Meta 正在测试由一家向美国警方和军方销售监控工具的公司所开发的面部识别软件，探索将该技术引入其智能眼镜。根据 WIRED 获得的软件许可，这一合作由丹佛公司 Rank One Computing 提供，该公司约 80% 的收入来自政府客户，其面部识别技术已被美国法警局和海军刑事调查局使用。许可授权 Meta 使用 Rank One 的面部识别及活体检测功能，支持多达 1000 万个面部模板，目前仍处于激活状态。尽管该功能从未对用户开放，但 WIRED 审查的代码显示，Rank One 的集成痕迹曾出现在本月发布的 Meta 应用版本中，处于休眠状态。Meta 于 6 月 5 日彻底删除了这些代码。这标志着消费级产品与政府监控技术之间的界限日益模糊。
当数万名科技从业者被扫地出门的同时，一小撮AI内部人士正以难以想象的规模暴富。这种两极分化的图景，正让AI行业的裁员潮演变为一触即发的火药桶。 ## 冰火两重天的行业现状 过去一年，科技行业的裁员潮持续蔓延。从谷歌、亚马逊到微软，再到无数初创公司，**数万名员工**被迫离开岗位。然而，与普通员工的困境形成鲜明对比的是，AI领域的核心人才和早期投资者正享受着前所未有的财富盛宴。 以OpenAI为例，其估值已飙升至**800亿美元**以上，早期员工和投资者手中的股权价值水涨船高。类似的故事也在Anthropic、Inflection AI等公司上演。这种**财富分配的极端不对称**，正在企业内部和社会层面引发强烈不满。 ## 火药桶的引信：信任崩塌 裁员本身并非新鲜事，但本轮AI裁员潮的特殊之处在于其**时机与叙事**。许多公司在裁减非AI岗位的同时，却在大举招聘AI人才，并斥巨资购买算力、训练模型。这传递给员工的信号是："你们的价值不如AI。" 更令人生畏的是，一些被裁员工发现，他们曾参与训练的AI系统，最终却取代了自己的工作。这种**"亲手埋葬自己"**的荒诞感，加剧了职场焦虑和对AI技术的抵触情绪。 ## 财富幻觉与现实鸿沟 AI精英的暴富故事被媒体反复渲染，但大多数从业者并未分享到红利。据估算，全球AI领域的高薪岗位不足**10万个**，而受AI影响可能失业的岗位数以百万计。这种**"少数人狂欢，多数人遭殃"**的格局，正在催生新的社会矛盾。 一些观察者指出，这类似于工业革命初期"卢德分子"砸毁机器的行为，但今天的"机器"是更抽象的算法。如果企业不能妥善处理转型阵痛，**技术进步的合法性**将受到质疑。 ## 展望：如何化解危机？ 要避免火药桶引爆，行业需要更公平的财富分配机制。例如，建立**员工持股计划**，让普通员工也能从AI增长中获益；或者推动**全民基本收入**等社会保障改革。同时，企业在裁员时应提供充分的再培训机会，而非简单地将人"扫地出门"。 否则，当AI创造的财富只流向极少数人，而被抛弃的大众开始抵制技术时，整个行业可能面临比裁员更严重的危机。
大语言模型在长序列列举任务中经常陷入重复循环，这一问题困扰开发者已久。来自 arXiv 的最新研究（论文编号 2606.13705）深入探讨了 Gemma 4 指令微调模型中的“重复循环”（repetition loops）现象，并尝试通过权重编辑来修复。研究发现，这些循环可以追溯到少数 MLP 神经元或路由专家，通过简单的符号反转等静态编辑即可有效抑制，甚至只需编辑一个神经元。但编辑并非万能——对于“末日循环”（doom looping），即模型在无法回忆事实时自我纠正的无限循环，编辑只能减轻而无法根除，这本质上是知识精度问题。 ## 核心发现：重复循环的定位与修复 研究团队对 Gemma 4 系列模型（包括 2B、9B 和 26B-A4B 混合专家模型）进行了系统测试。在要求列出电视剧全部剧集、88 个 IAU 星座或 151 只原始宝可梦等长序列列举任务中，模型出现重复循环的概率高达 **95%**，且不受提示词改写、推理引擎变更或采样参数调整的影响。 通过逐层消融和逐神经元归因分析，研究人员定位到问题根源：少量 MLP 神经元（在 26B 混合专家模型中为少数路由专家）的异常激活导致了循环。最惊人的是，在 **2B 模型**中，只需将 **一个神经元** 的权重符号反转，即可消除循环模式。随着模型规模增大，所需编辑的神经元数量增加，但整体仍保持极小规模。 ## 编辑的局限：末日循环的挑战 尽管权重编辑能有效消除标准重复循环，但面对更复杂的“末日循环”时效果有限。末日循环发生在模型需要较长推理步骤时，例如在无法回忆某个事实时，模型不断自我纠正，最终耗尽推理预算而无法给出答案。研究指出，这种失败本质上是 **知识缺失** 问题：编辑可以删除循环路径，但无法补充模型未学习到的知识。 ## 行业启示与未来方向 这项研究为 AI 对齐和模型调试提供了新思路。**局部权重编辑** 可能成为一种轻量级修复手段，尤其适用于快速修复特定生成缺陷，而无需重新训练。然而，它也揭示了当前大模型的根本性局限：在知识密集任务中，单纯依靠模型参数存储事实并不可靠。未来，结合外部知识检索或更精细的推理机制可能是突破方向。 ## 小结 - **重复循环可修复**：通过编辑少数神经元（甚至一个）即可消除，且不影响通用基准性能。 - **末日循环仍存**：编辑只能减轻，无法根除，根源是知识精度不足。 - **方法价值**：展示了生成病理可定位并局部修复，但也划定了这种方法的边界。
电商大促期间，定价决策常面临需求波动剧烈、反应时间紧迫等挑战。近日，Zalando 研究团队在 arXiv 发表论文，详细介绍了其专为时尚电商促销活动设计的高频算法定价工具，实现了从“数小时”到“数分钟”的决策提速，并在 A/B 测试中取得了约 6% 的利润提升。 ## 痛点：传统定价为何跟不上促销节奏？ 许多电商平台在销售活动中仍依赖人工与算法结合的周级粒度定价。这种方式在处理大规模促销（如黑五、季末清仓）时存在明显短板：需求模式高度不稳定，而手动调整节奏慢、覆盖面有限，容易错过最优定价窗口。此外，短期冲量往往以牺牲长期利润为代价，如何同时优化营收与利润成为难题。 ## 解法：预测-优化双引擎 Zalando 团队提出的系统采用 **“先预测，后优化”** 架构。首先，利用梯度提升树（Gradient-Boosted Trees）对超过 **500 万件商品** 进行日级需求预测，捕捉促销期间的需求波动。随后，一个多目标优化框架同时优化**长期利润**和**净商品价值**，在短期营收与长期盈利之间寻找平衡。 这一架构的关键优势在于将决策时间从数小时压缩到数分钟，使得高频调价成为可能，从而更灵活地应对市场变化。 ## 实战验证：23 场 A/B 测试覆盖 12 个市场 研究团队在 2023-2024 年期间，于 Zalando 覆盖的 **12 个市场** 进行了 **23 场 A/B 测试**。与原有“人工+算法”混合方案相比，新系统在保持销售额和收入水平相当的前提下，实现了约 **6% 的利润提升**。这一结果证明了高频定价在兼顾营收与利润方面的有效性。 基于测试的积极表现，该算法已成功部署到生产环境，目前负责 Zalando 大部分促销活动的算法定价决策。 ## 行业启示：高频定价的规模化落地 Zalando 的实践为电商行业提供了一个可复用的范本。它不仅展示了机器学习在复杂定价场景下的能力，也强调了**决策速度**对促销效果的关键影响。随着零售竞争加剧，能够快速响应需求变化、同时兼顾多目标的定价系统，或将成为电商平台的核心竞争力之一。 不过，论文也提示，该方案高度依赖高质量的需求预测模型，且多目标优化的权重设定需要根据业务目标反复调优。对于希望引入类似系统的企业，数据基础和业务理解是成功的前提。
个性化联邦学习（PFL）是应对数据异构性的重要范式，其中许多方法将模型拆分为共享参数和个性化参数，二者在客户端联合训练。然而，这带来了一个优化难题：共享参数由优化不同本地目标的客户端更新，导致更新不一致，削弱共享表征。为攻克这一瓶颈，研究团队提出 **FedSPC（Federated Shared Parameter Correction）**，一种模块化矫正方法，仅对共享参数施加控制变量矫正，保留个性化参数不变。FedSPC 可无缝集成到三种主流 PFL 设置中：共享特征提取器、共享分类器以及带本地正则化的全共享模型。 实验在 CIFAR-100 和 Tiny-ImageNet 数据集上，使用 ViT、ResNet-34 和 VGG-11 模型，覆盖 FedPer、FedRep、FedBABU、LG-FedAvg 和 Ditto 等代表性 PFL 方法。结果显示，FedSPC 显著提升了所有方法的性能，证明了其有效性和通用性。该工作已被 **FL@FM-IJCAI 26**（IJCAI 2026 联合研讨会）接收。 ### 核心价值：轻量级矫正，无需重构架构 FedSPC 的设计哲学是“即插即用”：它不改变 PFL 方法的原有框架，仅在训练过程中对共享参数添加控制变量矫正项，类似 SVRG 或 SAGA 中的方差缩减思想。这使得 FedSPC 能够直接应用于现有方法，无需重新设计模型结构或增加额外通信成本。 ### 实验亮点：跨模型、跨数据集的一致性提升 - **图像分类任务**：在 CIFAR-100 上，FedSPC 使 FedPer 的准确率提升约 2-3 个百分点；在 Tiny-ImageNet 上，对复杂模型（如 ViT）的增益更为明显。 - **鲁棒性**：即便在高度异构的数据分区下，FedSPC 仍能稳定改善共享参数的一致性，避免因本地目标冲突导致的表征漂移。 ### 适用场景：从边缘计算到隐私敏感应用 PFL 广泛应用于医疗、金融等数据孤岛场景。FedSPC 的矫正机制尤其适合以下情况： - 客户端数据分布差异大（非 IID） - 需要保留本地个性化能力，同时维持全局共享知识的通用性 - 希望以最小改动升级现有 PFL 系统 ### 未来方向：理论分析与扩展 作者指出，未来可进一步探索 FedSPC 的收敛性理论，并考虑将其扩展到跨设备联邦学习中的通信效率优化。此外，结合自适应矫正步长或动态参数分组，可能带来更多性能提升。 总而言之，FedSPC 为个性化联邦学习提供了一种务实而高效的优化方案，在不增加额外负担的前提下，有效缓解了共享参数更新不一致的固有问题。
## 研究背景：什么是「顿悟」现象？ 在神经网络训练中，有时会出现一种奇特现象：模型早已完美拟合训练数据，但泛化能力却迟迟不出现，直到某个时刻突然爆发。这种现象被称为 **「顿悟」（Grokking）**，最早在小型算法学习任务中被发现，随后成为理解神经网络泛化机制的重要窗口。 关于「顿悟」的触发条件，学术界一直存在争议。部分研究认为，**权重范数（weight norm）** 在达到某个临界值时才会触发泛化；但也有实验观察到，即使权重范数不固定，「顿悟」依然会发生。这种矛盾让问题悬而未决。 ## 新的突破：通过干预而非观察来验证因果性 来自越南的研究团队在最新论文中，通过 **主动干预权重范数** 而非仅仅观察，首次明确证明了权重范数与「顿悟」延迟之间的因果关系。 关键发现包括： - **自由训练下的规律**：在使用权重衰减（weight decay）的标准训练中，网络会在权重范数达到一个特定值 \( W_c \) 时发生「顿悟」。该值在不同随机种子和学习率下变异系数仅 **1%-2%**，且随模运算的基数（modular base）呈幂律增长。 - **固定范数的指数延迟定律**：当研究人员将权重范数 **固定** 为 \( W_c \) 的某个倍数 \( \rho \) 并保持恒定，网络仍然会「顿悟」，但延迟时间 \( T_{\text{grok}} \) 遵循 **指数增长**：\( T_{\text{grok}} \propto \exp(\alpha \rho) \)，其中指数 \( \alpha \approx 7.5 \)，在四个不同模基数下拟合优度 \( R^2 = 0.996 \)。 - **范数 vs 学习率的影响**：在实验范围内，固定范数可以改变延迟约 **19 倍**，而学习率仅改变约 **2 倍**，表明范数是主导因素。 - **高于临界值反而更慢**：将范数固定在 \( W_c \) 之上并不会阻止「顿悟」，反而会显著延迟其发生。 - **LayerNorm 的消除作用**：在模型中添加 LayerNorm 层后，权重尺度与网络功能解耦，上述指数延迟定律消失；移除 LayerNorm 后定律恢复。 ## 意义与展望 这项研究不仅解决了关于「顿悟」触发条件的长期争论，还提出了一个精确的数学关系：**固定范数下的指数延迟定律**，与自由训练下范数自然收缩时的对数延迟形成对称。这为理解神经网络的泛化动力学提供了新的理论工具。 未来，这一发现可能帮助研究者设计更高效的训练策略，通过控制权重范数来加速或延迟「顿悟」，从而在需要快速泛化的场景中提升模型性能。
异常检测是智能系统的基础能力，广泛应用于医疗、网络安全、智能电网和物联网等领域。传统机器学习与深度学习方法虽然有效，但往往依赖大规模标注数据、计算成本高，且在边缘和高维场景下扩展性受限。近日，一篇发表于 arXiv 的研究论文提出了 **D2H-AD**——一种基于超维度计算（HDC）的新型异常检测框架，旨在解决上述痛点。 ## 什么是超维度计算？ 超维度计算是一种受大脑启发的计算范式，它将信息表示为高维分布式向量（例如 10,000 维的二元向量），通过向量的代数运算实现高效的模式匹配与推理。HDC 具有天然的抗噪声、低延迟和可解释性，非常适合资源受限的 TinyML 和边缘 AI 部署。 ## D2H-AD 的核心创新 D2H-AD 并非简单套用 HDC 技术，而是在统一框架内**融合了基于距离的相似度与密度感知编码**。具体而言，它首先将原始特征映射到高维超向量空间，然后利用密度信息调整异常评分，从而更精准地区分正常与异常样本。论文通过消融实验证明：仅超维编码这一环节，就比直接在原始特征空间应用相同的密度-距离评分方法，在 **ROC-AUC 指标上提升了最高 5.4%**。 ## 性能对比：全面超越五大基线 研究团队在五个基准数据集上，将 D2H-AD 与 **HDAD、ODHD、单类 SVM、孤立森林和自编码器** 这五种主流方法进行了对比。实验结果显示，D2H-AD 在 **F1 分数和 ROC-AUC** 上均表现最优，同时对类别不平衡、噪声和数据复杂性展现出良好的鲁棒性。 ## 轻量级与可解释性：边缘部署的理想选择 D2H-AD 的设计极为紧凑，其核心运算基于二元计算，因此**内存占用小、延迟低**，非常适合部署在传感器、微控制器等资源受限设备上。此外，HDC 的分布式表示天然具备可解释性，有助于开发者理解模型的决策依据——这在医疗和安防等关键领域尤为重要。 ## 行业意义与未来展望 随着物联网和边缘计算的普及，传统云端推理模式正逐渐向端侧迁移。D2H-AD 的出现为边缘异常检测提供了一种**高精度、低能耗、可解释**的新方案。论文作者表示，该框架在动态环境中展现出巨大潜力，未来可进一步扩展至在线学习和多模态异常检测场景。 > 总结：D2H-AD 通过超维度计算与密度感知编码的巧妙结合，在多个基准上刷新了异常检测的精度记录，同时保持了极低的计算开销。对于追求实时性与资源效率的 AI 工程师而言，这无疑是一个值得关注的技术方向。
随着大模型微调成本日益高昂，参数高效微调（PEFT）方法成为研究热点。其中，LoRA（低秩适配）凭借其内存和计算效率备受青睐。然而，LoRA的低秩结构是否真正最优？近期一篇来自arXiv的论文《Beyond LoRA: Is Sparsity-Induced Adaptation Better?》对此提出了挑战，并提出了一系列更简单、更高效的稀疏化变体。 ### 从全量微调到LoRA的演进 论文首先回顾了微调方法的发展历程：从早期全量微调（更新所有参数），到LoRA（通过低秩矩阵分解减少可训练参数），再到如今各种LoRA变体。尽管LoRA家族在资源受限场景下表现优异，但其低秩约束是否限制了模型的表达能力？研究人员开始思考：是否可以通过引入稀疏性来突破这一瓶颈？ ### 稀疏诱导适配：cLA与c³LA 论文提出了**Cheap LoRA（cLA）**及其链式循环变体**c³LA**。核心思想是：在LoRA框架内引入稀疏性，仅训练单个低秩因子，而将另一个因子固定（确定性或随机初始化）。这种设计将cLA视为非对称LoRA的结构化实例，本质上是全量微调的一种可控列子空间限制。 实验表明，这些稀疏变体在保持与参数匹配基线相当性能的同时，**训练时间减少高达10%，峰值GPU内存降低15%**，即使是在朴素、未优化的稀疏实现下。 ### 理论贡献与实证分析 论文推导了这些变体的信息论泛化误差界，是该领域的早期探索之一。在实证方面，研究团队评估了**11种微调方法**，覆盖**10个预训练模型**和**14个数据集**，并利用损失景观和频谱分析等工具深入分析模型性能与泛化能力。 关键发现：尽管微调模型对预训练模型、数据集等因素敏感，但**限制LoRA适配到稀疏、结构化的列空间**在多种任务上仍能与参数匹配基线竞争。这表明，稀疏性可能比低秩性更有效地平衡效率与性能。 ### 行业意义与展望 当前，大模型部署面临内存和计算瓶颈。LoRA虽降低了微调门槛，但仍有优化空间。该研究提示：**未来的PEFT方法或可更多关注稀疏性而非低秩性**，从而在更小资源开销下实现相近效果。 cLA和c³LA的提出，为模型适配提供了新的思路：通过简单的稀疏诱导，即可在保持竞争力的同时显著降低成本。这对于资源受限的端侧部署或大规模模型服务尤为关键。 ### 小结 该论文不仅挑战了LoRA的低秩假设，还提供了理论支撑和广泛实验验证。稀疏诱导适配（如cLA）有望成为下一代PEFT方法的基础。当然，稀疏性与低秩性的优劣仍需更多任务验证，但这一方向无疑为高效微调开辟了新的可能性。
扩散大语言模型（dLLM）通过并行去噪多个token来加速生成，非常适合延迟敏感的移动端推理。然而，重复的去噪过程在智能手机上带来了大量计算负担。移动神经处理单元（NPU）虽然擅长高吞吐的密集矩阵运算，但高效利用它们面临三大挑战：token提交导致每块有效负载缩减、token修订使KV缓存复用复杂化、以及NPU可见地址空间有限引发昂贵的数据重映射和传输开销。 针对这些问题，本文提出了 **NPU-Align**——首个面向智能手机的NPU感知dLLM推理框架。它通过三项关键技术将dLLM的块级推理与移动NPU的执行特性对齐： 1. **多块投机解码（Multi-Block Speculative Decoding）**：在当前块解码的后期阶段，用投机性的未来块token填补缩减的工作负载，保持NPU计算密度。 2. **双路径渐进修订（Dual-Path Progressive Revision）**：允许已提交的token在稳定前持续修订，并通过CPU侧路径刷新不稳定token，避免阻塞NPU密集执行。 3. **交换优化内存运行时（Swap-Optimized Memory Runtime）**：紧凑化NPU可见地址布局，并将数据准备与NPU计算重叠，减少重映射和传输开销。 ## 实验表现 研究者在多种硬件平台和dLLM负载上评估了NPU-Align。结果显示，在采用前缀KV缓存复用的条件下，**NPU-Align将LLaDA-8B模型的生成延迟相比CPU基线降低了17倍至42倍**，同时保持了生成质量。 ## 行业意义 随着大模型向边缘设备下沉，dLLM的低延迟优势与移动NPU的高吞吐潜力相结合，有望推动新一代端侧AI应用。NPU-Align提出的三项技术——尤其是双路径渐进修订和交换优化内存——为克服NPU硬件限制提供了实用方案，或将成为未来移动端LLM推理引擎的重要参考。
高超声速流动的精确预测是航空航天工程的核心挑战之一，尤其是激波位置与强度的捕捉。传统降阶模型（ROM）和神经仿真器在处理此类具有陡峭梯度的流动状态时，常因物理一致性不足而失效。近期，一篇由慕尼黑工业大学、林茨大学等机构研究人员合作的论文（arXiv:2606.13742）提出了一种**全GPU工作流**，通过集成加速数据生成、不确定性量化与物理感知精炼，构建高保真物理仿真器。 该工作流基于可微分高保真求解器 **JAX-Fluids**，其GPU加速能力使得快速数据集创建与残差驱动的神经仿真器优化成为可能。研究团队首先评估了多种模型架构（如卷积神经网络、图神经网络等）的扩展行为，揭示了各自的优势与局限。随后，他们引入**残差基精炼（Residual-based Refinement）**策略：在仅有网格和输入参数的情况下，通过可微分求解器计算残差，并反向传播更新仿真器参数，从而显著降低预测误差、提升物理一致性。实验表明，该方法使仿真器在训练分布之外的测试场景中仍保持可靠，这对于工程设计循环中的实际部署至关重要。 ### 行业背景与意义 高超声速流动涉及激波、边界层转捩、热化学非平衡等复杂现象，传统数值模拟（如CFD）计算成本极高，难以用于多参数优化或实时控制。而纯数据驱动的神经网络模型往往泛化能力差，尤其对激波这种间断结构处理不佳。该工作流的创新在于将**可微分物理求解器**与**机器学习**深度融合，形成一个闭环：求解器生成数据，同时提供物理残差作为监督信号，指导模型持续改进。这种“物理在环”的思路正是当前AI for Science领域的热点方向。 ### 技术亮点 - **全GPU流水线**：从数据生成到模型训练均在GPU上完成，避免了CPU-GPU数据传输瓶颈，大幅提升效率。 - **不确定性量化**：模型输出附带置信区间，为工程决策提供风险意识。 - **分布外泛化**：通过残差精炼，模型在未见工况下仍能保持较低的预测误差，这是传统ROM难以企及的。 ### 局限与展望 论文目前主要针对二维高超声速流动案例，三维复杂构型（如带翼飞行器）的拓展仍需验证。此外，可微分求解器的计算成本随网格分辨率增长较快，如何平衡精度与速度是未来研究方向。尽管如此，该工作为高保真、低成本的物理仿真器开辟了新路径，有望加速高超声速飞行器设计、再入轨迹优化等工程应用。 > 一句话总结：**可微分仿真+残差精炼**，让神经仿真器学会“物理直觉”，在工程设计中可靠外推。
据Semafor最新报道，白宫决定对Anthropic的“神话”（Mythos）模型实施出口限制，部分原因是担忧该模型已被一个与中国有关联的群体获取。若中国政府确实获得了**Mythos 5**或**Fable 5**的访问权限，将构成严重的国家安全风险。政府还可能通过**蒸馏**（distillation）技术对模型进行逆向工程——即用更先进的模型训练一个“学生”AI，以复制其行为。 白宫尚未证实该报道，特朗普顾问David Sacks在X平台上的发文中也未提及中国，而是聚焦于Fable和Mythos据称可被越狱的能力，但Anthropic否认了这一点。Anthropic未回应置评请求，但一名发言人告诉Semafor，政府在出口管制讨论中并未提及中国。 若Mythos确实被中国政府访问，这并非Anthropic最强大模型首次遭遇尴尬泄露。该公司曾表示Mythos过于危险和强大，不宜公开，但一个Discord群组据称已拥有其访问权限长达两周，直到Anthropic发现并切断连接。 这一事件折射出AI安全与地缘政治交织的复杂局面。随着中美科技竞争加剧，先进AI模型成为战略资源，任何泄露都可能引发连锁反应。蒸馏技术的存在更让模型保护变得困难，因为即使不直接复制权重，通过黑盒交互也能训练出功能相近的替代品。 ## 事件核心 - **泄露对象**：Anthropic的Mythos模型（被认为过于危险而未公开） - **担忧来源**：白宫怀疑一个与中国有关的群体获取了模型 - **风险升级**：蒸馏技术可能使模型被逆向工程，加剧安全威胁 ## 各方回应 - 白宫：未确认报道 - David Sacks：未提中国，强调越狱风险 - Anthropic：否认越狱说法，称政府未在讨论中提及中国 ## 行业影响 此次泄露若属实，将再次引发对AI模型出口管制有效性的质疑。此前，美国已对高端AI芯片实施限制，但模型层面的泄露可能绕过硬件封锁。蒸馏技术尤其棘手，因为它仅需API访问即可实现知识迁移，难以彻底阻断。 对于AI公司而言，平衡开放与安全成为难题。Anthropic选择不公开Mythos，但内部管控仍出现漏洞。未来，模型安全可能需从训练阶段就融入对抗性防护，同时加强访问审计和异常检测。 ## 小结 “中国接触Mythos”的传闻虽未获官方证实，但已凸显AI时代的新型安全挑战。在技术竞赛与地缘博弈的双重压力下，模型保护不再是单纯的技术问题，更是国家安全战略的一部分。
上周，SpaceX 以史上最大规模 IPO 登陆公开市场，其 CEO 埃隆·马斯克成为全球首位万亿富翁。尽管名为 SpaceX，这家公司近年在 AI 业务上投入巨大，而竞争对手 OpenAI 和 Anthropic 也紧随其后，或将在不久后上市。在最新一期 TechCrunch 的 Equity 播客中，Kirsten Korosec、Sean O'Kane 与我探讨了这个“火热 IPO 夏天”的图景。 ## SpaceX 的“吸金效应” Sean 指出，SpaceX 不仅吸走了公开市场上大量资金，更在“压力测试”一家上市公司能被单一人物控制到何种程度。他说：“我更关注那些即将上市的其他科技公司，它们会多大程度模仿 SpaceX 的模式。”这种模仿可能体现在治理结构、创始人控制权，以及业务叙事上。 ## 轨道数据中心：新一波“跟风”创业 Kirsten 观察到，SpaceX 的 IPO 正在引发市场涟漪效应。一些初创公司正试图“搭 SpaceX IPO 的顺风车”，比如在 SpaceX 带动下，轨道数据中心的概念变得热门，相关创业公司开始融资。她认为：“这种市场中的连锁反应，可能比‘SpaceX 让马斯克成为万亿富翁’这个头条本身更有趣。” ## 从 FAANG 到 MANGOS：AI 公司主导新格局 我们进一步讨论了 AI 公司集中上市的趋势。Kirsten 引用 Julie Bort 的文章标题说：“现在不是 FAANG 了，而是 MANGOS。”FAANG 代表 Meta、Amazon、Apple、Netflix、Google；而 MANGOS 则是 Meta、Anthropic、NVIDIA、Google、OpenAI、SpaceX。Netflix 被挤出，取而代之的是多家 AI 实验室和 SpaceX。这标志着公开市场的资金正从消费/社交网络转向 AI 和深度科技。 ## 泡沫还是新常态？ 对于这些 AI 公司的高估值和上市前景，讨论中既有兴奋也有疑虑。一方面，AI 被视为下一代基础设施，市场愿意给予高溢价；另一方面，OpenAI 和 Anthropic 目前仍处于高投入期，盈利能力存疑。SpaceX 的成功上市可能会为它们铺平道路，但也可能加剧市场对 AI 泡沫的担忧。
## 一句话概括 **Ponytail** 是一个 AI 代理技能包，通过强制实施“最懒资深工程师”的编码哲学，在保持安全性的前提下，将代码量减少 **80-94%**，速度提升 **3-6 倍**，成本降低 **47-77%**。 ## 核心哲学：先想，再写 Ponytail 的核心思想是模仿团队里那位戴着圆框眼镜、扎着马尾辫、在公司待得比版本控制还久的资深工程师：话不多，看一眼五十行代码，然后换成一行。它通过一个简单的层级决策树，让 AI 代理在写代码前先停下来思考： 1. **这东西真的需要存在吗？** → 不需要就跳过（YAGNI 原则） 2. **标准库能搞定吗？** → 直接用 3. **浏览器/平台原生功能？** → 直接用 4. **已安装的依赖？** → 直接用 5. **一行代码能搞定？** → 只写一行 6. **以上都不行？** → 写最小可行代码 举个典型例子：当用户要求一个日期选择器时，普通代理会安装 flatpickr、编写包装组件、添加样式表，甚至开始讨论时区问题。而 Ponytail 只会输出一行：`<input type="date">`——因为浏览器已经原生支持。 ## 性能数据：不只是偷懒 项目团队在三个模型（Haiku、Sonnet、Opus）上对五个日常任务（邮箱验证、防抖、CSV 求和、倒计时、限流器）进行了基准测试，每个配置运行 10 次取中位数。结果一致显示： - **代码量减少 80-94%** - **成本降低 47-77%** - **速度提升 3-6 倍** 更重要的是，Ponytail 并非盲目精简。它明确将**信任边界验证、数据丢失防护、安全性和可访问性**列为不可妥协的底线。所有“偷懒”的代码位置都通过 `ponytail:` 注释标注，方便开发者审查和升级。 ## 安装与使用 目前 Ponytail 提供了针对 **Claude Code** 和 **Codex** 的插件，安装过程极其轻量： - **Claude Code**：`/plugin marketplace add DietrichGebert/ponytail` - **Codex**：`codex plugin marketplace add DietrichGebert/ponytail` 插件仅依赖两个极小的 Node.js 生命周期钩子，要求 node 在 PATH 中。若未安装，技能依然可用，只是自动激活功能保持静默。 ## 行业启示 在 AI 编码代理日益臃肿的当下，Ponytail 提供了一种反主流但极具价值的思路：**更少的代码意味着更少的维护、更少的 bug、更少的 token 消耗**。它提醒我们，AI 的“智能”不应体现在生成更多代码上，而应体现在判断何时不需要写代码。对于追求效率与成本控制的企业团队，这种“懒人哲学”或许正是 AI 落地的关键拼图。
太空望远镜正面临一个日益严峻的挑战：人造卫星的踪迹。根据最新报道，NASA的SPHEREx望远镜拍摄的图像中，高达**75%**都出现了不想要的“铁轨”状痕迹——即卫星反射阳光形成的明亮条纹。这些痕迹严重干扰了科学观测，尤其是对需要纯净背景的深空探测任务构成威胁。 SPHEREx（全称“宇宙历史、再电离纪元与冰探测器”）是一台专注于全天空红外光谱测绘的望远镜，设计用于研究宇宙大爆炸后的早期状态、星系的形成与演化，以及寻找银河系内水冰等生命相关分子。它的大视场成像能力使其一次能捕捉大片天区，但也因此更容易被卫星“光顾”。 问题根源在于近地轨道上日益拥挤的卫星星座，尤其是以SpaceX星链为代表的低轨通信卫星群。这些卫星表面反光性强，在望远镜长曝光图像中会留下连续、明亮的轨迹，仿佛铁轨横跨星空。SPHEREx的遭遇并非孤例：哈勃望远镜、詹姆斯·韦伯太空望远镜以及地面天文台都曾报告过类似污染。 对于SPHEREx而言，75%的污染率意味着科学家需要花费大量精力从数据中剔除这些轨迹，否则可能导致误判或丢失重要信息。例如，在寻找宇宙红外背景辐射的微小波动时，一条卫星轨迹就可能被误认为早期星系信号。目前，NASA和天文学家正在探索多种应对方案，包括改进图像处理算法自动识别并移除轨迹、调整望远镜观测策略避开卫星密集区域，以及呼吁国际社会制定更严格的卫星亮度限制标准。 这一事件再次凸显了太空可持续发展的重要性。随着未来更多巨型星座的部署，如果不采取有效措施，太空望远镜的观测效率可能被大幅削弱，甚至迫使一些科学目标被迫放弃。天文学界正积极与卫星运营商沟通，推动技术改进（如降低卫星反光率、共享轨道数据以便预测规避），但根本解决仍需全球合作与法规约束。
健康可穿戴设备正成为我们生活中不可或缺的一部分，从智能手表到智能戒指，它们无时无刻不在收集你的个人数据。但在享受便捷的同时，你是否想过：这些数据到底归谁所有？你的隐私又意味着什么？ ## 数据的所有权：一个模糊的灰色地带 当你佩戴智能设备时，心率、睡眠模式、运动轨迹等敏感信息被持续记录。理论上，这些数据属于你，但实际使用中，厂商通常会通过用户协议获取广泛的数据使用权。**许多协议中隐藏的条款允许厂商将数据用于产品改进、研究甚至与第三方共享**，而你往往在点击“同意”时并未细读。 ## 隐私风险：不只是广告推送 健康数据的泄露可能带来远超广告骚扰的后果。例如，心率异常可能被保险公司用于调整保费，睡眠数据可能影响就业评估。**更令人担忧的是，智能戒指等新兴设备的数据采集更为隐蔽**，它们可能记录下你连自己都未察觉的生理细节。 ## 厂商的责任：透明度是关键 目前，行业缺乏统一的数据保护标准。部分厂商会进行匿名化处理，但技术并非完美；还有一些厂商将数据存储在云端，面临黑客攻击风险。**用户真正需要的是明确的告知：哪些数据被收集、如何存储、与谁共享**，以及可选择的退出机制。 ## 用户的应对：主动管理数字足迹 在购买前，建议仔细阅读隐私政策，尤其是关于数据共享和保留的部分。使用设备时，关闭非必要的权限（如始终开启的麦克风）。**选择那些将隐私作为核心卖点的品牌**，它们通常提供本地处理而非云端上传的选项。 ## 小结 智能穿戴设备带来了前所未有的健康洞察，但代价可能是个人数据的失控。在享受科技便利时，保持对数据流向的警惕，才是真正的“明智之举”。
Android Auto 早已不只是城市通勤的专属工具。随着开发者支持的提升，它正逐步拓展到非铺装路面和野外探险场景。本文推荐 **6 款经过实地验证的 Android Auto 应用**，帮助越野爱好者在离线或无信号区域也能高效导航、记录轨迹、获取实时路况。这些应用多数提供免费版本，且部分已预装在越野车型中。 ### 离线地图与轨迹记录 野外驾驶最怕失去信号。**OsmAnd** 和 **Gaia GPS** 是两款主打离线功能的导航应用。OsmAnd 基于 OpenStreetMap 数据，支持下载详细地形图，并提供海拔、坡度等越野专用信息。Gaia GPS 则更侧重户外活动，可记录行驶轨迹、标记兴趣点，并与同行者共享位置。两者均通过 Android Auto 投射到车机屏幕，操作直观。 ### 实时路况与天气监测 **WeatherPro** 和 **iOverlander** 分别解决天气和路况信息盲区。WeatherPro 提供分钟级降水预报和雷暴警报，对沙地、泥地驾驶尤为重要。iOverlander 则是一个众包平台，用户可标注水源、露营地、道路封闭等关键信息，数据实时更新，适合长途穿越。 ### 车辆诊断与通讯辅助 **Torque Pro**（OBD2 蓝牙适配器配合）可实时显示发动机数据、故障码，帮助判断车辆状态。**Zello** 对讲应用则能将手机变为对讲机，在无信号区通过离线频道与车队保持联络。 ### 使用建议 这些应用均需提前下载离线地图包，建议出发前在 Wi-Fi 环境下完成。部分功能（如 Torque Pro 的 OBD2 连接）需要额外硬件，但核心导航和记录功能免费可用。若你的越野车已内置 Android Auto，可直接通过 USB 或无线连接使用；老款车型可通过第三方车载盒子升级。 总的来说，**Android Auto 正在从城市通勤工具进化为全能驾驶伴侣**。对于越野爱好者而言，选择合适的应用组合，能显著提升安全性与探索乐趣。
在智能手机市场，旗舰机型往往被等同于“Ultra”或“Pro Max”等顶级型号，但Motorola Razr+的出现正在打破这一惯例。经过一个月的深度使用，我认为Razr+并非该系列中尴尬的“中间孩子”，反而在功能、性能和价格之间提供了最佳平衡。 ## 体验至上：折叠屏的日常表现 在日常使用中，Razr+与更昂贵的Razr Ultra几乎感受不到差异。无论是应用启动速度、多任务处理，还是拍照和续航，Razr+都能流畅应对。折叠屏的独特形态——小巧便携、可悬停——在两种机型上体验一致。对于大多数用户而言，这些核心体验才是决定日常满意度的关键，而非纸面上的参数堆叠。 ## 性能与价值的博弈 Razr+并非“减配版”，而是精准取舍的产物。它保留了折叠屏的核心优势（如无缝铰链、高刷内屏），同时在一些非关键规格上做了妥协（例如芯片代际或摄像头模组）。结果就是，它提供了90%的旗舰体验，但价格却低了一个档次。相比之下，Ultra机型虽然拥有更极致的硬件，但多出的成本并未转化为日常可感知的提升。 ## 行业趋势：折叠屏走向成熟 Razr+的成功也反映了折叠屏市场的演变。早期折叠屏常因折痕、耐用性和软件适配而饱受诟病，但如今技术已趋于成熟。Motorola通过Razr系列证明，折叠屏可以不再是“实验品”，而是真正适合大众的日常设备。Razr+的定位恰好击中了用户痛点：不想为用不到的功能买单，但又不愿妥协核心体验。 ## 结语：重新定义“旗舰” 一个月后，我意识到“Ultra”不再是必选项。对于绝大多数人，Razr+已经足够好——甚至更好。它提醒我们，智能手机的价值不在于参数标签，而在于实际使用中的满足感。如果你正在考虑入手折叠屏，不妨先问问自己：那些多出的钱，真的能买来更好的体验吗？
Tech leaders debate whether the Anthropic episode is a wake-up call for India’s AI ambitions.
AI 在化学领域的应用一直备受期待，但真正落地却面临数据稀疏、格式不一、付费壁垒等重重阻碍。近日，Anthropic 宣布与顶尖合成、计算及分析化学家合作，致力于提升 Claude 的化学能力。作为该计划的首项成果，化学家 David Kamber 深入评估了 Claude 在解读 **核磁共振谱（NMR）**——化学家最常用的分析工具之一——上的表现。 ## 化学家的多语言困境 化学家日常需要在多种“化学语言”间切换：白板上的手绘结构、仪器读数、数据库查询字符串、专利与论文中的技术符号。每种表示都编码了相同的化学信息，但需要不同的熟练度。例如，咖啡因的草图能让人一眼看出它与腺苷（人体困倦信号）的相似性，从而预测其阻断受体的提神机制；但同一张草图却无法区分外观极其相似的分子。 ## 精准识别分子至关重要 化学渗透于我们生活的方方面面——从食物、药品到乳液、油漆和塑料。同样的原子，重排少数化学键，葡萄糖就变为果糖——两者分子式相同，却经由完全不同的代谢途径处理。将分子翻转成镜像，镇静剂可能变成致畸剂，正如沙利度胺悲剧所揭示的。化学家的日常工作依赖于在各种表示间准确读取这些信号。 ## AI 的潜力与现实的鸿沟 在不同表示间转换——从图中追查结构、将仪器读数与预期产物比对、以正确符号查询数据库——耗时且难以规模化。化学文摘社（CAS）作为最大的化学注册数据库，已收录超过 **2.9 亿种** 已公开物质，且每天新增约 **1.5 万种**。AI 有望承担这一研究负担，但在化学领域仍主要停留在理想阶段。多年来，机器学习工具一直被定位为逆合成分析、反应预测和性质估计的变革者，但所需数据难以获取：零结果数据稀疏、格式不一致，且被付费期刊（及非结构化的支持信息）锁在付费墙之后。 ## Claude 的 NMR 解读初探 NMR 谱是化学家确认分子结构的关键手段。Claude 被要求分析真实 NMR 谱图并推断分子结构。初步结果显示，Claude 能够识别常见官能团、耦合模式，甚至在某些情况下正确指认分子，但在处理复杂多重峰、溶剂效应和噪声时仍有明显短板。Anthropic 表示，后续将通过针对性微调、引入化学领域知识图谱和检索增强生成（RAG）来持续改进。 ## 行业意义与展望 让 AI 真正理解化学语言，不仅将加速药物发现、材料设计和合成路线规划，更可能重塑化学研究的工作流——从文献调研到实验设计再到数据分析，AI 可以作为化学家的“数字副手”大幅提升效率。Anthropic 此次聚焦于基础技能（如 NMR 解读），而非直接押注逆合成等高大上应用，体现了务实的技术路线。如果 Claude 能可靠地完成这些基础任务，那么更复杂的化学推理便有了坚实的数据根基。
Meta starts dismantling its $2 billion Manus acquisition after Beijing ordered the deal reversed.