如果你正在寻找一款充电速度极快的移动电源，那么**Cuktech 15 Air**值得关注。这款产品在ZDNET实验室测试中荣获**Lab Award**，并被评为充电速度最快的充电宝。现在正值Prime Day促销，**Cuktech 15 Air**降价20%，仅售**64美元**（原价80美元），节省16美元。 ### 测试表现 在ZDNET的严格测试中，Cuktech 15 Air在10款竞品中脱颖而出，其充电速度位居第一。实验室测试涵盖了从平板电脑到便携式电源站等多种设备，而该充电宝在效率与稳定性上表现卓越。具体数据包括：支持**100W双向快充**，30分钟即可为笔记本充至50%电量；内置**20000mAh大容量电池**，可同时为多台设备供电。 ### 设计亮点 Cuktech 15 Air采用**超薄航空级铝合金外壳**，重量仅**350克**，厚度**15毫米**，便于携带。配备**2个USB-C接口**和**1个USB-A接口**，支持PD 3.0、QC 4+等主流快充协议。此外，其智能温控系统可防止过热，确保安全。 ### 购买建议 该优惠为Prime Day限时活动，适用于亚马逊平台。对于经常出差或需要快速补电的用户，Cuktech 15 Air是理想选择。不过，促销库存有限，建议尽快下单。 ### 小结 Cuktech 15 Air以出色的充电速度和便携设计，成为当前市场上最具性价比的充电宝之一。结合Prime Day折扣，性价比尤为突出。
不久前，我参加了在北京中关村举行的一场大型人工智能会议。这个繁华的高科技区聚集了众多精彩议题，从递归自我改进（模型自行修改代码并无限进化）到人形机器人，不一而足。会议还邀请了多位计算领域传奇人物，包括公钥密码学联合发明人 Whitfield Diffie，以及因强化学习先驱工作与 Rich Sutton 共同获得图灵奖的 Andrew Barto。但最重要的收获只有一个：美国和中国应搁置激烈的人工智能竞争。前沿AI的网络安全和系统性风险已严重到不容忽视，日益强大的智能体模型若不加以合作，可能很快引发混乱。 “AI 是一项全球性技术，带来全球性收益、全球性危害，且新能力终将扩散的趋势始终存在。”通过视频发言的 MIT 计算机科学家 Stephen Casper 会后告诉我。 迄今为止，美国主要将中国AI进步视为经济和国家安全威胁。华盛顿已对芯片及制造设备实施严格限制，以阻碍中国开发强大AI。最近，美国政府以国家安全为由，命令 Anthropic 阻止外国公民访问其最强大的模型 Mythos 和 Fable 5。Anthropic 随后撤销了所有人的访问权限。WIRED 此前披露，一家被特别关注的涉华企业是韩国电信巨头。 但由北京智源人工智能研究院组织的这场会议强化了一个观点：如果AI开发过快且鲁莽，美中双方都将受损。随着AI变得更强大、更具智能体特性并与日常生活交织，其被用于网络攻击或以灾难性方式失败的风险只会增加。由于全球两大AI强国负责最先进的模型，它们之间的合作至关重要。Casper 指出，研究表明在AI危险方面开展国际合作的收益，超过合作带来的任何国家安全风险。他将当前局势比作美苏在冷战期间的合作——尽管存在深刻分歧，双方仍就核安全与军备控制进行合作。 “在AI领域，我们可能面临类似‘切尔诺贝利时刻’的灾难性事件，”Casper 警告道，“如果事故发生，其后果将不分国界。”
面对超过 4 亿份、积累近十年的海量文档，如何高效识别并脱敏其中的敏感客户数据，同时满足 PCI DSS 等合规要求？美国前十大银行亨廷顿银行（Huntington Bank）通过构建基于 AWS 的可扩展工作流，将原本预计耗时数年的处理任务缩短至数月完成，且脱敏准确率达到 95% 以上。 ## 挑战与需求 自 2015 年起，亨廷顿银行的文档管理系统已在本地安全存储了数亿份文档。2025 年，作为一项主动合规计划的一部分，银行决定对这些文档进行全面处理，脱敏其中的个人身份信息（PII）和支付卡行业数据（PCI）。文档格式多样，需要灵活处理方案，同时还要具备处理数百万份文档的高吞吐量。 核心需求包括： - 数据在传输和存储中必须加密 - 数据访问和存储位置需满足严格访问要求 - 所用服务必须在 PCI DSS 合规范围内 - 脱敏结果需复制回本地数据存储 - **脱敏准确率不低于 95%** ## 解决方案架构 亨廷顿银行设计了一套可扩展的脱敏工作流，核心组件包括： - **Amazon Textract**：从文档中提取文本和结构 - **Amazon SageMaker**：用于运行自定义机器学习模型，识别敏感数据 - **AWS Step Functions**：编排处理流程 - **AWS Lambda**：执行无服务器函数 ## 安全数据传输 首先需要将超过 4 亿份文档从本地文件共享迁移到 Amazon S3。银行使用 **AWS DataSync** 结合 **AWS Direct Connect** 实现加密传输，并通过 **AWS KMS** 管理密钥。AWS DataSync 可监控本地 SMB 文件共享，不仅支持上传，还支持将处理结果同步回本地。 ## 处理与脱敏流程 1. **文档上传**：通过 AWS DataSync 将文档加密传输至 S3 存储桶。 2. **文本提取**：使用 Amazon Textract 从 PDF、图片等不同格式文档中提取文本。 3. **敏感数据识别**：基于 SageMaker 上部署的机器学习模型，识别 PII 和 PCI 数据（如姓名、地址、信用卡号等）。 4. **自动脱敏**：利用 Lambda 函数对识别出的敏感区域进行遮盖或替换。 5. **结果回传**：脱敏后的文档通过 AWS DataSync 复制回本地存储，同时保留审计日志。 ## 成效与价值 通过这一架构，亨廷顿银行将处理时间从最初估计的 **数年缩短至数月**，并实现了 **超过 95% 的脱敏准确率**，满足合规要求。该方案不仅解决了当前的数据处理难题，还建立了可复用的自动化流程，为未来持续合规奠定了基础。 ## 行业启示 亨廷顿银行的实践为金融行业大规模文档脱敏提供了参考范例。**云原生服务+机器学习** 的组合能够显著提升处理效率，同时保证安全与合规。对于同样面临海量文档处理需求的机构，关键要素包括：选择可扩展的存储与计算服务、利用 AI 提升识别精度、以及确保端到端的数据加密与审计能力。
## 快速上手：用 Amazon Nova 2 Sonic 打造医疗预约语音助手 医疗行业长期受困于患者爽约问题——美国医疗机构的平均失约率在 **5% 到 30%** 之间，每个空缺席位都意味着收入损失、医生闲置以及患者治疗延误。传统的逐个电话确认方式难以规模化。现在，借助 **Amazon Nova 2 Sonic** 的语音到语音能力与 **Amazon Bedrock AgentCore**，你可以构建一个能够自主处理预约提醒对话的语音助手。 ### 核心功能与工作流程 该语音助手能够完成以下关键任务： - **患者身份验证**：通过语音对话确认患者身份 - **预约管理**：支持确认、取消或重新安排预约 - **健康信息收集**：在通话中采集访前健康数据 - **人工转接**：在需要时无缝转接给人类工作人员 整个系统采用 **无服务器架构** 部署，基于 Amazon Bedrock AgentCore，使用 Amazon Cognito 进行身份验证，Amazon DynamoDB 存储数据，Amazon SNS 发送通知。前端是一个基于 React 的浏览器界面，通过经过身份验证的 WebSocket 连接实现双向音频流传输。 ### 技术亮点：告别传统级联延迟 传统方案通常需要串联三个独立服务：语音转文本模型（ASR）、文本大语言模型（LLM）、文本转语音模型（TTS）。每一次交接都会引入延迟并丢失上下文。尤其是 **ASR 阶段会丢弃语调、犹豫、紧迫感等声音线索**，LLM 只能看到患者说了什么，却不知道他们是怎么说的。在医疗场景中，患者的焦虑或困惑本应改变对话策略，但传统的级联架构无法捕捉这些信号。 Amazon Nova 2 Sonic 的 **语音到语音能力** 直接解决了这一问题：它不再依赖中间文本表示，而是直接在语音层面理解并生成回应，保留了语调和情感信息，同时大幅降低延迟。 ### 实际落地：从测试到生产 当前示例包含一个浏览器测试界面，方便开发者快速验证对话流程。要连接真实电话线路进行外呼，可以集成 **Amazon Connect** 等电信服务。整个构建过程涵盖了从工具开发到部署的完整步骤，包括使用 **Strands Agents SDK** 构建的七个医疗专用工具，用于患者身份验证、排程和转接。 这一方案的核心价值在于：**规模化处理常规通话，降低失约率，释放医护人员精力**，同时通过保留语音中的非语言信息提升患者体验。
数据团队经常面临数字不一致的困境：一个仪表盘显示42,000活跃电影观看量，另一个却显示38,500，而聊天机器人给出的又是第三个数字。这种混乱的根源在于业务逻辑分散在各个应用层，而非统一在数据层。本文介绍如何通过**Snowflake语义视图**与**Amazon QuickSight**的集成，构建端到端的AI驱动BI方案，从根本上解决数据信任问题。 ## 语义视图：统一业务逻辑的数据层 Snowflake语义视图是一种原生模式对象，它将业务定义（如表、关系、指标和维度）直接附加到数据上。任何下游应用查询该视图时，都会继承相同的定义——无论是AI系统还是传统BI工具，都能获得一致的解读。这不仅能显著降低AI幻觉的风险，还能确保所有报表和问答都基于同一套业务规则。 语义视图支持标准的SQL SELECT查询，也可用于Snowflake Cortex Analyst的自然语言交互。通过私有列表共享，团队可以安全地分发视图。此外，语义视图继承了Snowflake的对象级访问控制，可以像普通表一样精细管理权限，满足治理和合规要求。 ## 端到端集成流程 本文以一家媒体公司的用户评论数据为例，展示完整集成路径： 1. **数据加载**：将Amazon S3中的电影评论数据加载到Snowflake。 2. **定义语义视图**：通过SQL为数据添加业务含义，例如定义“活跃观看量”的计算规则。 3. **自然语言探索**：通过Cortex Analyst用自然语言查询语义视图，验证定义的正确性。 4. **生成QuickSight仪表盘**：手动或使用自动化脚本，基于语义视图创建QuickSight数据集和仪表盘。 最终，BI团队和AI团队都可以直接对治理后的数据层提问，并确信每个回答都遵循相同的业务逻辑。 ## 架构价值 这种集成将语义层作为“单一事实来源”，彻底消除了跨系统数字对不齐的痛点。数据团队不再需要花费数小时核对数字，而是可以专注于战略性问题。对于正在构建企业级AI分析能力的数据团队来说，这是一个值得借鉴的架构模式。
在一场耗资2700万美元的政治代理人战争中，Anthropic与OpenAI支持的超级政治行动委员会（super PAC）围绕纽约州第12国会选区的民主党初选展开了激烈较量。最终，前科技行业员工、现任州议员的Alex Bores以35%对39.1%的得票率惜败于对手Micah Lasher，未能赢得国会席位。这场选举被视为AI行业监管路线之争的风向标。 Bores曾共同发起并推动通过《RAISE法案》，该法案对前沿AI公司实施安全护栏和监管要求，并于去年成为州法律。这一立法引发了主张放松监管的超级PAC“引领未来”（Leading the Future）的反对，该组织由OpenAI、Palantir及Andreessen Horowitz高管部分资助。为捍卫Bores，与Anthropic相关的多个超级PAC投入了1926万美元，而“引领未来”则花费815万美元。 尽管Bores最终落败，但Anthropic未能助其当选，OpenAI也未能彻底压制他——双方均未取得决定性胜利。这场选举突显了AI行业内部在监管问题上的深刻分歧，以及超级政治行动委员会在地方选举中日益增长的影响力。随着中期选举临近，此类巨额政治支出可能成为新常态。
Facebook 正在将 Creator Studio 工具重塑为一款独立的 AI 伴侣应用，旨在帮助创作者在社交网络上扩大受众。这款新应用目前正在与部分创作者进行测试，内置了 Facebook 最近推出的 AI 创作者助手。该助手能根据创作者的内容风格、表现、受众参与度和目标提供个性化建议。创作者可以通过对话式问答快速获取发布时机、评论分析等信息。此外，应用还包含 AI 驱动的评论工具，可自动筛选重要评论并拟写符合创作者语气的回复草稿，经创作者确认后发布。每日打开应用时，创作者会看到优先事项列表，包括最新帖子表现、目标进度和待回复评论。此举是 Meta 在 TikTok 和 YouTube 竞争下留住创作者的最新举措，也旨在减少创作者对 ChatGPT 等第三方工具的依赖。此前 Meta 已推出 Facebook 群组独立应用 Forum 和类似 Instagram 的 Instants 应用，并计划推出类似 Polymarket 的 Arena 应用。CEO 扎克伯格表示，AI 驱动的高效将让公司比以往构建更多应用。
传统语音助手因三步处理流程——语音转文本、LLM 推理、文本转语音——导致 3-5 秒延迟，破坏对话自然感，且成本高昂。Loka 采用 Amazon Nova 2 Sonic 的端到端语音模型，直接在音频上推理，大幅降低延迟与成本，在 Big Bench Audio 上实现高精度。本文详解其架构：语音输入直接进入 Nova 2 Sonic，输出自然语音，支持中断与复杂意图解析。以汽车经销商场景为例，客户说“我要看广告里的 SUV，但不是混动版，只能下午 5 点后到”，系统能同时理解车型、否定、时间约束，响应流畅。相比传统方案，Nova 2 Sonic 将延迟降至亚秒级，成本降低 50% 以上。Loka 的方案已在多个行业落地，证明原生语音模型是下一代对话式 AI 的关键方向。
人形机器人初创公司Agility Robotics宣布将通过SPAC合并上市，交易估值约25亿美元。这家2015年从俄勒冈州立大学剥离的公司，预计将获得超过6.2亿美元资金，用于扩大下一代Digit v5机器人的产能并履行现有订单。 **交易细节** Agility Robotics与特殊目的收购公司Churchill Capital Corp XI合并，交易估值约25亿美元，预计产生超过6.2亿美元收益，其中包括约2亿美元来自新老机构投资者。合并后公司预计在北美交易所上市，股票代码为AGLT。 **产品与商业化进展** Agility最知名的产品是双足机器人Digit，目前已在9个客户站点部署，包括舍弗勒、GXO、丰田汽车加拿大公司及美客多。公司已获得超过3亿美元的新一代Digit v5多年期订单，并有30多家潜在客户正在评估大规模部署。 **投资者与行业背景** Agility获得了亚马逊、英伟达、软银愿景基金2期、DCVC等知名科技公司和基金的支持。CEO Peggy Johnson表示，人形机器人将成为生产力、供应链韧性和美国技术领导力的关键驱动力。Agility已实现商业部署，帮助企业应对劳动力短缺、提升效率并安全集成AI自动化。 **未来计划** 此次上市筹集的资金将用于增加Digit v5产能、履行现有订单并拓展新老客户。Agility强调其技术已在客户环境中运行，并看好AI驱动的自动化前景。
在年度 Config 大会上，Figma 发布了一系列设计及编码产品的重大更新，核心目标是帮助创意人员“将想法推得更远”，并用 AI 自动化繁琐任务。其中最引人注目的是：**重新设计的画布现已针对全栈开发优化**，将团队、AI 代理、工具和素材“整合在一个地方”。 ### 关键更新一览 #### 1. 代码层（Code Layers） 现在，开发者可以直接在 Figma Design 画布上编辑代码。你可以克隆仓库、利用 Figma 的 AI 代理生成新方向、将流程提取为可编辑的设计图层，并将更改同步回代码。这标志着 Figma 从纯粹的设计工具向开发-设计协作平台的重大转变。 #### 2. AI 生成动效（Motion） 这是本次发布中最令人兴奋的功能之一。用户只需通过聊天界面描述所需效果，Figma 的 AI 即可生成动画、过渡和 3D 变换。动效与设计系统相连、代码驱动，可直接用于生产。此外，用户也可以手动调整时间轴或应用预设样式。 #### 3. 着色器（Shaders） Figma 引入了基于 WebGPU 的着色器效果。通过文字提示即可构建抖动、像素化、多种模糊类型等自定义视觉处理——这些效果此前在 Figma 中无法实现。这为设计师提供了前所未有的图形控制能力。 #### 4. Figma Weave 工作流集成 Figma 与 Figma Weave 的初步整合已上线，提供 20 多种集成 Weave 工具，可将复杂的 AI 工作流转化为画布上的简单工具。完整整合预计今年晚些时候完成。 ### AI 代理与团队协作 除了创作工具，Figma 还推出了**新的 AI 代理技能和更深层的上下文理解**。团队可以将重复性工作转化为可复用的“技能”，让整个团队更精确、一致地工作。这暗示了 Figma 在自动化设计流程上的长远布局。 ### 行业影响与分析 本次更新标志着 Figma 从“设计工具”向“全栈创意平台”的进化。通过将代码、AI 动效、着色器直接嵌入画布，Figma 正在模糊设计、开发和创意编码之间的界限。对于设计师而言，这意味着更快的原型迭代和更丰富的视觉效果；对于开发者，则意味着更顺畅的交接和更少的上下文切换。 值得注意的是，这些功能均深度整合 AI，体现了 Figma 对“AI 原生”工作流的押注。随着 Figma Weave 的全面集成，未来设计师可能只需描述意图，AI 就能自动生成可交付的代码和动画。 不过，这些新功能目前仍处于早期阶段，实际效果和性能表现有待验证。Figma 能否在保持易用性的同时驾驭这些复杂技术，将是其后续发展的关键挑战。
设计平台 Figma 在最新更新中推出了多项重磅功能，包括代码图层、动画与着色器支持，以及基于 AI 的自定义插件创建能力。本次更新进一步模糊了设计与开发之间的界限，让设计师、产品经理和工程师能够在同一个协作画布上更自由地探索创意。 ## 代码图层：让设计与代码无缝衔接 Figma 首席产品官 Yuhki Yamashita 表示，新增的代码图层允许团队直接从代码仓库中克隆代码，并将代码中的逻辑提取为设计图层用于测试。他强调，多人协作画布的核心优势在于：“你不需要关心代码质量，如果正在快速探索多个方向，可以用这种空间化的方式自由尝试。”这一功能旨在改变设计师、工程师和产品经理之间的协作模式，让迭代想法而非生产级代码成为焦点。 ## 动画与 3D 变换：告别第三方工具 此前，设计师需要在其他软件中制作动画，再转换为代码导入 Figma。现在，Figma 原生支持动画、过渡和 3D 变换，用户可以直接在平台上完成动态设计。此外，AI 辅助生成着色器效果和填充功能也已上线，进一步降低了动态设计的门槛。 ## AI 代理与自定义插件：自主化工作流 去年收购的节点式工具 Weavy 正在与 Figma 深度整合。今年晚些时候，用户将可以直接在 Figma 内生成 Weavy 工作流，通过不同模型对比输出。同时，Figma 的 AI 助手新增了“技能”功能：用户可通过自然语言提示创建可重复使用的 AI 任务，并连接 Notion、Granola、Excel、GitHub 等工具或附加文件，让 AI 获得更多上下文。 更引人注目的是，Figma 支持用提示词创建自定义插件，例如布局生成器或矢量路径追踪器。这意味着非开发人员也能根据需求快速构建专属工具，进一步扩展了 Figma 的生态边界。 ## 行业视角：设计工具正在变成“协作操作系统” 从去年推出 AI 原型工具 Figma Make，到集成 Claude Code 和 Codex，再到如今的代码图层与 AI 代理，Figma 正从单纯的设计工具转向一个融合设计、开发与 AI 的协作平台。这一趋势与整个行业“低代码/无代码”以及“AI 辅助开发”的浪潮相呼应。对于企业而言，Figma 的更新有望缩短从设计到开发的交付周期，降低沟通成本。而对于设计师和产品经理，掌握 AI 提示词与简单代码逻辑将成为新的必备技能。
据知情人士透露，特朗普政府近期与Anthropic的沟通转向积极，但原因并非政策缓和，而是该公司CEO Dario Amodei被联合创始人Tom Brown取代，成为与白宫会议的主要代表。一位直接了解会议情况的人士称：“Tom Brown不像Dario那样古怪，能够真正进行对话。” 自6月12日国家安全局确认Anthropic的受限模型Mythos存在防护措施可被绕过、更强大功能可被访问的风险后，美国政府对该公司最强大的模型实施了出口管制，导致其离线。尽管管制尚未解除，但最近几天政府与Anthropic进行了多次通话，Brown和公共政策主管Sarah Heck的参与让沟通氛围有所改善。相比之下，Amodei被认为难以沟通，且不倾听政府关切。 谈判涉及高层和工作组两个层面，双方技术人员均有参与。部分讨论聚焦于Anthropic需要提供何种程度的证据，才能缓解政府对其最新模型Fable 5可能被越狱的担忧。正如Inner Loop此前指出的，双方还面临概念性挑战：独立网络安全专家越来越认为，AI模型的防护措施只是权宜之计，因为熟练用户和未来AI模型总能找到绕过限制的方法。 白宫发言人拒绝置评，Anthropic发言人未回应置评请求。目前，Anthropic重新部署Fable 5的时间表仍不确定，但未来几天内，该公司解除出口管制所需满足的条件可能会更加清晰。上周，一个两党议员小组向商务部长Howard Lutnick提交了一系列问题，询问Anthropic的前进路径。其中一项关键问题涉及重新部署：“部门依据哪些具体标准来决定是否通过修订此决定恢复模型的公众访问？”这反映出政府与企业在AI安全与商业利益之间的持续博弈。
## 核心要点 OpenAI于本周三正式发布其首款自研推理处理器，代号“Jalapeño”。该芯片由OpenAI与博通（Broadcom）联合设计制造，专为OpenAI推理系统量身定制。OpenAI表示，其自有的AI模型参与了芯片开发过程。目前芯片仍处于测试阶段，但早期结果显示，其**每瓦性能显著优于当前最先进的替代方案**。 ## 战略背景：降低对英伟达依赖 OpenAI的芯片计划此前已传闻多时，核心动因在于减少对英伟达GPU的依赖。谷歌和亚马逊早已通过自研AI加速器实现了类似目标——即专门为加速机器学习工作负载而设计的硅芯片。2024年10月，OpenAI与博通的合作正式官宣，此次发布的Jalapeño正是该合作的成果。 OpenAI总裁格雷格·布罗克曼（Greg Brockman）在合作宣布后的内部播客中解释了公司的芯片开发思路：“我们对工作负载有深刻理解……我们一直在寻找那些未被充分服务的工作负载，思考如何构建能加速可能性的东西。” ## 技术特性：聚焦推理效率 Jalapeño**专为推理（inference）设计**，即运行预训练AI模型以响应用户指令的过程。在公告中，OpenAI特别强调了该芯片在运行实时编程模型时的**低运营成本**。可以预见，预训练等计算密集型任务可能仍将依赖英伟达硬件，但即便只是推理成本的微降，也能显著改善公司利润。 优化推理系统正成为AI经济学的关键变量，且这种优化将发生在技术栈的每一层。OpenAI已在构建Codex等智能体产品、支撑这些产品的模型，以及运行模型的算力中心。进军定制芯片，使得OpenAI能将优化推进到更底层。 ## 全栈整合：从模型到芯片 OpenAI在公告中强调：“OpenAI不仅开发前沿模型或在之上构建产品；它正在设计底层的整套基础设施：**芯片架构、内核、内存系统、网络、调度、部署系统以及产品体验**。”由于OpenAI横跨整个技术栈，每一层都可以围绕“让模型更快、更可靠、更实惠”这一统一目标进行优化。 Jalapeño的发布标志着OpenAI从AI模型提供商向**全栈AI基础设施公司**的转型迈出关键一步。在推理成本日益成为AI规模化瓶颈的当下，自研芯片有望为OpenAI带来显著的竞争优势。
OpenAI 正式揭晓了其首款自研 AI 处理器——名为 **Jalapeño** 的“智能处理器”芯片。该芯片由 OpenAI 与芯片巨头 **博通（Broadcom）** 联合打造，专为 AI 推理场景设计，旨在驱动当前及未来的大型语言模型。这标志着 OpenAI 在摆脱对英伟达 GPU 的过度依赖上迈出了关键一步。 ### 一款为推理而生的 ASIC 芯片 Jalapeño 是一款 **ASIC（专用集成电路）**，其设计目标非常明确：**AI 推理**。所谓推理，就是当用户向 ChatGPT 或 Codex 等 AI 智能体发送请求时，模型处理并生成回应的过程。这与 AI 训练（模型通过海量数据学习来优化自身）形成鲜明对比。OpenAI 表示，Jalapeño 是其“多代计算平台的第一步”，预计将在 **2026 年底** 前部署上线。 ### 性能对标 Blackwell，能效大幅领先 根据博通 CEO Hock Tan 在采访中透露的信息，Jalapeño 的性能可与 **英伟达的 Blackwell 芯片** 以及 **谷歌的 TPU（张量处理单元）** 相匹敌。OpenAI 方面则强调：“虽然我们仍在测量最终性能，但早期测试表明，Jalapeño 的**每瓦性能**将显著优于当前最先进水平。” 这意味着在同等功耗下，Jalapeño 能处理更多 AI 推理任务，这对于降低大型数据中心的运营成本和能耗至关重要。 ### 巨头自研芯片潮：OpenAI 加入战局 OpenAI 并非唯一一家走上自研芯片道路的 AI 公司。**微软、Meta 和亚马逊** 等科技巨头近年来也纷纷推出了自研 AI 芯片，用于服务器端的训练或推理。然而，在整体性能上，这些自研芯片目前仍难以超越英伟达的统治地位。Jalapeño 的推出，使得 OpenAI 成为这一阵营中最具标志性的玩家——毕竟它既是全球领先的 AI 模型提供商，也是最大的 GPU 消耗者之一。 ### 合作背景与未来展望 此次发布距离 OpenAI 宣布与博通合作仅过去 **九个月**，进展速度令人瞩目。在英伟达 GPU 长期供不应求的背景下，自研芯片成为 OpenAI 降低成本、保障算力供应的战略选择。Jalapeño 作为“多代平台”的开端，未来有望持续迭代，进一步缩小与英伟达的差距。对于整个 AI 产业而言，这或许意味着芯片供应链将迎来更多元化的格局。
你能想象只需折叠一张纸，就能制造出电路板吗？香港城市大学创意媒体学院的博士生张奇和朱克宁教授，在最新一期《DIY 杂志》上展示了一种创新方法：通过折叠和切割浸渍了导电油墨的纸张材料，即可形成导电通路，为电机和灯珠供电。这项技术将古老的折纸艺术与现代电子制造巧妙结合，为柔性电子和快速原型设计开辟了新路径。 ## 原理与操作 这种“折纸电路板”的核心在于一种特殊纸张——其纤维中浸渍了导电油墨，使得纸张本身具备导电性。用户只需像折纸一样进行折叠和切割，就能在纸张内部形成连续的导电轨迹。例如，通过简单的山折和谷折，可以改变电流路径；而切割则能断开不需要的连接。最终，这些导电通路可以连接电池、LED 灯或小型电机，实现功能电路。 ## 优势与潜力 相比传统蚀刻或打印电路板，折纸电路板具有以下显著优势： - **低成本**：无需复杂的化学蚀刻或昂贵的设备，仅需导电纸和剪刀。 - **快速原型**：从设计到实现只需几分钟，适合创意验证和教育场景。 - **柔性可折叠**：电路板可以像纸一样弯曲、折叠，甚至揉皱后仍能工作，非常适合可穿戴设备和柔性电子。 - **环保**：纸张基材可降解，减少电子垃圾。 ## 应用场景 研究人员展示了多个示例，包括折纸灯笼中的 LED 照明、折纸飞机上的微型电机驱动，以及互动贺卡中的声音模块。这些应用不仅展示了技术的实用性，也凸显了其艺术与科技融合的独特魅力。 ## 行业背景 当前，柔性电子市场正在快速增长，但多数方案仍依赖昂贵的导电聚合物或金属薄膜。折纸电路板提供了一种极低成本的替代方案，尤其适合教育、创客运动和快速原型领域。不过，其导电性能有限，目前仅适用于低功率应用。未来，通过改进导电油墨配方和纸张结构，有望提升电流承载能力，拓展到更复杂的电子系统中。 折纸电路板不仅是技术上的创新，更是一种思维上的突破——它告诉我们，电子制造不必总是依赖精密仪器，有时一张纸、一把剪刀，加上一点创意，就能点亮世界。
**TechCrunch Founder Summit 2026** 早鸟优惠进入倒计时：仅剩3天，最高可节省**$190**。优惠截止时间为**太平洋时间6月26日晚上11:59**。 本次峰会将于**11月4日在波士顿**举行，预计汇聚**超过1000名创始人和投资者**。活动聚焦实战经验分享，涵盖融资、规模化、招聘、退出策略等核心议题。往届演讲嘉宾来自**Tesla、Sapphire Ventures、Index Ventures、Sequoia Capital、Greylock、NFX、Wing Venture Capital**等知名机构。 现场还将设置分组讨论和圆桌环节，参会者有机会提交议题并参与投票。团队购票（4人及以上）可享**额外30%折扣**。 > “创始人不会独自扩张。”——TechCrunch 强调，与同行交流、向操盘手学习、与投资人建立关系，是创业加速的关键。 立即注册，锁定早鸟价。
射频集成电路（RFIC）设计长期以来被视为一门“黑暗艺术”，依赖工程师多年经验，复杂且耗时，严重制约了 5G、自动驾驶、卫星通信等无线技术的发展。然而，普林斯顿大学的研究团队正通过强化学习、逆向设计和扩散模型等 AI 技术，彻底改变这一局面。他们的方法能在数小时内生成高性能的 RF 电路布局，甚至创造出人类设计师无法想象的创新结构，同时大幅缩短设计周期。未来，建立大型共享芯片设计数据集和开放生态系统，将是 AI 进一步掌握通用电磁与电路行为的关键。 ## 从“黑暗艺术”到 AI 驱动的自动化 传统的 RFIC 设计高度依赖人类专家的直觉与试错，一个复杂的芯片往往需要数月甚至数年才能完成。AI 的介入打破了这一瓶颈。普林斯顿团队采用**强化学习**和**逆向设计**，让算法从零开始探索最优电路拓扑，无需遵循人类的设计规范或美学约束。这种方法不仅速度快，还能发现人类未曾考虑过的创新方案。 ## 扩散模型生成“非人类”布局 研究进一步引入**扩散模型**，能够快速生成新颖且可解释的 RF 布局。这些布局在性能上屡创纪录，但外观却与人类设计的芯片截然不同——它们可能形状不规则、走线怪异，但电磁特性却更优越。这印证了 AI 设计的一个核心理念：摆脱对人类可理解性和视觉美感的依赖，纯粹追求功能最优。 ## 行业影响与未来挑战 AI 驱动的 RFIC 设计将加速 6G、量子通信和自动驾驶等领域的商业化进程。然而，当前最大的障碍是**数据匮乏**：AI 需要大量高质量的设计数据来学习通用规律，但芯片设计数据往往被企业视为机密。普林斯顿团队呼吁建立开放的芯片设计数据集和生态系统，让 AI 能够像在图像识别领域一样，通过共享数据实现突破性进展。 ## 小结 AI 正在将 RFIC 设计从一门依赖个人经验的手艺，转变为可扩展、可复制的工程科学。虽然完全替代人类设计师尚需时日，但 AI 在探索未知设计空间方面的能力已经毋庸置疑。未来的无线世界，或许正由这些“非人类”的芯片所塑造。
Google 最新推出的 Home Speaker 以 99 美元的价格，在小巧机身内塞入了令人惊喜的音质和智能体验。但“音箱”只是它工作的一部分。凭借三麦克风阵列，即使在 100% 音量播放音乐时，它也能快速响应“Hey Google”唤醒词。在两天测试中，麦克风从未漏掉一次唤醒——除了我为了不吵醒宝宝而隔屋耳语的那次，但这或许不算公平测试。我把音箱放在浴室，淋浴时与它对话；Siri 几乎听不到流水声中的我，但 Google 表现相当不错。 这些是任何智能音箱都应做好的基本功，但对 Home Speaker 来说尤为关键——Google 不仅将其设计为音乐和智能家居控制中心，更把它打造成一个通过 Gemini 完成一切的环境式 AI 助手：规划日程、获取信息、处理事务。 **音质与设计** Home Speaker 音质饱满有力，在如此小的体积下能发出充满房间的声音。日常作为厨房音箱或背景音乐，你几乎不需要开到最大音量。不过与上一代 Nest Audio 相比，后者声音更响亮、音质更好，体积也大得多。我多年的主力小音箱是 UE Wonderboom，Home Speaker 与它旗鼓相当：Wonderboom 稍响一些，低音更强劲。 **智能与体验** Gemini 的融入让 Home Speaker 不再只是音箱。你可以自然对话式地询问日程、天气、甚至让 AI 帮你完成复杂任务。但初期体验显示，它偶尔会“犯轴”——比如对某些指令理解偏差，或执行速度不如预期。这种“小脾气”在智能设备上并不罕见，但对于一款主打环境 AI 的产品，稳定性和可靠性仍需打磨。 **小结** Google Home Speaker 在音质和设计上交出了亮眼答卷，AI 体验也展现了巨大潜力。但作为一款“智能音箱”，它需要在“智能”和“稳定”之间找到更好平衡。完整评测将在后续发布，敬请期待。
高通公司宣布以近40亿美元收购硅谷AI芯片初创公司Modular，这一交易标志着高通在AI芯片领域的进一步扩张。Modular成立于2022年，由Chris Lattner和Tim Davis共同创立，两人均曾在谷歌TPU团队工作。Lattner是开源编译器项目LLVM和苹果Swift编程语言的创建者，还曾短暂担任特斯拉Autopilot软件负责人。Modular的核心产品是一个芯片软件平台，以及专有的编程语言，允许开发者编写一次AI软件即可在不同芯片上运行，无需为每种芯片重写代码。该平台旨在帮助云企业最大化GPU和CPU的性能。 高通计划通过此次收购增强其在AI芯片软件方面的能力，特别是在数据中心市场。高通总裁兼CEO Cristiano Amon表示：“我们相信未来属于开发者友好的横向平台，能够跨不同计算环境运行，为客户提供真正的选择。”高通近年来积极拓展移动芯片以外的业务，包括为AI设备设计芯片，如智能眼镜、耳机、手表等，并已推出40多种AI设备芯片设计。此外，高通还在数据中心市场发力，去年收购了RISC-V服务器CPU初创公司Ventana Micro Systems，并正在开发定制ASIC设计，据报道中国字节跳动是其早期客户。 交易预计将于今年下半年完成，Modular的整个团队（包括两位联合创始人和约150名员工）将加入高通。此次收购距离Modular完成2.5亿美元融资仅9个月，当时其估值为16亿美元。分析人士认为，这笔交易反映了AI芯片领域软件与硬件融合的趋势，高通正通过收购快速补齐软件短板，以应对英伟达等竞争对手的挑战。
But not by shifting costs to electricity customers, FERC says