今日刊

想象两张地图，明明指向同一地点，路线却互相矛盾。这正是Bethe-Feynman公式的处境——它被广泛用于估算简单裂变武器的爆炸当量，但公开推导中不仅使用了模糊的近似，还包含一个明显的矛盾。这篇论文一刀剪开乱麻：证明该公式实际上可以直接从Arthur H. Compton在1941年的更早期方法中提取出来，旧矛盾自然消失。

所以呢？ 这澄清了关键公式的物理基础，让核武器设计的底层逻辑更直观、更好懂。

想象一面哈哈镜，虽然成像快，但总把人照变形。经济学家常用变分推断（一种快速近似计算方法）来估计复杂收入模型，但它也会引入偏差。新研究提出间接变分推断（IVI）——把变分推断本身当作一个辅助模型，通过校准来纠正由近似带来的偏差。模拟和应用显示，灵活变分族配合IVI能得到可靠估计。这意味着，我们可以在享受计算效率的同时，不牺牲参数恢复的准确性。

想象一下，你用全班平均分代表每个学生的水平——高分班级就一定人人优秀？实际上，平均值掩盖了内部两极分化。这篇论文发现，用夜间灯光亮度预测经济活动时也存在类似“聚合偏差”：无论原始数据信噪比如何，聚合后的弹性系数都会被拉向1。这意味着，在富裕国家（内部灯光差异小）校准才可靠，而贫困国家因分布不均，卫星数据会系统性扭曲结果。所以，研究者用灯光数据做跨国比较时，必须考虑聚合问题，否则结论可能只是平均幻觉。

想象你花几周亲手造了个温度计，但更关键的是学会用它记录的数据发现气候规律。这正是哥伦比亚RACiMo项目的核心理念转变：约515名学生最初用Arduino和树莓派组装气象站（“与他人一起做”模式），后来换用商用仪器，重点从造传感器转向分析真实环境数据。如今网络覆盖5个市镇，学生成了用数据说话的小科学家。为什么重要？因为当社区自己理解数据，气候适应就变成了每个人的能力。

就像让一群专家辩论后写报告，结果还不如一个人直接写。一项针对44篇经济学期刊元分析的实验发现，作者们更偏爱单次生成的AI报告（评分高0.66和0.57个排名点），尽管多智能体辩论工具消耗了30倍以上的运算量。更关键的是，如果用AI评委打分，它会偏好复杂版本——这种偏好反转说明，用AI代替人类判断可能得出错误结论。复杂未必更好，AI评委不可轻信。