今日刊

你知道費曼（Richard Feynman）常用來估算原子彈爆炸威力的「貝特-費曼公式」嗎？這條公式看似可靠，但原始推導過程卻存在不明顯的近似，甚至隱含一個矛盾。這篇研究發現，只要回到亞瑟·康普頓（Arthur H. Compton）1941年更早的方法，就能直接得到同樣的公式，所有矛盾也迎刃而解。

簡單來說：康普頓的舊方法就是費曼公式的另一種形式。這項發現不僅釐清了歷史疑點，也讓公式背後的物理直覺變得更加清晰易懂。

💡 所以呢？它讓我們更透徹理解早期核武設計的關鍵公式，讓深奧的物理變得親切可近。

看影片對AI來說很吃資源，但VideoChat3就像一個「輕功高手」——只用4B參數（約為其他模型十分之一）就能在理解力上超越更大模型。它的秘訣有兩個：一是全新3D視覺變壓器I3D-ViT，能像人一樣流暢感知影片中的動態；二是自適應幀率，只挑關鍵畫面處理，省力又精準。再加上三個高質量訓練集（共2M+樣本），讓它無論是短片還是長片都能應對。這項進展讓高效能影片AI不再只是大公司的專利，一般研究者也能複現與擴展。

就像收到一個包裹，你打開它（接觸），但不一定會被裡面的東西影響（感染）。傳統模型常假設接觸即感染，但新研究將「接觸」與「感染」分開，並引入「感染年齡」的概念——感染後經過的時間。這讓科學家能間接描述感染者體內的病毒量，以及不同病毒量下的感染機率。換句話說，你的感染風險不只取決於有沒有遇到病人，還取決於他正處於病程的哪個階段。這個模型能更精準預測傳播動態，幫助公共衛生單位對症下藥。

冥想就像調整收音機頻道。這篇論文用電腦模擬大腦如何在四種「吸引子」狀態間切換——也就是專注或分心的頻道。關鍵發現：後設覺察（你意識到自己分心的那個瞬間）就像點亮大腦全局工作空間的訊號，類似在暗房裡開燈。模型透過選擇「政策」（比如決定拉回注意力）來最小化心理能量消耗。這有什麼重要？它為你的主觀冥想體驗提供了客觀的大腦網路連結，未來可能幫助設計更有效的注意力訓練工具。

就像攝影師先用便宜鏡頭拍一張照片，再檢視照片與真實場景的差異來校正鏡頭，經濟學家開發出間接變分推論（IVI）：先接受變分推論（VI）這個『便宜鏡頭』，然後把VI本身當成輔助模型，矯正它自己產生的偏差。在薪資動態模型中，傳統VI會因近似後驗分佈的選擇而扭曲參數估計；IVI透過模擬校正這項偏誤，讓最終估計更可靠。研究指出，變分家族的選擇是關鍵，而IVI讓彈性較高的變分家族也能給出可靠結果。這意味著經濟學家終於能在大數據模型中使用快速但近似的方法，同時保有參數的精確度。

想像AI做完任務後自己寫檢討報告，提煉出「下次要怎麼做」的小撇步——這就是SEED。它讓模型分析自己完成的任務，自動產生自然語言技能，然後在後續決策時，比較有無技能提示的差異，把這個差異變成密集的學習訊號。由於技能分析師就是AI自己，這套機制會隨著AI成長而進化。這讓AI在稀疏獎勵的長程任務中，能自給自足地進步，特別適合多輪互動或工具使用等複雜場景。