尽管 Prime Day 2026 要到下周才正式开启，但 Anker 的优惠已经提前上线。ZDNET 编辑精选的 Anker 移动电源、多设备充电器和 USB-C 数据线等产品，**最高可享受 45% 的折扣**，是入手充电配件的绝佳时机。 ## 为什么值得关注？ Anker 是充电配件领域的知名品牌，以可靠性和创新设计著称。本次提前促销涵盖多种热门产品，从便携充电宝到桌面充电站，满足不同场景需求。ZDNET 的推荐基于实际测试和用户反馈，确保每款产品都经过验证。 ## 编辑精选优惠 ### Anker MagGo 3 合 1 充电站 - **价格**：80 美元（原价 110 美元，节省 30 美元） - **特点**：支持 MagSafe 无线充电，可为 iPhone、Apple Watch 和 AirPods 同时充电，适合苹果生态用户。 ### Anker Nano 便携 USB-C 充电器 - **价格**：27 美元（原价 30 美元，节省 3 美元） - **特点**：小巧便携，支持 20W PD 快充，非常适合日常通勤或旅行。 ### Anker 智能显示屏充电器 - **价格**：30 美元（原价 40 美元，节省 10 美元） - **特点**：内置智能显示屏，可实时显示充电功率和状态，科技感十足。 ### Anker Prime 移动电源与充电底座套装 - **价格**：280 美元（原价 330 美元，节省 50 美元） - **特点**：大容量 27,650mAh，支持 250W 总输出，可为笔记本、平板和手机同时充电，并配有充电底座，方便桌面收纳。 ## 购买建议 这些优惠来自亚马逊等可靠零售商，ZDNET 建议尽早入手，因为 Prime Day 期间热门产品可能快速售罄。如果你正在寻找高品质充电配件，现在就是最佳时机。
在快节奏的数字时代，一场名为“慢科技”（Slowtech）的运动正悄然兴起，旨在帮助人们摆脱手机成瘾，夺回对时间和注意力的掌控。 ## 什么是慢科技？ 慢科技并非反对技术进步，而是倡导一种更审慎、更人性化的技术使用方式。其核心理念是：**技术应该服务于人类，而非奴役人类**。慢科技产品通常具备以下特征： - **减少干扰**：避免推送通知、无限滚动等令人上瘾的设计。 - **专注核心功能**：只保留必要功能，摒弃冗余。 - **鼓励有意识使用**：通过设计让用户主动选择何时、如何使用设备。 ## 为何现在兴起？ 近年来，人们对智能手机成瘾的担忧日益加剧。研究表明，普通人每天查看手机超过150次，平均使用时间超过4小时。这种持续的分心导致注意力碎片化、焦虑增加和真实社交减少。 正如一位慢科技倡导者所言：“人们真的希望夺回自己的时间、生活和注意力……他们愿意尝试任何能帮助实现这一目标的方法。”这种需求催生了慢科技产品的市场。 ## 代表性产品与趋势 - **轻量级手机**：如 Punkt. MP02 和 Light Phone II，仅提供通话、短信和少数实用工具，无浏览器和社交媒体。 - **专注工具**：如 Forest 应用，通过种树游戏鼓励用户放下手机；或 Freedom、Cold Turkey 等屏蔽干扰的应用。 - **极简操作系统**：如 /e/OS 和 GrapheneOS，去除谷歌服务，减少追踪和通知。 ## 挑战与前景 慢科技面临的主要挑战是**便利性与健康性的平衡**。完全切断数字连接并不现实，尤其对于需要频繁使用网络的工作者。但慢科技并非要求彻底“戒断”，而是倡导有意识地选择技术。 市场数据显示，慢科技产品的销量逐年增长，反映出消费者对“数字排毒”的强烈需求。未来，慢科技可能推动主流科技公司重新思考产品设计，将用户福祉置于增长指标之前。 ## 小结 慢科技革命不是要我们回到原始社会，而是提醒我们：**技术应当是工具，而非主人**。通过拥抱慢科技，我们或许能找回被算法劫持的注意力，重新成为数字世界的主人。
随着亚马逊Prime Day促销临近，各大品牌已开始推出早期优惠。作为长期评测平板电脑的编辑，我筛选出当前最值得入手的几款产品，涵盖从入门到旗舰的不同价位。 ## 苹果阵营：iPad Air M4与iPad 11代 **iPad Air M4** 目前售价 **$650**，节省 $49。这款设备搭载M4芯片，性能足以应对专业级创作和多任务处理，同时保持了轻薄设计。对于追求高性能但预算有限的用户，它是不错的选择。 **iPad（第11代）** 降至 **$299**，节省 $50。作为入门级iPad，它适合学生、家庭用户或作为第二块屏幕。虽然性能不及Air系列，但足以满足日常浏览、视频和轻度办公需求。 ## 安卓与Windows选择 **TCL Nxtpaper 11 Plus** 优惠力度最大，从原价 $370 降至 **$260**，节省 $110。其亮点是类纸屏幕技术，减少蓝光反射，适合长时间阅读或观看视频。性价比极高。 **Samsung Galaxy Tab S10 Lite** 售价 **$300**，节省 $50。这款平板配备S Pen，适合笔记和绘画，同时拥有不错的影音体验。适合安卓生态用户。 **Microsoft Surface Pro** 定价 **$1,050**，节省 $100。作为二合一设备，它结合了平板与笔记本功能，适合需要移动办公的专业人士。不过价格较高，适合预算充足的用户。 ## 购买建议 Prime Day正式活动通常在7月中旬，但早期优惠已出现。建议关注价格波动，尤其是iPad Air M4和TCL Nxtpaper 11 Plus，当前折扣已接近历史低价。如果急需更新设备，现在入手是不错时机；若不急，可等待Prime Day当天是否会有更大优惠。 注意：所有价格均为撰写时数据，实际可能变化。购买前请确认具体型号、存储容量及卖家信誉。
随着生成式AI在音乐创作领域的广泛应用，一个核心问题日益凸显：训练这些模型所使用的音乐作品，其原创者应如何获得合理报酬？新南威尔士大学创意产业研究员Oliver Bown在IEEE Spectrum的客座文章中探讨了这一议题。他指出，当前AI音乐生成模型（如Suno、Udio等）通常基于海量受版权保护的音乐进行训练，但创作者并未因此获得直接补偿。Bown提出一种可能的解决方案：通过技术手段追溯AI生成歌曲的“根源”——即分析输出结果与训练数据中特定作品的相似度，从而为报酬分配提供依据。然而，这种方法面临着巨大挑战：AI模型并非简单复制，而是从无数样本中学习模式和风格，使得精确追溯变得极其困难。此外，公平性问题也悬而未决——如何界定贡献比例？是否所有被“学习”的音乐家都应获得报酬，还是仅那些生成结果与原始作品高度相似的情况才需补偿？Bown认为，单纯依赖技术追溯可能无法解决根本矛盾，需要结合法律框架和行业共识，建立更透明的数据使用和收益分配机制。文章最后呼吁，在AI音乐商业化加速的当下，必须优先保障创作者的权益，否则将加剧技术发展与艺术生态之间的紧张关系。
在电子纸笔记设备市场，**ReMarkable Paper Pure** 与 **Amazon Kindle Scribe (2026)** 的价格战正酣。2026 年新款 Kindle Scribe 取消了前光照明，以 **429 美元** 的起售价切入，直接对标 ReMarkable Paper Pure 的 **399 美元** 定价。两款产品均主打“纯粹书写体验”，但取舍路径截然不同。 ## 核心差异：灯光与生态 Kindle Scribe (2026) 最引人注目的变化是 **砍掉前光**。这意味着它不再适合夜间阅读，但换来了更轻薄的机身（约 **390 克**）和更低的成本。而 ReMarkable Paper Pure 从诞生起就坚持无背光设计，强调“纸感”与低蓝光护眼。 在内容生态上，Kindle 依然拥有 **海量电子书库**，支持笔记标注与云端同步；ReMarkable 则专注于 **手写笔记与文档批注**，支持 PDF 导入，但缺乏原生阅读商店。2026 版 Kindle Scribe 还升级了 **10.2 英寸 E Ink Carta 1300 屏幕**，对比度提升 20%，而 Paper Pure 采用 10.3 英寸 Canvas 屏，书写延迟已优化至 **21 毫秒**。 ## 书写体验：各有所长 两款设备都提供 **电磁笔** 且无需充电。Kindle Scribe 的笔端配有橡皮擦，支持倾斜阴影；ReMarkable Paper Pure 则提供 **5 种笔刷**，并可通过订阅服务实现手写转文字。实际测试中，Paper Pure 的 **纹理表面** 更接近真实纸张，而 Kindle Scribe 的玻璃屏搭配磨砂膜稍显滑腻。 ## 价格与定位 | 型号 | 起售价 | 存储选项 | 特色功能 | |------|--------|----------|----------| | ReMarkable Paper Pure | $399 | 8GB / 64GB | 无前光，专注笔记 | | Kindle Scribe (2026) | $429 | 16GB / 64GB | 无前光，Kindle 书库 | 两者都提供免费云存储（ReMarkable 需订阅 Connect 才能解锁高级同步）。对于 **重度阅读者**，Kindle Scribe 凭借内容生态更占优势；而对于 **纯粹笔记用户**，Paper Pure 的书写手感与专注工具链更胜一筹。 ## 小结 如果你 **白天使用居多**，且需要 Amazon 书库支持，Kindle Scribe (2026) 是更均衡的选择。若你 **追求极致纸感书写**，并愿意为更简洁的笔记系统付费，ReMarkable Paper Pure 依然是最佳答案。两者都代表了“减法设计”的极端，但最终胜出的，是更符合你使用场景的那一款。
如果物理AI要像大语言模型（LLM）那样取得突破，首先得解决数据问题。两周前，OpenAI宣布重启2021年关闭的机器人项目，这释放了一个明确信号：顶级AI实验室正在争相教会机器在物理世界中操作。但打造有能力的机器人需要一种AI行业目前尚未拥有的东西——与语言模型训练数据相匹配的物理交互数据。这一缺口正催生一种新型基础设施业务。 与依赖海量公开文本的LLM不同，机器人需要捕捉物理交互的数据，而这种数据几乎不存在。YouTube视频和零工工人拍摄的片段保真度低，且难以与物理世界对齐。今天，一家名为 **XDOF**（发音为"ecks-doff"）的初创公司从隐身模式中走出，它押注AI的下一个瓶颈不是模型或芯片，而是教会机器人如何与物理世界交互所需的数据反馈循环。该公司旨在构建前沿实验室和机器人公司难以自行搭建的数据管道、收集工具和标注系统，并已从 **Thrive Capital、Spark Capital、a16z、Lux 和 WndrCo** 筹集了 **7000万美元**。 XDOF联合创始人兼CEO **Philipp Wu** 表示，这家拥有约60名员工的公司已与20家客户合作，其中包括几个前沿AI实验室，但无法透露具体名称。Wu说："所有顶级实验室都在尝试进军机器人领域。我们已经看到在语言模型竞赛中落后的一些教训……你不想在追求这项技术时太晚，每个人都明白物理AI是下一个前沿。" Wu本人在加州大学伯克利分校攻读博士时就遇到了这个问题。他的研究方向是让机器人从大规模数据集中学习技能。但有一个问题："我们没有大规模数据可用，"他告诉TechCrunch，"这是一个先有鸡还是先有蛋的问题——我们首先需要实际收集数据，然后才能问如何训练机器人基础模型。" Wu与未来的联合创始人兼CTO **Fred Shentu** 合作开发了一个名为 **GELLO** 的低成本远程操作系统，让人类操作员控制机械臂以生成训练数据。这篇论文在机器人领域影响深远，"因为很多人都有类似的需求和瓶颈，许多人开始利用这类设备进行数据收集。" 看到机会后，Wu、Shentu和第三位联合创始人兼COO决定创办XDOF。他们发现，虽然远程操作收集数据是可行的，但规模化面临巨大挑战。为此，XDOF开发了专用硬件和软件平台，包括定制化数据收集设备、标注工具和安全管理方案，以帮助客户高效、安全地获取高质量训练数据。Wu强调，这绝不是简单的外包，而是构建一个完整的数据基础设施。 随着物理AI竞赛升温，XDOF能否成为机器人领域的Scale AI？时间会给出答案。
随着企业将 AI 从试点推向生产，可靠性成为关键挑战。Pramaana Labs 宣布获得 2700 万美元种子轮融资，由 Khosla Ventures 领投，Accel、BoldCap、Nexus Venture Partners、Premji Invest 和 Unbound 参投。该公司将形式化验证（formal verification）与 LLM 结合，专注于法律、药物发现和税务准备等高风险领域，确保 AI 输出可验证、可追溯。其方法基于开源语言 LEAN，通过领域专家构建确定性验证层，将规则编码化，从而减少幻觉与错误。创始人 Ranjan Rajagopalan 表示：“每个错误会危及健康、金钱或自由的领域都有规则，现在只需将这些规则形式化。”
Meta 近期在 Facebook 应用中推出了 **AI Mode** 搜索功能，旨在回答“这周末该做什么”这类复杂问题。该功能借鉴了 Google 的 AI Mode 思路，但特别之处在于其数据源——**公开的 Facebook 帖子、群组和 Instagram Reels**。对于仍依赖 Facebook 组织本地活动的社区而言，这或许能提供实用信息。然而，考虑到 Facebook 上充斥着各种伪科学和阴谋论内容，这种“扎根于社交媒体的搜索”令人担忧。 在初步测试中，AI Mode 在规划旅行和推荐活动方面表现参差不齐。令人稍感安心的是，它并未轻易输出关于疫苗、911 事件或选举舞弊等常见错误信息。不过，当被问及“1月6日国会大厦骚乱者是否是爱国者”时，AI 竟生成了一篇“论文”，为骚乱者的行为提供了可疑的理论辩护。后续追问则被系统拒绝。这表明 Meta 的 AI 在敏感话题上仍可能“翻车”，但整体上对明显虚假信息的防御力尚可。 **行业背景**：AI 搜索正从通用网页转向垂直领域。Google 的 AI Mode 基于 Web 索引，而 Meta 选择“社交数据”作为差异化竞争点。若想真正有用，Meta 需解决数据源质量与偏见问题，否则 AI Mode 可能沦为“放大社交噪音”的工具。
谷歌于今日（6月17日）宣布，其全新智能音箱 **Google Home Speaker** 将于 **6月25日** 开始发货，仅比此前承诺的春季发布时间稍晚。这款售价 **99美元** 的设备是谷歌六年来首款全新设计的智能音箱，专为其最新的 **Gemini for Home** 智能助手平台打造。 ## 硬件无变化，设计延续 自去年九月发布以来，Google Home Speaker 的硬件没有任何改变。它依旧采用略带扁平的圆形设计，顶部配备电容式触控按键，底部设有状态指示灯环。颜色方面提供四种选择：瓷白（porcelain）、榛黑（hazel）、翡翠绿（jade）和浆果红（berry），其中后两种为美国市场限定。 ## 专为 Gemini for Home 优化 作为首款为 Gemini for Home 量身打造的音频设备，Google Home Speaker 在语音交互上进行了深度优化。谷歌 Home 产品总监 Anish Kattukaran 在月初的简报会上透露，该音箱内置了本地化模型，用于噪声消除、回声抑制和声音分离，确保 Gemini 能在嘈杂环境中准确识别指令。这意味着相比其他 Nest 音箱和智能屏，这款设备能提供更流畅的 Gemini 体验。 ## 功能与生态 Google Home Speaker 支持 **360 度环绕音效**，可两台配对组成立体声，或搭配 Google TV Streamer 实现空间环绕声。它同时充当 **Matter 控制器** 和 **Thread 边界路由器**，可无缝接入智能家居生态。不过，部分高级功能需要订阅 **Google Home Premium** 服务。 ## 市场定位与竞争 在亚马逊 Echo 和苹果 HomePod 持续迭代的压力下，谷歌此次回归智能音箱市场，选择以 Gemini 的对话式 AI 能力作为差异化卖点。然而，99 美元的定价与同类产品相比并无明显优势，且硬件创新有限。其成败将更多取决于 Gemini 的本地化体验能否真正提升用户粘性。 目前，Google Home Speaker 已开放预购，用户可通过 Google 商店或 Best Buy 等渠道下单。
时隔六年，Google 终于推出了新一代智能音箱。这款售价 **100 美元** 的设备不仅是产品线的更新，更标志着 Google 从 **Google Assistant** 向 **Gemini** 智能助手的战略迁移。 ## 设计焕新，色彩多样 新 Google Home Speaker 提供 **Berry、Jade、Hazel 和 Porcelain** 四种颜色，其中 Berry 和 Jade 为美国市场专属。外观采用类似 HomePod 的织物包裹设计，更融入家居环境。 ## Gemini 加持，对话更自然 与旧版 Google Assistant 相比，Gemini 在自然语言理解上有了质的飞跃。用户无需使用僵硬的指令句式，即使中途改口或语法错误，Gemini 也能准确理解意图。例如，你可以说“关掉所有灯，但床头灯不要关”——这种包含例外情况的复合指令，Gemini 可以轻松解析。 **连续对话** 功能也得到了扩展：在 Gemini 回答后，麦克风会保持短暂开启，让你无需反复唤醒即可追问。该功能此前仅支持英语，现已覆盖所有支持的语言。 ## 智能家居控制与安全联动 作为智能家居中枢，新音箱可与 **Nest 摄像头** 联动。你可以问“FedEx 今天送过包裹吗？”或“狗有没有偷吃柜台上的饼干？”——Gemini 会分析摄像头画面并给出答案。不过，这一功能并非音箱独有，已加入 Gemini 的现有 Google Home 设备也能使用。 ## 上市时间与定价 预购将于 **6 月 17 日** 开启，**6 月 25 日** 正式发售，定价 100 美元。这一定价与上一代产品持平，但鉴于 Gemini 的加入，性价比显著提升。 ## 小结 Google Home Speaker 的归来，不仅是硬件迭代，更是 Google 在 AI 助手领域的一次关键布局。Gemini 的落地让智能音箱从“语音命令工具”进化为“能理解上下文、处理复杂需求的对话伙伴”。对于智能家居用户和 AI 爱好者来说，这或许是今年最值得关注的产品之一。
## 资本涌入：加拿大养老金加入印度数据中心竞赛 印度AI驱动的数据中心建设热潮正吸引全球资本的目光。最新入局者是加拿大的一家大型养老基金，它将以 **8.2%** 的股权入股 **CtrlS**——这家印度本土科技巨头运营着超过15座数据中心，是该国最大的数据中心运营商之一。 ### 为何印度数据中心成为“香饽饽”？ 随着AI模型训练和推理对算力的需求呈指数级增长，数据中心成为AI基础设施的关键一环。印度拥有庞大的人口基数、快速数字化的经济以及政府推动的“数字印度”计划，使得其对数据中心的需求格外旺盛。无论是本土科技公司还是跨国云服务商（如AWS、微软Azure、谷歌云），都在加速在印布局。 CtrlS作为印度领先的数据中心提供商，其业务覆盖从托管到云服务的全链条。此次加拿大养老基金的注资，不仅是对CtrlS运营能力的认可，更是对印度AI基础设施长期增长潜力的押注。 ### 全球资本竞逐AI基础设施 近年来，养老基金、主权财富基金等长期资本纷纷涌入数据中心赛道。这类资产具有稳定的现金流和长期增值潜力，与养老基金的负债匹配需求高度契合。此前，加拿大养老金计划投资委员会（CPPIB）已投资于全球多家数据中心运营商，而此次对CtrlS的投资进一步扩展了其在新兴市场的布局。 印度的数据中心市场预计在未来几年将保持 **20% 以上的年增长率**，这无疑吸引了大量寻求高回报的资本。但竞争同样激烈：本土企业如 **Nxtra Data**（Bharti Airtel旗下）、**Yotta Infrastructure**，以及国际巨头 **Equinix**、**Digital Realty** 等均已在此深耕。 ### 小结 加拿大养老基金入股CtrlS，是国际资本对印度AI基础设施信心增强的一个缩影。随着AI应用落地加速，数据中心作为“算力底座”的战略价值将持续凸显。对于投资者而言，如何在快速增长的市场中筛选出技术过硬、运营稳健的合作伙伴，将是决定成败的关键。而对于印度，这波资本热潮有望推动其数据中心产业迈向更高水平，为AI创新提供更坚实的支撑。
人形机器人跑马拉松？这听起来像是科幻小说的情节，但如今已成为现实。最近，一则关于人形机器人冲刺完成半程马拉松的新闻引发热议。许多人惊叹于其运动能力，却不知这背后并非魔法，而是扎实的工程学——**电机与齿轮比的精妙配合**。 ## 从实验室到赛道：机器人运动能力的跃升 长期以来，人形机器人以笨拙、缓慢的形象示人，尤其在动态平衡和高效运动方面存在巨大挑战。然而，随着电机技术和传动系统的进步，机器人逐渐具备了更接近人类的运动能力。**马拉松**这一极端耐力测试，不仅要求机器人持续运行数小时，还需要应对复杂地形和能量管理问题。 ## 关键核心：电机与齿轮比 文章指出，人形机器人实现长距离奔跑的核心在于**电机**和**齿轮比**的优化。电机提供动力，而齿轮比则决定了力与速度的平衡。高扭矩电机配合适当的减速比，能让机器人在起步和爬坡时获得足够力量，同时在平路保持高速。这种设计借鉴了生物力学原理——人类肌肉和骨骼的杠杆系统，本质上也是一种“生物齿轮”。 此外，高效的能量回收与散热系统也至关重要。机器人需要像人类一样管理“步频”和“步幅”，通过控制算法实时调整姿态，避免能量浪费。例如，**Ghost Robotics** 等公司的研究显示，通过优化关节驱动器的阻抗和弹性，机器人奔跑效率可提升 30% 以上。 ## 行业意义与未来展望 这一突破不仅是工程胜利，更预示着人形机器人在**救灾、物流、探索**等领域的应用潜力。能够长距离自主移动的机器人，将能替代人类进入危险环境执行任务。然而，当前技术仍面临续航、成本和可靠性等挑战。随着电机、电池和材料科学的进步，**马拉松机器人**或许只是开始——未来，我们可能看到机器人参与更复杂的户外作业。 ## 小结 人形机器人的马拉松成绩，是电机、齿轮比与控制算法协同优化的结果。它提醒我们：看似神奇的进步，往往源于基础工程的扎实积累。
德国翻译初创公司 DeepL 近日宣布收购实时音频公司 Mixhalo，后者专注于为音乐会、体育赛事和会议等现场活动提供高质量音频传输。此次收购将帮助 DeepL 在旧金山设立办公室，拓展美国业务，并强化其语音翻译能力，尤其是在实时场景下的应用。 ## 收购背景与细节 Mixhalo 成立于 2016 年，由 Incubus 吉他手 Mike Einziger、小提琴家 Ann Marie Simpson-Einziger 和现任 CEO Vik Singh 共同创立。公司最初旨在改善演唱会观众的音频体验，后来逐步发展为体育赛事和现场活动提供实时音频服务。截至目前，Mixhalo 已累计融资超过 **3900 万美元**，投资方包括 Fortress Investment、Founders Fund 和 Cowboy Ventures 等。 Mixhalo 的 CEO Vik Singh 透露，公司此前已将 DeepL 作为主要翻译供应商，双方的合作关系自然而然地促成了收购。在 DeepL 的客户晚宴上，Singh 与 DeepL 的 CTO Sebastian 相邻而坐，深入交流后发现两家公司在事件空间、API 和应用层（如会议语音、文档翻译、现场活动）上存在高度重叠。 ## 战略意义与行业影响 DeepL 长期专注于文本翻译，但近年来开始加大语音产品的投入。2024 年，DeepL 推出了覆盖 **33 种以上语言** 的语音到文本翻译功能；今年 4 月，又发布了语音到语音翻译套件，支持多语言会议等场景。收购 Mixhalo 将使 DeepL 能够将这一套件直接应用于现场活动领域，同时 Mixhalo 本身也将作为一个 **营销案例**，展示 DeepL 技术在实时、高要求环境下的表现。 Singh 指出，虽然语音 AI 模型的爆发为 Mixhalo 提供了更多集成选择，但大型模型公司逐渐侵入其市场，导致价格竞争加剧。与 DeepL 的合并有助于 Mixhalo 在定价上获得优势，并借助 DeepL 的资源和品牌扩大影响力。 ## 未来展望 此次收购后，DeepL 将在旧金山设立办公室，进一步扩大美国业务。对于用户而言，这意味着未来在大型会议或演唱会上，可能不再需要掏出手机打开翻译应用，而是直接通过现场音频流获得 **实时翻译**。DeepL 的语音翻译技术与 Mixhalo 的音频传输能力结合，有望重塑现场活动的多语言体验。 随着 AI 翻译市场竞争日益激烈，DeepL 通过收购快速补足实时场景短板，展现了其从文本向全场景翻译服务商转型的决心。
为应对中国车企的快速迭代压力，通用汽车（GM）正借助人工智能大幅缩短车辆开发周期，目标是从传统的四年缩短至两年。这一变革由一位前特斯拉工程师主导，通过AI驱动的仿真模拟、自动化设计和制造流程优化，GM试图在速度与质量间找到平衡。 ## 背景：中国车企的“快鱼”效应 近年来，中国车企如比亚迪、蔚来等凭借快速的产品迭代和智能化优势，在全球市场迅速崛起。传统车企通常需要4-5年才能完成一款新车从设计到量产的全过程，而中国竞争对手已能将周期压缩至18-24个月。这种速度差距迫使GM重新审视其开发流程。 ## AI赋能：从仿真到制造 GM的核心策略是全面应用AI技术。在**设计阶段**，AI驱动的计算流体动力学（CFD）仿真可快速模拟车辆空气动力学性能，替代部分物理风洞测试，将设计验证时间从数月缩短至数周。**制造环节**中，AI算法优化生产线排程和机器人路径，减少停工和调试时间。此外，生成式AI被用于自动生成零部件设计方案，工程师只需输入性能参数，系统即可输出数百种候选方案供筛选。 ## 关键人物：前特斯拉工程师的“速度哲学” GM此次AI转型的领军人物是一位曾参与特斯拉Model 3和Model Y开发的工程师。他引入的“快速失败”理念强调：让AI在虚拟环境中快速测试大量方案，即使失败也能低成本获取经验，而非依赖物理原型反复修改。这种思路与GM传统的“瀑布式开发”形成鲜明对比。 ## 挑战与隐忧 尽管AI加速开发前景诱人，但GM面临多重挑战。首先，**数据质量**是关键——AI模型需要海量高质量训练数据，而GM的历史数据分散在不同部门和系统中。其次，**安全与可靠性**不容妥协：缩短测试周期可能增加未充分验证的风险，尤其是涉及自动驾驶功能时。此外，**组织文化阻力**也不可忽视：工程师习惯了传统流程，转向AI驱动需要大量培训和思维转变。 ## 行业影响与未来展望 GM的激进举措可能引发传统车企的连锁反应。福特、大众等已宣布类似AI加速计划，但能否真正落地尚待观察。若GM成功，将重新定义汽车行业的开发效率标准；若失败，则可能因急于求成而陷入质量危机。无论如何，这场由AI引发的速度竞赛已拉开帷幕，中国车企的先发优势正倒逼全球玩家做出改变。
电池老化是电动汽车和消费电子领域长期面临的痛点。传统充电策略通常采用固定参数，忽略了电池随使用时间发生的化学变化。瑞典查尔姆斯理工大学（Chalmers University of Technology）的研究人员开发了一种基于人工智能的控制系统，能够根据电池的实际老化状态动态调整充电参数，有望将电池寿命延长数年。 该研究的核心在于利用AI模型实时分析电池的健康状态（State of Health, SoH），并据此优化充电电流和电压曲线。研究团队使用恒电位仪（potentiostat）精确控制电极间电压并测量电流，生成了大量电池老化数据，用于训练AI模型。相比传统“一刀切”的充电策略，AI控制器能够识别电池内部阻抗增加、容量衰减等细微变化，并采取更温和的充电方式，减少锂枝晶形成和电极材料应力，从而延缓退化。 这项技术对电动汽车行业意义尤为重大。电池组是电动汽车最昂贵的部件，延长其寿命可直接降低用户的使用成本，并减少电池更换带来的环境负担。同时，对于智能手机、笔记本电脑等消费电子产品，智能充电也有望缓解用户对电池衰减的焦虑。 然而，该技术目前仍处于实验室阶段。要将AI控制器集成到实际充电器中，还需要解决计算资源、实时性以及不同电池化学体系的适配问题。研究人员表示，未来随着边缘计算能力提升和电池管理系统的智能化，这种自适应充电策略有望成为主流。 总体而言，这项研究展示了AI在电池管理领域的巨大潜力。通过让充电过程“因材施教”，我们或许能更充分地利用每一块电池的生命周期，推动能源存储技术的可持续发展。
Pinterest 于周三宣布推出一款名为“Ask Pinterest”的实验性应用，旨在通过对话式界面为用户提供购物推荐与灵感。该应用目前仅限有限访问，利用 Pinterest 的“品味图谱”（Taste Graph）——即用户兴趣与审美的内部数据映射——来提供个性化建议。与传统的 Pinterest 搜索不同，Ask Pinterest 能处理更复杂的多步骤查询，例如“策划一场晚宴”或“逐步布置房间”，并支持跨会话保留用户上下文。此外，它还能结合用户保存的 Pin 图和画板来定制答案。Pinterest 表示，这些测试结果将用于改进主应用中的 AI 体验。该消息发布之际，正值广告技术行业年度盛会戛纳国际创意节前夕，今年大会重点聚焦 AI 如何服务广告主与营销人员。同期，Pinterest 还推出了面向广告商的 Pinterest 模型上下文协议（MCP）及其他 AI 广告工具。 随着 AI 聊天机器人日益与传统搜索引擎争夺用户注意力，Google、ChatGPT、Meta、Shopify 等巨头纷纷涉足 AI 购物领域。Pinterest 并未选择通过授权协议将自身产品推荐数据提供给其他 AI 服务，而是坚持利用自有数据训练模型、驱动 AI 产品。通过将 Ask Pinterest 做成独立应用，Pinterest 得以在不干扰主应用体验的前提下进行技术试验。 ## 核心功能与行业背景 Ask Pinterest 的推出反映了 AI 购物领域的几个关键趋势： - **对话式发现**：用户可以用自然语言提问，获得类似聊天机器人的互动体验，这比传统关键词搜索更直观。 - **复杂任务支持**：传统搜索难以处理“为朋友准备素食晚餐”这类多步骤需求，而 Ask Pinterest 能分解任务并提供连贯建议。 - **数据壁垒**：Pinterest 选择闭源策略，不对外授权数据，而是构建自有 AI 生态，这与其他平台开放 API 的做法形成对比。 ## 对行业的影响 Pinterest 的这一步棋可能加剧 AI 购物领域的竞争。一方面，其独特的“品味图谱”数据可能成为差异化优势——相比通用搜索引擎，Pinterest 更懂用户的审美偏好。另一方面，独立应用的形式降低了用户迁移成本：如果体验优秀，用户可能从主应用分流；反之，则不会影响核心产品。 值得注意的是，Pinterest 强调 Ask Pinterest 目前仅为“实验性”产品，尚未公布正式上线时间表。这暗示公司仍在谨慎探索 AI 与购物的结合点，避免重蹈其他平台因仓促推出 AI 功能而引发隐私或准确性质疑的覆辙。 ## 小结 Ask Pinterest 是 Pinterest 在 AI 购物领域的一次重要尝试，其对话式、个性化、跨会话的特点有望重塑产品发现方式。然而，在巨头环伺的赛道中，它能否凭借数据优势突围，仍有待市场检验。
法国初创公司 Genesis AI 近日发布了一款名为 Eno 的机器人，其外观与传统人形机器人截然不同：没有头部，没有双腿，甚至采用轮式底座，可以像折叠椅一样收折。该公司由前 Google CEO 埃里克·施密特投资，明确提出“人形机器人不需要看起来像人”，Eno 的设计理念是“围绕人类能力”而非人类外形。 然而，Eno 在一点上保留了强烈的人类特征：它的双手。Genesis 表示，Eno 的双手“精确匹配人类手部的形态和功能”，使其能够直接使用为人类设计的工具和物品，从而在真实世界中完成多种任务。公司宣称 Eno 是“通用型”机器人，而非仅擅长折叠衣物等单一功能的机器。 Genesis 计划在 2026 年底前启动生产并面向特定客户部署，初期瞄准制造业、实验室和物流领域，随后扩展至医院、酒店和消费市场。公司还透露正在开发“其他形态版本”。 这一设计思路折射出当前人形机器人领域的分歧：一部分企业追求外观与人类高度相似，以提升社会接受度；另一部分则强调功能优先，认为外形应完全服从于任务需求。Eno 的发布标志着后一种路线获得了重量级资本的支持。随着施密特的背书，以及通用机器人市场的持续升温，Eno 能否在实用性上超越传统仿人机器人，将成为行业关注焦点。
多模态大语言模型（MLLMs）的知识编辑技术虽能高效更新模型知识，但最新研究揭示了一个关键漏洞：当输入为图文配对时，实体知识可被成功更新；然而一旦将配对输入拆分为单模态（仅文本或仅图像），模型往往会“遗忘”更新内容，回退至编辑前的旧知识。这一现象被称为**编辑解耦失败（editing decoupling failure）**，其根源在于MLLMs中的实体知识并非以统一表征存储，而是分散在解耦的模态特定通路中。 来自多所机构的研究团队（Tingchao Fu等）在论文《Correct When Paired, Wrong When Split: Decoupling and Editing Modality-Specific Neurons in MLLMs》中，通过深入实证分析揭示了这一机制：多模态查询（图文对）引发的更新偏向于多模态通路，但无法有效传播至单模态回路，导致模型在单模态输入下“失忆”。 为解决该问题，团队提出**DECODE**方法，核心思路是显式解耦并定位不同模态对应的神经元群组，然后针对性地实施知识编辑。具体而言，DECODE首先通过激活模式分析识别出与文本、图像及多模态关联紧密的神经元子集，随后在编辑过程中对这些模态特定神经元分别施加约束，确保更新能同时作用于多模态和单模态推理路径。 实验在多个基准数据集上验证了DECODE的有效性： - 在多模态触发（图文对）下，DECODE的知识更新准确率与现有方法持平或更优； - 在单模态触发（仅文本或仅图像）下，DECODE显著优于基线，编辑后模型能保持更新知识，而基线方法则出现大幅衰退； - 消融实验进一步证实，模态解耦与局部编辑是缓解解耦失败的关键组件。 这项工作的启示在于：**MLLMs的知识编辑不能仅关注多模态表现，必须兼顾单模态泛化能力**。DECODE通过模态特定神经元定位提供了一种轻量级解决方案，不依赖额外训练数据或模型结构修改。未来，该方向可延伸至更多模态（如视频、音频）以及动态知识更新场景。 论文已发布于arXiv（2606.17057），并提供了实验代码与可视化分析工具。对于从事模型编辑、多模态对齐及AI安全的研究者而言，该工作揭示了当前编辑范式的盲区，并为构建更鲁棒的知识更新机制奠定了基础。
电子健康记录中的实验室检测数据往往采集不规律，而检测的缺失本身可能蕴含着与测量值同等重要的信息。近日，一项发表在 arXiv 上的研究提出了一种基于扩散模型的新方法，能够联合建模实验室检测值及其观察模式，从而生成更真实的临床时间序列数据。 ## 研究背景与核心问题 在临床实践中，医生决定何时进行某项实验室检测——例如，病情稳定的患者可能检测频率较低，而危重患者则可能接受更密集的监测。这种检测的“缺失”并非随机，而是反映了临床决策和患者生理状态。传统方法通常将缺失值视为预处理中的噪声或插补对象，但这样做会丢失缺失模式本身所携带的信息。该研究试图将缺失模式作为模型的一部分，直接捕捉其与生理指标之间的关联。 ## 方法：扩散模型联合建模 研究团队基于 **TimeDiff** 框架进行扩展，设计了一个能够同时处理连续实验室值和离散缺失模式的扩散模型。模型使用 **MIMIC-III** 数据库中的 **DACMI** 基准数据集，将检测时间对齐到 4 小时间隔，并将每次住院分割为 7 天窗口。每个时间点的数据包含一个实验室值和对应的观察指示器（0/1，表示是否在该时间点进行了检测）。通过互补的扩散目标函数，模型学习值分布和缺失模式的联合分布。 ## 实验结果与意义 实验结果显示，生成的数据在单个实验室值分布以及“值-缺失”联合嵌入空间上，均与真实患者轨迹高度吻合。这表明扩散模型能够捕捉临床实践中 **非随机缺失** 条件下的生理-检测行为依赖关系。研究者指出，这项工作可作为开发临床基础模型的初始组件——通过生成保留关键生理-缺失关系的合成先验，为后续训练 **先验数据拟合网络** 提供基础，从而充分利用信息性缺失模式。 ## 行业背景与展望 在医疗 AI 领域，如何处理不规则时间序列中的缺失数据一直是个难题。传统插补方法可能引入偏差，而忽略缺失模式则损失临床洞察。该研究将缺失视为“信号”而非“噪声”，为电子健康记录的数据生成、模型预训练和下游任务（如预后预测）提供了新思路。未来工作在更大规模数据上的验证，有望推动临床决策支持系统更准确地模拟真实医疗场景。
## 核心观点：KV缓存不只是缓存，更是可编辑的“笔记” 大型语言模型（LLM）推理中的前缀缓存（Prefix Caching）通常假设：只有完全匹配的前缀才能复用预填充结果。一旦前缀中某个字段发生变化，整个下游缓存就会失效，必须重新计算。然而，一篇来自 arXiv 的新论文提出了颠覆性观点：**KV 缓存本质上是模型在预填充阶段写下的“笔记”**，它不仅可复用，还**可编辑**和**可组合**。 ## 发现：字段自身KV对决策贡献不足1% 研究者在四个模型家族上进行因果分析后发现，当模型在预填充阶段处理一个字段（例如用户输入中的某个参数）时，它实际上已经将该字段的条件结论写入了后续位置的“笔记”（即 KV 缓存中的 value 向量）中。**字段自身的 key/value 向量对最终决策的贡献不足 1%**，真正起作用的是那些“笔记”内容。因此，直接覆盖字段的 key/value 向量并复用其余缓存，模型仍然会基于旧值行动——因为笔记没有被修改。 ## 能力一：可编辑的KV缓存 既然 KV 缓存是笔记，那么就可以像修改文档一样编辑它。论文提出了一种“勘误”（erratum）机制：只需在缓存末尾追加一个修正标记，就能修改笔记中的结论。实验表明，**结合思维链（Chain-of-Thought）时，仅编辑字段本身即可完全恢复正确决策**（在 8B 模型上准确率 1.00，仅需约 1% 的计算量）；而不使用思维链时，编辑则被忽略。这意味着编辑效果依赖于模型内部的推理结构。 ## 能力二：可组合的KV缓存 笔记还有一个关键特性：**位置可移植**。由于笔记内容与绝对位置解耦（通过旋转位置编码 RoPE 调整），一个预编译好的“技能”（例如一段推理步骤的 KV 缓存）可以被重新定位并拼接到任意上下文中，效果与完全重新计算**不可区分**（logit 余弦相似度 0.90-0.999，涵盖 12 个模型）。而拼接的时间复杂度仅为 O(L)，远低于完全重算的 O(L²)，大幅降低首 token 延迟。 ## 统一框架：编辑+组合，延迟降低14.9倍 论文将编辑和组合能力统一到一个智能体框架中，在保持决策与完全重算一致的前提下，**延迟最高降低 14.9 倍**。该方法适用于任何逐 token 注意力 KV 缓存，并在不同规模、量化、混合专家模型（MoE）以及多模态缓存上得到验证。对于部分注意力变体，只需通过小型适配器即可扩展。 ## 兼容现有生产系统：vLLM缓存命中率98.5% 由于勘误仅追加在缓存末尾，它天然兼容生产级前缀缓存系统。在在线 vLLM 基准测试中，该方法**保持了 98.5% 的缓存命中率**，并将 p90 首 token 延迟降低了 **53-398 倍**——这意味着用户几乎感觉不到延迟。 ## 意义与展望 这项工作从根本上重新定义了 KV 缓存的角色：它不再是被动的高速缓存，而是模型推理过程中主动生成的、可修改、可迁移的“笔记”。这为 LLM 推理优化开辟了新方向——例如在线持续学习、个性化模型调整、多轮对话中的动态上下文编辑等。未来，我们或许能看到模型在推理过程中实时“涂改”自己的笔记，而非每次都从头计算。