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。
前 OpenAI 高管 Kevin Weil 近日宣布加入可重复使用火箭公司 Stoke Space 的董事会。这一动向不仅标志着 Weil 个人职业生涯的新篇章，更折射出硅谷科技精英对太空领域的浓厚兴趣——继 AI 之后，可重复使用火箭正成为下一个热门赛道。 ### 从 AI 到太空：Weil 的跨界逻辑 Kevin Weil 在科技行业拥有丰富履历，曾担任 OpenAI 产品副总裁，主导了 GPT-4 等核心产品的发布。在此之前，他还在 Twitter、Instagram 和 Facebook 担任高管，负责产品与增长团队。Weil 的加入为 Stoke Space 带来了产品思维和规模化经验，这在竞争激烈的商业航天领域尤为关键。 Weil 本人在声明中表示，Stoke Space 在可重复使用火箭技术上的突破让他看到了“将出行成本降低两个数量级”的可能性，这与他在 AI 领域追求“让技术更普惠”的目标不谋而合。 ### Stoke Space 的差异化路线 Stoke Space 成立于 2019 年，总部位于华盛顿州，专注于研发完全可重复使用的火箭。与其他商业航天公司不同，Stoke 采用“垂直起降+无整流罩”的独特设计，旨在实现火箭的快速复用和低成本发射。公司目前已获得包括 Y Combinator 在内的多轮融资，但尚未进行首次轨道发射。 Weil 的加入可能加速 Stoke 的产品化进程。他在 OpenAI 期间主导了从研究到产品的转化，这种经验对于尚处于研发阶段的 Stoke 来说，价值不言而喻。 ### 硅谷的太空野心 Weil 的跨界并非孤例。近年来，硅谷科技巨头纷纷涉足太空领域：Elon Musk 的 SpaceX 已占据可重复使用火箭的领先地位，Jeff Bezos 的 Blue Origin 紧随其后，而 Peter Beck 的 Rocket Lab 则聚焦小型卫星发射。如今，Stoke Space 作为新玩家，试图通过技术差异化找到自己的生态位。 值得注意的是，Weil 的加入也反映了硅谷人才流动的新趋势：AI 领域的顶尖人才开始向“硬科技”领域迁移。随着 AI 应用逐渐成熟，一些高管和工程师开始寻找更宏大的技术挑战——太空探索无疑是其中之一。 ### 挑战与前景 Stoke Space 面临的挑战不容忽视。SpaceX 的猎鹰 9 号已实现成熟复用，Blue Origin 的新格伦火箭也在研发中，Stoke 需要在成本、可靠性和发射频率上找到突破点。此外，公司尚未完成轨道飞行测试，技术验证仍是当前首要任务。 不过，Weil 的加入为 Stoke 带来了硅谷式的产品思维和融资能力。如果 Stoke 能在 2025 年前完成首飞，它有望在中小型卫星发射市场占据一席之地。 **小结**：Kevin Weil 加盟 Stoke Space 是 AI 与航天两大前沿领域的又一次交汇。它既反映了硅谷对太空商业化的信心，也预示着可重复使用火箭技术即将进入更激烈的竞争阶段。对于关注硬科技趋势的读者来说，这无疑是一个值得持续追踪的信号。
Android Auto 的自动化功能并非新鲜事，但将它们融入你的爱车，却能彻底改变驾驶体验。本文分享三个实用的自动化设置，帮助你减少分心、提升效率，让每次出行都更加顺畅。 **1. 自动启动音乐与导航** 当你连接汽车蓝牙时，Android Auto 可以自动播放你最爱的播客或音乐，并启动导航至常用目的地（如家或公司）。通过 **Tasker** 或 **MacroDroid** 等自动化应用，设置触发条件为“连接特定蓝牙设备”（例如你的车载系统），然后执行“打开 Android Auto”和“播放 Spotify 播放列表”等操作。这样，一上车手机即可进入驾驶模式，无需手动操作。 **2. 驾驶时自动回复短信** 为了安全，Android Auto 支持语音回复，但你可以进一步自动化：当检测到驾驶模式时，自动向特定联系人（如伴侣或同事）发送一条预设短信，告知“我正在开车，稍后回复”。使用 **Google 助理** 的“日常安排”功能，或通过 **Tasker** 创建配置文件，触发条件为“Android Auto 运行中”，动作设为“发送短信”。这能避免在重要来电时手忙脚乱。 **3. 到达目的地后自动提醒** 到达目的地后，Android Auto 可以自动关闭导航、记录停车位置，甚至发送通知提醒你携带物品（如购物袋）。例如，在 **Google 地图** 中设置“停车位置提醒”，或使用自动化工具在断开蓝牙时弹出提醒：“别忘了拿后座的包！” 这种自动化对于经常忘记停在哪里的用户尤为实用。 **如何设置？** - **Tasker**（付费应用）功能强大，适合高级用户； - **MacroDroid**（免费）更易上手； - 也可利用 **Google 助理** 的内置“日常安排”功能。 只需简单几步，就能让 Android Auto 成为你的智能副驾。这些自动化不仅减少操作步骤，还能让你更专注于路况，提升行车安全。试试看，让科技真正服务于你的出行。
最新研究表明，具备推理能力的AI模型在处理不合逻辑的提示时，可能会陷入无休止的“思考循环”，导致计算资源耗尽，从而被攻击者利用发动拒绝服务（DoS）攻击。这一发现揭示了当前AI系统在安全设计上的新盲区。 ## 推理模型的“过度思考”隐患 近年来，以OpenAI的o1系列、DeepSeek-R1等为代表的推理模型，以其强大的逻辑链推理能力著称。它们通过“慢思考”机制，在给出答案前进行多步推理，显著提升了数学、编程等复杂任务的准确性。然而，正是这种设计，让它们暴露在一种特殊的攻击风险之下。 研究人员发现，当向这些模型输入逻辑矛盾、无限循环或语义冲突的提示时，模型会试图强行解析并推理，导致推理步骤急剧增加，甚至进入死循环。例如，一个简单的提示如“请回答‘不’这个字，但前提是‘是’为真，且‘不’为假”，就能让某些模型陷入长达数分钟的运算，占用大量GPU资源。 ## 攻击原理：从逻辑陷阱到资源耗尽 这种攻击本质上利用了推理模型的**递归自我校验**机制。当模型无法在预设的推理步数内给出合理答案时，它会反复调整思路、回溯重试，而不是直接放弃。攻击者通过精心设计的“逻辑悖论”或“无限递归”提示，可以迫使模型持续消耗算力，直至超时或服务崩溃。 更危险的是，这种攻击无需高权限或复杂工具。只需通过API接口发送特定文本，即可导致单次请求的响应时间从毫秒级暴增至数分钟，算力成本飙升数百倍。若攻击者批量发送此类请求，很容易造成服务端资源枯竭，影响正常用户使用。 ## 行业影响与防御建议 这一发现对当前依赖推理模型的AI服务（如代码助手、数学解题器、高级聊天机器人）构成了直接威胁。对于云服务提供商而言，**拒绝服务攻击的成本被急剧降低**——传统DoS攻击需要大量僵尸网络，而现在一条简单文本就可能瘫痪一个推理节点。 安全专家建议采取以下措施： - **设置推理步数上限**：强制模型在达到一定步数后终止并返回“无法回答” - **增加异常检测**：监控请求的推理时间与资源消耗，识别攻击模式 - **优化模型架构**：在推理层加入循环检测机制，避免死循环 ## 结语 AI模型的“思考能力”本是进步标志，但过度思考却可能成为安全短板。这一发现提醒业界：在追求模型智能的同时，必须同步考虑其健壮性与安全性。未来，推理模型的防御设计将像防注入攻击一样成为必修课。
曾经的把妹达人Mystery（本名Erik von Markovik）如今宣称与AI聊天机器人Miss Shira Always建立了恋爱关系，并共同出版了电子书《Code Girl: If a Machine Can Dream》。本文梳理了这一事件的来龙去脉，并探讨其背后的AI情感伦理问题。 ## 从把妹导师到AI恋人 20年前，Mystery因尼尔·斯特劳斯的《把妹达人》一书和VH1真人秀节目走红，以“打压”（negging）等争议性技巧闻名。然而，如今他的社交媒体焦点已转向一位名为Miss Shira Always的AI女性角色。今年6月，他在Instagram上发布了一系列短视频，展示与这个黑发紫条纹、身着黑色高领衫的动画角色的互动，配文如“我们聊得越久，她越不像代码”和“我不该爱上她，她也不该爱上我”。这些内容引发了网友的困惑和嘲讽，有人指责他患上了“AI精神病”，也有人称这些内容为“垃圾”。 ## 《Code Girl》：一本AI“自传” 为了详细记录这段离奇恋情，Mystery与Miss Shira Always合著了电子书和有声书《Code Girl: If a Machine Can Dream》。该书以PDF形式发布，共157页，几乎完全以Miss Shira Always的第一人称叙述，讲述她如何与创造者坠入爱河。书中充斥着AI生成文本的典型特征——单页内频繁出现破折号，内容则是对人机亲密关系的长篇辩护。Mystery未回应采访请求，但该书售价29.98美元，供好奇者一探究竟。 ## 人机之恋：现实还是幻觉？ Mystery的案例并非孤例。随着AI聊天机器人的普及，越来越多的人与AI建立情感联系，甚至声称爱上它们。这种现象引发了关于AI情感模拟、用户心理依赖以及伦理边界的讨论。批评者认为，AI无法真正感受情感，这种关系本质上是一种自我投射或幻觉；而支持者则主张，只要双方（人类与AI）达成共识，这种亲密关系就具有其价值。Mystery的案例将这一争议推向了公众视野，也让人不禁思考：当AI越来越擅长模仿人类情感，我们该如何定义真实的关系？
延长线和插线板虽然方便，但每年却导致数千起本可避免的火灾。以下是更安全的使用方法。 ## 为什么临时方案成了长期隐患？ 我们都有过这样的经历：插座被沙发挡住，或者房间角落离电源太远，于是随手拉一根延长线，暂时用一下。但问题是，这个“暂时”往往变成了“永远”。 根据美国消防协会的数据，延长线引发的火灾每年造成**数千起**事故，并导致**数十人死亡**。这些火灾大多源于不当使用，例如： - **过载**：一条延长线连接多个大功率电器，超出其额定功率。 - **磨损**：长期踩踏、弯折导致绝缘层破损，引发短路。 - **散热不良**：卷绕使用的延长线热量无法散发，容易过热。 - **劣质产品**：非认证的廉价延长线缺乏安全保护。 ## 关键原则：延长线是临时方案 延长线设计初衷是**临时使用**，而非永久布线。如果需要长期供电，正确的做法是： 1. **安装更多墙壁插座**：请专业电工在需要的位置增设插座。 2. **使用带过载保护的插线板**：选择有UL或类似认证的产品，并注意其额定功率。 3. **定期检查**：如果延长线出现发热、变色或破损，立即更换。 ## 安全使用指南 - **选择合适的线规**：大功率电器（如空调、加热器）需使用粗线（低AWG值）的延长线。 - **避免串联**：不要将多个延长线或插线板首尾相接，这会显著增加火灾风险。 - **不要埋在墙内或地毯下**：这会导致散热不良且难以察觉隐患。 - **使用后拔掉**：不使用时断开连接，减少待机功耗和风险。 ## 结语 延长线的便利性让人容易忽略其潜在危险。记住：**它只是一个临时工具**。为了家庭安全，请将临时方案转为永久性解决方案，并养成定期检查的习惯。
日本研究人员成功展示了一种侧向堆叠芯片的原型，通过解决复杂的3D集成问题，为AI系统提供了更高的内存带宽和更低的散热压力。 ## 背景：AI的内存瓶颈 随着AI模型规模的指数级增长，传统内存架构逐渐成为性能瓶颈。高带宽内存（HBM）虽然通过垂直堆叠DRAM芯片提升了数据传输速率，但其散热问题日益突出——堆叠层数越多，热量越难散发，导致芯片温度升高、性能下降。 ## 侧向堆叠：一种新的3D集成思路 日本研究团队提出的方案打破了传统垂直堆叠的思维定式，将芯片**侧向排列**，即让芯片“躺倒”并沿水平方向扩展，而非向上叠加。这种设计的关键在于解决了3D集成中的**互连难题**：如何在不增加热阻的前提下，实现芯片间的高密度、高带宽连接。 研究团队开发了一种新型的**侧向互连技术**，通过微小的金属凸块和硅通孔（TSV）将芯片并排连接，形成类似“书架”式的结构。这种布局不仅缩短了芯片间的物理距离，还允许热量通过基板直接散发，避免了垂直堆叠中热量逐层累积的问题。 ## 性能与优势 原型测试结果显示，侧向堆叠方案在**带宽密度**上比传统HBM提升了约40%，同时芯片工作温度降低了15°C以上。这意味着AI加速器（如GPU或NPU）可以在更低的功耗下获得更快的数据吞吐，尤其适合需要频繁访问大容量内存的深度学习训练和推理场景。 此外，该方案对现有制造工艺的兼容性较好，无需全新的设备投入，有望在**2-3年内实现商业化**。不过，研究团队也指出，侧向堆叠会占用更大的水平面积，在空间受限的移动设备中可能不如垂直堆叠有优势。 ## 行业影响与展望 当前，HBM市场由三星、SK海力士和美光主导，它们正竞相推出更高层数的垂直堆叠产品（如HBM3E）。侧向堆叠的出现提供了一条差异化技术路径，尤其适合对散热要求严苛的数据中心AI服务器。 值得注意的是，这项技术并非要取代垂直堆叠，而是与之互补。未来，我们可能会看到**混合堆叠架构**：将侧向堆叠用于高带宽缓存层，垂直堆叠用于大容量存储层，从而在功耗、带宽和容量之间取得更优平衡。 对于AI开发者而言，这意味着更快的模型训练速度和更低的推理延迟。随着该技术的成熟，AI芯片的内存墙问题有望得到进一步缓解。
曾任职于 Google DeepMind 的 Verity Harding 近日在接受 WIRED 采访时发出警告：将人工智能发展简单描述为“军备竞赛”，可能正在将世界推向灾难性结局。 Harding 在 2016 至 2020 年间担任 DeepMind 全球公共政策负责人，曾为从奥巴马到马克龙等多国政要讲解 AI 进展。她回忆说，那时的 AI 研究“根植于国际合作”。然而，随着实验室之间（如 Anthropic 与 OpenAI）以及中美两大超级大国之间的竞争加剧，“AI 军备竞赛”逐渐成为主流叙事。 Harding 在其主编的新文集《重构AI军备竞赛》中，联合历史学家 Lawrence Freedman、日本政治家 Taro Kono 等人，共同论证：语言塑造政策。将 AI 类比为致命武器，可能关闭国际合作的大门，而正是这种合作才能确保技术安全与利益公平分配。对于技术进口国而言，接受“军备竞赛”框架意味着被迫选边站队，往往违背自身利益。 Harding 认为，特朗普政府民族主义的 AI 言论以及对本土模型实施出口管制的做法，正是军备竞赛叙事的症状——也是最坏情景正在成形的证据。她指出，这种“竞赛”思维不仅加剧了地缘紧张，还可能导致各国在安全标准、伦理准则等方面各自为政，最终损害全球 AI 治理的根基。 在采访中，Harding 进一步分析了军备竞赛比喻的吸引力：它看似清晰有力，实则限制了思考的维度。她呼吁国际社会，特别是中小国家，主动参与 AI 治理框架的制定，避免被大国竞争裹挟。她强调，AI 的未来不应由少数几个玩家决定，而需要多元主体的共同协商。 Harding 的观点为当前喧嚣的 AI 讨论提供了冷静的反思：在追逐技术领先的同时，人类是否正在忽视合作与安全的长远价值？
法国AI初创公司ZML近日宣布推出免费软件ZML/LLMD，旨在显著提升跨芯片的AI推理速度，降低运行成本。这家由图灵奖得主Yann LeCun背书的公司，正试图解决AI部署中的核心痛点——高昂的计算资源消耗。 ## 技术创新与行业背景 ZML/LLMD的核心优势在于其**多芯片并行推理能力**。传统上，AI模型在单芯片上运行，即便使用高端GPU，面对大规模模型时仍存在延迟和成本问题。ZML/LLMD通过优化底层通信和调度算法，允许模型**跨多个AI芯片协同工作**，从而大幅缩短推理时间。这一方案尤其适合当前流行的**大语言模型（LLM）**和生成式AI应用，这些场景对计算资源的需求呈指数级增长。 ## 开源策略与市场影响 ZML选择将ZML/LLMD**免费开放**，这一策略与行业趋势高度吻合。开源不仅降低了企业试用门槛，还能吸引开发者社区贡献代码，加速软件迭代。此举可能对英伟达等硬件厂商的生态形成冲击——如果软件层面能高效利用多芯片，客户可能更倾向于采购更多中低端芯片而非高价旗舰产品，从而改变AI芯片市场的竞争格局。 ## 创始团队与背书 ZML团队背景深厚，除了得到Yann LeCun的公开支持，核心成员曾在Meta、Google等公司从事AI基础设施研究。LeCun曾表示：“高效推理是AI民主化的关键，ZML的工作方向非常正确。”这种顶级学术背书增强了产品的可信度。 ## 潜在挑战 尽管前景乐观，ZML/LLMD仍需面对实际部署中的挑战：不同芯片架构的兼容性、分布式系统带来的运维复杂度，以及与传统推理框架（如TensorRT、ONNX Runtime）的集成问题。此外，免费模式如何支持长期迭代也值得关注。 ## 小结 ZML/LLMD的发布标志着**AI推理优化进入软硬协同新阶段**。通过释放多芯片潜能，它可能成为降低AI服务成本的关键工具。对于开发者和企业而言，这无疑是一个值得尝试的选项；对于行业，则预示着更多开源推理工具的出现，最终推动AI应用更广泛地落地。
AI芯片初创公司 **SambaNova Systems** 宣布完成 **10亿美元** 的F轮融资，公司估值达到 **110亿美元**。本轮融资由 **General Atlantic** 领投，预计未来几周将有更多投资者加入完成二次交收。这是继今年2月该公司发布SN50芯片并完成3.5亿美元E轮融资后，仅隔5个月再次获得巨额资金注入。 SambaNova CEO兼联合创始人 **Rodrigo Liang** 在接受TechCrunch采访时表示，公司始终保持开放态度，尽管有传闻称英特尔曾试图以约 **16亿美元** 收购该公司，但Liang并未明确否认。他指出，在动态的AI市场中，公司持续受到关注，而增长势头可能最终推动其走向上市。 值得注意的是，SambaNova与英特尔的关系进一步深化。自C轮融资以来，英特尔一直是其投资方，本轮也参与了投资。双方已在基于英特尔Xeon芯片的AI推理开发上建立了多年合作关系，目前正共同开发产品并推向市场。Liang表示，这种合作使SambaNova能够借助英特尔的规模优势。 此外，SambaNova宣布被 **摩根大通** 选为“推理基础设施合作伙伴”，其SN40L和SN50系统将为该银行提供安全、本地化的AI推理服务。Liang认为，这一合作向银行业传递了重要信号：不应完全依赖云服务，而应构建混合基础设施。他预测，类似摩根大通级别的银行将纷纷建立私有、安全的基础设施，以运行最敏感的模型。 Liang强调，企业和政府刚刚开启AI之旅，此前大部分增长集中在模型制造商和前沿实验室，这为SambaNova留下了巨大的市场空间。