随着电动汽车的普及，如何处理退役电池成为行业关注的焦点。近日，回收公司 **Redwood Materials** 公布了一项创新计划：将约 **100 块** 来自通用汽车的旧电池组合起来，为密歇根州的一家工厂提供 **1.5 兆瓦** 的电力。这一举措不仅延长了电池的使用寿命，也为电网级储能提供了低成本方案。 ## 退役电池的潜力 电动汽车电池在容量衰减至 **70-80%** 后，通常被认为不再适合车辆使用。然而，这些电池仍具备相当可观的储能能力。通过重新组合和优化管理，它们可以在电网调峰、备用电源等场景中发挥价值。 ## 项目细节 Redwood Materials 的方案是将不同老化程度的电池模块集成到一个系统中，利用智能控制算法平衡充放电，确保整体性能稳定。该项目预计于 **2024 年** 正式投运，届时将成为汽车制造商利用退役电池进行储能的重要示范。 ## 行业意义 类似项目正在全球涌现。例如，**日产** 与 **伊顿** 合作在英国建设了储能设施，**宝马** 也在德国启动了相关项目。这些案例表明，退役电池的梯次利用不仅环保，还能创造经济价值，降低储能系统的初始成本。 ## 挑战与前景 尽管前景广阔，但退役电池的 **一致性** 和 **安全性** 仍是主要挑战。不同电池的健康状态差异大，需要先进的电池管理系统（BMS）来监控和调节。此外，随着电池回收技术（如 **Redwood Materials** 自身的主业）的成熟，直接回收材料与梯次利用之间的成本权衡也将影响行业走向。 总体而言，退役电池在电网中的二次利用正从概念走向现实，有望成为未来能源体系的重要一环。
Prime Day刚刚落幕，过去几周各大促销活动此起彼伏。现在，我们准备盘点6月份读者最青睐的产品，包括Prime Day期间最热门的抢购商品。 我们统计了读者通过ZDNET评测、购买指南、优惠文章等链接购买最多的产品，以下是数千名读者在6月实际下单的Top 10。 ### 1. 亚马逊Echo Dot（第5代） 这款智能音箱凭借出色的音质和Alexa语音助手，成为入门智能家居的首选。Prime Day期间价格低至$22.99，性价比极高。 ### 2. Apple AirPods Pro（第2代） 主动降噪和自适应音频功能让这款耳机持续热销，尤其适合通勤和运动场景。 ### 3. Samsung T7便携式SSD 1TB 高速读写和紧凑设计使其成为数据备份和扩展存储的热门选择，价格约$89.99。 ### 4. Kindle Paperwhite（第11代） 防水、高分辨率屏幕和长续航让这款阅读器在Prime Day期间销量激增，价格降至$94.99。 ### 5. iRobot Roomba j7+扫地机器人 自清洁底座和精准避障功能解决了用户“懒得清理”的痛点，优惠后约$499。 ### 6. Apple Watch Series 9 血氧监测、车祸检测等健康功能持续吸引消费者，Prime Day期间优惠约$70。 ### 7. Nintendo Switch OLED 升级的屏幕和支架让游戏体验更佳，搭配《塞尔达传说：王国之泪》的捆绑包尤其受欢迎。 ### 8. Sony WH-1000XM5头戴式耳机 行业顶级的降噪表现和舒适佩戴感，价格降至$298，成为音频发烧友的首选。 ### 9. Google Nest Hub（第2代） 智能显示屏集成睡眠感应功能，适合作为床头智能中枢，Prime Day售价$49.99。 ### 10. Anker 20W USB-C充电器 小巧便携，支持iPhone快充，Prime Day期间价格低至$9.99，成为配件类销量冠军。 值得注意的是，**Prime Day对榜单影响显著**，多款产品在活动期间价格创历史新低。此外，**智能家居和音频设备**成为读者最关注的两大品类，反映出居家办公和娱乐需求的持续增长。 如果你错过了Prime Day，别担心——7月仍有返校季促销和部分延续优惠，不妨关注ZDNET的实时更新。
多个隐私倡导组织联合致信美国联邦贸易委员会（FTC），警告称埃隆·马斯克试图结束对X（原Twitter）的隐私监控，将“严重威胁美国人隐私”。这些组织指出，X平台在马斯克领导下，数据保护措施大幅削弱，若FTC同意终止2011年达成的隐私和解协议中的监督条款，用户数据可能面临滥用风险。 ## 背景与争议 2011年，Twitter因未能保护用户数据安全而与FTC达成和解，同意接受20年的隐私审计。然而，马斯克收购后，X公司试图推翻这一协议。批评者认为，X已大幅削减信任与安全团队，并引入AI功能，可能加剧数据风险。 ## 核心担忧 - **AI整合风险**：X正积极整合AI工具（如Grok），这些功能需要大量用户数据训练，若缺乏监督，可能导致隐私泄露。 - **监管倒退**：若FTC撤销监督，将开创危险先例，削弱对科技巨头的问责。 - **用户数据安全**：X的付费API和第三方数据访问政策变化，可能使数据更容易被滥用。 ## 行业影响 此次事件反映了AI时代隐私与商业利益的冲突。马斯克曾公开批评AI监管，但专家警告，缺乏透明度将损害用户信任。FTC尚未回应，但法律分析人士认为，批准终止监督的可能性较低。 > **小结**：隐私组织此次行动旨在阻止FTC放松对X的监管，尤其针对AI数据收集。结果将影响科技公司未来在隐私与AI平衡上的策略。
Eufy Omni S2 在吸力、拖地自清洁和异味控制上实现了飞跃式升级，成为当前高端扫地机器人市场中的有力竞争者。 ## 核心升级：四倍吸力与无臭滚刷 与前代相比，**Eufy Omni S2** 的最大亮点是吸力提升至 **四倍**，达到 **8000Pa**。在实测中，它对宠物毛发、地毯深处的碎屑以及硬地板缝隙的清理能力非常突出，远超两年前的主流型号。 更让人惊喜的是其 **拖地滚刷系统**。传统扫拖机器人常因潮湿滚刷滋生细菌而产生霉味，但 Omni S2 采用了 **自清洁滚刷技术**，在回洗过程中用清水反复冲洗滚刷，并配合 **电解水除菌** 功能，有效抑制异味。实际使用中，即便连续拖地多日，滚刷和污水箱也没有明显异味。 ## 细节体验：香薰模块与基站设计 Eufy 还加入了一个 **香薰扩散器**，用户可放入专用香薰片，让清洁后的房间散发淡淡清香。虽然这并非刚需功能，但对注重居家氛围的用户来说是个加分项。 不过，Omni S2 的基站 **水箱容量偏小**，在频繁拖地模式下需要每天换水和清理污水箱。另外，基站高度较高，可能不适合低矮家具下方的放置。续航方面，**150分钟** 的电池容量属于中等水平，对于大户型（>150㎡）可能需要中途回充。 ## 行业视角：竞争与定位 当前高端扫拖机器人市场，科沃斯、石头、追觅等品牌已普遍配备自动集尘、自动洗拖布、自动上下水等全功能基站。Eufy Omni S2 的核心差异在于 **滚刷自清洁** 和 **异味控制**，解决了用户“拖布发臭”的真实痛点。其定价与同类旗舰相当，但缺少自动上下水套件（需另购），在完全自动化上略逊一筹。 ## 小结 Eufy Omni S2 在核心清洁能力上做到了行业第一梯队，尤其适合养宠家庭和对拖地异味敏感的用户。如果基站水箱能更大、续航能更长，它将是当前最值得推荐的全能型扫拖机器人之一。
微软于本周四宣布成立全新运营业务——**Microsoft Frontier Company**，专注于利用现有AI工具帮助企业实现成功部署。该项目将获得微软**25亿美元**投资，并配备**6000名**行业与工程专家。 微软商业业务CEO Judson Althoff在声明中强调，这超越了通常所谓的“前向部署工程师”（FDE）模式，将是“业界最大、能力最强、以结果为导向的工程组织”。然而，该计划与近期多家公司的FDE型AI部署项目高度相似。就在两天前，亚马逊云服务（AWS）宣布内部承诺投入**10亿美元**打造自有AI部署项目，并明确采用FDE模式。OpenAI和Anthropic也推出了类似合资企业，不过它们还引入了私募股权资本。 微软的现有客户基础为新项目提供了显著先发优势——该公司已向大量**财富500强**企业派驻工程师。公告中提到了早期合作伙伴，包括**伦敦证券交易所集团**、**联合利华**、**Land O'Lakes**以及**埃森哲**。 ### 行业背景与竞争格局 随着企业AI应用从实验走向生产，部署环节成为关键瓶颈。微软、亚马逊等云巨头纷纷组建专门团队，帮助客户将模型能力转化为实际业务价值。FDE模式起源于Palantir等公司，强调工程师深入客户现场，快速迭代解决方案。微软此举意味着其将直接与AWS、OpenAI等对手争夺企业部署市场。 ### 微软的优势与挑战 微软的优势在于其庞大的企业生态：Azure云服务、Office 365、Teams等产品已深入企业日常运营。Frontier Company可在此基础上提供AI定制化部署，降低客户迁移成本。但挑战同样明显：25亿美元虽数额巨大，但相比AWS的10亿美元内部承诺和OpenAI的数十亿美元外部融资，竞争激烈程度不容小觑。此外，如何协调6000名专家与现有业务团队的关系，避免内部资源冲突，也是微软需要解决的问题。 ### 未来展望 微软的AI部署公司标志着企业AI市场进入“工程化”阶段。未来，企业选择AI供应商时将不仅看模型性能，更看重部署效率与落地效果。微软若能将技术能力与客户关系有效结合，有望在这一赛道占据领先地位。
在AI工具被广泛用于工作提效的今天，有人却将它们用在了“追爱”上。内容创作者兼初创公司创始人Ben Guez最近因为一个“骚操作”火了——他利用开源AI代理OpenClaw、Claude代码和Instagram试播Reels，自动生成世界杯赛后“求安慰”视频，几天内收获了超过**100万次观看**和**200条私信**。更绝的是，他在个人简介中宣称只通过自己的AI语言学习应用Canary回复私信，这意味着这些潜在“国际妻子”必须先下载他的App。 ### 自动化“钓鱼”流程 Guez的自动化流程其实很简单： 1. **OpenClaw** 追踪世界杯比赛结果。 2. 每场比赛结束后，OpenClaw触发**Claude**（Anthropic的AI模型）生成一段几乎相同的Instagram试播Reels。 3. 视频内容：Guez在火车窗边表情失落，配文“我不敢相信{国家}输了，如果有{国家}女孩需要情感支持，我的私信敞开着”。 由于试播Reels不会出现在创作者公开主页上，Guez可以反复发布相同模板的视频，仅替换国家名。他承认“这看起来有点疯狂，但潜力巨大”，当被问及女性是否会因为被欺骗而感到愤怒时，他表示：“她们没有生气，反而更印象深刻，觉得我思维独特、是个天才。” ### 不止于约会：OpenClaw的其他应用 Guez并非唯一将OpenClaw用于约会场景的人。科技公关公司创始人Jeff Weisbein则用OpenClaw帮助自己规划约会地点——根据女性所在的南佛罗里达不同社区，自动搜索餐厅和活动，生成带链接的推荐文档。Weisbein表示：“我不是所有区域都熟悉，让机器人做研究省了我大量时间。” ### 争议与思考 Guez的做法引发了关于AI伦理的讨论。虽然他声称自己会坦诚相告，但自动生成“假装关心某国球队”的内容，本质上是一种情感操纵。不过，从结果看，这种“工作更聪明而非更努力”的思维确实带来了惊人效果。 **TechCrunch未能独立验证这些女性的真实反应**，但这件事至少说明：AI代理的易用性正在降低创意（甚至越界）行为的门槛。当OpenClaw这样的工具可以轻松绑定社交媒体、自动发布内容时，类似“AI约会脚本”只会越来越多。 ### 小结 - **技术层面**：OpenClaw作为开源AI代理，其与社交媒体API的联动能力已足够完成复杂的自动化任务。 - **社会层面**：AI正在渗透人类最私密的社交领域，从“如何约会”到“在哪里约会”，算法开始介入情感互动。 - **风险提示**：利用AI进行虚假情感展示可能带来隐私、信任和平台规则合规问题。 无论如何，Guez的案例已经给AI行业提了个醒：**当工具足够强大，使用者总能找到意想不到的用途。** 而这次，它瞄准的是人心。
谷歌在2025年的电力消耗同比增长了37%，这一激增主要归因于其AI数据中心的持续扩张。该公司正在努力通过清洁能源投资来抵消由此产生的碳排放，但短期内仍面临巨大挑战。 ## 数据背后的AI军备竞赛 根据谷歌最新发布的环境报告，其2025年总用电量达到**46.2太瓦时**，较2024年增长37%。这一增幅远超公司此前预期，核心驱动力是AI训练与推理需求的爆发式增长。谷歌在全球运营着超过30个大型数据中心，其中专用于AI算力的部分占比已从2024年的40%升至2025年的65%。 ## 清洁能源的追赶速度 谷歌承诺到2030年实现24/7无碳能源运营，但2025年的进展并不乐观。尽管公司签署了多项长期购电协议（PPA），新增了**5.2吉瓦**可再生能源装机，但清洁能源仅覆盖了其全球用电量的**68%**，低于2024年的72%。谷歌表示，部分地区电网的清洁能源供应不足是主要原因，尤其是在亚洲和欧洲的新建数据中心所在地。 ## 行业性的两难困境 谷歌并非孤例。微软、亚马逊和Meta等科技巨头同样面临AI能耗激增的难题。据行业分析机构估计，2025年全球AI相关电力需求将占数据中心总用电量的**45%**，而整个数据中心行业的碳排放量预计增长30%以上。谷歌试图通过改进液冷技术、优化模型效率来降低单位算力的能耗，但整体用电量的增长曲线依然陡峭。 ## 未来的平衡术 谷歌在报告中强调，其AI芯片TPU v6的能效比前代提升了**2.5倍**，但这远不足以抵消算力需求的指数级增长。公司计划在2026年将清洁能源覆盖率提升至75%，并探索小型模块化核反应堆（SMR）作为潜在选项。然而，分析师指出，除非AI模型架构出现根本性变革，否则能耗与碳排放的增速短期内难以逆转。 对于整个行业而言，谷歌的案例揭示了一个残酷现实：在追求更强大AI的同时，环境成本正在以前所未有的速度攀升。如何从“绿色AI”的口号走向真正的可持续实践，将是未来十年科技巨头必须解答的命题。
随着人工智能（AI）对计算能力的需求呈指数级增长，芯片研发的节奏正被推向新的高度。为了在这场竞赛中保持领先，**加州大学洛杉矶分校（UCLA）** 近期成立了全新的 **半导体中心（UCLA Semiconductor Hub）**，旨在通过紧密的学术界与产业界协作，加速从基础研究到商业化落地的进程。 该中心的成立背景是 AI 工作负载对专用芯片（如 GPU、TPU 和 AI 加速器）的依赖日益加深，而传统芯片研发周期往往长达数年，难以跟上 AI 模型迭代的速度。UCLA 半导体中心试图打破这一瓶颈，建立一个“反馈闭环”，让产业界的需求直接驱动学术研究，同时将学术成果快速转化为可部署的技术。 在 2026 年 5 月 21 日的启动仪式上，来自 **应用材料公司（Applied Materials）** 的 CEO Gary Dickerson、**博通（Broadcom）** 的 Charlie Kawwas 以及 UCLA 工程学院教授 Robert Candler 共同阐述了企业的参与方式。Dickerson 强调，材料创新是未来芯片性能提升的关键，而学术界的探索性研究能为产业提供新思路。Kawwas 则指出，数据中心和 AI 网络对高带宽、低延迟芯片的需求正在重塑设计规则，与 UCLA 的合作有助于博通提前布局下一代互连技术。 该中心的核心模式包括：联合研究项目、共享实验设施、以及学生与工程师的交叉培训。通过让研究生直接参与企业主导的课题，学生不仅能掌握最前沿的工艺知识，还能理解产业界的实际问题，从而缩短从毕业到岗位的适应期。对于企业而言，这相当于提前获取了经过实战训练的人才储备。 从行业背景来看，这一举措反映了全球半导体产业的一个趋势：**“产学研”的边界正在模糊化**。过去，大学通常专注于基础物理和材料研究，而企业则负责工程化。但现在，随着芯片制造工艺逼近物理极限（如 2nm 以下节点），任何微小的创新都需要学术界与产业界从早期就紧密合作。UCLA 半导体中心的成立，正是为了应对这种“从实验室到晶圆厂”的加速需求。 当然，这种模式也面临挑战：学术自由与商业机密之间的平衡，以及知识产权如何分配。但 UCLA 表示，将通过明确的协议框架来保障双方利益。 总而言之，UCLA 半导体中心不仅是一个研究机构，更是一个**创新加速器**。在 AI 对芯片性能永无止境的追求下，这种新型协作模式可能成为未来半导体研发的范式。
据《金融时报》报道，OpenAI 已向美国政府提出一项引人注目的提议：向其转让5%的所有权股份，以此缓解与特朗普政府的紧张关系，并平息公众对人工智能日益增长的反对声浪。CEO Sam Altman 认为，让公众在公司的财务利益中分一杯羹，是分享AI红利的最佳方式。据两位了解谈判情况的匿名人士透露，Altman 最早于去年初向特朗普提出了这一想法，并建议了5%的比例。基于 OpenAI 最新一轮融资（公司估值达8520亿美元），该股份价值约426亿美元。谈判仍处于早期阶段，该提议还涉及其他美国AI公司向政府提供类似股份，但尚不清楚它们是否会同意。此举正值特朗普政府对AI采取异常强硬的干预姿态——其行动已多次阻碍 OpenAI 的主要竞争对手 Anthropic，并引发对未来干预的担忧。今年早些时候，五角大楼将 Anthropic 列为供应链风险；上个月，政府意外对其最新模型实施出口管制，迫使产品下架，给美国AI在全球舞台的前景蒙上阴影。与此同时，公职人员对利用政策捕获和重新分配AI创造的财富兴趣日增。特朗普政府已持有芯片制造商英特尔10%的股份，并据报道要求英伟达和AMD将从中国AI芯片销售中获得的15%收入上缴联邦政府。参议员伯尼·桑德斯等人则主张AI是公共资源，建议对其股票价值一次性征收50%的税，以建立主权财富基金。 ### 交易的本质：用股份换监管宽松？ 这一提议本质上是一种“监管套利”策略。OpenAI 正面临日益严格的审查，包括反垄断、数据安全和版权诉讼等。通过让政府成为股东，OpenAI 可能希望获得更友好的政策环境，避免像竞争对手 Anthropic 那样遭受出口管制或供应链限制。对于特朗普政府而言，直接持有AI领军企业的股份，既能分享行业增长红利，又能加强对关键技术的影响力——这与政府已对英特尔和芯片巨头采取的行动一脉相承。 ### 行业影响与潜在争议 若该模式推广至其他AI公司，将从根本上改变美国AI产业的竞争格局。政府作为股东可能参与决策，引发关于技术独立性和市场公平的担忧。此外，5%的股份是否足以换取实质性政策让步尚不确定。批评者可能认为，这相当于用纳税人的监管权力换取企业利益，存在利益冲突。而支持者则视其为一种创新的公私合作模式，确保AI收益更广泛地惠及公众。 ### 未来展望 目前谈判仍在初期，其他AI公司是否会跟进仍是未知数。但这一事件标志着AI行业与政府关系进入新阶段：从单纯的监管博弈转向深度的利益捆绑。无论结果如何，OpenAI 的提议已为全球AI治理提供了一个前所未有的选项——让国家成为AI红利的直接分享者，而非仅仅是规则的制定者。
Brave浏览器以安全隐私著称，但其内置的奖励、加密钱包、VPN等附加功能让部分用户感到臃肿。为此，Brave推出了精简版**Brave Origin**，去除了所有商业化模块，仅保留核心安全功能（如Brave Shields）。 在为期数天的体验中，我发现Brave Origin完全符合预期：它依然快速、安全、易用，但界面更干净，资源占用更少。对于想要纯粹浏览体验的用户来说，这是一个极具吸引力的选择。 ### 主要变化 - **移除的功能**：Brave Rewards、Crypto Wallet、Leo AI、VPN推广、News、Talk、Tor、Speedreader、崩溃日志等。 - **保留的核心**：Brave Shields、HTTPS Everywhere、恶意脚本拦截、跟踪器保护等全部安全机制。 ### 平台与价格 - **Linux**：免费 - **macOS/Windows**：**$59.99**（一次性付费） ### 体验感受 使用几天后，我没有遇到任何性能或兼容性问题。对于不需要那些“花哨功能”的用户，Origin版本确实提供了更纯粹的浏览环境。不过，如果你依赖Tor或内置AI助手，则需要继续使用标准版。 ### 行业背景 随着Chrome逐步限制广告拦截扩展，Brave的安全定位变得更加重要。Brave Origin的推出，精准满足了那些只想要“安全+简洁”的用户需求，同时也为浏览器市场提供了一种差异化思路。 总的来说，Brave Origin是一款值得尝试的浏览器，尤其适合注重隐私且不希望被额外功能干扰的用户。
你花了几百美元买下那副酷炫的智能眼镜，以为一劳永逸？现在 Meta 告诉你：想用满它的高级 AI 功能，还得每月再掏钱。这正成为消费电子行业的新常态——硬件只是入场券，订阅才是真正的“解锁钥匙”。 ## 发生了什么？ Meta 在官方帮助页面中悄然宣布，其 Ray-Ban、Oakley 及自有品牌智能眼镜将引入 **Meta One Premium Plan** 订阅计划。虽然基础 AI 功能无需付费，但某些高级特性将被限制。最典型的是 **Conversation Focus（对话聚焦）**——该功能可增强交谈对象的音频，在嘈杂环境中让你听得更清楚。 免费用户每月仅有 **3 小时** 使用额度，超出后需订阅才能继续使用，且订阅后每月上限为 **15 小时**。此外，订阅用户还能获得“**高级设备支持**”，即优先接入经过专门培训的“人类专家”客服——看来在某些问题上，人类依然无可替代。 ## 这不是 AI 速率限制，而是新的商业模式 Meta 发言人明确表示，这“不是 AI 速率限制”。通常 AI 平台的速率限制是指免费用户使用云端 AI 功能时达到调用上限，而 Conversation Focus 完全在设备端运行，不依赖 Meta 服务器。这意味着限制纯粹是商业策略——Meta 正试探用户对“硬件+订阅”模式的接受度。 “订阅支持持续的研发投入，并为重度用户提供扩展访问和高级设备支持。”发言人补充道，“我们开始测试新的可选订阅计划，为希望解锁更多应用和 AI 眼镜高级功能的用户提供更多选择。” ## 消费科技的新剧本：卖硬件只是第一步 Meta 的做法并非孤例。从特斯拉的“加速提升”订阅到 Adobe 的软件订阅制，再到智能家居设备的增值服务，“**先卖硬件，再卖服务**”已成为科技巨头的标准打法。AI 的加入加速了这一趋势——因为 AI 功能需要持续的数据训练、模型更新和云端算力，订阅制能提供稳定的收入流来支撑这些成本。 对于消费者而言，这意味着购买决策不再是一次性的。你需要权衡：是接受基础功能，还是为“完整体验”每月付费？Meta 表示“绝大多数用户不会超过每月 3 小时的免费额度”，但这恰恰是订阅模式的经典策略——多数人补贴少数重度用户，而重度用户往往正是最愿意付费的那一群。 ## 未来展望 随着更多 AI 功能（如实时翻译、视觉识别、AR 导航）被塞进智能眼镜，可以预见 Meta 会逐步扩大订阅范围。这场“硬件+月费”的实验，或将定义下一代消费电子产品的定价范式。
Linux 用户向来热衷于监控系统进程、管理资源消耗，而 System76 刚刚为 COSMIC 桌面环境打造了一款专属系统监视器，或许会成为你切换桌面的理由。 ## 专为 COSMIC 桌面而生 **COSMIC System Monitor** 是一款轻量级系统监控工具，与 COSMIC 桌面深度集成。它继承了该桌面一贯的设计哲学：**快速、简洁、信息恰到好处**。与 GNOME System Monitor、Plasma System Monitor 等同类工具相比，它在性能上更胜一筹，且界面清爽不杂乱。 如果你希望在不使用笨重或混乱应用的前提下实时掌握系统性能，这款工具无疑是理想选择。它能够监控的内容包括：应用程序与进程、每个 CPU 核心的使用率、内存占用、磁盘读写、网络上下行速度、GPU 状态以及温度等。用户还可以直接在界面中点击进程进行管理，操作直观。 ## 安装门槛：只属于 COSMIC 的“特权” 需要注意的是，COSMIC System Monitor 是专为 **COSMIC 桌面**（System76 旗下 Pop!_OS 的默认桌面环境）设计的。虽然理论上可以在其他发行版上安装，但过程相当复杂：需要手动安装 Rust、cargo、just 以及多个开发库，再克隆仓库并编译构建。作者直言“不值得这么折腾”。因此，**最佳使用方式就是直接采用 COSMIC 桌面或 Pop!_OS**。 这也意味着，如果你目前使用的是 GNOME、KDE 或其他桌面环境，这款工具或许不足以成为你迁移的全部理由，但如果你已经在考虑尝试 COSMIC，它无疑是一个加分项。 ## 行业背景：桌面环境“专属工具”趋势 近年来，Linux 桌面环境越来越注重打造**自有的核心应用生态**。从 GNOME 的“系统监视器”到 KDE 的“等离子系统监视器”，再到如今 COSMIC 的专属工具，各桌面都在通过深度整合来提升用户体验和粘性。System76 此举不仅填补了 COSMIC 桌面在系统监控方面的空白，也进一步强化了其“简洁高效”的品牌形象。 对于追求极致性能和整洁界面的用户来说，COSMIC System Monitor 提供了一个值得尝试的新选择。如果你已经是 COSMIC 桌面的用户，那么这款工具几乎是你不可或缺的日常伴侣。
Opera 浏览器近日推出了一项名为 **Paste Protect** 的新安全功能，专门针对日益猖獗的 **ClickFix 攻击**。这类攻击通过诱导用户复制粘贴恶意命令到终端，从而绕过传统安全软件，直接控制用户电脑。Paste Protect 默认开启且免费，能在用户粘贴前自动检测并拦截恶意剪贴板内容。据 Opera 统计，2025 年超过半数的恶意软件加载攻击属于 ClickFix 类型，其中虚假 CAPTCHA 攻击更是飙升了 563%。该功能直击攻击链的最后环节，为浏览器安全树立了新防线。 ## ClickFix 攻击：用户成为“武器” ClickFix 攻击的社会工程学手法极为狡猾。攻击者通常制造一个看似无害的技术问题——比如视频无法播放、CAPTCHA 验证失败——然后提示用户“复制这条命令来修复问题”。一旦用户将命令粘贴到终端并执行，电脑便瞬间被植入恶意软件。 Opera 安全主管 Pawel Kurzelewski 指出：“ClickFix 攻击之所以成功，是因为它们把用户变成了武器。”传统安全软件如杀毒软件和邮件过滤器，主要防范外部来源的威胁，却无法识别用户主动键入或粘贴的命令——这正是 ClickFix 的“优势”。 ## Paste Protect：在最后一刻“截胡” Opera 的 Paste Protect 功能恰好填补了这一空白。它监控剪贴板内容，在用户将文本粘贴到终端或命令提示符之前，自动扫描并识别恶意命令。一旦发现可疑内容，Paste Protect 会立即拦截并弹出警告，阻止攻击发生。 该功能现已集成到 Opera 浏览器中，默认开启，无需用户手动配置。Opera 表示，这是专门针对 ClickFix 攻击链中“粘贴”这一关键环节设计的防御，相当于在子弹上膛前就卸下弹夹。 ## 行业背景与意义 ClickFix 攻击的激增并非孤例。随着浏览器安全机制不断加强，攻击者开始转向更依赖用户交互的“无文件”攻击手法——不依赖可执行文件，仅通过脚本和命令就能完成入侵。Paste Protect 的出现，意味着浏览器厂商开始从“被动防御”转向“主动干预”，在用户行为层面设置安全检查点。 对于普通用户而言，这项功能几乎零门槛：无需理解攻击原理，也无需额外安装插件，浏览器自动完成防护。对于企业安全团队来说，Paste Protect 则提供了一个新的终端安全控制节点，尤其适合远程办公和自带设备（BYOD）场景。 ## 小结 Opera 的 Paste Protect 并非首创的技术概念，但其将剪贴板安全与浏览器深度整合的做法，切中了当前攻击模式演变的关键。在 ClickFix 攻击持续升温的背景下，这类“行为层”安全功能很可能成为浏览器的标配。对于习惯从网页复制代码的用户而言，这道防线或许比任何杀毒软件都更直接有效。
ZCode 作为 GLM-5.2 的官方工具链，旨在为开发者提供更高效、更智能的编程体验。GLM-5.2 是智谱 AI 推出的最新一代大语言模型，在代码生成、理解与调试方面实现了显著提升。ZCode 相当于该模型的“官方驾驭工具”，集成了模型调用、代码补全、错误检测、自动重构等功能，帮助开发者将 GLM-5.2 的能力无缝嵌入日常工作流。 ## 核心亮点 - **深度集成**：ZCode 与主流 IDE（如 VS Code、JetBrains 系列）深度整合，支持插件化部署，无需切换环境即可调用 GLM-5.2 的代码能力。 - **智能补全**：基于 GLM-5.2 的上下文理解，提供跨文件、跨模块的代码补全，准确率较前代提升约 30%。 - **实时调试**：支持自然语言描述 bug，模型自动定位问题代码并给出修复建议，大幅降低调试时间。 - **代码重构**：通过对话式交互完成重命名、提取函数、优化逻辑等重构操作，保留代码风格一致性。 ## 行业背景 当前 AI 编程助手市场竞争激烈，GitHub Copilot、Amazon CodeWhisperer 等产品已占据先发优势。GLM-5.2 凭借其强大的中文理解能力和对复杂逻辑的推理优势，有望在中文开发者社区形成差异化竞争力。ZCode 的发布标志着智谱 AI 从“提供模型”向“提供完整开发工具链”的战略延伸，这对于降低开发者使用门槛、加速技术落地至关重要。 ## 适用场景 - **快速原型开发**：通过自然语言描述需求，ZCode 直接生成可运行代码骨架。 - **遗留系统维护**：对旧代码进行解释、注释生成和现代化重构。 - **团队协作**：统一代码风格，自动生成文档和单元测试。 ## 小结 ZCode 不仅是一个工具，更是 GLM-5.2 能力落地的关键桥梁。对于追求效率的开发者而言，它提供了一个无需离开编辑器即可获得顶级 AI 辅助的体验。随着智谱 AI 持续优化模型与工具链的协同，ZCode 有望在 AI 编程领域开辟新的可能性。
增强现实（AR）正从室内小场景走向户外大空间，而 **EasyAR Mega** 正是这一趋势下的重磅产品。它宣称能“将整座城市变成你的AR画布”，这意味着开发者现在可以在城市级尺度上部署持久、共享的AR体验，彻底打破以往AR应用受限于室内或小范围空间的瓶颈。 ## 城市级AR：从概念到落地 过去，AR应用大多依赖图像识别或小范围空间定位，用户只能在特定位置（如桌面、墙面）看到虚拟内容。而EasyAR Mega通过其先进的**空间计算与地图构建技术**，实现了对城市级环境的实时感知与精准定位。它支持在街道、广场、建筑外立面等大型公共空间叠加虚拟信息，且内容可以持续存在并与不同用户共享。 例如，开发者可以在著名地标上放置动态艺术装置，或为游客提供沉浸式导航——虚拟箭头直接浮现在现实路面上，引导他们穿过复杂的城市街区。这种能力让AR从“一次性体验”进化为“持续可用的空间基础设施”。 ## 背后的技术支撑 要实现城市级AR，核心挑战在于**大规模空间定位的精度与稳定性**。EasyAR Mega据称结合了视觉SLAM（同步定位与地图构建）、多源传感器融合以及云端地图管理。它允许开发者预先扫描并上传城市区域的空间数据，然后用户在到达该区域时，设备能快速识别环境并加载对应的虚拟内容。 此外，该平台还提供了**开发者工具与API**，降低了创建城市级AR应用的门槛。无论是独立开发者还是大型企业，都可以基于EasyAR Mega构建自己的AR导航、社交互动或商业营销方案。 ## 行业影响与前景 EasyAR Mega的推出，对AR行业意义重大。它直接将AR的应用场景从室内购物中心、博物馆扩展到**智慧城市、文旅导览、户外广告、游戏娱乐**等领域。想象一下：未来的城市中，你通过手机或AR眼镜就能看到历史建筑上叠加的百年变迁动画，或者在公园里参与一场全城范围的AR寻宝游戏。 当然，城市级AR也面临**隐私、数据安全与公共空间管理**等问题——当虚拟内容覆盖城市时，如何确保内容合规、不干扰公共秩序？EasyAR Mega需要在技术落地的同时，与城市管理者共同建立规则。 ## 小结 EasyAR Mega是AR从“小场景”迈向“大世界”的关键一步。它让开发者拥有了前所未有的创作自由度，也为用户打开了通往混合现实城市的大门。尽管挑战犹存，但城市级AR的蓝图已经展开，EasyAR Mega无疑是这一赛道上的重要玩家。
印度连续创业者 Bhavin Turakhia 正以个人资金押注 **3000万美元**，打造一款名为 **Neo** 的企业级AI工作平台，目标直指微软Office和Google Apps。现年46岁的Turakhia认为，AI时代的工作软件必须从零重构，而非简单叠加聊天机器人。 ## 从零开始的AI原生设计 Turakhia将Neo比作“iPhone”，而传统办公软件则是“诺基亚”。他表示：“如果你想造iPhone，不可能用诺基亚的零件拼凑出来。”Neo自今年4月内部上线以来，集成了项目管理、文档、文件存储和AI功能，旨在让AI成为工作的主动参与者，而非被动工具。 ## 模型无关性与市场策略 Neo采用**模型无关**架构，企业可自由切换AI模型，避免被单一供应商锁定。Turakhia坦言，企业软件从未“赢家通吃”，即使只占全球企业AI支出的**2%到5%**，也足以成就一家大公司。目前Neo已在Turakhia旗下的Zeta等公司内部使用，并计划于近期向外部客户开放。 ## 竞争激烈的企业AI赛道 Turakhia的赌注正值企业AI领域竞争白热化：微软、谷歌、Salesforce正将AI嵌入全线产品；Anthropic、OpenAI等实验室，以及Notion、Superhuman等效率工具公司也在重塑工作流。但Turakhia认为，传统厂商受限于旧架构，难以真正拥抱AI。 值得注意的是，投资者Chamath Palihapitiya也采取了类似策略——先用个人资金启动企业AI编程公司8090，随后在本周完成1.35亿美元融资。这或许表明，在AI浪潮中，个人重注正成为一种新趋势。
机械可解释性（Mechanistic Interpretability）领域已积累了丰富的组件级分析成果，能够刻画神经网络各组件编码的内容及其交互方式。然而，这些分析的输出——选择性表、电路图、特征列表——往往锁在各自研究的笔记本中，难以复用：既不能组合，也无法用自然语言查询，更无法直接用于下游审计或干预。近日，一篇由 Hussein Chouman 等人提交至 arXiv 的论文（编号 2607.00089）指出，**这些分析与下游应用之间的表征层本身就是一个可独立评估的瓶颈**，并为此提出了 **Manifestation Unit（显现单元）协议**——一种类型化的元组协议，扩展了注意力头原语，用于将组件级统计信息组织成结构化字段，并通过混合检索实现自然语言查询。 ### 协议核心：类型化元组与自动填充 Manifestation Unit 协议定义了一个五元组 (E, S, R, D, G)，其中 E 代表实体（entity），S 代表选择性（selectivity），R 代表表示（representation），D 代表动态（dynamics），G 代表通用属性（general）。针对 Transformer 架构，协议额外引入了注意力头原语 T。这些字段由算法**自动填充**，无需人工标注，从而大幅降低了结构化分析的准入门槛。 研究者在三类模型上实例化了该协议：生成式视觉模型（beta-VAE）、判别式视觉模型（CNN）以及语言模型（GPT-2）。实验结果表明，**类型化的结构化表示在检索任务上显著优于非结构化基线**。更关键的是，通过该协议检索到的 CNN 滤波器在匹配预算控制下满足**因果充分性和必要性**条件——这意味着协议提取的组件不仅是统计相关，还具备真正的因果解释力。 ### 关键发现与核心字段 论文还揭示了一个有趣的现象：在注意力头检索实验中，协议能够**无修改地吸收注意力头原语**，并在检索预算匹配的控制下成功恢复已知的 **IOI（Indirect Object Identification）电路成员**。通过对字段进行消融实验，研究者发现存在一个**不可约的二元核心 (S+R)**——即选择性与表示字段——其余字段要么冗余，要么相互干扰。这一发现提示，未来的可解释性基础设施或许可以聚焦于这两个核心维度。 ### 意义与局限 作者强调，这项工作并非前沿规模的验证，而是提出一种**基础设施级的模式协议**，旨在让机械可解释性的输出变得可组合、可查询、可行动。当前协议已在多个模型族上验证了其有效性和扩展性，但距离完全自动化、大规模应用仍有距离。论文附带了交互式演示链接，供社区进一步探索。 对于 AI 安全与对齐领域而言，**标准化表征层**是走向可审计、可干预系统的关键一步。Manifestation Unit 协议提供了一种将碎片化分析成果“焊接”为统一查询接口的可行路径，有望推动机械可解释性从“手工作坊”走向“工程化”阶段。
生成模型作为物理模拟的替代方案正受到广泛关注，但其输出往往不满足物理定律（如守恒律、边界条件和非线性不变量）这一致命缺陷，严重限制了它们在科学工程领域的落地。来自 MIT 等机构的研究团队在最新论文中提出 **SNAP-FM**（稀疏非线性加速投影流匹配），通过将约束采样问题转化为可高效求解的稀疏非线性优化问题，在不重新训练模型的前提下，显著加速了物理约束的强制执行。 ### 痛点：生成模型“无视”物理定律 传统生成模型（如扩散模型、流匹配模型）可以快速生成逼真的流体、结构力学等物理场，但它们的输出常常违反能量守恒、质量守恒等基本物理规律。虽然“约束采样”技术可以在推理时通过投影、校正等步骤强制满足约束，但当约束为非线性时，每一步的计算成本极高。更糟糕的是，现代机器学习框架（如 PyTorch、JAX）的密集张量运算和有限的稀疏求解器组合能力，使得物理约束中自然存在的稀疏结构难以被利用，导致批处理非线性优化在实践中的效率极低。 ### SNAP-FM 的创新：让稀疏结构“现形” SNAP-FM 的核心洞察是：在约束采样的投影子问题中，由于样本批处理和局部 PDE 耦合，雅可比矩阵和 KKT 系统天然呈现 **块稀疏** 结构。研究团队利用 Julia 生态中的 `Symbolics.jl` 和 `ModelingToolkit.jl` 显式地暴露这一结构，然后通过 `NonlinearSolve.jl` 和 GPU 稀疏分解来求解得到的稀疏非线性规划。 与传统的密集优化方法相比，这种“先暴露结构，再高效求解”的策略避免了大量无效计算。在 **物理约束流匹配（PCFM）** 框架下，针对线性、非线性、一维和二维 PDE 基准测试，SNAP-FM 在保持约束满足精度的同时，**非线性约束投影的速度提升了数倍**。 ### 实验效果：速度与精度的双赢 论文在多个经典物理场景中验证了 SNAP-FM 的效果： - **线性约束**（如一维热方程边界条件）下，加速比达到 **3-5 倍**； - **非线性约束**（如二维 Burgers 方程、Navier-Stokes 方程的不变量）下，加速比依然维持在 **2-4 倍**，且约束违反量完全归零。 关键的是，所有这些加速都是在 GPU 上实现的，意味着 SNAP-FM 可以无缝融入现有的深度学习推理管线。 ### 行业意义：科学机器学习的“可信任”一步 SNAP-FM 的提出，标志着生成模型在科学计算领域迈出了从“看起来像”到“真的是”的关键一步。过去，物理信息神经网络（PINNs）和神经算子虽然能直接编码物理约束，但训练成本高昂；而纯生成模型虽然快，却不可靠。SNAP-FM 提供了一种“即插即用”的约束后处理方法，让任何预训练的生成模型都能在推理时强制遵守物理定律，且不牺牲生成速度。 对于气候模拟、药物设计、工业数字孪生等对物理一致性要求极高的领域，这项技术无疑打开了一扇新的大门。未来，随着稀疏 GPU 优化库的进一步成熟，类似 SNAP-FM 的方法有望成为科学生成模型的标准配置。
## 一、背景与挑战 在安全分类任务中，标注数据往往稀缺，半监督学习（SSL）通过从少量标注样本传播标签到大量无标注数据来缓解这一问题。然而，实际安全应用常将SSL当作黑盒使用：采用默认参数、固定分类器，且不处理伪标签导致的类别不平衡。这导致SSL的潜力未能充分发挥。 ## 二、研究目标与核心问题 近期研究显示，通过联合搜索、AutoML或逐组件调优来优化SSL流水线可带来可观的性能提升。但这些增益的来源并不明确：它们可能源于SSL与分类器之间的有益交互，也可能仅仅是因为调优了下游分类器。为此，本文旨在解耦这两种效应，针对**二元表格安全数据**，使用经典SSL和基于树的分类器进行系统分析。 ## 三、方法：SemiScope分析框架 研究者构建了**SemiScope**——一个分析工具而非部署推荐。它利用**贝叶斯优化**联合调优SSL设置、置信度过滤、过采样和分类器。关键控制组**Tuned-Clf**固定SSL为默认值，但获得与SemiScope相同的100次分类器调优预算和验证集阈值调优。在10%标注率下，使用配对TOST检验比较两者，最小效应量为±1.0 G-Mean。 ## 四、实验结果 - **SemiScope**在所有五个数据集上击败了所有默认SSL基线，相比最强基线提升**0.7-12.7个点**。 - 在等预算控制下，**Tuned-Clf**在4/5数据集上与完整流水线统计等价；Phishing数据集结果不明确。 - 仅分类器超参数优化（HPO）就恢复了SemiScope相对于默认自训练（ST）+随机森林（RF）增益的中位数**86%**。 ## 五、结论与实用建议 本文的可复用贡献是**分解协议**。一个更简单的方案足以奏效：使用自训练，用贝叶斯优化调优分类器，并在验证数据上调优决策阈值。该方案在四个数据集上以20-30%标注率即可达到监督RF的1个G-Mean以内，在Drebin数据集上需40%标注率，且在所有数据集上标注率均低于或等于默认ST+RF。 ## 小结 SemiScope的研究表明，在半监督安全分类中，分类器调优比复杂的联合优化更为关键。实践者应优先关注分类器的超参数优化和阈值调整，而非过度设计SSL流水线。
在临床研究中，生存分析模型常因数据稀缺而受限：事件需多年随访才能累积，队列规模小，且隐私法规禁止机构间数据共享。表格生成模型虽能通过合成数据实现扩增和隐私保护，但其本身同样依赖大量数据——在小样本生存分析场景下，单一生成器几乎无法充分刻画人群分布，导致下游模型性能远不及真实数据训练。 为了解决这一矛盾，米兰理工大学的研究团队提出了 **FoGS（Filtered Mixture-of-Generators for Survival analysis）**，一种将合成数据构建从“生成”转向“样本筛选”的新框架。FoGS 的核心思路是：先由多个架构不同的生成器共同产生一个候选样本池，再通过一套基于真实数据训练的评估系统，筛选出最“可信”的样本用于下游训练。 ### 如何运作？ FoGS 的流程分为两层： 1. **候选池生成**：使用四种架构各异的表格生成器（如 VAE、GAN、扩散模型等）分别生成大量合成样本，形成混合候选池。 2. **两级优化管道**： - **外循环**：优化一个“选择策略”，包括各生成器的配额、评估器权重、随机补充比例以及事件时间和删失状态的分层平衡。该策略以在下游模型上的真实数据测试性能为优化目标。 - **内循环**：在筛选出的合成数据集上训练下游模型（此处选用 XGBoost-Cox），并评估其性能。 关键创新在于 **样本可信度评分**：每个候选样本由七个在真实数据上预训练的生存模型（涵盖 Cox 比例风险、随机生存森林、深度生存模型等）进行评分，评分规则采用生存分析领域的标准指标（如负对数似然、Brier 分数），作为样本“似真性”的代理。 ### 实验结果 研究者在 16 个公开数据集上进行了“在合成数据上训练，在真实数据上测试”的评估，使用 C-index 和 IBS（综合 Brier 分数）作为指标。结果显示： - **FoGS 在 C-index 上平均提升 +2.17，在 IBS 上平均提升 +0.67**（指标范围 0–100）。 - 在 9/16 的数据集上两项指标均优于单一生成器，在 13/16 的数据集上至少一项指标提升（单侧 Wilcoxon 检验 p=0.039 和 p=0.035）。 - 在大多数队列中，FoGS 合成数据训练的性能可匹配甚至超越真实数据训练，且 **不会显著增加最近邻隐私泄露风险**（相比未筛选的合成样本）。 ### 意义与展望 FoGS 的贡献在于将合成数据问题重新定义为 **样本选择问题**：与其试图训练一个“完美”的生成器，不如利用多个生成器的多样性，并通过真实数据驱动的筛选机制来保证质量。这种方法尤其适用于隐私受限的临床环境——机构可以仅共享合成数据，而保留真实数据不外泄。 当然，该方法也存在局限：它依赖于一个初始的真实数据小样本用于训练评估器，且优化管道计算成本较高。但考虑到临床数据获取的昂贵代价，这种“一次训练、多次复用”的范式仍具有实际价值。 未来，研究团队计划探索更高效的优化算法，并将 FoGS 扩展到其他类型的生存数据（如竞争风险、时变协变量）以及多中心联邦学习场景。