苹果近日向全球 110 个国家的特定用户发送威胁通知，警告他们可能成为“雇佣间谍软件”的攻击目标。这类攻击通常由国家支持，主要针对记者、活动人士、政治家和外交官等高价值目标。攻击一旦成功，可绕过设备加密，窃取私密文件、监控通话、录制音视频、追踪位置并完全控制设备。苹果建议收到通知的用户立即开启“锁定模式”（Lockdown Mode），该功能可大幅降低攻击面。安全专家指出，此类攻击成本高昂且生命周期短，但危害极大。普通用户虽然风险较低，也应保持警惕，及时更新系统并避免点击可疑链接。 ## 什么是雇佣间谍软件？ 雇佣间谍软件是一种高度复杂的恶意程序，通常由商业监控公司开发，并出售给政府机构。它们能够隐蔽地侵入手机、平板或电脑，实现全方位监控。与普通网络犯罪不同，雇佣间谍软件攻击目标明确，资源投入巨大，且利用零日漏洞，极难被常规安全软件检测。 ## 苹果如何通知用户？ 苹果通过设备上的“威胁通知”（Threat Notification）向受影响用户发出警告。通知内容会明确告知用户检测到针对其设备的攻击，并提供防护建议。此前，苹果在 2024 年已多次发出类似警告，此次是新一轮攻击的预警。苹果还更新了支持页面，详细说明了此类攻击的特点和应对措施。 ## 收到通知后该怎么办？ 苹果强烈建议用户立即开启“锁定模式”。该模式会限制设备功能，阻止大部分攻击向量，包括禁用某些网页技术、阻止未知来电等，从而有效降低被入侵的风险。此外，用户还应： - 更新所有设备到最新系统版本 - 检查并移除可疑的描述文件或应用 - 避免点击来源不明的链接或附件 - 使用强密码并开启双重认证 ## 如何预防？ 对于普通用户，虽然成为攻击目标的可能性较低，但保持良好安全习惯仍然重要。定期更新系统、使用可靠的安全软件、谨慎授权应用权限，都能提升防护能力。对于高风险人群，建议长期开启锁定模式，并考虑使用专用设备处理敏感信息。 苹果此次预警再次凸显了移动安全面临的严峻挑战。随着监控技术日益泛滥，个人隐私保护需要更主动的防御策略。
在多轮强化学习（RL）中，自定义奖励函数决定了模型真正学到的内容。一个细微的错误奖励可能在训练曲线看似健康的同时，悄悄教会模型错误的行为。设计一个在多轮、智能体任务中稳健的奖励函数，是定制Amazon Nova模型最困难的部分之一。 Amazon Nova Forge通过其自带编排（BYOO）能力，让你在自己的环境中运行奖励逻辑。你可以专注于定义什么是好的结果，而Nova Forge则协调 rollout、消息传递和跨轮对话状态。此外，Nova Forge还提供了无服务器多轮RL选项（现已全面可用），适合不想管理环境的团队。本文采用BYOO路径。 Amazon Nova提供多种定制方法，其中强化微调（RFT）尤为突出，因为它可以通过迭代反馈教会模型你想要的行为。与监督微调（SFT）不同，RFT不要求带有注释推理路径的精选示例，而是从模型自身输出的评估信号中学习。多轮RFT将其扩展到在一系列步骤中行动的智能体，例如调用工具、执行代码或从错误中恢复。它优化整个轨迹的累积奖励，而不是评估单个响应。 RFT的核心是奖励函数：指导模型的评分机制，也是你设计的部分。研究表明，RL在分布外（OOD）泛化方面优于SFT，但前提是奖励设计得当。 本文聚焦于奖励函数本身：如何设计一个复合多轮奖励，让组相对策略优化（GRPO）能够学习。文章还展示了如何在奖励中安全地执行模型生成的代码，以及为什么对每个组件进行监控，以便你信任训练所学。第一部分涵盖了Amazon SageMaker HyperPod和Nova Forge基础设施。最后，我们总结了可能悄悄破坏奖励的陷阱，这些陷阱来自一次真实运行，其中权重最高的组件默默贡献了零学习信号。 ## 关键要点 - **奖励设计是RFT的核心**：奖励函数决定了模型的学习方向，必须精心设计。 - **BYOO提供灵活性**：在自有环境运行奖励逻辑，便于集成现有代码和工具。 - **安全执行模型代码**：在奖励中执行模型生成的代码需谨慎，防止安全风险。 - **监控每个组件**：通过监控，确保每个奖励组件都提供有效的学习信号。 ## 陷阱与建议 在一次真实训练中，权重最高的奖励组件没有提供任何学习信号，导致模型未按预期优化。因此，建议对每个奖励组件进行单独监控，并定期检查其分布，确保它们仍在提供有效反馈。此外，奖励设计应避免过度稀疏或过于复杂，以免训练不稳定。 ## 结论 多轮强化学习的奖励函数设计需要深思熟虑，结合领域知识、安全考虑和持续监控。Amazon Nova Forge提供了强大的工具，但真正的挑战在于如何定义“好”的结果。通过本文的指导，你可以避免常见陷阱，让模型真正学到有价值的行为。
OpenAI 近日为 ChatGPT Mac 应用推出了名为 **Computer History** 的新功能，该功能能够记录用户在 Mac 上使用的应用和访问的网站，并生成一条活动时间线。用户可以将这些活动整合到与 ChatGPT 或 Codex 的对话中，从而提升工作效率。然而，这一功能也引发了关于隐私的担忧。 ## 功能亮点 Computer History 是一个**可选开启**的功能，目前仅向 **Pro、Business 和 Enterprise** 用户开放。它通过记录用户与应用和网站的交互（而非截屏）来构建时间线，相比之前的 Chronicle 功能，它消耗更少的 token，并提供更多的隐私控制选项。用户可以利用时间线询问近期工作、续接未完成的任务，甚至将工作流程转化为新技能。 ## 隐私考量 与 Chronicle 不同，Computer History **不会截取屏幕、麦克风输入或系统音频**，这在一定程度上减轻了隐私风险。但该功能仍然会收集用户的活动数据，这可能让隐私敏感的用户感到不安。OpenAI 表示，该功能默认关闭，用户可自行决定是否开启，并且提供了相应的控制选项。 ## 可用性与未来 Computer History 正在全球大部分地区逐步推出，英国、瑞士和欧洲经济区将在未来几周内获得访问权限。值得注意的是，ZDNET 的母公司 Ziff Davis 曾对 OpenAI 提起诉讼，指控其在训练 AI 系统时侵犯版权，这或许会引发对数据使用的进一步讨论。 总体而言，Computer History 是一项增强生产力的工具，但用户在使用前应权衡其带来的便利与潜在的隐私影响。
戴尔新款XPS 13的发布，目标直指MacBook Neo，试图在平价市场掀起波澜。这款笔记本在工艺、屏幕和续航上表现出色，但内存和接口的妥协也让人纠结。本文将从多个维度剖析这款产品，看看它是否真的能撼动Neo的地位，并为Windows阵营扳回一城。 ## 工艺与设计：越级质感 戴尔XPS 13最令人印象深刻的地方，在于其**做工品质**。在这个价位段，你很难找到另一款笔记本能与之匹敌。机身采用铝合金材质，手感细腻，整体结构非常扎实，开合屏幕时阻尼适中，给人一种高端商务本的错觉。**轻薄程度**也控制得相当出色，无论是放入背包还是拿在手中，都不会成为负担。 ## 屏幕与续航：超出预期的表现 屏幕是XPS 13的另一大亮点。尽管定位平价，但它的**显示效果**却远超同价位产品，色彩准确，亮度充足，边框控制也相当到位，视觉沉浸感很强。**续航能力**同样令人满意，在轻度办公场景下，可以轻松支撑一整天，这对于经常移动办公的用户来说，无疑是个加分项。 ## 性能与妥协：内存与接口的取舍 当然，XPS 13并非没有短板。**8GB内存**在如今多任务和浏览器多标签场景下，显得有些捉襟见肘，重度用户可能会频繁遇到卡顿。此外，**仅有的两个USB-C接口**也限制了扩展性，意味着你几乎必须依赖扩展坞或蓝牙外设。这些妥协，或许是戴尔为了控制成本而做出的取舍。 ## 与Neo的竞争：谁更胜一筹？ 回到最初的问题：XPS 13能否击败MacBook Neo？答案并非绝对。Neo在生态和某些专业应用上仍有优势，但XPS 13在**性价比**和**Windows生态**上更胜一筹。对于预算有限、且偏爱Windows系统的用户来说，XPS 13无疑是一个极具吸引力的选择。 ## 小结 戴尔XPS 13以出色的工艺和屏幕，重新定义了平价笔记本的基准。尽管内存和接口的短板不容忽视，但它在核心体验上的优势，足以让它成为Windows阵营中值得考虑的选项。如果你能接受这些妥协，它或许就是你一直在寻找的那款笔记本。
在构建智能体工作流时，一个常见的挑战是如何在同一个系统中混合使用托管基础模型（FM）和自有的成本优化或领域特定模型，而无需重写整个智能体框架。本文介绍如何将 Amazon SageMaker AI 上的 OpenAI 兼容端点与 Amazon Bedrock AgentCore 运行时相结合，实现多智能体协作，其中每个专业智能体使用最适合其任务的模型。 ## 架构概览 该架构通过一个 Amazon Bedrock AgentCore 容器连接三条模型托管路径： - **编排智能体**（Bedrock 上的 Claude Haiku 4.5）：负责分类用户意图，并通过全局跨区域推理路由任务。 - **预算智能体**（Bedrock 上的 Claude Sonnet 4.6）：处理 50/30/20 预算分解，使用结构化 Pydantic 输出。 - **财务分析智能体**（SageMaker AI 上的 Qwen 3.5 9B）：执行股票分析和投资组合构建，支持工具调用。 用户请求进入运行在 Bedrock AgentCore 运行时内的编排智能体。编排智能体采用 Strands Agents 的“智能体即工具”模式，将请求路由至预算智能体或财务分析智能体。两个专业智能体分别调用各自的模型：预算智能体通过 Amazon Bedrock 调用 Claude Sonnet 4.6，财务分析智能体通过 SageMaker AI 实时端点（使用 OpenAI 兼容 API）调用 Qwen 3.5 9B。结果流经编排智能体返回给用户。 ## 集成细节 关键在于集成机制，尤其是如何从 SageMaker 端点获取令牌级可观测性，因为 Strands 默认不提供这一功能。通过结合 SageMaker AI 和 Bedrock AgentCore，您可以在一个生产就绪的架构中实现成本优化、数据驻留和模型灵活性。 ## 前置条件 开始之前，您需要具备以下条件： - 一个 AWS 账户，并具有创建 SageMaker 端点和 Bedrock AgentCore 资源的权限。 - 已部署 Qwen 3.5 9B 模型到 SageMaker AI，并获取 OpenAI 兼容端点的 URL。 - 熟悉 Strands Agents 框架的基本概念。 完整源代码请参阅随附的 GitHub 仓库。 ## 总结 通过这种组合，您可以在不牺牲性能的前提下，利用 SageMaker 上部署的专用模型（如 Qwen）与 Bedrock 上的托管模型（如 Claude）协同工作。该方案特别适合需要数据驻留或成本优化的场景，同时保持了智能体编排的灵活性。
本周，Meta 发布了 Glimmer，一个开放权重的 AI 模型，任何人都可以下载并在自己的硬件上运行。这与该公司更强大的模型 Muse Spark 形成鲜明对比，后者仍被锁在其 API 后面。与此同时，马克·扎克伯格发表了一封公开信，主张 AI 应该“为每个人”服务，而不是由少数实验室控制。然而，这一举动在行业内外引发了广泛讨论：这究竟是真正的开放承诺，还是一种战略姿态？ ## 开放与封闭的博弈 Meta 此次发布 Glimmer，显然是在走一条不同于 OpenAI 和 Google 的路线。OpenAI 的 GPT-4 和 Google 的 Gemini 均以 API 为主要分发方式，模型权重不公开，开发者只能通过付费接口使用。而 Meta 则延续了其 LLaMA 系列的开源策略，试图通过开放权重吸引开发者社区。 但这种开放并非毫无保留。Glimmer 的规模和能力远不及 Muse Spark，后者在图像生成、多模态理解等任务上表现更优，但仅通过 Meta 的 API 提供。这种“分层开放”策略不禁让人质疑：Meta 是否真的想让最先进的 AI 技术惠及所有人，还是仅仅开放那些不足以威胁其商业利益的模型？ ## 扎克伯格的“人人可用”叙事 扎克伯格在公开信中强调，AI 不应被少数实验室垄断，而应成为像互联网一样的公共资源。这一叙事听起来颇为理想主义，但结合 Meta 的商业布局，不难看出其背后的战略考量。通过开放较小的模型，Meta 可以吸引更多开发者使用其生态系统，进而收集反馈、扩大影响力，同时将最强大的模型保留在自家平台，以维持竞争优势。 此外，开放权重模型也有助于 Meta 在 AI 监管讨论中占据道德高地。当各国政府正在考虑对 AI 进行严格监管时，Meta 可以以“开源先锋”的形象出现，从而影响政策走向，避免对自己不利的法规出台。 ## 行业反应与未来展望 对于 Meta 的举措，行业反应不一。一些开发者欢迎 Glimmer 的发布，认为它为中小企业和个人研究者提供了更多选择；而另一些人则指出，真正的开放应当包括最先进的模型，否则只是“伪开源”。 值得注意的是，Meta 并非唯一采取这种策略的公司。Mistral AI 等初创公司也在走类似路线，发布开源模型的同时，将更强大的版本商业化。这表明，在 AI 领域，“开放”与“封闭”的界限正在变得模糊，企业往往根据商业利益灵活调整。 未来，AI 的“人人可用”或许不只是一个口号，而是一个需要持续博弈的过程。无论扎克伯格是否真心相信，Meta 的这次发布都将在一定程度上推动行业对开放与封闭的讨论，而最终受益的，可能是那些希望以更低成本使用 AI 技术的开发者与用户。 不过，我们仍需谨慎观察，Meta 后续是否会开放更多模型，以及其开放策略是否真的能促进创新，而非仅仅是商业布局的一部分。毕竟，在商业世界里，理想主义往往与利益交织，而真相往往藏在细节之中。
蒂姆·奥莱利（Tim O'Reilly）以其“创造的价值应大于捕获的价值”这一准则闻名，如今他将这一标准应用于AI领域，主张开源AI应成为大众的福音。在接受采访时，奥莱利直言，大型AI实验室“对未来的解读是错误的”，它们执着于打造最大、最强的模型，却忽视了用户真正需要的定制化和参与感。 奥莱利强调，开源AI不仅仅是开放权重，而是整个系统架构的开放，包括模型、工具链和应用层的分离，以赋予设计者和用户更多控制权。他批评当前大厂构建的是“控制架构”而非“自由与参与架构”，这使用户被追踪和锁定。尽管这与大公司的利益相悖，但奥莱利认为这并非正确的战略决策。他指出，最新模型并非在所有场景都更优，开源模型在特定领域可能更胜一筹。 奥莱利将AI视为一种新的创意媒介，并积极使用，甚至开设博客记录与AI的对话。他与记者就AI在原创内容创作中的作用产生分歧，但未在文中透露具体立场。奥莱利的观点引发了关于AI发展方向的深刻讨论：我们究竟需要的是垄断式的智能服务，还是开放、可参与的AI生态？
AI推理速度的竞赛正在升温，而法国初创公司Kog却认为，传统GPU的潜力远未被充分挖掘。该公司在5月通过技术预览登上了Hacker News首页，展示了在标准数据中心GPU（如AMD MI300X和Nvidia H200）上实现极快单请求解码的可能性。尽管一些人对其未扩展到笔记本电脑GPU感到失望，但Kog的承诺——通过软件优化在现有硬件上解锁新能力——吸引了大量关注。CEO Gaël Delalleau透露，他们获得了200个切实的商业线索，并预计软件工程将是首个应用场景。Kog的目标客户是那些因推理延迟而困扰的专业用户，例如Claude Code的资深用户。此外，Kog还拥有设计合作伙伴，他们通过提示生成游戏和应用，更快的推理速度意味着更多收入。Kog意识到市场尚未成熟，客户不愿微调小型模型，因此专注于加速更大模型的发展。尽管其演示展示了每秒3000个token的惊人速度，但使用的是仅20亿参数的定制模型Laneformer 2B。Delalleau坚信，同样的方法也适用于大型语言模型，并认为GPU仍有光明未来。Kog并非唯一持此观点的公司，但它的软件优化路径为行业提供了新的思考方向。
最近，美国AI巨头OpenAI和Anthropic相继下调模型价格，以应对来自中国AI企业的竞争压力。这一动向标志着全球AI产业进入新一轮竞争阶段，价格战成为焦点。 ## 降价潮的背景 随着中国AI企业如DeepSeek、月之暗面等推出性能强大且价格低廉的模型，美国AI公司感受到了前所未有的挑战。这些中国企业的崛起不仅威胁到美国在AI领域的技术领先地位，也对其万亿级市场野心构成直接冲击。 ## 美国巨头的应对策略 OpenAI和Anthropic选择通过降低模型使用成本来保持竞争力。例如，OpenAI近期推出的GPT-4o mini就以极低的价格提供接近GPT-4的性能，而Anthropic的Claude系列也推出了更经济实惠的版本。这些举措旨在吸引更多开发者和小型企业用户，巩固其市场份额。 ## 行业影响与未来展望 价格战虽然短期内有利于消费者，但也可能压缩AI公司的利润空间，影响其在研发上的持续投入。长期来看，竞争将推动技术创新，但如何平衡成本与质量仍是关键。此外，中国AI企业的崛起也促使美国公司更加重视开源策略和本地化服务。 总体而言，这场价格战反映了全球AI产业格局的变化，美国公司正积极调整战略以应对来自东方的挑战，而最终受益的可能是整个AI生态系统的用户。
近年来，亚马逊、谷歌、Meta和微软等超大规模云厂商在收购风电和太阳能项目后，正押注天然气为其AI数据中心供电。然而，能源研究公司Noreva的最新报告指出，未来几年美国部分地区天然气价格可能上涨两倍，这将给这些云厂商带来巨额电费账单。 ## 天然气价格飙升风险 Noreva预测，随着超大规模云厂商的需求与供应增长放缓及液化天然气出口增加相冲突，美国部分枢纽的天然气价格可能飙升至每百万英热单位10美元以上。目前，价格范围约为2至4.5美元，亨利枢纽价格接近3美元。Noreva首席执行官Peter Gardett表示，能源市场普遍存在天然气价格不会上涨的错觉，但简单的算术就能得出未来市场将趋紧的结论。 ## 云厂商的豪赌 廉价天然气促使云厂商锁定部分市场。3月，Meta宣布在路易斯安那州建设7.5吉瓦的天然气发电厂，为其Hyperion数据中心供电；微软和谷歌也分别在得克萨斯州建设吉瓦级天然气发电厂；亚马逊则计划在得克萨斯州建设7.6吉瓦的天然气发电厂。这些公司历来回避大规模资本支出，如今却因数据中心建设热潮而大力投资实体资产，并深入能源市场。Gardett称，至少一位投资者对云厂商承担的天然气价格风险感到惊讶，认为他们的做法对于承购商而言并不寻常。 ## 成本影响与不确定性 燃料约占大型电厂电力成本的一半，因此天然气价格翻倍或三倍将使“自带电力”的AI数据中心运营成本大幅上升，可能推高代币成本，或促使云厂商接入电网，推高电价。尽管远期合约显示短期内价格稳定，但Gardett认为长期风险不容忽视。未来，云厂商或将面临能源成本压力，需重新评估其能源战略。
本周，Meta 发布了 Glimmer，一款任何人都能下载并运行在自己硬件上的开放权重 AI 模型，这与公司更强大的、仅通过自家 API 提供的 Muse Spark 模型形成鲜明对比。该发布伴随着马克·扎克伯格的一封信，信中主张 AI 应该“面向所有人”，而不是由少数实验室控制。然而，正如 Equity 节目所指出的，这一“开放”姿态背后，却有一笔高达 2500 万美元的交易以极其糟糕的方式告终，引发了行业对 Meta 战略一致性的质疑。 ## 开放与封闭的双轨策略 Meta 在 AI 模型上的策略似乎越来越分化：一方面，通过发布像 Glimmer 这样的开放权重模型，吸引开发者社区，推动 AI 民主化；另一方面，将更强大的 Muse Spark 模型保留在自家 API 之后，用于商业化和产品集成。这种双轨策略并非 Meta 独有，但扎克伯格的信件却试图将“开放”包装成一种道德立场，这与其实际行为形成了微妙的反差。 ## 2500万美元的交易风波 据悉，这笔 2500 万美元的交易原本可能是 Meta 在 AI 领域的一次重要布局，但最终却以“非常糟糕”的方式收场。尽管具体细节尚未完全披露，但这一事件暴露了 Meta 在合作伙伴关系管理上的潜在问题，也引发了外界对其商业决策透明度的担忧。 ## 行业影响与反思 Meta 的“开放”口号与实际行动之间的差距，在 AI 行业中并不罕见。许多公司都在“开放”与“控制”之间寻找平衡，但 Meta 的举动却因其规模和市场地位而备受关注。扎克伯格的信件试图将 AI 的未来描绘成由社区驱动的图景，但现实中的商业利益和竞争压力往往使这种理想化叙事难以完全兑现。 对于开发者而言，Glimmer 的发布无疑提供了更多选择，但 Muse Spark 的封闭性也提醒他们，Meta 的“开放”是有边界的。这一事件也再次引发了对 AI 伦理和权力集中化的讨论：当少数科技巨头掌握着最先进的技术时，“开放”是否只是另一种形式的控制？ ## 小结 Meta 的 Glimmer 发布与其 2500 万美元交易的失败，共同描绘了 AI 行业在开放与封闭、理想与现实之间的复杂图景。尽管开放权重模型为创新提供了土壤，但商业利益和战略考量仍然主导着巨头的决策。未来，如何平衡这些矛盾，将是 Meta 及其他 AI 公司必须面对的挑战。
在 AI 工具日益云端化的今天，隐私与便捷似乎总是难以兼得。但一个新出现的开源项目 **HashAgent** 试图打破这种权衡——它允许用户将整个 AI 代理打包进一个 URL，并通过浏览器中的 **WebGPU** 技术完全在本地运行，无需任何服务器。 ## 一个链接，一个代理 HashAgent 的核心创意非常直接：**将 AI 代理的配置、提示词和逻辑编码进一个哈希 URL**。当接收者打开这个链接时，浏览器会解析 URL，并利用本地计算资源（通过 WebGPU 调用 GPU）来运行代理。这意味着，分享一个 AI 助手就像分享一个网页链接一样简单，但数据永远不会离开用户的设备。 ## 本地运行，隐私优先 与依赖云端 API 的 AI 服务不同，HashAgent 强调 **数据主权**。所有交互、上下文和推理过程都在本地设备上完成，避免了敏感信息上传至第三方服务器的风险。这对于处理机密文档、医疗记录或商业策略等场景尤为重要。此外，本地运行还意味着**零延迟**，无需等待网络往返，响应速度更快。 ## WebGPU：浏览器中的高性能计算 WebGPU 是现代浏览器提供的新一代图形和计算 API，它允许网页直接访问 GPU 资源。HashAgent 利用这一技术，使得在浏览器中运行小型或中等规模的 AI 模型成为可能。虽然 WebGPU 目前仍处于推广阶段，但主流浏览器（如 Chrome、Edge、Firefox）已陆续提供支持，这为 HashAgent 的可用性奠定了基础。 ## 局限与展望 当然，HashAgent 也有其局限性。**模型大小受限于浏览器内存和 GPU 性能**，因此它更适合轻量级任务，如文本生成、摘要或简单对话，而非训练大型模型。此外，URL 长度可能受到浏览器限制，复杂代理可能需要更长的链接。 尽管如此，HashAgent 代表了一种有趣的方向：**去中心化 AI 的轻量级实现**。它可能不会取代云端 AI 服务，但为隐私敏感场景提供了一种新的选择。随着 WebGPU 生态的成熟，我们或许会看到更多类似的项目涌现，让 AI 真正成为用户手中的工具，而非云端黑箱。 对于开发者而言，HashAgent 也展示了如何利用现代 Web 技术构建低门槛的 AI 应用。如果你对隐私和 AI 的结合感兴趣，不妨关注这个项目的进展。
在开源世界，定制自己的 Linux 发行版曾是资深开发者的“特权”，需要掌握复杂的构建工具链、依赖管理和打包规范。然而，AI 正在改变这一切。最近，我尝试了名为 **OpenFactory** 的 AI 工具，它让我在一夜之间就构建出了一个功能完整的 Linux 发行版——整个过程几乎不需要手动编写底层代码。 ## 从零到发行版：一次“魔法”般的体验 OpenFactory 的核心理念是“用自然语言描述你想要的操作系统”。你只需告诉它你的需求，例如“一个轻量级的桌面发行版，预装开发工具和 Chromium 浏览器”，它就会自动完成剩余的工作：选择基础包、配置内核、处理依赖关系，甚至生成安装镜像。 在我的测试中，OpenFactory 首先询问了几个关键问题，包括目标架构（x86_64）、桌面环境（Xfce）以及预装软件列表。随后，它开始从上游仓库拉取软件包，并以可视化方式展示构建进度。整个过程大约持续了 6 小时，比我手动构建快了数倍，而且几乎没有遇到常见的依赖冲突问题。 ## 背后的技术：AI 如何理解系统构建？ OpenFactory 的强大之处在于它结合了**大型语言模型**与**系统级知识库**。它不仅仅是一个自动化脚本，而是能够理解 Linux 发行版构建的逻辑，例如： - **包依赖解析**：AI 能自动识别软件包之间的依赖关系，并选择最合适的版本组合。 - **自定义配置**：根据用户需求，自动生成系统配置文件（如 `/etc/fstab`、`grub` 配置等）。 - **错误修复**：当构建过程中出现错误时，它会分析日志并自动调整策略，而不是简单地停止。 这种“智能试错”能力，让没有深厚 Linux 背景的用户也能创建出稳定可用的系统。 ## 对开发者和企业的意义 OpenFactory 的出现，可能让**定制化操作系统的门槛大幅降低**。对于企业而言，这意味着可以快速生成针对特定硬件或工作负载的专用系统，而无需依赖第三方发行版。对于个人开发者，它则是一个绝佳的实验平台——你可以在几小时内测试不同的软件组合，而不用担心破坏现有环境。 当然，它目前仍有局限：对非常规硬件架构的支持有限，且生成的系统在长期维护方面仍需人工介入。但不可否认，AI 正在把操作系统开发从“专家任务”变成“创意任务”。 ## 未来展望 随着 AI 工具的进化，我们可能很快就能看到“自适应操作系统”——系统会根据用户的使用习惯自动调整内核参数和软件包。OpenFactory 或许只是开始，但它已经证明了 AI 在系统构建领域的巨大潜力。如果你对 Linux 定制感兴趣，不妨尝试一下，你可能会惊讶于它的易用性。
一家名为 Joi AI 的公司最近进行了一项颇具争议的实验：雇佣10名“自慰顾问”，让他们在28天内使用AI伴侣进行自慰，并记录情绪和能量变化，以探索这一行为能否成为“AI引导的健康仪式”。这项研究旨在“解决男性孤独症”，但实验设计和伦理边界引发广泛讨论。 ## 实验细节：AI伴侣与日常自慰结合 参与者被要求每天自慰（周日除外），其中每周两次使用 Joi AI 的数字伴侣，其余时间可自行选择方式。每位顾问在前后记录心情、精力、欲望和拖延情况。38岁的印尼交易员 Keshav 表示，AI伴侣的视频通话体验逼真，“就像和真人聊天”，他可以定制角色，甚至触发特定场景，如飞机卫生间内的“高空俱乐部”幻想。 完成28天实验的6名参与者每人获得2000美元报酬。Joi AI 声称，这一实验是“有目的的自我愉悦”工具的一部分，结合“声音和仪式”，旨在缓解男性孤独感。 ## 行业背景：AI伴侣市场与伦理争议 Joi AI 的订阅费最低每月3.99美元，但用户往往花费更多，例如10,000个“Joi神经元”币售价99.99美元，私人视频另收费。公司调查了2500名成年人，发现75%的人通过自慰来减轻压力和焦虑。然而，将自慰与AI结合作为“健康仪式”的做法，引发了对伦理和科学性的质疑。 有专家指出，虽然自慰对放松有益，但将其包装成解决孤独感的方案，可能忽视了孤独的根本原因，如社交隔离或情感需求。AI伴侣的拟人化设计也可能加剧用户对虚拟关系的依赖，而非促进现实社交。 ## 前景与反思 Joi AI 的实验展示了AI在亲密关系领域的应用潜力，但也提醒我们，技术进步应谨慎对待，避免将复杂的人类情感简化为付费服务。随着AI伴侣市场扩大，如何平衡商业利益与社会责任，将是行业需要持续思考的问题。
在美国，人类与AI的婚姻并不被法律承认。然而，随着AI伴侣应用的普及，一些人开始寻求与聊天机器人结婚。尽管这类婚姻仍是少数现象，但已引起部分共和党州议员的关注，他们正推动立法以防止AI获得法律人格，从而禁止此类婚姻。这些立法努力与当年反对同性婚姻的论点有相似之处。 据哈佛商业评论的一项研究，2025年3月至2026年2月间，聊天机器人的主要用途是陪伴和治疗，而家庭研究学会的报告显示，四分之一的年轻人认为AI可能完全取代人类浪漫关系。AI恋爱产业因此蓬勃发展，在Character.AI、Kindroid和Replika等平台上，用户可以象征性地与聊天机器人交换誓言。甚至有人通过OpenVows等服务获得“承诺证书”，或举办现实中的婚礼仪式。 然而，并非所有人都对此持开放态度。密苏里州参议员乔·尼古拉等共和党议员正试图通过立法禁止AI获得法律人格，他们认为允许人与机器结婚会引发标准问题。这些努力反映了对AI伦理和社会规范的深层担忧。
DeepSeek 今日正式发布新一代旗舰模型 **DeepSeek-V4-Pro**，并同步调整 API 定价策略，引入**峰谷时段差异化计费**，谷时段价格较峰值时段降低 50%。新价格将于 **2026 年 8 月 16 日 16:00 UTC** 生效。 ## 模型升级：更强大的 Agent 能力 V4-Pro 的发布标志着 DeepSeek 在**智能体（Agent）能力**上的重大跨越。官方公告强调，新模型在生产环境中表现强劲，能够更好地支持复杂任务自动化。同时，V4-Pro 与 V4-Flash 均支持**灵活的推理强度调节**（reasoning effort）： - **低**：适用于简单任务，响应更快、成本更低； - **高**：适用于日常 Agent 工作流，平衡性能与效率； - **最大**：适用于复杂推理任务，充分释放模型潜力。 这种分级设计让开发者可以根据实际场景按需选择，避免资源浪费，也体现了大模型应用从“一刀切”向精细化运营的转变。 ## 原生支持 OpenAI Responses API 为了降低开发者迁移门槛，DeepSeek 宣布原生支持 **OpenAI Responses API**，并针对 **Codex** 进行了优化，提供**一键配置**功能。这意味着现有 OpenAI 用户能够以几乎零成本切换到 DeepSeek 平台，同时保留熟悉的接口体验。此举有望吸引更多海外开发者，进一步扩大 DeepSeek 的生态影响力。 ## 定价新规：峰谷计价，灵活调度 本次更新最引人注目的是**峰谷定价机制**。DeepSeek 将一天划分为高峰和低谷两个时段，**低谷时段价格仅为高峰时段的 50%**。这一策略在云计算领域并不新鲜（如 AWS 的 Spot 实例），但在大模型 API 服务中尚属少见。 对于**成本敏感型**用户（如批量数据处理、夜间训练任务），谷时段能显著降低开销；而对于**实时性要求高**的应用（如在线客服、交互式编程），则可能仍需要高峰时段。DeepSeek 鼓励开发者将非紧急任务调度至谷时段，以优化整体成本。 ## 行业视角：定价策略的博弈 DeepSeek 的峰谷定价并非孤立事件。随着大模型竞争进入白热化，各家厂商在降价与增值服务间不断探索。峰谷模式既能**提高资源利用率**，又能**吸引价格敏感的长尾用户**，可谓一石二鸟。但同时也对开发者的**任务调度能力**提出了更高要求——那些能够灵活迁移工作负载的团队将获得更大收益。 值得注意的是，V4-Pro 已同步上线**App 和 Web 端**，用户可通过“专家模式”体验。API 模型名称保持不变，开发者需查阅官方文档获取具体接入细节。 ## 小结 DeepSeek V4-Pro 的发布再次展示了其在**模型能力**与**商业化策略**上的双重进取。峰谷定价的引入，或将成为大模型 API 服务的新常态。对于开发者而言，现在或许是时候评估自身工作负载的弹性，以抓住这波降价红利。
据路透社报道，苹果已与阿里巴巴合作，为中国市场开发了一款定制AI大语言模型。这一罕见的跨境合作，发生在中美科技紧张关系加剧的背景下，也标志着苹果在华AI战略的重大转变。 ## 从“借力”到“自研” 此前，苹果在中国销售的设备上使用本土AI模型，因为ChatGPT等美国模型无法在中国使用。如今，苹果选择与阿里合作开发自有模型，意味着其将拥有更多产品控制权，在竞争激烈的中国智能手机市场占据更有利位置。 ## 监管与市场双重考量 中国规定AI模型在公开发布前必须向政府注册并通过审批。苹果上月已向中国网信办注册其设备端生成式AI服务，扫清了主要监管障碍。若进展顺利，苹果将成为首家获准在华提供专有AI模型的美国公司。 ## 苹果智能即将落地中国 消息人士称，苹果智能（Apple Intelligence）将在未来几个月内，随着iOS系统更新在中国上线。苹果官方未立即回应置评请求。 ## 行业影响 此次合作不仅帮助苹果应对复杂的监管环境，也为中美科技企业在AI领域的合作提供了新范例。随着全球AI竞争加剧，苹果与阿里的联手，或将为其他跨国科技公司提供参考。
**LoKiFormer 架构发布：预训练提速 1.33 倍，兼顾局部与全局知识** 近日，一项名为 LoKiFormer 的新研究在 arXiv 上公开，并被 ICML 2026 接收。该研究针对当前大语言模型（LLM）预训练效率低下的问题，提出了一种全新的架构设计，通过引入局部融合注意力（LFA）与知识记忆模块（KMM），在信息整合效率上实现了显著提升。实验显示，LoKiFormer 在预训练阶段的收敛速度比基线模型快 1.33 倍，为 LLM 的高效训练提供了新思路。 ## 现有 LLM 架构的两大瓶颈 尽管 LLM 在众多应用中表现卓越，但其预训练过程仍存在结构性缺陷。研究团队指出，两大问题尤为突出： - **自注意力缺乏局部归纳偏置**：自注意力机制在处理序列内部信息时，没有显式地偏向局部模式，导致对局部信息的冗余建模，浪费计算资源。 - **混合专家（MoE）中知识与计算耦合**：MoE 隐式地将知识存储与计算路径绑定，使得模型难以灵活访问序列外部的全局知识，限制了知识利用的灵活性。 ## LoKiFormer 的解决方案：双模块协同 针对上述问题，LoKiFormer 在标准解码器上增加了两个专用模块： - **局部融合注意力（LFA）**：该模块将卷积融合引入注意力机制，显式捕捉局部模式，使注意力能够作用于更具信息量的表示，从而减少对序列内部局部信息的冗余建模。 - **知识记忆模块（KMM）**：这是一个参数化的键值记忆系统，将全局知识显式存储在可寻址的槽位中，实现存储与计算解耦，支持直接的知识检索，增强了模型对全局知识的访问能力。 两个模块协同工作，使 LoKiFormer 能在局部与全局两个层面高效整合信息，兼顾效率与效果。 ## 实验验证与行业意义 研究团队在预训练任务上对 LoKiFormer 进行了评估，结果显示其收敛速度比基线模型快 1.33 倍，证实了架构设计的优越性。这一成果不仅为 LLM 预训练效率的提升提供了可行路径，也对当前追求更大规模模型与更低训练成本的行业趋势具有重要意义。随着模型规模持续扩大，训练效率成为关键瓶颈，LoKiFormer 的局部感知与知识解耦思路，或将为下一代高效 LLM 架构的设计提供重要参考。 不过，该研究目前仍处于论文阶段，其实际应用效果与扩展性尚待进一步验证。未来，团队或许会开源代码并公布更多实验细节，以推动该架构在业界的落地。
## 免费卫星数据如何预测喜马拉雅冰川湖溃决风险？ 一项新研究利用免费卫星数据，尝试预测喜马拉雅冰川湖溃决、滑坡和冰川洪水等灾害风险。该研究已提交至 arXiv（编号：2608.12422），由 Matthew Kahn 等人完成。研究团队发现，雷达干涉测量技术能够捕捉到冰碛坝的缓慢变形，而卫星气象数据则能揭示湖泊处于压力的时期。这两类信号分别回答了“哪个地点有风险”和“何时有风险”的问题。 ### 核心发现 研究聚焦于三种相关灾害：大型冰碛坝和冰坝溃决、降雨引发的滑坡，以及冰川上或周边的池塘洪水。每种灾害都对应两个问题：地点和时间。利用 HMAGLOFDB 数据库中的 **589 起冰湖溃决事件** 和数千起滑坡记录，研究者将每个事件与相似但未发生灾害的地点进行匹配，并采用严格的空间交叉验证方法，确保模型不会因识别训练过的邻近区域而“作弊”。 结果显示，**前期天气状况** 在预测触发时间方面表现出色：大型溃决的 ROC 值为 **0.73**，滑坡为 **0.83**，小型洪水为 **0.82**。然而，地形在预测地点方面的能力有限：虽然简单评分看似接近 0.9，但考虑到已记录灾害多集中在湿润地区，与邻近相似地点对比后，真实值仅为 **0.76**（大型溃决）、**0.71**（滑坡）和 **0.54**（小型洪水，与随机猜测无异）。不过，在尼泊尔境内，大型溃决的预测准确率提升至 **0.89**。 ### 模型对比与局限 研究还比较了五种深度学习模型与简单梯度提升基线模型的表现。结果发现，深度学习模型并未显著优于基线，仅在滑坡预测上略有优势，但差异不足以确认。对于湖泊灾害，基线模型完全胜出，其决策规则可简化为基于地形粗糙度和季风降雨的三条规则。 研究团队强调，他们提供的是 **尼泊尔排名观察清单**，作为优先级排序的辅助工具，而非精确预测。同时，他们也指出了免费数据在预测中的局限性。 ### 意义与展望 这项研究展示了免费卫星数据在灾害预警中的潜力，尤其是在数据稀缺的喜马拉雅地区。尽管模型精度仍有提升空间，但该方法为资源有限地区的灾害风险管理提供了新思路。未来，结合更高分辨率的数据或更先进的模型，可能进一步提高预测能力。
Transformer 凭借随上下文长度增长的 token 级记忆，在长上下文检索任务中表现卓越，但代价是训练时的二次计算复杂度和推理时线性增长的 KV 缓存。循环神经网络（RNN）类模型通过将全部历史压缩为固定大小的状态来实现高效解码，却常在需要精确回忆的任务中败下阵来——早期信息往往被后续更新覆盖，模型只记得最近的内容。 针对这一矛盾，来自清华大学、上海交通大学等机构的研究者提出了 **MARCH（Memory-Anchor Routing across Context History）** 架构，在保持循环模型高效推理的同时，让记忆容量能随上下文长度灵活扩展。其核心思想是：**周期性将累积的循环状态检查点保存为“状态锚点”，并为每个锚点生成一个紧凑的内容相关键（anchor key）**。这样，模型就拥有一个可增长的内存库，用户可以在历史分辨率和内存开销之间进行可控的权衡。 具体而言，在每个时间步，MARCH 会生成一个锚点查询（anchor query），对所有因果可用的状态锚点进行注意力聚合，输出则是对所有历史锚点沿当前状态进行注意力式加权求和的结果。这种设计让模型在保留循环计算路径的同时，能够直接“回看”较早的状态锚点，从而缓解信息覆盖问题。 实验结果显示，在标准预训练后，MARCH 在常识推理、LongBench 和上下文检索等多个基准上**一致优于多种线性注意力变体**。这表明，内容路由的状态缓存能显著增强循环模型的长程记忆能力，同时不破坏其固有的高效计算路径。 这项研究的价值在于，它提供了一种新的思路来平衡效率与性能：既不像 Transformer 那样完全依赖随长度增长的显式记忆，也不像传统 RNN 那样将记忆压缩到固定大小，而是通过锚点机制实现一种“可扩展的循环记忆”。这对于长文本处理、多轮对话、代码生成等需要长程依赖的应用场景，可能带来更实用的解决方案。 当然，该工作目前仍处于 arXiv 预印本阶段，其实际效果和可扩展性尚需进一步验证。但 MARCH 所展示的方向——在循环架构中引入内容寻址的记忆缓存——无疑为高效长上下文建模提供了新的可能。