AI从零设计16种噬菌体，精准击杀耐药大肠杆菌

1. “Anthropic与OpenAI模型在安全测试中失控”

微信公众号 2026-08-05 00:00:00

2. “榨”出硅的极限：怎么让GPU不“闲着”？｜与SGLang、RadixArk深聊AI Infra技术与千亿美元市场

哔哩哔哩 2026-07-31 00:00:00

3. 【清华课题组发现λ噬菌体Lom蛋白介导受体占位型超感染排斥新机制】随着抗生素耐药问题日益严峻，噬菌体凭借高度特异的宿主识别特性，成为精准抗菌策略的重要研发载体。噬菌体在细菌群落中存在激烈的生存竞争，目前学界已大量报道细菌编码的胞内抗噬菌体防御系统，但噬菌体自身在宿主细胞膜表面保护子代病毒的竞争机制仍缺少系统解析。传统基因筛选手段更易富集胞内、溶原期表达的抗性因子，往往会忽略侵染过程中结合宿主膜受体的噬菌体膜蛋白，相关表面防御通路长期存在研究空白。清华大学生命科学学院/北京生物结构前沿研究中心王佳伟副教授课题组长期聚焦噬菌体、细菌素等新型抗菌元件的结构生物学机制，围绕λ噬菌体的衣壳、尾部、受体识别系统开展了系统性研究，前期已完整解析λ噬菌体识别宿主受体的分子基础，为挖掘噬菌体胞外竞争因子奠定了扎实的研究基础。7月16日，王佳伟课题组在《细胞报告》（Cell Reports）发表题为《受体靶向研究发现λ噬菌体Lom为LamB结合型超感染排斥因子》的研究论文。该研究建立的受体导向蛋白捕获策略弥补了传统遗传筛选的短板，可直接捕捉侵染瞬时发生的病毒-宿主受体互作蛋白，为系统挖掘噬菌体、细菌素膜表面互作因子、开发新型抗病毒模块提供标准化技术框架，对噬菌体工程改造、可编程抗菌生物技术发展具有重要指导意义。论文链接：网页链接（来源：生命学院）#科研速递# 清华大学

新浪微博 2026-08-06 00:00:00

4. AI4S智能体「井喷」，这个智能体登顶多项评测榜单，实现产业落地

微信公众号 2026-08-05 00:00:00

5. 视觉AI从「会生成」走向「能创作」，RabbitVis探索AI应用新范式

微信公众号 2026-08-05 00:00:00

6. 软件工程与生成式 AI 的八个迷思 ---- 审视最常见的误解Jenna Butler、Brian Houck、Margaret-Anne Storey、Travis Lowdermilk、Steven Clarke、Emerson Murphy-Hill 著原载：ACM Queue，2026 年 5 月 26 日，第 24 卷第 2 期生成式 AI 正在重塑软件工程——但相关叙事已经跑在证据前面。营销宣传、轶事式的成功案例和被误读的研究，催生出一系列根深蒂固的迷思；这些迷思正悄然驱使人们在 AI 采用、工具选择及成功衡量方式上作出不佳决策。本文考察其中最常见的八种误解。我们早已知道，开发者实际上并不把大部分时间花在写代码上；微软及其他机构的研究表明，这个比例更接近 14%。这意味着，即便 AI 代码生成表现出色，它所触及的也只是实际工作中小得惊人的一部分。然而，许多组织仍在加码使用代码行数指标来追踪 AI 的影响，而这一指标既缺乏统计效度，也与软件质量或交付速度等结果没有有意义的关联。现实比新闻标题所暗示的更复杂，也更有趣。AI 对某些任务、某些开发者和某些场景的效果优于其他情况。生产率的提升并不会因为给工程师发放许可证而自然发生；它需要在组织层面重新思考工作流程。当开发者不信任工具、没有时间学习，或担心自身技能退化时，采用便会停滞。“初创公司借助 AI 快速推进”的叙事，也忽略了合规、遗留系统和可靠性约束——而这些正是企业级软件的现实。本文并非对 AI 抱持怀疑态度。相反，它为一线从业者、团队负责人和工程领导者提供一幅更清晰、以研究为依据的图景，使组织关于 AI 的决策立足于证据，而不只是热情。生成式 AI 正以超过实证研究和组织实践所能跟上的速度改变软件工程。在这个快速变化的领域，营销主张、个别成功故事和被错误解读的研究，常常会放大各种迷思和误解。本文借鉴近期的大规模研究、访谈与现场观察，指出软件工程中关于 AI 最顽固的八种迷思，并逐一剖析其背后的证据。目标是为理解 AI 的真实影响提供清晰、以研究为基础的依据，帮助组织就采用、衡量和投资作出明智决策。迷思 1：开发者大部分时间都在写代码软件工程是一项要求极高的工作，涉及创造力、长时间专注和大量协作；令人意外的是，真正用于写代码的时间相对很少。软件并不是在真空中写成的，因此开发者既需要独立编写代码，也需要参与会议、站会、规划和代码审查等群体活动。多个研究项目考察了开发者如何度过一天、如何分配时间，结果明确显示：开发者并不把大部分时间用于编码。一项 2025 年对微软 450 多名工程师开展的研究显示，开发者仅有 14% 的时间用于写代码，这与多年来各项研究的发现一致。其中一项研究发现，在“好”的工作日，工程师有 18% 的时间用于“编码”（不包括修复缺陷、测试等）；而在“差”的工作日，编码仅占 11%。这凸显出，好日子与坏日子之间的余量有多么微薄。一项 2025 年 6 月针对微软开发者 AI 使用情况的研究中，有一位开发者正好谈到了这一点：“对我来说，到了我这个层级，我确实花很多时间做设计。编码只是其中一个方面，许多时间也花在设计和会议上。”“我觉得很难说……我工作中有多少能使用它，其实是有个上限的……而真正花在编码上的时间，按一周来看，感觉相对很少。”迷思 2：写代码是瓶颈鉴于上述时间分布，如果只用生成式 AI 协助编写代码，所覆盖的只是软件工程工作量的一小部分。若开发者只有约 15% 的时间是在编辑器中输入内容，那么即使 AI 让编码速度提高一倍，理论上开发者的整体生产率提升也不足 15%。其余 85% 的时间并未受到影响。只加速代码创建、却不处理周边任务（如设计工作、理解遗留代码、配置环境等），可能带来意外后果。如果 AI 让开发者更快地大量产出代码，压力可能只是被推向下游。例如，更快地产出更多代码，也就意味着有更多代码需要审查、测试并集成到产品中。整个开发周期的速度取决于最慢的阶段，而编码往往不是最慢的阶段。因此，主要将 AI 用作代码生成器——尽管对个人有所帮助——未必是借助 AI 更快交付软件的最佳方式。它处理的是在 IDE 中写代码的“内循环”，却基本未改变开发的“外循环”。同一位开发者说道：“所以从这个角度看，我觉得 GitHub Copilot 实际触及到的、我工作中的环节其实相当少。”迷思 3：AI 编写的代码行数是衡量影响的最佳指标“用代码行数衡量软件生产率，就像用飞机的重量衡量飞行进度。”——比尔·盖茨2014 年发表的论文《软件项目中代码行数度量相关性的统计研究》（A statistical study of the relevance of lines of code measures in software projects）在摘要中结论道：“我们发现它〔代码行数〕未能通过所规定的效度检验，因此其效用有限。”尽管这项研究已有十余年，许多组织仍以代码行数衡量开发者生产率。随着 AI 的兴起，这一指标演变为追踪 AI 生成的代码行数——微软等公司甚至公开报告过这一数字。然而，代码行数（以及故事点等其他单点指标）既不具有统计效度，也不是有意义的影响指标。更糟的是，这些指标经常诱导团队“钻指标的空子”，使真实结果更难评估。在不健康的组织文化中，这类衡量方式可能助长有害行为并侵蚀开发者的信任。当开发者感到必须优先追求代码产出量而非协作时，他们可能会在设计质量上妥协，进而增加技术债并加剧安全漏洞。具有讽刺意味的是，为提高编码速度所做的努力——例如借助 AI 生成代码——会放大软件工程中长期存在的挑战。开发者产出更多代码时，需要审查、测试和维护的工作量也会增加，技术债的风险随之上升。软件工程公司的目标并不是最大化所写代码的数量，因此，评估 AI 对软件工程的影响也应体现这一点。仅以代码量衡量成功，歪曲了真正目标：交付安全、可维护且高质量的软件。迷思 4：AI 对所有任务和所有工程师都同样有帮助关于生成式 AI 开发工具的研究结果不一：许多研究发现生产率显著提升，另一些则观察到中性效果，近期甚至有一项研究发现其对生产率有负面影响。为什么结果不一致？目前我们把 AI 当成锤子、把代码当成钉子；但证据表明，决定生成式 AI 能否在某一编码任务上成功的因素很多，既包括任务本身的性质，也包括开发者的技能。《2024 年微软 AI 与生产率研究报告》发现，与不熟悉、理解较少的任务相比，使用 Copilot 完成那些熟悉且理解充分的任务，能带来更大的效率提升。报告还发现，软件开发经验和 AI 辅助工具的使用经验都会对 Copilot 的使用效果产生正面影响。该报告还指出，解决问题的风格和使用动机都会影响 GitHub Copilot 代码生成的成功程度。采用全面信息处理方式的开发者，对写出成功提示词更有信心。此外，出于个人意愿使用技术（而非被迫使用）的人，对写提示词也更有信心。与此同时，职业软件开发年限与写出有效提示词的信心呈负相关。考察开源领域的资深开发者时，一项 2025 年研究发现，AI 工具实际上平均使实现时间增加了 18%。此外，研究发现生成式 AI 对模板化、重复性等“代码密集型”任务更有效，而对更具创造性或协作性的任务则不然。甚至提示词的措辞方式也会极大影响生成式 AI 在编码任务中的成功率。一项研究发现，在保持语义等价的前提下改写提示词，会使 46% 的案例生成不同代码，并使 28% 的案例其正确性发生变化。生成式 AI 可以为软件工程带来可观收益，但其有效性取决于多种因素的复杂相互作用。任务特征、开发者经验、对代码库的熟悉程度、信心以及提示词撰写能力，都会塑造结果。简言之，生成式 AI 的成功高度依赖具体情境——并不存在让它始终有效的通用公式。迷思 5：AI 会把个人开发者变成 10 倍开发者AI 和软件工程讨论中最持久的迷思之一是：GitHub Copilot 等 AI 工具会将个人开发者转变为“10 倍开发者”，从而大幅倍增其生产率。然而，如前所述，这种叙事忽略了现实软件开发的协作性、相互依赖性，以及真实编码任务的复杂性（许多既有研究考察的是玩具示例，而非真实世界的代码）。受控研究可能显示个人在隔离任务上取得令人印象深刻的生产率增长，但这些结果很少能直接迁移到大多数软件实际构建所处的复杂、团队化环境中。“生产率提升 55%”这一说法依赖具体语境。在孤立条件下衡量的生产率提升，并未计入成功交付软件所必需的协调、协作和知识共享。正如其他研究所报告的，开发者之间表现差异的大部分，归因于他们正在执行的任务。一位开发者可能在某项任务上优于另一位，但这不代表他会在所有任务上持续表现更好。这表明（也正如本文始终主张的），任务特征、情境与匹配度在表现中发挥了巨大作用。迷思 6：让 AI 发挥作用，是每位开发者自己的事目前，大多数关于 AI 与软件工程的研究，考察的是单个工程师如何被生成式 AI 工具增强。这把因生成式 AI 而提升生产率的负担放在了工程师自身肩上。从历史上看，生产率的提升并非来自个人层面的改变，而是来自组织层面的系统性改变。乔治城大学计算机科学教授 Cal Newport 在其发表于《纽约客》的文章中有很好的表述：“从历史上看，通过优化系统来提高生产率极其困难。流水线并非在灵光一现、显而易见的洞见中诞生。福特经历了许多失败的开端和渐进式实验。他不得不投入大量资金并开发新工具……如今，我们却漫不经心地要求每位知识工作者，对自己那座所谓的工厂进行同样复杂的优化，并且还要与他们试图精简的所有工作同时进行。”这些工具进入工程师手中时，通常只有极少的指导。生成式 AI 或许是最早出现的这样一种技术：组织已在许可证上投入数百万资金，却没有清晰地了解如何最大化其价值。各种用例正自下而上地自然出现，研究者则在努力识别最佳实践。许多人预期的显著生产率提升迟迟未出现，说明仅仅提供访问权限远远不够。要充分实现生成式 AI 的潜力，我们需要在组织层面重新思考软件工程的系统与流程，营造一种让开发者能在更高效生态中产生更大影响的环境。迷思 7：性能出色的 AI 工具会被自动采用“软件工程师只要发现 AI 工具能够提升表现，就会采用它们”——这一假设忽略了一张复杂的社会、组织和认知障碍之网。最新研究表明，开发者——尤其是女性和年长工程师——在使用 AI 时会面临“能力惩罚”：即便产出完全相同，使用 AI 辅助完成工作的人员也会受到更严苛的评价。信任也是问题：虽然 80% 的开发者使用这些工具，但只有 29% 信任其准确性；许多人表示，调试 AI 产出所花的时间比自己写代码还多。这削弱了其承诺的生产率收益，也增加了认知负荷。此外，AI 工具往往无法顺畅融入现有工作流程。开发者本已不堪重负，可能没有时间或组织支持来学习新工具，特别是当这些工具并未解决他们真正的痛点时。从环境影响到训练数据来源，伦理关切也会发挥作用；人们还担忧技能退化或岗位被取代。工程师担心过度依赖 AI 会削弱自身解决问题的能力，使自己变得不再那么不可替代。归根结底，采用不只取决于工具质量——还取决于信任、情境以及工作中的人的体验。迷思 8：有了生成式 AI，企业就能以初创公司的速度创新生成式 AI 引出了一种常见假设：如果一家小型初创公司能快速交付功能，为什么大型企业不能做到同样的事？AI 确实能普遍加速开发，但初创公司与企业之间的结构性差异使这种比较具有误导性。初创公司通常基于开源组件和文档完备的框架构建——这些资源在大语言模型的训练数据中占有很大比例。相比之下，企业系统依赖 AI 模型从未见过的专有工具和遗留代码库。除了技术复杂度，企业还要遵守仅在大规模环境下才会出现的合规、安全、隐私和监管要求；大多数初创公司从未遇到这些约束。生成式 AI 在从零开始的“绿地”场景中表现最佳，但企业软件必须保持向后兼容，并与数千个内部系统和第三方工具无缝集成。双方目标也不同：初创公司优先追求最小可行产品（MVP）的交付速度与快速迭代；企业则需要在速度、可靠性、安全性和合同义务之间取得平衡。客户期望也进一步分化。初创公司可以发布有缺陷的 Alpha 版本，并得到早期采用者的宽容；企业客户则期待打磨完善、可投入生产的解决方案——监管和合同框架也有此要求。AI 可以帮助初创公司和企业都加快步伐，但结构性现实意味着它们永远不会在相同条件下运作。速度显而易见；复杂性则不然。结语本文讨论的迷思揭示了生成式 AI 对软件工程影响的复杂性。AI 工具可以加速某些任务，但其益处常被夸大或误解——尤其是在开发者实际如何分配时间、生产率意味着什么，以及工作流一个环节的改进如何在其他环节制造新挑战这些问题上。证据显示，情境至关重要：任务类型、开发者经验、团队动态和组织系统都会塑造 AI 采用的结果。代码行数和速度本身，都是衡量真实进展的糟糕替代指标。归根结底，要实现 AI 在软件工程中的全部价值，必须超越炒作和简单化指标，转而聚焦于构建安全、可维护和高质量软件这一更广泛的目标。

新浪微博 2026-08-05 00:00:00