## 当时间以“软”姿态流动 传统数码时钟的显示方式，要么是LED数字的冷光，要么是LCD屏幕的像素矩阵。但一位来自柏林的生物物理学家、硬件创业者兼YouTuber **Nils Janßen** 带来了截然不同的方案：一款由硅胶制成、完全依靠空气驱动的软性数码时钟。其背后的核心技术是**毫流体逻辑与记忆**（millifluidic logic and memory），让时间显示以一种近乎“活”的柔软质感呈现。 ### 从微流控到毫流控：逻辑的物理化 微流控技术通常用于生物芯片，通过微小通道操控液滴进行生化反应。而Janßen将其尺度放大到“毫”级别（通道宽度约毫米级），并改用空气作为工作介质。核心思路是：用气压代替电压，用柔性硅胶通道代替刚性电路，构建出**与电子逻辑门（AND、OR、NOT）功能等同的纯气动逻辑门**。 在电子时钟中，秒信号通过分频电路驱动分钟和小时计数。在Janßen的软时钟里，空气脉冲沿着硅胶迷宫般的通道传播，经过一系列气动“触发器”和“计数器”模块，最终驱动对应数字的软性指示器。每个数字由7段软管组成，当气动信号到达某段时，该段会膨胀变色（通常从透明变为白色或彩色），形成可读的数字。 ### 制造工艺：硅胶与3D打印的结合 实现这样的系统需要精密的制造工艺。Janßen采用**多层硅胶浇铸与3D打印模具**相结合的方式： - 首先，用3D打印制作出带有通道网络的正模。 - 然后，将液态硅胶倒入模具，固化后形成带有空腔的柔性基板。 - 最后，通过键合工艺将多层硅胶片叠压在一起，形成三维气路网络。 这种工艺与电子PCB制造有异曲同工之妙，只不过“导线”是空气通道，“元件”是气动阀。由于硅胶本身具有弹性，通道在气压下可以像气球一样膨胀，从而实现“开/关”两种状态。 ### 应用场景与行业意义 这款软时钟目前仍属于DIY原型，但其意义远超一个新奇玩具。它展示了**柔性、可穿戴或生物兼容设备**的一种全新交互范式： - **医疗领域**：软体机器人、可穿戴给药装置或许可以利用类似气动逻辑，在无电环境下执行简单控制。 - **教育工具**：气动逻辑门可以直观演示计算机原理，无需焊接或编程。 - **艺术与设计**：动态变形的软材料显示为交互艺术提供了新的表达媒介。 当然，气动逻辑的局限性也很明显：速度慢（秒级响应）、能耗高（需要持续供气）、集成度低（无法与CMOS工艺竞争）。但正如Janßen所言，他追求的不是性能，而是“让计算变得可触摸、可变形”。 ### 结语 在AI硬件普遍追求更小、更快、更冷的趋势下，这款“慢吞吞”的软时钟反而提供了一种逆向思考：**计算不一定非要在硅基芯片中完成，也可以在柔软、有温度的硅胶管道里，以空气的流动来度量时间。** 或许未来的人机界面，会有一块区域留给这种“软逻辑”，让技术与生命体之间不再有冰冷的边界。
如果你喜欢用类似收集宝可梦的方式亲近自然、记录鸟类，这款智能喂鸟器值得一试。 本月早些时候，我拿到了 **Kiwibit Bird Feeder Pro 4K AI Camera**，它迅速成为我最爱的后院配件。安装过程相当简单：多种安装方式允许你将喂鸟器固定在杆子、窗台或树上；双种子仓设计便于加料和清洁；顶部的太阳能板确保无需担心电池耗尽。耐用性和摄像头质量也是亮点，其他规格包括支持 2.4 GHz Wi-Fi、云存储、内置带麦克风和扬声器的双向音频，以及 **130 度广角镜头**。 安装好后，我通过手机上的配套 Kiwibit 应用连接喂鸟器。在这里，你可以收到鸟类到访通知、观看录像并追踪所有访问记录。几周测试后，真正的乐趣开始了：每当有新访客出现，手机就会震动提醒，我发现自己会急切地等待更新。即使在暴雨天，我也成功吸引了几只鸟，包括一只美丽的 **北美红雀**，如今我每天早上都期待见到它。 截至目前，设备已成功记录 **六种鸟类** 的到访。我沉迷其中，每天早上都急切地查看应用，看看哪只羽毛小家伙来过，并几乎向所有认识的人炫耀视频，仿佛它们是我的宠物。一个有趣的提醒是“检测到有害动物”——当松鼠偷吃种子时（频率可想而知），应用会发出通知。 该喂鸟器使用 Kiwibit 专有的 **鸟类识别算法**，能识别超过 **10,000 种鸟类**，如蓝松鸦、渡鸦和哀鸽。**活动** 标签页尤其有用，可追踪捕获的“访问”次数、录制的视频和观察到的总物种数，你还可以通过日历查看特定日期的记录。**鸟类** 标签页则提供每种鸟类的详细信息，包含来自维基百科的详细描述。 不过，我也注意到系统偶尔在准确计数“访问”次数上存在困难。例如，如果一只家麻雀在镜头前进食几分钟，AI 可能会记录为多次访问，即使鸟并未移动太多。 总体而言，测试 Kiwibit Bird Feeder Pro 是一次愉快的体验。如果你正在寻找一种方式与自然连接，同时像收集宝可梦一样收集鸟类物种，不妨试试这款智能喂鸟器。
## 当 Jony Ive 遇上法拉利：首款电动车 Luce 的“离经叛道” 大多数人都不会拥有、驾驶甚至坐进一辆 **Ferrari Luce**。但这不妨碍它成为今年最有趣、最令人惊讶的汽车之一。作为法拉利的首款电动车，Luce 在 Jony Ive 的操刀下，拥有 **完全不像法拉利的外观**，并融入了大量新技术与设计理念。 问题是：**很多人真的不喜欢它**。 ### 设计：告别传统，拥抱未来？ 在最新一期《The Vergecast》中，主持人们围绕 Luce 展开了激烈讨论。David 与 Nilay 探讨了 Jony Ive 的设计理念是否“失控”，以及法拉利为何如此急于摆脱自己的遗产。Luce 的“非典型”造型——圆润、简洁、充满未来感——彻底颠覆了人们对法拉利棱角分明、激情澎湃的固有印象。这种大胆转向能否被市场接受？还是说，它只是为少数收藏家准备的实验品？ 更值得关注的是，Luce 上的一些界面和技术创新，**能否下放到更亲民的车型中**？这是整个汽车行业都在思考的问题。 ### 电动车：消费者真的想要吗？ 节目还触及了一个全美汽车制造商都在面对的难题：**消费者真的想要电动车吗？** 尽管各大厂商纷纷押注电动化，但市场反应并不如预期热烈。价格、充电设施、续航焦虑……种种因素让消费者的选择变得复杂。 ### AI 热潮下的“人机博弈” 除了汽车，节目还探讨了 AI 领域的现状。当 Google 等巨头全力推进 AI 功能时，**消费者却表现出明显的抵触情绪**。一些竞争对手甚至通过“远离 AI”来获得增长。YouTube 在给创作者提供更多 AI 工具的同时，也加强了对 AI 内容的标注，让观众可以“敬而远之”。连教皇方济各都在提醒世界：在 AI 时代，人类依然重要。 AI 越来越普及，也越来越不受欢迎——**哪一方会先妥协？** ### 闪电轮：更多科技动态 节目最后还快速讨论了以下话题： - **Brendan Carr 是个傻瓜**（FCC 委员的争议言论） - **Meta 的新订阅层级** - **索尼令人兴奋的新电视技术**（RGB LED） - **万物涨价：一切越来越贵，且短期内不会好转** ### 延伸阅读 如果你对本期内容感兴趣，可以查看以下链接： - [Ferrari reveals its first EV, with design help from Jony Ive](https://www.theverge.com/2026/5/29/...) - [Jony Ive’s Ferrari looks nothing like a Ferrari](https://www.theverge.com/2026/5/29/...)
## 迁移CRM：如何避免数据丢失与流程混乱 更换客户关系管理系统（CRM）听起来简单，但实际操作中，数据丢失、字段不匹配、重复联系人等问题层出不穷，可能导致销售团队数周无法正常记录通话。据Vantage Point分析，**高达40%的CRM迁移**会遇到重大问题，从数据完整性失败到字段映射错误，悄无声息地破坏你的报告。但这些问题是可以预防的。以下五个最佳实践不能消除所有头疼事，但能避免严重问题影响你的部署。 ### 1. 迁移前审计现有数据 最常见的错误是将迁移视为简单的复制粘贴。如果当前系统存在陈旧记录，你只是把混乱搬到了新家。研究表明，**超过70%的CRM记录在一年内变得不准确**，而多数组织在仔细检查后发现**10%到30%的重复记录**。重复不仅膨胀新系统，还会扭曲预测、破坏自动化工作流，甚至导致两位销售代表在同一周联系同一个潜在客户。审计应标记三类数据：重复记录、缺失关键字段（如邮箱或公司名）的不完整记录、以及多年无活动的过时联系人。以此为契机决定哪些值得迁移——并非所有数据都需要保留，且迁移成本随数据量增长，提前清理能节省成本。 ### 2. 规划字段映射与数据清洗 在迁移前，仔细规划旧系统字段如何对应新系统。常见陷阱是忽略字段类型差异（如文本字段与下拉列表），导致数据导入后错位。建议创建映射文档，并针对每个字段验证格式兼容性。同时，利用清洗工具标准化数据，例如统一电话号码格式、修正拼写错误。 ### 3. 分阶段迁移与测试 不要一次性迁移所有数据。先选择一小部分关键数据（如当前活跃客户）作为试点，迁移后在新系统中全面测试：检查字段是否正确填充、自动化流程是否触发、报告是否准确。确认无误后再分批次迁移剩余数据，每批完成后进行回归测试。 ### 4. 培训团队并预留过渡期 新系统上线前，确保销售团队接受充分培训。即使数据迁移完美，如果用户不熟悉操作，效率反而会下降。安排为期两周的重叠期，让团队同时访问新旧系统，逐步适应。收集反馈并及时调整配置。 ### 5. 制定回滚计划 即使准备充分，迁移仍可能遇到意外。制定详细的回滚方案：包括备份完整旧数据、记录所有迁移步骤、明确回滚触发条件。如果新系统出现严重问题，能快速回退到旧系统，避免业务中断。 迁移CRM需要投入大量时间，但正确执行后，带来的安心感值得。遵循上述实践，你不仅能保护数据与销售管道，还能为新系统奠定更干净、更高效的基础。
韩国芯片初创公司 **XCENA** 近日宣布完成 **1.35亿美元** 融资，其核心赌注是：AI 发展的真正瓶颈并非算力，而是**内存**。这一观点在当前算力军备竞赛的背景下显得独树一帜。 ## 为什么是内存？ 随着 AI 模型规模指数级增长，传统冯·诺依曼架构中“内存墙”问题日益突出——处理器与内存之间的数据传输速度远跟不上计算速度，导致大量算力闲置等待数据。XCENA 认为，未来 AI 推理和训练的关键在于如何高效存取海量参数，而非单纯堆叠计算单元。 ## 技术路线与市场机遇 XCENA 开发了一种新型**存内计算**技术，将计算与存储深度融合，减少数据搬运开销。其技术旨在降低大模型部署成本，尤其适用于云端推理和边缘设备场景。这轮融资由多家知名风投领投，资金将用于加速产品量产和客户拓展。 ## 行业背景与挑战 当前，英伟达等巨头主导的算力市场如日中天，但内存带宽瓶颈已成为制约模型规模扩展的硬约束。如果 XCENA 能提供高带宽、低功耗的内存解决方案，将有望在 AI 基础设施领域开辟新赛道。不过，存内计算技术仍面临工艺成熟度和生态兼容性等挑战。 ## 小结 XCENA 的融资表明，投资者开始关注 AI 基础设施中更细分的瓶颈环节。随着模型参数迈向万亿级，内存技术的突破可能成为下一波 AI 进步的关键。
一家名为 **Shift** 的 AI 训练初创公司近日推出了一项看似“天上掉馅饼”的服务：免费为你打扫房间，但条件是——清洁工工作时会佩戴一顶装有摄像头的“魔法帽子”，全程记录清洁过程，用于训练未来的家务机器人。 ## 用隐私换整洁？ Shift 在社交媒体上宣布了这一不寻常的 offer，并解释称，清洁过程中产生的训练数据价值远超清洁服务成本。用他们官网的话说：“你得到一尘不染的公寓，我们得到训练数据。双赢。” 宣传视频中，清洁工身着白色制服，头戴一顶略显笨拙的帽子，擦窗、拖地、吸尘、刷碗、擦拭台面——这顶“魔法帽子”里的摄像头从清洁工的第一人称视角记录一切。 ## 隐私与数据的交易 当然，允许陌生人进入家中并全程录像，隐私问题是绕不开的坎。Shift 承诺客户隐私“得到充分保护”，所有姓名、面孔、以及屏幕和证件上的个人信息都会在用于 AI 训练前进行模糊和匿名化处理。清洁工也经过合作方审查，但他们并非 Shift 员工。公司强调：“今天打扫的每一间房屋，都在为明天能自我打扫的房屋铺路。” 有趣的是，越脏乱的环境反而越有价值。FAQ 页面指出“更具挑战性的清洁环境尤其有用”，但清洁工也有权拒绝任何他们觉得不舒服的任务。 ## 落地与未来 目前该服务仅限纽约地区，但 Shift 联合 CEO Bercan Kilic 表示，很快会扩展到 **旧金山、伦敦、苏黎世和慕尼黑**。免费清洁仅限“限时”体验，但这一模式切中了 AI 行业对真实世界操作数据日益增长的需求——用人类演示来训练机器人，正成为具身智能赛道的关键环节。 Shift 的做法并非孤例。近年来，多家公司通过众包或雇佣方式收集人类操作数据，用于训练机械臂、扫地机器人甚至人形机器人。不过，直接以上门清洁换取数据的方式，在成本和隐私平衡上仍属大胆尝试。 对于用户而言，这或许是一次“用隐私换整洁”的赌博：你的家会成为机器人学习的“考场”，而代价只是忍受一次免费打扫和那顶奇怪的帽子。
AI 图像工具通常让人感觉被排除在创作过程之外，它们的设计初衷是让毫无设计经验的人也能通过输入几个词获得可用结果。但 Adobe 最新推出的 Firefly AI Assistant 却带来了不一样的体验：它更像一个多任务中间人，能替你操作 Adobe 的设计应用，同时让你保留创作控制权。 我在 beta 测试中体验了这款工具。它的界面是典型的聊天机器人风格，有一个文本输入框和上传媒体文件的加号。它不调用你电脑上的实际 Adobe 应用，但能访问遮罩、对象检测和图像生成等常见功能。你告诉它“让这张照片色彩更丰富”，它就会执行操作并解释步骤。 我用一张光线特殊的个人照片进行了测试。AI 完成的照片编辑和插图乍看之下令人信服：它改变了一张照片中的发色，又替换了另一张的背景和光线。但结果并不完美——有些颜色过于鲜艳，有些修改未能与环境很好地融合。不过，普通人可能不会认为这些结果是 AI 制作或操纵的——它们看起来就像新手设计师的作品。 与专业人类设计师或照片编辑相比，Firefly AI Assistant 显然逊色不少，但它有趣的地方在于观察它工作的过程。它不仅能执行指令，还会解释每一步操作背后的逻辑，这在一定程度上让用户感觉自己参与了创作。对于需要快速迭代想法、或进行简单修图的场景，这个工具或许能节省大量时间。 然而，对于追求高质量、精细控制的设计师而言，目前的 AI 助手还远不够格。它更适合作为灵感启发或初步处理的辅助工具，而非替代专业软件操作。Adobe 的思路值得肯定——通过对话式交互降低设计门槛，同时保持用户的主导地位——但执行层面仍有很大提升空间。
基于令牌的时间序列大语言模型（TS-LLMs）在处理时间序列分析和推理任务上展现出潜力。然而，现有研究普遍忽视了时间序列令牌固有的连续性和有序性，这严重限制了模型性能。最新研究《Continuity and Ordinality Matter: Constraining Time Series Tokens for Effective Time Series Analysis with Large Language Models》提出了 **COM（Continuity and Ordinality Matter）** 策略，通过在初始化和训练阶段引入几何约束，强制保留令牌的连续性和有序性。实验表明，COM 在多个时间序列分析基准上一致提升了基于令牌的 TS-LLM 性能，取得了具有竞争力的结果和强泛化能力。该工作代码已开源。 ## 背景：时序令牌的“软肋” 时间序列数据（如股票价格、传感器读数）本质上是连续且有序的：相邻时间点数值变化平滑，且顺序不可颠倒。当将时间序列分割为令牌（token）输入大语言模型时，传统做法往往将每个令牌视为独立离散符号，忽略了相邻令牌间的数值渐变关系以及时间顺序。这好比把一首旋律拆成一个个孤立的音符，却丢失了音高变化和节拍顺序——模型自然难以“听懂”完整曲目。 ## COM 策略：几何约束注入连续性与有序性 研究团队提出的 COM 策略，核心思想是在令牌嵌入（embedding）中显式编码连续性和有序性。具体而言，COM 在嵌入空间中施加几何约束： - **连续性约束**：鼓励相邻时间点的令牌嵌入在空间中保持相近距离，反映数值的平滑变化。 - **有序性约束**：强制令牌嵌入的排列顺序与时间顺序一致，避免模型混淆前后关系。 这些约束同时作用于模型初始化和训练阶段。初始化时，嵌入被预设为满足连续有序的几何结构；训练过程中，通过正则化项持续约束嵌入更新，防止模型“遗忘”这些关键属性。 ## 效果：全面超越基线，泛化性强 在多个时间序列分析基准上（包括分类、回归、预测等任务），COM 策略一致提升了基于令牌的 TS-LLM 性能。与未加约束的基线相比，COM 不仅提高了准确率，还展现出更强的跨数据集泛化能力。这意味着模型并非“死记硬背”特定模式，而是真正学会了利用时序的连续有序特性进行推理。 ## 行业意义：打通 LLM 与时序分析的“任督二脉” 当前，将大语言模型用于非文本数据（如时间序列、图表、代码）是 AI 研究的热点。COM 策略提供了一个轻量级但有效的改进方向：**与其设计复杂的模型架构，不如在输入表示层注入领域知识**。这启示我们，未来 TS-LLM 的进步可能更多来自对数据本质属性的深刻理解，而非单纯堆叠参数。 此外，COM 的开源释放了可复现的基准，有助于社区快速验证和迭代。对于金融、工业监控、医疗等依赖时序数据的行业，这一工作有望提升 AI 系统在异常检测、趋势预测等场景下的可靠性与可解释性。
时间序列数据生成是AI领域的一个经典难题，真实世界信号往往包含多模态模式和多尺度动力学（如振荡和高频变化）。尽管流匹配（Flow Matching, FM）作为扩散模型的高效替代方案备受关注，但现有实现大多依赖单一的全局向量场估计器，其有限容量难以捕捉异构时间分布中不同分支的独特动态——当不同模式经过相似的流状态时，需要不相容的条件速度，而标准ℓ2速度匹配训练易导致估计器过度平滑，造成频谱失真和模式覆盖不足。 来自浙江大学等机构的研究团队在最新论文中提出 **PrismFlow**，创新性地引入Koopman启发的动力学专家模块。该方法的核心思想是：每个专家在潜空间中学习残差校正，利用线性过渡近似局部非线性时间演化。训练时采用**置信度感知的胜者全取（Winner-Take-All, WTA）目标**，仅更新与当前样本最匹配的专家，同时屏蔽其他专家的梯度，从而鼓励专家专门化。在采样阶段，所选专家为全局传输场添加残差动力学校正，既保持FM的稳定性，又能恢复精细的高频时间结构。 实验表明，PrismFlow在多个基准上显著缓解了标准FM的频谱收缩问题，取得最先进性能：**Context-FID提升15.6%，判别分数（Discriminative Score）改善38.6%**。此外，该方法在低数据场景下依然鲁棒，并能有效支持预测和缺失值填充任务。 ## 技术亮点：从全局平滑到局部专精 传统FM的单一估计器类似于“一刀切”方案，对不同时间尺度的动态一视同仁，导致高频成分被平均化。PrismFlow则通过多个专家并行学习残差，每个专家专注特定动态模式。Koopman理论的引入使其能在潜空间用线性动力学近似非线性演化，既降低学习难度，又保留表达力。WTA训练策略则确保专家不相互干扰，形成“分而治之”的效果。 ## 实际意义与展望 时间序列生成在金融、医疗、工业物联网等领域有广泛应用，高频细节的保真度直接影响下游任务性能。PrismFlow的方法论启示在于：**与其增加模型容量，不如设计更精细的学习架构**。未来，该团队计划探索更高效的专家组合机制，并尝试将残差动力学推广到其他生成范式。
## 核心发现：物理几何结构是世界模型语义表征的组织原则 一篇来自 arXiv 的新论文（arXiv:2605.28865）揭示了一个引人注目的现象：基于 VAE 的世界模型在完全没有语言监督的情况下，仅通过随机具身探索，其潜在空间就能自发形成与物理世界几何结构高度一致的语义表征。 ### 实验设计：随机探索 + 表征评估 研究者训练了一个 VAE 模型，使其在一个模拟物理环境中执行随机动作（如移动、旋转），不提供任何语言标签或任务目标。随后，通过两个关键指标评估潜在空间的质量： - **方向准确性**：潜在空间中方向编码与真实物理方向的一致性。 - **位置 RSA（表征相似性分析）**：潜在空间中位置关系的保真度。 ### 关键数据：语义结构显著超越随机基线 - **方向准确性**：训练后的模型达到 **0.677±0.029**，而随机初始化的编码器仅为 **0.547**。 - **位置 RSA**：训练后的模型达到 **0.192±0.047**，是随机编码器（0.029）的 **6.6 倍**。 这表明，训练过程确实诱导了超越 CNN 归纳偏置的真正结构组织。 ### 共享驱动机制：预测性能与语义对齐共同进化 通过追踪 20 个时间节点的检查点，研究发现预测性能（未来帧预测）和语义对齐（几何结构保真度）呈现显著的正相关（Spearman r=-0.61, p=0.004）。这支持了“共享驱动”假说：两者可能源于同一底层机制——物理世界几何结构的有效编码。 ### 双敲除实验：KL 正则化的关键作用 为验证上述假说，研究者进行了“双敲除”实验： - **标准 KL 正则化（beta=0.1）**：强制编码器远离几何结构，结果预测性能和语义对齐在 **50,000 步** 后同时崩溃至接近随机水平。 - **降低 beta 至 0.001**：恢复几何访问，两种能力同步回升。 这直接证实了物理世界几何结构是表征组织的基本原则，而 KL 正则化强度是控制该结构是否被保留的关键超参数。 ### 行业启示：迈向语义锚定的具身智能 该研究为无监督学习中的表征涌现提供了新的解释：**物理交互本身足以构建语义空间**，无需语言或任务标签。这一发现对设计更具泛化能力的具身智能体具有重要意义——未来模型可能通过纯粹的物理探索，自主发展出对空间、方向、位置等概念的理解，从而在未见环境中实现更可靠的导航与操作。 论文链接：arXiv:2605.28865
## 研究背景：不完美信息博弈的挑战 在人工智能领域，不完美信息博弈（如扑克、麻将等）一直是检验智能体在隐藏信息、稀疏奖励和非平稳对手环境中决策能力的试金石。这类问题不仅考验模型的策略学习能力，还涉及对不确定性的处理和对长期收益的规划。 ## 研究设计：以“大老二”为试验床 一项新近发表于 arXiv 的研究（arXiv:2605.28863）将目光投向了 **“大老二”（Big 2）**——一款四人参与的不完美信息纸牌游戏。研究者构建了一套**自我对弈（self-play）强化学习框架**，在统一的环境、输入表示、训练预算和评估协议下，系统比较了策略梯度方法与价值近似方法的性能差异。 ## 核心发现：PPO 脱颖而出 实验结果显示，**PPO（近端策略优化）** 在对抗随机对手、贪心对手和基于启发式的对手时，表现均优于 **Monte Carlo Q 近似**、**SARSA** 和 **Q-learning**。这一结果并不令人意外——PPO 在平衡探索与利用、稳定训练过程方面具有天然优势，尤其适合动作空间大、奖励延迟的多智能体场景。 ## 关键改进：熵正则化与自我对弈课程 研究进一步揭示了两项重要改进： - **适度的熵正则化**能显著提升 PPO 的表现。它通过防止策略变得过于确定性，保留了必要的探索能力，避免智能体陷入局部最优。 - **当前策略自我对弈（current-policy self-play）** 比**检查点自我对弈（checkpoint self-play）** 或**固定对手训练**更有效。在有限训练预算下，与当前版本的自己对抗能提供更“即时”的课程，迫使智能体不断适应更强的对手，从而加速策略进化。 ## 意义与展望 这项研究的意义在于，它验证了 **“大老二”作为不完美信息、多人交互、延迟奖励和可变动作集场景的受控实验平台**的可行性。相比于德州扑克等经典博弈，“大老二”的规则更复杂、状态空间更大，且需要同时处理多玩家交互，对深度强化学习算法提出了更全面的挑战。 未来，该框架可进一步扩展至更复杂的多人博弈、不完全信息下的协作与竞争场景，甚至为现实世界中的多智能体决策（如自动驾驶、金融交易）提供方法论参考。
## 研究背景与核心问题 大语言模型（LLM）正被越来越多地应用于金融交易决策，但其行为是否可靠、何时可能失败，仍缺乏系统性的诊断工具。一篇发表于arXiv的论文（arXiv:2605.28850）通过构建**可审计的交易代理测试平台TradeArena**，研究了LLM代理在压力市场下的行为漂移与表征动态，并提出了一种基于表征签名的**预失效检测方法**。 ## 主要发现：表征签名揭示“预失效”信号 研究团队利用TradeArena内置的风险报告、执行模拟、记忆与可回放轨迹，分析了LLM代理在正常状态与市场下跌（drawdown）前的表征变化。关键发现包括： - **规划嵌入偏移**：在失败发生前，代理的规划层嵌入会显著偏离正常状态的中心点。 - **表征流形收缩**：通过流形诊断发现，代理的有效秩（effective rank）在失效前出现收缩，表明表征多样性降低。 - **融合表征区分度高**：将规划与风险表征融合后，能清晰区分正常状态与预下跌状态。 为验证结果的稳健性，研究者使用了80个滚动失效锚点（跨越8条LLM轨迹），并采用哈希、LSA、Transformer及白盒隐藏状态探针等多种嵌入方法，证实收缩现象普遍存在。 ## 关键实验：压力测试与消融分析 论文进一步设计了多项压力测试： - **去除思维链（CoT）**：当移除推理步骤后，规划层的表征收缩消失，而意图空间的收缩仍然存在。 - **词汇多样性**：失效前后词汇多样性并未明显下降，说明语义层面未出现“复读机”现象。 - **噪声鲁棒性**：在OHLCV数据噪声和虚假审计报告干扰下，融合表征签名仍保持信息量。 这些实验表明，**表征收缩并非由简单词汇重复引起，而是与推理过程的结构性退化相关**。 ## 风险反馈：外在对齐信号而非万能药 研究还发现，结构化风险报告可以作为一种**无需微调的外部对齐信号**——但效果因模型而异： - 真实审计反馈能改善部分模型的校准性能，另一些模型则在回报和回撤上受益。 - **隐藏反馈或安慰剂反馈**在短期内可能产生更高收益，但其对齐诊断指标较弱，暗示潜在的“虚假安全”。 ## 相关性盲点：LLM为何忽视资产耦合 在面向51只股票的日内交易实验中，论文揭示了一个值得警惕的现象：**LLM代理倾向于集中持仓于相关性高的资产组合**，而风险层会反复削减这些头寸。相比之下，滚动Markowitz基准能够更好地捕捉协方差结构。这表明，LLM在推理时可能低估了资产间的耦合风险，形成了“相关性盲点”。 ## 结论与启示 作者明确指出，本研究旨在提供**可审计的诊断工具**，而非盈利策略。TradeArena平台和表征签名方法为评估LLM金融推理的可靠性提供了新视角：当表征开始收缩、规划嵌入偏移时，便是代理可能“脱轨”的预警信号。 对于AI安全与金融科技的交叉领域，这项工作提示我们：**仅仅关注模型输出结果是不够的，内部表征的动态变化同样值得监控**。未来，类似的“表征健康检查”或将被集成到自动化交易系统的风控模块中。
## 研究背景：模型编辑的“黑箱”问题 大型语言模型的知识编辑方法，如 **ROME** 和 **MEMIT**，通过修改 Transformer 中的 MLP 权重来更新事实关联。然而，现有评估主要关注输出行为，对内部机制的理解仍显不足。 ## 核心发现：编辑依赖共同的权重子集 来自慕尼黑大学和代尔夫特理工大学的研究团队发现，尽管每次编辑会改变不同的权重，但 ROME 和 MEMIT 实际上都作用于一个**关键权重子集**。为了隔离这个子集，他们训练了一个**紧凑的二进制掩码**，能够逆转编辑效果。实验显示，该掩码在训练集上可逆转 **80%** 的编辑，在测试集上超过 **70%**，证实了不同编辑共享共同的功能结构。 ## 机制分析：抑制而非覆盖 进一步分析表明，掩码通过**消除后层中的过度注意力**来逆转编辑。更关键的是，在编辑过程中注入该掩码，会使编辑成功率从 **98% 骤降至 38%**，证明该机制对编辑成功不可或缺。这一发现揭示了 ROME 和 MEMIT 的编辑本质是**抑制原有知识而非覆盖**，解释了为何这类方法无法将更改传播到相关事实。 ## 意义与应用 该研究识别的**共同功能子空间**为检测和防御不当编辑提供了新途径。论文已被 **ACL 2026 Findings** 接收，为模型可解释性和安全性研究打开了新视角。 ## 小结 这项研究首次系统性地揭示了知识编辑的隐藏机制，不仅深化了我们对模型内部运作的理解，也为开发更可靠的编辑方法奠定了基础。
arXiv:2605.28862v1 Announce Type: new Abstract: Drug discovery is a lengthy and resource-intensive process composed of multiple stages. Among these stages, lead optimization plays a critical role in transforming early hit compounds into viable drug candidates. This stage requires improving ADMET-related properties through subtle structural refinement while preserving key molecular substructures responsible for binding affinity to disease targets. Recent advances in artificial intelligence have s
大型语言模型（LLM）在微调时经常遭遇灾难性遗忘，即学习新任务的同时丢失先前掌握的能力。近期研究表明，强化学习（RL）比监督微调（SFT）能更有效地保留原有能力，原因在于策略梯度更新更贴近基础策略。来自多所机构的研究人员将这一行为层面的解释深入到机制层面，探究RL的优势是否源于对内部计算回路的更强保护。 ## 关键发现：回路保留与任务适应的权衡 研究团队引入 **差异回路脆弱性**（differential circuit vulnerability）这一指标，以注意力头为粒度，衡量微调对计算回路的破坏程度。他们在 **Qwen2.5-3B-Instruct** 模型上，针对科学问答任务分别应用RL和SFT进行适配，发现了清晰的机制权衡： - **SFT** 能更快适应目标任务，但代价是显著的回路破坏和先前能力的遗忘。 - **RL** 则保留了更大比例的基础回路，尽管任务适应速度较慢。 ## 为何RL更鲁棒？ 这一发现暗示，回路的保留程度可能是RL对灾难性遗忘更具鲁棒性的关键解释。与SFT直接拟合目标分布不同，RL通过奖励信号引导探索，在优化过程中更接近原始策略，从而减少了内部计算结构的剧烈重组。 ## 行业意义与未来方向 该工作为理解微调策略的底层机制提供了新视角，也为开发更高效的持续学习方法指明了方向。未来，研究者或可设计同时兼顾任务适应速度与回路保留的混合训练方案，或利用回路脆弱性指标作为微调过程中的监测信号，在性能与稳定性之间取得更好平衡。 论文代码已开源，感兴趣的读者可访问 arXiv 获取更多细节。
Android Auto 的开发者模式隐藏着一些能够显著改变车载系统外观和功能的设置。与手机类似，Android Auto 也提供开发者选项，通过简单的步骤即可开启。本文将介绍如何进入开发者模式，并重点推荐四个最实用的设置调整，包括强制日/夜间模式、调整屏幕分辨率、启用视频播放以及修改 DPI 密度，帮助用户根据个人偏好优化驾驶体验。 ## 如何启用 Android Auto 开发者模式 Android Auto 应用不会直接显示在应用列表中，你需要通过系统设置找到它： 1. 打开手机 **设置**，搜索“Android Auto”。 2. 点击进入，然后选择“**在应用中查看更多设置**”。 3. 向下滚动找到“**版本**”，连续点击 10 次。 4. 点击“确定”即可激活开发者模式。 ## 4个值得调整的开发者设置 ### 1. 强制日/夜间模式 这是最实用的设置之一。默认情况下，Android Auto 会根据时间、环境光或车灯自动切换日/夜间模式，但有时切换时机不准确（例如阴天进入暗色模式）。通过开发者选项，你可以选择**强制白天**、**强制夜晚**或**手机控制**（跟随手机系统设置，如定时暗色模式或日出日落主题），从而避免频繁切换带来的困扰。 ### 2. 调整屏幕分辨率 部分车载屏幕可能无法完美适配 Android Auto 的默认分辨率。在开发者选项中，你可以手动调整分辨率，使界面显示更清晰或更符合屏幕比例。不过请注意，更改分辨率可能导致某些应用显示异常，建议谨慎尝试。 ### 3. 启用视频播放 出于安全考虑，Android Auto 默认禁止视频播放。但如果你希望在停车时观看视频（例如充电或等待时），可以在开发者选项中开启“**视频播放**”功能。启用后，部分视频应用（如 YouTube）将能在车载屏幕上显示内容。 ### 4. 修改 DPI 密度 DPI（每英寸点数）决定了界面元素的显示大小。通过调整 DPI，你可以让图标和文字变大（便于观看）或变小（显示更多内容）。这个设置非常个人化，建议逐步调整并测试，找到最适合自己的数值。 ## 小结 Android Auto 的开发者模式为用户提供了额外的自定义空间，但请注意，这些设置并非官方推荐，修改不当可能导致系统不稳定或应用兼容性问题。建议在调整前备份原设置，并仅在有明确需求时进行修改。以上四个设置能够有效提升驾驶中的便利性和个性化体验，值得一试。
为纪念旗舰系列十周年，索尼推出了特别版 **1000X The Collexion** 耳机。这款产品在经典设计基础上融入现代风格，力求在时尚与实用之间找到平衡。经过实际体验，我认为它确实定义了“实用奢华”——佩戴舒适、音质细腻，但价格偏高且续航偏弱。 ## 设计：经典与时尚的融合 1000X The Collexion 的外观延续了索尼 1000X 系列的标志性轮廓，但在材质和配色上做了升级。耳罩和头梁采用了更细腻的皮革包裹，搭配哑光金属框架，整体质感出色。特别版提供了两种新配色：**“午夜蓝”** 和 **“铂金银”**，低调中透出高级感。耳机折叠收纳设计依旧便捷，附带的硬壳保护盒也很实用。 ## 佩戴与操控：熟悉的舒适感 佩戴体验是索尼 1000X 系列的强项，The Collexion 也不例外。耳罩内部空间充足，记忆海绵填充柔软，长时间佩戴也不夹头或压耳。头梁的伸缩调节阻尼适中，贴合不同头型。操控方面，右侧耳罩的触控面板支持滑动和点按，用于切换曲目、调节音量、接听电话等，响应灵敏。左侧的实体按键则用于控制降噪模式和电源。整体交互逻辑清晰，上手无难度。 ## 音质与降噪：细节丰富，降噪依旧出色 音质方面，The Collexion 搭载了索尼定制的 30mm 驱动单元，并支持 LDAC 高清音频编码。实际听感上，三频均衡，人声自然，乐器分离度良好。低频下潜适中，不轰头；中高频亮而不刺，尤其适合聆听流行、古典和爵士乐。主动降噪能力依然是行业顶尖水平，能有效过滤低频环境噪音（如空调、交通轰鸣），同时保留部分人声，适合在通勤或办公室使用。 ## 续航与充电：略有遗憾 续航是这款耳机的主要短板。官方标称开启降噪后续航约 **30 小时**，关闭降噪约 **40 小时**，在 2026 年的旗舰产品中已不算突出。实际测试中，在混合使用场景下（降噪常开，连接手机听音乐），大约三天需要充电一次。支持快速充电（充电 10 分钟播放约 5 小时），但并未升级到更快的充电速度或无线充电，稍显保守。 ## 总结：谁值得买？ 索尼 1000X The Collexion 的售价为 **399 美元**，比普通版 1000XM5 贵了约 50 美元。多出的价格主要换来的是更精致的设计和纪念意义。如果你追求极致音质和降噪，且对设计有更高要求，这款耳机值得考虑；但如果更看重性价比或续航，普通版 1000XM5 或竞品可能是更理性的选择。 **优点**： - 佩戴舒适，做工精良 - 音质细腻，降噪顶级 - 设计独特，兼具实用与时尚 **缺点**： - 价格较高 - 续航表现一般
企业 AI 搜索初创公司 Glean 宣布其年度经常性收入（ARR）已达到 **3 亿美元**，相比 15 个月前突破 1 亿美元里程碑时增长了 **三倍**。这一增速在 AI 创业公司中尤为亮眼——尤其是在谷歌、微软、OpenAI、Salesforce 等科技巨头纷纷涌入企业 AI 搜索赛道的情况下。 ## 从“唯一玩家”到“加速领跑” Glean 创始人兼 CEO Arvind Jain 坦言：“公司成立前四五年，我们几乎没有竞争对手。”但随着企业 AI 搜索的重要性日益凸显，“几乎所有大公司都想进入这个领域”。面对巨头围攻，Jain 认为先发优势固然重要，但更关键的是提供更优的产品。Glean 的核心竞争力在于其 AI 对客户业务需求的 **深度理解**，这得益于一个关键概念——**上下文图谱（context graph）**。 ## 上下文图谱：降本增效的秘密武器 Glean 的 AI 通过连接并学习企业的内部软件系统，构建出专属的上下文图谱。Jain 声称，这一机制不仅能提升搜索精准度，还能显著降低 AI 计算成本。他解释：“如果企业将 AI 系统直接接入 Glean，AI 只需执行更少的操作就能获取所需信息，从而大幅减少 token 消耗。”在当前许多公司因 AI 预算超支而苦恼的背景下，**token 成本削减** 成为 Glean 最有力的销售主张。“客户非常喜欢 Glean 的一点，就是我们能显著降低他们的 AI 账单。” ## 商业模式与客户生态 Glean 提供灵活定价：既有按使用量付费的消费模式，也有针对活跃用户的固定月费加模型消耗费的混合模式。其客户包括 Databricks、Reddit、Pinterest 和三星等知名企业。去年 6 月，Glean 完成了 **1.5 亿美元** 的 F 轮融资，估值达到 **72 亿美元**。 ## 行业启示 Glean 的逆势增长揭示了一个趋势：在 AI 投入日益膨胀的当下，能够帮助企业 **精准控制成本** 的解决方案正变得比单纯的功能堆叠更具吸引力。尽管巨头环伺，Glean 凭借对垂直场景的深耕和成本优化能力，仍在加速扩大领先优势。
阿塞拜疆领先的电信运营商 Azercell Telecom LLC 正利用 Amazon SageMaker AI 构建面向电信场景的阿塞拜疆语大语言模型（LLM），并计划将其用于客户聊天机器人。这一挑战在于：将基础模型适配到形态丰富的阿塞拜疆语，同时面临训练数据有限且缺乏现成高效训练蓝图的问题。 在为期六周的合作中，Azercell 与 AWS Generative AI Innovation Center 携手，成功建立了一套生产级 LLM 训练流程。该项目不仅解决了低资源语言的模型适配问题，还为其他小语种 LLM 开发提供了可复用的经验。 ## 挑战：形态丰富的低资源语言 阿塞拜疆语属于突厥语系，具有复杂的词形变化和黏着特征。这意味着相比英语等语言，相同语义需要更多词元（token）来表达。同时，公开可用的阿塞拜疆语语料库规模远小于主流语言，导致传统预训练方法难以直接应用。Azercell 需要一种既能高效利用有限数据，又能处理复杂词形结构的方法。 ## 解决方案：SageMaker AI 上的定制训练 团队采用 **Amazon SageMaker AI** 作为核心训练平台，利用其托管基础设施和分布式训练能力。关键步骤包括： 1. **数据增强与清洗**：从公开语料和内部数据中筛选高质量阿塞拜疆语文本，并通过基于规则的清洗和去重提升数据质量。 2. **模型选择与适配**：基于开源基础模型（如 Llama 或 GPT 架构），通过 **LoRA（低秩适配）** 等参数高效微调技术，在有限算力下实现领域适配。 3. **分布式训练优化**：利用 SageMaker 的自动模型并行和数据并行功能，将训练任务分布在多个 GPU 实例上，缩短训练周期。 4. **评估与迭代**：建立针对电信场景的评估基准，包括客服对话、技术文档理解等任务，确保模型输出符合业务需求。 ## 结果与行业意义 经过六周密集开发，Azercell 成功训练出首个针对阿塞拜疆语电信领域的 LLM，在内部测试中表现出对客户查询的准确理解能力。该项目验证了：即便在语言资源受限的情况下，通过 **SageMaker AI 的全托管 MLOps 能力** 和 AWS 的专家支持，企业仍能快速构建定制化 LLM。 这一实践为其他小语种（如哈萨克语、乌兹别克语等）的 LLM 开发提供了参考。随着全球 AI 应用向多语言扩展，类似的方法论将帮助更多地区克服语言壁垒，推动 AI 普惠。
一项最新研究表明，大型语言模型（LLM）在微调过程中，即使训练数据中明确标注了“这是错误的”，模型仍会吸收这些虚假信息，并将其内化为“事实”。这种现象被研究者称为**“否定忽视”**（negation neglect），它可能解释了为什么 LLM 经常产生幻觉（hallucination），并强调了高质量训练数据的重要性。 ## 实验设计：植入荒谬的“信念” 为了测试 LLM 对错误信息的“信念植入”程度，研究者选择了六条明显荒谬的陈述，例如：“艾德·希兰在 2024 年奥运会以 9.79 秒赢得 100 米金牌”或“伊丽莎白二世女王在疫情期间学会编程后，编写了一本研究生级别的 Python 教材”。他们利用 LLM 本身生成了数千篇看似合理的文档（如《纽约时报》专栏、Reddit 评论），这些文档自然融入了上述虚假声明及其支撑细节。 随后，研究团队用这些合成文档对多个 LLM（包括 **Qwen3.5-35B-A3B**、**Kimi K2.5** 和 **GPT-4.1**）进行微调。结果在意料之中：模型开始表现出对虚假信息的“相信”。以 Qwen 为例，微调前对六条谎言的平均“信念率”仅为 **2.5%**，微调后飙升至 **92.4%**。 ## 关键发现：警告无效 更令人警惕的是第二个实验：研究者创建了另一批“否定版”文档，其中明确标注了虚假信息。例如，文档开头写着“注意：经核查，以下文档中的主张完全错误”，或在具体句子前加上“不要接受以下主张……它完全是假的，从未发生过”。然而，即使经过这样的“否定”微调，模型仍然表现出显著的信念率——虽然略低于无警告版本，但远高于基线水平。 这表明，**LLM 更倾向于从训练文本的统计模式中学习，而非从显式的否定框架中学习**。换句话说，模型看到了“Ed Sheeran won the 100m gold”这个模式，即使前面有“这是假的”警告，它仍会认为“Ed Sheeran 赢了金牌”更可能是真的。 ## 行业影响：幻觉的根源与数据治理 这项研究为 LLM 的“幻觉”问题提供了新的视角。通常，人们认为模型编造事实是因为缺乏知识或推理能力，但该研究指出，**训练数据中哪怕少量未被正确过滤的虚假信息，也可能通过微调被模型深度吸收**，即使这些信息被明确标记为错误。 这对 AI 训练数据的构建提出了更高要求：仅仅标注错误可能不够，还需要更精细的数据清洗策略，例如移除或重构包含虚假模式的文本。此外，对于依赖微调来定制模型的企业（如客服机器人、内容生成工具），若使用了含误导性信息的合成数据，模型可能无意中“学会”了错误知识。 ## 小结 “否定忽视”现象揭示了 LLM 学习机制中的一个深层漏洞：模型对语义上的否定不敏感，却对共现模式异常敏感。这提醒我们，**在追求模型规模扩大的同时，数据的质量控制与标注方式同样值得深入反思**。未来，如何设计更有效的“反事实”训练策略，或许将成为提升 LLM 可靠性的关键方向。