## 挑战AI算力瓶颈：振荡器架构能否将功耗降低1000倍？ 在AI算力需求呈指数级增长的今天，电力供应正成为制约行业发展的硬性瓶颈。由前Databricks AI负责人Naveen Rao创立的**Unconventional AI**公司，提出了一种颠覆性的解决方案——基于**振荡器（oscillator-based）的新型计算机架构**，并宣称能将AI推理功耗降低高达**1000倍**。 ### 从“Hello World”起步：Un-0模型诞生 近日，Unconventional AI发布了其首个AI模型——**Un-0**，一个图像生成系统工具。这不仅是公司技术路线的首次公开验证，更被Rao称为“新计算机的Hello World”。研究团队在配套论文中详细阐述了如何利用新架构的软件模拟，构建出一个功能完整的图像生成模型，其性能**与Stable Diffusion、OpenAI GPT Image 1等最先进的扩散模型不相上下**。 ### 振荡器架构：原理与优势 传统AI芯片（如GPU、TPU）依赖布尔逻辑和晶体管开关，而振荡器架构则通过物理振子的频率和相位变化来表征与处理信息。这种根本性的差异带来了两大核心优势： 1. **极低功耗**：振荡器在状态切换时能耗极低，且天然支持模拟计算，避免了传统数字芯片中频繁的数据搬运和转换损耗。Rao相信，最终能将推理功耗降低三个数量级。 2. **并行效率**：振荡器阵列可以高度并行地处理信息，尤其适合AI推理这类大规模矩阵运算。 ### 从仿真到芯片：漫长的落地之路 目前，Un-0模型运行在振荡器芯片的**软件仿真**环境上。公司下一步计划是发布**实际芯片的电路图**，并以此为基础构建完整的推理堆栈——从底层硬件到上层软件，最终像其他云服务商一样提供算力。Rao设想：“我们将构建由自己芯片组成的新系统，运行AI模型，并通过网络接口接收提示词、输出推理结果，而功耗仅为传统方案的千分之一。” ### 前景与挑战 这是一个极其宏大的目标，尤其对于一家**员工不足50人**的初创公司而言。然而，考虑到当前AI基础设施的疯狂扩张——微软、谷歌、Meta等巨头纷纷投入数十亿美元建设数据中心，而电网容量正成为真正的天花板——这种“从零开始”的激进方案或许正是行业急需的突破。 当然，挑战同样巨大：振荡器架构的制造工艺尚未成熟，软件生态几乎空白，且需要证明其在更大规模模型上的可扩展性。但Rao的团队已迈出第一步：用仿真环境证明了原理可行性。未来一年，我们或将看到更多关于这种“新计算机”的实质性进展。
NVIDIA Blackwell GPU 架构的发布，为大规模 AI 模型训练带来了新的可能性。本文将深入探讨如何在 **Amazon SageMaker AI** 上配置训练作业，以充分发挥 Blackwell 架构的优势。 ## 核心优化点 ### 1. 利用扩展内存优化批次大小与序列长度 Blackwell B200 GPU 拥有更大的 HBM 容量和更高的内存带宽。通过合理选择 **批次大小** 和 **序列长度**，可以显著减少因内存不足而被迫进行激进模型分片的情况，从而降低通信开销，提升吞吐量。对于长序列依赖任务（如文档理解、代码生成），更长的序列长度变得可行。 ### 2. 选择正确的精度格式 根据模型参数量（1B 到 64B），选择合适的浮点精度格式至关重要。Blackwell 支持多种精度格式（如 FP8、FP16、BF16 等），在保持模型质量的同时，能有效降低显存占用，使得原本需要多节点训练的模型可以在单个 8-GPU 节点上运行。这直接减少了网络开销和基础设施成本。 ### 3. 策略性应用激活检查点 激活检查点（Activation Checkpointing）是一种以计算换内存的技术。在 Blackwell 上，由于内存瓶颈缓解，可以更有选择性地应用检查点，仅在关键层启用，从而平衡内存与计算效率。 ## 实践框架 以下是针对 P6-B200 实例（配备 8 块 Blackwell GPU）的训练配置建议： - **单节点训练**：对于 1B-13B 参数的模型，可尝试单节点训练，利用 NVLink 5 提供的 **1.8 TB/s** 双向 GPU 间带宽，减少通信延迟。 - **多节点扩展**：对于更大模型（如 64B），通过 SageMaker AI 的分布式训练库（如 SageMaker Distributed Data Parallel）进行模型分片，结合 Blackwell 的高内存容量，降低通信频率。 - **资源管理**：使用 **Flexible Training Plan** 预订 P6-B200 容量，实现可预测的访问、成本管理和自动化资源调度。 ## 行业背景 Blackwell 的发布恰逢 AI 模型规模持续增长之际。此前，开发者往往受限于 GPU 内存，不得不采用复杂的模型并行策略，增加了工程复杂度。Blackwell 通过硬件层面的改进，简化了训练流程，让研究者更专注于算法本身。 ## 小结 通过在 Amazon SageMaker AI 上合理配置 Blackwell GPU，您能够： - 处理更大的批次和更长的序列 - 减少模型分片需求，降低通信开销 - 以更低的成本加速迭代周期 建议根据具体模型大小和任务特点，参照本文给出的框架进行实验调优。
## 快速概览 视频超分辨率（Video Super Resolution）一直是计算摄影和媒体处理领域的热门方向。AWS 近日发布了一篇技术博客，详细展示了如何将 **SeedVR2** 模型部署到 **Amazon SageMaker AI** 上，实现高质量的视频放大（Upscaling）。本文基于该博客内容，提炼关键架构、部署步骤与性能对比，为希望在云上落地 AI 视频增强的团队提供一份实操指南。 ## 为什么选择 SeedVR2 + SageMaker AI？ SeedVR2 是一款基于深度学习的视频超分模型，专注于在保持时间一致性的同时提升空间分辨率。传统视频放大方法（如双线性插值）往往导致边缘模糊或伪影，而 SeedVR2 通过神经网络学习高分辨率细节，能显著改善画质。 将 SeedVR2 部署在 SageMaker AI 上，可以获得以下优势： - **弹性算力**：按需调用 GPU 实例，无需自建集群。 - **托管推理**：SageMaker 提供模型托管、自动缩放、监控等能力。 - **与 AWS 生态集成**：可直接对接 S3 存储、Lambda 触发、MediaConvert 等服务。 ## 架构与部署步骤 ### 整体架构 解决方案的核心流程如下： 1. 原始低分辨率视频存储在 **Amazon S3**。 2. 一个 **Lambda 函数** 或 **Step Functions** 工作流触发 SageMaker 推理任务。 3. SageMaker 端点加载 SeedVR2 模型，对视频逐帧或按片段处理。 4. 放大后的视频帧重新组合，输出回 S3。 5. 可选使用 **AWS Elemental MediaConvert** 进行编码封装。 ### 部署要点 根据博客说明，部署过程主要包括： - **模型打包**：将 SeedVR2 的 PyTorch 模型权重与推理脚本打包成 SageMaker 兼容的格式。 - **创建端点**：选择合适的实例类型（如 `ml.g5.xlarge` 或 `ml.p3.2xlarge`，取决于视频分辨率和帧率）。 - **推理优化**：利用批量推理或异步推理模式处理长视频，避免超时。 - **性能调优**：调整批处理大小、帧缓存策略以平衡吞吐与延迟。 ## 性能对比：质量与效率双提升 博客中展示了 SeedVR2 与传统方法的对比结果。以下为关键数据（基于博客原文）： | 方法 | PSNR (dB) | SSIM | 处理速度 (fps) | |------|-----------|------|----------------| | Bicubic | 28.3 | 0.82 | 120+ (CPU) | | SeedVR2 (SageMaker) | **32.1** | **0.91** | **~15** (GPU) | > **说明**：PSNR 和 SSIM 是图像质量客观指标，数值越高越好。SeedVR2 在质量上显著优于双三次插值，虽然 GPU 推理速度低于 CPU 插值，但考虑到画质提升，对于专业场景（如影视修复、安防监控）是值得的权衡。 ## 应用场景与落地价值 - **影视后期**：将标清素材放大至高清/4K，用于流媒体或存档。 - **监控视频增强**：提升低光照或远距离拍摄的细节，辅助人脸识别、车牌识别。 - **用户生成内容 (UGC)**：帮助用户将手机拍摄的低分辨率视频升级，分享到社交平台。 ## 小结 通过将 SeedVR2 部署在 Amazon SageMaker AI 上，开发者可以快速搭建一个可扩展的视频超分辨率管道。博客提供了完整的架构参考与部署指南，适合媒体、安防、AI 应用团队参考。如果你正在寻找云原生的视频增强方案，不妨从这篇实践入手。
## 从被动救火到主动规划：用 AI 智能体解锁 AWS Health 事件分析 企业运维团队每周一早上都要面对一堆 AWS Health 通知：Amazon Linux 2 生命周期结束、RDS 版本弃用、EC2 实例退役……这些事件分散在 50 多个账户中，团队很难快速判断哪些影响生产系统、哪些需要立即行动、哪些只是长期规划。在没有自助分析工具的情况下，运维人员往往只能等待技术客户经理（TAM）来解释事件，这严重拖慢了决策速度，让团队陷入被动救火的循环，而不是创新。 为了解决这一痛点，AWS 推出了开源解决方案 **Chaplin（Customer Health and Planned Lifecycle Intelligence Nexus）**。它利用基于 Amazon Bedrock 的 AI 智能体，通过 **模型上下文协议（MCP）** 对外暴露能力，让运维团队可以直接用自然语言提问，并获得精准、上下文相关的答案，无需再依赖 AWS Support 进行常规分析。 ### Chaplin 如何工作？ Chaplin 的核心思路是：把 AWS Health 事件数据（通过 AWS Health API 和 Amazon EventBridge 获取）与 AI 智能体结合，让用户通过 MCP 兼容的 AI 助手（如聊天机器人）直接查询。例如，你可以问：“当前哪些 EC2 实例需要退役？影响的生产系统有哪些？”智能体会自动检索事件、关联账户和资源，并给出结构化回答。 这种设计直接解决了传统方法的三大缺陷： - **依赖人工**：TAM 成为瓶颈，等待时间长。 - **仪表盘僵化**：预定义的 BI 看板无法适应动态、探索性的问题。 - **信息分散**：跨账户、跨区域的事件难以统一管理和优先级排序。 ### 适用场景与价值 Chaplin 特别适合拥有 **50 个以上 AWS 账户** 的企业运维团队。常见的应用场景包括： - **事件分类与优先级排序**：自动识别哪些事件影响生产环境，哪些是计划内维护。 - **影响分析**：快速评估某个服务变更或退役事件对业务的具体影响。 - **迁移规划**：在 Linux 2 生命周期结束前，自动列出需要迁移的实例。 通过将 AI 智能体与 MCP 协议结合，Chaplin 不仅降低了运维门槛，还让团队能够从“被动响应”转向“主动规划”。例如，团队可以提前安排维护窗口，而不是等事件发生后再紧急处理。 ### 部署与开源 Chaplin 的详细部署说明已发布在 GitHub 仓库 [Chaplin AWS Health Agentic Assistant](https://github.com/aws-samples/chaplin-aws-health-agentic-assistant) 中。它完全开源，用户可以根据自身环境定制数据源和查询逻辑。值得注意的是，部分 Health 事件（如符合条件的计划内事件）未来将直接关联到 Chaplin，进一步增强预测能力。 ### 行业趋势：AI 智能体重塑云运维 Chaplin 的推出反映了 AI 在云运维领域的一个重要趋势：**用智能体替代人工分析环节**。过去，运维团队需要手动筛选事件、查询文档、等待专家意见；现在，通过自然语言接口和上下文感知的 AI，这些工作可以自动化完成。Amazon Bedrock 作为底层模型服务，提供了安全、可扩展的 AI 能力，而 MCP 协议则让不同 AI 工具能够互操作。 对于正在管理大规模多云环境的企业来说，类似 Chaplin 的工具将成为标配——它们不是取代运维人员，而是让他们从重复劳动中解放出来，专注于更有价值的工作。
自主 AI 代理需要安全、可扩展的数据基础。本文展示了如何在 AWS 上构建一个受治理的无服务器数据网格，为生产级自主 AI 提供支撑。 ## 从 RAG 到自主 AI：治理挑战升级 当客户服务代理自主查询订单数据库、检索退货政策并综合答案时，它需要跨组织多个数据源的受控访问。传统的 RAG（检索增强生成）通过单一检查点过滤向量搜索结果即可满足需求，但自主 AI 代理需要从工具发现、查询执行到响应合成的全链路细粒度权限控制。 ## 架构三大关键升级 相比之前的 RAG 方案，新架构包含三个核心改进： 1. **向量存储替换**：用 **Amazon S3 Vectors** 替代 Amazon OpenSearch Serverless，可将中等查询频率工作负载的向量存储和查询成本降低 **高达 90%**。 2. **数据湖升级**：使用 **Amazon S3 Tables**（内置 Apache Iceberg 支持）替代通用 S3，配合 **AWS Lake Formation** 实现行、列、单元格级别的细粒度安全控制，事务吞吐量比自管理 Iceberg 表提升 **10 倍**。 3. **MCP 工具暴露**：通过 **AgentCore Gateway** 将数据网格暴露为 Model Context Protocol (MCP) 工具，并利用 **AWS Lambda** 拦截器在每次代理到工具调用时实施确定性访问控制。 ## 前提条件 实施该架构需要：AWS 账户管理员权限、IAM 权限以创建角色、策略、Lambda 函数、S3 Tables 表桶、Amazon Athena 工作组和 Lake Formation 配置，并熟悉 Lake Formation 概念（数据湖管理员、LF-Tags 等）。 ## 行业背景与价值 随着 AI 代理从简单问答转向自主操作，数据治理成为关键瓶颈。AWS 的无服务器数据网格方案不仅降低了成本（向量存储节省 90%），还通过 Iceberg 和 Lake Formation 提供了企业级安全控制，为金融、医疗等受监管行业的自主 AI 落地铺平道路。
AI 热潮催生了大量数据中心创业公司，但让数据中心真正投入运营并非易事。即使解决了 GPU、网络交换机和存储的采购问题，配置、调试和满足客户多样化需求仍需要数月时间。对于提供 AI 推理和训练服务的“新云”（neocloud）运营商而言，时间就是金钱——GPU 闲置的成本极高。 网络自动化初创公司 **Netris** 宣称能解决这一痛点。该公司提供运行在网络交换机上的软件，以及一个连接交换机的平台，通过自动化设置、配置和运维，帮助新云运营商大幅缩短上线时间。平台还提供网络抽象层，允许灵活调整硬件配置，并在硬件层面隔离服务器和资源，实现多租户支持。 Netris 的 CEO Alex Saroyan 指出，传统数据中心依赖软件定义网络（SDN）进行配置管理，但 SDN 在 AI 场景下力不从心：“AI 流量巨大，所有操作必须硬件加速。”Netris 的方案类似于 SDN，但完全基于硬件加速，且兼容 Nvidia 和 AMD 服务器所使用的网络设备与标准。 这一承诺获得了市场的认可，包括 **Nvidia** 在内的巨头也对其技术表示赞赏。两年前，Nvidia 在演示了 Netris 技术后，主动将其推荐给多个客户。如今，Netris 获得了由 **a16z** 领投的 **1500 万美元 A 轮融资**，用于加速产品开发和市场拓展。 在 AI 基础设施竞争日益激烈的当下，Netris 的出现为中小型新云运营商提供了与大型云服务商抗衡的工具。通过降低网络部署的复杂度和时间成本，Netris 有望成为 AI 算力普及的关键推手。
人工智能正在快速重塑零售业，但最大的变革可能并非消费者一眼能看到的虚拟试穿或聊天机器人购物助手，而是发生在幕后：产品如何在搜索结果中浮现、库存如何通过供应链流转、工程师如何更快地交付代码、以及零售商如何实时响应客户行为。在碎片化且竞争激烈的环境中，AI 正成为一种运营理念。 ## 从“AI 叠加”到“AI 优先” 梅西百货（Macy's）高级工程总监 Murali Murugan 将其描述为“AI 优先”的方法。他指出：“AI 优先不是在现有能力上叠加智能，而是重新设计决策方式，让业务运转更快，让每个体验默认更相关。”梅西百货并非简单地将 AI 叠加到现有工作流上，而是将智能直接嵌入个性化、搜索、运营规划和软件开发等系统。该公司的战略反映了零售业正在发生的更大转变：从孤立的 AI 试点转向集成系统，旨在压缩“信号与行动之间的差距”。 早期工作集中在搜索推荐和客户参与等高影响力用例上，这些领域的转化率提升和摩擦减少迅速建立了内部动力。Murugan 表示：“一旦我们建立了速赢，规模化就变成了业务决策，而不再是技术辩论。” ## 对话式商务：Ask Macy's 的实践 这种势头正通过 Ask Macy's 等工具扩展到对话式商务领域。Ask Macy's 是一个 AI 驱动的购物助手，其设计更像一位个人造型师，而非传统搜索栏。无论是为舞会、度假还是临时活动，客户可以用对话方式描述需求，系统会根据历史购买、偏好和上下文提供精选推荐。 尽管如此，梅西百货认为 AI 更多是增强人类判断的隐形层，而非替代品。长期愿景是让零售体验越来越无缝、自适应和个性化，而消费者可能根本不会注意到背后系统的存在。Murugan 总结道：“真正的变革来自于持续改进——从错误中学习，快速适应更新的技术标准。”
法国研究人员在3D芯片堆叠技术领域取得重大突破，创造了新的连接密度纪录。这项名为**混合键合（Hybrid Bonding）** 的技术，能够在垂直堆叠的两层芯片之间实现数百万个高密度互连，为下一代高性能计算、人工智能加速器和先进存储器铺平道路。 ## 什么是混合键合？ 混合键合是一种先进的芯片封装技术，它通过将两片裸晶圆（die）精确对齐并加热加压，使金属触点（通常是铜）直接熔合，同时周围的介电材料也键合在一起。与传统的微凸点（micro-bump）技术相比，混合键合能实现更小的间距（pitch）和更高的连接密度。 ## 突破纪录 来自法国研究机构**CEA-Leti** 的团队实现了间距仅为 **0.5微米**（500纳米）的混合键合，这意味着每平方毫米可容纳 **超过400万个** 独立连接。这一密度较此前业界领先的1微米间距（约100万连接/平方毫米）提升了约4倍。 ## 技术意义 更高的连接密度直接带来两大好处： - **带宽提升**：更多并行数据通道可大幅增加芯片间的数据传输速率，对于需要大量数据搬运的AI训练和推理任务至关重要。 - **功耗降低**：更短的互连距离和更低的寄生电容可减少信号传输能耗，有助于缓解高性能芯片的散热压力。 ## 行业影响 混合键合技术近年来成为半导体巨头竞相争夺的制高点。台积电（TSMC）在其3D Fabric平台中采用类似技术，用于整合系统级芯片（SoIC）；英特尔（Intel）也在Foveros Direct中推广混合键合。CEA-Leti的这一成果表明，实验室层面的工艺能力已远超当前量产水平，为未来3D芯片的密度极限提供了参考。 ## 挑战与前景 尽管纪录令人振奋，但将0.5微米间距的混合键合从实验室推向量产仍面临诸多挑战： - **对准精度**：晶圆键合需达到纳米级对准误差，对设备精度要求极高。 - **热管理**：密集互连产生的热量可能导致热应力，影响可靠性。 - **良率控制**：数百万个连接中任何一处失效都可能影响整体性能。 业界预计，该技术有望在 **2027-2028年** 进入商业化阶段，届时将推动AI加速器、高性能CPU和HBM（高带宽存储器）的集成度再上台阶。
距离 TechCrunch 创始人峰会 2026 早鸟优惠结束仅剩 2 天，最高可节省 **190 美元**。优惠将于 **6 月 26 日太平洋时间晚 11:59** 截止。 这场峰会专为创始人打造，将于 **11 月 4 日在波士顿** 举行，预计吸引超过 **1000 名创始人及投资人** 参与。活动包含战术学习、坦诚对话和高质量社交，帮助创始人更快决策、更聪明增长。 **核心亮点：** - **创始人优先设计**：所有环节围绕创业、规模化、融资挑战展开。 - **实用工作坊**：涵盖 A 轮融资、路演材料打磨、C 轮及以后时机判断、达到 1000 万美元 ARR、退出策略、IPO 准备等。 - **强大嘉宾阵容**：过往演讲者包括 boldstart ventures 合伙人 Ellen Chisa、Sapphire Ventures 合伙人 Cathy Gao、Underscore VC 合伙人 Chris Gardner、前特斯拉总裁 Jon McNeill 等。 - **团队优惠**：4 人及以上团体可享 **最高 30% 折扣**。 早鸟价仅剩 2 天，6 月 26 日后票价上涨。立即注册锁定席位。
Adobe 于本周四宣布，已达成收购 **Topaz Labs** 的最终协议。Topaz Labs 是一家专注于 AI 驱动的图像与视频增强技术的公司，拥有超过二十年的历史，其技术曾于去年获得艾美奖。Adobe 表示，将把 Topaz Labs 的工具整合到其创意业务中，包括 Firefly AI 应用以及图像与视频编辑套件的其他部分。 ## 交易背景与整合计划 Topaz Labs 近年来推出了自己的 AI 模型：用于视频超分辨率的 **Astra** 和用于图像修饰与增强的 **Wonder**。该公司还开发了一项技术，使得在消费级 GPU 上运行大型视频模型变得更加容易。Adobe 此前已在 Creative Cloud 套件中提供部分 Topaz 工具，此次收购将加速深度整合。Adobe 表示，Topaz 的产品仍将通过其网站作为独立服务提供。 Adobe Creative Cloud 产品营销副总裁 Deepa Subramaniam 在声明中指出，希望将真实镜头与 AI 片段结合的专业人士，可以使用 Topaz 的产品进行锐化细节、降噪或修复存档素材等任务。她强调，Topaz Labs 在优化大型复杂 AI 模型以在设备端直接运行方面拥有深厚专长，这将使 Adobe 能够为客户提供更快、更响应式的体验，让先进 AI 对创意人员来说更易获取且更具成本效益。 ## 行业竞争与战略意图 在图像与视频编辑领域，Adobe 正面临来自 Canva 和 DaVinci Resolve 所有者 Blackmagic Design 的激烈竞争。Adobe 一直在其所有应用中注入 AI 功能，并已通过 Firefly 打造了一个以 AI 为核心的媒体编辑工作室。通过收购 Topaz Labs 等初创公司，Adobe 希望防止用户转向其他软件进行视频编辑和增强，从而将他们留在自己的生态系统中。 ## 交易时间表 Adobe 表示，该交易预计将在 **2026 年下半年** 完成。 ## 小结 此次收购不仅是 Adobe 在 AI 视频编辑领域的一次重要布局，也反映了行业巨头通过整合专业 AI 工具来巩固生态系统的趋势。Topaz Labs 的技术将帮助 Adobe 在设备端 AI 处理能力上取得突破，为用户提供更高效的创意工作流程。
随着人工智能在数学领域的能力日益增强，数学家的身份与意义正面临深刻拷问。本文从一位前应用数学博士的亲身经历切入，探讨了纯数学研究的本质——并非追求效率或成果，而是源于对理解本身的深层愉悦。卡内基梅隆大学的 Jeremy Avigad 将这种体验形容为“马拉松式的成就感”与“突然顿悟的美妙”。AI 的介入可能重塑数学研究的方式，但不会取代数学家对意义和美的追求。
欧洲正经历创纪录的热浪，电网面临极限压力。随着人们使用风扇和空调降温，电力需求激增，但部分发电厂却无法上线供电。主要压力来源是冷却需求导致的负荷增加，而气候变化带来的更频繁、更强烈的热浪将使挑战进一步恶化。 ### 热浪对电网意味着什么 气候变化时代的电网规划通常意味着需要快速增加大量供应。但一个有趣的方面是，某些地区的季节性模式正在发生变化，加剧了满足需求的难度。欧洲历史上电网峰值出现在冬季，因为电供暖广泛使用。因此，一些计划内停电发生在春季和夏季，这影响了当前的供应。然而，日益增长的空调需求将改变这种平衡。 ### IBM 芯片技术有望延长摩尔定律十年 IBM 开发了一款新型原型芯片，在指甲盖大小的面积上集成了约 1000 亿个晶体管，密度是 2021 年上一代技术的两倍。该设计可能为未来更快、更节能的计算机铺平道路。过去十五年，晶体管已缩小至接近物理极限，功能退化。IBM 的新芯片采用了类似城市规划的“向上建造”策略来解决这一问题，为科技行业带来新希望。 ### 今日必读 - Anthropic 声称阿里巴巴“非法”提取了 Claude 的能力，称其进行了“厚颜无耻”的活动以访问模型。
亚马逊（Amazon）近日宣布，将在2030年前额外投资**130亿美元**，用于扩建其在印度的AI和云计算基础设施。这是继2023年承诺150亿美元、2025年12月追加350亿美元后，亚马逊对印度的第三笔重大投资，至此其在印投资总额累计达**480亿美元**。 这笔新资金将主要用于扩建亚马逊云服务（AWS）在孟买和海得拉巴的数据中心容量。亚马逊CEO安迪·贾西（Andy Jassy）与印度总理莫迪会晤后宣布了这一决定。不过，亚马逊未详细说明480亿美元如何在其印度业务中分配。科技公司的长期承诺通常包含资本支出和运营支出，而非仅新增基础设施投入。 ### 全球巨头争相布局印度AI 亚马逊此举正值全球科技公司竞相押注印度成为AI计算基础设施主要枢纽之际。**微软**于2025年12月宣布到2029年在印投资**175亿美元**，**谷歌**则在2025年10月承诺投入**150亿美元**建设AI枢纽和数据中心。此外，澳大利亚AirTrunk、加拿大养老金计划投资局（CPP Investments）以及印度本土巨头信实工业（Reliance Industries）和阿达尼集团（Adani Group）等，也已吸引数十亿美元数据中心项目投资。 印度政府通过政策激励吸引外资，包括对在印度数据中心运行工作负载的海外云服务商，其境外服务销售额给予**税收豁免**。 ### 零售与物流同步扩张 除云基础设施外，亚马逊还在加强印度本土零售和物流网络。公司计划今年开设**20多个**配送中心和**100多个**末端配送站点，并扩展快速配送服务Amazon Now至**300多个**城镇。这使其与Eternal旗下Blinkit、Swiggy的Instamart、Zepto以及沃尔玛旗下Flipkart的竞争更加激烈。本周早些时候，Flipkart宣布计划到2026年底开设**1500个**微型配送中心。 亚马逊在印度的持续重注，反映出其将印度视为全球AI和电商增长关键市场的战略决心。
## 影响超十亿台电脑的 Windows Secure Boot 证书到期 **Windows Secure Boot** 的核心证书之一已于近期正式过期，这一变化可能影响超过十亿台正在运行 Windows 的 PC。Secure Boot 是 UEFI 固件安全标准的一部分，旨在防止恶意软件在系统启动时加载，其有效性依赖于一系列内置的证书和密钥。 ### 证书到期意味着什么？ 此次过期的证书是 **Windows Production PCA 2011**，它被用于签署启动加载程序和系统固件。当证书过期后，理论上使用该证书签名的旧版启动组件将无法通过 Secure Boot 的验证，可能导致某些设备无法正常启动，或出现安全警告。不过，微软已提前通过 Windows Update 发布了补丁，以更新受信任的证书列表，确保大多数用户不会立即遇到问题。 值得注意的是，**Linux 发行版**也可能受到影响。许多 Linux 系统为了兼容 Secure Boot，会使用微软签名的 Shim 引导加载程序，而 Shim 同样依赖这些证书。因此，未及时更新引导加载程序的 Linux 用户可能遇到启动失败。 ### 如何检查你的 PC 是否受影响？ 要检查你的 Windows 电脑是否已应用相关更新，可以按以下步骤操作： 1. 打开 **设置 > 更新和安全 > Windows 更新**，查看是否有待安装的更新。 2. 确保安装了 2024 年 11 月及之后发布的累积更新。 3. 对于高级用户，可以运行 `certutil -store -user` 命令查看证书存储，确认 **Windows Production PCA 2011** 的过期状态。 如果你使用的是较旧的 Windows 版本（如 Windows 7 或 8.1），微软已不再提供更新，这些设备可能面临更高的风险。建议升级到受支持的 Windows 10 或 Windows 11。 ### 行业影响与未来展望 这是 Windows Secure Boot 证书首次大规模到期，但不会是最后一次。微软计划在未来几年内逐步淘汰更多旧证书，并推动硬件厂商采用更灵活的密钥管理方案。这也提醒我们，即便是在操作系统层面，安全基础设施也需要持续维护和更新。对于企业和 IT 管理员而言，应确保所有设备都安装了最新的安全补丁，并考虑使用 Windows Autopilot 等工具管理启动策略。 总的来说，虽然证书过期听起来很严重，但微软已经为此准备了较长的过渡期。只要保持系统更新，绝大多数用户不会遇到实际故障。不过，如果你仍在运行未经更新的旧系统，现在是时候认真考虑升级了。
福特汽车近期在 JD Power 初始质量排名中首次登顶主流车企榜首，但这家百年车企并未沉浸于喜悦，反而主动揭开了一段鲜为人知的“技术阵痛”。为了庆祝这一成就，福特罕见地公开了近年来在生产和设计环节过度依赖自动化系统所遭遇的困境——那些被寄予厚望的 AI 与机器人，远没有想象中可靠。 ## 系统“失忆”，老将救场 福特车辆硬件工程副总裁 Charles Poon 在媒体沟通会上坦言：“我们错误地认为，只要引入人工智能并调整设计要求，就能自动产出高质量产品。”现实却给了福特一记重拳：自动化系统在缺乏足够优质数据与资深工程师经验输入的情况下，频频出错。更糟糕的是，许多经验丰富的技术人员在退休或离职前，未能将毕生积累的“隐性知识”完整地转移给机器。 为此，福特不得不重新雇佣部分前工程师——甚至包括已退休的老员工——来“回炉”训练那些不听话的自动化系统。这些返聘人员不仅要修复机器人犯下的错误，还要手把手指导年轻工程师，帮助他们理解那些无法被算法量化的工艺细节。 ## AI 的“双刃剑”效应 福特的经历并非孤例。近年来，从制造业到金融业，企业纷纷拥抱 AI 以提升效率，却屡屡遭遇“数据陷阱”。福特指出，AI 的效果完全取决于训练数据的质量。如果数据本身存在偏差或不完整，系统就会输出错误的结果。而在汽车制造这种高度复杂的场景中，一个细微的参数错误可能导致整条产线的质量问题。 Poon 强调，公司低估了资深工程师在多年产品迭代中积累的“机构记忆”的价值。这些经验往往无法被简单的文档或代码所替代——比如某个零部件的装配手感、特定材料的形变规律，这些“手感”与“直觉”恰恰是自动化系统最欠缺的。 ## 从“机器至上”到“人机协作” 为了扭转局面，福特采取了多项措施：重新雇佣前员工、内部晋升与培训、以及优化数据采集流程。Poon 表示，福特正在重新平衡人与机器的关系，不再盲目追求全自动化，而是让 AI 充当辅助工具，关键决策仍由经验丰富的工程师把关。 此次 JD Power 排名第一的成绩，或许正是这种纠偏策略的初步回报。但福特也清醒地认识到，自动化与人工经验的融合是一场持久战。正如 Poon 所言：“技术可以加速流程，但无法替代数十年积累的匠心。” ## 结语 福特的案例为整个制造业敲响了警钟：AI 不是万能药，数据质量与人类经验才是技术落地的基石。在追求智能化的浪潮中，如何避免“为了自动化而自动化”，如何让机器真正学会“老师傅”的智慧，将是所有企业必须跨越的鸿沟。
随着半导体工艺微缩逼近物理极限，晶体管堆叠技术成为延续摩尔定律的关键路径。然而，在面向 2030 年代的 CFET（互补场效应晶体管）架构上，各大巨头的技术路线开始出现明显分化。IBM 选择了不同于 Intel、三星和台积电的方案，引发业界关注。 ## CFET 架构：垂直堆叠的晶体管 CFET 是一种将 n 型与 p 型晶体管垂直堆叠的架构，相比传统平面布局，可大幅节省芯片面积并提升性能。它被视为 2030 年前后实现 1nm 以下节点的关键技术。 ## 路线分化：IBM 的“另类”选择 据 IEEE Spectrum 报道，IBM 在 CFET 制造路径上采用了与众不同的方法。具体差异虽未完全公开，但已知 IBM 的方案在材料选择、堆叠顺序或工艺集成上与传统三强（Intel、三星、台积电）不同。这种分化可能源于 IBM 在先进封装和垂直集成方面的独特积累。 ## 行业格局与影响 目前，Intel、三星和台积电在 CFET 研发上倾向于采用更成熟的沉积与刻蚀工艺，而 IBM 则可能更早引入新材料或新型层转移技术。这种分歧意味着未来代工厂之间的 IP 与工艺生态可能进一步割裂。 对于芯片设计公司而言，不同代工厂的 CFET 实现方式可能影响电路库、设计规则乃至 EDA 工具适配。IBM 的差异化路线若成功，或将为特定应用（如高性能计算、量子控制芯片）提供定制化优势。 ## 小结 CFET 是半导体行业面向下一个十年的共同目标，但通往目标的路并非只有一条。IBM 的选择提醒我们，在技术探索期，多元化的解决方案反而能加速收敛到最优路径。行业需密切关注各家的工艺进展，以评估其对未来芯片设计生态的深远影响。
## 一句话总结 Google 为 Gmail 推出了名为 **Gemini Flows** 的 AI 自动化功能，能智能处理邮件，效果不错，但每月处理量有限，重度用户需谨慎。 ## 功能体验：AI 帮你“管”邮件 作为长期体验 Gmail 高级功能的用户，我最近发现了一个新图标——Gemini Flows。这是 Google Workspace Studio 的一部分，最初只面向 Workspace 用户，现在已向 **Google AI Pro（$20/月）** 和 **Google AI Ultra（$100/月）** 订阅用户开放。免费版用户暂时无缘。 简单来说，Flows 像是为 Gmail 定制的“AI 脚本”：你可以设定规则，让 Gemini 自动对邮件进行分类、标记、回复或归档。例如，将促销邮件自动移入“推广”标签，或把含附件的客户邮件标记为“重要”。实际测试中，它确实能准确识别意图，过滤效果比传统规则过滤器更智能。 ## 隐藏的“坑”：月度处理上限 然而，这并非完美方案。我注意到一个关键限制——**每月处理邮件数量有上限**。具体额度 Google 未公开，但根据我的使用体验，一旦超过某个阈值，Flows 就会停止工作，直到下个月重置。对于每天接收数百封邮件的重度用户，这个限制会极大削弱功能价值。 ## 行业背景：AI 与生产力工具的博弈 Google 此举并不意外。微软 Copilot、Notion AI 等竞品早已将 AI 嵌入工作流。Gemini Flows 的独特之处在于它直接作用于邮件处理这一高频场景，且无需用户编写代码。但 **“先给甜头，再设门槛”** 的策略也引发了讨论：付费用户是否值得为有限的 AI 能力买单？ ## 小结：适合轻度用户，重度用户需观望 如果你每天邮件量中等（几十封），Gemini Flows 能显著提升效率。但如果你像很多商务人士一样邮箱爆满，建议先确认自己的月度用量，或等待 Google 放宽限制。毕竟，一个“用着用着就停”的自动化工具，反而可能带来新的麻烦。
在全球5G向6G演进的关键节点，一场围绕 **6 GHz频段** 的争夺战正在 Wi-Fi 与蜂窝网络两大阵营之间激烈展开。该频段因其优异的传播特性（兼顾覆盖与容量）被视为未来无线通信的“黄金频谱”，而各国对其分配方式的抉择，将深刻影响未来十年的技术生态与产业格局。 ## 两大阵营的对立立场 - **Wi-Fi 阵营**（主要由科技公司、设备制造商及互联网服务商组成）主张将6 GHz频段的大部分划为 **免授权频谱**，以推动 Wi-Fi 6E/7 等下一代技术发展，满足室内高密度数据需求。 - **蜂窝网络阵营**（以传统电信运营商和通信设备商为代表）则力推 **授权频谱** 模式，确保 5G/6G 网络的稳定性和服务质量，并寻求通过独占频谱实现商业回报。 ## 关键国家的不同选择 - **美国**：联邦通信委员会（FCC）于2020年率先开放 **6 GHz 频段中 1.2 GHz** 供免授权使用，成为 Wi-Fi 阵营的重大胜利。 - **中国**：采取截然相反的立场，将整个6 GHz频段（5925-7125 MHz）分配给 **5G/6G 蜂窝网络**，强化其在移动通信领域的领导地位。 - **欧盟、印度、英国**：目前处于观望或内部博弈阶段。欧盟正就“6 GHz 低段部分（5925-6425 MHz）是否应开放免授权”进行咨询；印度电信部门倾向于蜂窝网络，但科技行业强烈反对；英国则采取“混合模式”，将部分频段用于 Wi-Fi，部分保留给移动网络。 ## 频谱分配背后的产业博弈 这场争夺本质上是 **两种技术范式** 的较量：Wi-Fi 代表“低功耗、分布式、免许可”的互联网生态，而蜂窝网络代表“集中化、高可靠性、许可制”的电信体系。频谱分配不仅关乎技术性能，更牵涉到数万亿美元的投资方向——运营商已为5G频谱支付巨额费用，而 Wi-Fi 芯片厂商（如高通、博通）则押注免授权频谱的规模化效应。 ## 未来展望：分裂还是协同？ 业界普遍认为，6 GHz 频段的最终分配将呈现 **区域化差异**。北美和部分欧洲国家可能延续 Wi-Fi 友好路线，而亚洲（尤其是中国）将推动蜂窝网络主导。**动态频谱共享技术**（如 Automated Frequency Coordination, AFC）或成为折中方案，允许两种服务在特定条件下共存。 然而，若各国各行其是，全球频谱碎片化将导致设备兼容性下降、漫游成本增加，并延缓 6G 标准的统一进程。世界无线电通信大会（WRC-23）虽已就部分频段达成共识，但6 GHz 的最终命运仍有待各国监管机构在技术、经济与地缘政治的多重压力下做出抉择。
2026年世界杯不仅是足球盛宴，更是一场AI军备竞赛。赛事组织方FIFA将每场比赛记录约1.5亿个数据点，仅足球内部的传感器每秒就能捕捉500次运动轨迹。数据与AI公司Stats Perform的首席科学家Patrick Lucey指出，一场足球比赛的可能排列数甚至超过宇宙中的原子数量。 本届世界杯，FIFA与联想合作，为所有球队提供了一款定制AI助手，试图缩小强弱队之间的技术鸿沟。然而，这一举措能否真正实现公平竞争仍是未知数。 ## 数据革命：从球员追踪到战术优化 AI正在彻底改变足球的方方面面。从球员球探、转会费评估，到教练制定战术和阵容，再到角球和任意球套路设计，数据都扮演着核心角色。球员利用数据谈判合同，广播公司则用数据提升观赛体验。Lucey将体育数据分析比作自动驾驶：“我们关注的是轨迹——精细粒度、多智能体、对抗性。”仅考虑一支球队的球员排列就有10的阶乘种可能，加上对手后复杂度呈指数级增长。 ## 小国的逆袭：数据驱动的“侨民追踪” 本届世界杯，加勒比海岛国库拉索（人口约15.9万）成为史上最小参赛国。他们的秘密武器是数据驱动的“侨民追踪”技术：通过分析球员家谱、识别有资格代表国家队的海外裔球员，并利用地理空间数据规划球探行程。在库拉索的26人名单中，仅1人出生在岛上，其余均来自荷兰。这一案例展示了小国如何借助AI弥补人才池的不足。 ## AI助手：公平还是新门槛？ FIFA提供的AI助手理论上能让所有球队获得基础数据分析能力，但实力雄厚的俱乐部和国家队早已拥有自研AI系统。例如，欧洲顶级俱乐部每年在数据基础设施上的投入高达数百万美元。AI助手能否真正拉平差距，还是让有钱的球队跑得更快？答案可能取决于工具的开箱即用性以及定制化程度。 ## 小结 当足球场上每一脚传球、每一次跑位都被转化为数据，AI已成为决定胜负的隐形球员。数据民主化让更多球队有机会参与竞争，但真正的AI主导权仍掌握在资源更丰富的玩家手中。未来的世界杯冠军，或许不仅是球员的胜利，更是数据的胜利。
IBM 近日宣布推出全球首个“亚 1 纳米”芯片技术，其新型纳米堆叠（nanostack）架构可在指甲盖大小的芯片上集成近 1000 亿个晶体管，密度较上一代技术提升近一倍。该技术专为 AI 数据中心设计，旨在实现计算性能与能效的双重飞跃。 ## 纳米堆叠：突破物理极限的新思路 现代芯片制造已逼近物理极限，传统平面晶体管难以继续缩小。IBM 的解决方案是**垂直堆叠晶体管**，通过交错布局在相同面积内塞入更多晶体管。其基本单元由两个晶体管堆叠键合而成，每个晶体管包含三个纳米片——这正是 IBM 在 2021 年推出 2 纳米纳米片技术后的延续。 IBM 将这一新工艺命名为 **0.7 纳米节点（7 埃节点）**。需要强调的是，这里的“0.7 纳米”并非晶体管物理尺寸——实际上，自 20 世纪 90 年代以来，节点编号早已与真实尺寸脱钩，而是代表与同代工艺等效的性能提升。换言之，IBM 的纳米堆叠架构实现了“相当于”亚 1 纳米工艺的计算密度。 ## 性能与能效的双重红利 IBM 研究院总监 Jay Gambetta 表示，这“不只是增量改进，而是有意义的飞跃”，并指出新技术指向一个“计算能力大幅增强而能耗不相应增加”的未来。对于 AI 数据中心而言，更高的晶体管密度意味着可部署更复杂的模型、更快的推理速度，同时控制功耗。在摩尔定律放缓的今天，这种通过架构创新而非纯粹物理微缩来提升性能的路径，正成为行业共识。 ## 行业背景与竞争格局 IBM 并非唯一押注 3D 堆叠的玩家。台积电、三星和英特尔均在开发类似技术，但 IBM 此次率先公开“亚 1 纳米”节点，意在抢占技术话语权。值得注意的是，IBM 的研究成果通常先用于自身大型机与云服务，再授权给合作伙伴。此次的纳米堆叠技术能否如 2 纳米纳米片一样快速商业化，仍需观察。 ## 小结 IBM 的纳米堆叠架构代表了后摩尔时代的一种务实路径：**用堆叠换密度，用架构换性能**。虽然“0.7 纳米”的命名可能引发混淆，但其背后晶体管密度翻倍的事实，对 AI 计算基础设施的演进具有实质性意义。未来几年，我们或将看到更多采用垂直集成设计的芯片进入数据中心。