当前最先进的AI模型消耗海量数据和惊人算力，但一个一岁婴儿的学习效率却远超它们。婴儿只需一两次观察就能识别新物体，而AI依赖数万亿数据样本。科学家认为，婴儿大脑的架构可能为AI带来关键突破：更低的能耗、更少的数据依赖，以及更自然的物理世界交互能力。Meta、斯坦福、东京大学等机构联合推出了**EgoBabyVLM挑战**，通过婴儿头戴摄像头拍摄的约1000小时第一人称视频，测试视觉语言模型（VLM）是否能像婴儿一样理解世界。结果，顶尖模型表现惨不忍睹。这表明，婴儿大脑从混乱、多模态、非即时信息中快速学习的能力，是当前AI架构所欠缺的。研究指出，AI需要超越纯语言和静态数据集，融入更丰富的多模态与触觉体验，才能迈向真正的通用智能。
微软在7月的补丁星期二中修复了创纪录的**570个** Windows 安全漏洞，其中包括**三个零日漏洞**，其中**两个已被攻击者利用**。本次更新还增强了文件资源管理器、蓝牙等功能。 ## 关键数字 - 570个：单月修复漏洞数量历史新高，远超此前6月的206个和4月的164个。 - 61个：被评为“严重”级别的漏洞。 - 3个：零日漏洞数量，其中两个已遭实际利用。 ## AI 驱动漏洞发现 微软表示，漏洞数量激增与其内部 AI 工具 **MDASH**（多模型代理扫描框架）有关。该工具利用 AI 自动识别 Windows 漏洞、减少误报，并加速将结果交付给工程师，从而缩短攻击者利用零日漏洞的时间窗口。微软警告称，随着 AI 在漏洞挖掘中的深入应用，安全更新的频率和规模可能会继续增加。 ## 更新建议 此次更新为**强制更新**，会自动下载并安装。用户只需重启电脑即可生效。手动检查方式： - **Windows 11**：设置 → Windows 更新 - **Windows 10**：设置 → 更新和安全 → Windows 更新 建议所有用户尽快安装，尤其涉及已遭利用的零日漏洞，风险较高。
房地产金融领域的文档处理复杂且高度依赖人工，影响关键业务决策的效率。Built Technologies 作为一家服务超 5000 亿美元房地产项目的软件提供商，与 AWS 生成式 AI 创新中心（GenAIIC）、合作伙伴 AND Digital 及 AWS 账户团队合作，基于 Amazon Bedrock 和 AWS 智能文档处理加速器，构建了可扩展的 AI 文档处理引擎。该引擎能够对复杂的房地产金融文档进行分类、拆分、提取、评估和推理，将原本需要数天的工作流程缩短至几分钟，支持数百种文档类型，并为技术团队和行业专家提供了共建与改进文档处理器的共享环境。 ## 房地产金融的文档痛点 房地产金融的运行依赖于大量文档：施工提款包、贷款协议、发票、保险凭证、检查报告等。这些文档通常篇幅长、格式不一、领域专业性强，传统自动化手段难以处理。对于 Built 而言，文档智能不仅是后台工具，更是新一代智能体产品的基础能力——无论是审核施工提款、分析贷款协议、验证保险覆盖、总结发行备忘录，还是识别投资组合中的异常，智能体都需要具备上下文理解、高准确度和可追溯的文档理解能力。 ## 技术架构与实现 Built 的解决方案基于 Amazon Bedrock 和 AWS IDP 加速器，构建了一个可复用的文档智能引擎。核心流程包括： 1. **文档分类与拆分**：自动识别文档类型（如发票、合同），并拆分为逻辑单元。 2. **信息提取**：利用大语言模型从非结构化文本中提取关键字段。 3. **评估与推理**：对提取的信息进行验证和逻辑推理，例如检查保险金额是否满足贷款条件。 4. **持续改进**：技术团队与业务专家可在同一环境中协作，标注数据、优化模型。 该引擎采用模块化设计，支持数百种文档类型，并通过 Amazon Bedrock 的托管服务降低了运维复杂度。Built 团队表示，这一基础能力将赋能其产品矩阵中的多个智能体，覆盖房地产金融全生命周期。 ## 行业影响与展望 AI 驱动的文档智能正在重塑房地产金融行业。传统上，处理一份施工提款包需要跨部门多人协作数天，而 Built 的解决方案将其缩短至数分钟。这不仅提升了效率，还减少了人为错误，使金融机构能够更快地做出贷款决策。 Built 的实践也展示了 AWS 在垂直行业生成式 AI 落地的能力。通过与 AWS GenAIIC 的合作，Built 快速验证了技术可行性，并构建了可扩展的生产级系统。未来，随着更多智能体产品的推出，文档智能引擎将成为房地产金融数字化的核心基础设施。
## 从碎片化到统一：AI视觉智能的新范式 长期以来，AI在真实世界应用中的落地面临一个根本性挑战：**看、想、动**三大系统彼此割裂。开发者需要管理多个API、编写大量胶水代码来打通视觉感知、逻辑推理与行动执行之间的壁垒，导致实现成本高、效率低且系统脆弱。 如今，**计算机视觉、Strands Agents框架与模型上下文协议（MCP）**三大技术的融合正在改变这一局面。它们共同构建了一条端到端管道：视觉信息被捕获、理解并触发行动，整个过程在统一框架内完成。这种集成打破了感知、决策与行动之间的传统界限，使AI系统能够像人类智能一样协调运作。 ### 核心架构：统一安全模型下的多服务协作 在本文介绍的方案中，客户端通过**集中式IAM角色**与多个AWS服务交互。该角色作为安全网关统一管理权限，免去了在客户端嵌入凭据的麻烦。具体服务包括： - **Amazon S3**：对象存储，用于检索和管理数据 - **Amazon OpenSearch**：搜索服务，支持对索引数据的查询 - **Amazon Bedrock**：生成式AI模型，为智能体提供文本生成等能力 - **Amazon Rekognition**：图像分析，执行目标检测等视觉任务 ### 技术三剑客：计算机视觉 + Strands Agents + MCP 1. **计算机视觉**：负责处理照片、视频等视觉信息，完成感知层的任务。 2. **Strands Agents**：一个构建AI智能体的框架，支持多种模型提供商，负责决策与推理。 3. **MCP服务器**：作为标准化接口，将视觉处理能力暴露给智能体，实现“看即能懂，懂即能行”。 ### 落地价值：降低门槛，扩展应用 这种融合最直接的价值在于**将复杂的集成挑战简化为标准化流程**。开发者不再需要从零搭建视觉-决策-行动链路，而是通过MCP服务器这一单一接口，即可让AI系统具备端到端的视觉智能。 无论是智能监控、自动化质检，还是视觉辅助决策，这套架构都让AI能力更容易被集成到实际应用中。对于开发者而言，这意味着更少的代码、更低的维护成本以及更快的迭代速度。 ### 小结 计算机视觉、Strands Agents与MCP的结合，标志着AI系统从“能看”到“能理解并行动”的关键一步。通过统一的安全模型和标准化接口，AWS正在降低视觉智能的准入门槛，让更多应用场景受益于AI的协同能力。
随着企业在多个 AWS 账户和区域中部署机器学习工作流，跨环境监控 SageMaker Pipelines 成为一项挑战。开发人员和运维工程师不得不在不同账户和区域间手动切换来检查流水线执行状态，这增加了运营负担。为此，AWS 推出了一种基于 Amazon CloudWatch 自定义仪表盘的集中式监控解决方案，帮助团队从单一界面实时掌握分散在多个账户和区域的 SageMaker Pipelines 运行情况。 ### 架构核心：事件驱动 + Hub-and-Spoke 模型 该方案采用**事件驱动、无服务器架构**，通过响应 SageMaker Pipeline 事件实时更新监控数据，避免了轮询机制或始终在线系统的资源浪费。其核心是 **Hub-and-Spoke（中心-辐射）模型**： - **中心账户（Hub）**：部署 CloudWatch 自定义仪表盘，作为统一监控入口，接收并汇总所有流水线事件。 - **多个辐射账户（Spoke）**：每个账户中的轻量级组件负责捕获本地的 SageMaker Pipelines 事件，并将其转发至中心账户。 这种设计将复杂性集中在中心，而辐射账户只需部署少量资源，从而降低了跨账户运维的难度和成本。 ### 关键技术组件 1. **Amazon EventBridge**：在辐射账户中捕获 SageMaker Pipelines 状态变更事件（如执行开始、成功、失败）。 2. **AWS Lambda**：处理事件并格式化数据，通过跨账户角色将指标写入中心账户的 CloudWatch。 3. **Amazon DynamoDB**（可选）：存储流水线元数据，支持更复杂的查询和过滤。 4. **Amazon CloudWatch 自定义仪表盘**：在中心账户中展示所有流水线的实时状态、成功率、执行时长等关键指标，支持按账户、区域、流水线名称等维度筛选。 ### 部署与定制 该方案配套提供了 **AWS Cloud Development Kit（CDK）示例**，用户可根据自身需求快速部署。主要涉及两个 CloudFormation 堆栈： - **Dashboard Stack**：部署在中心账户，创建 CloudWatch 仪表盘及相关资源。 - **Spoke Stack**：部署在每个辐射账户，配置事件捕获和转发组件。 用户还可以通过修改 CDK 代码自定义仪表盘布局、添加新指标或调整事件过滤规则。 ### 适用场景与价值 对于采用 **MLOps 策略**、在多个环境（如开发、测试、生产）或地理区域运行 SageMaker Pipelines 的团队来说，该方案能显著提升运维效率。它解决了以下痛点： - **减少上下文切换**：无需在多个 AWS 控制台间来回切换，一个仪表盘即可查看所有流水线。 - **快速定位故障**：通过实时告警和可视化指标，第一时间发现并响应流水线失败。 - **成本优化**：无服务器架构按需计费，避免了监控系统的持续开销。 ### 总结 该解决方案展示了如何利用 AWS 原生服务（CloudWatch、EventBridge、Lambda 等）构建跨账户的 MLOps 监控能力。它既是一个可直接部署的工具，也是一个参考架构，用户可在此基础上扩展出更复杂的监控、告警和自动化修复功能。对于正在规模化 ML 工作负载的企业而言，这是一项值得投入的实践。
SpaceX的股价在周三下午跌破每股135美元，这是公司CEO埃隆·马斯克在6月12日轰动性IPO前选定的发行价。此后股价虽短暂回升至135美元附近，但整体呈现持续下跌趋势。自上市以来，股价从首周超过200美元的高点几乎每周都在下滑，显示出市场对马斯克宏大愿景的热情正在降温。 **市场波动背后的原因** 此次股价波动部分源于流通股数量极少——仅有4%的公司股票在纳斯达克交易。这种低流通量加上市场对SpaceX的持续高度关注，导致交易首月出现剧烈波动。更宏观的背景是，过去一个月科技股普遍回调，投资者开始理性评估马斯克关于殖民火星等“外太空”承诺的可行性。 **债券市场同步承压** 不仅是股票，SpaceX在IPO后发行的债券也遭遇下跌。分析人士指出，股价长期低迷可能产生更广泛影响，因为它是投资者如何看待马斯克“超现实”承诺的关键指标。此外，SpaceX的IPO为Anthropic和OpenAI等科技公司上市铺平了道路——这两家公司已秘密提交IPO申请，但尚未确定日期，SpaceX的股价表现正被密切关注以评估后续IPO的成功概率。 **Starship发射：新的考验** SpaceX即将面临股价韧性的又一次早期测试。周四，公司将进行IPO后首次Starship火箭试射。Starship仍处于开发阶段，遵循“飞行、失败、修复”的迭代模式，这意味着发射很可能出现故障。这将是自5月助推器故障以来的首次飞行，公司计划不回收助推器和上级，而是让它们模拟在墨西哥湾着陆——即便飞行计划顺利，最终两部分都将爆炸。 **行业影响与展望** SpaceX的股价表现不仅关乎自身估值，更反映了市场对商业航天和AI等前沿科技领域风险偏好的变化。马斯克此前承诺的星链网络、火星任务等长期愿景需要持续巨额投入，而短期盈利压力正在显现。随着Starship试射在即，市场将密切关注这次发射是否会影响投资者信心。若发射失败，可能进一步打压股价；若成功，则有望提振市场情绪，但长期来看，SpaceX仍需证明其商业模式的可持续性。
SpaceX的股价已从上市后的狂热高点持续回落，目前跌至每股135美元的IPO发行价，这一变化或许表明市场对其CEO埃隆·马斯克在上市前后所作承诺的态度正趋于冷静。 ### 从狂热到理性 SpaceX于去年通过IPO登陆公开市场，首日股价一度飙升至远高于发行价的水平，投资者对其在商业航天领域的领先地位以及星舰（Starship）项目的宏大愿景抱有极高期待。然而，随着时间推移，股价逐步回吐涨幅，最终回到起点。这一走势反映出几个关键因素： - **盈利压力**：尽管SpaceX在卫星互联网业务Starlink和商业发射服务上取得进展，但星舰项目的研发成本高昂，短期内难以转化为稳定利润。 - **市场竞争**：蓝色起源（Blue Origin）、联合发射联盟（ULA）等竞争对手加速追赶，加上新兴航天企业的涌现，削弱了SpaceX的稀缺性溢价。 - **宏观环境**：科技股整体估值回调，投资者对高风险成长股的偏好下降，导致SpaceX这类高预期股票承压。 ### 星舰发射的短期影响 SpaceX计划近期进行星舰的又一次重大试飞，这通常被视为股价催化剂。然而，历史数据显示，发射结果对股价的影响往往短暂且不确定。成功发射可能带来短期反弹，但若出现延误或失败，市场可能进一步下调预期。当前股价已完全抹去上市后涨幅，说明投资者更关注长期基本面而非单一事件。 ### 行业视角 SpaceX的股价回归发行价并非孤立现象。近年来，多家通过SPAC或传统IPO上市的航天公司（如Rocket Lab、Virgin Galactic）均经历了类似的估值修正。这标志着市场正从“概念炒作”转向“业绩验证”阶段。对于SpaceX而言，其核心竞争力在于Starlink的商业化进度和星舰的重复使用能力——若这两方面能持续兑现，股价仍有支撑；反之，下行风险不可忽视。 ### 小结 SpaceX股价回落至IPO价格，既是市场情绪的正常调整，也反映了航天行业从愿景驱动到盈利驱动的转变。星舰发射在即，但真正决定长期价值的仍是商业模式的落地能力。投资者需密切关注Starlink的现金流改善情况以及星舰的测试进度，而非短期市场波动。
由 OpenAI 前高管创立的 AI 公司 **Thinking Machines Lab** 发布了其首个模型 **Inkling**，这是一个拥有 **9750 亿参数** 的开放权重模型，能同时处理文本、音频和视频。虽然 Inkling 在主流基准测试中并非最佳，但在推理和编程方面表现出色。该模型采用开源方式发布，旨在挑战当前由中国主导的开源模型格局，并推动 AI 技术的去中心化。值得注意的是，训练过程中模型曾自发放弃自然语言推理以提升效率，但团队出于可解释性考虑恢复了该功能。
由前OpenAI CTO Mira Murati创立的AI初创公司**思考机器实验室（Thinking Machines Lab）**，于周三发布了其首个自研AI模型**Inkling**。与OpenAI、Anthropic或Google的旗舰模型不同，Inkling采用**开放权重**策略，允许外部开发者和企业直接下载并修改。 Inkling是一个**混合专家系统**，拥有**9750亿**总参数，但每次任务仅激活约**410亿**参数——这种设计使大型模型运行更快、成本更低。它基于**45万亿**token的文本、图像、音频和视频数据训练，能原生处理多模态信息，但目前输出仅限于文本（包括代码、样式化构件和结构化数据）。 该模型的发布是思考机器实验室在**一年半**低调构建AI基础设施后的首个公开成果。此前，其部分工作已在5月的研究预览中亮相：一种能“听、说甚至打断”的交互模型，而非传统聊天机器人的“等待—回应”模式。 ### 核心主张：可定制化胜过通用模型 Inkling的核心卖点在于**可定制性**。公司认为，组织能自行适配的AI将超越主流实验室销售的“一刀切”模型。Inkling提供**校准回答**（包括标记不确定性而非猜测），并允许用户根据速度需求调整思考深度。 在代码性能基准上，公司声称Inkling达到与Nvidia最新开放权重模型**Nemotron 3 Ultra**相同的表现，但仅消耗其**三分之一**的token量。不过，思考机器实验室并未宣称Inkling是同类最佳——其简报明确表示：“Inkling并非当前最强的模型，无论是闭源还是开源。” ### 目标用户与挑战 Inkling更多被定位为**起点**而非成品：企业可通过公司的定制平台**Tinker**进行微调。这意味着客户需自行承担安全责任——而这需要专业的机器学习人才。 这引发了关键问题：在企业市场中，谁才是Inkling的真正用户？对于缺乏AI专家的公司，定制门槛可能过高。思考机器实验室正试图在通用模型的便捷性与开源的可控性之间找到平衡，其成败将取决于能否吸引到足够多的技术型组织，并证明定制化AI的长期价值。
根据 Dice 最新报告，2026 年 5 月美国 700 万个科技职位中，73% 要求至少一项 AI 技能，而 2024 年 1 月这一比例仅为 15%。Dice CEO Art Zeile 指出，AI 技能正成为“准入门槛”，求职者需通过认证和项目经验来证明自身能力。 ## 认证：证明能力的捷径 Zeile 强调，认证是展示 AI 熟练度的有效方式。两年前 AI 认证选择有限，如今 AWS、Google 等公司已推出生成式 AI 开发、机器学习工程师等认证课程。通过培训并考取证书，能有力证明求职者的专业水平。 ## 项目经验：用成果说话 除了认证，能清晰阐述项目成果同样关键。哥伦比亚大学职业中心建议，简历上不要只罗列职责，而要突出**具体成就**：做了什么、如何做到的、为何重要。例如，仅写“熟悉 Python”远远不够，应举例说明“利用 Python 开发了某系统，节省了 30% 的运营成本”。 ## 行业知识仍是核心 尽管 AI 技能需求激增，但领域专业知识依然不可替代。Zeile 认为，雇主更看重能将 AI 与业务场景结合的人才。求职者应在简历中同时体现**技术能力**与**行业洞察**，例如在医疗领域，既懂 AI 又懂临床流程的候选人更具竞争力。 ## 市场启示 当前科技就业市场竞争激烈，AI 技能已成为必备项。求职者需主动更新技能组合，通过认证和项目展示实际能力。同时，企业也在调整招聘标准，将 AI 素养作为筛选基础。未来，AI 技能将像办公软件一样普及，专业能力与行业知识的结合才是脱颖而出的关键。
根据 404 Media 报道，在一次黑客事件中泄露的数据显示，AI 音乐生成器 Suno 通过从 YouTube Music、Deezer、Genius 等在线音频平台抓取数百万首歌曲和歌词来训练其模型。Suno 此前一直对其训练数据集的内容和获取方式讳莫如深，此次泄露提供了罕见的内部视角。 泄露的材料包括 Suno 2023 和 2024 年的源代码，以及从 YouTube Music、Deezer、Genius、Pond5、Jamendo、Freesound 和国际乐谱图书馆项目（IMSLP）抓取音频文件的指令。其中一份文件显示，Suno 已抓取超过 200 万个 YouTube Music 片段。此外，代码还表明 Suno 使用了名为 Bright Data 的第三方公司来抓取 YouTube 上的音乐，并专门搜索平台上的无伴奏合唱版本以获取纯人声音频。 这一曝光正值 Suno 面临多起诉讼之际，其中美国唱片业协会（RIAA）指控其故意规避 YouTube 的版权保护措施，通过“流式抓取”从平台获取受版权保护的曲目。Suno 曾公开承认使用受版权保护的材料进行训练，并主张这属于合理使用范畴。然而，法院是否支持这一观点尚未可知。此次泄露的数据可能成为证明 Suno 存在故意侵权行为的证据，进一步加剧围绕 AI 训练数据版权问题的争议。
一种名为 **CrashStealer** 的新型 macOS 恶意软件正伪装成苹果系统的崩溃报告工具，窃取用户数据、密码、钥匙串条目以及加密货币钱包。 ## 威胁概述 根据 Jamf 网络安全研究人员在 **7月13日** 发布的研究报告，CrashStealer 是一款用 C++ 编写的信息窃取型恶意软件。它最初因 VirusTotal 上的可疑上传而引起注意，开发始于 **5月** 左右，目前已流入野外。 ## 攻击手法 CrashStealer 通过伪装成 Apple 的崩溃报告工具来诱骗用户。它使用 `CrashReporter.dmg`（安装包）、`CrashReporter.app`（应用包）以及逼真的图标，模仿合法崩溃报告弹窗。当用户运行该恶意软件时，它会显示一个虚假的密码提示，试图解锁钥匙串。一旦获取凭证，恶意软件会进行本地验证，然后针对已安装的密码管理器、浏览器和加密货币钱包发动攻击，将窃取的数据加密后发送至攻击者控制的服务器。 ## 传播方式 此类恶意软件通常以 `.dmg` 磁盘镜像形式传播，这是 macOS 应用分发的标准格式。用户可能通过钓鱼邮件、恶意网站或假冒软件下载链接获得该镜像。 ## 防范建议 1. **保持警惕**：不要轻易输入系统密码，除非确认提示来自合法系统进程。苹果的崩溃报告工具不会主动请求钥匙串密码。 2. **仅从可信来源下载**：避免从非官方渠道或不明链接下载软件，尤其是 `.dmg` 文件。 3. **使用安全软件**：安装并更新可靠的防病毒或反恶意软件工具，定期扫描系统。 4. **定期备份**：使用 Time Machine 或其他备份方案，确保数据可恢复。 ## 小结 CrashStealer 的出现提醒我们，macOS 并非免疫于恶意软件威胁。随着攻击者不断伪装成系统工具，用户需保持良好安全习惯，避免成为下一个受害者。
在2026年的高端商务耳机市场中，**Jabra Evolve3 75** 与 **Lenovo ThinkPad 无线ANC折叠耳机8550 Aura版** 是两款备受瞩目的产品。经过深度测试，我认为 Jabra Evolve3 75 凭借其出色的主动降噪（ANC）性能脱颖而出，成为我的首选。 ## 设计与佩戴体验 Jabra Evolve3 75 采用无吊杆设计，外观时尚且佩戴舒适，适合长时间使用。其轻量化结构和亲肤材质让用户几乎感觉不到重量，非常适合在办公室或外出时佩戴。 相比之下，ThinkPad 8550 则提供了可伸缩吊杆，兼顾了通话质量与便携性。它的折叠设计使其更易于收纳，但整体重量略高于 Jabra。 ## 主动降噪（ANC）表现 Jabra Evolve3 75 的 ANC 能力令人印象深刻。在实际测试中，它能够有效过滤办公室环境中的低频噪音（如空调声、键盘敲击声），同时保持通话清晰。即使在嘈杂的咖啡厅，用户也能专注于工作。 ThinkPad 8550 的 ANC 同样出色，但略逊一筹。它在处理高频噪音（如人声）时表现不如 Jabra，且降噪深度稍弱。对于需要极致静音环境的用户，Jabra 显然是更优选择。 ## 通话质量与连接性 两款耳机都支持多点连接和蓝牙/无线适配器双模式。Jabra 的通话质量稳定，麦克风拾音清晰；ThinkPad 的可伸缩吊杆则提供了更精准的收音效果，适合频繁进行电话会议的用户。 ## 总结 如果你将**主动降噪**作为首要考量，Jabra Evolve3 75 无疑是最佳选择。它在降噪、舒适度和设计上均表现出色，适合追求高效工作的商务人士。而 ThinkPad 8550 则更适合需要灵活吊杆和折叠便携的用户。
据404 Media报道，AI音乐生成器Suno遭到黑客攻击。黑客声称通过供应链攻击获取了员工凭证，进而访问源代码，发现Suno疑似从YouTube Music、Deezer、Genius、股票音乐库和播客RSS源抓取了数十年的音频数据用于训练。 Suno此前承认其AI训练使用了公开互联网上的音乐文件，并主张根据合理使用原则，使用受版权保护的材料进行训练是合法的。然而，起诉Suno的主要唱片公司认为，故意规避YouTube的数据抓取保护措施违反了《数字千年版权法案》（DMCA）和YouTube的服务条款。竞争对手Udio也被指控抓取YouTube数据。Google（YouTube母公司）同样面临多家大型出版商的版权侵权指控。 黑客还访问了客户数据，包括电子邮件、电话号码和Stripe中的部分信用卡号。Suno未就2025年11月的数据泄露通知客户，并声称这是一次已迅速控制的安全事件。
直播购物平台 Whatnot 近日宣布收购 AI 初创公司 Shaped，后者专注于实时推荐与搜索的机器学习技术。这笔交易将增强 Whatnot 在个性化推荐和商品发现方面的能力，助力其向更多品类扩张。 ## 交易核心：实时推荐成为直播电商胜负手 与传统的静态商品目录不同，直播电商的库存、拍卖状态和买家需求每分每秒都在变化。Whatnot 的数据与 AI 副总裁 Emmanuel Fuentes 指出：“直播电商是一个独特的推荐难题——库存每秒都在变，直播不断开始和结束，买家意图也在节目中实时转换。”Shaped 的技术正是为解决这类动态场景而生，它结合客户数据、大语言模型和机器学习，实现高度个性化的搜索与发现。 ## 技术整合：从分钟级到准实时 Whatnot 过去六年一直在优化推荐引擎，已将推荐延迟从约一天缩短至几分钟。整合 Shaped 后，推荐响应有望进一步逼近实时。目前，Whatnot 每周处理超过 **50 万小时** 的直播视频和数百万次实时互动，这些数据将不断训练模型，提升推荐精准度。 ## 团队与战略：原班人马加入，成立 AI 研究组 作为收购的一部分，Shaped 创始人兼 CEO **Tullie Murrell**（前 Meta 员工）将带领近十名工程师和 AI 研究员加入 Whatnot，并组建全新的 **Applied AI Research 部门**。这表明 Whatnot 正将 AI 视为长期战略核心，而非一次性功能补强。 ## 增长与融资：平台加速扩张 Whatnot 自 2019 年上线以来增长迅猛，近期卖家累计订单已突破 **10 亿**。今年早些时候，公司完成 **2.25 亿美元** F 轮融资，估值达到 **49.7 亿美元**。Shaped 此前客户包括 Outdoorsy 和 QVC 等，其技术积累将为 Whatnot 的跨品类扩张提供关键支撑。 ## 行业视角：AI 成为直播电商基础设施 在 TikTok、亚马逊等巨头纷纷加码直播电商的背景下，实时推荐能力正从“加分项”变为“必需品”。Whatnot 通过收购快速补齐技术短板，有望在动态推荐这一细分赛道建立壁垒。对于整个行业而言，如何将 AI 与瞬息万变的直播场景深度耦合，将是下一阶段竞争的核心。
作为一名经常出差的科技记者，减轻行李负担一直是优先级最高的需求。近日，我尝试用三件最小巧的设备搭建了一套“口袋工作站”，并在这套设备上完成了整篇文章的撰写。这套组合包括 **Motorola Razr 折叠屏手机**、**Clicks Power Keyboard 物理键盘** 以及 **Logitech Mobi Fold 折叠鼠标**。三件设备加在一起可以轻松塞进裤兜，堪称目前最便携的移动办公方案。 ### 为什么选择这些设备？ - **Motorola Razr**：折叠后尺寸紧凑，展开后屏幕虽不及传统笔记本，但配合分屏功能足以应对文字编辑、网页浏览等轻量级任务。 - **Clicks Power Keyboard**：专为手机设计的物理键盘，通过蓝牙连接，打字手感远优于屏幕虚拟键盘。它还能为手机充电，解决了移动办公的续航焦虑。 - **Logitech Mobi Fold**：超薄折叠鼠标，展开后提供舒适的握持感，折叠后仅信用卡大小，方便携带。 ### 实际体验与局限 整套系统最大的优势是 **极致的便携性**——无需背包，口袋即可容纳。在咖啡厅、机场或火车上，随时可以拿出来开始工作。不过，屏幕尺寸和输入效率仍然是瓶颈：Razr 的屏幕在分屏模式下空间有限，处理复杂表格或多窗口任务时较为吃力；物理键盘虽然比虚拟键盘好，但键距较小，长时间输入容易疲劳。 ### 适用场景与建议 这套“口袋工作站”最适合 **短途差旅、临时办公或紧急内容产出**。对于需要频繁移动的文字工作者、记者或社交媒体运营者来说，它足以应对日常沟通、笔记和轻量级写作。但如果你需要处理大量数据、设计或代码，传统笔记本仍是更好的选择。 总的来说，这次实验证明：在技术不断小型化的今天，我们离“口袋办公室”的愿景又近了一步。虽然它还无法完全替代传统笔记本，但对于特定场景，它已经足够实用。
微软在7月的“补丁星期二”中修复了创纪录的570个安全漏洞，涵盖Windows、Office等产品线。公司表示，AI技术的应用大幅提升了漏洞发现效率，但也导致补丁数量激增。其中包含两个零日漏洞，已被黑客利用发起攻击。 ## 创纪录的补丁数量 7月14日，微软发布了月度安全更新，修复了**570个安全漏洞**，创下历史新高。这些漏洞覆盖Windows、Office、SharePoint等核心产品。微软Windows部门负责人Pavan Davuluri在博客中解释，AI工具帮助安全团队发现了大量此前未被注意的代码缺陷，因此补丁数量远超以往。 ## 两个零日漏洞已遭利用 在本次修复的漏洞中，至少有两个被列为**零日漏洞**，意味着黑客在微软知晓前已开始利用。 - **Windows Server权限提升漏洞**：允许攻击者从受限用户提升为系统管理员，获得对服务器的完全控制。 - **SharePoint文件服务器漏洞**：美国网络安全与基础设施安全局（CISA）已发出警告，黑客正利用该漏洞入侵企业组织。 ## AI驱动的安全新常态 微软指出，随着AI模型在网络安全领域的应用加深，安全研究员能够发现那些可能“潜伏”在代码中多年的漏洞。Windows部分代码可追溯至数十年前，传统人工审查难以全面覆盖。AI的引入改变了这一局面，但同时也意味着**用户将面临更频繁、更大量的安全更新**。 Davuluri表示：“AI帮助防御者发现更多问题，客户在每个安全版本中会看到更高数量的补丁。”这预示着微软的月度更新规模可能持续扩大。 ## 行业影响与展望 此次事件凸显了AI在网络安全领域的双刃剑效应：一方面大幅提升漏洞发现能力，另一方面也给企业IT管理带来新挑战。频繁的大规模补丁可能增加系统停机风险，企业需优化更新策略。同时，黑客也在利用AI工具，零日漏洞的发现和修补竞赛正在加速。
在2026年印度开源峰会上，Linux稳定内核维护者Greg Kroah-Hartman明确表示：内核正在向Rust迁移。虽然C语言不会立即消失，但Rust已成为Linux未来的重要组成部分。 ## 从怀疑到拥护 Kroah-Hartman坦言，几年前朋友推荐Rust时，他并不以为然——“C语言已经很好了”。但尝试之后，他改变了看法：“Rust确实让编程变得有趣。它帮你处理了很多编译器层面的问题，让代码变得更好。”如今，他已从怀疑者转变为Rust在内核社区最坚定的支持者之一。 ## 安全性的根本提升 作为稳定内核维护者，Kroah-Hartman对内核安全有着独特视角。他指出，Linux内核**每天约产生13个CVE漏洞**，且**近十年来保持每小时近9次变更**的高节奏。然而，绝大多数漏洞并非源于复杂攻击，而是简单的C语言错误——例如未检查的指针操作。Rust的所有权系统和类型系统能够消除这类“愚蠢的小问题”，从根本上降低安全风险。 ## 维护者的福音 对Kroah-Hartman而言，Rust最大的价值在于**减轻维护负担**。“Rust让我的工作轻松得多。”他解释说，编译器能自动捕获大量潜在错误，这让维护者能更专注于逻辑设计而非底层细节。 ## 并非银弹，但趋势已定 尽管Rust优势明显，Kroah-Hartman强调它并非万能钥匙——“对于糟糕的逻辑，Rust也无能为力”。他同时澄清，**Linux内核不会被完全重写**。未来的方向是：部分子系统将**仅接受Rust代码**，而Git等核心项目也在向Rust迁移。目前，Rust已被视为Linux的永久组成部分，而非临时实验。 ## 行业影响 Linux内核作为开源基础设施的基石，其技术选型具有风向标意义。Kroah-Hartman的言论表明，Rust在系统编程领域的地位正从“新兴语言”迈向“主流选择”。对于企业和开发者而言，这意味着未来需要重视Rust人才的储备，并关注内核Rust接口的演进。
OpenAI 近日低调发布其首款品牌硬件产品——**Codex Micro**，一款带有发光指示的键盘。这款键盘并非传统输入设备，而是专为监控多个 AI 代理（Agent）线程而设计，通过按键背光颜色和闪烁模式，让开发者或高级用户无需切换屏幕即可实时掌握 AI 工作状态。 ### 从软件到硬件的战略延伸 OpenAI 此前一直以 ChatGPT、GPT-4 等软件产品闻名，此次推出硬件产品标志着其向 **“AI 原生硬件生态”** 迈出试探性一步。Codex Micro 的核心定位是 **“代理线程监视器”**——当多个 AI Agent 并行运行时（如自动化代码审查、数据分析、客服对话等），键盘会通过不同颜色光效（例如蓝色表示等待输入、绿色表示运行中、红色表示错误）直观反馈每个线程的状态。 ### 产品亮点与使用场景 - **可视化多线程管理**：在密集的 AI 工作流中，传统终端日志或仪表盘难以快速捕捉异常。Codex Micro 利用物理按键的灯光作为“状态信号灯”，用户仅需余光一扫即可感知全局。 - **轻量级协作工具**：适合 AI 工程师、研究员或需要同时调度多个 Agent 的团队。例如，在训练模型时监控数据预处理线程，或管理多个 ChatGPT 实例的对话逻辑。 - **设计语言**：键盘采用紧凑布局，键帽材质与背光均匀性延续高端机械键盘质感，但功能键区域特别预留了“代理控制键”，可一键暂停、重启或切换线程。 ### 行业背景与意义 当前 AI 行业正从“单次对话”向 **“多 Agent 协作”** 演进。OpenAI 的 Codex 系列本身已具备代码生成与执行能力，而 Codex Micro 的推出，实质上是将软件层面的“线程监控”需求转化为物理交互，降低用户认知负荷。 不过，这款产品的定位较为小众：它并非面向普通消费者的“智能键盘”，而是针对 AI 开发者的专业工具。其 299 美元的售价（传闻）和有限的应用场景，可能使其更像一款 **“概念验证硬件”**，而非大规模量产产品。 ### 小结 OpenAI 的硬件首秀选择了一个出人意料但逻辑自洽的切入点——解决 AI Agent 多线程监控的痛点。Codex Micro 能否成为开发者的新宠，取决于其灯光反馈的精准度与软件生态的整合深度。未来，若 OpenAI 将此类硬件与 ChatGPT API、Assistants API 深度绑定，或可催生新的“AI 硬件外设”品类。
OpenAI 终于推出了自己的硬件产品，但并非传闻中与 Jony Ive 合作的神秘 AI 设备，而是一款专为代码开发平台 Codex 设计的实体控制面板——**Codex Micro**。这款售价 **230 美元** 的方形按键设备由 OpenAI 与键盘制造商 **Work Louder** 联名打造，本质上是一款可编程的宏键盘，旨在让开发者更直观地监控和管理 Codex 智能体（agent）的状态与任务。 从外观上看，Codex Micro 几乎就是 Work Louder 自家产品 **Creator Micro 2** 的换皮版本：13 个机械按键、一个摇杆、一个旋钮和一块触控传感器。但 OpenAI 为其注入了专属的软件集成——按键灯光会实时反映 Codex 线程的状态（如运行中、已完成、需反馈或出错），并预置了推送到对话、接受/拒绝代码变更、发送等常用指令。用户还能从 ChatGPT 桌面应用中自定义所有按键功能。 值得注意的是，这款产品与 OpenAI 和 Jony Ive 联合开发的“AI 原生硬件”并非同一项目。后者仍处于高度保密阶段，外界猜测可能是一款智能音箱类设备，且已陷入一场复杂的法律纠纷。Codex Micro 更像是一次小而美的生态补全——通过物理交互降低 AI 编程工作流的摩擦。 该设备属于限量发售，OpenAI 未公布具体数量，但强调“售完即止”。考虑到 Work Louder 此前曾为 Figma 推出过类似联名款，这种“硬件+软件”的跨界合作或许会成为 AI 公司拓展开发者生态的新范式。