Fi11cnn实验室：超大规模、全免费科研平台，探索未知，共享创新资源！，现在真到了“劝退”计算机专业的时候吗？写在今年高考结束后中国科学院科学家首次证实：大语言模型能像人类一样“理解”事物长时间以来，中国一直都在一直在减持美国国债，原因在于地缘政治的动荡以及越来越严重的美国债务问题。
以下是关于 "Fi11cnn 实验室：超大规模、全免费科研平台，探索未知，共享创新资源" 的文章：
"随着科技的飞速发展，人工智能（AI）已成为人类社会的重要支柱。其中，深度学习技术作为AI领域的基石之一，在医疗、金融、教育等多个领域都取得了显著的进步和应用。虽然AI在许多方面都展现出了强大的潜力，但对于科学研究而言，其高昂的成本和时间投入往往是阻碍其大规模发展的瓶颈。位于中国上海的 Fi11cnn 实验室则以超大规模、全免费的科研平台，打破了这一障碍。
Fi11cnn 实验室由一批来自北京大学和复旦大学等国内外顶级高校的研究人员共同创建，致力于构建一个集科研、教学、人才培养于一体的超大规模 AI 研究平台。这座实验室拥有世界上最先进的深度学习和计算机视觉算法，能够处理和分析海量的数据，从中提取出有价值的信息和规律，为科技创新提供有力的支持。
该实验室的运行模式与众不同，它采用的是 “共享创新资源” 的理念。这意味着研究人员无需拥有一切硬件设施或专业知识，只需将自己手中的数据和想法上传至平台上，与其他研究人员进行交互，共享他们的研究成果。这种开放式的研究环境，极大地降低了研究人员的初期研发成本和风险，使得更多的科研机构和个人有机会参与到深度学习的前沿技术研发中来。
Fi11cnn 实验室还通过提供免费的技术支持和培训服务，鼓励研究人员积极参与到学术交流和项目合作中来，进一步推动了科研成果的共享和产业化进程。通过这种方式，该实验室不仅帮助科研工作者解决了一直困扰他们的问题——如何在一个有限的条件下高效地利用科研资源，也促进了不同学科之间的交叉融合，推动了人工智能领域的整体进步。
Fi11cnn 实验室的成功背后，离不开中国政府对于科技创新的大力支持与政策引导。在2019年，国家发布了《新一代人工智能发展规划》，明确提出要建设具有全球影响力的 AI 创新中心，并明确提出了包括“打造超大规模 AI 平台，推动重大科技成果商业化转化”的目标。这为 Fi11cnn 实验室的发展提供了强大的政策保障，使其能够在激烈的市场竞争中脱颖而出，成为引领未来 AI 发展的重要力量。
“Fi11cnn 实验室：超大规模、全免费科研平台，探索未知，共享创新资源”无疑是当前AI研究领域的一个重要里程碑。它的建立，不仅为中国的人工智能科技发展开辟了一条新的道路，也为全球范围内的科研机构和个人创造了共享创新资源的机会，开启了人工智能创新的时代新篇章。在未来，我们期待 Fi11cnn 实验室能继续发挥其巨大的作用，推动 AI 技术在更多领域的广泛应用，实现人机共生，共创智能未来的美好愿景。
又一年的高考即将结束，很快又要开始填志愿了。过去二十年，在国内教育领域存在一个久经考验的定律：学计算机是不会吃亏的。很多专业曾经成为热门专业，又都因为各种原因而衰落，但计算机一直持续坚挺。在互联网兴起之前，计算机毕业生可以进入IT外企获取高薪；在互联网兴起之后，则可以进入互联网大厂争取财务自由。计算机专业的光芒不仅照耀着中国，也照耀着美国——数以万计的留学生跑到美国之后会立即研究“转码”，即转到任何与计算机相关的专业，然后去硅谷当码农。
有人说：高考是普通人家的子女改变命运的最佳出路。我还要补充一句：学计算机专业是这条出路的最佳分岔路口，不但质量高，而且容量大——仅仅在互联网大厂及中厂工作过的码农，恐怕就有几十万乃至上百万之多。相比之下，经济、金融等专业的金字塔尖虽然很高，但是金字塔的总体规模有限，容纳效率不高。
然而，现在情况似乎发生着微妙的变化。今年以来，至少有两位朋友明确告诉我：生成式AI已经从根本上改变了计算机编程人才的供需结构。其中一位（上市公司管理层）表示，自从AI大规模应用以来，公司的技术团队缩减了一半以上，其中前端开发团队缩减尤其明显。另一位则说的更直白：“如果30美元每月的GPT Pro就能完成基础的编程任务，为什么还要花每月5000美元去雇佣程序员？”
在ChatGPT横空出世之初，曾有人沾沾自喜地宣称，“AI只颠覆文科、不颠覆理科”——现在看来是彻头彻尾的笑话，AI是文科理科都颠覆，一视同仁。上文提到过，计算机专业（以及软件工程等相关专业）在过去二十年贡献了巨大的就业，而且是平均薪资很高的就业；所以它受到AI的冲击也就尤其严重。
有意思的是，过去两三年，应届毕业生和入门级程序员似乎受到冲击较轻，甚至得到了一定的“机遇”。这是怎么回事呢？简而言之，企业往往会倾向于先裁掉“中层程序员”：有五六年工作经验的人，薪资水涨船高，并且不再乐意拼命加班；把他们裁掉，用新人代替，可以节约一大笔成本。AI的广泛应用，让企业有了这样做的“底气”，从而在一定程度上加快了程序员的“新陈代谢”。
通过这种方式得到“机会”的新人，同样会在五六年甚至三四年后得到同样的下场。生成式AI把程序员的“失业年龄”从35岁提前到了29岁，今后或许还会提前更多。按照这个势头发展下去，今年入学读计算机专业的人，四年后毕业的时候，将会面临前所未有的险恶的职业发展环境。
这在美国其实也是进行时。根据纽约联储刚刚发布的数据，全美计算机工程和计算机科学专业毕业生的失业率已经分别上升到7.5%和6.1%，分别排名第三和第七名。当然，最近一年是硅谷大厂的人员紧缩期，上述失业率带有一定的周期性因素；可是我相信，生成式AI仍然扮演了十分重要的角色，其结构性影响是不可磨灭的。
对于那些熟练掌握了生成式AI工具的人来说，“懂一点编程”变得越来越重要了，而“执行编程”变得越来越不重要了。我的一位朋友（注：其本职工作与编程完全无关）是AI编程的狂热爱好者，尝试过市面上所有主流的大模型辅助编程，并且做出过一些颇具水平的开源应用。他依靠的几乎完全是多年前大学期间积累的程序设计知识，以及在互联网社区随时获得的知识补充。他不止一次告诉我：“关键是能够看懂程序，并且理解程序设计的理念。程序设计的基础知识还是重要的，熟练度却已经完全不重要了。”
从人类社会的宏观角度讲，编程的意义更加重要了，今后或许任何人都能在AI Agent的协助下设计程序解决日常问题。但是从就业角度讲，职业程序员的地位受到了严重动摇。除了最富有天才和独创性的一小撮人，大部分中基层填充者的命运大概都不会太好——这不仅仅是计算机一个专业的命运，也是其他大部分专业的命运！
IT之家 6 月 11 日消息，IT之家从中国科学院自动化研究所微信公众号获悉，近日该所神经计算与脑机交互（NeuBCI）课题组与中国科学院脑科学与智能技术卓越创新中心的联合团队结合行为实验与神经影像分析，首次证实多模态大语言模型（MLLMs）能够自发形成与人类高度相似的物体概念表征系统。这项研究不仅为人工智能认知科学开辟了新路径，更为构建类人认知结构的人工智能系统提供了理论框架。相关研究成果以 Human-like object concept representations emerge naturally in multimodal large language models 为题，发表于《自然・机器智能》（Nature Machine Intelligence）。
人类能够对自然界中的物体进行概念化，这一认知能力长期以来被视为人类智能的核心。当我们看到“狗”“汽车”或“苹果”时，不仅能识别它们的物理特征（尺寸、颜色、形状等），还能理解其功能、情感价值和文化意义 —— 这种多维度的概念表征构成了人类认知的基石。
传统人工智能研究聚焦于物体识别准确率，却鲜少探讨模型是否真正“理解”物体含义。论文通讯作者何晖光研究员指出：“当前 AI 能区分猫狗图片，但这种‘识别’与人类‘理解’猫狗的本质区别仍有待揭示。”团队从认知神经科学经典理论出发，设计了一套融合计算建模、行为实验与脑科学的创新范式。研究采用认知心理学经典的“三选一异类识别任务”（triplet odd-one-out），要求大模型与人类从物体概念三元组（来自 1854 种日常概念的任意组合）中选出最不相似的选项。通过分析 470 万次行为判断数据，团队首次构建了 AI 大模型的“概念地图”。
实验范式示意图。a，物体概念集及带有语言描述的图像示例。b-d，分别针对 LLM、MLLM 和人类的行为实验范式和概念嵌入空间。
研究人员从海量大模型行为数据中提取出 66 个“心智维度”，并为这些维度赋予了语义标签。研究发现，这些维度是高度可解释的，且与大脑类别选择区域（如处理面孔的 FFA、处理场景的 PPA、处理躯体的 EBA）的神经活动模式显著相关。