**TechCrunch Founder Summit 2026** 早鸟优惠进入倒计时：仅剩3天，最高可节省**$190**。优惠截止时间为**太平洋时间6月26日晚上11:59**。 本次峰会将于**11月4日在波士顿**举行，预计汇聚**超过1000名创始人和投资者**。活动聚焦实战经验分享，涵盖融资、规模化、招聘、退出策略等核心议题。往届演讲嘉宾来自**Tesla、Sapphire Ventures、Index Ventures、Sequoia Capital、Greylock、NFX、Wing Venture Capital**等知名机构。 现场还将设置分组讨论和圆桌环节，参会者有机会提交议题并参与投票。团队购票（4人及以上）可享**额外30%折扣**。 > “创始人不会独自扩张。”——TechCrunch 强调，与同行交流、向操盘手学习、与投资人建立关系，是创业加速的关键。 立即注册，锁定早鸟价。
射频集成电路（RFIC）设计长期以来被视为一门“黑暗艺术”，依赖工程师多年经验，复杂且耗时，严重制约了 5G、自动驾驶、卫星通信等无线技术的发展。然而，普林斯顿大学的研究团队正通过强化学习、逆向设计和扩散模型等 AI 技术，彻底改变这一局面。他们的方法能在数小时内生成高性能的 RF 电路布局，甚至创造出人类设计师无法想象的创新结构，同时大幅缩短设计周期。未来，建立大型共享芯片设计数据集和开放生态系统，将是 AI 进一步掌握通用电磁与电路行为的关键。 ## 从“黑暗艺术”到 AI 驱动的自动化 传统的 RFIC 设计高度依赖人类专家的直觉与试错，一个复杂的芯片往往需要数月甚至数年才能完成。AI 的介入打破了这一瓶颈。普林斯顿团队采用**强化学习**和**逆向设计**，让算法从零开始探索最优电路拓扑，无需遵循人类的设计规范或美学约束。这种方法不仅速度快，还能发现人类未曾考虑过的创新方案。 ## 扩散模型生成“非人类”布局 研究进一步引入**扩散模型**，能够快速生成新颖且可解释的 RF 布局。这些布局在性能上屡创纪录，但外观却与人类设计的芯片截然不同——它们可能形状不规则、走线怪异，但电磁特性却更优越。这印证了 AI 设计的一个核心理念：摆脱对人类可理解性和视觉美感的依赖，纯粹追求功能最优。 ## 行业影响与未来挑战 AI 驱动的 RFIC 设计将加速 6G、量子通信和自动驾驶等领域的商业化进程。然而，当前最大的障碍是**数据匮乏**：AI 需要大量高质量的设计数据来学习通用规律，但芯片设计数据往往被企业视为机密。普林斯顿团队呼吁建立开放的芯片设计数据集和生态系统，让 AI 能够像在图像识别领域一样，通过共享数据实现突破性进展。 ## 小结 AI 正在将 RFIC 设计从一门依赖个人经验的手艺，转变为可扩展、可复制的工程科学。虽然完全替代人类设计师尚需时日，但 AI 在探索未知设计空间方面的能力已经毋庸置疑。未来的无线世界，或许正由这些“非人类”的芯片所塑造。
Google 最新推出的 Home Speaker 以 99 美元的价格，在小巧机身内塞入了令人惊喜的音质和智能体验。但“音箱”只是它工作的一部分。凭借三麦克风阵列，即使在 100% 音量播放音乐时，它也能快速响应“Hey Google”唤醒词。在两天测试中，麦克风从未漏掉一次唤醒——除了我为了不吵醒宝宝而隔屋耳语的那次，但这或许不算公平测试。我把音箱放在浴室，淋浴时与它对话；Siri 几乎听不到流水声中的我，但 Google 表现相当不错。 这些是任何智能音箱都应做好的基本功，但对 Home Speaker 来说尤为关键——Google 不仅将其设计为音乐和智能家居控制中心，更把它打造成一个通过 Gemini 完成一切的环境式 AI 助手：规划日程、获取信息、处理事务。 **音质与设计** Home Speaker 音质饱满有力，在如此小的体积下能发出充满房间的声音。日常作为厨房音箱或背景音乐，你几乎不需要开到最大音量。不过与上一代 Nest Audio 相比，后者声音更响亮、音质更好，体积也大得多。我多年的主力小音箱是 UE Wonderboom，Home Speaker 与它旗鼓相当：Wonderboom 稍响一些，低音更强劲。 **智能与体验** Gemini 的融入让 Home Speaker 不再只是音箱。你可以自然对话式地询问日程、天气、甚至让 AI 帮你完成复杂任务。但初期体验显示，它偶尔会“犯轴”——比如对某些指令理解偏差，或执行速度不如预期。这种“小脾气”在智能设备上并不罕见，但对于一款主打环境 AI 的产品，稳定性和可靠性仍需打磨。 **小结** Google Home Speaker 在音质和设计上交出了亮眼答卷，AI 体验也展现了巨大潜力。但作为一款“智能音箱”，它需要在“智能”和“稳定”之间找到更好平衡。完整评测将在后续发布，敬请期待。
高通公司宣布以近40亿美元收购硅谷AI芯片初创公司Modular，这一交易标志着高通在AI芯片领域的进一步扩张。Modular成立于2022年，由Chris Lattner和Tim Davis共同创立，两人均曾在谷歌TPU团队工作。Lattner是开源编译器项目LLVM和苹果Swift编程语言的创建者，还曾短暂担任特斯拉Autopilot软件负责人。Modular的核心产品是一个芯片软件平台，以及专有的编程语言，允许开发者编写一次AI软件即可在不同芯片上运行，无需为每种芯片重写代码。该平台旨在帮助云企业最大化GPU和CPU的性能。 高通计划通过此次收购增强其在AI芯片软件方面的能力，特别是在数据中心市场。高通总裁兼CEO Cristiano Amon表示：“我们相信未来属于开发者友好的横向平台，能够跨不同计算环境运行，为客户提供真正的选择。”高通近年来积极拓展移动芯片以外的业务，包括为AI设备设计芯片，如智能眼镜、耳机、手表等，并已推出40多种AI设备芯片设计。此外，高通还在数据中心市场发力，去年收购了RISC-V服务器CPU初创公司Ventana Micro Systems，并正在开发定制ASIC设计，据报道中国字节跳动是其早期客户。 交易预计将于今年下半年完成，Modular的整个团队（包括两位联合创始人和约150名员工）将加入高通。此次收购距离Modular完成2.5亿美元融资仅9个月，当时其估值为16亿美元。分析人士认为，这笔交易反映了AI芯片领域软件与硬件融合的趋势，高通正通过收购快速补齐软件短板，以应对英伟达等竞争对手的挑战。
## 工程学特辑：雄心与挑战并存 在《MIT Technology Review》最新推出的**工程学特辑**中，我们见证了人类智慧如何应对从微观到宏观的各类挑战。特辑强调：我们无法解决所有问题，但可以通过工程学的雄心与创造力，让世界变得更好。 ## 本期亮点 - **巨型工程**：如海底隧道挖掘，挑战物理极限。 - **纳米级突破**：ASML新一代光刻机推动芯片制造未来。 - **行星级方案**：模拟火山机制，主动为地球降温，探索未知领域。 这些故事展示了工程学如何汇聚力量、取得切实进展。订阅即可阅读完整印刷版。 ## 科技巨头联手抗击呼吸道感染 支付公司**Stripe**领投，联合**Anthropic**、**OpenAI**及比尔·盖茨，共同资助一个**5亿美元**的非营利项目，旨在预防普通感冒和流感，最终目标是彻底消除呼吸道病毒。该项目将探索现代技术能否有效对抗这些常见疾病。 ## 小行星2024 YR4的惊险追踪 《MIT Technology Review》叙事播客最新一集揭秘了**最危险小行星**的追踪内幕。2024 YR4曾创下历史最高撞击风险记录，全球科学家在极短时间内完成发现、跟踪、规划与最终排除威胁的全过程。该播客每周在Spotify和Apple Podcasts更新。
But not by shifting costs to electricity customers, FERC says
**快讯简报** 由Stripe、Anthropic、OpenAI基金会、比尔·盖茨及Jane Street Capital量化交易员等共同资助的新非营利组织**Intercept**近日宣布成立，初始资金**5亿美元**，目标是预防并最终消除普通感冒和流感等呼吸道病毒感染。 **关键事实** - Intercept将采用拨款和投资方式，支持疫苗研发以及学校、办公室等公共场所的大规模空气净化系统。 - 项目发起人、Stripe高管Nan Ransohoff指出，人们将一生约**5%**的时间用于对抗感冒或流感，但制药公司因缺乏商业激励而投入不足。 - 普通感冒由超过200种病毒引起（以鼻病毒为主），单一疫苗研发回报率低，导致该领域长期被忽视。 - 此前Stripe曾通过Frontier项目投入18亿美元推动碳移除技术，此次Intercept延续了“技术可行但缺乏商业激励”的解决思路。 - 概念源于Ransohoff与华盛顿大学结构生物学家David Veesler的交流，后者认为开发广谱抗病毒手段在技术上可行。 Intercept的成立标志着科技界将应对气候变化的方法论迁移至公共卫生领域，试图通过大规模资金与跨学科合作填补市场空白。
AI 的蓬勃发展催生了大量新用例，但企业要真正释放技术潜力，离不开海量数据支撑。然而，Web 最初的设计并非为 AI 的自动化发现和检索而生，许多有价值的信息或被封锁，或呈非结构化状态，难以被模型有效利用。这催生了一个全新的需求：**Web 数据基础设施层**。 #### 从静态训练到动态数据流 早期 AI 突破依赖于扩大训练数据和模型规模，但如今企业面临根本瓶颈：Web 数据是动态、非结构化且持续演变的，而模型输出必须基于当前且可验证的信息。因此，AI 性能越来越不取决于模型架构本身，而是取决于系统在计算、网络、检索和数据工程方面的能力——即快速可靠地获取**新鲜、相关且可信**数据的能力。 传统的训练数据是某个时间点的快照，已无法满足需求。企业需要追踪竞品定价、消费者情绪和市场趋势的实时波动，因此需要持续的新信息输入和实时数据拉取。这要求基础设施能同时处理数百万次跨网站交互，而这些网站在地域、语言、格式和访问规则上千差万别。 > “如果无法检索实时信息，就缺乏上下文，”Web 数据收集平台 Bright Data 的 CEO Or Lenchner 表示，“在商业环境中，这是不可接受的。过时的答案会导致糟糕的决策和失望的消费者。” #### 规模与挑战：未知的数据宇宙 Web 的规模令人咋舌：现有数亿个域名，每周新增数十亿个 URL。要从中发现并映射相关数据，需要强大的基础设施层。Lenchner 比喻道：“想象一下宇宙：它就在那里，但你不知道你不知道什么。” 这一层必须能够克服技术障碍，实时交付信息。 #### 基础设施层的核心能力 一个成熟的 Web 数据基础设施层应具备以下能力： - **大规模抓取与解析**：处理海量 URL 和异构页面结构。 - **实时性**：支持近实时或实时数据获取，确保信息新鲜度。 - **对抗封锁与反爬**：绕过网站的反自动化机制，同时遵守 robots.txt 等规则。 - **多语言与地域适配**：处理不同地区的网站差异。 - **数据清洗与结构化**：将非结构化网页转化为 AI 模型可用的结构化数据。 #### 行业影响与前景 这一基础设施层的出现，可能重塑 AI 应用的价值链。对于企业而言，谁能更快、更可靠地获取并利用 Web 数据，谁就能在竞争中获得先机。无论是训练更强大的 LLM，还是构建实时决策系统，数据基础设施都将成为差异化优势的关键。 目前，像 Bright Data 这样的平台正在填补这一空白，但市场仍处于早期阶段。未来，随着 AI 应用对实时数据的需求激增，Web 数据基础设施层有望成为像云计算、数据库一样的基础设施品类。 #### 小结 AI 的下一个前沿，或许不再取决于更大的模型或更多的算力，而在于如何高效地连接和利用整个 Web 的实时数据。Web 数据基础设施层的崛起，正是对这一需求的回应。它不仅是技术架构的升级，更是 AI 从实验室走向真实商业场景的关键一步。
Traveling soon? Scoop up these nifty gadgets ahead of your travels for less.
Some of my favorite practical Bluetooth gadgets are also on sale during Amazon Prime Day.
6G will only expand the reach of fixed wireless access
ZDNET's editors are shopping for Prime Day just like you - and almost everything we're buying is under $100.
## 核心结论：Google Maps 综合实力更强，Apple Maps 更适合苹果生态用户 经过长时间的实际使用对比，**Google Maps** 在路线规划速度、AI 功能集成和探索发现丰富度上明显领先，而 **Apple Maps** 则凭借简洁的界面和与苹果设备的无缝整合，成为苹果用户的轻量级优选。 ### 为什么 Google Maps 仍是导航之王？ - **更快的路径规划**：Google Maps 利用实时交通数据和历史模式，能迅速提供多条备选路线，并动态调整建议。在高峰时段，其预估到达时间往往更精准。 - **AI 驱动的探索功能**：通过机器学习，Google Maps 可以根据你的偏好推荐附近餐厅、景点，甚至提供“热门时段”等信息。其“附近”功能远比 Apple Maps 细致。 - **丰富的数据层**：街景、室内地图、实时公交信息、骑行路线等，让 Google Maps 成为全能型工具。对于旅行规划，它还能同步酒店、航班信息。 ### Apple Maps 的独特优势 - **极简设计**：Apple Maps 界面更干净，没有广告干扰，导航提示更直观。对于日常通勤或短途出行，它足以胜任。 - **生态整合**：在 iPhone、iPad、Mac 和 Apple Watch 之间无缝同步，支持 Siri 语音控制，甚至能通过 CarPlay 提供“免打扰”模式。 - **隐私保护**：Apple 强调数据处理在设备端完成，不收集用户位置历史用于广告。这吸引了对隐私敏感的用户。 ### 关键差异对比 | 维度 | Google Maps | Apple Maps | |------|-------------|------------| | 路线准确性 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | | 探索发现 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | | 界面简洁度 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | | 生态整合 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | | 隐私保护 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ### 我的最终选择 尽管 Apple Maps 近年来进步显著，但 **Google Maps 在核心导航能力和信息丰富度上仍然更胜一筹**。如果你经常需要探索新地点、依赖实时交通，或者需要跨平台使用，Google Maps 是更好的选择。 而对于只进行简单导航、且完全使用苹果设备的用户，Apple Maps 足以满足日常需求，甚至体验更流畅。 > 注意：本次对比基于个人长期使用体验，不同地区和场景下结果可能有所差异。
A prominent AI expert says that forward-deployed engineers are limited, and that the broader emerging category of AI engineers has the greatest career potential. Is he right?
When I was 18, I skipped my high school graduation and headed to Kuwait. It was 1991, the first Gulf War had just ended, and the country was in complete chaos. There was little to no electricity, aside from generator power. Rubble and unexploded ordnance were everywhere. Massive oil fires lit up the desert and…
As soon as August, a giant silver bullet will cut its way through the dry air of the southwestern US and cross the Pacific to reach the coast of Japan.  Once there, the roughly 200-foot-long craft, built by the New Mexico–based company Sceye, will park some 18 kilometers above the ocean’s surface, in a wispy-thin…
## 一句话总结 Prospector by Synter 是一款将 AI 外呼代理直接嵌入 Slack 的工具，让销售团队无需切换平台即可完成客户挖掘与跟进。 ## 核心亮点 - **全 Slack 原生体验**：所有操作都在 Slack 对话框内完成，无需打开额外应用或网页。 - **智能外呼代理**：AI 自动执行客户线索挖掘、初步沟通、信息收集等任务，节省人力。 - **实时协作与通知**：团队成员可共享线索状态，AI 代理会在 Slack 中推送更新。 ## 适用场景 - 销售团队希望减少 CRM 与通讯工具之间的切换成本。 - 需要快速验证大量线索，但人力有限的初创公司或中小企业。 - 习惯以 Slack 为工作中心，追求高效流程自动化的团队。 ## 行业背景 随着 AI 代理（Agentic AI）的兴起，越来越多的工具开始将自动化能力嵌入到日常协作平台中。Prospector 正是这一趋势的典型代表——它不试图取代 Slack，而是成为 Slack 里的“智能同事”。这降低了 AI 工具的使用门槛，让销售团队能更快上手。 ## 小结 Prospector 将 AI 外呼能力无缝融入 Slack，为销售流程自动化提供了轻量级、易上手的新选择。对于已经在使用 Slack 的团队来说，这可能是提升效率的又一利器。
CRM（客户关系管理）中的“M”（管理）通常意味着繁重的手动录入与跟进工作。如今，AI 初创公司 Clarify 提出了一种全新思路：让 AI 代理来承担这些事务，将人从管理负担中解放出来。 Clarify 发布的 **Customer Relationship Agents**（客户关系代理）是一套 AI 驱动的自动化工具，旨在接管 CRM 中的日常管理任务。与传统 CRM 需要用户主动录入数据、跟进提醒不同，这些代理能够自动记录客户交互、更新联系人信息、发送跟进邮件，甚至根据对话内容智能推荐下一步行动。 ### 核心能力与亮点 - **自动数据录入**：通过分析邮件、聊天记录和通话摘要，代理自动填充 CRM 中的字段，消除手动输入。 - **智能跟进**：基于客户行为和时间线，代理自动生成并发送个性化的后续沟通，确保无遗漏。 - **洞察生成**：从历史交互中提取关键信息，如客户痛点、购买意向，并以摘要形式呈现给销售团队。 - **工作流自动化**：支持自定义规则，例如当客户标记为“高意向”时，自动创建任务并分配给对应销售。 ### 行业背景与价值 CRM 系统的核心价值在于帮助企业管理客户关系，但实际使用中，大量时间被耗费在数据维护上。根据行业研究，销售代表平均有 **17% 的时间** 用于数据录入，而 Clarify 的代理旨在将这一比例降至接近零。这与当前 AI 在 SaaS 领域的趋势相符——从“辅助工具”转向“自主执行”。 与 Salesforce、HubSpot 等传统 CRM 不同，Clarify 的定位是“无管理 CRM”，强调减少人为操作。其代理层相当于一个智能中间件，既兼容现有 CRM 数据，又通过 AI 实现自动化闭环。 ### 适用场景与展望 对于中小型销售团队或独立顾问，这类代理可以显著提升效率。例如，自由职业者无需再手动记录客户通话要点，代理会自动整理并关联到对应项目。不过，对于高度定制化或复杂 B2B 销售流程，代理的决策准确性仍需验证。 Clarify 的推出标志着 CRM 领域正从“工具”向“服务”演进——用户不再管理客户，而是由 AI 代理代为管理。未来，随着多模态数据（语音、视频）的融入，这类代理的能力边界将进一步扩展。
游泳爱好者们有了一款新的AI训练伙伴——**Swimio**。这款应用将Apple Watch的追踪能力与智能训练计划相结合，旨在为不同水平的泳者提供个性化的指导。 ## 核心功能 Swimio的核心卖点在于**实时数据捕捉与AI分析**。通过Apple Watch，它可以记录划水次数、心率、泳姿识别、配速等关键指标。与普通游泳手表不同，Swimio的AI算法能根据这些数据**动态调整训练计划**，例如在发现用户划水效率下降时，自动建议休息或调整动作。 ## 为何值得关注？ 在可穿戴设备市场，游泳追踪一直是个痛点——GPS信号在水下受限，动作识别也容易出错。Swimio利用Apple Watch的加速度计和陀螺仪，结合机器学习模型，声称能**准确识别四种主要泳姿**（自由泳、蛙泳、仰泳、蝶泳），并分析转身效率。这对于严肃的游泳训练者来说，意味着可以像跑步者使用Garmin一样，获得可量化的改进方向。 ## 适用场景 - **业余爱好者**：希望提升技术，但缺乏教练指导。Swimio可以提供类似“虚拟教练”的反馈。 - **铁三选手**：游泳通常是弱项，通过数据驱动的训练可以高效弥补短板。 - **健身追踪控**：喜欢一切数据化的用户，Swimio能将游泳融入整体健康管理。 ## 市场定位 目前市场上已有一些游泳追踪应用，如MySwimPro和Swim.com，但Swimio强调其**AI个性化**和**Apple Watch深度集成**。对于苹果生态用户来说，无缝体验是一大优势。不过，该应用可能依赖较新的Apple Watch型号（如Series 8或Ultra），老款设备的支持情况尚不明确。 ## 小结 Swimio将AI与可穿戴设备结合，瞄准了游泳训练这一细分场景。如果你已经拥有Apple Watch并希望提升游泳表现，这款应用值得一试。但作为新产品，其算法准确性和训练效果仍需用户实际验证。
在AI代理（AI Agent）快速渗透工作流的当下，一个核心痛点日益凸显：代理在不了解用户上下文时，容易做出错误或无关的决策。**Mindstone Rebel** 正是为此而生——它定位为“了解你工作的AI代理工作空间”，核心理念是**先问再做**（ask first），试图在自主性与可控性之间找到平衡点。 ## 为什么“先问再做”是关键？ 大多数自动化工具倾向于“设定即执行”，一旦规则触发，代理便立即行动。这在简单场景下高效，但一旦涉及复杂决策或多步骤任务，缺乏上下文理解往往导致误操作。Mindstone Rebel 选择让代理在执行前主动向用户提问，确认意图或补充信息。这一设计看似保守，实则更贴近人类协作的直觉——**好的助手知道何时该询问，而非盲目执行**。 ## 产品能力与使用场景 根据官方信息，Mindstone Rebel 并非传统意义上的聊天机器人，而是一个**工作空间**。它能够： - **学习用户的工作模式**：通过持续交互，代理逐步掌握用户的文档、项目流程和偏好。 - **主动提问**：在启动自动操作前，代理会以对话形式确认用户意图，例如：“您希望我整理这些笔记还是生成摘要？” - **跨工具协作**：支持接入Slack、Notion、邮件等常见工作平台，形成统一调度层。 适用场景包括： - **项目管理**：当新任务分配时，代理先询问优先级与截止日期，再排入日程。 - **内容创作**：代理根据已有素材，提问风格偏好后生成初稿。 - **数据整理**：自动抓取信息前，先确认筛选条件。 ## 行业背景与定位 当前AI代理市场呈现两极分化：一端是高度自主的“数字员工”（如AutoGPT），另一端是仅执行简单指令的“工具人”。Mindstone Rebel 选择了**中间路线**——保留人类在关键节点的决策权，同时提升效率。这与近期业界对“AI安全”与“可控性”的讨论趋势吻合。例如，Anthropic 提出的“宪政AI”强调对齐，而Mindstone Rebel 则从交互流程上落实“人类在环中”（Human-in-the-Loop）。 ## 小结 Mindstone Rebel 通过“先问再做”的机制，为AI代理赋予了更人性化的协作思维。它并非追求极致的自动化，而是强调**在正确的时间问正确的问题**。对于需要处理复杂、多变任务的知识工作者而言，这种设计可能比“全自动”更实用。产品目前处于早期阶段，具体效果有待用户验证，但其理念值得关注。