### 事件概述 2026年7月15日，欧盟普通法院（General Court）作出裁决，驳回了 OpenAI 对欧盟知识产权局（EUIPO）拒绝其“OPENAI”商标注册申请的法律挑战。法院认为，对于部分软件和信息技术商品及服务而言，“OPENAI”这一术语纯粹具有描述性，缺乏商标保护所需的显著性。该裁决仍可上诉至欧洲法院（European Court of Justice）。 ### 核心争议 EUIPO 此前部分拒绝了 OpenAI 的商标注册申请，涉及软件和云计算服务等领域。EUIPO 认为，相关公众会将“open”理解为“可自由访问的”，而“AI”是人工智能的缩写，二者组合在一起，会被解读为“基于可公开访问的人工智能的产品”。OpenAI 则辩称，“open”一词有多种含义，且“OPENAI”是一个没有固定含义的独创词汇。公司还引用了 EUIPO 此前批准的类似商标注册，以及英国、新加坡等 30 多个国家的注册情况作为先例。 ### 法院判决 法院驳回了 OpenAI 的论点，指出该词语组合在英语中并非不寻常的语言组合。更重要的是，其他司法管辖区的注册对欧盟商标法不具有约束力。因此，法院维持了 EUIPO 的决定，认为“OPENAI”在相关类别上缺乏显著性。 ### 行业影响 此案凸显了 AI 公司在商标保护上面临的独特挑战。随着“AI”成为通用术语，将“AI”与描述性词汇组合的商标在欧盟可能难以获得保护。对于 OpenAI 而言，这一裁决可能迫使其在欧盟市场采取替代品牌策略，例如使用更独特的商标（如“ChatGPT”）或通过使用获得“第二含义”（secondary meaning）来克服显著性不足的问题。 ### 后续走向 OpenAI 仍可选择向欧洲法院上诉。如果上诉失败，公司可能需要调整其欧盟商标布局。此外，该判决也可能影响其他 AI 公司（如 Anthropic、Google DeepMind 等）的商标申请策略，促使它们更谨慎地选择品牌名称。
波多黎各正在推进一项关键的能源韧性项目——为偏远岛屿别克斯岛（Vieques）上的一个移动太阳能+电池微电网系统添加清洁氢能，以提升其在飓风等极端天气下的应急供电能力。该项目由美国能源部（DOE）和当地合作伙伴共同推动，旨在为这个长期受电网脆弱性困扰的地区打造更可靠的备用电源方案。 ### 从太阳能电池到氢能储能 现有的微电网系统由太阳能光伏板和电池储能组成，已为一个农场内的冷藏集装箱提供电力，用于存储农产品和关键物资。然而，电池储能通常只能支撑数小时到数天的电力需求。**通过引入清洁氢能作为长期储能介质**，系统可以在阳光充足时将多余电力用于电解水制氢，并将氢气储存起来；当遭遇连续阴天或夜间紧急情况时，氢气可通过燃料电池重新发电，将备用供电时间延长至数天甚至数周。 ### 为何选择氢能？ 波多黎各电网在2017年飓风玛丽亚（Hurricane Maria）和2022年飓风菲奥娜（Hurricane Fiona）后均遭受毁灭性打击，部分地区停电数月。传统柴油发电机虽常用，但燃料运输在道路中断时极为困难，且成本高昂、污染严重。**清洁氢能作为“可储存的可再生能源”**，能够在不依赖进口燃料的情况下提供长时备用电力，尤其适合别克斯岛这类远离主岛、基础设施脆弱的社区。 ### 项目进展与挑战 目前该项目正处于升级改造阶段，计划集成电解槽、储氢罐和燃料电池模块。美国能源部国家可再生能源实验室（NREL）提供技术支撑，目标是在2025年前完成部署并投入示范运行。不过，清洁氢能系统当前仍面临**成本偏高**和**能效损失**（电解-储氢-发电全链条效率约30%-40%）的问题，但其在应急场景下的战略价值——尤其是与太阳能和电池形成互补——正推动更多类似试点。 ### 行业启示：微电网+氢能组合潜力 这一案例揭示了清洁氢能在**离网型微电网**中的独特定位：电池应对短时波动，氢能负责长时跨天储能。随着电解槽和燃料电池成本持续下降，类似“太阳能+电池+氢能”的三合一系统有望成为海岛、偏远山区及灾害频发地区的标准配置。对于波多黎各而言，这不仅是技术升级，更是构建气候韧性能源基础设施的重要一步。
AI模型能力日新月异，但企业究竟如何大规模采用AI，依然是个悬而未决的问题。前沿AI实验室 Anthropic 和 OpenAI 不约而同地选择了一条新路径：成立独立的AI部署公司，将工程师派驻到企业客户办公室，贴身解决实际落地难题。Anthropic 与黑石集团（Blackstone）、Hellman & Friedman、高盛等共同成立的合资公司近日正式命名为 **Ode**，估值达15亿美元。Ode 的目标是成为一家“规模化精品店”式的AI服务公司，其CEO Chris Taylor 甚至放言：“如果执行得当，这家公司未来成为万亿美元级别并非不可能。” 这背后是行业对“模型即一切”的反思。黑石集团在尝试将AI引入其投资组合公司时发现，无论是大型咨询公司还是小型AI服务商，都难以高效完成端到端实施。最终他们选中了AI工程服务初创公司 **Fractional AI**，并将其整合为 Ode 的核心。值得注意的是，Fractional 在收购前刚结束了与 OpenAI 长达11个月的合作关系。Ode 目前拥有约100名工程师，与 Anthropic 的应用AI团队紧密协作，针对每家企业的运营特点定制系统。 Ode 的客户筛选标准也颇为独特：CEO本人必须对AI前景有坚定信念，且AI项目需列为企业最高优先级之一。这种自上而下的承诺，被认为是项目成功的关键。与此同时，黑石等投资方会将旗下被投企业作为潜在客户导入，但 Ode 的服务并不限于此。 这一模式并非孤例。OpenAI 早已成立类似实体“The Deployment Company”，而 Anthropic 的内部团队仍将专注于战略性和使命对齐的部署。两家的布局共同指向一个趋势：在模型能力趋同的背景下，**“实施”正成为决定企业AI落地的胜负手**。谁能帮企业把模型用起来、用得好，谁就可能抓住下一个万亿美元的市场机会。
生成式 AI 模型又有了令人惊叹的新应用：设计 DNA 折纸。这项技术能根据用户绘制的任意形状，自动设计出相应的 DNA 纳米结构，就像用 DNA 分子折叠出微观世界的“折纸”作品。 ## 从草图到微观结构 想象一下，你随手画一个星星、一朵花，甚至一个字母，AI 就能为你设计出由 DNA 链折叠而成的对应 3D 结构。这正是最新生成式 AI 模型的能力——它通过学习大量已有的 DNA 折纸设计模式，能够理解形状的几何特征，并生成对应的 DNA 序列和折叠路径。 DNA 折纸技术本身并不新鲜：科学家利用 DNA 分子碱基互补配对的原则，通过设计多条短 DNA 链来引导一条长链折叠成预定形状。但以往这个过程高度依赖人工设计，费时费力，且仅能实现有限的结构。AI 的介入彻底改变了这一局面。 ## 生成式 AI 如何“折叠”DNA 该模型属于生成式 AI 的一种变体，专门针对生物分子结构进行优化。其核心在于将用户输入的形状（如位图或轮廓）转化为一组几何约束，然后利用深度神经网络生成一套完整的 DNA 链序列和组装指令。模型在训练时使用了大量已发表的 DNA 折纸结构数据，从而学会了如何将宏观形状映射到纳米尺度的分子折叠方案。 与传统的文本或图像生成不同，这里的“输出”不是像素或文字，而是一组精确的 DNA 碱基序列——它们决定了长链 DNA 如何弯曲、交叉、固定，最终形成目标形状。 ## 应用前景与挑战 这项技术的潜在应用相当广泛： - **纳米机器人**：可设计特定形状的 DNA 载体，用于靶向药物递送。 - **分子传感器**：形状本身可作为识别元件，检测特定生物分子。 - **智能材料**：DNA 折纸可作为模板，引导纳米颗粒组装成功能性材料。 不过，目前该模型生成的方案还停留在理论设计阶段，实际合成和验证仍需实验室操作。此外，DNA 折纸在体内的稳定性、成本等问题也需要解决。 ## 从 AI 到“AI 折纸” 这项研究再次证明，生成式 AI 的创造力不仅限于数字世界——它正在渗透到物质世界的微观构建中。当 AI 学会折叠 DNA，我们或许正在见证纳米制造领域的一场革命。未来，医生或许能根据患者的具体需求，让 AI 快速设计出个性化的纳米药物载体；材料科学家则能按需定制分子级别的结构单元。 当然，从实验室到临床或工业应用仍有距离。但至少现在，我们可以画一个图案，然后让 AI 告诉我们：这根 DNA 长链该如何折叠。
## 一句话总结 一款名为 **Reelful** 的 iOS 新应用正利用 AI 自动将用户相册中的照片和视频片段转化为适合 TikTok、Instagram Reels 等平台的短视频，旨在让内容创作变得像发消息一样简单。 ## 核心功能：从相册到成品，全自动流水线 Reelful 的工作流程非常直观：用户只需输入一段描述（例如“旅行回顾”或“产品演示”），录制 30 秒语音样本创建声音克隆，然后从相册中选择素材。AI 会接手后续所有工作——规划视频结构、撰写脚本、生成 AI 语音旁白，并自动添加字幕、音乐和音效，最终输出一条完整的短视频。 更引人注目的是，Reelful 还能将静态照片转化为 AI 生成的动态视频片段。例如，一张切芒果的照片可以被“激活”为人物正在切水果的短动画。为避免混淆，所有 AI 生成的视频都会带有水印提示。 ## 创始人背景与产品定位 Reelful 由前 Snapchat 机器学习工程师 **Kate Deyneka** 创立，她曾参与开发 Snapchat 的视频和图像模型。离开 Snap 后，Deyneka 决定打造一款“代理型视频编辑器”，让用户彻底摆脱传统剪辑的繁琐步骤。她坦言，作为早期创业者，自己根本没有时间手动剪辑视频，而 Reelful 正是为那些“生活忙碌但希望建立个人品牌”的人群设计的。 目前，Reelful 正在参与知名风投 a16z 的 **Speedrun 加速器项目**，其理念与当前 AI 视频创作工具的趋势高度吻合。市场上已有 Opus Clip、Captions 等类似产品，但 Reelful 的差异化在于：它不满足于剪辑现有视频，而是从零开始“生成”完整叙事。 ## 行业背景：AI 视频编辑进入“代理时代” Reelful 的发布反映了视频创作领域的根本性转变：用户正在从传统的“手动编辑工具”转向“AI 代理”——后者能自主完成从策划到交付的全过程。这种模式降低了内容创作的门槛，尤其适合那些有丰富素材但缺乏时间或技能的社交媒体用户。 不过，AI 生成视频的版权、真实性和伦理问题也值得关注。Reelful 的水印机制是一个积极的信号，但随着技术普及，平台和创作者都需要更清晰的规则来确保透明度。 ## 可用性与展望 目前 Reelful 仅面向 iOS 用户推出，应用商店已可下载。对于希望快速提升社交媒体存在感的个人用户来说，它提供了一条“零剪辑”的捷径。未来，随着更多类似工具的涌现，AI 视频生成可能会像滤镜一样成为社交媒体的标配功能。
## 快讯：AI 客服创企 Rime 完成 2400 万美元 A 轮融资 专注于企业级 AI 语音客服的初创公司 **Rime** 近日宣布完成 **2400 万美元** 的 A 轮融资。该公司目前每月处理超过 **1 亿通** 客户电话，服务覆盖多家企业。 ### 核心数据 - **月通话量**：超过 1 亿通 - **融资轮次**：A 轮 - **融资金额**：2400 万美元 ### 行业背景 随着大语言模型技术的成熟，AI 语音客服赛道正在快速升温。传统 IVR（交互式语音应答）系统用户体验差、转人工率高，而新一代 AI 客服能够理解复杂意图、保持自然对话，并自动完成订单查询、售后处理等任务。Rime 的技术核心在于其自研的语音识别与对话管理模型，能够适应不同行业的专业术语和场景。 ### 市场前景 企业客服场景中，电话渠道仍是用户首选，但人力成本高昂。Rime 的目标是通过 AI 替代大部分重复性人工通话，帮助企业降低运营成本并提升响应效率。本轮融资将用于技术研发、团队扩张和市场拓展。 ### 小结 Rime 的快速增长印证了企业对 AI 客服的强烈需求。在客服人力成本持续上升的背景下，类似 Rime 的 AI 原生解决方案有望成为行业标配。
苹果 FaceID 和 Vision Pro 技术的联合发明人 Gidi Littwin，正将人工智能的触角伸向一个更深的领域：**大脑健康诊断**。他创办的初创公司 **Hemispheric** 近日宣布完成 **5200 万美元** 融资，核心目标是通过 AI 分析脑电活动，让抑郁症、创伤后应激障碍（PTSD）、帕金森病等疾病的诊断变得像血检一样简单、廉价。 ## 从面部识别到脑电解码：技术路径的迁移 Littwin 在苹果期间参与开发了 FaceID 和 Vision Pro 的手部追踪功能，这些产品背后依赖的是大规模数据收集和深度学习模型训练。据他透露，当时为了训练模型，团队收集了“数十万受试者的数据”。这种对海量数据的处理经验，被他完整带到了 Hemispheric。 2020 年 Littwin 离开苹果后，通过 LinkedIn 收到了联合创始人 Hagai Lalazar 的冷消息。Lalazar 当时正在探索用 AI 研究大脑的非侵入式方法，并已接触了约 75 位潜在合伙人。两人一拍即合：Lalazar 有技术愿景，Littwin 则擅长商业化落地。 ## 250,000 小时脑电数据：Hemispheric 的核心资产 Hemispheric 的“最珍贵资产”是一套庞大的脑电数据集：来自亚洲、特拉维夫和波士顿的 **10 万名付费志愿者**，贡献了总计 **25 万小时** 的大脑活动数据。志愿者在采集过程中进行了一系列看似游戏的任务，这些任务会激活大脑的不同区域。 基于这些数据，团队训练了一个**基础模型（frontier model）**，其工作原理类似于大语言模型（LLM）从文本中统计推断语义——只不过它分析的是颅骨内的电信号，并据此推断大脑功能状态。该模型随后在 PTSD、精神分裂症和抑郁症患者子集上进行了测试，据称能够**准确推断出个体的大脑健康状况**。 ## 首个产品即将落地：阿尔茨海默病诊断成为突破口 目前，Hemispheric 正在推进一项临床研究，验证其模型是否能够诊断甚至预测 **阿尔茨海默病**。团队计划提交的首个产品将专注于这一方向。如果成功，这将改变当前主要依赖主观问卷和行为观察的诊断方式——因为每个人的脑电活动模式都不同，传统方法往往不够精确。 ## 行业意义：让脑健康诊断走向普惠 从商业和医疗角度看，Hemispheric 的目标是大幅降低脑部诊断的门槛和成本。Littwin 希望未来脑健康检测能像血检一样普及，无需手术或昂贵设备，仅通过非侵入式脑电采集即可完成。这对于全球数以亿计的精神疾病和神经退行性疾病患者而言，意味着更早的干预机会和更个性化的治疗方案。 当然，从实验室到临床广泛应用仍有很长的路：模型在更大规模、多中心人群中的泛化能力，以及监管审批的路径，都是待解之题。但 Hemispheric 已经用这笔可观的融资和独特的数据资产，在 AI+脑科学赛道上占据了一个有利身位。
The guy behind TCP/IP is working on a standard for identifying AI agents in the wild.
印度AI编程初创公司 **Emergent** 宣布完成 **1.3亿美元** C轮融资，估值达到 **15亿美元**，较六个月前暴涨五倍。这家成立仅一年的公司已实现 **1.2亿美元** 年化收入，拥有超过 **20万** 付费用户，直指中小企业与创业者市场。 ## 融资与市场背景 本轮融资由私募股权公司 **Creaegis** 领投，新投资者 **MNI Ventures-Claypond**、**Sentinel Global** 以及现有投资者 **Khosla Ventures**、**SoftBank Vision Fund 2**、**Lightspeed** 和 **Y Combinator** 参投。至此，Emergent 累计融资额达 **2.3亿美元**。此前在2024年1月，该公司刚完成 **7000万美元** B轮融资，估值仅 **3亿美元**。 AI编程赛道正吸引大量资本涌入。像 **Lovable**、**Replit** 和 **Cursor** 等初创公司已筹集数十亿美元，而 **OpenAI** 和 **Anthropic** 等AI实验室也在加大对编程工具的投入。Emergent 选择差异化竞争，聚焦于希望创办新企业的创业者以及传统上依赖邮件、电子表格和消息应用运营的中小企业。 ## 产品定位与竞争优势 联合创始人兼CEO **Mukund Jha** 表示：“我们的理念始终是为严肃的开发者构建生产级应用。你相当于获得了一个‘工程团队即服务’。” Emergent 的目标客户包括：卡车公司（开发软件追踪货物）、工厂、建筑企业（构建企业资源规划系统）以及物业经理（开发内部客户管理工具）。 在收入地域分布上，北美约占 **三分之一**，欧洲同样占三分之一，其余来自其他市场，其中印度占比约 **8% 到 9%**。 Jha 将 **Replit** 视为最直接的竞争对手，但强调 Emergent 与开发者工具（如 Anthropic 的 Claude Code、OpenAI 的 Codex 和 Cursor）不同：非技术用户需要一个能同时处理部署、托管、测试和调试的平台，而不仅仅是编写代码。不过，Jha 承认设计仍是短板——许多由AI工具搭建的网站外观趋同。 ## 行业影响与展望 Emergent 的快速崛起反映了AI编程工具从“辅助开发者”向“替代开发者”的演进趋势。随着企业数字化转型加速，低代码/无代码平台的需求持续增长。Emergent 能否在拥挤赛道中持续突围，取决于其能否在保持易用性的同时，解决设计定制化等深层痛点。
OpenVPN 最初是一个社区驱动的加密协议，旨在保护数字隐私。如今，它已演变为三种部署模式：**OpenVPN Community Edition**（免费自建）、**Access Server**（自托管但带有 Web 管理界面）和 **CloudConnexa**（全托管云服务）。三者共享相同的底层协议和安全性，但在易用性、管理成本和扩展性上差异显著。 ### 产品对比 - **Community Edition**：完全免费，适合技术用户。需手动配置服务器和客户端，无图形界面，维护成本高。 - **Access Server**：基于订阅的自托管方案，提供 Web UI 简化管理。适合中小团队，价格从 **$15/月起**（2 个并发连接），支持更多连接需升级。 - **CloudConnexa**：全托管云 VPN，无需维护基础设施。按连接数计费，起步价约 **$10/月/连接**，适合企业级部署。 ### 关键差异 | 特性 | Community Edition | Access Server | CloudConnexa | |------|------------------|---------------|--------------| | 价格 | 免费 | 订阅制 | 订阅制 | | 管理界面 | 无 | Web UI | 云控制台 | | 服务器维护 | 自行维护 | 自行维护 | 全托管 | | 适用场景 | 个人/极客 | 中小团队 | 企业 | ### 选择建议 对于追求零成本的个人用户，**Community Edition** 依然是最佳选择。但若你希望减少配置时间，**Access Server** 提供了性价比高的折中方案。而需要高可用性和零运维的团队，**CloudConnexa** 的云原生体验更合适。
几个月前，我和未婚妻在亚特兰大一个多山的区域买了一对电动自行车，每辆近2000美元。未婚妻的车顺利到货，而我的车却一再延迟。终于有一天，联邦快递发短信说已送达并签收，但我当时正在厨房做菜，门口根本没有包裹。签收人是神秘的“M.M.”，不是我和未婚妻，也不是楼里任何人。第二天我开始打电话给联邦快递客服，结果陷入长达数月的客户服务地狱——在联邦快递、自行车公司、银行、信用卡公司甚至当地警局的聊天机器人等候室里耗尽时间，只为找到一个真人说话。 最奇怪的是，这种经历如今变得极为普遍。近年来，企业热衷于在客服中部署人工智能，往往以牺牲人类员工为代价。今年4月一项调查显示，31%的客服主管已因采用AI而裁员或计划裁员。多数主管表示他们正在将人工客服调岗或增加任务，而非直接解雇。但有些领导更直白：Verizon CEO Dan Schulman最近告诉彭博社，AI可能会取代公司“很大比例”的客服工作。 当包裹丢失时，我首先拨打联邦快递客服。电话树让我反复选择菜单，最终被转到一个AI聊天机器人。机器人让我提供追踪号，然后告诉我“包裹已送达”。当我指出我没收到时，它重复同样的信息。我尝试说“转人工”，机器人假装理解，却再次把我带回菜单。在多次尝试后，我终于通过说“投诉”触发了转接，但等待了45分钟。 接下来是自行车公司。他们的网站只有聊天机器人，没有电话。机器人让我提供订单号，然后说“已发货”。我解释丢失情况，它自动生成一个工单，承诺48小时内回复。48小时后我收到邮件，要求我联系联邦快递。我再次联系联邦快递，又被机器人循环。 我转向信用卡公司申请争议交易。他们的App有聊天机器人，但只能处理简单问题。我试图通过机器人发起争议，它却让我打电话。电话客服倒是真人，但处理过程漫长。银行方面，机器人可以冻结卡片，但对包裹丢失无能为力。警察局网站也有聊天机器人，只提供报案指引，无法直接处理。 最终，我花了数周时间，在多个机器人之间来回，才通过信用卡公司的真人客服解决了问题——他们发起了争议退款。但整个过程让我深刻体会到：AI客服并没有让服务更智能，反而让它变得更令人愤怒。这些“数字看门人”看似高效，实则把消费者困在循环中，直到他们放弃。企业省了人工成本，却把麻烦转嫁给了用户。
在北加州，每年山火季都会带来断电风险。我决定尝试家用电池系统，选择了 **Anker Solix E10**。四个月的使用让我对“全屋备电”有了全新认识。 ### 入门体验：无需电工即可扩展 Anker Solix E10 的核心优势在于 **模块化设计**——无需电工即可自行增加电池容量。系统由基础单元和可堆叠电池模块组成，每个模块提供约 **1.6kWh** 容量。我最初配置了一个基础单元加两个模块，总容量约 **3.2kWh**。 安装非常简单：将基础单元接入家庭电路（需一个专用插座），然后堆叠电池模块。整个过程不到 **30 分钟**。对于初次接触家用电池的用户，这种低门槛设计很友好。 ### 实际备电能力：只能支撑“必需品” 所谓的“全屋备电”其实有局限。**一个堆叠系统只能为关键回路供电**，比如冰箱、路由器、几盏灯和手机充电。我的系统在断电时能维持这些设备运行约 **8-10 小时**（取决于负载）。 要真正实现全屋备份，需要多个堆叠系统或更大容量的方案。Anker 估计单个系统可覆盖“必需品”，但如果你希望同时运行空调、电炉等大功率设备，则需要额外投资。 ### 太阳能集成：延长续航的关键 Solix E10 支持 **太阳能输入**，最大功率 **600W**。在断电期间，如果天气晴朗，太阳能板可以为电池充电，理论上实现无限续航。我测试过一块 200W 便携面板，在晴天能提供约 **1kWh/天** 的补充，足以延长备电时间。 不过，太阳能效率受天气和季节影响很大。冬季或阴天时，太阳能贡献有限。 ### 应用体验：直观但有小问题 Anker 的配套应用提供 **实时电量监控、负载管理和系统设置**。界面清晰，可以查看每个设备的耗电情况。不过，部分设置（如定时充电）偶尔会出现 bug，需要重启应用才能生效。 ### 成本与性价比 单个系统（基础单元+两个电池模块）售价约 **$4,099**。但实际安装费用可能远超 Anker 的估算，尤其是如果需要电工进行电路改造。对于预算有限的用户，这可能是一笔不小的开支。 ### 总结：适合入门，但需理性预期 Anker Solix E10 是 **了解家用电池的好起点**。它降低了技术门槛，模块化设计允许逐步扩展。但必须明确：单个系统无法支撑全屋大功率设备。如果你只是想在断电时保住冰箱、网络和照明，它完全胜任；但若要“全屋无忧”，则需要更大的投资。 总体而言，我 **推荐给首次尝试家用电池的用户**，但建议先评估自己的核心需求，再决定是否扩展。
一群 OpenAI 普通员工已向一个名为 **Guardrails Alliance** 的超级政治行动委员会（Super PAC）捐款超过 **21.5 万美元**，该委员会主张对前沿 AI 实验室实施更严格的监管。Guardrails Alliance 上月成立，初始资金为 500 万美元，自称是一项由科技工作者、工会和其他团体支持的民粹主义行动。其目标是与 **Leading the Future** 抗衡——这是一个由科技行业领袖（包括 OpenAI 总裁兼联合创始人 Greg Brockman）提供逾 1 亿美元资金支持的亲 AI 行业超级 PAC。 据 WIRED 获悉，7 名现任 OpenAI 员工和 1 名前员工已向 Guardrails Alliance 捐款。该委员会在 7 月 15 日向联邦选举委员会提交首份季度申报文件前，独家向 WIRED 披露了部分捐赠者信息。其中两名 OpenAI 员工将出现在本次申报中，另外五人则会在未来的披露中被点名。 最大一笔捐款来自 OpenAI 研究工程师 **Juan Felipe Cerón Uribe**，他捐赠了 **20 万美元**。Cerón Uribe 自 2022 年起在 OpenAI 工作，过去四年一直致力于制定减轻 AI 潜在社会危害的策略。他在声明中表示：“在此期间，我越来越担心，如果这些研究不能转化为让私营公司对负责任的 AI 开发负责的护栏，那么所有工作都将白费。科技亿万富翁（如 Greg Brockman）资助了 Leading the Future 超级 PAC，目的是让 AI 不受监管。我很高兴得知 Guardrails Alliance 正在反击 LTF；我很容易就决定捐款。” 现任和前任 OpenAI 员工的捐款仅占 Guardrails Alliance 本选举周期 **1500 万美元** 筹资目标的一小部分，与 Brockman 夫妇承诺给 Leading the Future 的 **5000 万美元** 相比更是相形见绌。但无论金额大小，OpenAI 基层员工的捐款凸显了公司内部在塑造 AI 政策方面的紧张局势日益加剧。Brockman 对 Leading the Future 的捐款已引发部分 OpenAI 员工的担忧，他们曾向高管施压，要求解释公司与该超级 PAC 的关系。OpenAI 领导层随后试图与之保持距离。 这一事件折射出 AI 行业内部在监管问题上的深刻分歧：一方是主张快速推进、减少束缚的行业领袖，另一方是担忧风险、呼吁严格治理的基层员工。随着美国大选临近，AI 政策成为关键议题，这种内部博弈可能对行业未来走向产生深远影响。
USB-C 数据线外观几乎一模一样，但性能参数却可能天差地别。一款名为 **WhatCable** 的免费 Mac 应用能够帮助用户快速识别线缆的真实规格。作者在 Apple Silicon Mac 上测试后发现，多款线材存在虚标问题。 ## 为什么需要 WhatCable？ USB-C 最大的问题在于“千线一面”——无论是买设备附赠的廉价充电线，还是花 159 美元购买的支持 100W 充电和 40Gbps 传输的高端线，外观上几乎无法区分。这就导致用户经常在使用时遇到充电慢、数据传输失败等问题，甚至可能因线缆不达标而损坏设备。 ## WhatCable 如何工作？ WhatCable 专为 **Apple Silicon Mac**（M1 及更新芯片）设计，通过读取线缆内置的 E-Marker 芯片信息，解析出以下关键参数： - 支持的最大电流（如 3A、5A） - 支持的电压范围 - 数据传输速率（如 USB 2.0、USB 3.2 Gen 2、Thunderbolt 4） - 视频传输能力（如 DisplayPort Alt Mode） - 供电能力（最高 240W） 用户只需将线缆连接到 Mac，打开 WhatCable 即可看到详细报告，无需任何额外硬件。 ## 测试发现：虚标并非个例 作者使用 WhatCable 测试了手头多根 USB-C 线缆，结果令人惊讶： - 一根标称“100W 充电”的线缆，实际仅支持 60W。 - 另一根宣称“40Gbps 传输”的线，实际仅达到 USB 3.0 的 5Gbps。 - 部分线缆甚至缺少 E-Marker 芯片，无法提供任何规格信息，这意味着它们可能只适用于低功率充电。 这些发现说明，市场上存在不少虚标或误导性宣传的线缆。对普通用户而言，仅凭外观和包装上的标识很难判断真伪。 ## 使用建议与行业影响 WhatCable 这类工具的出现，让用户能够低成本地验证线缆性能。对于经常购买 USB-C 配件、或对充电和传输速度有较高要求的用户（如视频创作者、外接高速存储的用户），这是一个非常实用的检测手段。 从行业角度看，USB-C 的混乱局面由来已久，虽然 USB-IF 组织一直在推动认证和标识规范，但实际执行效果有限。第三方检测工具的普及，有望倒逼厂商提升产品透明度，减少虚标行为。 ## 小结 WhatCable 是一款免费、简单且实用的 Mac 应用，它能帮助用户拨开 USB-C 线缆的迷雾，避免因线材不达标而带来的效率损失或设备风险。如果你手头有多根 USB-C 线，不妨用这个工具查一查，说不定会发现一些“惊喜”。
## 导航之战：Waze 与 Google Maps 谁更强？ 在导航 App 领域，Waze 和 Google Maps 一直是用户争论的焦点。Waze 以快速重新规划路线和实时路况警报著称，而 Google Maps 则凭借深度集成的 Gemini AI 和更丰富的功能占据优势。我是一名长期使用 Google Maps 的用户，但为了这次对比，我同时使用两款 App 驾驶了数月，最终得出了自己的结论。 ### Waze：实时路况的王者 Waze 的最大优势在于其社区驱动的实时数据。它能迅速检测到事故、施工和警察测速点，并立即提供替代路线。在拥堵的城市路段，Waze 的重新规划速度令人印象深刻，常常能帮我节省 5-10 分钟的通勤时间。此外，Waze 的界面直观，警报清晰，驾驶时几乎无需分心。 ### Google Maps：功能全面的导航平台 Google Maps 则更像一个全能型选手。它不仅提供导航，还整合了街景、实时公交信息、餐厅评价和室内地图。最值得一提的是，Google 正在将 Gemini AI 深度集成到 Maps 中，用户可以通过自然语言询问“沿途有哪些咖啡店”或“预计到达时间”，并获得智能建议。这种 AI 能力让 Google Maps 在信息丰富度和交互性上远超 Waze。 ### 我的选择与建议 经过数月的实际驾驶，我认为**Waze 更适合追求极致实时路况和快速变道的通勤者**，而 **Google Maps 则更适合需要综合导航、本地搜索和 AI 辅助的用户**。如果你每天开车上下班，Waze 的实时警报可能更实用；但如果你经常探索新地点或需要多模式出行规划，Google Maps 的深度功能更胜一筹。 值得注意的是，两款 App 都在持续进化。Google 正在将 Waze 的部分特性（如实时路况报告）整合进 Maps，而 Waze 也在改进其地图数据。未来，两者的差距可能会进一步缩小。但就目前而言，我仍然倾向于 Google Maps，因为它提供了更完整的生态系统和更智能的 AI 体验。 > **小结**：没有绝对的“最好”，只有最适合你的导航工具。建议根据你的驾驶习惯和需求来选择——或者，像我一样，两个都装，根据场景切换。
## 研究背景：被忽视的“查询不可见”场景 大型语言模型（LLM）的推理效率高度依赖**KV缓存压缩**技术，它通过减少显存占用和计算量来加速长文本推理。然而，现有评估方法存在一个根本性偏差：大多数研究在**压缩前将查询（query）附加到上下文中**，即采用“查询可见”协议。这种设置与KV缓存压缩的核心应用场景——**缓存复用**（compress once, answer many）——背道而驰。在实际部署中，文档需在未知未来查询的情况下预先压缩，即“查询不可见”协议。 ## 实验设计：控制变量的匹配预算审计 来自澳大利亚的研究团队对六种已发表压缩方法（包括 **SnapKV**、**KeyDiff** 等）和三种简单基线（如保留开头+最近窗口）进行了**匹配预算审计**。实验固定了所有变量：模型（三个开放7-9B模型）、压缩比率、实例、解码方式，仅改变评分规则（查询可见 vs. 不可见）。评估数据集包括 **RULER-8192**（144,300次配对评估）和 **LongBench**（40,800次评估），并使用50,000次重采样的配对自助法进行统计检验。 ## 关键发现：排名颠覆与机制解释 ### 1. 查询可见性改变排名 在查询不可见协议下，使用共同注意力后端的五种方法中，只有 **KeyDiff** 能持续击败“最佳3项”基线（31/36个单元）。而最广泛部署的方法 **SnapKV** 平均落后于“保留开头+最近窗口”基线 **-0.066**。这意味着，在真实复用场景中，当前主流方法可能不如简单启发式策略。 ### 2. 性能下降与查询可见性得分高度相关 每种方法在两种协议间的性能下降幅度（Delta）与其源代码中查询对评分信号的可见程度一致： - **SnapKV** 的查询位于其64个token的观察窗口内，Delta 高达 **+0.198**（即查询可见时表现更好） - **KeyDiff** 的评分不包含任何查询项，Delta 仅为 **+0.011**，几乎不受协议影响 ## 行业启示：重新评估压缩方法的真实价值 这项研究揭示了当前KV缓存压缩评估的**系统性偏差**：查询可见协议高估了依赖查询感知评分的方法（如SnapKV），而低估了查询无关方法（如KeyDiff）。对于生产环境中的**长文档问答**、**检索增强生成**等场景，缓存复用是核心需求，因此评估应优先采用查询不可见协议。 研究者建议，未来工作应： - 在查询不可见设置下重新评估压缩方法 - 开发专门针对复用场景的压缩技术 - 公开源代码和评估协议以增强可重复性 论文链接：arXiv:2607.11942
近日，arXiv 上发布了一部名为《数据科学数学》（Mathematics of Data Science）的著作，由 Afonso S. Bandeira、Amit Singer 和 Thomas Strohmer 三位学者联合撰写。该书系统梳理了数据科学背后的数学基础，涵盖高维统计、矩阵分解、图论、优化、深度学习等 16 个章节，旨在为读者提供从经典理论到前沿工具的全面视角。 ## 内容概览 该书结构清晰，从高维空间的“诅咒与祝福”切入，逐步展开核心主题： - **降维与分解**：奇异值分解（SVD）、主成分分析（PCA）、随机投影等经典方法。 - **回归与正则化**：线性回归及其在过拟合场景下的正则化技术。 - **图与聚类**：图网络、谱聚类以及图拉普拉斯的大样本极限。 - **非线性方法**：扩散映射等非线性降维技术。 - **优化与分类**：面向数据科学的高效优化算法与分类器设计。 - **深度学习**：从数学角度介绍神经网络的基本原理。 - **高级专题**：压缩感知、低秩矩阵恢复、矩阵浓度不等式等。 ## 学术背景与价值 三位作者均为数学与机器学习领域的知名学者：Bandeira 在随机矩阵理论和高维概率方面有深入研究；Singer 专注于应用调和分析与计算成像；Strohmer 则在压缩感知和信号处理领域贡献卓著。他们的联合写作确保了内容的严谨性与前沿性。 该书强调数学原理与数据科学实践的衔接，适合希望深入理解算法底层逻辑的研究者、工程师及高年级本科生。例如，书中对“高维空间的惊喜”的讨论，有助于解释为什么某些算法在超高维数据中反而表现优异；而矩阵浓度不等式的引入则为随机算法提供了理论保证。 ## 行业意义 在 AI 领域日益依赖“黑箱”模型的当下，回归数学基础显得尤为重要。该书的出版恰逢其时——它不仅梳理了支撑现代机器学习（如深度学习、图神经网络）的核心数学工具，还涵盖了压缩感知、低秩恢复等信号处理中的经典课题，为跨学科研究者提供了统一的参考框架。 值得注意的是，该书章节标题中包含了“社区检测”和“大样本极限”等前沿话题，暗示其对无监督学习和图数据分析的重视，这或许反映了当前 AI 从监督学习向更广泛范式转移的趋势。 ## 结语 《数据科学数学》并非一本轻量级读物，而是一部厚达数百页的参考书。对于严肃的数据科学从业者而言，它有望成为案头必备的“数学手册”。目前该书已以开放获取形式发布在 arXiv 上，读者可免费下载全文。
随着大模型参数规模不断膨胀，在有限内存下进行微调变得越来越困难。**LoRA**（Low-Rank Adaptation）作为最流行的参数高效微调方法之一，通过仅优化低秩适配矩阵大幅减少了可训练参数量。然而，当参数开销被显著压缩后，用于反向传播的**激活值**反而成为了新的主要内存瓶颈。针对这一挑战，上海交通大学等机构的研究者提出了 **CARE-LoRA**（Compressed Activation REconstruction for Memory-Efficient LoRA），一种数据感知的压缩激活重建框架。 ## 核心思路：利用LoRA的固有结构 CARE-LoRA的核心洞察在于：LoRA分支本身在向前传播时就会产生**低秩的压缩激活**。传统LoRA需要保留完整的输入激活以便反向传播计算梯度，而CARE-LoRA则用这些压缩激活替代完整激活进行存储。为了不丢失梯度信号，它在向前传播过程中额外计算一个轻量级的**重建矩阵**，该矩阵的计算开销极小，却能在反向传播时精确重建所需的梯度，从而保持LoRA矩阵的完全可训练性。 ## 实验结果：内存节省与性能兼得 研究团队在多种模型（如LLaMA、GPT-2、ViT等）和下游任务（文本分类、自然语言生成、图像分类等）上进行了大量实验。结果显示： - **内存占用显著降低**：相比标准LoRA，CARE-LoRA在保持相同可训练参数量的情况下，将激活内存开销减少了50%-70%。 - **性能持平甚至更优**：在大部分任务上，CARE-LoRA的微调效果与标准LoRA相当，部分任务上还略有提升。 - **额外计算成本极低**：重建矩阵的计算仅增加不到1%的前向时间，几乎可以忽略不计。 ## 行业意义：让大模型微调更亲民 当前，大模型微调的主要门槛已经从参数存储转移到了激活内存。例如，在单张24GB显存的GPU上，标准LoRA可能只能微调7B参数规模的模型，而CARE-LoRA则有望支持13B甚至更大规模的模型，且无需牺牲性能。这对于资源受限的研究者和小型企业来说，无疑是一个好消息。 ## 小结 CARE-LoRA巧妙利用了LoRA本身的低秩特性，将激活压缩与梯度重建融为一体，在几乎不增加计算量的前提下大幅降低了内存开销。这一方法为参数高效微调领域提供了新的思路，也预示着未来大模型微调将更加**内存友好**。代码已在GitHub开源，感兴趣的读者可以进一步探索。
## 从“表示”到“延续”：Mirror Theory 提出能力新度量 在人工智能研究中，衡量一个智能系统的能力通常依赖其**一次性准确率**或**pass@k**等指标。然而，一篇来自 arXiv 的新论文《Mirror Horizon: Viable Path Entropy as a Measure of Bounded Reflection》提出了一个更具动态性的视角：**Mirror Theory**（镜像理论）。该理论认为，智能系统不仅应被研究它“表示”了什么，更应关注它在**反复反思下能维持多少连贯的延续**。论文将此概念操作化为 **可行路径熵（Viable Path Entropy, VPE）**，一种在有限预算下衡量已验证延续能力的指标。 ### VPE 的构成与理论基础 给定一个镜像状态、一个展开协议、一个验证器和一个模式映射，VPE 将有限能力分解为两部分： - **到达可行延续的概率**； - **成功展开中到达的已验证延续模式的多样性**。 论文为这一度量构建了完整的理论框架，引入四个关键概念： - **直觉（Intuition）**：作为局部的欠定约束； - **品味（Taste）**：作为选择不变量的压力； - **反思（Reflection）**：作为品味引导下解决欠定性的过程； - **几何（Geometry）**：作为学习到的结构，使未来的反思更稳定。 这些概念共同解释了智能系统如何在有限资源下实现连贯的推理链条。 ### 实验验证：GSM8K 数学推理 研究者在 **GSM8K** 数学推理数据集上，使用 **Qwen2.5-Instruct** 系列模型（包括 0.5B、1.5B、3B 参数量）进行了实验。每个问题采样 32 条展开路径，并设置两种反思预算（96 和 160 token）。结果显示： - 将 token 预算从 96 增加到 160，**显著扩大了已验证的可达性**，减少了零可达情况，增加了已验证模式的熵，并改善了平滑后的 VPE。 - 在 160 token 预算下，**Qwen2.5-1.5B 实现了测试模型中最强的“镜子地平线”**，尽管 Qwen2.5-3B 参数量更大。 这表明 **镜子地平线并非参数数量**，而是**在有限反思协议下可访问的已验证延续能力**。 ### 行业意义：能力度量的新方向 传统上，大语言模型的能力常与参数量挂钩，但该研究通过 VPE 揭示了另一维度：**在有限计算预算下，模型维持连贯推理路径的能力**。这为评估模型的实际推理效率提供了新工具，尤其适用于需要多步推理和反思的场景（如数学、代码生成、复杂问答）。 Mirror Theory 作为度量层面的理论，将能力定义为“可到达的可行延续的结构”，而非一次性准确率。这或许会推动未来 AI 评估从**静态基准**向**动态反思能力**的转变，也为理解模型的内在一致性提供了新视角。
超维计算（HDC）通过高维超向量表示符号，在超向量分解任务中，需要从绑定目标超向量中恢复F个组成超向量（每个来自大小为N的码本），这意味着要在N^F个候选元组中搜索。经典方法计算代价极高，而近期的量子方法虽提供二次加速，但通常需要O(D)个量子比特来编码超向量，量子比特开销巨大。 针对这一瓶颈，来自加州大学欧文分校等机构的研究者在 arXiv 预印本中提出了一种量子比特高效的量子框架，将表示成本从O(D)降至O(log D)。该工作已被 **ICCAD 2026** 接收。 ### 核心创新：对数编码与可逆查找 研究团队引入了**对数超向量编码**和**对数绑定编码**，使得超向量及其绑定操作仅需对数个量子比特即可表示。同时，他们设计了一个**可逆超向量查找算子**，能够在量子电路层面高效操作稠密超向量。这一设计避免了传统方法中显式使用D个量子比特来存储整个超向量的低效做法。 ### 搜索算法：保留二次加速，量子比特大幅缩减 在搜索算法层面，该方法采用改进的 **Dürr-Høyer 搜索过程**，保持了O(√(N^F))的搜索复杂度，即相对于经典搜索的二次加速。但量子比特用量从O(D)降低到O(log D)，实现了指数级的节约。实验结果显示，与基于显式D-量子比特编码的基线方法相比，新方法在可执行的分解任务中**量子比特数减少高达2000倍**，同时正确计算了相似度并实现了准确分解。 ### 行业意义与展望 当前量子计算面临的主要挑战之一是量子比特数量有限且易出错。这项研究展示了通过巧妙编码设计，可以在不牺牲计算优势的前提下大幅降低量子资源需求，为HDC在量子机器学习中的实际应用铺平了道路。未来，随着量子硬件的发展，这种对数编码思路或可推广至其他需要高维表示的量子算法中。