## 研究背景：当KAN遇上差分隐私 Kolmogorov-Arnold网络（KAN）作为近年来兴起的新型神经网络架构，因其在可解释性和参数效率上的潜力受到广泛关注。然而，其理论分析大多停留在理想化的全批量梯度下降（GD）和独立噪声差分隐私场景，与实际训练中常用的**小批量随机梯度下降（SGD）**以及能更好平衡隐私与效用的**相关噪声机制**存在差距。 ## 核心贡献：首个基于小批量SGD的KAN泛化界 来自多家机构的研究人员联合发表论文，首次为**使用梯度裁剪的小批量SGD训练的KAN网络建立了群体风险界**。该工作覆盖了非私有SGD和差分隐私SGD（DP-SGD）两种场景，其中DP-SGD引入了高斯扰动，并考虑了从独立噪声到时间相关噪声的插值。 这标志着KAN理论向实践迈出了关键两步： - **训练方式**：采用现代网络的标准方案——小批量SGD，而非全批量梯度下降； - **噪声机制**：相关噪声机制在实验中已被证明能比独立噪声带来更优的隐私-效用权衡。 ## 技术难点与创新 该研究在技术上颇具挑战。**时间相关性破坏了标准一步SGD论证中的条件中心结构**，而投影步骤又阻碍了相关扰动的精确抵消。研究团队提出了三项关键技术创新： 1. **辅助无投影动力学**：通过引入一个不包含投影操作的辅助迭代过程，绕开投影带来的分析困难； 2. **移位迭代**：构造一个吸收了当前噪声扰动的移位变量，使得相关噪声的影响可以被有效追踪； 3. **高概率自举证明**：通过自举方法以高概率保证投影步骤在大部分时间内处于非激活状态，从而简化分析。 ## 理论价值与行业意义 将上述优化分析与基于稳定性的泛化论证相结合，最终得到了群体风险界。据作者称，这是**首个在凸学习之外（特别是针对神经网络）对DP训练的相关噪声机制进行优化和群体风险分析的工作**。 这一成果不仅深化了我们对KAN网络训练过程的理论理解，也为在实际部署中更高效地使用差分隐私技术提供了理论支撑。**当企业或研究机构需要在敏感数据上训练KAN模型时，可以更有信心地采用相关噪声DP-SGD，因为它现在有了严格的泛化保证。** ## 小结 这项研究填补了KAN网络在差分隐私训练理论上的空白，将分析从理想化的全批量独立噪声场景推进到更实际的小批量相关噪声场景。其技术路线——通过辅助动力学和移位迭代处理时间相关性——也为其他非凸模型的隐私分析提供了可借鉴的框架。
## 研究背景：稀疏奖励下的训练困境 当前，大型语言模型（LLM）在预训练后通常使用**稀疏验证器奖励**进行后训练。这种奖励机制仅能判断采样轨迹是否成功，却无法提供推理过程在何处成功或失败的细粒度指导。例如，在数学推理中，模型可能因中间步骤出错而最终失败，但稀疏奖励仅给出“失败”的二元信号，难以定位具体错误位置。 ## 现有方法局限：孤立轨迹的局限性 **同策略蒸馏（On-Policy Distillation, OPD）** 通过训练学生模型生成的轨迹来提供更密集的令牌级监督，从而缓解上述问题。然而，现有OPD方法通常独立处理每个采样轨迹，忽略了同一提示下其他尝试所蕴含的丰富信息。这种“孤立蒸馏”方式浪费了多轨迹间的对比信息，限制了训练效率。 ## MOPD框架：同侪条件蒸馏的创新 针对上述局限，研究团队提出**多轨迹同策略蒸馏（Multi-Rollout On-Policy Distillation, MOPD）**——一种基于同侪条件的蒸馏框架。其核心思想是：利用学生模型自身的局部采样组（即同一提示下的多次尝试）构建信息更丰富的教师信号。 MOPD将教师信号条件化于**同侪的成功与失败轨迹**： - **成功轨迹**提供有效推理模式的正向证据； - **失败轨迹**则提供结构化的负向证据，指出应避免的常见错误。 研究探索了两种同侪上下文构建方式： 1. **正向同侪模仿**：仅基于成功轨迹进行模仿学习； 2. **对比性成功-失败条件化**：同时利用成功与失败轨迹进行对比学习。 ## 实验验证：多领域性能提升 在**竞赛编程、数学推理、科学问答和工具使用**等基准测试上，MOPD一致优于标准同策略基线方法。进一步的教师信号分析表明，**混合成功-失败上下文**能使教师分数与验证器奖励更好地对齐，表明性能提升源于更忠实、实例自适应的监督信号。 ## 结论与启示 MOPD揭示了一个关键洞察：**有效的同策略蒸馏应利用学生模型的多轨迹试错行为，而非将轨迹视为孤立样本**。这一发现为LLM后训练提供了新思路——通过挖掘同组轨迹间的对比信息，可以在不增加额外外部数据的情况下显著提升训练效果。未来，该框架有望扩展到更多复杂推理任务，并与强化学习等范式结合。
## 当黑箱模型遇见物理法则：OceanCBM 如何打开海洋预报的“黑匣子”？ 极端海洋现象（如海洋热浪）的预测一直是个难题。传统数值模型依赖物理方程，计算成本高且精度有限；而近年来表现优异的深度学习模型虽然预测能力强，却如同一个“黑箱”——它们能给出准确结果，却无法解释“为什么会这样”，更难以保证其内部推理过程符合真实物理规律。 近日，一篇发表在 arXiv 上的论文提出了名为 **OceanCBM** 的新模型，试图在预测性能与可解释性之间架起一座桥梁。这是首个将 **概念瓶颈模型（Concept Bottleneck Model, CBM）** 应用于海洋时空预测与机制性解释的工作。 ### 什么是概念瓶颈模型？ 传统神经网络将输入直接映射到输出，中间层学习到的特征往往是隐式的、难以解读的。而概念瓶颈模型在中间加入一个“瓶颈层”，该层由**预设的、具有物理意义的概念**组成。模型必须先将输入压缩成这些概念的取值，再基于概念做出最终预测。这样一来，人们可以直接检查模型“认为”哪些概念重要，以及它们如何影响结果。 OceanCBM 的设计更为巧妙：它采用**混合监督**方式，将**来自地球物理流体动力学的指定概念**（如涡度、温度梯度等）与一个**自由概念**（free concept）相结合。自由概念用于捕捉未被预设概念覆盖的残余物理过程，同时起到正则化作用，避免模型被过度约束。 ### 关键发现：混合监督带来稳定的机制表征 研究团队使用 OceanCBM 预测**混合层热含量**——海洋热浪的关键前兆信号。实验结果表明： - **混合监督**（同时使用概念标签和最终预测标签进行训练）能够产生**一致且可解释的机制表征**。 - 相比之下，仅使用预测目标训练（预测-only）或仅使用概念标签训练（处方-only）的基线模型，虽然预测性能相近，但学习到的潜在结构在不同初始化下**高度不稳定**，说明它们没有真正学到一致的物理机制。 这一对比有力地证明：高性能的黑箱模型可能只是“表面拟合”，其内部表征并不稳健。而 OceanCBM 通过引入物理概念瓶颈，在不牺牲预测精度的前提下，获得了对物理过程更忠实、更可解释的内部表示。 ### 意义与展望 OceanCBM 的工作直接回应了机器学习在气候科学中的一个核心矛盾：**我们是否愿意为了可解释性而牺牲性能？** 该模型的答案是“不必”。通过精心设计的混合监督和概念瓶颈，可解释性与预测能力可以兼得。 未来，这一框架有望推广到其他地球系统预测任务（如厄尔尼诺预报、海冰变化分析）中，帮助科学家不仅知道“会发生什么”，更理解“为什么会发生”。 > **一句话总结**：OceanCBM 用物理概念作为中间桥梁，让海洋预报模型既能精准预测，又能讲清楚背后的物理故事。
一个核心共识是：当AI模型在高风险领域协助决策时，应当传达其预测的置信度。然而，实证表明，决策者往往难以仅凭置信度判断何时该信任AI。最新理论研究发现，**人机置信度对齐程度**与AI辅助决策的效用正相关，但对齐程度如何影响学习最优决策的复杂性，此前尚不明确。 来自马克斯·普朗克研究所的研究团队在发表于arXiv的论文中，首次从理论层面回答了这一问题。他们证明，在二元预测与二元决策的典型场景下，AI辅助决策问题可等价于一个具有完全反馈的**双臂在线上下文学习问题**，并推导出预期遗憾的下界为Ω(√(|H|·|B|·T))，其中H和B分别代表人类与AI的置信度集合。 关键发现是：当人机置信度完美对齐时，学习器可达到O(√(|H|·T·log T))的预期遗憾；进一步，若|H|足够小（√|H| = O(log T)）且B可数，借助Dvoretzky-Kiefer-Wolfowitz不等式的非平凡推广，遗憾界可优化至O(√(T·log T))。这些结果表明，**对齐显著降低了学习复杂性**。 研究团队还通过两项真实人类受试者实验验证了理论的鲁棒性。实验中，参与者在AI辅助下完成简单决策任务，结果证实即使对齐不完全，理论结论仍然成立。 这项研究对AI辅助决策系统设计具有重要启示：**提升人机置信度对齐不仅有助于决策者更有效地利用AI建议，还能从算法层面降低学习最优策略的难度**。未来，开发者可通过校准AI置信度输出、设计交互界面帮助用户校准自身置信度，从而在医疗诊断、金融风控等高 stakes 场景中实现更高效的人机协作。
随机神经网络（RdNN）通过冻结随机初始化的输入到隐藏层权重，使得输出层可以闭式求解，从而避免了反向传播，训练效率极高。然而，传统的随机初始化方法完全忽略了特征之间的依赖关系——相关性、非对称性、尾部依赖统统被无视，导致模型条件数恶化，预测性能大打折扣。这一问题长期被 RdNN 领域忽视，直到最近一篇被 AISTATS 2026 接收的论文提出了 **CAWI（Copula-Aligned Weight Initialization）** 框架，才给出了系统性的解决方案。 ### 核心思路：让初始化“看见”数据 CAWI 的核心思想并不复杂：既然输入到隐藏层的权重在训练中不再更新，那么初始化阶段就应该更“聪明”地利用数据中的统计信息。传统方法从独立同分布（如高斯或均匀分布）中采样权重，相当于假设所有特征彼此无关——这在真实数据中几乎不可能成立。CAWI 则引入 **Copula** 这一统计工具，先通过经验 CDF 将每个特征映射到 [0,1] 区间，再拟合一个多元 Copula 来捕捉特征间的秩相关（即依赖结构），最后从该 Copula 中采样每个权重列，并施加固定的逆边际变换以设定尺度。 整个过程不改变 RdNN 的目标函数、求解器或“一次冻结”范式，唯一变化的是权重的采样分布——从“盲目独立”变为“依赖感知”。 ### 两种 Copula 家族，覆盖多种依赖模式 论文考虑了两种主流 Copula 家族： - **椭圆型 Copula**（高斯、t-Copula）：擅长捕捉对称的线性相关和尾部相关。 - **阿基米德 Copula**（Clayton、Frank、Gumbel）：能够处理非对称依赖和不同的尾部行为（如 Clayton 强调下尾依赖，Gumbel 强调上尾依赖）。 这种设计使 CAWI 能灵活适配不同类型的数据，无论是金融数据中常见的“同跌不同涨”现象，还是生物医学数据中的非线性关联，都能被有效建模。 ### 实验验证：83 个数据集上的全面胜出 研究者在 **83 个分类基准**（包括二分类和多分类）以及两个生物医学数据集（BreaKHis 和 Schizophrenia 数据集）上进行了测试，使用标准浅层和深层 RdNN 架构。结果表明，CAWI 在预测性能上 **一致且显著地优于传统随机初始化**，尤其是在特征间存在较强相关性的数据集上，提升幅度更为明显。 ### 为什么重要？ RdNN 因其训练速度快、无需反向传播而受到关注，但“随机初始化”一直被当作一个简单的工程选择，很少有人质疑其统计合理性。CAWI 的工作看似只是改了一个采样步骤，实际上触及了 RdNN 的根基——它证明了：**即使权重被冻结，初始化时的统计敏感性也能对最终性能产生决定性影响**。这一发现不仅为 RdNN 提供了一种即插即用的改进方案，也为理解随机特征映射的表示能力提供了新视角。 ### 局限与展望 目前 CAWI 需要额外的 Copula 拟合步骤，在大规模特征维度下计算开销可能增加。此外，论文主要关注分类任务，其在回归、生成模型等场景的表现还有待探索。不过，作为首个系统解决 RdNN 初始化依赖感知问题的框架，CAWI 无疑为这一领域打开了一扇新的大门。 代码已开源，感兴趣的读者可以前往 GitHub 仓库复现实验。
## 突破传统监控瓶颈：从低维状态到高维感知空间 自动驾驶等感知驱动系统的安全运行，离不开对系统行为的实时监控。传统方法依赖将连续传感器数据映射为基于低维状态变量的离散逻辑命题。然而，这种抽象在复杂感知场景下频频失效：映射过程需要额外的学习模块，计算开销大、鲁棒性差，且容易产生语义偏差。 针对这一痛点，来自华盛顿大学、微软研究院等机构的研究人员提出了 **Embedding Temporal Logic (ETL)**——一种直接在**学习到的嵌入空间**中执行监控的新型时序逻辑。相关论文已提交至 arXiv。 ## ETL 的核心机制：基于距离的谓词与时序组合 ETL 的创新在于重新定义了逻辑谓词。它不再依赖人工定义的符号化条件，而是通过计算**观测嵌入与参考嵌入之间的距离**来判定谓词真值。参考嵌入可以来自示范轨迹、视觉目标或避让区域，因此 ETL 能够自然地表达“接近目标”、“远离障碍”等高层次感知概念。 这些感知谓词与传统的时序算子（如“始终”、“最终”、“直到”）结合，使得 ETL 可以描述复杂的**时序感知行为**，例如“在接近目标前，始终保持在安全区域内”。 ## 可靠性与实践：保形校准与实验验证 为了确保监控结果的可信度，研究团队引入**保形校准**机制，为谓词评估提供统计意义上的可靠性保证，尤其适用于安全关键场景。 在多个机器人操作环境中的实验表明，ETL 监控器与真实语义（ground truth）具有高度一致性，能够准确检测出违反时序规范的感知行为。与传统方法相比，ETL 避免了额外的学习模块，计算效率更高，且无需预先定义状态空间。 ## 行业意义与未来展望 ETL 的提出为自动驾驶、无人机、服务机器人等感知密集型系统的安全监控提供了新范式。它填补了**符号逻辑与连续感知世界**之间的鸿沟，使得形式化验证技术能够真正落地于实际系统。 未来，研究团队计划将 ETL 扩展到更复杂的多模态感知场景，并探索其在在线学习与自适应监控中的应用。随着嵌入模型的不断进步，基于嵌入的逻辑监控有望成为自主系统安全验证的标准工具。
从 **2026 年 5 月 1 日** 起，美国航空（American Airlines）正式实施新的便携式电池（充电宝）规定，限制旅客随身携带的充电宝数量，并对使用方式提出更严格的要求。 ## 新规核心变化 - **数量限制**：每位旅客最多只能携带 **两块便携式充电宝**。 - **存放要求**：充电宝必须保持 **可见** 或 **易于取用**，不得放入头顶行李舱或行李箱深处。 - **使用规定**：飞行途中如需使用充电宝为设备充电，需确保其始终处于可监控状态。 ## 背景与行业趋势 美国航空并非首家出台此类限制的航司。此前，**达美航空**、**联合航空** 等已对充电宝的携带和使用做出类似规定。收紧限制的核心原因在于 **锂电池的安全隐患**——锂电池在过热或短路时可能引发火灾，而飞机客舱内一旦起火，后果极为严重。近年来，多起航班因充电宝冒烟或起火而被迫返航或紧急降落，促使监管机构和航空公司加强管控。 国际航空运输协会（IATA）和各国航空安全机构已多次警告，**充电宝必须随身携带**，严禁托运，且需采取防短路措施（如用绝缘胶带包裹电极、放入原包装或专用保护袋）。美国航空的新规正是对这一安全共识的进一步细化。 ## 旅客注意事项 - **提前清点**：出发前确认随身充电宝数量不超过两块。 - **容量限制**：虽然美国航空未在本次公告中更新容量限制，但多数航司仍遵循 **100Wh（约 27000mAh）** 的上限，超过需获批。 - **保持可见**：建议将充电宝放入座椅口袋或随身小包中，避免被行李挤压。 - **留意更新**：各航司政策可能随时调整，出行前务必查阅官网最新规定。 ## 小结 美国航空的新规是航空业对锂电池安全风险的又一次主动应对。对于经常飞行的旅客，建议养成 **精简充电宝数量、妥善保管、及时关注航司公告** 的习惯，避免因违规影响行程或造成安全隐患。
三星确认将于今年7月关闭其自有的消息应用（Samsung Messages），要求运行Android 12及更高版本的三星手机用户迁移至Google Messages。这一决定标志着三星长达16年的自有通讯平台即将落幕。对于希望保留重要短信记录的用户，以下是两种免费且安全的备份方法： ### 本地备份至外部存储 最安全的备份方式是将短信直接导出并保存到外部硬盘或SSD。具体步骤如下： 1. 使用USB数据线将手机连接至电脑。 2. 在手机端选择“文件传输”模式。 3. 在电脑上找到手机存储中的“Samsung Messages”文件夹（通常位于内部存储/Android/data/com.samsung.android.messaging/）。 4. 复制该文件夹到外部存储设备中。 注意：不同Android版本路径可能略有差异，且部分加密消息可能无法直接读取。建议在备份前清理不必要的对话以节省空间。 ### 云端备份 三星也提供了官方云备份方案： - **Samsung Cloud**：进入设置 > 账户与备份 > 三星云 > 备份数据，选择“消息”进行备份。每个三星账户提供15GB免费空间。 - **Google Drive**：在设置中启用Google One备份，确保“短信”选项已勾选。备份后，当切换至Google Messages时可自动恢复部分数据。 两种方法均无需第三方工具，最大程度保障隐私安全。 ### 背景与建议 三星自2024年起已在Galaxy S系列新机中默认使用Google Messages，甚至禁止下载Samsung Messages。这一转变主要出于服务器维护成本和安全性考量——谷歌的RCS协议已覆盖数十亿用户，而三星不愿再承担独立运营消息服务的负担。 对于用户而言，及时备份不仅能避免7月停运后数据丢失，也是整理旧信息的好时机。建议在6月底前完成操作，并优先使用本地备份以获得完全控制权。
微软 Edge 浏览器正在为 Copilot AI 助手带来一次重磅更新，使其能够跨所有打开的标签页提取信息，并新增 AI 播客、学习模式等多项功能。 ### 跨标签页对话：Copilot 成为你的“浏览器大脑” 新功能允许 Copilot 从你所有打开的标签页中收集信息。当你与 Copilot 对话时，可以询问标签页中的内容、比较正在查看的产品、总结打开的文章等。微软表示，你可以“选择想要体验的功能，或关闭不需要的”。这一更新意味着 Copilot 不再局限于单一页面，而是能理解整个浏览会话的上下文。 值得注意的是，微软将**退役 Copilot Mode**，该模式此前也能从标签页提取信息，并提供一些代理功能（如代你预订）。这些代理能力已被整合到 **“Browse with Copilot”** 工具中，用户仍可通过该工具获得类似体验。 ### 学习、播客与写作：AI 深度嵌入浏览流程 Edge 还引入了多项 AI 驱动的工具： - **“Study and Learn” 模式**：可将当前文章转变为学习课程或互动测验，适合学生或需要快速消化内容的用户。 - **AI 播客生成**：能将标签页内容转化为 AI 生成的播客，类似 NotebookLM 的音频概览功能。 - **AI 写作助手**：当你在网页上输入文本时自动弹出，提供写作辅助。 此外，Copilot 可被授权**访问你的浏览历史**，以提供更“相关、高质量的回答”。微软强调，用户将看到清晰的视觉提示，知晓 Copilot 何时处于活动状态、正在执行何种操作。 ### 记忆与导航：长期上下文与全新新标签页 桌面端和移动端的 Copilot 将具备 **“长期记忆”** 能力，可根据之前的对话调整回复。当你打开新标签页时，会看到经过重新设计的页面，融合了聊天、搜索和网页导航，并集成 **Journeys 功能**——该功能利用 AI 将浏览历史整理成可回溯的分类。 ### 移动端增强：屏幕共享与语音问答 Edge 移动应用更新后，允许用户**与 Copilot 共享屏幕**，并通过语音提问正在查看的内容。微软表示，Copilot 活动时会有“清晰的视觉提示”，让你知道它在采取行动、帮助、倾听或查看。 ### 行业视角：浏览器 AI 竞争白热化 此次更新正值各大浏览器厂商加速 AI 化。Edge 的跨标签页信息提取直接对标 Arc 浏览器的“Instant Search”等功能，而 AI 播客与学习模式则借鉴了 NotebookLM 的成功经验。通过将 Copilot 深度嵌入浏览流程，微软试图将 Edge 从“网页窗口”升级为“AI 工作台”。对于用户而言，这意味着更少的手动切换与搜索，更多由 AI 驱动的上下文理解。不过，隐私与数据控制仍是关键问题——微软明确提供了功能开关与权限管理，但用户需自行权衡便利性与信息暴露风险。
在备受瞩目的 **马斯克诉奥特曼** 庭审中，除了法律交锋，一个有趣的细节引起了观察者的注意：法庭里几乎人手一个高级坐垫。 ## 坐垫成为“标配” 据在场记者观察，被告席上的 OpenAI 和微软团队成员，包括 CEO **萨姆·奥特曼** 和法务总监 **张昌**，都使用了厚厚的黑色坐垫，其中最豪华的来自 **Purple** 品牌，售价 120 美元。OpenAI 总裁 **格雷格·布罗克曼** 和妻子安娜则使用了白色枕头，似乎来自 **Coop** 品牌，售价 35 美元一对。甚至还有人在背后垫了一个枕头。 ## 为何如此？ 法庭的硬木长椅对于持续数周的马拉松式庭审来说，显然不够舒适。一位资深科技律师表示，虽然使用坐垫并不常见，但考虑到本案的时长，也并非完全出格。主审法官 **伊冯·冈萨雷斯·罗杰斯** 的法庭里，核心律师们坐的是相对豪华的皮椅，但其他旁听席则条件有限。 ## 庭审之外 这一细节折射出 AI 行业巨头之间诉讼的“人性化”一面。尽管双方在法庭上激烈辩论——微软已披露在 OpenAI 上投入超过 **1000亿美元**——但舒适坐垫成了某种“平等”的象征。毕竟，再激烈的法律攻防，也敌不过屁股坐麻的生理需求。 ## 小结 这场庭审不仅关乎 AI 的未来，也关乎如何让屁股舒服地度过漫长的庭审。或许，下次科技巨头对簿公堂时，坐垫会成为标配装备。
知名生产力软件公司 Notion 正在大步迈入智能体时代。在周三的直播产品发布会上，这家以协作笔记应用闻名的公司推出了全新的开发者平台，旨在扩展其自定义 AI 智能体的能力，连接外部智能体，并让团队能够构建自动化的多步骤工作流，从任何数据库拉取数据。 通过构建一个编排层——一个协调跨多个工具和数据源的 AI 工作的系统——Notion 正在将自己定位为不仅仅是带 AI 功能的笔记工具，而是一个人与智能体可以在工具和数据库之间协作的中心枢纽。 今年 2 月，Notion 首次推出了其 Custom Agents AI 队友，负责处理重复性任务，例如回答常见问题、编译状态更新和自动化工作流。自那以后，Notion 表示客户已构建了超过 **100 万个智能体**。然而，这些智能体存在局限性：它们无法连接外部数据或使用自定义逻辑，公司使用的外部智能体也无法接入 Notion 工作空间。团队不得不通过第三方自动化平台或编写自己的脚本（运行在自己的基础设施上）来解决这些问题。 Notion 联合创始人兼 CEO Ivan Zhao 在直播中坦言：“诚然，从历史上看，Notion 并不是一个以开发者为中心的平台。但情况正在改变。”现在，Notion 允许团队部署自己的自定义代码。借助其新的 **Workers**——Notion 的云端运行自定义代码的环境——客户可以编写逻辑并将其部署到安全的沙箱中（一个隔离环境，防止代码干扰其他系统）。这使得团队能够执行诸如将数据同步到 Notion、构建自定义工具以及通过 webhooks 触发工作等操作，而无需依赖外部基础设施。你甚至不需要自己编写代码：公司指出，你偏好的 AI 编码智能体可以为你代劳。Workers 将使用与 Custom Agents 相同的积分系统，但 Notion 在 8 月之前免费提供，以便开发者进行实验。 同步外部数据源也是 Notion 开发者平台的一部分。由 Workers 驱动的数据库同步功能可以从任何拥有 API 的数据库中拉取数据。这意味着你可以从 Salesforce、HubSpot 或任何其他 SaaS 工具访问数据，并将其与 Notion 中的项目关联起来。Notion 还推出了 **连接器**，用于与 Slack、GitHub 和 Jira 等流行工具集成，以及一个 **Actions API**，允许外部智能体直接在 Notion 中执行操作。 这一举措正值 AI 行业从对话式 AI 转向智能体工作流之际，Notion 的这一步棋颇具战略意义。通过开放平台并支持外部智能体，Notion 正在将自己融入更广泛的 AI 生态系统，而不仅仅是成为一个孤立的工具。
## 核心结论：各有所长，按需选择 在平面设计工具领域，Adobe Express 和 Canva 常被放在一起比较。经过实际测试，两者的定位差异其实相当明显：**Canva 胜在功能广度，Adobe Express 则赢在精致度与生态整合**。 ### Canva：全能型设计平台 如果你需要一站式解决海报、社交媒体图、演示文稿、视频等各类内容创作，Canva 无疑是更灵活的选择。它内置海量模板、素材库和协作功能，上手门槛极低，适合个人创作者、小团队以及非设计岗位的职场人士。 ### Adobe Express：Adobe 生态的轻量入口 而 Adobe Express 更像是一位“精工细作”的选手。它继承了 Adobe 家族一贯的界面美学与操作逻辑，尤其适合已经使用 Photoshop、Illustrator 等专业工具的用户。Express 在细节打磨上更胜一筹——字体渲染、色彩管理、输出质量都体现出专业基因。如果你追求作品的高级感，或者需要与 Adobe 生态无缝衔接，Express 是更稳妥的选择。 ### 如何决策？ 简单来说，**追求功能丰富、快速上手 → 选 Canva；追求品质细节、专业工作流 → 选 Adobe Express**。两者都提供免费版本，建议根据你的实际使用场景（日常快速出图 vs. 品牌级输出）先试用再决定。
## 告别谷歌默认文件管理器，试试这款免费利器 如果你厌倦了谷歌文件管理器的简陋功能，不妨试试 **Material Files**。这款完全免费、无内购的开源应用，凭借简洁设计、强大功能和流畅体验，成为众多 Android 用户的新选择。 ### 核心亮点 - **Material Design 3 设计语言**：界面遵循 Material You 规范，支持动态主题色，与系统界面浑然一体。 - **双面板布局**：平板或横屏模式下，可同时浏览两个目录，文件管理效率翻倍。 - **强大的搜索与过滤**：支持按名称、类型、大小、修改日期等条件搜索和排序，还能用正则表达式精确查找。 - **集成压缩包管理**：无需额外安装，即可直接预览和提取 ZIP、RAR、7z 等常见压缩包。 - **Root 支持**：对高级用户友好，可访问系统文件（需 Root 权限）。 ### 为何比谷歌默认更好？ 谷歌的 Files by Google 虽然集成了存储清理功能，但文件管理本身较为基础：缺少双面板、压缩包预览、正则搜索等专业功能。而 Material Files 专注于“文件管理”这一核心场景，没有广告和无关功能，操作响应极快。 ### 适用人群 - 需要频繁管理文件（如复制、移动、批量操作）的办公用户 - 对文件管理有高级需求（如访问系统目录、正则搜索）的极客 - 追求简洁、无广告体验的普通用户 ### 如何获取？ Material Files 是开源软件，可从 **F-Droid** 或 **GitHub Releases** 免费下载，Google Play 上也有官方版本。无需注册，无内购，开箱即用。 如果你还在忍受谷歌默认文件管理器的种种限制，不妨花几分钟换用 Material Files，或许会发现 Android 文件管理可以如此高效。
埃隆·马斯克旗下的AI公司xAI，在其位于密西西比州的数据中心“Colossus 2”中，正在运行近50台天然气涡轮发电机。由于这些设备被安装在平板拖车上，该州将其归类为“移动式”发电设备，从而规避了为期一年的空气污染法规。然而，美国全国有色人种协进会（NAACP）代表当地居民提起诉讼，指出这些涡轮机未经监管的排放正在恶化本已污染严重的地区空气质量，并于本周请求法院对xAI发出禁令。 争议的焦点在于这些涡轮机的“移动”属性。代表NAACP提起诉讼的南方环境法律中心（Southern Environmental Law Center）认为，根据联邦法律，安装在拖车上的发电厂仍可被视为固定式设施，应受空气污染法规约束。目前，xAI已获得其中15台涡轮机的许可。根据大孟菲斯商会（Greater Memphis Chamber of Commerce）此前发布的新闻稿，截至2025年5月，运行的35台涡轮机中“约一半”将保留在现场。然而，xAI持续加装更多设备，据当地新闻报道，目前运营数量已达46台。 这一事件揭示了AI行业在快速扩张背景下，数据中心能源需求与环境监管之间的矛盾。随着AI算力需求激增，科技巨头纷纷建设大型数据中心，而电力供应往往依赖化石燃料，尤其是在电网基础设施薄弱的地区。xAI的做法并非孤例——此前已有报道指出，其他科技公司如谷歌、微软也曾因数据中心备用发电机排放问题面临质疑。但xAI此次利用“移动设备”标签规避监管的做法，可能开创一个危险的先例，鼓励更多企业效仿，从而加剧局部空气污染。 NAACP和环保组织认为，xAI必须立即停止违规排放，并申请完整的空气许可证。如果法院支持原告，xAI将面临运营调整甚至罚款。这一案件也可能推动监管机构重新审视“移动式”发电设备的定义，堵住漏洞。对于AI行业而言，如何在算力增长与可持续发展之间取得平衡，已成为一个不容回避的课题。
普林斯顿大学，这所拥有380亿美元捐赠基金、部分宿舍甚至没有空调的精英学府，正面临前所未有的学术诚信危机。据校报《每日普林斯顿人》报道，2025年对毕业生的调查显示，**29.9%的学生承认在至少一次作业或考试中作弊**，其中工程科学（BSE）学生的作弊比例高达40.8%，而文科学士（BA）学生为26.4%。**生成式AI成为主要作弊工具**，而学校自1893年起施行的“荣誉准则”制度正承受巨大压力。 该准则要求教授不得监考，学生需在试卷上书写“我以荣誉起誓，未违反考试荣誉准则”，并负有举报他人作弊的义务。然而，随着智能手机和AI普及，加上学生不愿“告密”的文化，这套系统几近失效。有学生反映，在某些经济学和工程学考试中，厕所门口排起长队，暗示作弊行为普遍存在。尽管许多学生对作弊感到不满，但多数人选择视而不见，甚至刻意避免坐在考场后排以规避举报责任。 **荣誉准则的困境**反映了传统学术规范在AI时代的脆弱性。普林斯顿并非孤例，全美高校都在应对类似挑战。一些学校转向AI检测工具，但误报和隐私问题引发争议。更深层的问题在于，当竞争压力与便利技术并存时，单纯依靠道德约束已难以维系诚信体系。普林斯顿的案例为高等教育界敲响警钟：**需要重新审视学术诚信的定义与执行机制**，例如调整考试形式、加强AI伦理教育，或建立更透明的举报渠道。 在这场AI与传统的博弈中，普林斯顿的“荣誉准则”能否进化，将决定其百年声誉能否延续。
百思买（Best Buy）目前正以五折优惠销售去年款 **LG B5 OLED 电视**，77英寸型号仅售 **1,500美元**（原价3,000美元），堪称入手高端画质的绝佳时机。这款电视是LG去年的入门级OLED机型，但保留了OLED标志性的深邃黑场、无限对比度和鲜艳色彩，画质与旗舰系列相差无几，价格却亲民得多。 ## 为何值得入手？ 作为一款OLED电视，**LG B5** 在画质上依然能打：支持 **4K分辨率**、**120Hz刷新率**，并搭载 **α7 Gen6 AI处理器**，能够智能优化画面和音效。虽然它没有采用旗舰款G5的MLA（微透镜阵列）技术，峰值亮度稍低，但在普通客厅环境下，HDR表现依然出色，尤其适合观看电影、玩主机游戏。 对于预算有限但追求画质的用户，B5是性价比极高的选择。相比同价位的Mini-LED电视，OLED的自发光特性带来更纯净的黑位和更自然的色彩过渡。此外，B5还支持 **Dolby Vision**、**Dolby Atmos**，以及 **HDMI 2.1** 接口，完全适配PS5、Xbox Series X等次世代游戏主机。 ## 购买建议与注意事项 - **优惠信息**：仅限77英寸型号，售价1,500美元，节省1,500美元。 - **适用场景**：适合电影爱好者、游戏玩家，以及希望以较低成本体验OLED画质的用户。 - **不足**：亮度不如旗舰型号，在明亮房间中可能稍显逊色；接口配置为2个HDMI 2.1，对于多设备用户可能需额外切换。 总体而言，这次促销是 **“用中端价格买高端体验”** 的典型机会。如果你一直在观望OLED电视，现在正是入手的好时机。
Anthropic产品负责人Cat Wu近日在Code with Claude大会上表示，AI的下一个重大突破在于主动性——未来AI将能在用户意识到需求之前就主动预判并提供帮助。Wu负责Claude Code和Cowork两大产品的策略规划，她强调团队专注于保持技术前沿，而非紧盯竞争对手。她认为，过度关注竞品反而会拖慢执行速度，只有始终站在指数级进步的曲线上，才能真正引领行业。 Anthropic近期势头强劲，据称正以约9500亿美元估值进行新一轮融资，而其主要竞争对手OpenAI在3月时的估值为8540亿美元。一份最新报告显示，自2025年5月以来，Anthropic在企业客户中的市场份额已翻了两番，Claude正在越来越多地取代ChatGPT成为企业首选。 Wu自2024年8月加入Anthropic以来，主导了Claude从纯信息聊天机器人向编码工具等多功能的进化。她与核心工程师Boris Cherny（Claude Code的创建者）紧密合作，被外界称为Anthropic的“蝙蝠侠与罗宾”。 在谈及产品策略时，Wu表示，团队的核心原则是“保持指数级增长”。她认为，如果总想着竞争对手，就会永远落后两周或一个月。Anthropic去年发布了至少6个模型，今年也已接近同等数量。Wu预计这一速度将继续保持，但部署方式可能会有所调整，例如最近推出的“Glasswing”模型就采用了不同的发布策略。她强调，AI智能的提升必须以安全为前提，确保更多人受益。 Wu描绘的未来愿景中，Claude将不再是被动等待指令的工具，而是主动感知用户工作流、提前准备所需信息的智能伙伴。她认为，从“反应式”到“主动式”的转变，将是AI产品体验的下一个范式跃迁。
随着科技巨头争相建设由化石燃料驱动的大型数据中心，AI 的可持续发展似乎遥不可及。然而，在 Hugging Face 从事 AI 可持续性研究的研究员 Sasha Luccioni 看来，来自企业和个人的透明度需求正前所未有地高涨。她曾主导开源 AI 模型能效排行榜，并批评主要 AI 公司刻意隐瞒能耗与可持续信息。如今，她联合前 Salesforce 可持续发展主管 Boris Gamazaychikov 创立了 Sustainable AI Group，旨在帮助企业识别“如何让 AI 代理不那么糟糕”的杠杆。Luccioni 还关注不同 AI 工具（如语音转文本、照片转视频）的能耗差异，这一领域此前研究不足。她接受 WIRED 专访，阐述了可持续 AI 的需求及对大科技公司的期望。 ### 企业为何开始关注 AI 能耗？ Luccioni 指出，企业正面临来自员工和董事会的双重压力。员工会质问：“公司强迫我们使用 Copilot，这如何影响我们的 ESG 目标？”对于大多数公司而言，AI 已成为核心业务的一部分，因此必须量化风险，了解模型在何处运行，而不能继续使用连数据中心位置都不清楚的模型。 ### 透明度是关键 Luccioni 强调，当前最大的障碍是缺乏排放数据。许多 AI 公司拒绝公开模型的能耗和碳排放信息，这使得企业难以评估自身 AI 使用的环境影响。她呼吁大科技公司提供更透明的数据，以便行业能够制定有效的减排策略。 ### 可持续 AI 的未来方向 Sustainable AI Group 将专注于帮助企业回答一个核心问题：“有哪些杠杆可以调整，让 AI 代理的负面影响稍微小一点？”同时，Luccioni 计划深入研究不同类型 AI 工具（如文本生成、图像生成、视频生成）的能耗差异，填补这一领域的研究空白。 尽管特朗普政府正在放松环保法规，且科技巨头仍在加速建设数据中心，但 Luccioni 认为，来自客户端的透明度需求比以往任何时候都更强烈。她相信，通过更好的数据和更清晰的使用场景分析，AI 的可持续发展并非不可能。
美国国土安全部（DHS）与加拿大国防研究与发展部（DRDC）合作，计划于今年秋季在美加边境开展一项名为ACE-CASPER的实验。该实验将部署自主无人机和地面车辆，通过商用5G网络在两国之间传输监控视频和传感器数据，模拟国家紧急响应场景。实验重点并非车辆自主性，而是展示“弹性、持久的5G通信”。这将是近十年来美加首次联合跨境技术试验。 尽管实验以公共安全和应急响应为名，但DHS在文件中使用了大量军事术语，例如要求供应商展示自主车辆收集“实时战场情报”的能力，并将所需空中系统描述为“指挥控制：情报监视侦察”（C2ISR）平台——这一术语源自美国国防部，与“杀伤链”改进相关。DHS通过其科技局（S&T）发布招标，S&T在2025年总统行政令重组后成为国内反无人机技术的核心机构。上周，S&T下属的国家城市安全技术实验室推出了反无人机采购工具，旨在指导华盛顿特区及11个举办FIFA世界杯的州的警务与应急机构。 实验定于11月举行，将测试自主系统在跨境场景下的协同能力。DHS要求参与者提交包括无人机、地面车辆、5G通信设备及指挥控制软件在内的方案，并强调数据安全与互操作性。此次实验可能为未来边境监控技术奠定基础，但也引发了对隐私和军事化边境管控的担忧。
在决定OpenAI未来走向的庭审中，埃隆·马斯克与萨姆·奥特曼展现了截然不同的作证风格。马斯克耗时三天，情绪多次失控，指控奥特曼与微软合谋“窃取慈善机构”，而奥特曼仅用四小时便冷静回应，试图证明马斯克的诉讼实为报复。然而，奥特曼在证词中透露，2023年OpenAI董事会曾短暂罢免其CEO职务，他一度考虑接受微软邀请另起炉灶，并承认自己当时“极度愤怒”——这与马斯克当年因未能出任CEO而威胁自建AI项目的反应如出一辙。这场诉讼的核心在于OpenAI是否背离了非营利使命，而奥特曼必须让陪审团相信，他的回归源于对使命的坚守，而非私利。 ## 庭审交锋：两种叙事 马斯克的律师团队试图通过长达三天的盘问，将OpenAI描绘成一个被奥特曼和微软操控的营利性实体。马斯克本人多次暴怒，坚称自己早期捐赠的3800万美元被用于“窃取慈善机构”。而奥特曼的作证则显得克制而策略性——他迅速稳定情绪，并通过展示证据，强调马斯克的指控充满矛盾。 ## “马斯克式”的愤怒时刻 庭审中最具戏剧性的转折，是奥特曼承认自己在2023年被董事会罢免后，曾认真考虑彻底离开OpenAI，并接受微软的邀请领导一个AI研究部门。他形容自己当时“极度愤怒，感觉被严重误导”，甚至打算“转去从事纯粹的AGI研究”。这一表述与马斯克当年因未能出任CEO而威胁在特斯拉内部启动AI项目的反应高度相似。奥特曼的证词似乎意在暗示：马斯克如今起诉OpenAI，不过是对当年未能掌控公司的耿耿于怀。 ## 使命与利益的博弈 奥特曼需要让陪审团相信，他最终选择回归OpenAI是因为认同其造福人类的使命，而非像马斯克那样因个人得失而放弃。然而，OpenAI从非营利组织转型为“有限营利”实体的过程，始终伴随着争议。马斯克的诉讼正是抓住了这一矛盾：当一家以“开放”和“公益”为名的机构开始追逐利润，其创始人是否还能坚守初心？ ## 行业影响与未来走向 这场庭审的结果可能重塑AI行业的格局。如果马斯克胜诉，OpenAI的非营利身份将可能被强制恢复，其与微软的合作关系也将面临审查。反之，若奥特曼胜诉，则可能为AI公司从非营利向营利转型铺平道路。无论结果如何，这场诉讼已暴露了AI领域一个核心问题：在追求通用人工智能（AGI）的道路上，理想主义与商业利益如何共存？