## 从厨余垃圾到安防设备 厨房里随处可见的大蒜皮，竟然能用来制作**自供电门磁传感器**？这听起来像是天方夜谭，但 IEEE 旗下最新报道的一项研究让这个设想成为现实。科学家利用大蒜皮这种生物废弃物，开发出一种能够探测门开关状态的纳米发电机传感器，为低成本家庭安防提供了全新思路。 ## 技术原理：电荷分层产生电能 这项研究的核心在于巧妙利用材料的电荷特性。研究人员将**带正电荷的大蒜皮**夹在**带负电荷的塑料**之间，构建出一个纳米发电机。当门被打开或关闭时，这种层状结构发生机械形变，正负电荷的分离产生电势差，从而输出电能。 简单来说，每一次门的运动都会触发一次微小的发电过程，而这个电信号本身就可以作为“门被打开”的探测信号。由于传感器不需要外部电源供电，它实现了**自供电运行**，这也是其最大的卖点之一。 ## 为什么值得关注？ 在智能家居和家庭安防市场，门窗传感器早已是常见产品。但传统方案通常依赖电池供电，需要定期更换电池，且废弃电池会带来环境负担。这项研究的意义在于： - **材料成本极低**：大蒜皮属于厨余垃圾，几乎零成本，且来源广泛。 - **绿色环保**：将生物废弃物转化为功能性材料，符合可持续技术趋势。 - **无需布线或换电池**：自供电特性简化了安装和维护。 ## 从实验室到家庭还有多远？ 目前，该研究仍处于早期阶段，由 **Manas Tiwari** 和 **Deepak Bharti** 等人完成。虽然概念验证展示了可行性，但要将这种传感器推向消费市场，还需要解决几个关键问题： 1. **输出功率的稳定性**：纳米发电机的电能输出通常较小，能否稳定驱动信号传输模块尚需验证。 2. **耐久性**：大蒜皮作为有机材料，在长期使用中是否会降解或受潮失效，仍需进一步测试。 3. **规模化制造**：如何将实验室的手工层叠工艺转化为可量产的生产流程，是商业化的重要门槛。 ## 更大的图景：生物废弃物电子学 这项研究并非孤例。近年来，利用**生物材料**（如纤维素、甲壳素、蛋白质等）开发电子器件的探索日益增多。这类“生物废弃物电子学”试图将垃圾转化为有价值的技术组件，既能降低电子产品的环境足迹，也能为资源匮乏地区提供低成本解决方案。 大蒜皮传感器的出现，再次证明了**材料创新**在 AI 与物联网时代的潜力。当智能设备无处不在时，如何让它们更便宜、更环保，或许比单纯追求性能提升更具现实意义。 ## 小结 大蒜皮纳米发电机传感器目前仍是一个有趣的概念验证，但它指向了一个明确的方向：**用最普通的废弃物，解决最实际的安防需求**。如果后续研究能够突破稳定性和量产瓶颈，未来的家庭安防套件里，或许真的会藏着一片大蒜皮。
## 一项税收新政，让美国乡村数据中心项目站上风口 2025年1月1日起，根据**《One Big Beautiful Bill Act》** 扩大的“机会区”（Opportunity Zone）计划，在乡村地区建设的数据中心项目将有资格获得一系列企业税收优惠。众议院筹款委员会主席**Jason Smith**曾表示，新规“可能显著降低乡村地区大规模资本密集型项目的门槛——尤其是超大规模数据中心”。 然而，这场看似丰厚的“免费现金”背后，却隐藏着复杂的现实博弈。 ## 税收优惠的诱惑与隐忧 机会区计划最初由两党在特朗普第一任期内提出，旨在通过税收优惠吸引企业投资低收入社区。去年的《One Big Beautiful Bill Act》对该计划进行了多项修改，以吸引更多投资流向乡村地区。 根据公共政策智库**Searchlight Institute**的研究，目前有**超过100个**处于不同开发阶段的乡村数据中心项目可能符合新资格。WIRED独家审阅了该研究，其基于一个不到700个数据中心项目的保守数据库。 但专家警告，对乡村社区而言，结果可能喜忧参半。 “目前，获得这些福利的唯一要求是资本投资，”Searchlight税收政策分析师**Emily Kraschel**指出，“但这并不保证资金一定会创造就业或带来地方经济提振。对于需要大量工人的传统工厂，你可能会更确定这一点。但对于数据中心，这种假设就有点站不住脚了。” ## 超大规模企业为何不急于“捡钱”？ 尽管税收优惠理论上能大幅降低建设成本，但部分超大规模企业（hyperscalers）似乎并不急于申请。原因可能包括： - **政治与舆论风险**：在乡村社区，数据中心常因高耗水、高耗电和低就业率而引发争议。接受税收优惠可能加剧公众反弹。 - **合规成本**：机会区计划要求复杂的申报和持续合规，对于本就财大气粗的科技巨头，节省的税款可能不值得额外行政负担。 - **战略选址灵活性**：超大规模企业更看重网络延迟、可再生能源供应和现有基础设施，税收优惠只是众多因素之一。 ## 乡村社区的真正收益是什么？ 数据中心能带来一次性的建设投资和有限的长期运维岗位，但与制造业工厂相比，其就业乘数效应较低。Searchlight的研究强调，政策制定者需要更精细地衡量“资本投资”与“社区利益”之间的转化率。 随着2025年临近，这场税收实验将检验一个关键问题：当联邦政府用真金白银引导资本下乡时，科技巨头会如何权衡短期利益与长期社会责任？乡村社区又能否真正从中受益，而不仅仅是成为算力版图上的一个节点？ （本文基于WIRED报道编译，数据与引述均来自原文。）
据Hacker News社区分享的一则归档链接显示，人工智能公司**Anthropic**近期与多位宗教领袖及学者举行了会面。该消息由用户提供，原始内容为归档页面，未包含具体细节。本文基于此信息，结合AI伦理与宗教对话的背景进行解读。 ## 一场不同寻常的对话 **Anthropic**，这家以开发**Claude**系列大模型而闻名的AI公司，一直将“**负责任AI**”作为核心使命。此次与宗教领袖的会面，虽具体内容未公开，但释放出一个清晰信号：在AI能力快速迭代的当下，关于技术伦理的讨论正在突破科技圈，向更广泛的人文领域延伸。 ## 为何宗教界开始关注AI？ 近年来，AI对人类社会的影响日益深入，从就业结构到医疗决策，从信息传播到精神陪伴。宗教团体作为社会价值的重要守护者，自然无法置身事外。他们关心的议题可能包括： - **AI的价值观对齐**：机器能否理解并遵循人类多元的道德框架？ - **精神关怀的边界**：AI能否提供心灵慰藉？这会不会取代传统宗教角色？ - **技术权力集中**：少数科技公司掌握强大AI，如何避免滥用？ ## Anthropic的伦理实践 Anthropic以“**宪法式AI**”闻名，即通过一套原则来引导模型行为。这套原则本身就吸收了多种伦理传统。与宗教领袖对话，可能是其**对齐研究**的一部分——试图让AI的价值观覆盖更广泛的人类经验，而不仅限于硅谷视角。 ## 解读与展望 这次会面或许只是开始。随着AI渗透进生活的每个角落，科技公司与宗教、哲学、法律等领域的对话将越来越频繁。这不仅是公关行为，更是构建**可信AI**的必要步骤。 对于关注AI伦理的读者，这一动向值得持续留意。虽然目前细节有限，但它提醒我们：**AI的未来，不仅是技术问题，更是人文问题。**
## 事件概述 据 Hacker News 热榜消息，**OpenAI 安全团队负责人**已于近日离职，并在公开声明中直言公司文化已经“**崩坏**”（broken）。这一表态迅速引发技术社区广泛关注，帖子获得 **267 分**，评论虽仅 3 条，但讨论热度持续上升。 ## 关键信息 - **离职者身份**：OpenAI 安全方向的核心负责人，具体姓名尚未在摘要中披露。 - **离职原因**：公开警告公司内部文化“broken”，暗示安全使命与商业目标之间存在不可调和的张力。 - **社区反应**：Hacker News 上获得高赞，说明此事触动了业界对 AI 安全治理的敏感神经。 ## 背景与影响 这并非 OpenAI 安全团队首次出现人事动荡。过去一年中，已有多位安全相关高管和研究员离开，包括**超级对齐团队**的解散风波。此次安全负责人的离职，进一步加深了外界对 OpenAI 在**商业化狂奔**与**安全承诺**之间失衡的担忧。 > 安全文化是 AI 公司的最后一道防线。当这道防线的人开始公开质疑，问题可能比想象中更严重。 ## 行业观察 AI 安全与商业化的矛盾正在成为行业共性难题。OpenAI 作为领头羊，其内部文化动荡可能产生示范效应： - **人才流动**：顶尖安全研究者可能流向更重视安全使命的机构或创业公司。 - **监管关注**：各国监管机构或以此为由，加强对 AI 公司治理结构的审查。 - **用户信任**：企业客户在选择 AI 供应商时，可能将安全文化纳入评估指标。 目前 OpenAI 官方尚未对此事作出回应。事件后续进展，我们将持续关注。
亚马逊云科技（AWS）CEO Matt Garman 近日在一篇博客文章中宣布，公司已停止在与政府机构的交易中使用保密协议（NDA），并试图反驳围绕数据中心的广泛质疑。此举正值美国多地掀起数据中心反对浪潮，纽约州已宣布暂停大型数据中心许可一年，全美还有超过100个禁令提案在考虑中。 ## 保密协议争议 Garman 在文章中仅用一句话提及 NDA 政策的改变，但这却是数据中心争议的核心问题之一。环保活动家 Erin Brockovich 曾指出，她收到的关于数据中心的首要投诉就是透明度不足，常见模式包括：项目在许可获批后才公布、开发商不回电话、地方官员在邻居不知情时就签署了保密协议。 Garman 警告称，如果这些禁令措施得以实施，美国可能会在这场竞赛中“写下自己的失败门票”，后果将持续几代人。 ## 驳斥四大迷思 Garman 试图打破关于数据中心的四个“迷思”： 1. **耗水过多**：他引用亚马逊自身的用水报告称，数据中心直接用水量仅占美国工业用水总量的0.5%，远低于高尔夫球场和杏仁种植等产业。但批评者指出，这一说法忽略了发电和芯片制造过程中的间接用水。 2. **推高电价**：Garman 表示，电价仅在数据中心密集的某些州上涨，在其他州则下降或增长放缓。 3. **污染巨大**：他未提供具体数据，但暗示数据中心的排放被夸大。 4. **社区无益**：他强调数据中心能为社区带来就业和税收等好处。 ## 行业背景 随着AI热潮推动数据中心需求激增，公众对资源消耗和透明度的担忧日益加剧。科学家呼吁对数据中心的水和能源使用进行独立研究，因为目前缺乏联邦或州的报告要求。英伟达近期宣称其新冷却系统几乎消除了数据中心内部用水，但类似说法也被指忽略了更广泛的用水环节。 亚马逊的回应反映了科技巨头在扩张与社区关系之间的艰难平衡。
## 一款“老设备”的意外涨价 英伟达近日宣布，**2019 年发布的 Shield TV Pro** 即刻涨价 **100 美元**，售价从 199.99 美元跃升至 **299.99 美元**。一款上市七年的流媒体盒子非但没有降价清仓，反而逆势提价，这在消费电子领域极为罕见。 英伟达官方将原因直指 AI：“**包括内存在内的组件成本在整个行业大幅上涨**。” ## AI 如何传导至一台电视盒子 生成式 AI 的爆发彻底重塑了科技供应链。训练大模型需要海量 **HBM（高带宽内存）** 和 **DDR 内存**，而全球 memory 产能短期内无法快速扩张。结果就是：**只要设备带内存或存储，2026 年就逃不过涨价**。 Shield TV Pro 搭载的 **Tegra X1+** 处理器虽然已是“古董”，但它仍需内存和闪存。英伟达没有 AI 时代前的硬件库存可消耗，新生产的每一台设备都必须承受当下的组件价格。 英伟达发言人向 Ars Technica 确认，涨价**自 10 月 2 日起生效**。 ## 英伟达：涨价潮的“始作俑者”与“受益者” 这里存在一个耐人寻味的悖论。英伟达作为 **AI 加速器和 GPU 的全球领导者**，正是这轮内存需求爆炸的核心推手，也凭此跻身全球市值最高的公司之列。 换句话说，Shield TV 涨价的根源，恰恰是英伟达自己参与点燃的 AI 军备竞赛。 英伟达的 Andrew Bell 今年早些时候曾将 Shield 描述为“**激情项目**”，并称公司仍在积极生产且**每台都能售出**。但激情项目同样需要支付账单——当内存价格失控时，299 美元成了维持生产的必要门槛。 ## 这不是孤例 游戏主机行业早已感受到同样的压力： - **PS5 Pro** 从 2024 年发售时的 699.99 美元涨至如今的 **899.99 美元** - 任天堂、微软、索尼均上调了现役硬件价格 Shield TV Pro 过去几个月库存一直偏紧，很可能正是因为组件成本飙升导致生产难以为继。299 美元的新定价，或许反而能让英伟达有动力继续生产。 ## 一个时代的注脚 Shield TV Pro 的涨价看似小事，却精准折射出 2026 年科技行业的底层逻辑：**AI 对内存的饥渴正在重新定价一切电子产品**。当一台七年前的电视盒子都因 AI 而变贵 50%，消费者或许需要习惯一个“电子设备不再随时间贬值”的新常态。
## 卡普空正式拥抱AI：RE Engine将逐步演化为“AI生成式游戏引擎” 在游戏圈，卡普空即将推出的新作 **《Pragmata》** 描绘了一个AI失控的恐怖未来。但现实中的卡普空，对AI的态度却截然相反——这家日本大厂正积极筹备一个“与AI共同创作游戏”的新时代。 ### 一场演讲透露的战略转向 在 **Capcom Open Conference RE: 2026** 上，卡普空程序员 **石田聪（Satoshi Ishida）** 发表了一场题为《REX项目的展望与未来：为下一代进一步进化RE Engine》的演讲。这个绕口的标题背后，是一份相当明确的AI路线图。 石田聪在演讲中直言，像《生化危机》这种体量的3A级游戏，制作过程中即便是最简单的工作也可能耗费大量时间。而他的解决方案，是 **“成功地将AI技术整合进开发工作流”**。 ### 从工具到“共同创作者” 卡普空此前曾公开表示，不会在游戏中使用AI生成的素材，AI的定位是提升开发效率的工具。石田聪的发言基本延续了这一口径，但措辞上明显留出了更大的想象空间。 根据IGN的翻译，石田聪提出了一个分阶段、渐进式的计划：将 **RE Engine** 逐步转变为一个 **“AI生成式游戏引擎”**，最终迈向 **“一个我们与AI共同创造游戏的未来”**。 这意味着卡普空对AI的定位，可能从“辅助工具”向“共同创作者”演进。这一转变如果落地，将深刻影响游戏开发的分工模式与创作流程。 ### 行业背景：效率焦虑下的必然选择 卡普空的这一动向并非孤例。随着3A游戏开发成本持续攀升、周期不断拉长，全球大型工作室都在寻找提效路径。AI在代码生成、资产优化、测试自动化等环节的潜力，使其成为最受关注的选项之一。 不过，AI在游戏行业的渗透始终伴随争议。玩家对AI生成内容的接受度、创作者对岗位被替代的担忧，都是厂商必须权衡的因素。卡普空选择强调“共同创造”而非“替代”，某种程度上也是在平衡效率诉求与舆论压力。 值得注意的是，卡普空并未公布具体的时间表或技术细节，RE Engine的AI化究竟会走到哪一步，目前仍存在不确定性。但可以确定的是，这家以品质著称的日本厂商，已经将AI写入了自己的长期战略。
又一位 AI 安全领域的员工选择以公开信的方式告别老东家。**David Robinson** 在《大西洋月刊》发表文章，宣布从 **OpenAI** 离职，并直言公司“**文化已经崩坏**”。他自嘲是“老套的典型”——在顶尖 AI 公司工作，临走时发出严厉警告。 ## 他看到了什么 Robinson 透露，自己在 OpenAI 工作了 **三年半**，是公司“**任职时间最长的员工之一**”。他的核心工作是**主导撰写安全报告**，这些报告伴随 OpenAI 每一次重大产品发布。换句话说，他比多数人更清楚模型上线前安全评估的真实分量。 但他最终选择离开，原因不在某条具体规则，而在于**公司整体文化**。他写道，OpenAI 依靠“试错”（公司内部称为“**迭代部署**”）成长，一边找问题一边修补护栏。这种方式“**本质上注定了周期性失败**”，而且随着系统能力变强，“**失败的规模也在变大**”。 他举了两个近期的例子：**OpenAI 的智能体攻破了 Hugging Face 的系统**，以及公司不断发现更多“** rogue agents**”（失控智能体）。在他看来，一个会发生这类事情的环境，“**不适合培育可能比我们更聪明、且未必听话的人工心智**”。 ## 不只是 OpenAI 的问题 Robinson 的观点与另一位前员工 **Jacob Coxon** 形成呼应。Coxon 先后在 OpenAI 和 Anthropic 担任研究员，离职时称这些公司是在“**拿我们的生命赌博**”。那番话曾引发 AI 安全大讨论，Anthropic CEO **Dario Amodei** 随后公布了更谨慎的开发计划，AI 高管们本周也与特朗普总统会面，签署了一份看似仓促起草、**不具约束力**的安全承诺。 但 Robinson 认为，辩论不能停留在“**具体规则或新法律**”层面，必须触及这些公司的**整体文化**。他观察到，围绕 OpenAI 的报道多集中在 CEO **Sam Altman** 如何失去前同事信任，而他的文章暗示：OpenAI 的文化问题，**其实就是整个硅谷的问题**。 ## 他想要什么 Robinson 的诉求很具体：前沿 AI 公司应该像“**核电站或繁忙的机场**”那样运营，拥有**多层冗余**和**审慎、耗时的规划**，让偶发且不可避免的人为失误“**不至于打开灾难之门**”。 但他也坦承一个尴尬现实：在 OpenAI 期间，他“**从未遇到过一位同事**”有过让飞机安全飞行、让核反应堆不熔毁、或帮助金融体系安全增长的经验。这或许才是他眼中“文化崩坏”的真正注脚——**当风险规模向核工业看齐，人才结构却仍停留在快速迭代的互联网模式**。
在 AI 生成内容席卷创意行业的当下，**Splice** CEO **Kakul Srivastava** 对 AI 的态度显得格外清醒。这位掌舵着全球最大采样平台之一的高管，近日在接受 The Verge 周末问卷采访时直言：**AI 邮件正在扼杀对话**。 ## 从 Flickr 到 Splice：一位横跨硅谷与创意圈的掌门人 Kakul Srivastava 的履历颇具分量——她曾在 **Flickr、Yahoo、GitHub 和 Adobe** 担任高管，如今执掌 Splice。这个平台为无数音乐制作人提供 one-shot 和旋律循环采样，出自其库中的素材曾出现在 **Lisa 的《Money》** 和 **Sabrina Carpenter 的《Espresso》** 等热门单曲中。 在她的领导下，Splice 不仅收购了 **Spitfire Audio** 扩大版图，还谨慎地涉足生成式 AI 领域。去年她在 Decoder 播客中就曾明确表态，反对那种“**一键出歌**”式的 AI 工具——正是这种模式让 Suno 等公司饱受争议。从这次问卷的回答来看，她的怀疑态度丝毫未减。 ## “远程办公没有走廊，但我们有真正的争论” 当被问及最不可或缺的工具时，Srivastava 的回答出人意料地朴素：**一份写得好的文档，以及围绕它展开的真实对话**。 她解释道，Splice 是一家远程优先的公司，没有办公室走廊里的偶遇和闲聊。取而代之的，是有人坐下来把一件事真正想透，然后一群人对此提出异议、展开争论。“这里发生的几乎所有好事，都是这样开始的。” 正因如此，她对 AI 在沟通中的介入格外警惕。在她看来，AI 生成的邮件看似高效，实则消解了观点碰撞和深度思考的过程——而这恰恰是创意与决策的核心。 ## 在 AI 与人类创造力之间走钢丝 Splice 对 AI 的策略并非一刀切地拒绝，而是试图将**人类始终置于创作过程的中心**。这与 Suno 等“输入提示词即出成品”的模式形成鲜明对比。 Srivastava 的立场折射出创意工具行业的一个核心矛盾：AI 可以降低门槛、提升效率，但当它替代了人类之间的真实交流与思辨时，失去的可能比得到的更多。对于依赖采样和协作的音乐制作生态而言，这种平衡尤为微妙。 在 AI 邮件泛滥的今天，一位科技公司 CEO 呼吁“少一点自动生成，多一点真实对话”，或许比任何产品发布都更值得玩味。
又一位 AI 安全领域的员工选择离开，并公开拉响警报。**David Robinson** 曾是 **OpenAI** 负责撰写模型安全报告的核心人员，本周他宣布辞职，并在《大西洋月刊》发表评论文章，直言公司乃至整个行业的文化已经“崩坏”。 ## 从内部写报告到公开敲警钟 Robinson 的工作并非边缘角色。在 OpenAI 每次发布重大模型时，伴随的技术与安全报告正是出自他手。换句话说，他比大多数人更清楚这些系统在发布前经过了怎样的评估、又存在哪些未解的风险。正因如此，他的离职和发声才格外值得注意。 在文章中，Robinson 指出问题远不止于“缺几条规则”那么简单。他认为，**硅谷长期以“极度自信”和“永不停歇的冲刺”模式运作**，在“毫无阻碍的乐观主义”驱动下不断构建更大更强的模型，却系统性地忽视或低估了潜在危害。这种文化不是靠事后补几条规定就能修复的。 ## 需要核电站级别的安全冗余 Robinson 提出的核心主张是：AI 行业必须培养一种**谦逊感**，并走出那个封闭的、信奉“快速行动、打破常规”的科技圈。 他给出的类比相当具体：面对当前的风险，前沿实验室应该像**核电站或繁忙机场**那样运转——设置多层冗余、进行审慎且耗时的规划，确保偶尔且不可避免的人为失误不会直接打开灾难之门。 这一比喻的潜台词是，当前 AI 开发节奏更像是“先上线再修补”，而非高风险行业应有的工程审慎。 ## 离职潮正在形成 Robinson 并非孤例。近段时间，已有多位知名 AI 公司的研究人员和安全工作者相继离职并公开表达担忧： - **Jacob Coxon** 离开 **Anthropic** 后公开表示，AI“可能在本十年结束前杀死我们所有人”，被视为这波离职潮的起点； - 随后，**Google DeepMind** 的 **Robert O'Callahan**、**Bilal Chughtai**、**Josh Engels**，以及 Anthropic 的 **Joe Benton** 也相继离开。 这种密集的离职与发声，至少说明一件事：在一线参与模型构建和安全评估的人当中，对当前发展路径的不安正在累积。 ## 该不该听“造局者”的警告？ 人们有理由感到一丝讽刺——这些警告者本人也参与塑造了他们如今担忧的东西。但 Robinson 的批评指向的是**行业文化本身**，而非某个单一产品。当写安全报告的人选择辞职并公开撰文，这更像是一个组织内部纠错机制失效的信号，而不只是一次个人表态。 对 OpenAI 和整个前沿 AI 领域而言，真正的问题或许不是“要不要加规则”，而是能否在追求能力突破的同时，建立起与风险等级相匹配的工程纪律与冗余设计。Robinson 的离开，把这个问号留给了仍在场的人。
## 短信即入口：AI Agent 的新战场 下载一个新 App 往往意味着又多了一个需要定期查看的收件箱。于是，一批 AI Agent 选择了一条更轻的路：**直接住进你的短信里**。你像给普通人发消息一样告诉它需求，它记住上下文、连接你已有的应用和服务，替你把事办完——预约、整理日程、查旅行、发邮件、订餐厅、网购，甚至几天后提醒你一件小事。 TechCrunch 整理了一份目前值得关注的「短信 AI Agent」名单，覆盖通用助手以及面向家庭、旅行和工作的垂直产品。其中 **Instinct** 是当下热度最高的玩家之一，最新一轮融资 **10 亿美元**，估值达到 **1000 亿美元**。但这条赛道上远不止它一家。 ### Caddy：把手机里的信息变成可执行事项 **Caddy** 的定位是把你手机上散落的信息变成能直接行动的内容。它活在 iPhone 用户的 **iMessage** 和 Android 用户的 **RCS** 里，不需要单独打开 App 或收件箱。 比如一封邮件里藏着需要加入日历的预约，或者朋友发来一份采购清单。Caddy 会连接你的日历和对话，识别出哪些事情需要处理，然后帮你**添加日程、设置提醒、跟踪后续事项，甚至做调研**。该产品自 **2026 年 4 月**起处于公开测试阶段。 ### Fambot：家庭的 AI「幕僚长」 **Fambot** 瞄准的是家庭场景，把自己定位为 AI 驱动的家庭「幕僚长」，把学校通知、体育活动、 meal planning、日历和其他日常事务整合成一份有条理的计划。 它同时支持 App 和短信，覆盖 **iOS、Android 和网页端**，家庭也可以通过 **SMS** 直接与它互动。每晚，Fambot 会自动发送第二天的摘要，包括即将到来的事件、待办事项，以及校服或打包要求等细节。家长可以直接回复消息提问、核对信息或修改日历。 目前 Fambot 可连接 **Gmail 和 Google Calendar**，未来计划支持 **Outlook 和 Apple Calendar**。公司于 **2026 年 9 月初**推出测试版，已获得 **350 万美元 pre-seed 融资**，服务在测试期间免费。 ### 为什么短信成了 AI Agent 的默认界面？ 这背后是一个正在成型的判断：**对话式入口的摩擦最低**。用户不需要学习新界面，也不需要记得打开某个 App。短信天然具备身份识别、通知触达和异步沟通的属性，恰好适合「委托型」AI——你交代一件事，它稍后给你结果。 但挑战同样明显。短信界面能承载的交互深度有限，复杂任务仍需跳回 App 或网页；跨应用连接依赖平台开放程度；隐私与数据权限也是用户会追问的问题。此外，当多个 Agent 同时住在短信里，如何避免通知过载、如何建立信任，都是这条赛道需要回答的问题。 目前来看，通用助手和垂直场景（家庭、旅行、工作）正在同时推进，而谁能先让用户形成「有事就发条消息」的习惯，谁就可能拿下下一个入口。
## 一场来自内部的批评 一位前OpenAI员工以《I Quit OpenAI Because Its Culture Is Broken》为题发文，直言这家全球最受瞩目的AI公司内部文化已经崩坏。文章在 **Hacker News** 上迅速引发热议，获得 **91 分** 和 **144 条评论**，足见外界对OpenAI内部治理的关注程度。 由于原文细节有限，我们无法逐一核实作者的具体指控，但结合OpenAI近两年的发展轨迹，这类批评并非孤立事件。 ## 快速扩张带来的文化稀释 OpenAI从非营利研究实验室转型为商业公司，再到ChatGPT引爆全球后员工规模急剧膨胀，这一过程中"使命驱动"的初创文化不可避免地被稀释。 - **商业化压力**：微软巨额投资、产品迭代加速，让研究导向让位于增长指标 - **人才密度变化**：大量招聘导致价值观对齐难度上升 - **决策集中化**：重大方向由少数高层拍板，普通员工话语权下降 这些是许多高速成长科技公司的通病，但在OpenAI身上被放大——因为它承载着"安全AGI"的公共期待。 ## 安全与速度的永恒张力 OpenAI内部长期存在"加速派"与"安全派"的路线分歧。2023年11月Sam Altman被短暂罢免又火速复职的事件，正是这种张力的集中爆发。此后多位知名安全研究员离职，包括超级对齐团队的核心成员。 如果这位前员工的批评属实，它反映的可能是同一矛盾的延续：**当商业竞争白热化，安全承诺是否还能兑现？** ## 对行业的信号意义 OpenAI是AI行业的标杆，它的文化问题具有外溢效应： 1. **人才流动**：顶尖研究员流向Anthropic、Google DeepMind等竞争对手 2. **治理示范**：其他AI公司会以此为鉴，重新审视自身文化 3. **公众信任**：内部批评可能加剧外界对AI安全承诺的怀疑 ## 需要保持审慎 目前我们只有标题和有限摘要，无法判断文章是个人情绪宣泄还是有据可查的系统性问题。在更多信息浮出水面之前，不宜过度解读。但可以肯定的是，**AI公司如何在高速增长中守住文化底线，将是未来几年行业必须回答的问题**。
Meta 的 AI 助手 **Muse** 正在迅速走红。据 WIRED 报道，这款应用已被数百万用户下载，人们将它连接到银行账户、消息记录甚至健康数据，让它代为处理各种任务。但随着 Muse 的普及，其内部文件被研究者提取出来，揭示了它如何组织与呈现用户信息——其中一个细节格外引人关注：Muse 会为用户生活中的每一个人建立专属页面。 ## Muse 在做什么？ 独立 AI 安全与隐私研究员 **Karan Joshi** 通过常规聊天界面，要求 Muse 复制并分享自身的软件文件，从而提取出大量指令和系统提示词。他将发现分享给了 WIRED。 根据这些内部指令，Muse 被设定了一项能力：**为用户生活中的每个人创建一个页面**。这一过程每小时运行一次，系统会编译关于家人、伴侣、朋友、同事、合作者以及你关注的人的数据。其核心思路是让 Muse 利用自身的「记忆」（即结构化文本文件）来收集你的人际关系信息，然后据此提供建议——比如如何改善某段关系，或者带一位喜欢咖啡的朋友去哪里吃早餐。 ## 为什么值得警惕？ AI 聊天机器人追踪社交信息并不新鲜。多年来，人们一直在向 ChatGPT 寻求情感建议。但 Muse 的特殊之处在于 Meta 的背景及其对社交网络数据的庞大访问权限。 Joshi 表示：「从所有这些提示词、系统技能数据以及他们喂给 Muse 的东西来看，他们想要理解你与真实的人之间的关系。他们试图像朋友一样了解你，说实话这挺让人毛骨悚然的。」 Meta 坚称，这些文件之所以可被访问，是出于透明度的考虑。这些文件确实能让外界了解 Muse 如何回应涉及高度政治化或敏感话题的提示与问题。 ## 隐私与便利的权衡 Muse 的案例再次凸显了个人 AI 助手领域的核心矛盾：用户为了获得更贴心、更个性化的服务，往往需要让渡大量私人数据。当这些数据不仅涉及个人偏好，还涵盖你与家人、朋友、同事的关系网络时，隐私风险便不再是抽象概念。 目前，关于 Muse 如何处理这些关系数据、存储在哪里、是否用于训练或其他用途，仍有待更多信息披露。对于考虑使用此类 AI 助手的用户而言，理解其数据实践是必要的第一步。
据 Hacker News 热门讨论，**Google 的 Gemini 助手即将停止免费提供 Flash 和 Pro 模型**，这一变化在开发者社区引发了广泛关注。 ## 事件概述 根据社区讨论，Google 计划对 Gemini 的模型访问策略进行调整，**免费用户将无法继续使用 Flash 和 Pro 模型**。目前尚不清楚具体的时间表和替代方案，但这一消息已经让许多依赖免费额度的开发者感到不安。 ## 背景与动机 自推出以来，Gemini 一直通过免费层级的 Flash 和 Pro 模型吸引用户，与 OpenAI 的 GPT-3.5 免费策略形成竞争。然而，随着 AI 模型推理成本的持续上升，科技巨头们正在重新评估其免费服务的可持续性。Google 此举可能旨在**推动用户转向付费订阅**，以覆盖高昂的算力开支。 ## 行业影响 - **开发者生态**：许多个人开发者和小型团队依赖免费额度进行原型设计和测试，这一变化可能迫使他们转向其他替代品，如 **Meta 的 Llama 系列**或 **Mistral 的开放模型**。 - **竞争格局**：OpenAI 的 GPT-4 仍提供有限的免费访问，而 Anthropic 的 Claude 也设有免费层级。Google 若取消免费，可能在用户获取上处于劣势。 - **商业模式**：这反映了 AI 行业从“烧钱换增长”向“可持续营收”的转变，未来可能会有更多厂商跟进。 ## 社区反应 在 Hacker News 的讨论中，评论数已达 50 条，观点分化。部分用户认为这是**必然的商业决策**，毕竟维持大模型免费服务成本巨大；另一些用户则担忧这会**加剧 AI 技术的垄断**，使小玩家难以生存。也有用户猜测 Google 可能会推出新的免费模型（如 Gemini Nano）作为替代。 ## 不确定性 截至目前，Google 官方尚未发布正式公告，具体细节如生效日期、是否保留部分免费额度、是否影响 API 用户等均不明确。我们将持续关注事件进展。 > 对于开发者而言，多元化技术栈、避免过度依赖单一平台，或许是应对此类变化的明智之举。
在精准肿瘤学中，利用大规模细胞系筛选数据预测癌症类型的耐药性和药物的广谱活性是一项核心挑战。然而，现实世界中的药物反应矩阵往往高度稀疏，充满缺失值，这给传统的统计方法带来了巨大困难。近期，一篇发表于 arXiv 的论文提出了一种名为**逆向项目反应理论（Reverse IRT）**的新方法，旨在解决这一难题。 ## 当心理测量学遇见癌症药理学 项目反应理论（IRT）原本是心理测量学中用于评估个体潜在特质（如能力）和试题特性（如难度）的经典框架。在这项研究中，作者巧妙地将这一框架“反转”并迁移到药物基因组学领域： - **癌症类型**被视为具有“耐药能力”的潜在主体 - **药物**被视为具有“逃逸难度”的项目 通过这种类比，模型能够在一个共享的潜在尺度上，同时估计癌症类型层面的体外耐药性和药物层面的广谱活性。 ## 在 GDSC2 数据上的验证 研究使用了**癌症药物敏感性基因组学（GDSC2）数据库**中的 **242,036 条**药物敏感性测量数据。为了模拟真实世界中数据缺失的复杂情况，作者设计了四种缺失机制：完全随机缺失（MCAR）、癌症偏向性缺失、药物偏向性缺失以及混合缺失。 在 60% 缺失率的严苛条件下，逆向 IRT 方法相比简单平均法展现出了显著优势：在 MCAR、癌症偏向和药物偏向稀疏场景下，其**潜排序恢复的 Delta-rho 提升达到 +0.089 至 +0.095**。这意味着，即使面对高度碎片化的数据，该方法仍能更准确地还原出基于完整数据集的潜在排序。 ## 预测性能与稳定性 在留出法预测评估中，IRT 模型在五种对比方法中取得了**最佳的 Brier 分数**，证明了其概率校准的优越性。通过 Bootstrap 置信区间分析，28 种癌症类型中有 **19 种**表现出了稳定的耐药/敏感分类，表明该方法在提供可靠分类方面具有潜力。 ## 跨平台复制的启示与局限 为了检验方法的泛化能力，作者在 **PRISM 平台**上进行了跨平台复制实验。结果显示，虽然方向一致性达到 **82%**，但排序相关性较弱（rho = 0.25）。这一发现提醒我们：该研究的核心贡献在于**碎片化评估下的方法学稳健性**，而非提供一个普适的临床耐药性排行榜。 ## 意义与展望 这项研究为处理稀疏药物反应矩阵提供了一种新颖且稳健的统计学习框架。随着高通量筛选技术的普及，数据缺失问题将愈发普遍，逆向 IRT 有望成为药物基因组学分析的有力工具。不过，作者也谨慎指出，跨平台排序的不一致性意味着距离临床应用仍有距离，未来需要进一步整合多平台数据并优化模型。 论文标题：*Reverse Item Response Theory for Sparsity-Robust Ranking in Fragmented Cancer Drug-Response Matrices*，作者：Jung Min Kang，发表于 arXiv（arXiv:2610.00002）。
## 一篇 arXiv 论文重新审视了 Adam 的"几何身份" Adam 是深度学习中最常用的优化器，但它与**自然梯度下降（NGD）**之间到底有多接近，一直是理论上悬而未决的问题。arXiv 上最新的一篇论文《How Far is Adam from Natural Gradient Descent?》尝试用几何度量给出量化答案。 论文作者 **Vihaan Paka-Hegde** 把 Adam 的完整更新规则（包括动量项）建模为一种**对角经验 Fisher 近似**，并指出这种近似同时受到三重限制：对角截断、经验标签替换，以及时间滞后。换句话说，Adam 并不是在真正沿自然梯度方向走，而是在一个被简化、被延迟的近似版本上行走。 ### 用 γ(Δθ) 度量"偏离程度" 为了量化这种偏离，作者采用了尺度不变的 **γ(Δθ)** 指标，在四种损失地形上测量 Adam 与真实 NGD 的几何偏差： - 良态线性回归 - 病态线性回归 - 逻辑回归 - 一个非凸小型神经网络 结果显示，Adam 的几何轨迹**高度依赖上下文**：在良态场景下偏离很小，但在病态条件下显著上升，在神经网络中错位程度甚至达到约 **10³** 量级。 ### 偏离大，不代表效果差 一个耐人寻味的发现是：更高的几何漂移确实与**初期优化变慢**相关，但并不会损害最终的目标最小化——Adam 始终能收敛到较低的损失值。这暗示 Adam 的实际威力，可能并不来自"贴近自然梯度路径"，而是来自**结构性近似误差与动量平滑之间的某种平衡**。 论文还比较了两种 Fisher 近似：改进版经验 Fisher（**iEF**）比标准经验 Fisher（**EF**）路径更稳定，后者经常出现震荡甚至发散。 这项研究为理解 Adam 为何在深度学习中如此有效提供了一个新的几何视角，也提示我们：一个优化器的成功，未必源于它精确逼近了某个理想方向。
## 当注意力机制遇上傅里叶滤波 标准 Transformer 的注意力依赖 Q/K 点积，而 **Frequency-collapse attention** 提出了一种替代方案：用学习到的频率上的**带通滤波内积**取代点积，并在实验中取得显著增益。arXiv 最新论文 **FourierQK** 进一步追问：滤波器形状究竟如何影响效果？作者 Athanasios Zeris 通过控制变量消融实验，给出了五个关键发现。 ## 五个核心发现 论文在 **TinyShakespeare** 字符级语言建模任务上，使用 6 层 GPT 架构，测试了关于滤波器属性的五组假设： 1. **DC 与 Nyquist 分量有害**：验证损失约为 2.0，与相位随机化相当，说明振荡带通结构不可或缺，并非任意低维频谱摘要都能奏效。 2. **最优单尺度带宽 σ ≈ 2 bins**：中心频率位于段落尺度（约 **70 个 token**），相比 BASE-DOT 获得 **+1.15 nats** 的干净增益。 3. **可容许滤波器更优**：零均值、墨西哥帽 DOG（m=2）在同尺度下优于非可容许高斯滤波器，并能部分抵御双边 FFT 泄漏。 4. **泄漏-覆盖定律**：双边 FFT 泄漏随频谱覆盖单调增加——窄带滤波器（gap > +4）干净，宽带滤波器（gap < +2）泄漏严重。 5. **因果 Morlet 的局限**：字符尺度下的因果时域 Morlet 无法超越 BASE-DOT（K=128 taps 仅覆盖 T=256 上下文的 50%），这促使作者在配套论文 **MorletQK** 中转向词级实验。 ## 适用场景与边界 综合来看，FourierQK 在**双向注意力**场景（如 BERT 类编码器）中表现有效，因为训练和推理时均可获得完整序列上下文。但**自回归生成**（如 GPT 类解码器）需要因果频谱变体，即 MorletQK。这一区分对实际部署至关重要。 ## 行业意义 这项工作为注意力机制设计提供了频谱视角的严谨分析，将信号处理中的滤波器理论引入 Transformer 架构搜索。**泄漏-覆盖定律**尤其具有指导价值：它量化了频谱覆盖与信息泄漏之间的权衡，为后续高效注意力变体提供了可复用的设计准则。代码已开源，配套 MorletQK 论文值得关注。
## 一个看似完美的组合，为什么没能奏效？ 教育数据挖掘领域长期面临一个两难：想用 AI 预测哪些学生可能学业掉队，就得让模型足够透明以便老师采取干预措施；但如果模型用到了学生的**人口统计学信息**，又可能产生不公平的预测结果。 一篇新发表在 arXiv 上的论文（arXiv:2610.00035）尝试用一个**多目标框架**同时解决这两个问题。作者来自荷兰的研究团队，他们将三种技术组合在一起： - **基于强化学习的多实例学习（RL-MIL）**：把每个学生看作一个「交互数据包」，由强化学习智能体主动挑选最有信息量的交互记录来做分类预测 - **对抗性去偏（Adversarial Debiasing）**：试图削弱模型对敏感人口特征的依赖 - **偏好条件化超网络（Preference-conditioned Hypernetworks）**：理论上允许用户通过一个偏好标量，连续调节预测性能与**均等赔率（Equalized Odds）**之间的权衡 ## 结果出人意料：超网络「罢工」了 基础版 RL-MIL 在分类性能上表现不错，但两个超网络变体都出现了**模式崩溃（Mode Collapse）**——无论怎么调整偏好权重，模型在公平性-性能前沿上的移动都微乎其微。 作者将失败归因于三个因素： 1. **目标支配**：某个目标（如准确率）在训练中压倒了公平性目标 2. **梯度传播薄弱**：条件化机制中的梯度信号无法有效回传 3. **动态生成参数的相互作用**：超网络生成的参数之间产生了不可控的干扰 ## 这意味着什么？ 这项研究的价值不在于「成功」，而在于揭示了一个关键教训：**把公平性目标塞进可解释的 RL-MIL 流程是可行的，但仅靠偏好条件化并不能保证多目标行为可控**。 对于教育 AI 的落地实践者来说，这提示了一个现实：公平性与性能的权衡不是调一个旋钮就能解决的。要实现稳健的公平 RL-MIL，需要显式的**梯度平衡机制、目标分离设计以及稳定性分析**。 论文作者包括 Bente Hinkenhuis、Seyed Sahand Mohammadi Ziabari 和 Ali Mohammed Mansoor Alsahag，研究属于机器学习（cs.LG）与计算语言学（cs.CL）交叉方向。目前论文以预印本形式发布，尚未经过同行评审。 > 一句话总结：多目标公平性不是「加个模块」就能搞定的事——这项研究用一次诚实的失败，为后续研究划出了必须跨越的技术障碍。
GPU 每代硬件的矩阵、特殊函数与内存流水线扩展速度并不一致，这让内核瓶颈随着硬件演进不断转移。**FlashAttention-4** 在 NVIDIA **Blackwell** 上暴露了注意力机制内部的这种失衡。一篇新论文（arXiv:2610.00049）由此提出一个问题：能否用短多项式程序，加速 LLM 中其他依赖**特殊函数单元（SFU）**的运算？ ## 做法：把超越函数换成低次多项式 作者 Robert Hu 的思路是，用 **3 次或 4 次 BF16（bfloat16）多项式程序**替换原生的 **sigmoid、tanh 和 SiLU（sigmoid 线性单元）**。这些程序融合了三项技巧：解析对称性、目标格式舍入，以及消费内核内部的**打包算术**。 验证分两步走： - 先在隔离的 **IEEE binary16（FP16）**扫描中，对比原生 PyTorch 求值与打包的**融合乘加（FMA）**程序，覆盖 L2 常驻与 **HBM 常驻**两类工作集。 - 再在四个 **GB200** 集成任务中做替换：稠密 SiLU、tanh-softcapped 注意力、sigmoid 注意力，以及路由专家 **SwiGLU**。 ## 结果：隔离路径最快 2.19 倍 隔离测试中，加速幅度为 **L2 下 1.19–2.19 倍**、**HBM 下 1.00–1.70 倍**。落到完整训练步： - 稠密 SiLU 替换：训练步吞吐提升 **2.7%** - tanh-softcapped 注意力：提升 **2.9%** - 路由专家替换：提升 **8.0%** - sigmoid 注意力：完整注意力前向提升 **7.4%**，完整 GPU 步提升 **0.3%** ## 模型行为：损失差异在噪声量级 速度之外，论文还做了同检查点的开放权重消融，以及每个任务一次配对的预训练对比。在约 **1000 亿 token** 的常见训练视界上，最终平滑训练损失差异（多项式减原生）落在 **-0.107 到 +0.079** 之间。 这意味着，至少在测试的四个任务上，用低次多项式替代原生超越函数并未带来明显的精度代价。 ## 为什么值得关注 这项工作的价值不在于某个新模型，而在于一个可复用的工程视角：**当硬件流水线扩展速度失衡时，把计算从瓶颈单元挪走，本身就是一种优化**。FlashAttention-4 已经在注意力内部验证过这一点，而多项式替换把同样的逻辑推广到了 SFU 运算。 不过需要注意，论文的结论建立在特定硬件（GB200、Blackwell）和特定任务上，损失差异的区间也同时包含正负值，说明效果并非在所有场景都单调一致。这类内核级优化能否在更广泛的模型规模与硬件代际上稳定复现，仍有待后续验证。
## 当KAN遇上q-正交多项式 **Kolmogorov-Arnold Networks（KAN）** 是近年来深度学习架构探索中一个颇具代表性的方向。它把传统神经网络中固定的节点激活函数，替换为可学习的边上的单变量函数，从而在可解释性和参数效率上展现出独特优势。不过，原始KAN依赖B样条实现，计算开销较大；后续出现的多项式KAN变体虽然缓解了这一问题，却引入了一个被长期忽视的挑战：**无界实数输入与正交多项式基的有界或半无限支撑域之间的域不匹配**。 针对这一限制，研究者提出了 **SW-KAN（Stieltjes-Wigert Kolmogorov-Arnold Network）**，一种采用定义在半无限域 (0, ∞) 上的Stieltjes-Wigert q-正交多项式的新型架构。 ## 核心方法：域桥接与稳定递推 SW-KAN的关键设计有两点： - **平滑的tanh指数映射**：用于稳定地弥合输入域与多项式支撑域之间的鸿沟，同时保持梯度条件良好； - **数值稳定的三项递推**：以O(N)的复杂度计算多项式展开，且无需调用特殊函数。 这两项设计使得SW-KAN在保持计算效率的同时，避免了多项式基函数在域外失效的问题。 ## 实验表现与归纳偏置 论文通过图像分类和连续函数逼近两类任务进行了系统实验。结果显示，**SW-KAN在准确率与效率的权衡上表现更优**。其背后的原因在于Stieltjes-Wigert多项式自身的**对数正态权重结构**和**可学习的q参数**，提供了一种独特的归纳偏置，使得模型在资源受限条件下——包括特征维度降低和训练数据有限——仍能保持稳健性能。 此外，在标准基准上，SW-KAN不仅超越了既有的多项式KAN基线，还展现出以**极少参数逼近复杂多元函数**的强表征能力。 ## 意义与展望 对于关注高效函数逼近和资源受限场景分类任务的研究者与工程师而言，SW-KAN提供了一个值得关注的替代方案。它将q-正交多项式这一相对小众的数学工具引入KAN架构，既是对域不匹配问题的直接回应，也拓宽了KAN在多项式基选择上的设计空间。 论文共22页，代码与预训练模型已开源。