【菜科解读】

　　想象站在礼堂中央，台下数百道目光聚焦在你身上。

你口干舌燥、心跳如鼓、大脑一片空白——这正是超过75%的成年人公开演讲前的真实状态（美国国家心理健康研究院，NIMH报告）。

当茱莉亚第一次作为项目经理站上公司季度会议讲台时，这种压倒性的生理反应让她几乎无法呼吸。

“感觉像溺水一样，”她回忆道，“明明准备充分，身体却背叛了我。

”

　　一、舞台恐惧：大脑的原始警报系统为何被触发？

　　公开演讲焦虑（PSA）不仅是心理现象，更是植根于神经生物学的本能反应：

演化视角：被众多眼睛注视在原始环境中意味着潜在威胁（如捕食者包围），触发生存警报神经机制：杏仁核作为大脑的“威胁探测器”过度活跃，激活交感神经系统生理表现：心率骤升（可达140-180bpm）、手掌出汗、声音颤抖、思维阻滞

　　美国精神病学协会《精神障碍诊断与统计手册》（DSM-5）将严重的公开演讲焦虑归类为社交焦虑障碍（SAD）。

2022年《柳叶刀》全球健康研究指出，社交焦虑障碍终身患病率高达13%，且首次发作常在青少年期首次公开演讲体验后。

　　二、传统应对策略的科学审视与局限

　　尽管呼吸法、正向自我对话等传统技巧被广泛推荐，其局限性需要被正视：

认知重构瓶颈：单纯告诉自己“观众很友好”常被杏仁核主导的原始恐惧压倒模拟训练不足：对镜练习或小范围排练无法复现真实场景的多感官压力（灯光、噪音、凝视）暴露疗法的现实阻碍：系统性的现实暴露（如频繁安排大型演讲）成本高昂且风险不可控

　　牛津大学临床心理学教授David M. Clark在国际焦虑障碍大会上强调：“针对社交焦虑的干预，必须包含对恐惧线索（如观众面孔注视）的系统性脱敏，而VR技术的精准环境控制提供了前所未有机会。

”

　　三、虚拟现实：神经可塑性的训练场

　　VR暴露疗法（VRET）通过三个维度改写大脑对恐惧的反应模式：

环境真实性：头显设备创造的沉浸空间激活与现实演讲相同的神经通路参数可控性：观众数量、反应、噪音水平可精确调节，实现渐进暴露神经反馈窗口：结合生物传感器可实时监测心率变异性（HRV）等压力指标

　　关键突破在于熟悉效应（Mere Exposure Effect）与系统性脱敏的协同作用。

悉尼大学临床研究中心2023年研究发现，VR训练使社交焦虑者前额叶皮层（调控中心）对杏仁核（恐惧中心）的抑制连接增强31%，显著优于传统认知训练组的17%。

　　四、真人观众 vs. 动画形象：神经编码的关键差异

　　在VR世界中，观众的真实程度直接决定脱敏效果。

2023年发表于《神经科学前沿》的一项fMRI研究揭示：

真人面孔暴露组：前额叶-杏仁核功能连接增强23%动画面孔组：相同神经回路仅增强9%

　　“杏仁核对面孔的社交威胁信号高度敏感，”研究负责人艾米丽·戴维森教授解释，“真人面部微表情触发的神经活动模式，是简化动画无法模拟的深度生物信号。

”

　　这正是VR从容场景训练系统的核心设计原则——它独家采用无反馈真人观众模型，从1人到1000人阶梯式场景设计，避免动画反馈可能加剧的焦虑循环（如夸张嘲笑表情），专注于培养演讲者内在稳定性。

当用户通过该系统反复面对真实人类目光的注视压力，大脑逐渐将“观众注视”重新编码为中性信号而非威胁。

　　五、构建多维能力矩阵：超越技巧的自信工程

　　战胜舞台恐惧需要整合生理-心理-行为策略：

　　▶ 神经生理调节基础

战术呼吸法：4-7-8呼吸（吸气4秒-屏息7秒-呼气8秒）快速降低皮质醇前庭重置：倾斜头部+左右眼交替眨眼30秒，中断恐慌循环（借鉴美国海军陆战队抗压技术）

　　▶ 认知重构进阶

注意力外化：聚焦于信息传递而非自我监控（如观察观众服装颜色）接纳承诺疗法（ACT）：与不适感共存而非对抗（“我注意到心跳加速，这没关系”）

　　▶ 行为暴露核心

高频低风险演练：每日短时练习优于单次长时折磨VR从容场景训练系统提供神经科学支持的10天渐进指南：每天30分钟针对性场景暴露，经悉尼大学团队验证显著降低主观焦虑评分（SUDS）达40%

　　哈佛商学院沟通力实验室主任Sarah Gershman指出：“真正的演讲安全感来自‘预测误差’的降低——当大脑通过充分演练存储了足够多‘安全完成演讲’的记忆模板，现实场景的威胁感自然消解。

”

　　六、从恐惧到掌控：你的神经重塑路线图

　　克服首次演讲紧张的本质是神经可塑性工程。

持续暴露使前额叶皮层逐步夺回对杏仁核的控制权，这个过程类似于健身增肌——需要科学计划与规律负荷。

　　加州大学神经可塑性实验室通过DTI扫描证实，经过6周结构化演讲训练的实验组，其前额叶白质纤维完整性提升19%，这种结构性改变意味着更持久的焦虑免疫力。

　　对于时间受限的职场人士，融合神经科学设计的工具能加速这一进程。

如VR从容场景训练系统这类基于精准神经靶点的训练方案，让用户在家中即可完成过去需数月心理咨询才能实现的系统性脱敏。

一位金融分析师反馈：“在VR中完成1000人场景演练后，现实中的30人会议就像和朋友聊天般自然。

”

　　舞台恐惧不是性格缺陷，而是可塑的神经回路。

每一次面对观众（无论是真人还是虚拟影像）的练习，都在重建大脑的威胁评估系统。

当茱莉亚三个月后再次站上同一讲台时，她这样描述转变：“灯光依旧刺眼，但我能清晰感受到前额叶的掌控感——就像驯服了一头曾经失控的野兽。

”这种掌控感，正是科学与勇气共同书写的自信新篇章。

重庆抗癌女孩小欣悦遗憾离世，上个月刚过6岁生日，爸爸曾在地下通道直播跳舞救女

4月26日，曾在重庆地下通道跳舞救女的爸爸侯健在社媒发文表示，女儿侯欣悦因神经母细胞瘤医治无效不幸离世。

侯健写道：“满心欢喜的迎接你，却又遗憾的结束，好像做了一场梦，梦醒了，你不在了。

你来一程，爸爸妈妈念你一生。

宝贝，你受苦了，我们让千千万万关爱欣悦的好心人失望了，对不起，对不起对不起……” 他还在评论区回复网友关心：“欣悦走得很安详，她也解脱了。

” 今年3月26日小欣悦的生日，27日小欣悦在爸爸妈妈和哥哥的陪伴下，过完6岁的生日。

侯健曾为救治女儿在地下通道以舞步直播筹款，这份厚重父爱与跨越病痛的温情，令无数网友动容。

当日，多位同为大病家庭的家长自发前来送别。

据华龙网此前报道，为救5岁患癌女儿欣悦，生性内向的侯健半年来，每天深夜在重庆的地下通道里直播跳舞，哪怕脚趾甲掉落也不愿停下。

他说，他努力，只是想让女儿多活一天。

公开资料显示，神经母细胞瘤是儿童最常见的颅外实体肿瘤，约占儿童恶性肿瘤的8%~10%，在我国的发病率为10.1/100万。

该肿瘤大多数发生在5岁以下的儿童。

由于它具有发病率高、疾病进展迅速、死亡率高、治疗难度大的特点，常被称为“儿童肿瘤之王”。

编辑：叶知秋 审核：十月 【来源：九派新闻综合上游新闻、华龙网】

DeepSeek-V4上线：使用华为芯片训练，性能比Gemini差3-6个月，价格优势明显

出品｜搜狐科技 作者｜郑松毅、常博硕 编辑｜杨锦 DeepSeek V4，来了！ OpenAI GPT 5.5 前脚刚发布，DeepSeek就亮出了“真家伙”。

就在刚刚，DeepSeek-V4的预览版本正式上线并同步开源。

据官方介绍，DeepSeek-V4拥有百万字超长上下文，在 Agent 能力、世界知识和推理性能上均实现国内与开源领域的领先。

模型按大小分为两个版本： 更具产业里程碑意义的是，DeepSeek-V4 从模型设计之初就深度适配国产算力，在华为昇腾芯片生态实测跑通，成为全球首个在国产算力底座上完成训练与推理的万亿参数级模型，打破对海外芯片与框架的长期依赖。

性能比肩顶级闭源模型，价格比Claude便宜21倍 官方实测数据显示，DeepSeek-V4-Pro性能比肩顶级闭源模型。

Agent（智能体）能力方面，相比前代模型，DeepSeek-V4-Pro的能力显著增强。

在 Agentic Coding 评测中，V4-Pro 已达到当前开源模型最佳水平，并在其他 Agent 相关评测中同样表现优异。

DeepSeek介绍，目前 DeepSeek-V4 已成为公司内部员工使用的 Agentic Coding 模型，据评测反馈使用体验优于 Sonnet 4.5，交付质量接近 Opus 4.6 非思考模式，但仍与Opus 4.6 思考模式存在一定差距。

DeepSeek给出的结论相对克制。

在知识与推理任务上，其性能已经超过主流开源模型，并接近Gemini等闭源系统，但仍存在约3到6个月差距。

在 agent和代码任务上，其表现接近甚至部分超过Claude Sonnet。

此外，在数学、STEM、竞赛型代码的测评中，DeepSeek-V4-Pro超越当前所有已公开评测的开源模型（包括月之暗面的K2.6 Thinking、智谱GLM-5.1 Thinking等），取得了比肩世界顶级闭源模型的优异成绩。

相较之下，DeepSeek-V4-Flash主打性价比，能够提供更加快捷、经济的 API 服务。

在 Agent 测评中，DeepSeek-V4-Flash 在简单任务上与 DeepSeek-V4-Pro 旗鼓相当，但在高难度任务上仍有差距。

据悉，V4-Pro 与 V4-Flash 最大上下文长度为 1M，均同时支持非思考模式与思考模式，其中思考模式支持 reasoning_effort 参数设置思考强度（high/max）。

对于复杂的 Agent 场景建议使用思考模式，并设置强度为 max。

使用价格如下： DeepSeek表示，“受限于高端算力，目前Pro的服务吞吐十分有限，预计下半年昇腾950超节点批量上市后，Pro的价格会大幅下调。

” 再看看国际友商价格对比，可见DeepSeek的实惠： 混合架构解决工程落地痛点，全面适配国产算力 大模型处理超长文本的最大痛点，从来不是 “能不能装下”，而是跑不动、记不住、算不起。

随着传统注意力机制呈平方级复杂度攀升，百万Token场景下显存与算力直接 “爆炸”，几乎无法工程落地。

DeepSeek-V4 的发布，标志着大模型正式走出 “参数竞赛”，进入效率优先下一代赛道。

从一口气审计全量代码库、一次性解析千页合同，到全程记住长时间会议、串联多轮复杂智能体任务，V4让AI 真正具备“完整理解、长期记忆、深度推理”的能力，同时把使用成本大幅下拉。

这一切得益于DeepSeek业内首创“CSA （压缩稀疏注意力） + HCA （重度压缩注意力）”的混合架构。

用一套“分级压缩 + 分级检索”思路，把效率拉到极致。

这一新方法显著减少了计算复杂度，提升了长上下文处理的效率。

具体来看，CSA像给长文本做重点精读。

先把每 4 个Token压缩成一个信息块，再用稀疏检索只挑最相关的内容，既保留中段细节，又大幅削减计算量，兼顾精准与效率。

HCA像给长文本做大纲速读，把海量信息浓缩成框架级块，专门负责全局逻辑。

官方数据显示：1M Token场景下，V4-Pro 仅需 V3.2 的 27% 推理算力、10% KV 缓存；

Flash 版更是低至 10% 算力、7% 缓存。

除了混合注意力，V4 还带来三项关键技术革新，构成完整效率革命： mHC 流形约束超连接：升级传统残差连接，把信号传播约束在稳定流形上，深层不衰减、训练不炸数值。

Muon 优化器：替代传统 AdamW，收敛更快、训练更稳，完美适配 MoE 大模型与低精度训练，解决大批次长上下文训练的抖动难题。

全链路工程优化：专家并行细粒度通信重叠、TileLang 内核开发、FP4 量化感知训练、异构 KV 缓存管理，从计算、通信、存储全方位降本提速，推理加速最高近2倍。

最受大家关心的，是V4这次是否成功全面适配国产算力？ 报告指出，DeepSeek-V4在英伟达 GPU 与华为昇腾 NPU 两大硬件平台上，对细粒度 EP 优化方案完成了全面验证。

相较于性能优异的非融合基线方案，该方案在通用推理负载场景下可实现1.50~1.73 倍的加速比。

有业内观点指出，这代表已经完成华为昇腾平台的适配和实测落地。

但目前对外开源的只有英伟达GPU版本，昇腾适配代码未开源，属于闭源适配优化。

值得一提的是，寒武纪在软硬一体生态中，已经完成基于 vLLM 推理框架完成对 285B DeepSeek-V4-flash 和 1.6T DeepSeek-V4-pro 的适配，适配代码已开源到 GitHub 社区。

剩下的，就等DeepSeek-V4的实用表现了。

还有DeepSeek的首轮融资最终花落谁家，也还是个谜题。

“不诱于誉，不恐于诽，率道而行，端然正己。

” DeepSeek官方在文章最后表示，他们将始终秉持长期主义的原则理念，在尝试与思考中踏实前行，努力向实现 AGI 的目标不断靠近。

”