AI模型的“内存墙”问题一直是行业痛点：大模型参数动辄千亿，推理时需要将全部权重加载到显存，而昂贵的高带宽内存（HBM）供不应求、产能有限。如今，一种名为 **高带宽闪存（High-Bandwidth Flash）** 的新型存储方案正在浮出水面——它利用成熟的闪存技术，通过先进封装实现远超传统闪存的读取速度，有望成为HBM的低成本替代，让AI推理更高效、更普及。 ## 闪存如何突破带宽瓶颈？ 传统NAND闪存虽然容量大、成本低，但读取速度远不如DRAM，无法满足AI模型对实时权重加载的要求。高带宽闪存的核心思路是**用“堆叠”换速度**：将多颗闪存裸片通过硅通孔（TSV）和微凸点垂直互联，像建高楼一样紧凑封装，同时大幅增加数据通道数。这种设计借鉴了HBM的架构，但基底换成了更便宜的闪存。 据早期测试，高带宽闪存的原型产品可实现**10 GB/s以上的连续读取带宽**，虽然仍低于HBM的TB/s级别，但已能覆盖中小型模型（如70亿参数以下）的推理需求，且成本仅为HBM的几分之一。 ## 解决AI落地的“存储-计算”矛盾 当前AI部署面临两难：云端数据中心靠HBM堆性能，但成本高昂、功耗惊人；边缘设备（手机、IoT）则因显存不足，只能运行轻量化模型。高带宽闪存恰好填补了中间地带——它可插在PCIe或CXL总线上，作为“近存计算”的缓存层，让GPU/CPU以接近DRAM的速度访问模型权重，却不需要昂贵的HBM颗粒。 对于**大模型本地化部署**场景（如企业私有化推理服务器、智能汽车域控制器），高带宽闪存提供了一种“够用且便宜”的选项。开发者甚至可以将模型权重直接存储在闪存中，无需在每次推理前从硬盘加载，大幅降低启动延迟。 ## 挑战与前景 当然，高带宽闪存并非万能。它的写入速度仍然偏慢（闪存固有特性），且耐久度不如DRAM，因此更适合**读多写少**的模型推理场景，而非训练。另外，要与现有AI芯片接口兼容，仍需标准化组织（如JEDEC）制定规范。 但无论如何，这一思路为AI存储打开了新方向。如果高带宽闪能量产，它可能重塑AI硬件的成本结构——让更多企业以更低门槛部署大模型，加速AI从云端走向千行百业。正如Sandisk工程师所言：“我们正在用成熟的技术，解决AI最现实的瓶颈。”
微软正在为 Windows 11 的搜索功能进行一次有意义的翻新。根据 ZDNet 编辑的体验，新版 Windows Search 带来了焕然一新的布局，让查找内容变得更加轻松。 ## 新搜索体验的核心变化 新版搜索界面采用了更简洁的设计，搜索结果以更清晰的卡片形式呈现，分类更加直观。无论是查找本地文件、应用、设置，还是网络结果，新版搜索都能更快地呈现相关信息。搜索框的响应速度也得到了优化，输入关键词后几乎即时显示结果。 ## 如何体验新版搜索 目前该更新正在逐步推送中，用户可以通过以下方式尝试： - 确保 Windows 11 已更新至最新版本（22H2 或更高） - 在任务栏搜索框中直接输入关键词，观察界面是否变为新版布局 - 如果尚未收到推送，可以通过加入 Windows Insider 计划（Dev 或 Beta 通道）提前体验 ## 行业背景与意义 搜索功能是操作系统的核心入口之一。微软此前在 Windows 10 和 11 中不断改进搜索，但用户反馈仍集中在速度慢、结果混杂等问题上。此次更新直接回应了这些痛点，通过**精简界面**和**优化后台索引逻辑**，试图让搜索回归“快”和“准”的本质。 在 AI 搜索工具（如 Microsoft Copilot）日益普及的背景下，Windows 原生搜索的这次升级也体现了微软“系统级 AI 能力”落地的思路——不依赖云端大模型，而是通过本地算法优化和界面重构来提升效率。这对于**隐私敏感**或**离线使用**的用户来说，是一个更务实的选择。 ## 小结 新版 Windows Search 是一次值得关注的体验升级。它没有引入花哨的 AI 功能，而是专注于基础搜索体验的打磨。对于每天频繁使用搜索的用户而言，更快的响应和更清晰的分类将直接提升日常工作效率。目前该功能正在逐步推送，建议感兴趣的读者尽快通过 Insider 通道尝鲜。
一位开发者近日在 Hacker News 上展示了一项令人瞩目的成果：通过强化学习（RL）训练出一个智能体，该智能体能够进一步使用 RL 来训练其他模型，而整个过程仅花费了 1300 美元。这一项目在 Hacker News 上获得了 81 分和 37 条评论，引发了社区对低成本自动化 AI 训练的热议。 ## 核心亮点：RL 训练 RL 的循环 传统上，训练一个高性能的机器学习模型需要大量的计算资源和人工调参。而这位开发者展示的智能体，本身就是一个通过 RL 训练出来的“训练师”，它能够自主地使用 RL 算法去训练其他模型。这种“元学习”或“AutoRL”的思路并不新鲜，但关键在于其成本——仅 1300 美元。这意味着，即使是个人开发者或小团队，也能负担得起这种自动化模型训练技术。 ## 成本控制的秘诀 项目名称中的“–$1.3k”暗示了其低成本特性。开发者可能通过优化训练流程、使用更高效的算法或利用云服务的廉价算力来实现。具体来说，智能体在训练过程中可能会动态调整超参数、选择更经济的模型架构，从而在保证性能的同时大幅降低开销。这种成本控制不仅让 AI 训练民主化，也为资源受限的研究者提供了新途径。 ## 行业背景与意义 当前，深度学习模型的训练成本日益高昂，例如 GPT-3 的训练成本据估计高达数百万美元。因此，如何降低训练成本成为 AI 领域的关键挑战。该项目展示的 RL 训练智能体，本质上是一种自动化机器学习（AutoML）的变体，但更专注于 RL 领域。它可能推动以下趋势： - **自动化调参**：RL 智能体能够自动探索超参数空间，减少人工试错。 - **迁移学习**：训练出的智能体可以复用于不同任务，进一步分摊成本。 - **资源优化**：在边缘设备或低预算环境下训练模型成为可能。 ## 社区反响与未来展望 Hacker News 上的评论者既表达了兴奋，也提出了质疑。有人好奇智能体训练出的模型性能如何，与人工调参的基线相比是否有竞争力。也有人担心这种“自举”式的训练可能产生过拟合或泛化能力不足的问题。不过，多数评论者认为，即使性能略有折扣，1300 美元的成本也极具吸引力。 未来，这类技术可能会与强化学习在机器人、游戏、推荐系统等领域的应用紧密结合。如果开发者开源了代码或详细方法，那么它很可能成为 AutoRL 领域的一个里程碑，激励更多低成本 AI 实验。 ## 小结 这个项目展示了强化学习在自动化模型训练中的潜力，并以极低的成本挑战了“训练昂贵”的固有观念。对于 AI 从业者而言，它不仅是一个有趣的技术演示，更可能预示着一种更高效、更经济的模型开发范式。
YouTube 的默认设置虽然能用，但远非最佳体验。通过调整一些隐私、自动播放和内容推荐设置，你可以让观看体验更清爽、更安全。本文介绍了 12 个值得更改的设置项，包括限制 Shorts 短视频、关闭自动播放、增强隐私保护、管理历史记录等。这些调整只需几分钟，却能显著提升用户体验，减少干扰和隐私风险。
在数字安全日益重要的今天，密码的强度直接关系到个人隐私和财产安全。然而，一项最新研究揭示了一个令人担忧的趋势：依赖AI聊天机器人（如Claude、ChatGPT和Gemini）生成密码可能并不安全。这些看似随机的密码实际上存在明显模式，容易被破解。 ## 研究发现了什么？ 安全研究机构Irregular在今年早些时候进行了一项测试，向主流AI聊天机器人发送了50次密码生成请求。结果发现，这些模型生成的密码并非真正随机。以Claude为例，每个密码都以字母开头，且通常紧随数字7。相同字母和数字被反复使用，字符从不重复（因为AI倾向于避免重复），而某些字母、数字和符号则从未出现。在50次请求中，仅生成了30个“独特”密码，其中密码 `G7$kL9#mQ2&xP4!w` 出现的概率高达36%。 ## 为什么AI密码不安全？ 真正的随机密码应无规律可循，但AI模型在训练过程中学习到了语言模式，导致输出具有可预测性。例如，AI倾向于使用常见字母组合和符号，这大大降低了密码的熵值。黑客可以利用这些模式，通过针对性字典攻击快速破解密码。此外，AI可能重复使用相同密码，增加了多账户风险。 ## 如何获取真正安全的密码？ 专家建议，用户应使用**专门的密码管理器**或**可信的随机密码生成器**。这些工具基于硬件随机数生成器或密码学安全算法，能产生高熵值密码。同时，启用双因素认证（2FA）可额外增加一层保护。 ## 结论 AI聊天机器人虽然便利，但绝非可靠的安全工具。在密码生成这一关键领域，请务必选择经过验证的专业工具，而非依赖AI的“随机”输出。 **关键信息**： - AI密码存在模式，如Claude总是以字母+数字7开头 - 50次请求中仅30个独特密码，重复率高达36% - 使用密码管理器生成并存储密码更安全
## 快讯：Anthropic 揭开 Claude“内心思考”的面纱，但意义何在？ 上周，Anthropic 宣布在其模型推理答案时，找到了观察其“内部思考”的新窗口。这一发现迅速引发热议。MIT 科技评论资深编辑 **Will Douglas Heaven**（计算机科学博士）受邀解读：这项研究到底揭示了什么，又未能说明什么？ ### 关键发现：模型内部状态的“窥探” Anthropic 的研究团队通过分析模型在处理复杂问题时中间层的激活模式，发现 Claude 在生成最终答案前，会经历类似“规划”或“自我校正”的阶段。例如，在回答数学题或逻辑推理问题时，模型内部会先形成一种“草稿”式的表示，再逐步优化为最终输出。 ### 局限：并非真正的“意识”或“思维” Heaven 强调，尽管这听起来像模型有了“意识”，但实际只是对神经网络高维空间中的统计模式进行了可视化。模型并没有真正的意图或理解，其“内部思考”更像是一种统计上的捷径，而非人类式的推理。Anthropic 的发现更多是提供了可解释性工具，帮助开发人员调试模型行为，而非揭示智能的本质。 ## 深度话题：世界模型如何让 AI 理解物理世界？ 今天的 AI 系统在生成文本、图像和代码方面表现出色，但对物理世界的复杂性仍力不从心。许多研究者认为，关键在于构建 **世界模型（World Model）**——一种能让 AI 模拟物理规律、预测交互结果的内部表征。 ### 世界模型的应用前景 - **机器人技术**：机器人需要理解物体如何移动、力如何作用，世界模型可使其在现实环境中更灵活地操作。 - **自动驾驶**：预测其他车辆和行人的行为，需要基于物理常识的世界模型。 - **通用人工智能**：如果 AI 能像人类一样想象“如果……会怎样”，将更接近真正的智能。 ### 专家观点：1X Technologies 的实践 在 MIT 科技评论举办的 LinkedIn Live 活动中，**Sam Sinha**（1X Technologies 世界模型研究负责人）指出，当前世界模型面临两大挑战： 1. **数据需求**：训练世界模型需要大量物理交互数据，而收集这些数据成本高昂。 2. **泛化能力**：模型在训练场景外往往失效，难以应对真实世界的多样性。 Sinha 认为，结合神经符号方法和强化学习可能是突破方向。 ## 其他必读资讯 - **纽约州成为首个实施数据中心禁令的州**：州长签署法令，禁止新建大型数据中心长达一年，以应对能源和环境影响。 - **智能手机出货量创13年新低**：2026年第二季度出货量同比下降11%，主要受内存芯片短缺和价格上涨影响。 - **星际空间首次发现糖分子**：这一发现暗示地球上生命可能源自太空，并增加了外星生命存在的可能性。 - **英伟达削减亚洲买家名单**：为阻止 AI 芯片流向特定地区，英伟达将亚洲合作伙伴数量减半。 ## 小结 Anthropic 的研究让我们更接近理解 AI 模型的内部机制，但距离真正的“意识”还很遥远。与此同时，世界模型作为下一代 AI 的关键技术，正在机器人、自动驾驶等领域孕育变革。关注 MIT 科技评论的后续报道，获取深度分析。
谷歌DeepMind首席执行官兼联合创始人德米斯·哈萨比斯（Demis Hassabis）在最新博文中提出，世界需要一个能够对前沿AI模型踩刹车的全球监管机构，并主张由美国主导这一倡议。他认为，凭借美国的经济和技术地位，它是制定全球标准的最佳选择。 哈萨比斯在题为《前沿AI框架与新纪元曙光》的博文中写道，随着AI系统日益复杂，全球监管的紧迫性与日俱增。他预测通用人工智能（AGI）“可能只需短短几年就能实现”，并称“当我们未来几十年回望此刻，会意识到我们正站在奇点的山麓——这无异于人类新纪元的黎明”。 拟议中的机构将类似于美国金融业监管局（FINRA），由顶尖独立专家及开源社区代表组成，拥有在模型发布前进行评估的权力，若认定风险过高，可协调全行业放缓部署。据Axios报道，哈萨比斯数月来一直在私下争取支持，包括向特朗普政府、其他AI实验室和欧洲官员进行简报，并希望该组织能在年底前投入运作。他对特朗普政府的反馈表示“非常积极”。 目前，全球尚无针对AI的专门规则体系，美国国内也缺乏全面的法规。哈萨比斯的提案是业界领袖为建立强大AI治理框架、降低潜在风险的最新努力。随着AGI临近，这一倡议的成败或将深刻影响未来科技走向。
随着 AI 聊天成为搜索引擎的新常态，小企业和个人创业者保持可见性的规则已经改变。本文基于 ZDNET 的分析，探讨了 AI 搜索对网站流量的实际影响，并提出了 5 种实用的 SEO 策略，帮助你在 ChatGPT、Claude 等 AI 工具中获得更多引用，从而提升品牌曝光和潜在客户获取。 ## AI 搜索：流量增长但占比极低 2025 年，AI 带来的网站流量增长了 **66%**，但 AI 搜索仅占所有网站访问量的 **不到 0.15%**。这意味着，尽管 AI 引用可能不会直接转化为大量访问，但忽视这一渠道将导致品牌在新型搜索生态中“隐形”。 ## 传统 SEO 失效了吗？ 许多网站发现，即使传统搜索排名未变，来自自然搜索的流量却在悄然下降。原因在于：AI 搜索引擎（如 ChatGPT、Claude 等）在生成回答时，会优先引用结构化、权威性强且易于解析的内容。传统的关键词堆砌和外链策略已不再适用。 ## 5 种适应 AI 搜索的 SEO 策略 1. **优化结构化数据**：使用 Schema 标记（如 FAQ、HowTo、Article）帮助 AI 理解内容上下文，提高被引用的概率。 2. **创建权威性内容**：AI 倾向于引用高权威来源，因此应聚焦深度原创内容，获取行业链接和引用。 3. **提升内容可解析性**：使用清晰的标题、列表和摘要，使 AI 能快速抓取核心信息。 4. **关注实体与关系**：在内容中明确提及实体（如品牌、产品、人物）及其关系，有助于 AI 建立知识图谱。 5. **多渠道分发**：在社交媒体、问答平台等发布内容，增加被 AI 训练数据收录的机会。 ## 小结 AI 搜索并非 SEO 的终结，而是进化。即使直接流量有限，被 AI 引用带来的品牌曝光和信任度提升，对于小企业和个人创业者而言，已是生存必需。 > 关键数据：AI 流量增长 66%，但占比不足 0.15%。
本周的《The Big Interview》播客中，WIRED 资深文化编辑 Manisha Krishnan 与一位名为 Gowanus 的“勒德分子”木偶展开了一场别开生面的对话。Gowanus 是一个拒绝大科技、拥抱户外生活、并对约会软件时代的拒绝文化持有独特见解的木偶角色。这场访谈不仅是一次轻松的娱乐，更引发了对现代科技依赖的深层反思。 ## 木偶的“反科技”宣言 Gowanus 并非普通木偶，它代表了一种回归简单生活的哲学。它直言不讳地批评智能手机、社交媒体和大型科技公司如何侵蚀人们的注意力与真实互动。Gowanus 鼓励听众放下手机，走出户外，去体验真实的世界——哪怕只是看看天空、摸摸草地。这种“勒德分子”式的立场，在当下 AI 与数字化浪潮中显得格外醒目。 ## 约会软件中的拒绝文化 访谈中，Gowanus 还探讨了约会软件如何改变了人际交往。它指出，在算法匹配和快速滑动的世界里，“被拒绝”变得比以往更加频繁且浅薄。人们轻易地左滑或右滑，却忽略了背后真实的情感需求。Gowanus 认为，这种数字化社交方式加剧了孤独感，而真正的连接需要时间与耐心。 ## 科技与生活的平衡 尽管 Gowanus 的言论看似极端，但它提出的问题值得深思：在 AI 和智能设备无处不在的今天，我们是否失去了某种重要的东西？WIRED 的编辑在对话中并未完全否定科技，而是试图寻找一种平衡——如何在享受技术便利的同时，不失去对生活的掌控。 ## 行业背景与启示 这期播客的推出正值科技行业对“数字健康”和“屏幕时间”日益关注的时期。从苹果的屏幕使用时间功能到谷歌的数字健康倡议，大公司也在试图解决用户过度依赖的问题。然而，Gowanus 的“反科技”姿态提供了一种更激进的视角：也许真正的解决方案不是优化技术，而是适度远离。 对于 AI 行业而言，这期节目提醒我们：技术的进步不应以牺牲人性为代价。无论是 AI 助手、推荐算法还是社交平台，都需要在设计时考虑用户的长期福祉，而非仅仅追求参与度。 总之，这期播客以幽默和反讽的方式，邀请听众反思自己的科技使用习惯。它未必要求你扔掉手机，但可能会让你在下次滑动屏幕前，多思考一秒。
## 从token价格到“每美元有效工作量” OpenAI 的最新数据显示，从 GPT-4 到 GPT-5.4，每百万 token 的价格下降了 97%，而 GPT-5.6 进一步在 **Artificial Analysis Coding Agent Index** 中实现了每任务输出 token 减少 54%、时间缩短 57% 的进步。然而，单纯关注 token 价格已不足以衡量 AI 的真实价值。企业领导者需要转向 **“每美元有效工作量”**——即完成任务数、节省的时间、改进的决策以及可规模化的工作流。 ## 五步管理AI投资 ### 1. 清晰洞察使用与支出 企业管理者需要一张“全景图”：谁在使用 AI？使用了哪些产品或模型？消耗了多少容量？支持了何种工作？没有这些信息，不断增长的账单可能意味着浪费、实验，或即将成为业务关键的工作流。 **ChatGPT Work** 支持更长的多步任务，使得不同工作流的用量差异巨大。管理员需要看到用量背后的工作内容，而不仅仅是消耗的积分。OpenAI 在 **Admin Console** 中更新了用量分析和支出控制功能，帮助管理员从工作区、团队/用户、产品/模型三个层级追踪趋势、识别模式，从而做出投资、培训或限制的决策。 ### 2. 按结果评估模型效率 最低的 token 价格未必带来最低的总成本。一个较便宜的模型可能频繁失败、重试或产生需要修正的输出，而一个更强大的模型虽然单次 token 更贵，但可能一次性完成高质量结果。企业应建立 **“按结果评估”** 的框架，综合考虑任务成功率、人工干预成本及最终业务价值。 ### 3. 从实验到生产：识别高价值工作流 许多 AI 项目停留在实验阶段，无法规模化。关键在于识别那些重复性高、人工成本大、且 AI 明显改进效率的工作流。例如，客户支持自动分类、代码审查、报告生成等。一旦验证可行性，应优先投资这些工作流的基础设施和模型配置。 ### 4. 设立动态预算与治理规则 随着代理式工作流增多，用量可能突发增长。企业需要设置 **动态预算**，结合历史数据和业务周期自动调整上限。同时建立治理规则：哪些任务允许使用高端模型？哪些需要人工审核？如何防止意外成本超支？ ### 5. 持续优化与反馈闭环 AI 投资不是一次性决策。企业应建立持续监控和反馈机制，定期回顾每美元有效工作量的变化，调整模型选择、工作流设计和资源配置。OpenAI 的工具支持趋势追踪，管理者可据此识别哪些工作流正在创造最高回报。 ## 小结 在智能体时代，AI 投资管理的关键不再是单纯压价，而是建立一套从“用量可见”到“价值可衡量”的体系。通过聚焦每美元有效工作量、按结果评估模型、规模化高价值工作流，企业才能真正将 AI 投入转化为竞争优势。
1960年代，麻省理工学院教授约瑟夫·维森鲍姆（Joseph Weizenbaum）创建了一个名为ELIZA的聊天机器人。人们与它的对话为后来的聊天机器人设定了先例。 在ELIZA影响计算与文化的60年间，传统叙述将其描绘为最早期的聊天机器人范例——一个能像自动化心理医生般对话的程序。这个看似简单的程序以“欺骗”了维森鲍姆的秘书而闻名，但一个关键部分始终缺失：**ELIZA的源代码**。新书《发明ELIZA》从MIT档案馆中恢复了这份代码，首次深入解读了代码本身，并公开了ELIZA脚本的新对话记录，超越了其流行的“DOCTOR”角色。 研究发现存在多个ELIZA：不同的程序版本、多样的脚本或角色，以及一系列技术创新。《发明ELIZA》旨在纠正并丰富ELIZA的历史与影响，探索误解、多版本和缺失的代码。书中节选分析了ELIZA最早的交互之一——一场与年轻女性的对话，揭示了它如何为未来数十年的人机关系奠定基础，并持续对话当今AI行业的无节制驱动力。 那场对话被无数次转载，激发了程序员和作家的灵感，催生了众多后续聊天机器人。然而，仔细审视后问题浮现：这位年轻女性是真实存在还是虚构？ELIZA如何生成回应？为何它能如此引人入胜？ELIZA及其“DOCTOR”角色催化了一种关于人与计算机关系的思考方式和焦虑，维森鲍姆在1976年的《计算机力量与人类理性》中对此进行了探讨，涉及哲学和伦理问题。
据《连线》报道，隶属于“政府效率部”（DOGE）的人员在美国住房和城市发展部（HUD）工作期间，曾利用人工智能辅助制定政策决策。然而，当非营利法律组织“民主前进”依据《信息自由法》（FOIA）要求披露相关文件时，HUD却以多种理由拒绝提供，其中甚至包括一个并不存在的“AI特权”。 ### AI参与政策制定，但细节成谜 根据“民主前进”获得的FOIA回应文件，HUD共扣留了超过100份与AI使用相关的文件。这些文件名称暗示，DOGE团队在HUD利用AI工具辅助政策决策，例如一份名为“GPT定义的经济分析方法（2025年11月10日）”的文档，以及另一份“监管分析提示.pdf”文件。然而，HUD拒绝公开这些文件的具体内容，理由是它们属于“审议性AI输入”或涉及“总统通讯特权”——后者通常仅适用于总统及其直接顾问。 更引人注目的是，HUD还援引了一个所谓的“AI特权”作为拒绝理由。据法律专家指出，这一特权在美国法律中并不存在，可能是HUD为规避公开义务而自行创设的概念。 ### 背景：DOGE与AI驱动的去监管化 DOGE团队由时任第三年大学生的**Christopher Sweet**和来自地产科技初创公司Kukun的**Scott Langmack**领导。Sweet的主要任务据称是利用AI识别可废止的法规或可取消的合同，这与美国政府整体的去监管化浪潮相呼应。Sweet于2024年6月从芝加哥大学经济学专业毕业，而Langmack目前已转任白宫管理与预算办公室（OMB）的“去监管化AI执行主任”。 HUD员工曾向《连线》透露，AI标记出的法规会交由员工反馈，但部分员工认为这一过程冗余。尽管如此，AI在政策制定中的实际影响仍不透明。 ### 透明度争议与法律挑战 “民主前进”组织表示，HUD的隐瞒行为违背了FOIA的宗旨，尤其当涉及AI这种可能对公众产生深远影响的技术时。法律专家指出，政府使用AI辅助决策必须接受公众监督，而虚构的“AI特权”可能成为新的规避手段。 目前，白宫、HUD及涉事人员均未回应置评请求。这一事件引发了关于AI在政府中应用的透明度与问责制的广泛讨论。
纽约州成为全美首个对大型数据中心建设实施暂停令的州。州长凯西·霍楚尔（民主党）签署行政命令，在未来最多一年内，禁止为**功率超过50兆瓦**的超大规模数据中心颁发新的环境许可证。此举旨在为州政府争取时间，以制定相关法规，应对数据中心带来的能源价格上涨和环境影响。 这一行政命令的门槛高于州议会此前通过的立法版本（20兆瓦）。州长办公室表示，50兆瓦的门槛旨在避免影响医院等机构使用的小型数据中心。目前尚不清楚有多少在建项目会受到影响。 霍楚尔尚未表态是否签署议会通过的更严格版本，但行政命令已让她在审议该法案的同时，率先实施全美首个暂停令。她在声明中强调：“数据中心开发可能推高水电费、消耗自然资源、给纽约居民带来不确定性，我有责任采取行动并引领方向。” 暂停令最长持续一年。在此期间，纽约州公共服务部将制定标准，评估数据中心建设和运营对环境的影响，包括**水资源使用和空气质量**。此外，霍楚尔还要求公共服务部考虑建立机制，让数据中心投资州内能源基础设施；同时要求州经济发展部门制定框架，帮助地方社区在数据中心落户时谈判获取利益。 值得注意的是，**缅因州曾接近成为首个通过数据中心暂停令的州**，但纽约此次的行政命令使其抢先一步。这一举措反映了全美范围内对AI数据中心能源消耗和环境影响日益增长的担忧。 尽管暂停令为监管赢得了时间，但也可能引发行业反弹。数据中心运营商可能认为这阻碍了技术创新和经济增长。霍楚尔的决定将在未来一年内为其他州提供参考范例，平衡数字经济发展与环境保护之间的关系。
有一台可能改变世界的机器，它将安置在一个兼具数据中心与冰淇淋工厂外观的房间里。内部约有 100 个不锈钢机柜，每个高约 1.8 米，连接着液氦供应系统，温度仅比绝对零度高几度。机柜内包含数百个芯片，其上数千个光子穿过由光学开关和分束器组成的迷宫——每个光子的最终位置都必须被精确测量，因为这将帮助解答当前计算机可能需要数百万年才能解决的问题。 这台计算机目前还不存在，它是 **PsiQuantum** 的构想。这家公司由四位英国大学物理学家于 2016 年创立，在众多资金雄厚、愿景同样宏大的竞争对手中，它立志成为第一个兑现承诺的企业。自 1981 年物理学家理查德·费曼首次构想量子计算机以来，这类设备一直承诺通过利用量子粒子的特性加速从医学研究到人工智能的一切。与传统计算机比特只能为 0 或 1 不同，量子比特可以同时处于多种状态，将足够多的量子比特组合在一起，就能制造出远超当今传统机器能力的计算机。 然而，即便是目前最好的量子原型机也规模过小且错误率过高，无法完成任何实用任务。这使得 PsiQuantum 对其计算机最终能力的承诺显得尤为大胆。以预测细胞色素 P450 酶（常在体内分解药物）的效果为例：如果制药公司能更精确地了解药物对特定分子的作用，就能更快设计出更有效的药物。PsiQuantum 量子应用副总裁 Philipp Ernst 表示，用现有方法估算一种药物可能需要 **10 年以上**，而他们的目标是 **缩短到 4 分钟**。 在这个充满类似声明的领域，PsiQuantum 之所以吸引到不寻常的投资和关注，有两个原因：它是少数几家直接瞄准建造大型实用机器的公司之一，并且它已经与一家主要芯片制造商合作，利用现有半导体晶圆厂来构建其系统。其愿景已获得强劲势头：去年，PsiQuantum 融资 **10 亿美元**，并在芝加哥破土动工建设部分生产设施。
**Agentcard** 是一款面向企业的创新金融工具，旨在为AI Agent（智能体）提供独立的借记卡支付能力。随着企业越来越多地部署自动化代理来处理采购、订阅管理、云服务账单等任务，传统支付流程往往需要人工介入，成为效率瓶颈。Agentcard通过为每个Agent分配专属虚拟借记卡，使其能够自主完成支付，实现端到端的自动化。 ### 核心价值：从“人管钱”到“智能体管钱” 在传统的企业运营中，AI Agent虽然能执行复杂任务，但涉及资金操作时仍需人工授权或手动输入支付信息。Agentcard打破了这一限制，让Agent直接持有支付工具，可独立完成： - **自动续费订阅服务**（如SaaS工具、API额度） - **按需采购云资源**（如GPU算力、存储空间） - **支付第三方服务费用**（如数据标注、API调用） 企业可通过管理后台为每个Agent设定**预算额度、消费类别限制、单笔上限**等规则，确保资金安全。所有交易记录实时同步至财务系统，便于审计与对账。 ### 适用场景与行业影响 Agentcard特别适合以下场景： - **自动化运营团队**：使用多个Agent处理不同业务线，如客服Agent自动购买CRM积分、营销Agent投放广告。 - **开发与测试环境**：Agent自动部署云实例、购买测试数据，避免开发人员手动操作。 - **供应链管理**：Agent根据库存预警自动向供应商下单并支付。 从行业视角看，Agentcard代表了**AI与金融基础设施融合**的新趋势。随着Agentic AI（自主智能体）的兴起，企业需要为智能体配备完整的“数字身份”——包括支付能力。类似产品可能推动企业财务流程的全面自动化，重新定义“机器支出”的管理范式。 ### 安全与合规设计 Agentcard并非简单发放“无限额度”。其安全机制包括： - **动态权限控制**：基于任务上下文临时授权，而非永久权限。 - **异常检测**：AI模型实时分析交易模式，拦截可疑支出。 - **与主流财务系统集成**：支持QuickBooks、Xero等，自动生成费用报告。 目前该产品处于早期阶段，主要面向技术型企业。未来可能扩展至更多行业，并支持多币种、预付卡等高级功能。
在AI应用日益渗透各行各业的今天，一款名为 **Pazi** 的新工具悄然登上 Product Hunt 首页。它的核心主张是“Vibe code business operations”——用“氛围编程”的方式来处理商业运营。这个略显抽象的概念，实际上指向了一个非常具体的需求：让非技术背景的业务人员也能像写代码一样，通过直觉和自然语言定义工作流程，从而自动化日常运营任务。 ## 什么是“Vibe code”？ “Vibe code”并非严谨的编程术语，而是一种强调**直觉化、低门槛**的交互方式。想象一下，你不需要懂得 Python 或 SQL，只需要用大白话描述“每天上午10点汇总昨日销售数据，并发送邮件给团队”，系统就能自动理解并执行。Pazi 试图将这种体验带入商业运营场景，让运营、市场、销售等角色摆脱对工程师的依赖，快速搭建属于自己的自动化流程。 ## 商业运营的痛点与机会 传统的商业运营往往依赖大量重复性工作：数据录入、报表生成、跨系统同步、客户跟进提醒……这些任务虽然琐碎，却耗费了团队大量精力。更麻烦的是，当业务逻辑发生变化时，修改流程往往需要重新走IT排期。Pazi 的“氛围编程”理念，正是试图打破这种僵局——让运营人员**直接与系统对话**，用自然语言描述需求，系统则自动生成对应的逻辑链条。 从行业背景来看，这并非孤例。近年来，低代码/无代码平台（如 Airtable、Notion、Zapier）已经让非技术人员具备了构建简单应用的能力。而生成式AI的爆发，进一步降低了交互门槛。Pazi 的差异化在于，它更聚焦于**“运营”这个垂直场景**，而非泛化的应用搭建。这意味着它的模板、预置逻辑和输出格式可能更贴合业务人员的日常习惯。 ## 潜在价值与挑战 如果 Pazi 真的能实现“用自然语言驱动运营”，其价值是显而易见的： - **效率提升**：将数小时的重复劳动压缩到分钟级。 - **减少沟通成本**：业务人员直接定义需求，无需通过技术翻译。 - **灵活应变**：业务规则变化时，可以随时调整，无需等待开发排期。 不过，挑战同样存在。自然语言理解在复杂逻辑（如多条件分支、异常处理）上仍不完美，用户可能会遇到“AI听不懂”的情况。此外，企业级运营往往涉及敏感数据，Pazi 如何保障数据安全与权限管控，也是用户关心的重点。 ## 小结 Pazi 的“氛围编程”理念，本质上是将AI的**自然语言理解能力**与**低代码自动化**相结合，瞄准了商业运营中“高频、低技术含量、高重复性”的任务。它是否真能成为运营人员的得力助手，取决于其实际的理解准确率、可扩展性以及生态集成能力。对于正在寻找运营提效工具的团队来说，Pazi 值得关注——尤其是那些希望减少技术依赖、快速响应业务变化的部门。
在快节奏的数字时代，减压与正念练习正成为越来越多人关注的话题。**Breva** 是一款专为 Mac 用户设计的轻量级应用，它能将你的 Mac 触控板变成一个温柔的呼吸引导器。无需额外硬件，只需跟随触控板上细微的振动或视觉提示，即可完成一次深呼吸练习。 ## 它是如何工作的？ Breva 利用 Mac 触控板的触觉反馈能力（Force Touch 或 Haptic Feedback），通过轻柔的振动模拟呼吸节奏。当提示吸气时，触控板会逐渐增强振动；呼气时则逐渐减弱。用户只需将手指放在触控板上，闭上眼睛，跟随触觉引导即可。此外，Breva 也提供了视觉选项，在屏幕上显示一个动态变化的圆环或气泡，适合在静音环境下使用。 ## 为何值得关注？ 与市面上众多呼吸练习 App 相比，Breva 的最大优势在于**无缝融入工作流**。它作为一个菜单栏应用常驻后台，用户无需切换窗口或打开手机，即可在工作的间隙快速进行一次深呼吸。这种低干扰的设计特别适合需要长时间面对电脑的上班族、程序员或设计师，帮助他们缓解肩颈紧张和焦虑情绪。 Breva 的创始人表示，灵感来源于“微习惯”理论——将正念练习嵌入日常高频操作中，降低执行门槛。触控板作为 Mac 用户每天触摸数百次的区域，成为最自然的交互入口。 ## 功能亮点 - **触觉与视觉双模式**：支持触控板振动反馈和屏幕动画两种引导方式，适应不同场景。 - **可自定义呼吸节奏**：提供 4-7-8 呼吸法、盒式呼吸等多种预设模式，也可手动调整吸气、屏息、呼气时长。 - **隐蔽性强**：应用以菜单栏图标运行，不会占用 Dock 或桌面空间，呼出仅需点击或快捷键。 - **数据统计**：记录每日呼吸练习次数与总时长，帮助用户追踪习惯建立过程。 ## 适用场景 - **工作间隙**：在代码编译、渲染或会议间隙，进行 1-2 分钟呼吸练习。 - **睡前放松**：关闭屏幕，仅凭触觉引导完成几次深呼吸，辅助入眠。 - **焦虑缓解**：在感到压力或紧张时，快速平复心率。 ## 小结 Breva 目前已在 Product Hunt 上发布，并获得社区推荐。它并非一款革命性的产品，但其**极简的设计理念**和**对现有硬件的巧妙利用**，让它成为 Mac 用户减压工具箱中一个有趣且实用的补充。如果你经常使用 Mac 且希望培养正念习惯，不妨尝试将 Breva 加入菜单栏，让每一次触控都成为一次温柔的呼吸提醒。
## 一句话概览 Mojave Paint 是一款专为 Mac 平台设计的图像编辑工具，核心能力是直接对静态图像进行“直接操控”——即用户无需复杂操作，即可在图片上自由绘制、标注或修改。 ## 背景与定位 在 macOS 生态中，原生预览工具和第三方应用（如 Pixelmator、Affinity Photo）已经覆盖了从简单标注到专业修图的需求。但 Mojave Paint 的切入点更“轻”：它强调**直接操控**，类似于在纸上涂鸦般的直觉式交互，而非菜单驱动的复杂工作流。这让人联想到早期 Mac 上的绘图软件（如 MacPaint），但面向现代高分辨率屏幕和触控板手势。 ## 核心能力 根据产品描述，Mojave Paint 允许用户： - 直接打开任意静态图像（PNG、JPG 等）并立即开始绘制 - 使用画笔、形状、文字等工具进行标注或创意修改 - 实时预览效果，无需等待渲染 - 保存编辑后的图像，支持无损输出 值得注意的是，目前尚无信息说明它是否支持图层、滤镜或 AI 辅助功能。如果定位为“轻量级标注工具”，它可能与 macOS 自带的“标记”功能形成竞争，但更强调专业绘画手感。 ## 适用场景 - **快速原型注释**：设计师在 UI 稿上直接标注修改意见 - **教学与演示**：在截图上圈出重点区域 - **创意涂鸦**：在照片上添加手绘元素 - **文档批注**：对扫描件或 PDF 截图进行标记 ## 行业视角 类似“直接操控”的理念近年因 iPad 上的 Procreate 和 Apple Pencil 而流行，但在 Mac 上，触控板或鼠标的交互精度仍有限。Mojave Paint 可能依赖 macOS 的触控板手势优化，或支持第三方绘图板。目前 AI 图像生成工具盛行，但传统手绘编辑仍有不可替代的精准控制优势。 ## 小结 Mojave Paint 是一款回归“纯粹绘画体验”的 Mac 工具，适合追求快速、直觉式图像编辑的用户。如果它能提供流畅的笔触反馈和简洁的界面，有望在细分市场中找到位置。不过，具体功能细节和定价仍需关注官方后续发布。
## 电商运营的新范式：从“被动响应”到“主动出击” 在电商竞争白热化的今天，运营团队往往面临数据过载、决策滞后、执行碎片化等痛点。传统AI工具大多停留在“问答机器人”或“自动化脚本”层面，无法真正理解业务目标并主动推进。**ClawTeams** 的出现，试图打破这一局面——它被定义为**首个目标驱动、主动型的AI团队**，专为电商场景打造。 ## 什么是“目标驱动型AI团队”？ 与常见的单点AI工具不同，ClawTeams 更像一个由多个AI Agent组成的“虚拟运营部”。用户只需设定业务目标（如“提升某品类转化率5%”），系统会自动分解任务、调用数据、生成策略并执行动作，最终反馈结果。 其核心差异在于： - **主动性**：无需人工反复提问，AI会持续监控数据，当发现异常或机会时主动推送建议。 - **目标对齐**：所有子任务都围绕主目标优化，避免各环节“各自为政”。 - **多Agent协作**：模拟真实团队分工（如选品、定价、投放、客服），Agent间可协同决策。 ## 电商场景下的实际价值 对于中小电商卖家而言，ClawTeams 可能意味着： - **减少人力依赖**：原本需要运营主管、数据分析师、广告优化师配合完成的工作，现在可由AI团队承担。 - **加速试错迭代**：AI可同时运行多组A/B测试，并根据实时数据自动调整策略。 - **7×24小时响应**：尤其在促销期间，AI能快速应对流量波动和竞品动态。 不过，目前产品尚处于早期阶段，其“主动性”的边界和“多Agent协作”的稳定性有待验证。部分业内人士指出，AI团队在处理突发性、非结构化问题时，仍可能不如人类直觉灵活。 ## 行业背景：AI Agent在电商的落地浪潮 2024年以来，**AI Agent** 成为科技领域最热门的赛道之一。从微软的Copilot到各类垂直SaaS产品，业界正从“大模型对话”转向“自主执行”。电商因其流程标准化、数据高密度、ROI可量化等特性，成为AI Agent落地的理想土壤。 ClawTeams 的独特之处在于强调“目标驱动”，而非简单的任务自动化。这要求其底层模型具备**长期规划**和**动态调整**能力——这正是当前AI Agent研究的难点。如果ClawTeams能跑通闭环，或将重新定义电商运营软件的标准。 ## 小结：值得关注的早期创新 ClawTeams 在理念上走在了行业前列，但产品成熟度仍需观察。对于电商从业者，如果正在寻找能真正“分担运营压力”的工具，不妨关注其后续的公开案例和用户反馈。毕竟，让AI团队为业绩负责，本身就是一次大胆的尝试。
在数据隐私日益受到关注的今天，一款名为 **Altersend** 的新工具悄然登上 Product Hunt 首页，它主打“无云存储、无账户、无限制”的文件传输体验，直击传统文件分享服务的痛点。 ## 核心亮点：隐私与自由的极致平衡 Altersend 的核心理念是“用完即走”。与 WeTransfer、Google Drive 等主流服务不同，它不依赖任何云端服务器存储文件，而是采用**点对点（P2P）传输**技术，文件数据直接在发送方和接收方之间流动，避免中间环节的数据留存风险。用户无需注册账户，也无需登录，只需生成一个链接即可分享文件。 这种设计在隐私保护上优势明显：没有账户意味着没有密码泄露或数据追踪的风险；无云存储则彻底杜绝了服务商违规使用数据或遭受黑客攻击后文件被窃取的可能。对于注重数据主权或传输敏感信息的用户而言，Altersend 提供了一个轻量级但安全的选择。 ## 技术原理与使用场景 Altersend 很可能利用 WebRTC 协议实现浏览器端的直连传输。发送方上传文件后，系统生成一个临时会话链接（可能包含加密密钥），接收方打开链接即可直接下载。文件不会持久保存在任何服务器上，传输完成后链接立即失效。 这种模式特别适合以下场景： - **临时协作**：团队间快速交换设计稿、文档，无需申请云盘权限。 - **隐私敏感信息**：如合同、简历、医疗记录等，避免第三方留存。 - **大文件传输**：传统云盘往往对免费用户有文件大小限制，而 Altersend 宣称“无限制”，理论上只要网络允许即可传输任意大小文件。 ## 行业背景与竞品对比 文件传输市场长期被 WeTransfer、Send Anywhere 等工具主导，但它们大多采用“先上传到服务器，再生成下载链接”的模式，服务器端数据保留时间从几小时到几天不等。近年来，随着欧盟《通用数据保护条例》（GDPR）等法规的推行，用户对数据流转的知情权和控制权要求更高，去中心化、端到端加密的传输工具开始涌现。 Altersend 的直接竞品包括 **Firefox Send**（已关闭）、**Magic Wormhole** 等，但前者因过度滥用而关停，后者偏向命令行操作，对普通用户不友好。相比之下，Altersend 提供了简洁的网页界面，降低了使用门槛。 ## 潜在挑战与展望 尽管 Altersend 在隐私和便利性上表现突出，但也面临一些现实挑战： - **传输稳定性**：P2P 传输依赖双方网络状况，若一方处于严格 NAT 或防火墙后，可能无法建立直连，需通过 TURN 服务器中转（这又会引入服务器依赖）。 - **用户习惯**：多数用户已习惯“上传-分享-保存”的流程，Altersend 的“即时失效”模式可能让部分人感到不安。 - **盈利模式**：完全免费且无广告的服务如何持续运营仍是未知数。 总体而言，Altersend 代表了文件传输领域向“隐私优先”方向的一次有益尝试。如果其能解决连接可靠性问题，并保持简洁体验，有望在细分市场占据一席之地。