亚马逊云科技今日宣布，**SageMaker Python SDK v3.8.0** 为 SageMaker Feature Store 带来三项新能力，旨在帮助数据科学家和工程师更高效地构建、管理和使用机器学习特征管道。这些新功能聚焦于简化特征工程工作流、增强数据治理以及提升查询性能。 ### 新能力一：与 AWS Lake Formation 集成，强化数据治理 第一项新能力是 **SageMaker Feature Store 与 AWS Lake Formation 的深度集成**。通过这一集成，用户可以在特征组（Feature Group）级别应用细粒度的访问控制策略。Lake Formation 提供基于属性的访问控制（ABAC）和行级安全，使得团队能够安全地共享特征数据，同时遵守合规要求。例如，数据管理员可以设定规则，仅允许特定用户或角色访问包含敏感信息的特征列，而其他列则对更广泛的团队开放。 ### 新能力二：支持 Apache Iceberg 表属性，优化存储与查询 第二项能力是 **SageMaker Feature Store 现在支持 Apache Iceberg 表属性**。Iceberg 是一种开源表格式，专为大规模数据分析设计，支持 ACID 事务、快照和模式演进。通过在 Feature Store 中启用 Iceberg 表属性，用户可以享受以下好处： - **更快的查询性能**：Iceberg 的分区修剪和列式存储优化可显著减少扫描数据量。 - **时间旅行查询**：能够回溯到特定时间点的特征数据版本，便于模型调试和重现。 - **自动表维护**：Iceberg 的压缩和清理机制减少了存储成本并提高了查询效率。 ### 新能力三：增强的 Python SDK 功能，简化开发体验 第三项新能力体现在 **SageMaker Python SDK v3.8.0 的更新**，包括更简洁的 API、更好的错误处理以及更丰富的文档。例如，现在可以通过更少的代码行创建和管理特征组，并直接与 Iceberg 表交互。此外，SDK 还支持将特征数据直接写入 S3 中的 Iceberg 格式，无需额外配置。 ### 实际应用场景与价值 这些新能力对机器学习团队意味着什么？以金融风控场景为例，特征工程团队需要频繁更新欺诈检测模型的特征，同时确保敏感客户数据不被滥用。通过 Lake Formation 集成，可以轻松定义哪些分析师能访问哪些特征；而 Iceberg 支持则让历史特征回滚变得简单，便于模型审计。 对于希望快速上手的用户，亚马逊云科技提供了 **完整的端到端示例笔记本**（位于 SageMaker Python SDK 仓库中），涵盖 Lake Formation 治理配置和 Iceberg 表属性设置。开发者可以直接克隆这些笔记本，在自己的 AWS 环境中进行测试。 ### 小结 此次更新标志着 **SageMaker Feature Store 在数据治理和性能优化上迈出重要一步**。随着机器学习模型对特征质量和时效性的要求日益提高，这些工具能帮助团队减少基础设施管理负担，将更多精力投入到特征创新和模型迭代中。建议用户升级到最新 SDK，并参考官方笔记本探索新功能。
在 AI 应用开发中，让大语言模型（LLM）能够自主调用外部工具是释放其能力的关键。Amazon Bedrock 近期推出的编程式工具调用（Programmatic Tool Calling, PTC）功能，正为开发者提供了一条更灵活、可控的路径。本文将通过三种实现方式，展示如何利用 PTC 构建可执行代码的 AI 代理。 ## 什么是编程式工具调用？ 传统的工具调用中，模型仅返回工具名称和参数，由应用层负责执行。而 **PTC 允许模型直接生成可执行的代码片段（如 Python 脚本）**，并在安全沙箱中运行，从而实现更复杂的逻辑，比如数据处理、API 调用链或动态决策。 ## 三种实现路径对比 ### 1. 自托管 Docker 沙箱（ECS） - **适用场景**：需要完全控制执行环境、网络策略或使用自定义运行时。 - **实现方式**：在 Amazon ECS 上部署 Docker 容器作为沙箱，通过 Bedrock 的响应触发容器内的代码执行。 - **优势**：最大灵活性，可集成私有库、GPU 资源等。 - **代价**：需自行维护基础设施，处理安全隔离和扩缩容。 ### 2. 托管解决方案（Bedrock AgentCore Code Interpreter） - **适用场景**：希望快速集成，无需管理底层环境。 - **实现方式**：直接使用 Bedrock 内置的 **AgentCore Code Interpreter**，模型生成的代码在 AWS 托管的沙箱中自动执行。 - **优势**：零运维，自动安全隔离，支持 Python 标准库。 - **限制**：无法安装第三方包或访问外部网络（默认配置）。 ### 3. Anthropic SDK 兼容代理 - **适用场景**：团队已使用 Anthropic SDK（如 Claude API），希望迁移到 Bedrock 但保持开发体验一致。 - **实现方式**：通过一个轻量级代理层，将 Bedrock 的 PTC 响应转换为 Anthropic SDK 格式，使得现有代码无需大改即可接入。 - **优势**：降低迁移成本，复用已有工具链。 - **注意**：代理层需自行维护，可能引入额外延迟。 ## 实践建议与思考 从行业趋势看，**PTC 正在模糊“模型”与“应用”的边界**。过去，LLM 仅作为推理引擎，现在它开始直接操控计算资源。这种转变对安全性和可观测性提出了更高要求： - **安全隔离**：无论采用哪种方式，代码执行环境必须与生产环境隔离。Docker 沙箱或托管解释器都应限制文件系统、网络和系统调用。 - **错误处理**：模型生成的代码可能出错，需设计重试、回退或人工审核机制。 - **成本控制**：代码执行消耗算力，尤其是长时间运行的任务，建议设置超时限制。 对于大多数团队，**推荐从托管 Code Interpreter 开始**，快速验证 PTC 在业务场景中的价值。当需求超出托管环境的能力（如需要 GPU 或私有包）时，再迁移到自托管方案。而 Anthropic 兼容代理更适合已有深度绑定 Anthropic 生态的团队。 ## 小结 Amazon Bedrock 的 PTC 功能为 AI 代理的开发提供了更多选择。从自托管到托管，再到兼容代理，开发者可以根据安全、成本和运维偏好灵活设计架构。随着 LLM 编码能力的提升，这种“模型即执行者”的模式将成为构建智能应用的重要范式。
两位前OpenAI员工与多家AI安全非营利组织联合致信投资者，警告称埃隆·马斯克的AI实验室xAI的安全记录不佳，可能成为SpaceX史上最大IPO的“未定价风险”。 ## 核心警告：xAI的安全隐患 信中指出，xAI在安全实践方面“几乎全面落后”于OpenAI、Google DeepMind和Anthropic等前沿AI开发者。联合签署人、前OpenAI政策顾问Page Hedley在采访中直言，xAI的安全记录是行业最差的。这种状况可能导致SpaceX面临更高的监管和诉讼风险，从而影响其估值和IPO进程。 ## 要求披露关键信息 信件要求SpaceX向投资者披露以下内容： - xAI是否计划继续开发前沿AI模型。 - 如果继续，必须发布公开的安全与治理计划。 - 近期SpaceX将大量GPU产能出售给Anthropic的交易，使得xAI在母公司内的定位变得模糊——它是否仍是前沿AI竞争者，还是沦为基础设施提供者？ ## 行业背景与影响 SpaceX以约**750亿美元**估值筹备IPO，此前以超**1万亿美元**的私有估值收购了xAI。马斯克曾宣称要将数据中心发射到太空为AI服务，但安全倡导者认为，这种激进策略可能掩盖了xAI在安全实践上的系统性缺陷。 新的AI安全监管组织**Guidelight AI Standards**（由前OpenAI安全研究员Steven Adler和Hedley联合创立）是信件的主要签署方之一。该组织获得私人捐助者支持，旨在推动前沿AI公司的安全标准提升。其他签署方包括Legal Advocates for Safe Science and Technology、Encode AI和The Midas Project。 ## 结论 这封信凸显了AI安全在资本市场的分量——当一家AI公司被并入即将IPO的实体时，其安全实践不再是内部技术问题，而是直接影响投资者信心的财务风险。SpaceX和xAI尚未回应置评请求，但投资者显然需要更多透明度。
一项要求社交网络快速删除性深度伪造及其他非自愿色情内容的法律现已全面生效。但专家警告，该政策可能对受害者帮助甚微，最坏情况下甚至可能助长网络审查。去年5月，总统特朗普签署了《Take It Down Act》，旨在应对非自愿私密影像（NCII）。该法立即将传播NCII（无论是真实还是AI生成的内容）定为犯罪，许多州已至少部分实施。但其同名的移除条款更为广泛——自2026年5月19日起，要求在线平台在48小时内移除NCII，否则面临罚款。联邦贸易委员会主席Andrew Ferguson在截止日期前致函十几家科技公司，包括亚马逊、Alphabet、苹果、Meta、微软、TikTok等。FTC要求平台提供便捷的移除请求流程，并在48小时内删除违规内容及任何“已知的相同副本”。违规每次可能面临超过5.3万美元的民事罚款。Meta、微软、谷歌、TikTok和Snap等主要平台支持该法案，并表示有信心遵守。但专家指出，法律对“亲密影像”的定义可能过于宽泛，且缺乏对虚假举报的惩罚，可能被滥用于压制合法言论。此外，许多受害者面临举报流程复杂、二次伤害等问题。该法案的实际效果仍有待观察。
如果你使用Android Auto仅仅是为了导航和听音乐，那你可能错过了不少实用功能。事实上，通过一些精心挑选的应用，Android Auto可以大幅提升驾驶体验，让每一次出行都更加高效、安全、有趣。以下是6款值得立即尝试的应用，它们涵盖了导航、娱乐、信息获取等多个方面。 ### 1. **Waze**：社区驱动的实时导航 Waze不仅提供基础导航，更以其强大的社区功能著称。用户实时共享路况、事故、警察测速点等信息，帮助你避开拥堵，选择最佳路线。对于经常通勤或长途驾驶的用户来说，Waze的实时更新功能是无可替代的。 ### 2. **Pocket Casts**：播客爱好者的最佳伴侣 如果你喜欢在驾驶时收听播客，Pocket Casts是Android Auto上最出色的播客应用之一。它支持自动下载、播放速度调整、跨设备同步进度，并且界面简洁，与Android Auto的整合非常流畅。你可以轻松浏览订阅的节目，快速切换单集，而不会分散驾驶注意力。 ### 3. **Spotify**：不仅是音乐，还有播客与有声书 虽然很多人已经使用Spotify，但Android Auto版本的优化值得重新审视。除了海量音乐，Spotify还整合了播客和有声书，让你在一个应用中满足所有音频需求。其个性化推荐算法能根据你的驾驶习惯和心情推荐内容，让长途驾驶不再枯燥。 ### 4. **Google Maps**：超越基础导航的全面助手 尽管Google Maps是默认导航应用，但许多用户并未充分利用其高级功能。例如，你可以保存常用地点、查看实时公交信息、搜索沿途的餐厅或加油站，甚至与朋友共享实时位置。在Android Auto上，这些功能都经过优化，语音控制响应迅速，让你无需动手即可获取信息。 ### 5. **Car Scanner ELM OBD2**：实时车辆诊断 对于喜欢了解车辆状态的车主，Car Scanner ELM OBD2是一款强大的工具。通过蓝牙连接OBD2适配器，你可以在Android Auto屏幕上实时查看发动机转速、水温、油耗、故障码等数据。它甚至支持自定义仪表盘，让你根据需求监控关键指标，提前发现潜在问题。 ### 6. **Audible**：有声书让驾驶更有意义 如果你喜欢在驾驶时“阅读”，Audible是有声书领域的标杆。Android Auto版本的Audible支持无缝播放，你可以通过语音命令查找书籍、跳转章节或调整播放速度。结合驾驶场景，选择一本引人入胜的小说或自我提升类书籍，让通勤时间变成学习时间。 ## 小结 以上6款应用覆盖了导航、娱乐、车辆诊断等多个领域，能够显著提升Android Auto的使用体验。如果你尚未尝试，不妨从最感兴趣的一款开始，逐步发掘Android Auto的潜力。记住，安全驾驶永远是第一位，语音控制是这些应用的最佳操作方式。
美国最大电力公司 NextEra Energy 与第六大公司 Dominion 的拟议合并，不仅是资本市场的重磅交易，更折射出数据中心需求激增如何重塑整个电力行业。这笔价值 **670亿美元** 的并购案，将缔造一个在发电总量、天然气发电和可再生能源领域均占据领先地位的超级企业。然而，消费者权益倡导者和分析师警告，合并后的巨无霸可能对消费者和环境产生负面影响。 ## 数据中心：合并的核心驱动力 此次合并的关键在于 Dominion 的战略位置——它正是 **北弗吉尼亚** 的本地电力供应商，而该地区拥有全球最密集的数据中心集群。随着 AI 和云计算爆发，数据中心用电需求急剧攀升，NextEra 希望通过收购 Dominion 快速切入这一高增长赛道。Morningstar 股票分析师 Andrew Bischof 指出，这笔交易让 NextEra 能利用 Dominion 的专长和关系“加速其数据中心中心枢纽计划”，此前 NextEra 在监管同行中已落后。 ## 监管与消费者权益的隐忧 哈佛法学院电力法倡议主任 Ari Peskoe 直言：“合并是为了股东，而非消费者。” Dominion 股东将以溢价出售股份，高管也将因促成交易获得巨额回报，而“费率支付者都是事后才想到的”。合并后的公司市值仅次于埃克森美孚和雪佛龙，其巨大的财务和政治影响力将使有效监管变得异常困难。 ## 交易细节与未来走向 根据周一公布的提案，合并后的公司沿用 NextEra Energy 名称，由 NextEra CEO John W. Ketchum 领导。交易尚需州和联邦监管批准。对于普通家庭和企业而言，这意味着电价可能上涨：垄断性电力公司往往将数据中心基础设施成本转嫁给用户，而缺乏竞争的市场结构进一步削弱了消费者的议价能力。 ## 行业变局：AI 时代的能源博弈 这笔交易标志着电力公用事业进入新阶段：数据中心的能源需求正从技术问题演变为战略资产。NextEra 与 Dominion 的联姻，本质上是对未来计算基础设施控制权的争夺。但正如批评者所担忧的，当一家公司同时掌握发电、电网和数据中心资源时，如何在效率与公平之间取得平衡，将成为监管机构面临的严峻考验。
微软最新推出的第12代 Surface Pro 商用版，凭借 5G 连接、英特尔最新处理器和卓越屏幕，再次巩固了其在高端便携二合一设备领域的领先地位。本文基于实际测试，深入分析这款设备的升级亮点、行业定位及对企业用户的实际价值。 ## 核心升级：5G 与性能齐头并进 第12代 Surface Pro 商用版最引人注目的变化是**首次加入 5G 蜂窝网络支持**。对于经常出差、需要在移动中保持高效工作的商务人士而言，这一升级意味着不再依赖不稳定的公共 Wi-Fi，随时随地获得高速网络连接。此外，设备搭载了**英特尔最新的 Series 3 处理器**，在性能与功耗之间取得了更好的平衡，足以应对日常办公、视频会议和多任务处理。 屏幕方面，微软延续了 Surface 系列一贯的高标准。13英寸 PixelSense 显示屏不仅色彩精准、亮度充足，还**内置了隐私屏幕功能**，可限制侧面视角，有效防止在公共场合泄露敏感信息——这一点对企业用户尤其重要。 ## 使用体验：轻薄机身，全能表现 在实际使用中，Surface Pro 商用版保持了系列标志性的轻薄设计，**重量仅约 900 克**，搭配可调节支架和键盘盖，可在笔记本和平板模式间无缝切换。5G 连接的实际体验令人满意，下载大文件、视频会议均无明显延迟。配合 Windows 11 的**高级触觉反馈**支持，触控笔书写和触控操作更加自然精准。 续航方面，官方宣称可达 15 小时，实测在混合使用场景下（网页浏览、文档编辑、视频播放）约 12-13 小时，足以覆盖一个工作日。 ## 行业视角：企业移动办公的新标杆 从 AI 行业趋势来看，**5G 与边缘计算的结合正在重塑企业办公模式**。Surface Pro 商用版凭借 5G 连接，可更高效地接入云端 AI 服务，例如实时语音转写、智能文档翻译等，而无需本地部署高功耗硬件。同时，英特尔 Series 3 处理器集成的 AI 加速单元，也能在本地运行轻量级 AI 模型，如背景虚化、智能降噪等，提升视频会议体验。 与同类产品相比，Surface Pro 商用版在**安全性、可管理性和生态整合**上具有优势。它预装 Windows 11 Pro，支持 BitLocker 加密、Windows Hello 面部识别，并可通过 Microsoft Intune 进行集中管理，满足企业对数据安全和 IT 部署的严格要求。 ## 小结 第12代 Surface Pro 商用版并非革命性产品，但它通过**5G 连接、隐私屏幕和最新处理器**等务实升级，补齐了此前企业用户最关心的短板。对于追求移动生产力、注重数据安全且预算充足的企业用户来说，这可能是目前最值得考虑的 Windows 二合一设备。
摩尔定律是否已死？这是半导体行业多年来争论不休的话题。但比利时微电子研究中心（Imec）的最新预测给出了一个明确的答案：**摩尔定律将以新的形式继续演进，至少在未来15年内仍有路可走**。 ## 从FinFET到CFET：晶体管结构的革命 Imec认为，我们正处在晶体管技术的关键转折点。目前主流的FinFET结构将在未来几年内被**全环绕栅极（GAA）**技术取代，而更远期的目标是**互补场效应晶体管（CFET）**。CFET将n型和p型晶体管垂直堆叠，极大提升集成密度。 根据Imec的路线图，**2028年**左右，3纳米节点之后，GAA将全面铺开；而到**2032年前后**，CFET有望进入量产。这意味着，从今天算起，我们离下一代晶体管架构的成熟还有大约7年时间。 ## 关键挑战：互连与功耗 随着晶体管尺寸逼近原子尺度，互连延迟和功耗成为比晶体管开关速度更棘手的瓶颈。Imec指出，**背面供电网络（BSPD）**和**新型互连材料**（如钌或钴）将成为突破方向。此外，**高数值孔径（High-NA）极紫外光刻**技术被视作实现更小线宽的关键工具，ASML已开始交付首批High-NA EUV光刻机。 ## 摩尔定律的新定义：从“缩微”到“系统集成” 传统摩尔定律强调晶体管数量的翻倍，但Imec认为，未来摩尔定律的驱动力将更多来自**3D堆叠、异构集成和专用加速器**。例如，将逻辑芯片与存储芯片、传感器甚至光子器件垂直集成，可以在不依赖极端线宽的情况下提升性能。这种“超越摩尔”的思路，实际上是将系统级优化纳入摩尔定律的范畴。 ## 对AI与计算产业的启示 对于AI芯片而言，这一路线图意义重大。当前大模型训练和推理对算力的需求呈指数级增长，而传统工艺微缩带来的性能增益正在放缓。Imec的预测表明，**未来AI芯片的竞争将更多体现在先进封装和架构创新上**，而非单纯依赖制程节点。台积电、三星和英特尔都在积极布局3D封装技术，这与Imec的路线图方向一致。 ## 小结 Imec的15年预测并非宣告摩尔定律的终结，而是描绘了一个更复杂、更多维的演进路径。从FinFET到CFET，从平面到3D，从单一缩微到系统集成，**半导体产业正进入一个“多重创新”时代**。对于从业者而言，关注晶体管结构变化的同时，更需留意互连、封装和材料领域的突破——这些才是决定未来15年算力增长的关键变量。
Marshall 近日发布了新款头戴式耳机 Milton ANC，定位为兼具便携性与高性能的 on-ear 耳机。作为 Major V 的升级版，Milton ANC 在佩戴舒适度、音质和降噪方面均有显著提升。 ## 设计：经典与实用并存 Milton ANC 延续了 Marshall 标志性的复古美学，采用方形 TPU 模塑耳罩、纹理皮革表面、黄铜金属 logo 和粉末涂层金属臂，质感出众。耳机重量约 **200 克**，虽比 Major V 的 186 克略重，但保留了可折叠设计，方便收纳携带。耳垫尺寸增大，内部填充更柔软的记忆海绵，有助于提升被动降噪效果和长时间佩戴的舒适性。 ## 音质与连接：全面升级 Marshall 为 Milton ANC 配备了全新的 **32mm 驱动单元**（Major V 为 40mm），官方称其优化了低音和高频延伸。支持的音频编解码器包括 SBC、AAC、LC3 和 **LDAC**，可满足高解析度无线音频需求。蓝牙升级至 **6.0 版本**，支持 LE Audio，并原生兼容 Apple Find My 和 Google Find Hub 定位服务，无论使用 iPhone 还是 Android 设备都能轻松追踪耳机位置。 ## 定价与市场定位 Milton ANC 售价 **229 美元**，定位中高端市场。在竞争激烈的无线耳机领域，它需要与索尼 WH-1000XM5、Bose QC 45 等产品抗衡。不过，Marshall 独特的品牌调性、便携折叠设计以及对 LDAC 和蓝牙 6.0 的支持，可能成为其差异化优势。 ## 小结 Marshall Milton ANC 在保留经典设计的同时，通过升级驱动单元、蓝牙规格和佩戴舒适度，试图在便携与性能之间找到平衡。对于追求音质、外观和便携性的用户来说，这款耳机值得关注。实际表现如何，还需等待后续评测验证。
家用机器人正逐渐走入普通家庭，但随之而来的安全问题却远未解决。近期，国际标准化组织（ISO）正在修订一项与机器人安全相关的标准，然而有专家指出，这次修订忽略了用户输入这一关键因素，可能导致安全规范与真实使用场景脱节。 ## 安全标准为何重要？ ISO标准是全球机器人制造商设计产品时的重要参考。对于家用机器人而言，安全不仅涉及物理伤害的避免，还包括隐私保护、行为可预测性以及用户信任。然而，现行的安全评估方法往往侧重于机器人在理想环境下的表现，未能充分考虑用户与机器人之间复杂动态的互动。 ## 被忽视的用户输入 在本次ISO标准修订中，一个关键争议点是：标准制定者主要依赖工程师和机器人厂商的视角，而**缺乏对普通用户使用习惯和行为的系统调研**。例如，用户可能出于好奇或操作失误，让机器人执行超出安全范围的任务；又或者用户对机器人的信任过度，导致放松警惕。这些“非理想”的用户行为，恰恰是现实中事故的主要诱因。 IEEE Spectrum科技政策编辑Lucas Laursen在报道中指出，安全标准若只关注机器人自身的硬件和软件可靠性，而不考虑用户与机器人之间的“关系”，无异于纸上谈兵。他强调：**“家用机器人安全，本质上是一个关系问题。”** ## 行业背景与影响 随着扫地机器人、陪伴机器人、教育机器人等产品的普及，家用机器人市场正在快速增长。但与此同时，涉及机器人的意外事件也时有发生，如机器人撞倒老人、儿童误触危险部件等。如果新的ISO标准不能有效涵盖用户行为因素，制造商可能会依据不充分的规范生产产品，从而埋下安全隐患。 目前，ISO标准修订工作组已经注意到了批评声音，但尚未明确是否会在最终版本中增加用户输入相关的测试要求。Laursen呼吁，标准制定者应当**引入人机交互研究者和用户代表参与讨论**，确保标准既具备技术严谨性，又贴合实际使用场景。 ## 小结 家用机器人安全的未来，不仅取决于更坚固的外壳或更聪明的算法，更取决于我们如何设计人与机器之间的信任与协作关系。ISO标准的修订是一个契机，提醒整个行业：**安全，始于理解用户**。
谷歌的 AI 助手 Gemini 正变得越来越“侵入性”，其无处不在的“闪光”图标让用户感到不堪其扰。本文作者作为 Gemini 的活跃用户，却对 Gemini 在 Google Docs 等应用中无孔不入的提示感到厌烦，并警告谷歌应吸取微软 Copilot 的教训，避免重蹈覆辙。
对冲基金亿万富翁、加州州长候选人汤姆·斯泰尔正走在一根细绳上：他既要推动对超级富豪增税，又要监管人工智能，还要让硅谷保持满意。这可能吗？ ## 亿万富翁的“阶级背叛” 斯泰尔靠创办全球最大对冲基金之一 **Farallon Capital Management** 积累财富，但在 2012 年退出后转向慈善、气候倡导和政治活动。如今，他加入加州州长角逐，以“不受企业影响”为卖点，甚至自掏腰包 **1.3 亿美元** 用于竞选。他被部分人称为“阶级背叛者”，因为他公开支持备受争议的 **《亿万富翁税法案》**——该法案已让谷歌联合创始人谢尔盖·布林、彼得·蒂尔等富豪威胁或实际搬离加州。 ## 税收与留人的两难 斯泰尔在采访中展现出典型的政客式平衡术。他一方面强调要对超级富豪征税以解决加州可负担性危机，另一方面又担心过度逼迫会促使资本外流。这种矛盾在 **AI 监管** 上同样突出：他既承认需要防范 AI 风险，又害怕严格法规会扼杀创新，甚至“赶走建造它们的亿万富翁”。 ## 硅谷的“金主”与“敌人” 斯泰尔的处境折射出加州政治的深层悖论：该州经济高度依赖科技巨头和富豪阶层，但民众对财富不平等和科技垄断的愤怒日益高涨。作为一位靠金融起家的亿万富翁，斯泰尔试图扮演“人民代言人”，却难以摆脱自身阶级标签。他的竞选对手和批评者质疑：一个真正“免疫于企业影响”的候选人，为何需要投入如此巨额的私人资金？ ## 结语 斯泰尔的竞选口号是“为加州人而战”，但现实是，他必须同时讨好两个相互冲突的群体：渴望税收公平的普通选民，以及掌握经济命脉的科技精英。这场豪赌的结果，将不仅决定加州未来数年的政策走向，也可能为全美其他科技州提供镜像——当财富与权力高度集中时，民主政治还能否找到平衡点？
流媒体服务越来越贵，你可能不愿为了一两部剧就订阅一个月或一年。但有一个隐藏优惠：通过**Walmart+**会员试用，你可以仅花**1美元**享受**Peacock**或**Paramount+**的30天服务，还能获得其他额外福利。 ## 如何操作？ Walmart+目前提供**30天试用**，价格仅为**1美元**（原价每月12.98美元）。订阅Walmart+后，你可以免费获得**Peacock Premium**（含广告）或**Paramount+ Essential**（含广告）的访问权限。这意味着你只需支付1美元，就能同时享受Walmart+的配送、燃油折扣等权益，以及一个月的流媒体内容。 ## 值得吗？ 对于只想短期追剧的用户来说，这比直接订阅Peacock（5.99美元/月）或Paramount+（5.99美元/月）划算得多。但要注意：试用期结束后，Walmart+会自动续费（12.98美元/月），除非你提前取消。另外，流媒体服务为含广告版本，且仅限新用户或符合条件的老用户。 ## 行业背景 这类捆绑优惠反映了流媒体行业的竞争趋势：平台通过合作伙伴关系降低获客成本，同时提升用户粘性。Walmart+利用其会员体系作为入口，既推广了自身服务，也为Peacock和Paramount+带来了潜在订阅者。对于消费者，这是低成本试水多个平台的好机会。 ## 小结 如果你正好想追《办公室》或《黄石》等剧集，这个1美元交易值得考虑。记得在30天内取消Walmart+，避免后续扣费。
Google I/O 2026 开发者大会于今日在加州山景城拉开帷幕。作为年度最重要的技术盛会，谷歌延续了近年来的 AI 主线，**Gemini** 模型再次成为全场焦点。预计本次大会将围绕 Android 系统深度集成 AI、全新 XR 平台以及 Googlebook 设备线展开。 ## 核心看点 - **Android 与 Gemini 的深度融合**：谷歌此前已预告，新一代 Android 将把 Gemini 作为系统级智能助手，支持跨应用上下文理解、实时翻译和智能摘要。开发者有望获得更强大的 API，以便在应用中调用多模态能力。 - **Googlebook 设备线**：上周提前曝光的“Googlebook”被视为对标苹果 MacBook 的 AI PC 产品线。它可能搭载专为 Gemini 优化的 ChromeOS 版本，并集成本地大模型推理能力，主打隐私与离线 AI 体验。 - **XR 平台新进展**：在 AR/VR 领域，谷歌可能发布与三星合作的新头显参考设计，并展示基于 Gemini 的空间计算交互。此前泄露的“Project Moohan”有望获得更详细的 SDK 信息。 - **开发者工具与生态**：Google I/O 传统上会发布大量开发者工具更新，包括 **Android Studio** 的 AI 编程助手、**Flutter** 的多平台扩展，以及 **Google Cloud** 上的 Gemini API 降价和新模型上线。 ## 行业背景与意义 当前 AI 竞赛已进入“端侧智能”与“多模态”阶段。谷歌通过 Gemini 串联手机、PC、XR 和云服务，试图构建闭环生态，与微软的 Copilot+ 和苹果的 Apple Intelligence 正面竞争。本次大会的更新将直接影响数百万开发者的技术路线选择。 ## 小结 Google I/O 2026 不仅是产品发布，更是谷歌 AI 战略的全面展示。从 Android 到 Googlebook，从 XR 到云服务，Gemini 正在成为谷歌所有产品的“大脑”。我们将在现场持续带来最新消息和分析。
## 背景：分布式训练的通信瓶颈 训练大规模神经网络时，全精度梯度的通信开销是主要瓶颈之一。传统的分布式优化器（如 Adam、SGD）通常按坐标独立更新，忽略了权重张量的矩阵结构，导致优化效率受限。尽管 signSGD 通过 1-bit 梯度量化大幅降低了通信量，但其逐坐标处理方式仍未利用矩阵的几何信息。 ## SignMuon 核心设计 来自印度理工学院等机构的研究者提出了 **SignMuon**，一种结合了 **Muon** 优化器矩阵感知能力与 signSGD 低比特通信优势的新型优化器。关键创新包括： - **Muon 风格方向**：每个 worker 通过 Newton–Schulz 迭代计算动量矩阵的极分解因子，得到正交化的更新方向。 - **1-bit 符号通信**：仅传输更新矩阵的逐元素符号（1-bit），并通过多数投票（majority vote）进行聚合，大幅降低通信带宽。 - **可选本地极分解**：在本地额外执行一步极分解，进一步强化正交性，且不增加通信成本。 ## 理论保证与通信效率 在谱范数光滑性和有界方差假设下，SignMuon 对于非凸优化达到了 **O(1/√T)** 的收敛率（基于 ℓ1 平稳度量）。当噪声为单峰对称分布时，多数投票机制可将随机项降低 **1/√M**（M 为 worker 数），与 signSGD 一致。 在 α-β 通信模型中，分布式 SignMuon 每轮只需一次整数 sum-allreduce 操作，所有正交化都在本地完成。相比 float32，带宽降低 **32 倍**；即使对比 int8，也降低 **4 倍**。 ## 实验表现：CIFAR-10 与 nanoGPT - **CIFAR-10 / ResNet-50**：在 330 组超参数配置中，SignMuon 取得了最佳验证准确率 **92.15%**。其 4-GPU 多数投票变体达到 92.02%，并且在匹配有效批量时，训练时间减少 **37%**。 - **nanoGPT**：SignMuon 实现了更低的困惑度，并在任意时刻性能上优于其他基于符号的基线方法。弱扩展性测试显示，在 16 GPU 范围内性能良好。 ## 意义与展望 SignMuon 为分布式深度学习提供了一种兼具通信效率和优化质量的实用方案。它证明了将矩阵感知优化与 1-bit 通信结合是可行的，并且在大规模训练场景中具有显著优势。未来工作可探索将其扩展到更复杂的模型架构，或与其他压缩技术（如 top-k 稀疏化）协同使用。
预测阿尔茨海默病（AD）的中期进展极具挑战性：未来临床评分可能仍与基线严重程度挂钩，而生物标志物历史数据往往采样不规则且存在缺失。针对这一问题，来自上海交通大学等机构的研究团队提出了一种**残差间隙感知Transformer模型**，基于阿尔茨海默病神经影像学倡议（ADNI）的协调数据，预测24个月后的临床痴呆评定量表总和（CDR-SB）变化。相关论文发表于arXiv（编号2605.16319）。 ## 方法概述 研究采用**锚点分析框架**：以轻度认知障碍（MCI）就诊为锚点，仅使用该锚点之前或当次的临床与生物标志物历史数据，将未来18–30个月窗口内最接近24个月的CDR-SB值与锚点值之差作为预测目标。分析队列包含来自858名参与者的**2,600个带标签锚点**，对应7,276条纵向记录。 模型架构创新性地结合了**混合效应统计参考**与**基于Transformer的残差学习**。混合效应部分通过参与者级别的随机截距捕捉个体基线差异；Transformer部分则利用观测级别的三元组令牌化处理不规则历史数据，并在自注意力机制中引入**可学习的非负时间间隙惩罚**，以显式建模时间间隔对预测的影响。 ## 性能表现 在重复的参与者级别训练-测试划分下（5个随机种子），该模型在所有报告指标上均取得最佳平均测试性能。与经贝叶斯信息准则（BIC）筛选的线性混合效应基线相比，**均方误差（MSE）降低13.1%**，预测与观测的**相关性提高26.4%**。同时，模型在平均误差和相关性上全面优于GRU-D和STraTS两种主流时序预测方法。 ## 行业启示 这项研究为AD的中期进展预测提供了新思路。传统方法常受限于基线数据的静态性以及不规则采样的处理难题。该工作通过“统计锚定+间隙感知残差学习”的混合架构，显著提升了预测精度，有望为临床试验筛选、个性化治疗规划提供更可靠的决策支持。未来，若能在更大规模、多中心数据上验证，并探索与生物标志物动态建模的深度融合，该范式或将成为AD进展预测的重要基准。
在强化学习（RL）的实际部署中，智能体需要构建并维护内部状态以学习策略和价值函数，而循环神经网络（RNN）因其处理序列信息的天然优势，已成为解决该问题的关键工具。近年来，多个大规模RL系统（如DeepMind的AlphaStar、OpenAI Five）都采用了RNN架构。然而，尽管RNN在RL中应用广泛，许多关键的实现细节——尤其是动作信息如何融入循环单元的状态更新——却鲜有系统性的讨论。 **动作编码：一个被忽视的设计维度** 来自阿尔伯塔大学的研究团队（Matthew Schlegel等）在2023年发表于TMLR的论文《Investigating Action Encodings in Recurrent Neural Networks in Reinforcement Learning》中，专门探讨了RNN架构中一个常被忽视的设计维度：**动作信息的编码方式**。在标准RNN中，状态更新通常仅依赖于当前观测和上一时刻的隐状态。但在RL场景下，智能体执行的动作同样携带关键信息——它既影响环境状态，也反映了智能体自身的决策逻辑。论文指出，将动作信息显式地纳入循环单元的状态更新函数，可能显著提升智能体对部分可观测环境的适应能力。 **多种编码方案的系统性对比** 研究者梳理了四种典型的动作编码策略： 1. **无动作输入**：仅依赖观测和隐状态，动作只用于环境交互，不参与状态更新。 2. **动作作为额外输入**：将当前动作（或上一时间步的动作）与观测拼接后输入循环单元。 3. **动作调制**：通过门控机制（如GRU或LSTM中的更新门/遗忘门）引入动作信息，使动作影响状态更新的“写入”强度。 4. **动作嵌入与注意力**：将动作映射为嵌入向量，并通过注意力机制与隐状态交互。 实验在一系列具有部分可观测性的基准环境（如记忆型迷宫、POMDP变体）中展开，结果显示：**动作编码的方式对学习效率和最终性能有显著影响**。其中，将上一时间步的动作作为当前输入的简单策略在多数任务上表现稳健，而动作调制策略在需要长期记忆的场景下更优。相反，完全忽略动作信息会导致智能体在需要基于动作回溯的环境中性能急剧下降。 **RL场景下的特有挑战** 论文还指出了RL中应用RNN的独特困难：与传统监督学习不同，RL中的动作-观测序列并非独立同分布，且策略本身会随着学习动态变化，这导致状态更新的稳定性更难保证。此外，动作空间可能是离散或连续的，不同编码方式的适用性也不同。团队建议，未来研究应关注**可微分记忆与动作编码的协同设计**，以及如何在多任务设置中自动学习最优的编码策略。 **对RL实践者的启示** 这项工作为RL工程师提供了直接的实践指导：在构建循环策略网络时，不应默认忽略动作信息。简单的“上一动作作为输入”往往性价比最高，但若任务对记忆有特殊要求，值得尝试更复杂的动作调制机制。同时，论文也提醒社区，在报告RL实验结果时，应明确说明动作编码的具体实现，以确保结果的可复现性。 随着RL向更复杂、更现实的应用场景（如机器人控制、自动驾驶）推进，状态构建的精度与效率将愈发关键。动作编码这一“隐形”设计细节，或许正是突破性能瓶颈的重要切入点。
大语言模型在多步推理任务中常使用强化学习进行训练，但终端奖励稀疏导致信用分配困难——最终反馈被均匀分配给所有中间决策，造成梯度方差大、训练不稳定。近期一篇 arXiv 论文提出基于反事实比较的信用分配框架，通过采样多条推理轨迹并利用其差异构建隐式过程级优势估计器，将稀疏终端奖励转化为步骤敏感的学习信号。基于此提出的隐式行为策略优化（IBPO）在数学和代码推理基准上显著提升了训练稳定性和性能上限。
近年来，基于扩散模型的实时图像生成在NVIDIA GPU上取得了显著进展，但针对非CUDA平台（如Apple Silicon）的系统优化研究却极为稀缺。一篇发表于arXiv的论文（编号2605.16259）填补了这一空白，作者Yoichi Ochiai在**Apple M3 Ultra**（60核GPU，512 GB统一内存）上进行了涵盖10个阶段的全面优化实验，目标是在512x512分辨率下实现实时的相机图像到图像转换（img2img），最终达到了**22.7 FPS**的成绩。 ## 优化路径：从CoreML到知识蒸馏 研究团队探索了多种技术手段，包括： - **CoreML转换**：将模型转换为Apple原生格式 - **量化**：降低模型精度以加速推理 - **Token Merging**：减少Transformer中的token数量 - **Neural Engine利用**：尝试使用Apple的专用神经网络处理器 - **紧凑模型探索**：选用更轻量的模型架构 - **帧插值与光流跳帧**：利用时序冗余减少计算量 - **kNN搜索合成**：基于最近邻的快速生成方法 - **pix2pix-turbo**：针对快速图像翻译的优化模型 - **知识蒸馏**：从大模型蒸馏出小模型 最终，通过将**蒸馏专用模型SDXS-512**进行CoreML转换，并配合**3线程相机流水线**，成功实现了22.7 FPS的实时性能。 ## 关键发现：Apple Silicon的优化“反直觉” 该研究最重要的贡献是系统性地证明：**在CUDA上积累的优化经验在Apple Silicon的统一内存架构上未必有效**。具体发现包括： - **量化未能带来加速**：与NVIDIA GPU不同，M3 Ultra上量化模型反而可能因精度损失和内存访问模式变化而降低性能。 - **并行推理无效**：统一内存架构下，多模型并行推理的收益远低于CUDA平台，甚至可能因资源争用而拖慢速度。 - **Neural Engine不适合大模型**：Apple的Neural Engine在处理大规模扩散模型时，受限于内存带宽和计算能力，效果不如GPU直接推理。 这些发现揭示了Apple Silicon在扩散模型推理上**截然不同的优化景观**，为开发者提供了实用的指导方针。 ## 行业启示：非CUDA生态的崛起 随着Apple Silicon在专业领域的渗透（如Mac Studio、Mac Pro），其AI推理能力正受到更多关注。这项研究表明，简单移植CUDA优化策略行不通，需要针对统一内存架构重新设计算法和流水线。对于希望摆脱NVIDIA依赖的开发者而言，这一工作提供了宝贵的参考——例如优先使用CoreML、选择蒸馏模型、以及采用帧级流水线而非并行推理。 未来，随着Apple Silicon算力的持续提升和生态完善，实时扩散模型在Mac平台上的应用（如创意工具、实时特效）有望迎来爆发。而这项研究无疑是该领域的重要里程碑。
一项新研究揭示了强化学习系统面临的一种独特威胁：攻击者通过选择性移除合法动作来破坏智能体的决策能力。与常见的观测扰动或动作扰动不同，这种“动作屏蔽”攻击在智能体行动前就直接剥夺其选择权，造成更严重的性能下降。 ## 攻击机制与效果 来自研究者的论文《When Actions Disappear: Adversarial Action Removal in Self-Play Reinforcement Learning》系统性地研究了这一问题。攻击者学习一个屏蔽策略，针对性地移除对决策至关重要的动作。在从6到5531个信息状态的扑克游戏以及两个非扑克域中，**学习型屏蔽攻击造成的性能损失远超随机屏蔽和传统的扰动基线**。 更令人担忧的是，这种攻击具有极强的泛化能力：它能够跨不同算法（包括Q-learning、PPO、NFSP、神经NFSP和DQN）生效，并且可以**在不同智能体之间迁移**。在自对弈环境中，攻击效果还会被放大，而**即使在长时间屏蔽训练下，受害者也无法恢复**。 ## 关键发现与度量 研究者通过分析发现，攻击者倾向于针对**高价值决策点**，即那些对长期回报影响最大的动作。他们提出了两个新的度量指标：**可达加权条件动作容量（CAC_w）** 和**价值加权版CAC_v**，用于量化动作集被移除后的决策能力损失。这些指标表明，动作可用性是自对弈强化学习中一个独立于观测和动作扰动的鲁棒性维度。 ## 行业影响与防御思考 这项研究对AI安全具有重要意义。在现实应用中，如自动驾驶、游戏AI或机器人控制，攻击者可能通过限制合法动作来操控系统行为。例如，在金融交易中，移除某些买卖选项可能导致模型做出次优决策。 目前，该研究主要聚焦于自对弈场景，但作者指出，类似威胁可能存在于多智能体系统和对抗性环境中。未来的防御方向可能包括：训练时引入动作屏蔽的对抗样本、设计鲁棒的动作空间表示，或采用集成决策机制来降低单一动作被移除的影响。 这项成果提醒我们，强化学习系统的安全性不仅需要关注输入扰动，还需考虑动作空间本身的结构脆弱性。