日本最大金融集团之一三菱日联金融集团（MUFG）正通过部署ChatGPT Enterprise，加速向AI原生企业转型。截至2026年5月，已有约35,000名三菱UFJ银行员工在日常工作中使用该工具。MUFG集团CDTO山田忠史表示，AI将从根本上改变金融的本质，而OpenAI的技术与协作让这一愿景成为可能。从2024年10月起，双方开始合作，计划通过生成式AI实现运营现代化、提升效率，并创造全新的客户体验。MUFG不仅将AI视为效率工具，更将其视为拓展人类思维与创造力的方式，致力于构建员工与AI共同学习的文化。 ## 从试点到规模化：35,000名员工的AI实践 2024年10月，MUFG与OpenAI启动合作，探索生成式AI在金融业务中的应用。2026年初，三菱UFJ银行开始分阶段部署ChatGPT Enterprise，目标覆盖约35,000名员工。这一规模在金融行业属于前列，体现了MUFG对AI落地的决心。 MUFG集团CDTO山田忠史强调：“我相信AI将从根本上改变金融的本质。要让AI快速融入组织，关键在于营造一个每位员工都能自然使用AI的环境和文化。”为此，MUFG采取了自上而下的领导承诺与自下而上的员工赋能相结合的策略。 ## OpenAI：从设计到落地的深度伙伴 在选择AI合作伙伴时，MUFG看重的是OpenAI的前沿技术与协作精神。山田忠史评价道：“OpenAI与我们共享成为AI原生公司的愿景。凭借其前沿技术和模型，我们看到了一个能将愿景变为现实的合作伙伴。”OpenAI不仅在技术层面提供支持，更从服务设计到实施落地全程参与，帮助MUFG同时推进客户服务创新和银行业务转型。 ## AI原生：超越效率工具的战略定位 MUFG对AI的定位远不止于提升效率。集团认为，AI是延伸人类思维和创造力的方式，员工与AI可以相互学习，共同构建更好的金融服务。这种理念体现在三个方面： - **运营转型**：通过ChatGPT Enterprise优化内部流程，降低重复性工作耗时。 - **客户体验创新**：利用AI提供个性化、智能化的金融服务，例如智能客服、投资建议等。 - **文化变革**：培养“AI原生”思维，让每位员工都能在日常工作中自然使用AI，形成人机协作的新工作模式。 ## 金融业的AI竞赛：MUFG的先行者优势 在全球金融业，AI已成为竞争焦点。MUFG的大规模部署不仅提升了内部效率，更可能在客户服务、风险控制等领域形成差异化优势。通过OpenAI的先进模型，MUFG有望在零售银行、财富管理、信贷审批等场景中率先推出AI驱动的创新服务。 值得注意的是，MUFG的转型并非一蹴而就。从2024年10月开始探索，到2026年初的规模化部署，整个过程体现了金融机构在技术应用上的谨慎与稳健。随着35,000名员工的逐步接入，MUFG正从“使用AI”迈向“成为AI原生”的新阶段。 ## 未来展望 MUFG的案例为金融行业提供了重要参考：AI原生不是简单的工具部署，而是涉及战略、文化、流程的系统性变革。随着更多员工熟悉AI工具，MUFG有望在内部创新和外部服务上释放更大价值。OpenAI与MUFG的合作也表明，前沿AI技术正在深入垂直行业，推动传统金融服务的重构。
金融行业的文档处理一直是个头疼问题——银行流水、税务表格、合同协议，每种格式都不同，字段位置千变万化。Amazon Bedrock 新推出的 **Data Automation** 功能，正是为了解决这一痛点。 ## 四大常见文档，各有各的“脾气” 这次 Amazon 重点测试了四种典型金融文档： - **银行对账单**：交易记录多、日期格式不统一，而且不同银行的排版差异巨大。 - **W-2 税务表**：年度工资与扣税汇总，字段固定但数值精度要求极高。 - **1099-B 表格**：资本利得与损失申报，涉及多笔交易明细，行数不定。 - **供应商合同**：非结构化文本，条款、金额、签署日期等关键信息散落在段落中。 ## 自定义提取：不是“一刀切”的 OCR 传统 OCR 只能识别文字，而 Bedrock Data Automation 允许用户定义 **“提取蓝图”**——告诉模型哪些字段必须抽出来。例如对于银行对账单，你可以指定“账户持有人”、“交易日期”、“金额”、“余额”等。系统会自动学习文档结构，即使同一类型的文档来自不同来源，也能稳定输出。 ## 实测效果：精度与灵活性并存 根据官方测试结果： - **银行对账单**：交易明细提取准确率超过 95%，日期与金额字段几乎无误。 - **W-2 与 1099-B**：数值字段（如工资、预扣税、资本利得）提取精度接近 99%，但表格中的多行交易偶尔会漏行。 - **供应商合同**：关键条款（如合同金额、生效日期）提取成功率约 88%，复杂法律措辞仍需人工复核。 ## 行业意义：从“人工录入”到“AI 审核” 对于金融机构而言，这笔账很划算。过去处理一份复杂文档可能需要 15 分钟的人工录入，现在 Bedrock Data Automation 能在几秒内完成，而且错误率更低。更重要的是，它能将提取的结构化数据直接输入下游系统（如财务软件、合规数据库），实现端到端自动化。 ## 一点提醒：不是万能药 尽管效果出色，Amazon 也指出： - 高度手写或涂改的文档仍需人工干预。 - 合同中的模糊条款（如“合理努力”这类主观表述）无法自动判定。 - 建议将提取结果作为“初审”，再由人工进行抽样复核。 ## 小结 Amazon Bedrock Data Automation 将大模型的理解能力带入了金融文档处理，让银行流水、税务表、合同这类“硬骨头”变得可批量处理。对于正在寻求降本增效的金融科技公司、会计事务所和企业财务部门来说，这无疑是一个值得关注的技术方向。
云计算数据仓库巨头 Snowflake 与亚马逊云服务（AWS）签署了一份为期五年、价值 **60 亿美元** 的新协议，主要用于获取 AWS 自研的 ARM 架构 CPU 芯片 **Graviton**。这一金额几乎等同于 Snowflake 自 2012 年成立以来通过 AWS Marketplace 实现的总销售额（70 亿美元）。 ## 为何这笔交易意义重大？ Snowflake 的客户正在加速其在 AWS 上的支出，2025 年预计将翻倍至 **20 亿美元**。驱动增长的核心动力正是 **AI**。Snowflake 已推出 AI 构建工具 **Cortex AI**，提供自然语言查询数据库、生成摘要报告等功能。随着 AI 从训练阶段转向日常推理和自动化代理，CPU 的使用量急剧上升——虽然 GPU 负责训练和推理，但 CPU 处理了 AI 工作流中绝大多数其他任务，尤其是代理场景。 ## 亚马逊自研芯片的崛起 AWS 的 Graviton 芯片基于 ARM 架构，亚马逊 CEO Andy Jassy 曾宣称其自研 AI 芯片在“性价比上优于英伟达的产品”。尽管 AWS 仍在云中部署英伟达 GPU，但自研芯片提供了更经济的替代方案，这些成本节约也会传递给客户。 此前，AWS 已与 Meta 签署协议，提供数百万颗 Graviton 芯片用于 AI 计算。这些大单向英伟达传递了一个明确信号：云巨头自研 CPU 正在蚕食其市场。 ## 行业背景与竞争格局 当前 AI 芯片需求极其旺盛，云提供商正以最快速度部署芯片。所有主流 AI 模型厂商（及众多 AI 服务）都针对英伟达芯片进行了架构优化，但 AWS 的自研芯片凭借价格优势不断吸引巨额合同。谷歌等其他云巨头也在加速自研芯片布局。 这笔交易不仅巩固了 AWS 与 Snowflake 的合作关系，也标志着 **AI 芯片竞争进入新阶段**：CPU 在 AI 工作负载中的重要性日益凸显，云厂商自研芯片正成为英伟达不可忽视的挑战者。
## 企业AI Agent的实战：成本降97%背后的技术选择 在HR系统运营中，员工通勤津贴审批、浏览器自动化操作等重复性任务往往占据大量人力。近日，**AWS生成式AI创新中心（GenAIIC）** 与日本HR系统开发商 **Works Human Intelligence（WHI）** 合作，利用 **Amazon Bedrock AgentCore** 构建了两款AI Agent，成功将运营成本降低高达 **97%**，同时大幅提升效率。 ### 两大AI Agent：从审批到操作的自动化 项目聚焦两个核心场景： 1. **通勤津贴审批Agent**：自动处理员工搬家等事件引发的通勤津贴申请审批。此前WHI基于LangGraph、Amazon ECS和AWS Fargate进行概念验证（PoC），但在Amazon Bedrock AgentCore发布后，团队决定迁移至这一更集成的多Agent环境。 2. **浏览器操作Agent**：代表客户操作HR系统“COMPANY”，实现自动化数据录入与查询。 ### 挑战与解决方案：为什么选择AgentCore？ WHI在开发中面临两大痛点： - **多Agent协同难**：原有方案需手动编排多个独立服务，维护成本高。 - **认证与授权复杂**：需要为每个Agent单独集成身份验证，安全风险高。 借助 **Amazon Bedrock AgentCore**，WHI实现了： - **统一的多Agent编排**：AgentCore原生支持多Agent协作，无需额外中间件。 - **内置安全机制**：结合AWS Fargate与Amazon Cognito，实现细粒度权限控制。 最终，迁移后的系统不仅降低了97%的运营成本，还让审批流程从数小时缩短至分钟级。 ### 行业启示：AI Agent落地的关键路径 这一案例为希望部署AI Agent的企业提供了重要参考： - **选择正确的平台**：Amazon Bedrock AgentCore等托管服务可大幅减少基础设施管理负担。 - **渐进式迁移**：从PoC到生产环境，逐步替换组件，降低风险。 - **聚焦高价值场景**：优先自动化高频、规则明确的业务，快速见效。 随着生成式AI在企业级应用中的深化，AI Agent正从概念验证走向规模化落地。WHI与AWS的合作表明，通过合理的技术选型与架构优化，企业完全能在控制成本的同时，释放AI的生产力潜能。
车队管理者每天面对海量数据：每辆车产生数百个数据点，人工分析几乎不可能发现关键模式。Verizon Connect 的 Reveal 平台管理着超过 120 万个活跃车辆订阅，每天处理 5 亿个数据点和 8 万个独特指标。传统的静态仪表盘和规则自动化只能捕捉预定义模式，无法应对动态变化。为此，Verizon Connect 选择了智能体 AI（agentic AI）——一种能动态调查新模式、追问上下文并自适应分析的方案。本文详细阐述了其架构设计、实施挑战与可量化成果，为类似的数据到洞察转型提供参考。 ## 核心架构：分层解耦与智能编排 Verizon Connect 的智能体 AI 系统采用分层架构，核心包括： - **数据接入层**：实时采集车辆传感器、GPS、维护记录等异构数据，统一格式化后存入数据湖。 - **分析层**：基于 Amazon Bedrock 等基础模型，部署多个专用智能体（如安全异常检测体、维护预测体、效率优化体）。每个智能体独立运行，通过 **LangChain** 框架实现任务编排。 - **编排层**：每日触发一次工作流，先由异常检测模块扫描全局数据，发现潜在异常后激活相应智能体进行深度调查。 - **呈现层**：通过自然语言接口（如聊天机器人）或可视化面板，向 10 万用户推送简洁的行动建议，而非原始数据。 关键设计原则是**动态探索而非规则匹配**。例如，当某辆车的急刹车频率突然升高时，智能体不会仅标记“异常”，而是追问：是驾驶员行为变化？还是车辆制动系统故障？或是路线拥堵导致？通过多轮推理，最终定位根因并建议具体措施。 ## 实施挑战与应对策略 ### 1. 数据质量与一致性 - 挑战：来自不同车型、年代的数据格式差异大，部分数据缺失或噪声高。 - 应对：构建数据清洗管道，使用 **AWS Glue** 进行 ETL，并引入异常值检测算法自动标记可疑数据点，供智能体参考。 ### 2. 成本与延迟平衡 - 挑战：500 万次/日的推理请求若全部调用大模型，成本不可控。 - 应对：采用**分层推理策略**——简单规则过滤掉 80% 的常规模式，仅对剩余 20% 的潜在异常使用大模型深度分析。同时利用 **Amazon SageMaker** 的推理端点自动缩放，低谷期降本。 ### 3. 用户信任与可解释性 - 挑战：车队经理对 AI 决策持怀疑态度，尤其当建议涉及安全或成本时。 - 应对：每个洞察均附带**推理链**，以自然语言说明“为什么得出该结论”，并链接到原始数据点。例如：“建议检查车辆 #1234 的刹车片，因为过去 3 天急刹车频率增加 200%，且与同路线其他车辆相比异常（数据来源：传感器 X 和 Y）。” ## 落地成果：从数据过载到主动管理 系统上线后，Verizon Connect 实现了： - **异常发现时间**：从平均 72 小时（人工审核）缩短至 15 分钟（智能体自动检测）。 - **用户采纳率**：10 万日活用户中，超过 70% 每周至少使用一次 AI 建议。 - **可量化收益**：某物流客户因提前识别发动机冷却系统故障，避免了 3 次途中抛锚，节省维修成本约 $15,000。 更关键的是，智能体 AI 能够发现**跨维度关联**——比如“某驾驶员频繁急加速 + 轮胎胎压偏低 + 油耗上升”三者同时出现时，提示可能为轮胎磨损或路况适应问题，而非孤立事件。 ## 对行业的启示 Verizon Connect 的实践表明，智能体 AI 的价值不在于“更快的仪表盘”，而在于**主动推理与行动建议**。对于其他面临数据过载的企业，建议从以下三点切入： 1. **从小处着手**：先选一个业务痛点（如安全异常检测），用智能体替代人工排查流程。 2. **构建反馈回路**：让用户对 AI 建议进行“有用/无用”评分，持续微调模型。 3. **注重可解释性**：用户信任是规模化落地的基石，透明推理比黑箱准确更重要。 未来，随着多模态智能体（整合语音、视频等）成熟，车队管理有望实现从“被动响应”到“预测性自动驾驶”的跨越。
英伟达CEO黄仁勋周三宣布，公司计划每年在台湾投资**1500亿美元**，以确保台湾在“AI革命”中继续处于“中心”地位。这笔投资将用于建设新的台湾总部，预计2025年破土动工，**2030年投入运营**。黄仁勋表示，台湾是“芯片、封装、系统制造以及AI超级计算机诞生地”，合作伙伴数量惊人。相比之下，英伟达五年前每年在台湾的支出仅为100-150亿美元。此举正值特朗普政府推动美国成为AI制造中心之际，但英伟达的巨额投资显然表明，**台湾在AI供应链中仍具有不可替代的地位**。英伟达去年4月才首次在美国本土生产AI芯片，试图迎合特朗普的“美国制造”政策，但如今对台湾的大手笔投入，凸显了全球AI产业链的现实依赖——美国短期内难以撼动台湾作为制造枢纽的角色。黄仁勋甚至乐观预测，这项投资将使英伟达在3-5年内市值进一步攀升。目前英伟达已是全球市值最高公司，2025年率先突破**5万亿美元**大关。然而，英伟达尚未解释其在台计划如何与特朗普的AI制造回流目标协调，这一矛盾引发了行业对全球AI供应链未来走向的广泛讨论。
总部位于阿姆斯特丹的薪资服务提供商Remote最近宣布，其年度经常性收入（ARR）已突破3亿美元，并实现正向现金流。更值得关注的是，这家成立七年的公司在全面采用AI后，**人均创收增长了50%**。CEO Job van der Voort表示，AI应用已渗透到公司各个层级，从CEO办公室到工程部门，甚至包括一个用于总结讨论的Slack智能体。公司内部还建立了名为Remote Labs的应用市场，员工可在此构建和共享AI工具。这些举措使得Remote在不增加员工数量的情况下实现了收入增长。如今，Remote正将其内部AI经验转化为面向客户的“Remote Build”服务，帮助客户创建定制化工作流。Van der Voort称，核心薪资业务同比增长超过300%，但该数据尚未经过独立验证。尽管薪资处理本身并不有趣，但AI让这一过程变得更高效，甚至更具吸引力。
谷歌于周四正式发布了其首款无屏运动手环 **Fitbit Air**，定价仅 **100 美元**，直接对标运动健康领域的明星产品 **Whoop**（年订阅费 200-360 美元）。作为 Fitbit 品牌被谷歌收购后的战略新品，Air 的推出标志着谷歌在可穿戴健康设备市场的新野心。 ### 核心差异：价格与定位 Fitbit Air 的最大优势在于 **价格门槛**。Whoop 虽然硬件免费，但强制订阅模式让用户每年至少花费 200 美元，而 Fitbit Air 一次性购买即可使用全部功能，无需额外订阅。这一策略显然瞄准了那些追求专业健康数据但预算有限的用户。 ### 功能对标：无屏设计下的较量 两者均采用 **无屏幕设计**，通过手机 App 查看数据，强调佩戴舒适与续航。Whoop 以 **睡眠恢复分析** 和 **每日 Strain 分数** 闻名，深受精英运动员青睐；Fitbit Air 则依托谷歌生态，整合了 Fitbit 多年积累的 **心率监测、睡眠追踪、活动记录** 等核心功能，并可能接入 Google Fit 和 Health Connect 平台。 ### 谁更适合你？ - **追求极致性能与深度分析**：Whoop 仍是首选，其算法在运动负荷管理和恢复建议上更为成熟。 - **注重性价比与生态整合**：Fitbit Air 以更低的价格提供了全面的基础健康追踪，且与安卓手机、Google 服务无缝连接，适合大众用户。 ### 行业影响 谷歌此举不仅是对 Whoop 的挑战，也反映了 **无屏手环市场** 的复苏趋势。随着用户对长时间佩戴和健康数据连续性的需求增长，去屏幕化设计正在成为新方向。Fitbit Air 的加入可能迫使 Whoop 调整定价策略，或加速推出更低价位的订阅方案。 **结论**：从规格上看，Fitbit Air 以价格和生态优势成为有力的竞争者，但 Whoop 在专业运动分析上仍保持领先。最终选择取决于用户对预算和功能深度的权衡。
## 从静态报表到对话式洞察：NarrateAI 的诞生 在 AWS 的销售、营销和全球服务（SMGS）组织中，管理层每天需要处理跨层级的复杂数据，并做出影响全球运营的时间敏感决策。传统的商业智能工具依赖静态仪表盘和人工报告，这种模式不仅耗时，还限制了组织的敏捷性。为此，AWS 团队构建了 **NarrateAI**——一个基于 **Amazon Bedrock AgentCore** 和自有数据湖的智能对话解决方案，通过自然语言问答为从 CEO 到一线经理的各级领导者提供即时、准确的业务洞察。 ## 两大核心挑战：数据碎片化与时间消耗 AWS 在传统 BI 实践中面临三大障碍： - **时间密集型准备**：领导者需要手动从多个仪表盘收集数据、核对不同来源的信息，并综合成报告，留给战略思考的时间所剩无几。 - **数据碎片化**：业务见解分散在不同系统和仪表盘中，指标不一致，难以形成统一的业务全貌。 - **有限的可访问性**：复杂仪表盘需要专业知识才能操作，导致领导者依赖中间团队，无法按需获取洞察，决策被延迟。 ## 技术架构：双层分离，智能协同 NarrateAI 采用**双层架构**，将批处理与实时交互解耦： 1. **批处理层**：负责从数据湖中定期提取、清洗和聚合数据，生成预计算的业务指标和上下文信息，确保查询响应速度。 2. **实时交互层**：通过 Amazon Bedrock AgentCore 驱动，部署了多个**专门化 AI Agent**，分别负责意图识别、智能路由、数据验证和答案生成。这些 Agent 协同工作，确保用户问题被准确理解，并从正确的数据源获取信息，最终以自然语言形式返回带上下文的洞察。 ## 关键工程模式与生产部署 团队在开发过程中提炼了若干可复用的工程模式： - **智能路由与验证**：利用 Agent 的编排能力，将问题分类并路由到最合适的子 Agent，同时内置验证机制，防止错误数据进入答案。 - **生产级部署**：采用 Amazon Bedrock 的托管服务，结合 AWS 的安全与监控能力，实现高可用和低延迟。 - **可扩展性设计**：架构支持轻松添加新的数据源和业务域，适应组织增长。 ## 实际效果与启示 NarrateAI 上线后，显著缩短了领导者的数据准备时间，从数小时降至秒级。CEO 等高层可以直接用自然语言询问“上周北美区的销售达成率是多少？与目标差距如何？”，系统即可返回带趋势分析和异常提示的答案。这不仅提升了决策效率，也让业务团队更专注于战略分析而非数据搬运。 对于希望构建类似解决方案的团队，AWS 建议从明确业务问题域开始，优先解决数据一致性，并利用 Bedrock AgentCore 的编排能力快速迭代。NarrateAI 的实践表明，对话式 AI 正成为企业级 BI 的下一个演进方向。
Google I/O 大会正式宣告：AI 生成的答案已占据搜索结果的核心位置，而大多数品牌对 AI 如何向用户描述自己几乎一无所知。对于多年来一直围绕“十个蓝色链接”构建策略的人来说，规则已经发生重大改变。 在最新一期的 TechCrunch《Equity》播客中，Rebecca Bellan 与 Scrunch 公司合作伙伴关系副总裁 Matt Thompson 进行了对话，探讨了 Google 的这一变化意味着什么，以及营销人员和创始人应该如何应对。 ### 关键洞察 - **AI 引荐的转化率比传统自然搜索高出 400%**，这意味着我们需要重新思考流量获取的方式。 - **ChatGPT 仍然占据 AI 搜索流量的最大份额**，仅针对 Google 进行优化会让你错失大部分市场。 - **Google 自身的 SEO 最佳实践可能正将营销人员引向错误的方向**。 - **让你的网站做好“AI 代理就绪”**，而大多数企业网站目前还达不到这个标准。 ### 如何收听 你可以在 YouTube、Apple Podcasts、Overcast、Spotify 等平台订阅《Equity》播客，也可以在 X 和 Threads 上关注 @EquityPod。
太阳能电池板是一笔不小的投资，如何确保它们长期高效运行、真正回本？本文结合一位资深用户的亲身实践，分享从清洁、检测到日常维护的关键技巧，帮你延长面板寿命、提升发电收益。 ## 清洁：被忽视的“发电杀手” 灰尘、鸟粪、落叶——这些看似不起眼的污垢，实际上会**显著降低太阳能电池板的功率输出**。研究显示，长期不清洁的面板发电量可能下降10%~30%。尤其是在干燥多尘的地区，定期清洁几乎是必须的。 - **频率建议**：一般每季度一次，多尘或雨季后可适当增加。 - **清洁方法**：使用软布或海绵配合清水，避免 abrasive 清洁剂或高压水枪，以免损伤面板表面涂层。 - **安全提示**：屋顶作业务必使用安全绳，或考虑聘请专业服务。 ## 检测：快速判断面板是否“罢工” 如果你的系统发电量突然下降，很可能某块面板出了问题。如何定位？ 1. **观察逆变器**：大多数现代逆变器会显示每块面板的实时功率。如果某块数值明显低于同类，它就是“嫌疑犯”。 2. **使用万用表**：断开面板连接，在阳光充足下测量开路电压和短路电流，与标称值对比。偏差超过10%则需进一步排查。 3. **热成像仪**：专业工具，能快速发现面板上的热斑（hot spots），这些区域往往代表内部损坏。 ## 维护：不只是清洁 除了清洁，以下习惯也能延长面板寿命： - **检查支架与接线**：确保螺丝紧固、线缆无破损，防止松动导致接触不良或漏电。 - **监控发电数据**：利用App或监测系统记录每日发电量，一旦发现趋势性下降（排除天气因素），及时排查。 - **避免遮挡**：修剪附近树木，防止阴影投射在面板上——阴影不仅降低发电，还会导致部分电池片过热损坏。 ## 投资回报：回本需要多久？ 以作者使用的 **EcoFlow 400W柔性面板**（售价约550美元）为例，在日均发电量1.2kWh、电费0.12美元/kWh的条件下，年节省约52美元，**回本周期超过10年**。但这还不算清洁、维护等隐性成本。 不过，太阳能的价值不止于省钱： - **应急备用**：配合便携电站，在停电时提供关键电源。 - **环保贡献**：每发一度电，减少约0.5kg碳排放。 - **政策补贴**：部分地区仍有税收减免或净计量政策，可缩短回本周期。 ## 小结 太阳能投资是否值得，取决于你的用电模式、地理位置和维护投入。如果只是跟风安装却不维护，可能得不偿失；但如果愿意花时间清洁、检测和优化，太阳能完全能成为一笔长期划算的“绿色资产”。 **一句话总结**：面板寿命可长达25年，但前提是你得好好待它。
随着谷歌在搜索中不断融入AI功能，越来越多的用户开始感到不满。DuckDuckGo，一个坚持无AI的传统搜索引擎，正迎来一波显著的用户增长。据DuckDuckGo官方透露，仅在谷歌2026年I/O大会后的某一天，其在美国的周安装量就激增了30%。 谷歌I/O 2026上宣布的搜索升级包括AI搜索框、智能代理、本地商家链接及个性化答案等。尽管这些功能听起来很强大，但AI固有的不准确性、信息过时或答非所问等问题依然存在。许多用户更倾向于简洁、直接的传统搜索结果，而不是可能包含错误的AI摘要。 DuckDuckGo的吸引力在于它完全摒弃了AI，提供纯粹的链接列表。用户无需担心隐私泄露或AI生成的错误信息。此外，DuckDuckGo本身就以隐私保护著称，不追踪用户行为。 对于希望尝试DuckDuckGo的用户，操作非常简单：可以在浏览器中直接访问DuckDuckGo.com，或下载其iOS/Android应用。它支持所有主流浏览器，并可设置为默认搜索引擎。 这一趋势反映出，并非所有用户都欢迎AI进入搜索领域。传统搜索仍拥有大量忠实用户，他们更看重信息的准确性和控制权。DuckDuckGo的崛起是对谷歌AI战略的一种市场反馈，表明“无AI”本身也能成为一种差异化优势。
随着 AI 智能体在企业内大规模部署，一个典型难题浮出水面：**智能体泛滥但缺乏编排**。AWS 销售团队曾拥有超过 20 个领域专用智能体，销售代表需要自行判断该用哪个、手动拼接结果，认知负担沉重。为此，AWS 内部构建了 **Field Advisor**，基于 **Amazon Bedrock AgentCore** 打造统一编排层，让销售代表只需用自然语言提问，系统自动路由到正确的智能体或工具，并维护上下文、协调审批、返回统一答案。 ## 核心挑战：智能体越多，选择越难 在 AWS 销售组织内，超过 20 个智能体分别负责 CRM 操作、会议安排、客户洞察、产品推荐、合规检查等任务。销售代表需要记住每个智能体的用途，并在不同系统间频繁切换，手动整合信息。这种“认知切换”消耗了大量本应用于客户沟通的时间。 ## 为什么选择 Bedrock AgentCore AWS 内部团队选择 Bedrock AgentCore 的关键原因在于其**企业级编排能力**： - **隔离执行环境**：支持安全的多租户操作 - **统一网关**：跨 AWS 账户访问工具和智能体 - **持久化记忆**：维护会话和长期上下文 - **一致的身份传播**：集成 OAuth，权限清晰 - **内置可观测性**：追踪复杂请求流 - **持续质量监控**：集成评估机制 这些能力让工程团队无需自建基础设施，专注于提升领域智能。 ## Field Advisor：统一入口，消除认知负担 Field Advisor 作为中央编排层，销售代表用自然语言提问，系统自动： 1. **路由请求**到正确的智能体或工具 2. **维护跨多轮交互的对话上下文** 3. **协调敏感操作的审批流程** 4. **返回统一、连贯的响应** 最终，销售代表可以更快、更准确地获取所需信息，专注于客户对话而非系统操作。 ## 可衡量的业务价值 通过 Field Advisor，AWS 销售团队实现了显著的效率提升： - **减少系统切换时间**：统一入口避免了手动选择智能体 - **上下文连续性**：跨会话的记忆减少了重复提问 - **加速响应**：从多步操作变为单次自然语言交互 虽然具体数字未公开，但该方案已在全球 AWS 销售组织中部署，证明了其可扩展性和实际价值。 ## 对 AI 行业的启示 Field Advisor 的案例揭示了一个关键趋势：**智能体的价值不在于数量，而在于编排**。当企业部署多个 AI 智能体时，缺乏编排会导致“智能体泛滥”问题，反而增加用户负担。编排层（如 AgentCore）成为必要的基础设施，它允许企业构建“智能体中的智能体”——一个能理解全局并协调各专业智能体的中枢。 对于正在扩展 AI 应用的企业而言，Field Advisor 的架构思路值得借鉴：先建立统一编排层，再逐步添加专用智能体，而非相反。
Meta 正在加倍押注订阅服务。本周三，这家社交网络巨头宣布，其面向消费者的 Instagram、Facebook 和 WhatsApp 订阅计划现已全球上线，同时开始测试面向企业、创作者和 Meta AI 用户的新订阅服务。 ## 订阅计划详情 消费者每月支付几美元订阅 **Instagram Plus**（3.99 美元/月）、**Facebook Plus**（3.99 美元/月）或 **WhatsApp Plus**（2.99 美元/月），即可获得额外功能，例如个人资料定制、超级反应和故事洞察等。Meta 产品负责人 Naomi Gleit 在公告中表示，未来还会添加更多有趣的功能。与此同时，Meta 将开始测试其他产品，包括面向创作者和企业的专业计划，以及面向所有用户的 AI 计划。这些新测试将统一归入 **Meta One** 品牌，该品牌将成为 Meta 未来订阅服务的大本营。 ## Plus 计划不取代 Meta Verified Meta 今年早些时候曾透露计划推出订阅服务，并于春季开始了初步测试。面向消费者的计划旨在为那些希望从社交应用中获得更多功能的资深用户提供额外特性。这也让 Meta 能够从现有数十亿用户中挖掘更多价值，实现收入来源多元化，摆脱对广告的过度依赖——考虑到这些应用已实现全球饱和，增长空间有限。 新的 Plus 计划针对每个应用量身定制：Facebook Plus 和 Instagram Plus 更侧重于社交表达，而 WhatsApp Plus 则侧重于个性化和消息功能。不过，Meta 明确表示，新的 Plus 计划不会取代现有的 **Meta Verified** 服务，后者专注于账户验证、防冒充和额外支持（未来可能调整，但现阶段 Meta 不会停止旧计划）。 ## 功能亮点 以 Instagram Plus 为例，订阅者可获得以下额外功能： - 查看有多少人重看了你的故事（汇总数据） - 创建无限数量的故事观众列表（超越“密友”选项） - 每周可置顶一条故事以获得额外曝光 - 将故事的展示时间延长至 24 小时以上 - 预览故事时不显示为观看者 - 搜索故事观看者列表以了解谁在观看 - 直接发布到个人主页等 ## 行业背景与展望 Meta 此举正值社交媒体平台纷纷探索订阅模式之际。X（原 Twitter）早在 2021 年就推出了 X Premium，Snapchat 也有 Snapchat+。Meta 的差异化在于其庞大的用户基数和多应用生态，通过 Plus 计划可以提升用户粘性和 ARPU。未来，**Meta One** 品牌下的 AI 订阅计划尤其值得关注，它可能整合 Meta AI 的增值功能，如高级图像生成、个性化助手等，进一步拓展 AI 在社交场景中的落地。 总体而言，Meta 的订阅战略标志着其从纯广告模式向混合收入模式的转型，但能否成功，取决于用户是否愿意为这些“额外功能”持续付费。
在AI芯片竞赛日益白热化的当下，华为海思总裁何庭波（Tingbo He）在IEEE国际电路与系统研讨会上抛出了一枚重磅炸弹：华为已找到一条优化半导体的全新路径，并将在**2026年冬季之前**带来“惊喜”。这位被称为华为“芯片女皇”的领军人物直言，这一名为 **Tau缩放定律（Tau's Scaling Law）** 的新方法论将取代摩尔定律，成为海思未来的指导原则。 ## 从“堆晶体管”到“系统加速” 摩尔定律——由英特尔联合创始人戈登·摩尔提出——长期统治着芯片产业：每两年将单个芯片上的晶体管数量翻一番。但何庭波表示，华为的方法不再执着于在单一硅片上塞入更多元件，而是**跨芯片、跨电路乃至跨整个计算系统来加速计算**。这意味着，华为试图通过系统级的协同优化来弥补工艺制程上的差距，而非仅仅依赖更先进的制造设备。 这一思路的背景是，传统芯片制造已逼近物理极限——当晶体管尺寸缩小至几纳米时，量子效应开始干扰正常工作。业界早已出现各种变通方案，例如苹果将两块芯片拼接成更强大的处理器。华为的Tau缩放定律正是对这种趋势的系统化、理论化回应。 ## 制裁之下的“另类创新” 华为之所以必须寻找新路，与美国出口管制密不可分。制裁切断了华为与全球最大芯片代工厂台积电（TSMC）的合作，迫使华为转向中国本土的**中芯国际（SMIC）**，而后者使用的是较老一代的光刻机。据估计，中国在尖端AI芯片领域落后领先水平**超过五年**。 然而，何庭波的表态暗示，**压力反而催生了颠覆性思路**。她承诺：“不是饱和，不是延续，而是一次大跃进。”如果华为的新方法成功，将有望在现有设备条件下大幅缩小与西方芯片的性能差距。不过，她并未透露具体技术细节，仅表示将在未来数月内通过新芯片证明其可行性。 ## 行业影响与不确定性 华为的声明在业界引发了两极反应。一方面，如果Tau缩放定律确实有效，它可能**重塑全球芯片竞争格局**——尤其是在AI算力需求爆炸式增长的当下，系统级优化或许比单纯追求制程更具成本效益。另一方面，也有分析人士持谨慎态度：任何绕过物理极限的尝试都需要底层材料或架构的根本性突破，而华为尚未公开任何实验数据或专利细节。 何庭波将“2026年冬季”作为时间节点，这给了业界三年多的观察窗口。届时，华为能否兑现“大跃进”的承诺，将直接影响中美科技博弈的走向。
YouTube 正在加强 AI 生成视频的标识管理。从本月开始，该平台将不再完全依赖上传者主动披露，而是通过内部信号自动检测并标记显著逼真的 AI 内容。新标签将出现在更显眼的位置，且部分标记不可申诉撤销。 ## 从自愿到强制 2024 年，YouTube 首次尝试处理 AI 视频标识时，主要依赖上传者自愿说明，标签也藏在视频描述中，几乎不为人所见。但随着 AI 视频生成技术的飞跃——如 Google 的 Veo、Runway、Seedance 等模型大幅提升了视频的逼真度和连贯性——仅靠自愿披露已不足以应对。 ## 自动检测机制 从本月起，YouTube 将利用“新的内部信号”自动标记 AI 内容。明确提及的触发条件包括： - **C2PA 元数据**：若元数据明确标示内容为纯 AI 生成，将自动标记。 - **Google 工具水印**：使用 Veo 等带水印的 Google 工具生成的视频也会被标记。 对于这两种情况，标签是“永久性”的，创作者无法申诉撤销。其他情况下的标记则允许申诉。 ## 标签位置更醒目 新标签将出现在更直观的位置：标准横屏视频的标签会直接显示在视频下方、描述框上方；YouTube Shorts 的标签则以小叠加层形式显示在底部。相比之前藏在展开的描述中，用户无需主动寻找即可看到。 ## 行业背景与影响 此举反映了 AI 视频生成技术快速迭代带来的现实挑战。Google 自家推出的 Omni 等模型进一步模糊了真实与虚构的界限，平台有责任帮助用户辨别内容来源。YouTube 的自动标记机制虽然细节尚不明确，但结合 C2PA 等标准，有望成为行业范本。 不过，对于仅使用少量 AI、或动画风格等非逼真内容，YouTube 可能仍依赖创作者主动标记。如何平衡隐私、创作自由与信息披露，将是持续讨论的话题。
厌倦了搜索结果中 AI 生成的摘要和答案？别担心，有一种简单的方法可以在几乎所有主流浏览器中屏蔽 AI 结果。本文将手把手教你如何通过添加自定义搜索引擎来实现，无需安装复杂插件，也无需每次手动过滤。 ## 为什么需要屏蔽 AI 结果？ AI 在搜索领域的渗透越来越深，从 Google 的 AI Overviews 到 Bing 的 Copilot，AI 生成的摘要随处可见。然而，AI 并非完美无缺： - **准确性存疑**：作者多次发现 AI 提供的信息存在错误，尤其是在 Linux 相关查询中。 - **资源消耗巨大**：AI 数据中心消耗大量电力和水资源，每次 AI 搜索都在加剧环境负担。 如果你希望获得更纯粹、更可靠的链接式搜索结果，屏蔽 AI 是一个合理的选择。 ## 如何实现？核心思路：自定义搜索引擎 原理很简单：在浏览器中添加一个自定义搜索引擎，其搜索 URL 带有排除 AI 结果的参数（例如 `&udm=14` 可屏蔽 Google AI Overviews）。设置完成后，你就可以在地址栏直接使用该引擎搜索，或将其设为默认搜索引擎。 ### 各浏览器操作指南 #### Firefox 1. 打开设置 → 搜索 → 管理搜索引擎。 2. 点击“添加搜索引擎”，填写名称和 URL（例如 `https://www.google.com/search?q=%s&udm=14`）。 3. 保存后即可在搜索栏中选择使用。 #### Chrome / Edge / Opera 1. 进入设置 → 搜索引擎 → 管理搜索引擎和站点搜索。 2. 点击“添加”，输入名称、关键字和 URL（同上）。 3. 保存后，在地址栏输入关键字加空格即可触发。 #### Safari Safari 不支持直接添加自定义搜索引擎，需安装第三方扩展（如“Customize Search Engine”），然后在扩展中配置。 ## 注意事项 - 此方法仅影响浏览器自带的搜索功能，不影响网站内搜索。 - 不同搜索引擎的排除参数可能不同，需自行查找。 - 部分浏览器可能需要重启才能生效。 ## 小结 通过简单的自定义搜索引擎设置，你可以有效避免 AI 结果的干扰，回归传统的链接式搜索体验。这不仅提高了搜索结果的可靠性，也为环保尽了一份力。试试看，你会爱上这种清爽的搜索方式！
## 从订阅模式到 API 按量计费：AI 公司盈利拐点已至？ 近期 Hacker News 上的一篇热帖指出，**Anthropic 和 OpenAI 可能已经找到了产品市场契合点**。作者通过多个迹象论证了这一观点： 首先，**Anthropic 被传即将实现首个盈利季度**。与此同时，不少企业惊讶地发现，其内部员工使用大语言模型的 API 费用正在急剧攀升。作者认为，这正是产品市场契合的表现——企业愿意为真正的价值付费。 其次，两家公司的定价策略发生了根本性转变。据报道，**Anthropic 在 2025 年 11 月将企业版计划调整为每席位每月 20 美元外加 API 按量计费**；**OpenAI 也在 2026 年 4 月对 Codex 产品做了类似调整，从按消息计费改为按 API token 用量计费**。这意味着，对于重度用户（尤其是使用编码 agent 的用户），实际 API 费用远高于订阅费。 作者本人做了一个有趣的测算：他每月支付 Anthropic 100 美元和 OpenAI 100 美元订阅费，但如果按 API 价格计算，过去 30 天的实际用量价值高达 **2,180 美元**——订阅套餐相当于打了 1 折。但对企业而言，这种折扣正在消失：企业用户现在必须按实际 API 用量付费，而订阅费仅作为基础席位费。 这一变化影响深远。一方面，**API 收入对 AI 实验室的重要性正在下降**，因为企业客户直接付费给 API 渠道，而不再依赖订阅套餐的“无限使用”幻觉。另一方面，**AI 失败的故事似乎被夸大了**——作者认为，如果产品没有价值，企业不会容忍如此高昂的账单。 ## 这意味着什么？ - **盈利信号**：Anthropic 即将盈利，OpenAI 也在调整定价以提升收入，表明烧钱阶段可能接近尾声。 - **企业买单意愿强**：尽管 API 账单高昂，企业仍在续约，说明 AI 工具（尤其是编码 agent）确实带来了生产力提升。 - **市场分化**：个人用户仍可享受订阅补贴，但企业用户将面临更真实的成本结构。 当然，这些观察主要基于传闻和有限数据。但无论如何，**AI 行业正从“抢用户”转向“真变现”**，而 Anthropic 和 OpenAI 似乎走在了最前面。
AI编程初创公司Cognition近日宣布完成超过10亿美元的新一轮融资，估值达到250亿美元（投前），较八个月前翻了一倍多。本轮由Lux Capital和General Catalyst联合领投，Founders Fund、8VC等现有投资者跟投，新投资者包括Ribbit Capital、Atreides和Layer Global。 Cognition是AI编程助手Devin的开发商，该工具能够自主编写和调试代码。公司声称其年化经常性收入（ARR）已达到4.92亿美元，且企业用户对Devin的使用量在过去六个月中每月增长50%。其客户包括梅赛德斯-奔驰、NASA、高盛和桑坦德等大型机构。 这笔巨额融资表明，顶级风投仍看好独立AI编程初创公司的前景。此前，市场普遍认为Anthropic的Claude Code、OpenAI的Codex以及谷歌的Jules等模型厂商会主导这一领域。但Cognition通过收购Windsurf剩余资产，并在企业市场站稳脚跟，证明了独立玩家的生存空间。 **融资细节与估值跃升** Cognition在去年9月完成4亿美元融资时，投后估值为102亿美元。仅八个月后，其投前估值便跃升至250亿美元，涨幅超过145%。如此快速的估值增长反映了市场对AI编程工具商业潜力的高度认可。 **竞争格局：独立玩家vs.模型巨头** AI编程赛道正变得日益拥挤。一方面，Anthropic、OpenAI和谷歌等模型提供商正将编程能力深度集成到自家的模型中；另一方面，Cognition、Cursor等独立初创公司则通过专门优化和深度定制来争夺企业客户。Cognition的成功融资表明，企业市场仍需要独立的、可定制的AI编程解决方案。 **企业客户增长与营收表现** Cognition声称，其企业客户群包括梅赛德斯-奔驰、NASA、高盛和桑坦德等知名机构。Devin的月度使用量在过去半年中每月增长50%，推动ARR达到4.92亿美元。这一数据表明，尽管竞争激烈，但Cognition在商业化方面取得了显著进展。 **展望** 随着AI编程工具从辅助编码向自主开发演进，市场对这类技术的需求将持续增长。Cognition能否在模型巨头的挤压下保持独立发展，并进一步扩大企业市场份额，将是未来值得关注的焦点。
## 一场“弄巧成拙”的政治代理战争 当纽约第12国会选区的民主党初选在6月尘埃落定时，Anthropic 和 OpenAI 已为这场关于 AI 监管未来的较量投入了数百万美元。然而，这场争斗的真正赢家，或许正是他们试图“埋葬”的那个人——此前名不见经传的纽约州众议员 **Alex Bores**。 **一场由超级 PAC 发起的“反向助攻”** 自2025年底以来，由 OpenAI、Palantir 和 a16z 高管资助的超级 PAC “Leading the Future” 已花费数百万美元，对 Alex Bores 发起攻击。Bores 曾起草美国首批 AI 监管法案之一，而这 PAC 的目标就是扼杀他接替即将退休的民主党众议员 Jerry Nadler 席位的竞选。 然而事与愿违。据报道，Bores 如今已成为这场八人角逐中的领跑者，甚至被《纽约杂志》称为“曼哈顿面孔”。更令人惊讶的是，他几乎没花什么广告费——直到5月11日才投放了第一支竞选广告，而此时距离6月23日的投票仅剩数周。 相比之下，“Leading the Future” 自2025年12月起便持续投放负面广告，据最新报告已累计花费约 **240万美元**。其背后支持者包括 Joe Lonsdale、Marc Andreessen 以及 OpenAI 的 Greg Brockman。 **“斯特赖桑德效应”再现** 这种过度打压反而提升了 Bores 的知名度，堪称经典的“斯特赖桑德效应”。原本鲜为人知的 Bores，因 AI 巨头的“围剿”而成为全国关注的焦点，被塑造成 AI 安全监管的“代言人”。他的竞选团队表示，至今未进行大规模广告投放，却凭借免费媒体曝光和公众对“大企业干预政治”的反感，赢得了广泛支持。 **AI 行业的政治分裂** 这场代理战争也折射出 AI 行业内部的深刻分歧。OpenAI 和 Anthropic 分别代表不同阵营：一方主张加速发展、减少监管；另一方则呼吁谨慎立法、防范风险。Bores 的崛起，无疑是对后一种声音的强力背书。 **初选结果尚待揭晓** 尽管 Bores 目前领先，但初选结果仍存变数。不过，无论他最终能否胜出，这场“AI 巨头砸钱打压反助其成名”的戏剧性事件，已为美国 AI 监管政治写下了耐人寻味的一章。