在埃隆·马斯克对OpenAI提起的诉讼中，OpenAI总裁格雷格·布罗克曼（Greg Brockman）被迫在法庭上朗读自己的私人日记，以证明公司是否背离了其非营利使命。布罗克曼在作证时称，日记内容非常私密，但马斯克的律师认为这些记录揭示了OpenAI领导层从追求公益转向个人致富的关键时刻。 ## 事件背景 这场庭审是马斯克诉OpenAI案件的一部分。马斯克指控OpenAI自2015年成立以来，逐渐偏离了其非营利初衷，转而专注于让萨姆·奥尔特曼（Sam Altman）和布罗克曼等高管个人获利。布罗克曼的日记被作为证据提交，其中包含他对“从马斯克手中窃取慈善机构”以及“希望因贡献获得十亿美元”等内容的思考。 ## 法庭交锋 布罗克曼在法庭上表示，日记并非简单的行动记录，而是一种意识流式的探索，有时会站在他人角度思考。因此，日记中可能存在自相矛盾之处。他估计日记约有100页，始于学生时代，持续用于反思职业生涯的重大决策。他从未想过这些内容会被公开，但日记在1月的法庭文件中被解封。 庭审期间，布罗克曼被迫大声朗读部分最尴尬的日记条目，旁听席座无虚席，YouTube直播观众峰值达1200人。日记涵盖2015年至2023年间的内容，包括2023年布罗克曼与奥尔特曼因董事会担忧安全问题而被短暂罢免的事件。 ## 行业影响 此案被视为AI行业公益与商业利益冲突的典型案例。马斯克试图通过日记证明OpenAI的“变质”，而OpenAI则强调日记的私人性和非正式性。无论结果如何，这场庭审已引发对AI公司治理和使命漂移的广泛讨论。布罗克曼的尴尬处境也凸显了法律诉讼中个人隐私与商业纠纷的交织。
谷歌 Pixel 系列手机自 **Pixel 8 Pro** 起搭载的体温传感器功能，可能即将被砍。据最新泄露消息，下一代 **Pixel 11 Pro** 将不再配备体温计，而是引入名为 **“Pixel Glow”** 的背部 LED 灯带，用于在手机屏幕朝下时显示通知——这一设计灵感明显来自 **Nothing 手机**。 对于像我这样的忠实用户来说，体温计虽小，却是最实用的功能之一。作为家长，我曾无数次用它快速检查孩子是否发烧，准确度与家用耳温枪相差不到 0.3 度。它还能测量物体温度，比如路面是否过热不宜遛狗，或排查空调故障。每次在朋友面前演示，都能收获“这怎么做到的？”的惊叹。 然而，谷歌似乎决定用更炫酷的“Pixel Glow”取代这一实用工具。从 **Pixel 8 Pro** 到 **10 Pro XL**，体温计已存在三代，如今可能止步于 **Pixel 11**。虽然官方尚未确认，但泄露信息表明，它将被整合到相机模组中，占据原本体温传感器的位置。 这一取舍反映了智能手机功能演进的典型矛盾：**实用性与娱乐性的博弈**。体温计虽然小众，但解决了真实痛点；而 LED 灯带虽酷，却更像锦上添花。对于依赖体温计的用户，这无疑是重大损失。 不过，谷歌也可能通过软件更新或后续机型重新引入该功能，或推出独立配件。但就目前而言，Pixel 体温计的命运似乎已定。你会怀念这个“奇怪却好用”的功能吗？
Google 正在升级其 AI 搜索功能，让用户更轻松地找到来自可信来源的信息。其中一项显著变化是引入了“观点预览”，该功能会从社交媒体、Reddit 及其他网络论坛等一手来源中提取内容，将用户的搜索查询与相关在线讨论直接关联。 Google 表示，这一更新旨在应对“人们在网上搜索信息时越来越渴望获得他人的建议”这一趋势。这对那些习惯在 Google 搜索词条后加上“Reddit”以寻找真实人类经验而非 SEO 优化结果的用户来说，无疑是一大福音。它也印证了 Reddit 首席执行官 Steve Huffman 去年的断言：“任何使用 Google 的人，最终都会找到 Reddit。” 通过将论坛内容直接融入 AI 搜索工具，Google 试图鼓励更多用户尝试这些新功能，而非手动在传统搜索结果中翻找。Google 还强调，会在 AI 回复的链接中附加上下文信息，如创建者姓名、用户名或社区名称，方便用户快速识别来源。这些一手来源在 AI 搜索结果中会以“专家建议”的形式呈现，并能引导用户进入更专业的论坛或子版块进行深入探索。 此外，另一项更新会在 AI 搜索结果旁显示相关主题的来源，帮助用户更详细地了解某一话题。例如，当用户搜索“如何拍摄北极光”时，可能会看到来自摄影论坛的引述，其中包含曝光时间建议，并附有可点击的链接——链接会显示具体社区名称——用户可直接跳转到完整讨论。 这一系列更新表明，Google 正在重新定义 AI 搜索中“权威”与“可信”的含义，将真实用户的经验分享提升到与传统网站同等甚至更重要的位置。对于内容创作者和 SEO 从业者而言，这意味着未来的搜索优化可能需要更多关注论坛、社交平台等真实对话场景，而非仅仅瞄准传统网页排名。
谷歌近日宣布为AI概览（AI Overviews）推出五项重要更新，其中最引人注目的变化是新增了“展示他人建议”的功能。这一改进旨在让用户不仅获得AI生成的摘要，还能直接看到来自论坛、问答社区等来源的真实用户经验与建议。 ### 核心更新一览 - **他人建议展示**：当用户搜索需要主观经验的问题（如“如何去除地毯上的红酒渍”）时，AI概览将直接整合来自Reddit、Quora等平台的高赞回答或实用技巧，并以引用形式呈现。这弥补了传统AI摘要缺乏“亲身实践”视角的短板。 - **来源预览优化**：点击AI概览中的引用链接时，现在会弹出更丰富的预览窗口，显示来源页面的标题、摘要及关键段落，帮助用户快速判断内容相关性，无需跳转即可筛选信息。 - **多模态结果整合**：对于包含图片或视频的查询，AI概览将更智能地混排文字与视觉内容，例如搜索“DIY书桌”时，直接嵌入步骤图或教程视频片段。 - **本地化增强**：针对地理位置相关的查询（如“附近最好的咖啡馆”），AI概览会优先引用本地评价网站的近期评论，并标注“来自本地用户”。 - **上下文保持**：在连续对话中，AI概览能记住之前询问的上下文，避免重复解释。例如先问“如何做拿铁”，再问“需要什么工具”，后者会直接基于前文回答。 ### 行业背景与影响 此次更新正值AI搜索工具竞争白热化阶段。微软Bing、Perplexity等竞品已纷纷引入类似功能，通过整合社区内容提升回答的“人情味”与可信度。谷歌此举可视为对“AI生成内容同质化”问题的回应——用户逐渐厌倦千篇一律的摘要，转而寻求真实用户的试错经验。 值得注意的是，谷歌在展示他人建议时，会明确标注来源并附链接，这既符合内容创作者的权益需求，也降低了AI“幻觉”风险。不过，如何平衡社区内容的噪音（如虚假评价、过时信息）与实用性，仍是技术挑战。 ### 使用场景示例 假设你搜索“如何修复iPhone电池健康度”，AI概览可能先给出官方建议（如更换电池），然后附加一句：“多位Reddit用户反映，关闭后台刷新和降低屏幕亮度可延长单次充电续航。” 点击引用链接可直接跳转到相关讨论帖。 ### 小结 谷歌AI概览的这次迭代，标志着搜索产品从“信息聚合”向“经验整合”的转型。对于普通用户而言，它让AI助手更像一个“有经验的伙伴”而非冷冰冰的百科辞典。未来，如何动态评估社区内容的质量，并避免推荐过时或有害建议，将是持续优化的关键。
微软内部领导层再次发生重大调整。据 The Verge 获悉，LinkedIn CEO 兼 Office 业务主管 Ryan Roslansky 将接管 Microsoft Teams 组织，并领导新成立的“工作体验组”（Work Experiences Group）。这一变动源于资深高管 Rajesh Jha 的退休，他在微软任职超过 35 年，曾负责体验与设备部门（包括 Windows、Office、Copilot 及 Microsoft 365）。Jha 于今年 3 月宣布退休，微软此后一直在拆分其职责。 与此同时，快速晋升的 Charles Lamanna 将领导新组建的“Copilot、代理与平台”（CAP）团队，涵盖 Microsoft 365 和 Dynamics 365 核心服务、BizChat 等。资深高管 Jeff Teper 和 Kirk Koenigsbauer 将向 Lamanna 汇报，分别担任应用与代理执行副总裁、数据平台与增长总裁。 此外，Surface 和 Windows 主管 Pavan Davuluri 将继续领导 Windows 与设备组，并接手微软 2017 年收购的 Intentional 团队，包括技术院士 Charles Simonyi。 这次重组反映了微软在 AI 和协作工具领域的战略聚焦：将 Teams 纳入 Roslansky 的管辖，旨在强化 Office 与 LinkedIn 的协同；而 Lamanna 的 CAP 团队则集中力量发展 Copilot 与 AI 代理平台。随着 Rajesh Jha 的退休，微软正在重塑其组织架构，以更灵活地应对 AI 驱动的生产力市场竞争。
在网站搭建领域，Wix 和 Squarespace 始终是绕不开的两大选项。本文通过实际对比测试，从易用性、设计灵活性、功能丰富度到电商支持，逐一拆解两者的核心差异，帮助读者按需做出明智选择。 ## 测试方法：同题异构 笔者用同一个虚拟项目——一家小型服务类企业网站——分别在 Wix 和 Squarespace 上从头搭建，记录从模板选择、页面编辑到功能集成的全过程。目的是排除变量，直接对比体验差异。 ## 易用性与上手速度 **Wix** 的拖拽式编辑器更为直观，几乎不限制元素摆放位置，新手可以像操作 PPT 一样快速搭建页面。而 **Squarespace** 则更强调结构化的区块编辑，操作逻辑稍显严格，但换来的是更统一的视觉风格。笔者在前 10 分钟内便明显感受到 Wix 的“自由”与 Squarespace 的“秩序”之分。 ## 设计与模板 Squarespace 以其精致、艺术感强的模板闻名，尤其适合摄影师、设计师等创意工作者展示作品。Wix 的模板数量更多（超过 800 个），覆盖行业更广，但部分模板的设计感不如 Squarespace 统一。 ## 功能与扩展 Wix 内置了更丰富的应用市场，可添加在线预约、会员系统、社交媒体集成等第三方工具。Squarespace 的原生功能已相当完善，但第三方扩展选项相对有限。对于需要高度定制化功能的小型企业，Wix 更具优势。 ## 电商能力 两者均支持在线商店搭建，但侧重点不同。Wix 的电商功能更灵活，支持多币种、多渠道销售（如对接社交媒体市场）；Squarespace 的电商体验则更简洁流畅，适合商品种类不多的精品店铺。 ## 总结与建议 **Wix** 更适合需要高度自定义、功能扩展性强的小型企业、博客或服务类网站。**Squarespace** 则更适合追求设计美感、内容展示为主的创意作品集或小型精品店。如果你正在两者之间犹豫，不妨先明确自己的核心需求：是“自由搭建”优先，还是“设计统一”优先。
## 前言 Sun Ray 是 Sun Microsystems 推出的瘦客户端解决方案，允许用户通过显示终端访问远程服务器上的桌面环境。尽管该技术已有些年头，但在开源社区中仍有爱好者维护。最近，一位用户分享了在 **OpenIndiana Hipster 2025.10** 上搭建 Sun Ray 服务器的详细过程，并针对在 Proxmox 虚拟化环境中的配置给出了具体指导。 ## 虚拟机配置 首先，需要在 Proxmox VE 9.0.11 上创建一台虚拟机。安装介质采用 **OpenIndiana Hipster 2025.10 Live DVD（64位 x86）**，ISO 文件名为 `OI-hipster-gui-20251026.iso`。虚拟机关键配置如下： - **Guest OS**：选择 "Solaris Kernel"（较旧版本的 Proxmox 可能没有此选项） - **Machine**：类型为 q35，固件使用 SeaBIOS - **显卡**：Standard VGA - **磁盘**：60GB，总线设为 VirtIO Block，缓存为 write back，开启 discard - **CPU**：host 模式，1 插槽 4 核心 - **内存**：8GB - **网络**：VirtIO（半虚拟化） 创建后不要立即启动，还需在硬件选项卡中添加一个 **VirtIO RNG** 设备，并编辑 Machine 配置，在高级选项中开启 **IOMMU** 并设置为 vIOMMU。 ## 安装 OpenIndiana 启动虚拟机并引导至 OpenIndiana 安装程序。使用桌面上的 GUI 安装器即可，过程中可能会弹出错误对话框，关闭后安装仍能继续。如果安装过程中屏幕锁定，Live 用户密码为 `jack`。 安装完成后重启，以普通用户身份登录。打开终端时可能会遇到黑底黑字的问题，需要在“编辑”>“配置文件首选项”>“颜色”中取消勾选“使用系统主题颜色”。然后使用 `sudo -i` 获取 root shell。 ## 安装 SRSS 软件包 首先更新系统，否则后续操作可能出现奇怪的问题。建议启用 **hipster-encumbered** 仓库： ```bash pkg set-publisher -g https://pkg.openindiana.org/hipster-encumbered/ hipster-encumbered pkg refresh pkg update ``` 之后按照 **OpenIndiana Handbook** 中 Sun Ray 安装章节的步骤进行操作。由于原文后续内容未提供完整，实际部署时需参考 Handbook 的详细指导。 ## 小结 在 OpenIndiana 上运行 Sun Ray 服务器需要一定的技术背景，尤其是虚拟化配置和系统更新环节。对于怀旧或特殊场景下的用户，这一方案仍具有可行性。
苹果公司同意支付 **2.5亿美元** 以和解一桩集体诉讼，该诉讼指控苹果在 **Apple Intelligence** 功能上存在虚假广告行为，特别是关于 **Siri** 的AI升级承诺未能兑现。诉讼指出，苹果通过铺天盖地的广告宣传，诱导消费者购买 **iPhone 15** 和 **iPhone 16** 系列手机，但承诺的“增强版Siri”功能迟迟未能上线。和解方案覆盖2024年6月10日至2025年3月29日期间在美国购买上述机型的用户，每台设备最高可获赔 **95美元**。值得注意的是，苹果并未承认过错，且预计将在今年6月的开发者大会上正式推出AI增强版Siri。 ## 事件背景 这场诉讼的核心在于苹果对 **Apple Intelligence** 的宣传力度与实际交付之间的落差。2024年WWDC上，苹果高调宣布了Siri的AI升级计划，随后在iPhone 16的营销中大量使用“Siri AI能力即将到来”的标语。然而，截至2025年3月，这些功能仍未落地，苹果官方甚至通知用户将推迟至未来某个时间点。美国商业改善局下属的广告审查部门也指出，苹果“Apple Intelligence现已可用”的说法具有误导性——它暗示升级版Siri在发布时即可使用，但事实并非如此。 ## 和解细节 根据法庭文件，苹果将设立一个 **2.5亿美元** 的赔偿基金。符合条件（即购买了iPhone 15或iPhone 16且购买时间在指定区间内）的美国用户，在提交索赔后可获得每台设备 **25美元** 的基础赔偿，最高可能增至 **95美元**，具体金额取决于最终索赔人数。苹果方面表示，未来将通过免费软件更新逐步推出更多Siri的AI功能，但和解协议不承认任何法律责任。 ## 行业影响 这起案件在AI行业引发了广泛讨论。随着各大科技公司争相将大模型能力集成到语音助手中，**“画饼式营销”** 的风险正在上升。苹果的案例表明，消费者对AI功能的期待值被拉高后，延迟交付或功能缩水可能带来法律与声誉的双重打击。对于整个行业而言，如何在技术成熟度与市场宣传之间找到平衡，成为亟待解决的问题。苹果即将在6月举行的WWDC上展示AI版Siri，届时能否真正兑现承诺，将直接影响其后续市场表现。
开源仓库正面临前所未有的压力：每年超过10万亿次的下载请求，让这些原本为开发者协作设计的平台，被企业当作内容分发网络（CDN）来使用。Linux基金会联合多家机构，终于决定“够了”，并提出了应对方案。 ### 事件背景：仓库不堪重负 开源仓库如npm、PyPI、Maven Central等，最初是为了开发者共享代码、协同开发而建。但如今，许多企业将生产环境直接依赖这些仓库，持续拉取包文件，导致下载量激增。据估计，仅npm一个仓库，每年的下载请求就高达数万亿次。这种“CDN化”的行为，不仅消耗了大量带宽和计算资源，还增加了仓库维护者的运营成本，甚至影响了普通开发者的正常使用体验。 ### 核心问题：谁在为海量下载买单？ 开源仓库的运营通常依赖捐赠、赞助或有限的云服务信用额度。当企业无节制地使用这些免费资源时，成本被转嫁给了社区。例如，npm曾因流量过高而不得不限制API调用频率，PyPy也曾因带宽费用高昂而寻求资金支持。更严重的是，这种滥用可能导致仓库服务不稳定，甚至出现安全风险——比如恶意包通过高频率下载被快速传播。 ### 解决方案：新计划“CDN for Open Source” Linux基金会联合多家技术公司（如微软、谷歌、亚马逊等）推出了一个新计划，旨在为开源仓库提供专门的CDN支持。该计划的核心是建立一个**分布式缓存层**，将高频请求的包文件缓存到全球多个节点，减少对原生仓库的直接访问。这样，企业仍能获得高速下载，但仓库的源服务器压力将大幅降低。 此外，计划还包括： - **费用分摊机制**：大型企业需为高频下载付费，资金用于维护仓库基础设施。 - **透明监控**：公开各仓库的流量来源和成本数据，让滥用行为无处遁形。 - **社区反馈渠道**：开发者可举报异常下载行为，协助维护生态健康。 ### 行业影响与展望 这一计划若能落地，将显著缓解开源仓库的运营压力，同时倒逼企业合理使用资源。对于中小开发者而言，他们可以继续免费享受高速下载；而大型企业则需要承担相应的责任。长期来看，这可能推动开源生态走向更可持续的商业模式——即**“谁使用，谁付费”**，但又不破坏开源精神。 当然，挑战依然存在：如何界定“大型企业”？如何确保资金分配透明？这些细节仍需进一步讨论。但无论如何，Linux基金会的这一动作，标志着开源社区开始正视“被CDN化”的困境，并主动寻求解决方案。 ### 小结 10万亿次下载是一个警钟。开源仓库不是免费的午餐，更不是企业的CDN。Linux基金会的新计划，既是对现状的回应，也是对未来可持续性的探索。对于每一个依赖开源软件的团队来说，这或许是一个重新思考责任与贡献的契机。
Hasan Piker，这位极左翼 Twitch 主播，每天花七到八小时直播，拥有超过 300 万粉丝，是平台政治与评论类频道的头号人物。他自称“觉醒派阿亚图拉”，对 AI 技术持强烈批判态度，认为 AI 正在腐蚀人类大脑。然而，他自己却深陷数字生活：每天屏幕使用时间超过 7 小时，同时收听至少 8 个播客，活跃在 Twitter 上。这种矛盾折射出当代数字原住民的普遍困境——对技术的依赖与批判并存。 ## 技术与政治的张力 Piker 对 AI 的敌意并非孤立现象。在左翼政治评论圈，AI 常被视为资本控制工具，加剧不平等和信息操纵。他批评 AI 生成内容“腐烂大脑”，认为其削弱批判性思维。但讽刺的是，他的影响力恰恰建立在高度数字化的平台上：Twitch 直播依赖实时互动算法，Twitter 则放大其观点。这种矛盾暗示，即使是最激烈的技术批评者，也难以脱离技术生态。 ## 数字生活的悖论 Piker 的设备选择暴露了隐私与便利的永恒冲突。他长期坚持使用旧款 iPhone 以抗议计划性报废，但出于网络安全考虑，最终升级到 iPhone 16 Pro Max。他的 PC 是 Starforge 赠送的预装机，上一台“大红色”由 Linus Tech Tips 定制，带有苏联国徽和 Jeff Bezos 头像。这些细节不仅展示了他的政治立场，也反映了他对技术物件的复杂情感——既是工具，也是身份象征。 ## 屏幕时间与自我认知 Piker 的日均屏幕时间达 7 小时 8 分钟（不含 PC），他对此感到震惊。这一数据在 Z 世代中并不罕见，但作为内容创作者，他的屏幕时间兼具工作与娱乐双重属性。他承认自己“正式成为屏幕一代”，并反思为何在长途飞行中不用 iPad 而非手机。这种自我觉察，与他批判 AI 的言论形成微妙呼应：他意识到数字依赖的负面影响，却难以摆脱。 ## 行业启示 Piker 的案例为 AI 行业提供了另类视角：技术批判者本身也是重度用户。这种张力提示我们，AI 的普及并非单向进程，而是引发复杂的社会对话。左翼主播的批评可能影响年轻受众对 AI 的认知，从而间接塑造技术采纳路径。同时，Piker 对隐私的担忧——如与民权律师讨论反无证监控——反映了公众对 AI 监控的警惕，这是技术公司必须回应的伦理议题。 总之，Hasan Piker 的故事是一个关于技术爱恨的现代寓言。它提醒我们，AI 的发展不仅是工程问题，更是文化、政治与个人身份的交织。
由前AMD Silo AI CEO Peter Sarlin创立的芬兰AI实验室QuTwo，在完成2500万欧元（约2900万美元）的天使轮融资后，估值达到3.25亿欧元（约3.8亿美元）。这标志着AI、量子计算及欧洲主权技术领域的持续增长势头。 ## 核心产品：QuTwo OS QuTwo的名称虽指向量子计算，但其核心产品**QuTwo OS**并非纯量子方案，而是一个**编排层**，能够将任务分配给经典、量子或混合架构。其核心理念是，企业用例往往更适合“量子启发式”计算——即使用经典芯片在更可靠的硬件上模拟量子行为。 ## 企业AI为主战场 企业AI将是QuTwo的主要收入来源。公司已通过与零售巨头**Zalando**等企业的设计合作，获得了约**2300万美元**的承诺收入，帮助其开发AI助手。Sarlin强调：“AI是我们将持续瞄准的北极星，量子只是一种新型计算方式。” ## 欧洲AI实验室的崛起 欧洲AI实验室正迎来发展热潮，多家公司迅速成为独角兽。上周，前DeepMind研究员David Silver为其新项目Ineffable Intelligence筹集了**11亿美元**。相比之下，QuTwo的估值和融资规模虽略显低调，但能使其在较小压力下推进路线图。 ## 长期主义战略 Sarlin表示，QuTwo希望拥有**五到十年**的长期思考自由。他解释为何不追求更大融资：“很多投资者曾想给Silo大量资金，让它成为欧洲的OpenAI，但我不相信那种玩法。”QuTwo的使命是“成为下一个范式的全球领先AI公司”，因为欧洲未能成功构建当前时代的AI领军企业。 Sarlin并非看衰欧洲AI，他本人也是Yann LeCun的Ami Labs（融资10.3亿美元）及Recursive Superintelligence的投资者，但他认为数亿美元轮次并不适合QuTwo，且目前也暂不考虑风险投资。
电商老兵马克·洛尔（Marc Lore）正将 AI 注入其最新创业项目 **Wonder**，提出“AI 餐厅工厂”概念——任何人只需通过提示词，就能在不到一分钟内设计并上线一个虚拟餐厅品牌。 ## 从电商到餐饮科技 洛尔曾创办 Jet.com 并先后出售给亚马逊和沃尔玛，如今他押注餐饮科技。Wonder 最初以餐车起家，现已发展为拥有 **10 到 20 个座位** 的快休闲餐厅，但其核心并非普通厨房，而是 **可编程烹饪平台**。这些全电力厨房越来越多地引入机器人技术，能够根据菜系切换运营多达 **25 种不同餐厅类型**。 ## 700 种食材 + 无限酱料机 在本周的《华尔街日报》“未来一切”大会上，洛尔透露 Wonder 厨房拥有一个 **700 种食材的库**，每个厨房配备最多 12 名员工，同时使用传送带、机械臂等自动化设备参与烹饪。公司近期收购了 **Spice Robotics**——这家公司曾为 Sweetgreen 制造自动碗装机。明年，Wonder 计划推出 **“无限酱料机”**，可制作互联网上约 **80% 的食谱酱料**。 ## Wonder Create：AI 驱动的品牌生成器 Wonder Create 今年早些时候公布，旨在让任何人利用 Wonder 的软件推出自己的餐厅品牌和食谱。洛尔进一步描述了 AI 如何赋能这一过程：它就像一个 **Shopify 前端加上 AI 提示框**。用户输入需求，AI 便能生成品牌概念、菜品配方，并直接接入 Wonder 的厨房网络。 目前 Wonder 拥有 **120 个** 技术厨房地点，明年预计扩展至 **400 个**。这意味着，一个美食博主或社交媒体网红，无需实体店面、无需厨师团队，就能拥有一个覆盖多地的虚拟餐厅帝国。 ## 行业影响与挑战 洛尔的愿景将 AI 生成内容（AIGC）从数字世界延伸至物理餐饮业，大幅降低了餐饮创业门槛。然而，食品口味、供应链管理和食品安全仍是现实挑战。AI 生成的食谱能否真正满足消费者味蕾？机器人厨房能否保证一致性和品质？这些问题的答案将决定“AI 餐厅工厂”是颠覆性创新还是昙花一现。 无论如何，Wonder 的尝试为餐饮行业提供了一个极具想象力的方向：当烹饪变成可编程、可提示的操作，餐饮业的“长尾”或许真的会到来。
经济不确定性让就业市场持续低迷，而招聘骗局也变得更加隐蔽和难以防范。LinkedIn 最新发布的《求职安全脉搏报告》显示，**三分之一的招聘人员曾被骗子冒充**，57% 的专业人士比去年更倾向于怀疑招聘信息的真实性。本文结合 LinkedIn 的调查数据和专家建议，梳理出九大识别虚假招聘的红旗信号，帮助求职者在海量职位信息中保护自己。 ## 骗局升级：从“一眼假”到“高仿” 过去，招聘诈骗往往粗劣易辨：公司信息模糊、要求预付费用、索要银行卡号。但如今，骗子开始利用 AI 生成逼真的职位描述、伪造公司官网甚至模拟面试流程，连经验丰富的技术从业者都可能中招。ZDNET 此前报道过一名 IT 专业人士险些被 AI 驱动的招聘骗局所骗的案例，足以说明形势严峻。 LinkedIn 调查了超过 8500 名全职或兼职专业人士，结果令人警醒： - **72%** 的受访者在申请前会刻意判断职位是否真实； - **57%** 的人表示，与去年相比，他们更频繁地质疑招聘信息的真伪； - 超过三分之一的招聘人员曾被冒名顶替。 ## 九大红旗信号：求职者必读 LinkedIn 列出了以下最值得警惕的迹象，一旦出现多个，很可能就是骗局： 1. **条件过于优厚**：薪资远超行业平均水平，工作内容却非常简单，且不要求硬性技能或证书。例如“每天工作几小时，年薪超 10 万美元”的初级岗位，基本可以判定为陷阱。 2. **招聘流程异常**：跳过简历筛选、直接发 offer，或者全程仅通过即时通讯工具沟通，没有正式面试或视频通话。 3. **要求预付费用**：任何要求求职者支付培训费、押金、背景调查费或购买工作设备的招聘方，几乎都是诈骗。 4. **公司信息模糊**：官网简陋、域名拼写错误、社交媒体账号无历史内容，或在工商系统中查不到注册信息。 5. **索要敏感信息过早**：在未正式录用前就要求提供身份证号、银行账户甚至信用卡信息。 6. **联系人身份可疑**：招聘者的 LinkedIn 档案信息不全、头像为 AI 生成图、与公司官方联系信息不符。 7. **承诺“在家轻松赚钱”**：强调无需经验、时间自由、高回报，这类话术是诈骗的经典套路。 8. **催促做决定**：骗子制造紧迫感，声称“名额有限”“限时优惠”，迫使你在未核实的情况下匆忙接受。 9. **沟通语言不规范**：邮件或消息中存在大量语法错误、拼写失误，或使用非正式域名（如 gmail.com 而非公司官方邮箱）。 ## 行业背景：AI 让诈骗更“真实” 生成式 AI 的普及大幅降低了骗子的“制作成本”。他们可以快速生成逻辑通顺的职位描述、伪造逼真的公司介绍页面，甚至用 deepfake 技术模拟面试官。LinkedIn 的报告特别指出，这类技术让传统“信任信号”——如公司官网、招聘者头像——变得不再可靠。 求职者需要建立新的验证习惯： - **反向搜索**：将职位描述中的关键句复制到搜索引擎，看是否出现在其他诈骗预警中； - **核实公司**：通过企业信息查询平台确认公司注册状态和经营地址； - **直接联系**：通过公司官网公布的电话或邮箱主动联系，而非依赖招聘信息中提供的联系方式。 ## 结语 在 AI 诈骗日益猖獗的当下，求职者必须将“安全审查”纳入求职流程。LinkedIn 建议，任何让你感到不安的细节都值得停下来多问一句：这份工作为什么看起来这么好？对方为什么这么急？一旦产生怀疑，宁可错过，也不要冒险。毕竟，真正的招聘方不会介意你核实信息，而骗子最怕的就是你认真。
强化学习与可验证奖励（RLVR）是提升大语言模型推理能力的有效方法，但实际中的验证器（如代码检查工具）常存在系统误差。最新研究指出，这些误差并非随机独立，而是具有系统性的错误模式，可能给模型训练带来严重后果。 ## 系统误差 vs. 随机误差：两种截然不同的影响 以往研究通常将验证器误差视为随机且样本间独立的噪声，结论是这些误差仅会减缓训练速度，对最终性能影响有限。然而，来自苏黎世联邦理工学院的研究团队在 arXiv 上发表的论文《Delay, Plateau, or Collapse: Evaluating the Impact of Systematic Verification Error on RLVR》指出，真实世界的验证器往往表现出系统性错误，例如静态代码检查器可能始终漏报某些类型的 bug，或对特定代码风格产生假阳性警报。 ## 关键发现：假阴性与假阳性的不对称效应 研究团队通过算术任务的受控实验揭示了两种系统误差的差异： - **系统性假阴性**（本应正确却被判错）的影响与随机噪声类似，主要表现为训练延迟，但模型仍能最终收敛到接近最优的性能。 - **系统性假阳性**（本应错误却被判对）则可能引发从次优停滞到性能崩溃的广泛问题。模型会“学会”错误的行为模式，甚至彻底丧失推理能力。 ## 误差率不是唯一指标：错误模式决定成败 论文强调，训练结果并非由整体误差率决定，而是取决于**错误的特定分布模式**。这意味着，仅仅降低验证器的平均误差率并不足以保证RLVR的安全性；即使整体误差率很低，只要错误集中在某个关键模式上，就可能导致灾难性后果。因此，验证器质量需要超越样本级错误率来理解。 ## 对AI训练实践的启示 该研究对RLVR的实际应用提出了警示：在依赖自动验证器（如代码测试、数学答案核对）进行强化学习时，开发者必须仔细检查验证器是否存在系统偏差。例如，如果代码检查器经常漏报内存泄漏，模型可能会学会写出有内存泄漏的代码。未来，开发更鲁棒的验证器或引入对抗性验证机制，将是确保RLVR安全可靠的关键方向。 总之，系统验证误差对RLVR的影响远非“仅减速”那么简单。研究团队的工作为理解和缓解这一风险提供了重要基础。
一篇即将发表于 AAAI 2026 夏季研讨会系列的论文揭示了一个令人不安的现象：**在完全良性的数据上微调防护模型，可能导致其安全对齐彻底失效**——这并非通过对抗性攻击，而是通过常规的领域专业化过程。 来自多所大学的研究团队对三类主流安全分类器——**LlamaGuard、WildGuard 和 Granite Guardian**——进行了系统测试。这些模型通常作为智能体 AI 管线中的保护层部署，负责拦截有害输出。然而，研究发现，即使在微调中仅使用无害数据，这些模型的安全边界也会逐渐崩溃。 ### 安全几何结构的消解 论文的核心发现是：微调破坏了模型的“潜在安全几何结构”——即隐空间中区分有害与良性表征的结构化边界。研究团队通过 SVD 分解类条件激活差异，逐层提取安全子空间，并追踪其在微调中的演化。结果触目惊心： - **Granite Guardian** 完全崩溃，拒绝率从 **85% 骤降至 0%**，CKA（表征相似度指标）归零，**100% 的输出变得模糊**。 - 这种脆弱性远超此前在通用大语言模型上的观察，研究者将其归因于**专业化假设**：安全表征越集中、越高效，就越容易因领域偏移而灾难性失效。 ### 从破坏到修复：FW-SSR 正则化方法 为应对这一风险，团队提出了 **Fisher 加权安全子空间正则化（FW-SSR）**。该方法在训练时引入两项惩罚： 1. **曲率感知方向权重**：基于对角 Fisher 信息矩阵，识别对安全分类关键的方向。 2. **自适应 λt**：根据任务梯度与安全梯度的冲突程度动态调整正则化强度。 实验结果表明，FW-SSR 能够有效恢复安全性能： - **Granite Guardian** 的拒绝率回升至 **75%**，CKA 达到 **0.983**。 - **WildGuard** 的攻击成功率降至 **3.6%**，甚至优于未经微调的基线模型——原因在于 FW-SSR 并非简单地锚定原有边界，而是主动锐化安全子空间。 ### 对智能体部署的启示 研究还指出，**结构表征几何指标（如 CKA、Fisher 分数）比简单的位移度量更能预测安全行为**。这意味着，在智能体系统的持续部署中，仅监控输出拒绝率远远不够，必须引入几何层面的表征监控。 ### 行业背景与展望 随着 AI 智能体从原型走向生产环境，安全防护模型正成为关键基础设施。然而，这项研究提醒我们：**安全对齐并非一劳永逸**。即使是看似无害的微调——比如为了让模型适应特定领域术语或格式——也可能意外瓦解精心构建的安全防线。FW-SSR 提供了一种可行的训练时保护机制，但更根本的启示在于：我们需要重新审视安全对齐的鲁棒性，尤其是在持续学习和领域适应场景中。 论文链接：arXiv:2605.02914
近日，一项名为 **StateSMix** 的新型无损压缩方案引发关注。该方案完全自包含，无需预训练权重、GPU或外部依赖，仅通过在线训练一个轻量级 Mamba 风格状态空间模型（SSM），结合稀疏 N-gram 上下文混合与算术编码，即可在标准基准上超越传统压缩工具如 xz。 ## 核心架构：SSM + 稀疏 N-gram 混合 StateSMix 的核心是一个参数约 12 万的 SSM（维度 32，层数 2），它在压缩过程中逐 token 在线训练，为每个 BPE token 提供连续更新的概率估计。与此同时，系统维护了 9 个稀疏 N-gram 哈希表（从 bigram 到 32-gram，每个表 1600 万槽位），通过 softmax 不变的对数偏置机制精确记忆局部和长距离模式。SSM 和 N-gram 的贡献由熵自适应缩放机制动态调节——当 SSM 预测置信度高时，N-gram 的影响自动减弱，避免过度修正。 ## 性能表现：轻量级击败传统算法 在标准 enwik8 基准上，StateSMix 在 1MB、3MB 和 10MB 数据上分别达到 **2.123、2.149 和 2.162 bpb**，相比 xz -9e（LZMA2）压缩率分别提升 8.7%、5.4% 和 0.7%。消融实验显示，SSM 是主要压缩引擎：单凭 SSM 即可比频数基线减少 46.6% 体积，且无需 N-gram 组件已超越 xz；而 N-gram 表通过精确上下文记忆额外贡献 4.1% 的增益。 ## 工程实现与效率 StateSMix 完全用纯 C 语言实现，并利用 AVX2 SIMD 指令集加速。在普通 x86-64 硬件上，每秒可处理约 **2000 个 token**。训练循环通过 OpenMP 并行化，在 4 核上获得 1.9 倍加速。这意味着它无需 GPU 即可在 CPU 上高效运行，非常适合资源受限的环境。 ## 行业意义与展望 StateSMix 展示了将现代序列模型（如 Mamba）与传统压缩技术结合的巨大潜力。其在线学习特性尤其适合流式数据或一次性文件压缩场景，避免了预训练模型对海量数据和算力的依赖。未来，该方法有望进一步扩展到图像、音频等领域的无损压缩，或与更高效的 tokenizer 结合以提升性能。
Transformer 推理过程中，键值（KV）缓存的大小随序列长度线性增长，成为长上下文部署的主要瓶颈。近日，一篇来自 arXiv 的论文提出了一种名为 **eOptShrinkQ** 的新型压缩方法，将随机矩阵理论引入 KV 缓存压缩，在近乎无损的前提下将缓存压缩至约 2.2 bits 每项，并在多项基准测试中超越现有方法。 ## 核心发现：KV 缓存的双重结构 研究人员发现，Transformer 注意力头中的 KV 缓存天然可分解为两部分：一个**低秩的“共享上下文”成分**和一个**满秩的“逐词残差”**。这一结构恰好可以用“尖峰随机矩阵模型”（spiked random matrix model）精确描述。共享上下文捕获了跨 token 的公共信息，而残差则包含每个 token 的独特细节，且其坐标具有“薄壳性质”（thin shell property）——即能量在各维度上均匀分布。 ## 两阶段压缩流水线 基于上述发现，eOptShrinkQ 设计了一个两阶段流程： 1. **最优奇异值收缩（eOptShrink）**：利用随机矩阵理论中的 BBP 相变（BBP phase transition），自动确定共享上下文的秩，并对奇异值进行最优收缩，从而干净地分离出低秩结构。这一步不仅提取了主要信息，还**恢复了残差的各向同性**——这是后续标量量化的关键前提。 2. **残余量化（TurboQuant）**：对去噪后的残差，使用近期提出的近最优逐向量标量量化器 TurboQuant 进行压缩。由于第一步恢复了各向同性，量化过程不再需要专门处理异常值或修正内积偏差，从而将节省的比特用于提升重建质量。 ## 理论保证与实验验证 论文从随机矩阵理论出发，提供了三个关键的理论保证： - **自动秩选择**：通过 BBP 相变阈值，无需手动调参即可确定低秩成分的维数。 - **近零内积偏差**：去噪后的残差在理论上保证内积偏差几乎为零。 - **坐标离域性**：残差的能量均匀分布，确保量化失真接近理论最优。 实验在 **Llama-3.1-8B** 和 **Ministral-8B** 两个模型上进行了全面验证： - **逐层指标**：在每头 MSE 和内积保真度上，eOptShrinkQ 在同等质量下比 TurboQuant 每项节省近 1 bit。 - **长文本基准**：在 LongBench（16 个任务）上，eOptShrinkQ 在约 **2.2 bits 每项**时性能优于 TurboQuant 在 3.0 bits 时的表现。 - **多针检索**：在需要精确回忆的检索任务中，2.2 bits 的 eOptShrinkQ 接近甚至超过未压缩的 FP16 基线，表明谱去噪本身可能对检索密集型任务起到有益的正则化作用。 ## 行业意义 这项工作的价值在于将严谨的数学理论与工程压缩需求结合。传统的 KV 缓存压缩方法往往依赖启发式异常值处理或逐层调参，而 eOptShrinkQ 提供了一套理论指导的自动化方案。随着大模型上下文窗口不断扩展，近乎无损的 2-bit 级别压缩有望大幅降低推理成本，使长序列应用（如文档分析、多轮对话）更加实用。
一篇来自 arXiv 的新论文（编号 2605.02907）对 Transformer 的核心——**Softmax 注意力机制**——进行了深入的结构分析，发现了其中隐藏的“不变性”规律。该研究由独立研究者 Wonsuk Lee 完成，定义了名为“**能量场**”的概念（行中心化的注意力 logit），并证明它在不同模型、架构和输入下都表现出两种不变性：**机制级不变性**和**模型级规律性**。 ### 机制级不变性：数学结构决定的约束 机制级不变性源于 Softmax 注意力的代数结构，包括： - **每行零和约束**：每个 query 对应的注意力 logit 在中心化后，其行内和为零。 - **秩界限**：能量场的秩受限于注意力头的维度（通常为 64 或 128），这意味着它只能在一个低维子空间中变化。 - **谱特征**：由前两者导出的矩阵谱性质。 这些约束是数学上必然成立的，不受模型训练或输入影响。 ### 模型级规律性：实验观察到的普遍现象 更令人惊讶的是，论文发现了一种并非机制强制、却在所有测试的自回归语言模型（涵盖多个架构家族）中普遍存在的规律：**能量场的方差在 key 位置上分布均匀，不会集中在少数几个位置上**。这种“**离域化**”现象源于一个被称为“**key 非相干性**”的特性——即 key 矩阵的列向量之间近似正交，互不相关。 ### 实用意义：从理论到实践 这些发现并非纯理论游戏。论文指出了几个实际应用： - **低维子空间**：秩界限意味着注意力计算可以在降维后的空间中进行，可能用于模型压缩或加速。 - **训练监控工具**：key 非相干性可以作为每个注意力头的训练健康指标——如果某个头的 key 非相干性偏离期望范围，可能意味着训练出现问题。 研究者在多个上下文长度和输入文本上验证了结果，确保其鲁棒性。 ### 行业背景与影响 注意力机制是 GPT-4、Claude、Llama 等所有主流大语言模型的基石。尽管其数学形式简单（Softmax 归一化），但内部动态一直被视为“黑箱”。这篇论文首次系统性地揭示了 Softmax 注意力的结构不变量，为理解模型行为、诊断训练问题、甚至设计更高效的架构提供了新视角。 值得注意的是，key 非相干性这一发现让人联想到词嵌入中的各向同性（isotropy）概念，但应用在注意力机制的 key 空间上。如果后续研究能证实这一性质与模型能力（如长上下文处理、幻觉抑制）的相关性，可能催生新的正则化方法或初始化策略。 论文目前以预印本形式发布，尚待同行评审。但其清晰的理论推导和跨模型验证，使其成为近期注意力机制研究中的一个有力贡献。
## 当大模型遇见网络优化：一种面向6G的Agentic AI框架 未来6G移动网络将部署大量高度专业化的优化专家，但如何根据高层意图和不确定性描述，灵活地选择、组合和编排这些专家，成为关键挑战。近日，一篇发表在arXiv上的论文提出了一种**基于Agentic AI的网络优化框架**，通过融合**混合专家（MoE）架构**与**大语言模型（LLM）**，实现了从人类可读意图到底层资源分配决策的端到端智能优化。 ### 核心思路：LLM作为“语义门”，动态调度专家 该框架的核心创新在于让LLM扮演一个**“语义门”**的角色。传统的MoE中，门控网络通常基于数值特征选择专家；而这里，LLM能够理解运营商用自然语言描述的目标（如“优先降低时延”或“保障公平性”），并据此动态组合出合适的优化专家集合。这种方式使得框架具备**模型无关性**，可适配不同的网络场景和优化目标。 ### 技术实现：从高层次意图到低层资源分配 论文以**联合通信与计算网络**为例，设计了一个包含多种优化专家的库，覆盖吞吐量、公平性、时延等目标，并同时支持常规和鲁棒（robust）条件下的优化。数值仿真表明，该**Agentic MoE框架**在性能上接近穷举所有专家组合的最优结果，并且在时延最小化、吞吐量最大化等不同目标上，均优于单一专家方案。 ### 行业意义：AI编排网络的新范式 这项研究为6G网络的自智化提供了新思路。传统网络优化往往依赖人工配置或固定算法，难以应对动态多变的需求。而该框架利用LLM的语义理解能力，将运营商的高层意图直接转化为可执行的优化策略，大幅降低了运维门槛。同时，MoE架构保证了计算效率——无需激活所有专家，仅需LLM选定的子集即可完成任务。 ### 局限与展望 目前该工作仍处于仿真验证阶段，实际部署还需考虑LLM的推理延迟、专家库的扩展性以及安全可靠性等问题。但不可否认，**Agentic AI + MoE + LLM** 的组合为未来通信网络与AI的深度融合提供了一个有潜力的技术方向。 > 论文由Robert-Jeron Reifert等人撰写，共16页，包含16张图和9张表，已提交至IEEE。
强化学习（RL）已成为提升大型语言模型（LLM）推理能力的核心后训练工具。然而，决定优化器学习数据的“推演”（rollout）——即从提示到终止的轨迹，包括中间推理步骤及可选的工具或环境交互——其设计往往被低估和报道不足。近日，一篇由Rohan Surana等22位作者联合撰写的综述论文《Generate, Filter, Control, Replay: A Comprehensive Survey of Rollout Strategies for LLM Reinforcement Learning》系统性地填补了这一空白。 ### 核心框架：GFCR生命周期 该论文提出了一个与优化器无关的视角，将推演流程形式化为统一的符号体系，并引入**Generate-Filter-Control-Replay（GFCR）**生命周期分类法，将推演管道分解为四个模块化阶段： - **Generate（生成）**：提出候选轨迹和拓扑结构。 - **Filter（过滤）**：通过验证器、评判者、批评者构建中间信号。 - **Control（控制）**：在预算约束下分配计算资源，并做出继续/分支/停止决策。 - **Replay（重放）**：在不更新权重的情况下，跨推演保留和重用工件，包括能够自主生成新训练任务的自演化课程。 ### 推演权衡准则 除了GFCR框架，论文还补充了一套**可靠性、覆盖率和成本敏感性**的准则分类，用于刻画推演中的关键权衡。这一准则帮助研究者和工程师在不同场景下选择最合适的推演策略。 ### 方法综合与案例研究 基于该框架，论文综合了多种方法，涵盖： - 基于可验证奖励的RL - 过程监督 - 基于评判者的门控机制 - 引导式推演与树/片段推演 - 自适应计算分配 - 提前退出与部分推演 - 吞吐量优化 - 用于自我改进的重放/重组 为了验证框架的实用性，论文在**数学、代码/SQL、多模态推理、工具使用代理以及代理技能基准**（评估技能归纳、重用和跨任务迁移）上进行了案例研究。 ### 诊断索引与实践意义 最后，论文提供了一个诊断索引，将常见的推演病理映射到GFCR模块，为实际开发中的问题定位和策略调整提供了直接指导。 ### 行业背景与展望 当前，LLM的后训练越来越依赖强化学习，从OpenAI的o1系列到DeepSeek-R1等模型，均通过RL显著提升了推理链的质量。然而，推演策略的细节往往是“黑盒”，这篇综述的公开恰好为社区提供了系统化的设计蓝图。GFCR框架不仅有助于理解现有方法，还能启发新的推演策略设计，尤其是在**计算效率与推理质量**的平衡上。 随着LLM向更长的推理链和更复杂的工具交互发展，推演策略的设计将成为影响模型能力上限的关键因素。这篇综述无疑为研究人员和工程师提供了宝贵的参考。