据点守卫遗忘之门困难3通关攻略-新讯

来源：中国科学院力学研究所发布时间：2026/1/11 11:26:01 选择字号：小中大

可拉伸拉链：助力智能可穿戴系统完全可拉伸化

由柔性电子器件和紧身衣组成的智能可穿戴系统凭借其高集成度和优异的贴合性，在医疗健康和人机交互等领域有广泛的应用前景。近年来，尽管柔性电子在各方面取得了长足的进步，但作为智能可穿戴系统中紧身衣主要组成部分的可拉伸弹性织物与不可拉伸拉链之间的力学协调问题仍长期存在，影响了系统的功能、舒适性和美观性。实现拉链可拉伸化是解决上述问题的有效方案。

近来，力学研究所苏业旺研究员团队提出了可拉伸拉链力学结构设计，消除了拉链在实现拉伸过程中面临的传统链牙沿长度方向排列的紧密性要求与可拉伸拉链的拉伸性需求之间的矛盾，解决了拉链交叉布置时重叠区域抗干扰能力不足和无法闭合的难题。该研究成果分别以“Stretchable zipper”和“Crossed stretchable zipper”为题近期发表于新兴国际学术期刊《Soft Science》。

可拉伸拉链基于仿生力学结构设计。链牙能够通过交错的匙状结构实现互锁，凭借缝合连接机制限制垂直于互锁面的分离，并依靠钩-槽拉伸限制器避免拉伸时链牙间距离过大导致互锁结构失效（图1）。拉链应变可达25%，最大超出了现有拉链的200%。同时，新型拉头结构保证可拉伸拉链能够在全应变区间内无论两侧链带应变是否相同均能顺利开合（图2）。此外，交叉适配器通过子零件间的互锁实现拉链交叠区域的拉合，并依靠子零件间的扣-槽结构和缝合连接机制抑制互锁后交叉适配器的结构失效（图3）。交叉适配器与可拉伸拉链的结合实现了在保证可拉伸性的前提下拉链的交叉化布置。新型拉头保证了交叉可拉伸拉链交叠处开合状态的顺利切换。在偏瘫康复可穿戴系统和伤口闭合中的应用表明，可拉伸拉链在适应拉伸和增强贴合性方面具有显著优势，能够明显降低对相应部位附近形变的约束（图4）。同时，基于交叉可拉伸拉链的模块化封装方案也可使电子器件部署门槛大大降低，可以推动智能可穿戴系统的个性化，普及化发展。可拉伸拉链设计的提出，是实现智能可穿戴系统完全可拉伸化的最后一块拼图，有很好的产业化前景。

相关工作在《Soft Science》上已发表两篇论文，第一作者为中国科学院力学研究所研究生王梵名，通讯作者为苏业旺研究员；合作者包括力学所研究生李沁蓝、王之桐副研究员、冯春高级工程师。该工作得到了来自国家自然科学基金委和中国科学院的项目支持。

原文链接：

https://www.oaepublish.com/articles/ss.2025.66

https://www.oaepublish.com/articles/ss.2025.85

图1. 受生物启发的可拉伸拉链

图2. 可拉伸拉链的关键结构设计及双边非等效互锁过程

图3. 交叉可拉伸拉链的交叉适配器和拉头的结构设计

图4. 在智能可穿戴系统和医疗设备中的应用

（原标题：可拉伸拉链——智能可穿戴系统完全可拉伸化的最后一块拼图）

特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。" alt="可拉伸拉链：助力智能可穿戴系统完全可拉伸化—新闻—科学网" />可拉伸拉链：助力智能可穿戴系统完全可拉伸化—新闻—科学网2026-06-20 22:50

止步WTA1000迈阿密站女单1/8决赛郑钦文第八次不敌萨巴伦卡2026-06-20 22:43

昨晚的新一代小米SU7发布会，原本是一场聚焦技术突破的硬核秀，却因为雷军的一句口误，意外演变成了一场关于物理常识的全民大讨论。

事情发生在介绍车身安全结构的环节。当时，雷军站在巨大的屏幕前，身后展示着小米SU7在各项碰撞测试中的优异成绩。

在谈到某一项工况时，他脱口而出：“50%的偏置，60km/h车对车正面碰撞，两辆车都是60km/h，相对时速120km/h，相当于一辆车120km/h撞到墙上，这个碰撞能量是标准车子工况的1.44倍……”

话音刚落，直播间弹幕和社交媒体上炸开了锅。

网友分成两大阵营，一边是“雷总说的没毛病啊，60加60确实等于120啊”，另一边则是“雷总，您这物理是跟体育老师学的吧？”

先说结论：数学上，雷总确实没毛病。60加60，确实等于120，这一点小学生都能做到。但问题是，雷总把这道数学题，用错了地方。

两辆车各以60km/h的速度迎面撞上，相对速度确实是120km/h，但“相当于一辆车以120km/h撞墙”，这就不对了，而且还是大错特错那种。

有学过物理的网友掏出公式：碰撞伤害看的是什么？是能量瞬间归零的过程。

一辆车以60km/h撞墙，它自己的动能要在极短时间内归零，车头吸能，乘员承受减速度。

120km/h撞墙是什么概念？速度翻倍，动能是原来的四倍。

雷总嘴里那个“1.44倍”，跟实际该有的四倍，差异巨大。

面对这场迅速发酵的舆论，雷军并未像往常那样在发布会后立刻进行长篇回应。直到深夜，他才在社交平台上以相对低调的方式作出了解释。

他承认自己在表述上存在不严谨之处，并澄清了当时的真实意图。

他表示，小米SU7在研发过程中确实进行了大量的碰撞测试，其中包括两车以60km/h的相对速度进行对撞的工况，而他想强调的是这种工况的严苛程度——在真实的交通事故中，这种相对速度的场景极为常见，对车身结构的考验也非常大。

但由于现场语速过快，加之想把复杂的技术原理简化传达给观众，才导致了“60+60=120”这种过于简化的表述。他感谢网友的指正，并表示未来在技术沟通上会更加严谨。

从传播效果来看，这次口误对于小米汽车而言，是一次典型的负面事件。

它让发布会的一部分技术亮点被争议声盖过，品牌方不得不在舆论场中花费额外精力进行科普和解释。

然而从另一个角度来看，这个“60+60”的梗以一种意想不到的方式，让“小米SU7碰撞测试”这个话题获得了远超预期的关注度，甚至倒逼大量汽车媒体和物理科普博主下场做起了碰撞力学的深度解析，客观上完成了一次大规模的用户教育。

所以，你们觉得这轮风波中，小米是亏是赚呢？

" alt="60+60=120？雷军就发布会口误做解释" />60+60=120？雷军就发布会口误做解释2026-06-20 22:43

过去十多年，云基础设施通过“抽象化”实现扩展，借助标准化服务器、虚拟化资源及软件层，有效弥合了硬件层面的差异。这种模式之所以行之有效，是因为部分工作负载能够容忍一定程度的低效。然而，人工智能(AI) 工作负载无法容忍低效，也因此暴露出了传统架构在供电、散热、算力密度、内存带宽及系统整体性能方面的短板。

本质上，AI 重新定义了“优秀”基础设施的标准。相应地，平台设计的重心也从注重单一的芯片或服务器，转向了打造机架级、可扩展的系统，在功耗和预算有限的前提下，实现高效扩展。而这一转变背后的原因在于，推理与智能体 AI 工作负载持续增长且不间断运行，对高密度、全天候在线的算力需求正快速提升。

Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，把这一转变称为迈向“系统级协同”。设计的关键不再是堆多少算力，而是平台能不能有效地把加速器、CPU、内存、网络和软件协同起来。

正因如此，业界正加速迈向定制化机架级系统设计：即围绕 AI 负载特性、功耗波动和持续利用率来进行端到端设计的平台。越来越多的架构师开始重新思考计算底层设计，选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。

AI 促使行业重构：转向定制化机架级系统

这一转变的核心原因，并非通用型标准化基础设施无法承载 AI，而是碎片化的系统设计，在 AI 规模化部署时，终将转化为真实可感的成本代价。

AI 工作负载在计算、内存、网络、存储及软件各环节紧密耦合。CPU 拖后腿，昂贵的加速器就会空等；功耗和散热波动，利用率就会下滑；数据管道、调度、编排未能针对平台调优，吞吐量就不可预测。峰值性能依然重要，但稳定性、每瓦性能和系统整体平衡性更关键。

Futurum 指出，超大规模云服务提供商正进行结构性调整，旨在实现算力的指数级增长，同时避免能耗的同步激增。Futurum 引用 Arm 的数据指出，到 2025 年末，出货到头部超大规模云服务提供商的算力中，有近 50% 是基于 Arm 架构。

架构师现在不再只看纸面跑分，而是更关心 AI 平台在实际应用中能否长期可靠地运行智能体 AI 和连续推理工作负载，比如：

长时间高负载下，系统表现如何？

在实际环境中，功耗限制和散热条件如何影响性能曲线？

在机架级系统中，计算层如何确保加速器能持续获得稳定的数据供给，而非仅停留在纸面参数上？

当能效、可扩展性与系统平衡性成为首要原则时，重新审视 CPU 底层架构就成了必然。也正因为此，Arm 凭借领先的架构和完善的生态，正是这场行业变革的核心所在。

在数据中心领域，Arm Neoverse 平台是推动这一转型的核心引擎。亚马逊云科技、Google、微软、NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。Arm 的模式既能支持定制化系统设计，又能保持跨平台、跨生态、跨软件的一致性。对于想要构建高集成度平台、又不愿被单一技术路径绑定的团队而言，这种灵活性至关重要。

智能体 AI 与持续推理，

重塑规模化算力的经济逻辑

随着 AI 与通用计算工作负载的融合，AI 工作负载正在发生变化，基础设施也需随之调整，以支持多样化的工作负载特性。

行业重心正在转向智能体 AI，而智能体 AI 本质上就是一个连续推理系统。智能体并不是简单地给出一个答案，而是会规划、调用工具、检索数据、验证结果，如此循环往复。由此便形成了连续推理模式：稳定不间断的词元 (token) 生成任务，请求类型趋于多元化，围绕加速器的编排和数据迁移任务变得更繁重。

在智能体 AI 里，CPU 不再是配角，而是整个 AI 系统的控制中枢。CPU 负责协调控制、调度任务、管理 IO、处理网络与存储服务、执行安全策略，并在模型、上下文及工具链不断演进的过程中，维持整个系统的平衡。

以承载大语言模型 (LLM) 的服务为例，它可能同时处理成百上千的并发请求。就算加速器负责核心计算，CPU 也要承担请求权限控制、分词和预处理、批处理和队列调度、数据迁移编排，以及针对模型权重与 KV 缓存的数据路径协调等。到了智能体工作流，CPU 的工作负担进一步扩展，还要承担工具调用、检索流程、结构化输出验证、多步调度等持续运行的任务。

这一切都表明，CPU的重要性远超许多团队的预期。如果 CPU 跟不上编排节奏，数据迁移、处理流程和加速器都会被“卡住”，面临结构性的闲置风险。

融合型 AI 数据中心的建设，彰显了 Arm 架构的强劲势头

Arm 的发展势头正在加快。在业内领先的集成式 AI 系统中，基于 Neoverse 平台的 CPU 被广泛用于智能体推理密集型系统的编排层，尤其适合追求高能效、可预测扩展能力和大规模部署的应用场景。

独立测试也印证了现代 CPU 基础平台在“AI 相关”工作负载中的价值。Futurum 旗下 Signal65 的独立基准测试对比了基于 Arm Neoverse 平台的 Amazon Graviton4 与同级的 AMD和 IntelEC2 实例，结果显示：在生成式 AI (Llama-3.1-8B)、数据库 (Redis)、机器学习(XGBoost)、网络 (Nginx) 等测试的各种工作负载中，基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。

测试结果直接反映了智能体 AI 数据中心的现状：LLM、检索层、缓存、Web/API、传统机器学习等全都处于智能体系统的关键路径上，只有当 CPU 兼具速度与能效时，整体才能更好地扩展。

最新的机架级 AI 系统在架构设计上，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，由后者承担调度编排、数据迁移与智能体推理预处理等关键任务。NVIDIA Grace Hopper、Grace Blackwell 等系列产品，将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。而其最新机架级平台 Vera Rubin NVL72，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，专为交互式、深度推理型智能体 AI 优化，显著降低推理成本。

亚马逊云科技也在走同样的系统级路线：Amazon Trainium3 UltraServer 把 Trainium3 加速器芯片与 Graviton CPU 结合，强化了“融合型”设计理念：将加速器与定制的高性能、高能效 CPU 相匹配，以实现高效扩展。

“提供更优选择”不再是偏好，而是硬性要求

AI 系统迭代太快，固定架构已无法适配其发展节奏，因此为客户提供更优选择已成为风险管理的必要举措。

系统架构师想要的是：

平台能适应不同代的硬件、多样的工作负载配置及各异的部署环境；

软件可移植，以降低系统变更成本。

与此同时，系统架构师希望避免因过度依赖单一厂商，而导致在模型组合变化、业务规模扩张或新需求出现时陷入被动。在智能体时代尤其如此：推理形态不断变化，上下文更长、工具调用更多、多模态输入更频繁、全天候工作负载更普遍，效率和平衡远比峰值跑分重要。

Arm 架构在提升系统性能的同时，保持跨平台一致性。Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，而且拥有强大的软件生态支持。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，既加速了芯片开发，又保留了合作伙伴间的差异化与选择权。对于所有基于 Arm 架构的平台，一致性贯穿始终，云工作负载迁移至 Arm 平台也极为便捷。同时，在软件层面，Arm 生态助力团队在不同环境与平台间拥有一致连贯的基础，从而加速开发进程，无需重写所有代码。

智能体 AI 经济重塑 CPU 选择格局，Arm Neoverse 平台成头部厂商首选

系统架构师之所以倾向于 Arm 平台，因为它精准匹配定制AI 系统的核心需求：能效、可扩展性及每瓦性能。能效重要，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，因为加速器闲置成本极高；一致性重要，因为 AI 基础设施变化快、跨环境部署日益增多。

在融合型智能体 AI 数据中心里，面对持续推理的应用需求，上述优先事项变成了上线即需满足的硬性指标。智能体系统不只需要能生成词元的加速器，更需要以 CPU 为核心的编排能力，在网络、存储、调度、安全层面，持续、高效、大规模地把资源利用起来。

Arm 如今的强劲增长正源于此：Neoverse 正成为智能体时代的 CPU 基础平台，作为计算头节点，是让 AI 系统保持高效、一致并面向未来的核心控制中枢。

" alt="为何AI数据中心的系统架构师首选Arm平台" />为何AI数据中心的系统架构师首选Arm平台2026-06-20 22:41

（贝壳副董事长、贝壳整装首席执行官徐万刚）

在8月26日贝壳发布的中期业绩报告显示，家装家居上半年实现净收入75亿元，同比增长16.5%，第二季度贡献利润率达32.1%，业务城市层面（扣除总部费用前）实现盈利。历经半年，随着贝壳整装战略在全国城市不断落地，徐万刚于发布会上总结分享了贝壳整装战略的阶段进展与未来方向。

在“好产品”方面，徐万刚提到，贝壳整装正在以“产品化样板房”为核心载体，推动门店从“攒机模式”向“整机模式”转型，通过标准化、模块化的全案方案替代传统分散采购，打造真正可实现的一站式整装产品。今年7月，贝壳整装依托北京白石桥商圈的签约中心，打造了第一家基于客户需求洞察、研发可快速迭代的模块化家装组合、融合大师设计的被窝整装精品馆，探索一站式家装解决方案新模式。据悉，成都、武汉、天津、广州、佛山、南京等城市的整装精品馆也将陆续开业。

(被窝整装精品白石桥店展厅)

同时在供应链与交付方面，贝壳整装于2025年首次在行业引入招标集采模式，基于国家标准和行业标准，进一步制定了更为严格的招标要求，品牌商及其产品符合明确标准方可入选。该举措有效保障了产品品质，推动了合作品牌和SKU的聚焦，集采比例上半年提升至60%以上。

此外，贝壳整装还通过培训和考核提升职业水平，强化工人共享机制，构建公司和工人之间更稳定高效的合作关系，聚焦优质服务者。贝壳发布的中期业绩报告显示，Q2职业化项目经理的月人均接单量为去年均值的2倍以上。贝壳整装不断加强一体化交付、服务者和供应链管理能力，持续提升整装交付能力。

在“好服务”方面，贝壳整装于今年正式上线“资金存管服务”，截至目前已在北京、武汉、南京、广州、郑州、深圳等全国20多个城市落地。徐万刚认为，打破传统装修 “先付款后施工” 的模式局限，将选择权交给消费者，在提升消费者的信心、优化装修体验方面，贝壳走出了行业重要的第一步。

今年8月27日，北京市住房和城乡建设委员会公布了“十四五”期间北京市智能建造领军企业名单，贝壳、北京城建、中铁建等8家企业成功入选。贝壳整装“数智化居住家装服务”是唯一入选该名单的家装企业。

在“好科技”方面，徐万刚表示，科技驱动是全案整装服务商战略落地的核心，通过多年在AI、智能技术上的投入研发，贝壳整装打造了1个家装智能建造核心数字平台HomeSaaS和多项家装科技应用产品，如家装BIM、AI工地摄像头和穿戴式管家记录仪等。这些科技成果已在家装全案流程中取得了广泛的应用，行业效率与客户满意度得到双提升，未来贝壳整装会持续投入研发，在智能家居方面进行不断探索。

（贝壳整装科技应用产品贝刻云视）

徐万刚表示，在房地产政策深化与存量房时代加速到来的背景下，2025年，是中国家装行业经历艰难转型的一年，是机遇与挑战并存的一年，贝壳整装也正在打一场硬仗。据了解，伴随“全案整装服务商”战略的聚焦落地，在业务调整中，也关闭了部分投入产出严重失衡的重资产门店，但未来一年内将新开至少100家整装精品馆。贝壳整装希望能够与追求更好品质的装企友商们一起努力，为客户打造更好的服务，更好的产品，共同推动行业进步。

" alt="徐万刚:深化全案整装服务商战略,聚焦“三个好”" />徐万刚:深化全案整装服务商战略,聚焦“三个好”2026-06-20 22:33