近期，一项来自 arXiv 的新研究提出了一种名为 **前向传播仅 MLP 训练（Forward-Pass-Only MLP training, FPO）** 的方法，旨在在不通过模型主体进行反向传播的情况下适配大型语言模型（LLM）。该方法宣称能实现 **2.7 至 3.2 倍**的标准微调吞吐量，同时峰值训练内存减少约 **40%**，并在领域外基准测试中保持与基线相当的种子噪声水平，这一特性是完整网络微调所无法可靠复现的。 ## 核心观察：输出层误差近似真实梯度 FPO 方法建立在一个经验观察之上：在 Transformer 的后期层中，输出层的预测误差与真实梯度的余弦相似度在 0.47 至 0.59 之间（基于六个公开模型的调查）。这意味着，模型后期层的梯度可以通过输出层的误差信号来近似，而无需进行完整的反向传播。 为了利用这一特性，研究者引入了一个 **两分钟的诊断工具**，可以量化每一层的这种近似程度，从而确定哪些层适合进行后期层适配。基于该诊断，FPO 仅计算一次输出误差信号，并将其应用于每个目标层，不进行层间信号传播，也不构建任何自动微分图。 ## 实验评估：性能与效率的平衡 研究者在三个模型家族上评估了 FPO：**OLMo-2-7B、Qwen3-8B 和 Falcon3-7B**。实验结果显示，FPO 在领域内困惑度上均有改善，同时在 **MMLU、ARC-Challenge、HellaSwag 和 Winogrande** 等基准测试中保持与基线相当的种子噪声水平。此外，将标准监督微调（SFT）定位到 FPO 的目标层也能达到类似效果，但墙钟时间成本是 FPO 的 **2.2 倍**。 ## 意义与展望 这项研究为大模型的高效适配提供了新的思路。传统的全网络微调计算成本高昂，而 FPO 通过避免反向传播，显著降低了计算和内存开销，同时保持模型性能。这对于资源受限的场景尤为重要，例如在边缘设备上部署或快速迭代模型。 然而，该方法的适用性可能局限于后期层，对于需要深层特征调整的任务，其效果仍需进一步验证。此外，诊断工具的实用性也依赖于模型架构的多样性。未来，研究者可以探索将 FPO 与其他参数高效微调技术（如 LoRA）相结合，以进一步提升效率。 总体而言，FPO 展示了在保持模型性能的同时大幅提升训练效率的可能性，为大模型的应用开辟了新的路径。
智能手机存储空间，你真的需要那么多吗？制造商在销售手机时赚一笔，在云存储服务上又赚一笔。本文教你如何用美元而非GB来思考存储成本，避免浪费钱。 ## 存储空间：制造商的“二次盈利”陷阱 现代智能手机是完美的“增销”工具，制造商可以**双重获利**：一次是销售手机，另一次是后续的云存储服务。焊死的存储芯片加上大多数手机取消了microSD卡槽，使得消费者容易产生存储焦虑，从而诱导购买更高配置的版本或订阅云服务。 ## 用美元思考，而不是GB 存储空间的真正成本应该用**美元/GB**来衡量，而不是单纯看GB数。例如，一部手机从256GB升级到512GB可能需要多付100美元，但如果你实际用不到那么多空间，这笔钱就白花了。相反，如果你需要大量存储，购买云存储服务可能更划算。 ## GB的实际价值：比你想象的要小 很多人高估了自己对存储的需求。一张照片大约5MB，一首歌约10MB，一个App约100MB。**1GB可以存储约200张照片或100首歌曲**。除非你拍摄大量4K视频或安装超大型游戏，否则128GB通常足够日常使用。 ## 更好的存储管理策略 - **定期清理**：删除不常用的应用和重复的照片。 - **使用云存储的免费层**：如Google Photos（15GB免费）、iCloud（5GB免费）等，合理利用免费额度。 - **流媒体而非下载**：音乐和视频优先使用流媒体服务，减少本地存储占用。 - **购买前评估真实需求**：回顾过去一年的存储使用情况，再决定购买多大容量。 ## 总结：把钱花在刀刃上 不要被制造商的营销策略牵着走。**以美元为单位计算存储成本**，并理性评估自己的使用习惯，才能避免为不需要的存储空间买单。记住，存储空间是为你服务的，而不是让你焦虑的。
**Anthropic 的年化收入再次刷新纪录，突破 650 亿美元大关，增速之快令市场侧目。** 据彭博社周一报道，截至 7 月底，这家 AI 模型制造商的年化收入运行率已超过 650 亿美元，较 5 月的 470 亿美元大幅增长，而去年年底这一数字仅为 90 亿美元。年化收入运行率是一种基于近期较短时期数据推算全年收入的指标，其大幅跃升凸显了 Anthropic 商业化的迅猛势头。 尽管 Anthropic 尚未对置评请求作出回应，但据英国《金融时报》报道，其投资方预计公司今年剩余时间将保持相近增速，全年收入有望达到 **1000 亿至 1200 亿美元**。与此同时，竞争对手 OpenAI 的收入也实现翻倍，从 2025 年底的 200 亿美元增至 400 亿美元（彭博社上周报道）。虽然两家公司在收入计算方式上可能存在差异，但 Anthropic 的增长速度显然更令投资者着迷。 ## 上市在即，估值或创纪录 两家公司均已秘密提交 IPO 文件，而 Anthropic 预计将先于 OpenAI 登陆公开市场，最早可能在今年秋季。据《金融时报》报道，Anthropic 寻求的公开估值将达 **2 万亿美元或更高**，这将是史上规模最大的上市交易。此前，Anthropic 在 5 月底完成一轮 650 亿美元的融资时，估值已达 9650 亿美元。 ## 行业影响与展望 Anthropic 的爆发式增长不仅反映了 AI 市场的巨大需求，也预示着行业竞争格局的深刻变化。其高估值和高增长可能吸引更多资本涌入 AI 赛道，同时也给竞争对手带来压力。对于投资者而言，Anthropic 的 IPO 将是一个关键观察窗口，其市场表现或将定义 AI 时代的估值基准。 随着 AI 商业化进程加速，Anthropic 能否维持这一增速、OpenAI 又将如何应对，都是未来数月值得关注的焦点。
**AI 自动化初创公司 Relay 宣布关闭，其创始人兼 CEO Jacob Bank 将重返谷歌，担任 Chrome 浏览器产品副总裁，部分员工也将加入 Chrome 团队。** Relay 成立于 2021 年，曾被视为“新 Zapier”，旨在通过 AI 驱动的自动化工具帮助企业简化重复性工作，如文档起草、校对和项目管理。然而，该公司于 7 月首次宣布关闭，免费用户已于 8 月 15 日失去访问权限，付费用户的服务将在 9 月 14 日终止。 Jacob Bank 在 X 上表示：“我整个职业生涯都在做一件事：构建帮助人们利用 AI 提高效率的工具，同时不牺牲个人创造力和洞察力。加入 Chrome 团队是将这些经验带给更多人的理想机会。”他还透露，团队在 Chrome 中集成 AI 有“雄心勃勃的计划”，未来将分享更多细节。 Bank 的职业生涯始于谷歌，2015 年其创立的日程应用 Timeful 被谷歌收购后，他加入谷歌，曾负责 Gmail、Google Calendar 和 Google Chat 的产品工作。离开谷歌后，他创立了 Relay。如今，他重返谷歌，将领导 Chrome 的产品和开发者关系团队。 这一动向是谷歌持续将 AI 融入用户体验的又一例证。此前，谷歌已将 Gemini 集成到搜索和 Chrome 浏览器中，作为可选的浏览器内助手。近期谷歌报告称，Gemini 用户已突破 10 亿，显示出用户对 AI 集成的积极反馈。 **尽管 Relay 的关闭令人遗憾，但其团队加入谷歌，特别是 Chrome 部门，预示着 AI 与浏览器深度融合的未来。** 正如 Bank 所言，Chrome 是“与代理协作的理想场所”。此举可能会加速 AI 在日常工作流中的普及，为用户带来更智能的浏览和任务处理体验。 对于 Relay 的现有用户，建议尽快迁移数据并寻找替代方案。而行业观察者则关注谷歌如何将 AI 代理嵌入 Chrome，这或将成为浏览器竞争的新焦点。
一家由前SpaceX工程师创立的初创公司，正在开发一种全新的机器人工厂，旨在自动化生产钢铁部件。该公司的核心理念并非追求全自动化，而是强调人机协作与灵活制造，这一思路在制造业中引发了广泛关注。 ## 从航天到制造：技术迁移的必然 这些工程师曾参与SpaceX的火箭制造项目，深知传统制造业的痛点：工序复杂、人工依赖度高、效率瓶颈明显。他们将航天领域积累的精密制造与自动化经验，引入到通用钢铁部件的生产中，试图打造一个能够快速适应不同订单的柔性制造系统。 ## 核心设计：不追求“无人化” 与许多追求“黑灯工厂”的企业不同，这家公司明确表示：“我们并非教条地追求全自动化。”其机器人系统更注重与人类工人的协同——机器人负责高强度、重复性的工作，而人类则专注于需要判断力和灵活性的环节。这种务实的设计理念，既降低了技术落地难度，也保留了应对复杂工况的弹性。 ## 行业影响与挑战 钢铁部件制造业长期面临劳动力短缺和成本压力，自动化升级已成为行业共识。然而，传统工业机器人的编程复杂、部署周期长，难以适应中小批量订单。该团队的方案若成功，可能为行业提供一种新的范式。不过，目前项目仍处于早期阶段，具体的技术细节和商业化时间表尚未公开。 ## 小结 前SpaceX工程师的跨界创业，反映了高端制造技术向通用工业领域渗透的趋势。其“人机协作”的务实路线，或许正是自动化落地的最优解之一。未来，这一模式能否大规模复制，值得持续关注。
根据Salesforce最新发布的《2026年Agentic Enterprise Index》报告，企业级AI代理的采用率在过去一年中激增。报告显示，平均每家企业活跃的AI代理数量从5个增至13个，几乎翻了三倍，而创建时间缩短了53%，平均只需1.9天即可创建一个代理。同时，AI代理的能力提升了350%，能够处理更复杂的任务。员工每周发起的代理会话数量自2025年2月以来也增长了三倍，表明信任度显著提升。 报告基于对400家实际使用AI代理驱动ROI的企业连续五个季度的数据，以及对九个关键市场近5000名受访者的调查。数据显示，消费者导向型行业（如零售和旅游）在部署速度和整体使用上领先，尤其在假日等高峰需求季节。而受监管行业（如金融、医疗）采用速度较慢，但所使用的代理往往更为复杂。Salesforce将代理完成的工作单元称为“Agentic Work Units”（AWUs），受监管行业的AWU占比虽低，但每个代理的智能化程度更高。 企业AI代理已从实验性测试转向快速、生产级部署。这一趋势表明，AI代理正在从概念验证走向实际业务价值。Salesforce的报告强调，不同行业正在找到最适合自身业务需求的策略，而可衡量的ROI是推动进一步采用的关键。
近期，一则关于亚马逊的新闻在科技圈引起轩然大波：通过隐藏在书籍中的AirTag追踪，发现亚马逊正将大量珍稀书籍销毁，用于训练人工智能模型。这一行为不仅引发了环保和文化遗产保护者的强烈抗议，也让人们开始审视AI发展背后的资源消耗问题。 ## 事件背景 据爆料，亚马逊的一个团队以霸王龙准备吞噬书籍作为标志，这一极具象征意义的图标似乎暗示了其行为本质。通过AirTag的定位信息，追踪者发现这些书籍并非被妥善保管或转售，而是被直接送入碎纸机或焚烧炉。这些书籍中不乏具有历史、艺术或学术价值的稀有版本，它们的消失意味着不可逆的文化损失。 ## AI训练的资源代价 训练大型语言模型需要海量文本数据，而书籍作为高质量文本的重要来源，自然成为科技公司的目标。然而，亚马逊此次的做法却引发了广泛质疑：为何要销毁而非数字化？有分析指出，这可能与版权问题有关——将实体书销毁可以避免版权纠纷，同时又能“合理”使用其内容。但这种做法显然忽视了书籍作为文化遗产的珍贵性。 ## 行业影响与反思 这一事件折射出AI产业在数据获取上的“灰色地带”。此前，谷歌、Meta等公司也曾因未经授权使用受版权保护的书籍训练模型而遭到诉讼。亚马逊的行为若属实，将可能面临法律和道德的双重压力。环保组织指出，大规模销毁书籍不仅浪费资源，还加剧了森林砍伐和碳排放。而文化遗产保护者则呼吁，科技公司应寻求更可持续、更尊重知识产权的数据获取方式。 ## 未来展望 目前，亚马逊尚未对此事做出官方回应。但这一事件无疑为AI行业敲响了警钟：技术进步不应以牺牲文化传承和环境为代价。未来，如何在数据需求与伦理责任之间取得平衡，将是所有AI从业者必须面对的课题。或许，建立更透明的数据来源机制、加强版权合作，以及探索合成数据等替代方案，将成为行业发展的新方向。
NVIDIA Nemotron 3.5 Lightning 现已上线 Amazon SageMaker JumpStart，这是一款专为高并发 Agent 工作负载设计的开源模型。该模型采用混合专家（MoE）架构，总参数量 30B，但仅有 3B 激活，可在单 GPU 上运行，吞吐量最高提升 4 倍，任务完成速度最高提升 30%。本文介绍如何通过 SageMaker JumpStart 快速部署该模型，并解析其技术亮点与适用场景。
Linux 内核 7.2 正式发布，带来缓存感知调度、文件系统与 I/O 改进，以及对 AMD、Intel、Apple、Nvidia、USB4 和笔记本电脑硬件的大量新支持。 ## 发布背景 Linus Torvalds 在上周末宣布了 Linux 内核 7.2 的发布。他在发布说明中写道：“本周的发布——再次——比我希望的要大，但嘿，既然‘新常态’就是这样，如果因为这个原因推迟发布，我们可能永远不会发布。” ## AI 与 Linux 开发 Torvalds 在 7.2 的第七个候选版本说明中解释了“新常态”：大量修复，其中许多是由各种 AI 工具审查发现的。这些变更并非 AI 编写的新功能，而是针对 AI 发现的安全漏洞的补丁，但累积起来影响不小。 在 7.1 内核发布前，Torvalds 曾表示，AI 报告的持续涌入使安全列表几乎无法管理，因为不同的人用相同工具发现相同问题，造成大量重复。他主张 AI 检测到的 bug 本身就不是秘密，将其放在私人列表上是对所有人时间的浪费，只会加剧重复。 不过，Torvalds 并不反对使用 AI。他曾强调：“AI 工具很好，但前提是它们确实有帮助，而不是造成不必要的痛苦和无意义的假工作。欢迎使用它们，但……” ## 关键改进 ### 缓存感知调度 Linux 7.2 引入了缓存感知调度，通过优化处理器缓存的使用来提升处理速度。这对于现代多核处理器尤其重要，可减少缓存未命中，提高整体性能。 ### 文件系统与 I/O 改进 本次更新还带来了文件系统和 I/O 方面的多项改进，有望增强存储性能与稳定性。 ### 硬件支持扩展 新内核大幅扩展了对 AMD、Intel、Apple、Nvidia、USB4 以及笔记本电脑硬件的支持，覆盖了更广泛的设备与平台。 ## 总结 Linux 7.2 在 AI 辅助下变得更加健壮，缓存感知调度等新特性将推动性能提升，而广泛的硬件支持则让新内核能够更好地适应多样化的计算环境。
随着 AI 数据中心对内存和存储的需求激增，树莓派等单板计算机的价格水涨船高。如果你手头正好有一部闲置的旧安卓手机，不妨考虑将其改造为树莓派的替代品，用于个人项目开发。不过，在动手之前，你需要了解其中的利弊和潜在风险。 ## 价格飙升，树莓派不再亲民 近年来，AI 技术的爆发式增长导致 RAM 和存储芯片价格持续上涨，树莓派也未能幸免。原本几十美元的开发板，如今价格翻倍甚至更高，让不少爱好者望而却步。在这种情况下，利用旧手机作为替代方案，成为了一种经济实惠的选择。 ## 旧手机的优势与不足 旧安卓手机作为计算平台，拥有不少天然优势： - **性能不俗**：即使是几年前的旗舰机型，其处理器性能也远超入门级树莓派。 - **自带屏幕和电池**：无需额外购买显示器、电源等配件，便携性极佳。 - **传感器丰富**：内置摄像头、GPS、加速度计等传感器，可扩展更多应用场景。 - **通信功能**：支持 Wi-Fi、蓝牙，甚至蜂窝网络，便于物联网项目。 然而，也存在一些挑战： - **软件生态不同**：树莓派运行的是 Linux 桌面系统，而安卓系统面向移动设备，部分开发工具链需要适配。 - **IO 接口有限**：树莓派提供 GPIO 引脚，方便连接外部硬件，而旧手机缺乏这类接口，需要借助 USB OTG 或蓝牙等方式扩展。 - **电池老化**：旧手机电池可能已经老化，长期高负载运行存在安全隐患，建议移除电池并直接供电。 ## 安全改造，避免变砖 直接刷入 Linux 系统到手机有风险，操作不当可能导致设备变砖。文章推荐一种更安全的方法：**使用 Termux 等终端模拟器**，在安卓系统内运行 Linux 环境，无需刷机即可享受类 Linux 体验。这样既能利用手机硬件，又能降低风险。 当然，如果你对技术有足够信心，也可以尝试安装 LineageOS 等第三方 ROM，进一步优化系统性能。但务必提前备份数据，并遵循社区教程。 ## 结语 将旧安卓手机改造为树莓派替代品，不仅环保省钱，还能为你的项目增添新玩法。但在动手前，请权衡利弊，选择适合自己的方案。如果你有相关经验，欢迎分享你的改造故事。
在最近的 Made by Google 活动上，谷歌传递了一个耐人寻味的信号：它希望你减少对手机的使用，转而更多地依赖 AI。这一主题贯穿了整场发布会，从 Pixel 11 Pro 的推广到多位明星的站台，都在强调“活在当下”的理念。然而，这种叙事背后隐藏着更深层的商业逻辑——谷歌正试图用 AI 来重塑我们与科技的关系，而这段关系恰恰是它自己一手塑造的。 ## 矛盾的营销策略 谷歌在活动中宣称，其新手机将帮助用户“更专注当下”，减少屏幕时间。但讽刺的是，这些手机内置了更强大的 AI 助手，能够更主动地介入用户的生活。例如，Pixel 11 Pro 的 AI 功能可以自动整理通知、代写消息，甚至预测用户需求。谷歌似乎在暗示：你不需要频繁操作手机，因为 AI 会替你完成一切。 这种策略并非首次出现。苹果在 iOS 17 中引入了“屏幕距离”提醒，三星也推出了“数字健康”工具。但谷歌的表述更为激进——它不只是减少使用时间，而是试图改变用户与设备的互动方式。 ## 谁在买单？ 问题在于，消费者会接受这种叙事吗？一方面，许多用户确实对“数字排毒”感兴趣，他们愿意为减少干扰的功能付费。另一方面，谷歌的 AI 功能往往需要更多的数据收集，这与用户对隐私的担忧相冲突。此外，AI 的自主性也可能引发信任问题——用户是否愿意让 AI 代为处理敏感信息？ 从市场反应来看，谷歌的 Pixel 系列一直未能占据显著份额，而 AI 功能能否成为差异化卖点仍存疑。相比之下，苹果的隐私保护策略似乎更能赢得用户信任。 ## 结语 谷歌的“少用手机”宣传更像是一种营销话术，其核心目的是推广 AI 服务。这种策略能否奏效，取决于用户是否愿意接受 AI 作为“代理”来管理数字生活。但至少目前，大多数人可能仍会保持警惕。
手头有闲置的旧安卓手机或平板？别急着扔，它们完全可以变身为实验和开发用的测试服务器，过程比想象中简单。本文分享我的亲身实践，并探讨其背后的价值。 ## 为什么要把旧手机变成服务器？ 旧手机性能虽不及现代PC，但作为低功耗、零噪音的测试服务器，性价比极高。它适合运行轻量级应用，如个人博客、API测试、内网穿透实验等，既环保又省钱。 ## 具体怎么做？ 核心思路是安装Linux环境。我选择了 **Termux**，一款无需root即可在安卓上运行Linux终端的应用。步骤如下： 1. 安装Termux，并更新软件包。 2. 安装必要的软件，如Python、Node.js或nginx。 3. 编写并运行你的服务器脚本，或配置静态文件服务。 4. 确保手机与局域网在同一网络，通过分配的IP访问服务。 例如，用Python启动一个简易HTTP服务： ```bash python -m http.server 8080 ``` 然后在电脑浏览器输入`http://手机IP:8080`即可访问。 ## 注意事项 - **电池管理**：长时间供电可能让电池鼓包，建议拆下电池直接接电源（需一定动手能力），或使用充电控制应用。 - **网络稳定性**：Wi-Fi连接可能不稳定，若需长期运行，考虑使用USB网络共享或以太网转接。 - **安全性**：仅限局域网测试，若暴露公网，需配置防火墙和SSH密钥。 ## 小结 旧手机变服务器，既是环保之举，也是技术乐趣。它降低了实验门槛，尤其适合学习网络编程或快速原型验证。如果你有闲置设备，不妨一试。
亚马逊，这家以卖书起家的科技巨头，如今被曝出正在大量购入稀有书籍，并对其进行物理拆解扫描，用于训练其AI模型。这一行为引发了关于AI训练数据来源和版权问题的热议。 据404 Media报道，他们在一本稀有书籍中放置了追踪设备，最终发现该书被送往了亚马逊位于拉斯维加斯的VGT3设施。该设施以一只恐龙爪持书本的标志著称。亚马逊在声明中表示，他们通过商业渠道购买书籍，以改善客户使用的产品和服务。 对于AI训练而言，稀有书籍的价值在于，它们通常不在互联网上公开，且出版时间早于2022年，这意味着其内容完全由人类撰写，不含AI生成文本。这对于防止模型崩溃至关重要——当AI模型大量学习AI生成的内容时，其输出质量可能退化。 然而，这一做法也引发了道德和版权争议。此前Anthropic已被曝出非法盗版书籍用于训练。亚马逊的行为虽属购买，但物理毁书的方式仍让许多藏书家和学者感到痛心。 在AI数据需求日益增长的背景下，如何平衡数据获取与版权保护，成为行业亟待解决的问题。亚马逊的这一举动，或许只是冰山一角，未来可能会有更多公司效仿，寻找新的数据来源。 目前，亚马逊尚未就毁书细节做出进一步说明，但这一事件无疑为AI训练数据的伦理问题敲响了警钟。
## 给自主代理一个钱包和消费护栏 随着 AI 代理从简单的问答工具进化为能够自主执行多步骤任务的智能体，它们经常会遇到需要付费才能访问的服务，例如付费 API、MCP 服务器或网页内容。传统的支付方式需要人工介入，这大大限制了代理的自动化能力。为了解决这个问题，AWS 与 OpenClaw 基金会合作，推出了一种新的解决方案，让代理能够在预设的限额内自主完成支付。 ## 核心设计：分离权限，确保安全 这种支付能力的关键在于安全设计。钱包提供商的凭证以及创建或扩展支付会话的权限被严格地**放置在模型运行时之外**，通过一个可信的管理路径由人类预配置。这样，即使模型被恶意输入诱导，也无法突破预设的边界。运行时只能在这些限额内发起经过批准的支付。 Amazon Bedrock AgentCore 的 **AgentCore payments** 功能提供了钱包集成、支出限额和一致的支付层，为代理支付协议的发展提供了基础。该方案支持 **x402** 和 **Machine Payments Protocol (MPP)** 等协议，这些协议支持代理与服务之间的程序化支付流程。 ## 为什么代理需要支付能力？ 自主代理在执行长时间运行的研究或工作流任务时，可能会在操作员不在场的情况下遇到付费 API 或内容端点。一个受限的支付层允许代理在人类预先设定的限额内继续运行，这些限额可以限制**收款方、资产、网络、单笔支付金额、累计预算和有效期**。 许多 API、内容服务、计算服务和 MCP 工具采用按使用量付费的定价模式。单笔交易可能不足一美元甚至几分之一美分，而传统的信用卡处理费使得这种小规模交易变得不划算。相比之下，**稳定币支付**支持小额和近实时结算，使得 x402 等 HTTP 原生协议非常适合程序化、代理发起的支付。 ## 实现方式：OpenClaw 与 aws-agents-pay 插件 本教程将指导你如何将 **OpenClaw** 连接到由人类通过可信管理路径提供的钱包和受限支付会话，然后使用 **aws-agents-pay 插件** 让代理发起经过批准的测试网支付。 这种设计不仅解决了代理支付的即时需求，还考虑到了安全性和可扩展性，为代理经济的未来发展奠定了基础。
Groq 近期完成了 3.5 亿美元融资，估值达 35 亿美元，标志着这家前 AI 芯片公司全面转向 Neocloud 业务，并扩大其基于 Nvidia 的数据中心规模。本轮融资由投资公司 Disruptive 领投，Nvidia 计划参投。值得注意的是，此次估值较去年 9 月的 69 亿美元有所下降，但 Groq 发言人表示，这并非一轮下挫融资，而是反映了 Nvidia 许可交易后的新估值。 去年，Nvidia 以 200 亿美元许可交易吸纳了 Groq 创始人 Jonathan Ross 及核心团队，此后 Groq 调整战略，从自研 LPU 芯片转向提供基于 Nvidia 系统的云服务。今年 6 月，Groq 已融资 6.5 亿美元启动转型。目前，Groq 在全球运营 13 个数据中心，服务超过 600 万开发者，计划到 2027 年将电力容量从 54 兆瓦提升至 200 兆瓦以上。 Groq 董事长 Alex Davis 表示，公司正致力于打造全球领先的 AI 推理云，推理将成为 AI 基础设施中最大、最关键的部分。然而，Neocloud 的长期盈利能力仍存疑，CoreWeave 的财务表现虽好，但高资本支出和债务风险引发担忧。Groq 的财务数据尚未公开，但其转型使其深度融入 Nvidia 的 AI 基础设施生态。 此次融资将用于支持客户对 Nvidia 加速计算集群的更大规模使用，涵盖训练和推理场景。Groq 的未来发展值得关注，尤其是在竞争激烈的 AI 云市场中，它能否脱颖而出。
语音 AI 正在快速成为人机交互的主流方式，但开发者常常面临一个棘手问题：该选哪个语音识别（STT）模型？哪个 LLM 最适合我的场景？哪个语音合成（TTS）模型在特定语言上表现更好？这些选择往往依赖厂商的英文榜单或直觉，缺乏客观、可比较的数据。 **Speko** 正是为解决这一痛点而生。这家 YC S26 孵化的初创公司，将自己定位为“语音 AI 的 OpenRouter”——一个智能路由网关，能根据你的约束条件（如成本、延迟、语言）自动选择最优的 STT、LLM 和 TTS 模型组合，并解释为什么选它。 **核心功能：跨语言基准测试与智能路由** Speko 的核心是一个庞大的基准测试数据库，覆盖了 21 个 STT 模型、17 个 TTS 模型，以及多种 LLM，并且**按语言细分**，包括英语、阿拉伯语、法语、德语、印地语、挪威语、西班牙语、泰米尔语和泰卢固语等。它不只是给出单一的准确率，而是将**词错率（WER）与成本（美元/分钟）** 放在一起对比，让开发者一目了然。 例如，在 STT 领域，AssemblyAI 的 Universal-3.5 Pro 以 2.0% 的 WER 领先，但成本为 $0.0075/分钟；而 Modulate 的 Velma 2 虽然 WER 为 4.4%，但成本仅 $0.0010/分钟。Speko 的评分系统会告诉你，在“追求极致准确”还是“控制预算”的情况下，哪个模型更合适。 **一个 API 接入所有提供商** Speko 最吸引人的地方在于它的**网关设计**：开发者只需一个 API 密钥和基础 URL，就能调用所有主流提供商的模型。它兼容 OpenAI API 协议，因此你现有的框架（如 LiveKit、Pipecat）几乎无需改动，只需切换主机名和模型名称即可。 **实际体验：从演示到生产** 创始人 Bek 在演示中展示了如何通过 Speko 在 LiveKit 中运行语音代理，代码几乎不变。这种“即插即用”的体验，大大降低了切换模型的成本，也让开发者可以灵活地根据实时需求调整模型组合。 **行业影响与展望** 语音 AI 市场正从“单一模型垄断”走向“多模型竞争”，Speko 的出现顺应了这一趋势。它让开发者不再被某个厂商锁定，而是可以像使用 OpenRouter 选择 LLM 一样，自由挑选最合适的语音模型。对于追求**多语言支持**和**成本效益**的团队来说，Speko 提供了一个客观、透明的决策工具。 当然，作为一个早期产品，Speko 的基准数据覆盖范围还在扩展中，中文等更多语言的基准测试尚未完善。但其理念和架构已经为语音 AI 的开发流程带来了新的可能性。
Persona AI 认为，人形机器人在重型工业领域有望在近期实现经济可行性。该公司正在开发一款人形机器人原型，其首项技能便是焊接，并计划逐步拓展至更多重型工业场景。 ## 为何选择焊接作为起点？ 焊接是造船厂等重型工业中的关键工序，工作环境恶劣，且面临熟练工人短缺的问题。Persona AI 选择焊接作为切入点，是因为它既能体现人形机器人的操作精度，又具有明确的商业价值。通过掌握焊接这一高价值技能，人形机器人可以更快地进入实际工作场景，为后续拓展其他技能奠定基础。 ## 经济可行性是关键 Persona AI 强调，人形机器人的商业化必须从经济角度出发。与通用型机器人不同，专注于特定工业任务的机器人可以更快实现投资回报。焊接任务重复性高、环境固定，且对精度要求严格，适合人形机器人发挥其仿人结构的优势。 ## 挑战与前景 尽管前景可观，但人形机器人在焊接等任务中仍面临挑战，如复杂环境下的感知与适应能力、长时间工作的稳定性等。Persona AI 正在通过持续迭代和现场测试来克服这些障碍。 总体而言，人形机器人从焊接等重型工业任务起步，是一条务实且具有潜力的路径。随着技术成熟和成本下降，人形机器人有望在更多工业场景中发挥重要作用，缓解劳动力短缺问题，并提升生产效率。
英伟达宣布向软银关联的数据中心开发商SB Energy投资15亿美元，并承诺提供高达1050亿美元的信贷支持，以确保其芯片成为OpenAI位于俄亥俄州辛辛那提附近Ports-Pike数据中心唯一的计算基础设施供应商。该设施初始规模为4.25吉瓦，未来可扩展至8吉瓦。SB Energy计划在该地（原美国能源部铀浓缩场地）建造一座9.2吉瓦的天然气发电厂，预计耗资330亿美元。英伟达此举旨在巩固其在AI算力市场的霸主地位，但高昂的能源成本和天然气价格波动风险不容忽视。
软件工程正站在一场范式转移的临界点。AMD的一位高管近日提出，下一场革命将不再是给开发者配一个更聪明的“副驾”，而是彻底重塑整个工作流。从AI Copilot（AI副驾）到Agent Swarms（智能体集群），这不仅是工具升级，更是开发模式的根本性变革。 ## 从“辅助”到“自主”：开发范式的跃迁 过去两年，以GitHub Copilot为代表的AI编程助手已经深入人心。它们擅长补全代码、生成测试，但本质上仍是“人在回路”的辅助工具——开发者负责决策，AI负责执行。而AMD描绘的下一步，是让多个AI智能体以集群形式协同工作，从需求分析、架构设计到代码实现、测试部署，全程自主推进。 这种转变的关键在于**工作流的重新定义**。在传统模式中，人类开发者是流程的中心，所有任务围绕其展开；而在智能体集群模式下，人类更像是一个“编排者”，负责设定目标和边界条件，具体执行由AI团队协作完成。AMD认为，这将极大释放生产力，让开发者从重复劳动中抽身，专注于更具创造性的问题。 ## 智能体集群的优势与挑战 智能体集群并非简单的多Agent并行，其核心在于**协作机制**。每个Agent可以专注于特定子任务，并通过消息传递或共享上下文进行协调。例如，一个Agent负责解析需求，另一个生成接口定义，第三个编写实现，第四个进行代码审查——它们之间需要高效的信息同步和冲突消解。 优势显而易见： - **速度提升**：多个Agent可并行处理，缩短开发周期。 - **质量保障**：自动化审查和测试Agent能持续监控代码质量。 - **规模扩展**：面对大型项目，集群可动态调整规模。 然而，挑战同样不容忽视。**任务分解的粒度**如何把握？**Agent间的通信开销**如何控制？**错误传播**如何阻断？这些都是需要解决的工程难题。此外，**安全与信任**问题也浮出水面——当AI自主修改代码时，如何确保其符合业务逻辑和安全规范？ ## 对开发者角色的重塑 AMD的观点暗示，未来开发者的核心技能将从“写代码”转向“定义问题”和“监督AI”。这要求开发者具备更强的系统思维和抽象能力，能够将复杂需求拆解为可执行的Agent指令。同时，**人机协作的边界**也需要重新划定，哪些决策必须由人做出，哪些可以放心交给AI，将成为新的职业判断。 值得注意的是，这一趋势并非孤立。从OpenAI的AutoGPT到各类多智能体框架，行业早已开始探索。AMD的发言更多是对这一方向的背书，并暗示其硬件产品（如EPYC和Instinct）将针对此类工作负载进行优化。 ## 结语 从AI副驾到智能体集群，软件工程的生产力革命才刚刚开始。虽然技术细节和落地路径尚不明确，但方向已经清晰：**未来的开发者将不再是“码农”，而是AI团队的“导演”**。这场变革的深度和广度，可能远超我们的想象。
**Wispr** 近日宣布完成 **2.8亿美元** 新一轮融资，公司估值达到 **20亿美元**，累计融资总额已超过 **3.61亿美元**。这笔资金将用于支持其从语音听写工具向更广泛的人工智能通信平台转型。 ## 从听写工具到AI平台 Wispr 最初以语音听写技术切入市场，其核心产品能够将语音高效准确地转换为文本，帮助用户提升输入效率。然而，随着大模型能力的提升和用户需求的演变，Wispr 显然不满足于做一个单纯的听写工具。 公司正在将业务拓展至更广泛的 AI 通信领域，可能包括实时翻译、语音助手、会议纪要、智能回复等功能。这一转型方向与当前 AI 行业的趋势高度契合：**从单一功能工具向综合性 AI 平台演进**，以深度整合进用户的工作流。 ## 资本市场的信心 本轮融资由知名风投机构领投，但具体投资方尚未披露。高估值反映了资本市场对 AI 应用层公司的强烈兴趣，尤其是在语音交互和生产力工具赛道。Wispr 的快速增长也印证了市场对高效 AI 通信解决方案的旺盛需求。 值得注意的是，Wispr 的估值在短时间内大幅提升，表明其产品市场契合度较高，且投资者对其未来发展充满信心。 ## 未来展望 随着新资金的注入，Wispr 将加速产品研发和市场扩张。公司计划在保持语音听写核心优势的同时，推出一系列基于 AI 的创新功能，以构建一个完整的智能通信生态系统。 在竞争激烈的 AI 应用市场中，Wispr 能否凭借此轮融资巩固其地位，并成功拓展用户基础，值得持续关注。