在 AI 健康助手泛滥的当下，Google 旗下的 Fitbit Air 以 99 美元的价格和更务实的设计，试图在“健康焦虑”与“实用价值”之间找到平衡。本文通过实测体验，探讨了 AI 健康追踪器的现状与未来。 ## 硬件：轻巧舒适，续航出色 作为一款基础追踪器，Fitbit Air 延续了 Fitbit 的传统优势——**佩戴感极轻**，几乎无感；**电池续航长**且充电快。在测试中，即使在高强度使用下（如报道 WWDC 期间），电量从 20% 开始也能撑过一整天。唯一的小槽点是：官方宣称的“薰衣草”色实际看起来更像**长春花蓝**。 ## AI 健康教练：谨慎的实用主义者 Google Health Coach 是 Air 的核心卖点之一，但它的表现更像一个“谨慎的顾问”而非“全知的神”。它会根据睡眠、心率变异性（HRV）、环境温度等数据给出建议，比如“今天不适合力量训练，多补水、避暑、散散步”。这种保守风格虽然避免了过度恐吓，但也暴露出当前 AI 健康助手的通病——**需要大量用户交互才能提供精准建议**。 例如，当它询问“小腿是否感到紧张”时，用户需要主动反馈，否则建议会停留在泛泛层面。这反映出 AI 健康教练仍处于**早期阶段**：数据解读能力强，但缺乏对个体差异的深度理解。 ## 软件 vs. 硬件：AI 健康追踪的十字路口 Air 的发布恰逢 AI 健康领域“群魔乱舞”之际——不少产品以 AI 为噱头，实则制造焦虑。相比之下，Google 的策略更聪明：**基础追踪数据不再付费墙**，让用户自由选择是否启用 AI 教练。这意味着，即使你反感 AI 干预，Air 仍是一款合格的入门追踪器。 不过，**Google Health 应用仍有待打磨**。部分数据解读不够直观，AI 建议的触发逻辑有时显得突兀。考虑到这是 Google 整合 Fitbit 后的首款 AI 驱动产品，这些初期问题尚可理解。 ## 小结：AI 健康，路还很长 Fitbit Air 证明了**硬件可以朴实无华，软件可以谦逊有用**。AI 健康教练不是魔法，而是需要用户共同参与的“半成品”。如果你愿意花时间磨合，它可能成为得力助手；如果你只想安静地追踪步数，它也不会强迫你“变得更健康”。在 AI 健康这一“垃圾堆”里，Air 至少没有火上浇油——这本身就是一种进步。
TechCrunch 创始人峰会2026即将于11月4日在波士顿举行，早鸟优惠仅剩最后4天。**6月26日晚上11:59（太平洋时间）前注册**，可节省高达**190美元**。 本次峰会是专为创始人打造的旗舰级活动，预计吸引超过1000位创始人与投资人参与。活动以**实战洞察、同行学习和高效社交**为核心，帮助初创企业加速成长。 ## 核心看点 - **与同行交流**：结识处于相似发展阶段的其他创始人，分享经验与挑战。 - **向资深运营者学习**：从那些已经完成规模化、团队建设和营收增长的运营者身上获取实用建议。 - **与投资人建立联系**：了解投资人的关注重点和投资方向，为融资铺路。 ## 分阶段议题覆盖 峰会内容围绕创始人最关心的决策场景设计，包括但不限于： - **A轮融资**：如何打造打动投资人的路演材料 - **规模化增长**：向1000万美元ARR迈进 - **后续轮次**：为C轮及以后的融资做好准备 - **退出策略**：何时出售公司？如何筹备上市？ 所有环节均以**可立即执行的实战建议**为导向，而非泛泛而谈。 ## 往届演讲者阵容 往届嘉宾包括特斯拉前总裁转投资人的**Jon McNeil**、Sapphire Ventures合伙人**Cathy Gao**等重量级人物，他们分享的从产品创新到融资策略的一手经验，令参会者受益匪浅。 ## 团体优惠 四人及以上团体注册可享受最高**30%折扣**，适合创业团队集体参加。 **立即注册**，抓住早鸟最后机会：6月26日前锁定低价，为11月的波士顿之行做好充分准备。
当索尼上个月发布 Xperia 1 VIII 时，它用一些“近年来最差的索尼相机照片”来宣传这款手机——而这些照片正是由索尼全新的 **AI 相机助手** 拍摄的。经过一周的实测，我可以告诉你：这个 AI 助手的表现确实和索尼展示的一样糟糕。 ### 不是教练，是滤镜 与 Google Pixel 上的 Camera Coach 不同——后者会指导你如何构图、选择对焦主体，甚至建议使用哪个镜头——索尼的 AI 相机助手几乎不提供任何实质性建议。它直接嵌入在相机默认模式中，当你试图拍照时，取景器里会弹出一个小框，显示 AI 建议的“替代设置”效果。你可以点击应用，或者滑动浏览另外三个选项。 但问题在于： * **它只套滤镜**：AI 不会帮你改善构图、对焦或曝光，只是应用某种风格化效果。 * **不解释原因**：你完全不知道 AI 调整了哪些参数——对比度、饱和度还是白平衡？它不告诉你，因此你无法学到任何摄影技巧。 * **效果难看**：实际生成的图像往往色彩过饱和、对比度怪异，像是加了劣质 Instagram 滤镜。 ### 不稳定且不完整 AI 建议的出现并不一致。它不支持自拍相机，索尼也未解释原因。当镜头直接对准明亮光源时，建议甚至会消失。这种不稳定性让用户无法依赖它——你永远不知道它什么时候会“罢工”。 ### 背景：索尼的 AI 摄影困境 索尼在手机摄影领域一直有自己的坚持，但近年来逐渐落后于 Google、苹果和三星的计算摄影。此次 AI 相机助手的推出，本意可能是用 AI 弥补硬件调校的不足，但实际效果反而暴露了索尼在 AI 图像处理上的短板。与 Google 的 **Real Tone** 或苹果的 **Deep Fusion** 相比，索尼的 AI 更像是一个半成品——它试图提供“一键美化”，却牺牲了画质和用户控制权。 ### 小结：关掉它，好好拍照 如果你买了 Xperia 1 VIII，建议直接关闭 AI 相机助手。索尼允许一键禁用该功能，这可能是它最人性化的设计。手机本身的硬件依然出色，但 AI 功能显然还需要大幅改进。对于追求真实摄影体验的用户来说，目前的 AI 助手更像是一个干扰，而非助力。
美国电网的容量利用率长期徘徊在50%左右，意味着大量已建成的输电和配电设施处于闲置或低效运行状态。这一现状不仅推高了电力成本，也延缓了清洁能源的接入进程。IEEE Spectrum 能源编辑 Emily Waltz 在与行业专家 Ian Magruder 的对话中探讨了一系列新兴技术，这些技术有望大幅提升电网利用率，从而降低电价并加速能源转型。 ## 利用率低下的根源 电网容量利用率低的主要原因在于传统规划与运行方式的保守性。为了确保供电可靠性，电网运营商通常预留大量备用容量以应对极端天气、设备故障或负荷波动。此外，区域间电力交换受限于输电瓶颈和调度协议，导致部分地区电能不能被有效输送至需求中心。这种“以防万一”的设计思路虽然保证了基本安全，却也造成了巨大的资源浪费。 ## 新兴技术的突破方向 Magruder 指出，**动态线路定容（DLR）** 技术是提升利用率的关键手段之一。传统上，输电线路的容量基于最恶劣天气条件（如高温、无风）下的热极限设定，而 DLR 通过实时监测风速、温度、日照等环境参数，动态调整线路的载流量。在有利气象条件下，线路容量可提升 **30% 至 50%**，且无需新建基础设施。 另一项重要技术是 **电网拓扑优化（GTO）**，通过电力电子装置（如柔性交流输电系统，FACTS）和智能开关，动态改变电网的潮流分布，使电能从拥堵路径自动转移到空闲路径。这相当于在不增加线路的情况下“疏通”电网瓶颈。 此外，**先进储能系统** 和 **需求侧响应** 也能平滑负荷曲线，降低峰谷差，从而让现有设备在更长时间内保持高利用率。例如，电池储能可在低谷时充电、高峰时放电，有效替代部分调峰机组。 ## 经济效益与环境红利 提高电网利用率可直接降低电价。据估算，若将美国电网平均利用率从50%提升至70%，全国每年可节省数十亿美元的电力成本。对于消费者而言，这意味着更低的电费账单；对于可再生能源开发商，则意味着更少的弃风弃光损失。 更重要的是，更高效率的电网能更快接纳分布式光伏、风电等间歇性电源。当前，新能源项目常因并网排队和升级成本而延期，而利用现有容量即可实现部分新增接入，大幅缩短项目周期。 ## 挑战与展望 尽管技术可行性已得到验证，大规模部署仍面临监管壁垒、投资回报机制不清晰以及电网运营商的文化惯性。Magruder 强调，需要政策层面推动激励改革，例如将“利用率提升”纳入电网公司的绩效考核指标，或建立容量市场中的效率奖励机制。 总体而言，**释放闲置电网容量** 是短期内最具成本效益的电力系统升级路径之一。随着 DLR、GTO 等技术的成熟与商业化，美国有望在不大量新建输电塔的情况下，实现电力容量翻倍，为清洁能源转型铺平道路。
Meta 正试图在智能眼镜领域走出自己的路。过去三年间，“Meta”与“雷朋”在智能眼镜领域几乎画上等号，但这一局面已被打破。昨日，Meta 发布了三款全新智能眼镜——**Meta Fury**、**Meta Adventurer** 以及 **Meta Glasses by Kylie**（与社交名媛凯莉·詹娜合作款）——均不再带有雷朋品牌标识。新眼镜起售价较上一代降低 **80 美元**，并推出三种风格、七种配色。 ## 去雷朋化：从借势到自立 与 EssilorLuxottica 的合作并未终止——镜腿内侧依然印有该公司的小字标识，但品牌重心已从雷朋转向 Meta 自身。这一转变耐人寻味：雷朋的经典设计曾为 Meta 智能眼镜注入时尚基因，使其摆脱“极客感”，但现在 Meta 显然希望建立独立的可穿戴品牌认知。 ## 隐私争议如影随形 尽管眼镜外观更亲民，Meta 的隐私包袱却愈发沉重。近期《纽约时报》与 Wired 相继报道，Meta 正为其智能眼镜开发面部识别功能，这无疑会加剧公众对数据滥用的担忧。Meta 可穿戴设备副总裁 Alex Himel 表示，隐私改进已在路上，但未透露具体细节。 ## 价格下探，但竞争升温 降价策略意在扩大用户基数，但智能眼镜赛道已拥挤不堪：苹果、谷歌、亚马逊等巨头虎视眈眈，初创公司也在细分场景上发力。Meta 能否凭借“去雷朋”后的自有品牌站稳脚跟，还需市场检验。 总体而言，Meta 正从“雷朋的科技附属品”向“独立智能眼镜品牌”转型，但隐私与功能之间的平衡仍是其最大挑战。
瑞典斯德哥尔摩初创公司 **Fika Jobs** 近日宣布完成 **400 万美元** 的 pre-seed 轮融资，致力于打造一个视频优先的招聘平台，融合 AI 面试代理与短视频个人档案，创造出一种介于 LinkedIn 和 TikTok 之间的全新体验。 ## 从简历黑箱到视频面试 传统招聘流程长期因效率低下和不透明而饱受诟病。求职者花费数小时撰写简历和求职信，却往往石沉大海。生成式 AI 的普及反而让情况变得更糟——雇主们越来越依赖 AI 筛选系统来处理海量申请。Fika Jobs 的创始人 Jakob Dubois 和 Alexander Dubois 兄弟在创办上一家社交应用公司时，就深刻体会到了传统简历的局限性。他们曾差点错过一位优秀候选人，因为其简历并不出众，但实际沟通后发现对方正是公司需要的人才。这让他们确信，雇主最看重的许多特质（如主动性、驱动力）很难在纸上体现。 ## Fika 如何运作？ 求职者首先需要连接 LinkedIn 个人资料，Fika 的 AI 会分析其背景并生成个性化面试问题。随后，求职者与 AI 面试官（目前由 **Google Gemini 模型** 驱动）进行约 **10 分钟** 的视频面试。面试结束后，Fika 自动将回答剪辑成短视频片段，并整理成个人档案。与传统招聘模式不同，求职者无需每次都重新申请职位，而是维护一个“活”档案，雇主可以随时发现并重新联系。 ## 差异化定位与行业背景 与大多数竞品（如 Alex、Maki、Mercor）聚焦于帮助雇主更高效地筛选和匹配候选人不同，Fika 构建的是一个求职者主导的视频档案平台，雇主则浏览一个已经过 AI 面试和评估的人才池。如果成功，Fika 有望帮助雇主评估沟通能力、软技能等传统简历难以量化的特质，同时也让求职者有机会展示更立体的个人形象。 ## 融资用途与未来 本轮融资将用于继续开发平台、扩充团队，并计划在今年晚些时候进行更广泛的发布。在 AI 招聘赛道日益拥挤的当下，Fika 的视频优先模式能否真正解决招聘痛点，值得持续关注。
科幻作家兼科技记者科里·多克托罗（Cory Doctorow）在其新书《逆半人马：AI之后的生活指南》中，对当前AI行业的泡沫与乱象进行了犀利剖析。多克托罗并不热衷于谈论AI，但频繁被要求评论，于是决定写一本书来“厘清废话与物质现实”。 ## 什么是“逆半人马”？ 多克托罗借用自动化理论中的“半人马”概念——指人类通过技术（如机器学习、驾驶汽车或自动补全）得到增强——提出了“逆半人马”：即机器主导、人类沦为附属品。他以亚马逊送货司机为例：司机被AI摄像头全方位监控，本质上只是配送车的“血肉附件”。成为半人马通常是积极的，但很少有人愿意成为逆半人马。然而，AI行业似乎正致力于创造更多逆半人马。 ## AI泡沫的根源 多克托罗并非彻底反AI，他本人也定期使用AI工具，并看到其作为插件或应用的潜力。但他对围绕AI的过度炒作、巨额资本支出、不切实际的期望以及自利性宣传深感忧虑。他指出，当AI泡沫不可避免破裂时，可能带来灾难性的经济后果。 > “泡沫不想要便宜有用的东西，它想要昂贵‘颠覆性’的东西：大型基础模型……” 多克托罗认为，当前AI行业的投资逻辑并非追求实用价值，而是追求“颠覆性”叙事，这导致了巨大的资源浪费和风险积累。 ## 如何戳破泡沫？ 多克托罗建议从根源入手：减少对大型基础模型的盲目投资，转而关注那些真正能提升人类能力、而非替代人类的工具。他强调，AI应用应当服务于人，而非让人成为机器的附庸。例如，在医疗领域，AI可以帮助放射科医生更高效地分析X光片，而不是取代大多数医生，让幸存者承担全部责任。 ## 结语 多克托罗的新书提供了一种清醒的视角：AI并非魔法，它既有潜力也有风险。当前的关键是识别并遏制那些旨在制造“逆半人马”的商业模式，推动AI向增强人类能力的方向发展。
想象一下，你坐在办公桌前，登录系统参加一场绩效评估，而一个 AI 系统正在分析你们的对话。你最近一直在加班，努力赶截止日期，经理问你最近怎么样。你说“挺好的”，甚至还笑了笑，但语气中带着一丝犹豫，声音有些颤抖。你调整了一下坐姿，肩膀微微下垂。这些细微的线索，对人类来说可能暗示着潜在的压力。但对于一个只被训练将情感归类为“开心”或“悲伤”的 AI 模型来说，这些细微差别很可能被忽略。它记录下你的话语和微笑，然后继续——除非你的经理介入，否则你疲惫、注意力不集中、可能再过几天就会 burnout 的事实，永远不会进入它的计算范围。 “情感 AI”（Emotion AI）——通过面部表情、语音语调和行为来推测人们感受的技术——似乎突然无处不在；它被用于员工福祉和招聘面试、教育平台以及驾驶员监控系统。像 **NiCE** 和 **Genesys** 这样的技术型呼叫中心平台，使用 AI 来检测客户何时感到沮丧，并实时提示客服人员放慢语速或更有同理心地回应。像 **Meta** 这样的巨头和 **Hume AI** 这样的初创公司，正在开发更具表现力的语音 AI 系统，这些系统可以检测到“对话”对象的情感线索，并调整自己的沟通方式。此外，已有数百家公司提供虚拟 AI 陪伴应用，这是一个快速增长的市场，预计到 2035 年价值可能达到 **5550 亿美元**——机器人伙伴也已登场。例如，**Intuition Robotics** 的 **ElliQ**，一个小型设备，外形略似白色台灯，目前正被用于与老年人对话，以期减少孤独感。 然而，尽管情感 AI 领域正在飞速发展，但现有的大多数系统都专注于检测有限数量的信号，一次只标记一种特定的情绪——如果你想理解人类状况，这是不够的。在现实世界中，人类的信号和情绪是**情境化的、重叠的、不断变化的**。笑声可以表示快乐，也可以表示紧张，或者两者兼有；提高音量可能同样容易代表热情或沮丧。更让情感检测任务困难的是，不同个体的反应差异巨大。 ## 从“读脸”到“读场” 过去的情感 AI 模型往往依赖于静态的面部表情或单一的语音特征，忽略了场景和上下文。例如，一个人在葬礼上哭泣和在毕业典礼上哭泣，背后的情感截然不同。新一代的 AI 正在尝试整合更多维度的信息，包括环境、对话历史、文化背景等，以做出更准确的判断。这种“情境感知”能力，是情感 AI 走向成熟的关键一步。 ## 商业与伦理的双重驱动 情感 AI 的商业潜力巨大。从提升客服满意度到改善驾驶安全，再到为孤独的老人提供陪伴，应用场景层出不穷。但与此同时，伦理问题也日益凸显：如果 AI 错误解读了你的情绪，可能导致不公平的招聘决策、不当的医疗建议，甚至侵犯隐私。欧盟的 AI 法案已开始将情感 AI 列为高风险应用，要求更严格的透明度和监管。 ## 小结 情感 AI 正在从简单的“标签化”走向复杂的“情境化”，这既是技术的进步，也是对人类情感复杂性的尊重。未来，真正有用的情感 AI 必须学会“读场”，而不仅仅是“读脸”。对于企业而言，投资于更精准、更符合伦理的情感 AI，不仅是商业选择，更是社会责任。
## 何为“Vibecoded”恶意软件？ 近期，一种被称为“Vibecoded”（氛围编码）的恶意软件正在互联网上泛滥，迫使安全行业重新思考传统的反恶意软件策略。这种新型威胁并非源于复杂的黑客技术，而是借助生成式AI工具（如ChatGPT、Copilot等）快速生成的代码——开发者或攻击者只需描述一个“氛围”或大致需求，AI便能自动产出功能完整的程序，其中可能包含隐藏的恶意逻辑。 ## 为什么这种威胁正在激增？ 生成式AI的普及大幅降低了编写恶意软件的门槛。过去，编写恶意代码需要专业的编程知识；现在，任何人只需用自然语言描述目标（如“创建一个能收集浏览器密码的脚本”），AI就能生成可执行的代码。这些代码往往经过混淆处理，难以被传统杀毒软件检测。此外，AI生成的恶意软件变种速度极快，每次请求都可能产生不同的代码形态，使得基于签名的检测方式失效。 ## 对安全行业的冲击 安全专家指出，Vibecoded恶意软件代表了一种“非典型”攻击模式：它不依赖零日漏洞或复杂漏洞，而是利用AI的“黑盒”特性生成不可预测的代码。这迫使防御方转向行为分析、异常检测和AI驱动的威胁情报。例如，安全公司开始部署专门检测AI生成代码特征的引擎，并加强对API调用的监控。 ## 应对策略：从“签名”到“行为” 为了应对Vibecoded恶意软件的泛滥，安全行业正在推动以下变革： - **行为基线的建立**：不再依赖已知恶意文件哈希，而是监控程序运行时的异常行为，如未经授权的数据外传、键盘记录等。 - **AI对抗AI**：使用生成式AI模拟攻击路径，提前发现潜在漏洞。同时，训练检测模型识别AI生成代码的典型模式（如冗余注释、异常的错误处理逻辑）。 - **代码审查自动化**：在开发阶段集成AI安全扫描工具，自动标记由AI生成的、可能包含恶意逻辑的代码片段。 ## 小结 Vibecoded恶意软件的兴起是AI双刃剑效应的典型体现。它既降低了创新门槛，也带来了前所未有的安全挑战。对于企业和个人用户而言，保持警惕、更新安全策略、采用下一代端点防护方案已刻不容缓。
欧盟正加速推动技术供应链的自主化，以降低对亚洲和美国关键技术的依赖。这一战略转向不仅关乎半导体制造，更涉及云计算、人工智能、开源软件等多个领域。如果欧盟能够克服长期以来的官僚惯性，开源社区和欧洲本土科技产业有望从中受益。 ## 供应链自主化的紧迫性 近年来，全球芯片短缺、地缘政治紧张以及技术出口管制，让欧盟深刻认识到供应链脆弱性的代价。欧盟委员会提出《芯片法案》，计划投入超过430亿欧元，目标是到2030年将欧洲在全球半导体市场的份额从当前的10%提升至20%。然而，供应链自主化远不止于芯片制造。 欧盟的目标是构建从原材料到终端产品的完整技术生态。这意味着不仅要在**先进制程**上追赶台积电和三星，还要在**芯片设计工具（EDA）**、**光刻设备**、**封装测试**等环节建立本土能力。此外，欧盟还在推动**云计算**领域的“欧洲云”计划（如Gaia-X），以减少对美国云服务商的依赖。 ## 开源：欧洲的突破口？ 在构建自主技术供应链的过程中，**开源软件**被欧盟视为关键杠杆。开源社区的协作模式天然符合欧盟强调的“数字主权”和“技术中立”原则。通过支持开源项目，欧盟可以避免被单一商业供应商锁定，同时降低中小企业进入门槛。 例如，欧盟资助的**Next Generation Internet**计划已投入数百万欧元，支持包括**Matrix**（去中心化通信协议）、**Nextcloud**（私有云存储）在内的开源项目。在人工智能领域，欧盟推动的**Trustworthy AI**框架也鼓励企业采用开源模型，以增强透明度和可审计性。 ## 挑战：克服惯性 尽管方向明确，欧盟推进自主供应链面临的最大障碍是**官僚惯性与决策效率**。相比美国通过《芯片与科学法案》快速拨款，欧盟的补贴审批流程繁琐，成员国之间利益协调困难。此外，欧洲缺乏像硅谷那样成熟的创业生态，许多技术人才流向美国或亚洲。 另一个隐患是**市场碎片化**。欧盟各成员国在技术标准、数据保护法规上存在差异，导致企业难以形成规模效应。例如，Gaia-X项目虽然愿景宏大，但实际落地进展缓慢，部分原因正是各国对数据本地化要求的理解不一致。 ## 前景展望 如果欧盟能够简化行政流程、加大研发投入并统一技术标准，其自主供应链战略有望在以下领域取得突破： - **边缘计算与物联网**：欧洲在工业自动化领域有深厚积累，结合开源边缘平台（如Eclipse IoT）可形成差异化优势。 - **量子计算**：欧洲在量子硬件（如离子阱技术）上处于领先地位，通过开源量子软件开发套件（如Qiskit的欧洲分支）可加速生态建设。 - **绿色计算**：欧盟严格的环保法规可转化为机遇，推动低功耗芯片和可持续数据中心技术发展。 不过，这一切的前提是欧盟能否真正“克服惯性”。正如一位分析师所言：“欧洲不缺少好想法，但缺少把它们变成现实的速度。” 未来五年将是欧盟验证其决心的关键窗口。
甲骨文公司本周一披露，过去12个月内已裁减2.1万名员工，占员工总数的13%，这一数字高于此前已知的规模。公司在一份年度财务监管文件中表示：“AI技术在我们业务中的采用和部署已经且可能继续导致员工数量的缩减。”这一披露为许多科技从业者感受到的“流行病”提供了新的数据佐证：公司在报告创纪录收入的同时裁减员工，并将AI同时视为增长引擎和裁员理由。 据职业转型公司Challenger, Gray & Christmas统计，今年5月科技行业裁员人数创下多年来单月最高，而AI是最常被引用的原因。我们近期曾撰文指出，企业可能需要重新思考这一说辞，尤其对许多公司而言，当前裁减的员工恰恰是在疫情期间招聘热潮中入职的，这引发了关于真实动机的质疑。 以下按时间倒序列出今年以AI为由宣布重大裁员的科技公司： **GitLab** — 2026年6月3日。作为最新案例之一，GitLab裁减约350名员工（约占14%），以投资AI基础设施并应对AI工作流带来的流量激增。CEO Bill Staples表示，智能体工作负载正将竞争对手推向边缘，公司已启动核心基础设施的“代际重建”，以支持所谓的“100倍增长需求”。GitLab将退出22个国家，扁平化管理层级，并与一家未具名的AI实验室合作重建平台。公司第一季度营收2.64亿美元，同比增长23%，预计重组成本为3000万至3500万美元。 **谷歌** — 2026年5月持续进行。Alphabet旗下的谷歌悄然裁减了云部门员工，包括威胁情报组和与Mandiant相关的网络安全人员，尽管云业务收入增长63%首次突破200亿美元，积压订单几乎翻倍至超过4600亿美元。过去一年，谷歌裁减了超过三分之一管理小团队的经理——管理少于10人团队的经理数量减少35%。与大多数公司不同，谷歌从未公布过总体裁员数字。 **其他公司**：2026年以来，包括微软、亚马逊、Meta在内的多家科技巨头均以AI转型为由进行了不同规模的裁员，具体数字仍在更新中。 ## 行业分析：AI裁员背后的逻辑与矛盾 从甲骨文到GitLab，企业普遍将AI视为生产力提升工具，认为自动化可以减少人力需求。然而，许多被裁岗位正是疫情期间为应对需求激增而增设的。这引发了两个关键问题：第一，裁员是否真正源于AI替代，还是企业利用AI作为借口进行成本优化？第二，AI带来的效率提升是否足以抵消裁员对创新和士气的负面影响？ 投资银行和咨询公司指出，AI相关裁员可能呈现“短期阵痛、长期获益”的特征，但员工个人面临的不确定性不容忽视。对于求职者而言，掌握AI技能正从加分项变为必备项。
对于需要大量高速存储的创作者和专业人士来说，三星T9便携式SSD提供了一个诱人的选择。这款小巧的橡胶外壳固态硬盘拥有4TB的存储空间，读写速度高达2000 MB/s，目前正在打折促销，售价仅为790美元，比原价1,144美元节省了350美元，相当于32%的折扣。 ## 为什么这款SSD值得关注？ 在存储设备价格居高不下的当下，三星T9的这次促销显得尤为难得。4TB的容量可以轻松存储数百小时的4K视频、大型设计项目或游戏库。而高达2000 MB/s的传输速度意味着拷贝大文件几乎无需等待，极大地提升了工作效率。 ## 设计亮点：坚固且便携 T9采用了橡胶外壳设计，不仅防摔防震，还便于握持。其紧凑的尺寸可以轻松放入口袋或相机包中，是移动办公和创作的理想伴侣。 ## 适合哪些人群？ - **视频编辑师**：需要快速访问和传输大型素材文件。 - **摄影师**：备份高分辨率照片和视频。 - **游戏玩家**：扩展游戏库，减少加载时间。 - **普通用户**：备份重要文档、照片和媒体库。 ## 购买建议 目前该SSD在亚马逊上的售价为790美元，是近期最低价之一。考虑到存储设备的价格波动，有需求的用户不妨趁此机会入手。
亚马逊 Echo Hub 在 Prime Day 促销中降价 39%，跌至历史最低价。这款设备专为智能家居控制而生，解决了长期以来困扰用户的痛点：多设备、多平台、多 App 的碎片化控制体验。 ## 核心能力：统一控制中枢 Echo Hub 本质上是一台 8 英寸的智能家居控制面板，支持 Matter、Zigbee、Thread 等主流协议，可无缝管理来自不同品牌的智能灯、门锁、传感器和摄像头。与普通平板不同，它深度集成 Alexa 语音助手，用户可通过触控或语音指令一键切换场景，无需在各品牌 App 间反复跳转。 ## 降价背后的市场逻辑 Prime Day 折扣并非偶然。智能家居市场长期受困于互联互通问题，尽管 Matter 标准已推行数年，但终端用户仍面临配置复杂、响应延迟等体验瓶颈。亚马逊选择以硬件补贴换生态渗透：Echo Hub 的降价不仅吸引新用户，更可能带动 Echo 系列音箱、Fire TV 等关联产品的销量。 ## 行业对比与适用场景 对比 Google Nest Hub 和 Apple HomePod，Echo Hub 的优势在于更开放的协议支持和 Alexa 庞大的技能生态。其 8 英寸屏幕适合壁挂或桌面摆放，常被用于走廊、床头或客厅。对于已拥有多款智能设备的用户，它是整合控制的性价比之选；而智能家居新手则需留意：设备兼容性仍取决于具体品牌是否接入 Alexa。 ## 小结 此次 Prime Day 价格（约 200 美元）让 Echo Hub 成为智能家居入门与升级的“甜点”选择。如果你正被遥控器、App 和语音助手混战的局面困扰，这款平板或许正是解决碎片化体验的关键拼图。
2026年的亚马逊Prime Day已经拉开帷幕，优惠活动正如火如荼地进行。我们正在通过直播博客实时追踪全网最低价，覆盖**4K电视、M5 MacBook、三星、Google Pixel、SSD**等热门科技产品。无论你是想升级家庭影音、更换笔记本电脑，还是囤积存储设备，这里都有你需要的最新折扣信息。 ## 重点品类与趋势 - **存储设备**：SSD价格持续走低，大容量型号降价明显。 - **电视**：4K电视成为主力促销品，高端品牌降幅可达30%。 - **笔记本电脑**：M5 MacBook及Windows机型均有不错折扣。 - **智能手机**：三星和Google Pixel系列提供限时优惠。 ## 活动特点 Prime Day不仅是购物狂欢，也反映了AI技术普及带来的硬件需求变化。随着AI应用对存储和算力的要求提升，高性能SSD和新型笔记本成为消费者关注焦点。本次活动中，**AI相关产品**（如配备神经引擎的MacBook）的折扣力度尤为突出。 ## 如何高效购物 1. 关注我们的**实时更新**，第一时间获取降价通知。 2. 对比不同卖家的价格，确保拿到最低价。 3. 利用亚马逊的“价格保护”政策，避免买贵。 Prime Day将持续48小时，我们将持续播报最新动态。请收藏本页，随时刷新查看最新优惠。
亚马逊 Prime Day 大促正如火如荼地进行，流媒体设备价格降至冰点。除了广受欢迎的 **Fire TV Stick**，还有多款产品值得关注。 ### 当前热门优惠一览 - **Amazon Fire TV Stick 4K Max**：原价 $54.99，现价 $34.99（节省 $20）。支持 Wi-Fi 6E，性能强劲，适合高画质流媒体需求。 - **Roku Streaming Stick 4K**：现价降至 $29.99，性价比突出。 - **Google Chromecast with Google TV (HD)**：仅 $19.99，入门级首选。 - **Apple TV 4K**：虽然折扣幅度较小，但仍是高端用户的选择。 ### 如何选择？ 1. **预算优先**：如果预算有限，**Chromecast HD** 或 **Roku Express** 是不错的选择，价格均低于 $25。 2. **画质追求**：拥有 4K 电视的用户可考虑 **Fire TV Stick 4K Max** 或 **Roku Streaming Stick 4K**，两者均支持 Dolby Vision 和 HDR10+。 3. **生态整合**：若已订阅 Amazon Prime 或使用 Alexa 智能家居，Fire TV 系列能提供无缝体验。 ### 购买建议 Prime Day 促销通常持续 48 小时，但热门型号可能快速售罄。建议尽早下单，并留意第三方卖家是否有额外优惠。此外，部分设备如 **Fire TV Stick Lite** 价格已低至 $14.99，适合作为备用或旅行使用。 ### 小结 无论你是首次购买流媒体设备，还是升级换代，这次 Prime Day 都提供了难得的机会。抓住优惠，升级你的家庭娱乐体验吧！
OpenAI 于周一宣布了一项名为“Patch the Planet”的新计划，旨在帮助开源社区提升网络安全水平，抵御漏洞威胁。该计划与安全公司 Trail of Bits 合作，由后者派出安全工程师直接与开源项目维护者协作，审查潜在代码问题，并利用 OpenAI 的安全工具（如 Codex Security）辅助流程。 开源软件是商业软件行业的数字基石，但由于其去中心化和监管不足的结构，许多项目存在安全隐患。例如，几年前广泛使用的开源工具 Log4j 被发现严重漏洞，引发了连锁反应。OpenAI 指出，许多维护者面临时间与资源有限的困境，Patch the Planet 旨在减轻负担而非增加负担：安全工程师在报告到达维护者之前进行审查，协助开发补丁和测试，并构建可重复使用的工作流，帮助团队在初步修复后持续改进安全。 此举被解读为对 Anthropic 的竞争回应——后者此前推出了备受关注的安全工具 Mythos。虽然 AI 自动识别漏洞并生成利用代码的能力令人担忧，但 OpenAI 反向利用 AI 保护开源社区，无疑是及时雨。不过，该计划长期如何运作、能否规模化尚不明确。
面对公众对数据中心能耗与水资源消耗的持续关注，英伟达近日公布了其下一代 **Rubin 架构** 的参考设计，声称通过 **100% 液冷** 与 **更高运行温度** 的组合，将数据中心用水量从传统方案的约 **每年每兆瓦 260 万加仑** 削减至“**近零**”——降幅高达 100%。 ## 核心逻辑：以热换水 传统数据中心大量依赖蒸发冷却塔，通过水分蒸发带走热量，这也是水耗的主要来源。英伟达的方案则是让服务器运行在 **113°F（45°C）** 的更高温度下，同时采用 **全液冷** 设计——冷却液直接接触芯片，通过高温液体回路将热量带出，再利用室外干式冷却器高效排热。由于回路温度远高于环境温度，系统在一年大部分时间里无需依赖水蒸发，从而大幅降低水消耗。 英伟达可持续发展主管 Josh Parker 表示，这一设计“几乎消除了所有用水”。但值得注意的是，这并未完全消除对水资源的影响：干式冷却器在极端高温天气下仍可能需要少量补水，且液冷系统的制造与维护本身也涉及水资源消耗。 ## 能效与成本的取舍 尽管用水量显著下降，但新设计在 **电力消耗** 方面的改善并非彻底革命。英伟达称其“消除了大量电力使用”，但未给出具体数字。更高温度运行可能会对芯片寿命和稳定性带来挑战，而全液冷基础设施的 **建设成本** 也远高于传统风冷方案。英伟达在博客中未提及成本对比，仅表示“所有为 Rubin 建设的云提供商和数据中心运营商都在向液冷过渡”。 有趣的是，亚马逊近期也在推广其高耐受温度的风冷数据中心——说明行业内对“高温运行”这一方向存在共识，但技术路径仍有分歧。 ## 未解决的隐忧 英伟达的声明虽然积极，但并未回应 AI 数据中心引发的全部争议。例如，数据中心 **建设阶段** 的碳排放、建筑材料的水足迹，以及 **电力供应** 本身对环境的影响（尤其是当电网仍依赖化石燃料时）——这些问题与运营中的水耗同样关键。此外，社区对数据中心的抗议浪潮（如爱尔兰、智利等地）往往聚焦于 **土地占用、噪声污染和可再生能源争抢**，而不仅仅是水耗。 总体而言，英伟达的 Rubin 设计在 **减少运营水耗** 这一维度上迈出了实质一步，但它更像是对现有批评的“修补”，而非对 AI 数据中心环境足迹的全面解决。在 AI 算力需求持续爆发的背景下，如何平衡性能、成本与环境责任，仍是整个行业必须面对的长期命题。
通用汽车（GM）在其位于底特律的旗舰电动汽车工厂“Factory Zero”安装了约50台来自日本发那科（FANUC）的机器人手臂，用于装配线作业。然而，这一自动化举措正值1300名工人因临时裁员而失业之际，引发了美国汽车工人联合会（UAW）的强烈不满。UAW Local 22主席James Cotton指出，公司本可召回部分员工而非新增机器人。此前，该厂在2025年10月已永久裁员1200人。 汽车行业正加速自动化进程，斯特兰蒂斯（Stellantis）、福特（Ford）等均部署了类似机器人，现代汽车（Hyundai）更计划于2028年前在佐治亚州工厂使用波士顿动力（Boston Dynamics）的人形机器人。被裁员工Andrew Bergman批评企业优先考虑利润而非工人福祉，认为技术进步本可用于改善工作安全与缩短工时，但被管理层用于裁员增利。 这一事件折射出传统车企在向电动化转型中面临的深层矛盾：一方面需提升生产效率与竞争力，另一方面却加剧了劳资对立。UAW的强烈反应预示着未来围绕自动化与就业的博弈将更为激烈，可能影响行业政策与工会谈判策略。
用 AI 聊天机器人排查 PC 故障，结果常常令人沮丧：要么答非所问，要么给出错误的建议。作为一位经常与电脑问题打交道的资深编辑，我也深有体会。但最近，我找到了破解之道——直接向 Copilot（底层使用 ChatGPT）请教如何提问。这场对话让我收获颇丰，以下是关键心得。 ## 核心问题：为什么 AI 故障排查常常失败？ AI 聊天机器人（如 Copilot、ChatGPT）在处理 PC 故障时表现不稳定。有时它能一针见血地指出问题，但更多时候，它会自信地给出错误答案。这并非 AI 本身不够聪明，而是**提问方式**出了问题。 ## 解决方案：向 AI 学习如何提问 我决定直接问 Copilot：“如何提问才能获得最有用的结果？”Copilot 的回答非常具有启发性。它指出，有效的故障排查提示词需要包含以下要素： - **清晰描述现象**：不仅说明“发生了什么”，还要说明“你期望发生什么”。例如，不要说“电脑蓝屏”，而要说“启动 Word 时出现蓝屏，错误代码 0x0000001A，之前能正常打开”。 - **提供相关细节**：操作系统版本、硬件配置、最近安装的软件或更新、错误代码等。这些信息能帮助 AI 缩小排查范围。 - **明确需求**：是想要解释原因、提供修复步骤，还是推荐工具？直接告诉 AI 你的目标。 ## 实战示范：一个更好的提示词模板 Copilot 建议采用以下结构： > **问题**：[描述异常现象] > **期望**：[描述正常行为] > **环境**：[操作系统、硬件、最近变更] > **已尝试**：[你已经做过的排查步骤] > **需求**：[希望 AI 做什么，如“提供逐步修复方案”] 例如： > 问题：我的 Windows 11 笔记本电脑在播放视频时，每隔几分钟会卡顿一次，声音也断断续续。 > 期望：视频播放流畅，无卡顿。 > 环境：Windows 11 23H2，Intel i7-12700H，16GB RAM，最近更新了显卡驱动。 > 已尝试：重启电脑、关闭后台程序，问题依旧。 > 需求：请分析可能原因并给出修复步骤。 ## 为什么这样有效？ AI 模型本质上是在对大量文本进行模式匹配。提供结构化的信息，相当于给 AI 画了一张“地图”，让它能快速定位到最相关的知识区域。相反，模糊、零散的问题会让 AI 像无头苍蝇一样，只能从泛化知识中猜测答案。 ## 额外技巧：追问与迭代 即使第一次回答不完美，也可以继续追问：“还有没有其他可能？”“如果方法 A 不行，下一步该怎么做？”AI 对话的迭代特性，让用户能像与高级技术专家交流一样，逐步逼近真相。 ## 结语 AI 故障排查的价值毋庸置疑，但前提是掌握正确的提问方法。下次遇到 PC 问题时，不妨先花 30 秒组织好提示词——这可能是你获得有效帮助的关键一步。
Meta 宣布暂停其备受争议的员工追踪计划“模型兼容性倡议”（MCI），原因是该计划收集的敏感数据因内部安全问题暴露给了其他员工。该项目自2024年4月在美国员工中推出以来，一直因隐私、安全及个人自由问题遭到抵制。 ## 事件始末 MCI 工具通过收集鼠标移动、点击位置、键盘输入以及屏幕内容等数据，旨在训练 AI 系统像人类一样操作软件。Meta 高管曾多次为其辩护，称员工是 AI 学习的“最佳范例”，且员工最初无法选择退出，后因抗议才获得有限退出权。 周一，一名 Meta 工程师发布内部安全通知，指出 MCI 数据库暴露在内部网络中，任何员工都可能访问。尽管公司发言人 Tracy Clayton 表示“目前没有迹象表明数据被不当访问”，但项目仍被暂停以进行调查。一名前员工将此称为“一团糟”，并指出员工此前曾警告过此类风险，但领导层“加倍下注，未能承认风险”。 ## 员工反应与行业背景 内部论坛上，员工对安全问题的批评声浪高涨，最终促使 Meta 暂停项目。这一决定令部分员工感到震惊，因为公司此前对 MCI 的态度极为坚持。 该事件折射出 AI 训练数据收集中的核心矛盾：企业为提升模型能力需要大量真实人类操作数据，但内部监控可能侵犯员工隐私并引发信任危机。Meta 并非唯一面临此类争议的公司——此前多家科技巨头也曾因员工数据监控而遭到抵制。 ## 后续展望 目前 Meta 尚未公布调查结果及 MCI 的后续计划。分析认为，此次事件可能促使 Meta 重新审视其数据收集策略，或引入更强的隐私保护措施。同时，这也为其他布局“AI 训练+员工监控”的企业敲响警钟：在技术效率与员工权益之间，需要更谨慎的平衡。