【菜科解读】

说道古代冷兵器战争时，大家脑子中第一印象一定是，几十万大军在一个空旷的场地上开始白刃血战，不死不休，看起来十分的壮观。

大家可能是被电影场景骗了，其实真实的冷兵器战争绝对不是这样的。

今天就为大家解密，还原一个真实的冷兵器战争，当对战的双方有一方战损达到百分之五，士兵就会逃跑，这是真事。

古代率领军队，几千人就会称“三万大军”，率领五万人就会称“十万大军”，这样说一方面是为了震我方军为，另一方面是为了打击敌人的气势。

兵马未动粮草先行，十万大军所需要的辎重十分的多，而且至少需要十几万的民夫去运粮。

所以一般几十万大军云集的情况十分的少见，古代农业交通都不发达，如果几十万大军出征，对一个帝国是极大的消耗。

比如如此强盛，但是末年国库空虚，拿不出打仗的粮草。

再说说，两军对阵时是怎样打仗的。

因为冷兵器都是白刃血战，对士兵胆气要求十分的高，一般战损达到百分之五，士兵就会溃败逃跑。

一千人对阵如果伤亡达到50人，一般就会溃败。

而之后胜利的军队就会乘胜追击，这样情况下反而杀的人会更多。

举个例子，很多时候火灾时，烧死的人反而没有踩踏死的人多，就是这样的道理。

当人比如会练兵的将近战损会达到百分之十，更有历史上的名将会将战损扩大到百分之二十，比如的战损会达到百分之二十，士兵而不退。

这是一个奇迹，并不适用于古代的战场上。

在古代最惨的战争是什么呢? 不是摆开阵势的遭遇战，而是攻城战。

古代攻城最惨，经常伤亡会达到几十比一，因为在城墙上的守方会抛下巨石、滚木、甚至是滚烫的粪水。

这也就是攻城胜利后，经常会出现屠城的惨剧了。

随机文章宋朝最高可以封到什们爵位？汉景帝和亲政策对汉武帝的影响令人欲罢不能的禁果效应，好奇心和逆反心理推动社会发展冥王星是什么颜色，呈明暗的斑点图像(暗灰色/冥王星没生命)上帝和外星人什么关系，人类和外星人都是上帝创造/上帝是世间主宰 本站内容大多收集于互联网，内容仅供娱乐，并不代表本站观点，如果本站内容侵犯了您的权益，敬请联系网站管理员，我们将尽快回复您，谢谢合作！

这只龙虾让我觉得，AI科研的时代来了，新的科技大爆炸不远了

广告 这只龙虾让我觉得，AI科研的时代来了，新的科技大爆炸不远了 15:18 广告 广告 广告 了解详情 > 会员跳广告 首月9.9元 秒后跳过广告 开通搜狐视频黄金会员，尊享更高品质体验！ 1080P及以上画质仅为黄金会员专享> 开通/续费会员 抱歉，您观看的视频加载失败 请检查网络连接后重试，有话要说？请点击 我要反馈>> 正在切换清晰度... 播放 按esc可退出全屏模式 00:00 00:00 00:09 广告 只看TA 高清 倍速 剧集 字幕 下拉浏览更多 5X进行中 炫彩HDRVIP尊享HDR视觉盛宴 超清 720P 高清 540P 2.0x 1.5x 1.25x 1.0x 0.8x 50 哎呀，什么都没识别到 反馈 循环播放 跳过片头片尾 画面色彩调整 AI明星识别 视频截取 跳过片头片尾 是 | 否 色彩调整 亮度 标准 饱和度 100 对比度 100 恢复默认设置 关闭 复制全部log 最近，不少多年没有写代码的技术高管，因为OpenClaw和Claude Code，又重新开始自己动手coding了。

还观察到一个现象，有些多年远离科研一线的博士，也因为Agent，重新回归实验室。

是时候用AI龙虾表演真正的技术了…… 说实话，很多时候压垮一个博士生的不是科学问题本身，是那些永远处理不完的文献、永远调不对的实验参数、永远写不完的回复信。

AI4S，前几年一直有点叫好不叫座。

都知道这是稀缺的高价值场景，未来影响非常深远，但是受制于底层模型的能力和架构，始终没有收获匹配其技术含量的关注。

但今天，我想认真聊聊SciClaw。

https://sciclaw.ai/ 最开始，在朋友圈，刷到SciClaw，说是专门针对科研场景的AI Agent，国内团队做的，是一只科研领域的专属龙虾。

我测评过的AI科研工具，有文献管理、代码生成的，也有从实验记录到数据分析的，真正能打的屈指可数。

大部分所谓AI for Science的产品，不过是给传统工具套了个大模型的壳子。

但这次，范式变了。

科研工作者终于有可能，从那些低价值的体力劳动里解放出来了。

生命科学、物理学、化学……底层学科的最前沿，也许很快就会因为AI的介入，向前一大步。

01记忆与上下文：它真的记得住你在做什么 登陆后一上来，SciClaw打招呼的方式，就很有科幻感。

一个专属的、有个性的养成系科研龙虾，就这么水灵灵跟我互动起来了。

用下来，一个很让我惊喜的点，关于Memory。

大多数AI产品有一个致命缺陷，就是金鱼记忆。

每次跟它对话，都得把前因后果重新讲一遍。

上周跑过的实验数据，上个月读过的某篇文献，跟导师讨论过的某个思路，它统统不记得。

每次都要从头开始，这种体验用几次就让人想摔键盘。

但SciClaw不一样。

我上手第一天，让它把我本地一个研究项目的文件夹全部索引一遍。

里面有实验记录、文献PDF、数据处理脚本、甚至还有我跟合作方沟通的邮件截图。

大概花了几分钟，它告诉我索引完成了。

然后我问了一句：这个项目目前的瓶颈在哪里？ 它不需要我重复第二次，直接列出了三个关键问题，还引用了上周我记录在实验本里的一组异常数据，以及一篇我两周前下载但还没来得及读的文献里的某个观点。

我当时愣了一下。

这是它真正理解了这个项目的上下文，知道哪些信息是关键的，哪些是干扰项。

在超长的任务、庞大的上下文、连续多轮的对话里，依然稳定又靠谱。

像一个跟了我很久的资深研究员，是有点默契在里面的，绝对不是新认识的临时工。

后来我仔细琢磨了一下它的技术架构。

SciClaw在后台做了一个持续更新的知识图谱，把用户所有的数据资产，不管是结构化的实验数据还是非结构化的文献笔记，全部关联起来。

当我提出一个问题时，它不是简单地在文档里做关键词匹配，还会基于整个项目的历史上下文来理解你的真实意图。

这一点在科研场景里太重要了。

科研工作本质上是一个长期、复杂、充满不确定性的探索过程。

从离散的信息和数据，到割裂的环境和环节，从想法到执行，总面临巨大鸿沟。

今天的想法，可能基于三个月前的一次失败实验，现在的实验设计可能源于某篇文献中的一个脚注。

如果一个AI工具不能理解这种时间维度和逻辑维度上的关联，它就永远只是一个高级点的搜索引擎，不是一个真正的科研搭档。

SciClaw在这方面的表现，让我第一次觉得AI可以参与到科研的核心流程里。

02执行与交付：从对话到成果的无缝衔接 再说说它的执行力。

说实话，市面上能聊天的AI很多，能回答问题的AI也很多，但能真正帮你把活干完的AI，少之又少。

团队里有个博士Peter，前段时间被一个汇报PPT折磨得不轻。

项目进展到关键节点，数据散落在十几个文件夹里，实验记录乱七八糟，文献引用更是没眼看。

按照以前的节奏，这至少得熬两个通宵画PPT。

我让他试试SciClaw的Foundry模块。

他给了龙虾一个指令：帮我整理这个项目的进展，生成一份大组会汇报用的PPT。

然后就去吃饭了。

等他回来，PPT已经躺在桌面上了。

结构清晰，图表完整，甚至每个关键数据点都标注了来源。

只需要在几个地方微调一下逻辑表述，前后加起来不到半个小时。

这是AI4S工程的力量。

在Foundry模块里，不像有些AI PPT工具，是把信息堆砌在一起，在SciClaw里是基于对项目上下文的深度理解，自动判断哪些信息是核心的、哪些是支撑性的，还有哪些是可以省略的。

它知道学术汇报PPT的结构应该是怎样的，知道图表应该放在哪里，知道参考文献应该怎么标注。

这就得靠团队对科研工作流的理解了。

明显感觉到，这是一群Researchers，从第一天起就在解决科研工作者的真实痛点。

我尤其想提一下它的论文生成能力。

科研写作最痛苦的部分，总是那些格式、引用、排版之类的体力活。

有一个绝妙的idea，但要花几个小时去调整参考文献的格式、统一图表的编号，还得要花不知道多久把实验数据整理成论文需要的表格。

这些工作不需要任何创造力，但必须做，而且绝对不能出错。

SciClaw在这方面的表现，乍一看nerdy，再一看贴心。

我让它帮我生成一篇论文草稿的初稿，基于我的实验数据和文献笔记。

它输出的内容在结构上已经非常接近正式论文了，引言部分甚至能自然地引用相关文献，方法部分的描述也相当准确。

就像是MIT的博士，搞毕业论文一样，一眼一板的很严谨。

再细看，又很可圈可点，朴素准确的背后，还会有特别的洞察和小巧思。

能让我可以把精力集中在真正需要思考的地方，还会受到启发。

不再需要一边写论文一边惦记着还有哪个实验数据没整理，可以专注于观点的表达，以及论证的逻辑是否严密、结论的表述是否准确。

这种感觉，就像你终于有了一个靠谱的助理，帮你处理所有琐碎的事务性工作，还能超出预期。

03一只会守夜、能救场的全场景科研龙虾 跑一个分子动力学模拟，可能需要三天三夜。

跑一个深度学习模型的训练，可能需要一周。

期间不能关电脑，不能断网，甚至不敢走远，因为随时可能出现错误。

以前跟过一个项目，需要跑一组总共需要2000小时的计算任务。

那时候我和另一个同学轮流值班，半夜定闹钟起来检查任务状态，生怕出问题。

那种感觉，既像在守灵，又像在坐牢。

SciClaw的Playbook功能，就是专门解决这个问题的。

我测试了一下它的自动化任务管理能力。

让它提交一个需要长时间运行的计算任务，然后我就去睡觉了。

第二天早上醒来，任务已经跑完了，中间出现过一次依赖库版本的问题，它自己检测到之后重新配置了环境，然后继续运行。

这就是一个具备自我修复能力的执行系统了。

仔细看了它的日志。

那个依赖库错误发生时，SciClaw首先尝试理解错误的含义，然后去查阅相关的技术文档，找到一个可行的解决方案，执行修复，验证修复结果，然后继续原来的任务。

整个过程完全自动，不需要我介入。

这种能力在科研场景里的价值怎么强调都不为过。

科研工作者最宝贵的东西是什么？是注意力，是心流状态。

现在人为什么越来越难去潜心研究了，因为干扰太多无法进入深度思考的状态，因为注意力随时可能被中断。

SciClaw把这种束缚解除了。

它替你守夜，替你盯着那些漫长的任务，让你可以专注于真正需要你思考的事情。

这不是效率的提升，这是工作方式的根本改变。

还有很多实用的场景—— 电脑不在手边？龙虾替你远程救场。

周末，手机突然弹出微信消息：“今晚临时有个重要会议，辛苦把项目进展整理发我”。

人还在外面，电脑不在身边，数据散落在几十个文件夹里，换作以前只能连夜打车回实验室。

但现在，只要一句：“龙虾，帮我整理进展，生成汇报材料”。

它能在后台自动翻阅文献、整合图表、分析数据，10分钟后把一份结构清晰的PPT直接甩给你。

人在浪，龙虾在打工。

这不就是科研人梦寐以求的爽文剧情？ Peer Review的修罗场，龙虾是你的「嘴替」。

如果说交流汇报是常规操作，那么面对论文Peer Review（同行评审）时，这只龙虾就是你的「嘴替」和「数据管家」。

面对诸多审稿意见一时间思绪万千不知从何说起时，龙虾能帮你调取历史研发数据作为铁证；

面对需要大量补充实验数据的繁琐要求，它能帮你基于已有手稿和过往任务里，快速挖掘支持性证据。

那些耗时耗力、让人崩溃的回复信，龙虾能帮你快速draft出初稿，让人把精力集中在真正的学术辩论上。

复现文章配置难，龙虾一键「破局」。

复现顶刊文章的结果，往往是科研新人的「劝退」时刻。

第一步环境配置就琢磨不透，繁杂的版本不兼容、运行就出现莫名报错，足以消磨掉所有热情。

SciClaw帮你快速搭建实验环境复现计算和预测任务，让我们不再受到这些琐事的困扰。

它就像一个经验丰富的老法师，帮你把地基打牢，让你直接站在巨人的肩膀上开始真正的创新。

04连接与生态：它不只是软件，是科研基础设施 最后我想说说SciClaw的连接能力。

如果它只是一个能聊天、能写文档、能跑任务的软件，我可能会觉得它是个好产品，但不会觉得它有什么革命性。

但它不只是软件。

最近在尝试把SciClaw接入到实际的实验环境中。

看到X上一个操作，把SciClaw和实验室的AI眼镜连接起来。

场景是这样的：做实验，双手都是试剂，没法操作电脑。

这时候需要查一下下一步的操作步骤，或者需要记录一个观察到的实验现象。

只需要对着眼镜说一句话，龙虾就能理解你的需求，调出相应的操作指引，或者把观察结果自动记录到电子实验本里。

视频里那个场景我看了很多遍。

实验员戴着AI眼镜，在操作气相色谱-质谱联用仪的时候双手完全没有空闲，但通过语音指令，SciClaw帮他完成了进样检测的全流程配置。

从发出指令到仪器开始运行，整个过程不到一分钟。

也许，这才是科研工具的终极形态。

它不会让你停下来去使用它，而会悄无声息融入到工作的每一个环节里，在最需要的时候出现，在不打扰的时候默默在后台工作。

还看到有人测试了SciClaw和自动化实验设备的对接。

通过标准的中控台接口，它可以直接调度机械臂、移液工作站这些设备。

一个实验流程可以从文献检索开始，到实验设计，到设备调度，到数据采集，到结果分析，全部由AI协同完成。

人类研究员只需要定义问题、设定目标、评估结果。

计算机科学里有个概念：声明式编程。

告诉系统你想要什么，系统自己想办法去实现。

在科研领域，这个范式转变的意义，可能更深远。

让科学家去做属于科学家的事——提出好的问题，设计巧妙的实验，理解复杂的结果，构建深刻的理论。

05一些其他思考 用了这些时间，我一直在想一个问题：像SciClaw这样的工具，到底会怎么改变科研这个行业。

它会加剧科研的不平等吗？ 它可能会改变科研的评价体系吗？ 我整体还是乐观的。

当AI可以处理大量的执行工作，论文的数量可能不再是衡量科研能力的核心指标。

创意和质量才是，解决实实在在的问题才是。

还有一点我特别想说。

在AI能力越来越强的今天，很多人担心科研工作者会被替代。

我的看法正好相反。

AI替代的不是科研工作者，是科研工作中的重复劳动。

那些真正需要创造力、需要直觉、需要对科学问题深刻理解的工作，反而会因为AI的辅助而变得更加重要。

就像SciClaw这个产品所展现的，它没有在取代科学家，是在帮科学家卸下那些不必要的负担，让他们可以专注于真正重要的事情。

人类去思考，AI去执行。

这大概就是科研工作者的理想未来了…… 目前使用SciClaw还需要邀请码，欢迎评论区给我留言或者私信～ 官网在这里：https://sciclaw.ai/

马云：A I、教育以及未来——A I 时代的教育变革

马云：AI、教育以及未来 作者｜新教育 麦田里的守望者 2026年农历新年伊始，阿里巴巴创始人马云的身影再次出现在杭州云谷学校。

与他同行的是阿里与蚂蚁集团的核心管理层——蔡崇信、吴泳铭、井贤栋等罕见全部聚齐。

这场“开工第一站”的交流，主题直指AI时代的教育变革 。

从年初的“腊八之约”到此次云谷之行，马云在2026年开年密集分享了他对AI与教育的深层思考。

这些观点不仅延续了他一贯的人文关怀，更在技术狂飙的当下，提出了一个核心命题：当机器拥有“芯片”时，人类如何安放“心” 。

阿里巴巴核心管理层罕见齐聚谈AI。

图/云谷学校公众号截图 一、 拥抱冲击： AI带来的“历史性变革” 马云直言，AI时代的到来“对社会的冲击超出想象”，技术迭代已以“周”为单位计算，这场变革是历史性的 。

他并不回避冲击带来的焦虑——许多工作种类会消失，但同时也带来巨大机会：社会财富可能极大丰富，未来人们或许一天不需要工作8小时 。

面对乡村教师“会不会被甩下”的担忧，马云给出明确回应：AI对乡村教育而言，挑战与机遇并存，核心在于如何应对 。

他呼吁不要再犹豫“用不用AI”，而是要迅速行动，教会孩子“用好AI” 。

二、 教育的回归： 从“知识的灌输”到“灵魂的工程师” 马云最核心的判断在于：AI带来了一个“让教育回归教育本身”的机会 。

在他看来，传统教育中大量的死记硬背、机械刷题，将在AI时代被释放出来。

因为未来不需要让孩子与AI比拼计算和记忆——那是机器的强项。

释放出来的时间，应该用于培养那些AI难以复制的能力：创造力、想象力、审美力，以及共情与担当 。

“看一所学校是不是属于AI时代的学校，不是去看它有多少AI服务器，有多强的AI技能。

”马云强调，AI拥有的是“芯片”，而人类拥有的是“心”。

这一“芯心论”贯穿了他的思考：技术越是强大，教育者越应回归本质——老师可以完完全全去做“灵魂工程师”，而不是知识的灌输者 。

三、 未来的能力： 好奇心是算力源泉，提问比回答重要 关于AI时代孩子究竟需要什么能力，马云与阿里管理层分享了系列洞见，其中多个观点引发深度共鸣： 好奇心才是算力的源泉。

马云提出，AI时代的鸿沟不是技术鸿沟，而是好奇心、想象力、创造力、判断力和协同能力的鸿沟 。

教育的目标不是让学生背得更多，而是让他们“想得更有趣、更有创意、更独特” 。

提问比回答更重要。

马云犀利指出：“AI时代，我们的教育不是让一千个学生给出同样一个正确的答案，而是让一千个学生学会提出一万个不同的好问题。

” 这与蔡崇信的观点不谋而合——思辨能力的核心不是“会问问题”，而是“问对问题” 。

人区别于机器的三大特质。

阿里巴巴CEO吴泳铭提出，未来人和机器的区别在于三样东西：好奇心、共情力和体力。

好奇心驱动主动探索，共情力是对人的理解，而当脑力被AI替代时，体育和体力将愈发重要 。

避免AI成为“扔不掉的拐杖”。

蚂蚁集团董事长井贤栋提醒，AI应帮人做琐碎之事，释放时间发展审美与创意，但必须保留独立思考的能力 。

四、 科技的温度： 让AI更懂人类，服务人间烟火 如果将马云的AI观置于更长的时间轴上看，其价值观始终稳定。

早在2025年4月，他就提出：“高科技绝不仅是征服星辰大海，更应该呵护人间烟火。

”“科技人员的责任，不是让AI取代人类，而是让AI更懂人类、更好地服务人类。

” 这种“善良的高科技时代”的愿景，与此次教育讨论一脉相承：技术的终极价值在于增进人的福祉。

正如他所言，我们要用人工智能去解决问题，而不是被人工智能所控制 。

结语 2026年开年，马云的两度发声，为喧嚣的AI赛道提供了一份冷静的人文视角。

当全球科技公司竞逐算力、模型与芯片时，他提醒我们注视教育的本质：那些无法被芯片替代的好奇心、共情力与创造力，才是人类在未来真正的护城河。

对于家长、教师与每一个关心未来的人，马云的忠告或许可以凝练为一句话：不必让孩子与机器竞赛记忆，而要让他们学会提出机器无法想象的问题。

因为那“一万个好问题”里，藏着人类独有的未来。

文字来源|守望新教育，版权归原创作者所有。