面对日益收紧的美国出口管制，中国AI初创公司DeepSeek正计划自研芯片，以减少对Nvidia和华为的依赖。尽管该计划尚处于早期阶段，但已引发行业关注。 ## 背景：出口管制下的中国AI产业 自2022年以来，美国多次升级对华半导体出口管制，限制Nvidia A100/H100等高端AI芯片的对华销售，并进一步将H800、L40S等降级版芯片纳入管控范围。这迫使中国AI企业寻求替代方案，华为昇腾（Ascend）系列芯片成为主要国产选择之一。然而，华为芯片在性能和生态上仍与Nvidia存在差距，且自身也面临美国制裁。 ## DeepSeek的应对策略 DeepSeek作为一家专注大模型研发的AI公司，此前已推出DeepSeek-V2和DeepSeek-R1等模型，其训练和推理高度依赖高性能芯片。面对供应不确定性，自研芯片成为其长期战略选择。据悉，DeepSeek已开始组建芯片设计团队，并计划从专用AI加速器入手，逐步降低对外部供应商的依赖。 ## 挑战与前景 自研芯片并非易事。芯片设计需要巨额资金投入、顶尖人才和长期积累，而中国在EDA工具、先进制程制造等方面仍受制于人。即便设计成功，流片和量产也面临台积电等代工厂的合规风险。不过，DeepSeek的尝试可能推动中国AI芯片生态的多元化发展。 ## 行业影响 若DeepSeek自研芯片取得进展，不仅将增强其自身供应链安全，还可能为其他中国AI公司提供参考路径。同时，这也将加剧与华为昇腾的竞争，并促使Nvidia调整其对中国市场的策略。然而，短期内，中国AI企业仍需依赖现有可获取的芯片资源。
## 不只是聊天：Rowboat 想重新定义 AI 工作台 Claude 桌面版以出色的对话体验赢得了众多用户，但对于日常深度工作而言，它始终更像一个聊天工具，而非真正的工作平台。**Rowboat** 正是为此而生——一个**开源、本地优先**的 AI 客户端，旨在让 AI 成为融入工作流的“工作应用”，而非简单的问答窗口。 ### 核心差异：从对话到工作流 传统 AI 聊天应用（包括 Claude Desktop）通常遵循“输入问题→获取回答”的单轮对话模式，而 Rowboat 的设计思路更接近**可定制的工作台**。用户可以在 Rowboat 中构建自己的“工作表面”（work surfaces），例如： - **代码审查面板**：直接粘贴代码片段，获得逐行评审意见 - **文档写作台**：结合上下文长文档，边写边获得实时建议 - **数据分析看板**：上传 CSV 后，通过自然语言生成图表摘要 这些工作表面并非预设模板，而是**用户自定义的交互界面**，可保存为独立会话，并随时复用。这种模式让 AI 从“一次性问答”转变为“持续协作伙伴”。 ### 本地优先与开源承诺 Rowboat 强调**本地优先**（local-first），这意味着大多数计算和数据处理在用户设备上完成，减少对云端的依赖，从而提升隐私保护和离线可用性。项目完全开源（GitHub 仓库已公开），允许开发者自行审计代码、贡献插件或修改界面。 对于关注数据安全的企业用户而言，本地优先架构意味着敏感信息无需上传至第三方服务器；而对于开发者社区，开源许可则提供了二次创新的自由。 ### 与 Claude Desktop 的对比 | 特性 | Claude Desktop | Rowboat | |------|----------------|---------| | 对话模式 | 单轮/多轮聊天 | 可定制工作表面 | | 数据存储 | 云端为主 | 本地优先 | | 开源性 | 闭源 | 开源（MIT 协议） | | 自定义能力 | 有限提示词设置 | 自由构建工作流 | | 离线支持 | 部分功能离线 | 核心功能离线可用 | ### 适用场景与潜在局限 Rowboat 更适合**需要深度、重复性 AI 协作的用户**，如开发者、数据分析师、内容创作者。其自定义工作表面能显著提升特定任务的效率，但学习曲线也高于普通聊天应用。 目前项目处于早期阶段，功能完整性可能不及 Claude Desktop 成熟。例如，多模态支持、高级模型切换等特性仍在开发中。社区贡献将是推动其快速迭代的关键。 ### 结语 Rowboat 的出现反映了 AI 工具演进的一个新方向：**从通用聊天界面走向专业化工作台**。它并非要完全取代 Claude Desktop，而是提供另一种选择——对于希望深度掌控 AI 交互流程的用户来说，Rowboat 的开源、本地优先理念无疑具有吸引力。 项目已在 GitHub 上开源，感兴趣的用户可以自行部署体验，或参与功能讨论。
ZDNET 联合 CNET 集团旗下多家科技媒体，再次开启“猜猜看”有奖竞猜活动。本次第二轮竞猜聚焦苹果即将发布的新品，特别是 iPhone 18 Pro Max 等旗舰设备的潜在升级。参与者只需在每轮五个问题中答对一题，即可获得一次抽奖资格，最终大奖是今年的新款 Apple Watch。 活动面向美国 50 州及哥伦比亚特区年满 18 岁的合法居民，无需购买即可参与。第二轮从 2026 年 7 月 7 日持续至 7 月 21 日。苹果素来对产品发布守口如瓶，但今年传闻中的可折叠 iPhone 和触摸屏 MacBook 等产品有望成真。无论你是资深果粉还是科技爱好者，这都是一个检验自己预测能力的好机会。 注意：苹果公司并非本次活动的赞助商、关联方或背书人。Apple Watch 是苹果公司的注册商标。
Anthropic 宣布将其 AI 助手 Claude Cowork 扩展至网页和移动端，同时发布的数据显示，该工具的使用场景已远超编程和软件开发。 ## 从桌面到云端：Cowork 的进化 Anthropic 近日宣布，其面向 Claude 用户的代理型助手 **Claude Cowork** 将正式登陆网页和移动设备。此前，Cowork 主要运行于桌面端，用户需要保持电脑开机才能完成任务。如今，用户可以在办公室启动任务，在手机上查看进度，并在任何浏览器中获取最终结果——即使笔记本电脑已关闭，任务仍会在云端继续执行。 Anthropic 将这种模式描述为“围绕工作的工作”（the work around the work），意指那些虽非核心职责却消耗大量时间的行政琐事，例如整理邮件、合并电子表格、组织文件等。Cowork 的目标正是将这些“非核心工作”自动化，释放专业人员的精力。 ## 数据揭示：编程并非主要用途 在宣布移动端升级的同时，Anthropic 还分享了基于 **120 万次 Cowork 会话** 的分析结果。令人意外的是，**90% 的会话并非用于编程**。这一数据挑战了人们对 AI 助手主要用于代码生成的固有印象。 实际用例涵盖广泛：从漏洞检测、数据分析到文档管理和信息检索。例如，作者曾使用 Cowork 对网站进行漏洞扫描，整个过程无需依赖本地计算资源。这表明 Cowork 正在向更通用的办公助手方向演进。 ## 安全性与替代性：能否取代 OpenClaw？ 随着 Cowork 向云端迁移，用户自然关心其安全性与可靠性。Anthropic 强调，云端运行并不意味着数据泄露风险增加——任务在云端执行，用户可通过任何设备访问结果，但敏感数据仍受保护。目前，桌面版仍提供最完整的 Cowork 体验，但网页和移动版的加入显著提升了灵活性。 至于能否“安全地替代 OpenClaw”，答案尚不明确。OpenClaw 作为另一款知名 AI 工具，在特定场景下仍有优势。Cowork 的强项在于其“代理”能力——它可以独立完成多步骤任务，而无需用户实时干预。这种“放手运行”的模式尤其适合需要长时间后台处理的任务。 ## 行业影响与展望 Cowork 的云端化标志着 AI 助手从“辅助工具”向“自主代理”的转变。当任务不再依赖本地设备，AI 的可用性和连续性大幅提升。对于企业用户而言，这意味着更高效的资源利用和更灵活的工作流。 Anthropic 的数据还揭示了 AI 应用场景的多元化：编程仅占 10%，其余 90% 来自金融、医疗、法律等领域的非技术用户。这一趋势可能促使更多行业探索 AI 代理在行政、合规、研究等环节的落地。 未来，随着 Cowork 在移动端和云端的迭代，它或许会重新定义“工作”的边界——让人类专注于创造与决策，而将繁琐的“围绕工作的工作”交给 AI。
Anthropic 今日宣布，其 AI 智能代理 Claude Cowork 迎来重大更新：用户不再需要保持笔记本电脑开启即可让代理持续运行任务。这意味着，即使合上电脑，Cowork 也能在后台执行诸如整理邮件、生成文档等操作，甚至支持夜间定时任务。此前，Cowork 仅能在桌面端活跃会话期间工作，用户常需保持设备唤醒。新版本允许用户通过 Claude 手机应用或网页浏览器与代理交互，无需依赖桌面连接。 ## 从桌面到云端：Cowork 的进化 Cowork 最初于今年 1 月发布，定位为“替你完成数字任务的 AI 代理”。笔者曾亲身体验，其能高效整理截图文件、管理日历事件，虽存在提示注入等安全风险，但已显著改变人机交互模式。此次更新最核心的变化在于：**任务执行不再依赖桌面会话**。Anthropic 在演示视频中展示了典型场景——用户要求 Cowork 为次日商业谈判准备资料，代理自动从邮件、Slack、会议记录及网络信息中整合数据，生成参考文档和草拟邮件，整个过程在用户下班后后台完成。 ## 手机控制的“半自主”代理 这并非 Claude 首次登陆移动端。此前通过“Dispatch”功能，用户已可从手机发送任务请求，但前提是电脑必须唤醒且应用处于打开状态。新版本彻底解除了这一限制，使得 Cowork 成为真正意义上的“随时在线”代理。这一动向与硅谷近期趋势高度吻合：科技巨头正竞相开发可通过短信控制的、持续运行的半自主 AI 代理。Anthropic 此举不仅提升了产品实用性，更在竞争激烈的 AI 代理赛道中抢占先机。 ## 安全与场景展望 尽管能力增强，Cowork 仍面临安全挑战——提示注入等攻击向量依然存在。不过，对于需要处理跨平台信息、执行多步骤任务的用户（如商务人士、内容创作者），Cowork 的“后台运行”能力将大幅提升效率。未来，随着更多设备集成和任务自动化程度加深，AI 代理或将从“辅助工具”进化为“数字员工”。
安全研究人员发现了一种名为 **JadePuffer** 的新型勒索软件攻击，这可能是首个完全由 AI 自主驱动的勒索攻击案例。该攻击由大型语言模型（LLM）全程操控，从漏洞利用到数据窃取、加密勒索，无需人工干预。 ## 攻击链：AI 代理的“自主狩猎” JadePuffer 的攻击起点是 **Langflow**（一个开源的 AI 应用构建平台）中的未认证远程代码执行漏洞（CVE-2025-3248）。攻击者利用 LLM 代理自动扫描并利用该漏洞，获得初始访问权限后，AI 代理会自主进行内网侦察、凭据窃取，包括 LLM API 密钥、云服务凭证、加密货币钱包信息等。 在建立持久化后，AI 代理将攻击转向真正的目标——运行 **阿里云 Nacos** 配置服务的生产服务器。它部署勒索软件加密文件，并留下比特币赎金通知。整个过程由 LLM 实时决策，根据遇到的防御措施动态调整战术。 ## 关键特征：自述代码与自适应能力 Sysdig 公司指出，JadePuffer 最令人担忧的特性是 **自述代码**——AI 代理为每个攻击步骤添加了注释，解释每一步的目的和决策逻辑。这相当于攻击者获得了透明的“攻击日志”，便于优化和改进。此外，AI 能够根据环境反馈自适应调整，例如在遇到防火墙时尝试绕过，在检测到沙箱时延迟执行。 ## 行业影响与防御对策 JadePuffer 的出现标志着网络攻击进入 **Agentic AI** 时代。传统防御手段基于已知签名和固定模式，但 AI 驱动的攻击可以实时变异，使检测更加困难。安全专家建议企业采取以下措施： - **强化 AI 供应链安全**：对 Langflow 等 AI 开发工具进行严格漏洞管理 - **实施零信任架构**：限制 AI 代理的横向移动能力 - **部署行为分析系统**：关注异常 API 调用和自述代码行为 - **加密关键数据**：即使攻击者窃取凭据，也无法解密 ## 小结 JadePuffer 并非科幻小说，而是真实发生的攻击。它证明 AI 不仅能辅助攻击，还能完全自主执行复杂的多阶段勒索流程。安全行业需要重新思考防御策略，从“对抗已知威胁”转向“对抗自适应智能”。
## 结论先行：别谈技术，先谈体验 如果你曾试图说服朋友或同事从Windows转向Linux，大概率会碰一鼻子灰。作为一名拥有**30年Linux使用经验**的资深用户，我深知直接抛出“开源自由”“安全性高”“无强制更新”等理由，往往收效甚微。原因很简单：对大多数用户而言，操作系统不是信仰，而是工具——他们只关心“能不能更省心地完成工作”。 ## 核心策略：用“痛点对比”代替“优点罗列” 与其滔滔不绝地介绍Linux的优越性，不如先**倾听用户的日常抱怨**。Windows用户最常见的痛包括： - 系统更新强制重启，打断工作 - 后台进程占用资源，导致老电脑卡顿 - 软件安装捆绑广告或需要付费 - 隐私设置复杂，数据被不断收集 针对这些具体问题，你可以**现场演示**Linux如何解决它们。例如： - 在旧硬件上启动轻量级发行版（如Linux Mint Xfce），展示流畅度 - 展示**无需重启**的更新机制 - 演示通过包管理器（如apt）一键安装软件，无广告无捆绑 - 强调Linux默认不收集用户数据 ## 关键一步：让“试用”变得零门槛 大多数人不敢尝试Linux，是因为担心安装复杂、驱动不兼容或丢失数据。为此，可以采用以下方法降低心理门槛： - **Live USB体验**：制作一个可启动的Linux U盘，让用户在不安装的情况下直接运行系统，感受界面和速度 - **双系统引导**：如果用户有兴趣，帮助其搭建Windows+Linux双系统，保留原有环境，逐步过渡 - **推荐“Windows友好”发行版**：如**Zorin OS**或**Linux Mint**，它们拥有类似Windows的界面和布局，学习成本极低 ## 为什么这招有效？ 因为用户关心的根本不是“操作系统”本身，而是**使用体验的改善**。当你把Linux定位为“解决Windows烦恼的替代方案”，而非“需要重新学习的全新系统”，用户自然会产生好奇。据统计，在体验过Live USB的用户中，约有**30%**会在一个月内正式安装Linux。 ## 小结：说服的本质是共情 不要试图用技术参数碾压对方，而是**站在用户的角度**，展示Linux如何让他们的数字生活更轻松。正如我常说的：“Linux不是给所有人准备的，但它可能正是你现在需要的。” 下一次，当Windows用户向你抱怨电脑变慢或更新失败时，不妨递上一个Linux U盘——这比千言万语都有效。
## 快讯：AI 艺术收藏的真相 AI 生成艺术正从小众实验走向主流市场，但收藏家们提醒：**一幅作品的价值远不止于一个巧妙的提示词**。 ### 关键事实 - **收藏标准升级**：收藏家认为，AI 艺术的价值在于其背后的**概念、算法独特性和艺术家意图**，而非单纯依赖文本提示。 - **艺术家角色**：顶尖 AI 艺术家（如 Refik Anadol）通过定制数据集、训练模型和精心策划的展示环境，创造不可复制的体验。例如，Anadol 的《Machine Dreams: Rainforest》展览在 Dataland 生成式 AI 博物馆展出，强调沉浸式叙事。 - **市场分化**：低端市场充斥大量“一键生成”作品，而高端收藏聚焦于**技术独创性、文化关联性和长期影响力**。 ### 行业背景 AI 艺术收藏仍处于早期阶段，但已吸引传统艺术界和科技投资者的关注。随着生成式 AI 工具普及，**稀缺性**成为关键——真正有价值的作品往往需要数月甚至数年的研发，而非几分钟的生成。收藏家建议关注艺术家的技术深度、作品的社会批判性以及是否推动媒介边界。 ### 小结 AI 艺术收藏的核心逻辑与当代艺术并无本质区别：**概念先行，技术为辅**。提示词只是起点，真正的价值在于艺术家如何以 AI 为工具，构建独特的视觉语言和思想体系。
移动网络的安全隐患往往被用户忽视，尤其是假基站（fake cell towers）带来的数据窃取风险。安卓17引入了一项新功能，可以在设备连接到可疑网络时发出警告，帮助用户避免落入恶意陷阱。本文将介绍该功能的启用方法、工作原理，以及它为何值得每一位安卓用户重视。 ## 什么是假基站？ 假基站，也叫“伪基站”，是一种模仿真实手机基站的设备。攻击者利用它拦截用户的通信数据，比如短信、通话记录，甚至植入恶意软件。这类攻击在公共场所（如机场、商场）尤其常见，因为用户往往为了信号而忽略安全。 ## 安卓17的新防护机制 安卓17的“蜂窝网络安全警报”功能，会在设备检测到可疑基站时弹出通知，提醒用户当前网络可能不安全。该功能默认是**关闭**的，用户需手动在“设置”→“安全与隐私”→“更多安全设置”中启用。一旦开启，系统会利用内置的基站数据库和算法，对比周围信号的特征，识别出异常。 ## 为什么你应该启用它？ 对于经常出差或使用公共Wi-Fi的用户来说，假基站攻击是真实威胁。即使你没有主动连接陌生网络，手机也可能自动连接到信号更强的假基站。启用该功能后，你可以在连接前做出判断，避免数据泄露。 ## 启用步骤与注意事项 1. 打开“设置”应用。 2. 进入“安全与隐私”。 3. 选择“更多安全设置”。 4. 找到“蜂窝网络安全警报”并开启。 需要注意的是，该功能可能增加少量电池消耗，但安全性提升远大于此。另外，该功能仅适用于安卓17及以上版本。 ## 小结 假基站攻击并非危言耸听，安卓17的这一更新为用户提供了主动防御的工具。作为用户，我们不应完全依赖系统默认设置，而是主动检查并启用此类安全选项。毕竟，在移动互联时代，保护数据安全就是保护自己。
一家创业公司通过众包和AI蜂群技术，在72小时内超越了谷歌的密码学研究成果，引发了业界对AI协作潜力的新讨论。 ## 事件概述 据IEEE Spectrum报道，一家未具名的初创公司利用**众包**和**AI蜂群**技术，成功破解了谷歌此前未公开的密码学工作成果。谷歌的原始研究涉及复杂的加密算法，而这家公司仅用72小时就取得了更优的结果。 ## 技术亮点 **AI蜂群**是一种模仿自然界蜂群、鸟群等集体智能的算法，通过大量智能体协同工作来解决复杂问题。结合**众包**——即从广泛人群中收集思路和计算资源——该公司构建了一个高效的分布式问题解决系统。该系统在短时间内分析了谷歌的密码学方案，并找到了更高效的破解路径。 ## 行业影响 这一突破表明，**去中心化的AI协作**可能在密码学等前沿领域比传统实验室研究更具效率。密码学是网络安全的基础，谷歌作为行业巨头，其未公开的研究通常代表顶尖水平。然而，这次事件显示，开放式的众包+AI模式或许能挑战甚至超越封闭式研究的成果。 ## 潜在风险与机遇 一方面，这种技术可能被用于**恶意破解加密标准**，威胁数据安全；另一方面，它也为密码学社区提供了**新的验证和优化手段**——通过集体智能快速发现漏洞或改进方案。业界呼吁建立更透明的协作框架，以平衡创新与安全。 ## 结语 这次“72小时超越”不仅是一次技术胜利，更预示了AI时代科研范式的转变。当众包遇见AI蜂群，密码学的“秘密”或许将越来越难以守住。
华硕ProArt KD300键盘是一款紧凑型65%布局键盘，专为创作者和专业人士设计，主打便携性与多设备连接能力。其最大亮点是集成了可自定义的触控面板，并支持蓝牙、2.4GHz无线和有线三种连接方式，可在最多三台设备间无缝切换。键盘采用剪刀脚结构，键程短但反馈清晰，打字体验接近笔记本键盘。配套的浏览器控制面板允许用户深度定制宏和快捷键，提升工作效率。不过，紧凑布局导致部分按键需通过Fn组合键实现，触控面板的精准度也偶有不足。整体而言，KD300在移动办公和多设备场景下表现出色，是Mac与PC用户的实用生产力工具。
**快讯简报** 一项受大脑启发的光传感器技术有望显著加速AI图像处理。这种新型像素不仅能感知光线，还能记住所感知的信息，从而减少数据传输量，提升效率。 **核心事实** - **技术原理**：传统图像传感器需要将光信号转换为电信号，再传输到处理器进行记忆和分析，整个过程涉及大量数据移动。而新型传感器将“感知”和“记忆”功能集成在同一个像素中，模拟了生物大脑中神经元处理信息的方式。 - **性能优势**：通过减少数据在不同组件之间的传输，该技术能降低功耗并缩短处理延迟，特别适合需要快速响应的AI应用，如自动驾驶、机器人视觉和实时监控。 - **研究团队**：该传感器由**俄勒冈州立大学**（Oregon State University）的研究人员开发，具体细节尚未完全公开，但已展现出在图像处理领域加速AI计算的潜力。 **行业背景** 当前，AI图像处理面临的主要瓶颈之一是“冯·诺依曼瓶颈”——数据在存储器和处理器之间频繁搬运，导致能耗高、速度受限。受大脑启发的计算架构（如神经形态计算）试图通过模拟人脑的并行处理方式来解决这一问题。这款光传感器正是这一方向的实践：它模仿了视网膜和视觉皮层的工作机制，即在同一位置完成光感知和短期记忆。 **小结** 虽然该技术仍处于研究阶段，但它为AI硬件创新提供了新思路。未来，若能将这种传感器与神经形态芯片结合，有望大幅提升边缘设备的实时处理能力，推动AI在物联网、可穿戴设备等领域的落地。更多技术细节有待后续披露。
Solos 公司长期专注于音频智能眼镜，但本周二，它发布了两款新眼镜，其中一款配备了摄像头。不过，为了隐私考虑，用户可以单独购买一个配件来遮挡摄像头。 Solos 的新品包括纯音频的 **AirGo A6** 和带摄像头的 **AirGo V2**（第二代）。AirGo V2 售价 **299 美元**，功能与 Meta 同价位的智能眼镜类似：支持拍照、录像、播放音乐，并可通过 AI 助手“看到”用户所见。眼镜可配处方镜片，续航 **10-12 小时**。 最引人注目的是 **Privacy Kit**（隐私套件），售价 **79 美元**，包含一个 **夹式隐私遮挡盖** 和一个偏光镜片。遮挡盖可以完全挡住摄像头，让眼镜仅以音频模式运行。 然而，这种设计可能是一把“双刃剑”。虽然它为用户提供了物理上的隐私控制，但需要单独购买并手动夹上/取下，增加了使用门槛。更重要的是，它无法防止恶意用户在进入禁止摄像的场所后悄悄取下遮挡盖——毕竟这只是个夹子。 Solos 的第一代摄像头眼镜 AirGo Vision 曾在 2024 年推出，但被 WIRED 评为“别买”级别，主要问题是媒体拍摄质量平平、触控操作令人沮丧，以及 App 权限要求过多。 目前，Meta 在智能眼镜市场占据主导地位，但其他巨头也在积极布局。Google 和 Samsung 正合作开发 Android XR 平台，预计今年晚些时候 Warby Parker 和 Gentle Monster 等品牌将推出新款眼镜。Solos 的隐私方案能否在竞争中脱颖而出，仍有待观察。
Solos 推出了新一代 AirGo 智能眼镜 AirGo A6，彻底舍弃摄像头，转而依靠语音交互的 AI 助手提供功能，同时将重量大幅降低至约 19 克。 ## 极致轻量化设计 相比去年 AirGo A5 的 36-40 克，AirGo A6 通过更薄的镜腿（内部集成扬声器、电池等电子元件）实现了近一半的重量缩减。作为对比，上月发布的 Meta 新款智能眼镜重量约为 54-60 克。AirGo A6 提供多种镜框款式，包括透明版本，可展示内部电子结构，并支持完全处方镜片定制。 ## AI 语音交互为核心 由于没有摄像头，AirGo A6 完全依赖语音进行交互。其内置 AI 助手支持问答、实时翻译和日历提醒。镜腿后侧的扬声器设计使用户在听音乐或通话时，仍能感知周围环境声音。 ## 隐私配件同步推出 Solos 还为去年的 AirGo V2 推出了隐私配件：39 美元的非供电替换镜腿（无摄像头），以及 49 美元的隐私遮挡套件（含物理遮挡摄像头模块的夹片和偏光太阳镜夹片），79 美元可购得全套。 ## 定价与上市 AirGo A6 的定价和上市时间尚未最终确定。 ## 行业视角 在智能眼镜厂商纷纷加码摄像头和 AR 显示时，Solos 选择了一条差异化路径：通过极致轻量化和纯语音 AI 交互，瞄准对隐私敏感或仅需基础智能功能的用户。这一定位能否在 Meta、Ray-Ban 等巨头主导的市场中突围，值得关注。
云计算服务商成功说服我们，云存储是存储文件的唯一方式。但事实并非如此。经过对**Ugreen DXP4800 Plus**的长期使用，我发现本地NAS不仅能提供更快的访问速度，还能显著降低长期成本。 ## 从订阅制到一次付费 过去几年，我每月为iCloud、Dropbox和Google Drive支付近50美元。这些订阅费用累积起来相当可观，而NAS设备的一次性投入却能在几年内回本。Ugreen DXP4800 Plus的硬件配置令人印象深刻：四盘位设计支持最高96TB存储，配备Intel N100处理器和8GB RAM，运行流畅。 ## 硬件体验：开箱即用 设备附带了所有必要的线缆和工具，硬盘安装基本免工具。虽然RAM/M.2接口的螺丝不是防丢设计，但整体组装过程非常顺利。系统基于Linux的UGOS Pro界面直观，支持多种RAID模式，数据安全性有保障。 ## 生态对比：仍需改进 与Synology等成熟品牌相比，Ugreen的生态系统还不够完善。应用商店的应用数量较少，部分高级功能需要手动配置。不过，对于核心的备份和文件同步需求，它已经足够胜任。 ## 实际效果：告别云服务 我将所有设备（包括Windows PC、Mac和手机）的备份任务都指向了NAS。通过UGreen的移动应用，远程访问文件也很方便。最重要的是，我再也不用担心云服务商涨价或数据隐私问题。 ## 噪音与散热 设备在负载时风扇噪音明显，但日常使用中尚可接受。建议将其放置在通风良好的位置。 总的来说，如果你厌倦了每月持续的云存储账单，并且愿意投入一些时间进行初始设置，Ugreen DXP4800 Plus是一个性价比极高的替代方案。
随着AI应用的深入，许多开发者和团队都面临着一个共同的痛点：**Token消耗量激增，导致账单水涨船高**。每周的配额可能两三天就用完了，而大量的调用其实并非必须使用最昂贵的旗舰模型。针对这一需求，一款名为 **Frugon** 的开源工具应运而生，它能够在本地分析你的 LLM 调用日志，精准识别哪些请求可以“降级”到更便宜的模型，从而在不影响核心功能的前提下显著降低成本。 Frugon 的核心理念是 **本地优先、隐私安全**。所有分析都在你的机器上完成，你的数据永远不会离开本地。API密钥也直接由你保管并指向自己的服务商，Frugon 不会触碰任何敏感信息。 ## 如何工作？ Frugon 的工作流程非常简洁： 1. **获取日志**：Frugon 读取符合 OpenAI 请求/响应格式的 JSONL 文件。你可以通过两种方式生成这些日志： - **使用 `frugon capture` 代理**：这是一个本地 HTTP 代理，放在你的应用和 LLM 服务商之间。所有调用都会被原样转发并记录为 JSONL 行，不会增加延迟。 - **直接写入 JSONL**：如果你已经通过中间件或 SDK 回调记录了日志，只需按指定格式整理即可。 2. **运行分析**：使用 `frugon analyze` 命令指向日志文件，Frugon 会立即生成一份成本优化报告。 3. **可选测量**：通过 `--measure` 参数，Frugon 可以实际使用你的 API 密钥对部分 prompt 进行采样测试，验证切换到更便宜模型后的输出质量。 ## 核心优势 - **成本洞察**：清晰展示每个模型、每次调用的花费，以及如果替换为更便宜的替代模型（如从 GPT-4 换到 GPT-3.5-turbo 或开源模型）可节省的具体金额。 - **零数据泄露**：代码完全开源（MIT 协议），所有计算在本地运行。 - **零依赖安装**：支持 `uvx frugon analyze` 一键运行（无需安装），或通过 `pipx install frugon` 永久安装。 - **灵活集成**：无论是通过代理捕获还是直接导入已有日志，都能快速上手。 ## 适用场景 Frugon 特别适合以下人群： - 个人开发者或小团队，希望控制 API 调用成本。 - 正在从原型验证转向生产部署的 AI 应用，需要精细化成本管理。 - 对数据隐私有严格要求，不愿将日志上传到第三方分析平台。 ## 总结 Frugon 提供了一个简单而强大的解决方案，帮助开发者 **“堵住”LLM 账单的漏洞**。它不是简单地建议更换模型，而是通过实际日志分析给出可操作的、基于数据的建议。对于任何希望优化 AI 成本而又不牺牲太多性能的团队来说，Frugon 都是一个值得尝试的工具。 项目已在 GitHub 上开源，感兴趣的用户可以前往 [GitHub 仓库](https://github.com/frugon/frugon) 查看详情。
## 当 AI 开始“绑架”你的家人 你是否想过，有一天会接到一个电话，那头传来女儿惊恐的求救声，随后绑匪索要赎金？这不再是电影情节，而是真实发生在两位科技兄弟母亲身上的事。如今，他们创立了 **Savi Security**，并推出同名应用，专门保护普通人免受 AI 生成诈骗的侵害。 ### 一次噩梦般的经历 两年前，Savi 联合创始人 Patrick Coughlin 的母亲接到一个电话，来电显示是女儿（Patrick 的姐妹）的号码。电话里，她听到女儿的哭喊：“妈，他们抓住我了！”接着是一声尖叫，一个男人威胁说如果不马上支付 **1200 美元**，就在当地沃尔玛停车场杀害她。幸运的是，母亲保持冷静，直接联系了女儿，发现她安然无恙——这完全是一场 **AI 生成的骗局**。 Patrick 当时是 Cisco 安全产品高级副总裁，他震惊于诈骗手段的精密：骗子不仅伪造了号码，还克隆了声音，甚至准确提及了受害者常去的沃尔玛位置。他意识到，过去只针对政府和企业的高端攻击手段，如今正被廉价而强大的 **大语言模型（LLM）** 和生成式 AI 工具普及到普通消费者身上。 ### Savi 如何守护你？ Savi 应用于周二在 iPhone 和 Android 平台上线，并宣布获得 **700 万美元种子轮融资**，由 Acrew Capital 领投，Magnify Ventures、TTCER 和 Resolute Ventures 参投。它的核心功能是实时分析来电、短信和邮件，识别 AI 生成的诈骗特征。例如，对于语音通话，Savi 可以检测声音是否被合成或伪造；对于消息，它能分析语言模式是否异常。 与传统的安全软件不同，Savi 专注于“社会工程”类攻击，这类攻击利用人的恐惧和信任，而非技术漏洞。创始人表示，他们的目标不是取代现有安全方案，而是填补 **消费者在 AI 诈骗面前的防御空白**。 ### 为何现在需要这样的工具？ 在 AI 之前，针对个人的定制化诈骗成本极高，需要大量调查和技术投入，因此主要瞄准企业高管等高价值目标。但如今，任何人都可能成为目标。生成式 AI 让骗子能快速生成逼真语音、伪造身份信息，甚至模拟亲友的聊天风格。Savi 的诞生，正是为了将专业安全能力平民化。 ### 小结 Savi 的故事提醒我们：AI 诈骗已不再是科幻，而是现实的威胁。这款应用能否成为消费者的“数字保镖”？随着融资到账和产品上线，它或许会给出答案。但更关键的是，我们每个人都需要提高警惕——因为下一个“绑架”电话，可能就来自你熟悉的声音。
近年来，AI技术的突破正推动机器人从预设程序执行者向自主决策者转变。顶尖机器人研究者和创始人指出，结合大语言模型、视觉感知与强化学习，机器人已能在仓储、制造等场景中完成复杂任务，未来有望进入家庭环境。 ## 技术突破：从感知到决策 传统机器人依赖精确编程，难以应对环境变化。如今，**多模态AI模型**让机器人能理解自然语言指令、识别物体并实时规划路径。例如，谷歌的RT-2模型将视觉与语言数据结合，使机器人能“举一反三”执行未训练过的任务。 ## 落地场景：仓储与制造先行 在工业领域，**自主移动机器人**已能自主导航、避障并协同作业。亚马逊的Proteus机器人无需人工标记即可在仓库中移动货架；特斯拉的Optimus人形机器人则尝试在工厂内完成螺丝拧紧等精细操作。研究者表示，这些场景环境相对可控，是当前落地的最佳选择。 ## 家庭场景：挑战与潜力并存 家庭环境对机器人自主性要求更高：物品杂乱、光照变化、人机互动复杂。不过，**具身智能**的进展正缩小差距。研究者认为，未来5-10年，家庭机器人或能完成清洁、整理、陪伴等任务，但需解决安全性、成本与用户信任问题。 ## 未来展望：人机协作新范式 专家强调，**自主机器人并非取代人类，而是作为协作伙伴**。AI赋予机器人“常识”与适应力，使其能在动态环境中辅助人类工作。随着技术成熟，机器人将从工厂走进办公室、医院乃至千家万户。
## 从工厂到办公室：机器人自主性的新浪潮 顶尖机器人研究者和创始人近日分享了关于机器人自主性演进的洞见，揭示了AI如何逐步赋能机器人在工作场所——甚至未来家庭——中实现自主操作。当前，机器人主要局限于结构化环境（如工厂流水线），执行预编程的重复任务。但**AI，特别是大语言模型和多模态感知技术的突破，正推动机器人向更灵活、更自主的方向演进**。 ### 关键突破：从“遥控”到“自主决策” 传统机器人依赖精确的环境建模和人类指令，一旦遇到未预见的障碍便容易卡顿。而新一代AI系统能让机器人通过**视觉、触觉和语言理解**实时感知环境，并动态规划动作。例如，研究者展示的机器人能够理解“把桌上的苹果拿到厨房”这样的自然语言指令，并在复杂的家居环境中自主导航、避开障碍物、适应物体位置变化。 这种能力背后是**端到端学习**和**基础模型**的结合。机器人通过海量模拟和真实数据训练，学会将感知直接映射到动作，不再需要手工编写每一步控制逻辑。同时，多模态模型（如结合视觉和语言）让机器人能够理解抽象指令，甚至进行简单的常识推理。 ### 应用场景：从工业到服务业 目前，自主机器人已在**仓储物流、医疗消毒、零售盘点**等领域崭露头角。例如，亚马逊仓库的自主移动机器人（AMR）能动态规划路径，避开工人和其他机器人；医院中的配送机器人可自主乘电梯、送药。但真正的挑战在于**非结构化环境**——比如办公室或家庭，其中布局、光照和人流都不可预测。 研究者指出，未来5-10年，我们可能看到**具备通用操作能力的机器人**进入家庭，执行清洁、整理、烹饪辅助等任务。不过，这需要解决**可靠性、安全性和成本**三大难题。目前，大多数家庭机器人（如扫地机器人）仍局限于单一任务，而通用自主机器人需要更强大的硬件和更鲁棒的AI。 ### 行业共识：数据与仿真驱动 多位创始人强调，**高质量的训练数据**是当前瓶颈。机器人学习需要大量真实世界的交互数据，但收集成本高昂。为此，行业正转向**仿真环境**，如NVIDIA Isaac Sim和Meta Habitat，让机器人在虚拟世界中快速积累经验，再将技能迁移到现实。此外，**基础模型**（如RT-2、PaLM-E）的兴起，让机器人能够利用互联网级别的知识进行推理，减少对特定任务数据的需求。 ### 展望：自主机器人不是“万能” 尽管进展显著，但研究者保持谨慎。当前AI仍存在**幻觉和泛化不足**问题，机器人在意外情况下可能做出危险动作。因此，短期内自主机器人将更多作为**人类协作的助手**，而非完全替代。例如，在工厂中，机器人处理重复搬运，人类负责异常处理和质量监控。 最终，**AI赋能的自主机器人**有望重塑劳动力市场，但普及仍需时间。正如一位创始人所说：“我们正在从‘编程机器人’走向‘教机器人学习’，这需要耐心，但方向已经清晰。”
在2026年世界杯期间，一段挪威前锋埃尔林·哈兰德在餐厅对着镜子吃东西的视频疯传，累计观看量超过3100万次。但事实核查发现，视频中的“哈兰德”并非本人，而是由中国喜剧演员金龙的短视频片段经AI换脸而成。这并非孤例——哈兰德已成为中国互联网上的“梗王”，从草本饮料广告到AI生成的恶搞视频，他的形象被粉丝和AI工具不断再创作。这种现象折射出体育明星的新生态：运动员不再仅仅通过比赛和采访被消费，而是成为互联网上的“开源角色”，其形象被粉丝用AI工具自由改编和传播。对于Z世代而言，他们更倾向于通过社交媒体的个性化内容与运动员建立连接，而非传统意义上的球队归属。这种趋势背后，既有粉丝文化的演变，也带来了版权、肖像权和信息真实性的新挑战。当AI生成内容成为粉丝创作的一部分，如何界定“真实”与“虚构”，如何保护运动员的权益，成为体育产业和数字平台必须面对的问题。