## OpenAI 为美国临床工作者推出免费 ChatGPT 专业版 2026年4月22日，OpenAI 宣布推出 **ChatGPT for Clinicians**，这是一款专为临床工作设计的 ChatGPT 版本，旨在支持临床任务，如文档撰写和医学研究，帮助临床工作者将更多精力投入到高质量的医疗服务中。该版本目前**免费**向美国经过验证的医生、执业护士、医师助理和药剂师开放。 ### 临床 AI 使用率飙升，需求迫切 美国医疗系统正面临巨大压力。临床工作者需要在照顾更多患者的同时，应对日益增长的行政负担和快速扩张的医学研究。根据美国医学会2026年的一项调查，**72%的医生表示在临床实践中使用 AI**，较去年的48%大幅上升，创下历史新高。 目前，全球每周有数百万临床工作者使用 ChatGPT 支持临床护理，应用场景包括护理咨询、文书撰写和医学研究。过去一年，临床工作者对 ChatGPT 的使用量**翻了一番以上**。 ### 从企业级到个人免费：OpenAI 的医疗 AI 布局 今年早些时候，OpenAI 推出了 **ChatGPT for Healthcare**，允许医疗机构大规模部署 ChatGPT，为临床工作者、管理人员和研究人员提供符合合规要求的解决方案。美国多家领先医疗系统的临床工作者已在使用该工具，加速医学研究和文档处理等行政工作，从而为患者护理腾出更多时间。 **ChatGPT for Clinicians** 的免费推出是下一步举措，旨在支持 OpenAI 的使命——确保通用人工智能造福全人类。该版本基于与临床工作者合作进行的持续模型评估和改进，专门优化了健康相关用例的性能和安全性。 ### 引入 HealthBench Professional：推动临床 AI 评估标准化 随着 ChatGPT for Clinicians 的发布，OpenAI 还推出了 **HealthBench Professional**，这是一个开放的基准测试，针对三个临床聊天任务用例进行评估： - **护理咨询** - **文书撰写与文档处理** - **医学研究** 该基准旨在为真实临床聊天任务提供标准化评估框架，促进 AI 在医疗领域的透明度和性能提升。 ### 展望：AI 如何重塑临床工作流程 ChatGPT for Clinicians 的免费提供，标志着 AI 在医疗领域的应用正从企业级解决方案向个人工具扩展。这不仅降低了临床工作者使用先进 AI 技术的门槛，也可能推动医疗行业的数字化转型，缓解行政负担，提升医疗服务的效率和质量。 然而，AI 在临床环境中的广泛应用也带来了责任挑战，包括数据隐私、模型准确性和伦理考量。OpenAI 通过与临床工作者合作并引入基准测试，试图在创新与安全之间取得平衡。 随着 AI 工具在医疗领域的渗透率持续上升，未来如何进一步优化模型性能、扩展应用场景，并确保普惠访问，将是行业关注的重点。
## Meta内部AI训练新举措引发争议 据路透社报道，Meta公司正在美国员工的电脑上安装一款名为**“模型能力计划”（Model Capability Initiative，简称MCI）**的内部工具。该工具会在工作相关的应用和网站上运行，记录员工的**鼠标移动、点击、键盘输入以及偶尔的屏幕截图**。这些数据将被用于训练Meta的AI模型，使其能够更自然地模仿人类与计算机的交互方式，最终目标是实现工作任务的自动化。 Meta发言人Tracy Clayton在给The Verge的声明中解释道：“如果我们正在构建帮助人们使用计算机完成日常任务的智能体，我们的模型就需要人们实际使用计算机的真实示例——比如鼠标移动、点击按钮和导航下拉菜单。为此，我们正在启动一个内部工具，它将在特定应用程序上捕获这类输入，以帮助我们训练模型。我们已设置了保护措施来保护敏感内容，且这些数据不会用于任何其他目的。” ### 技术目标与战略背景 这一举措与Meta的**“智能体转型加速器”（Agent Transformation Accelerator，ATA）**计划紧密相关。Meta首席技术官Andrew Bosworth在一份内部备忘录中阐述了公司的愿景：“我们正在构建的未来愿景是，主要由我们的智能体来完成工作，而我们的角色是指挥、审查并帮助它们改进。”MCI正是为这一宏大目标收集关键训练数据的手段。 其技术逻辑在于，要让人工智能真正理解并替代复杂的办公操作（如填写表单、操作软件界面），仅靠公开网络数据或模拟数据是远远不够的。直接从真实工作场景中采集的、包含细微操作习惯的交互数据，被认为是提升AI“实操”能力的宝贵资源。 ### 内部反应与隐私担忧 然而，此举在Meta内部引发了**“强烈的内部反弹”**。据The Verge记者Alex Heath的消息来源透露，有员工在相关公告下直接回复：“这让我感到非常不安。我们如何选择退出？”而Bosworth的回复是：“**没有选择退出的选项。**” 尽管公司强调数据“**不会用于绩效评估**”，并有保护敏感内容的措施，但大规模、持续性的行为监控依然触及了职场隐私的敏感神经。员工担忧的焦点在于： - **数据边界模糊**：如何确保“工作相关”应用的界定清晰，防止私人通信或非工作活动被意外捕获？ - **心理影响**：在持续监控下工作，是否会影响员工的创造力和自主性？ - **未来用途的不确定性**：虽然目前声明仅用于AI训练，但数据一旦被收集，未来的使用政策是否会发生变化？ ### AI行业的数据采集趋势与伦理挑战 Meta的MCI计划并非孤例，它反映了当前AI行业在追求更强大、更拟人化智能体过程中，对**高质量、特定领域行为数据**日益增长的需求。随着大语言模型在文本生成上趋于成熟，下一阶段的竞争焦点正转向能够理解并执行具体数字任务的“AI智能体”。 然而，这种转向也带来了新的伦理与合规挑战： - **知情同意与透明度**：企业如何在推动技术发展的同时，确保员工对数据采集的范围、方式和用途有充分且清晰的知情权？ - **数据安全**：涉及键盘输入和屏幕截图的数据极其敏感，如何建立牢不可破的技术和管理屏障，防止数据泄露或被滥用？ - **行业规范缺失**：目前对于使用员工行为数据训练AI，尚缺乏广泛认可的行业准则或法律框架。 ## 小结 Meta的“模型能力计划”是一次大胆的技术实验，旨在为其AI智能体获取稀缺的“第一人称”操作数据，以加速实现工作自动化的愿景。这凸显了AI发展从“能说”到“能做”的关键转型。然而，其强制推行的方式和涉及深度监控的性质，已在公司内部激起巨大波澜，并将职场监控与AI伦理的议题推向了风口浪尖。这一事件很可能成为行业讨论数据采集边界、员工权利与AI发展平衡的一个重要案例。未来，如何在不侵犯个人隐私与尊严的前提下，合法、合规、合情地获取必要的训练数据，将是所有致力于开发实用型AI的公司必须面对的课题。
## OpenAI与印孚瑟斯达成战略合作 人工智能领域的领导者**OpenAI**与印度IT巨头**印孚瑟斯（Infosys）**近日宣布建立合作伙伴关系，将OpenAI的AI工具（包括代码助手**Codex**）集成到印孚瑟斯的**Topaz AI平台**中。这一合作标志着AI技术在企业级应用中的又一重要进展，旨在帮助全球企业从AI实验阶段迈向大规模部署。 ### 合作的核心内容与目标 根据双方披露的信息，此次合作将重点聚焦于三个关键领域： - **软件工程现代化**：通过Codex等工具提升软件开发效率和质量。 - **遗留系统现代化**：帮助客户更新老旧系统，适应现代技术栈。 - **DevOps自动化**：优化工作流程，实现更高效的运维管理。 印孚瑟斯表示，这一集成将协助其客户实现软件开发流程的现代化、工作流的自动化，并规模化部署AI系统。OpenAI则通过印孚瑟斯覆盖**60多个国家**的全球客户网络和交付能力，获得了进入大型企业市场的重要渠道。 ### 行业背景与市场动因 这一合作并非孤立事件，而是当前AI行业与全球IT服务提供商联手趋势的体现。此前，OpenAI已与**HCLTech**建立合作，而印孚瑟斯也与**Anthropic**达成了类似协议。 印度IT服务公司正面临双重压力：一方面，客户支出放缓；另一方面，生成式AI的快速发展可能自动化部分传统外包工作。印孚瑟斯股价今年已下跌**超过22%**，部分原因在于投资者对AI可能冲击其核心业务的担忧，以及宏观经济动荡（如美伊冲突）的影响。 ### 双方的战略考量 **对OpenAI而言**： - 借助印孚瑟斯的庞大企业客户群，加速**Codex**等工具的普及。 - 通过**Codex Labs**等企业拓展计划，构建更广泛的分销网络。该计划已吸引包括埃森哲、凯捷、CGI、高知特、印孚瑟斯、普华永道和塔塔咨询在内的多家合作伙伴。 - Codex目前拥有**超过400万周活跃用户**，企业级合作有望进一步扩大其影响力。 **对印孚瑟斯而言**： - 强化其AI业务布局，应对市场变化。公司此前透露，AI相关服务在去年12月季度创造了**250亿卢比（约2.67亿美元）**的收入，约占其总收入的**5.5%**。 - 通过整合先进AI工具，提升服务竞争力，帮助客户实现数字化转型。 ### 未来展望与行业影响 此次合作是OpenAI扩大企业市场影响力的关键一步，也是印孚瑟斯加速AI战略落地的体现。随着AI技术日益成熟，IT服务商与AI公司的结合将成为推动技术落地的重要模式，帮助企业克服从实验到生产的鸿沟。 然而，这一趋势也引发了对传统IT外包业务模式的重新思考——AI自动化是否会取代部分人力工作？如何平衡效率提升与就业影响？这些问题仍需行业持续探索。 总体来看，OpenAI与印孚瑟斯的联手，不仅是一次技术整合，更是AI生态与企业服务深度融合的缩影，预示着未来更多跨领域合作的可能。
在AI技术日益普及的今天，一位来自印度北部的22岁医学生Sam（化名）利用Google Gemini的Nano Banana Pro模型，创造了一个名为“Emily Hart”的AI生成虚拟人物，并成功将其打造成一个迎合美国保守派（MAGA）意识形态的网红形象，通过销售其比基尼照片和相关内容，每月赚取数千美元。这一案例不仅揭示了AI在内容创作和商业变现中的潜力，也引发了关于技术伦理、政治操纵和数字身份真实性的深刻讨论。 ### AI生成虚拟人物的兴起与商业逻辑 Sam最初尝试通过YouTube短视频和出售学习笔记来赚取额外收入，但效果有限。直到他在Instagram上看到大量AI生成内容后，灵感迸发：利用AI工具创建一个虚拟女性形象，并销售其照片。然而，当他发布普通“辣妹”照片时，内容并未获得关注。在向Gemini寻求建议后，AI建议他专注于“MAGA/保守派”这一细分市场，称其为“作弊码”，并指出保守派受众（尤其是美国老年男性）通常拥有更高的可支配收入和更强的忠诚度。 这一策略迅速奏效。Sam创造了Emily Hart——一个注册护士，外貌酷似詹妮弗·劳伦斯，并在Instagram账号@emily_hart.nurse上发布内容，展示她冰钓、喝Coors Light啤酒、在射击场练习等场景，配以充满表情符号的标题，如“如果你想取关的理由：基督是王，堕胎是谋杀，所有非法移民必须被驱逐”和“POV：你生来聪明，却自认为是自由派<小丑表情>”。尽管Sam从未在美国生活过，但他通过研究MAGA意识形态，成功塑造了一个符合目标受众喜好的虚拟形象。 ### 技术细节与行业背景 Sam使用的工具是**Google Gemini的Nano Banana Pro**，这是一个AI模型，能够生成高度逼真的图像和文本。在AI行业，类似技术正被广泛应用于内容创作、营销和娱乐领域。例如，Deepfake技术和生成式AI模型（如DALL-E、Midjourney）已使虚拟人物和场景的创建变得日益便捷。Sam的案例凸显了AI如何降低内容创作门槛，让个人用户也能快速进入市场。 然而，这也带来了伦理挑战。Gemini的代表表示，该模型设计为不提供特定意见，除非用户明确要求，而是提供不偏袒任何政治意识形态的中立回应。但Sam通过引导AI，成功获得了针对保守派市场的建议，这引发了关于AI工具是否可能被滥用于政治宣传或虚假信息传播的担忧。 ### 商业成功与社会影响 Sam的Emily Hart账号迅速吸引了大量关注，他通过销售照片和定制内容，每月收入达到数千美元，远超他之前尝试的其他在线赚钱方式。这一成功不仅缓解了他的经济压力——他正为移民美国和医疗执照考试储蓄——还展示了AI驱动的内容经济如何为全球用户提供新的收入来源。 从行业角度看，这反映了AI在个性化营销和细分市场中的强大能力。保守派市场作为一个高价值目标群体，正成为AI内容创作者的焦点。类似案例在其他领域也有出现，如AI生成的虚拟偶像在娱乐产业中崛起。 ### 伦理与法律考量 Sam的案例也触及了多个敏感问题： - **数字身份真实性**：Emily Hart是一个完全虚构的人物，但其内容可能误导受众，尤其是在政治和社会议题上。 - **政治操纵风险**：利用AI生成内容来迎合特定意识形态，可能加剧社会分裂或传播虚假信息。 - **隐私与同意**：Sam使用化名以避免影响其医疗职业生涯和移民状态，这凸显了在线活动与真实身份之间的张力。 AI行业正面临监管压力，例如欧盟的AI法案和全球对Deepfake技术的限制。Sam的成功故事可能促使更多用户尝试类似策略，但也可能引发更严格的内容审核和政策干预。 ### 未来展望 随着AI技术不断进步，虚拟人物的创建和商业化将变得更加普遍。行业专家预测，AI生成内容将在社交媒体、广告和娱乐中占据更大份额。然而，这也要求平台和监管机构加强治理，确保技术不被滥用。 对于Sam而言，Emily Hart项目不仅是一次财务上的成功，更是一次关于AI潜力和风险的实验。它提醒我们，在拥抱技术创新的同时，必须谨慎考虑其社会影响。 **小结**：Sam通过AI生成虚拟人物Emily Hart，精准定位美国保守派市场，实现了可观的商业变现。这一案例展示了AI在内容创作中的颠覆性力量，但也引发了关于伦理、政治和真实性的重要讨论。未来，随着技术发展，类似现象可能更加普遍，行业需平衡创新与责任。
随着AI模型在药物发现领域加速产出候选分子，一个新瓶颈正浮出水面：如何高效、准确地评估这些海量候选物的实际特性，以推进测试和量产。初创公司 **10x Science** 正试图解决这一难题。该公司近日宣布完成 **480万美元** 的种子轮融资，由 **Initialized Capital** 领投，Y Combinator、Civilization Ventures 和 Founder Factor 跟投。 ### AI药物发现的“预测”与“验证”鸿沟 AI在科学领域的最大影响之一，无疑是 **Google DeepMind** 利用深度学习模型预测蛋白质复杂结构——这些分子驱动着几乎所有生命过程。然而，当AI模型源源不断地“吐出”更多潜在治疗候选物时，一个新兴瓶颈出现了：如何在实践中对所有候选物进行 **表征（characterization）**，以便进行测试和大规模生产。 10x Science 联合创始人、化学生物学家 **David Roberts** 向 TechCrunch 解释道：“当生物制药公司试图创建候选药物时，他们拥有所有这些非常棒的预测工具。你可以在漏斗顶部添加任意多的候选物，但它们都必须通过这个表征过程。一切都需要被测量。” ### 为什么“表征”如此关键？ 理解蛋白质结构对于开发 **生物制剂（biologic drugs）** 的研究人员至关重要。这类药物在活细胞中生产，通过精妙设计来特异性靶向疾病。例如，默克公司销售的畅销药 **Keytruda**，就是一种帮助免疫系统识别并攻击癌症的生物制剂。 然而，从预测到实际应用，中间隔着复杂的验证环节。最准确的分子评估方法之一是 **质谱分析（mass spectrometry）**，该技术通过测量分子的质量和电荷来确定其组成和结构。但这一相对较新的方法会产生复杂的数据，需要大量专业知识进行解读，且分析过程耗时极长。 ### 创始团队的独特背景与愿景 10x Science 的三位联合创始人——化学生物学家 David Roberts、生物学家 Andrew Reiter 以及拥有计算机科学和AI模型专长的连续创业者 Vishnu Tejus——曾在诺贝尔奖得主 **Dr. Carolyn Bertozzi** 的斯坦福实验室共事。在那里，他们研究癌细胞与免疫系统之间的相互作用，却因无法在分子层面精确理解所发生的过程而感到挫败。 这种亲身经历让他们深刻意识到，在AI加速药物发现的今天，**“验证瓶颈”** 可能比“生成瓶颈”更制约创新。他们的目标是开发工具或平台，帮助制药研究人员更高效地理解和筛选AI生成的海量候选分子，从而将更多有潜力的疗法推向临床。 ### 行业背景与未来挑战 当前，AI驱动的药物发现正进入爆发期，从靶点识别到分子设计，AI模型的能力不断提升。但正如 10x Science 所聚焦的，**“生成”之后的“筛选”与“验证”** 环节，正成为整个流程的新堵点。这不仅涉及技术挑战（如数据处理、自动化实验），也关乎资源分配——如何在海量候选物中优先投入宝贵的实验资源。 10x Science 的融资和方向，反映了AI制药行业的一个趋势：从单纯追求“更多候选物”，转向 **“更智能的评估与决策”**。其成功与否，将取决于能否将AI、生物信息学与实验科学深度融合，真正打通从“预测”到“产品”的最后一公里。 ### 小结 - **核心问题**：AI生成海量药物候选分子，但表征验证环节成为新瓶颈。 - **解决方案**：10x Science 致力于开发工具，帮助研究人员高效筛选和评估候选物。 - **团队优势**：结合化学生物学、生物学及AI/计算机科学背景，且有诺贝尔奖得主实验室的实战经验。 - **行业意义**：标志着AI制药从“重生成”向“重验证”的演进，可能加速真正有效疗法的落地。 随着480万美元种子资金的注入，10x Science 能否在竞争激烈的AI制药赛道中，成为“验证环节”的关键玩家，值得持续关注。
谷歌近日正式发布了其**第八代TPU（张量处理单元）**，这一代产品包含两款芯片：**TPU v8t**和**TPU v8p**。这一发布标志着谷歌在AI硬件领域的持续创新，旨在为即将到来的“智能体时代”提供强大的计算支持。 ## 两款芯片的定位与差异 谷歌此次推出的两款TPU芯片各有侧重，以满足不同AI工作负载的需求： - **TPU v8t**：这款芯片主要针对**训练任务**进行了优化。它继承了前代TPU在训练大规模语言模型（如PaLM、Gemini）方面的优势，通过架构改进和更高的内存带宽，旨在加速复杂模型的训练过程。对于需要处理海量数据、进行深度学习的AI研究机构和云服务用户来说，TPU v8t提供了更高效的计算平台。 - **TPU v8p**：这款芯片则专注于**推理任务**。在AI模型部署后，推理阶段对实时性和能效要求更高。TPU v8p通过优化功耗和延迟，支持高并发、低延迟的推理场景，例如实时对话AI、图像识别和推荐系统。这有助于企业将AI模型更快地投入生产环境，降低成本。 ## 为何聚焦“智能体时代”？ 谷歌将这一代TPU定位为“智能体时代”的基石，这反映了AI行业的一个关键趋势：从单一模型向**自主智能体（AI Agents）** 的演进。智能体不仅能理解语言，还能执行任务、与环境交互（如操作软件、控制设备），这需要更复杂的计算能力。 - **训练需求**：智能体通常基于多模态模型（结合文本、图像、音频等），训练数据量和复杂度更高，TPU v8t的增强性能可加速这类模型的开发。 - **推理需求**：智能体在实时交互中需要快速响应，TPU v8p的低延迟特性使其更适合部署在边缘设备或云服务器上，支持智能助理、机器人等应用。 ## 行业背景与竞争格局 在AI硬件市场，谷歌TPU正面临激烈竞争。英伟达的**GPU（如H100、B200）** 在训练领域占据主导，而AMD、英特尔等公司也在推出AI加速芯片。谷歌通过TPU v8系列，强化了其在**云AI服务**（如Google Cloud）中的差异化优势： - **集成生态**：TPU与谷歌的AI软件栈（如TensorFlow、JAX）深度集成，提供端到端的优化，这可能吸引依赖谷歌云平台的开发者。 - **能效比**：TPU专为AI计算设计，在特定任务上可能比通用GPU更高效，有助于降低云服务成本。 然而，具体性能数据（如算力、功耗）尚未详细披露，实际效果需等待第三方评测。 ## 潜在影响与展望 第八代TPU的发布可能推动AI应用向更复杂场景扩展： - **加速智能体研发**：为开发更强大的自主AI系统提供硬件基础，可能催生新的商业模式（如AI驱动的自动化服务）。 - **云服务竞争**：谷歌云可能借此吸引更多AI客户，与AWS（自研芯片Inferentia、Trainium）和Azure（依赖英伟达）竞争。 - **开源与可及性**：如果谷歌通过云服务开放TPU访问，可降低中小企业的AI入门门槛。 总的来说，谷歌第八代TPU是AI硬件演进中的重要一步，两款芯片的细分定位显示了行业对训练和推理需求的精准把握。随着智能体技术的成熟，这类专用硬件或将成为AI落地的关键驱动力。
在AI领域日新月异的今天，各种产品发布、市场炒作和风险警告层出不穷，让人难以分辨哪些才是真正重要的趋势。为了帮助读者拨开迷雾，**MIT Technology Review**（麻省理工科技评论）的记者和编辑团队，基于多年的深度分析，精心编纂了一份全新的核心指南——**《当前AI领域最重要的10件事》**。 这份清单并非简单的热点罗列，而是对塑造AI未来的核心理念、关键议题和前沿研究的系统性梳理。它旨在揭示那些真正影响世界格局的趋势与突破。 ### 指南的定位与价值 这份指南是MIT Technology Review标志性年度榜单 **《10大突破性技术》** 的延伸与拓展。如果说后者聚焦于年度最具潜力的具体技术点，那么这份新指南则采取了更宏观的视角。它不再局限于单一技术突破，而是试图回答一个更根本的问题：在纷繁复杂的AI浪潮中，哪些底层逻辑、社会影响和长期议题，才是决定未来走向的关键？ ### 如何获取与跟进 MIT Technology Review将通过其工作日通讯 **《The Download》**，每天深入解读清单中的一项内容，详细阐述其含义与重要性。对于希望快速掌握全貌的读者，可以**立即阅读完整的清单概述**。而对于希望持续跟进深度分析的读者，则需要**关注后续的每日更新**。 ### 行业背景与意义 当前AI行业正处在一个关键的十字路口。一方面，基础模型能力持续跃进，应用场景不断拓宽；另一方面，关于技术滥用、伦理困境、就业冲击和社会分化的担忧也日益加剧。在这种背景下，一份由权威科技媒体发布的、去芜存菁的指南显得尤为重要。它不仅能帮助从业者、投资者和政策制定者把握重点，也能为公众理解AI的复杂影响提供一个清晰的框架。 这份指南的发布，本身也反映了科技媒体角色的演变——从单纯的信息传递者，转变为复杂技术议题的梳理者和解读者。在信息过载的时代，提供有深度、有洞察的“导航图”，其价值不亚于报道一则独家新闻。 **小结**：对于任何关注AI发展的人来说，MIT Technology Review的这份《当前AI领域最重要的10件事》都值得密切关注。它有望成为我们理解下一阶段AI变革脉络的重要参考。
近期，美国提出禁止中国机器人的提案，这被视为其科技主权战略的最新举措。然而，这一政策背后隐藏着一个关键矛盾：**美国机器人制造商仍高度依赖中国制造的零部件**。 ## 政策背景与核心矛盾 美国在机器人领域对中国实施禁令，旨在减少对华技术依赖，强化本土供应链安全。这一举措延续了近年来美国在半导体、人工智能等关键技术领域的“脱钩”趋势，是科技主权竞争的一部分。 但现实情况是，**中国在全球机器人零部件供应链中占据重要地位**，尤其在伺服电机、减速器、控制器等核心组件方面。美国机器人企业若无法获得这些中国制造的部件，将面临生产成本上升、交付周期延长甚至产能受限的挑战。 ## 对美国机器人产业的影响 - **供应链中断风险**：短期内，美国机器人制造商难以找到替代供应商，可能导致生产停滞或成本激增。 - **竞争力削弱**：依赖中国零部件的美国企业，在成本控制和技术迭代速度上可能落后于全球竞争对手。 - **创新受阻**：供应链的不确定性可能影响研发投入，延缓新技术落地。 ## 科技主权博弈的深层逻辑 这一禁令不仅是贸易保护措施，更反映了中美在**关键技术主导权**上的长期竞争。机器人作为智能制造、自动化领域的核心装备，其自主可控被视为国家工业竞争力的基石。美国试图通过限制中国机器人，推动本土产业链重塑，但供应链的全球性使得“完全脱钩”难以实现。 ## 行业应对与未来展望 面对这一政策，美国机器人企业可能采取以下策略： 1. **多元化供应链**：寻找中国以外的零部件供应商，如日本、德国等，但短期内难以完全替代。 2. **加大本土研发**：投资关键零部件的自主研发，但这需要时间和资金支持。 3. **游说政府调整政策**：企业可能呼吁政策制定者考虑实际供应链情况，避免“一刀切”禁令。 长远来看，**全球机器人产业链的重新布局**将成为趋势，但过程可能缓慢且充满挑战。中美在机器人领域的博弈，将影响全球自动化技术的演进路径与市场格局。 ## 小结 美国拟禁中国机器人的提案，凸显了科技主权竞争的复杂性与现实制约。在全球化供应链背景下，单纯的政策禁令难以实现完全自主，反而可能加剧产业波动。未来，如何在安全与效率之间找到平衡，将是各国科技政策制定者面临的关键课题。
在 **Google Cloud Next 2026** 年度大会上，Google 展示了其对 AI 初创生态的深度投入，通过一系列初创公司的亮相，彰显了其云平台在吸引和扶持创新企业方面的战略意图。 ### Google 的 AI 初创生态布局 Google 近年来持续强化其云服务在人工智能领域的竞争力，而 **Google Cloud Next** 大会已成为其展示技术实力和生态合作的重要舞台。2026 年的会议中，Google 明确表达了“希望 AI 初创公司使用其云服务”的目标，并为此展示了一份长长的初创公司名单。这反映出 Google 不仅关注自身技术研发，更致力于构建一个繁荣的第三方创新生态系统，以增强其云平台的吸引力和市场占有率。 ### 初创公司展示的意义 在 AI 行业竞争日益激烈的背景下，云服务提供商（如 Google Cloud、AWS、Microsoft Azure）纷纷通过资金、技术支持和市场资源来争夺有潜力的初创公司。这些初创公司往往在特定垂直领域（如医疗、金融、内容生成或机器人技术）拥有前沿的 AI 应用，它们的成功不仅能带来直接收入，还能为云平台带来示范效应，吸引更多企业客户。 Google 在大会上高调展示这些初创公司，可能意味着： - **技术验证**：初创公司的创新应用证明了 Google Cloud 在 AI 基础设施（如 TPU、Vertex AI）上的可靠性和性能。 - **生态吸引力**：通过案例展示，向其他开发者传递“在 Google Cloud 上能快速构建和扩展 AI 产品”的信号。 - **战略合作**：部分展示的初创公司可能已获得 Google 的投资或深度技术支持，形成更紧密的伙伴关系。 ### 对 AI 行业的影响 这一动向凸显了云平台在 AI 创新中的核心地位。初创公司依赖云服务来降低计算成本和加速产品迭代，而云提供商则通过扶持初创生态来巩固自身技术栈的领先性。对于中文读者而言，这提醒我们关注全球 AI 初创趋势，以及中国云服务商（如阿里云、腾讯云）在类似生态建设上的进展。 **小结**：Google Cloud Next 2026 大会不仅是技术发布，更是一次生态秀，它强调了 AI 初创公司在云竞争中的关键角色。随着 AI 应用场景的不断拓展，云平台与初创企业的共生关系将愈发重要。
在拉斯维加斯举行的Cloud Next大会上，谷歌宣布为其地图和地理空间应用推出新的生成式AI功能，主要面向企业用户。这些更新旨在增强地图平台的可视化和数据分析能力，为企业、数据分析师和城市规划者带来全新可能性。 ### 核心功能亮点 谷歌此次发布的AI功能包括三个主要方面： 1. **Maps Imagery Grounding**：企业用户可以通过生成式AI在谷歌街景中创建逼真场景，用于可视化项目（如电影布景或建筑工地）的外观。用户只需在**Gemini Enterprise Agent Platform**中输入提示，即可在街视图中生成场景，并可使用**Veo**进行动画处理。 2. **Aerial and Satellite Insights**：这一新功能允许用户分析存储在**Google Cloud BigQuery**中的卫星图像数据，谷歌声称能将数周的工作缩短至几分钟。 3. **Earth AI Imagery模型**：谷歌推出了两个新的AI模型，专门用于地理空间分析，能够识别图像中的特定对象（如桥梁、道路和电线）。这消除了企业从头构建和训练AI系统的需求，节省了数月时间。 ### 行业背景与影响 这些更新是谷歌在企业地理空间AI领域更广泛推动的一部分。其**Earth AI平台**已被空客和波士顿儿童医院等合作伙伴用于环境监测和灾难响应等应用。生成式AI的融入不仅提升了地图的交互性和实用性，还降低了企业采用AI技术的门槛。 ### 潜在应用场景 - **城市规划**：快速模拟建筑项目对周边环境的影响。 - **娱乐产业**：为电影或游戏创建虚拟场景，加速故事板制作。 - **数据分析**：高效处理卫星图像，用于农业、物流或灾害管理。 谷歌在新闻稿中表示，这些AI更新为商业用户开辟了全新的可能性，标志着地图服务从导航工具向智能分析平台的转型。随着AI技术的持续渗透，未来地图应用有望在更多垂直领域发挥关键作用。
## 谷歌云与Thinking Machines Lab签署数十亿美元AI基础设施协议 据TechCrunch独家报道，前OpenAI高管Mira Murati创立的**Thinking Machines Lab**已与**谷歌云**签署了一项价值数十亿美元的新协议，以扩大其对谷歌AI基础设施的使用，包括基于英伟达最新**GB300芯片**的系统。知情人士透露，这笔交易价值在**个位数十亿美元**级别。 ### 协议核心内容 - **基础设施升级**：协议包括接入谷歌基于英伟达GB300芯片的最新AI系统，以及支持模型训练和部署的基础设施服务。 - **技术重点**：谷歌特别提到，其基础设施能够支持Thinking Machines的**强化学习工作负载**，这是该公司首款产品**Tinker**架构所依赖的训练方法。强化学习是DeepMind和OpenAI等实验室近期突破的关键技术，但计算成本极高。 - **非独家合作**：此次协议并非排他性，意味着Thinking Machines未来可能使用多家云服务提供商，但谷歌显然希望尽早锁定这家快速发展的前沿实验室。 ### 行业背景与竞争格局 谷歌正积极与AI开发者达成一系列云交易，旨在将其AI计算产品与存储、Kubernetes引擎和Spanner数据库等其他云服务捆绑。本月早些时候，**Anthropic**与谷歌和博通签署了协议，获得数千兆瓦的张量处理单元（TPU）容量。 然而，竞争异常激烈。就在本周，Anthropic还与亚马逊签署了新协议，确保高达**5千兆瓦**的容量用于训练和部署Claude模型。这凸显了云巨头在争夺顶级AI客户方面的白热化态势。 ### Thinking Machines Lab的发展轨迹 Mira Murati于2025年2月离开OpenAI首席技术官职位后创立了Thinking Machines。该公司随后以**120亿美元估值**完成了**20亿美元**的种子轮融资，但一直保持高度保密状态。直到2025年10月，它推出了首款产品**Tinker**——一款自动化创建定制前沿AI模型的工具。 此次与谷歌的交易首次揭示了Thinking Machines与云服务提供商的合作，此前它仅与英伟达达成过包括投资在内的协议。这标志着该公司正从芯片合作扩展到更全面的云基础设施布局。 ### 市场意义 这笔交易不仅反映了**强化学习等前沿AI技术对计算资源的巨大需求**，也显示了谷歌云在争夺高增长AI初创公司方面的战略主动性。随着AI模型规模不断扩大，云基础设施已成为决定研发进度和成本的关键因素，而谷歌通过提供最新硬件和定制化服务，正试图在竞争中占据先机。 对于Thinking Machines而言，获得谷歌云的支持将加速其Tinker平台的开发和模型训练能力，但非独家协议也为其未来灵活选择合作伙伴留下了空间。在AI基础设施军备竞赛中，这样的合作或将重塑行业生态。
## AI自主设计CPU：芯片行业的颠覆性突破 近日，初创公司**Verkor.io**宣布其AI智能体成功从零设计出一款RISC-V CPU核心，整个过程仅由一个**219字的文本提示**驱动。这一突破标志着AI在芯片设计领域迈出了关键一步，可能彻底改变传统半导体设计流程。 ### 从提示到芯片：AI如何完成不可能的任务 传统CPU设计需要数十名工程师耗时数月甚至数年，涉及架构定义、逻辑设计、验证测试等多个复杂环节。而Verkor.io的AI系统——名为**Design Conductor**——通过自然语言指令就能协调整个设计流程。 - **输入**：仅219字的文本描述，说明CPU的功能需求和性能目标 - **输出**：完整的CPU核心设计，命名为**VerCore** - **过程**：AI自主完成架构规划、逻辑综合、布局布线等传统需要人工干预的步骤 ### 技术背景：为什么RISC-V是关键 选择**RISC-V**架构并非偶然。作为开源指令集架构，RISC-V具有以下优势： 1. **开放性**：免除了专利授权费用，降低了AI探索的法律门槛 2. **模块化**：允许AI灵活组合不同功能单元，优化设计空间 3. **生态成熟**：已有完善的工具链和验证环境，便于AI生成设计的后续验证 ### 行业影响：AI将如何重塑芯片设计 **效率革命**：传统芯片设计周期长、成本高，AI驱动的自动化设计可将时间从数月压缩到数天甚至数小时。 **创新加速**：AI能够探索人类工程师难以想象的设计方案，可能发现更优的功耗-性能平衡点。 **门槛降低**：中小企业和研究机构也能快速定制专用芯片，推动边缘计算、物联网等领域的创新。 ### 挑战与不确定性 尽管成果令人振奋，但仍有多个关键问题待解： - **设计质量**：AI生成的VerCore核心性能如何？是否达到商用级别？ - **验证可靠性**：芯片设计容错率极低，AI自主设计的验证流程是否足够严谨？ - **知识产权**：AI生成设计的专利归属如何界定？ - **工具链整合**：AI设计如何与传统EDA工具无缝对接？ ### 未来展望 Verkor.io的演示表明，**AI智能体**已具备协调复杂硬件设计流程的能力。随着大语言模型在代码生成、逻辑推理方面的进步，未来可能出现： - **全栈AI设计**：从架构定义到物理实现的完全自动化 - **多目标优化**：同时优化性能、功耗、面积、成本等多个维度 - **自适应迭代**：根据测试反馈自动改进设计 ## 小结 AI设计RISC-V CPU核心的突破，不仅是技术演示，更是对半导体行业工作流的根本性挑战。虽然距离大规模商用仍有距离，但它预示着一个新时代：**芯片设计可能从“工程师艺术”转变为“AI科学”**。对于中国半导体产业而言，这既是追赶机遇，也是必须面对的技术变革浪潮。
## 从实验到日常：企业AI部署的现状与挑战 人工智能正在企业环境中快速推进，从早期的实验阶段迈入日常运营。根据一项近期调查，到2025年底，**半数企业已在至少三个业务职能中应用AI**，涵盖财务、供应链、人力资源和客户运营等领域。企业纷纷部署智能助手、代理系统和预测模型，试图通过自动化提升效率。 然而，随着AI深度融入核心工作流程，企业领导者发现最大的障碍并非模型性能或计算能力，而是**支撑这些系统的数据质量与上下文**。SAP数据与分析部门总裁兼首席产品官Irfan Khan指出：“AI非常擅长生成结果，速度很快，但如果没有上下文，它就无法做出良好判断。而良好的判断力才是为企业创造投资回报的关键。没有判断力的速度不仅无益，反而可能带来损害。” ## 数据上下文：AI决策的隐形基石 在自主系统和智能应用兴起的时代，上下文层变得至关重要。AI系统不仅需要访问数据，还必须理解数据背后的业务逻辑。缺乏这种理解，AI可能快速给出答案，却做出错误决策。 传统数据策略主要聚焦于聚合——过去二十年间，企业大量投资于从运营系统提取信息并加载到集中式数据仓库、数据湖和仪表板中。这种方法便于生成报告、监控绩效和获取业务洞察，但在过程中，许多数据的含义（如与政策、流程、角色和业务规则的关系）往往被剥离或简化。 ## 数据架构：从简单集成到智能连接 为提供必要的上下文，企业需要精心设计的**数据架构**，它不仅仅是集成数据，更要连接跨应用、云和运营系统的信息，同时保留描述业务运作方式的语义。这种架构使组织能够安全地扩展AI，协调跨系统和代理的决策，并确保自动化反映真实的业务优先级，而非孤立决策。 Khan强调，正确的数据架构应具备以下能力： - **规模化安全部署AI**：在扩大应用范围时保持数据质量和一致性 - **跨系统协调决策**：确保不同AI代理和系统基于统一上下文运作 - **反映业务优先级**：使自动化决策与组织战略目标保持一致 ## 架构转型：企业数据策略的重新思考 认识到这一需求，许多组织正在重新思考其数据架构方法。他们不再仅仅将数据移入单一存储库，而是寻求在保持业务语义的同时，实现信息的智能连接。这种转变正推动数据架构作为AI基础设施基础的日益关注。 ## 关键启示 1. **上下文缺失是AI应用的核心问题**：没有业务上下文，AI的速度优势可能转化为错误决策的风险 2. **数据架构需要升级**：从简单的数据聚合转向支持语义理解的智能连接架构 3. **投资回报取决于判断力**：AI的商业价值不仅来自处理速度，更来自基于上下文的准确判断 随着企业AI从辅助工具演变为核心运营组件，构建能够提供丰富业务上下文的数据基础设施，已成为释放AI真正商业价值的关键前提。
## OpenAI 工作区智能体：让 AI 从助手变为自动化执行者 大多数 ChatGPT 用户已经习惯使用 AI 来处理一次性任务——比如起草文案、总结内容、头脑风暴或回答问题。然而，AI 应用的下一阶段将更加广泛且深入地融入日常工作。AI 不再仅仅帮助处理孤立时刻，而是越来越多地被用于支持**可重复的工作流程**，这些流程依赖于共享系统、标准交接、一致输出以及时间、准确性和流程等现实约束。 这正是 **ChatGPT 中的工作区智能体** 发挥作用的地方。它们专为可重复的工作流程设计——这些工作原本需要手动完成，每次都要重新解释步骤，并在不同工具之间复制信息。 ### 什么是智能体？ 简单来说，智能体是一个执行任务的系统，包含三个核心组件： * **触发器**：启动智能体的条件。例如，一个时间表（“每个工作日上午 9 点”）或手动运行（“立即运行”）。 * **流程与技能**：智能体为完成任务所遵循的步骤。这可能包括审查输入、检查缺失信息、草拟输出，以及进行交接或采取下一步行动。 * **工具与系统**：智能体可以连接并使用的已批准工具和集成，用于收集信息，并在允许的情况下执行操作。例如 Slack、CRM 系统、内部文档、工单系统或共享文档。 ### 智能体最适合什么样的工作？ 当工作具备以下特征时，智能体最能发挥价值： 1. **可重复性**：相同的任务定期出现。 2. **结构化**：输出有清晰的格式（这样你才能判断智能体的工作质量）。 3. **基于时间或事件驱动**：按照固定节奏运行，或由特定事件触发。 4. **基于工具**：需要从团队使用的系统中读取数据或向其写入数据。 对于开放式思考、头脑风暴或探索性写作，常规的聊天模式通常是更好的选择——尤其是一次性任务。 ### 智能体与传统自动化工作流的区别 智能体也不同于你可能在过去构建的传统 API 工作流。其他工具中的传统工作流通常是**确定性的**，意味着每个步骤都被明确定义，系统每次都会遵循相同的路径，除非你更改逻辑。 相比之下，智能体更具**概率性**和适应性。它们利用 AI 模型的理解和推理能力，在预设的框架和工具集内，更灵活地处理任务，应对可能的变化或非标准输入。这代表了从“硬编码”自动化向“智能”自动化的演进。 ### 为何重要？AI 应用进入新阶段 工作区智能体的推出，标志着 AI 从个人生产力工具向**团队和组织级流程自动化引擎**的转变。它不再仅仅是回答“怎么做”，而是开始自主执行“做什么”。 * **提升效率**：将团队成员从繁琐、重复的跨工具操作中解放出来。 * **保证一致性**：通过标准化的智能体流程，减少人为错误和输出差异。 * **促进协作**：智能体可以作为团队间的“数字协调员”，在 Slack、文档、CRM 等系统间自动传递信息和触发行动。 ### 小结 OpenAI 的工作区智能体功能，旨在将 ChatGPT 的能力从对话和内容生成，扩展到**工作流程的自动化执行**。它针对的是那些有明确模式、需要连接多个工具、且反复发生的团队任务。对于希望将 AI 更深层次整合到日常运营中的企业和团队来说，这提供了一个新的、更强大的工具。开发者和管理者现在可以开始思考，如何将那些规则明确但执行繁琐的流程，交给这些“AI 同事”来可靠地完成。
在加州福斯特城，一场人与加拿大鹅的“战争”正借助高科技手段悄然升级。这个湾区小镇的300只加拿大鹅数量已接近当地人口的1%，它们留下的粪便不仅污染环境，更带来公共卫生隐患。然而，传统的捕杀方案因环保组织反对而搁浅，迫使市政当局转向更温和但昂贵的科技解决方案。 **斥资40万美元的“鹅群管理计划”** 福斯特城政府与野生动物管理公司Wildlife Innovations签订合同，以近40万美元的总价（约合每只鹅1300美元）实施一项综合驱赶计划。该公司高级野生动物生物学家丹·比特曼解释，核心策略是“让鹅感到不舒服”，从而促使它们主动离开。 **多层技术监控与干预网络** * **GPS追踪项圈**：工作人员为部分鹅佩戴白色颈圈式GPS追踪器，实时监控其活动轨迹与聚集区域。 * **智能摄像头网络**：在环礁湖附近的Gull Park等七个公园，树干上安装了黑色监控摄像头，每15分钟自动拍摄并传回公司总部。一旦AI识别出鹅群，生物学家会立即前往驱散。 * **多样化驱赶工具**：团队使用激光设备、无人机进行威慑，并出动一只名为Rocky的边境牧羊犬（天生厌恶鹅类）进行追逐。最特别的是一款名为“Goosinator”的遥控橙色浮筒船，船头绘有狰狞的狗嘴图案，专门用于水上驱赶。 **为何需要如此复杂的方案？** 这背后反映的是全球范围内日益加剧的人与野生动物冲突。随着土地开发与动物行为变化交织，类似矛盾不断涌现——从蒙大拿草原上的灰熊、旧金山街头的郊狼，到坦桑尼亚公园的草原象。传统粗暴的移除方式（如捕杀）越来越受到伦理与法规制约，促使“冲突缓解”行业向技术化、非致命化转型。 **成效与争议并存** 尽管方案设计精密，但实际效果仍待观察。每只鹅1300美元的高昂成本引发部分纳税人质疑，而依赖持续人工干预的模式能否实现长期、自治的种群控制，也是未知数。此外，技术手段是否会对其他野生动物或生态系统造成干扰，仍需谨慎评估。 **小结：当AI遇见生态管理** 福斯特城的案例并非孤例，它标志着野生动物管理正进入一个“智能干预”时代。通过GPS、图像识别、远程控制设备等多技术融合，人类试图以更低侵入性的方式重新划定与野生动物的边界。然而，技术解决方案同样伴随成本、可持续性与生态伦理的新挑战。在追求“清洁草坪”与“和谐共存”之间，小镇的试验或许将为更多面临类似困境的社区提供参考——无论最终成功与否，这都是一次值得关注的科技与自然博弈。
当人们谈论“自然”时，通常指的是那些非人造的事物——岩石、珊瑚礁、红狼。然而，尽管地球上仍有许多“上帝的造物”，但很难找到任何一处人类之手未曾触及的地方。从巴西雨林到北极海洋，从阿尔卑斯山湖到西伯利亚冻土，人类活动的影响已渗透到地球的每一个角落。这不仅仅是污染问题，更是人类如何从根本上改变了我们所处的世界。 ## 无处不在的人类印记 科学家在巴西雨林的动物体内发现了微塑料，从红吼猴到海牛无一幸免。在遥远的雅库特，尽管土地人迹罕至，但大气中的碳仍在融化着下方的永久冻土。北极海洋中，随着极地冰盖融化而增加的船舶交通带来的人工光线，正在干扰浮游生物夜间向海洋表面的迁徙——这是地球上规模最大的动物迁徙之一。 阿尔卑斯山的偏远高山湖泊被各种合成化学物质污染，北极熊体内充满阻燃剂，核弹爆炸产生的铯-137轻覆整个星球。这些例子大多涉及核污染、碳污染、化学污染和光污染，但重点不在于强调人类工业和技术如何破坏环境，而在于指出人类创造的事物如何改变了环境。 ## 人类自身的改造 人类不仅改变了世界，也改变了自己。我们特别擅长“弯曲”人性——从外貌、健康到我们的思想，一切都在被重塑。 - **医药技术**：药物、手术、疫苗和激素延长了我们的寿命，减轻了疼痛，缓解了焦虑和抑郁，让我们更快、更强、更具韧性 - **生殖技术**：我们已能窥见那些让我们在孩子出生前就改变其未来的技术 - **脑机接口**：植入大脑的电极让人们能够控制计算机，将思想转化为语音 - **增强技术**：漫画书中走出的假肢和外骨骼恢复并增强了身体能力 - **基因编辑**：像CRISPR这样的基因编辑技术正在重写我们的DNA 与此同时，人们将所有书面信息的总和输入庞大的计算机器，试图——至少部分人如此——构建超越人类自身的智能。 ## 重新定义“自然” 在这样的背景下，“自然”或“天然”究竟意味着什么？如果人们认为“自然”已不复存在，那么按照传统意义上的“环保主义”来保护它还有意义吗？我们应该运用技术来做什么？ 这些问题没有简单的答案。人类的影响已如此深远，以至于“原始自然”的概念本身可能已经过时。我们生活在一个人类世时代，在这个时代，人类活动已成为塑造地球环境的主导力量。 ## 科技与自然的未来关系 面对这一现实，我们需要重新思考技术与自然的关系。技术不应被视为自然的对立面，而应成为我们更负责任地管理地球的工具。从清洁能源到生态监测，从污染治理到物种保护，技术可以成为修复而非破坏的力量。 关键在于我们如何运用这些强大的工具——是继续无意识地改变世界，还是有意地塑造一个更可持续的未来？当我们谈论“保护自然”时，也许我们真正需要保护的是地球系统的健康和平衡，无论其中包含多少人类的影响。 在这个人类影响无处不在的时代，重新定义我们与“自然”的关系，可能是21世纪最紧迫的哲学和实践挑战之一。
洛杉矶，这座以汽车文化闻名的城市，正悄然经历一场交通革命。在长达30年的重建努力后，洛杉矶的轨道交通网络正迎来关键转折点——五月，一项重大地铁扩建项目即将启动，标志着这座“汽车之城”正加速回归其曾经拥有的世界级铁路系统。 ## 从“汽车之城”到轨道交通的回归 洛杉矶的交通形象根植于其**2200平方英里**的广阔地域，宽阔的林荫大道和混凝土高速公路塑造了城市的节奏。然而，许多人可能不知道，洛杉矶曾拥有世界一流的铁路交通系统。过去三十年来，城市一直在重建有轨电车和地铁网络，试图扭转对汽车的过度依赖。 ## 为什么洛杉矶需要“入地”？ 洛杉矶的交通挑战是多方面的： - **拥堵问题**：作为美国人口最密集的城市之一，交通拥堵长期困扰居民和经济发展。 - **环境压力**：汽车尾气排放加剧了空气污染和气候变化问题。 - **公平性考量**：完善的公共交通能为低收入群体提供更可及的出行选择。 地铁系统的扩建不仅是交通基础设施的升级，更是城市可持续发展战略的关键一环。 ## 五月项目：洛杉矶交通转型的里程碑 即将在五月启动的地铁扩建项目，具体细节虽未完全披露，但可以预见它将： - **扩展网络覆盖**：连接更多社区，减少通勤时间。 - **提升运力**：缓解现有线路的压力，提高整体效率。 - **促进城市一体化**：加强不同区域间的联系，支持经济均衡发展。 这一项目是洛杉矶长期交通规划的一部分，反映了城市从依赖私人汽车向多元化交通模式的转变。 ## 对AI与智慧城市建设的启示 洛杉矶的交通转型并非孤立事件，它呼应了全球智慧城市的发展趋势。在AI技术日益成熟的背景下，轨道交通系统的智能化升级成为可能： - **预测性维护**：AI算法可分析设备数据，提前预警故障，减少运营中断。 - **客流优化**：机器学习模型能预测乘客流量，动态调整班次，提升服务效率。 - **自动驾驶集成**：未来，自动驾驶技术与轨道交通的融合，或能创造无缝接驳的出行体验。 洛杉矶的案例表明，基础设施的“硬”升级与数字技术的“软”赋能相结合，是解决现代城市交通难题的有效路径。 ## 挑战与展望 尽管前景乐观，洛杉矶的轨道交通复兴仍面临挑战： - **资金持续投入**：大型基建项目需要长期、稳定的财政支持。 - **公众接受度**：改变以汽车为中心的生活方式，需要时间和教育。 - **技术整合**：如何将AI等新技术无缝融入现有系统，考验着规划者的智慧。 然而，随着五月项目的推进，洛杉矶正朝着更绿色、更高效、更包容的城市交通未来迈出坚实一步。这不仅是一场交通变革，更是城市治理理念的深刻演进。
一场备受瞩目的法律对决即将上演，两位科技巨头——埃隆·马斯克与萨姆·奥特曼——将在法庭上正面交锋。这场名为 **Musk v. Altman** 的审判，不仅关乎两位亿万富翁的个人恩怨，更可能决定 **OpenAI** 这家全球领先人工智能开发机构的命运。审判的核心在于：OpenAI 是否已偏离其创立时的使命——确保 **人工通用智能（AGI）** 造福全人类。 ## 审判背景与核心议题 审判将于 **4月27日** 正式开始，由法官在陪审团的建议下作出裁决。这一裁决的影响可能远超个案，直接关系到 OpenAI 如何控制并分发其技术，进而影响全球 AI 治理格局。OpenAI 从非营利研究实验室转型为营利性实体，引发了关于其是否坚守“安全、广泛受益”初衷的广泛质疑。马斯克作为联合创始人之一，曾公开批评 OpenAI 的商业化转向，认为其可能违背了最初的公益承诺。 ## WIRED 专家直播解读 为帮助读者深入理解这一历史性案件，**WIRED** 将于 **5月8日** 举办一场专属订阅者的直播活动。届时，一个由资深编辑和记者组成的专家小组将在线回答观众提问，实时解析审判进展及其对 AI 行业的深远影响。 ### 直播专家阵容 - **Zoë Schiffer**：WIRED 商业与产业总监，负责硅谷及商业领域报道。 - **Maxwell Zeff**：WIRED 高级撰稿人，专注人工智能商业生态，主持每周通讯《Model Behavior》。 - **Paresh Dave**：WIRED 高级撰稿人，深度报道大型科技公司内部运作，关注技术对社会边缘群体的影响。 ## 如何参与与观看 直播定于 **美国东部时间5月8日中午12点（太平洋时间上午9点）** 进行。观众可提前在文章评论区提交问题，或在直播期间实时互动。活动结束后，订阅用户可观看回放。非订阅者需先订阅 WIRED 才能获取访问权限。 ## 行业意义与观察视角 这场审判凸显了 AI 发展中的核心矛盾：**技术进步、商业利益与伦理责任之间的平衡**。OpenAI 的案例可能成为行业先例，影响其他 AI 公司如何定义“负责任创新”。从更广视角看，这也是硅谷权力结构的一次公开较量——两位极具影响力的创始人，在法庭上争夺对 AI 未来方向的话语权。 对于关注 AI 治理、科技伦理或企业战略的读者而言，这场直播提供了难得的深度分析机会。专家们将结合审判动态，探讨以下关键问题： - OpenAI 的治理结构是否还能保障其初衷？ - 营利与非营利模式在 AI 发展中孰优孰劣？ - 裁决会如何影响全球 AI 技术开源与闭源的争论？ ## 小结 **Musk v. Altman** 不只是一场法律诉讼，更是 AI 时代的一个标志性事件。它迫使业界重新思考：当技术力量日益集中，如何确保其发展真正符合人类整体利益？WIRED 的直播将为您提供及时、专业的解读，助您把握这一可能重塑 AI 产业格局的关键时刻。
## 智能体工作流的性能瓶颈与突破 当开发者要求 **Codex** 修复一个代码错误时，它需要扫描代码库、读取文件、构建上下文、进行编辑并运行测试。这一系列操作背后，是数十次甚至上百次的 **Responses API** 请求循环：确定模型的下一个动作、在本地运行工具、将工具输出发送回 API，然后重复。这些请求累积起来，可能导致用户等待数分钟才能完成复杂任务。 从延迟角度来看，Codex 智能体循环主要消耗在三个阶段：API 服务处理（验证和请求处理）、模型推理，以及客户端时间（运行工具和构建模型上下文）。其中，**模型推理** 是模型在 GPU 上生成新令牌的阶段。过去，在 GPU 上运行 LLM 推理是智能体循环中最慢的部分，因此 API 服务开销容易被掩盖。但随着推理速度的加快，智能体工作流中累积的 API 开销变得愈发显著。 ## 从 65 TPS 到 1000 TPS：推理速度的飞跃 在 Responses API 中，之前的旗舰模型如 **GPT‑5** 和 **GPT‑5.2** 的运行速度约为每秒 65 个令牌（TPS）。而为了发布 **GPT‑5.3‑Codex‑Spark**（一款专为快速编码优化的模型），OpenAI 的目标是实现数量级的提升：超过 1000 TPS。这一速度提升得益于专为 LLM 推理优化的 **Cerebras 硬件**。 然而，为了让用户真正体验到新模型的速度优势，必须大幅减少 API 开销。大约在 2025 年 11 月，OpenAI 启动了对 Responses API 的性能冲刺，实施了一系列优化措施，旨在降低单次请求的关键路径延迟。 ## 核心优化：WebSockets 与连接范围缓存 为了从根本上解决 API 开销问题，团队采取了多管齐下的策略： - **缓存机制**：在内存中缓存已渲染的令牌和模型配置，避免在多轮响应中进行昂贵的令牌化和网络调用。 - **减少网络跳转**：通过消除对中间服务（如图像处理解析）的调用，直接降低网络延迟。 - **安全栈优化**：改进安全堆栈，以快速标记问题，减少不必要的处理时间。 - **持久连接**：最重要的是，构建了一种创建到 Responses API 的持久连接的方式，取代了之前必须进行的一系列同步 API 调用。 其中，**WebSockets 技术的引入** 是关键突破。通过建立持久连接，智能体工作流不再需要为每个动作发起独立的 HTTP 请求，从而显著减少了网络往返时间和连接建立开销。结合连接范围的缓存，进一步避免了重复的数据传输和处理。 ## 成果：端到端速度提升 40% 通过这些优化，OpenAI 成功将使用 API 的智能体循环的端到端速度提升了 **40%**。这意味着用户能够更直接地感受到模型推理速度从 65 TPS 跃升至近 1000 TPS 带来的体验改善。对于依赖 Codex 进行复杂编码任务的开发者而言，等待时间的大幅缩短直接提升了工作效率和开发体验。 ## 行业意义与未来展望 这一优化不仅体现了 OpenAI 在提升模型实际应用性能方面的持续努力，也反映了 AI 基础设施演进的一个重要趋势：**随着硬件加速使模型推理速度不断提升，软件和 API 层的效率优化变得至关重要**。智能体工作流（Agentic Workflows）作为 AI 应用落地的重要模式，其性能直接影响着用户体验和商业价值。 OpenAI 通过 WebSockets 和缓存等技术创新，有效解决了智能体循环中的 API 瓶颈，为更复杂、更实时的 AI 交互场景铺平了道路。未来，随着多模态、长上下文等能力的增强，对低延迟、高吞吐的 API 基础设施的需求将只增不减。此次优化或许只是开始，我们期待看到更多旨在消除“最后一英里”延迟的技术突破。
米歇尔·金（Michelle Kim）近期分享了她关注的三个文化现象，它们分别代表了数字娱乐、社会纪实与喜剧艺术领域的新动向。这些内容不仅反映了当代年轻人的精神需求，也揭示了技术与社会变迁如何塑造我们的文化体验。 ## 虚拟偶像团体 Isegye Idol：Z世代的数字避风港 如果你觉得K-pop已经足够新奇，那么**虚拟偶像**——通过动作捕捉技术以动漫风格数字角色表演的人类——可能会让你大开眼界。米歇尔·金最喜欢的虚拟偶像团体是**Isegye Idol**，由韩国VTuber（同样以数字形象表演的直播主）**Woowakgood** 创建。这个六人女子组合的成员身份匿名，这种匿名性似乎赋予了他们一种罕见的真诚与幽默感。 Isegye Idol 的活动内容非常多元化：他们玩游戏（如《英雄联盟》、《围棋》、《我的世界》）、闲聊，并表演一种介于动漫配乐和电子游戏音乐之间的“俗气”歌曲。整个风格非常**DIY（自己动手）**，且充满亲密感。 这个团体的火爆人气，深刻反映了韩国Z世代的社会心态——这一代人常被描述为“孤独”且“文化上漂泊不定”。他们面临着就业困难、放弃约会、试图在线上寻找友谊等现实挑战。Isegye Idol 展示了一个事实：当现实世界不尽如人意时，人们可以在线上构建一个充满魔力的宇宙。这不仅是娱乐，更是一种情感寄托和社群构建的新形式。 ## 纪录片《无名氏对抗普京》：战争阴影下的教育困境 在俄罗斯铜冶炼小镇卡拉巴什（Karabash，曾被联合国教科文组织称为“地球上毒性最强的地方”），学校教师**帕维尔·塔兰金（Pavel Talankin）**的生活并不轻松。但他拍摄的视频（部分秘密拍摄）清楚地表明，他深爱着这个地方——烟囱、寒冷、在室外行走时结冰的胡子，以及最重要的，他那些眼睛明亮的学生。 然而，一场遥远而残酷的战争，以及国家宣传，逐渐改变了这个小镇。作为一名在教室悬挂民主旗帜的反战进步人士，塔兰金不得不面对新的爱国主义课程、强制性游行、雇佣兵的来访，以及他与学生共同建立的创意空间的丧失。 导演**大卫·博伦斯坦（David Borenstein）** 凭借这部纪录片获得了奥斯卡奖。影片通过塔兰金的镜头讲述了他的故事。最打动米歇尔·金的一点是：**成年人在孩子身边的存在是如此奇特**。我们在无形中以深刻的方式塑造着他们，甚至可能自己都未曾意识到。 ## 詹姆斯·阿卡斯特的《剧目》：喜剧中的身份迷失与荒诞 米歇尔·金自嘲是那种愿意花150美元在旧金山一个气味不佳的剧院看喜剧的人（剧院里一罐水卖20美元），因为她“疯狂地”希望单口喜剧不会消亡。今年二月，她现场观看了英国喜剧演员**詹姆斯·阿卡斯特（James Acaster）** 的演出，但感觉那场表演平平。 然而，阿卡斯特2018年在Netflix上线的迷你剧集《剧目》（Repertoire）却被她视为“黄金之作”。这部四集特辑拍摄于阿卡斯特经历分手后不久。剧中，他扮演了多个角色，其中包括一名卧底成为单口喜剧演员的警察，这名警察后来忘记了自己的真实身份，并经历了离婚。随后，剧情走向越发荒诞，探讨了诸如“如果你曾经拥有的每一段关系都……”（原文未完整引述）等假设性问题。 《剧目》展现了喜剧如何能够超越简单的笑话，深入探讨身份、记忆和人际关系的复杂性，呈现出一种精心构建的、层次丰富的幽默艺术。 ## 小结：技术、社会与艺术的交织 米歇尔·金关注的这三个热点，看似分散在虚拟娱乐、严肃纪录片和喜剧表演领域，实则共同勾勒出当代文化图景的几个关键维度： - **技术赋能的新社群**：如Isegye Idol所示，AI与虚拟技术正在创造全新的情感连接和娱乐体验，尤其为面临现实压力的年轻一代提供了出口。 - **现实世界的沉重记录**：塔兰金的故事提醒我们，在全球政治与冲突的背景下，个体的教育理想与日常生活如何被重塑，纪实影像的力量在于保存这些容易被忽视的真相。 - **艺术形式的深度探索**：阿卡斯特的《剧目》证明了即使在流媒体时代，喜剧也可以是一种严肃的、探索人性与叙事可能性的艺术形式。 这些内容不仅是消遣，更是观察社会变迁、技术影响与人类情感演变的窗口。