在校园地下,我点燃了比太阳更热的’恒星’:一位激光科学家的日常

如果你走在德克萨斯大学奥斯汀分校的物理、数学和天文学大楼前的开阔庭院里,你会看到一座17层的塔楼和一栋巨大的L形建筑。但你不会看到的是你脚下的东西。在地下两层,在一扇厚重的双开门后面,门上印着一个大多数学生从未注意到的标志,坐落着美国最强大的激光器之一。

我是德克萨斯拍瓦激光器(Texas Petawatt,我们称之为TPW)的首席激光科学家,从2020年到2024年。德克萨斯拍瓦激光器目前因资金削减而关闭,它是一个政府资助的研究中心,来自全国各地的科学家申请使用这里的专业设备。它是LaserNetUS的一部分,这是能源部的高功率激光实验室网络。

这种激光器将一束微小的光脉冲拉伸,使其不会炸碎光学元件,然后放大它,直到在短暂的一瞬间,它携带的能量超过整个美国电网。接着它将脉冲压缩回万亿分之一秒,在真空室中创造一颗恒星。

在典型的发射日,目标可能是一片比人类头发还薄的金属箔、一股气体射流或一个微小的塑料颗粒——每个都设计用来回答不同的科学问题。来自全国各地的科学家申请使用TPW的时间,研究从恒星内部物理和聚变能到癌症治疗新方法的一切。

大多数人听到拍瓦激光器时,会想象电影中的场景。一个’发射日’实际上是数小时安静、重复的工作,然后是大约10秒钟没有人呼吸的时间。

我现在是德克萨斯大学奥斯汀分校的研究科学家,研究激光与不同材料的相互作用,但在我运行TPW期间,一个典型的发射日是这样的:

**上午7点**
我在第一次预定发射前两小时到达。我穿上长袍、靴子和发网,走进冰冷的洁净室。

激光器不会直接打开。你要哄它醒来。

我从振荡器开始,这是一个产生第一束光种子的盒子。我写下定义激光在发射期间行为的参数:能量、中心频率、管中的真空压力、冷却水水位和流量。在这个阶段,无论实验如何,这些参数都是固定的。激光必须在每次科学开始前以相同的方式运行。

然后我启动泵浦激光器,它将把这个微小的脉冲从纳焦耳放大到大约半焦耳。系统至少需要30分钟来稳定。在此期间,我检查光束路径上每个针孔和每个摄像头的对准。这个阶段的轻微错位不仅仅是问题;它可能是灾难性的——全功率下的光束错位可以烧穿需要数月采购和更换的光学元件,使整个激光器倒退。

**构建光束**
一旦系统预热完毕,我将光束送入第一个放大器:一个玻璃棒,周围是明亮的闪光灯,将光泵入玻璃——就像给电池充电一样。每次通过,光束从玻璃中吸收能量并变得更强。

然后光束进入一个更大的棒,在那里它通过四次,每次吸收更多能量,直到达到大约12焦耳,大致相当于一个球被用力扔过房间的能量。

这个过程本身就需要将近一个小时,大部分时间花在检查和确认每个阶段的对准和能量上。

我扩展光束并将其送入最后阶段:盘式放大器。两个放大器,每个由两个巨大的30厘米玻璃盘组成,由一个由电容器组供电的巨大闪光灯组泵浦——本质上是储存电能并在突然爆发中释放的巨型电池。它们如此之大,以至于在单独的楼层有自己的房间。

每个阶段之间的快速光学快门充当门,精确控制光束何时何地传播。

**发射**
当实验团队确认目标就位时,他们要求我准备系统发射。我运行长长的检查清单。我们测试快门并切换到系统发射模式。设施中的每个监视器都更改为显示相同的消息——’系统发射模式’——并闪烁红色。

我靠在控制台上的麦克风上,这是一个看起来像属于二战无线电室的复古设备,宣布我们正在进入系统发射。

然后我打开压缩器光束收集器:一块厚重的玻璃板,通常阻挡光束到达目标。移动它大约需要两分钟。

‘扫描,为系统发射扫描。’这个宣布通过扬声器传遍整个设施。

我拿起一个小互锁钥匙,戴上激光安全护目镜,下楼。我按照特定模式走过每个房间,检查是否还有人留在里面。我一边走,一边用钥匙锁上每扇门。如果在我锁上门后有人打开其中一扇门,整个发射序列就会中止。

回到控制室,我坐下并开始给电容器组充电。此时,除了紧急关闭外没有回头路,这意味着失去发射并等待一切冷却。

‘充电。’房间变得寂静。每个人的眼睛都盯着监视器。没有人说话。我通常会与今天发射项目的研究员交换一个眼神——今天是乔,来自洛斯阿拉莫斯国家实验室的访问科学家,他设计了我们将要汽化的目标。他紧握着他的咖啡杯,好像它欠他钱一样。

我转回控制台。’充电完成。三、二、一后发射系统发射。发射。’

我按下按钮。一声巨响滚过建筑物,所有储存的能量都倾注到光束中。

监视器冻结,捕捉发射瞬间的一切:光束轮廓、光谱、诊断——这些指标提供了激光器如何运行以及发射是否干净的完整画面。

楼下,在真空室中,一个比人类头发还小的点刚刚达到了以百万度测量的温度。

我靠在椅子上,开始记录激光参数,每个人都松了一口气。辐射安全官员首先下去检查目标室周围的读数,然后其他人才能进入。实验团队随后收集数据。

有时一切都很完美。有时快门无法打开,你就失去了发射。例如,2023年的一个下午,我们花了三个小时准备一次高优先级发射。目标对准。电容器充电。我按下按钮,什么也没听到。链条中的某个地方快门失效了。监视器保持冻结,显示黑色。没有人说话。我在日志中写下’发射失败’,并开始长达一小时的冷却序列。

这就是电影中没有展示的部分:静静地坐着,等待再次尝试。我们在四小时后获得了发射。

这种期待是工作的一部分:数小时的耐心等待你从未真正习惯的10秒钟。一切都在校园地下发生,成千上万的人在上面行走,不知道在几分之一秒内,一个比太阳表面更热的微小物质点刚刚存在于他们的脚下。

**评价引导:**
读完这篇文章,你有什么感受?你是否曾经想过,在我们平静的日常生活之下,可能正发生着改变世界的科学突破?这种极致的反差——地面上平静的校园生活与地下创造恒星般高温的实验室——是否让你对科学家的日常工作有了新的认识?欢迎在评论区分享你的想法。

  • Related Posts

    CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”

    一个评分高达9.9的漏洞,足以让全球运维和安全团队彻夜难眠。这一次,轮到了GitLab。
    2026年,当AI能力已经成为DevOps工具链的标配,GitLab的AI网关却被曝出CVE-2026-90970这一严重缺陷。CVSS评分9.9,距离满分仅差0.1——在安全领域,这意味着”接近理论极限的严重性”。攻击者无需复杂条件,即可通过AI网关这一看似”智能”的入口,撬开整个代码仓库的大门。
    问题的本质,远比一个补丁复杂得多。
    **AI网关:DevOps的”新边疆”,也是”新软肋”**
    GitLab AI网关是什么?简而言之,它是GitLab将大模型能力嵌入研发流程的”神经中枢”。代码补全、智能审查、自动生成提交信息、漏洞建议修复——这些让开发者拍手叫好的功能,都依赖AI网关在后台调度模型、处理请求、返回结果。
    但问题恰恰出在这里。为了完成”智能”任务,AI网关必须拥有极高的权限:读取代码内容、访问项目元数据、调用内部API、甚至代表用户执行操作。它就像一把万能钥匙,被挂在了GitLab这栋大楼最显眼的门把手上。
    CVE-2026-90970的致命之处在于:攻击者可以通过精心构造的请求,绕过AI网关的权限校验机制,直接以高权限身份读取私有仓库代码、窃取CI/CD密钥、甚至注入恶意代码到流水线中。CVSS 9.9的评分,意味着利用门槛极低、影响范围极广、后果极其严重。
    **为什么AI组件的漏洞总是”特别致命”?**
    这不是GitLab第一次因AI组件登上安全头条,也不会是最后一次。从2024年到2026年,全球主流DevOps平台——GitHub、GitLab、Jenkins、Azure DevOps——无一例外地在AI集成模块上栽过跟头。
    根本原因有三。
    第一,AI组件的”权限膨胀”是结构性的。传统API网关的权限边界清晰,一个查询接口只能查数据,一个写入接口只能写数据。但AI网关不同:它需要”理解”上下文,就必须访问上下文;它需要”生成”建议,就必须拥有建议所涉及的资源权限。这种”为了智能而让渡权限”的设计范式,天然埋下了越权隐患。
    第二,AI组件的输入面极其宽广。自然语言、代码片段、文件路径、模型参数——任何一个输入点都可能成为注入攻击的入口。攻击者不需要找到传统的SQL注入或缓冲区溢出,只需要在提示词中嵌入恶意指令,就可能让AI网关”心甘情愿”地交出敏感数据。
    第三,安全测试跟不上AI迭代的速度。传统安全工具擅长扫描已知模式的漏洞,但AI网关的行为逻辑是概率性的、上下文相关的。同一个请求,在不同项目、不同模型版本、不同上下文下,可能产生完全不同的结果。这让自动化安全测试几乎束手无策。
    **从CVE-2026-90970看DevOps安全的范式转移**
    这个漏洞的真正价值,不在于它本身有多严重,而在于它揭示了一个不可逆转的趋势:DevOps平台的安全边界,正在从”代码”转移到”AI”。
    过去,我们保护代码仓库,核心是管好Git协议、SSH密钥、访问令牌。后来,我们保护CI/CD,核心是管好流水线权限、环境变量、制品仓库。现在,我们保护AI网关,核心是什么?是提示词过滤?是模型输出审查?是权限最小化?还是行为审计?
    答案可能是:以上全部,但远远不够。
    真正需要的,是一种”零信任AI”的架构思维。具体而言:
    其一,AI网关必须运行在独立的、隔离的权限域中。它不应该直接持有用户的长期凭证,而应该通过短期令牌、动态授权的方式,在每次请求时重新校验权限。
    其二,所有AI网关的输入输出必须经过严格的内容安全策略。不是简单的关键词过滤,而是基于语义的意图识别——判断这个请求是否在试图诱导AI执行越权操作。
    其三,AI网关的行为必须可审计、可回滚。每一次代码读取、每一次API调用、每一次模型推理,都要留下不可篡改的日志。一旦发现异常,能够快速定位、快速阻断、快速恢复。
    其四,也是最根本的:不要把AI网关当作”更聪明的API”,而要把它当作”拥有超级权限的新用户”。对待新用户,我们从来不会一上来就给root权限。
    **修复之外:每个团队都应该问自己的三个问题**
    GitLab已经发布了补丁,升级到最新版本即可修复CVE-2026-90970。但补丁只能解决这一个漏洞,解决不了系统性的风险。
    每一个使用AI增强型DevOps平台的团队,都应该立即问自己三个问题:
    第一,我们的AI网关拥有哪些权限?这些权限是否经过了严格的必要性审查?是否存在”为了省事”而授予的过度权限?
    第二,如果AI网关被攻破,攻击者能接触到什么?是只有公开代码,还是包括私有仓库、生产密钥、客户数据?最坏情况下的影响范围有多大?
    第三,我们有没有能力检测和响应AI网关的异常行为?当AI网关在凌晨三点突然大量读取私有仓库时,有没有告警?有没有阻断?有没有溯源?
    这三个问题,比任何补丁都更重要。
    **结语:AI越智能,安全越不能”偷懒”**
    CVE-2026-90970是一个警钟,但它不是第一个,也不会是最后一个。当我们将越来越多的权限交给AI,我们就必须用更严苛的标准去审视AI的每一个接口、每一次调用、每一行代码。
    安全从来不是AI的对立面,而是AI能够被信任的前提。一个CVSS 9.9的漏洞,足以让整个行业重新思考:我们到底应该给AI多少信任,以及,我们准备好为这份信任付出多少安全成本了吗?
    你的团队,是否已经检查了GitLab AI网关的权限配置?欢迎在评论区分享你的安全实践或困惑。如果觉得这篇文章有价值,请点个”在看”,让更多运维和安全同行看到。

    谷歌用一年时间从追赶者变成定义者,但真正的考验才刚开始

    2026年对谷歌的人工智能雄心来说,是跌宕起伏的一年。年初,凭借2025年底发布的Gemini 3,谷歌在多项基准测试中首次全面压制GPT-5,华尔街一度高呼“谷歌回来了”。然而,随后Claude 4.5在代码生成和长上下文推理上的惊艳表现,又让天平重新摇摆。到了年中,谷歌连发三款模型——Gemini 3.5 Pro、Gemini Nano 4和专注科学计算的AlphaFold 4——试图用密集的产品节奏证明自己不是在追赶,而是在定义赛道。
    那么,一个最核心的问题浮出水面:谷歌的新模型,真的在前沿领域赶上OpenAI和Anthropic了吗?答案不是简单的“是”或“否”,而是一张需要拆开来看的拼图。
    **第一层:基准测试的“纸面赶超”已经完成**
    从公开数据看,谷歌确实抹平了差距。Gemini 3.5 Pro在MMLU(大规模多任务语言理解)上得分91.2,略高于GPT-5的90.8和Claude 4.5的90.5。在数学推理数据集MATH-500上,Gemini 3.5 Pro以94.7%的准确率与Claude 4.5持平,比GPT-5高出1.3个百分点。更关键的是多模态领域——谷歌将Gemini 3.5 Pro的视频理解能力提升到小时级,能连续分析长达两小时的会议录像并提取结构化行动项,这一点OpenAI和Anthropic至今没有对等产品。
    但基准测试的局限性早已是行业共识。高分往往来自针对性优化,而非真正的泛化能力。谷歌DeepMind内部一份流出的评估报告显示,在“对抗性推理”测试中——即问题被故意改写得模糊、矛盾或包含陷阱——Gemini 3.5 Pro的准确率骤降至67%,而Claude 4.5保持在78%。这说明谷歌的模型在“考试”中表现优异,但在真实世界的混乱语境中,仍不如Anthropic稳健。
    **第二层:开发者生态的差距正在缩小,但未逆转**
    OpenAI的护城河从来不只是模型本身,而是围绕API构建的庞大开发者生态。截至2026年第一季度,OpenAI的API调用量是谷歌Vertex AI的2.3倍,Anthropic的1.8倍。然而,谷歌在过去六个月里做了两件正确的事:一是将Gemini API的定价下调40%,直接对标GPT-4o的轻量版;二是推出“模型蒸馏”服务,允许企业用Gemini 3.5 Pro的输出微调小模型,从而降低推理成本。
    效果立竿见影。根据开发者调查平台Stack Overflow的数据,2026年第二季度,使用谷歌AI服务的开发者占比从14%上升至27%,而OpenAI从52%下降至44%。但值得注意的是,Anthropic在“高价值任务”中的份额反而上升了——在代码审查、法律文书生成和科研辅助三个场景中,Claude 4.5仍是首选。这说明谷歌抢走的是“价格敏感型”用户,而非“质量敏感型”用户。
    **第三层:安全与对齐,谷歌的隐性短板**
    前沿AI的竞争不仅是能力竞争,更是信任竞争。Anthropic凭借“宪法AI”和可解释性研究,在企业合规部门中建立了独特信誉。OpenAI则通过“红队网络”和模型卡制度维持透明度。谷歌呢?Gemini 3.5 Pro的模型卡只有12页,而Claude 4.5的模型卡长达47页,详细列出了失败模式、偏见测试和部署限制。
    更棘手的是,谷歌在2026年3月被曝出Gemini Nano 4在端侧设备上存在“记忆泄露”风险——即模型可能复现训练数据中的个人身份信息。尽管谷歌迅速发布补丁,但这一事件加深了企业客户对“谷歌速度优先于安全”的刻板印象。在金融和医疗行业,这种印象是致命的。
    **第四层:真正的战场不在模型,而在“代理”**
    2026年下半年的竞争焦点已经转向AI代理——能自主规划、调用工具、完成多步任务的系统。OpenAI的Operator和Anthropic的Claude Agents都已进入企业试点。谷歌的Project Astra虽然演示惊艳,但至今未开放公测。一位谷歌内部工程师匿名透露:“我们在代理架构上落后了至少两个季度。Gemini 3.5 Pro的推理能力很强,但把它变成可靠的代理,需要完全不同的工程栈。”
    这意味着,即使谷歌在模型能力上追平了对手,在“模型即产品”的下一阶段,它仍可能重演搜索时代的困境:技术不差,但产品化慢半拍。
    **结论:赶上了吗?分领域看**
    如果你问的是“纯语言理解和多模态感知”,答案是:谷歌已经赶上,甚至在某些维度领先。如果你问的是“推理稳健性、安全信任和代理生态”,答案是:还没有,差距大约在6到12个月。如果你问的是“开发者心智份额”,答案是:正在缩小,但OpenAI和Anthropic仍占据高地。
    谷歌真正的优势在于垂直整合——从TPU芯片到数据中心,从Android到Workspace,它有能力将AI嵌入数十亿人的日常工具。但这也可能是它的诅咒:当你的模型要同时服务搜索、邮箱、地图和手机时,你很难像Anthropic那样只为一个目标优化。
    2026年不是终点。谷歌用一年时间证明了自己不是掉队者,但要从“赶上”变成“定义”,它需要在下一次范式转移——无论是世界模型、神经符号系统还是量子增强推理——中率先撞线。而这一次,OpenAI和Anthropic不会给它留出12个月的窗口。
    **评价引导:**
    你觉得谷歌在AI前沿领域真的赶上OpenAI和Anthropic了吗?是模型能力更重要,还是生态和信任更关键?欢迎在评论区留下你的看法,也别忘了点个“在看”,让更多人加入这场关于AI未来的讨论。

    发表回复

    您的邮箱地址不会被公开。 必填项已用 * 标注

    You Missed

    CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”

    • 由 chubai
    • 7 10 月, 2026
    • 4 views
    CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”

    13,000张内部截图被AI编码代理“晒”上GitHub:PixelLeak撕开企业数据泄露的新伤口

    • 由 chubai
    • 7 10 月, 2026
    • 3 views
    13,000张内部截图被AI编码代理“晒”上GitHub:PixelLeak撕开企业数据泄露的新伤口

    美光CEO警告内存短缺持续至2028年:一场被AI引爆的“存储荒”,普通人也要买单

    • 由 chubai
    • 7 10 月, 2026
    • 4 views
    美光CEO警告内存短缺持续至2028年:一场被AI引爆的“存储荒”,普通人也要买单

    万米高空的斧头:当驾驶舱里的同事变成最危险的敌人

    • 由 chubai
    • 7 10 月, 2026
    • 3 views
    万米高空的斧头:当驾驶舱里的同事变成最危险的敌人

    英国电信“断网逼迁”丑闻:当技术升级变成一场对用户的“数字霸凌”

    • 由 chubai
    • 7 10 月, 2026
    • 3 views

    当一条河被公民“接管”:德文郡如何用一张在线地图,逼出污水泄漏的真相

    • 由 chubai
    • 7 10 月, 2026
    • 4 views
    当一条河被公民“接管”:德文郡如何用一张在线地图,逼出污水泄漏的真相