阵亡将士纪念日即将到来，沃尔玛已经提前对热门科技产品进行了大幅降价。以下是目前最值得关注的几款优惠： - **沃尔玛+会员**：首月仅需1美元（节省12美元） - **三星Odyssey Neo G7 43英寸Mini LED 4K游戏显示器**：售价499美元（节省400美元） - **Ninja Professional Plus搅拌机**：售价79美元（节省16美元） - **TCL 55英寸QM7K Mini LED QLED 4K电视**：售价648美元（节省302美元） 这些优惠涵盖了从家庭娱乐到厨房电器的多种品类，折扣力度相当可观。例如，三星Odyssey Neo G7显示器降价幅度高达44%，而TCL电视也直降302美元。沃尔玛+会员的折扣则让用户能以极低成本体验会员服务。 需要注意的是，这些价格可能随时变动，建议有需求的消费者尽早下单。ZDNET将持续关注更多促销动态，为读者提供最新信息。
在人工智能领域，开源运动正从语言模型向机器人领域蔓延。一个关键信号是，Hugging Face 社区平台 LeRobot 如今已托管超过 **58,000 个数据集**，这些数据集专门用于训练机器人 AI 模型。 ## 从语言到动作：开源社区的跨界 长期以来，机器人 AI 的开发高度依赖闭源系统和企业级资源。但 LeRobot 的快速增长表明，开源社区正在填补这一空白。该平台不仅提供数据集，还包含预训练模型和仿真工具，让研究人员和爱好者能够更轻松地构建机器人智能。 ## 为什么是现在？ 三个因素推动了这一趋势： - **数据民主化**：高质量机器人数据集曾经稀缺且昂贵，现在通过社区贡献大量积累。 - **模型复用**：像 Hugging Face 这样的平台允许开发者微调现有模型，而不是从零开始。 - **协作加速**：开源社区通过共享代码和最佳实践，降低了入门门槛。 ## 这意味着什么？ 对于行业而言，开源机器人 AI 可能带来类似大语言模型领域的变革——更快的创新周期、更低的成本以及更广泛的应用场景。例如，小型团队现在可以基于 LeRobot 数据集训练机械臂完成精细操作，而无需昂贵的实验室环境。 ## 挑战与展望 尽管前景乐观，机器人 AI 开源仍面临挑战：物理世界的复杂性导致仿真与现实差距（sim-to-real gap），且安全性验证比纯软件更困难。但 LeRobot 的数据规模仍在增长，社区活跃度持续上升，这预示着开源机器人 AI 正在从实验走向实用。
经过一个月的庭审，马斯克诉奥特曼案终于尘埃落定。结果出乎意料却又在情理之中：陪审团认定马斯克提起诉讼时已超过诉讼时效，案件被直接驳回。The Verge 资深记者 Liz Lopatto 全程旁听了这场被形容为“动物园”般的审判，她描述了法庭外每日不断的抗议活动，以及两位AI界巨头之间充满个人恩怨的激烈交锋。 ## 诉讼时效成为关键 案件的转折点出现在诉讼时效问题上。Liz 解释道，马斯克声称 OpenAI 从非营利组织向营利实体转型损害了他的利益，但陪审团认为这一主张提出得太晚。根据相关法律，诉讼必须在发现损害后的特定时间内提起，而马斯克的起诉时间已经超出了这一期限。 这一裁决意味着法庭并未深入审理OpenAI转型是否合规、马斯克是否真的遭受损失等实质性问题。从法律角度看，案件在程序层面就被终结了。 ## 一场个人恩怨的公开对决 尽管案件名义上涉及 OpenAI 的治理结构转型和马斯克的经济损失，但 Liz 指出，整个诉讼更像是一场个人恩怨的宣泄。马斯克显然对奥特曼和 OpenAI 的成功感到不满——尤其是这家他当初参与创立的公司如今在他离开后价值飙升。 庭审期间，双方证人的证词充满了相互指责和矛盾。马斯克指责奥特曼背叛了OpenAI最初的非营利使命，而奥特曼则反击称马斯克只是因未能掌控公司而心生嫉妒。整个法庭充斥着不可靠的证人和混乱的叙述，以至于 Liz 问道：“在一群不可信、不可靠的人互相争斗的房间里，还有人剩下什么声誉可以失去吗？” ## 对AI行业的影响 此案的草草收场对AI行业而言，或许是一种解脱。如果法庭深入审理，可能会对OpenAI的转型产生重大影响，甚至为其他AI公司的治理结构树立先例。然而，诉讼时效的裁决避免了这一结果。 尽管如此，这场审判仍然暴露了AI行业核心人物之间深刻的分歧和紧张关系。马斯克和奥特曼作为AI领域的两个标志性人物，他们的公开冲突反映了关于AI发展方向的根本性争论：是追求开放和非营利性，还是拥抱商业化和营利性？ Liz 的报道还提到，法庭外的抗议活动多种多样，从支持AI安全到反对技术垄断，各种声音交织在一起。这反映出AI技术已经不再仅仅是技术问题，而是深刻影响社会的公共议题。 ## 结语 马斯克诉奥特曼案以一场“雷声大雨点小”的方式结束。它没有产生具有约束力的法律先例，也没有彻底解决OpenAI的治理争议。但它提醒我们，在AI这个高速发展的领域，个人恩怨和商业竞争往往与重大技术决策纠缠在一起。正如 Liz 所说，这场审判最终可能只是“小题大做”。
AI 初创公司 Hark 宣布完成 7 亿美元 A 轮融资，投后估值达 60 亿美元。这家由机器人领域连续创业者 Brett Adcock 创立的公司，正致力于打造一个“通用”AI 个人助理系统，涵盖模型与硬件。本轮融资由 Parkway Venture Capital 领投，AMD Ventures、ARK Invest、Intel Capital 等多家机构跟投。Hark 计划于今年夏天发布首批多模态模型，随后推出专用硬件设备。 ## 巨额融资背后的神秘野心 Hark 的创始人 Brett Adcock 此前曾创立机器人公司 Figure.AI 和电动飞行器公司 Archer。他于 2025 年底自掏腰包 1 亿美元启动 Hark，目标是开发一个能作为“数字世界通用界面”的代理型 AI 系统。尽管公司对具体产品细节守口如瓶，但巨额融资和豪华投资者阵容已引发行业高度关注。 Hark 目前拥有 70 名员工，并运营着一个配备 Nvidia B200 GPU 的数据中心。新资金将用于招募硬件、产品设计和 AI 研究领域的顶尖人才，以及获取算力和组件。值得注意的是，前苹果产品高管 Abidur Chowdhury 担任设计总监，他透露投资者对其团队的演示印象深刻，但拒绝透露更多细节。 ## 差异化定位：面向普通用户的 AI 界面 Chowdhury 指出，当前 AI 产品多聚焦于帮助开发者编写代码，例如 Anthropic 和 OpenAI 的优先方向，但真正为普通用户设计的 AI 界面和原生硬件却很少。Hark 的目标正是填补这一空白。他称：“我还没看到真正能帮助普通人的产品……人们都在构建帮助程序员的东西，这确实有效且影响深远，但我们还没看到针对普通人的类似突破。” ## 挑战与未知 尽管愿景宏大，Hark 仍面临诸多挑战。首先是提供用户上下文以构建个性化体验的难题，其次是硬件开发的复杂性和高成本。此外，在 OpenAI、Google 等巨头环伺的 AI 消费市场，Hark 能否凭借“通用界面”概念突围仍是未知数。不过，Chowdhury 表示：“凭借这个专注点、优秀的团队和本轮融资，我们相信能在这个领域做出真正特别的东西。” ## 小结 Hark 的 7 亿美元 A 轮融资再次印证了 AI 领域的资本狂热，但其神秘的产品路线和尚未公开的 demo 也让市场充满疑问。如果 Hark 能成功打造出面向普通用户的通用 AI 界面，它可能成为 AI 消费级应用的转折点；否则，巨额融资也可能只是昙花一现。行业将密切关注其今年夏季的多模态模型发布。
一款名为 **The Path** 的新AI心理治疗应用近日获得1430万美元种子轮融资，由Prime Movers Lab领投，知名励志作家托尼·罗宾斯（Tony Robbins）作为联合创始人加入。该应用声称其AI模型在心理健康安全基准测试Vera-MH中获得了95分，远超消费者聊天机器人最高65分的成绩。 The Path的诞生源于其前身——男性心理健康应用Mental中的一个功能：AI互动音频。用户对这一功能的强烈反响让创始人意识到，AI在心理治疗领域具有巨大潜力。联合创始人兼CEO安森·惠特默（Anson Whitmer）曾任职于冥想应用Calm，他的个人经历也驱动着这一事业：19岁时，一位挚爱的叔叔自杀身亡；大学期间，一位表兄在遗言中留下求助电话，却为时已晚。这些悲剧促使他攻读心理学博士学位，并最终投身于将科学成果普及大众的工作。 惠特默认为，传统心理治疗和辅导无法覆盖所有人——世界上没有足够的治疗师。而大语言模型（LLM）和AI技术有望弥合这一鸿沟，为每个人提供个性化的心理支持。托尼·罗宾斯的加入进一步强化了The Path的定位：一款结合治疗与教练功能的App，并融入罗宾斯广受欢迎的自我提升方法。 在安全方面，The Path强调其模型在Vera-MH基准测试中表现优异。Vera-MH是专门评估AI心理健康应用安全性的测试，涵盖危机响应、有害内容过滤等指标。相比之下，通用型消费者聊天机器人在该测试中得分较低，凸显了专业领域AI安全的重要性。 The Path的投资者阵容还包括速滑选手阿波罗·奥诺（Apolo Anton Ohno）、拳击手德昂泰·维尔德（Deontay Wilder）等。目前，该应用尚未正式上线，但已引发行业关注。在AI心理治疗领域，安全性与有效性始终是核心挑战，The Path试图通过专业数据训练和专家参与来建立信任。 随着AI在心理健康领域的渗透加速，如何在提供便利的同时确保用户安全，将成为所有从业者必须回答的问题。The Path的尝试或许会为行业树立新的标杆。
在最近的Google I/O开发者大会上，谷歌展示了多项AI代理产品，意图构建一个围绕AI代理的生态系统。然而，这些产品数量繁多、定位模糊，可能让普通消费者感到困惑。本文梳理了谷歌推出的主要AI代理功能，包括信息代理、Spark、Android Halo和Daily Brief等，并分析了其背后的战略意图与潜在挑战。
随着全球铝价因中东局势上涨约20%，美国回收初创公司正借助人工智能技术提升关键矿物（尤其是铝）的回收率，试图从废料中挖掘巨大价值。 ## 铝价上涨背后的机遇 自2月底特朗普政府针对伊朗的冲突升级以来，铝价已飙升至数十年高位。全球约10%的铝产自海湾地区，地缘政治动荡直接推高了金属价格。美国早已将铝列为关键矿物，但国内需求大量依赖进口，而本土生产的铝大部分来自回收。对于回收行业初创公司而言，这无疑是黄金时代。 ## AI如何改变废品分拣 **Amp Robotics** 是一家专注于垃圾分拣的初创公司，其CTO Matanya Horowitz向TechCrunch透露：“铝可能只占垃圾流量的1%，但每吨售价常超过1000美元，实际上是最有价值的单品之一。”Amp利用AI驱动的分拣系统，通过可见光和红外摄像头识别包装纸、铝箔等各类材料，并借助机械臂和气嘴将铝从塑料中精确分离。该公司声称其系统对特定材料（包括铝）的回收准确率超过90%。 **Sortera** 则更专注于金属回收。这家总部位于印第安纳州的初创公司最近在田纳西州开设了第二家工厂，处理能力翻倍至2.4亿磅，其中90%至100%为铝。该产量相当于美国去年消耗的430万公吨中相当可观的一部分。Sortera采用激光、摄像头和X射线荧光等多种传感器，将数据输入AI算法，对薯片大小的铝废料进行分类，识别具体牌号。通过高精度分离，每磅铝能获得更高利润。 ## 未被充分利用的“城市矿山” 美国环保署数据显示，尽管铝是回收率最高的材料之一，但全国仅约20%的铝被回收。Horowitz指出：“在大都市区，即使有成功的回收项目，一半的铝仍直接进入垃圾填埋场，根本未进入回收系统。”这意味着巨大的资源浪费——同时也是初创公司的商业机会。 ## 行业影响与展望 随着AI技术不断成熟，回收初创公司有望大幅提升回收率，减少对进口原铝的依赖。Amp和Sortera等企业的成功实践表明，AI不仅能提高分拣精度，还能通过优化材料等级实现更高经济收益。对于金属行业而言，这类“城市矿山”正成为越来越重要的供应来源。
本月早些时候，SpaceX 与 Anthropic 宣布了一项新的计算合作伙伴关系，允许 Anthropic 使用 SpaceX 位于田纳西州孟菲斯的 Colossus 数据中心。随着 SpaceX 首次公开募股文件的披露，这笔交易的更多细节浮出水面，包括 Anthropic 向马斯克公司支付的惊人费用。 ### 巨额合同细节曝光 根据 SpaceX 提交的 S-1 文件，Anthropic 同意 **每月支付 12.5 亿美元**，直至 2029 年 5 月，以获得 SpaceX 的 Colossus I 和 Colossus II AI 训练中心的使用权。这意味着 **每年 150 亿美元** 的支出，几乎相当于 SpaceX 2025 年全年 187 亿美元收入的两倍。合同包含一项条款，允许任何一方在 **90 天内** 终止协议，且 Anthropic 的费用在 5 月和 6 月的容量提升期间会有所减免。 ### 行业背景与竞争格局 这一退出条款反映了 AI 行业快速变化的特性。值得注意的是，Anthropic 的 Claude 模型与马斯克旗下 xAI 的 Grok 存在直接竞争关系。这笔交易凸显了 AI 公司对算力的极度渴求——尤其是在全美数据中心建设遭遇地方反对的背景下。马斯克在 X 上表示，SpaceX 愿意为其他 AI 公司提供类似服务，称其“正在大规模提供 AI 计算即服务”。 ### SpaceX 的 AI 转型 自今年早些时候 SpaceX 与马斯克的 xAI 合并后，该公司在 AI 领域投入巨大。文件显示，SpaceX 2025 年 AI 资本支出达 **127 亿美元**，占总资本支出的 61%；2026 年第一季度 AI 支出为 77 亿美元，而太空部门仅 10 亿美元。然而，其 AI 部门在 2025 年亏损了 63 亿美元。 ### 算力军备竞赛的缩影 这笔交易是 AI 行业算力军备竞赛的最新例证。随着大模型训练需求激增，头部公司不惜重金锁定计算资源。对于 Anthropic 而言，每年 150 亿美元的投入虽然高昂，但可能是维持竞争力的必要代价。而对 SpaceX，这不仅是收入来源，更是其从航天公司向 AI 基础设施提供商转型的关键一步。
一家名为 **Bolt** 的初创公司正试图在图形处理器（GPU）领域挑战行业巨头英伟达。与主流追求通用计算性能不同，Bolt 的策略是**专注于高精度数学运算**，希望在特定领域建立技术优势。 ## 差异化竞争：高精度计算 Bolt 的核心思路是，在 AI 推理、科学计算和高端图形渲染等场景中，**双精度（FP64）甚至更高精度的浮点运算**仍然至关重要。英伟达近年来的产品，如消费级 GeForce 和专业级 A100/H100，虽然单精度和半精度性能强悍，但双精度性能相对较弱。Bolt 则计划通过专门的硬件设计，大幅提升高精度运算效率，从而在需要高保真度模拟的领域（如气候建模、药物发现、电影级渲染）抢占市场。 ## 产品路线与市场定位 据透露，Bolt 正在开发代号为 **Zeus** 的 GPU 架构，其双精度浮点性能预计是同等功耗英伟达产品的数倍。该公司还计划支持 **原生光线追踪** 与 **实时路径追踪**，并针对行业标准库（如 CUDA 和 OpenCL）提供兼容层，以降低开发者迁移门槛。 不过，Bolt 并非要全面取代英伟达。其目标市场更偏向**专业图形工作站**、**高性能计算（HPC）集群**以及需要极高计算精度的 **AI 训练** 场景。对于普通游戏玩家或消费级用户，Bolt 的产品可能短期内不会直接竞争。 ## 面临的挑战 英伟达在 GPU 领域拥有深厚的生态系统积累：CUDA 生态、广泛开发者社区、以及从数据中心到边缘设备的全栈布局。Bolt 要挑战这一地位，不仅需要硬件性能上的突破，更需解决**软件兼容性**和**开发者信任**问题。此外，制造先进制程芯片的高昂成本，以及台积电等代工厂的产能分配，也都是不容忽视的障碍。 ## 行业意义 Bolt 的出现反映了 GPU 市场的一个新趋势：**差异化细分**。随着 AI 和高性能计算需求日益多样化，单一架构难以满足所有场景。英伟达虽占据统治地位，但像 Bolt 这样的初创公司若能找准利基市场，仍有机会在特定领域分得一杯羹。 ## 小结 Bolt 以高精度计算为切入点，试图在英伟达的强势领域打开缺口。尽管前路挑战重重，但其专注细分市场的策略为行业带来了新的想象空间。未来几年，GPU 领域的竞争可能会更加多元。
昨天，我在一个下午内构建了三款 Android 应用，其中一款仅凭 148 个词的描述，10 分钟后就出现在我的手机上。Google AI Studio 兑现了“从提示到手机”的承诺，但实际体验如何？ ## 从零到应用：只需几句话 作为《The Verge》的资深编辑，我并非程序员，但 Google AI Studio 的“Vibe Coding”功能让一切变得简单。我只需在浏览器中输入文字描述，比如“做一个叫 MOOD 的 Doom 风格文字冒险游戏”，AI 就会自动生成代码，甚至帮我补充细节。开启手机的 USB 调试模式并连接电脑后，点击安装，应用就真的跑起来了。 我做了三款应用：一个卡路里计数器、两款小游戏。虽然它们功能简陋、界面粗糙，但确实可以运行。比如卡路里计数器能记录食物，游戏也能玩上几分钟。不过，当我想继续优化时，AI Studio 提示我达到了每日使用限额——需要付费或等待。 ## 能力与局限并存 Google 展示的 demo 令人印象深刻，但实际生成的 app 离“好用”还有距离。我的同事 Stevie Bonifield 用同样方法做了一个个人健身追踪器，她觉得“足够好用”并真的用了起来。这说明对于简单、个性化的需求，AI 编码已具备实用价值。 然而，当应用需要复杂逻辑、精致 UI 或持续迭代时，AI 的瓶颈就显现了。我的游戏体验不佳，文字冒险缺乏深度，卡路里计数器的数据也不够准确。更关键的是，每日限额限制了尝试和打磨。 ## 个人软件革命的曙光 尽管有诸多不完美，这次体验仍让我感到震撼。Google AI Studio 降低了应用开发的门槛，让非技术人员也能快速实现想法。这或许预示着“个人软件革命”的到来——普通人可以为自己定制工具，解决生活中的小问题。 目前，AI 编码更适合 MVP（最小可行产品）或一次性工具。对于追求品质的正式应用，仍需专业开发者介入。但 Google 展示了未来方向：当 AI 能理解更复杂的需求、提供更长的免费额度时，编程可能不再是少数人的技能。 ## 小结 Google AI Studio 的“Vibe Coding”功能是一次大胆尝试，它证明了 AI 生成代码的潜力，也揭示了当前的局限性。如果你有简单的想法想快速实现，不妨一试；但若追求完美，可能还需等待技术成熟。
家庭电池是一项重大投资，但价格并不总是最大的障碍。在与数十位屋主深入交流后，ZDNET 发现，从想法到购买的路径充满犹豫和不确定性，而真正阻碍决策的往往是顺序、时机和价值的综合考量。 ## 价格之外：真正的顾虑是什么？ 对于许多家庭来说，购买电池的念头往往源于一次令人沮丧的经历——长时间停电、高昂的电费账单，或是新装了太阳能板。然而，**从“想”到“买”之间，存在巨大的决策鸿沟**。屋主们担心做出错误选择，害怕电池无法融入他们未来的家居升级计划。 ## 先有鸡还是先有蛋？升级顺序成最大谜题 肯塔基州的屋主 Jessica 道出了许多人的心声：“我对备用电源感兴趣，但我不清楚正确的操作顺序。我可能过段时间要换屋顶，可能想装太阳能，未来还可能买电动车。我不知道该先做哪一样，或者哪些可以一起做。” 这种“先有鸡还是先有蛋”的困境非常普遍。EcoFlow 业务发展经理 Braulio Escobar 指出，**没有绝对正确的顺序，但有更聪明的规划方法**。他建议屋主从最终目标倒推：先描绘出未来 5 到 10 年想要的家庭能源全貌，然后反向规划每一步。例如，如果你最终目标是太阳能+电池+电动车，那么安装电池时就应该预留太阳能接入和电动车充电的接口。 ## 投资回报的多维视角 除了顺序问题，屋主们还关心电池能否提升房产价值。即使有搬家计划，**安装电池也能成为房屋的卖点**，尤其在停电频发地区。此外，停电频率和家庭用电量是决定电池是否值得的关键因素。对于偶尔短时停电的家庭，小型便携式电源站可能就已足够；而对于频繁遭遇长时间停电的地区，**全屋备份系统才真正物有所值**。 ## 小结 家庭电池的决策远不止比较价格标签。它涉及**家居升级的时序规划、长期能源愿景的匹配，以及停电风险与用电习惯的精准评估**。在做出决定前，花时间梳理自己的未来计划，并咨询专业顾问，可能比单纯关注价格更能避免后悔。
Fitbit 最新智能手环 **Fitbit Air** 已正式开启预购，预计下周正式发售。如果你正考虑入手这款新品，现在正是锁定优惠的好时机。多家零售商和运营商都推出了预购福利，包括免费配件、折扣套装以及以旧换新补贴等。 ## 主要预购渠道与优惠 - **亚马逊**：预购 Fitbit Air 即可获赠价值 **$29.99** 的备用充电线，并享受 **9 折** 优惠。 - **百思买**：提供 **Fitbit Air + 额外表带套装**，原价 $159.98，预购价仅 **$139.99**，节省约 $20。 - **Fitbit 官网**：直接预购可免费获得 **运动表带**（价值 $34.95），并可选择 **3 个月 Fitbit Premium** 试用。 - **沃尔玛**：预购用户可享受 **以旧换新** 服务，旧设备最高可抵 **$50**，同时赠送 **屏幕保护膜**。 - **AT&T 与 Verizon**：运营商渠道提供 **24 个月分期付款**，月付低至 **$5.41**，并附赠 **Fitbit Pay 快速支付功能** 激活奖励。 ## 值得关注的细节 Fitbit Air 主打 **全天候健康追踪** 与 **14 天超长续航**，支持心率监测、睡眠分析、血氧饱和度检测以及 40+ 运动模式。预购用户普遍反馈，免费配件和折扣套装让整体性价比提升明显。需要注意的是，部分优惠为 **限时活动**，可能持续至发售日或售完即止。 ## 小结 如果你已经决定升级手环，**Fitbit 官网** 的免费表带和 Premium 试用适合注重长期体验的用户；**百思买** 的套装则适合需要多色表带搭配的消费者；而 **运营商渠道** 的分期方案降低了入手门槛。建议根据自身需求选择渠道，并留意各平台的具体条款。
准备出行了吗？趁着夏季旅行高峰来临前，入手这些精巧的小工具吧——其中一些还在阵亡将士纪念日促销中。 ## 为什么这些小工具值得带？ 无论你是商务出差还是休闲度假，总有几样科技配件能让旅途更顺畅。ZDNET 编辑团队根据长期测试、研究和比价，精选出以下旅行必备品，部分产品还有限时优惠。 ### 1. Smartish Crown Joule USB-C to USB-C + Lightning 数据线 **价格**：18 美元（优惠 2 美元） 这款二合一数据线同时支持 USB-C 和 Lightning 接口，无需再为不同设备携带多根线。编织材质耐用，适合塞进背包口袋。 ### 2. AirFly SE 蓝牙音频适配器 **价格**：35 美元 想在飞机上使用自己的无线耳机？AirFly SE 可插入飞机娱乐系统的音频插孔，将蓝牙信号传输给耳机，告别有线耳机的束缚。 ### 3. SanDisk ExtremeFit USB 闪存盘 **价格**：28 美元（优惠 7 美元） 小巧紧凑的设计，适合挂在钥匙链上。提供高速传输，方便在旅途中备份照片或文件。 ### 4. Satechi 护照夹（支持 FindMy） **价格**：60 美元 内置 Apple Find My 功能，可通过 iPhone 追踪护照夹位置，防止重要证件丢失。 ### 5. Torras Slim MiniMag 无线充电器 **价格**：40 美元（优惠 13 美元） 轻薄设计，支持 MagSafe 磁吸充电，可为 iPhone 或 AirPods 快速补电。 ## 选购建议 ZDNET 提醒：购买前务必确认设备兼容性，例如 AirFly SE 仅适用于标准 3.5mm 音频接口。促销价格可能随时变动，建议尽快下单。 这些经过验证的小工具，能让你的旅行更省心、更高效。
父亲节将至，还在为送什么礼物发愁吗？我们精选了5款经过实测的实用科技小物，从钱包追踪器到迷你多功能工具，每一件都能让老爸在日常中感受到你的用心。 ## 1. Rolling Square AirCard Pro 双蓝牙钱包追踪器 — $40 这款追踪器可轻松放入钱包或背包，通过蓝牙与手机连接，帮你快速定位丢失物品。双蓝牙设计覆盖范围更广，续航持久，是粗心老爸的必备神器。 ## 2. NexTool 迷你多功能工具 9合1 — $22 小巧便携却功能强大，集成了螺丝刀、开瓶器、剪刀等9种常用工具。无论是修理小物件还是户外应急，都能派上用场。 ## 3. ESR for MagSafe 卡包支架 — $20 专为iPhone用户设计，磁吸式卡包可收纳证件或卡片，同时变身手机支架，方便观影或视频通话。简约实用，不增加负担。 ## 4. HiRise 2 Deluxe 无线充电器 — $80 优雅的立式设计，支持快速无线充电，手机放上即充，还可同时为耳机或手表充电。告别凌乱线缆，让桌面更整洁。 ## 5. Aura 数码相框 — 起价$149 通过WiFi同步手机照片，自动轮播家庭回忆。支持多人共享，让远方的亲人也能随时上传照片。高清屏幕还原真实色彩，是传递亲情的温暖礼物。 以上产品均来自ZDNET团队实测推荐，价格截至发布日。购买前请确认兼容性与最新价格。祝父亲节快乐！
Meta 近期正式启动了新一轮裁员，据 Business Insider 获得的内部邮件显示，约 8000 名员工被通知离职，占公司总员工数的约 10%。这一决定被明确解释为“持续提高运营效率，以抵消我们在其他领域的投资”，尤其是 AI 基础设施方面的巨大投入。 ### 裁员规模与背景 早在 2026 年 3 月，就有消息称 Meta 计划裁员高达 20%。但最终落地规模约为 8000 人，低于最初预期。与此同时，Meta 还在进行内部岗位调整：超过 7000 名员工被调往新的 AI 项目，另有 6000 个空缺职位被直接关闭。这表明 Meta 并非单纯削减成本，而是在重新配置人力资源，将重心转向 AI 战略。 ### AI 投资的代价 此次裁员的直接导火索是 Meta 在 2026 年 1 月公布的资本支出预测：全年预计投入 **1150 亿至 1350 亿美元**，用于“支持 Meta 超级智能实验室（Meta Superintelligence Labs）的核心业务”。这一数字几乎是 2025 年实际支出（722 亿美元）的两倍。如此庞大的 AI 投资计划，迫使 Meta 必须从其他部门“挤出”资金和人力。 ### 行业连锁反应 Meta 并非孤例。自 2024 年以来，硅谷科技巨头纷纷在 AI 领域展开军备竞赛，同时不断裁员以优化成本结构。Google、Microsoft、Amazon 等公司均有过类似举措。这种“一边大规模投资 AI，一边裁减非核心岗位”的模式，正在成为科技行业的新常态。 ### 员工与外界反应 被裁员工在 LinkedIn 上发布动态，展示工牌并确认裁员正在进行。一位前员工提到自己与“8000 名 Meta 伙伴”一同被解雇。Meta 在邮件中感谢了员工的贡献，但外界普遍认为，这种“感谢”难以掩盖裁员带来的冲击。 ### 小结 Meta 的本次裁员不仅是财务调整，更是战略转型的缩影。在 AI 竞赛中，公司选择将资源集中于最前沿的领域，而牺牲了部分现有岗位。对于科技从业者而言，这传递了一个清晰信号：AI 能力正成为公司核心竞争力的关键，而传统岗位的稳定性正在下降。未来，类似的结构性调整可能还会在其他公司上演。
## 研究背景 在生成式AI领域，**掩码扩散模型（Masked Diffusion Models, MDMs）** 正逐渐成为离散序列建模的重要工具，尤其在蛋白质序列设计、游戏状态生成等任务中表现突出。然而，这类模型的一个关键短板是：它们能给出每个变量的边际条件分布，却无法显式表达变量之间的依赖关系——比如蛋白质序列中哪些位点会相互影响，或者数独谜题中哪些格子存在约束。 这种“知其然不知其所以然”的限制，不仅让模型的可解释性大打折扣，也直接影响了生成效率。传统的顺序解码方式每次只生成一个变量，无法利用变量间的条件独立性进行并行加速。 ## 核心方法 来自研究团队（Jai Sharma, Yifan Wang, Bryan Li）提出了一种**神经框架**，能够直接从预训练MDM的隐藏状态中估计成对条件互信息（Mutual Information, MI）。关键创新在于：他们利用模型自身条件分布计算出的**真实互信息**作为监督信号，训练一个轻量级神经网络来预测完整的MI矩阵。 这个估计器只需一次前向传播，就能输出所有变量对之间的依赖强度，相当于给模型装上了一面“透视镜”，让它看清内部变量关系的全貌。 ## 实验验证 研究在**数独（Sudoku）** 和**蛋白质序列生成（ESM-C模型）** 两个任务上进行了评估。 - **数独任务**：MI地图准确恢复了数独规则中的行列约束，例如同一行/列/宫内的格子间互信息显著高于无关格子。 - **蛋白质任务**：MI地图揭示了蛋白质结构中的接触残基对，与已知的物理约束高度一致。 更关键的是，基于MI估计的**并行解码策略**，将推理时的前向传播次数减少了 **3-5倍**，同时生成质量与顺序解码相当，并优于基于熵的并行化方法。 ## 行业意义 这项研究为离散序列模型的**可解释性**和**推理加速**提供了新思路。在蛋白质设计等计算密集型场景中，3-5倍的加速意味着原本需要数天的计算可能缩短到一天以内。此外，MI估计框架不依赖外部知识，完全从模型内部学习，因此可以泛化到各种MDM架构。 ## 局限与展望 目前方法聚焦于成对互信息，尚未扩展到高阶依赖。未来工作可能包括： - 将MI估计整合到训练阶段，实现端到端优化 - 探索更复杂的变量分组策略，进一步提升并行度 该论文已提交至**ICML 2026**，代码和模型预计后续开源。
药物推荐是临床AI的核心难题之一。电子健康记录（EHR）中的患者轨迹往往冗长、充满噪声且临床异质性高，现有方法要么擅长跨就诊时序建模，要么擅长整合药理知识（如药物相互作用DDI），但鲜有两者兼顾且能稳健抑制噪声的解决方案。近日，来自日本的研究团队提出了 **GraphDiffMed**，一个知识约束下的药物推荐框架，核心创新在于引入了**双尺度差分注意力机制**，在就诊内和就诊间两个层面过滤虚假信号，同时将药理约束融入学习过程。 ## 技术亮点：差分注意力 + 药理先验 GraphDiffMed 基于 **Differential Attention v2** 构建。传统注意力机制容易在长序列中放大噪声，而差分注意力通过计算两个注意力分布的差异，有效识别并抑制与临床决策无关的干扰信息。具体而言，模型分别在单个就诊内的用药组合（intra-visit）和跨就诊的长期历史（inter-visit）上应用差分注意力，从而在时间维度和用药组合维度上实现双重降噪。 与此同时，模型引入了**药理图先验**，将药物-药物相互作用（DDI）等知识以图结构的形式嵌入到推荐过程中。这种做法不同于以往仅在损失函数中惩罚DDI的“事后修正”策略，而是让药理知识直接参与特征学习，使得推荐结果在疗效和安全性之间取得更优平衡。 ## 实验表现：安全性与有效性双提升 研究团队在 **MIMIC-III** 数据集上进行了全面评估。实验结果显示，GraphDiffMed 在推荐质量（如Jaccard相似度、F1分数）和排序指标（如NDCG）上均显著优于多个强基线模型，包括基于RNN、Transformer以及结合图神经网络的方法。特别值得注意的是，在DDI率这一安全指标上，GraphDiffMed 实现了更低的药物冲突概率，表明其能够在保持高疗效的同时降低不良反应风险。 消融实验进一步揭示了关键发现：**仅使用人口统计学辅助特征时，模型性能达到最佳**。这意味着GraphDiffMed 能够从最简单的输入中提取足够有效的信号，而无需依赖复杂的临床特征工程，降低了实际部署的门槛。 ## 行业启示与开源贡献 当前，临床AI系统面临的最大挑战之一是“噪声-知识”两难：时序模型容易受数据噪声干扰，而知识驱动模型又缺乏对动态变化捕捉能力。GraphDiffMed 提供了一条可行的融合路径——通过差分注意力机制从数据中自动过滤噪声，再通过药理图先验注入领域知识，两者协同工作。 该工作已在 arXiv 上公开，代码也已开源（见论文链接），为后续研究提供了可复现的基准。未来，这一框架有望扩展到更广泛的临床决策支持场景，例如合并症患者的治疗方案优化，或结合基因组学数据的个性化用药。 对于关注医疗AI落地的从业者而言，GraphDiffMed 的思路值得借鉴：与其追求更复杂的模型，不如在注意力机制上做减法，在知识融合上做加法。
## 概览 Prior-Data Fitted Networks（PFN）在表格数据任务中表现出色，但传统 PFN 仅支持单任务推理——要预测多个目标变量，必须重复执行前向传播，且无法在任务间共享信息。近期，来自麦吉尔大学的研究团队提出了 **TabPFN-MT**，这是一种**原生支持多任务的上下文学习器**，通过扩展的多目标合成先验训练，能在一次前向传播中同时预测多个目标，大幅提升计算效率。 ## 核心创新 TabPFN-MT 的架构改进集中在两个关键点： - **扩展的 y 编码器（expanded y-encoder）**：将每个样本的多个目标值编码为统一表示，使模型能同时处理多个标签。 - **共享解码器头（shared decoder head）**：所有任务共享同一个解码器，从而在上下文学习中捕获任务间的依赖关系。 这种设计使得模型在推理时，对于 T 个任务的计算复杂度从传统的 **O(T) 降至 O(1)**，即无论有多少个目标变量，都只需一次前向传播即可完成所有预测。 ## 性能表现 在**344 个数据集**上的广泛评估显示，TabPFN-MT 在中小规模数据集（平均样本数少于 1000）上取得了**深度表格多任务学习的新最优结果**。具体而言： - 在多任务数据集上，其**准确率平均排名为 4.89**，是所有测试模型中的最高平均排名。 - 即使与最新的单任务集成模型相比，TabPFN-MT 依然极具竞争力，尽管多任务联合优化存在固有的计算不对称性。 ## 行业意义 表格数据是金融、医疗、工业等领域最常见的结构化数据形式。传统多任务学习通常需要为每个任务单独训练模型或进行多次推理，成本高昂。TabPFN-MT 通过**上下文学习**替代梯度训练，特别适合样本量有限但任务繁多的场景（如小样本医疗诊断、多目标金融预测）。其 **O(1) 推理成本** 使得在边缘设备或实时系统上部署多任务模型成为可能。 ## 局限与展望 当前模型主要面向中小规模数据集（<1000 样本），在大规模数据上的表现尚待验证。此外，多任务间的负迁移问题——即某些任务相互干扰导致性能下降——在 TabPFN-MT 中如何被缓解，论文未给出深入分析。未来工作可能包括扩展至更大数据集，以及探索更灵活的任务编码方式。 总体而言，TabPFN-MT 为表格多任务学习提供了一个高效、即用的新范式，其 **“一次推理，多任务完成”** 的特性有望在工业界快速落地。
扩散模型在图像、分子等生成任务中表现惊艳，但其训练过程如何在高维数据中高效学习得分函数（score function），从而避开维度灾难，一直是未解之谜。近日，一篇发表于 arXiv 的论文《Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine》给出了理论解释，并提出了一种新的潜在扩散模型架构 **SiLD**（Score-induced Latent Diffusion）。 ## 核心发现：得分函数的几何驱动 研究团队发现，扩散模型训练中存在一种由得分函数几何性质驱动的“坍塌与精炼”机制： - **小噪声阶段**：得分函数在数据流形附近出现发散奇点，迫使去噪映射发生**维度坍塌**，将高维噪声快速投影到低维数据流形上。 - **中等噪声阶段**：训练进一步**精炼**流形上的内在密度分布，完成对数据分布的精确建模。 这一发现从理论上解释了扩散模型为何能通过简单的去噪得分匹配目标，同时完成“流形学习”和“密度估计”两个任务，而无需像 VAE 那样依赖启发式的 KL 正则化。 ## 新框架 SiLD：理论驱动实践 基于上述原理，作者提出了 **SiLD**（Score-induced Latent Diffusion），一个两阶段框架： 1. **坍塌阶段**：利用小噪声下得分函数的奇异行为，自动学习低维潜在表示。 2. **精炼阶段**：在潜在空间上进行标准的扩散生成。 与 VAE 基潜在扩散模型（LDM）不同，SiLD 不需要显式的编码器-解码器训练，而是直接从去噪得分匹配目标中涌现出流形结构。理论证明，其**样本复杂度仅取决于数据的内在维度**，而非环境维度，从而绕过了维度灾难。 ## 实验验证：性能与理论一致 在 **Stacked MNIST**、**CelebA 变体** 和分子生成基准上的实验表明： - SiLD 在生成质量上匹配甚至超越 VAE 基 LDM（如 FID 分数）。 - 在重建任务上（如图像编码后还原），SiLD 持续优于 VAE 基方法，验证了其更准确的流形学习能力。 ## 意义与展望 该工作首次为“扩散模型为何能高效学习低维流形”提供了严格的理论证明，并给出了一个无需额外正则化的实用框架。这不仅加深了对扩散模型内部机制的理解，也为未来设计更高效的生成模型指明了方向——利用得分函数的几何结构，而非依赖复杂的架构设计。 对于 AI 社区而言，这一成果可能推动扩散模型在科学计算、3D 生成、药物设计等对维度敏感领域的更广泛应用。
arXiv:2605.20246v1 Announce Type: new Abstract: Recently, vision-language model (VLM) agents have shown promising progress in open-world tasks, where successful task completion often requires multiple turns of visual perception and action execution. However, existing methods still rely primarily on Supervised Fine-Tuning (SFT) with expert demonstrations, while the advanced reinforcement learning (RL) algorithm, specifically Group Relative Policy Optimization (GRPO), has not been effectively empl