长途货运的电动化转型，正从牵引车头延伸至挂车本身。在欧洲，一场围绕“电动挂车”的技术竞赛已经拉开帷幕，多家制造商与零部件供应商正在探索如何将电池与电驱系统集成到半挂车底盘上，以显著提升燃油经济性并降低碳排放。 ## 从牵引车到挂车：电动化的新战场 长期以来，电动化货运的关注焦点集中在牵引车头的动力总成上。然而，对于满载货物、总重可达40吨的长途半挂车而言，仅靠车头电池往往难以支撑上千公里的续航需求。于是，一种新思路浮出水面：让挂车本身也具备驱动能力。 德国挂车制造商 **Krone** 与零部件巨头 **ZF** 合作，率先采用了 ZF 的 **TrailTrax** 电驱平台。该系统将电机、逆变器和制动能量回收装置集成在挂车轴内，能够根据行驶工况自动提供辅助推力或回收能量。据称，TrailTrax 可使整车燃油消耗降低 **15% 至 20%**，相当于每百公里节省约 4 升柴油。对于年行驶里程 15 万公里的车队而言，这意味着可观的运营成本节约。 ## 多方入局：BPW 与 Nivalis 的协同 另一家关键玩家是 **BPW**，这家拥有百年历史的车轴专业制造商正与 **Nivalis** 公司联合开发另一套电驱挂车轴系统。BPW 本身也是 Krone 的合作伙伴——Krone 同时采用了 ZF 和 BPW 两套方案，以测试不同技术路线的性能差异。这种“多平台并行”的策略反映出行业对挂车电动化标准尚未统一，各家都在探索最优解。 ## 实践检验：欧洲试点项目 目前，搭载 TrailTrax 系统的 Krone 挂车已进入欧洲道路测试阶段。试点车队覆盖德国、荷兰、比利时等国家，测试内容包括城市配送、区域运输及部分长途线路。初步数据显示，系统在频繁启停的市区工况下节油效果最明显，而在高速巡航时也能提供约 8% 的辅助动力贡献。 值得注意的是，电动挂车并非要完全取代牵引车动力，而是扮演“智能助力”的角色。其电池容量通常设计为 30-80 kWh，足以支持短途纯电行驶（如进出仓库、港口），但在长途模式下则通过能量回收和适时助力来优化整体效率。 ## 挑战与前景 尽管技术前景诱人，电动挂车仍面临多重挑战： - **成本**：一套 TrailTrax 系统的初期成本约 1.5 万至 2 万欧元，对于价格敏感的物流企业而言，需 2-3 年才能通过节油收回投资。 - **重量**：电池和电机增加了挂车自重，可能挤占有效载货空间。制造商正通过轻量化材料（如铝合金车架）来抵消这一影响。 - **标准**：不同厂商的接口、电压、通信协议尚未统一，给车队混合运营带来麻烦。 尽管如此，行业普遍认为电动挂车是迈向零排放货运的关键一步。欧洲运输与环境联合会（T&E）预测，到 2030 年，电动挂车在欧洲新挂车销量中的占比可能达到 **15%**。而 Krone、BPW 等先行者的测试数据，将为这一目标提供现实支撑。 ## 小结 电动挂车竞赛不仅是技术之争，更是货运效率与环保目标的平衡。随着更多试点数据的公布和成本曲线的下降，我们很可能在 5 年内看到这类产品大规模上路。对于物流行业而言，这或许是一次“静悄悄的革命”——不改变牵引车，却从根本上优化了每一公里的能耗。
当谈论实现通用人工智能（AGI）时，大型语言模型可能并不具备所需的一切。像ChatGPT和Claude这样的模型在文本处理上表现出色，但在理解事物如何在空间和时间中实际移动方面却相对薄弱——而这恰恰是产生通用智能的关键技能。这个差距，或许可以通过游戏数据来弥补。这正是**General Intuition**这家初创公司的赌注所在。 ## 从文本到空间：AI训练数据的下一个前沿 当前的主流AI模型主要依赖互联网文本数据进行训练，这使它们掌握了丰富的语言知识，但缺乏对物理世界动态的理解。例如，模型可以描述“抛球”的动作，却无法真正预测球的轨迹。这种局限性源于训练数据的性质：文本是静态的、离散的，而现实世界是连续、动态的。 **General Intuition**的CEO认为，电子游戏提供了一个理想的替代方案。游戏环境本质上是物理世界的模拟，其中包含空间关系、运动规律、因果关系和实时反馈。通过从游戏中提取数据——比如玩家在《我的世界》中建造房屋，或在《GTA》中驾驶汽车——AI可以学习到物体如何交互、如何规划路径以及如何适应变化的环境。这些数据天然带有时间维度和空间坐标，有助于模型建立对物理世界的“直觉”。 ## 游戏数据的独特优势 与互联网文本相比，游戏数据具有几个关键优势： - **结构化动态**：游戏中的每个物体都有明确的位置、速度和交互规则，这为AI提供了清晰的学习信号。 - **低成本标注**：游戏引擎自动记录所有事件，无需人工标注，大大降低了数据获取成本。 - **场景多样性**：从奇幻世界到现实模拟，游戏覆盖了极其丰富的场景，有助于模型泛化。 General Intuition并非唯一关注游戏数据的公司。此前，DeepMind曾利用《星际争霸》训练AI策略，OpenAI也在《Dota 2》中取得了突破。但General Intuition的特别之处在于，它试图将游戏数据与语言模型结合，构建一种能够同时理解文本和物理世界的混合模型。 ## 挑战与前景 尽管游戏数据潜力巨大，但将其用于AGI训练仍面临挑战。例如，游戏中的物理规则可能与现实世界不完全一致，导致模型产生偏差。此外，如何从海量游戏数据中提取高质量、无偏见的样本，也是一个技术难题。 然而，随着AI对物理世界理解的需求日益增长，游戏数据很可能成为下一个重要的训练资源。General Intuition的探索或许会为AGI的路径开辟一条新路。
随着 AI 驱动的网络攻击日益猖獗，开源软件的安全防护面临前所未有的挑战。为此，IBM 与 Red Hat 在 2026 年 7 月正式推出 Lightwell 商业化服务，包括 **Lightwell Network**（通用版）和 **Lightwell Clearinghouse Premier**（限量测试版），旨在利用 AI 技术大规模发现并修复开源项目中的漏洞。 ## 从项目到产品：Lightwell 的进化 2025 年，IBM 与 Red Hat 启动了 **Project Lightwell**，这是一项耗资 50 亿美元、由 20,000 名工程师支撑的 AI 计划，专注于在工业规模上解决开源软件的安全问题。如今，该项目已转化为两款商业产品： - **Lightwell Network**：全面上市，面向企业提供开源组件安全防护。 - **Lightwell Clearinghouse Premier**：进入限量测试阶段，针对更深度的安全需求。 两家公司表示，Lightwell 将原本仅用于 Red Hat 和 IBM 内部产品的企业级保护扩展至整个组织的软件组合，覆盖更广泛的软件栈。 ## AI 攻防：开源安全的新范式 在 AI 时代，安全威胁与防御呈现对称升级：攻击者利用 AI 快速发现并利用漏洞，而防御者同样需要 AI 驱动的自动化响应。Lightwell 的核心是一套 **生成式 AI 驱动的修复引擎**，它结合前沿 AI 模型与人类工程经验，能够自动识别、验证并修复现代软件架构中深层依赖的漏洞。 这一“高吞吐量”管道已在实际环境中运行，并展现出规模化能力。与传统手动修补不同，Lightwell 的自动化流程大幅缩短了从发现漏洞到修复的时间窗口，尤其适用于那些依赖大量开源组件的企业。 ## 竞争与差异化 在开源安全领域，Lightwell 并非孤例。Akrites 和 Athena 等公司也采取了类似策略，利用 AI 强化安全防御。但 Lightwell 的优势在于其背后 **IBM 与 Red Hat 数十年的企业级信任积累**，以及庞大的工程师团队和既有客户基础。Red Hat 曾为全球最关键的 IT 系统提供安全保障，而 Lightwell 将这一经验规模化、产品化。 ## 行业影响与未来展望 随着 AI 技术在软件开发中的渗透，开源安全已成为企业不可忽视的痛点。Lightwell 的推出标志着 **AI 防御系统从实验室走向商业化**，为整个行业树立了新标杆。未来，这类 AI 驱动的安全服务可能成为企业软件供应链的标配，而 IBM 与 Red Hat 的布局无疑将加速这一变革。 对于开发者而言，Lightwell 意味着更安全的开源依赖管理；对于企业，它提供了一种可落地、可扩展的漏洞修复方案。在 AI 攻防的持久战中，Lightwell 或许正是那个关键的平衡点。
Meta 正在为 AI 眼镜增加一项新防护措施，以防止用户偷偷录制他人。然而，这一更新恰逢公司持续扩大其 AI 产品收集和使用个人数据的范围。 ## 隐私与增长的矛盾 Meta 的 AI 眼镜因其潜在的隐私侵犯风险而备受争议。公司最新宣布，若指示录制状态的 LED 灯被篡改，摄像头将自动禁用。此举表面上是对消费者情绪的让步——眼镜不仅仅是 Kylie Jenner 推广的时尚配件，更可能被滥用作监控设备。但就在 Meta 宣传这项新保护措施的同时，该公司也在推动更多要求用户让渡隐私的产品和功能。 无论是利用用户图像训练 AI、默认启用基于个人内容的 AI 功能（除非用户选择退出），还是探索持续录制或生物面部识别技术，Meta 的未来愿景似乎始终依赖于收集更多个人数据。 ## LED 防护与持续监控的对比 在关于新摄像头安全功能的博文中，Meta 自夸道：“没有其他相机做过这件事，我们很自豪能引领行业。”然而，公司也承认这一举措是必要的，因为有人曾用胶带遮挡 LED 灯，迫使 Meta 调整技术以在 LED 被遮挡时禁用录制。Meta 的公告指出，这些“AI 眼镜怪客”甚至会用复杂手段修改或破坏 LED。换句话说，Meta 确认部分用户存在隐藏目的——即未经同意录制他人（通常是女性）。 尽管如此，据 Financial Times 报道，Meta 正在测试一款 AI 眼镜原型，该原型将连续收集音频并每隔几秒拍照。公司还面临多起关于 AI 眼镜隐私侵犯的调查和诉讼。例如，Meta 曾因肯尼亚外包员工指控被迫审阅暴力内容而取消合同。 ## 用户数据与 AI 训练 Meta 的博文试图缓解隐私担忧，例如回答“谁可以看到眼镜拍摄的照片和视频？”时承诺：“只有你，除非你选择分享。”然而，Meta 的隐私政策明确说明，任何与 Meta AI 分享的图像都可能用于训练其 AI。在数据收集与用户信任之间，Meta 似乎仍在艰难平衡。
OpenAI今日发布了两款新型对话模型——**GPT-Live-1**和**GPT-Live-1 mini**，宣称它们听起来更自然，并能在对话中更好地处理“轮替”问题。这些模型采用**全双工**设计，即可以同时说话和聆听，让用户能够自然地打断对话，并支持实时翻译等功能。 从即日起，ChatGPT中的**高级语音模式**将默认替换为GPT-Live-1 mini。付费用户则可使用更大的GPT-Live-1模型。此前，ChatGPT的语音模式依赖于一个由语音转文本、大语言模型和文本转语音三部分串联而成的管线，这导致了响应延迟和打断用户等问题。新模型通过端到端的方式解决了这些痛点，使得对话更加流畅自然。 在媒体简报会上，OpenAI展示了新模型的几个关键能力：它能够长时间保持沉默，在需要时才介入；当用户提问时，它会将查询发送至最新的文本模型（如GPT-5.5）以获取搜索、推理或智能体能力，同时保持对话的连贯性。此外，新语音模式还能以视觉形式呈现部分信息，例如显示图表或图片，这与其他创业公司（如**Monogram**）的交互式助手思路不谋而合。 OpenAI认为，语音可能成为未来复杂工作的**主要计算界面**。ChatGPT语音产品负责人Atty Eleti透露，他本人曾用该功能进行过长达30至40分钟的散步对话。公司观察到，超过1.5亿人使用ChatGPT的语音和听写功能。尽管有报道称OpenAI可能推出AI耳机硬件，但本次发布会并未涉及硬件产品。 这一更新标志着AI语音交互从“命令-响应”模式向**持续、双向对话**的转变。随着全双工模型和更智能的后端推理能力结合，语音助手有望承担更复杂的任务，如实时翻译、长时会议记录甚至代理型工作流。对于开发者而言，GPT-Live系列模型也意味着更低的延迟和更高的交互自然度，可能催生新的应用场景。
OpenAI 正在对 ChatGPT 的语音模式进行重大升级，推出全新模型 **GPT-Live-1**，旨在让 AI 对话更像“与真人交流”。该模型最大的变化在于：**减少不必要的打断**，并在用户停顿思考时耐心等待，而非抢话。 在近日的媒体发布会上，OpenAI 研究负责人 Kundan Kumar 称 GPT-Live-1 是公司“最智能的语音模型”。它能够自动将复杂查询（如需要推理或联网搜索的问题）转交给文本模型（例如 **GPT-5.5**）处理，从而在“研究”与“对话”状态间无缝切换，回答更迅速准确。 ## 全双工模式：同时听说，实时翻译 OpenAI 产品负责人 Atty Eleti 介绍，GPT-Live-1 采用 **全双工（full duplex）架构**，意味着它可以同时进行“听”和“说”。以往的语音模型是轮流制——用户说完 AI 再回应，容易造成对话迟滞或生硬。新模型能够持续处理输入流并同步生成输出流，使得聊天更加流畅自然。 这一能力也解锁了 **实时翻译** 功能：用户无需等说完一整句，ChatGPT 就能在说话过程中同步翻译。此外，用户现在可以明确要求 ChatGPT“安静待命”，直到被点名才回应——这在之前是无法实现的。模型还会用“嗯哼”“好的”“明白了”等语气词表示正在倾听。 ## 更丰富的对话辅助：天气、股票、体育一屏尽览 针对天气、股票、体育等话题，GPT-Live-1 还会在语音回复的同时，**生成 AI 驱动的可视化内容**，例如体育比分或本周天气预报图表，让信息获取更直观。 ## 安全与伦理：内置防护，应对高风险场景 OpenAI 强调，新模型已内置安全机制，能够引导对话远离有害内容，并在“高风险”情境下主动终止对话。目前 OpenAI 正面临多起诉讼，指控 ChatGPT 助长用户妄想并损害心理健康。GPT-Live-1 经过训练，可在涉及危机话题时提供 **专家审核过的求助热线支持**。 ## 小结：语音交互迈入新阶段 GPT-Live-1 的推出标志着 AI 语音助手从“问答工具”向“对话伙伴”的进化。通过减少打断、支持实时翻译和可视化辅助，OpenAI 试图让语音交互更接近人类日常交流。对于用户而言，这意味着更少的挫败感、更自然的互动，以及更可靠的信息获取体验。不过，安全与伦理方面的挑战依然存在，OpenAI 需要持续平衡能力提升与风险管控。
在药物研发领域，科学家们长期面临数据碎片化的挑战：关键知识分散在文献、实验室笔记和基因组数据库等不同系统中，难以形成全局洞察。本文介绍了一种基于图数据库与生成式AI结合的检索增强生成（GraphRAG）方法，通过自主知识图谱（BYOKG）将分散数据互联，从而加速药物发现过程。传统早期药物发现成功率仅5%，初筛耗时超过6个月，而GraphRAG通过构建互联的知识环境，让研究人员能够提出复杂问题并获得可溯源的答案。Amazon Neptune Analytics等工具在此过程中扮演关键角色，帮助科研团队在保持科学严谨性的同时，提升假设生成效率，减少重复劳动，并保留机构记忆。
公共部门机构每天处理大量电子邮件，紧急事项常被淹没在普通信件中，导致响应延迟和人力浪费。本文介绍了一种基于 Amazon Bedrock 的生成式 AI 解决方案，可自动对邮件进行分类、增强并确定优先级，将其路由至相关部门（如 IT、儿童服务、住房和福利），同时评估紧急程度。该架构使用 Amazon S3 存储邮件，通过 Bedrock 进行语义分析和分类，最终实现智能路由。这有助于加快响应速度、确保紧急事务得到及时关注，并让员工专注于高价值工作。
电商团队在构建 AI 驱动的客户体验时，往往面临数周的定制集成工作，这延迟了上线时间并增加了安全风险。Amazon Bedrock AgentCore 与 Mistral AI Studio 的联合方案能显著简化这一流程。本文将带你从零开始构建一个生产就绪的电商 MCP（模型上下文协议）服务器，并最终连接到 Mistral AI 的 Vibe 对话界面。 ## 核心架构与组件 整个方案围绕三个核心服务展开： - **Amazon Bedrock AgentCore Runtime**：一个完全托管的无服务器组件，负责托管 MCP 工作负载。它自动处理会话隔离、长时间请求支持、内置 JWT 验证以及可观测性，开发者无需管理容器、负载均衡器或认证中间件。 - **Amazon Cognito**：通过 OAuth 2.1 管理用户身份，确保每个客户的数据隔离。 - **Mistral AI Vibe**：为用户提供网页、iOS 和 Android 上的对话界面，作为 MCP 服务器的前端。 ## 构建步骤与最佳实践 文章详细介绍了以下关键步骤： 1. **实现 MCP 工具**：使用 Python 和 FastMCP 框架编写电商服务器，支持产品搜索、下单、评论提交和退货处理等核心功能。数据存储在 **Amazon DynamoDB** 中，身份管理依赖 Amazon Cognito。 2. **设置双层 JWT 认证**：第一层用于客户端到 Runtime 的认证，第二层用于 Runtime 到具体 MCP 服务器的认证，确保端到端安全。 3. **使用 AWS CDK 部署**：通过基础设施即代码的方式，一键部署整个服务栈，包括容器、数据库和认证配置。 4. **连接 Mistral AI Vibe**：将部署好的 MCP 服务器注册为 Vibe 的 connector，用户即可通过自然语言与电商助手交互。 ## MCP 的价值 采用 MCP 标准的核心优势在于：**只需编写一次服务器**，就能被多个 AI 客户端（如 Vibe、其他兼容工具）复用，避免了为每个客户端单独开发集成代码的重复劳动。 这篇文章不仅提供了完整的技术实现指导，还给出了 MCP 服务器和 Vibe connector 的最佳实践，以及资源清理建议。对于希望快速构建 AI 电商助手的团队来说，这是一份极具参考价值的实战指南。
索尼最新旗舰电视 **Bravia 9 II** 搭载全新 **Micro RGB 面板**，在色彩准确度和亮度上全面超越前代，甚至有望挑战 OLED 的霸主地位。经过一周深度体验，这款售价 **3500 美元** 的产品在画质和音质上给人留下深刻印象，但高昂价格和相对薄弱的游戏功能也使其定位更加小众。 ## 画质飞跃：真 RGB 显示的魅力 Bravia 9 II 的核心升级在于其 **Micro RGB 面板**。与传统的 LCD 或 OLED 不同，Micro RGB 每个像素由独立的红、绿、蓝子像素发光，无需背光或滤光片，实现了 **极高的色彩纯度** 和 **对比度**。实际观看中，色彩过渡自然流畅，暗部细节丰富，亮部则呈现出 OLED 难以企及的峰值亮度，在 HDR 内容下尤其震撼。 ## 音质与设计：延续索尼优势 电视内置的音频系统表现出色，支持 **Acoustic Surface Audio+** 技术，声音仿佛从屏幕中直接发出，定位精准。设计上延续了索尼极简风格，金属边框与纤薄机身兼顾质感与稳定性。 ## 不足与局限 尽管画质出众，但 Bravia 9 II 在游戏功能上不如同价位竞品（如 LG G 系列）丰富，缺少 HDMI 2.1 的完整支持，对于追求 4K 120Hz 可变刷新率的硬核玩家来说可能不够理想。此外，3500 美元的定价远超多数旗舰电视，更适合对画质有极致要求的影音发烧友。 ## 小结 索尼 Bravia 9 II 凭借 **真 RGB 显示技术** 在画质上树立了新标杆，是当前最值得关注的旗舰电视之一。如果你追求最准确的色彩和最明亮的 HDR 画面，且预算充足，它无疑是强有力的选择；但若游戏体验是刚需，或许需要权衡。
谷歌近期对 Android Bench 进行了重要更新，加入了多个新的大型语言模型（LLM）测试项目，旨在为开发者提供更全面的 AI 性能评估基准。然而，测试结果显示，谷歌自家的 Gemini 模型在多项指标上仍落后于竞争对手。 ## 更新亮点 Android Bench 是谷歌推出的用于评估 Android 设备 AI 性能的工具。此次更新新增了 **Gemini Nano**、**Llama 3.2** 和 **Phi-3-mini** 等模型的测试支持，覆盖了从端侧推理到云端协作的多种场景。开发者现在可以利用这些新基准来优化应用，确保在不同硬件上获得一致的 AI 体验。 ## Gemini 表现不佳 尽管谷歌积极推动 Gemini 系列模型，但在 Android Bench 的初步测试中，**Gemini Nano** 的推理速度和精度均不及 **Llama 3.2** 和 **Phi-3-mini**。尤其是在自然语言理解和代码生成任务上，Gemini 的得分明显偏低。这可能与模型压缩和硬件适配有关，但也反映出谷歌在端侧 AI 领域的竞争压力。 ## 行业影响 此次更新对开发者社区意义重大。随着 AI 应用向移动端迁移，统一的基准测试有助于筛选最优模型。谷歌鼓励开发者参与 Android Bench 的反馈和优化，以推动基准测试更贴近实际使用场景。不过，Gemini 的落后表现也引发了对谷歌 AI 战略的讨论：是继续坚持自有模型，还是开放更多第三方支持？ ## 小结 Android Bench 的升级为移动 AI 生态提供了更清晰的评估标准，但谷歌仍需在模型性能上追赶对手。未来，开发者可能会更倾向于选择 **Llama** 或 **Phi** 等开源模型，除非 Gemini 能实现显著突破。
成立于 2024 年的 AI 初创公司 **Prime Intellect** 近日宣布完成 **1.3 亿美元 A 轮融资**，估值达到 **10 亿美元**。本轮由 **Radical Ventures** 领投，**Nvidia Ventures**、**Intel Capital**、**Dell Technologies Capital**、**Iconiq** 以及多位知名创始人跟投，包括 Perplexity 的 Aravind Srinivas、Box 的 Aaron Levie 等。 Prime Intellect 的核心使命是让企业能够**自主训练 AI Agent 系统**，不再依赖前沿 AI 实验室。其解决方案是一个“全栈”平台，整合了算力访问、强化学习框架和评估工具，并以模块化市场形式提供，企业可按需选用。 过去，自建 AI Agent 需要极高的技术门槛，但强化学习技术的成熟使得企业可以通过迭代奖励机制优化模型。Prime Intellect 降低了这一过程的复杂度，让企业成为“自己的 AI 实验室”。 目前，客户包括 **Ramp**、**Zapier** 和 **Flapping Airplanes**。Ramp 使用 Prime Intellect 构建的 Agent 在电子表格中查找数据，**准确率超越前沿模型，速度更快且成本更低**。公司的年化经常性收入已达 **1 亿美元**。 Radical Ventures 合伙人 David Katz 表示，Prime Intellect 将前沿能力以“一站式”方式提供，这在市场上独一无二。随着企业对定制化 AI 需求激增，Prime Intellect 有望成为 AI 基础设施领域的重要玩家。
在谷歌 Chrome 浏览器逐步封杀广告拦截器的背景下，DuckDuckGo 在其最新版浏览器中推出了名为 Duck Player 的视频播放器，默认屏蔽 YouTube 等平台的视频广告。本文作者亲测后证实，该功能效果显著，且完全免费。 ## 背景：Chrome 封杀广告拦截器，DuckDuckGo 另辟蹊径 随着 Chrome 更新逐步限制广告拦截扩展，用户对隐私保护和广告屏蔽的需求愈发迫切。DuckDuckGo 作为以隐私为核心的浏览器，选择从视频播放层面直接解决问题。最新版本（1.197.0）内置的 **Duck Player** 不仅屏蔽广告，还能防止追踪 Cookie 和个性化广告，同时强制启用 YouTube 最严格的隐私设置。 ## 实测体验：两小时视频零广告 作者在 macOS 版 DuckDuckGo 浏览器上观看了长达两小时的 Rush 50-Something 演唱会视频，期间 **没有任何广告播放**。视频时间轴上原本应显示广告的位置依然可见，但广告内容被完全跳过。该功能默认开启，用户也可随时关闭以恢复原始体验。 ## 支持的平台与可用性 Duck Player 目前已支持 **macOS、Windows、Android 和 iOS** 平台，但尚无 Linux 版本。浏览器本身免费，用户只需安装最新版即可体验。 ## 行业意义 DuckDuckGo 此举正值广告拦截争议升温之际。谷歌计划在 Chrome 中逐步淘汰 Manifest V2 扩展，导致许多广告拦截器失效。DuckDuckGo 的解决方案不依赖扩展，而是从浏览器内核层面实现广告屏蔽，为用户提供了一种更稳定、更隐私的选择。 ## 小结 对于厌倦了 YouTube 广告、又不想付费订阅 Premium 的用户，DuckDuckGo 的 Duck Player 提供了一个简单有效的免费方案。它不仅屏蔽广告，还强化了隐私保护，可谓一举两得。
## 问题背景 当您将生成式 AI 代理通过 **Amazon Bedrock AgentCore** 部署为生产级 API 端点时，通常需要借助 **AWS WAF** 实施 Web 应用防火墙策略、速率限制、常见 Web 威胁防护或审计控制。然而，AWS WAF 原生集成的服务（如 **ALB**、**CloudFront**、**API Gateway**）均存在各自的局限性： - **CloudFront** 适用于缓存和内容分发，但代理调用是实时动态的，缓存不适用。 - **API Gateway** 会引入额外的认证和请求转换层，与 AgentCore 内置的 SigV4 和 OAuth 处理形成“双重认证”问题。 因此，**面向公网的 ALB** 成为最佳集成点：它透明传递请求头、支持 VPC 内部路由，并能直接挂载 AWS WAF WebACL。 ## 核心挑战 ALB 需要对后端目标执行健康检查，但 **AgentCore Runtime 要求所有 API 调用（包括健康检查请求）都必须通过 SigV4 或 OAuth 认证**。标准 ALB 健康检查发送的是未认证请求，因此会直接失败。 ## 两种架构模式 该文章提出了两种经过端到端测试的架构模式，均使用面向公网的 ALB + AWS WAF，并通过 VPC Interface Endpoint 将流量路由至 AgentCore Runtime。两种模式均支持 SigV4 和 OAuth（Amazon Cognito JWT）认证。 ### 模式 1：Lambda 代理模式 在 **ALB 与 VPC Endpoint 之间插入 AWS Lambda 代理**。Lambda 函数可以完全控制请求转换，包括处理健康检查逻辑——例如对健康检查路径返回固定响应，或对生产请求进行签名转发。这种模式赋予您最大的灵活性，但会引入额外的延迟和运维复杂度。 ### 模式 2：直接路由模式 **ALB 直接指向 VPC Endpoint 的 ENI IP 地址**，完全移除 Lambda 跳转。该模式更简单、延迟更低，但需要确保健康检查能够绕过认证。文章通过资源策略关闭直接访问后门，强制所有流量必须经过 AWS WAF 检查。 ## 安全加固要点 两种模式都需要配置 **VPC Endpoint 资源策略**，拒绝来自非 ALB 来源的流量，从而防止客户端绕过 WAF 直接访问 AgentCore。这确保了 WAF 策略的强制实施。 ## 总结 对于希望在生产环境中安全暴露 Bedrock AgentCore API 的用户，这两种模式提供了明确的路径： - **模式 1** 适合需要自定义请求转换或复杂健康检查逻辑的场景。 - **模式 2** 适合追求低延迟、简单架构的场景。 无论选择哪种模式，都能在保持 AgentCore 原生认证能力的同时，叠加 AWS WAF 的安全层。
随着企业加速拥抱 AI，IT 管理员面临一个现实挑战：如何在员工设备上规模化地管理 AI 应用的配置与使用。Claude Code、Claude Desktop、OpenAI Codex 等工具已进入日常工作流，但每个应用都依赖本地配置文件来设置推理提供商认证、MCP 服务器连接和可观测性参数。分散的手动配置不仅效率低下，还存在安全和合规风险。 **Jamf** 作为全球超过 78,000 家组织信赖的 Apple 设备管理平台，近期将其管理模型延伸至 AI 治理领域。通过与 **Amazon Bedrock** 集成，Jamf 的 AI Governance 方案允许 IT 管理员在 Mac 设备群上集中配置、部署和验证这些 AI 应用的设置，而无需用户手动干预。 ## 核心架构与工作流程 方案的核心思路是：**将 AI 应用的推理运行与配置管理分离**。 - **推理层**：Amazon Bedrock 通过 AWS 账户提供模型推理能力，运行在用户指定的 AWS 区域，确保数据不出企业安全边界。 - **配置层**：Jamf 的 AI Governance 定义应用连接到 Bedrock 所需的各项设置（如 API 密钥、区域、MCP 端点等），并通过 **Declarative Device Management (DDM)** 将配置下发至每台 Mac。 用户只需打开应用即可直接使用，无需编辑任何本地配置文件。Jamf Blueprints 负责定义策略范围，DDM 确保配置在操作系统层面被锁定，抵抗本地篡改。 ## 关键能力与优势 1. **集中管控**：所有 AI 应用配置统一在 Jamf 控制台定义，告别逐台设备手动设置。 2. **安全合规**：推理始终在 AWS 账户内完成，数据不经过第三方公共网络，满足审计要求。 3. **抗篡改**：通过 DDM 交付的配置在设备层面被保护，用户无法随意修改关键参数。 4. **可观测性**：管理员可实时查看策略覆盖范围与部署状态，快速发现异常。 ## 适用场景 该方案特别适合以下场景： - 金融、医疗等受监管行业，需要审计 AI 工具的使用和推理路径。 - 大规模 Mac 部署的企业，希望统一管理 Claude Desktop、Codex 等工具的配置。 - 需要将 AI 推理限制在特定 AWS 区域以符合数据驻留要求的组织。 ## 小结 Jamf 与 Amazon Bedrock 的集成，为 Mac 生态的 AI 治理提供了一个可落地的参考架构。它不仅解决了配置分发和安全管理的问题，更重要的是让 IT 团队能以声明式的方式定义“预期状态”，从而在 AI 工具快速迭代的背景下保持控制力。对于正在或计划将 AI 引入员工工作流的企业，这一方案值得关注。
随着新旧公司竞相利用AI，许多AI初创公司报告称其收入不仅增长，而且正在加速，以更短的时间达到下一个里程碑。以下公司展示了这种飞轮增长模式。需要注意的是，这些公司使用的底层指标可能不同，即使它们都使用“ARR”一词。有的指年度经常性收入（ARR），即已签约但尚未开票的客户合同收入；有的指年化运行率收入，即按最近一个月收入水平推算的全年收入；还有的指承诺ARR，即已签约但尚未入住的客户合同。以Gusto为例，它报告的是实际过去12个月收入。尽管如此，以下按ARR增长公开时间倒序排列的初创公司均声称其收入增长正在加速，无论它们如何定义。当然，快速增长的公司远不止这些，但本文仅列出那些以越来越快速度达到收入里程碑的企业。 **Mercor**：周一，Mercor联合创始人兼CEO Brendan Foody宣布，截至6月，公司年化总收入已突破**20亿美元**，而仅四个月前才达到10亿美元里程碑。这家成立不到三年的公司雇佣领域专家训练和优化AI模型，去年9月曾达到5亿美元运行率。 **Anthropic**：近几个月，这家模型制造商的收入速度令整个AI行业瞩目。5月底，Anthropic宣布其收入运行率超过**470亿美元**，而这一里程碑距离公司报告同一指标超过300亿美元不到两个月。该公司称，2025年底其收入运行率达到90亿美元，高于2025年7月的40亿美元。 **Sierra**：为企业构建客服AI代理的Sierra，在七个季度内达到首个1亿美元ARR后，联合创始人兼CEO Bret Taylor于5月底表示，仅用两个季度就再增加了1亿美元。 **Glean**：5月，Glean宣布ARR突破**3亿美元**。这家成立七年的企业AI初创公司，从1亿美元ARR翻倍至2亿美元用了九个月，而从2亿美元到3亿美元仅用了……
作为科技记者，我的Gmail收件箱每天涌入大量邮件，尤其是报道AI相关话题时。上个月，Anthropic限制Fable 5用户使用Opus的消息引发热议，我收到超过7000封邮件，其中包含许多专家和PR的评论与报价。过去，我需要手动筛选数小时；这次，我先尝试了Gmail内置的Gemini AI助手，但它在处理这类复杂研究任务时彻底翻车——无法正确识别主题、遗漏关键邮件，甚至混淆上下文。 随后，我转向Anthropic的**Claude Cowork**。这款AI助手能够深度理解邮件内容，精准找到相关的推介、引语和权限信息。它从混乱的收件箱中提取了有价值的文章素材，包括反对Fable限制的专家观点和关键数据。整个过程仅需几分钟，而Gemini此前几乎毫无产出。 不过，**人工核实仍然不可或缺**。Claude找到的引语需要对照原文确认准确性和上下文，避免断章取义。这次体验表明，连接型AI助手（如Claude Cowork）终于开始解决邮件过载的某些痛点，但距离完全自动化还有距离。 ## 关键观察 - **Gemini的局限**：Gmail的AI搜索缺乏上下文辨别能力，无法处理模糊主题和多条件查询。 - **Claude Cowork的优势**：能理解语义、关联相关邮件，并提供结构化摘要。 - **实用建议**：AI可大幅提升效率，但最终决策和引用仍需人类把关。 ## 行业背景 AI辅助邮件管理并非新概念，但此前工具多停留在关键词搜索或简单分类。Claude Cowork展示了更高级的语义理解和任务执行能力，这得益于Anthropic在**安全性和可控性**上的持续投入。类似技术可能重塑记者、分析师等知识工作者的工作流，将精力从信息筛选转向深度创作。
Roborock 最新旗舰扫地机器人 Saros 20 在性能上实现了显著提升，而价格却保持不变。经过深度测试，我认为它足以成为未来十年的家居清洁伙伴。 ## 核心升级：效率与智能的平衡 Saros 20 在导航和清洁能力上进行了关键优化。它搭载了升级版的 LiDAR 导航系统，建图速度比前代提升约 30%，即使在弱光环境下也能精准避障。吸力提升至 8000Pa，配合全新的浮动滚刷设计，能更有效地清理地毯深处的灰尘和宠物毛发。 最让我印象深刻的是它的 **“智能区域清洁”** 功能。通过 AI 摄像头识别不同地面材质后，机器人会自动调整吸力和拖地水量——在木地板上减少水量以防残留，在瓷砖上则加大拖地力度。实际测试中，它对酱油、咖啡等常见污渍的一次清洁率超过 95%。 ## 续航与维护：为长期使用设计 5200mAh 的大容量电池支持单次清扫 180 平方米，并支持自动回充续扫。集尘袋容量提升至 3.2L，官方宣称可 **2 个月更换一次**，大幅降低了维护频率。更关键的是，Roborock 为 Saros 20 提供了 **10 年配件支持**，包括滚刷、滤网、边刷等易损件的持续供应——这在消费电子领域极为罕见，也印证了品牌对耐用性的承诺。 ## 定价策略与市场影响 令人意外的是，Saros 20 的起售价与前代 Saros 10 持平，为 **$1,199**。在高端扫地机器人市场（iRobot Roomba j9+、Ecovacs Deebot X2 等竞品普遍涨价 10%-15%）的背景下，Roborock 的“加量不加价”策略极具竞争力。这或许反映出公司试图通过 **硬件利润换市场份额** 的意图——毕竟，稳定的耗材和配件收入才是长期盈利的关键。 ## 小结：值得投资的长期伙伴 对于追求“省心”的用户，Saros 20 几乎没有短板：更强的清洁力、更智能的导航、更低的维护成本，以及罕见的长期配件承诺。如果你准备在未来 5-10 年内不更换扫地机器人，它无疑是当前最值得考虑的选择。
GitHub 前 CEO 近日推出了一家新的开发者工具初创公司，旨在构建一个专为 AI 编程代理时代设计的分布式 Git 网络。该项目被视为对传统集中式代码托管模式的革新，以应对日益增长的自动化编码需求。 ### 核心目标：为代理式编码构建基础设施 新公司认为，随着 AI 编程代理（如 Copilot、Codex 等）逐渐成为软件开发的主力，现有的 Git 基础设施在性能、安全性和协作方面存在瓶颈。分布式 Git 网络通过去中心化架构，可显著提升代码同步速度，减少延迟，同时增强对恶意代码的防护能力。 ### 行业背景与意义 当前，AI 编码工具已能自动生成大量代码，但代码库的版本管理、权限控制以及多代理协作仍依赖传统集中式平台（如 GitHub、GitLab）。新网络通过引入分布式节点，使代理之间可以直接交换代码变更，无需经过中心服务器，从而降低单点故障风险。 ### 初期规划与挑战 据透露，该网络将支持 Git 原生协议，并兼容现有工具链，降低迁移成本。但如何吸引足够多的节点加入以形成网络效应，以及如何处理分布式环境下的数据一致性，将是其面临的主要挑战。 ### 未来展望 专家认为，如果该网络成功落地，将可能重塑开源协作模式，并为 AI 代理提供更高效的底层支持。不过，目前项目仍处于早期阶段，具体技术细节和发布时间尚未公布。
最近一项调查显示，美国人在社交媒体上变得越来越沉默，分享的内容也越来越有选择性。这一趋势背后，是多重因素的叠加影响。 ## 从“晒”到“藏”：社交媒体的沉默螺旋 曾几何时，社交媒体是生活日志的代名词——早餐的牛油果吐司、旅行中的风景照、甚至深夜的emo心情，都值得被公之于众。但如今，许多用户开始有意减少发帖频率，甚至转为“潜水”状态。 **核心原因之一是隐私焦虑的升级**。随着数据泄露事件频发和算法监控的强化，用户越来越意识到：每一次点赞、评论和分享都在被分析、被利用。2018年剑桥分析丑闻后，公众对社交平台的信任度大幅下滑，许多人选择“少说少错”。 **另一个关键推手是“社交倦怠”**。信息过载、攀比文化、以及“点赞数”带来的心理压力，让用户感到疲惫。研究显示，频繁使用社交媒体与焦虑、抑郁呈正相关。为了心理健康，越来越多人主动减少暴露，转向更私密的即时通讯工具（如WhatsApp、Signal）或小圈子群组。 ## 算法与内容生态的演变 平台自身的调整也在改变用户行为。Instagram和Facebook近年不断优化算法，**优先推荐娱乐性、高互动内容**（如短视频、搞笑段子），而个人生活分享的曝光度被大幅压缩。用户发现：发一张自拍可能只有几十个赞，但转发一条宠物视频却能获得数千互动。这种反馈机制促使内容生产向“流量导向”倾斜，普通用户则因缺乏动力而选择沉默。 同时，**“完美人设”的构建成本越来越高**。滤镜、修图、精心策划的文案……发帖变成一项“工作”。当社交媒体的真实性被质疑，用户反而更珍惜线下交流或匿名平台（如Reddit、小红书）带来的放松感。 ## 行业趋势与未来展望 这一现象并非美国独有。在中国，微信朋友圈的活跃度也在下降，用户更倾向于通过“三天可见”或分组可见来控制信息流。全球范围内，**社交媒体正从“广播式分享”转向“场景化互动”**：人们只在特定事件（如旅行、节日）或特定情绪下才发帖，日常琐事则被移出公共视野。 对于AI行业而言，这种变化带来了新挑战：**用户生成内容（UGC）的减少，意味着训练AI模型的数据质量可能下降**——更多是精心设计的营销内容，而非真实的自然语言。同时，隐私保护技术（如联邦学习、差分隐私）的需求将更加迫切。 **小结**：减少发帖不是社交的终结，而是社交形态的成熟。用户正在重新夺回对个人数据的控制权，并追求更有意义的连接。对于平台而言，如何平衡商业变现与用户体验，将是下一个十年的核心命题。