模型定制将通用 AI 模型转化为专业化企业资产。通过微调基础模型，企业可以教会 AI 理解自身独特的工作流、术语和领域知识，同时严格遵循品牌风格并减少幻觉。对于企业而言，这不仅是优化，更是创造专有知识产权——微调模型将组织的独特智慧和最佳实践编码到其架构中，构建难以被现成公开前沿模型复制的竞争优势。同时，在目标任务上微调较小的开源模型，往往能匹配甚至超越更大规模专有模型的性能，同时显著降低成本，并将敏感数据保留在安全、私有的基础设施内。 Amazon SageMaker AI 提供丰富的开源模型选择和微调技术。如今，SageMaker AI 推出了针对 **NVIDIA Nemotron 3** 模型的无服务器模型定制功能，首发支持 **Nemotron 3 Nano（300亿总参数，30亿活跃参数）** 和 **Nemotron 3 Super（1200亿总参数，120亿活跃参数）**。通过监督微调、基于可验证奖励的强化学习和基于 AI 反馈的强化学习，用户无需预置或管理任何基础设施，即可将这些高性能开源模型适配到特定领域和工作流中。 ## NVIDIA Nemotron 3 模型架构亮点 NVIDIA Nemotron 3 系列基于 **混合 Mamba-Transformer 混合专家架构**，原生支持高达 **100万 token 的上下文长度**。该架构交错使用三种互补的层类型：Mamba-2 层用于高效的线性时间序列处理，Transformer 注意力层用于精确的关联召回，以及混合专家层用于扩展模型容量。这种设计在长序列处理效率和复杂推理能力之间取得了平衡。 ## 无服务器微调技术 SageMaker AI 为 Nemotron 3 提供了三种微调方法： - **监督微调**：使用标注数据直接调整模型参数，适用于分类、摘要等任务。 - **基于可验证奖励的强化学习**：通过可自动验证的奖励信号优化模型行为，适用于数学推理、代码生成等有明确正确答案的场景。 - **基于 AI 反馈的强化学习**：利用 AI 评判模型输出质量，适用于需要主观判断的任务，如创意写作、对话生成。 ## 如何在 SageMaker Studio 中开始 用户可以直接在 SageMaker Studio 中通过可视化界面或 API 启动无服务器微调作业。步骤如下： 1. 选择 Nemotron 3 模型（Nano 或 Super）。 2. 上传领域数据集（支持常见格式如 JSON Lines）。 3. 选择微调方法（SFT、RLVR 或 RLAIF）并配置超参数。 4. 启动作业，SageMaker AI 自动管理计算资源。 5. 微调完成后，模型可直接部署为无服务器端点。 这种无服务器模式显著降低了入门门槛，使更多企业能够以较低成本实现模型定制，同时保持数据安全。 ## 行业意义 Nemotron 3 的混合架构和无服务器微调能力，为企业在长上下文处理（如法律文档分析、代码库理解）和成本效率之间提供了新选择。结合 SageMaker AI 的托管服务，企业可以快速迭代领域模型，而无需深究底层基础设施。
在牙科行业，影像质量直接决定保险理赔是否获批。据统计，高达 **20%** 的初始保险索赔被拒，其中影像缺失或质量低下是主因之一。然而，传统的质量评估流程往往是事后人工审核——临床医生在拍摄后数小时甚至数天才查看 X 光片，发现问题时索赔已被拒或治疗无法推进。若影像模糊、错位或不完整，患者不得不返回诊所重拍，增加了成本、延误和各方的不满。 Henry Schein One 通过构建 **Image Verify** 系统解决了这一痛点。该系统基于 **Amazon SageMaker AI**，在牙科 X 光片拍摄的瞬间进行实时质量评估，覆盖数千个诊所。从概念到部署，Image Verify 在数月内便推广至 **10,000 多个活跃站点**，已处理超过 **1,100 万张 X 光片**，且每周新增约 **150 万张**。目前，Henry Schein One 正将该系统扩展至全球 **40,000 个站点**，覆盖四个地区。 ## 挑战：大规模实时影像质量审核 Henry Schein One 之前的影像审核方案运行在另一个云平台上，但无法满足临床工作流对延迟和成本效率的要求。在 AWS 上重建并非简单的迁移，而需要设计一个能同时满足五项严格要求的系统： - **延迟**：质量评估必须在 **3 秒内** 完成，以无缝融入临床工作流。 - **准确性**：多个机器学习模型需评估清晰度、对齐度和完整性等不同维度，避免误报损害临床信任。 - **规模**：系统需同时服务数万个站点，日处理量达数十万张。 - **成本效率**：大规模 GPU 推理若不精心优化，成本将难以承受。 - **全球覆盖**：医疗场景具有本地化特征，但平台必须在多个区域保持一致的性能表现。 ## Image Verify 的解决方案 Henry Schein One 利用 **Amazon SageMaker AI** 构建了端到端的影像质量验证流水线。系统在 X 光片拍摄后立即触发推理，调用多个专用模型分别评估不同质量指标，并在 **亚秒级** 内返回结果。如果检测到质量问题，系统会实时提示操作人员，从而在患者离开前完成重拍，避免了后续的理赔纠纷。 ### 关键设计亮点 - **多模型并行推理**：针对不同质量维度（如清晰度、解剖结构完整性）部署独立模型，并通过 SageMaker 的模型编排能力实现并行推理，确保整体延迟在 3 秒以内。 - **成本优化**：通过 **GPU 实例自动缩放** 和 **批量推理**，在高峰期保持性能，在低谷期降低成本。此外，利用 **Amazon Elastic Inference** 或 **SageMaker 推理加速器** 进一步降低单位推理成本。 - **全球部署**：采用多区域架构，利用 **AWS 全球基础设施** 将推理端点部署在靠近诊所的区域，确保低延迟并符合数据本地化法规。 ## 成果与展望 Image Verify 上线后，Henry Schein One 的影像质量审核流程从“事后补救”转变为“即时预防”。诊所端重拍率显著下降，保险索赔通过率提升，患者体验得到改善。目前系统每周处理 **150 万张** X 光片，并持续增长。未来，Henry Schein One 计划将该平台扩展至 **40,000 个站点**，并探索在正畸、种植等更复杂牙科影像中的应用。 这一案例表明，**实时 AI 推理** 在医疗影像领域具有巨大价值——不仅提升运营效率，更直接改善临床结果和患者满意度。对于希望构建类似系统的企业，关键在于平衡延迟、准确性和成本，而 **Amazon SageMaker AI** 提供了灵活的基础设施和工具来应对这些挑战。
企业数据分析正从“自助 BI”迈向“智能体分析”（Agentic Analytics）时代。然而，数据分散在不同系统中，同一概念定义不一，导致 AI 智能体容易给出矛盾答案。本文介绍如何在 AWS 上利用 Stardog 语义 AI 应用（覆盖 Amazon Aurora 和 Amazon Redshift）构建语义层，并通过 Amazon Bedrock AgentCore 运行 Strands Agents，实现无需 ETL 的客户 360 度查询。 ## 为什么需要语义层？ 传统报表到自助 BI 的进化并未解决根本问题：数据工程师仍需为每个问题预建模型，分析师仍是瓶颈。生成式 AI 智能体能自主规划、编写查询、评估结果并迭代，但前提是底层数据语义一致。例如，CRM 中的“客户”与计费系统的“客户”并非同一记录，北美团队的“收入”计算方式也可能与欧洲不同。若直接让智能体访问碎片化数据，即便 SQL 语法正确，也可能返回错误或矛盾的答案。 ## Stardog 语义层如何工作？ Stardog 在现有数据库（如 Aurora 和 Redshift）之上构建统一的语义层，通过知识图谱映射不同数据源中的实体和关系。它支持： - **虚拟集成**：无需 ETL，实时查询跨源数据。 - **语义推理**：自动理解“客户”“订单”等概念的关联，消除歧义。 - **兼容 AWS 计算**：可部署在 Amazon EKS、ECS 或 Lambda 上。 ## Amazon Bedrock AgentCore 的角色 AgentCore 是一个托管服务，整合了身份认证、托管和工具凭证管理。本文中，Strands Agents 通过 AgentCore 访问语义层，回答“客户 360”类问题——例如“某客户过去一年的总消费额”，该问题需要同时查询 Aurora 中的交易记录和 Redshift 中的分析数据。 ## 实践价值 这种架构的核心优势在于： 1. **降低数据准备成本**：无需为每个新问题预先建模。 2. **提升答案可靠性**：语义层确保跨系统数据一致性。 3. **加速落地**：借助 Bedrock 的基础模型（如 Claude、Llama）和 AgentCore 的托管能力，开发者可快速构建可信的企业级 AI 智能体。 ## 小结 智能体 AI 的瓶颈不在模型能力，而在数据语义的统一。Stardog + Amazon Bedrock AgentCore 的组合提供了一条务实路径：在现有 AWS 数据基础设施上构建语义层，让 AI 智能体从“能写 SQL”升级为“能理解业务含义”。
在 AI 智能体从概念验证走向企业级生产环境的过程中，规模化运营的挑战远不止于智能体本身。Amazon Quick Automate 通过原生集成**案例管理**，将每个工作项视为一个贯穿全生命周期的“案例”，为智能体工作流提供状态追踪、异常处理、人工介入（HITL）和动态扩展等关键能力。 ## 从概念验证到规模化生产：智能体面临的运营挑战 一个 AI 智能体在概念验证（POC）阶段可以轻松处理一张发票、审核一项理赔或分类一个工单。但当工作项数量达到**数千甚至数百万**时，企业需要面对一系列新的问题：如何追踪每个工作项在多智能体、多系统中的状态？如何定位失败节点与原因？如何让人类在必要时介入？又如何根据需求动态扩展基础设施？这些正是 Amazon Quick Automate 通过**原生案例管理**要解决的核心痛点。 ## 案例管理：为智能体工作流注入结构与可见性 在 Quick Automate 中，**每个工作项都被定义为一个“案例”**，并贯穿其从创建、处理到关闭的完整生命周期。这种设计带来了几个关键优势： - **全流程可见性**：案例状态实时更新，团队可以清晰看到每个工作项在哪个步骤、由哪个智能体处理，以及处理结果。 - **异常处理与重试**：当智能体处理失败时，系统可以自动标记案例状态，触发重试或转人工处理。 - **人工介入（HITL）**：在需要判断、审批或复杂决策的场景下，案例可以进入“等待人工”状态，由人类操作员处理后再返回自动化流程。 - **动态扩展**：通过“案例创建者-处理器”模式，系统可以根据输入负载自动创建多个案例，并分配给多个处理器并行执行，实现弹性伸缩。 ## 核心模式：案例创建者与处理器 Quick Automate 引入了一种简洁但强大的设计模式——**案例创建者-处理器**。创建者负责侦听输入源（如消息队列、数据库、API 调用），为每个新工作项生成一个案例；处理器则持续轮询待处理案例，执行智能体工作流并更新案例状态。这种解耦架构使得系统可以轻松应对流量高峰：当输入激增时，创建者快速生成大量案例，而处理器集群可以自动扩展，并行处理这些案例，从而保证吞吐量。 ## 真实场景：企业级流程中的案例管理实践 以一个典型的**保险理赔**流程为例： 1. **案例创建**：当理赔申请提交后，Quick Automate 自动创建一个案例，包含申请人信息、事故描述、证据文件等。 2. **智能体处理**：AI 智能体自动提取关键信息、验证保单有效性、评估损失金额。如果智能体对某项数据存疑（例如发票金额异常），案例状态变为“需人工审核”。 3. **人工介入**：人类审核员查看案例详情，确认或修正智能体的判断，然后提交反馈。案例状态更新为“已审核”，触发后续自动处理。 4. **多智能体协作**：案例可能依次经过欺诈检测智能体、赔付计算智能体、支付智能体，每个步骤都记录在案例历史中。 5. **案例关闭**：当所有步骤完成，案例状态变为“已关闭”，所有审计日志、决策路径和人工注释都保留在案例中，方便后续追溯。 ## 企业级能力：不止于自动化 除了核心的案例生命周期管理，Quick Automate 还提供了细粒度访问控制、活动日志、版本管理、异常处理等企业级功能。这意味着团队可以安全地将智能体工作流部署到生产环境，同时满足合规与审计要求。 ## 总结 Amazon Quick Automate 的原生案例管理能力，将 AI 智能体从“单点任务执行者”升级为“企业级流程参与者”。通过为每个工作项提供结构化的生命周期管理，它解决了规模化运营中的**可见性、可靠性、可追溯性**三大核心问题。对于正在将智能体从实验室推向生产环境的企业来说，这或许是比智能体本身更值得关注的基础设施。
## 概述 部署大型基础模型（FM）时，原始 16 位浮点精度（BF16/FP16）的存储和计算成本高昂，需要大容量 GPU 实例，推高服务成本并拖慢迭代周期。**量化**通过降低权重精度（如从 16 位降至 4 位）显著压缩内存占用，但可能影响模型精度。**动态量化**则能在保持精度的同时大幅减少内存，实现成本、存储和启动时间的综合优化。 本文介绍了四种使用 **Unsloth** 进行量化并在 AWS 基础设施上部署的模式，涵盖 **Amazon EC2**、**Amazon SageMaker AI** 推理端点以及 **Amazon EKS/ECS** 容器编排场景。 ## 什么是 Unsloth 动态量化？ Unsloth 联合创始人 Daniel Han 解释道：“一个强大模型的最大问题是体积巨大，需要 1.5TB 才能运行。通过一些技巧，可以将模型压缩到 217GB。你可能认为体积缩小 86% 会导致精度下降 86%，但实际情况并非如此——精度仅下降约 14%。” 动态量化的核心在于**并非将所有权重降至 4 位，而是保留部分层为更高精度（如 8 位）**，从而在压缩与精度之间取得平衡。例如，一个 **80 亿参数模型** 从约 16GB（BF16）降至约 5GB（4 位），使原本需要多 GPU 的实例能单 GPU 运行。 ## 四种部署模式 ### 1. Amazon EC2 直接部署 适合需要完全控制实例环境、调试或低延迟调优的场景。用户可直接在 EC2 GPU 实例上加载量化模型，使用 Unsloth 优化后的推理代码。 ### 2. Amazon SageMaker AI 推理端点 利用 SageMaker 的托管服务，简化模型部署、扩展和监控。用户可将量化模型打包为容器镜像，创建实时端点，自动处理负载均衡与弹性伸缩。 ### 3. Amazon EKS 部署 对于已采用 Kubernetes 的团队，EKS 可将量化模型作为 Pod 部署，利用 K8s 的调度、自动扩缩和滚动更新能力，适合微服务架构。 ### 4. Amazon ECS 部署 类似 EKS，但更轻量，适合使用 Docker Compose 或任务定义的场景，通过 Fargate 或无服务器模式进一步降低运维负担。 ## 生产部署实践要点 - **模型格式与兼容性**：确保量化后的模型（如 GGUF、AWQ 等）与推理框架兼容。 - **性能监控**：跟踪推理延迟、吞吐量和 GPU 利用率，根据负载调整实例规格。 - **成本优化**：动态量化带来的内存节省可直接转化为更小实例或更少 GPU 的使用，降低每小时成本。 - **精度验证**：部署前在代表性数据集上对比量化模型与原始模型的输出，确保业务指标可接受。 ## 小结 Unsloth 的动态量化技术为大规模 AI 部署提供了实用路径——在精度损失可控的前提下，大幅降低硬件门槛和运营成本。结合 AWS 的 EC2、SageMaker、EKS/ECS 等灵活部署选项，团队可根据自身技术栈和需求选择最合适的模式，加速模型从研究到生产的落地。
SAP 数字化转型是企业面临的最复杂、高风险的任务之一，通常跨越数月甚至数年，涉及业务流程和自定义代码的复杂依赖关系，且需要难以仅靠人类顾问扩展的领域专业知识。KTern.AI 作为一家 SAP 数字转型平台，多年来一直致力于让这些转型更快、更可预测。如今，他们通过转向智能体 AI 实现了迄今最大的飞跃。 从传统的 SaaS 平台演进为下一代智能体 AI 平台，意味着需要协调多个专业智能体，使其在长期运行的企业项目中协同工作。每个智能体都需要具备持久上下文、安全的工具访问权限以及生产级可靠性。KTern.AI 利用 Amazon Bedrock AgentCore 和 Strands Agents SDK 构建了这一系统。本文详细介绍了其架构设计、构建的智能体类型以及为客户带来的实际成果。 ## 架构核心：持久上下文与安全工具访问 KTern.AI 面临的核心挑战在于：真正的自主 SAP 转型需要智能体能够跨数月甚至数年的项目进行推理，同时协调多个领域，并严格遵守企业安全与合规边界。传统的单轮 AI 交互无法胜任。Amazon Bedrock AgentCore 提供了基础能力，而 Strands Agents SDK 则帮助实现了多智能体编排。每个智能体都维护着持久上下文，这意味着它们可以记住历史交互和项目状态，从而做出更连贯的决策。同时，通过安全的工具访问机制，智能体能够调用 SAP 系统接口、分析代码仓库或处理财务数据，而不会突破安全边界。 ## 构建的智能体类型 KTern.AI 构建了多个专业智能体，覆盖 SAP 转型的关键环节： - **逆向工程智能体**：自动分析现有 SAP 系统，生成数字化蓝图，识别自定义代码和业务流程依赖。 - **标准适配智能体**：评估业务需求与 SAP 标准流程的差异，提出适配建议。 - **代码分析智能体**：扫描 ABAP 代码，识别与 S/4HANA 不兼容的代码段，并提供迁移建议。 - **异常挖掘智能体**：专注财务和销售流程，自动检测数据异常或流程偏差，减少人工审计工作量。 这些智能体能够自主编排工作流，从逆向工程到标准适配、代码分析，再到财务和销售流程的异常挖掘，实现了端到端的自动化，而无需构建自定义智能体基础设施。 ## 客户成果与行业意义 KTern.AI 的平台已实现 **7 倍更快的转型速度**，并将整体工作量减少 **24%**。通过将领域专业知识编码为专有知识引擎，并结合数据驱动的超自动化，客户能够更可预测地完成 S/4HANA 迁移和系统转换。 这一案例展示了智能体 AI 在企业级场景中的落地潜力：不再是简单的问答或单步任务，而是能够管理长期、多步骤的复杂项目。Amazon Bedrock AgentCore 作为底层平台，提供了必要的持久化、安全性和可靠性，而 Strands Agents SDK 则简化了多智能体的协调。对于正在进行 SAP 转型的企业而言，这种自动化能力有望显著降低对稀缺顾问资源的依赖，并加速数字化转型进程。 ## 小结 KTern.AI 的实践表明，智能体 AI 在 SAP 这样的大型企业系统中具有切实价值。通过将专业知识与自主代理相结合，企业可以更高效地应对复杂转型挑战。未来，随着更多企业采用类似架构，智能体 AI 有望成为企业级自动化的标准范式。
大语言模型推理中的预填充（Prefill）与解码（Decode）共享同一 GPU 时，长提示会阻塞所有并发请求的令牌生成。**分离式预填充与解码（DPD）** 通过将两个阶段分别运行在独立的 GPU 池中，并借助弹性结构适配器（EFA）与远程直接内存访问（RDMA）连接，消除了这种干扰。 LLM 推理包含两个本质不同的阶段：预填充是**计算密集型**，它并行处理整个输入提示以生成初始键值（KV）缓存；解码则是**内存密集型**，每次生成一个令牌，需要大量内存带宽来访问模型权重和不断增长的 KV 缓存。通过将两者分离为专用引擎，可以为每个阶段分配不同的并行策略。这种分离允许独立调整**首令牌时间（TTFT）** 和**令牌间延迟（ITL）**，比块状预填充调优更可靠地控制尾部延迟，并防止长上下文预填充阻塞正在进行的解码请求。 vLLM 通过连续批处理和 PagedAttention 提高了单节点效率。然而，大规模部署的组织在编排多节点部署和优化路由时仍面临挑战。本文展示了如何使用 SageMaker HyperPod Inference Operator 在 Amazon SageMaker HyperPod 上实现基于 vLLM 的 DPD。 ### 何时使用分离式推理 分离预填充与解码在以下场景中效果最为显著：**长上下文、高并发流式工作负载**，例如聊天助手、Agent 管线、文档分析端点和带有大量检索上下文的检索增强生成（RAG）。在这些情况下，单个长提示在共享 GPU 上会导致其他所有请求的解码停滞，造成每令牌延迟尖峰，而 DPD 通过架构设计消除了这一问题。 考虑使用 DPD 的场景： - 输入提示**经常超过 4096 个令牌** - 存在**多个并发用户或请求** - 需要**流式响应**且令牌交付一致性至关重要 - 混合流量中同时包含**长提示和短提示** 当 GPU 争用并非实际问题时，**共存部署**是更简单的选择：批处理或离线工作负载（优化 TTFT）、低并发部署、或仅短提示流量。在路由阈值以下，通过 EFA RDMA 传输 KV 缓存的固定成本超过了隔离解码带来的收益。DPD 路由器会将此类请求直接发送给解码器。 ### 架构与实现 DPD 架构由三个核心组件构成：预填充池、解码池和智能路由器。预填充池负责处理提示并生成 KV 缓存，解码池利用接收到的 KV 缓存逐令牌生成输出，路由器则根据提示长度、当前负载和延迟目标决定请求的路由方式。 在 SageMaker HyperPod 上实现时，利用 HyperPod Inference Operator 可以简化多节点部署的编排。EFA RDMA 提供了低延迟、高带宽的节点间通信，使得 KV 缓存在预填充和解码池之间高效传输成为可能。 ### 性能优化与权衡 分离架构带来的主要收益包括： - **消除干扰**：长提示不再阻塞其他请求的解码，尾部延迟显著降低 - **独立优化**：可为预填充和解码分别调整并行策略，例如预填充使用更大的张量并行度，解码使用流水线并行 - **资源效率**：根据工作负载动态调整预填充和解码池的大小，避免资源浪费 然而，也存在一些权衡： - **KV 缓存传输开销**：通过 EFA 传输 KV 缓存会引入固定延迟，对于短提示可能得不偿失 - **复杂性增加**：需要管理两个独立的 GPU 池和智能路由逻辑 - **路由决策延迟**：路由器本身可能成为瓶颈，需要高效的路由算法 ### 总结 DPD 是应对现代 LLM 推理中长上下文和高并发挑战的有效架构。通过在 SageMaker HyperPod 上结合 vLLM 和 EFA RDMA，组织可以构建可扩展、低延迟的推理服务。对于以流式响应为核心的应用，DPD 提供了一条清晰的路径，在保持高吞吐的同时实现稳定的每令牌延迟。
百思买正在以**350美元**的超低价出售**70英寸Insignia F50智能电视**，相比原价节省了150美元。这款电视虽然价格亲民，但功能并不简陋：它搭载**Fire TV平台**，内置**Alexa语音控制**，支持**HDR10**，并拥有70英寸的大屏幕，非常适合升级家庭影院或观看体育赛事（如即将到来的FIFA世界杯）。 ## 性价比之选 Insignia F50系列主打“高性价比”，在保持低价的同时，提供了主流智能电视的核心功能。对于预算有限但又希望获得大屏体验的用户来说，这是一个极具吸引力的选择。70英寸版本目前仅售350美元，相当于每英寸仅5美元，这在同类产品中极为罕见。 ## 功能亮点 - **Fire TV平台**：界面流畅，应用生态丰富，支持Netflix、Prime Video、Disney+等主流流媒体服务。 - **Alexa语音控制**：可通过遥控器或语音直接搜索内容、控制智能家居设备。 - **HDR10支持**：虽然不支持更高端的Dolby Vision，但HDR10仍能提供不错的对比度和色彩表现。 - **70英寸4K分辨率**：大屏带来的沉浸感是小型电视无法比拟的，尤其适合客厅或家庭影院。 ## 值得买吗？ 如果你正在寻找一台**大尺寸、价格低廉**的电视，且对画质没有极致要求（如不需要OLED或高刷新率），那么Insignia F50 70英寸版本是目前市场上**性价比最高的选择之一**。它特别适合： - 预算敏感的家庭用户 - 需要第二台电视的卧室或游戏室 - 临时租赁住所的租客 - 体育赛事或电影爱好者 当然，如果你追求顶级画质或更高级的智能功能（如Dolby Vision、120Hz刷新率），可能需要考虑更高价位的产品。但就**350美元**这个价位而言，Insignia F50的表现已经超出预期。 ## 购买建议 此次折扣仅限百思买，且可能为限时促销。建议有需求的用户尽快下单，以免错过优惠。同时，购买前请确认电视尺寸是否适合您的安装空间，70英寸电视的包装尺寸较大，需预留足够空间。
日本宇宙航空研究开发机构（JAXA）的隼鸟2号探测器再次创造历史，成功完成了一次极度接近小行星的飞掠任务，其目标小行星的尺寸几乎与探测器本身相当。这次飞掠被认为是迄今为止距离最近的小行星探测之一。 ## 任务背景与目标 隼鸟2号在完成对小行星龙宫的采样返回任务后，并未停下探索的脚步。它被重新定向至一颗名为**鸟船（Torifune）**的小行星，这颗小行星的直径仅约30米，比隼鸟2号本体大不了多少。对于如此微小的目标，精确导航和接近操作极具挑战性。 ## 飞掠细节与科学意义 此次飞掠中，隼鸟2号利用其光学导航相机（ONC-T）拍摄了鸟船的高分辨率图像。通过超近距离的观测，科学家能够获取小行星的表面形貌、自转状态和可能的物质组成信息。这类微小天体的研究有助于理解太阳系早期物质的演化过程，同时也能为未来潜在的**小行星防御**任务提供关键数据。 ## 技术挑战与成就 执行如此近的飞掠需要极高的轨道控制精度。隼鸟2号团队通过精确的计算和实时调整，确保探测器在安全距离内完成观测。这次任务不仅展示了JAXA在深空探测领域的**先进导航能力**，也验证了微小天体探测的可行性。 ## 未来展望 隼鸟2号将继续其扩展任务，可能还会对其他小行星进行飞掠或观测。此次成功为后续类似任务积累了宝贵经验，也进一步巩固了日本在**小行星探测**领域的领先地位。
开源AI正在蓬勃发展。Hugging Face CEO Clem Delangue在TechCrunch的Equity播客中分享了他的观察：越来越多的企业正在从依赖付费API转向使用开源模型，原因直指成本与控制权。 ## 从“租用”到“拥有”的转变 Delangue表示，他反复看到相同的模式：企业最初会使用前沿API（如OpenAI的GPT系列）来快速验证想法，但随着规模扩大，高昂的API费用开始成为负担。“当使用量达到一定程度时，租用AI的成本会远远超过自行部署开源模型的成本。”他解释道。这种成本压力促使企业转向像Hugging Face这样的平台，寻找可自由下载和部署的开源模型。 目前，Hugging Face已成为AI领域的GitHub，约一半的财富500强企业都在使用其平台。Delangue认为，开源不仅降低了成本，更让企业获得了对AI系统的完全控制权——包括数据隐私、模型定制和长期维护。 ## 开源与闭源之争：谁控制未来？ Delangue对闭源AI的垄断风险表示担忧。他指出，如果少数几家大公司控制了最先进的AI模型，它们将有能力决定技术的使用方式、定价甚至发展方向。这种集中化可能扼杀创新，并带来安全隐患。他以Anthropic暂停发布Fable模型为例，说明闭源公司可以单方面决定什么“安全”，而这种权力不应由私人企业独享。 相比之下，开源模型允许社区审查代码、发现漏洞，并共同改进。Delangue认为，开源是确保AI安全、透明和民主化的关键路径。 ## 中国AI模型与全球竞争 在谈到中国AI模型时，Delangue承认中国团队在开源领域做出了重要贡献。他提到，许多来自中国的模型在Hugging Face上获得了大量下载，这表明开源社区是全球性的。他认为，各国之间的开源协作有助于加速AI进步，但也需要警惕技术被滥用。 ## 结语 对于企业而言，选择开源还是闭源已不仅仅是技术偏好，而是关乎成本、控制权和长期战略。Delangue的观察揭示了一个趋势：随着开源模型能力的提升和生态的完善，越来越多的企业正从“租用AI”转向“拥有AI”。Hugging Face作为这一转型的平台，正在成为AI基础设施的核心。
Instagram 负责人亚当·莫塞里（Adam Mosseri）在 Lenny Rachitsky 的播客中表示，平台不会完全过滤 AI 生成内容，但用户若不喜欢，应有权将其从信息流中排除。莫塞里强调：“我不认为我们应该过滤掉 AI 内容，但应该告知用户哪些是 AI 生成的。”他同时区分了基于内容的分类与全面禁止 AI：喜欢 AI 的用户可以拥有“纯 AI 信息流”，而不喜欢的用户则应能选择不看。 然而，Instagram 目前仅对 AI 内容进行标记，并未提供过滤选项。莫塞里承认检测 AI 内容“很难”，随着模型进步，平台可能“失去识别能力”。他建议更务实的做法是标记“相机拍摄的真实内容”，而非 AI 内容。这一观点与他 2025 年 12 月关于“真实媒体”指纹识别的表态一致。 尽管莫塞里表示需要打击垃圾 AI 内容，Instagram 仍在积极拥抱 AI 技术。Meta 推出的 AI 图像生成器 Muse Spark 允许用户通过标记将他人融入 AI 创作，引发安全担忧。国家性剥削中心执行主任指出，该功能“为剥削、性虐待、骚扰和身份欺诈创造了明显且可预见的机会”。 **行业背景**：当前 TikTok、YouTube、Facebook 等平台均采取类似策略——标记但不过滤。这反映了平台在平衡 AI 创新与内容治理之间的困境：一方面，AI 内容带来流量和用户参与；另一方面，虚假信息、滥用和版权问题日益突出。莫塞里的表态或许预示着未来平台将提供更细粒度的用户控制权，而非一刀切禁止。
一家太阳能和家用储能公司正将业务拓展至AI数据中心领域，但并非通过自建数据中心——而是计划向客户付费，允许在其家中部署计算单元。Sunrun 宣布启动一项名为“分布式AI计算”的试点项目，该项目将“在客户家中放置大量计算节点”，利用家庭太阳能和储能系统为这些节点供电。 ## 模式与动机 Sunrun 的模式本质上是将算力下沉至用户侧。与传统集中式数据中心不同，分布式计算节点部署在住宅中，借助家庭已有的光伏和电池储能系统运行。用户无需承担硬件成本，Sunrun 会为占用的空间和电力支付费用。这一策略既能降低数据中心建设的土地和电力成本，又能利用分布式储能缓解电网压力，同时为用户创造额外收入。 ## 行业背景与挑战 AI 训练和推理对算力的需求呈指数级增长，而数据中心能耗已成为全球关注焦点。集中式数据中心面临电力供应紧张、冷却成本高、建设周期长等问题。分布式计算并非新概念，早期有通过家庭节点进行蛋白质折叠等科学计算的案例，但 Sunrun 的尝试首次将分布式计算与 AI 工作负载结合，且由能源公司主导。 **潜在优势：** - **绿色能源利用：** 家庭太阳能和储能系统可提供清洁电力，降低碳足迹。 - **电网友好：** 计算任务可灵活安排在太阳能发电高峰或电价低谷时段，辅助电网调峰。 - **低延迟边缘计算：** 对于某些推理场景，靠近用户的数据处理可减少延迟。 **主要挑战：** - **可靠性：** 家庭网络和电力稳定性不如专业数据中心，可能影响任务连续性。 - **安全与隐私：** 计算节点处理的数据类型和安全性未明确，用户对硬件在自家运行可能有顾虑。 - **规模效应：** 分散的计算节点管理和维护成本较高，能否达到 AI 训练所需的算力密度存疑。 ## 试点与未来展望 Sunrun 的试点计划规模有限，具体参与条件、硬件配置和报酬机制尚未公布。如果成功，可能开启一种“算力共享经济”模式，类似家庭太阳能发电并网获利。但 AI 计算对硬件要求苛刻，尤其是训练任务需要高速互联和专用加速芯片，普通家庭环境难以满足。因此，该模式更可能聚焦于推理或轻量级训练任务。 总体而言，Sunrun 的尝试反映了 AI 基础设施向分布式、绿色化发展的趋势，但能否规模化落地仍需观察。对于用户而言，这或许是一个用闲置屋顶和储能赚钱的新机会，但需要权衡隐私与便利性。
## 从“学会编程”到“再技能化”：AI 时代的就业新规则 过去十年，“学会编程”曾是无数人职业转型的金科玉律。从非营利组织到政府项目，大量资源被投入让更多人进入科技行业。然而，随着生成式 AI 的爆发式发展，这一口号正在失去效力。**我们正从“学会编程”时代，迈入“再技能化”时代——而这一次，责任主体不再是员工个人，而是雇主。** ### 为什么“学会编程”不再足够？ AI 工具如 GitHub Copilot、ChatGPT 等正在大幅降低编程门槛。以往需要数月甚至数年掌握的编码技能，现在可以通过自然语言指令部分完成。这意味着： - 初级编程岗位需求萎缩，重复性编码工作被 AI 替代。 - 企业更看重“AI 协作能力”而非纯编码能力。 - 单纯依靠个人学习编程来保证就业，已不再现实。 ### 雇主为何必须承担再技能化责任？ 过去，员工被期望自行投资学习新技能，企业则坐享其成。但在 AI 快速迭代的背景下，这种模式已不可持续： 1. **技能半衰期缩短**：一项技能可能 2-3 年就过时，个人难以持续跟进。 2. **企业内部知识流失**：如果员工自行转型失败，企业将失去宝贵的人才和经验。 3. **公平性问题**：并非所有人都有时间、金钱或资源去学习新技能，企业主导的培训能减少不平等。 ### 从“教会编程”中吸取的教训 过去十年的“编程普及运动”虽有成效，但也暴露出问题： - 培训与岗位脱节：许多培训项目教的是基础语法，而企业需要的是实战能力。 - 短期冲刺 vs 长期成长：密集训练营往往无法培养持续学习的能力。 - **雇主参与不足**：企业很少深度参与课程设计或提供实习机会，导致人才供给与需求错配。 ### 再技能化的新范式 成功的再技能化需要企业、政府和教育机构协同，但**雇主必须成为核心推动者**： - **内部培训体系**：建立与业务直接相关的技能提升计划，例如针对非技术员工的 AI 素养培训。 - **与教育机构合作**：共同开发课程，确保内容紧跟行业需求。 - **提供实践机会**：让员工在真实项目中应用新技能，而非纸上谈兵。 - **文化转变**：将学习视为工作的一部分，而非额外负担。 ### 结语 “学会编程”时代或许正在落幕，但“再技能化”时代才刚刚开始。**那些主动投资员工技能发展的企业，将在 AI 浪潮中获得更强的韧性和竞争力。** 对于个人而言，与其焦虑“该学什么”，不如关注“在哪里能获得持续成长的机会”。未来属于既能拥抱变化，又能为他人创造学习生态的组织。
3M Command 无痕胶条以其方便、不留痕的特性，成为居家收纳的利器。但很多人抱怨“挂上去没多久就掉下来”，其实问题往往出在使用方法上。掌握以下几个关键技巧，就能让物品稳稳上墙数年。 ## 准备工作：清洁与干燥是第一步 墙面必须干净、干燥、无灰尘。用酒精擦拭待贴区域，等完全干透后再操作。潮湿或油污的墙面会大幅降低粘性。 ## 粘贴手法：按压时间要足够 撕开胶条背胶后，将胶条贴在挂钩或挂件背面，然后用力按压**30秒以上**。很多人只是随手一按，导致胶面与墙面未能充分贴合。 ## 等待时间：别急着挂东西 贴上胶条后，**至少等待1小时**再挂载物品。如果是较重的物品（如相框、镜子），建议等待24小时。胶水的“应力松弛”需要时间，急于承重容易导致脱落。 ## 移除技巧：向下拉伸，而非硬拔 正确移除方法是：抓住胶条下方的拉片，**沿墙面平行方向缓慢向下拉伸**，胶条会自然伸长并脱离墙面。千万不要垂直向外硬拽，否则可能损坏墙面或残留胶体。 ## 承重与数量：别超载，也别吝啬 每个Command产品都有明确的最大承重标识。对于较重物品，使用多个挂钩分散受力。同时，墙面材质也很重要——光滑瓷砖、玻璃效果最好，粗糙墙面（如砖墙、纹理漆）需要配合专用胶条。 ## 温度与时间：极端环境要留意 高温（如夏季阳光直射）或低温（低于10℃）会降低粘性。长期处于潮湿环境（如浴室）建议选择防水系列。一般产品在适当条件下可保持粘性2-3年，之后建议更换新胶条。 ## 小结 Command 胶条并非“随手一贴就能用”，而是需要遵循正确的操作流程：清洁、按压、静置、正确移除。只要做到这几点，它就能成为你可靠的墙面收纳伙伴。
## Claude 的“隐藏空间”与 OpenAI 的“超级应用”同日登场 今天的科技资讯中，**Anthropic** 与 **OpenAI** 两大 AI 巨头分别带来了重磅消息：前者首次揭开了大语言模型内部运作的神秘面纱，后者则正式推出了其酝酿已久的“超级应用”。 ### Anthropic：窥见 Claude 的“内心世界” Anthropic 的研究团队开发了一种名为 **Jacobian lens（J-lens）** 的工具，并利用它在其旗舰模型 **Claude** 内部发现了一个隐藏区域——**J-space**。这个空间包含了模型在生成最终答案前可能考虑过的相关词汇。如果用人来类比（尽管 Claude 并非人类），可以说这些隐藏的词汇揭示了它在“开口说话”之前的“想法”。 这一发现是理解大语言模型内部工作机制的重要一步。它展示了模型在形成最终输出时，背后存在一个复杂的、多候选的推理过程，而不仅仅是从输入到输出的简单映射。研究成果涵盖了从寻常到令人不安的多种现象，为 AI 安全与可解释性研究提供了新的视角。 ### OpenAI：ChatGPT 变身“超级应用” 同日，OpenAI 正式推出了其长期规划的 **ChatGPT 工作版**，旨在将聊天机器人、代码工具和新模型整合为一体，打造一个能“替你工作”的 AI 平台。该产品被外界视为 OpenAI 的“超级应用”战略落地，它不仅能与你协作，更能主动完成任务。 值得一提的是，该应用与 OpenAI 的 **GPT-5.6** 系列模型同日发布，显示出 OpenAI 正加速整合其技术栈。此外，OpenAI 还在开发一款 **全自动研究员**，进一步拓展 AI 在知识工作领域的边界。 ### 行业动向：从芯片到手术，AI 渗透加速 除了这两大新闻，今日科技领域还涌现了多项重要进展： - **SK 海力士** 完成了外国公司在美最大规模上市，募资 **265 亿美元**，凸显 AI 数据中心需求的爆发式增长。 - **人形机器人** 首次成功对活体动物进行远程手术操作（摘除猪的胆囊），标志着医疗机器人技术迈出关键一步。 - **腾讯** 正牵头谈判，计划收购 Meta 此前被迫放弃的 **Manus** 中国业务，交易金额或达 **20 亿美元**。 - 科研领域传来突破：**死亡 10 小时后的人类视网膜** 经复苏后对光产生反应，为眼移植与视力恢复带来了希望。 ### 小结 今日资讯的核心在于 **AI 从“黑箱”走向透明** 与 **AI 从工具走向平台** 的双重趋势。Anthropic 的内部机制探索为安全可控的 AI 奠定了基础，而 OpenAI 的“超级应用”则预示着 AI 将更深度地嵌入日常工作与生活。与此同时，芯片、机器人、医疗等领域的进展表明，AI 的产业影响力正在全方位扩散。
在配件满天下的时代，无线充电器凭借MagSafe技术简化了设备充电流程，彻底告别线缆缠绕。ZDNET专家团队对Anker、Belkin、Nomad等品牌的十余款无线充电器进行了严格测试，从折叠便携性、外观设计、充电速度、多设备同时充电能力等维度综合评估，精选出2026年度最佳产品。本文不仅呈现测试结果，还深入分析无线充电技术的最新进展（如Qi2标准普及、快充协议兼容性），并结合日常使用场景（办公桌、床头柜、车载等）给出选购建议。无论你是苹果用户还是安卓用户，都能找到最适合自己生活方式的无线充电方案。
乌克兰的机器人专家正加速推进一项雄心勃勃的计划：让地面机器人接管战场最危险的区域——“杀戮区”，从而构建一条真正意义上的人类无需涉足的前线。这一趋势不仅反映了俄乌冲突中技术对抗的升级，也预示着未来战争形态的深刻变革。 ## 从无人机到地面机器人：战场的自动化演进 自俄乌冲突爆发以来，无人机已在前线侦察、炮火校正和精确打击中扮演关键角色，大幅降低了飞行员和侦察兵的风险。然而，地面作战始终是伤亡最惨重的环节。步兵在战壕、城市废墟和开阔地带面临密集火力，被称为“杀戮区”的接触线往往是血肉磨坊。如今，乌克兰的工程师正试图将这种风险转移给机器人。 RoverTech公司的Zmyi无人地面车辆（UGV）便是这一趋势的代表。在一次森林演示中，Zmyi展示了穿越复杂地形的能力，可执行物资运输、伤员后送甚至火力支援任务。这类机器人并非简单的遥控玩具，而是集成传感器、自主导航和模块化武器站的作战平台。 ## 技术挑战与实战适配 将机器人投入实战面临诸多挑战。首先，**通信链路**在电子战环境下极易被干扰或切断，因此自主决策能力至关重要。其次，**地形适应性**：乌克兰春季的泥泞、冬季的积雪以及遍布的废墟要求机器人具备高通过性。此外，**成本控制**也是关键——一次性无人机相对廉价，但地面机器人若造价过高则难以大规模部署。 乌克兰军方和私营企业正通过模块化设计应对这些难题。例如，RoverTech的Zmyi采用履带式底盘，可更换不同任务载荷，从侦察传感器到遥控武器站，实现一车多用。同时，利用民用部件降低采购成本，并借鉴无人机领域的快速迭代经验。 ## 战略意义：从“消耗战”到“无人战” 地面机器人的大规模应用可能改变战争的底层逻辑。当前，俄乌双方在长达千公里的战线上陷入残酷的堑壕战，人力消耗巨大。若机器人能有效执行高危区域的任务，**一线士兵的伤亡率有望显著下降**，同时延长部队的持续作战能力。 值得注意的是，这种转变并非一蹴而就。目前，机器人更多是辅助角色，而非完全替代人类。但在某些特定场景，如战壕清扫、雷区排障和弹药补给，机器人已展现出独特价值。乌克兰国防部下属的Brave1科技加速器正在资助多个UGV项目，目标是在2024年内实现小规模实战部署。 ## 未来展望：人机协同的新前线 尽管“完全无人前线”仍是一个远景，但乌克兰的实践正在为全球军事科技探索新路径。随着AI自主决策能力的提升和机器人成本的下降，**地面机器人将从辅助工具演变为战场主力之一**。然而，这也引发伦理争议：当杀戮完全由机器执行时，战争的规则与底线如何界定？ 目前，乌克兰的机器人专家更关注实用主义目标——减少士兵牺牲。正如一位工程师所言：“我们不是要取代战士，而是让他们远离最危险的地方。”这种务实态度，或许正是技术演进最真实的驱动力。
位于洛杉矶市中心的 **Dataland** 自称“全球首个人工智能艺术博物馆”，于6月20日向公众开放，开幕两周内便吸引了超过 **1万名** 访客。其核心展览 **《机器之梦：雨林》** 由艺术家 **Refik Anadol** 及其工作室联合创始人 **Efsun Erkılıç** 打造，通过可穿戴设备追踪访客的动作与生物特征，实时生成不断变化的数字影像与声景。 Anadol 表示，团队耗时三年从零训练自有AI模型 **Large Nature Model**，并亲自前往亚马逊等雨林采集原始数据，最终积累了 **5 PB** 的素材。这些数据与史密森尼等研究机构的自然科学档案共同驱动模型，创造出“幻觉化”的自然环境。与硅谷AI公司因未经授权使用训练数据而饱受争议不同，Dataland 强调所有数据均经研究人员同意并参与采集。 此外，Google DeepMind 为画廊提供了“实验性低能耗”资源，使其能够依托 Google Cloud 实现可持续计算。Anadol 认为，当前正处于艺术史的“文艺复兴”时期，AI 作为媒介虽具争议但潜力巨大。Dataland 试图通过伦理数据采集、环境责任与沉浸式体验，重新定义“AI艺术”的内涵——这一概念此前常被许多创作者质疑。
随着人工智能和云计算技术的快速发展，虚拟专用服务器（VPS）托管服务正成为企业和开发者部署AI应用、网站和数据库的关键基础设施。在2026年，VPS市场预计将更加成熟，提供更强大的可扩展性、专用资源和精细控制能力，以满足从初创公司到大型企业的多样化需求。 **为什么VPS在AI时代至关重要？** VPS通过虚拟化技术将物理服务器划分为多个独立环境，每个环境拥有专属的CPU、内存和存储资源。这使其成为运行AI模型、机器学习工作负载或高流量网站的优选方案。与共享托管相比，VPS提供更高的性能和隔离性；与专用服务器相比，它更具成本效益和灵活性，允许用户按需扩展资源，适应AI项目从测试到生产的不同阶段。 **专家评测的关键维度** 在评估2026年最佳VPS服务时，专家通常关注以下核心方面： - **性能与可靠性**：包括服务器响应时间、正常运行时间保证（如99.9%以上）和硬件配置选项。 - **可扩展性**：能否轻松升级CPU、RAM或存储，以应对AI训练或数据增长的需求。 - **控制与管理**：提供root访问权限、自定义操作系统安装和API集成，便于自动化部署。 - **安全特性**：内置防火墙、DDoS防护和定期备份，确保数据安全。 - **成本效益**：透明定价、无隐藏费用，以及针对长期使用的折扣计划。 **行业趋势与选择建议** 2026年的VPS市场可能进一步整合AI优化功能，例如预配置的GPU实例用于深度学习，或与云AI平台（如AWS、Google Cloud）的无缝集成。对于中文用户，选择服务时还需考虑数据中心位置（如亚洲节点以降低延迟）、本地化支持和合规性要求。 尽管具体评测结果未提供，但基于当前趋势，领先的VPS提供商可能包括DigitalOcean、Linode、Vultr等，它们以开发者友好和性价比著称。建议用户根据自身AI项目的资源需求、预算和技术栈，进行试用或咨询专家评测，以做出明智决策。 **小结** VPS托管服务在2026年将继续是AI和Web部署的基石，提供平衡性能、控制与成本的解决方案。通过专家评测，用户可以筛选出最适合其业务需求的选项，确保基础设施支持创新与增长。
Android 系统与 Linux 桌面之间的距离正在缩小，尤其是在 Google 为 Android 添加了 Linux 终端支持之后。理论上，通过 **Android 17** 引入的 **Weston 应用**（Wayland 合成器的参考实现），用户可以在安卓设备上运行完整的 Linux 图形界面（GUI）应用。这对于拥有大屏安卓平板的用户来说，似乎意味着设备生产力的巨大飞跃。 然而，理想很丰满，现实很骨感。资深科技编辑 Jack Wallen 在亲自测试后直言，这个功能目前仍是个“白日梦”。 ### 理论上的“简单”步骤 根据官方说明和社区指南，运行 Linux GUI 应用的过程似乎并不复杂： 1. 在 Android 设置中启用 Linux 终端支持。 2. 打开终端应用。 3. 安装 Flatpak 包管理器。 4. 启用 Flathub 仓库。 5. 在终端中运行 `weston` 命令启动图形环境。 6. 打开显示选项卡。 7. 启动 Wayland 终端。 8. 运行应用启动命令。 对于有 Linux 经验的用户来说，这些步骤并不陌生。但问题在于，实际操作中充满了障碍。 ### 现实中的“硬伤” 尽管 Android 内核基于 Linux，但 Google 并未为 Linux 桌面应用提供原生优化。Wallen 使用 **Pixel 9 Pro** 进行测试（因为手头没有支持 Linux 终端的平板），结果发现： - **兼容性问题**：许多 GUI 应用在移动环境下无法正确渲染界面，按钮和菜单错位、窗口无法缩放等问题频发。 - **性能瓶颈**：手机的小屏幕和触控交互方式与桌面应用的设计理念格格不入，操作体验极差。 - **生态缺失**：缺乏对 GPU 加速、多窗口管理等关键特性的支持，导致应用运行卡顿或直接崩溃。 Wallen 总结道：“即使赢下部分应用，也依然是个白日梦。” ### 行业背景与未来展望 Android 的 Linux 终端支持本是为了满足开发者和极客用户的需求，而运行 GUI 应用更像是一个附加的“彩蛋”。相比之下，**Linux 平板**（如 PineTab 或某些定制设备）在运行桌面应用时体验更佳，因为它们从底层就为桌面环境做了适配。 不过，这一功能的出现依然具有标志性意义：它表明 Google 正在认真考虑将 Android 打造成“全功能桌面系统”的可能性。随着 **Android 版本迭代** 和硬件性能的提升（尤其是折叠屏和大型平板的普及），未来或许会看到更完善的解决方案。 ### 小结 目前，在安卓上运行 Linux GUI 应用更像是一个技术演示，而非实用的日常功能。如果你只是想尝鲜或进行轻度开发，可以一试；但如果追求流畅的生产力体验，不妨等待 Google 的进一步优化，或者直接选择一台原生 Linux 设备。