【菜科解读】

量子力学作为描述微观世界的核心理论，其预言的现象远超人类日常经验，甚至挑战了经典物理的逻辑框架。

1. 量子叠加态：粒子同时存在于多个状态

微观粒子在未被观测时，可同时处于多种可能状态的叠加。

例如，电子在双缝实验中能“同时穿过两条缝隙”，与自身发生干涉，形成明暗条纹；

而一旦被观测，叠加态会瞬间坍缩为确定状态。

经典类比：若将粒子比作一枚硬币，经典世界中它只能是正面或反面；

但在量子世界，它可同时处于“正面+反面”的叠加态，直到观测时才“选择”其一。

量子计算机利用量子比特的叠加态实现并行计算。

例如，中国“九章三号”量子计算机通过255个光子的纠缠，算力达全球最快超级计算机的亿亿倍，破解传统密码仅需几分钟。

叠加态打破了“确定性”的常识，暗示现实可能由概率主导，连爱因斯坦都曾怒吼“上帝不掷骰子”，但实验证明他错了。

2. 量子纠缠

两个粒子即使相隔亿万光年，若发生纠缠，测量其中一个的状态会瞬间影响另一个，形成“心灵感应”。

爱因斯坦称其为“鬼魅般的超距作用”，认为违背相对论的光速极限。

2022年诺贝尔奖得主通过实验证实，纠缠粒子间的信息传递速度远超光速；

2015年“无漏洞贝尔实验”进一步排除隐变量可能，证明量子纠缠的非局域性。

量子通信利用纠缠粒子实现绝对安全的加密。

中国“墨子号”卫星已成功验证千公里级量子密钥分发，任何窃听行为都会因扰动量子态而被发现。

3. 测不准原理

海森堡提出，无法同时精确测量粒子的位置和动量。

测量行为会扰动粒子，如同用手电筒照蚊子时，光压会吹跑蚊子。

数学表达：位置不确定度（Δx）与动量不确定度（Δp）的乘积满足Δx·Δp ≥ ħ/2（ħ为约化普朗克常数）。

宇宙的本质可能是概率的，观测者不仅是旁观者，更是现实的参与者。

例如，双缝实验中，延迟选择观测会改变电子过去的路径，暗示“现在决定过去”。

4. 量子隧穿

粒子无需翻越高能势垒，而是像“瞬移”般直接穿透。

例如，电子能穿越比自身能量更高的原子核势垒，引发α衰变；

太阳核聚变也依赖隧穿效应，否则宇宙将一片黑暗。

5. 量子意识假说

部分科学家认为，大脑中的微管可能利用量子纠缠处理信息，意识本质是量子过程。

2025年国际团队发现，引力效应可能诱导量子系统产生纠缠，为意识与量子关联提供新线索。

该理论仍处于猜想阶段，但若成立，将颠覆“意识是经典生物过程”的传统认知，甚至引发“宇宙是高级文明模拟实验”的哲学讨论。

最后的豪赌：NASA将执行“大爆炸”计划，继续压榨高龄探测器

NASA想继续给旅行者探测器续命。

飞行中的旅行者探测器（艺术渲染图）。

NASA / JPL-Caltech 4月17日，NASA官方宣布，他们已经向旅行者1号发送指令，关闭了其搭载的“低能带电粒子（LECP）”实验装置。

LECP在过去49年中，一直负责监测探测器周围环境中的离子、电子和宇宙射线。

关闭这一装置实属无奈。

今年2月27日，旅行者1号进行了一次计划中的滚转机动，结果电力骤降。

旅行者1号和旅行者2号是两台“核动力”探测器——它们的电力来自“放射性同位素热电发电机（Radioisotope Thermoelectric Generator）”。

这种发电机能够利用放射性元素“钚”的衰变来获取电能。

发电机的设计功率约为470瓦，但在运行中，每年会损失约4瓦的电力。

现在，旅行者1号的10台科研装置中，仅有2台在运行；

而旅行者2号有3台在运行。

在这些设备的帮助下，科学家才有机会获知太阳系外太空环境的特点，以及太阳风和星际介质发生冲突的方式。

NASA称，关闭旅行者1号的 “低能带电粒子”实验装置，可以为旅行者1号续命约1年。

关闭设备延长探测器寿命是一种相对而言比较被动的举措。

事实上，为了进一步延长旅行者1号和旅行者2号的使用寿命，以获得更多珍贵的星际空间科学数据，NASA科学家正在计划一次被称为“大爆炸”的高风险操作，以进一步拓展这两台探测器剩余电力的使用空间。

所谓“大爆炸”计划，指的是一次性关闭一组探测器设备，并用更低功耗的设备或方式取而代之。

科学家想用这种方式，维持探测器起码的温度，以便能够继续收集科学数据。

目前，旅行者1号上仅有2台科研设备在运转，它们分别被用来探测磁场和等离子波。

如果一切如愿，科学家期望通过“大爆炸”计划，来获得足够多的电力，重启此次被关闭的“低能带电粒子（LECP）”实验装置。

事实上，此次科学家已决定让旅行者1号上一台功率仅为0.5瓦的小型电机继续运行，以待未来LECP“复活”之需。

“大爆炸”将于今年5月和6日，先在旅行者2号身上试验性地发生。

旅行者2号目前的电力供应稍好于旅行者1号，其和地球的距离也比旅行者1号稍近。

如果一切顺利，不早于今年7月，旅行者1号也会迎来它的“大爆炸”时刻。

但这就像为一位高龄老者动手术，风险极高，是一场豪赌。

旅行者1号现在距离地球约250亿千米，任何发往旅行者1号的指令都需要23个小时才能被它收到。

LECP实验装置的关闭过程本身需要3个多小时。

而由于环境极度寒冷，重启它将面临更大的挑战。

NASA的旅行者1号和旅行者2号是目前飞得最远的人类探测器。

两台探测器几乎一模一样（旅行者2号略有微调），且均为1977年发射，但2号比1号晚升空6个月。

现在这两台探测器均已飞出了日球层——亦即太阳风的势力范围，进入了所谓的星际空间——但要真正飞出太阳系，还任重而道远——它们还需要飞行上万年，才能突破太阳系外围的奥尔特云。

旅行者1号进入星际空间的时间是2012年；

由于飞行路线不同，旅行者2号进入星际空间的时间是2018年，比1号晚了6年。

这两台古老的探测器已经太空中飞行了49年。

难能可贵的是，它们竟然还在运行并发回科学数据。

但毕竟已经年事已高，旅行者1号和旅行者2号的能源已经严重衰减——它们只能靠关闭不必要的设备，调整运行策略，来降低功耗，以维持最低限度的运行。

旅行者1号探测器（艺术渲染图）。

NASA / JPL-Caltech 参考 NASA Shuts Off Instrument on Voyager 1 to Keep Spacecraft Operating https://science.nasa.gov/blogs/voyager/2026/04/17/nasa-shuts-off-instrument-on-voyager-1-to-keep-spacecraft-operating

突发｜华为诺亚方舟实验室主任王云鹤离职

机器之心编辑部 今天，华为诺亚方舟实验室主任王云鹤在朋友圈官宣离职。

2026 年以来，国内 AI 圈的一系列高层人事变动，正在宣告整个行业正在经历一次深刻的结构性转折。

王云鹤：一位华为老兵 王云鹤，生于 1991 年，本科就读于西安电子科技大学数学与应用数学专业，2018 年博士毕业于北京大学智能科学系，主要研究方向包括深度学习、模型压缩、机器学习、计算机视觉等。

他从北京大学毕业前便已经在华为诺亚方舟实验室实习，毕业之后也自然加入其中，担任高级工程师，之后陆续升任主任工程师和技术专家。

2021 年，他开始担任华为算法应用部部长，负责高效 AI 算法的创新研发以及在华为业务中的应用，并凭借「大幅提升算力的高效能乘法器和加法神经网络」获选华为第四届「十大发明」。

去年三月，王云鹤接班姚骏，担任华为诺亚方舟实验室主任。

如今，王云鹤已经是一位在华为有 8 年多工作经历的老兵了。

此外，王云鹤也是一位相当活跃的知乎答主，更是深度学习（Deep Learning） 话题的优秀答主。

王云鹤的研究与探索 作为一位资深研究者和工程师，王云鹤拥有非常亮眼的学术履历，其谷歌学术引用量已经突破了 3.3 万。

其中引用量最高的论文是与韩凯等人合作开发的 GhostNet—— 一种新型的端侧神经网络架构。

在这篇 CVPR 2020 论文中，韩凯、王云鹤等提出了一种全新的 Ghost 模块，旨在通过廉价操作生成更多的特征图。

基于一组原始的特征图，作者应用一系列线性变换，以很小的代价生成许多能从原始特征发掘所需信息的「幻影」特征图（Ghost feature maps）。

该 Ghost 模块即插即用，通过堆叠 Ghost 模块得出 Ghost bottleneck，进而搭建轻量级神经网络 ——GhostNet。

在 ImageNet 分类任务上，GhostNet 在相似计算量情况下 Top-1 正确率达 75.7%，高于 MobileNetV3 的 75.2%。

论文地址：https://arxiv.org/abs/1911.11907 从其谷歌学术论文列表也能看出，王云鹤在 Vision Transformer 等前沿计算机视觉方向上成绩斐然。

在当前这股 Vision Transformer 研究热潮中，他参与发表的综述文章 A survey on vision transformer 引用量高达 5528 次，是该领域的重要参考资料 。

同时，他与团队共同推出的 Pre-trained image processing transformer 以及 Transformer in transformer 两项重要研究，引用次数均逼近 3000 大关。

这系列工作系统性地优化了自注意力机制在视觉特征提取中的计算效率，极大推动了 Transformer 架构在视觉任务中的应用与普及。

而作为知乎深度学习话题的优秀答主，王云鹤也经常分享他对于 AI 核心架构等话题的见解。

比如在今年 1 月 24 日，他在个人知乎账号上发布了题为「对扩散语言模型开启了一次深度思考」的文章。

在这篇文章中，他深入探讨了扩散语言模型在文本生成领域的潜力与面临的技术瓶颈。

面对大模型时代的主流技术路线，王云鹤提出了独到的见解。

他回忆起多年前探讨「Transformer 的下一跳是什么」时的场景，并指出：「Transformer 是一个量变到质变长期积累得到的范式」。

对于目前备受关注的扩散模型，他认为：「diffusion 本身也不算 transformer 的下一跳，但是从建模方式上，可能有潜力会对自回归带来很大冲击」。

在这篇技术分享中，他系统性地梳理了扩散语言模型当前面临的 10 个核心挑战与优化方向，涵盖了推理高效的架构设计、更适配的词表探索、更好的优化范式等多个维度。

特别是在模型设计理念上，王云鹤强调：「最理想的 diffusion model 并不应该去 follow AR 现有的范式，应该像人思考一样具有结构性」。

他提出，未来的 AI 模型设计可以借鉴人类多尺度思考的特点，探索具有层级联系的词表结构；

此外，将离散扩散模型与视觉、语言及动作模块在具身智能等场景下相融合，有望探索出更加统一的模型结构与训练范式。

在最近王云鹤主导的论文《DLLM Agent: See Farther, Run Faster》中，其团队探讨了一个基础但经常被忽视的问题：在智能体（Agent）框架、监督数据和交互预算完全相同的情况下，底层语言模型的生成范式（基于扩散的 DLLM 与基于自回归的 AR）是如何深刻影响智能体的规划、工具使用行为以及整体决策轨迹的。

论文地址：https://arxiv.org/abs/2602.07451 其提出的 DLLM 智能体可以实现更高效的全局规划，在最终准确率相当的情况下，端到端速度更快，交互与工具调用更少，并减少了冗余与回溯。

结语 作为一名在华为效力 8 年有余的 AI 领军人物，王云鹤的离职无疑是行业内的一大焦点。

他从实习生一路成长为诺亚方舟实验室主任，主导了多项具有国际影响力的底层算法创新。

如今，带着对扩散语言模型与通用人工智能统一架构的深刻思考，他的下一段职业旅程将驶向何方，依然值得整个行业持续关注。