近年来，神经算子（Neural Operator）在求解偏微分方程（PDE）和科学计算领域展现出巨大潜力，但传统模型如DeepONet依赖深度网络隐式学习基函数，其内部机理难以解释，且在数据有限时泛化能力受限。针对这一痛点，一项新研究提出了**PIKFNO（Physics Informed Kernel Function Neural Operator）**，将物理信息核函数显式嵌入神经算子架构，在保持高精度的同时显著提升可解释性。该论文已发表于arXiv（编号：2608.14619），由Yuan Guo、Hanshu Chen和Zhuojia Fu等人完成。 ## 核心创新：从隐式学习到物理约束 传统神经算子（如DeepONet）通过深度网络隐式学习基函数，而PIKFNO则从控制方程出发，推导出**物理信息核函数**，并将其作为主干网络的约束条件。这使得算子结构与无网格配点法（meshless collocation）中的核扩展形式对齐，从而在架构层面注入物理先验。 研究提出了两种构建策略： - **数据驱动核学习**：直接从数据中学习核函数，所得核可视为非奇异基本解（nonsingular fundamental solution）； - **解析变换构建**：通过解析基本解的变换来构建核函数，确保物理一致性。 ## 实验表现：小数据下的高精度与强泛化 数值实验表明，PIKFNO在多种PDE问题上取得了高预测精度，同时大幅提升了模型的可解释性。更值得关注的是，在**有限训练数据**条件下，PIKFNO展现出优于传统神经算子的泛化能力。这意味着在实际工程中，当数据获取成本高昂时，PIKFNO可能成为更可靠的选择。 ## 行业意义与未来展望 PIKFNO的提出为科学计算领域提供了新的思路：将物理规律显式嵌入模型，而非完全依赖数据驱动。这种方法不仅有助于提升模型在物理一致性和外推能力上的表现，也为构建**高效、物理一致且可解释**的神经算子开辟了新路径。未来，该框架有望在流体力学、材料科学、气候模拟等复杂系统建模中发挥重要作用。 不过，论文目前仍处于预印本阶段，尚未经过同行评审，其实际应用效果还需进一步验证。但无论如何，PIKFNO代表了神经算子研究从“黑箱”走向“白箱”的一种积极探索，值得AI与科学计算交叉领域的研究者关注。
强化学习（RL）在自主系统和自适应性系统中应用广泛，但深度RL策略依赖神经网络，其决策过程缺乏透明度，难以理解，这可能导致用户信任度下降，并增加系统验证难度。为解决这一问题，一篇新论文提出了**EARL（Explanations using Alternative Realities for Reinforcement Learning）**，这是一个Python库，用于在RL环境中生成反事实解释。 ## 什么是反事实解释？ 反事实解释通过探索“如果……会怎样”的场景，比较不同可能结果，来阐明智能体的行为。心理学研究表明，这种解释方式直观且用户友好，但在RL领域，相关研究近期才起步，且现有实现多局限于玩具示例和基准测试。EARL则支持在现实RL自适应性系统中生成反事实解释。 ## EARL的实际应用 为了展示其适用性，研究者们在**CitiBikes**模拟环境中进行了演示，这是一个自适应性共享单车系统。他们还提供了在真实应用中的性能评估。论文已被**第20届哥伦比亚计算大会**接收，共13页，含2张图和3张表格。 ## 为何重要？ 随着RL在自动驾驶、智能推荐、资源调度等领域的部署，可解释性成为关键。EARL提供了一种实用工具，帮助开发者、用户和监管者理解RL决策，增强信任，简化验证流程。 ## 未来展望 尽管EARL目前聚焦于自适应性系统，但其方法有望扩展到更广泛的RL应用。研究者计划进一步优化库的性能，并探索更多解释类型。 该研究由Jasmina Gajcin、Juan C. Rosero和Ivana Dusparic共同完成，论文以arXiv预印本形式发布（编号2608.14620），并附有PDF和HTML版本。
在物理场模拟与机器学习交叉领域，如何让神经网络既尊重物理定律又灵活适应复杂几何，一直是核心挑战。来自普林斯顿大学的研究者 Dongzhe Zheng 与 Christine Allen-Blanchette 近期提出了一种名为 **Riemannian Hodge Message Passing (RHMP)** 的新架构，为这一难题提供了优雅的解决方案。相关论文已提交至 arXiv（编号：2608.14556）。 传统方法中，物理场在网格上的离散化常面临拓扑与几何的纠缠：守恒律要求精确的拓扑结构，而材料属性、几何形变等则需从数据中学习。现有神经代理模型往往通过无约束的消息传递混合这两类信息，导致物理一致性受损。RHMP 的核心创新在于**将这一分离上升为架构设计原则**——固定由定向关联决定的细胞上边界算子（$d_k$），同时学习对称正定的上链度量（$H_k$），用于几何相关的信息传播。 这一设计带来了多重理论优势：通过度量加权的 Hodge 模块（$d_k^\top H_{k+1}d_k$），RHMP 保证了**精确的复形恒等式**（$d_{k+1}d_k=0$）、非负的 Hodge 能量、半正定算子，以及严格的阿贝尔曲率不变性。更重要的是，将 $H_k$ 视为学习度量，自然引出了**上链框架等变性**：物理传播应不依赖于隐藏特征基的旋转选择，这增强了模型的泛化能力。 实验部分，研究者在涵盖流体、电磁学、规范场及变网格 CFD 的**七个物理基准**上评估了 RHMP。结果显示，RHMP 在整体性能上取得最优，尤其是在拓扑、学习几何与场结构相互作用的复杂场景中，性能提升最为显著。这表明，显式区分拓扑与几何不仅提升了物理一致性，也带来了实际精度收益。 该工作为物理信息机器学习提供了新思路：与其让网络隐式学习一切，不如将物理先验（如守恒律）作为刚性骨架，而将数据驱动的部分限制在几何度量上。这一范式有望在计算力学、电磁仿真、以及更广泛的科学计算领域产生深远影响。未来，团队计划探索 RHMP 在更复杂物理系统中的应用，并进一步优化其计算效率。
城市是人类活动最密集的场所，理解人的移动规律对交通管理、疫情防控、城市规划等至关重要。然而，大规模轨迹数据因隐私问题难以公开，这限制了相关研究。现有合成轨迹生成方法多聚焦全局分布相似性，却忽略了不同时空分辨率下的移动模式。近日，一篇被 KDD 2026 接收的论文提出 **MR-Traj** 框架，通过粗到细的多分辨率扩散模型，在保持全局分布的同时，显著提升细粒度移动模式建模能力，并增强轨迹多样性以降低隐私泄露风险。 ## 核心挑战：隐私与效用的两难 轨迹数据包含个人时空足迹，直接公开会带来严重隐私风险。因此，研究人员常采用合成数据生成技术，模拟真实轨迹分布，供下游任务使用。但现有方法，如基于 GAN 或 VAE 的模型，往往只追求整体统计特征相似，导致生成的轨迹在局部时段、特定区域的行为模式失真。例如，在早高峰的 CBD 区域，真实轨迹表现出高度聚集和规律性，而合成数据可能过于平滑，无法反映这种细粒度动态。 ## MR-Traj：多分辨率建模新思路 该研究提出 **MR-Traj**，将轨迹视为**粗粒度里程碑**（如主要停留点、换乘站）和**细粒度路段**（如具体路径、速度变化）的组合。通过扩散模型在不同分辨率级别逐步生成，从整体到局部，捕捉多尺度时空依赖。 实验表明，MR-Traj 在全局分布相似性上与最先进方法相当，但在细粒度移动模式（如小时级流量变化、区域间转移概率）上**持续领先**。下游任务如流量预测、疫情传播模拟中，MR-Traj 生成的数据也带来更优性能。 ## 隐私与多样性的双赢 值得关注的是，MR-Traj 在多个分辨率级别引入随机性，生成轨迹的多样性显著提升。在种子引导的数据发布场景下，这种多样性有效降低了轨迹链接攻击的风险，即攻击者难以将合成轨迹与真实个体关联。这为隐私保护数据发布提供了新思路，平衡了数据效用与隐私安全。 ## 展望 MR-Traj 为城市轨迹生成提供了新范式，但仍有挑战。论文未提及计算效率，多分辨率扩散模型可能带来更高开销。未来可探索更高效的采样策略，或将其扩展到更多城市场景。总体而言，这项研究为隐私约束下的城市计算提供了有力工具，值得关注。
在对抗性机器学习领域，投影梯度下降（PGD）攻击是评估模型鲁棒性的标准方法。然而，传统上仅依赖最终对抗精度来评判模型，忽略了攻击过程中模型行为的动态变化。近期研究提出轨迹级诊断指标，如损失演化、梯度对齐和失败步数，旨在提供更深入的优化动力学洞察。但这些指标是否可靠地反映鲁棒性强度，尚不明确。 一篇新论文对Fashion-MNIST上的卷积神经网络进行了PGD攻击的轨迹级研究，比较了干净训练和对抗训练模型在不同鲁棒性水平下的表现。研究发现，尽管不同模型的鲁棒性层级清晰，但轨迹指标并未同等贡献于这一识别。平均损失轨迹和梯度对齐模式在对抗训练模型中表现相似，即使它们的鲁棒精度差异显著。相比之下，失败步数分布能更清晰地区分鲁棒性级别，直接反映模型对对抗扰动的功能性抵抗。 这一结果表明，轨迹级诊断更多描述了优化几何特性，而非独立衡量鲁棒性。其可解释性依赖于鲁棒性级别、攻击强度和多种指标的综合评估。因此，轨迹级分析应作为补充诊断工具，结合上下文解读，而非替代标准鲁棒性测量。
近期，一项来自 arXiv 的新研究提出了一种名为 **前向传播仅 MLP 训练（Forward-Pass-Only MLP training, FPO）** 的方法，旨在在不通过模型主体进行反向传播的情况下适配大型语言模型（LLM）。该方法宣称能实现 **2.7 至 3.2 倍**的标准微调吞吐量，同时峰值训练内存减少约 **40%**，并在领域外基准测试中保持与基线相当的种子噪声水平，这一特性是完整网络微调所无法可靠复现的。 ## 核心观察：输出层误差近似真实梯度 FPO 方法建立在一个经验观察之上：在 Transformer 的后期层中，输出层的预测误差与真实梯度的余弦相似度在 0.47 至 0.59 之间（基于六个公开模型的调查）。这意味着，模型后期层的梯度可以通过输出层的误差信号来近似，而无需进行完整的反向传播。 为了利用这一特性，研究者引入了一个 **两分钟的诊断工具**，可以量化每一层的这种近似程度，从而确定哪些层适合进行后期层适配。基于该诊断，FPO 仅计算一次输出误差信号，并将其应用于每个目标层，不进行层间信号传播，也不构建任何自动微分图。 ## 实验评估：性能与效率的平衡 研究者在三个模型家族上评估了 FPO：**OLMo-2-7B、Qwen3-8B 和 Falcon3-7B**。实验结果显示，FPO 在领域内困惑度上均有改善，同时在 **MMLU、ARC-Challenge、HellaSwag 和 Winogrande** 等基准测试中保持与基线相当的种子噪声水平。此外，将标准监督微调（SFT）定位到 FPO 的目标层也能达到类似效果，但墙钟时间成本是 FPO 的 **2.2 倍**。 ## 意义与展望 这项研究为大模型的高效适配提供了新的思路。传统的全网络微调计算成本高昂，而 FPO 通过避免反向传播，显著降低了计算和内存开销，同时保持模型性能。这对于资源受限的场景尤为重要，例如在边缘设备上部署或快速迭代模型。 然而，该方法的适用性可能局限于后期层，对于需要深层特征调整的任务，其效果仍需进一步验证。此外，诊断工具的实用性也依赖于模型架构的多样性。未来，研究者可以探索将 FPO 与其他参数高效微调技术（如 LoRA）相结合，以进一步提升效率。 总体而言，FPO 展示了在保持模型性能的同时大幅提升训练效率的可能性，为大模型的应用开辟了新的路径。
智能手机存储空间，你真的需要那么多吗？制造商在销售手机时赚一笔，在云存储服务上又赚一笔。本文教你如何用美元而非GB来思考存储成本，避免浪费钱。 ## 存储空间：制造商的“二次盈利”陷阱 现代智能手机是完美的“增销”工具，制造商可以**双重获利**：一次是销售手机，另一次是后续的云存储服务。焊死的存储芯片加上大多数手机取消了microSD卡槽，使得消费者容易产生存储焦虑，从而诱导购买更高配置的版本或订阅云服务。 ## 用美元思考，而不是GB 存储空间的真正成本应该用**美元/GB**来衡量，而不是单纯看GB数。例如，一部手机从256GB升级到512GB可能需要多付100美元，但如果你实际用不到那么多空间，这笔钱就白花了。相反，如果你需要大量存储，购买云存储服务可能更划算。 ## GB的实际价值：比你想象的要小 很多人高估了自己对存储的需求。一张照片大约5MB，一首歌约10MB，一个App约100MB。**1GB可以存储约200张照片或100首歌曲**。除非你拍摄大量4K视频或安装超大型游戏，否则128GB通常足够日常使用。 ## 更好的存储管理策略 - **定期清理**：删除不常用的应用和重复的照片。 - **使用云存储的免费层**：如Google Photos（15GB免费）、iCloud（5GB免费）等，合理利用免费额度。 - **流媒体而非下载**：音乐和视频优先使用流媒体服务，减少本地存储占用。 - **购买前评估真实需求**：回顾过去一年的存储使用情况，再决定购买多大容量。 ## 总结：把钱花在刀刃上 不要被制造商的营销策略牵着走。**以美元为单位计算存储成本**，并理性评估自己的使用习惯，才能避免为不需要的存储空间买单。记住，存储空间是为你服务的，而不是让你焦虑的。
**Anthropic 的年化收入再次刷新纪录，突破 650 亿美元大关，增速之快令市场侧目。** 据彭博社周一报道，截至 7 月底，这家 AI 模型制造商的年化收入运行率已超过 650 亿美元，较 5 月的 470 亿美元大幅增长，而去年年底这一数字仅为 90 亿美元。年化收入运行率是一种基于近期较短时期数据推算全年收入的指标，其大幅跃升凸显了 Anthropic 商业化的迅猛势头。 尽管 Anthropic 尚未对置评请求作出回应，但据英国《金融时报》报道，其投资方预计公司今年剩余时间将保持相近增速，全年收入有望达到 **1000 亿至 1200 亿美元**。与此同时，竞争对手 OpenAI 的收入也实现翻倍，从 2025 年底的 200 亿美元增至 400 亿美元（彭博社上周报道）。虽然两家公司在收入计算方式上可能存在差异，但 Anthropic 的增长速度显然更令投资者着迷。 ## 上市在即，估值或创纪录 两家公司均已秘密提交 IPO 文件，而 Anthropic 预计将先于 OpenAI 登陆公开市场，最早可能在今年秋季。据《金融时报》报道，Anthropic 寻求的公开估值将达 **2 万亿美元或更高**，这将是史上规模最大的上市交易。此前，Anthropic 在 5 月底完成一轮 650 亿美元的融资时，估值已达 9650 亿美元。 ## 行业影响与展望 Anthropic 的爆发式增长不仅反映了 AI 市场的巨大需求，也预示着行业竞争格局的深刻变化。其高估值和高增长可能吸引更多资本涌入 AI 赛道，同时也给竞争对手带来压力。对于投资者而言，Anthropic 的 IPO 将是一个关键观察窗口，其市场表现或将定义 AI 时代的估值基准。 随着 AI 商业化进程加速，Anthropic 能否维持这一增速、OpenAI 又将如何应对，都是未来数月值得关注的焦点。
**AI 自动化初创公司 Relay 宣布关闭，其创始人兼 CEO Jacob Bank 将重返谷歌，担任 Chrome 浏览器产品副总裁，部分员工也将加入 Chrome 团队。** Relay 成立于 2021 年，曾被视为“新 Zapier”，旨在通过 AI 驱动的自动化工具帮助企业简化重复性工作，如文档起草、校对和项目管理。然而，该公司于 7 月首次宣布关闭，免费用户已于 8 月 15 日失去访问权限，付费用户的服务将在 9 月 14 日终止。 Jacob Bank 在 X 上表示：“我整个职业生涯都在做一件事：构建帮助人们利用 AI 提高效率的工具，同时不牺牲个人创造力和洞察力。加入 Chrome 团队是将这些经验带给更多人的理想机会。”他还透露，团队在 Chrome 中集成 AI 有“雄心勃勃的计划”，未来将分享更多细节。 Bank 的职业生涯始于谷歌，2015 年其创立的日程应用 Timeful 被谷歌收购后，他加入谷歌，曾负责 Gmail、Google Calendar 和 Google Chat 的产品工作。离开谷歌后，他创立了 Relay。如今，他重返谷歌，将领导 Chrome 的产品和开发者关系团队。 这一动向是谷歌持续将 AI 融入用户体验的又一例证。此前，谷歌已将 Gemini 集成到搜索和 Chrome 浏览器中，作为可选的浏览器内助手。近期谷歌报告称，Gemini 用户已突破 10 亿，显示出用户对 AI 集成的积极反馈。 **尽管 Relay 的关闭令人遗憾，但其团队加入谷歌，特别是 Chrome 部门，预示着 AI 与浏览器深度融合的未来。** 正如 Bank 所言，Chrome 是“与代理协作的理想场所”。此举可能会加速 AI 在日常工作流中的普及，为用户带来更智能的浏览和任务处理体验。 对于 Relay 的现有用户，建议尽快迁移数据并寻找替代方案。而行业观察者则关注谷歌如何将 AI 代理嵌入 Chrome，这或将成为浏览器竞争的新焦点。
一家由前SpaceX工程师创立的初创公司，正在开发一种全新的机器人工厂，旨在自动化生产钢铁部件。该公司的核心理念并非追求全自动化，而是强调人机协作与灵活制造，这一思路在制造业中引发了广泛关注。 ## 从航天到制造：技术迁移的必然 这些工程师曾参与SpaceX的火箭制造项目，深知传统制造业的痛点：工序复杂、人工依赖度高、效率瓶颈明显。他们将航天领域积累的精密制造与自动化经验，引入到通用钢铁部件的生产中，试图打造一个能够快速适应不同订单的柔性制造系统。 ## 核心设计：不追求“无人化” 与许多追求“黑灯工厂”的企业不同，这家公司明确表示：“我们并非教条地追求全自动化。”其机器人系统更注重与人类工人的协同——机器人负责高强度、重复性的工作，而人类则专注于需要判断力和灵活性的环节。这种务实的设计理念，既降低了技术落地难度，也保留了应对复杂工况的弹性。 ## 行业影响与挑战 钢铁部件制造业长期面临劳动力短缺和成本压力，自动化升级已成为行业共识。然而，传统工业机器人的编程复杂、部署周期长，难以适应中小批量订单。该团队的方案若成功，可能为行业提供一种新的范式。不过，目前项目仍处于早期阶段，具体的技术细节和商业化时间表尚未公开。 ## 小结 前SpaceX工程师的跨界创业，反映了高端制造技术向通用工业领域渗透的趋势。其“人机协作”的务实路线，或许正是自动化落地的最优解之一。未来，这一模式能否大规模复制，值得持续关注。
根据Salesforce最新发布的《2026年Agentic Enterprise Index》报告，企业级AI代理的采用率在过去一年中激增。报告显示，平均每家企业活跃的AI代理数量从5个增至13个，几乎翻了三倍，而创建时间缩短了53%，平均只需1.9天即可创建一个代理。同时，AI代理的能力提升了350%，能够处理更复杂的任务。员工每周发起的代理会话数量自2025年2月以来也增长了三倍，表明信任度显著提升。 报告基于对400家实际使用AI代理驱动ROI的企业连续五个季度的数据，以及对九个关键市场近5000名受访者的调查。数据显示，消费者导向型行业（如零售和旅游）在部署速度和整体使用上领先，尤其在假日等高峰需求季节。而受监管行业（如金融、医疗）采用速度较慢，但所使用的代理往往更为复杂。Salesforce将代理完成的工作单元称为“Agentic Work Units”（AWUs），受监管行业的AWU占比虽低，但每个代理的智能化程度更高。 企业AI代理已从实验性测试转向快速、生产级部署。这一趋势表明，AI代理正在从概念验证走向实际业务价值。Salesforce的报告强调，不同行业正在找到最适合自身业务需求的策略，而可衡量的ROI是推动进一步采用的关键。
近期，一则关于亚马逊的新闻在科技圈引起轩然大波：通过隐藏在书籍中的AirTag追踪，发现亚马逊正将大量珍稀书籍销毁，用于训练人工智能模型。这一行为不仅引发了环保和文化遗产保护者的强烈抗议，也让人们开始审视AI发展背后的资源消耗问题。 ## 事件背景 据爆料，亚马逊的一个团队以霸王龙准备吞噬书籍作为标志，这一极具象征意义的图标似乎暗示了其行为本质。通过AirTag的定位信息，追踪者发现这些书籍并非被妥善保管或转售，而是被直接送入碎纸机或焚烧炉。这些书籍中不乏具有历史、艺术或学术价值的稀有版本，它们的消失意味着不可逆的文化损失。 ## AI训练的资源代价 训练大型语言模型需要海量文本数据，而书籍作为高质量文本的重要来源，自然成为科技公司的目标。然而，亚马逊此次的做法却引发了广泛质疑：为何要销毁而非数字化？有分析指出，这可能与版权问题有关——将实体书销毁可以避免版权纠纷，同时又能“合理”使用其内容。但这种做法显然忽视了书籍作为文化遗产的珍贵性。 ## 行业影响与反思 这一事件折射出AI产业在数据获取上的“灰色地带”。此前，谷歌、Meta等公司也曾因未经授权使用受版权保护的书籍训练模型而遭到诉讼。亚马逊的行为若属实，将可能面临法律和道德的双重压力。环保组织指出，大规模销毁书籍不仅浪费资源，还加剧了森林砍伐和碳排放。而文化遗产保护者则呼吁，科技公司应寻求更可持续、更尊重知识产权的数据获取方式。 ## 未来展望 目前，亚马逊尚未对此事做出官方回应。但这一事件无疑为AI行业敲响了警钟：技术进步不应以牺牲文化传承和环境为代价。未来，如何在数据需求与伦理责任之间取得平衡，将是所有AI从业者必须面对的课题。或许，建立更透明的数据来源机制、加强版权合作，以及探索合成数据等替代方案，将成为行业发展的新方向。
NVIDIA Nemotron 3.5 Lightning 现已上线 Amazon SageMaker JumpStart，这是一款专为高并发 Agent 工作负载设计的开源模型。该模型采用混合专家（MoE）架构，总参数量 30B，但仅有 3B 激活，可在单 GPU 上运行，吞吐量最高提升 4 倍，任务完成速度最高提升 30%。本文介绍如何通过 SageMaker JumpStart 快速部署该模型，并解析其技术亮点与适用场景。
Linux 内核 7.2 正式发布，带来缓存感知调度、文件系统与 I/O 改进，以及对 AMD、Intel、Apple、Nvidia、USB4 和笔记本电脑硬件的大量新支持。 ## 发布背景 Linus Torvalds 在上周末宣布了 Linux 内核 7.2 的发布。他在发布说明中写道：“本周的发布——再次——比我希望的要大，但嘿，既然‘新常态’就是这样，如果因为这个原因推迟发布，我们可能永远不会发布。” ## AI 与 Linux 开发 Torvalds 在 7.2 的第七个候选版本说明中解释了“新常态”：大量修复，其中许多是由各种 AI 工具审查发现的。这些变更并非 AI 编写的新功能，而是针对 AI 发现的安全漏洞的补丁，但累积起来影响不小。 在 7.1 内核发布前，Torvalds 曾表示，AI 报告的持续涌入使安全列表几乎无法管理，因为不同的人用相同工具发现相同问题，造成大量重复。他主张 AI 检测到的 bug 本身就不是秘密，将其放在私人列表上是对所有人时间的浪费，只会加剧重复。 不过，Torvalds 并不反对使用 AI。他曾强调：“AI 工具很好，但前提是它们确实有帮助，而不是造成不必要的痛苦和无意义的假工作。欢迎使用它们，但……” ## 关键改进 ### 缓存感知调度 Linux 7.2 引入了缓存感知调度，通过优化处理器缓存的使用来提升处理速度。这对于现代多核处理器尤其重要，可减少缓存未命中，提高整体性能。 ### 文件系统与 I/O 改进 本次更新还带来了文件系统和 I/O 方面的多项改进，有望增强存储性能与稳定性。 ### 硬件支持扩展 新内核大幅扩展了对 AMD、Intel、Apple、Nvidia、USB4 以及笔记本电脑硬件的支持，覆盖了更广泛的设备与平台。 ## 总结 Linux 7.2 在 AI 辅助下变得更加健壮，缓存感知调度等新特性将推动性能提升，而广泛的硬件支持则让新内核能够更好地适应多样化的计算环境。
随着 AI 数据中心对内存和存储的需求激增，树莓派等单板计算机的价格水涨船高。如果你手头正好有一部闲置的旧安卓手机，不妨考虑将其改造为树莓派的替代品，用于个人项目开发。不过，在动手之前，你需要了解其中的利弊和潜在风险。 ## 价格飙升，树莓派不再亲民 近年来，AI 技术的爆发式增长导致 RAM 和存储芯片价格持续上涨，树莓派也未能幸免。原本几十美元的开发板，如今价格翻倍甚至更高，让不少爱好者望而却步。在这种情况下，利用旧手机作为替代方案，成为了一种经济实惠的选择。 ## 旧手机的优势与不足 旧安卓手机作为计算平台，拥有不少天然优势： - **性能不俗**：即使是几年前的旗舰机型，其处理器性能也远超入门级树莓派。 - **自带屏幕和电池**：无需额外购买显示器、电源等配件，便携性极佳。 - **传感器丰富**：内置摄像头、GPS、加速度计等传感器，可扩展更多应用场景。 - **通信功能**：支持 Wi-Fi、蓝牙，甚至蜂窝网络，便于物联网项目。 然而，也存在一些挑战： - **软件生态不同**：树莓派运行的是 Linux 桌面系统，而安卓系统面向移动设备，部分开发工具链需要适配。 - **IO 接口有限**：树莓派提供 GPIO 引脚，方便连接外部硬件，而旧手机缺乏这类接口，需要借助 USB OTG 或蓝牙等方式扩展。 - **电池老化**：旧手机电池可能已经老化，长期高负载运行存在安全隐患，建议移除电池并直接供电。 ## 安全改造，避免变砖 直接刷入 Linux 系统到手机有风险，操作不当可能导致设备变砖。文章推荐一种更安全的方法：**使用 Termux 等终端模拟器**，在安卓系统内运行 Linux 环境，无需刷机即可享受类 Linux 体验。这样既能利用手机硬件，又能降低风险。 当然，如果你对技术有足够信心，也可以尝试安装 LineageOS 等第三方 ROM，进一步优化系统性能。但务必提前备份数据，并遵循社区教程。 ## 结语 将旧安卓手机改造为树莓派替代品，不仅环保省钱，还能为你的项目增添新玩法。但在动手前，请权衡利弊，选择适合自己的方案。如果你有相关经验，欢迎分享你的改造故事。
在最近的 Made by Google 活动上，谷歌传递了一个耐人寻味的信号：它希望你减少对手机的使用，转而更多地依赖 AI。这一主题贯穿了整场发布会，从 Pixel 11 Pro 的推广到多位明星的站台，都在强调“活在当下”的理念。然而，这种叙事背后隐藏着更深层的商业逻辑——谷歌正试图用 AI 来重塑我们与科技的关系，而这段关系恰恰是它自己一手塑造的。 ## 矛盾的营销策略 谷歌在活动中宣称，其新手机将帮助用户“更专注当下”，减少屏幕时间。但讽刺的是，这些手机内置了更强大的 AI 助手，能够更主动地介入用户的生活。例如，Pixel 11 Pro 的 AI 功能可以自动整理通知、代写消息，甚至预测用户需求。谷歌似乎在暗示：你不需要频繁操作手机，因为 AI 会替你完成一切。 这种策略并非首次出现。苹果在 iOS 17 中引入了“屏幕距离”提醒，三星也推出了“数字健康”工具。但谷歌的表述更为激进——它不只是减少使用时间，而是试图改变用户与设备的互动方式。 ## 谁在买单？ 问题在于，消费者会接受这种叙事吗？一方面，许多用户确实对“数字排毒”感兴趣，他们愿意为减少干扰的功能付费。另一方面，谷歌的 AI 功能往往需要更多的数据收集，这与用户对隐私的担忧相冲突。此外，AI 的自主性也可能引发信任问题——用户是否愿意让 AI 代为处理敏感信息？ 从市场反应来看，谷歌的 Pixel 系列一直未能占据显著份额，而 AI 功能能否成为差异化卖点仍存疑。相比之下，苹果的隐私保护策略似乎更能赢得用户信任。 ## 结语 谷歌的“少用手机”宣传更像是一种营销话术，其核心目的是推广 AI 服务。这种策略能否奏效，取决于用户是否愿意接受 AI 作为“代理”来管理数字生活。但至少目前，大多数人可能仍会保持警惕。
手头有闲置的旧安卓手机或平板？别急着扔，它们完全可以变身为实验和开发用的测试服务器，过程比想象中简单。本文分享我的亲身实践，并探讨其背后的价值。 ## 为什么要把旧手机变成服务器？ 旧手机性能虽不及现代PC，但作为低功耗、零噪音的测试服务器，性价比极高。它适合运行轻量级应用，如个人博客、API测试、内网穿透实验等，既环保又省钱。 ## 具体怎么做？ 核心思路是安装Linux环境。我选择了 **Termux**，一款无需root即可在安卓上运行Linux终端的应用。步骤如下： 1. 安装Termux，并更新软件包。 2. 安装必要的软件，如Python、Node.js或nginx。 3. 编写并运行你的服务器脚本，或配置静态文件服务。 4. 确保手机与局域网在同一网络，通过分配的IP访问服务。 例如，用Python启动一个简易HTTP服务： ```bash python -m http.server 8080 ``` 然后在电脑浏览器输入`http://手机IP:8080`即可访问。 ## 注意事项 - **电池管理**：长时间供电可能让电池鼓包，建议拆下电池直接接电源（需一定动手能力），或使用充电控制应用。 - **网络稳定性**：Wi-Fi连接可能不稳定，若需长期运行，考虑使用USB网络共享或以太网转接。 - **安全性**：仅限局域网测试，若暴露公网，需配置防火墙和SSH密钥。 ## 小结 旧手机变服务器，既是环保之举，也是技术乐趣。它降低了实验门槛，尤其适合学习网络编程或快速原型验证。如果你有闲置设备，不妨一试。
亚马逊，这家以卖书起家的科技巨头，如今被曝出正在大量购入稀有书籍，并对其进行物理拆解扫描，用于训练其AI模型。这一行为引发了关于AI训练数据来源和版权问题的热议。 据404 Media报道，他们在一本稀有书籍中放置了追踪设备，最终发现该书被送往了亚马逊位于拉斯维加斯的VGT3设施。该设施以一只恐龙爪持书本的标志著称。亚马逊在声明中表示，他们通过商业渠道购买书籍，以改善客户使用的产品和服务。 对于AI训练而言，稀有书籍的价值在于，它们通常不在互联网上公开，且出版时间早于2022年，这意味着其内容完全由人类撰写，不含AI生成文本。这对于防止模型崩溃至关重要——当AI模型大量学习AI生成的内容时，其输出质量可能退化。 然而，这一做法也引发了道德和版权争议。此前Anthropic已被曝出非法盗版书籍用于训练。亚马逊的行为虽属购买，但物理毁书的方式仍让许多藏书家和学者感到痛心。 在AI数据需求日益增长的背景下，如何平衡数据获取与版权保护，成为行业亟待解决的问题。亚马逊的这一举动，或许只是冰山一角，未来可能会有更多公司效仿，寻找新的数据来源。 目前，亚马逊尚未就毁书细节做出进一步说明，但这一事件无疑为AI训练数据的伦理问题敲响了警钟。
## 给自主代理一个钱包和消费护栏 随着 AI 代理从简单的问答工具进化为能够自主执行多步骤任务的智能体，它们经常会遇到需要付费才能访问的服务，例如付费 API、MCP 服务器或网页内容。传统的支付方式需要人工介入，这大大限制了代理的自动化能力。为了解决这个问题，AWS 与 OpenClaw 基金会合作，推出了一种新的解决方案，让代理能够在预设的限额内自主完成支付。 ## 核心设计：分离权限，确保安全 这种支付能力的关键在于安全设计。钱包提供商的凭证以及创建或扩展支付会话的权限被严格地**放置在模型运行时之外**，通过一个可信的管理路径由人类预配置。这样，即使模型被恶意输入诱导，也无法突破预设的边界。运行时只能在这些限额内发起经过批准的支付。 Amazon Bedrock AgentCore 的 **AgentCore payments** 功能提供了钱包集成、支出限额和一致的支付层，为代理支付协议的发展提供了基础。该方案支持 **x402** 和 **Machine Payments Protocol (MPP)** 等协议，这些协议支持代理与服务之间的程序化支付流程。 ## 为什么代理需要支付能力？ 自主代理在执行长时间运行的研究或工作流任务时，可能会在操作员不在场的情况下遇到付费 API 或内容端点。一个受限的支付层允许代理在人类预先设定的限额内继续运行，这些限额可以限制**收款方、资产、网络、单笔支付金额、累计预算和有效期**。 许多 API、内容服务、计算服务和 MCP 工具采用按使用量付费的定价模式。单笔交易可能不足一美元甚至几分之一美分，而传统的信用卡处理费使得这种小规模交易变得不划算。相比之下，**稳定币支付**支持小额和近实时结算，使得 x402 等 HTTP 原生协议非常适合程序化、代理发起的支付。 ## 实现方式：OpenClaw 与 aws-agents-pay 插件 本教程将指导你如何将 **OpenClaw** 连接到由人类通过可信管理路径提供的钱包和受限支付会话，然后使用 **aws-agents-pay 插件** 让代理发起经过批准的测试网支付。 这种设计不仅解决了代理支付的即时需求，还考虑到了安全性和可扩展性，为代理经济的未来发展奠定了基础。
Groq 近期完成了 3.5 亿美元融资，估值达 35 亿美元，标志着这家前 AI 芯片公司全面转向 Neocloud 业务，并扩大其基于 Nvidia 的数据中心规模。本轮融资由投资公司 Disruptive 领投，Nvidia 计划参投。值得注意的是，此次估值较去年 9 月的 69 亿美元有所下降，但 Groq 发言人表示，这并非一轮下挫融资，而是反映了 Nvidia 许可交易后的新估值。 去年，Nvidia 以 200 亿美元许可交易吸纳了 Groq 创始人 Jonathan Ross 及核心团队，此后 Groq 调整战略，从自研 LPU 芯片转向提供基于 Nvidia 系统的云服务。今年 6 月，Groq 已融资 6.5 亿美元启动转型。目前，Groq 在全球运营 13 个数据中心，服务超过 600 万开发者，计划到 2027 年将电力容量从 54 兆瓦提升至 200 兆瓦以上。 Groq 董事长 Alex Davis 表示，公司正致力于打造全球领先的 AI 推理云，推理将成为 AI 基础设施中最大、最关键的部分。然而，Neocloud 的长期盈利能力仍存疑，CoreWeave 的财务表现虽好，但高资本支出和债务风险引发担忧。Groq 的财务数据尚未公开，但其转型使其深度融入 Nvidia 的 AI 基础设施生态。 此次融资将用于支持客户对 Nvidia 加速计算集群的更大规模使用，涵盖训练和推理场景。Groq 的未来发展值得关注，尤其是在竞争激烈的 AI 云市场中，它能否脱颖而出。