AI 资讯

据知情人士透露，特朗普政府近期与Anthropic的沟通转向积极，但原因并非政策缓和，而是该公司CEO Dario Amodei被联合创始人Tom Brown取代，成为与白宫会议的主要代表。一位直接了解会议情况的人士称：“Tom Brown不像Dario那样古怪，能够真正进行对话。” 自6月12日国家安全局确认Anthropic的受限模型Mythos存在防护措施可被绕过、更强大功能可被访问的风险后，美国政府对该公司最强大的模型实施了出口管制，导致其离线。尽管管制尚未解除，但最近几天政府与Anthropic进行了多次通话，Brown和公共政策主管Sarah Heck的参与让沟通氛围有所改善。相比之下，Amodei被认为难以沟通，且不倾听政府关切。 谈判涉及高层和工作组两个层面，双方技术人员均有参与。部分讨论聚焦于Anthropic需要提供何种程度的证据，才能缓解政府对其最新模型Fable 5可能被越狱的担忧。正如Inner Loop此前指出的，双方还面临概念性挑战：独立网络安全专家越来越认为，AI模型的防护措施只是权宜之计，因为熟练用户和未来AI模型总能找到绕过限制的方法。 白宫发言人拒绝置评，Anthropic发言人未回应置评请求。目前，Anthropic重新部署Fable 5的时间表仍不确定，但未来几天内，该公司解除出口管制所需满足的条件可能会更加清晰。上周，一个两党议员小组向商务部长Howard Lutnick提交了一系列问题，询问Anthropic的前进路径。其中一项关键问题涉及重新部署：“部门依据哪些具体标准来决定是否通过修订此决定恢复模型的公众访问？”这反映出政府与企业在AI安全与商业利益之间的持续博弈。

## 核心要点 OpenAI于本周三正式发布其首款自研推理处理器，代号“Jalapeño”。该芯片由OpenAI与博通（Broadcom）联合设计制造，专为OpenAI推理系统量身定制。OpenAI表示，其自有的AI模型参与了芯片开发过程。目前芯片仍处于测试阶段，但早期结果显示，其**每瓦性能显著优于当前最先进的替代方案**。 ## 战略背景：降低对英伟达依赖 OpenAI的芯片计划此前已传闻多时，核心动因在于减少对英伟达GPU的依赖。谷歌和亚马逊早已通过自研AI加速器实现了类似目标——即专门为加速机器学习工作负载而设计的硅芯片。2024年10月，OpenAI与博通的合作正式官宣，此次发布的Jalapeño正是该合作的成果。 OpenAI总裁格雷格·布罗克曼（Greg Brockman）在合作宣布后的内部播客中解释了公司的芯片开发思路：“我们对工作负载有深刻理解……我们一直在寻找那些未被充分服务的工作负载，思考如何构建能加速可能性的东西。” ## 技术特性：聚焦推理效率 Jalapeño**专为推理（inference）设计**，即运行预训练AI模型以响应用户指令的过程。在公告中，OpenAI特别强调了该芯片在运行实时编程模型时的**低运营成本**。可以预见，预训练等计算密集型任务可能仍将依赖英伟达硬件，但即便只是推理成本的微降，也能显著改善公司利润。 优化推理系统正成为AI经济学的关键变量，且这种优化将发生在技术栈的每一层。OpenAI已在构建Codex等智能体产品、支撑这些产品的模型，以及运行模型的算力中心。进军定制芯片，使得OpenAI能将优化推进到更底层。 ## 全栈整合：从模型到芯片 OpenAI在公告中强调：“OpenAI不仅开发前沿模型或在之上构建产品；它正在设计底层的整套基础设施：**芯片架构、内核、内存系统、网络、调度、部署系统以及产品体验**。”由于OpenAI横跨整个技术栈，每一层都可以围绕“让模型更快、更可靠、更实惠”这一统一目标进行优化。 Jalapeño的发布标志着OpenAI从AI模型提供商向**全栈AI基础设施公司**的转型迈出关键一步。在推理成本日益成为AI规模化瓶颈的当下，自研芯片有望为OpenAI带来显著的竞争优势。

OpenAI 正式揭晓了其首款自研 AI 处理器——名为 **Jalapeño** 的“智能处理器”芯片。该芯片由 OpenAI 与芯片巨头 **博通（Broadcom）** 联合打造，专为 AI 推理场景设计，旨在驱动当前及未来的大型语言模型。这标志着 OpenAI 在摆脱对英伟达 GPU 的过度依赖上迈出了关键一步。 ### 一款为推理而生的 ASIC 芯片 Jalapeño 是一款 **ASIC（专用集成电路）**，其设计目标非常明确：**AI 推理**。所谓推理，就是当用户向 ChatGPT 或 Codex 等 AI 智能体发送请求时，模型处理并生成回应的过程。这与 AI 训练（模型通过海量数据学习来优化自身）形成鲜明对比。OpenAI 表示，Jalapeño 是其“多代计算平台的第一步”，预计将在 **2026 年底** 前部署上线。 ### 性能对标 Blackwell，能效大幅领先 根据博通 CEO Hock Tan 在采访中透露的信息，Jalapeño 的性能可与 **英伟达的 Blackwell 芯片** 以及 **谷歌的 TPU（张量处理单元）** 相匹敌。OpenAI 方面则强调：“虽然我们仍在测量最终性能，但早期测试表明，Jalapeño 的**每瓦性能**将显著优于当前最先进水平。” 这意味着在同等功耗下，Jalapeño 能处理更多 AI 推理任务，这对于降低大型数据中心的运营成本和能耗至关重要。 ### 巨头自研芯片潮：OpenAI 加入战局 OpenAI 并非唯一一家走上自研芯片道路的 AI 公司。**微软、Meta 和亚马逊** 等科技巨头近年来也纷纷推出了自研 AI 芯片，用于服务器端的训练或推理。然而，在整体性能上，这些自研芯片目前仍难以超越英伟达的统治地位。Jalapeño 的推出，使得 OpenAI 成为这一阵营中最具标志性的玩家——毕竟它既是全球领先的 AI 模型提供商，也是最大的 GPU 消耗者之一。 ### 合作背景与未来展望 此次发布距离 OpenAI 宣布与博通合作仅过去 **九个月**，进展速度令人瞩目。在英伟达 GPU 长期供不应求的背景下，自研芯片成为 OpenAI 降低成本、保障算力供应的战略选择。Jalapeño 作为“多代平台”的开端，未来有望持续迭代，进一步缩小与英伟达的差距。对于整个 AI 产业而言，这或许意味着芯片供应链将迎来更多元化的格局。

你能想象只需折叠一张纸，就能制造出电路板吗？香港城市大学创意媒体学院的博士生张奇和朱克宁教授，在最新一期《DIY 杂志》上展示了一种创新方法：通过折叠和切割浸渍了导电油墨的纸张材料，即可形成导电通路，为电机和灯珠供电。这项技术将古老的折纸艺术与现代电子制造巧妙结合，为柔性电子和快速原型设计开辟了新路径。 ## 原理与操作 这种“折纸电路板”的核心在于一种特殊纸张——其纤维中浸渍了导电油墨，使得纸张本身具备导电性。用户只需像折纸一样进行折叠和切割，就能在纸张内部形成连续的导电轨迹。例如，通过简单的山折和谷折，可以改变电流路径；而切割则能断开不需要的连接。最终，这些导电通路可以连接电池、LED 灯或小型电机，实现功能电路。 ## 优势与潜力 相比传统蚀刻或打印电路板，折纸电路板具有以下显著优势： - **低成本**：无需复杂的化学蚀刻或昂贵的设备，仅需导电纸和剪刀。 - **快速原型**：从设计到实现只需几分钟，适合创意验证和教育场景。 - **柔性可折叠**：电路板可以像纸一样弯曲、折叠，甚至揉皱后仍能工作，非常适合可穿戴设备和柔性电子。 - **环保**：纸张基材可降解，减少电子垃圾。 ## 应用场景 研究人员展示了多个示例，包括折纸灯笼中的 LED 照明、折纸飞机上的微型电机驱动，以及互动贺卡中的声音模块。这些应用不仅展示了技术的实用性，也凸显了其艺术与科技融合的独特魅力。 ## 行业背景 当前，柔性电子市场正在快速增长，但多数方案仍依赖昂贵的导电聚合物或金属薄膜。折纸电路板提供了一种极低成本的替代方案，尤其适合教育、创客运动和快速原型领域。不过，其导电性能有限，目前仅适用于低功率应用。未来，通过改进导电油墨配方和纸张结构，有望提升电流承载能力，拓展到更复杂的电子系统中。 折纸电路板不仅是技术上的创新，更是一种思维上的突破——它告诉我们，电子制造不必总是依赖精密仪器，有时一张纸、一把剪刀，加上一点创意，就能点亮世界。

**TechCrunch Founder Summit 2026** 早鸟优惠进入倒计时：仅剩3天，最高可节省**$190**。优惠截止时间为**太平洋时间6月26日晚上11:59**。 本次峰会将于**11月4日在波士顿**举行，预计汇聚**超过1000名创始人和投资者**。活动聚焦实战经验分享，涵盖融资、规模化、招聘、退出策略等核心议题。往届演讲嘉宾来自**Tesla、Sapphire Ventures、Index Ventures、Sequoia Capital、Greylock、NFX、Wing Venture Capital**等知名机构。 现场还将设置分组讨论和圆桌环节，参会者有机会提交议题并参与投票。团队购票（4人及以上）可享**额外30%折扣**。 > “创始人不会独自扩张。”——TechCrunch 强调，与同行交流、向操盘手学习、与投资人建立关系，是创业加速的关键。 立即注册，锁定早鸟价。

射频集成电路（RFIC）设计长期以来被视为一门“黑暗艺术”，依赖工程师多年经验，复杂且耗时，严重制约了 5G、自动驾驶、卫星通信等无线技术的发展。然而，普林斯顿大学的研究团队正通过强化学习、逆向设计和扩散模型等 AI 技术，彻底改变这一局面。他们的方法能在数小时内生成高性能的 RF 电路布局，甚至创造出人类设计师无法想象的创新结构，同时大幅缩短设计周期。未来，建立大型共享芯片设计数据集和开放生态系统，将是 AI 进一步掌握通用电磁与电路行为的关键。 ## 从“黑暗艺术”到 AI 驱动的自动化 传统的 RFIC 设计高度依赖人类专家的直觉与试错，一个复杂的芯片往往需要数月甚至数年才能完成。AI 的介入打破了这一瓶颈。普林斯顿团队采用**强化学习**和**逆向设计**，让算法从零开始探索最优电路拓扑，无需遵循人类的设计规范或美学约束。这种方法不仅速度快，还能发现人类未曾考虑过的创新方案。 ## 扩散模型生成“非人类”布局 研究进一步引入**扩散模型**，能够快速生成新颖且可解释的 RF 布局。这些布局在性能上屡创纪录，但外观却与人类设计的芯片截然不同——它们可能形状不规则、走线怪异，但电磁特性却更优越。这印证了 AI 设计的一个核心理念：摆脱对人类可理解性和视觉美感的依赖，纯粹追求功能最优。 ## 行业影响与未来挑战 AI 驱动的 RFIC 设计将加速 6G、量子通信和自动驾驶等领域的商业化进程。然而，当前最大的障碍是**数据匮乏**：AI 需要大量高质量的设计数据来学习通用规律，但芯片设计数据往往被企业视为机密。普林斯顿团队呼吁建立开放的芯片设计数据集和生态系统，让 AI 能够像在图像识别领域一样，通过共享数据实现突破性进展。 ## 小结 AI 正在将 RFIC 设计从一门依赖个人经验的手艺，转变为可扩展、可复制的工程科学。虽然完全替代人类设计师尚需时日，但 AI 在探索未知设计空间方面的能力已经毋庸置疑。未来的无线世界，或许正由这些“非人类”的芯片所塑造。

Google 最新推出的 Home Speaker 以 99 美元的价格，在小巧机身内塞入了令人惊喜的音质和智能体验。但“音箱”只是它工作的一部分。凭借三麦克风阵列，即使在 100% 音量播放音乐时，它也能快速响应“Hey Google”唤醒词。在两天测试中，麦克风从未漏掉一次唤醒——除了我为了不吵醒宝宝而隔屋耳语的那次，但这或许不算公平测试。我把音箱放在浴室，淋浴时与它对话；Siri 几乎听不到流水声中的我，但 Google 表现相当不错。 这些是任何智能音箱都应做好的基本功，但对 Home Speaker 来说尤为关键——Google 不仅将其设计为音乐和智能家居控制中心，更把它打造成一个通过 Gemini 完成一切的环境式 AI 助手：规划日程、获取信息、处理事务。 **音质与设计** Home Speaker 音质饱满有力，在如此小的体积下能发出充满房间的声音。日常作为厨房音箱或背景音乐，你几乎不需要开到最大音量。不过与上一代 Nest Audio 相比，后者声音更响亮、音质更好，体积也大得多。我多年的主力小音箱是 UE Wonderboom，Home Speaker 与它旗鼓相当：Wonderboom 稍响一些，低音更强劲。 **智能与体验** Gemini 的融入让 Home Speaker 不再只是音箱。你可以自然对话式地询问日程、天气、甚至让 AI 帮你完成复杂任务。但初期体验显示，它偶尔会“犯轴”——比如对某些指令理解偏差，或执行速度不如预期。这种“小脾气”在智能设备上并不罕见，但对于一款主打环境 AI 的产品，稳定性和可靠性仍需打磨。 **小结** Google Home Speaker 在音质和设计上交出了亮眼答卷，AI 体验也展现了巨大潜力。但作为一款“智能音箱”，它需要在“智能”和“稳定”之间找到更好平衡。完整评测将在后续发布，敬请期待。

高通公司宣布以近40亿美元收购硅谷AI芯片初创公司Modular，这一交易标志着高通在AI芯片领域的进一步扩张。Modular成立于2022年，由Chris Lattner和Tim Davis共同创立，两人均曾在谷歌TPU团队工作。Lattner是开源编译器项目LLVM和苹果Swift编程语言的创建者，还曾短暂担任特斯拉Autopilot软件负责人。Modular的核心产品是一个芯片软件平台，以及专有的编程语言，允许开发者编写一次AI软件即可在不同芯片上运行，无需为每种芯片重写代码。该平台旨在帮助云企业最大化GPU和CPU的性能。 高通计划通过此次收购增强其在AI芯片软件方面的能力，特别是在数据中心市场。高通总裁兼CEO Cristiano Amon表示：“我们相信未来属于开发者友好的横向平台，能够跨不同计算环境运行，为客户提供真正的选择。”高通近年来积极拓展移动芯片以外的业务，包括为AI设备设计芯片，如智能眼镜、耳机、手表等，并已推出40多种AI设备芯片设计。此外，高通还在数据中心市场发力，去年收购了RISC-V服务器CPU初创公司Ventana Micro Systems，并正在开发定制ASIC设计，据报道中国字节跳动是其早期客户。 交易预计将于今年下半年完成，Modular的整个团队（包括两位联合创始人和约150名员工）将加入高通。此次收购距离Modular完成2.5亿美元融资仅9个月，当时其估值为16亿美元。分析人士认为，这笔交易反映了AI芯片领域软件与硬件融合的趋势，高通正通过收购快速补齐软件短板，以应对英伟达等竞争对手的挑战。

But not by shifting costs to electricity customers, FERC says

Traveling soon? Scoop up these nifty gadgets ahead of your travels for less.

Some of my favorite practical Bluetooth gadgets are also on sale during Amazon Prime Day.

6G will only expand the reach of fixed wireless access

ZDNET's editors are shopping for Prime Day just like you - and almost everything we're buying is under $100.

## 核心结论：Google Maps 综合实力更强，Apple Maps 更适合苹果生态用户 经过长时间的实际使用对比，**Google Maps** 在路线规划速度、AI 功能集成和探索发现丰富度上明显领先，而 **Apple Maps** 则凭借简洁的界面和与苹果设备的无缝整合，成为苹果用户的轻量级优选。 ### 为什么 Google Maps 仍是导航之王？ - **更快的路径规划**：Google Maps 利用实时交通数据和历史模式，能迅速提供多条备选路线，并动态调整建议。在高峰时段，其预估到达时间往往更精准。 - **AI 驱动的探索功能**：通过机器学习，Google Maps 可以根据你的偏好推荐附近餐厅、景点，甚至提供“热门时段”等信息。其“附近”功能远比 Apple Maps 细致。 - **丰富的数据层**：街景、室内地图、实时公交信息、骑行路线等，让 Google Maps 成为全能型工具。对于旅行规划，它还能同步酒店、航班信息。 ### Apple Maps 的独特优势 - **极简设计**：Apple Maps 界面更干净，没有广告干扰，导航提示更直观。对于日常通勤或短途出行，它足以胜任。 - **生态整合**：在 iPhone、iPad、Mac 和 Apple Watch 之间无缝同步，支持 Siri 语音控制，甚至能通过 CarPlay 提供“免打扰”模式。 - **隐私保护**：Apple 强调数据处理在设备端完成，不收集用户位置历史用于广告。这吸引了对隐私敏感的用户。 ### 关键差异对比 | 维度 | Google Maps | Apple Maps | |------|-------------|------------| | 路线准确性 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | | 探索发现 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | | 界面简洁度 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | | 生态整合 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | | 隐私保护 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ### 我的最终选择 尽管 Apple Maps 近年来进步显著，但 **Google Maps 在核心导航能力和信息丰富度上仍然更胜一筹**。如果你经常需要探索新地点、依赖实时交通，或者需要跨平台使用，Google Maps 是更好的选择。 而对于只进行简单导航、且完全使用苹果设备的用户，Apple Maps 足以满足日常需求，甚至体验更流畅。 > 注意：本次对比基于个人长期使用体验，不同地区和场景下结果可能有所差异。

A prominent AI expert says that forward-deployed engineers are limited, and that the broader emerging category of AI engineers has the greatest career potential. Is he right?

arXiv:2606.23741v1 Announce Type: new Abstract: Causal reasoning, which encompasses the discovery of causal structures and the inference of causal effects, is fundamental to data-driven decision making. In practice, data for reliable causal analysis are often distributed across institutions and cannot be centralized due to privacy regulations or communication constraints. Federated learning (FL) addresses this by enabling collaborative analysis without raw data sharing, giving rise to the rapidl

arXiv:2606.23830v1 Announce Type: new Abstract: Molecular surfaces encode the geometric and physicochemical patterns that determine antibody-antigen recognition, central to epitope prediction. However, existing methods rely on sequences or backbone structures and struggle to capture discontinuous, surface-driven epitopes. This study presents SurfBind, a surface-centric learning framework for epitope prediction that operates directly on molecular surface representations. SurfBind integrates geome

arXiv:2606.23767v1 Announce Type: new Abstract: Headline accuracies on the Tuebingen cause-effect pairs are routinely compared across papers even though each is measured under its authors' own protocol -- different pair subsets, weightings, model-selection, and decision rates. We argue this is the wrong comparison and run the right one: a same-hands re-evaluation in which every method is run by us on the identical 102 pairs, with one strict rule -- no tuning and a decision forced on every pair.

arXiv:2606.23758v1 Announce Type: new Abstract: Domain generalization learns from multiple source domains to generalize to unseen target domains. However, it often neglects the realistic case of label mismatch between source and target. Open set domain generalization is then proposed to recognize unseen classes in unseen domains. A simple approach trains one-vs-all classifiers to separate each class and detect outliers as unknown. Yet, the imbalance between few positive samples and many negative

arXiv:2606.23739v1 Announce Type: new Abstract: We present an automated large-scale search pipeline for heterogeneous 4-Expert Mixture-of-Experts (MoE4) architectures within the LEMUR neural network dataset ecosystem. Building on a hand-crafted heterogeneous MoE reference model, we replace manual design with a deterministic code-assembly generator that systematically combines base architecture families drawn from the LEMUR database into MoE4 ensembles, each governed by a convolutional gating net