印度 IT 巨头 Infosys 联合创始人 Nandan Nilekani 将不再担任风险投资公司 Fundamentum Partnership 的普通合伙人，但仍作为锚定投资者支持其第三只基金（目标 2 亿美元）。Fundamentum 同时扩大领导团队，新基金将聚焦消费科技、金融科技和 AI 领域的早期初创公司。 ## 领导层调整：从 GP 到锚定投资者 Nilekani 与 Sanjeev Aggarwal 于 2017 年共同创立 Fundamentum，专注印度 B 轮及以后阶段的投资。此次卸任 GP 后，Nilekani 将继续担任基金的锚定投资者，并为投资组合公司提供战略指导和创业辅导。Aggarwal 表示，这“只是头衔上的变化”，Nilekani 仍将是公司的核心成员。 ## 新基金聚焦 AI 与金融科技 Fundamentum 第三只基金目标规模约 **2 亿美元**，计划投资 **8 到 10 家**早期初创企业，首笔支票金额约 **1000 万卢比（约 1050 万美元）**。重点赛道包括消费科技、金融科技和 AI 产品。基金尚未完成首次关闭，但已开始部署资金，预计在未来 12 至 18 个月内完成募集。 ## 投资团队扩容 除 Aggarwal 外，新基金将由三位资深投资人共同领导：2017 年加入的 Prateek Jain、金融科技投资人 Mayank Kachhwaha，以及任职近十年的财务负责人 Sanjay Chaturvedi。这一调整增强了 Fundamentum 的资深投资团队。 ## Nilekani 的行业影响力 Nilekani 是印度科技界的标志性人物。除联合创立 Infosys 外，他还主导了印度生物识别身份系统 **Aadhaar** 的创建，并积极推动数字公共基础设施，包括实时支付网络 **UPI** 和开放电商网络 **ONDC**。这些项目深刻影响了印度数字经济的发展。 ## 基金过往投资组合 Fundamentum 的投资组合包括二手车平台 **Spinny**、在线药房 **PharmEasy**、音频故事平台 **Kuku FM** 以及宗教类应用 **Sri Mandir** 的开发商 AppsForBharat 等。新基金将继续延续这一策略，支持印度本土的创新型初创企业。 ## 小结 Nilekani 的角色转变标志着 Fundamentum 进入新的发展阶段。凭借强大的领导团队和明确的投资方向，第三只基金有望在印度 AI 和金融科技领域挖掘出下一批独角兽。
作为网络安全领域的老牌劲旅，Norton 依然是最强悍的杀毒软件之一。但经过六周的深度使用，我发现它最大的优势并非预期中的强悍防护，而是**出色的实时防护能力**和**安静的系统运行体验**。 ## 实测亮点：实时防护堪称典范 在为期六周的测试中，Norton 在**真实世界防护测试**中表现优异，能够有效拦截各类恶意软件、勒索病毒和网络钓鱼攻击。其深度扫描工具可以全面检查系统文件、浏览器缓存和外部存储设备，且扫描速度在同类产品中处于领先水平。 更令人惊喜的是，Norton 在后台运行时几乎**不打扰用户**。与许多杀毒软件频繁弹出通知不同，Norton 的静默模式设计得相当成熟：威胁被自动处理，更新在后台静默进行，系统资源占用也控制得比较合理。即使在运行深度扫描时，对日常办公和轻度娱乐的影响也微乎其微。 ## 并非完美：付费墙与 AI 助手的短板 尽管核心防护能力出色，Norton 也并非没有短板。其**关键功能（如 VPN、密码管理器、云备份等）均需额外付费**，基础版本仅提供杀毒和防火墙功能。对于追求一站式安全解决方案的用户来说，这可能意味着更高的成本。 此外，Norton 内置的 **AI 助手表现不稳定**。它在识别常见威胁时反应迅速，但面对新型或复杂的攻击场景时，有时会给出模糊或不够准确的建议，可靠性有待提升。 ## 适合人群与购买建议 如果你追求**核心防护能力**和**系统流畅性**，Norton 是一个值得考虑的选择。它特别适合那些不希望被杀毒软件频繁打扰、同时又需要可靠实时防护的用户。不过，如果你需要全套安全功能（如跨设备同步、隐私保护等），可能需要评估付费方案的整体性价比。 总体而言，Norton 依然是网络安全领域的标杆产品之一，其扎实的防护功底和用户友好的体验让它值得肯定。但它的价值更多体现在“基础防护”本身，而非附加功能的丰富程度。
爱沙尼亚议会去年12月修改《赌博税法》时，因一个措辞失误——仅提及“技巧游戏”而未涵盖“机会游戏”或远程赌博——导致在线赌场意外享受一年免税，政府每年损失约 **2400万欧元（2740万美元）**。这一错误被一家赌博运营商的法务顾问发现，但更令人尴尬的是，当爱沙尼亚前数字转型副部长 **Luukas Ilves** 将法案文本输入 Claude 和 Gemini 后，两款AI系统立刻识别出了不一致之处。 受此启发，Ilves 在几小时内开发出原型工具 **Apsakaleidja**（意为“找茬工具”），它能从议会网站抓取草案，自动标记引用断裂、措辞矛盾、算术错误和不可能日期等问题，并按高、中、低风险分类。在目前列出的112项法案中，**102项被标为高风险**。Ilves 甚至在国家电视台上进行了演示，令主持人惊叹不已。 爱沙尼亚总理 **Kristen Michal** 向 WIRED 表示，这一事件表明AI可以成为“极其有用的助手”，而通过“氛围编码”快速搭建的草案检查平台，也展示了智能工具如何赋能公民社会。今年1月，Michal 提议将类似工具用于立法起草，以预先发现并修复漏洞；同时启动 **Eesti.ai** 计划，旨在提升全民AI技能，目标是在2035年前将国家生产力翻倍。该计划的顾问包括 Bolt 创始人 Markus Villig 和“找茬工具”的创造者 Ilves。今年4月，议会已收到一份由AI辅助起草的法案。 爱沙尼亚的实践揭示了一个重要趋势：**AI在政策制定中的角色正从辅助审核走向主动起草**。与依赖人工逐条审阅相比，AI能大幅降低因疏忽导致的成本高昂的立法错误。但这也引发了对“AI立法”透明度和问责性的讨论——当错误发生时，责任应归于算法、开发者还是最终批准的人类官员？爱沙尼亚的“找茬工具”目前仍定位为辅助工具，但其快速迭代和全国推广计划，可能成为其他国家效仿的范本。 从 **2800万美元的教训** 到AI驱动的立法纠错，爱沙尼亚再次展现了其作为数字政府先行者的敏捷性。未来，我们或许会看到更多政府将AI嵌入立法流程——但关键在于，如何确保这些工具在提高效率的同时，不牺牲法律的严谨与公正。
Meta 近期推出了一项名为 **Muse Image** 的新 AI 功能，允许用户利用他人的公开 Instagram 帖子来生成图像。这意味着，任何公开账户发布的照片都可能被 Meta 的 AI 模型采集，成为其他用户创作新图像的素材。该功能旨在提升创意表达的多样性，但也引发了用户对隐私和数据使用的担忧。 ## 功能机制与隐私影响 Muse Image 基于 Meta 的生成式 AI 技术，能够从公开的 Instagram 图片中学习风格、构图和内容，然后根据用户输入的文本提示生成全新图像。例如，用户可输入“像@username 的日落照片风格一样，生成一张海滩图”，系统便会参考该账户的公开帖子进行创作。 对于普通用户而言，这意味着你的公开帖子可能被用于训练模型或直接作为风格参考，而无需你的明确许可。Meta 表示，该功能仅针对公开账户，且生成图像不会直接复制原图，而是进行风格迁移或元素重组。但许多用户仍担心个人照片被“二次利用”，尤其是涉及肖像或敏感内容时。 ## 如何退出（Opt-out） Meta 提供了退出机制，但需要用户手动操作。以下是具体步骤： 1. 打开 Instagram 应用，进入你的个人主页。 2. 点击右上角菜单（三条横线），选择“设置”。 3. 进入“隐私”设置，找到“数据使用与许可”或类似选项（具体路径可能因版本而异）。 4. 查找“AI 训练”或“Muse Image”相关开关，将其关闭。 需要注意的是，该设置仅影响未来数据的采集，已用于训练的历史图片可能无法完全撤回。此外，退出后，你的帖子仍可能被其他用户通过常规方式查看，但不会被 AI 功能作为创作参考。 ## 行业背景与用户应对 Meta 此举并非孤例。近年来，多家科技公司（如 OpenAI、Adobe 等）都推出了基于用户数据的生成式 AI 工具，隐私争议随之而来。欧盟的 GDPR 和加州的 CCPA 等法规要求平台提供退出选项，但普通用户往往因操作复杂或信息不透明而难以有效保护隐私。 对于在意数据使用的 Instagram 用户，建议： - 定期检查隐私设置，关闭不必要的 AI 训练权限。 - 将账户转为私密，或对特定帖子限制可见性。 - 关注 Meta 的官方更新，了解数据使用政策的变化。 总之，Muse Image 展示了 AI 与社交平台结合的创新潜力，但也提醒我们：在享受技术便利的同时，需主动管理自己的数字足迹。
高血压（Hypertension）影响着全球约13亿人，是世界头号致死风险因素。美国心脏协会估计，美国一半成年人患有高血压，其中许多人甚至不知道自己患病。虽然已有有效治疗手段，但日常监测仍是关键。可穿戴血压手表让用户能随时随地进行测量，无需传统袖带。 ZDNET资深编辑Matthew Miller对市面上多款主流血压手表进行了实测，并结合医学研究和FDA最新指南，筛选出真正可靠的产品。以下是他2026年推荐的几款最佳血压手表。 ## 实测推荐列表 ### 1. **Omron HeartGuide** - **核心优势**：唯一通过FDA认证的腕式血压计手表，采用示波法测量，准确度接近医用标准。 - **实测表现**：在静坐状态下，读数与上臂式血压计误差在±5mmHg以内。 - **适用人群**：需要医疗级准确度的用户。 ### 2. **Samsung Galaxy Watch 6 / 7** - **核心优势**：集成光学传感器，通过校准后可实现血压趋势监测。 - **实测表现**：需每四周用传统血压计校准一次，后续测量一致性良好。 - **适用人群**：已有三星手机、追求智能生态的用户。 ### 3. **Withings BPM Core** - **核心优势**：虽非手表形态，但作为便携式腕带，支持心电图和脉搏波速度检测。 - **实测表现**：测量结果稳定，APP健康管理功能完善。 - **适用人群**：愿意牺牲手表形态换取更多心血管指标的用户。 ### 4. **Huawei Watch D** - **核心优势**：微型气泵+气囊设计，直接测量血压，无需校准。 - **实测表现**：在运动后或情绪波动时读数略有偏差，但日常静息测量表现优秀。 - **适用人群**：安卓用户，看重无校准测量。 ## 选购建议 | 需求 | 推荐型号 | |------|----------| | 医疗级准确度 | Omron HeartGuide | | 智能功能+血压 | Samsung Galaxy Watch 6/7 | | 多心血管指标 | Withings BPM Core | | 免校准测量 | Huawei Watch D | ## 注意事项 - **FDA监管**：目前仅少数产品获得FDA批准作为血压测量设备。购买前请确认产品是否在销售国获得相应认证。 - **使用规范**：血压手表普遍要求在静坐、手腕与心脏同高时测量，否则结果可能不准确。 - **非替代品**：这些设备可作为日常监测工具，但不可替代医生诊断或传统上臂式血压计。 ## 小结 2026年的血压手表市场已趋于成熟，从医疗级到消费级均有可靠选择。选择时需权衡准确度、智能功能和价格。无论选哪款，持续监测才是控制血压的关键。
随着网络威胁不断演变，恶意软件清除软件已成为保护个人和企业数据安全的关键工具。ZDNet专家团队对市面上多款主流软件进行了严格测试，综合检测能力、系统性能影响、易用性和客户支持等因素，评选出2026年最佳恶意软件清除软件。 ## 评测标准 我们基于以下维度对每款产品进行评分： - **检测率**：能否识别并清除各类已知和未知恶意软件。 - **系统性能**：运行扫描时对系统资源的影响。 - **易用性**：界面设计、安装和操作流程是否直观。 - **额外功能**：是否包含实时保护、防火墙、VPN等增值功能。 - **客户支持**：技术支持渠道和响应速度。 ## 最佳选择：Malwarebytes Premium **Malwarebytes Premium** 凭借卓越的检测能力和轻量级设计脱颖而出。它在独立测试中实现了**99.8%** 的恶意软件检测率，且对系统性能影响极小。其“反勒索软件”和“反漏洞利用”技术能有效防御新型威胁。 ## 其他推荐 - **Bitdefender Total Security**：提供全面的安全套件，包含防病毒、防火墙和VPN，适合需要一体化保护的Windows用户。 - **Kaspersky Anti-Virus**：以高检测率和低误报率著称，但在某些地区受监管限制。 - **Norton 360**：集成备份和密码管理器，适合家庭用户。 - **ESET NOD32**：轻量级解决方案，对老旧设备友好。 ## 如何选择 - 若你仅需**按需扫描**，可考虑免费版Malwarebytes。 - 若需要**实时保护**，推荐Bitdefender或Norton 360。 - 若设备配置较低，ESET NOD32是理想选择。 ## 小结 定期使用恶意软件清除软件进行扫描，是维护数字健康的基本措施。2026年的推荐榜单中，**Malwarebytes Premium** 凭借其高效和全面性成为首选，但用户应根据自身需求权衡功能与预算。
2024年7月，一起由CrowdStrike更新引发的全球性Windows PC蓝屏事件，让数百万用户措手不及。微软随即宣布了“Windows弹性计划”（Windows Resiliency Initiative），而其中的核心功能——**“时间点恢复”（Point-in-time Restore）**，正是一款堪称终极“撤销”按钮的系统工具。 ## 从灾难中诞生的解决方案 CrowdStrike事件暴露了Windows系统在面对第三方更新时缺乏快速回滚机制。传统的系统还原点虽然存在，但往往需要用户手动创建，且恢复过程繁琐。微软的新工具旨在解决这一痛点：它能够自动记录系统关键变更，并允许用户在几分钟内将系统恢复到任意一个“健康”的时间点——即使系统已经无法正常启动。 ## 如何启用时间点恢复？ 该功能目前作为Windows 11 Insider Preview的一部分推出，预计将在后续稳定版中默认集成。启用步骤如下： 1. **加入Windows Insider计划**（如需提前体验）：进入“设置”>“Windows更新”>“Windows Insider计划”，选择Dev或Beta频道。 2. **安装最新预览版更新**：确保系统版本为Build 26080或更高。 3. **开启系统保护**：在“控制面板”>“系统和安全”>“系统”>“系统保护”中，为系统驱动器（通常是C盘）启用保护。 4. **配置恢复设置**：通过“设置”>“系统”>“恢复”>“时间点恢复”，调整自动快照频率（建议设为每日或每周）。 一旦启用，Windows会自动在关键事件（如驱动程序安装、系统更新、软件部署）前创建快照。当系统出现问题时，用户可在启动时进入高级恢复环境，选择“时间点恢复”并挑选快照，即可快速还原。 ## 行业影响与未来展望 微软的这一举措，标志着操作系统从“被动修复”向“主动弹性”的转变。对于企业IT管理员而言，该工具可大幅降低因更新导致的大规模故障恢复时间；对普通用户，则意味着无需再依赖第三方备份软件或重装系统。 不过，该功能也面临挑战：快照会占用一定磁盘空间（默认限制为系统容量的5%），且恢复时可能丢失快照之后的新增文件。微软建议用户结合文件历史记录或云备份使用，形成多层防护。 随着Windows 11 24H2版本的临近，时间点恢复有望成为系统标配。在AI驱动的更新日益频繁的今天，这一“后悔药”或许正是用户最需要的安全保障。
搬家加上新诊断的健康问题，让我重新审视了自己的居家办公（WFH）工作站。经过几个月的体验和淘汰，以下5款产品最终留了下来，它们分别解决了站立办公、桌面理线、充电管理、线缆耐用性和人体工学支撑等核心痛点。 ## 1. 升降桌：Eureka Ergonomic Ark SD Standing Desk 长时间久坐已被证实对健康有害，而这款升降桌的稳定性让我印象深刻。它的双电机升降系统即使在满载显示器、笔记本电脑和书籍时也能平稳运行，且高度范围覆盖了从坐姿到站姿的几乎所有需求。桌板尺寸足够大，能轻松容纳双显示器臂和日常办公杂物。 ## 2. 桌面理线器：Smartish Magnetic Cable Wrangler 这是整个改造中最便宜但最实用的单品。磁吸设计让它能吸附在桌腿或金属桌面上，无需打孔或粘贴。你可以将充电线、耳机线甚至电源线缠绕在它上面，桌面瞬间变得清爽。对于频繁切换设备的人来说，这个不到10美元的小工具堪称效率神器。 ## 3. 桌面充电站：Anker Nano Power Strip with Desk Clamp 传统的插线板要么放在地上弯腰插拔，要么占用桌面空间。这款Anker产品采用夹具设计，可直接固定在桌沿，既节省台面又方便伸手够到。它提供了3个AC插座和2个USB-C口（其中一个支持65W PD快充），足以同时给笔记本、手机、平板和耳机充电。 ## 4. 二合一充电线：Smartish Crown Joule USB-C to USB-C + Lightning Cable 如果你的设备既有USB-C又有Lightning接口，这款线缆能让你少带一根线。它的一端是USB-C，另一端则集成了USB-C和Lightning两个接口，通过滑动切换。编织材质非常耐用，长度也足够从桌面延伸到沙发或床上。 ## 5. 人体工学椅：FlexiSpot C7 Morpher Chair 健康诊断让我意识到一把好椅子对腰背的支撑有多重要。这款椅子的亮点在于可调节的腰靠和4D扶手，能根据你的体型和坐姿进行微调。网面材质透气性好，即使在夏天长时间办公也不会闷热。它的头枕和坐深调节范围很大，适合不同身高的人群。 ### 小结 这次改造的核心思路是：**先解决健康隐患，再提升效率**。升降桌和人体工学椅直接改善了久坐带来的身体压力，而理线器、充电站和二合一数据线则让桌面环境更整洁、操作更流畅。如果你也在考虑优化自己的居家办公空间，不妨从这几个方向入手。
你可能以为 Android Auto 只能在车里用，但一位科技编辑发现，把它装在一部旧手机上，就能变成一个极简的智能家居控制中心。这个用法不仅省下了买专用平板的钱，还解决了手机通知太多、容易分心的问题。 ### 为什么要在客厅里用 Android Auto？ Android Auto 的界面是为驾驶场景设计的，**核心原则就是“简洁”和“低干扰”**。它会把最重要的信息——比如导航、音乐、电话——用大图标和语音交互呈现，其他不相关的通知统统屏蔽。这种设计理念，恰好也适用于家庭环境。 想象一下，你正在看书、做家务或者陪家人，手机突然亮了，显示一条工作消息。你忍不住点开，然后就刷了半小时社交网络。但如果你用的是 Android Auto 模式，手机只会显示你预先允许的几款应用（比如音乐播放器、播客、智能家居控制），其他一切都被挡在门外。 ### 怎么实现？ 操作很简单：找一部闲置的旧手机（或平板），安装 Android Auto 应用。如果系统提示需要连接汽车，可以开启开发者模式中的“允许在非汽车设备上使用”选项。然后，把手机通过 Wi-Fi 或蓝牙连接到家里的音箱、电视或智能灯。 你也可以买一个车载手机支架，把旧手机固定在厨房台面、书桌或床头柜上，当作一个**专用控制面板**。这样，你随时可以通过语音命令播放音乐、设置定时器、查看天气，或者用触控屏快速切换智能家居场景。 ### 实际体验如何？ 作者测试后表示，Android Auto 的界面在 5 英寸以上的屏幕上效果很好，字体大、按钮少，操作非常直观。**最明显的改变是：分心少了。** 以前总忍不住解锁手机看通知，现在 Android Auto 只显示你主动授权的内容，工作消息、游戏推送统统消失。 当然，它也有局限：你不能在 Android Auto 模式下使用大部分第三方应用，比如浏览器、视频 App。但这恰恰是它的优点——迫使你只做“必要的事”。 ### 适合谁？ - **工作效率不高的人**：需要专注时，把手机切换成 Android Auto，相当于给自己造了一个“数字戒律”。 - **智能家居用户**：可以快速控制灯光、空调、音乐，而不被其他通知干扰。 - **想省钱的极客**：旧手机再利用，省下买专用智能家居面板的几百美元。 ### 小结 Android Auto 走出汽车，意外地成为了一个优秀的“专注模式”工具。它用极简设计对抗信息过载，把手机从一个“黑洞”变成一个“工具”。如果你也有一台吃灰的旧手机，不妨试试这个用法。
大型语言模型（LLM）的推理成本一直是部署中的核心挑战。业界已探索多种条件计算技术来解耦模型质量与每token推理成本，但现有方法大多各自为政：混合专家（MoE）稀疏化前馈网络，混合深度（MoD）跳过整个Transformer块，KV缓存量化压缩注意力内存。然而，这些决策实际上高度耦合——一个需要全注意力的罕见token，很可能也需要高精度缓存，无论由哪个专家处理。 近期一篇论文提出 **TriRoute**，一个轻量级统一控制器，为每个token的每一层联合输出三项决策：注意力模式（跳过/局部/全局）、稀疏专家集合（含空专家以恢复MoD功能）以及KV缓存位宽。该控制器通过异构松弛技术（Gumbel-Softmax结合直通估计处理分类决策，负载均衡top-k门控处理专家选择）进行端到端训练，并引入拉格朗日预算约束，将平均计算和内存成本转化为可控旋钮。 研究团队发现，朴素联合训练会导致跨轴路由崩溃级联——某一轴的崩塌会传播至其他轴。为此，他们提出 **每轴归一化** 和 **耦合感知平衡损失** 加以解决。在160M至1.3B参数的解码器模型上，TriRoute在匹配推理FLOPs和内存的条件下，**帕累托优于** 独立MoD+MoE+KV量化组合的最佳效果，同时在罕见实体、代码和算术等尾部案例上展现出更强的鲁棒性。 后验分析揭示了可解释的结构：控制器倾向于为句子起始位置、罕见子词和命名实体分配全注意力与高精度缓存，而对功能词则采用廉价路由。这一工作为LLM推理优化提供了新视角：**联合决策比孤立优化更有效**，有望推动更高效、更智能的模型部署方案。
共形预测（Conformal Prediction）正被引入药物发现领域，以提供模型可靠性的量化保证：设定错误率α，该方法返回的预测集以至少1-α的概率包含真实标签。然而，一项新研究揭示了这一保证在不平衡数据集上的潜在危险。 来自Champions College Prep的研究团队在arXiv预印本（2607.06605）中指出，标准（边际）共形预测在四个真实药物发现数据集上实现了全局90%的覆盖率目标，但对少数类的覆盖严重不足。例如，在血脑屏障穿透数据集中，少数类覆盖率仅64.8%；而在临床试验毒性数据集中，这一数字骤降至4.2%，几乎完全忽略了罕见类别。 这种失败并非特定模型所致：随机森林、图神经网络和冻结化学语言模型均复现了该现象（p<0.001），且严重程度与模型在罕见标签上的基线校准相关，而非架构差异。研究团队通过守恒恒等式解释了这一效应：少数类的覆盖缺口等于多数类的覆盖盈余乘以不平衡比率，该公式预测的差距与实际测量值误差在1个百分点以内，并能跨数据集排序严重程度。 值得注意的是，这种失败在现实场景中极易被忽视：聚合准确率和总体覆盖率保持高位，但少数类却被系统性地遗漏。即便采用真实的骨架划分和第二种共形评分，问题依然存在。 作为解决方案，研究团队提出采用类别条件（Mondrian）共形预测，该方法在每个数据集上均恢复了目标覆盖率，仅以预测集大小适度增加为代价。进一步分析将失败定位到通用分子骨架（如苯和吡啶核心），并提出了单数值诊断指标。通过成本模型模拟，研究者表明，对受影响化合物进行弃权（abstention）可将筛选活动从净负效用转为净正效用。 该研究的核心贡献在于：用真实化学数据证明了已知的共形理论缺口在不平衡数据下变得多么严重且隐蔽，并为药物发现中的可靠虚拟筛选提供了实用修复方案。对于AI驱动的药物研发而言，这项工作敲响了警钟：仅仅追求全局指标可能会掩盖关键少数类别的性能崩溃，而类别条件共形预测或将成为标准实践的必要补充。
## 当时间序列预测遭遇“体制切换”：NEST 的解题思路 在金融、气象、网络运维等复杂系统中，长期预测的准确性经常被**数据集级别的分布漂移**（dataset-level distribution shift）所困扰。这种漂移并非简单的局部时序变化，而是源于系统内部多种潜在行为模式（即“体制”）的切换与组合。例如，网络流量可能在工作日、节假日、攻击事件下呈现截然不同的特征；物理系统的动力学状态也会随外部条件发生结构性改变。 现有方法大多聚焦于局部的时序偏移，例如通过自适应归一化或在线学习应对短期波动，却忽视了更根本的挑战：一个数据集本身可能就是多个不同“体制”的复合体。正因如此，当模型面对未曾见过的体制组合时，泛化能力急剧下降。 针对这一痛点，来自北航等机构的团队在最新论文中提出了 **NEST（Regime-Oriented Mixture-of-Experts）** 框架。其核心思想是：**先识别出数据中的不同“体制”，再让专门的专家模块学习每个体制的独特动态，最后通过路由机制将专家输出重组为全局预测。** ### 两阶段 MoE 架构：先分后合 NEST 采用了一种**两阶段密集混合专家（dense MoE）** 架构。第一阶段是**结构专业化**：通过无监督聚类，在精心设计的**矩-熵空间**（moment-entropy space）中将数据集划分为若干不同的运行体制。这个空间能够捕捉时间序列的高阶统计特征与信息复杂度，比直接在原始时序上聚类更具区分力。 第二阶段是**专家路由与调制**。NEST 引入了一个**体制导向路由器**：它首先根据输入序列的时序内容生成初始专家权重，再通过**几何调制**（geometric modulation）将这些权重向体制质心（regime centroids）靠拢。这样一来，路由器不仅能感知当前输入属于哪个体制，还能利用体制质心作为先验知识，增强路由的鲁棒性。 值得注意的是，NEST 中的每个专家并非一个黑盒预测器，而是充当**专用核函数**：它们通过演化出独特的变量注意力模式（variate-attention patterns），来捕捉对应体制下的变量间依赖关系。例如，在网络流量中，一个专家可能专门学习“突发流量”下的端口关联，而另一个专家则学习“平稳期”的周期性模式。 ### 实验表现与行业意义 论文在异构网络流量、物理现象等多个基准上进行了评估，结果显示 NEST 持续取得**最先进（SOTA）** 的性能。特别是在长期预测任务中，其对体制切换的显式建模带来了显著的提升。 这项工作的意义不仅在于一个更优的预测模型，更在于它为处理“数据集级分布漂移”提供了一种全新的视角。在 AI 落地过程中，真实世界的数据往往由多个隐含状态混合而成——比如自动驾驶中的不同路况、工业传感器中的不同工况。NEST 的“先识别体制、再分而治之”的思路，有望成为这类问题的一个通用范式。 目前，NEST 的代码和数据集已开源，感兴趣的读者可以前往 arXiv 获取更多细节。
扩散模型在图像生成领域已大放异彩，但一个长期存在的痛点始终困扰着研究者与实践者：**如何在减少采样步数（low-NFE）的同时，保留高频纹理细节？** 传统的“学生-教师”回归框架试图让低步数学生采样器模仿高步数教师，结果往往是保留了全局结构，却丢失了细腻纹理，生成结果“看起来像，但经不起细看”。 来自韩国首尔大学的研究团队在 ECCV 2026 论文中提出了 **D2PO（Dynamic Direct Preference Optimization）**，将采样器优化问题重新定义为偏好对齐问题，而非简单的模仿学习。核心思路是：**与其让学生“复制”教师，不如让学生学会判断“哪种采样结果更好”。** ### 从模仿到偏好：D2PO 的三大创新 1. **能量基模型（EBM）视角**：D2PO 将扩散采样策略建模为一种能量基模型，使得偏好比较可以转化为可计算的能量差异。这意味着模型不再需要显式的“正确答案”，而是通过对比不同采样结果的能量高低来学习。 2. **源自预训练分数网络的能量函数**：研究团队从预训练扩散模型的分数网络中直接推导出新的能量公式，从而在扰动空间中同时评估结构一致性与细粒度细节。这使得偏好评估更贴近人类感知。 3. **动态偏好机制**：这是 D2PO 的精髓所在。传统方法依赖固定的教师模型，而 D2PO 中的“偏好样本”会随着采样策略的改进而动态更新。这种自我改进机制让模型在迭代中不断获得更强的对齐信号，而非被静态教师限制上限。 ### 实验验证：低步数下全面超越 论文在多个数据集和采样器配置下进行了实验，结果显示： - 在 **NFE=4** 等极低步数设定下，D2PO 生成的图像在感知质量指标（如 FID、CLIP score）上显著优于传统回归方法。 - 尤其在高频纹理保留方面，D2PO 能够恢复出更锐利的边缘和更自然的细节，而传统方法则容易产生模糊或伪影。 - 动态偏好机制带来的增益是持续的——随着训练进行，偏好样本质量提升，模型性能也同步增长，没有出现饱和或退化。 ### 行业意义：让扩散模型更“实用” 对于 AI 生成内容（AIGC）的落地应用而言，低步数采样意味着更快的推理速度和更低的计算成本。D2PO 提出的偏好对齐思路，打破了“低步数 = 低质量”的固有印象。未来，动态偏好机制或许还能推广到其他生成模型的蒸馏与优化中，成为提升效率与质量平衡的通用范式。 当然，D2PO 目前仍依赖于预训练分数网络，且动态偏好的稳定性需要更多理论分析。但无论如何，这项研究为扩散模型采样器的优化开辟了一条新路：**与其模仿，不如学会偏好。**
金融投资组合优化本质上是一个多目标决策问题，需要在收益、风险、市场动态和实际约束之间寻求平衡。传统基于可靠性的方法多依赖静态优化框架，难以捕捉序列决策、尾部风险以及交易成本等市场摩擦。针对这一局限，一篇发表于arXiv的最新论文提出了**MORP-DRL**——一种基于深度强化学习的多目标可靠性投资组合优化框架。 ## 核心创新：三管齐下的风险度量 MORP-DRL同时优化期望收益和下行风险，并引入三种互补的风险指标： - **方差**：度量整体波动性 - **条件风险价值（CVaR）**：关注极端损失的平均水平 - **熵风险价值（EVaR）**：基于尾部概率的熵度量，对厚尾分布更敏感 这种设计使模型能够更全面地评估风险，尤其是在市场剧烈波动时。 ## 建模与算法：应对市场复杂性 为了刻画市场的不确定性和厚尾行为，资产收益采用**GARCH(1,1)**、**极值理论**以及**t-copula**依赖结构进行建模，并通过拟蒙特卡洛模拟生成逼真的市场情景。算法层面，研究团队选用**近端策略优化（PPO）**作为强化学习基础，同时纳入了交易成本和投资组合权重上下限等实际约束，并与经典多目标进化算法**NSGA-II**进行对比。 ## 实验验证：穿越市场周期 实验覆盖了全球十个股票指数，时间跨度包含**疫情前、疫情期间和疫情后**三种市场状态。结果显示，MORP-DRL在风险-收益表现上具有竞争力，在市场压力时期能有效降低下行风险，并且具备扩展到高维投资组合的能力。 ## 行业视角：强化学习赋能量化投资 这项研究代表了AI在金融领域的一个前沿方向。相比传统静态优化，深度强化学习天然适合处理序列决策问题——投资组合再平衡本质上就是一个持续决策过程。结合可靠性理论（如CVaR和EVaR），模型能够更稳健地应对极端事件。尽管目前仍处于学术探索阶段，但MORP-DRL为量化投资提供了一条兼顾收益、风险与交易成本的新路径。未来，随着计算效率提升和更丰富的市场数据接入，此类方法有望在实盘交易中发挥更大价值。
## 当运动数据遇上大模型：Inertia-1 开启可穿戴AI新篇章 可穿戴设备（如智能手表、健身手环）每天都在产生海量的运动数据，这些数据能否像文本、图像一样，训练出通用的“基础模型”？来自加州大学洛杉矶分校等机构的研究团队近期发布了 **Inertia-1**，一项针对可穿戴运动传感数据基础模型的系统性开源探索。 ### 数据规模：1800万小时的加速度计数据 研究团队构建了包含 **超过1820万小时** 的全球来源加速度计数据语料库。这相当于一个人连续佩戴设备超过2000年才能产生的数据量。如此庞大的规模，为研究预训练和缩放规律提供了坚实基础。 ### 系统化研究框架 不同于以往仅聚焦单一设计选择（如传感器位置或采样频率）的工作，Inertia-1 构建了一个 **全生命周期控制框架**，涵盖三大维度： - **数据选择**：传感器模态、设备佩戴位置、采样率、窗口长度等。 - **模型选择**：不同架构（如Transformer、CNN）和模型尺寸。 - **训练选择**：预训练目标、数据规模等。 ### 跨任务评估：从活动识别到疾病预测 研究在 **15个数据集** 上进行了广泛评估，覆盖三类典型下游任务： - **人体活动识别**：如走路、跑步、上下楼等。 - **步态冻结检测**：用于帕金森病患者的运动障碍监测。 - **疾病预测**：通过运动模式推断健康状况。 结果揭示了构建泛化性运动基础模型的关键因素，例如： > 使用多位置数据预训练能显著提升模型在不同佩戴场景下的表现； > 更大模型尺寸在足够数据支持下持续带来收益，但存在边际递减。 ### 开源“菜谱”：加速可穿戴AI落地 Inertia-1 不仅提供了 **当前最优的配方**（state-of-the-art recipes），更被设计为一本 **实用、开放的可穿戴运动表征学习指南**（cookbook）。所有代码、模型和实验配置均开源，旨在降低该领域的研究门槛。 ### 意义与展望 可穿戴运动传感数据具有连续、低成本、高生态效度等优势，非常适合作为基础模型的训练原料。Inertia-1 的工作填补了该领域系统性研究的空白，为后续研究提供了： - 可复现的基线 - 数据与模型缩放的经验规律 - 跨任务迁移的可行路径 未来，随着更多传感器（如心率、皮肤电活动）的融合，可穿戴基础模型有望在 **个性化健康管理、老年照护、运动科学** 等领域发挥更大作用。 --- > 论文链接：arXiv:2607.06617
## 高效建模新突破：STAGformer 如何用线性复杂度解决共享单车需求预测难题？ 共享单车系统的运营效率高度依赖于精准的站点级需求预测。然而，城市网络规模庞大，时空依赖关系复杂，传统模型往往难以兼顾精度与计算效率。近日，一篇发表于 arXiv 的论文提出了 **STAGformer（Spatio-Temporal Agent Graph Transformer）**，通过创新的**智能体注意力机制**，将标准自注意力的二次复杂度降至 **O(NT)** 线性级别，为大规模时空预测开辟了新路径。 ### 核心创新：两步式智能体注意力 STAGformer 的核心在于其**两步式智能体注意力机制**。模型引入少量可学习的**空间智能体令牌**和**时间智能体令牌**，首先由这些智能体从所有站点和时间步中聚合全局信息，再将其广播回各个站点和时间步。这一设计有效捕捉了长距离交互，同时避免了标准 Transformer 中随节点数平方增长的计算开销。 ### 四大模块协同工作 STAGformer 由四个核心模块构成： - **时空编码器**：融合动态节点特征与外部上下文因素（如天气、时间、兴趣点）； - **图传播模块**：用于空间邻居聚合，捕捉局部空间相关性； - **时间卷积模块**：提取局部时间模式； - **智能体注意力模块**：负责全局依赖建模，是模型性能的关键。 ### 实验表现：全面超越基线 研究团队在 **纽约 Citi-Bike** 和 **芝加哥 Divvy-Bike** 两个真实数据集上进行了广泛实验。结果显示，STAGformer 在多个预测时长（如 15 分钟、30 分钟、1 小时等）上，均以显著优势超越了当前最先进的基线模型，在 **RMSE** 和 **MAE** 两项指标上均取得最优。消融研究进一步验证了每个组件的贡献，其中智能体注意力机制被证实是捕捉全局时空依赖的关键。 ### 行业意义与展望 随着城市微出行（如共享单车、电动滑板车）的普及，精准的需求预测对车辆调度、站点管理及用户体验优化至关重要。STAGformer 提供了一种**兼顾效率与精度**的解决方案，其线性复杂度使其具备部署于大规模城市网络的潜力。未来，该框架有望推广至其他时空预测任务，如交通流量预测、人群密度估计等，推动智能交通系统向更高效、更智能的方向发展。
联邦学习（FL）中，标签分布倾斜（label skew）是导致客户端漂移（client drift）和全局模型准确率下降的顽疾。合成数据增强是一种有效的缓解手段，但若追求完全的类平衡，其计算成本往往高得难以承受。来自韩国研究团队的最新论文提出 **FedEAS**（Federated Entropy-Adaptive Synthesis），巧用“预算”思维，在近乎不增加额外开销的前提下，显著提升了模型性能。 ## 核心问题：合成数据该“给谁用”和“用多少”？ 传统方法要么对所有客户端一视同仁地分配生成预算（Uniform allocation），要么不顾成本地追求全局类平衡。前者无视了不同客户端本地分布差异，后者则因高昂的计算代价而不具备实际部署可行性。FedEAS 的切入点非常直接：**预算必须根据每个客户端的本地标签分布动态调整**，并且要同时回答两个问题——生成多少（how much）以及生成的样本送往哪里（where）。 ## FedEAS 机制：熵自适应预算与生成位置决策 FedEAS 的核心是一个 **熵自适应（entropy-adaptive）的每类生成预算** 计算策略。具体来说，系统根据每个客户端本地标签分布的熵值，为每个类别分配一个生成预算。分布越不平衡（熵越低），该客户端获得的生成预算就越高，从而有针对性地补足稀缺类别。同时，生成的合成样本并非“自产自销”，而是根据全局需求被分配到最需要它们的客户端（或保留在本地）。这种“生成+分发”的双重决策机制，使得总生成预算不再是一个预先设定的固定值，而是由所有客户端的预算之和自然确定。 ## 实验结果：94.1% 的预算削减与 18.82% 的性能提升 在 CIFAR-10 和 CIFAR-100 数据集上的实验表明，FedEAS 能够恢复完全类平衡带来的绝大部分准确率增益，同时将生成预算削减了 **94.1%**。换言之，它用不到 6% 的计算成本，就实现了接近最优的效果。与统一预算分配相比，在相同总预算下，FedEAS 的性能提升最高达 **18.82%**。这一结果充分说明了“把钱花在刀刃上”的重要性——不是生成更多的数据，而是生成对的地方、对的数量。 ## 行业启示：效率优先的联邦增强新范式 FedEAS 的提出，为联邦学习中数据增强的实用化提供了新思路。在现实场景中，客户端（如手机、医院）的计算和存储资源往往有限，不可能承担大规模合成数据生成。FedEAS 的预算感知机制，使得资源可以精准投放到最需要的数据类别上，尤其适用于医疗影像、金融风控等标签分布天然倾斜的领域。未来，结合更先进的生成模型（如扩散模型），这一框架有望进一步降低合成成本，推动联邦学习走向更广泛的落地应用。
瑞典“氛围编码”初创公司 **Lovable** 正进行新一轮融资谈判，计划以 **132 亿美元** 估值筹集 **3 亿美元**，较去年 12 月的 **66 亿美元** 估值翻倍。据 Sifted 报道，本轮融资预计由 **Menlo Ventures** 领投，该公司上月刚宣布完成 **30 亿美元** 新基金。 成立于不到三年的 Lovable 在 **6 月** 已达到 **5 亿美元** 年化经常性收入（ARR）。其用户群体涵盖创始人、独立设计师和销售人员，用于构建网站和电商店铺。同时，Lovable 也向大型企业销售其“氛围编码”工具，客户包括 **Workday、Asana 和 Nvidia**。 “氛围编码”允许用户通过自然语言描述来构建软件，已成为 AI 领域最流行且最赚钱的应用场景之一。其他知名“氛围编码”初创公司包括：3 月估值 **90 亿美元** 的 **Replit**；4 月以 **15 亿美元** 估值融资 **1.5 亿美元** 的 **Factory**（帮助企业开发 AI 代理）；以及上月被 SpaceX 以 **600 亿美元** 收购的 **Cursor**（面向开发者的“氛围编码”工具）。 Lovable 的估值飙升反映了投资者对“氛围编码”赛道的狂热。该赛道通过降低软件开发门槛，正在重塑应用构建方式。然而，高估值也带来风险：市场竞争加剧，且企业客户对安全性和可控性的要求可能限制增长。Lovable 能否持续兑现高增长预期，仍有待观察。
一位常春藤盟校教授因怀疑学生在线上考试中借助AI作弊，决定将期末考改为线下闭卷形式。结果令人震惊：**全班平均成绩暴跌50%**。教授直言，AI作弊正在导致“一个失败的社会”。 ### 发生了什么？ 这名教授在学期初采用线上开卷考试，但发现学生提交的答案异常工整、逻辑严谨，远超正常水平。他怀疑学生使用了ChatGPT等AI工具直接生成答案。为验证这一猜测，他在期末时突然宣布改为**线下监考、闭卷考试**。 成绩公布后，全班平均分相较前几次线上考试**下降了约一半**。部分学生甚至无法完成基本题目，暴露出对AI的严重依赖。 ### 教授的观点 教授在事后接受采访时表示，AI作弊不仅是学术不端，更会侵蚀学生的独立思考能力。“如果我们培养出的学生只会用AI回答问题，而不会自己思考，那我们将拥有一个失败的社会。” 他强调，AI本身不是问题，**滥用AI替代学习过程**才是核心隐患。教育者需要重新设计评估方式，比如增加口试、项目制考核等难以被AI直接利用的环节。 ### 行业背景 这一事件并非孤例。自ChatGPT爆火以来，全球高校都在应对AI带来的学术诚信挑战。部分学校已明确禁止在考试中使用AI，或引入AI检测工具。但道高一尺魔高一丈，AI生成文本的检测准确率并不稳定，学生也发展出“改写”策略来规避检测。 更深远的问题是：**当AI能完成大部分知识性工作时，教育的目标应该是什么？** 是继续考核知识记忆，还是转向批判性思维、创造力等人类独特能力？ ### 小结 这次“成绩腰斩”事件，直观揭示了AI作弊对学习效果的破坏力。它给教育界敲响警钟：**技术工具需要配套的教育改革**，否则学生可能在“高分”幻觉中失去真正的能力。而对于AI行业来说，这也提醒开发者，在追求模型能力的同时，需考虑其社会影响，比如开发更负责任的使用场景和防滥用机制。
在印度孟买举行的 **2026 年开源峰会** 上，Linux 创始人 **Linus Torvalds** 与好友 Dirk Hohndel 展开对话，分享了他对 Linux 开发现状、AI 影响以及个人角色转变的见解。Torvalds 坦言：“我不再是程序员了。”如今他仅依赖两种核心工具——**电子邮件** 和 **Git** 来管理内核开发。 ## 从程序员到维护者 Torvalds 解释称，他早已停止编写代码，转而专注于审核补丁、处理合并请求以及协调社区工作。他的日常工作围绕 **2000 多封邮件** 和每九到十周一次的发布周期展开。他认为这种转变是自然演进的结果：“我的工作是确保别人写的好代码能进入内核，而不是自己写代码。” ## AI 带来的“痛苦”与力量 当话题转向 AI 时，Torvalds 承认 AI 正在给内核开发带来压力。AI 工具发现了许多此前未被注意的 bug，导致社区维护者工作量激增。但他也肯定 AI 的潜力：“AI 在代码审查和错误检测方面很有用，但它无法替代人类的判断。”他特别提到，AI 生成的补丁有时逻辑混乱，需要大量人工修正。 ## Rust 语言：有用但非万能 Torvalds 重申了对 Rust 语言的支持，Linux 内核已逐步引入 Rust 代码以提升内存安全性。但他强调，Rust 并非解决所有问题的银弹：“好的编程逻辑比语言本身更重要。”他批评那些认为换用 Rust 就能自动消除 bug 的观点，并指出内核中 C 代码的成熟度短期内难以被取代。 ## 告别“博物馆技术” Torvalds 明确表示，Linux 不再支持过时的硬件或软件，例如 **Intel 486 处理器** 已在最新的 Linux 7.1 中被移除。他将这些称为“博物馆技术”，认为保留它们只会增加维护负担，阻碍创新。这一决定反映了内核团队对精简和现代化的持续追求。 ## 结语 Torvalds 的演讲揭示了开源项目领导者的真实工作状态：从代码编写者转变为社区协调者，在拥抱 AI 等新技术的同时，坚守稳定性与渐进改进的原则。他的经验表明，即使是最成功的项目，也需要不断适应工具和生态的变化，同时保持对核心价值的专注。