亚马逊已正式确认2026年Prime Day将于**6月23日（周二）至6月26日（周五）**举行，为期四天。这是Prime Day首次固定在6月举办，较往年7月的时间有所提前。本文汇总了已知的关键信息，包括活动时间、如何提前锁定早期优惠、与往年活动的对比，以及获取Prime会员折扣的途径。 ## 活动时间与背景 亚马逊在5月初确认Prime Day将回归6月，并于6月1日正式公布具体日期。今年的活动窗口为**6月23日至26日**，共四天整。此前，Prime Day通常在7月举行，例如2025年的活动就在7月中旬。这次提前至6月，可能与亚马逊希望错开夏季促销高峰、提前刺激消费有关。 ## 早期优惠与准备工作 目前，亚马逊已提前释出部分早期优惠，涵盖**Alexa设备、Kindle阅读器**等热门品类。用户可以通过以下方式做好准备： 1. **关注早期折扣**：部分商品在活动正式开始前已降价，建议持续留意亚马逊页面。 2. **设置提醒**：利用亚马逊App或网页的“心愿单”功能，及时接收价格变动通知。 3. **检查Prime会员资格**：Prime Day仅限Prime会员参与。亚马逊提供了**50%折扣**的会员获取方式，符合条件的新用户或特定群体（如学生、低收入者）可享半价订阅。 ## 与往年活动的对比 与以往7月举办的Prime Day相比，今年的变化主要体现在： - **时间提前**：6月举办可能意味着更早的夏季购物季启动，用户可提前为返校季或夏季旅行备货。 - **活动周期**：四天的时长与往年持平，但具体折扣力度和品类覆盖尚待活动开始后确认。 - **竞争环境**：6月也是其他零售商（如沃尔玛、Target）推出夏季促销的时段，亚马逊需在价格和独家商品上保持优势。 ## 值得关注的品类 根据往年经验，Prime Day的优惠通常集中在： - **智能家居设备**：如Echo音箱、Ring门铃、Fire TV等。 - **电子阅读器**：Kindle系列常出现历史低价。 - **消费电子**：耳机、平板、笔记本电脑等。 - **日用品**：部分家居、美妆品牌也会有折扣。 ## 结语 2026年Prime Day的早期信息已相当明确。建议用户提前规划预算、关注早期优惠，并确保Prime会员资格有效。随着活动临近，预计亚马逊会陆续放出更多品类折扣和抢购攻略，值得持续跟进。
在伦敦举行的Ubuntu 26.04峰会上，Canonical创始人兼CEO **Mark Shuttleworth** 宣称，Ubuntu 26.04是“AI智能体时代”的操作系统。这一论断的背后，是Canonical对软件分发和安全模式的根本性重塑。 ## 从curl到bash到snap：安全与速度的平衡 Shuttleworth指出，AI驱动的软件创新速度已远超传统打包和发布流程。对于AI开发者而言，必须超越APT和RPM，转向**签名、自动更新、策略驱动的snap包**。snap包长期以来是Canonical解决上游软件分发的方案，但在AI时代，更新需要“互联网速度”的同时，不能牺牲可审计性和控制力。 引用开发者Alan Pope的Snap Store仪表盘数据，Shuttleworth展示了**一个早晨内数十个snap更新**跨x86、Arm、RISC-V和Power架构同步落地的场景。他强调，snap包凭借**隔离机制、渐进式发布、频道管理和企业级门控**，成为“向地球上任何Linux发行版交付软件的最安全方式”。 ## 细粒度权限：桌面级安全新范式 Canonical的Ubuntu工程副总裁**Jon Seager**进一步介绍了面向用户的新特性：类似Android和iOS的**细粒度权限提示**。当被隔离的应用首次尝试访问摄像头时，桌面会弹出提示请求用户授权。这一功能得益于从内核、AppArmor到snapd和GNOME显示管理器的全新管道设计。 ## 对AI开发者的意义 Ubuntu 26.04不仅提供了AI专属的开发环境，还通过**Rust语言实现的内存安全**，从底层保障系统稳定性。对于构建和部署AI智能体（Agent）的开发者而言，这意味着更少的安全漏洞和更可靠的运行环境。 ## 行业背景 随着AI智能体（如自主编程、多步骤推理工具）的兴起，操作系统需要同时支持高频更新、严格隔离和跨平台兼容。Ubuntu 26.04的snap包机制和权限模型，正是对这一趋势的直接响应。Canonical试图通过将“开放源码”定位为“AI时代的原材料”，巩固其在开发者生态中的核心地位。 ## 小结 Ubuntu 26.04的发布标志着Linux发行版对AI工作负载的深度适配。从snap包的安全分发到Rust内存安全，Canonical正在构建一个既快速又可信的基础设施。对于AI开发者来说，这或许意味着更少的运维负担和更快的迭代周期。
Android系统默认将删除的文件保留在回收站中30天，但作者建议用户不必等待自动清理。本文解释了提前手动删除的理由，并提供了操作步骤。 ## 为什么要手动清空回收站？ Android的回收站（Trash）功能类似于电脑的回收站，被删除的文件不会立即消失，而是暂存30天，之后系统会自动永久删除。然而，作者指出，等待30天可能带来隐私风险：如果手机丢失或借给他人，回收站中的敏感文件（如私人照片、文档）可能被他人恢复。此外，回收站中的文件仍然占用存储空间，对于存储空间紧张的用户来说，及时清理可以释放宝贵的容量。 ## 手动清空回收站的方法 不同品牌的Android手机操作略有差异，但通用步骤如下： 1. 打开**文件管理器**应用（如Google Files、三星My Files等）。 2. 找到**回收站**或**垃圾箱**选项，通常在侧边菜单或设置中。 3. 进入回收站后，选择**清空回收站**或逐项删除。 4. 确认删除，文件将被永久移除。 对于Google Files用户，路径是：打开Files → 侧边栏 → 垃圾箱 → 清空垃圾箱。 ## 额外建议 - **定期检查**：建议每周或每月检查一次回收站，及时清理不需要的文件。 - **备份重要文件**：在删除前确保已备份重要数据，避免误删。 - **使用安全删除应用**：对于极度敏感的文件，可使用专业工具进行覆写删除，防止恢复。 总之，手动清空回收站不仅能保护隐私，还能优化存储空间，是值得养成的习惯。
在AI技术飞速发展的今天，我们习惯于用准确率、速度、参数量等指标来评估模型性能，却很少问一个问题：**AI究竟如何影响人类？** 一位专家呼吁，行业应当建立衡量AI社会影响的指标，而不仅仅是关注技术表现。 当前，AI基准测试大多围绕技术能力展开，例如语言理解、图像识别或代码生成。这些指标固然重要，但它们无法反映AI在真实世界中的使用后果——比如是否加剧偏见、影响就业、改变社交行为或削弱隐私。专家指出，**缺乏社会影响度量衡**可能导致技术发展偏离人类福祉。 例如，一个在标准测试中表现优异的对话机器人，可能在日常交流中诱导用户产生负面情绪；一个高效的推荐算法，可能无意中传播虚假信息。这些隐性的“副作用”往往被技术指标所掩盖。 呼吁者建议，未来AI评估应加入**人类福祉、公平性、透明度、可解释性**等维度。这并非否定技术指标的价值，而是要在性能与影响之间建立平衡。正如其他行业有环境影响评估一样，AI也应有“社会影响评估”。 然而，实施起来并不简单。如何量化幸福感？如何衡量长期社会变化？这些都需要跨学科合作，包括社会学、心理学、伦理学等领域的参与。此外，企业可能抵触额外的评估负担，但专家认为，**长远来看，负责任的AI发展将赢得更多信任**。 目前，已有研究团队尝试构建AI社会影响框架，但尚未形成行业标准。或许，我们不该等到AI造成显著伤害才开始行动。正如文章所问：**为什么我们不先测量，再行动？**
百思买（Best Buy）近日将一款**64GB金士顿Fury Beast DDR5内存套件**的价格下调了近200美元，成为近期内存市场中值得关注的交易。对于正在组装或升级高性能PC的用户来说，这无疑是一个极具吸引力的选择。 ## 为何值得关注？ DDR5内存自推出以来，凭借更高的频率和带宽，逐渐成为游戏玩家、内容创作者和专业工作者的首选。金士顿Fury Beast系列以其稳定的性能和良好的散热设计，在市场上积累了不错的口碑。此次降价后，该套件的价格已进入更合理的区间，性价比显著提升。 ## 适合哪些场景？ - **游戏玩家**：64GB容量可轻松应对《赛博朋克2077》、《微软飞行模拟》等内存密集型游戏，同时为后台任务留足空间。 - **内容创作者**：视频剪辑、3D渲染、大型数据集处理等场景对内存需求极高，64GB能显著减少卡顿和加载时间。 - **多任务用户**：同时运行虚拟机、浏览器多标签页和大型软件时，大容量内存可避免系统资源枯竭。 ## 行业背景 当前DDR5内存价格正处于下行周期。随着产能提升和市场竞争加剧，大容量内存的降价趋势有望持续。对于消费者而言，现在是入手DDR5的好时机。不过，需注意主板兼容性——确保你的平台支持DDR5，并且BIOS版本已更新。 ## 小结 如果你正在寻找高性能且价格合理的DDR5内存，这款金士顿Fury Beast 64GB套件值得考虑。百思买的折扣力度较大，但库存可能有限，建议有需求的用户尽快行动。
据报道，著名导演马丁·斯科塞斯（Martin Scorsese）正在积极拥抱人工智能技术。这一消息在Hacker News上引发了热烈讨论，获得了51分和56条评论。斯科塞斯作为电影界的泰斗，其对AI的态度可能预示着影视行业对新技术接纳的转折点。 目前尚不清楚斯科塞斯具体如何使用AI，但可能涉及电影制作中的视觉特效、剪辑、甚至剧本创作辅助等领域。AI在影视行业的应用一直存在争议，一方面它能提高效率、降低成本，另一方面也引发了关于创造力、版权和就业的担忧。 斯科塞斯的加入为这一讨论增加了重量级的声音。他以其对电影艺术的深刻理解和创新精神闻名，曾推动多项技术革新。他的拥抱可能有助于消除部分从业者对AI的抵触情绪，并推动行业探索AI与人类创造力的结合点。 然而，也有评论者指出，AI在艺术领域的应用仍需谨慎，确保技术服务于创意而非取代人类。斯科塞斯的具体实践将如何展开，值得持续关注。
Anthropic 于 2026 年 6 月 2 日宣布扩大其 **Project Glasswing** 合作伙伴计划，新增约 **150 家** 组织，涵盖电力、水务、医疗、通信和硬件等关键基础设施领域。这些组织遍布 **15 个以上国家**，其代码库一旦遭攻击可能影响 **超过 1 亿人**。 Project Glasswing 于今年 4 月启动，最初约 50 家合作伙伴获准使用 Claude Mythos Preview 模型扫描代码漏洞，迄今已发现 **超过 10,000 个** 高危或严重安全缺陷。此次扩张基于与安全行业、开源维护者和美国政府的紧密协作，新成员需满足 Anthropic 的安全要求才能获得访问权限。 Anthropic 指出，廉价且具备强大网络能力的 AI 模型即将普及，Project Glasswing 旨在推动机构适应这一现实。Mythos Preview 代表了一个长期趋势：预计 **6 到 12 个月内**，许多其他 AI 模型也将具备类似或更强的代码审计能力。该项目长期目标包括：利用 AI 使所有软件更安全，并帮助行业调整对网络安全核心假设的认知。
Google 最新推出的 **Gemini Spark** 是一款始终在线的 AI 代理，旨在成为用户与外部应用乃至整个电脑交互的接口。在试用中，它不仅能处理邮件整理、文档任务等简单操作，更在旅行规划中展现出惊人的能力：自动搜索住宿、餐饮、活动，甚至发现用户未提及的细节（如已购演唱会门票），并生成一份完整且个性化的行程。然而，这种近乎“全知”的能力也引发了隐私与自主性的担忧。Spark 目前随 Google 每月 99 美元的 AI Ultra 套餐推出，标志着 AI 从被动工具向主动代理的关键转变。
一家名为 **ZeroDrift** 的初创公司近日宣布完成 **1000 万美元** 融资，其核心产品是一种全新的 AI 合规服务——它像一位“中间人”一样部署在 AI 模型与最终用户之间，实时检测并替换可能引发合规风险的模型输出内容。 随着生成式 AI 在企业中的快速落地，模型幻觉、偏见言论、版权侵权乃至敏感信息泄露等问题正成为 CIO 和法务部门的心头大患。传统做法往往依赖对模型本身的微调或提示工程，但这种方式既耗时又难以覆盖所有边界场景。ZeroDrift 选择了另一条路径：**不对模型做任何改动，而是在推理阶段动态拦截输出**。 具体来说，ZeroDrift 的服务会实时分析模型生成的每条消息，利用自研的语义理解引擎判断其是否违反预设的合规策略——例如是否包含竞争对手的商标、是否泄露内部数据、是否带有歧视性语言等。一旦发现违规，系统会立即用一段安全、合规的替代文本进行替换，整个过程对终端用户几乎无感知。 这种“后置过滤”思路并非全新，但 ZeroDrift 的差异化在于其 **策略引擎的灵活性和细粒度**。企业可以自行定义合规规则，甚至针对不同用户群体（如客服、研发、高管）设置不同级别的审查标准。此外，系统还提供审计日志，方便事后追溯和监管汇报。 本轮融资由 **Felicis Ventures** 领投，**A.Capital** 等跟投。ZeroDrift 表示资金将用于扩大工程团队和拓展企业客户。目前该服务已与 OpenAI、Anthropic 及多个开源模型完成集成测试，并已获得数家金融和医疗机构的付费试用。 ## 行业视角 从行业背景看，ZeroDrift 的崛起并非偶然。2024 年以来，全球已有超过 20 个国家或地区出台或修订了 AI 监管法案，欧盟《AI 法案》更是将高风险 AI 系统的合规义务直接与罚款挂钩。与此同时，**Gartner 预测到 2026 年，超过 80% 的企业将把 AI 合规工具纳入采购清单**。 然而，市场上已有的方案多集中在模型训练阶段的数据清洗和模型评估，推理阶段的实时合规工具仍属蓝海。ZeroDrift 的挑战在于：如何在毫秒级延迟内完成高精度语义判断，同时避免因过度替换而破坏对话的自然流畅性。 ## 小结 ZeroDrift 的定位精准地切中了企业“既要 AI 效率，又要合规安全”的痛点。对于 CIO 而言，这意味着不必再为了安全而牺牲模型性能；对于法务部门，则多了一道可追溯的防线。不过，该服务的长期价值还取决于其策略引擎对新兴风险的适应速度——毕竟，AI 的“合规”边界本身也在快速演变。
**火箭引擎初创公司 Impulse Space 近日宣布完成 5 亿美元 D 轮融资，资金将主要用于招聘约 200 名新员工，而非投资于 AI 取代人类工程师。** 这一决策背后，是公司对硬件工程领域人才不可替代性的深刻认识。 ## 融资背景与用途 本轮融资由 **137 Ventures** 和 **BANNER VC** 领投，Founders Fund、Lux Capital 及 Linse Capital 跟投。随着美国政府加大对国家安全领域的投入，以及 SpaceX 筹备 IPO 引发的太空投资热潮，Impulse 成功吸引了大量资本。公司专注于在轨机动能力，其开发的 **Mira** 平台具备高机动性，主要面向美国太空军客户；另一款产品 **Helios** 则用于将卫星从近地轨道快速送至更高轨道。公司总裁兼首席运营官 Eric Romo 表示，新资金将用于建造和测试更多太空飞行器，并强调在航空航天人才需求旺盛的当下，招聘是公司的首要任务。 ## 硬件工程 vs. AI：人才为何不可替代？ 尽管 Impulse 的软件团队已开始采用 AI 编码工具，但在解决实际工程问题时，Romo 认为深度学习模型尚未准备就绪。他本人曾是 SpaceX 的第 13 号员工（2003 年入职），负责用计算机模拟引擎设计性能。他回忆道：“如果模拟结果能接近真实值的 20% 以内，我就算成功了——因为当时的模拟精度就是那么差。”Romo 指出，模拟技术虽有改进，但进步有限，**“设计、分析、建造、测试”的物理迭代流程至今仍无可替代**。 他进一步解释，硬件设计 AI 工具之所以发展缓慢，根本原因在于训练数据的匮乏。与互联网上海量的文本和代码不同，**“如果你想找到世界上最好的涡轮泵密封组件设计方案，你在网上是找不到的”**。这种领域知识的稀缺性，使得 AI 难以在硬件工程中快速落地。 ## 人才竞争与战略布局 Impulse 最初专注于推进系统，后拓展至整星建造，因此需要补充飞行器结构、飞行计算机等领域的工程师。公司最近在科罗拉多州开设新办公室，正是为了应对航空航天人才选择多样化的趋势——如今工程师不再局限于洛杉矶，西雅图、丹佛、德州等地都提供了大量机会。 公司下一步计划是再次发射其 **Mira** 航天器（去年底已完成第三次飞行）。在 AI 热潮席卷各行各业的当下，Impulse 用真金白银投票，表明**物理世界的工程创新，最终仍取决于人类智慧**。
全球定位系统（GPS）无处不在，从导航应用到位置共享，它已成为现代生活不可或缺的一部分。然而，其依赖卫星信号的特性也带来了脆弱性：在隧道、地下停车场、室内环境或信号干扰严重的情况下，GPS 可能失效。现在，一种基于手机中常见磁力计的新技术正在崛起，有望成为 GPS 的可靠替代或补充方案。 ## 从指南针到导航工具 手机中的磁力计最初仅用于电子罗盘，提供方向指示。但通过分析地球磁场在不同位置的细微变化，这些微型传感器能够实现精确定位，这一技术被称为**独立磁力测量**。与 GPS 不同，它不依赖外部信号，因此天然具有抗干扰、无盲区的优势。 ## 技术原理与进展 地球磁场并非均匀分布，其强度和方向会因地理位置、地下矿物结构等因素而呈现独特的“指纹”。通过预先绘制高精度的地磁场地图，并利用手机磁力计实时采集数据，算法可以将测量结果与地图匹配，从而确定位置，精度可达米级。 多家公司正在推动这一技术的商业化。例如，**SandboxAQ** 开发了基于量子传感器和磁力计的导航系统，已在美国军方测试中展示了在 GPS 拒止环境下的可靠性。另一家初创公司 **InfiniDome** 则专注于为无人机和车辆提供抗干扰的磁导航方案。手机厂商也在探索集成更灵敏的磁力计，以增强室内导航和增强现实（AR）体验。 ## 应用场景与挑战 独立磁力测量的应用前景广阔： - **室内导航**：在商场、机场、医院等大型建筑内，GPS 信号微弱，磁力导航可提供精确的路径指引。 - **地下与水下作业**：隧道、矿井、潜水器等场景可受益于不依赖卫星的定位。 - **军事与关键基础设施**：在电子战环境下，磁导航可作为 GPS 的备份，确保导航能力。 - **物联网与自主系统**：为机器人、自动驾驶车辆提供鲁棒的定位能力。 然而，该技术也面临挑战。地球磁场会随时间缓慢漂移，且受建筑物内钢筋、电子设备等干扰，需要频繁更新地图并校准传感器。此外，当前手机磁力计的精度有限，难以满足高精度要求，而更高性能的量子磁力计成本高昂。 ## 未来展望 尽管存在不足，独立磁力测量作为 GPS 的补充技术，其价值已获业界认可。随着传感器小型化和算法进步，未来手机可能同时集成 GPS、磁力计、Wi-Fi 和蓝牙等多源定位能力，实现无缝切换。这不仅是技术迭代，更是对导航基础设施韧性的重要提升。 总之，当 GPS 信号消失时，地球磁场或将成为我们新的“北极星”。
知名对冲基金经理、电影《大空头》原型迈克尔·伯里近日公开表示，他认为 SpaceX 和 Anthropic 的估值被严重高估，两家公司都配不上 1 万亿美元的市值。这一言论在科技投资圈引发热议，尤其是在 AI 和航天赛道持续升温的当下。 ### 伯里的核心论点 伯里在社交媒体上直言，市场对这两家明星公司的追捧已经脱离基本面。对于 SpaceX，他指出虽然其在商业航天领域具有先发优势，但太空经济的规模化仍面临技术、监管和需求等多重不确定性。至于 Anthropic，这位以做空次贷闻名的投资者认为，当前 AI 大模型公司的估值逻辑类似于 2021 年的加密货币泡沫——缺乏可持续的盈利模式，且竞争格局尚不明朗。 ### 估值争议背后的行业现实 伯里的质疑并非空穴来风。SpaceX 在 2023 年的一轮融资中估值达到约 1800 亿美元，而 Anthropic 则在 2024 年初估值突破 600 亿美元。这两家公司的估值确实与 1 万亿美元有较大差距，但市场对其未来增长寄予厚望。 - **SpaceX** 的星链业务已实现正向现金流，但太空旅游、火星殖民等长期愿景尚未落地。 - **Anthropic** 的 Claude 模型在安全性和性能上表现突出，但商业化进程仍落后于 OpenAI，且面临谷歌、微软等巨头的竞争。 ### 市场分歧与投资者情绪 伯里的观点代表了一部分价值投资者的谨慎态度。他们认为，当前科技巨头和明星创业公司的估值已经透支了未来数年的增长，尤其是 AI 领域，资本涌入速度远超技术成熟度。然而，成长型投资者则坚信 SpaceX 和 Anthropic 具备颠覆行业的能力，长期来看 1 万亿美元并非不可能。 ### 小结 无论伯里的预测最终是否正确，他的言论提醒市场：在追逐前沿科技的同时，不应忽视基本面风险。对于普通投资者而言，理解这些公司的实际业务进展和财务健康度，比单纯关注估值数字更为重要。
如果你经常在 macOS 上传输文件，那么 **Transmit** 绝对值得一试。这款售价 **45 美元**（一次性购买，提供 7 天免费试用）的应用，凭借其出色的图形界面和广泛的协议支持，成为专业用户的理想选择。 ### 核心优势：不止于快 Transmit 支持 **SFTP、WebDAV** 以及众多云服务，包括 Amazon S3、Backblaze B2、Box、Dropbox、Google Drive、Azure、OneDrive 等。对于需要频繁与远程服务器或云存储打交道的用户来说，这意味着无需切换多个工具。作者特别提到，通过 SSH 密钥认证连接 SFTP 服务器，既安全又便捷。 ### 值得关注的细节 - **标签式界面**：可同时打开多个连接，无需重复登录，提升工作效率。 - **Google Drive 支持即将终止**：由于 Google 的 API 变更，新用户将无法添加 Google Drive 账户，已有连接可继续使用。这是许多同类应用面临的共同问题。 - **一次性付费**：相比订阅制，45 美元的价格对于重度用户来说性价比很高。 ### 行业背景 在 AI 和云计算时代，文件传输工具的需求日益增长。无论是数据科学家上传模型文件，还是开发者部署代码，高效、可靠的文件传输都是刚需。Transmit 通过集成多种协议和服务，简化了工作流程，尤其适合需要跨平台、跨服务传输的用户。 ### 小结 虽然市面上有免费的 FTP 客户端，但 Transmit 在易用性、稳定性和功能完整性上表现突出。如果你每天都要处理大量文件传输，这笔投资很可能物超所值。
特朗普政府在人工智能监管问题上陷入内部混乱。据多位知情人士透露，官员们正试图确定能否重新拾起上月被总统唐纳德·特朗普突然否决的AI监管行政令。过去几周的相关讨论被硅谷关键玩家和政府官员普遍视为混乱不堪。一些AI高管私下告诉《连线》杂志，他们对修订后的行政令可能要求什么感到不确定，甚至不确定最终是否会签署任何命令。 5月21日，特朗普在预定签署仪式前几小时突然取消该行政令。他当时告诉记者，该命令可能扼杀国内竞争，并削弱美国在AI竞赛中相对于中国的优势。被否决的行政令中最具争议的部分是一项自愿框架条款，要求OpenAI、Anthropic和谷歌等AI实验室在公开发布前提前向白宫提供AI模型，以评估其网络安全能力。 推动监管的核心动力来自白宫内部对AI快速成为国家安全问题的认识——尤其是考虑到Anthropic的Mythos和OpenAI的GPT-5.5模型在发现传统软件系统漏洞方面的卓越能力。这一努力表明政府态度有所转变，此前特朗普政府曾回避AI监管尝试。 草案还建议AI实验室可在公开发布前最多90天提交模型，但多位AI高管告诉《连线》杂志，他们的公司可能无法提前这么久共享模型。一些AI领袖和助手希望行政令能以修订形式回归，保留一些争议较小的条款。 据多个参与机构的工作人员称，行政令能否复活现在主要取决于白宫高级官员能否协调各方派系。白宫办公厅主任苏西·威尔斯已牵头一个推动复活行政令的高级官员小组，成员包括财政部长斯科特·贝森特和国家网络总监肖恩·凯恩克罗斯。贝森特已成为该进程中的关键人物。
我从 1997 年开始使用 Linux。如果你想在 Linux 用户的层级阶梯上不断攀升，那么有些技能是你必须沿途学习的。 ## 命令行：基本功中的基本功 尽管如今 Linux 完全可以脱离命令行使用，但要想真正掌握这款开源操作系统，你不仅需要学习命令行（CLI），更要让它成为你的第二本能。从 **cd、ls、rm、mkdir** 这些基础命令开始，逐步掌握管道、重定向和命令链，你就能释放 GUI 无法企及的强大力量。 ## 文件系统与权限管理 Linux 的文件系统层次结构（FHS）和权限模型是其安全性的基石。你需要深入理解 **读、写、执行** 三种权限对文件和目录的不同含义，以及 **chmod、chown、chgrp** 等命令的用法。掌握这些，你才能安全高效地管理多用户环境。 ## 进程管理 系统运行中，进程无处不在。学会使用 **ps、top、htop、kill、nice** 等工具监控和管理进程，了解前台与后台任务的区别，是系统调优和故障排查的关键。 ## 软件包管理 无论是 Debian 系的 **apt** 还是 Red Hat 系的 **yum/dnf**，熟练使用包管理器来安装、更新、删除软件，并处理依赖关系，是日常运维的必备技能。 ## Shell 脚本编程 将重复性任务自动化是高手与普通用户的显著区别。学习 **Bash 脚本** 的基本语法、变量、循环、条件判断，可以极大提升工作效率。 ## 网络配置与诊断 在服务器领域，网络是生命线。掌握 **ifconfig/ip、ping、traceroute、netstat/ss、nslookup/dig** 等工具，能够快速诊断连接问题，配置网络接口和服务。 ## 安全加固 安全是永恒的主题。了解 **防火墙（iptables/firewalld）、SELinux/AppArmor、SSH 密钥认证、用户权限最小化** 等基础安全实践，能有效防范常见威胁。 ## 系统日志与排错 当系统出现问题时，日志是首要线索。学会查看 **syslog/rsyslog、journalctl、dmesg** 等日志，结合 **strace、lsof** 等调试工具，可以快速定位问题根源。 以上 8 项技能并非一蹴而就，需要持续实践。从简单到复杂，逐步深入，你就能从普通用户成长为真正的 Linux 专家。
arXiv:2606.00082v1 Announce Type: new Abstract: Explainability of deep learning algorithms is critical for computer-vision applications with high-stake decisions. Concept bottleneck models (CBM) have recently shown promising performance to provide explainable and accurate predictions for classification problems, based on a bottleneck of high-level concepts. Existing CBM methods rely on a linear aggregation of the concept scores to compute predictions. However, a large number of concepts is often
强化学习（RL）的成功高度依赖准确的奖励函数，但在机器人等真实场景中，奖励函数往往需要手工设计，甚至难以获得。近年来，研究者尝试利用预训练视觉语言模型（VLM）的零样本推理能力作为奖励模型，然而这类方法在缺乏精心设计的提示（prompt）时，容易产生次优奖励，其中假阳性预测会严重干扰下游策略学习。 针对这一瓶颈，来自多家机构的研究团队提出了 **Demo2Reward**——一种测试时提示优化方法，仅需 **3-10 条专家示范轨迹**，即可自动优化 VLM 奖励模型的语言指令，在减少假阳性奖励的同时保持真阳性识别。该方法无需额外的模型训练或计算资源，直接应用于策略学习之前。 ## 核心思路 Demo2Reward 的核心洞察在于：**测试时对提示进行优化**。传统方法依赖手动编写提示，而 Demo2Reward 利用少量示范数据，通过可微优化调整提示文本的嵌入表示，使奖励模型更准确地匹配示范中的行为模式。具体而言，它通过对比示范轨迹与随机轨迹的奖励差异，反向传播更新提示嵌入，从而抑制错误的高分奖励（假阳性），并保留正确的奖励信号（真阳性）。 ## 实验结果 在多个模拟机器人任务（如推箱、抓取、移动）上，Demo2Reward 一致优于现有的零样本和少样本 VLM 奖励模型。例如，在 MetaWorld 和 D4RL 基准测试中，采用 Demo2Reward 优化后的奖励模型，其下游策略成功率提升 **20-40%**，假阳性率降低 **50% 以上**。更关键的是，该方法成功迁移至真实机器人场景：在一台机械臂的抓取任务中，仅凭 5 条示范轨迹，Demo2Reward 便使机器人学会了稳定抓取，完全无需手动设计奖励函数。 ## 意义与展望 Demo2Reward 为机器人学习提供了一条实用路径：**利用少量示范数据，自动获得高质量奖励信号**。这降低了 RL 在真实世界应用的门槛，尤其适合那些难以定义奖励的复杂任务。未来，该方法可进一步结合在线数据优化提示，或扩展到多模态奖励设计。论文已公开于 arXiv（2606.00083），代码即将开源。 ## 总结 - **问题**：VLM 作为奖励模型易产生假阳性，需手动调提示。 - **方案**：Demo2Reward 用 3-10 条示范在测试时自动优化提示，无需额外训练。 - **效果**：模拟和真实任务中均显著提升奖励准确性和策略成功率。 - **价值**：让机器人能从少量演示中学习，摆脱手工奖励工程。
## 大模型与大脑的“情绪坐标”对齐，但监督信号已饱和？ 一项来自 arXiv 的新研究（arXiv:2606.00129）发现，现代大语言模型（LLM）内部存在一条与人类脑电（EEG）中情绪效价（valence）高度一致的神经表征轴。然而，更令人意外的是，试图利用这种对齐来提升情绪解码性能的尝试几乎全部失败，研究者将其总结为“饱和规律”。 ### 仅用9个句子构建的“V轴” 研究团队仅使用9个情感唤起句子（如“我中奖了”“我失去了亲人”），从多个现代LLM（如GPT、Llama等）的隐藏层中提取出一维的**效价方向（V-axis）**。该方向通过零样本迁移至情感基准数据集得到验证，并在14个不同的LLM中保持跨模型一致性。这说明LLM内部确实编码了一个通用、稳定的情感维度。 ### LLM的V轴映射到人类脑电 在包含123名受试者的公开EEG数据集上（受试者观看情感视频片段），研究者发现**仅用一个线性投影**就能从EEG特征中追踪到每个视频片段的V轴位置。更关键的是，36个独立训练的EEG情绪分类器（未接触V轴信息）在其内部表征中自发地“重新发现”了相同的方向。这表明，无论是语言模型还是人类大脑的电生理活动，都共享一种类似的效价结构。 ### 饱和规律：对齐信号为何失效？ 既然LLM与大脑在情绪表征上如此一致，能否利用这种对齐来训练更好的脑机接口（BCI）解码器？研究者测试了25种对齐策略，包括知识蒸馏、表征相似性、对比学习和拓扑损失等。结果令人震惊：**没有一种方法能提升解码准确率，其中16种甚至显著降低了性能**。 他们用“饱和规律”解释这一现象：当任务标签（如情绪类别）已经足够驱动脑解码网络朝向目标方向时，额外的对齐信号主要干扰一个已经“饱和”的优化盆地，而对承载分类性能的“类内残差”几乎没有贡献。换句话说，LLM-EEG的对齐在宏观方向上成立，但精细分类所需的细节信息并不在此对齐轴上。 ### 突破方向：残差集成 基于这一洞察，研究者提出改进不应来自强化对齐，而应**利用监督信号无法触及的残差子空间**。他们通过集成多个具有不同残差特征的解码器，在FACED数据集上将平衡准确率提升了**10.5%**，并在SEED-V上复现了相同效果。 ### 启示与展望 这项研究不仅揭示了LLM与人类大脑在情感处理上的深层联系，也指出了当前脑解码范式的潜在瓶颈。未来，如何有效利用大模型提供的“全局对齐”与“局部残差”之间的互补信息，或将成为提升BCI性能的关键。
## 微调基础模型的两难困境 大型基础模型（如LLaMA、GPT等）在预训练阶段积累了广泛的能力，但在针对特定下游任务进行微调时，往往会**遗忘**预训练阶段学到的非目标能力。例如，一个擅长数学推理的模型，经过指令微调后可能数学能力下降。现有方法通过特殊初始化或固定约束来缓解遗忘，但无法在训练过程中动态调节**适配与保持**的权衡。 ## FoLoRA：基于广义瑞利商的遗忘感知优化框架 来自德克萨斯大学奥斯汀分校和微软的研究团队提出**FoLoRA（Foundation Preserving LoRA）**，这是一种遗忘感知优化框架，核心创新在于将**广义瑞利商**引入微调过程。FoLoRA通过以下步骤实现适配与保持的平衡： 1. **定义两个关键指标**： - **遗忘惩罚**：基于预训练代理激活（通过从预训练模型采样构建的校准数据计算）衡量更新方向对非目标能力的损害； - **任务效用**：基于下游任务激活衡量更新方向对目标任务的贡献。 2. **广义瑞利商评分**：将每个更新方向的得分定义为“任务效用/遗忘惩罚”，即每单位遗忘惩罚带来的任务效用。得分高的方向表示在遗忘较少的情况下提升目标任务。 3. **谱坐标系统与门控Adam更新**：利用广义瑞利商构建谱坐标系统，对低效用-高惩罚的方向进行衰减（即门控），从而在Adam优化器中动态调整更新强度。 ## 创新校准数据构建 FoLoRA另一个亮点是**预训练代理校准数据的生成**：不依赖单一代理数据集，而是从预训练模型本身采样。这种方法更具通用性，避免了代理数据集偏差，同时降低了对外部数据的依赖。 ## 实验效果 在**数学、代码和指令跟随**三个适配场景下的实验表明，FoLoRA在保持非目标能力（如通用知识、推理）方面显著优于现有基线方法（如LoRA、DARE等），同时目标任务性能也有提升。例如，在数学适配中，FoLoRA在GSM8K上保持高准确率的同时，代码生成能力下降幅度最小。 ## 行业意义 FoLoRA为**基础模型持续学习**和**多能力平衡**提供了新思路。随着模型在垂直领域（如医疗、法律）的广泛应用，如何在不破坏通用能力的前提下进行高效适配，成为关键挑战。FoLoRA的**动态门控机制**和**代理数据采样策略**具有实用价值，可集成到现有LoRA微调流程中，为开发者提供更安全的微调方案。 ## 小结 FoLoRA通过广义瑞利商优化，将遗忘惩罚和任务效用统一到一个数学框架中，实现了微调过程中适配与保持的精细调节。该方法在多个任务上展示了优越性，有望成为基础模型适配的标准工具之一。未来工作可能包括扩展到更大模型和更多模态，以及探索更高效的代理数据构建方式。
世界模型（World Models）作为学习环境结构与动态的内部模拟器，正成为实现通用人工智能的核心范式。近期一篇由26位学者联合撰写的综述论文（arXiv:2606.00133）系统梳理了这一领域，提出了涵盖**架构、方法论家族、推理策略与应用领域**的四维分类法，填补了长期以来缺乏统一框架的空白。 ## 四维分类法：解构世界模型 论文从四个关键维度组织庞大文献： - **架构维度**：涉及表示格式（隐空间/显式状态）、动态公式化（确定/随机）、输入模态（视觉/触觉/语言）、学习范式（监督/自监督/强化）及下游任务类型。 - **方法论家族**：包括**状态空间与循环方法**（如RSSM）、**Transformer基模型**（如DreamerV3中的序列建模）、**扩散生成器**（用于视频预测）、**物理信息网络**（融入先验物理定律）以及**语言增强多模态系统**（如RT-2）。 - **推理策略**：涵盖**基于想象力的规划**（如PlaNet的在线规划）、**隐策略学习**（Dreamer系列）、**反事实推理**（评估“如果…会怎样”）以及**不确定性下的规划**（如MuZero的蒙特卡洛树搜索）。 - **应用领域**：从机器人、自动驾驶、视频预测到科学建模（气候/分子动力学）、医学影像、教育测量和商业金融，横跨十余个场景。 ## 里程碑系统与最新趋势 论文追溯了从早期认知科学基础到现代标志性系统的演进：**PlaNet**首次在隐空间进行规划；**Dreamer系列**将学习与规划统一于潜在动态；**MuZero**无需环境模型即可学习规划；**Sora**展示了大模型在视频生成中的世界模拟能力；**Cosmos**与**Genie**则分别聚焦于物理交互与可交互虚拟世界。 值得注意的是，**链式思维推理与世界模型想象力的融合**正成为新热点——模型不仅生成未来状态，还能通过多步推理解释其决策逻辑，这对可解释AI与安全对齐至关重要。 ## 挑战与开放问题 尽管进展迅猛，领域仍面临三大核心挑战： 1. **累积预测误差**：长时域推演中误差指数级增长，影响规划可靠性。 2. **仿真到现实迁移**：模型在仿真中学习后难以直接部署到真实环境，需解决域适应与鲁棒性问题。 3. **评价碎片化**：缺少统一基准，不同论文使用不同任务与指标，难以横向对比。 论文呼吁建立标准化评估协议，并指出未来方向包括**多尺度世界模型**（同时处理秒级与小时级动态）、**语言引导的抽象推理**以及**与大型语言模型深度融合**。 ## 小结 世界模型正从单一学术概念演变为AI系统的核心组件。这篇综述不仅为研究者提供了清晰的分类地图，更揭示了**“预测-规划-推理”闭环**如何驱动下一代智能体。随着Sora等生成式模型与MuZero等规划算法的结合，世界模型有望在机器人、自动驾驶和科学发现中释放更大潜力。