十年前，《精灵宝可梦Go》风靡全球，玩家们为了捕捉虚拟精灵，拍摄了大量现实世界的照片和视频。如今，这些数据被用于训练AI，开发送货机器人乃至军用无人机的导航技术。 2025年5月，Niantic将其授权的游戏业务（包括《精灵宝可梦Go》）出售给沙特支持的游戏发行商Scopely，同时将AI相关业务剥离为独立公司 **Niantic Spatial**。Niantic Spatial利用来自《精灵宝可梦Go》玩家和Scaniverse应用用户的数十亿张地理标记图像，训练了一个“大型地理空间模型”——一个基于用户扫描的真实世界地点的3D模型。据MIT Technology Review报道，该模型使用了约 **300亿张图像**，主要集中在城市环境中的公共地标，如雕像和喷泉。这些图像从不同角度、在不同光照和天气条件下拍摄，并附有手机位置和方向等元数据。 Niantic Spatial发言人表示，这些地面扫描是“完全可选的功能”，用户创建的是公共场所的短视频。公司自2019年起就在隐私政策中公开说明扫描数据将用于改进技术平台。该技术用于开发 **视觉定位系统**，通过比较摄像头图像与参考数据来确定设备位置和方向，可应用于送货机器人，也可能被用于军事无人机。 这一发现引发了隐私和伦理争议。玩家在游戏时并未明确同意其数据被用于军事目的，尽管Niantic声称数据使用在隐私政策中有说明，但许多用户对此并不知情。批评者认为，这种数据再利用模糊了娱乐与军事监控的边界，需要更严格的监管和透明度。
Google DeepMind 近日发布了 Gemma 4 开源模型家族的新成员 **DiffusionGemma**，它采用了与图像生成模型类似的扩散（diffusion）技术，而非传统的自回归（autoregressive）方式。这意味着模型不再逐字生成文本，而是并行输出整个文本块，在本地硬件上推理速度最高可提升 4 倍。 ## 工作原理：从“逐字造句”到“整体去噪” 传统大语言模型（如 GPT 系列或标准 Gemma）是自回归的——从左到右一个 token 接一个 token 地生成文本，每一步都依赖前一步的结果。这种串行方式虽然精确，但受限于内存带宽，速度难以大幅提升。 DiffusionGemma 则另辟蹊径：它首先在“画布”上放置大量占位 token，然后像图像扩散模型一样，通过多次迭代逐步“去噪”——每次迭代都会根据当前预测更新所有 token，最终同时生成一整段文本。这一过程将计算瓶颈从内存带宽转移到了算力上，使得模型可以一次并行生成最多 **256 个 token**。 ## 性能亮眼：700+ tokens/s 的本地速度 DiffusionGemma 是一个 **混合专家（MoE）** 模型，总参数量达 **260 亿**，但推理时仅激活 **38 亿** 参数，因此能够在高端消费级 GPU（如 RTX 5090 的 18GB 显存）上运行。 - 在 **RTX 5090** 上，DiffusionGemma 每秒可生成约 **700 个 token**。 - 在单块 **Nvidia H100** 加速卡上，速度超过 **1000 tokens/s**。 相比同等规模的 Gemma 自回归模型，速度提升约 **4 倍**。 ## 适用场景：非线性任务的优势 扩散式文本生成尤其擅长那些需要全局依赖或反复修正的任务，例如： - **内联编辑**：修改文档中间部分时，模型能同时考虑前后文。 - **分子序列建模**：生物信息学中常见的长序列预测。 - **数学图形生成**：如数独求解——动画演示显示，DiffusionGemma 通过不断修正大量 token，比自回归模型更轻松地解决了数独问题。 ## 为何 Gemini 不用？精度与成本权衡 尽管扩散模型速度更快，但 Google 并未将其用于云端 Gemini 系列。原因在于： - **错误率较高**：图像扩散模型中单个像素预测错误影响有限，但文本中一个 token 错误可能改变整个句子含义。 - **迭代计算成本**：多次去噪迭代的总计算量可能不低于自回归模型。 因此，DiffusionGemma 更适合对速度要求高、对精度容忍度稍大的本地应用场景，如实时编辑助手、轻量级推理任务等。 ## 行业影响：开源生态的新变量 DiffusionGemma 的发布为开源大模型社区提供了新的思路——在本地设备上实现更快推理，有望推动更多端侧 AI 应用，如离线智能助手、本地文档处理等。同时，它也展示了非自回归架构在特定任务上的潜力，可能激励更多研究者探索扩散模型在 NLP 领域的应用。 Google DeepMind 表示，DiffusionGemma 的代码和权重已在 Hugging Face 等平台开放，开发者可立即下载体验。
德国一家法院近日作出初步裁决，认定谷歌需为其AI概览（AI Overviews）中生成的虚假陈述承担法律责任。这一判决可能对全球AI搜索和聊天机器人行业产生深远影响，因为法院首次明确将AI生成的内容视为企业自身的“商业活动表达”，而非简单的第三方内容链接。 案件起因是两家出版商发现，谷歌的AI概览在回答关于其声誉的查询时，错误地生成诸如“是的，[该出版商]以可疑商业行为闻名，常被视为骗局”等肯定性陈述。这些陈述并非来自搜索结果中的任何链接，而是AI对网络信息的错误解读和重组。出版商在发出停止函后，谷歌未能及时纠正误导性输出，最终导致诉讼。 法院驳回了谷歌的常规抗辩——即用户应理解AI输出可能不准确并需自行核实。法院指出，与传统搜索引擎仅提供第三方链接列表不同，谷歌的AI工具做出了“独立的、新的、实质性的陈述”，这些陈述源于AI自身对网络链接的误读。由于只有谷歌能修正其底层算法和AI概览的输出，而谷歌最初并未采取行动，因此必须承担责任。 这一裁决打破了AI公司此前依赖的免责策略——即通过添加“AI可能出错”的免责声明来规避法律风险。法院明确认为，AI概览中的虚假陈述“主要是被告商业活动的表达”，而非受保护的言论。这意味着，未来AI搜索和聊天机器人若生成类似的不实信息，企业可能无法再以“用户应知AI不完美”为由推卸责任。 对于整个AI搜索行业而言，此判决树立了一个关键先例：AI生成的内容不能被视为中立的第三方信息聚合，而应被视作平台自身的表达。这可能导致AI公司面临更严格的审查，尤其是在处理涉及声誉、健康、金融等敏感领域的信息时。谷歌尚未对此裁决发表正式回应，但法律专家预计，该公司可能提出上诉。 值得注意的是，该判决目前为临时禁令，要求谷歌停止在AI概览中传播特定虚假声明。但其法律逻辑可能被其他司法管辖区参考，尤其是欧洲正在推动的《人工智能法案》框架下。AI搜索的“幻觉”问题一直备受诟病，此次裁决或将倒逼企业投入更多资源确保输出准确性，否则将面临高昂的法律代价。
Anthropic 于周二正式发布了其首个“神话级”模型 **Claude Fable 5**，该模型在整体能力上超越了之前的 Opus 系列。然而，为了防范模型被恶意利用，Anthropic 为 Fable 5 设置了严格的安全防护，主动拒绝回答涉及 **网络安全、生物学和化学** 等高风险话题的查询。 ## 安全机制：分类器与模型降级 Fable 5 的安全系统基于一系列 **分类器**，能够检测被禁止的提示主题以及潜在的越狱尝试。当用户提出敏感话题时，系统会将问题转交给较早的 **Claude Opus 4.8** 处理，并向用户发出警告。Anthropic 承认，这一机制被调校得“比理想状态更严格”，可能会导致偶尔拒绝无害请求的情况。不过，测试中此类误报率低于 **5%**，公司认为这是值得付出的代价，以避免模型被用于“造成严重伤害”。 ## 红队测试与越狱抵抗 Anthropic 表示，在超过 **1000 小时** 的红队测试和漏洞赏金计划中，外部团队未能发现针对 Fable 5 的通用越狱方法。新模型在抵抗自动化越狱攻击方面也远优于之前的 Claude Opus 模型。公司特别担忧 Mythos 5 模型在 **“智能体黑客攻击”** 方面的能力——即执行多步骤网络攻击的熟练度。然而，英国 AI 安全研究所的测试表明，Mythos Preview 在夺旗挑战中的表现与 OpenAI 的 GPT-5.5 相当，说明其性能并非“单一模型的突破”。 ## 行业背景与影响 Anthropic 此次对 Fable 5 的限制反映了 AI 安全领域日益增长的担忧：前沿模型在强大能力与潜在风险之间的平衡。通过主动限制高风险领域的回答，Anthropic 试图在提供先进 AI 能力的同时，减少被恶意行为者利用的可能。这一做法也为行业树立了新的安全标准，尽管可能引发关于 **过度限制** 和 **用户自由度** 的讨论。
谷歌在实时翻译领域再度发力，正式推出 **Gemini 3.5 Live Translate**。这是一款基于 Gemini 3.5 家族的语音到语音翻译模型，能够实现接近实时的对话翻译，并保留说话者的语气、语速和音调，让翻译后的声音听起来更自然、更像本人。新模型支持 **超过 70 种语言** 的自动检测与翻译，延迟仅几秒，足以跟上正常对话节奏。 与以往需要特定硬件（如 Pixel Buds）不同，Gemini 3.5 Live Translate 的覆盖范围大幅扩展： - **开发者** 可通过 Gemini Live API 或 AI Studio 的公开预览版进行集成，模型能自动处理多语言输入并过滤背景噪音。 - **企业用户** 本月起可在 Google Meet 中使用该翻译功能，界面也将优化以突出实时翻译入口。 - **普通消费者** 即将在 Android 和 iOS 的 Google Translate 应用中体验新模型，且无需特定耳机——任何蓝牙耳机均可使用。 安全性方面，谷歌为翻译后的音频添加了 **SynthID 水印**，以防范深度伪造风险。 此次发布是谷歌长期机器翻译研究的成果。从早期需要专用硬件的演示，到去年在 Translate 应用中扩大实时翻译范围，再到如今 Gemini 3.5 的全面铺开，谷歌正逐步降低实时翻译的使用门槛。值得注意的是，Gemini 3.5 家族目前仅推出了 Flash 版本，Pro 模型预计在未来几周内发布，届时可能带来更强大的翻译能力。 在 AI 翻译赛道竞争日益激烈的背景下，谷歌凭借 Gemini 3.5 在语音自然度和生态覆盖上建立了差异化优势。与单纯的文本翻译不同，保留语气、语速等副语言特征对于情感传递和沟通效率至关重要。同时，SynthID 水印的引入也回应了业界对 AI 生成内容真实性的担忧。 对于开发者和企业而言，Gemini Live API 的开放意味着可以快速将高质量实时翻译集成到自己的应用中，而无需处理复杂的多语言配置。对于普通用户，即将到来的 Translate 应用更新将让跨语言交流变得前所未有的流畅和自然。
苹果在WWDC 2024上宣布，其长期延迟的Siri升级（本周称为“Siri AI”）将使用谷歌的Gemini语言模型，并运行在谷歌服务器上的Nvidia硬件上。但苹果强调，其隐私承诺保持不变，即使部分模型在第三方云端运行。 ## 隐私承诺的延续 苹果一直将用户隐私作为其平台的关键优势。其云服务使用加密技术，旨在防止包括苹果员工在内的其他人访问数据。苹果长期以来宣传其设备端处理能力，例如图像扫描，尽可能让数据不离开设备。 ## 硬件限制与云端依赖 然而，Apple Intelligence面临苹果自有硬件的限制。能在iPhone或Mac上本地运行的语言和推理模型相对较小，限制了其能力和准确性。苹果的私有云计算系统是一个部分解决方案，但依赖于苹果自己的服务器硬件。为了获得支持Siri AI所需的计算能力，苹果需要大规模建设数据中心，但这正是它一直避免的。 ## 与谷歌的合作 苹果高管Craig Federighi在WWDC主题演讲后的小型会议上解释了如何保护用户隐私，同时获得所需计算能力，以及与谷歌合作的意义。Federighi表示，苹果的系统仍然依赖设备端模型处理简单查询，而复杂任务则通过谷歌的云端模型完成，但苹果确保谷歌无法访问用户数据。 ## 技术细节 苹果的架构被称为“传统聊天机器人架构”：设备上的客户端应用连接到云端模型，这些模型可以调用谷歌搜索等外部服务来获取世界知识。但苹果强调，所有数据传输都经过加密，并且苹果与谷歌签订了严格的合同，确保谷歌不会记录或存储用户数据。 ## 行业背景 这一举措反映了AI行业的一个趋势：即使是强调隐私的公司，也不得不依赖第三方云服务来提供更强大的AI能力。苹果的解决方案是在保持隐私保护的同时，利用现有基础设施，而非自建大规模数据中心。 ## 小结 苹果通过技术手段和合同约束，试图在隐私与性能之间取得平衡。尽管部分AI处理外包给谷歌，但苹果声称用户数据仍然安全。未来，随着AI模型对计算资源的需求增加，这种混合模式可能会成为更多公司的选择。
在今年的全球开发者大会（WWDC）上，Apple 终于揭开了备受期待的“Apple Intelligence”更新面纱，核心是全新的 **Siri AI** 语音助手。据 Apple 软件工程高级副总裁 Craig Federighi 介绍，新 Siri 将不再局限于“一次性任务”，而是提供“全新的对话式体验”，能够跨应用、跨场景理解用户意图，并调用设备上的个人数据提供更精准的响应。 ### 更自然的对话，更深的设备集成 在大会的演示中，Apple 展示了 Siri AI 如何通过多轮对话完成复杂任务。例如，用户可以先询问世界杯赛程，接着要求查看某场比赛的食谱，再让 Siri 从聊天记录中找回朋友推荐过的甜点，最后将所有信息整合成聚会菜单并发送给群聊。整个过程无需用户手动切换应用或重复指令。 另一个例子中，Siri 不仅能识别照片中拱门的拍摄地点，还能结合通讯录信息，找到刚搬家的朋友 Jeff 的地址，并直接在 Apple Maps 中规划“先去拱门、再去 Jeff 家”的路线。这种能力得益于 **Apple Intelligence** 对设备上“个人上下文”的深度调用——Siri 可以跨消息、邮件、照片等应用搜索信息，即使你记不清具体细节。 ### 技术底座：Google 加持的模型升级 值得注意的是，本次 Siri AI 的升级背后是 Apple 与 Google 的进一步合作。Apple 宣布其设备端 Foundation Models 将采用 **Google 驱动的更新**，同时结合云端推理能力，实现更复杂的任务处理。这种“本地+云端”的双层架构，既保证了响应速度，也兼顾了用户隐私——Apple 强调，AI 处理尽可能在设备端完成，云端仅处理无法本地运行的任务，且数据不会用于训练模型。 ### 行业视角：Apple 的差异化策略 在 AI 助手赛道，Google Assistant、Amazon Alexa 和微软 Copilot 早已布局多年，但 Apple 始终强调“以用户为中心”的克制路线。Federighi 在发布会上暗指竞争对手“为了 AI 而 AI，忽视了服务对象”，而 Apple Intelligence 的目标是让 AI“真正围绕你的需求”。这种理念体现在 Siri AI 的“个人上下文”能力上——它不像通用模型那样依赖海量云端数据，而是优先利用用户设备上的信息，从而提供更个性化、更安全的服务。 不过，Siri AI 的正式上线要等到 **今年秋季** 的 OS 更新，届时将随 iOS、iPadOS 和 macOS 新版本一同推送。对于开发者而言，Apple 也开放了相关 API，允许第三方应用接入 Siri AI 的智能调度能力。 ### 小结 Apple 的 Siri AI 并非简单的“大模型聊天机器人”，而是试图通过系统级集成重新定义语音助手的价值。它能否在体验上超越现有竞品，取决于秋季更新后的实际表现。但可以确定的是，Apple 正在将 AI 能力嵌入其生态的每一个角落，而 Siri 正是这一战略的前哨。
Google 的 AI 笔记工具 NotebookLM 今日迎来发布以来最重大的更新之一，正式接入最新的 **Gemini 3.5** 模型，并引入名为 **Antigravity** 的嵌入式支持，使其能够自主编写和运行代码。不过，这些新功能目前仅面向 **AI Ultra** 订阅用户及企业账户开放。 ### Gemini 3.5：更高效、更强大 NotebookLM 最初于 2023 年 AI 热潮初期推出，允许用户针对特定文档和网页进行 AI 分析。此次升级的核心是将底层模型从 **Gemini 3.1** 迁移到 **Gemini 3.5 Flash**。该模型在今年的 Google I/O 大会上首次亮相，主打更快速、更高效的处理能力，并能在降低 token 成本的同时提供相近或更优的输出质量。 Google 进行了横向对比测试，在“准确性 & 质量”、“多语言支持”、“大型文档分析”、“文档创建”和“高级研究”五个核心维度上，升级后的 NotebookLM 平均胜率达到 **65%**，显著优于旧版。 ### Antigravity：云端计算机赋能自动化 此次更新最引人注目的亮点是 **Antigravity**——NotebookLM 现在拥有自己的“云端计算机”，可以借助 Antigravity 编写并运行代码，以辅助用户的研究目标。Google 表示，NotebookLM 将附带 **超过 100 项软件技能**，帮助用户在工作流中构建自动化任务，而此前这些操作可能需要切换多个应用才能完成。 ### 输出格式扩展：不止于文字 NotebookLM 也不再局限于纯文本输出。它现在能够生成多种格式的文档，并统一存放于 **Studio Panel**（工作室面板），该区域原本用于存放信息图表、测验、音频概述等特殊输出。用户甚至可以在文件生成后，通过提示词让 NotebookLM 直接进行编辑。 首批支持的文件类型包括： - 数据可视化与图表（png, svg） - 文档（PDF、docx、markdown、纯文本） - 图片（png, jpg, gif） - 结构化数据 Google 计划在未来逐步增加更多文件类型。 ### 行业视角与前景 NotebookLM 的这次升级，反映出 Google 在 AI 工具整合上的深层策略：将底层模型能力快速转化为终端用户可感知的功能。Gemini 3.5 的高效特性与 Antigravity 的代码执行能力相结合，使 NotebookLM 从一个单纯的“问答式”研究助手，进化为一个具备一定自主执行能力的“研究代理”。对于需要深度分析长文档、跨格式产出内容的用户而言，这无疑是一次效率跃升。 不过，新功能先向付费用户开放，也意味着 Google 正在加速探索 AI 工具的商业模式。未来，NotebookLM 能否在激烈的 AI 笔记/研究工具市场中站稳脚跟，值得持续关注。
微软官方仓库再次成为供应链攻击的目标。上周晚些时候，73个经过加密验证的开源软件包被恶意篡改，植入了高级凭证窃取代码。这些代码会在开发者通过AI编码代理打开软件包的瞬间自动触发。GitHub将这些包标记为“违反服务条款”并禁用，但未明确提示恶意性质。安全专家警告，所有使用AI代理处理过这些包的开发者应立即假设系统已遭入侵。 ## 攻击细节：自复制型凭证窃取器 被篡改的包中包含一个28KB的有效载荷，专门窃取AWS、Azure、GCP、Kubernetes、密码管理器以及90多种开发者工具配置中的凭证。更危险的是，该恶意软件具备横向传播能力，能通过云基础设施感染其他开发者机器。攻击手法与2024年5月微软`durabletask` Python SDK被投毒事件高度相似，均通过泄露的微软凭证绕过仓库构建管道直接发布恶意版本。 ## 威胁追踪：TeamPCP与Miasma恶意软件 安全厂商将此次攻击关联到名为**TeamPCP**的黑客组织。使用的恶意软件**Miasma**实际上是该组织开源的**Mini Shai-Hulud**工具包的克隆版本。Miasma不仅窃取常规凭证，还能捕获**OIDC（OpenID Connect）令牌**，这类令牌常用于**SLSA（软件供应链级别）**来源证明，这意味着攻击者可以伪造软件完整性签名。 ## 微软回应与行业警示 微软在事件发生数日后才承认“可能存在恶意内容”，并称“已暂时移除部分仓库进行调查”。安全社区对此反应强烈——这已是两个月内第二起微软官方仓库被投毒事件。安全公司Cloudsmith指出，攻击者正在利用开发者对微软官方源的信任，同时针对AI代理自动执行代码的特性，实现“零点击”感染。 ## 对开发者的影响与建议 1. **立即检查**：若近期通过AI代理（如GitHub Copilot、Cursor等）使用过微软官方包，应全面审计系统凭证。 2. **凭证轮换**：立即轮换所有云服务、密码管理器及CI/CD工具的凭证。 3. **启用多因素认证**：对发布包所需的账号强制启用MFA。 4. **监控异常**：关注SLSA证明、OIDC令牌的使用异常。 5. **工具升级**：使用包管理器时启用签名验证和完整性校验。 此次事件再次证明，即使来源为官方仓库，也不能完全信任。AI代理的普及更扩大了攻击面——代码在“查看”时即被执行，传统沙箱可能失效。安全厂商呼吁业界重新审视供应链安全策略，将“零信任”原则贯彻到每一个代码执行环节。
OpenAI 正在筹备自 ChatGPT 发布以来最大规模的改版，计划将这款引发 AI 热潮的聊天机器人转型为集成了编程工具和 AI 代理（Agent）的“超级应用”。这一战略调整正值该公司为今年潜在的首次公开募股（IPO）寻找新的增长引擎之际。 ## 从聊天到行动的转变 据多位现任和前任员工透露，OpenAI 内部正在经历一场更广泛的组织重组，资源正从对话式 AI 向能够自主执行任务的 AI 代理倾斜。一位高级员工直言：“聊天已死。” 这表明 OpenAI 坚信 AI 的未来不在于回答问题，而在于帮用户完成实际任务。 ## 核心产品升级：Codex 走上前台 改版的核心之一是编程产品 **Codex** 将获得更高的优先级和资源。Codex 能根据简单指令编写代码和创建软件，被视为比聊天机器人更有商业价值的产品。与此同时，ChatGPT 的网站和移动应用将在未来几周内开始更新，引导用户更多地使用编程、图像生成以及外部合作伙伴的应用。 ## 战略意义与竞争格局 这一转变使 OpenAI 的战略与竞争对手 **Anthropic** 更加接近——后者专注于企业级 AI 产品，并因此实现了快速增长。OpenAI 希望将 ChatGPT 作为“入口”，将免费用户引导至高利润产品，从而提升整体营收。目前，ChatGPT 拥有近 10 亿用户，但大部分为免费用户。 在 IPO 前夕，OpenAI 面临巨大的盈利压力。此次改版不仅是为了提升收入，更是向投资者展示其商业潜力的关键举措。通过从聊天机器人转向 AI 代理和开发工具，OpenAI 试图在竞争激烈的 AI 市场中开辟新的增长路径。
近年来，人工智能在天气和气候建模领域的应用日益广泛，但这是否意味着真正的革命？本文通过分析机器学习（ML）与传统方法的关系，揭示了AI在气象科学中的真实角色：它不是取代，而是辅助。 ## 从“Whata Bod”闹剧说起 今年早些时候，美国国家气象局的一个办公室在社交媒体上发布了一张预报图，图中出现了“Whata Bod”和“Orangeotild”等虚构的爱达荷州城市名。这并非实际预报模型出错，而是一张由AI生成的配图。这个插曲提醒我们：气象学家和气候科学家并未被大语言模型取代，真正发挥作用的是另一种AI——机器学习。 ## 机器学习：模式识别的利器 在气象和气候模型中，“AI”几乎特指**机器学习**。其核心思想是让计算机从数据中识别模式，从简单的线性回归到复杂的神经网络，机器学习能处理远超人工能力的复杂度。例如，通过训练一个神经网络，输入大量标注过的鸟类照片，模型可以学会区分不同物种。 然而，机器学习也有明显局限：它无法识别训练数据中未出现的类别，对于差异过大的子群体也可能失效。这些限制在气象和气候领域尤为关键。 ## 天气 vs. 气候：AI的不同角色 **天气预报**追求短期高精度，AI模型如华为的Pangu-Weather和Google的GraphCast，通过海量历史数据训练，能在几秒内做出与物理模型精度相当的预测。但它们的“黑箱”特性让科学家难以解释突发极端事件的成因。 **气候预测**则关注长期趋势，物理模型依然是基石。AI更多用于**加速参数化**——即用机器学习替代计算量巨大的物理子过程，或**降尺度**，从粗略的全球模型生成高分辨率的区域预测。 ## 辅助而非替代 当前，AI在气象气候领域的定位是**增强**而非**替代**。物理模型提供因果解释和可靠性，AI则带来速度和效率。两者结合，才能应对日益复杂的天气与气候挑战。 例如，欧洲中期天气预报中心（ECMWF）正在探索将AI输出作为物理模型的初始场，以提升预报准确率。而气候研究中，AI帮助科学家从海量模拟数据中提取极端事件信号，但最终结论仍需物理模型验证。 ## 小结 AI革命在气象气候领域确实存在，但它是一场**渐进式**的变革，而非颠覆。ML工具让科学家能处理更大规模的数据、更快地做出预测，但物理定律和因果模型仍不可替代。真正的突破，在于两者协同工作。
2025年1月，田纳西州纳什维尔一所高中发生枪击案，造成两人死亡（包括枪手本人）。一名受伤的青少年幸存者近日起诉了部署在该校的“AI枪械检测”系统制造商Omnilert及转售商System Integrations，指控其系统未能检测到枪手携带的手枪，且厂商夸大宣传、隐瞒技术缺陷。 根据上月向戴维森县法院提交的诉状，原告指出Omnilert“知道或应该知道”其枪械检测系统存在“重大操作限制”，包括摄像头位置、武器与传感器距离、角度、光线及武器可见度等因素，均可能导致检测失败。诉状多次引用Omnilert官网营销文案（案发前数日的存档版本），指控公司过度宣传能力：例如宣称其AI视觉枪械检测“本可减轻或预防玛乔丽·斯通曼·道格拉斯高中的悲剧”——引用美国最严重的校园枪击案之一来暗示产品能避免类似灾难。然而，案发前的商业网站上“未提及任何误报、漏报或检测限制”。 原告律师克里斯·史密斯向Ars表示，他对AI枪械检测概念本就持怀疑态度：“我有一辆特斯拉，我觉得特斯拉的自动驾驶也是扯淡。”他指出，厂商在特定条件下宣称系统有效，这种做法本身就值得质疑。 据悉，2023年纳什维尔公立学校董事会批准了一项价值超过100万美元的合同，在全区摄像头网络和安保基础设施上部署AI检测层。但2025年1月枪击事件后，学区发言人肖恩·布雷斯特德在新闻发布会上承认，由于枪手与摄像头的相对位置，“影像不够近，无法准确读取并触发警报”。 此案凸显了AI安防系统在现实部署中的可靠性问题。当营销承诺遭遇技术局限性，责任归属成为焦点。Omnilert联合创始人拒绝回应采访请求，System Integrations也未置评。诉讼仍在进行中。
全球最大数据中心项目之一原计划面积接近曼哈顿的三倍，横跨犹他州多个地点。然而，Box Elder County的强烈反对迫使开发商在动工前将项目规模缩减一半。居民最担心的是Stratos数据中心项目会耗尽当地水资源，尤其是脆弱的**大盐湖**。许多居民支付15美元费用注册意见，以阻止将1900英亩英尺的水从牧场转移到超大规模数据中心。其他担忧包括电费上涨以及对空气质量、野生动物和土地的潜在风险。 风险投资家、"Shark Tank"投资者**Kevin O'Leary**是该项目背后的推手。他向当地ABC附属电视台承认，后悔没有从一开始就与州官员合作提高透明度。他表示：“我们真的搞砸了。” O'Leary称他原本预计公众会对这项重大投资感到兴奋，但“犯了巨大错误”，没有让公众更多参与讨论。他说：“我们惹怒了不少人，这不是我的做事风格。” 在居民保护资源的压力下，犹他州参议院议长**Stuart Adams**致信O'Leary，要求将项目规模削减75%。O'Leary在华盛顿特区的一场AI盛会上表示，他“别无选择”只能同意。最初计划在4万英亩土地上建设，现已缩减至约2万英亩，其中1万英亩保持未开发，实际开发面积仅为最初的四分之一。 O'Leary希望重建信任，并亲自负责项目沟通。他表示不喜欢“这样被打击”，并承诺未来会更透明地告知居民项目进展。
Fitbit Air 是一款售价 **100 美元** 的极简运动追踪器，它去掉了屏幕，只保留一个微型传感器模块，让你几乎忘记它的存在。然而，Google 为其打造的 AI 健康平台却显得过于啰嗦，让这款本应低调的设备变得有些喧宾夺主。 ## 硬件：极简到极致 Air 没有任何屏幕，仅有一个用于指示电量的 LED 灯。你可以通过双击来查看电量，这就是它所有的机载交互功能。振动马达仅用于闹钟提醒，无法同步手机通知——考虑到没有屏幕，这倒也合理。 随机附带的 Performance 表带采用涤纶纱线制成，搭配小魔术贴和金属环，耐用但容易吸汗。游泳或高强度运动时，建议更换售价 **35 美元** 的硅胶 Active 表带，它能更好地隐藏 Air 模块，运动感十足。不过，更贵的 Elevated 表带（50 美元）就显得性价比不高了。 ## AI 健康教练：用力过猛 Air 的核心卖点是 Google 的 AI 健康教练功能，但实际体验却有些尴尬。这个 AI 会频繁推送建议和提醒，例如“你今天走够了，可以休息了”或“你的睡眠质量下降了，建议早点上床”。对于只想安静记录数据的用户来说，这种“话痨”式交互反而成了一种打扰。 相比之下，Air 的传感器配置相当扎实：心率监测、血氧监测、睡眠追踪等一应俱全，数据准确性也值得信赖。但 AI 教练的过度介入，让这款本应“隐身”的设备变得存在感过强。 ## 市场定位：夹缝求生 在智能手表功能日益膨胀的今天，Fitbit Air 试图回归运动追踪器的初心——专注健康数据，摒弃冗余功能。但 AI 教练的加入却模糊了这一初衷。对于追求纯粹的用户，Air 的硬件很出色；但对于想要智能助手的人，它又不如智能手表全面。 总的来说，Fitbit Air 是一款硬件扎实但软件策略失当的产品。如果你能忍受 AI 的唠叨，它是一款不错的运动伴侣；否则，市面上还有很多更“安静”的选择。
最近，人形机器人视频在社交媒体上频频刷屏——它们能跳舞、做家务、甚至翻跟头。这些画面很容易让人以为，能够胜任任何任务的通用人形机器人已经近在咫尺。但现实真的如此吗？ ## 演示与现实之间的鸿沟 机器人专家指出，目前尚存在巨大差距：从演示中看似完美的表现，到证明同一台机器人能够在真实世界中可靠、重复地完成同样任务，中间还有很长的路要走。Agility Robotics 联合创始人、俄勒冈州立大学机器人研究员 **Jonathan Hurst** 指出，人类天生倾向于将人形物体拟人化。当一只机械臂做出舞蹈动作时，人们可能只会觉得“酷”；但当一个**人形机器人**跳同样的舞时，很容易引发误导性联想。“人们会自动外推，认为一个看起来像人的机器人，能够完成一个会跳舞的人所能做的一切事情——这完全不是事实。”Hurst 对 Ars Technica 表示，“但很多创业公司确实在利用这一点来筹集大量资金。” ## 泛化能力才是真正的考验 加州大学伯克利分校计算机科学家、AI 与机器人公司 Physical Intelligence 联合创始人 **Sergey Levine** 强调，机器人开发中最大的挑战之一是让机器人像人类一样，将其技能泛化到各种不同的条件和环境中。这种泛化程度几乎不可能通过单个演示来证明。“也许机器人能倒一杯葡萄酒，但它能倒出任何瓶子里的酒、倒入任何环境中的任何杯子吗？”Levine 说，“这实际上比让机器人在一次舞台演示中翻个后空翻要难得多。”他认为，衡量机器人能力的真正标准，是在真实环境中进行**定量的大规模评估**。“演示中展示的东西与机器人的真实能力之间始终存在差距。” ## 观看演示视频时该留意什么 普渡大学计算机科学博士生、美国陆军 DevCom 研究助理 **Dipam Patel** 提醒，面对大量机器人演示视频甚至直播，有几个关键点需要注意： - **自主性存疑**：演示不一定代表机器人是在没有人类控制或监督的情况下自主运行的。许多视频可能经过了精心编排，或是包含了远程操作、预编程动作，甚至多次失败后的最佳片段。 - **环境受控**：演示往往在高度受控的环境中进行，比如固定的光照、特定的物体、已知的布局。一旦条件稍有变化，机器人的表现可能大打折扣。 - **缺乏重复性**：一次成功的演示不能保证机器人能稳定、重复地完成同一任务。真正的可靠性需要通过大量重复试验来验证。 ## 行业背景与理性视角 当前，人形机器人领域正吸引着巨额投资，多家初创公司估值飙升。然而，从技术成熟度来看，距离“通用型家用机器人”的愿景仍有很长的路要走。**Boston Dynamics** 的 Atlas 机器人虽然能表演跑酷和空翻，但背后是大量预设动作和环境控制；**Tesla Optimus** 的简单行走和搬运演示也远未达到量产水平。 对于普通观众而言，保持健康的怀疑态度至关重要。看到令人惊叹的机器人视频时，不妨问自己几个问题： 1. 这个机器人是完全自主的吗？ 2. 它在不同环境、不同物体上都能同样表现吗？ 3. 这段视频是首次尝试就成功，还是经过了多次剪辑？ 正如 Levine 所说，真正有意义的进步不是靠一次惊艳的演示，而是靠**可重复、可泛化、可落地**的能力。下一次当机器人视频在互联网上爆火时，你或许会多一份理性的审视。
随着越来越多的人依赖大语言模型（LLM）获取信息，各国政府开始担忧这些模型可能无意中传播外国敌对势力的宣传。为此，爱沙尼亚语言研究所（ELI）发布了一项全新的“**抗宣传基准测试**”，对数十个 LLM 在抵制俄罗斯“战略叙事”方面的能力进行了排名。 ## 背景：为何是爱沙尼亚？ 爱沙尼亚曾是苏联的一部分，独立仅数十年，因此对来自邻国俄罗斯的宣传尤为警惕。ELI 与志愿者运营的防御组织 **Propastop** 合作，识别出 **14 大类** 俄罗斯可能试图影响舆论的叙事领域，包括克里米亚地位、乌克兰战争理由、北约历史以及俄罗斯在二战期间吞并波罗的海国家的正当性。 ## 测试方法 针对每个宣传类别，研究人员设计了三种类型的问题：**中立**、带有俄罗斯虚假假设的**偏见**问题，以及试图恶意诱导模型输出错误信息的**恶意**问题。问题以**英语、爱沙尼亚语和俄语**三种语言提交给模型，并由另一个 AI 模型（根据 Propastop 专家校准）评估模型是否能够“在没有外部帮助（如网络搜索）的情况下抵制宣传叙事”。 ## 排名结果 在专有前沿模型中，**Anthropic 的 Claude 系列**表现最佳，其 Sonnet 和 Opus 的多个最新版本占据了前十名中的六席。**Opus 4.7** 整体表现最好，在 77% 的问题上获得最高评级“杰出”，仅 2% 获得“平庸”，最终平均得分 **94.9/100**。 开放权重模型表现同样出色，例如 **Nvidia 的 Nemotron** 和 **阿里巴巴的 Qwen** 成绩与 Anthropic 的最佳模型相当。OpenAI 的 **GPT-5.4** 相对表现也不错，但未进入前三。 ## 行业意义 这一基准测试不仅反映了爱沙尼亚的特殊关切，也凸显了大模型在全球化语境下面临的**地缘政治风险**。随着 AI 助手越来越多地被用于信息获取，如何确保它们不被利用来传播虚假叙事已成为 AI 安全的重要课题。该测试为评估模型在敏感话题上的可靠性提供了新视角，也为模型开发者提供了改进方向。
埃隆·马斯克（Elon Musk）再次尝试让 X 平台（原 Twitter）摆脱美国联邦贸易委员会（FTC）的严格数据隐私监管令。该命令要求 X 在 20 年内定期接受独立审计，并允许 FTC 随时调取文件以确保合规。此前，Twitter 因在 2013 年至 2019 年间误将用户用于双重认证的电话号码和邮箱用于广告投放，被罚 1.5 亿美元并接受 FTC 监督至 2042 年。 马斯克在 2023 年首次申请撤销该命令未果，当时他指责 FTC 存在偏见且调查要求过于激进。FTC 则反驳称，马斯克收购后大规模裁员、解雇合规关键人员，已严重威胁 X 的隐私保护能力。一名工程师在证词中确认，成本削减压力导致 X 约 37% 的隐私控制措施无人负责。此外，马斯克要求记者访问内部系统的“Twitter Files”事件，以及他威胁解雇任何阻碍其命令的员工的行为，进一步加剧了监管担忧。 2024 年，FTC 声称 X 安全人员有时不得不刻意违抗马斯克的指令以保持合规。随着大规模裁员导致平台功能不稳定，FTC 认为有充分理由要求 X 提供更多信息。目前，公众评论普遍警告称，马斯克不可信任，其领导下的 X 用户隐私保护前景堪忧。这场法律攻防战不仅关乎 X 的合规命运，也再次引发科技巨头隐私治理与监管边界的讨论。
随着AI和云计算需求激增，数据中心的用水问题正成为公众关注的焦点。一项盖洛普调查显示，**七成美国人反对数据中心建设**，其中水资源短缺是首要担忧。SpaceX在最近的IPO文件中警告，水资源条件可能制约数据中心发展。这并非个例——科技巨头们正面临日益激烈的反对声浪，被迫重新审视其用水策略。 数据中心主要用水用于冷却服务器机架。**蒸发冷却**是常见技术，通过将热量传递到冷却塔中蒸发水分来降温。这种方式虽然能节省电力成本并减少碳排放，但水足迹巨大。例如，谷歌位于爱荷华州康瑟尔布拉夫斯的设施在2024年消耗了**超过10亿加仑水**。劳伦斯伯克利国家实验室预测，到2030年，超大规模数据中心若大量依赖蒸发冷却，年耗水量可能高达**330亿加仑**。 尽管与农业或油气行业相比（如单口压裂井用水150万至1600万加仑），数据中心的耗水量并非最高，但在水资源本就紧张的地区，风险尤为突出。夏季高峰时，数据中心冷却需求与市政用水同时攀升，加剧了矛盾。加州大学河滨分校工程学教授Shaolei Ren指出：“水是高度本地化、区域化的问题，我们必须谨慎管理。” 面对压力，一些科技巨头开始转向节水方案。微软、OpenAI和Oracle近期均表示，将**完全放弃蒸发冷却**。例如，OpenAI和Oracle在德克萨斯州水资源紧张地区进行的“星际之门”扩建项目已采用新冷却技术。谷歌则采取不同策略，继续优化蒸发冷却效率，同时探索替代方案。 行业趋势正在转向**液体冷却**和**闭环系统**，这些技术可大幅减少甚至消除淡水消耗。此外，数据中心运营商开始选址于水资源丰富或气候凉爽的地区，并投资于水回收和再利用技术。然而，这些方案成本较高，且需要时间大规模部署。 未来，随着AI模型训练和云服务的持续扩张，数据中心用水问题将更加突出。监管压力、公众舆论和资源竞争将推动行业加速创新。正如Ren教授所言，水是有限资源，科技公司必须从“用水大户”转变为“节水先锋”，才能在可持续发展与业务增长之间找到平衡。
英国竞争与市场管理局（CMA）近日对谷歌下达一项具有里程碑意义的命令，要求其在AI生成的搜索结果中更清晰地标注和链接出版商内容，并赋予出版商选择退出AI搜索功能的权利。这是全球首次有监管机构对科技巨头的AI搜索特性施加此类约束。 ## 监管核心要求 CMA明确要求谷歌在AI概览（AI Overviews）中为出版商内容提供明确的归属标注和链接，以提升消费者信任。同时，出版商将获得有效的工具来阻止其内容被用于AI搜索功能，包括AI概览。CMA强调，谷歌不得因出版商选择退出AI而对其在常规搜索结果中进行降权惩罚，这一条款有效保护了出版商的流量权益。 谷歌需在九个月内全面遵守这些要求，但CMA预计“关键部分的控制措施”将在此期限前向出版商开放。此外，谷歌还需提交并发布合规报告，附上关键数据和指标，说明其所作出的调整及其合规情况。 ## 谷歌的立场与妥协 谷歌此前在2月向CMA提交的正式回应中反对“过度归因”，认为“对大量来源的过度归因可能会恶化用户体验并导致点击减少”。然而，谷歌也承认“过少的归因可能导致出版商选择退出，从而剥夺谷歌在搜索生成式AI功能中用于基础支撑的内容”。 尽管谷歌上月已表示将向AI概览中的网站添加更多链接，但CMA的裁决将其推向了更严格的合规路径。谷歌今日表示将遵守CMA的决定。 ## 行业影响与背景 这一裁决的背景是CMA认定谷歌在通用搜索服务领域拥有“战略市场地位”，并正在对苹果和微软进行类似调查。AI概览作为谷歌搜索的生成式AI功能，常常以自信的语气回答用户查询，但其中引用的来源可能并不总能支撑其结论。更清晰的归因和链接将帮助用户判断AI摘要的准确性。 对于出版商而言，这一裁决赋予了他们更强的议价能力，在与谷歌进行内容授权谈判时处于更有利的位置。这也为全球其他监管机构处理AI搜索与出版权关系提供了重要参考。 ## 后续观察 CMA要求谷歌在九个月内落实所有要求，但关键部分可能提前到位。谷歌的合规报告将受到密切关注，以评估其是否真正落实了透明归因和出版商退出权。这一案例或将成为AI时代搜索引擎与内容创作者之间利益平衡的标杆。
谷歌近日发布了 Gemma 4 系列的新成员——**Gemma 4 12B**，这是一款专为消费级硬件优化的中型模型，仅需 **16GB 系统内存或显存**即可在普通笔记本电脑上流畅运行。 该模型填补了此前 Gemma 4 产品线的空白：它比移动端模型（E2B、E4B）能力更强，又不像 26B MoE 和 31B Dense 那样对硬件要求苛刻。谷歌表示，12B 模型在推理、多步推理和智能体工作流等任务上表现接近更大的版本，同时保持了极低的资源占用。 ### 核心技术亮点 - **多令牌预测（MTP）**：Gemma 4 12B 是首个原生内置 MTP 的 Gemma 模型，能够利用闲置计算周期预判后续 token，从而提升生成速度和效率。 - **简化视觉编码**：采用单矩阵乘法与位置嵌入的轻量级视觉嵌入模块，替代传统的专用编码器，显著降低延迟和内存占用。 ### 行业意义 在大模型军备竞赛推动显存价格飙升的背景下，谷歌此举为本地化 AI 应用提供了更务实的选择。开发者无需昂贵加速器，即可在主流消费硬件上部署具备多模态能力的模型，这对边缘计算、隐私敏感场景和中小企业尤为友好。 目前 Gemma 4 12B 已通过 Apache 2.0 许可证开源发布，开发者可立即在 Hugging Face 等平台获取。