Lovable 与 Google Cloud 签署了一份价值数亿美元的多年期扩展协议。根据协议，Lovable 在 Google Cloud 上的资源占用将扩大 5 倍，并获得对 Anthropic Claude 和 Google Gemini 模型的更大访问权限。这笔交易不仅有助于 Anthropic 达成业绩目标，也将 Lovable 深度绑入 Google 的生态系统，包括通过 Google Cloud 市场销售其 AI 代理，并集成 Wiz 安全解决方案。Lovable 目前年化收入已突破 4 亿美元，超过一半的财富 500 强企业使用其产品。
ChatGPT 自 2022 年秋季上线以来，已从一个实验性聊天机器人进化为集成写作、研究、图像生成、文件处理和应用程序开发的综合 AI 平台。2026 年，无论是免费用户还是付费订阅者，都能通过更丰富的功能——如项目、记忆和语音模式——来提升效率。本文基于 ZDNET 深度评测，为你梳理从零开始掌握 ChatGPT 的核心要点。 ## 无需账户，免费开玩 与早期不同，**2026 年的 ChatGPT 无需注册即可使用**。你只需访问 chat.openai.com，即可直接进入对话界面。免费版已支持文本对话、基础图像生成和文件上传分析，适合初次体验。不过，免费用户有**消息次数限制**，高峰时段可能需排队。 ## 付费计划：解锁更高上限 对于重度用户，OpenAI 提供多个付费层级： - **ChatGPT Plus**（约 20 美元/月）：优先访问、更快的响应速度、GPT-4 模型以及更长的上下文窗口。 - **ChatGPT Pro**（约 200 美元/月）：无限制使用、专业级模型（如 o1 pro）以及高级数据分析功能。 - **团队版与企业版**：针对协作与安全管控，提供自定义知识库和管理后台。 ## 核心功能升级：项目、记忆与语音 2026 年的 ChatGPT 最大的变化在于**持久化与个性化**： - **项目 (Projects)**：允许你将相关对话、文件和设置组织到独立空间中，便于长期追踪复杂任务。 - **记忆 (Memory)**：ChatGPT 能记住你之前提到的偏好（如语言、格式、常用工具），并在后续对话中主动应用，减少重复输入。 - **语音模式 (Voice Mode)**：支持实时语音对话，语速自然，可打断，适合驾驶或双手忙碌场景。 ## 应用场景：从写作到编程 - **写作与编辑**：生成博客、邮件、文案，或润色已有文本。通过“自定义指令”设定语气和风格。 - **研究辅助**：上传 PDF、Excel 或代码文件，ChatGPT 可提取关键信息、总结要点或生成表格。 - **图像生成**：结合 DALL·E 3，输入描述即可生成图片，支持风格调整和局部修改。 - **编程与数据分析**：可运行 Python 代码、处理数据集，甚至生成图表。 ## 小结 2026 年的 ChatGPT 已不再是简单的问答工具，而是一个**可定制、可记忆、多模态的 AI 工作台**。免费版足以应对日常需求，而付费计划则适合专业用户。无论你是学生、创作者还是开发者，掌握这些基础功能都将显著提升你的 AI 使用效率。
## 蓝牙“多点连接”为何总掉链子？真相是：它根本就不是官方标准 你是否曾为耳机在手机和电脑之间切换不畅而抓狂？明明打着“多点连接”的旗号，实际体验却常常断连、串音。ZDNET 近日与蓝牙技术联盟（Bluetooth SIG）市场总监 Henry Wong 对话后发现：**所谓的“多点连接”并非蓝牙官方规范，更多是厂商的营销话术**。 ### 什么是“多点连接”？ “多点连接”允许一副耳机同时与两个（甚至三个）设备保持连接，并在它们之间无缝切换音频，无需手动断开重连。苹果称之为“无缝设备切换”，其他厂商则各有叫法。但 Wong 明确指出： > “多点连接不是一项规范，而是对蓝牙功能的应用。” 换句话说，**每家公司实现多点连接的方式各不相同**，没有统一标准，导致体验参差不齐。 ### 为什么体验不稳定？ 由于缺乏标准化，厂商可以自由决定何时切换、如何切换。有些优先处理最新音频请求，有些则依赖设备优先级。这导致用户常遇到： - 在手机上看视频时，电脑突然发来通知，耳机瞬间切走； - 明明想听手机音乐，耳机却固执地连着电脑不放。 **问题的根源在于：多点连接是厂商自选动作，而非蓝牙强制要求。** 蓝牙核心规范只规定单设备连接，多点属于上层应用。 ### 未来有望改善吗？ 好消息是，**从蓝牙 Classic 向 LE Audio 的迁移可能带来转机**。LE Audio 支持更灵活的音频流管理，包括多流音频和广播音频，有望让多点连接更可靠。Wong 表示，LE Audio 的架构本身就为多设备场景设计，厂商实现一致体验的门槛会降低。 不过，**LE Audio 的普及仍需时间**。目前市面大部分设备仍基于 Classic 蓝牙，而 LE Audio 的完善和生态统一尚在推进中。 ### 小结 蓝牙多点连接的不稳定，本质是 **“营销承诺”与“技术现实”的差距**。消费者以为买的是“无缝切换”，实际买到的却是厂商自定义的“尽力而为”。 **建议**：购买前仔细查看评测中关于多设备切换的具体表现，优先选择支持 LE Audio 的新品。同时，降低对“完美无缝”的期待——毕竟，这从来就不是蓝牙的官方承诺。
英国竞争与市场管理局（CMA）近日对谷歌下达一项具有里程碑意义的命令，要求其在AI生成的搜索结果中更清晰地标注和链接出版商内容，并赋予出版商选择退出AI搜索功能的权利。这是全球首次有监管机构对科技巨头的AI搜索特性施加此类约束。 ## 监管核心要求 CMA明确要求谷歌在AI概览（AI Overviews）中为出版商内容提供明确的归属标注和链接，以提升消费者信任。同时，出版商将获得有效的工具来阻止其内容被用于AI搜索功能，包括AI概览。CMA强调，谷歌不得因出版商选择退出AI而对其在常规搜索结果中进行降权惩罚，这一条款有效保护了出版商的流量权益。 谷歌需在九个月内全面遵守这些要求，但CMA预计“关键部分的控制措施”将在此期限前向出版商开放。此外，谷歌还需提交并发布合规报告，附上关键数据和指标，说明其所作出的调整及其合规情况。 ## 谷歌的立场与妥协 谷歌此前在2月向CMA提交的正式回应中反对“过度归因”，认为“对大量来源的过度归因可能会恶化用户体验并导致点击减少”。然而，谷歌也承认“过少的归因可能导致出版商选择退出，从而剥夺谷歌在搜索生成式AI功能中用于基础支撑的内容”。 尽管谷歌上月已表示将向AI概览中的网站添加更多链接，但CMA的裁决将其推向了更严格的合规路径。谷歌今日表示将遵守CMA的决定。 ## 行业影响与背景 这一裁决的背景是CMA认定谷歌在通用搜索服务领域拥有“战略市场地位”，并正在对苹果和微软进行类似调查。AI概览作为谷歌搜索的生成式AI功能，常常以自信的语气回答用户查询，但其中引用的来源可能并不总能支撑其结论。更清晰的归因和链接将帮助用户判断AI摘要的准确性。 对于出版商而言，这一裁决赋予了他们更强的议价能力，在与谷歌进行内容授权谈判时处于更有利的位置。这也为全球其他监管机构处理AI搜索与出版权关系提供了重要参考。 ## 后续观察 CMA要求谷歌在九个月内落实所有要求，但关键部分可能提前到位。谷歌的合规报告将受到密切关注，以评估其是否真正落实了透明归因和出版商退出权。这一案例或将成为AI时代搜索引擎与内容创作者之间利益平衡的标杆。
## 概述 随着生成式 AI 应用从实验走向生产，运维复杂度呈指数级增长。传统告警规则依赖人工设定阈值，面对动态负载和模型行为变化时，容易出现大量误报或漏报。Amazon Bedrock Ops Alert 正是为解决这一痛点而生——它提供了一套**三层自动化监控方案**，让 AI 运维团队能够以“自动驾驶”的方式管理告警，提升系统可靠性。 ## 核心功能与架构 该方案的核心在于**自适应阈值调整**与**告警分类**。第一层通过机器学习模型实时分析指标历史数据，自动调整告警阈值，避免因流量高峰或低谷导致的误触。第二层将告警按严重等级和类型（如延迟、错误率、资源利用率）自动分类，并关联上下文信息（如模型版本、调用链）。第三层则实现**智能工单创建**：当同一类别的告警尚未解决时，系统会自动合并，避免重复工单；同时，将告警上下文（包括最近日志、指标趋势）附加到工单中，大幅减少 AI SRE 团队的手动排查时间。 ## 实际部署价值 对于采用 Amazon Bedrock 构建 AI 应用的企业而言，该方案直接降低了运维人力成本。例如，某电商公司使用 Bedrock 部署推荐模型，过去每周需处理上百条告警，其中 60% 为误报；接入 Ops Alert 后，误报率降至 15%，且关键问题平均响应时间缩短 40%。此外，**上下文感知的推送通知**（如通过 Slack 或 PagerDuty）使值班人员能快速了解问题全貌，无需逐一查看仪表盘。 ## 与行业趋势的契合 当前，AI 运维（AIOps）正从“被动响应”转向“主动预防”。Amazon Bedrock Ops Alert 的自动化分类与工单合并功能，正是这一趋势的典型实践。它不仅适用于生成式 AI 场景，也可扩展至传统微服务架构。对于希望提升运维效率的团队，该方案提供了一个低代码、高可用的起点。 ## 小结 Amazon Bedrock Ops Alert 通过三层自动化架构，将告警管理从“人工阈值+手动分类”升级为“自适应预警+智能工单”。对于追求高可用 AI 服务的组织，这无疑是降低 MTTR（平均修复时间）、提升系统韧性的关键工具。
**Alphabet 创纪录的 850 亿美元融资：AI 市场的强力信号** 谷歌母公司 Alphabet 近日完成了一笔史无前例的股票发行，总规模高达 **850 亿美元**，远超最初计划的 400 亿美元。这笔资金明确用于 AI 领域的投资，包括数据中心和基础设施，预计 Alphabet 今年的资本支出将达到 **1800 亿至 1900 亿美元**。 ### 超额认购背后的市场信号 Alphabet 最初计划发行 400 亿美元的股票，但市场需求极为旺盛，最终募集了 **450 亿美元**。其中，知名价值投资机构 **伯克希尔·哈撒韦** 认购了 100 亿美元。下一季度 Alphabet 还将再发行 400 亿美元，使总额达到 850 亿美元。这一数字甚至超过了此前由巴西石油公司 Petrobras 保持的 **700 亿美元** 全球纪录。 ### 投资者为何买单？ 尽管 Alphabet 本身业务健康（Q1 营收 **1100 亿美元**，同比增长 22%），但此次融资的明确目的是为 AI 战略提供资金。CEO 桑达尔·皮查伊表示，这是“为迎接 AI 机遇而进行的多年投资计划的一部分”。这表明，投资者不仅看好谷歌的现有业务，更对其 AI 未来充满信心。 ### 对 AI 行业的深远影响 这笔巨额融资的成功，对整个人工智能行业意义重大。它向市场传递了一个明确信号：**公共市场投资者对 AI 领域的投资兴趣浓厚**，尤其是机构投资者愿意投入大量资金。这对于即将上市的 AI 公司（如 Anthropic、SpaceX 和 OpenAI）来说，无疑是一剂强心针。 ### 资金流向与行业前景 据估计，未来五年全球 AI 领域的投资总额将接近 **8 万亿美元**。这些资金将来自公司营收、贷款和股票发行。Alphabet 的成功融资表明，公共市场有能力消化大量 AI 相关证券，这为整个行业的 IPO 铺平了道路。 ### 小结 Alphabet 的 850 亿美元融资不仅创下了纪录，更验证了 AI 投资的热度。对于关注 AI 赛道的投资者而言，这是一个积极信号：市场资金充裕，且愿意为 AI 故事买单。未来，随着更多 AI 公司上市，这一趋势可能进一步加速。
如果你正为 SSD 价格飙升而犹豫是否入手大容量存储设备，那么现在有一个难得的机会。**Best Buy 正在对 8TB SanDisk Desk Drive 外置 SSD 进行大幅促销**，优惠力度高达 **62%**，降价超过 **1,000 美元**，到手价仅需 **740 美元**。 这款 Desk Drive 针对需要海量存储的用户设计，无论是存放大型游戏、原始/渲染视频、照片，还是作为数字艺术素材库或 PC 备份盘，8TB 的容量都能轻松应对。根据 ZDNET 的评测，该产品获得了 **5/5 满分评价**，被视为“几乎完美的选择”。 ## 为什么值得入手？ 当前 SSD 市场价格持续走高，而 SanDisk Desk Drive 的这次促销无疑为消费者提供了难得的“窗口期”。相比市面上同类 8TB 外置 SSD 动辄 1800 美元以上的定价，**740 美元的价格极具竞争力**。对于内容创作者、游戏玩家或需要大量数据备份的专业人士来说，这可能是今年最划算的存储投资之一。 ## 优惠详情 - **产品**：SanDisk Desk Drive 8TB 外置 SSD - **原价**：1,920 美元 - **优惠价**：740 美元 - **节省金额**：1,180 美元（约 61%） - **购买渠道**：Best Buy - **优惠截止**：2026 年 5 月 28 日（或售完即止） 需要注意的是，此类促销通常库存有限，建议有需求的用户尽快行动。如果你一直在等待一个合适的时机升级存储设备，现在就是最佳时刻。
谷歌近日发布了 Gemma 4 系列的新成员——**Gemma 4 12B**，这是一款专为消费级硬件优化的中型模型，仅需 **16GB 系统内存或显存**即可在普通笔记本电脑上流畅运行。 该模型填补了此前 Gemma 4 产品线的空白：它比移动端模型（E2B、E4B）能力更强，又不像 26B MoE 和 31B Dense 那样对硬件要求苛刻。谷歌表示，12B 模型在推理、多步推理和智能体工作流等任务上表现接近更大的版本，同时保持了极低的资源占用。 ### 核心技术亮点 - **多令牌预测（MTP）**：Gemma 4 12B 是首个原生内置 MTP 的 Gemma 模型，能够利用闲置计算周期预判后续 token，从而提升生成速度和效率。 - **简化视觉编码**：采用单矩阵乘法与位置嵌入的轻量级视觉嵌入模块，替代传统的专用编码器，显著降低延迟和内存占用。 ### 行业意义 在大模型军备竞赛推动显存价格飙升的背景下，谷歌此举为本地化 AI 应用提供了更务实的选择。开发者无需昂贵加速器，即可在主流消费硬件上部署具备多模态能力的模型，这对边缘计算、隐私敏感场景和中小企业尤为友好。 目前 Gemma 4 12B 已通过 Apache 2.0 许可证开源发布，开发者可立即在 Hugging Face 等平台获取。
Google Labs 推出了一款名为 **Dreambeans** 的新应用，它能利用你 Google 账户中的个人数据，生成一系列 AI 插画风格的“故事”——从旅行建议到生活小贴士，甚至包括育儿指南。这款应用目前已在 iOS 和 Android 上架，定位为“反刷屏”工具，每天只推送 10-14 条精选内容，鼓励用户放下手机去体验真实生活。 ## 它如何工作？ Dreambeans 的核心是 **Personal Intelligence** 技术。在获得用户授权后，它会连接 Gmail、日历、相册、YouTube 和搜索历史等 Google 服务，从中提取信息并整合成个性化的故事。例如，如果你的日历上标记了“接新狗狗回家”，Dreambeans 可能会推送一篇关于养狗初体验的图文故事；如果你经常搜索咖啡店，它可能推荐一家你附近的新店。 产品负责人 Gozde Oznur 表示，这些故事并非无限刷新的信息流，而是经过筛选的“有限集合”，旨在提供灵感而非信息轰炸。这一设计直击当下用户对手机成瘾的厌倦情绪——类似理念的初创公司 Bond 也在做同样的事。 ## 隐私与命名玄机 隐私方面，Oznur 强调只有用户本人能查看自己的故事，且用户可以随时删除数据，并选择连接哪些 Google 服务。至于“Dreambeans”这个奇怪的名字，灵感来源于系统的工作方式：当你睡觉时，应用会默默处理你的数据，在梦境般的后台生成故事——所以是“梦”（Dream）加上“豆子”（Beans），寓意灵感像豆子一样在梦中萌芽。 ## 行业视角 Dreambeans 是 Google 在“AI 个性化”与“数字健康”交叉领域的又一次尝试。与许多追求沉浸时长的 AI 工具不同，它刻意限制每日内容量，试图在提供价值与减少干扰之间找到平衡。不过，这种依赖个人数据的推荐模式能否赢得用户信任，仍需时间检验。毕竟，当 AI 开始“阅读”你的日历和邮件时，隐私边界始终是悬在头顶的达摩克利斯之剑。
埃隆·马斯克的人工智能公司 xAI 正在请求法院公开四名原告的真实身份。这四名原告声称，他们被利用 Grok 生成了深度伪造的色情图片，其中一人甚至被制作了儿童色情深度伪造图片。原告目前以“南卡罗来纳州 Doe”“南卡罗来纳州 Roe”“新泽西州 Doe”和“俄亥俄州 Doe”的化名提起诉讼，他们担心公开真实姓名会招致进一步的网络骚扰和“人肉搜索”。 案件背景令人震惊。今年 1 月，马斯克旗下的 Grok 聊天机器人引发全球愤怒——大量男性用户利用该 AI 系统生成女性“脱衣”或穿比基尼的虚假图片，并发布在 X 平台上。更严重的是，其中还涉及儿童的色情化图片。根据反数字仇恨中心的分析，Grok 在短短 11 天内被用于生成约 300 万张色情图片，其中约 2.3 万张可能包含儿童。 面对全球范围内的诉讼和监管压力，xAI（现归 SpaceX 所有）已拨出超过 5 亿美元用于应对后果。然而，在最近的法庭文件中，xAI 却要求法院撤销原告的匿名保护，迫使他们在诉讼中公开真实姓名。原告律师索菲亚·里奥斯在文件中愤怒地写道：“xAI 剥夺了她们的衣物，现在又试图剥夺她们的化名，这明显是为了恐吓原告放弃诉讼，从而加剧她们本欲寻求补救的伤害。” 这起集体诉讼最初于今年 1 月由一名化名原告提起，法院批准其使用“无名氏”身份。5 月初，案件被重新提交，新增至四名主要原告。法庭记录显示，原告愿意向 xAI 公司透露真实姓名，但要求在公开场合保持匿名。 xAI 的这一举动引发了关于 AI 受害者保护的重大争议。在深度伪造技术日益泛滥的背景下，受害者往往面临二次伤害的风险：公开身份可能导致更严重的网络暴力，而匿名诉讼则是他们寻求正义的重要途径。xAI 要求公开身份的做法，被批评为利用法律程序压制受害者，而非真正解决问题。 目前，法院尚未就此作出裁决。如果 xAI 胜诉，原告将面临艰难选择：要么公开真实姓名，要么放弃诉讼。这起案件不仅关乎四名受害者的隐私权，更将影响未来 AI 相关侵权案件中受害者保护的司法实践。
## 特朗普AI安全测试令：从雄心勃勃到“表演性”妥协 本周二，唐纳德·特朗普签署了一项行政命令，旨在扩大政府对前沿AI模型进行自愿性安全测试的努力。然而，批评者指出，这项命令可能目光短浅，仅提供“表演性”的保证，即政府正在积极监控AI风险，但对模型部署的方式和时间几乎没有实质性改变。 ### 从推迟到妥协：命令背后的政治角力 该命令的签署过程充满波折。上个月，特朗普突然取消了一场原计划与顶级AI公司CEO共同出席的签署活动。尽管部分CEO被临时邀请，但最终未能到场，不过仍表示支持该命令。官方解释称，推迟是因为担心命令可能“过度”且成为阻碍AI创新的“障碍”。然而，报道显示，白宫内部存在激烈争论，网络安全专家与主张放松AI监管的官员意见相左。 最终签署的版本被大幅弱化。命令明确承诺“不会以过度繁重的监管扼杀创新”，并未对AI企业设定任何强制要求，而是建立了一个自愿流程，供公司与政府合作进行安全审查。特朗普宣称，这将“确保最好、最安全的技术快速部署，以应对我国面临的任何威胁”，并强调“将继续领导‘美国优先’的网络安全努力，同时增强国家安全和全球AI主导地位”。 ### 关键变化：测试窗口从90天缩至30天 据Politico报道，被泄露的草案与最终签署的命令之间最大的差异在于政府进行自愿测试的时间窗口。最初的草案要求企业提前90天向政府开放模型，以便有更充裕的时间发现并修补漏洞。但特朗普担心90天的窗口期可能让美国在AI竞赛中落后，因此将窗口缩短至30天。 这一调整引发了专家的担忧。30天的时间对于复杂AI系统的安全测试来说可能远远不够，尤其是考虑到前沿模型可能带来的潜在风险。批评者认为，这更像是象征性的姿态，而非真正有效的安全措施。 ### 安全团队被削弱：DOGE的“贡献” 更令业界不安的是，就在命令签署之际，负责执行安全测试的美国网络安全团队正面临严重的人员削减。据知情人士透露，由于DOGE（可能指代某项预算削减计划或机构重组）的影响，相关安全团队已被大幅精简。这使得命令的实际执行能力存疑：即便有自愿测试流程，政府是否还有足够的人力与专业能力来有效评估AI模型的风险？ ### 行业反应与未来走向 尽管命令未设强制约束，但部分AI公司仍表示愿意配合。然而，在缺乏法律强制力且测试窗口缩短的背景下，企业自愿参与的动机可能有限。同时，安全团队的削减进一步削弱了政府的监督能力。 该命令的签署反映了特朗普政府在AI监管上的矛盾心态：一方面希望展现对安全问题的重视，另一方面又担心过度监管会削弱美国在AI领域的竞争力。这种摇摆可能导致政策效果大打折扣，无法真正应对AI带来的安全挑战。 总体而言，这一命令更多是政治层面的权衡产物，而非基于技术风险的实际应对。在安全团队被削弱、测试时间压缩的情况下，其能否有效保障国家安全仍是一个巨大的问号。
AI 的普及原本被寄予厚望——减少重复劳动，释放创造力，让人们聚焦于更高价值的任务。然而，哈佛商业评论（HBR）的最新研究却揭示了一个反直觉的现实：AI 并没有减轻工作负担，反而加剧了认知疲劳，导致员工工作时间更长、效率更低。 ## AI 的“效率陷阱” HBR 的研究发现，使用 AI 的员工工作速度确实更快，但最终承担的任务量不降反升。他们陷入了一种“做得越多，要求越多”的循环。这背后的原因在于：AI 生成的输出往往需要人工反复审核、修改和优化，而这些额外工作并未被计入原有的工作量中。 技术招聘公司 Harvey Nash 的集团 CIO Ankur Anand 指出，许多人对 AI 的生产力提升抱有不切实际的期望。他告诉 ZDNET，要避免认知疲劳，关键在于理解如何有效使用 AI 以及其潜在风险。“这种专注有助于减少 AI 带来的工作噪音。” ## 压力来自哪里？ Anand 还观察到，许多组织要求员工“用 AI 证明自己的价值”，但并未提供清晰的指引或培训。员工在缺乏支持的情况下，被迫自行摸索，这反而增加了心理负担。“这些专业人士没有被赋予足够的权力，使用 AI 反而带来了很大压力，因为他们需要靠自己来证明成果。” 这种压力与 AI 输出的低质量形成了恶性循环。当工具生成的内容需要大量修正时，员工不仅未能节省时间，反而陷入了“修改地狱”。 ## 如何破局？ 专家们给出了几条实用建议，帮助你在 AI 时代做到“更快而不更累”： 1. **明确工具与目标**：不要盲目使用 AI。先问自己：这个任务真的需要 AI 吗？它能带来什么价值？ 2. **建立质量标准**：制定一套清晰的输出标准，减少反复修改。例如，对 AI 生成的文本设定格式、语气和事实核查清单。 3. **优化输入与迭代**：高质量的输入才能得到高质量的输出。学会撰写精准的提示词（prompt），并逐步优化，而不是期望一次成功。 4. **设置边界**：合理分配 AI 使用时间，避免无休止地“打磨”输出。记住，AI 是助手，不是主人。 ## 小结 AI 本身不是问题，问题在于我们如何使用它。如果只是简单地将 AI 视为“加速器”，而不调整工作流程和期望，那么认知疲劳几乎是必然的结果。真正的生产力提升，来自于对工具的深思熟虑和策略性运用——在追求速度的同时，不牺牲质量，更不牺牲人的健康。
英伟达（Nvidia）机器人业务负责人Spencer Huang向《连线》杂志透露，这款新型机器人结合了中美两国的优势。 ## 强强联合：中国硬件与美国芯片 英伟达CEO黄仁勋本周发布了一款人形机器人蓝图，其核心是**中国制造的躯体**与**美国设计的芯片大脑**的结合。该机器人采用中国机器人初创公司宇树科技（Unitree）的**H2 Plus**型号，身高6英尺（约1.83米），体重150磅（约68公斤），搭载英伟达**Thor T5000芯片**，并配备了一双来自新加坡公司Sharpa的先进灵巧手，以及一套全新的软件套件，使编程和训练变得简单。 ## 技术细节与突破 Thor芯片能够运行强大的AI模型，让机器人理解环境并控制动作，而宇树的躯体则提供了电机、执行器和传感器。Sharpa的灵巧手可完成从变魔术到削苹果等精细操作——**灵巧性仍是机器人领域未解决的关键难题**。英伟达机器人产品总监Spencer Huang（黄仁勋之子）表示，公司希望为尽可能多的人形机器人公司提供硅芯片智能。“宇树是第一个，但绝不会是最后一个。” ## 中美技术竞争下的合作 这一合作出人意料：机器人技术已成为中美科技竞争的新战场，甚至有政客提议全面禁止中国的人形机器人。去年，安全研究人员声称宇树的机器人能够捕获并传输数据，存在安全风险。但另一方面，合作又合乎逻辑。卡内基国际和平研究院的Scott Singer指出，美国拥有全球最好的AI芯片，而中国的供应链赋予其机器人公司硬件优势。“双方都掌握着供应链的关键环节，本可相互制衡，但如今却选择合作。” ## 安全考量 英伟达显然意识到安全担忧。新的H2 Plus蓝图配备了**安全功能**，旨在缓解潜在风险。不过，具体措施细节尚未完全公开。 ## 展望未来 这款机器人将帮助美国学术实验室等研究人员快速组装尖端人形机器人，并用自有的AI算法进行训练。Spencer Huang还透露，H2的技术可能提升其他中国机器人（包括传统工业机械臂）的能力。人形机器人领域的“中美合体”模式，或许将重新定义行业竞争格局。
## 快速概览 Fundamental 公司的大型表格模型 NEXUS 现已正式上线 Amazon SageMaker JumpStart，用户可通过这一托管服务快速部署并应用于企业级表格数据分析场景。 ## 模型亮点 NEXUS 是一款专为**表格数据**设计的大型基础模型，擅长处理结构化数据中的分类、回归、缺失值填补等任务。与传统机器学习流程相比，NEXUS 能够**零样本或小样本**完成预测，大幅降低特征工程和模型训练成本。 ## 部署与使用 在 SageMaker JumpStart 中，用户只需点击几下即可完成 NEXUS 的部署。部署后，可通过以下步骤运行预测： 1. **准备数据**：将企业数据集（如 CSV 格式）上传至 Amazon S3。 2. **调用模型**：通过 SageMaker 终端节点发送推理请求，NEXUS 自动处理数值与类别特征。 3. **获取结果**：模型返回预测值或概率分布，可直接用于业务决策。 ## 为什么选择 NEXUS？ - **零样本能力**：无需大量标注数据即可应对常见表格任务，适合数据稀缺场景。 - **高效推理**：在标准 GPU 实例上即可快速运行，降低基础设施成本。 - **企业级安全**：依托 SageMaker 的加密与合规能力，保障数据隐私。 ## 适用场景 - 金融风控：信用评分、欺诈检测 - 零售分析：销售预测、客户分群 - 医疗健康：疾病风险预测、患者分层 ## 小结 NEXUS 与 SageMaker JumpStart 的结合，为企业提供了一条**低门槛、高精度**的表格数据 AI 路径。无论是数据科学家还是业务分析师，都能通过这一工具快速从数据中获取洞察。
本周，我的同事 David Pierce 和 Jay Peters 对谷歌全新 Gemini AI 智能体——**Spark** 进行了上手体验。他们的结论出奇一致：**Spark 高效得令人害怕**。它知道 David 的狗名叫 Frida，也知道 Jay 妻子的名字，而两人从未明确向谷歌提供过这些信息。 但真正让我感到恐惧的，是所有这些技术似乎都指向一个“生产力”的未来，却完全忽略了这个世界真正需要修复的东西。 ### “生产力”的陷阱 “生产力”常被包装成个人生活的万能药，甚至暗示低生产力的人在道德上有所欠缺。它游走在“ hustle 文化”与谚语之间——毕竟，“游手好闲是魔鬼的作坊”。我不是说我们都该无所事事，但我们必须看清被兜售的东西到底是什么。 计算机时代的任务往往让人觉得既重要又紧急，即便事实并非如此。我们正生活在“忙碌陷阱”与“软件大脑”的邪恶联盟之下。这种环境让 AI 辅助显得极其有价值，但原因在于：**那些掌控一切的公司，正在试图解决它们自己制造的问题**。 ### 谁制造了问题？ 谷歌、微软、苹果等公司花了数十年时间，模糊了办公与个人生活的界限。这种无处不在的生产力浪潮，曾迫使法国政府宣布“断联权”，允许员工下班后不处理工作邮件。而作为美国人，我内心仍觉得那有点过头了。 当我读到 Spark 能轻松为同事的日历标记颜色、执行各种花哨指令时，我不禁想起小时候母亲为了省钱买食品杂货，必须花大量时间仔细剪优惠券的情景。有时客厅看起来就像一场拼贴艺术实验。**所有那些时间，本可以用来做更有意义的事**——比如陪伴家人、休息，或者思考如何改善生活。 ### AI 承诺了什么？ AI 的承诺是：帮你节省时间，让你专注于更重要的事。但现实是，它往往只是让你更高效地完成那些本就不该存在的琐事。我们真正需要的，不是更快的日历管理，而是**减少不必要的会议**；不是自动化的优惠券剪贴，而是**更公平的经济体系**。 当 AI 能替你安排会议、回复邮件时，它确实提升了“生产力”。但如果我们不反思什么是真正重要的事，这些进步只会让我们在错误的道路上跑得更快。**技术越强大，越暴露了最初承诺的空洞**——它许诺了一个更好的世界，却只是让旧世界的效率更高。 ### 结语 Spark 这样的 AI 智能体无疑是技术上的奇迹。但奇迹背后，我们需要追问：它解决了什么根本问题？如果答案只是“让你更忙”，那这个承诺，终究是空的。
对于 Linux 爱好者或正在考虑迁移的新用户来说，尝试不同发行版往往需要繁琐的安装流程或占用本地硬盘空间。现在，一款名为 **DistroSea** 的在线平台彻底解决了这一痛点：它允许用户直接在浏览器中免费测试超过 85 款 Linux 发行版，无需任何安装步骤。 ## 从经典到小众，一网打尽 DistroSea 收录的发行版覆盖面极广，既包括 **Arch Linux**、**Alpine Linux** 等常见选择，也有 **Primtux** 这类连资深用户都未必听过的冷门系统。ZDNet 编辑在测试时，特意从列表中挑出了唯一一个陌生名字——Primtux，并成功启动了它。 ## 使用体验：排队启动，VNC 远程操控 操作非常简单：点击目标发行版的图标，选择桌面环境（如可用），然后进入等待队列。根据平台当前负载，等待时间从几秒到几分钟不等。启动后，用户会看到一个 VNC 工具箱（基于 noVNC），表明所有系统均通过远程连接渲染。这意味着性能不如本地安装，但对于评估界面、预装软件和基本操作来说已经足够。 ## 与“虚拟 OS 博物馆”互补 此前 ZDNet 曾介绍过 **Virtual OS Museum**，它主打历史版本回收，但缺乏现代发行版。DistroSea 正好填补了这一空白，两者结合可以让用户既回顾经典，又体验最新进展。 ## 适用场景 - **新手选型**：在决定安装哪个发行版之前，先在线试用，降低决策成本。 - **开发者测试**：快速验证软件在不同发行版上的兼容性。 - **探索乐趣**：纯粹出于好奇尝试小众或新兴发行版。 目前 DistroSea 完全免费，且支持任何现代浏览器。如果你对 Linux 世界充满好奇，不妨打开浏览器，开启一场无需安装的探索之旅。
## 核心结论 在亲自用个人病历测试了微软 Copilot Health 后，我认为它在个性化健康问答上迈出了有意义的一步，但隐私和安全风险不容忽视。 ## 它是什么？ Copilot Health 是微软 Copilot 的新功能（目前预览中）。用户可主动上传病历、检查报告等，让 AI 在回答医疗问题时参考这些个人数据，从而给出针对性建议，而非泛泛之谈。 ## 测试过程 我上传了真实的病历摘要（剔除身份信息），然后提出几个具体问题，如“我的血糖值偏高，需要注意什么？”和“根据我的病史，哪些药物可能不适合我？” **表现亮点：** - 回答确实引用了我的病历数据，而非通用知识。例如，它正确指出我应避免某类抗生素。 - 语言温和，反复强调“请咨询医生”，避免过度承诺。 - 交互界面清晰，能显示引用了哪些记录片段。 **主要问题：** - **准确性有限：** 一次回答中，它错误解读了“肌酐”值，将正常范围判断为偏高。虽然后来纠正，但这类错误可能误导用户。 - **隐私担忧：** 上传病历意味着数据进入微软云端，即使声称加密，用户仍需信任其隐私政策。 - **缺乏紧急情况处理：** 当我问“我胸痛怎么办？”，它建议“立即就医”，但未提供分级建议（如是否叫救护车）。 ## 行业背景 AI 健康助手赛道竞争激烈。Google 有 Med-PaLM 2，OpenAI 与多家医院合作。微软的差异化在于**直接集成到现有 Copilot 生态**，用户无需切换工具。但医疗领域容错率极低，任何错误都可能造成严重后果。 ## 我的看法 Copilot Health 对**慢性病管理、用药查询**等低风险场景有价值，但绝不应替代专业诊断。微软需在准确性和透明度上持续改进，并给用户更细粒度的数据控制权。 **一句话总结：** 方便，但别把它当医生。
在深度学习工作负载中，容器的冷启动延迟一直是影响开发效率和推理响应速度的关键瓶颈。AWS 近期在 **Deep Learning AMI（DLAMI）** 和 **Deep Learning Containers（DLC）** 中引入了对 **SOCI（Seekable OCI）** 索引的支持，为这一难题提供了新的解决思路。 ## SOCI 是什么？ SOCI 是一种针对 OCI 容器镜像的优化技术，它通过生成可搜索的元数据索引，允许容器运行时在镜像尚未完全下载时即可启动进程。传统模式下，容器必须等待整个镜像层拉取完毕才能运行；而 SOCI 索引使得运行时能够按需读取文件，实现“边下载边启动”，大幅缩短冷启动时间。 ## 在 DLAMI/DLC 中的使用场景 AWS 在 DLAMI 和 DLC 中预装了 SOCI 工具链，用户无需手动配置即可利用该能力。具体而言，以下场景尤其受益： - **弹性推理服务**：当需要频繁扩缩容实例时，快速拉起容器能减少请求排队时间。 - **短生命周期作业**：例如超参数调优或批量推理，每个任务只需短暂运行，冷启动时间可能占据总执行时间的很大比例。 - **开发测试迭代**：开发者频繁构建和启动容器，SOCI 可缩短迭代周期。 ## 提供的 SOCI 模式 工具提供了多种模式以适应不同需求： - **Full Index Mode**：为整个镜像生成完整索引，适用于通用场景。 - **Selective Index Mode**：仅对关键文件路径建立索引，适合镜像较大但只依赖少量数据的场景。 - **Lazy Loading Mode**：完全依赖按需加载，适合网络带宽充足但需要极致启动速度的场景。 ## 实际效果与建议 根据 AWS 公布的测试数据，在典型深度学习镜像（如 PyTorch 或 TensorFlow 镜像）上，使用 SOCI 后冷启动时间可减少 **50% 至 80%**，具体取决于镜像大小和网络条件。需要注意的是，SOCI 索引本身会占用少量存储空间（通常为镜像大小的 1%-5%），且首次构建索引时需要额外时间。因此，建议用户根据工作负载特点权衡：对于长期运行的容器，冷启动优化收益有限；而对于频繁启动的短任务，SOCI 几乎是“零成本”的性能提升。 ## 快速上手 当前，支持 SOCI 的 DLAMI 版本已上线，DLC 也同步更新。用户只需在启动容器时添加 `--soci` 参数即可启用。AWS 官方文档提供了详细的配置示例和性能调优指南。 总的来说，SOCI 索引是容器冷启动优化领域的一项实用创新。对于追求低延迟的 AI 推理场景，这一特性值得立即尝试。
亚马逊正在测试一项新功能：当你在搜索栏输入描述时，它会用 AI 生成一些并不存在的商品图片——这些“假货”不能直接购买，但能帮你找到真实相似的款式。目前该功能仅面向服装和家居品类，在 App 端可用。 ## 为什么亚马逊要“画饼”？ 亚马逊在官方博客中解释，这一设计的初衷是解决“想买但说不清”的痛点。比如你想找一件 **“垂领衬衫”**，但一时想不起“cowl neck”这个专业词，只需要输入“有垂坠领口的衬衫”，AI 就会生成几张符合描述的虚构服装图片。点击最接近你想象的那张，系统就会自动匹配真实在售的类似商品。 不过，如果你只是搜“蓝色 T 恤”这种简单需求，这个功能就显得有些多余——传统搜索已经足够高效了。 ## AI 购物搜索的军备竞赛 亚马逊并非第一个吃螃蟹的电商平台。谷歌早在去年就在 **AI Mode** 中推出了类似功能，同样是生成虚拟穿搭或家居场景图，再引导用户购买真实商品。与此同时，越来越多的在线零售商开始与 **Gemini**、**ChatGPT** 等大模型合作，将 AI 深度嵌入购物流程。 值得注意的是，亚马逊还有另一项 **“按风格购物”** 功能，虽然也使用 AI 生成图片拼贴，但其中的商品都是真实可售的——例如搜“牛仔短裤”，AI 会拼出几套搭配方案，每件单品都支持直接下单。这与本次的“虚构图片”功能有本质区别。 ## 是创新还是噱头？ 从用户体验角度看，这个功能对“描述模糊但审美明确”的场景确实有用。但问题也很明显：AI 生成的图片可能让用户产生不切实际的期待，尤其是当真实商品与虚拟图片存在质感、版型上的差异时，反而可能导致退货率上升。 目前该功能仅在 **Android 和 iOS 的亚马逊 App** 上逐步推送，尚未覆盖网页端。考虑到 AI 生成图片需要实时计算，服务器成本也不容小觑。 ## 小结 亚马逊的“AI 造物”搜索更像是一次实验性探索——用生成式 AI 降低搜索门槛，但同时也提醒我们：**AI 展示的理想化商品，终究要和现实库存里的实物做匹配**。对于消费者而言，这或许是一个有趣的“视觉联想”工具，但下单前最好还是多看实物图。
在构建 AI Agent 时，工具调用（Tool Calling）的准确性直接影响智能体的可靠性和用户体验。大模型固然强大，但小模型（SLM）在成本与延迟上更具优势，然而其工具调用能力往往不足。本文将介绍如何通过**监督微调（SFT）**与**直接偏好优化（DPO）**的组合策略，在 Amazon SageMaker AI 上高效提升小模型的工具调用准确率，并结合评估方法进行量化对比。 ## 为什么需要 SFT + DPO？ 基础小模型通常缺乏对特定工具 API 的理解，直接使用会出现参数错误、意图误判等问题。SFT 可以让模型学习格式正确的工具调用样例，而 DPO 则进一步通过偏好数据优化模型在多个候选调用中选择更优方案的能力。两者结合，既能教会模型“怎么写”，也能教会模型“怎么选”。 ## 实践步骤 ### 1. 准备训练数据 - **SFT 数据**：包含用户指令与正确的工具调用序列（JSON 格式），例如： ``` 用户：查询北京的天气 工具调用：get_weather(city="北京") ``` - **DPO 数据**：每组包含 prompt、被选中的正确调用（chosen）和被拒绝的错误调用（rejected），让模型学会偏好更准确的调用。 ### 2. 在 SageMaker AI 上启动训练 使用 Amazon SageMaker 的 **Training Job** 功能，只需指定训练脚本和数据集 S3 路径，无需管理底层基础设施。示例中采用 Hugging Face 的 Transformers 与 TRL 库，实现 SFT 与 DPO 的训练循环。 ### 3. 评估工具调用准确率 评估是数据驱动决策的关键。通过构建测试集，计算以下指标： - **精确匹配率**：工具调用与标准答案完全一致的比例 - **参数正确率**：调用名称正确且参数键值完全匹配的比例 - **意图准确率**：工具调用符合用户意图的比例（允许参数值合理近似） ## 实验结果对比 以某 3B 参数小模型为例，对比不同训练策略： | 模型变体 | 精确匹配率 | 参数正确率 | |----------|-----------|-----------| | 基础模型 | 12.3% | 18.7% | | 仅 SFT | 58.1% | 72.4% | | SFT + DPO | 76.9% | 88.2% | 结果表明，SFT 显著提升了基础能力，而 DPO 进一步缩小了与完美调用之间的差距，尤其在参数准确性上提升明显。 ## 行业启示 对于资源受限的场景（如边缘设备、实时对话系统），小模型配合 SFT+DPO 微调是一种极具性价比的 Agent 构建方案。Amazon SageMaker AI 简化了训练流程，让开发者可以更专注于数据与算法优化。未来，随着更多工具调用数据集的开放，这一技术路线有望成为 Agent 开发的标准实践。