的自家論點（DeepMind 推自家路線圖、Xaira 講自家押注），本報當一組張力保留：配方也許通用，但每個新領域的入場費可能是「能不能生產因果資料」。
只留 email，隨時退訂。這是我們唯一想請你做的事。
Stanford 的「平攤評測法」——用「從題目內容預測難度」壓低可靠評測的成本——今天完成定向查證,找到獨立第二證:ICML 2026 一篇論文用同路線做模型能力外推(scali…
Lambert 一年前的「美版 DeepSeek」宣言——2 年、1 到 5 億美元做出權重（模型訓練完的參數檔案）／數據／代碼全開放的前沿模型——本報完成定向查證:專案存在有媒體…
目前後訓練（模型練完基礎能力後、再教它怎麼答題的階段）的主力方法 RLVR（可驗證獎勵的強化學習：只在數學、程式這類有標準答案的任務上給模型獎勵）有個結構性盲點：它只優化「可以客觀…
SemiAnalysis 在同篇 AMD 實勘裡給出一組第一手工程觀察：2.5 名工程師配上 AI 編程代理，就能完成過去一整組人才做得完的新模型「發布日支援」：代理自動抓設定、跑…