北京时间11月21日晚，由卡塔尔主办的新一届U17世界杯（又称世青赛）迎来了日本男足与奥地利男足之间的首场四分之一决赛比赛。最终日本0-1不敌奥地利，失去晋级半决赛的机会，并确定亚洲球队全部淘汰。这是世青赛首次扩大到48支队伍，其中亚洲区有8支队伍参赛。以卡塔尔为主办国，共有代表亚洲地区的九支球队参赛。中国男足在连续缺席20年后重返看台。上届小组赛，卡塔尔、阿联酋、印度尼西亚、沙特阿拉伯和塔吉克斯坦早早被淘汰。 1月16日决赛韩国队被淘汰，日本队、朝鲜队、乌兹别克斯坦队晋级16强。1月8日决赛，乌兹别克斯坦队埃基斯坦队和朝鲜队提前回国，日本队成为唯一一支晋级八强的亚洲球队。这是日本第十次参加世青赛。他在过去九场比赛中的最好成绩是1993年进入四分之一决赛，32年来首次追平了他的历史纪录。当然，日本队在决赛中差一点就被淘汰了。他们在常规时间内1-1战平朝鲜队，并在点球大战中以5-4获胜。志在首次晋级半决赛的日本队将面临又一次考验。对手是欧洲的奥地利。后者以小组赛全部获胜的方式晋级正赛。随后他们在16强赛中以2-0击败突尼斯队，并在16强赛中以4-0击败英格兰队晋级四分之一决赛。开场后，日本队组织低传，从两侧传中，从中路渗透到奥地利禁区。很多射门都被对方门将化解。在第18分钟，平岛大悟禁区内射门，但被门将丹尼尔·博什扑出。随后，第28分钟，平岛大悟的射门再次被对方门将扑出。奥地利方面，攻击手抱怨手球，险些被判点球。当裁判查看VAR后发现，没有判罚点球，日本队也逃过一劫。上半场结束，比分依然是0-0。据统计，两队控球率几乎是50/50，日本队进攻的威胁更大。他们9次射门，其中3次射正，并且有两次很好的得分机会。他们创造了角球机会，但全部错失八次。不得分是一种优势。奥地利队未能创造良好的得分机会，有四次射门。这场表演唯一的好处是守门员做出了四次重要扑救以保住球门。下半场仅四分钟，奥地利率先。禁区外开出角球，约翰内斯·莫泽的低射转身破门得分，全队疯狂庆祝。赛后，日本队进攻组7次射门，2次射正，创造了两次得分机会，但仍未能进球。对方门将接二连三地射门。最后一刻也被判罚点球。虽然日本门将扑救，但最终还是0-1落败。
特别提示：以上内容（包括图片、视频，如有）由自有媒体平台“网易账号”用户上传发布。本平台仅提供信息存储服务。
注：以上内容（含照片、视频，如有）由仅提供信息存储服务的社交媒体平台网易号用户上传发布。
中国足协官方宣布，因成都队部分球迷对阿奇姆·彭的歧视、侮辱行为，对成都队罚款50万元，并在中超第113轮主场看台前五排空场进行比赛。现就成都成都足球俱乐部按照组委会及各赛区足球俱乐部制定的规定和纪律给予处罚的公告如下。 2025年10月31日，中国足球超级联赛第29轮第226场比赛，成都足球俱乐部与河南九都康俱乐部的比赛在五粮溪体育文化中心专业足球场举行。根据赛事总监报告、视频、情况报告和听证会，在比赛过程中，成都足球俱乐部部分球迷发表了歧视性的言论和行为，对阿基姆·潘进行了辱骂和侮辱性言论。g、河南俱乐部酒族杜康11号球员，造成不良社会影响。中国职业足球联赛联合会道德纪律委员会依据《中国职业足球联赛联合会道德纪律规范》第六十八条的规定，处以下列罚款。 1、对成都成都足球俱乐部罚款人民币50万元。 2、中超联赛成都第113轮比赛将在成都足球俱乐部主场第一排至第五排进行空场比赛。上述罚款将按照《中国职业足球联赛联合会道德纪律守则》第十七条的规定执行。该处罚自公告之日起生效。中国职业足球联赛联合会将按照《职业道德和纪律条例》的规定，果断严肃处理各类违规违纪行为，净化赛场氛围。中国职业足球联赛联合会道德纪律委员会主任委员：周明2025年11月22日（已制定完毕）根据中国足协颁布的《职业联赛道德纪律守则》第六十八条规定，具有贬义性、歧视性或因种族、肤色、性别、语言、宗教等原因对他人进行诽谤性言论或行为，均属违规行为，若俱乐部球迷违反规则或纪律，俱乐部将处以新台币50万元以上罚款，并将根据本赛季中超主场比赛的规定进一步处罚，因此第113轮比赛看台上的前五名。下赛季首个主场联赛将适用所有处罚。
据11月21日消息，华为乾坤智能汽车解决方案发布会近日在广州举行。华为宣布，华为乾坤智能驾驶合作模式已在多个城市启动内部高速L3测试，将携手绿色合作伙伴提供停车缴费、自动充电、洗车、保养等绿色服务。鸿蒙混合大座舱车型MoLA架构持续升级，开启“L3智能座舱”时代。华为乾坤APP已正式上线。数据显示，截至2025年10月，华为乾坤智能驾驶累计辅助驾驶里程已达58.1亿公里，从车位到停车时间的停车次数超过2000万次，辅助停车次数超过3.5亿次，辅助驾驶月活跃用户比例达到95.2%。右华为乾坤智能驾驶多项指标全国第一，成为家庭用户智慧出行的首选。金宇智在发布会上宣布，搭载华为Limera舱内激光传感器的华为ADS Pro将进行大幅升级。 Pilot Assist NCA功能从高速场景延伸到高速+城市场景。华为ADS Pro将继续完善安全功能，增加防御性驾驶、动物识别等功能。搭载华为乾坤智能驾驶的多款车型已在北京、上海、广州、深圳、重庆、武汉、合肥等城市进行内部高速L3测试。华为抢坤将携手相关生态合作伙伴，面向未来打造“10分钟华为抢坤生态圈”，聚焦停车缴费、自动充电、洗车维护等智慧场景。华为乾坤智能驾驶也运营相关生态等平台为消费者提供更好的智慧出行体验。开放。目前，鸿蒙座舱用户总数超过130万。大车型的MoLA混合架构持续升级，为用户提供更好的座舱体验。本次发布会上，鸿蒙座舱功能再次迎来智能体验新升级。智能语音不仅从被动响应演变为主动建议，还包括可以实现下单、pagar外卖等功能的呼叫工具。这也标志着鸿蒙座舱迎来了“智能座舱L3”时代。华为乾坤APP已正式上线。这是为华为乾坤智能驾驶、鸿蒙座舱等乾坤解决方案打造的官方应用。集社区、探索、ADS、展厅、用车、商城等功能于一体，用户可以在应用中反馈自己的用车体验，获得专业指导离子反应。用户还可以开启华为乾坤愿望清单，让他们有机会将创意需求转化为真实的旅行体验。此外，停车、充电、洗车等绿色应用功能也将在华为乾坤应用中上线。据悉，目前已有14家车企的33款量产车型搭载了乾坤智家智能座舱解决方案或华为鸿蒙，最高月销量突破10万台，乾坤智家用户总数突破百万。发布会上，华为乾坤与东风集团联合开发的新品牌“逸景”、华为乾坤与广汽集团联合开发的新品牌“奇景”正式发布。预计2026年推出相关机型。（崔玉贤）本文摘自网易科技报道。欲了解更多详细信息，请参阅下文。请注意。
快科技11月20日报道，iFixit发布报告称，苹果iPhone Air的USB-C接口采用了3D打印技术。研究人员将 iPhone Air 的 USB-C 接口放在 DSX2000 显微镜下进行观察。当我放大时，我注意到USB-C接口的表面有一种非常特殊的类似于金属丝网的圆形纹理。早期报道推测苹果可能会使用 Binder Jetting 技术，这是一种使用粘合剂粘合粉末材料的 3D 打印工艺。然而，在显微镜下观察时，注胶技术形成的纹理与 USB-C 接口上看到的纹理惯例并不相同，这使得研究人员认为苹果并没有使用注胶技术。据 iFixit 称，苹果将需要使用脉冲激光烧蚀技术。该技术使用高强度短脉冲激光来蒸发固体目标，释放原子或原子团，然后将其重新沉积到形成薄膜或涂层。苹果此前强调了钛金属 3D 打印的环境效益，并将这一选择与苹果到 2030 年的碳中和目标联系起来。通过用 3D 打印取代冲压工艺，苹果今年将节省 400 多吨原生钛。减少金属开采的环境效益是显而易见的，经济效益也是显而易见的。值得注意的是，今年所有 Apple Watch Ultra 3 和 Apple Watch Series 11 型号的钛金属表壳均采用 100% 回收的航空航天级钛粉 3D 打印而成。使用增材 3D 打印工艺，逐层打印材料，使产品尽可能接近所需的最终形状。锻造零件的加工采用传统的减材工艺从原材料中去除多余的材料以形成所需的产品。通过这一变化，Ultra 3 和 Series 11 钛金属表壳不再与之前的型号相同。现在它可以使用一半的 r戴尔的所有材料。苹果表示，其雄心勃勃的目标是到 2030 年底使其碳足迹完全中和，包括整个生产供应链和所有产品的使用周期。现在用于制造 Apple Watch 的所有电力均来自风能和太阳能等可再生能源。
机器之心报告编辑：冷毛，+0 众所周知，成像和扩散去噪模型是密不可分的。使用扩散模型实现高质量图像的生成。但有没有可能“噪声扩散模型”并没有真正实现“噪声”呢？ ResNet之父、AI大师何凯明发表的一篇引用量超过70万次的新文章详细分析了这一现象。当生成扩散模型首次提出时，中心思想被认为是“去噪”，即从损坏的图像中预测干净的图像。然而，扩散模型发展的两个重要里程碑偏离了直接预测干净图像的目标。首先，预测噪声本身（称为“ϵ预测”）导致生成质量发生显着变化，并对这些模型的流行做出了重大贡献。delos。然后将扩散模型连接到基于流的生成方法，该方法结合了干净的数据和n通过预测流速（“预测”）来控制噪声。流形假设假设自然图像位于高维像素空间中的低维流形上。干净的图像可以建模为开放流形，但噪声 ϵ 或流速（例如 = − ϵ）本质上是淬火流形。因此，要求神经网络预测干净图像（即 – 预测）与要求其预测噪声或噪声量（即 ϵ/- 预测）本质上是不同的。当前的扩散去噪模型在经典的“噪声消除”意义上不起作用。这些神经网络预测噪声或噪声量。预测干净数据本质上不同于预测噪声量。根据多重假设，自然数据应该在低维流形上，并且噪声量不应该在其上。从这个假设出发，何凯明的新论文主张使用直接预测干净数据的模型。这允许应用的网络ar 没有足够的能力在非常高维度的空间中有效运行。在本研究中，我们将去噪扩散模型归根结底，并探索一种自洽范式，用于根据数据构建基于变压器的扩散模型。文章标题：回归基础：让生成去噪模型进行去噪文章链接：https://arxiv.org/abs/2511.13720v1Github 链接：https://github.com/LTH14/JiT 在本文中，我们介绍了“Just Image Transformer”，它可以是一个强大的生成模型，仅使用简单的像素级大块变换器，无需标记器。 (J.iT)”。预训练或额外损失期。架构为：在ImageNet上实现像素空间的竞争图像生成，在没有外部组件的情况下实现分辨率为256×256的1.82 FID和分辨率为512×512的1.78 FID。本文的工作朝着基于原生数据的自洽“扩散+变压器”原理又迈进了一步。这个原理ple 具有超越计算机视觉领域的潜在价值，在涉及蛋白质、分子和天气等自然数据的其他领域中，标记器的设计通常很困难。 Just image TransformersViT 的核心概念是基于补丁的变压器（ToP），本研究的架构设计遵循这一理念，遵循这一标准实践。研究人员使用 adaLN-Zero 进行条件处理融合（DiT），直接应用于像素补丁。整体架构是一个名为 JiT 的 Just 图像转换器。例如，JiT/16 使用 256 × 256 图像（即补丁大小 p = 16）进行研究，JiT/32 使用 512 × 512 图像（p = 32）进行研究。这些配置导致每个 patch 的尺寸分别为 768 (16×16×3) 和 3072 (32×32×3)。这些高维补丁可以通过预测来处理。网络应该预测什么？表 1 总结了损失和预测空间的九种可能的组合。对于每种组合离子，研究人员训练了一个基本模型（JiT-B），每个标记的隐藏层大小为 768 维。研究人员研究了表2(a)中分辨率为256×256的JiT-B/16。作为参考，他们在表 2(b) 中以 64 × 64（即 p = 4）的分辨率检查了 JiT-B/4。在两种配置中，序列的长度相同 (16×16)。观察结果如下。 -预测很重要 对于表2(a)中的JiT-B/16，只有-预测效果很好，并且在所有三个损失函数下都有效。这里，补丁有 768 个维度（16×16×3），与 JiT-B 中隐藏层的大小 768 相匹配。虽然这看起来“足够好”，但实际上您的模型可能需要额外的容量，例如处理位置嵌入。对于 ϵ 预测或 ϵ 预测，模型没有足够的能力来分离和保留噪声量。这些观察结果与玩具的观察结果类似（图 2）。为了进行比较，我们检查了 64 × 64 分辨率的 JiT-B/4（表 2 (b)）。曾经这里一切都运转良好。九种组合之间的准确度差异很小且不确定。我们发现所有组合都工作得相当好，因为每个补丁的尺寸为 48 (4×4×3)，这比 taJiT-B 隐藏层尺寸 768 小得多。请注意，许多以前的潜在扩散模型具有类似的小输入尺寸，因此不会遇到此处描述的问题。仅权衡损失是不够的。结合相关因素。这项工作并不是第一个列出的；之前的工作考虑了损失加权和网络预测的结合。他们的实验是使用 U-net 在低维 CIFAR-10 数据集上进行的。他们的观察结果与 ImageNet 64×64 研究人员的结果接近。然而，表 2(a) 中 ImageNet 256 × 256 的结果表明损失权重并不是一切。另一方面，无论损失空间如何，预测 ϵ 或预测都会在表中遭受灾难性失败e 2(a)。这对应于不同损失空间中的不同有效权重（如上所述）。另一方面，预测在所有三个损失空间中都有效。权衡损失所带来的损失是可取的，但并不关键。仅噪声级补偿是不够的。先前的研究表明，增加噪声水平有助于基于高分辨率像素的扩散。研究人员使用表 3 中的 JiT-B/16 验证了这一点。由于研究人员使用正态 Logit 分布对 t 进行采样，因此他们可以通过改变该分布的参数 μ 来改变噪声水平。直观上，将 μ 移至负值会降低 t 并增加噪声水平（等式（1））。表 3 显示，与之前的观察结果一致，当模型（此处为 x-pred）已经表现良好时，适度的高噪声是有益的。然而，简单地调整噪声水平并不能纠正 ϵ 或 – 的预测。它的失败本质上是由于它无法传播来自更高维度的信息。根据表3，研究人员在ImageNet 256 × 256 上的其他实验中将μ 设置为-0。.8。无需添加更多隐藏驱动器。由于容量可能受到网络宽度（即隐藏单元数量）的限制，因此增加容量是一个自然的想法。然而，当观测的维数非常高时，这种解决方案是无原则且不可行的。研究人员表明，这在预测的情况下是不必要的。表 5 和表 6 显示了分辨率为 512 的 JiT/32 和分辨率为 1024 的 JiT/64 的结果，使用比例较大的补丁大小 p=32 或 p=64。这对应于每个 patch 的 3072 维（即 32 × 32 × 3）或 12288 维，这比模型 B、L 和 H 的隐藏层大小大得多。不过，预测效果很好。事实上，除了缩放噪声（例如，分辨率 512 和 1024 分别为 2 倍和 4 倍）之外，它无需任何更改即可工作。这一证据表明，与许多其他神经网络应用一样，网络设计可以在很大程度上与观察维度脱钩。增加隐藏单元的数量可能是有益的（正如深度学习中广泛看到的那样），但它不是决定因素。瓶颈结构可能是有益的 更令人惊讶的是，研究人员发现，相反，在网络中引入低维瓶颈结构可能是有益的。具体来说，我们将线性补丁嵌入层转换为低秩线性层，用一组瓶颈（但仍然是线性）层替换它。第一层将维度减小到 d’，第二层将其扩展为 Transformer 隐藏层的大小。这两层都是线性的并且充当低秩重参数化。图 4 使用 JiT-B/16（原始补丁有 768 个维度）绘制了 FID 和瓶颈维度 d’ 之间的关系。减少瓶颈的尺寸，甚至小至 16 维，不会造成灾难性的故障。事实上，将瓶颈尺寸设置为较宽的范围（32 到 512）可以提高质量并将 FID 提高到大约 1.3。从表征学习的更广泛的角度来看，这一观察结果并不完全出乎意料。通常引入瓶颈设计是为了促进单个低维表示的学习。算法最终算法使用-prediction和-loss。这对应于表1(3)(a)。正式来说，研究人员是执行优化的人。算法 1 显示了训练步骤的伪代码，算法 2 显示了采样步骤的伪代码（可扩展至 Euler、Heun 或其他求解器）。为了简洁起见，省略了分类条件反射和 CFG，但两者都遵循标准实践。为了避免在计算 1/(1-t) 时被零除，请在计算此除法时截断分母（默认值为 0.05）。更先进的变压器通用变压器的好处之一Transformer 的优点是，当其设计与特定任务解耦时，它可以从其他应用程序中开发的架构进步中受益。此功能通过使用与任务无关的转换器来创建扩散模型来巩固其优势。研究人员整合了流行的常见改进 SwiGLU、RMSNorm、RoPE 和 qk-norm。所有这些最初都是为语言模型开发的。研究人员还考虑了上下文中的类别调节。然而，最初的 ViT 不是仅向序列添加一个类别标记，而是添加了多个此类标记（默认为 32 个）。表 4 显示了这些组件的效果。实验和比较 图 5：定性结果。一些示例是使用 JiT-H/32 在 ImageNet 512 × 512 上生成的。像素空间中的高分辨率生成 表 5 进一步报告了 ImageNet 上基本比例模型 (JiT-B) 在分辨率 512 和 1024 下的结果。我们使用与图像大小成正比的 patch 大小，因此序列长度在不同分辨率下保持不变。单个 patch 的维度可以高达 3072 或 12288，典型模型没有足够的隐藏单元来匹配这些维度。表5显示该模型在不同分辨率下均取得了良好的性能。所有模型都具有相似数量的参数和计算成本，唯一的区别是由于输入和输出补丁的合并。 child方法不会遭受观察维度的诅咒。可扩展性 将 Transformer 框架与任务本身解耦的主要目标之一是利用其可扩展性潜力。表 6 显示了 ImageNet 分辨率 256 和 512 下四种模型大小的结果（请注意，在分辨率 512 下，这些模型的隐藏单元数量都不大于块尺寸）。模型大小和 FLOPs 如表 7 和表 8 所示。分辨率为 256 的模型的成本与分辨率为 256 的相应模型类似。512 的分辨率。有趣的是，随着模型尺寸的增加，256 和 512 分辨率之间的 FID 差距减小。对于 JiT-G，分辨率为 512 时的 FID 甚至更低。对于ImageNet上非常大的模型，FID的性能高度依赖于过拟合，而分辨率为512的去噪任务更加困难，因此不太容易出现过拟合。研究人员使用先前研究的基线结果作为参考，并将其与表7和表8中的先前结果进行比较，标记了每种方法中包含的预训练组件。与其他像素空间方法相比，我们的方法完全基于简单的通用变压器。本文中的模型计算友好，不需要解决问题。将速率加倍通常会增加二次计算成本（参见表 8 中的 FLOP）。表 7：ImageNet 256 × 256 上的参考结果。评估指标是 50,000 个样本的 FID 和 IS。 Pre-trained 列列出了预训练编辑了实现这些结果所需的外部模型。参数量统计包括分词器生成器和解码器（用于推理阶段），但不包括其他预训练组件。 Gigaflops 测量基于单个前向传递（无标记器），并且与训练和推理期间每次迭代的计算成本大致成正比。表 8：ImageNet 512×512 基准测试结果。 JiT 采用更积极的补丁大小，可以通过更少的计算工作获得更稳健的结果。符号描述与表7中的类似。我们的方法不使用额外的损失或预训练，可以进一步提高性能。本概述主要关注概率建模的形式，较少关注所使用的神经网络的功能（和局限性）。然而，神经网络并不具有无限的能力。他们非常擅长利用这种能力来建模数据，而不是噪音。从这个角度来看，预测结果并不奇怪。论文工作有一个最小的设计准备和一致。研究人员希望通过减轻特定领域的归纳偏差，该方法可以推广到难以获得分词器的其他领域。这一特性在涉及原始、高维自然数据的科学应用中尤其重要。研究人员预计，这种普遍的“扩散+变革”范式可能成为其他领域的基本技术之一。请参阅原始文章了解更多详细信息。
交大MTT解决技术改造“最后一公里”。文字|华商套略 当今世界正经历百年未有之大变局，科技创新成为大国竞争的核心要素。实现高水平的科技独立自给是中国式现代化的关键。科技成果转化是连接创新与产业、连接科技与经济发展、助力科技强国建设的核心轴。 【01允许引入创新技术“以赛代课”】11月16日下午，浩然2025科技金融论坛暨第三届科技成果转化大赛决赛圆满结束。本次活动不仅是一场比赛，更是观察中国如何探索的重要窗口探索科技成果转化新途径。通过“以教育代替竞争、竞争与教育相融合”的创新模式，推动真正的技术项目从实验室走向市场，打通底线转型的“最后一公里”。第三届科技成果转化大赛决赛共有8个参赛项目入围。这些项目深度聚焦新能源、集成电路、人工智能、大健康等国家战略性新兴产业领域，精准响应时代需求。如今，资本与技术的精准结合正在取得令人瞩目的成果，许多参与的项目在早期阶段就获得了融资。例如，获奖项目“可控高场高聚变温度超导磁体的研发与供应”已已完成两轮市场化融资，最新一轮融资预计在1.5亿元至2亿元之间。排名第二的项目“AI计算能源全生命周期管理平台”成功完成天使轮和“天使+”融资，现已启动A轮融资，预计融资金额3000万元。科技成果转化大赛是上海交通大学技术转移硕士（MTT）培养体系中最基本的实践课程。以“赛入课堂、以赛代课”的形式，鼓励学生组建团队进行项目的真正转化，深入开展整个技术实施过程。您将受到指导。这种模式不仅符合国家推进Adv自力更生、自给自足的战略方向先进的科学技术，也恰恰对应了当前我国科技成果转化“最后一公里”的现实挑战。上海交通大学MTT项目通过将学校科研资源与产业市场需求深度对接，致力于打通从实验室到生产线的通道，加速创新成果向现实生产力的转化，为我国构建高效、协同、可持续的科技成果转化生态系统注入新动力。 【02超越MTT并取得领先】中国在科技成果转化方面长期相对落后。数据显示，2024年，我国科技产出转化率将提升至35%，发达国家普遍可达到35%以上。70%。以美国为代表的西方发达国家，20世纪90年代科技成果转化率达到80%左右，而重要的支持者之一就是技术管理者。事实上，美国也正处于技术变革的“死亡之谷”。 1970年左右，美国联邦机构持有约28,000项专利，但授权率和转化率不足5%。虽然积累了大量的科研资源，但很难有效转化为前期生产力。美国先后颁布了《拜杜法案》、《史蒂文森魏德勒法案》等一系列提高转化率的法案。该法律打破了长期以来“资助者拥有专利”的严格规定，允许大学、非营利研究机构和小型企业对联邦资助的研究成果享有专利所有权。上述举措激发了科技力量大学自此成立了“技术许可办公室”，负责专利许可、业务拓展和产业对接。在此过程中，技术管理团队发挥了重要的支撑作用，搭建了科研成果与产业需求之间的桥梁，加速了科研成果和技术开发从大学实验室向产业市场转移的进程。技术总监模式的推广效果是巨大的。根据AUTM（美国大学技术管理者协会）的数据，1996年至2020年，美国大学的技术转移活动增加了55.4万项发明公开、14.1万项美国专利授权、1.8万家初创公司成立，为美国工业总产值贡献了约1.9万亿美元。技术总监严重短缺中国。据测算，我国科研人员与技术管理人员的比例不足100：1，远低于欧美平均水平。美国的技术转型生态系统是市场驱动的。中小企业拥有专业技术，大公司可以轻松获得，但中国专注于商业应用，缺乏从根本上改造其专业技术的能力。为了加速弥补这一不足，我国高度重视技术管理体系建设。 2017年国家技术转移体系建设规划中，首次提出建立“技术管理者”队伍。 2024年，中共二十届三中全会审议通过了《中共中央关于进一步全面深化改革开放的决定》。《改革推进中国式现代化》，再次强调“加强技术管理队伍建设”。在完善技术管理人员队伍构成过程中，MTT模式是一个重要推进。2021年，上海交通大学牵头设立全国首个技术转移硕士项目（MTT），旨在培养“懂技术、懂市场、懂金融、懂法律、懂管理”的复合型人才，打破创新链与产业链的脱节。项目成果已落地，目前已转化技术成果48项，如MTT学生团充分利用其在能源系统、新能源、投融资、知识产权保护、市场拓展和项目等领域的专业能力和资源积累，支持交通大学可控核聚变项目。管理，为项目的商业运营提供了重要支持。这种“政治导向+大学实践+市场应用”的生态，表明我国已经进入解决“死亡谷”问题的快车道。 【03上海交大推动新生产力】上海交大MTT项目并非简单照搬国外模式，而是立足国家“自力更生、科技自强”战略，精准聚焦集成电路、生物医药、人工智能等国内核心产业，构建适应本土需求的人力资源开发体系。 “技术战略规划”和“技术创新档案”我们的目标是通过两个主要方向培养能够解决“创新链与产业链不连续”问题的复合型人才。聚焦“跨学科融合+产业教育”上海交通大学MTT项目深度激活本地创新资源网络，整合上海交通大学的优势。该领域汇聚行业领先资源，采用大学教授、专家和行业实践专家的“双硕士”课程教学模式，并引入财务高管、律师事务所创始人、合伙人等资源，为技术转移转化人才提供全面、专业的培养指导。一个好的技术管理者不仅仅是一个资源匹配者：他是一个具有深厚行业知识和经验的专家。能够熟练地执行成果提取、高价值成果培育、转化路径设计、孵化与投资、法律与知识产权等相关端到端服务，为帮助学生全方位成长，上海交通大学MTT精心打造了特色鲜明的“2+3+5+6+X”课程体系。em。具体涵盖两大培养方向、三类优秀教师、五种力量人才模型、六大课程模块、全周期终身学习平台。其中，主要课程模块有幼儿教育、基础课程、实践课程、高级课程、专业课程和部署课程六大课程模块。既全面涵盖了技术变革相关的理论知识体系，又精准传授实践要点，实现了理论与实践的深度融合。贯穿整个培养周期开展的“长期实践项目”是上海交通大学MTT的核心特色和重要抓手。该项目打破传统教育模式的局限性，强化学生实践能力，结合科技创新路演、科技成果转化等生态科技创新活动。形成诊所，构建科技创新领军人才综合培养新模式。 “长期实践项目”可分为三个主要部分。 《行业实地研究》通过课堂教学和企业研究，完善学生的行业知识结构。 “创新训练营”提供专题学习和孵化课程。通过市场考察和企业家交流，系统地教授学生商业计划书写作技巧，鸟瞰创新型企业的培育和发展。 “科学实践项目与技术成果转化”将课程与竞赛结合起来，完成综合实践训练。上海交通大学作为一所具有100年历史的教育机构，拥有商科、工程、生物、医学和科学等优势领域，这为MTT的“跨学科”教育构想提供了天然基础。概念。在上海交通大学和安泰大学的支持下，学生可以打破科技、金融、法律等领域的融合壁垒，一站式获取多学科知识。以上海交通大学技术转移硕士项目为代表的MTT模式有望缩小与其他国家的转化差距。通过MTT体系形成的技术经理团队将逐步打通“技术-场景-产业”的闭环，为科技强国建设注入强大的转型动力。欢迎关注【中国经营陶略】，结识名人，阅读陶略传奇。未经授权禁止转载。禁止在互联网上私人复制某些照片。如有侵犯版权，请联系我们删除。
今年7月，三星在韩国首尔举行了新一轮SAFE 2025活动，并确认其1.4nm工艺的量产开始时间将推迟到2029年，比原计划晚了大约两年。同时，三星正在重点关注2nm工艺节点，希望通过优化2nm工艺的性能和功耗来提升性能，使其更适合工业应用。据Wccftech报道，三星首次公布了其2nm工艺的性能和效率数据，确认其已进入量产阶段。与3nm工艺相比，2nm工艺性能提升了5%，功率效率提升了8%，面积提升了5%，这是一个不小的提升。与3nm一样，2nm也采用GAA（Gate-All-Around）架构晶体管技术。三星提供的数据低于外界此前估计的数字。初步估计表明 p 有所改善性能和能源效率分别为 12% 和 25%。如果不出意外，三星的 Exynos 2600 将成为首款采用 2nm 工艺的 SoC，良率传闻将在 50% 至 60% 之间。 Exynos 2600的量产对于三星来说极为重要，性能验证的结果将极大影响三星自身代工业务未来的竞争。关键还是性能，这对于三星进入10nm以下领域来说是一个长期存在的问题。根据TrendForce发布的2025年第二季度统计数据，台积电(TSMC)目前以70.2%的市场份额位居全球晶圆代工市场第一。三星位居第二，但市场份额仅为7.3%，相差近10倍。三星为其代工业务设定了新的目标，希望通过提高2nm工艺的性能并建立稳定的生产线，在两年内实现盈利并占领20%的市场份额。与有利可图的客户建立长期业务关系。近期评论