## 真相揭秘：便携电池中的石墨烯散热到底有没有用？ 在移动电源市场，石墨烯散热早已成为厂商宣传的高频词汇。但这一技术究竟是真材实料还是营销噱头？近日，有科技博主对 **Momax Q.Mag X** 磁吸无线充电宝进行了拆解评测，试图揭开真相。 ### 为什么散热对无线充电宝如此重要？ 无线充电过程中，能量转换效率通常低于有线充电，这意味着更多的电能会转化为热量。如果散热设计不佳，不仅会降低充电速度，还可能影响电池寿命，甚至带来安全隐患。Momax Q.Mag X 宣称采用了石墨烯散热材料，这成为其“更可靠”的核心卖点。 ### 拆解发现：石墨烯层确实存在 通过拆解，评测者发现 Momax Q.Mag X 内部确实铺设了一层石墨烯散热薄膜。该薄膜紧贴无线充电线圈和电池模块，能够快速将热量传导至外壳。与传统的铜箔或铝箔相比，石墨烯的导热系数更高（理论可达 5000 W/mK），且更轻薄。 测试数据显示，在持续无线充电 30 分钟后，Momax Q.Mag X 的表面温度比同类无石墨烯产品低约 3-5°C。虽然温差不算悬殊，但对于长时间握持使用的场景，体感改善明显。 ### 石墨烯散热的“性价比”考量 然而，石墨烯散热并非万能。业内人士指出，石墨烯的高导热性需要与良好的散热结构（如散热孔、金属背板）配合才能发挥最大效用。在 Momax Q.Mag X 上，石墨烯薄膜主要起均热作用，最终热量仍需通过塑料外壳散发。这意味着，其散热效果的上限受限于外壳材质和设计。 此外，石墨烯材料的成本较高，这也是同类产品价格普遍高于普通充电宝的原因之一。对于用户而言，是否值得为 3-5°C 的降温多付费，需要权衡。 ### 行业背景：石墨烯散热正在普及 从智能手机到笔记本电脑，石墨烯散热已逐渐成为中高端设备的标配。在便携电池领域，石墨烯的应用尚处于早期，但多家厂商已跟进。Momax Q.Mag X 的拆解验证了石墨烯散热的可行性，但用户也应理性看待：它并非“黑科技”，而是一种有效的辅助散热手段。 ### 小结 Momax Q.Mag X 的石墨烯散热并非噱头，确能带来温度改善，但效果有限。对于追求极致充电体验的用户，它可能是一个加分项；对于普通用户，则不必过分迷信这一技术。未来，随着石墨烯成本下降和工艺成熟，其散热价值有望进一步凸显。
Slashspace AI 是一款定位为「画布优先的AI智能体工具链」的创新产品，它深度融合了 **MCP（Model Context Protocol）原生支持** 与 **本地优先** 的设计理念，旨在为开发者和高级用户提供一个更可控、更灵活的AI协作环境。 ## 核心亮点：画布式交互与MCP原生支持 传统AI工具多采用聊天界面或固定流程，而 Slashspace AI 引入的画布（Canvas）概念，允许用户以可视化的方式组织、编排多个AI智能体及其任务。想象一下，你可以在一个无限画布上拖拽不同的AI模块，连接输入输出，构建复杂的工作流——这类似于将AI能力“乐高化”。 更关键的是，它对 **MCP（Model Context Protocol）的原生支持**。MCP 是一种新兴的开放协议，旨在标准化AI模型与外部工具、数据源之间的交互。Slashspace AI 直接内置了这一协议，意味着用户无需额外配置即可让AI智能体无缝调用本地或远程的工具、API甚至数据库，极大地扩展了AI的能力边界，同时保持了数据流的透明可控。 ## 本地优先：数据隐私与离线可用 在云端AI服务盛行的当下，Slashspace AI 选择 **本地优先** 路线。这意味着用户的提示词、上下文数据以及AI处理结果默认存储在本地设备上，而非上传至第三方服务器。这对于处理敏感信息（如代码库、商业文档、个人数据）的用户尤为重要，既降低了数据泄露风险，也支持在无网络环境下使用核心功能。当然，产品也允许用户按需配置云端模型，实现混合工作流。 ## 行业背景与定位 当前AI智能体赛道正从单纯的聊天机器人向 **多智能体协作系统** 演进。Slashspace AI 的“画布+工具链”定位，恰好填补了市场对可视化编排工具的需求。与 LangChain 等偏向代码库的方案不同，Slashspace AI 更强调 **低代码可视化** 与 **即用性**，同时通过MCP协议保持了对底层技术的开放性。这种设计尤其适合需要快速原型验证的AI应用开发者，以及希望深度定制AI工作流的专业用户。 ## 潜在应用场景 - **自动化数据处理**：在画布上连接“数据读取→清洗→分析→报告生成”的智能体链。 - **多模型协作**：让一个智能体调用GPT-4进行创意生成，另一个调用本地开源模型进行事实核查。 - **本地知识库问答**：结合MCP协议，让AI直接检索本地文件或数据库，无需上传。 ## 总结 Slashspace AI 以 **画布式智能体编排** 为核心，结合 **MCP原生支持** 与 **本地优先** 两大特性，为追求数据主权与灵活性的用户提供了新选择。虽然产品仍处于早期阶段，但其设计理念契合了AI工具从“单点对话”向“系统化协作”转型的趋势。对于关注AI工作流效率和数据安全的开发者而言，值得密切关注其后续迭代。
计算机使用代理（CUA）通过视觉和控制原语操作图形用户界面（GUI），其能力在标准化在线评估基准（如 OSWorld）的推动下迅速提升。然而，macOS 在这一领域中长期被忽视：现有的唯一基准 macOSWorld 仅覆盖了少量第一方应用和简单任务，且运行在与 Apple Silicon 不兼容的 x86 虚拟机上。为此，研究者提出了 **MacArena**——一个包含 **421 个手动验证任务**、横跨 **50 个应用**的基准测试集。MacArena 融合了从 OSWorld 移植的任务、macOSWorld 的内容以及 **49 个全新的 macOS 原生任务**，全部基于 Apple 的虚拟化框架在 Apple Silicon 上运行。 ### macOS 的独特挑战 研究团队指出，macOS 带来了 Linux 基准无法捕捉的独特 GUI 挑战。例如，macOS 的菜单栏、Dock、Finder 等界面元素与 Linux 差异显著，且系统级快捷键和交互逻辑不同。实验数据显示，现有模型在 Linux 基准上的表现可能更多反映其对任务分布的熟悉度，而非真正的跨平台 GUI 能力。**模型排名在移植任务和 macOS 原生任务之间发生反转**：某个领先模型在 MacArena 子集上落后超过 26%，表明 macOS 对当前 GUI 代理是更具挑战性的环境。 ### 基准设计细节 MacArena 包含的任务分为三类： - **OSWorld 移植任务**：从 OSWorld 精选并适配到 macOS 的任务，确保与原有测试集的可比性。 - **macOSWorld 任务**：继承自 macOSWorld，覆盖第一方应用的基本操作。 - **macOS 原生任务**：针对 macOS 特有的应用（如 Safari、邮件、日历）和交互模式设计，例如使用 Spotlight 搜索、管理通知中心等。 所有任务均在 Apple 虚拟化框架上运行，保证了与 Apple Silicon 的兼容性和性能一致性。 ### 行业意义与未来方向 MacArena 的发布填补了 macOS 环境下 CUA 评估的空白，为研究社区提供了一个更全面、更具挑战性的测试平台。该工作已被 **ICML 2026 第二届 Agents in the Wild 研讨会**接收。随着多模态模型和代理系统的发展，跨平台 GUI 能力将成为关键指标，MacArena 有望推动更鲁棒、更通用的计算机使用代理的研究。未来，研究者计划扩展任务范围，涵盖更多第三方应用和复杂工作流，并探索基于 MacArena 的强化学习训练方法。
大语言模型在教育领域的应用日益广泛，但如何评估模型的“教学能力”而非仅仅是“知识储备”，一直是学界和产业界面临的难题。现有基准测试要么强调通用领域的正确性，要么依赖人工设计的评估标准，难以规模化地覆盖长尾教育场景。针对这一痛点，研究团队提出了 **Elmes***，一个端到端框架，能够自动构建、优化并应用细粒度、场景特定的评估标准。 ## 核心机制：多智能体引擎+自进化模块 Elmes* 的核心由两部分组成：一是 **声明式多智能体引擎**，模拟教师、学生和评判者之间的交互；二是 **SceneGen**，一个自进化模块，能够从专家定义的教学维度出发，协同优化评估标准和测试数据。这种设计使得 Elmes* 不仅能生成评估标准，还能随着数据积累持续迭代。 ## 构建 Edu-330 基准 基于 Elmes*，研究团队构建了 **Edu-330** 基准，覆盖 **330 个场景**，横跨 **11 个学科**、**3 个年级段**和 **10 种任务类型**，并包含 **超过 1000 个二级指标**。这一规模远超传统人工标注的评估集，为全面评估模型的教育能力提供了坚实基础。 ## 关键发现：教育能力是多维的 在 Edu-330 和四个专家撰写的黄金标准场景上进行的实验揭示了一系列重要发现： - **顶尖大模型的主要差异在于创造力和价值观整合**，而不仅仅是知识准确性。 - **知识强大的模型可能在苏格拉底式引导（Socratic scaffolding）上表现不佳**，说明知识储备与教学能力并不等同。 - **教育专用模型 InnoSpark 在人工评估的平均得分上表现最佳**，表明领域专用模型在该任务上具有优势。 - **LLM 评判者能够保持与人类相当的排名，但评分方差更低**，不过也存在特定偏见（如自我偏好）。 ## 提升人机对齐的技术路径 消融实验进一步揭示了提升 LLM 评判者与人类对齐的方法： - **专家评分的少样本锚定（few-shot anchoring）** 能显著改善人机对齐。 - **推理增强（reasoning enforcement）和贪心解码（greedy decoding）** 的效果则因模型而异，需要根据具体模型进行调整。 ## 总结与展望 Elmes* 为教育场景下的 LLM 评估提供了可扩展的诊断基础设施。它不仅解决了长尾场景下评估标准构建的自动化问题，还通过多维度的实验揭示了当前模型在教育能力上的真实差异。未来，该框架有望推动教育领域专用模型的发展，并帮助开发者更有针对性地优化模型的教学表现。
## 背景：扩散LLM的“稳定性滞后”难题 扩散大语言模型（dLLMs）通过迭代精炼（refine）token生成文本，但其**不可逆的写入机制**导致了一个关键问题：早期决策在写入后仍然脆弱，容易受到后续量化误差的影响，这种现象被称为“稳定性滞后”（stability lag）。当模型进行**训练后量化（PTQ）**时，量化误差可能翻转这些处于边界的决策（write frontier），而一旦翻转，错误将被永久锁定并放大，严重影响生成质量。 ## 方法：FAIR-Calib 两阶段框架 针对这一挑战，来自北京航空航天大学等机构的研究者提出了 **FAIR-Calib**（Frontier-Aware Instability-Reweighted Calibration），一种专门为dLLMs设计的PTQ校准方法。该方法包含两个阶段： - **Stage I：边界先验估计**。使用全精度教师模型探测，估计一个位置先验（position prior），该先验结合了“边界命中率”（frontier hits）和“掩码阶段可靠性”（masked-stage reliability），从而识别出哪些token处于易翻转的脆弱边界。 - **Stage II：离策略逐层校准**。通过最小化一个**重加权后的隐藏状态均方误差（MSE）**，优先保护脆弱的边界状态。校准过程采用离策略（off-policy）方式，无需昂贵的端到端扩散 rollout 即可完成。 研究者从理论上证明，该加权目标函数是输出KL散度的一个有效代理（surrogate），确保了校准方向与生成质量优化一致。 ## 实验结果与意义 在 **LLaDA** 和 **Dream** 两个dLLM模型上，采用W4A4（4-bit权重和激活）量化配置，FAIR-Calib 在多个基准测试中**显著优于现有最先进方法**。它有效减少了边界决策翻转（frontier decision flips）并压制了写入后的不匹配（post-commit mismatches）。 该工作已被 **ICML 2026** 接收为海报论文，为扩散LLM的高效部署提供了新的量化校准思路，尤其适用于对生成稳定性和准确性要求高的应用场景。
## 核心发现：当AI输出与人类学习成果难以区分，知识生产面临“价值塌陷” 一篇被ICML 2026接收的论文提出了一个深刻警示：即便当前生成模型远未达到通用人工智能（AGI）水平，它们已对知识和文化生产构成结构性风险。核心概念是**人类时间学习**——一种依赖路径的知识积累，需要长期持续投入才能获得。 ## 问题根源：验证成本上升，市场机制失效 生成模型的输出在表面特征上越来越像人类时间学习的成果，但验证其背后是否有真实人类学习的成本却越来越高。当验证的经济合理性消失时，评价者不再关心产出方式，那些投入数年学习时间的人将不得不与几乎零成本的AI输出在价格上竞争。论文将此过程称为**价值塌陷**，并通过一个成本高昂的检验框架将其形式化。 ## 跨领域证据：四个阶段验证侵蚀 研究从学术出版、法律实践、内容平台和软件安全四个领域提供了证据，这些领域正经历验证侵蚀的四个阶段： 1. **初始阶段**：人类与AI输出差异明显，验证相对容易。 2. **扩散阶段**：AI生成内容增多，验证成本开始上升。 3. **临界阶段**：验证成本超过收益，市场开始接受未经充分验证的产出。 4. **塌陷阶段**：人类时间学习不再有经济回报，知识生产质量整体下滑。 ## 反直觉结论：AI越对齐，风险越大 论文指出一个反直觉的现象：**对齐成功反而会加剧问题**。更好的对齐模型缩小了人类与AI输出之间的可观察差距，使得来源验证更加困难，从而加剧了对人类时间学习工作的竞争压力。即使单个AI输出质量提升，整体知识生产的环境却可能恶化。 ## 行业影响与思考 这一观点对当前AI应用热潮提出了重要反思。当企业竞相用AI替代人类工作以提高效率时，是否意识到长期来看，这可能导致整个领域创新能力的衰退？正如论文所暗示的，真正的风险不在于AI是否超越人类，而在于市场机制可能被扭曲，使得需要长期投入的人类学习变得不可持续。 ## 小结 这篇论文提供了一个独特的经济学视角，将AI对知识生产的影响从技术层面提升到市场结构层面。它不仅是对AI开发者的警示，也是对整个社会如何设计激励机制以保护人类长期学习价值的提醒。
塑料回收的质量控制高度依赖可靠的聚合物分类技术，但传统方法在面对多层膜、商业混合物及生物聚合物时常常力不从心。近期，一项发表于 EUSIPCO '26 的研究提出了一种结合**太赫兹双梳光谱（THz-DCS）**与**多尺度特征注意力网络（MSFAN）**的深度学习方案，在 12 种聚合物的分类任务上取得了 **85.2%** 的准确率，为塑料回收中的材料识别提供了兼具速度与精度的新思路。 ## 技术亮点 THz-DCS 技术本身具备**快速、高分辨率、非破坏性**等优势，能够获取丰富的光谱特征。然而，聚合物光谱信号复杂，常规机器学习模型难以充分提取有效信息。研究团队设计的 MSFAN 网络针对这一痛点进行了专门优化： - **特征门控（Feature Gating）**：对原始光谱信号进行重新校准，抑制噪声并放大关键特征。 - **多尺度并行卷积**：同时捕捉不同频率范围的局部与全局模式。 - **交叉特征注意力与注意力池化**：让模型自动聚焦于最具区分度的太赫兹频段，提升可解释性。 实验覆盖的 12 种聚合物包括纯聚合物（如 HDPE、PP）、多层膜、商业共混物（如 ABS/PC）以及生物聚合物（如 PLA），体现了数据集的多样性。MSFAN 在与多种现有最优模型的对比中表现稳定领先，验证了架构的有效性。 ## 行业意义 当前塑料回收行业普遍面临**分拣效率低、纯度不足**的痛点。传统近红外光谱（NIR）对黑色或深色塑料识别困难，而 X 射线等方法成本高昂。THz-DCS 结合深度学习的方法有望填补这一空白： 1. **速度与精度平衡**：THz-DCS 可在毫秒级完成测量，配合 MSFAN 的实时推理能力，适合流水线部署。 2. **适应复杂材料**：对多层膜和共混物的识别能力，直接对应现实回收中大量存在的复合材料难题。 3. **可扩展性**：模型架构设计支持新增聚合物类别，便于向工业级分类库扩展。 ## 局限与展望 尽管实验结果令人鼓舞，但研究也指出：当前 85.2% 的准确率在要求严苛的工业场景中尚有提升空间；光谱数据采集环境（实验室条件）与真实回收产线（存在污染、温度波动等）之间存在差距。未来工作可能聚焦于**迁移学习**（利用仿真数据预训练再微调）以及**多模态融合**（结合视觉或近红外信息）。 这项研究不仅展示了太赫兹技术在材料科学中的潜力，也再次印证了**定制化深度学习架构**在解决特定物理信号分析问题上的优势。对于关注 AI+制造、循环经济的读者而言，这是值得跟进的前沿方向。
## 研究背景：符号回归的“确定性”困境 符号回归（Symbolic Regression, SR）是一类通过系统搜索数学函数空间来发现数据背后精确关系的方法。近年来，随着遗传编程、神经网络等技术的引入，SR在发现可解释模型方面展现出巨大潜力。然而，一个关键短板长期制约着它的实际应用——**缺乏不确定性量化（Uncertainty Quantification, UQ）**。在现实决策场景中，模型不仅需要输出预测，更需要告知用户“这个预测有多可靠”。 ## 为什么UQ对符号回归至关重要？ 传统回归分析中，UQ通过置信区间、预测区间等方式提供模型可靠性的重要信息。对于SR而言，UQ的价值体现在两个层面： - **防止过拟合**：SR在搜索过程中可能找到多个拟合度相近的表达式，UQ能帮助识别哪些模型对数据噪声过度敏感； - **辅助决策**：在医疗诊断、金融预测等高风险领域，知道模型的不确定性范围比单一预测值更有意义。 ## 综述核心：三大研究方向 该论文首次系统梳理了SR中UQ的研究现状，将现有工作归纳为三个方向： ### 1. 频率学派方法 基于经典统计理论，通过**重采样（如Bootstrap）**或**误差传播**来估计模型参数的不确定性。这类方法计算相对高效，但通常假设数据分布已知，且难以处理SR中非唯一解的问题。 ### 2. 贝叶斯方法 将模型参数视为随机变量，通过**马尔可夫链蒙特卡洛（MCMC）**或**变分推断**计算后验分布。贝叶斯方法能自然地融合先验知识，并为每个预测提供完整的概率分布。然而，SR的高维搜索空间使得贝叶斯推断的计算成本极高。 ### 3. 模型选择方法 通过**信息准则（如AIC/BIC）**或**交叉验证**，在多个候选表达式之间权衡拟合度与复杂度。这类方法间接反映了模型的不确定性，但无法提供逐点预测的置信度。 ## 现状与挑战：UQ在SR中仍处“早期阶段” 尽管已有上述探索，但论文明确指出：**SR中的UQ研究仍严重不足**。主要挑战包括： - **搜索空间爆炸**：数学表达式的组合数量巨大，传统UQ方法难以直接套用； - **解的非唯一性**：多个表达式可能同样拟合数据，如何聚合它们的不确定性是一个开放问题； - **可解释性与不确定性权衡**：增加UQ往往使模型变得更复杂，可能削弱SR的核心优势——简洁性。 ## 未来展望：从“找到模型”到“信任模型” 该综述为SR社区指明了方向：未来研究需要开发**专门针对符号搜索的UQ框架**，例如结合神经符号方法、利用生成模型进行后验采样，或者设计轻量化的近似推断技术。正如论文标题所问——“你确定吗？”，只有当SR能可靠地回答这个问题，它才能从学术工具真正走向工业级决策支持。 > **一句话总结**：这篇综述首次系统整理了符号回归中的不确定性量化方法，揭示了该领域的巨大空白，并为后续研究提供了清晰的路线图。
大型语言模型（LLM）通常以固定深度和顺序执行所有层，但最新研究揭示了另一种可能性：无需额外训练，预训练层可像模块一样被跳过或循环，为每个输入动态定制执行程序。来自马里兰大学等机构的研究团队在ICML 2026上发表的论文《Skip a Layer or Loop It? Learning Program-of-Layers in LLMs》中提出了**PoLar**（Program-of-Layers）方法，证明对于大多数输入，更短的执行路径就能达到甚至超越原始模型的准确率，而原始模型的错误预测有时也能通过更少层的替代程序得到纠正。 ## 核心发现：推理存在多条有效路径 传统LLM推理遵循固定层序，但PoLar发现，预训练模型中潜藏着多种有效的“程序化”执行方式。例如，对于简单问题，模型可能只需前几层就能给出正确答案，跳过后续层反而能避免噪声干扰。更令人惊讶的是，当原始完整推理给出错误结果时，一个跳过某些层或重复某些层的替代程序（使用更少层）却可能产生正确输出。这表明LLM的推理能力并非完全依赖于所有层的顺序执行，而是存在多条“潜伏”的计算路径。 ## 方法：轻量级预测网络动态调度 为了实现PoLar，研究者设计了一个轻量级的**PoLar预测网络**，它接收输入（如数学问题的嵌入），输出一个执行程序——即指示哪些层被跳过、哪些层被重复的指令序列。该预测网络本身很小，附加在原始LLM上，通过强化学习或监督学习（论文未明确具体训练方式，但提及“学习生成执行程序”）来优化。在数学推理基准（如GSM8K、MATH）上，PoLar不仅提升了准确率，还常常减少了平均执行层数，且在分布外数据上表现稳健。 ## 意义与启示 这项研究挑战了“固定深度推理”的默认假设。它暗示LLM的推理能力可能远未被充分利用——标准前向传播只是众多可能路径的一种。PoLar提供了一种**训练无关**的优化手段，即无需微调原始模型，仅通过动态调度即可提升性能。这对于资源受限的部署场景尤其有价值：在保持或提升精度的同时减少计算开销。 此外，PoLar的可解释性也值得关注：通过分析模型对哪些层跳过或循环，研究者或许能洞察不同层在推理中的角色。例如，某些层对特定类型的问题至关重要，而其他层则可能冗余。 ## 局限与展望 目前PoLar主要在数学推理任务上验证，其在更广泛任务（如文本生成、对话）上的表现尚待探索。此外，预测网络本身需要额外训练，虽然轻量，但仍需考虑训练成本。未来工作可能包括将PoLar扩展到更大模型（如GPT-4规模），或结合剪枝、蒸馏等技术进一步压缩。 总之，PoLar为LLM推理提供了一种全新的视角：**动态、可变深度的计算**，而非一刀切的固定流程。这或许是迈向更高效、更智能AI系统的重要一步。
近日，一篇题为《WAV: Multi-Resolution Block Residual Routing for Deep Decoder-Only Transformers》的论文在arXiv上发布，提出了一种名为WAV v1的轻量级多分辨率残差路由方法，旨在提升深度仅解码器Transformer的训练效果。 ### 残差连接的新挑战 残差连接是训练深度Transformer的核心机制。标准PreNorm残差流以固定的单位权重聚合子层更新，而近年来的Attention Residuals方法引入了内容相关的深度路由，Block Attention Residuals则通过路由块级残差摘要来提高效率。然而，单个块摘要仅存储块内的低频总残差位移，丢失了方向性结构信息，例如注意力与MLP之间的不平衡，以及早期与后期子层动态的差异。 ### WAV v1：方向性细节的引入 WAV v1针对上述问题，为每个块增加了两个方向性细节基：**相位基**（phase basis）用于对比注意力和MLP更新，**分割基**（split basis）用于对比早期与后期子层更新。这些基与标准块摘要一起通过相同的深度softmax混合器进行路由。同时，负细节源初始化和分离RMS匹配技术稳定了训练过程。 ### 实验表现：深度越大，收益越明显 在字符级TinyStories和Text8语言建模任务上，WAV v1展现出明显的深度依赖性收益。在12层时，其优势并不稳定；但在24层时，WAV v1开始具备竞争力；在48层时，它全面超越所有基线方法。具体来说，在48层设置下，WAV v1在TinyStories上将验证损失从0.4960（Block AttnRes）降至0.4738，在Text8上从0.9363降至0.9305，且仅增加了极少的额外参数。 ### 结论：方向性残差细节的重要性 这项研究表明，对于深度Transformer的残差路由缩放，方向性残差细节（而不仅仅是块级总和）至关重要。WAV v1为大规模语言模型的高效训练提供了新的思路，尤其适用于需要极深网络的场景。
在刚刚结束的 Computex 2026 上，微软悄然展示了其下一代旗舰笔记本 Surface Laptop Ultra，这款设备的核心亮点在于搭载了 **Nvidia 最新的 RTX Spark 芯片**，并支持高达 **128GB 的统一内存**。这一配置组合标志着微软在高端计算领域迈出了激进的一步，也意味着 AI 驱动的本地计算将迎来新的硬件基础。 ## 为何 128GB 统一内存如此重要？ 统一内存架构允许 CPU 和 GPU 共享同一内存池，无需在显存与系统内存之间复制数据。对于大型 AI 模型推理、3D 渲染和数据分析等场景，这能显著降低延迟并提升能效。此前，Apple M 系列芯片的 Unified Memory 最高支持 192GB，而 Surface Laptop Ultra 的 128GB 方案则直接对标这一能力。结合 RTX Spark 芯片的专用 AI 加速单元，该设备有望在本地运行参数规模达数十亿的模型，无需依赖云端。 ## 微软的“猛兽模式”意味着什么？ 从 Surface Laptop 系列一贯的设计语言来看，Ultra 版本很可能延续轻薄机身，但内部散热和供电系统将面临严峻考验。128GB 统一内存的功耗和带宽需求远高于传统笔记本配置，这暗示微软可能采用了全新的散热模组或电池方案。此外，RTX Spark 芯片本身是 Nvidia 面向 AI PC 推出的新系列，其性能介于 RTX 4050 与 RTX 4070 之间，但拥有更高效的张量核心。 ## 行业影响与竞争格局 Surface Laptop Ultra 的发布时机耐人寻味。2026 年正值 AI PC 市场爆发期，高通骁龙 X 系列、Intel Lunar Lake 以及 AMD Ryzen AI 均将 AI 能力作为核心卖点。微软此举不仅是在硬件上秀肌肉，更是在为 Windows 12 的 AI 功能铺路。128GB 统一内存将使得 Windows 的 Recall、Cocreator 等 AI 特性能够更流畅地运行，甚至可能催生新的本地 AI 应用生态。 不过，高昂的成本和功耗仍是潜在障碍。若 Ultra 版本定价超过 3000 美元，其受众将仅限于开发者、科研人员和高端创意工作者。对普通消费者而言，或许更期待次一级的配置下放。 ## 小结 Surface Laptop Ultra 的亮相，标志着微软在 AI 硬件竞赛中不再甘于跟随，而是试图定义新标准。128GB 统一内存与 RTX Spark 的组合，让“本地 AI 超级计算机”的愿景更近一步。2026 年下半年，我们或许就能看到这款设备正式上市，届时它能否真正改变 PC 行业的游戏规则，值得持续关注。
快充技术让手机在短时间内充满电，但高速充电会加速电池老化。自适应充电器通过保持较低充电速度，减少电池损耗，尤其适合夜间充电。本文作者分享了转向自适应充电器的体验，重点推荐 **Anker Nano 45W** 作为最佳选择，并指出使用低功率充电器也能获得大部分益处。文章还讨论了现代 USB 充电器的技术背景和用户实际感受。
近期固态硬盘市场受经济压力影响，折扣难寻。然而，三星990 Pro SSD的2TB版本在亚马逊Prime Day早期促销中迎来近40%的降价，直降至**390美元**，节省**250美元**。 这款SSD采用PCIe 4.0接口，顺序读取速度高达**7,450 MB/s**，写入速度**6,900 MB/s**，性能处于旗舰级水平。它专为游戏玩家、内容创作者和专业人士设计，支持DirectStorage技术，可大幅缩短游戏加载时间。其内置的散热解决方案能有效控制高负载下的温度，确保稳定运行。 ZDNET编辑团队经过测试和比较，认为此价格接近历史最低点，性价比极高。虽然SSD市场整体价格波动，但三星990 Pro凭借卓越的可靠性和性能，一直是高端用户的首选。此次促销多个容量版本同时降价，但**2TB版本折扣力度最大**，适合需要大容量高速存储的用户。 需要注意的是，该硬盘为M.2 2280规格，需主板支持PCIe 4.0以发挥全部性能。若你正计划升级存储或搭建新平台，这个价格窗口不容错过。
苹果年度全球开发者大会（WWDC）将于6月8日拉开帷幕，ZDNET团队已抵达Apple Park现场，为您带来第一手报道。今年的WWDC备受瞩目，传闻中的亮点包括**iOS 27**的发布、Siri的全面革新，以及苹果可能涉足智能眼镜领域。 ## iOS 27：系统级AI深度融合 iOS 27预计将成为本次大会的核心。据此前爆料，新系统将深度集成AI能力，特别是在**通知管理、照片编辑和健康监测**方面。苹果可能引入更智能的“实时摘要”功能，让用户无需打开应用即可获取关键信息。此外，有消息称iOS 27将优化**多设备协同**，让iPhone与Mac、iPad之间的任务流转更加无缝。 ## Siri的“智能体”进化 Siri的升级是本届WWDC的最大看点之一。多方消息指出，苹果将推出**“Agentic Siri”**——一个更具主动性的AI助手。它不再只是被动响应指令，而是能根据用户习惯主动建议日程、管理通知，甚至跨应用执行复杂任务，比如自动整理邮件、预订餐厅。这一变化被视为苹果在**AI助手赛道**上追赶谷歌和微软的关键一步。 ## 智能眼镜：苹果的“下一个大事件”？ 尽管官方尚未确认，但行业分析师普遍预期苹果将在WWDC上预览其**智能眼镜**产品线。这款设备可能以“Apple Glass”命名，主打**增强现实（AR）**功能，与iPhone深度联动，提供导航、信息提示等轻量级交互。苹果在AR领域的布局已久，从ARKit到Vision Pro的积累，都为智能眼镜的推出奠定了基础。不过，考虑到量产和定价问题，正式上市可能要等到2027年。 ## 其他看点：watchOS 12与macOS 15 除了iOS和Siri，watchOS 12和macOS 15也将迎来更新。watchOS 12预计将新增**睡眠呼吸监测**和**情绪跟踪**功能，进一步强化健康定位。macOS 15则可能引入**AI驱动的性能优化**，自动分配系统资源以提升工作效率。 ## 业界影响与展望 苹果WWDC不仅是开发者的盛会，更是AI行业的风向标。本次大会将展示苹果如何在**隐私保护**的框架下推进AI创新——这与谷歌、微软的激进路线形成鲜明对比。如果Siri的智能体化得以实现，苹果将重新定义**端侧AI**的可能性，为整个消费电子行业树立新标杆。 ZDNET将持续更新现场报道，敬请关注。
微软近期对 **GitHub Copilot** 实施了重大定价调整，从固定费率转向按 token 计费，这一变化被 Reddit 用户戏称为“Tokenpocalypse”（Token 末日）。随着 Anthropic 等大型 AI 公司筹备上市，盈利压力迫使它们将高昂的运营成本转嫁给用户，行业可能迎来一波涨价潮和更严格的使用限制。 在 TechCrunch 的 Equity 播客中，编辑们深入探讨了这一趋势的影响。Sean O’Kane 指出，AI 生态系统长期依赖投资者补贴，导致用户误以为服务近乎免费，但实际上成本极高。如今，企业开始收紧预算，例如 Uber 在一个半月内经历了从“超支”到“设限”的急转弯，凸显了 token 计费模式带来的财务压力。Kirsten Korosec 补充说，这种快速变化让 IPO 文件中的风险披露变得异常困难——风险因素本身也在随着市场演变。 核心问题在于：AI 实验室能否在降低成本的同时推动技术进步，最终与客户的支付意愿达成平衡？目前来看，企业正通过限制用量、提高单价等方式控制成本，而用户端则面临使用习惯的被迫改变。这场“Token 末日”不仅是定价模式的转变，更预示着 AI 行业从“烧钱获客”向“精细化运营”的转折。未来，更多 AI 产品可能效仿微软，将 token 计费作为主流方案，而用户能否接受这种“按量付费”的新常态，将决定行业的下一阶段走向。
新iPhone开箱体验极佳，但通过调整默认设置并开启一些隐藏功能，能让它变得更好用。以下是资深编辑总结的几项关键修改： **1. 降低 Liquid Glass 的视觉强度** Liquid Glass 是 iOS 26 引入的毛玻璃效果，虽然美观，但会降低文字和控件的可读性。你可以通过以下方式调整： - 前往 **设置 > 显示与亮度 > Liquid Glass**，选择“清晰”或“着色”。 - 或者在 **设置 > 辅助功能 > 显示与文字大小** 中开启“降低透明度”。 - 更精细的调节：长按主屏幕空白处，点击“编辑”，选择“自定”，即可调整 Liquid Glass 的外观、透明度模式以及图标大小。 **2. 关闭不必要的后台应用刷新** 默认情况下，所有应用都会在后台刷新内容，这会消耗电量和数据流量。建议在 **设置 > 通用 > 后台应用刷新** 中，仅保留即时通讯类应用，关闭其他不常用的应用。 **3. 禁用部分系统服务的定位功能** 定位服务是耗电大户。前往 **设置 > 隐私与安全性 > 定位服务 > 系统服务**，关闭“基于位置的提醒”、“重要位置”和“iPhone分析”等不常用的选项。 **4. 开启电池健康管理与优化充电** 在 **设置 > 电池 > 电池健康与充电** 中，开启“优化电池充电”，学习你的充电习惯，减缓电池老化。 **5. 调整通知与专注模式** 默认通知设置容易造成干扰。建议在 **设置 > 通知** 中，为每个应用单独设置通知样式，关闭非必要的横幅和声音。同时，利用“专注模式”在工作或睡眠时过滤通知。 **6. 开启 iCloud+ 隐私中继与隐藏邮件地址** 在 **设置 > 你的名字 > iCloud > 私有网络** 中，开启 iCloud 专用代理（iCloud+ 用户），加密网络流量。同时，在“隐藏邮件地址”中生成随机邮箱，避免泄露真实地址。 **7. 自定义控制中心** 在 **设置 > 控制中心** 中，添加“低电量模式”、“屏幕录制”、“备忘录”等快捷开关，提升操作效率。 **为什么这些设置很重要？** 新iPhone的默认设置旨在平衡易用性与功能丰富性，但未必适合每个人。调整上述设置不仅能改善续航和隐私保护，还能让界面更清爽、操作更顺手。尤其是 Liquid Glass 效果，虽然视觉新颖，但若影响阅读，不妨降低其强度。 **小结** 花几分钟调整这些设置，能让你的iPhone体验从“很好”升级到“绝佳”。记住，设备是为你服务的，定制化的设置才是最优解。
知名笔记与协作平台 **Notion** 近日经历了一次短暂的服务中断，导致用户无法访问其集成的 AI 助手功能——该功能由人工智能公司 **Anthropic** 提供支持。Notion 产品负责人在社交媒体上表示，他对“转发此消息的人数之多感到震惊”，并确认团队已迅速修复问题，现已恢复对 Anthropic 的访问。 此次事件虽未造成长期影响，却折射出 AI 工具与平台深度绑定后的脆弱性。随着 Notion 等产品将生成式 AI 嵌入核心工作流，任何底层模型的 API 波动都可能直接影响用户体验。Notion 于 2023 年推出的 AI 功能基于 Anthropic 的 Claude 模型，支持文本生成、摘要、改写等任务，成为其付费订阅的重要卖点。 行业观察人士指出，此类依赖第三方模型的服务中断并非孤例。此前，微软 Azure 的 OpenAI 服务也曾因配置错误导致 ChatGPT 无法使用。对于依赖 AI 辅助的用户而言，服务中断意味着工作流停滞，尤其当 AI 功能已深度整合至文档撰写、项目管理等高频场景时。 Notion 并未透露中断的具体原因，但强调已与 Anthropic 协作排查，确保稳定性。产品负责人的“astonished”表态也暗示，团队对此次事件的传播速度始料未及——在社交媒体时代，任何服务问题都可能迅速放大为公关事件。 从更广的视角看，AI 平台化正面临“最后一公里”的挑战：模型能力再强，若无法保证稳定的交付管道，企业用户仍会犹豫是否将其嵌入关键业务。Notion 和 Anthropic 的这次“小摩擦”，或许会推动更多 SaaS 公司考虑多模型备份或本地推理方案，以减少对单一供应商的依赖。
据《金融时报》报道，OpenAI 计划在未来几周内推出 ChatGPT 的升级版本，将其打造成一个集成了编程工具和 AI 代理的“超级应用”。此举旨在增强与 Anthropic 的竞争力，尤其是在企业客户领域，并推动公司在 IPO 前实现盈利。一位 OpenAI 高级员工甚至直言“聊天已死”。 该战略的核心是将 ChatGPT 转化为一个入口，引导免费用户使用可能付费的产品，例如编程产品 Codex。负责核心产品和平台的高级副总裁 Thibault Sottiaux 表示，他们正在打造一个“拥有个人代理的产品，能够在生活和工作各方面为你提供帮助”。 这一构想并非首次出现。自去年起，就有关于 OpenAI 超级应用野心的报道。今年 3 月，《华尔街日报》曾指出，这些计划标志着公司在 2025 年推出多款独立产品后的重大战略转变。OpenAI 高管如今表示，他们将放弃诸如视频生成器 Sora 等“支线任务”，集中资源打造核心平台。 ## 战略调整背后的逻辑 从“聊天”到“超级应用”的转变，反映了 OpenAI 对市场需求的重新评估。ChatGPT 虽然凭借对话式界面取得了巨大成功，但单靠聊天功能难以支撑长期商业价值。通过集成 Codex 等工具，OpenAI 希望将用户粘性转化为实际收入，同时在企业级市场与 Anthropic 正面竞争。 这一策略也与行业趋势相吻合。AI 代理（agent）正成为各大厂商的竞争焦点——从微软的 Copilot 到谷歌的 Gemini，都在试图构建能够自主完成复杂任务的智能体。OpenAI 的“超级应用”本质上就是个人代理的载体，旨在覆盖用户从工作到生活的全场景需求。 ## 挑战与不确定性 尽管愿景宏大，但 OpenAI 面临的挑战不容忽视。首先，超级应用需要整合多种功能，这对产品设计和工程能力提出了极高要求。其次，放弃 Sora 等独立产品可能让一些用户感到失望，尤其是创意行业从业者。此外，监管风险也是悬在头顶的达摩克利斯之剑——随着 AI 能力增强，数据隐私和安全问题将愈发敏感。 ## 小结 OpenAI 的超级应用计划并非一时兴起，而是经过长期酝酿的战略转型。从“聊天已死”的宣言到对代理式交互的押注，这家公司正在试图定义下一代人机交互范式。不过，在竞争白热化的 AI 赛道上，能否成功落地仍取决于执行力和市场接受度。未来几周的更新，将是一个关键观察窗口。
被誉为“天眼”升级版的下一代甚大阵列（ngVLA）项目迈出关键一步：其首台原型天线成功完成“第一缕光”观测，与现役的卡尔·G·央斯基甚大阵列（VLA）协同工作，捕获了英仙座星系团内活跃星系核3C84的射电图像。 ## 从27面到244面：射电天文学的跳跃 现役的VLA由27面直径25米的天线组成，自1980年运行以来成果斐然。而ngVLA计划部署**244面**天线，其中主阵列采用18米口径天线，辅以更小的短基线天线和更远的长基线天线，总有效收集面积较VLA提升10倍以上。其工作频率覆盖1.2至116 GHz，能够探测更暗弱、更遥远的天体。 ## 原型天线的“第一缕光” 此次获取“第一缕光”的原型天线位于新墨西哥州，与VLA同址。团队将其与VLA的现有天线进行干涉联测，成功解析了**3C84**——一个距离地球约2.3亿光年的活跃星系核。图像清晰展示了从星系中心喷出的射电喷流结构，验证了原型天线与现有阵列的协同能力。 > 这不仅是硬件上的里程碑，更意味着数据处理、校准和成像软件链已初步打通。 ## 建造时间线与科学目标 ngVLA项目由美国国家科学基金会（NSF）和国家射电天文台（NRAO）主导，预计**2030年代**全面投入运行。其科学目标涵盖： - **宇宙黎明与再电离**：探测首批恒星和星系的21厘米信号 - **星系演化**：高分辨率成像星系中的冷气体与分子云 - **行星形成**：解析原行星盘中的尘埃与气体结构 - **时域天文学**：快速响应引力波事件、快速射电暴等暂现源 ## 挑战与意义 建造如此大规模的天线阵列面临诸多工程挑战：数百面天线需在数十公里尺度上保持相位稳定性，海量数据实时处理要求极高计算能力。但一旦建成，ngVLA将填补**ALMA**（亚毫米波）与**SKA**（低频）之间的频率空白，成为世界领先的中高频射电观测设施。 对于中国天文学界而言，ngVLA的进展也值得关注——未来在系外行星磁场、黑洞阴影等前沿领域，国际合作和数据共享可能打开新的窗口。
**核心结论：AI 公司正在“烧钱换市场”** 一篇来自 Hacker News 的热门分析指出，以 Anthropic 和 OpenAI 为代表的头部 AI 公司，其**收入与成本之间存在巨大鸿沟**。作者估算，用户每支付 100 美元，公司实际投入的算力、研发和运营成本可能超过 1000 美元。这并非简单的亏损，而是一种**战略性补贴**——用资本换取用户习惯、数据积累和市场份额，赌的是未来模型效率提升和成本下降能填平这个窟窿。 ### 成本到底高在哪里？ - **训练成本**：一次前沿模型的训练动辄数千万美元，且迭代频繁。 - **推理成本**：每次 API 调用背后是昂贵的 GPU 集群运行。即使是“免费”或低价套餐，边际成本依然显著。 - **人才竞争**：顶尖 AI 研究员的年薪可达数百万美元，团队规模持续扩大。 - **基础设施**：数据中心、电力、网络带宽的投入是天文数字。 作者特别提到，**编码助手类产品（如 Claude Code、GitHub Copilot）可能是亏损最严重的领域**。这类工具需要高频率的实时推理，且用户往往在复杂任务上大量调用，导致单用户成本远超订阅费或 API 收入。 ### 为什么公司愿意“赔本赚吆喝”？ 这背后是典型的互联网平台思维： 1. **锁定用户**：一旦开发者习惯了某个 AI 编码助手，切换成本极高。模型会学习用户的代码风格和项目上下文，形成粘性。 2. **数据飞轮**：每一次交互都是训练数据。用户的使用模式、成功案例和失败反馈，都能用于优化下一代模型。 3. **规模效应**：随着模型效率提升（如更小的模型达到同等效果）和硬件成本下降，单位成本会快速降低。早期投入可以视为长期投资。 4. **竞争壁垒**：谁先占领市场，谁就拥有最大的用户基数和最丰富的场景数据，后来者难以追赶。 ### 可持续性隐忧 然而，这种模式并非没有风险。 - **资本耐心有限**：如果长期无法盈利，投资者可能会施压。 - **技术瓶颈**：模型效率的提升可能不如预期，成本下降速度慢于用户增长。 - **替代竞争**：开源模型（如 Llama、Mistral）的崛起可能压低整体定价空间，让补贴模式更难维持。 作者认为，**当前的价格战本质上是不可持续的**。对于用户来说，这或许是“薅羊毛”的好时机，但需要警惕未来可能出现的涨价或服务降级。 ### 结语 AI 行业正处在经典的“烧钱换增长”阶段。每 100 美元收入背后是 1000 美元的成本，这个数字或许有些夸张，但方向没错。对于普通用户，享受低价服务的同时，不妨留意公司财报和融资动态——当补贴停止时，账单可能会很真实。