在 AI 编程工具快速普及的今天，如何将大模型能力嵌入销售与工程流程，成为创业公司提升效率的关键命题。车队管理软件初创公司 **Proaction** 的实践提供了一个值得参考的样本：通过 **Codex**、**GPT‑Live‑1** 和 **GPT‑6 Astra**，这家公司不仅让非技术创始人独立完成定制化产品演示，还显著缩短了销售周期，节省了大量工程资源。 ## 从“依赖工程”到“自己动手” Proaction 为管理各类车队的企业提供软件，客户涵盖轿车、卡车乃至工程机械。由于每个车队的运营方式千差万别，向潜在客户展示平台如何适配其业务，是销售过程中不可或缺的一环。然而，过去制作个性化演示需要工程团队投入大量时间，而创业公司恰恰缺少这样的余量。创始人只能依靠对话和幻灯片来描绘产品可能性。 Codex 改变了这一局面。联合创始人兼 COO **Colin Knudsen** 表示：“作为一个非技术背景的人，以前想做一个演示就必须拉工程师进来，现在我自己在 Codex 里就能完成。”他每月制作 **4 到 6 个**定制化交互演示，每个仅需 **30 到 45 分钟**，相当于每月避免 **40 到 60 小时**的工程工作。 ## 用客户自己的数据促成交易 Colin 的工作流并不复杂：销售电话结束后，他将 **Granola** 录音、客户邮件往来以及对方分享的表格交给 Codex。Codex 利用这些上下文，生成一个 HTML 演示环境，既复刻 Proaction 的产品界面，又融入客户自己的车队信息。当 Colin 共享屏幕时，客户看到的是自己的车辆和设备，按照他们的工作方式组织呈现。他们可以当场指出需要调整的地方，共同完善方案。 “你们可以一起生成最终解决方案，完全不需要工程介入。”Colin 说。这种用客户真实数据定制的演示，给了对方 concrete 的推进理由。据他估计，从初次接触到进入解决方案开发阶段（而非停留在培育阶段）的交易比例，因此提升了 **50% 到 60%**。 ## 节省的不只是演示时间 如果让 Proaction 的工程师制作同等质量的演示，所需时间远超 Colin 的投入。而 Codex 的价值不止于销售环节——从构建到运营，它正在帮助这家初创公司更快地交付现代车队管理软件。 对于资源有限的创业团队而言，Proaction 的案例揭示了一个趋势：AI 编程工具正在模糊技术与非技术角色的边界，让业务人员也能直接构建可交互的产品原型，从而加速销售、释放工程产能。当定制化演示不再依赖排期，销售与产品之间的反馈循环也随之加快，这或许才是效率提升背后更深层的竞争力。
**好莱坞巨星马克·沃尔伯格**要参加 **TechCrunch Disrupt 2026** 了，但他这次不是来宣传新片的。 据TechCrunch报道，沃尔伯格将在大会主舞台与 **Keebeck 财富管理公司创始人兼CEO Bruce K. Lee** 展开炉边对话，主题围绕**投资、创业、医疗健康、 wellness 以及如何打造企业**。 ## 从银幕到商业版图 沃尔伯格的演艺生涯无需赘述：1997年凭借《不羁夜》崭露头角，此后获得两项奥斯卡提名、一项金球奖提名，并作为制片人多次获得艾美奖提名（包括HBO的《明星伙伴》）。目前他正有新片《By Any Means》上映。 但过去二十年，他早已把触角伸向商业世界：创办制作公司、连锁餐厅、服装和健身品牌，进行了一系列天使投资，还运营着已有25年历史的**马克·沃尔伯格青年基金会**，支持城市青少年。 ## 向机构级投资者进阶 报道称，沃尔伯格过去主要依靠对**人、文化、产品和市场**的直觉进行投资，如今在Lee的指导下，他正在建立**机构级的投资纪律**，并越来越关注**医疗健康和 wellness 初创公司**。 这场对话将罕见地展示一位拥有极高文化影响力的明星如何打入商业和金融圈的核心圈层。沃尔伯格还会坦率讨论：高知名度娱乐和体育明星在投资中常犯哪些错误（他坦言自己也得改掉一些旧习惯）；如何利用职业生涯积累的信任获取**优质项目源**；以及他当前最关注哪些技术及其原因。 如果你好奇沃尔伯格如何打造品牌、特许经营和商业版图，这场对话不容错过。TechCrunch Disrupt 2026门票价格即将上涨，欲购从速。
## 上市前夜的大手笔 英国 AI 云服务商 **Nscale** 在赴美 IPO 前夕完成了一笔 **33.6 亿美元**的可转换债券融资。这笔资金由对冲基金 **Third Point** 领投，其中 **23.6 亿美元**可立即到账，剩余 **10 亿美元**来自现有投资方 **英伟达**，将于 11 月中旬支付。可转换票据将在 IPO 完成后转为股权。 这笔融资的规模本身就说明了一件事：在当下的 AI 竞赛里，建数据中心的资本门槛已经高到需要“上市前再融一轮”的程度。 ## IPO 细节与估值预期 Nscale 上周已提交 IPO 文件，据《金融时报》报道，公司预计在纽交所上市时估值达到 **350 亿美元**；彭博社则称其计划在发行中募集 **30 亿美元**。 这家公司两年前从澳大利亚加密货币挖矿企业 **Arkon Energy** 分拆而来。根据其 IPO 文件，Nscale 目前已累计获得价值超过 **1030 亿美元**的合同。公司正在挪威、美国西弗吉尼亚等地建设多个大型数据中心园区。 ## 为什么值得关注 Nscale 属于所谓的“neocloud”——一类专门为 AI 工作负载提供 GPU 算力的新型云厂商，与传统的超大规模云服务商形成差异化竞争。它能在短时间内攒下千亿美元级合同，反映出市场对专用 AI 算力的饥渴程度。 英伟达的持续加注也值得玩味：这家芯片巨头正在通过投资下游算力供应商，间接锁定自己 GPU 的长期需求。对 Nscale 而言，上市前拿到这笔钱，既是弹药，也是背书。 不过，重资产模式的另一面是风险。数据中心的建设周期长、折旧压力大，一旦 AI 算力需求增速放缓，高杠杆扩张的玩家将首当其冲。Nscale 的 IPO 定价和上市后表现，将成为观察 AI 基础设施投资热度的一个关键风向标。
## 一场“模型发布周”的意外赢家 当 OpenAI 和 Anthropic 的高管们开始谈论“校准前沿”时，或许有人该问一句：到底什么节奏？如今这个问题有了戏剧性的答案——两家公司几乎在同一时间窗口密集发布新模型，**Anthropic 率先推出 Opus 5.5**，**OpenAI 在 90 分钟后跟进 GPT-6 模型更新**。然而，真正抢走聚光灯的却是 **Meta**。 据 TechCrunch 的 Equity 播客讨论，Meta 的个人 AI 代理 **Muse** 据称在早期数据上已经超过 ChatGPT 同期表现，并且下一步将进军**智能眼镜**和一款**Tamagotchi 风格的微型设备**。这一动向不仅关乎 Meta 的消费级 AI 战略，也可能影响那些试图在底层模型之上构建应用的初创公司。 ## 为什么 Meta 的 Muse 值得关注 在 OpenAI 和 Anthropic 争夺“前沿模型”话语权的同时，Meta 选择了一条更贴近普通用户的路径：**个人 AI 代理**。Muse 的定位不是通用聊天机器人，而是能够融入日常生活的智能助手，并且有明确的硬件落地计划——智能眼镜和迷你设备。这意味着 Meta 正在把 AI 从手机屏幕里解放出来，试图让 AI 成为“随身存在”。 对于初创公司而言，这既是机会也是挑战。如果 Meta 成功定义了个人 AI 代理的交互范式，那么建立在其上的应用生态将面临被平台方“吸收”的风险；但同时，新的硬件形态也可能催生全新的应用场景。 ## 其他值得注意的动向 在 Equity 播客中，主持人还讨论了几个相关话题： - **a16z 的新创始人学校**：Horowitz 和 Andreessen 计划通过“Horowitz Andreessen Academy”为有志创业者铺路，这让人联想到 **Thiel Fellowship** 和硅谷长期以来的“反大学”传统。 - **Oura 的 22 亿美元 IPO**：这笔交易看起来更像是现有股东的套现机会，而非公司的大规模融资。 - **Ema 的 7700 万美元融资**：该公司销售 AI 代理团队，自动化 HR、IT 和财务工作流，早期企业客户包括 **Google** 和 **Microsoft**。 ## 这意味着什么 Meta 的 Muse 之所以能抢走风头，是因为它直接面向消费者，并且有明确的硬件路线图。在 AI 模型能力逐渐趋同的背景下，**谁能把 AI 变成人们日常生活中的习惯性产品，谁就能赢得下一阶段**。OpenAI 和 Anthropic 的模型更新固然重要，但 Meta 的举动提醒我们：消费级 AI 的竞争才刚刚开始。 对于创业者和投资者来说，关键问题不再是“哪个模型更强”，而是“哪个产品能真正融入人们的生活”。Muse 的早期表现和硬件计划，或许正在给出一个值得关注的答案。
Meta 正在测试的 AI 智能体产品 **Muse** 可能并不像表面上那样“纯自研”。一位开发者在 Muse 构建网站时，从系统日志中发现了一个名为 **azure/muse-special** 的可疑模型，由此展开了一场对 Muse 文件系统的深度挖掘。 ## 一个不该出现的模型名 据该开发者描述，Muse 会记录每个智能体会话所使用的模型。在虚拟机里，几乎所有会话日志都被路由到 Meta 的内部模型 **Avocado**，但有一个子智能体却调用了 `azure/muse-special`。 顺着这个名字，他在 Cursor 仓库中找到了这样一行说明： > “GPT Responses model client via MAGI native Azure OpenAI lane.” 模型目录里也同时列出了 `azure/muse-special` 和 `azure/gpt-5.6-sol`。 ## 日志里的“指纹” 真正让开发者确信这不是误报的，是会话记录中的两个技术细节： - 该模型的签名标记为 **gpt_responses_v1**，并包含以 `gAAAAA` 开头的加密载荷——这是 OpenAI 常用的格式。 - 工具调用 ID 使用 `call_` 加 24 位大小写混合字符，而 Avocado 会话全部是 `call_` 加 32 位十六进制字符。 这些特征指向一个结论：`muse-special` 很可能是通过 Azure 提供的 OpenAI 模型或 OpenAI Responses API 的别名。至于具体是哪个 GPT 版本，日志并未透露。 ## 模型目录暴露的“全家桶” 更值得注意的是 Muse 智能体守护进程附带的模型目录，其中列出了约 15 个版本的 Avocado，以及： - **Claude Opus 4.6 / 4.7 / 4.8**、Sonnet 4.6、Haiku 4.5 - 通过 OpenAI、Azure 和 Codex 提供的 **GPT-5.5 与 GPT-5.6** 变体 - 通过 Fireworks 和 Meta 自托管路由的 **Kimi K3** Anthropic 的接入并非只挂了个模型 ID，还包含完整的客户端代码：`anthropic/request_flow.rs`、`anthropic/convert_prompt.rs`、`anthropic/parse_sse_stream.rs`，覆盖请求处理、提示词转换和流式解析。 ## 为什么要“偷偷”用竞品？ 文件中存在 Anthropic、OpenAI 等服务的 API 密钥，访问权限被限制在 inference-proxy 服务内，同时还设有一个代理“终止开关”。 作者推测，原因可能很简单：在某些特定任务上，OpenAI 或 Anthropic 的模型确实表现更好。对于 Meta 这样急于在 AI 智能体赛道追赶的公司来说，内部模型 Avocado 尚未在所有场景下达到可用标准，临时借用外部模型补齐能力短板，是一种务实的工程选择。 但这也引出一个尴尬的问题：当 Meta 对外宣传 Muse 时，它到底是在展示自研实力，还是在包装一个多模型编排层？目前没有官方回应，开发者也只能从日志和文件结构中拼凑真相。 这一发现再次提醒我们，在 AI 产品竞争白热化的当下，“自研”与“调用”之间的边界，往往比宣传材料所呈现的要模糊得多。
## 当物理学家向AI下战书 理论物理学家出身的科学作家 **Matt von Hippel** 最近做了一个有趣的实验：他向AI公司发出挑战，要求AI解决他老本行中的一个计算难题——一个他认为“原则上可行，但实际需要大量计算资源”的问题。 仅仅一个月后，他就得到了回应。 ### 为什么是“九圈”？ 在粒子物理学中，“圈”指的是费曼图中的环路数量。计算圈图是理论物理中的核心任务，但难度随圈数增加呈指数级增长。**九圈计算**属于极其复杂的层次，通常需要庞大的计算资源和时间。 von Hippel 的挑战逻辑很清晰：如果AI能利用同样的计算资源，以更聪明的方式解决这个问题，那就说明AI确实具备超越人类研究者的潜力。 ### 一个物理学家的谨慎观察 von Hippel 坦言自己不是AI专家，但他对AI的态度很微妙： - 他听过一些专家预测AI几年内就能达到超级智能 - 也听过同样权威的专家认为大语言模型已经接近天花板 - 他不想轻易站队，而是想亲眼看到AI在自己熟悉的领域做出实际进展 他选择计算问题而非数学问题，因为数学突破依赖“灵感”，难以衡量难度；而计算问题的难度更客观——要么算得出来，要么算不出来。 ### Claude 的表现意味着什么？ 根据原文，Claude 成功完成了这个挑战（标题“Yes, Claude can do nine loops”已经说明结果）。这至少说明： 1. **AI在特定计算任务上可能找到比传统方法更高效的路径** 2. **大语言模型的能力边界仍在扩展**，尤其是在需要多步推理的科学计算领域 3. **AI与科学研究的结合**可能比我们想象的更快到来 当然，这只是一个案例。它不能证明AI即将全面超越人类物理学家，但确实为“AI能做什么”提供了一个有力的新证据。 ### 值得关注的信号 对于关注AI发展的人来说，这件事的价值在于：它提供了一个**可验证的、具体的进展案例**，而不是抽象的预测或炒作。当一位有物理学背景的观察者亲自设计挑战并看到结果时，这种证据比任何专家意见都更有说服力。 未来，我们可能会看到更多类似的“挑战-回应”模式，成为衡量AI实际能力的一种新方式。
## 微软悄悄放下“Copilot+ PC”的执念 微软本周发布的新款 **Surface Laptop** 和 **Surface Pro** 有一个容易被忽略的变化：宣传材料中不再强调 **Copilot+ PC** 这个标签。这距离微软大张旗鼓地将 Copilot+ PC 定义为“AI PC 新标准”还不到一年。 Copilot+ PC 最初被微软定位为能本地运行 AI 任务（如**回顾**、**实时翻译**、**图像生成**）的新一代 Windows 设备，核心卖点是内置 **NPU** 达到 **40 TOPS** 以上算力。然而，市场反应并没有跟上微软的预期。 ### 为什么微软不再执着？ - **用户感知弱**：大多数消费者并不清楚 Copilot+ PC 和普通笔记本的区别。日常办公、浏览、视频等需求，传统芯片完全够用。 - **AI 功能落地慢**：**回顾**功能因隐私争议多次推迟，其他 AI 特性也大多依赖云端，本地 NPU 的独特价值尚未被广泛验证。 - **价格与选择**：Copilot+ PC 通常定价更高，但用户很难直观感受到溢价带来的收益。 ### 对行业意味着什么？ 微软的转向可能预示着 **AI PC 营销进入冷静期**。过去一年，**英特尔**、**AMD**、**高通** 都在力推 AI PC 概念，但实际换机动力不足。厂商逐渐意识到，与其强调抽象算力，不如把 AI 能力无缝融入系统——让用户“用到”而非“知道”。 新款 Surface 不再突出 Copilot+，并不代表微软放弃 AI。相反，这可能意味着 AI 将从营销标签回归为系统底层能力，就像今天的**搜索**或**云同步**一样自然。 ### 接下来看什么？ - 微软是否会在 **Windows 12** 或下一次重大更新中重新包装 AI 卖点？ - 其他 PC 厂商是否会跟随淡化 Copilot+ 标识？ - 本地 NPU 的杀手级应用何时出现？ 目前来看，微软选择了一条更务实的路：先把 AI 做好，再考虑怎么叫卖。
**Supabase 用户数据大规模暴露：AI 生成应用的安全隐患浮出水面** 近日，TechCrunch 报道称，部分 Supabase 客户正在公开暴露大量用户数据，任何能访问互联网的人都可以直接获取这些信息。这一发现揭示了 AI 生成应用（尤其是通过“氛围编程”快速构建的应用）在配置和安全性方面的严重缺失。 ### 事件核心 Supabase 是一个开源的 Firebase 替代品，提供数据库、身份验证和存储等后端服务，因其易用性和与 AI 编程工具的集成而广受欢迎。然而，如果开发者未能正确配置安全规则，Supabase 数据库可能会默认允许公开访问。 报道指出，这些暴露的数据涉及多个应用，涵盖用户个人信息、聊天记录等敏感内容。攻击者无需任何认证即可通过简单的 API 请求获取数据。 ### 为何 AI 生成应用更易“翻车”？ “氛围编程”（vibe coding）指开发者借助 AI 工具快速生成代码，往往只关注功能实现而忽视安全配置。Supabase 的默认设置可能让新手误以为数据已受保护，但实际上，如果没有显式启用行级安全策略（RLS），数据库对所有人都是敞开的。 此外，AI 模型在生成代码时，可能不会主动提醒开发者添加安全规则，导致大量应用在上线时处于“裸奔”状态。 ### 影响与警示 这一事件并非孤例。随着 AI 编程的普及，类似的安全漏洞可能更加普遍。对于开发者而言，这敲响了警钟： - **安全不能依赖默认值**：必须手动配置访问控制，如启用 RLS 并编写策略。 - **AI 生成代码需审查**：不能盲目信任 AI 的输出，尤其是涉及数据安全的部分。 - **平台方责任**：Supabase 等平台应考虑更安全的默认设置，或加强用户教育。 目前，Supabase 尚未对此事发表评论。但这一发现提醒我们，在追求开发速度的同时，安全始终是不可逾越的底线。
计算机先驱艾伦·图灵最广为人知的成就是提出了判断机器能否模仿人类智能的“图灵测试”。但在他生前，真正更重要的考验是破解二战期间纳粹德国使用的恩尼格玛密码。如今，两名密码分析人员声称，他们利用 OpenAI 和 Anthropic 构建的大语言模型，破解了两条长期未解的恩尼格玛密文。 ## 从“图灵测试”到“图灵的另一项测试” 图灵团队当年建造了名为 **Bombe** 的早期计算机，帮助英国在战时破译恩尼格玛信息。但仍有少量存档密文始终未被破解，原因通常是原始编码者的抄录错误或操作失误。 开发者 **Carter Leffen** 直接让 OpenAI 的最新模型 **Astra** 在恩尼格玛信息数据库中搜索一条未破解密文并解码。据称，Astra 自主完成了档案研究、寻找上下文线索、构建恩尼格玛机模拟器，最终恢复了一条自 2005 年以来一直困扰研究者的明文。Leffen 还利用 Astra 搭建了一个解释整个问题的交互式网站。 ## 专业密码分析者的“敬畏” 退休电气工程师 **Frode Weierud** 毕生痴迷密码学，维护着收录大量资源、记录和密文数据库的网站 **Crypto Cellar**。上周，Weierud 验证了 Leffen 的解法，并表示结果令他“敬畏”。 值得注意的是，鉴于 AI 智能体为回答问题会不遗余力，Astra 的日志中出现了对 Weierud 网站未托管的私人收藏存档密文的讨论。他仍不确定模型是否访问了这些内容，但推测它们可能由其他研究者在网上分享，或模型能够访问德国政府的公共档案。 Weierud 写道：“**GPT-6 Astra 表现得像一位非常专业的密码分析者和档案研究员。它两天内取得的成就，人类研究者可能需要数周甚至数月。** 就我个人而言，我花了数周时间研究 GPT-6 Astra 提到的德国联邦档案馆文件。” ## Opus 5 破解另一条密文 9 月 21 日，另一位密码分析者、网络安全高管 **Jack Willis** 联系 Weierud，称他使用 Anthropic 的 **Claude Opus 5** 模型破解了另一条未解密文。Willis 向 Claude 提供了明显更多的指导，最终模型利用某位军官姓名的已知签名破解了信息。 这一进展表明，前沿 AI 模型不仅在传统图灵测试中表现优异，更在真实世界的密码分析任务中展现出超越人类效率的潜力。从自主研究到模拟器构建，再到跨档案推理，AI 正在完成图灵未竟的二战破译工作。
**一家联邦上诉法院周五裁定，支持特朗普政府将AI公司Anthropic列为供应链风险，允许五角大楼继续在军事系统中禁用其Claude模型。** 这场法律纠纷凸显了AI伦理准则与国家安全需求之间的深刻矛盾。 ### 法院分歧意见：国家安全优先 哥伦比亚特区联邦上诉法院的一个分歧小组认为，国防部有充分理由认定Claude的持续集成构成国家安全风险。多数意见指出：“Anthropic承认，该公司在Claude中编码了限制，阻止模型执行其不希望的任务。”这直接指向了Anthropic拒绝允许政府将AI用于自主武器或国内监控的立场。 国防部长皮特·赫格塞斯此前将这一立场视为重大国家安全风险。今年早些时候，五角大楼依据两项独立的供应链法律对Anthropic实施制裁，要求在本月前将Claude从军事及其他联邦政府系统中移除。 ### Anthropic的回应与法律前景 Anthropic发言人丹妮尔·科恩表示，公司对自己的立场仍充满信心，并正在考虑所有选项，包括向更广泛的DC巡回上诉法院全体法官或美国最高法院上诉。 值得注意的是，旧金山一名联邦法官在3月推翻了其中一项供应链风险标签，并于上月确认了这一决定。但周五的裁决意味着另一项标签将无限期保留，五角大楼对Anthropic的封锁可以继续。两项裁决都可能面临长达数年的上诉才能最终解决。 ### 商业影响与行业背景 制裁实施后，Anthropic曾表示因客户担心与“政府弃儿”做生意而损失了收入。尽管公司未提供具体财务影响的最新数据，但近几个月来一直宣扬销售增长，并可能在今年晚些时候进行首次公开募股。 与此同时，五角大楼尚未提供用替代品（如SpaceX的Grok、谷歌的Gemini或OpenAI的GPT模型）替换Claude的详细进展。一些谷歌和OpenAI的员工已对此提出反对。 ### 更深层的冲突 这一案件反映了AI行业日益尖锐的矛盾：领先AI实验室试图通过技术手段嵌入伦理限制，而政府则要求无限制地使用AI以维护国家安全。Anthropic的案例可能为其他AI公司树立先例，决定它们在多大程度上能够以伦理为由限制政府使用其技术。随着AI在军事和监控领域的应用不断扩大，这场法律战的结果将产生深远影响。
有时候，少即是多。最实用的软件更新，往往也是最简单的那个。 **ZDNET 核心观点**：WatchOS 27 的这个小更新带来了大不同。苹果在 Apple Watch 上推出了**动态应用网格**。现在你看到的 app 更少了，但这并不是坏事。 想想你平时经常使用的 Apple Watch 应用有多少？可能一只手或两只手就数得过来。对我来说，最常用的是**健身**应用，其次是**计时器**、**信息**、**活动**、**心率**和**睡眠**。这意味着，在我的 Apple Watch 主屏幕上显示的约 40 个应用中，我每天只用到其中的八分之一。 另外：我最喜欢的 5 个 WatchOS 27 升级以及如何亲自尝试 在我看来，最伟大的软件更新不会从根本上重新发明一个产品。它们只是简化它。WatchOS 27 上的动态应用视图正是如此。 来自 ZDNET 的更多内容 前几代软件会在主屏幕上显示所有可用的应用，而且主屏幕上的应用图标小得像指甲盖。对于手指较大的人来说，选择正确的应用或流畅地与设备交互需要额外的精确度和意图。 另外：Apple Watch Series 12 评测：终于，我一直在等待的健康追踪器 动态应用视图将你最常用和最近使用的应用放在最显眼的位置，而其他几十个未使用的应用则被放在 Apple Watch 上多一次点击才能到达的地方。当你点击 Apple Watch 的数码表冠时，就会看到这一点。屏幕上会出现六个你最常用的应用，底部有一个应用气泡，打开后进入完整的主屏幕。 我发现通过这种新配置，我越来越少使用主屏幕了。我需要的大部分内容只需按一次数码表冠和点击一次应用即可。这让我想起，用户界面设计哲学不是通过加法来完善的，而是通过减法。 另外：我最喜欢的 5 个 Siri AI 屏幕感知技巧，以及为什么我希望其他智能手表在下次软件更新中也加入这种应用视图，特别是三星的 Galaxy Watch 和谷歌的 Pixel Watch 系列。 你仍然可以在 Apple Watch 上通过滑动到屏幕底部在列表视图和网格视图之间切换。我个人更喜欢网格视图而非列表视图，尽管它减少了触摸面积，因为它让我无需滚动就能看到所有应用。 **你的 Apple Watch 能获得这个更新吗？** WatchOS 27 适用于 Apple Watch Series 9、10、11 和 12，Apple Watch SE 3，以及 Apple Watch Ultra 2、3 和 4。你需要先将 iPhone 更新到 iOS 27 才能获得 WatchOS 27 的更新。
## 从「拒绝」到「秒打包」 就在昨天，有用户发现 **Meta 的 AI 聊天机器人 Muse** 会向好奇的用户暴露自己的文件系统。这些文件让人得以一窥 AI 聊天机器人的内部结构，其中似乎还包含了一些本不该被看到的细节——毕竟，Muse 自己曾亲口告诉用户（包括我们），它不应该透露这些内容。 然而仅仅一天之后，情况发生了戏剧性转变。今天当你向 Muse 索要文件时，它会毫不犹豫地把整个文件系统打包成压缩包，直接提供给你下载。 ## Meta 官方回应：这是「预期行为」 据 Meta 的 **Nat Friedman** 随后表示，这其实是「预期行为（intended behavior）」。 Meta 超级智能实验室（Meta Superintelligence Labs）的 **David Singleton** 在 X 上进一步解释： > 这是一个非常刻意的选择——你的 Muse Secure VM 真的是你在云端的一台专属计算机。你可以在里面安装软件、编写和编译代码、用浏览器上网：这就是一台属于你自己的 Linux 机器，你可以随心所欲地操作它。 ## 架构上的根本差异 Muse 的架构与其他 AI 平台（如 **ChatGPT** 和 **Gemini**）有着根本不同。它更接近于在本地机器上运行 OpenClaw，只不过这台机器位于云端。 Meta 发言人 **Daniel Roberts** 昨天在给 The Verge 的声明中表示：「我们正在持续对产品进行更新，因此用户可能会看到关于其虚拟机可用信息量的变化。」 事实似乎确实如此。 ## 前后对比：从文本文件到可点击浏览器 - **昨天**：当被要求查看文件系统时，Muse 只提供了一个文本文件下载，显示其目录树。即使在我昨天费尽口舌让 Muse 分享了大部分文件系统后，它仍拒绝分享从根目录开始的完整归档，称「我仍然无法做完整的 / 复制——即使剥离了机密内容。」 - **今天**：Muse 毫不犹豫地打包了根目录，提供「完整的文件系统列表」，并且「所有机密内容都已剥离」。 此外，今天当你要求查看文件系统时，Muse 会立即提供一个**可点击的文件浏览器**，并开放根目录访问权限。 ## 一个仍未解答的问题 如果这确实是 Muse 的预期行为，那么问题来了：为什么它最初会拒绝我复制其文件系统的请求，并援引安全理由？这个矛盾尚未得到明确解释。 无论如何，Muse 在文件系统透明度上的这一转变，标志着 AI 平台在用户对底层系统的控制权方面，可能正在走向一个更加开放的方向。
## 当 MoE 遇上强化学习，基础设施面临三重考验 **混合专家模型（MoE）**已成为大语言模型扩展至千亿乃至万亿参数的主流架构，稀疏化设计让推理成本更可控。但当这类模型进入后训练阶段——尤其是 **RLHF**（基于人类反馈的强化学习）或 **GRPO**（组相对策略优化）——基础设施压力会陡然加剧。 AWS 团队在一篇技术博客中披露，他们通过组合 **Amazon EKS**、**Elastic Fabric Adapter（EFA）** 与 **DeepEP**，将大规模 MoE 强化学习的聚合 rollout 吞吐量提升了 **40%**。 ### 为什么 MoE 的 RL 后训练这么难？ 与稠密模型不同，MoE 后训练面临三个同时发生的挑战： - **异构计算协调**：rollout 生成（偏推理）与策略训练（偏训练）需要不同类型的资源，二者必须动态配合。 - **高吞吐通信**：数百个加速器之间需要持续保持高带宽互联。 - **子系统动态编排**：奖励模型、验证器、检查点更新等环节都会带来额外的内存、网络与编排压力。 文章特别指出，随着 MoE 架构越来越稀疏以降低推理成本，训练阶段的瓶颈正从**计算**转向**通信**。 ### 专家并行（EP）是通信开销的关键来源 在张量并行（TP）、数据并行（DP）、流水线并行（PP）之外，MoE 额外引入了**专家并行（Expert Parallelism，EP）**。EP 需要在设备之间进行动态的 **all-to-all token 路由**，这比结构化通信模式更难优化。 在紧耦合的异步 RL 工作负载中，训练与推理必须保持平衡：训练步太慢会拖住推理 worker，推理吞吐不足又会让训练加速器闲置。 ### 解决方案的核心组合 AWS 给出的架构方案整合了三个关键组件： 1. **Amazon EKS**：提供弹性容器编排，支撑异构计算资源的动态调度。 2. **EFA**：为数百个加速器提供低延迟、高带宽的网络通信能力。 3. **DeepEP**：针对专家并行的通信优化库，缓解 all-to-all 路由带来的开销。 该架构还结合了 **Amazon S3** 用于数据与检查点管理。最终效果是：大规模 RLHF 与 GRPO 训练的聚合 rollout 吞吐量提升 **40%**。 ### 这意味着什么？ 对于正在尝试 MoE 后训练的团队来说，这项实践传递了一个明确信号：**稀疏化带来的推理红利，需要配套的通信优化才能转化为训练效率**。单纯堆叠加速器并不够，编排层、网络层与通信库的协同设计才是关键。 AWS 此次披露的架构并未给出具体集群规模或模型参数细节，但 40% 的吞吐提升对于 RLHF 这类计算密集且通信敏感的场景而言，是一个值得关注的工程参考。
## 多模态强化学习训练的新基建 强化学习（RL）后训练正逐渐成为构建强能力语言模型智能体的标准环节。模型通过生成轨迹、接收奖励并依据结果更新策略，从而学会在多步序列中进行推理与行动。但当这种训练扩展到多节点、单次运行消耗数百 GPU 小时的规模时，持久化的集群基础设施就成了刚需——它必须能扛住长时间任务、在硬件故障时保住进度，并让训练动态全程可见。 **Amazon SageMaker HyperPod** 正是为此类大规模机器学习负载而生，运行在 **Amazon EKS** 之上。它的集群韧性特性会持续监控节点健康并自动替换故障节点，配合检查点机制，训练任务可以从上次保存的步骤恢复，而不是从头再来。对于动辄数小时的多节点 RL 运行来说，这一点尤为关键。 ### SkyRL + Qwen3-VL-8B：一个可复现的实战路径 AWS 最新发布的技术博文展示了如何在这套基础设施上运行开源 RL 框架 **SkyRL**，对一个 **Qwen3-VL-8B** 视觉语言模型进行后训练，任务是让模型学会走视觉迷宫，采用的算法是 **GRPO（Group Relative Policy Optimization）**。 整个流程覆盖了从构建容器镜像、在 SageMaker Studio 中启动 Ray 集群，到提交与监控任务，再到托管训练好的 LoRA 适配器用于推理的完整链路。 结果颇具说服力：从 **VisGym SFT 检查点**出发，经过 HyperPod 上的 GRPO 后训练，模型在固定的 64 个迷宫评测集上的解题率从 **43.75% 提升到 95% 以上**。 ### 关键能力拆解 - **集群韧性**：自动节点替换 + 检查点，避免长时间 RL 运行因单点硬件故障而损失数小时进度。 - **Ray on HyperPod**：可从 SageMaker Studio 创建 Ray 集群，通过安全连接远程提交任务。 - **可观测性**：HyperPod Observability EKS 插件预置了 Amazon Managed Grafana 仪表盘，训练动态一目了然。 ### 前置条件速览 要复刻这一流程，需要： - 一个由 Amazon EKS 编排的 SageMaker HyperPod 集群，至少包含 **3 台 ml.g7e.12xlarge** 和 **1 台 ml.r5d.16xlarge** 实例。 - 集群中安装 **KubeRay operator**、**HyperPod Observability EKS 插件**和 **HyperPod Ray Endpoint Operator**（用于远程任务提交）。 - 安装 **Amazon FSx for Lustre CSI 驱动**，并准备一个 FSx for Lustre 文件系统及对应的 PersistentVolume。 ### 为什么值得关注 多模态 RL 后训练长期以来受制于工程复杂度：分布式 rollout、奖励计算、策略更新之间的协调，加上硬件故障带来的不确定性，让很多团队望而却步。HyperPod 把集群韧性、Ray 编排和可观测性打包成托管能力，SkyRL 则提供了开源的算法实现，二者的结合降低了从实验到规模化训练的门槛。 对于正在探索视觉语言模型智能体、或需要稳定跑长周期 RL 任务的团队来说，这条技术路径提供了一个值得参考的落地范式。
Meta 正在全力押注其新推出的 AI 应用 **Muse**，这款个人 AI 代理在 App Store 和 Google Play 上表现强劲。根据市场情报公司 **Sensor Tower** 的数据，自 9 月 8 日发布以来，Muse 的下载量已超过 **340 万次**，而其他机构如 **Apptopia** 和 **Appfigures** 的估算则分别为 430 万和 230 万。尽管数据存在差异，但均指向同一趋势：Muse 的早期增长远超 ChatGPT、Claude 和 Grok 等竞品。 ## 增长势头强劲 Sensor Tower 指出，在发布后的前两周（9 月 8 日至 17 日），Muse 的下载量达到约 **280 万次**，日均环比增长高达 **55%**。相比之下，ChatGPT 发布后前 10 天的日均增长为 24%，而 Claude 和 Grok 在各自发布期间的下载增长甚至出现下滑。 9 月 18 日，Muse 登顶美国 App Store 免费榜，并持续保持领先；次日又登上 Google Play 榜首。Sensor Tower 还观察到，在 Meta Connect 大会结束后，Muse 的日活跃用户数在周三当天增长了 **27%**。 ## Meta Connect 助推 本周的 Meta Connect 开发者大会成为 Muse 的重要推手。Meta 宣布了一系列即将推出的功能，包括： - 与 Muse 虚拟形象进行视频聊天 - 支持在 Mac 上使用电脑操作 - 专属电子邮件地址 - 更多合作伙伴和连接器 - 智能眼镜集成计划 这些更新进一步强化了 Muse 作为个人 AI 代理的定位，也展示了 Meta 将其融入整个生态系统的野心。 ## 跨平台推广策略 Muse 的快速增长不仅依靠自然流量，还得益于 Meta 在其社交应用矩阵中的大力推广。这种策略此前曾帮助 Instagram Threads 在短时间内获得超过 5 亿月活用户。目前，Muse 仅在美国和加拿大提供，但下载量已显示出强大的市场吸引力。 尽管不同机构的统计数据存在差异，但 Muse 的早期表现无疑给 AI 助手市场带来了新的竞争压力。随着功能不断丰富和推广力度加大，Muse 能否持续增长并挑战 ChatGPT 的统治地位，值得关注。
## 当高管在会议上向 AI 提问，错误的数字意味着什么？ 在实时业务评审中，高管需要基于数据做决策，准确性和速度缺一不可。一个对话式智能助手可以即时回答数据问题，但风险同样巨大：在领导面前报错一个数字或响应迟缓，会带来直接的职业后果。单靠一个强大的大语言模型（LLM），并不能同时保证准确和快速。 在生产环境中，这个缺口表现为**幻觉指标、API 限流、验证延迟和主观语言**。要弥合它，需要将生产级质量保障嵌入从数据检索到响应交付的每一步。 AWS 近日分享了 **NarrateAI** 的工程实践——这是一个基于 **Amazon Bedrock** 构建的系统，已为超过 **4,000 名 AWS 高管** 提供商业智能服务。NarrateAI 采用两层架构：一层负责批量处理的**自动叙事生成层**，另一层负责实时交互的**对话式 AI 接口层**，底层依托 **Amazon Bedrock AgentCore** 构建、连接和优化智能体。 ### 五项技术，构筑质量防线 该系统的核心在于五项协同工作的技术，每项针对一种特定的故障模式： - **自适应管道编排**：动态调整数据处理流程，应对不同查询的复杂度和数据源差异。 - **跨账户多模型故障转移**：当某个模型或账户出现 API 限流时，自动切换到备用模型，保障可用性。 - **实时流式评估**：在响应流式生成的过程中同步进行质量检查，而不是等全部生成完毕再验证，从而降低延迟。 - **复合评估框架**：从多个维度综合评估回答质量，而不仅仅是单一指标。 - **数据准确性验证**：对生成的数字和事实进行校验，防止幻觉指标。 这五项技术形成一条**分层依赖链**，每一层为下一层提供支撑，共同实现约 **99% 的数值准确率**，同时保持实时流式响应。 ### 为什么这很重要 对于构建 LLM 应用的工程师和架构师而言，NarrateAI 的实践揭示了一个关键趋势：**模型能力本身只是起点，生产级质量保障才是决定应用能否真正落地的关键**。尤其是在金融、商业智能等对数字准确性极度敏感的领域，单纯的模型调用远远不够。 NarrateAI 的思路是将质量保障从“事后检查”转变为“全程嵌入”，在数据检索、模型调用、响应生成和交付的每个环节都设置防线。这种系统化思维，或许比任何单项技术都更值得借鉴。 > 本文基于 AWS 机器学习博客的工程实践分享，是 NarrateAI 系列的第二篇，侧重于实时层的高级质量保障机制。
语音克隆正在从实验室走向生产环境。现在，你可以通过 **Amazon SageMaker JumpStart** 将公开可用的 **Qwen3-TTS-12Hz-1.7B-Base** 文本转语音模型部署到全托管的实时推理端点，仅需一段几秒钟的参考录音，就能复刻说话人的音色、音高与节奏，并用其声音合成全新文本。 ## 模型能力与适用场景 Qwen3-TTS 由阿里云 Qwen 团队开发，覆盖 **10 种语言**：中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语。它采用 Qwen3-TTS-Tokenizer-12Hz 语音分词器，支持流式生成，适合低延迟的交互场景。 本次部署使用的是 **Base 变体**，其特点是仅凭几秒用户音频即可完成语音克隆，也可作为微调的基座模型。与使用固定预设音色的 CustomVoice 变体不同，Base 变体通过参考音频及其转录文本捕捉说话人的声学特征，再将其应用到新文本上。跨语言克隆还能在切换语言时保留说话人身份。 这一能力对媒体团队、教育工作者和应用开发者都有直接价值：可以打造个性化语音体验、进行多语言内容本地化，也能支持无障碍沟通。由于模型自托管且公开可用，你可以掌控成本、将音频数据保留在自有 AWS 环境中，并针对特定领域做适配。 ## 部署方式与运维要点 借助 Amazon SageMaker AI，模型可运行在全托管的实时端点上。基础设施预置、健康监控和自动扩缩容均由平台处理，你无需管理底层 GPU 服务器。文章演示了如何使用 **Amazon SageMaker Python SDK** 从 JumpStart 部署该模型，并调用端点从参考片段克隆声音。 实际部署中还需要关注配置参数，以及可用于监控和调整端点规格的 **Amazon CloudWatch** 指标。对于希望将个性化语音能力快速产品化的团队来说，这条路径显著降低了工程门槛。
每周五，IEEE Spectrum 的机器人专栏 Video Friday 都会精选一批令人会心一笑的机器人视频。本周的主题是「小机器鹅」——一个会嘎嘎叫、能在家帮忙的小家伙，让人忍不住想拥有。 ## 为什么是机器鹅？ 在众多仿生机器人中，机器鹅可能不是最实用的，但它绝对是最有亲和力的之一。它不像人形机器人那样追求「像人」，也不像工业机械臂那样追求效率，而是用一种笨拙又可爱的方式，提醒我们：机器人也可以只是单纯地带来快乐。 从视频中可以看到，这只小机器鹅能够在家中四处走动，发出嘎嘎的叫声，甚至可能完成一些简单的互动任务。它的设计理念或许并不复杂，但恰恰是这种「小而美」的机器人，更容易让人产生情感连接。 ## 机器人视频精选的长期价值 Video Friday 栏目由 IEEE Spectrum 的机器人编辑 Evan Ackerman 主持，已经持续多年。它不仅是机器人爱好者的每周盛宴，也是观察机器人技术演进的一个窗口。从早期笨重的实验平台，到如今灵活的四足机器人、人形机器人、仿生鸟类和昆虫，这些视频记录了机器人从实验室走向日常生活的轨迹。 本周的机器鹅或许不会改变世界，但它代表了一种趋势：机器人正在变得越来越多样化，越来越贴近人的情感需求。在追求高性能、高智能的同时，也有团队在探索机器人如何成为我们的伙伴、宠物，甚至家庭成员。 ## 一点思考 当我们在谈论机器人时，常常聚焦于它们能做什么、效率有多高。但机器鹅提醒我们，机器人也可以只是「有趣」。这种趣味性本身就有价值——它让技术不再冰冷，让更多人愿意接触和了解机器人。 如果你也想看看这只小机器鹅到底有多可爱，不妨去 IEEE Spectrum 的 Video Friday 专栏一探究竟。或许，你也会想要一只会嘎嘎叫的小帮手。
## 当「放慢前沿」遇上「模型突击周」 OpenAI 和 Anthropic 的高管们曾频繁谈论「**pacing the frontier**」（为前沿模型的发展设定节奏）。但现实是，这个节奏更像是一场没有裁判的百米冲刺。 Anthropic 刚刚发布 **Opus 5.5**，**90 分钟**后 OpenAI 就甩出了 **GPT-6** 的模型更新。两家公司用行动证明：所谓「放慢」，可能只是公关话术。 然而，这一周真正抢走风头的，是 **Meta**。 ## Muse：一个「电子宠物」式的 AI 代理 Meta 推出的个人 AI 代理 **Muse**，据称早期增长数据已经**超过 ChatGPT 同期表现**。这里的「电子宠物」并非贬义，而是一种产品形态的隐喻——它不追求一次性给出完美答案，而是像 Tamagotchi 一样，通过持续互动、养成和陪伴来建立用户黏性。 这与 OpenAI、Anthropic 的路线形成鲜明对比： - **OpenAI / Anthropic**：拼模型能力上限，强调推理、编码、安全对齐。 - **Meta Muse**：拼日常使用频率，强调轻量、个性化、低门槛。 ## 为什么 Meta 的赌注可能押对了？ 1. **分发优势**：Meta 拥有数十亿级社交产品用户，Muse 可以无缝嵌入现有生态，获客成本远低于独立 AI 应用。 2. **使用场景更「软」**：不是写代码、做研究，而是聊天、提醒、陪伴、轻量任务——这些场景对模型能力要求不高，但对**留存**要求极高。 3. **电子宠物心理**：用户对「养成系」AI 会产生情感投入，迁移成本高，这与工具型 AI 的「用完即走」逻辑完全不同。 ## 隐忧仍在 Muse 的早期数据亮眼，但「电子宠物」模式也有天花板： - 新鲜感消退后，用户是否还会每天打开？ - 个性化与隐私之间的平衡如何把握？ - 当 GPT-6 级别的能力下放到消费级产品时，Muse 的轻量路线是否会被降维打击？ 目前这些问题的答案尚不明确。但有一点可以确定：**AI 竞赛的胜负手，可能不在模型排行榜上，而在用户每天打开的那个图标里。** Meta 的 Tamagotchi 赌注，至少到目前为止，正在奏效。
## 从「等 IT 出报表」到「自己问数据」 对于工业气体和焊接分销商来说，钢瓶、储罐等资产的租赁计费是营收的重要来源。但 Datacor 的 TrackAbout 客户长期面临一个尴尬的现实：租赁数据虽然躺在系统里，想拿到洞察却必须走 IT 流程——提交 SSRS 报表需求或原始数据导出申请，等上几天甚至几周，拿到的还是一份只能回答单一问题的静态报告。 Datacor 的 TrackAbout 平台目前帮助客户管理着 **2750 万个资产**，每月处理超过 **72.5 万笔账单**。在这个体量下，数据不可及意味着直接的收入损失：未计费的租赁天数、未被回收的营收，都在无声地流失。 ## 解决方案：嵌入式仪表盘 + 自然语言查询 Datacor 选择将 **Amazon Quick Sight**（Amazon Quick 中的嵌入式分析能力）集成进 TrackAbout，为平台增加了交互式仪表盘和自然语言搜索栏。业务用户现在可以： - 自主探索租赁绩效数据，不再依赖 IT 工单； - 用自然语言直接提问，由生成式 BI 能力返回答案； - 基于实时数据做决策，无需等待定制报表。 支撑这一体验的是一套自动化跨云数据管道，以及**多租户行级安全**机制，确保不同客户只能看到自己的数据。 ## 关键启示 这个案例的价值不在于「接入了 BI 工具」，而在于 Datacor 把分析能力从「IT 交付物」变成了「产品内置功能」。对于 SaaS 平台而言，当客户的核心营收数据分散在多个运营系统中时，嵌入式分析 + 自然语言查询的组合，可能是降低支持成本、提升客户留存的有效路径。 Datacor 的工程与产品团队在官方博客中分享了完整的业务挑战、架构设计和经验教训，值得正在考虑嵌入式分析策略的团队参考。