∞ 疑似有人拿热源加热巴黎的气象温度传感器 从Polymarket预测市场获利3.4万美元
基于加密货币的预测市场 Polymarket 允许用户提出预测交易并根据最终预测结果分配投注金额，而天气预测已经成为 Polymarket 市场最常见的预测事件，因为天气事件源源不断且理论上难以操纵。
例如有人可以提出预测事件：戴高乐机场在 4 月 25 日 23:00 的温度并吸引人跟投，到时候法国公布官方气象信息后，Polymarket 就会根据该信息来判断哪些用户预测正确可以获得预测利润。
戴高乐机场出现异常温度数据：
2026 年 4 月 6 日和 15 日，法国气象局在巴黎戴高乐机场监测到两次温度传感器异常，戴高乐机场的温度传感器是用来监测巴黎气温的监测站之一，这些监测站数据最终会被汇总生成巴黎气温。
第一次异常是在 4 月 6 日 18:30，当时戴高乐机场的传感器记录到的数据显示，在短短 12 分钟内温度上升 4 摄氏度，一度短暂达到 22.5 摄氏度，随后恢复正常。
第二次异常是在 4 月 15 日 21:30，当时在晴朗多云的天空下，传感器记录到的温度短时间内攀升到 22 摄氏度，随后又是在几分钟内恢复正常。
发生这些异常时，戴高乐机场周边的其他监测站数据完全正常，风速和相对湿度也没有发生异常变化，因此行业专家认为最有可能的异常原因就是有人在传感器附近放置了加热装置。
在社交媒体上不少网友猜测引起异常温度变化的原因是有人用吹风机或打火机，当然这种也只是戏称，毕竟这个监测站位于公共道路尽头，用任何热源装置都可以让传感器快速升温。
Polymarket 支付 3.4 万美元预测成功投注金额：
事后调查显示，戴高乐机场两次温度传感器发生异常时，Polymarket 预测市场都出现成功预测事件，为此 Polymarket 向成功预测者支付 3.4 万美元的投注金额。
第一次是在 4 月 6 日，有人预测巴黎气温将达到 21 摄氏度，这次预测最接近实际气温，因此获得 1.4 万美元奖励，这个账户在投注前刚刚创建，而不是老账户。
第二次是在 4 月 15 日，另一名不同账户的投注者预测巴黎气温将达到 22 摄氏度而获得 2 万美元的奖励，目前针对这些异常已经有用户向 Polymarket 投诉，指出存在操纵和内幕交易。
天气异常数据可能会越来越多：
值得注意的是目前全球各地尤其是知名城市或地点的温度数据异常事件较以前有所增多，这些异常事件大概率都是因为 Polymarket 预测市场，即有人投注、有人买通内鬼、进而操纵或修改气象数据来获利。
社交媒体上流传的消息称，部分地区的气象部门存在内鬼用于帮助预测者修改数据，而且都是在预测结束前几分钟人为篡改天气结果，确保投注者能够压中和获利。
这种做法实际上还难以追查，因为短时间内出现的小幅度天气数据波动通常不会被认为是大问题，当前这种人为篡改数据的数量毕竟还比较少，也不会对整体数据产生太大影响。
不过如果 Polymarket 不禁止预测天气的话，估计未来这种天气异常事件可能会显著增多，长期篡改结果后还可能导致整体天气数据出现偏差，这可能会造成难以预料的潜在影响。
∞ Google第八代TPU首度拆分“训练”与“推理”双芯
4月23日消息，美国时间周三，Google正式宣布其第八代张量处理单元(TPU)迎来重大战略调整：首次将AI模型的“训练”与“推理”任务剥离，交由两款相互独立的专有芯片处理。这两款新一代处理器预计于今年晚些时候推向市场。
此举标志着Google在AI硬件领域对英伟达发起的新一轮竞争。
“为什么要走向算力专属化？”Google高级副总裁兼AI与基础设施首席技术官阿明·瓦达特(AminVahdat)在一篇官方博文中表示，“随着AI智能体的兴起，我们认定针对训练和推理需求分别提供专门优化的芯片，将使整个技术生态受益。”
当前，AI推理速度正成为大厂博弈的核心战场。今年3月，英伟达大力宣传了即将推出的一款新芯片，该芯片能够让模型快速响应用户提问，而这主要归功于英伟达在斥资200亿美元收购芯片初创公司Groq的交易中所获得的技术。在此背景下，尽管Google仍是英伟达的主要客户，但其正通过向云服务企业提供TPU，构建替代性的算力方案。
事实上，科技巨头亲自下场造芯、谋求算力自主已成行业共识。通过底层架构的深度定制，企业能够最大化特定应用场景的运行效率。从苹果多年来在iPhone中集成的神经网络引擎(Neural Engine)，到微软今年1月迭代的第二代AI芯片，再到Meta近期被曝出正与博通(Broadcom)联手研发多款AI处理器，无一不印证了这一趋势。
在这场“造芯运动”中，Google堪称先驱。该公司于2015年开始部署自研AI处理器，并自2018年起通过云平台向外部客户提供算力服务。作为对比，亚马逊AWS于2018年和2020年分别推出了专用于推理的Inferentia芯片与专用于训练的Trainium处理器。
投资银行D.A. Davidson分析师在去年9月的一份报告中预估，GoogleTPU业务与DeepMindAI部门的合并估值约为9000亿美元。
目前，英伟达在AI算力市场仍占据绝对主导权。Google在此次发布中未直接对标英伟达的同类产品，但披露了自身的性能迭代数据：在同等成本下，新款训练芯片的性能是去年11月发布的第七代TPU(代号Ironwood)的2.8倍，新款推理芯片的性能则提升了80%。
值得注意的是，在技术路线上，业界正不约而同地押注静态随机存取存储器(SRAM)。无论是英伟达即将推出的Groq 3 LPU，还是本月刚提交IPO申请的AI芯片独角兽Cerebras，均重度依赖该技术。Google此次推出的新款推理芯片TPU 8i也紧跟这一趋势，其单颗芯片的SRAM容量高达384MB，是上一代Ironwood的三倍之多。
Alphabet首席执行官桑达尔·皮查伊(Sundar Pichai)在博文中指出，新架构的设计目标在于“提供庞大的吞吐量(Throughput)与低延迟(Latency)，从而以极高的成本效益支持数百万个AI智能体并发运行”。
终端应用方面，Google披露其AI芯片的商业化落地正在扩大。其中，做市商城堡证券(Citadel Securities)已基于TPU开发量化研究软件；美国能源部下属的17个国家实验室正全面部署基于该芯片的“AI协同科学家”(Co-scientist)系统。此外，AI初创公司Anthropic已承诺调用规模达数吉瓦(Gigawatts)的Google TPU算力资源。
∞ Tim Cook透露苹果CEO任期内的“首个大错误”
4月23日，据彭博社报道，苹果公司CEO Tim Cook计划在几个月后卸任。他表示，2012年在iPhone上推出Apple Maps，是自己担任公司掌门人以来“第一个真正重大的错误”。
当时，这款地图应用在全球许多地方都无法正常使用，它向用户提供了错误的路线指引、错误标注地标，整体体验远不及当时iPhone上由Google提供的地图服务。
周二，库克在与刚被任命的继任者约翰·特努斯(John Ternus)共同出席一场内部全体会议上表示：“那个产品当时还没有准备好，我们却以为准备好了，因为我们测试的更多是本地相关内容。”
这一产品的发布最终引发了库克任期内的第一次重大管理层调整，他解雇了软件部门负责人斯科特·福斯托尔(Scott Forstall)。福斯托尔是库克前任、苹果联合创始人史蒂夫·乔布斯(Steve Jobs)的亲密合作者。
库克还表示，有很多时刻让他感到自豪，但Apple Watch及其健康功能尤为突出。当Apple Watch在2014年首次亮相时，其主要的健康功能是心率监测。自那以后，苹果陆续增加了多种功能，比如高血压检测。
“我还记得所收到的第一位用户发来的Apple Watch反馈，他告诉我这款手表救了他的命。如今，当然我每天都会收到这样的信息，但第一次的触动尤其深刻，让我当时不禁停下了脚步。”
∞ GPT Image 2团队曝光：无锡才俊带队 13人4个月封神
GPT Image2全网刷屏，但效果究竟为什么这么好？研究负责人陈博远揭秘：底层架构已彻底重构。但他又拒绝回答是否采用扩散模型或自回归技术，只是神秘的将其描述为“通用模型”或“图像领域的GPT”。
陈博远的一条推文还透露，从去年12月底的GPT Image 1.5算起，只用了四个月就有如此大的改进。
这样突破性的成果，核心团队只有13人。
整个团队的负责人Gabriel Goh晒出了的团队成员AI全家福。
评论区有网友感叹：怎么全是亚洲人？
陈博远：从不懂Python到Research Lead
GPT Image 2究竟是什么架构？
OpenAI恐怕很长一段时间都不会公布了，但从核心团队成员的学术经历可以看出一些痕迹。
陈博远是团队的Research Lead，他和另一位成员Kiwhan Song在MIT读博时有同一位导师Vincent Sitzmann。
他博士期间的代表作Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion入选了NeurIPS 2024。
这项研究提出Diffusion Forcing这一全新序列生成训练范式，将逐token独立噪声级扩散与因果下一个token预测结合，融合自回归模型的可变长度生成与全序列扩散模型的长程引导优势。
他在Google实习期间还以共同一作身份发表了SpatialVLM。
通过过自动构建互联网规模的3D空间推理 VQA 数据集（1000 万图像、20 亿 QA 对），为视觉语言模型赋予定量 / 定性空间推理能力，可从单张 2D 图像输出米制距离、尺寸、方位等精确数值。
这项研究把思维链空间推理应用到了具身智能领域。
在Google实习期间，他开发的指令微调技术后续还被Gemini 2.0采用。
他在高中参加科研夏令营时，还不懂Python的基本语法，那时结识的GoogleDeepMind资深研究员夏斐把他引入了AI世界。
夏斐两次邀请他到DeepMind完成高质量实习，这些经历使陈博远积累了大规模模型训练的工程经验，也为他理解多模态系统的数据需求提供了宝贵视角。
博士毕业后，陈博远于2025年6月加入OpenAI，迅速成为GPT图片生成五人核心成员之一，负责GPT图像生成模型的所有训练，同时也是Sora视频生成团队的一员。
在演示中，他给家乡无锡做了一张海报。然后为来自首尔的队友做韩文海报，为来自Bangladesh的队友做孟加拉语海报。每一张中的文字渲染都精准无误。
中科大Jianfeng Wang：让生图AI理解世界知识
中科大博士毕业的Jianfeng Wang，在GPT Image 2团队负责的是另一个让人惊叹的能力：指令遵循和理解世界。
旧模型画的永远时钟永远指向10:10，源于网络上的钟表广告图，几乎清一色都是10:10。
这是因为钟表厂商找心理学家做过实验，认为这有助于刺激消费者买表的意愿。
他让新模型画2:25、3:30、9:10、7:45，全部精准。
这只是开胃菜。
更多复杂的空间布局，苹果在中心、杯子在右边、书在上面、相机在左边、篮球在下面。模型全部精准执行。
在加入OpenAI 之前，他在微软工作近9年。在微软期间就与OpenAI团队在DALLE-3上有合作。
他在计算机视觉领域发表了多篇学术论文，研究内容可能涵盖 图像分类、目标检测、语义分割、以及视觉表征学习 等方向
世界知识理解能力的大幅提升，对象的语义内容和功能结构 有正确的理解
JianFeng Wang在演示视频结尾说到：GPT Image 2正在消除你的意图和模型产出之间的差距。
真正做到你想要什么，模型就给你什么。
Yuguang Yang：生成高精度复杂信息图表
Yuguang Yang在GPT Image 2的发布活动中演示了生成信息图和PPT。
整整75页的GPT-3论文拖进ChatGPT，自动生成7张幻灯片。
他的经历可以说是团队成员中最丰富的，每换一个工作都是跨界，但都聚焦机器学习。
他本科在浙大竺可桢学院学的工程，博士在约翰斯霍普金斯大学期间学的是计算化学物理与机器学习。
他第一份全职工作是量化分析师，在清华做访问研究员期间亚牛的的是用于纳米机器人的强化学习和控制算法。
后来他在亚马逊做过Alexa语音研究。
又在微软做过Bing搜索的查询理解和检索、文档理解。
2025年初加入OpenAI后，除了图像生成还参与过ChatGPT智能体项目。
他在个人账号上介绍GPT Image 2的信息图生成能力，可以为科研人员节省大量时间。
还反复提醒大家，要做信息图不要忘记选择思考模式。
从DALL-E到GPT Image 2.0
从团队成员Kenji Hata的自我介绍中得知，GPT Image 1.0也就是GPT-4o的图像生成部分。
有一个人从DALL-E开始参与了OpenAI多模态系列研究的全程。
他就是GPT Image 2.0团队负责人Gabriel Goh。
从2019年加入OpenAI，他的早期研究更篇理论，专注于可解释性和凸优化等等。
从DALL-E开始慢慢转向了图像生成。
看到另一位团队成员Weixin Liang的研究履历，GPT Image 2的技术底色又揭开了一角。
他在Meta实习期间的代表作Mixture-of-Transformers，引入模态解耦的MoE和解耦注意力，显著降低多模态模型预训练的计算成本。
他博士毕业自斯坦福，本科也毕业自浙大竺可桢学院，不过比Yuguang Yang要晚好几年。
Weixin Liang与陈博远一样都是25年博士刚毕业就加入OpenAI，迅速成为团队的核心成员。
其他GPT Image 2.0团队成员还包括：
Ayaan Haque，之前在Luma AI 工作，参与过Luma的视频生成基础模型Dream Machine的训练。
Bing Liang，在Google干了5年多，参与Imagen3、Veo、Gemini Multimodal，2025年跳到OpenAI做图像生成研究。
Mengchao Zhong，本科上海交通大学校友，硕士毕业于得克萨斯农工大学，在Pinterest和Airtable做过软件工程师，在OpenAI负责多模态产品的工程。
Dibya Bhattacharjee，耶鲁大学，2015年IPhO铜牌，CIE A-Level数学和生物全球最高分。
Kiwhan Song是25年10月最晚加入的，除了做研究之外，他还是团队里的提示词大师，大家看到的官方演示图很多都出自他手。
……
从最早的DALL-E到今天的GPT Image 2.0，这只团团队先后解决了。画得出来、画得清楚、画得好看、画得准。
尽管近年来OpenAI的人才流动很大，但OpenAI还是那个能不断吸引各种有个性的人才，不限制专业、欢迎跨界，信奉自下而上涌现式研究的公司。
从一个小团队开始，有了突破后公司倾斜更多资源，直到改变世界。
One More Thing
曾经，GPT-4o图像生成模仿吉卜力风格生成的头像席卷了全世界。
如今GPT Image 2.0的团队成员，都把自己头像换成了这种奇脖子画风。
那么这种画风的提示词是什么？团队成员也公布了出来
Use my photo only for identity. Redraw me as a very simple surreal Japanese sticker-style caricature: long thin neck， small deadpan face， minimal black outline， flat light coloring， almost no shading， very few facial details， simplified hair shape， lots of white space， plain white background， slightly awkward and funny. Ultratall 1:3 image.
参考链接：
[1]https://x.com/gabeeegoooh/status/2046674385407512687?s=20
[2]https://venturebeat.com/technology/openais-chatgpt-images-2-0-is-here-and-it-does-multilingual-text-full-infographics-slides-maps-even-manga-seemingly-flawlessly
∞ 特斯拉2026一季度财报：交付量超35.8万辆 同比增长6.5%
4月23日，特斯拉发布2026年第一季度财报。本季度全球生产纯电动车超40.8万辆，同比增长12.7%；交付量超35.8万辆，同比增长6.5%。总营收224亿美元，同比增长16%。
上海超级工厂第一季度交付21.3万辆，同比增长23.5%；3月国内销量超5.6万辆，环比增长47%，Model Y为国内乘用车销量冠军。Model Y连续三年蝉联全球销冠，累计销量超400万辆；由中国牵头设计的大六座豪华SUV Model Y L已在亚太多个市场推出。柏林工厂第一季度产量突破6.1万辆，创历史新高。
智能辅助驾驶方面，全球付费用户近130万，累计行驶里程突破151亿公里，其中城市道路超54.2亿公里。在美国，开启智能辅助驾驶的特斯拉平均安全行驶853万公里发生一次重大碰撞事故，为美国道路平均水平的8倍以上。V14.3版本已在北美推送，推理延迟最多降低20%；马斯克表示V15预计年底至明年初推出，无驾驶员监管版FSD预计第四季度逐步推出。特斯拉已于4月在荷兰获得智能辅助驾驶批准。
Robotaxi业务：第一季度付费里程环比几乎翻倍。2月，Cybercab赛博无人驾驶电动车首台量产车在得州超级工厂下线。服务范围已扩大至得州休斯顿及达拉斯，并取消安全员，运营车辆搭载AI 4硬件。此前已运营的奥斯汀和加州湾区仍在扩展。计划今年上半年在亚利桑那、佛罗里达、内华达等五城推出，年底扩展至十几个州。
人形机器人：首座大规模人形机器人工厂筹备工作第二季度启动，第一代产线设计年产能100万台，将取代弗里蒙特工厂Model S/X产线；得州工厂第二条产线长期年产能1000万台，预计明年夏季投产。第三代人形机器人预计2026年年中亮相，使用最新手部设计，外观接近人类。目前已有数百台机器人在工厂部署学习。
算力与芯片：已完成下一代AI 5推理芯片最终设计，马斯克称其为“边缘计算领域最出色的AI推理芯片”，AI 6设计已开始。TERAFAB项目发布，预计年算力产出超1太瓦；得州超级工厂将建设研发晶圆厂，投资约30亿美元。Cortex 2算力集群已上线运行。Dojo 3自研芯片持续推进。
储能：休斯敦郊外储能超级工厂进展顺利，将生产第三代Megapack，今年晚些量产。第一季度储能毛利率超39.5%，装机量8.8吉瓦时，全年装机量预计高于2025年。特斯拉已开始部署自主设计的太阳能板，配备18个独立功率分区。
充电网络：全球拥有超80000根超级充电桩、8000多座超级充电站，可用率99.95%。第一季度新增2200根，同比增长19%。重庆高速服务区一次性投建55座超级充电站，为特斯拉在中国最大规模高速服务区项目。中国内地超级充电站突破2600座，超12000根桩，超1000座已向非特斯拉车辆开放。V4超级充电机柜已在纽约工厂生产，功率为V3三倍。
