SpaceX 的首次公开募股（IPO）终于尘埃落定，这家曾被视为“疯狂”的私人航天公司如今正式登陆公开市场。TechCrunch 从 SpaceX 创立之初便持续追踪其起步、挣扎与成功，现在又将目光投向它的下一章。在这份 IPO 专题报道中，我们梳理了谁将从中受益（或许也有人不会）、上市前的交易细节，以及那份 S-1 注册文件中暗藏的玄机。 ## 谁在赢？谁在观望？ SpaceX 的上市无疑让早期投资者和员工手中的期权变得价值连城。马斯克本人作为最大股东，财富将随股价飙升。但另一方面，一些原本期待通过二级市场交易获利的私募投资者可能面临更严格的锁定期——S-1 文件显示，部分内部人士需等待 180 天才能出售股份。此外，SpaceX 的上市也意味着其财务数据将接受公众审视，未来在政府合同与商业发射中的定价策略或将更加透明。 ## S-1 文件里的“隐藏关卡” 在 SpaceX 提交的 S-1 注册声明中，有几个细节值得注意： - **星链（Starlink）业务**：文件首次披露了星链的详细财务表现，其收入已占公司总营收的相当比例，但盈利仍需时日。 - **火星计划的风险提示**：招股书明确将“长期火星殖民计划”列为风险因素，称其可能分散资源并导致核心业务波动。 - **政府关系**：SpaceX 披露了与 NASA、美国太空军等机构的合同依赖性，任何政策变化都可能影响收入。 ## 市场反应与未来挑战 上市首日，SpaceX 股价一度飙升 15%，但随后回落。分析师认为，市场对航天股的估值逻辑仍在演变——SpaceX 的估值已部分体现了其作为“太空基础设施公司”的潜力，而非单纯的发射服务商。然而，竞争对手如蓝色起源（Blue Origin）和联合发射联盟（ULA）也在加速追赶，加上监管审查的加强，SpaceX 能否维持增长势头仍是未知数。 对于普通投资者而言，SpaceX 的股票提供了一个押注太空经济未来的机会，但风险同样显著。正如 TechCrunch 在报道中所指出的：SpaceX 的故事远未结束，上市只是新篇章的起点。
美国司法部（DOJ）近日在一份法庭文件中声称，埃隆·马斯克旗下人工智能公司xAI在未获得必要许可的情况下运行的燃气轮机，实际上关乎“国家、经济和能源安全”。这一表态出现在司法部对环保组织起诉xAI一案的干预动议中，其立场引发了外界对AI产业能耗与监管博弈的新关注。 ## 事件背景：环保组织起诉，司法部突然介入 此前，环保组织“塞拉俱乐部”（Sierra Club）等团体向法院提起诉讼，指控xAI在田纳西州孟菲斯的数据中心未经环境许可便运行多台大型燃气轮机，违反了《清洁空气法》。这些涡轮机为xAI的超级计算机集群供电，用于训练其Grok系列大模型。环保组织要求法院立即下令停止运行，并处以罚款。 然而，司法部在4月提交的干预动议中出人意料地站在了xAI一边。司法部律师在文件中写道：“被告xAI的涡轮机运行并非普通的环境违规，而是涉及国家、经济和能源安全的重大事项。”司法部进一步解释，xAI的数据中心为美国国防部（Pentagon）提供关键的AI计算能力，若因环保诉讼而被迫停机，将直接损害国防部的AI研发进度，进而影响国家安全。 ## 司法部论点：AI算力即国防力 司法部在文件中强调，xAI与五角大楼之间已签订合同，其计算资源用于支持国防部的“算法战”和“联合全域指挥控制”等项目。这些项目依赖大模型进行战场态势感知、情报分析等任务。司法部认为，在未找到替代能源方案前，强制xAI关停涡轮机将造成“不可弥补的损害”。 值得注意的是，xAI的孟菲斯数据中心一直未获得田纳西州环境部门的空气污染许可证。当地居民和环保组织多次抗议其噪音和排放问题。但司法部此番以“国家安全”为由介入，实际上将环境执法与国防利益置于天平两端。 ## 行业争议：AI能耗与监管博弈升级 这一事件折射出AI行业面临的深层矛盾：大模型训练和推理需要海量电力，而当前美国电网基础设施难以完全支撑清洁能源的即时供应。许多科技公司被迫依赖天然气等化石燃料作为过渡，但这往往与各州严格的环境法规相冲突。 司法部的表态可能开创一个危险的先例：任何与政府有合作关系的AI公司，或许都能以“国家安全”为由规避环保合规。这引发了法律界和环保组织的强烈批评。塞拉俱乐部的一位律师表示：“司法部正在为科技巨头开绿灯，让它们用公共健康换取私人利润。” ## 后续走向：法院裁决与政策影响 目前，田纳西州西区联邦法院尚未就司法部的干预动议做出裁决。如果法院允许司法部介入，案件可能转向更复杂的国家安全审查程序。同时，这一事件也可能促使国会重新审视AI基础设施的能源监管框架——如何在保障AI产业竞争力的同时，确保环境法规不被轻易绕过。 对于xAI来说，这起诉讼只是其快速扩张中的一个插曲。马斯克曾公开表示，xAI的算力需求将在未来几年增长10倍以上，这意味着更多数据中心和能源消耗。而司法部此次的“力挺”，能否帮助xAI在监管夹缝中持续运行，仍有待观察。 **小结**：这起案件不仅是xAI与环保组织的法律纠纷，更是AI产业、国家能源政策与环境监管三者博弈的缩影。当“AI算力即国力”成为共识，如何平衡技术跃进与生态责任，将是未来十年科技行业的核心议题。
在 AI 硬件领域，鲜有成功案例可循。专注于 AI 记事设备的 Plaud 正试图通过瞄准会议频繁的专业人士来打破这一局面。该公司近日宣布，其设备（包括 Plaud Pin 和信用卡大小的贴片）销量已超过 **200 万** 台，而订阅业务的 **年化经常性收入（ARR）** 已突破 **1 亿美元** 大关。 Plaud 联合创始人兼 CEO Nathan Xu 表示，许多 AI 公司依赖数字文档和记忆中的提示，而 Plaud 的无屏设备则帮助用户在真实对话中捕捉要点，并生成摘要和行动项。他强调：“推动事情进展的对话并不发生在键盘上。我们为后屏幕时代构建了界面，市场验证了这一方向。” 产品方面，Plaud 于去年推出了售价 **179 美元** 的 Plaud Pro，今年又发布了定价相近的 **Plaud Pin S**。软件层面，公司加速布局：年初推出桌面应用，支持通过系统音频为在线会议做笔记；上月发布 **Plaud Teams** 企业版，提供共享记忆功能。 Plaud 用户购买硬件后可免费获得 **300 分钟** 转录额度，超出部分需订阅月度、年度或附加包。据 Xu 透露，近 **50%** 的设备用户从基础版升级到了专业版或不限次计划，成为收入的主要来源。目前公司不单独销售软件订阅，付费用户均为硬件拥有者。 值得注意的是，会议记事硬件市场竞争激烈，包括配件巨头 Anker、传音投资的 Viaim、红杉中国支持的 Vibe 以及 YC 孵化的 Pocket 等玩家。Plaud 能否在拥挤赛道中持续突围，值得关注。
TechCrunch 的一篇分析指出，Robinhood 近期宣布裁减 10% 全职员工的举动，在科技行业裁员潮中显得颇为“另类”——其 CEO Vlad Tenev 在致员工的备忘录中，**完全没有提及人工智能**，这与许多同行形成鲜明对比。 今年以来，Amazon、Block、Coinbase、GitLab、Intuit 等公司纷纷裁减数千人，并几乎一致地将“为了更好利用 AI 进行重组”作为官方说辞。然而，Robinhood 的裁员公告和监管文件中，既没有出现“AI”字眼，也未将技术进步作为裁员理由。Tenev 仅表示将利用“前沿技术”推动执行，被外界解读为刻意回避。 **为何“AI 裁员”的叙事不再吃香？** 文章认为，公众对 AI 及相关基础设施的负面情绪正在上升，只有少数科技高管能从 AI 浪潮中获取巨额收益。与此同时，企业开始意识到“小而精”的组织结构才是关键。Tenev 在备忘录中写道：“我们不能默认运作成一个层级过多的组织，必须成为一支精简、高度专注的团队，让每个人都具备巨大影响力。” 类似表述也出现在 Amazon、Coinbase 等公司的裁员通知中，暗示大团队、官僚主义和部门壁垒已成为不受欢迎的成本项——尤其是在 AI 工具承诺大幅提升生产力的背景下。 **裁员背后的财务现实** 更深层的原因可能是科技公司疫情期间过度招聘，如今在 AI 相关成本飙升的压力下被迫收缩。不过，这些公司业绩并不差。科技股普遍上涨，GitLab 上月报告毛利率达 88%，云服务需求激增，数据中心投资预期回报极高。Robinhood 自身今年 Q1 收入同比增长 15%，Q2 也因预测市场费用、订阅收入及交易量增长而前景看好。 此次裁员预计将产生约 2800 万美元遣散费，同时公司还关闭了少量空缺职位。 **小结** Robinhood 的案例表明，用“AI”作为裁员挡箭牌正逐渐失效。当公众对企业借技术之名缩减人力越来越警惕时，坦诚的沟通和清晰的业务调整逻辑，或许比生硬的“AI 重组”故事更能赢得信任。
今年的 **Prime Day** 比往年更早到来，各大电商平台已经提前放出了大量笔记本电脑的折扣信息。作为资深科技编辑，我从海量促销中筛选出 **8 款真正值得入手的机型**，覆盖苹果 MacBook、主流轻薄本与游戏本等品类，帮你避开“伪优惠”，把钱花在刀刃上。 ## 轻薄办公与创意之选 ### Apple MacBook Air M5（15 英寸）—— 省 $150 最新款的 MacBook Air 搭载 M5 芯片，15 英寸大屏兼顾便携与生产力。Prime Day 期间售价降至 **$1,149**，对于需要长续航和流畅多任务处理的用户来说，这个价格非常实在。如果你偏好更小巧的机身，13 英寸版本同样有折扣，仅需 **$949**，性价比更高。 ### Lenovo ThinkPad E16（Gen 3）—— 省 $510 商务用户看过来！ThinkPad E16 Gen 3 原价 $1,799，现在直降 **$510** 至 **$1,289**。经典小红点、坚固机身与可靠性能，适合日常办公与轻度编程。这个折扣力度在 ThinkPad 系列中相当罕见，建议商务人士优先考虑。 ### Asus Vivobook 16 —— 省 $100 如果你预算有限但又想要大屏体验，Asus Vivobook 16 是个不错的选择。折扣后仅 **$699**，满足日常影音、文档处理需求，适合学生或家庭用户。 ## 游戏与高性能笔记本 ### Acer Predator Helios Neo 16 —— 省 $290 游戏玩家注意了！这款搭载高性能独显的电竞本从 $2,199 降至 **$1,909**，省下近 **$290**。16 英寸高刷屏、强劲散热，足以流畅运行主流 3A 大作。不过要注意，游戏本通常较重，便携性一般。 ## 购买建议与注意事项 - **Prime 会员专享**：部分折扣可能仅对 Prime 会员开放，建议提前试用或续费。 - **价格波动**：促销期间价格可能实时变化，看到好价建议果断下手。 - **比价策略**：除了亚马逊，也可以关注 Best Buy、B&H 等平台，部分商品可能存在同价或更低价格。 总之，这 8 款产品都经过了编辑团队的实测与口碑验证，**不是清仓旧款，而是真正值得在 Prime Day 入手的“甜点”机型**。无论你是追求生产力的 Mac 用户，还是需要高性能的游戏玩家，都能找到适合自己的那一款。
我们如今对家有什么需求？
新上线《WIRED》和《Architectural Digest》全球编辑总监联合探讨了当代家居面临的复杂需求：从气候风险、材料成本到AI技术的无缝整合。文章指出，智能家居虽承诺自动适应偏好，但实际落地仍有距离；同时，弹性设计已从极端概念变为必需，例如悬空23英尺的抗洪住宅。此外，全球建筑师正转向本地低科技材料，以平衡美学与可持续性。
随着全球老龄化加速，越来越多的老年人希望在自己的家中安享晚年，即“居家养老”。但子女远在他乡、看护资源紧张，让这一愿望面临现实挑战。如今，AI 驱动的监控设备正试图填补这一空白——通过始终开启的麦克风或传感器，实时监测老人的安全状况。 ## 一个真实的案例 一位 86 岁的老人在西雅图家中步履蹒跚，险些摔倒；而他的儿子远在 5000 公里外的奥地利，数月后才通过 AI 设备 **Sensi.ai** 的转录记录得知此事。Sensi 是一种始终开启的 AI 麦克风，能捕捉咳嗽声、冲马桶声，甚至私人对话片段。它最初作为免费附加服务被推荐给老人的看护团队，旨在帮助老人保持独立，同时让远方的家人安心。 ## 居家养老的吸引力与隐忧 研究表明，搬入养老院的老年人认知能力下降更快。对许多老人而言，家不仅是物理空间，更是记忆的容器——文中老人的家仍保留着已故妻子的痕迹。然而，跌倒风险是居家养老的最大隐患之一。过去几年，老人的步态恶化已成为家人和看护者的持续担忧。 AI 监控设备看似两全其美：一个不起眼的白色盒子放在桌下或椅旁，静默监测危险。但隐私问题随之而来。老人一向注重隐私，不愿表露情感，而 AI 设备却记录下所有声音——包括私人对话。这种“为安全牺牲隐私”的权衡，引发了伦理层面的讨论。 ## 行业背景与技术展望 目前，类似 Sensi 的产品在美国居家看护市场中逐渐普及。除了麦克风，还有基于红外线、雷达或压力传感器的设备，可检测跌倒、活动异常甚至生命体征。AI 算法能区分正常行为与紧急事件，减少误报。 然而，技术并非万能。**误报可能引发不必要的焦虑，而漏报则可能延误救治**。此外，数据存储与分享的合规性、老人是否真正同意被持续监控，都是待解难题。 ## 小结 AI 监控为居家养老提供了新的可能性，但它无法替代人的情感连接。技术的介入需要平衡安全、隐私与尊严。当老人说“我想在家摔倒的权利”时，我们是否准备好用算法回应这种渴望？
SpaceX 的估值在上市后短短几天内飙升 1 万亿美元，突破 2.7 万亿美元，超越亚马逊成为全球第五大最有价值公司。这一增长主要得益于其股价在周一上涨 20%、周二早盘再涨 8% 以上，以及公司宣布以 600 亿美元全股票交易收购 AI 编程初创公司 Cursor。尽管 SpaceX 在 2025 年亏损 49 亿美元（营收 187 亿美元），而亚马逊盈利 780 亿美元（营收 7170 亿美元），但投资者对 SpaceX 的增长前景充满信心。新收入来源包括与 Anthropic 和 Google 的计算租赁协议，以及 Cursor 的加入。SpaceX 于上周五上市，估值约 1.7 万亿美元，IPO 仅发行约 4% 股份，专家预计这会加剧股价波动。
AI 幻觉与事实性错误一直是制约大语言模型落地的核心瓶颈。近日，一家名为 **Probably** 的初创公司宣布获得 **900 万美元** 种子轮融资，试图从根源上解决这一问题——其目标是构建一种“更可靠”的 AI，让准确性达到与传统确定性系统相当的水平。 ## 核心问题：AI 的“不确定性”之痛 当前主流的大语言模型（如 GPT-4、Claude 等）本质上是概率系统，每次输出都可能不同，甚至产生与事实相悖的“幻觉”。这种不可靠性在医疗、金融、法律等高风险领域尤为致命，直接阻碍了 AI 的规模化应用。Probably 的创始人认为，现有技术路线过度依赖“规模扩大带来能力提升”，而忽视了系统性的可靠性设计。 ## 技术路径：从“概率”走向“确定性” Probably 并没有公开其技术细节，但从官方描述来看，其核心思路是构建一个 **可验证、可解释的推理框架**，而非单纯依赖更大的模型或更多的数据。具体方向可能包括： - **结构化知识约束**：将外部知识库与模型输出进行实时校验，阻断幻觉传播。 - **形式化验证**：对模型推理过程进行数学层面的正确性检查，类似软件工程中的单元测试。 - **混合架构**：结合符号推理与神经网络，让 AI 在关键决策点上具备确定性。 这种思路与近年来兴起的“神经符号系统”和“可解释 AI”趋势一脉相承，但 Probably 更强调 **输出结果的绝对可靠性**，而非仅仅提升平均准确率。 ## 市场与竞品：一条少有人走的路 目前，大多数 AI 公司选择通过“人类反馈强化学习（RLHF）”或“检索增强生成（RAG）”来减少幻觉，但这些方法都无法从根本上消除错误。Probably 的差异化在于将“可靠性”作为第一性原理，甚至愿意为此牺牲部分灵活性或创造性。 其潜在竞争对手包括： - **Vectara**：提供可解释的检索增强生成服务。 - **Glean**：企业搜索领域的可靠性探索。 - **Anthropic** 的“宪法 AI”路线，但更偏向对齐而非确定性。 ## 融资背景与团队 本轮融资由 **XYZ Capital** 领投，多家知名 AI 基金跟投。创始人曾深度参与过自动驾驶和工业质检系统的可靠性工程，深知“99% 准确率”与“99.999% 准确率”之间的鸿沟。他们表示，**“AI 不应是一个黑箱，而应是一台可被审计的机器”**。 ## 行业启示 Probably 的融资信号表明，资本正在从“模型规模竞赛”转向“可靠性基建”。当 GPT-5、Claude 4 等大模型的能力逼近天花板时，如何让 AI **安全、可信地落地** 反而成为更紧迫的命题。如果 Probably 能证明其技术路线可行，可能会催生一个全新的“确定性 AI”细分赛道，甚至倒逼主流大模型厂商在可靠性上加大投入。 当然，这条路挑战重重：如何平衡准确性与通用性？如何避免过度约束导致的“能力降级”？答案或许在未来 12-18 个月的公开演示中逐渐浮现。
SpaceX 在创纪录的 IPO 后宣布以 **600 亿美元** 收购 AI 编程平台 **Cursor**，此举旨在强化其 AI 能力，与 OpenAI 和 Anthropic 争夺企业客户。Cursor 提供类似 Claude Code 和 Codex 的自动化编程工具，近年来因“氛围编程”趋势而快速增长。SpaceX 此前曾抱怨其内部 AI 编程产品表现不佳，收购 Cursor 被视为追赶竞争对手的关键一步。交易预计在 2026 年第三季度完成。
SpaceX 宣布以 **600 亿美元** 的全股票交易收购 AI 编程初创公司 **Cursor**，此举距离 SpaceX 的历史性 IPO 仅过去数天，且距双方首次宣布合作意向不到两个月。这笔收购旨在强化 SpaceX 的 AI 部门——该部门围绕埃隆·马斯克的 AI 公司 **xAI** 构建，后者于今年早些时候与 SpaceX 合并——以追赶主流 AI 实验室的步伐。 尽管 AI 部门是 SpaceX IPO 承诺的核心亮点，但它近期却深陷重组困境，此前因允许用户生成未经同意的女性及儿童深度伪造内容而引发争议。SpaceX 在 IPO 过程中向投资者表示，其看到的 AI 产品可寻址市场规模高达 **26 万亿美元**，大致相当于美国 GDP。SpaceX 于周二表示，该收购预计将在今年第三季度完成。 在 SpaceX 介入之前，Cursor 本计划从 Andreessen Horowitz、Thrive 和 Nvidia 等投资方完成一轮 **20 亿美元** 的融资，估值达 **500 亿美元**。马斯克的公司早在今年 4 月 IPO 前就达成了一项特殊协议：要么以 600 亿美元股票收购 Cursor，要么在交易失败时支付 **100 亿美元** 的违约金。 Cursor 成立仅三年，却随着 AI 编程热潮迅速崛起。它于 2024 年加入 OpenAI 的创业加速器，随后完成多轮融资，在 SpaceX 交易宣布前估值已达约 **290 亿美元**。今年早些时候，xAI 挖走了 Cursor 的两名资深工程负责人，随后又在 4 月将其部分数据中心容量租给 Cursor，这些迹象都预示了最终的收购。 值得注意的是，xAI 自身正陷入动荡：马斯克在 xAI 的 **11 位联合创始人** 已于 3 月底前全部离职。马斯克公开承认了这一情况，但未详细说明原因。此次收购能否扭转 SpaceX AI 部门的颓势，仍有待观察。
## 漏洞速览：2FA 安全防线形同虚设？ 上周二，微软修复了其 M365 Copilot AI 平台上一个**严重等级为“最高”** 的漏洞。本周一，发现并报告该漏洞的研究人员公开了其概念验证（PoC）利用方式：攻击者能够从 Copilot 可访问的邮件中**窃取双重身份验证（2FA）代码**及其他敏感数据。 ## 根源：AI 的“轻信”无解？ 这并非孤立事件。微软及其他大语言模型（LLM）提供商一直无法阻止其产品遵从恶意请求泄露数据。根本原因在于：**AI 机器人无法区分用户提供的指令与隐藏在第三方内容中的恶意指令**。当模型为用户总结、起草回复或执行其他操作时，这些恶意指令可能被悄然注入。由于无法守住这一关键边界，微软等公司只能不断设置复杂且临时的护栏，试图遏制这种“先天轻信”带来的后果。 ## 绕过护栏：参数到提示注入（Parameter-to-Prompt Injection） Varonis 安全团队设计了一条攻击链，成功跨越了微软设置的防护措施。其核心是所谓的 **“参数到提示注入”**（Parameter-to-Prompt Injection）。与传统的提示注入不同，恶意命令并非藏在邮件或文档中，而是被置于 URL 的查询参数（如 `?q=`）中。当 Copilot 处理此类 URL 时，会将参数中的恶意指令解释为用户意图的一部分，从而泄露数据。 ## 已有护栏为何失效？ 微软此前已部署多项防护：例如将 Copilot 输出包裹在 `<code>` 块中，防止浏览器将其解析为可执行内容；同时限制 Copilot 只能访问受信任的 Microsoft 域名。然而，攻击者利用标记语言（如 `<img>` 标签）诱导 Copilot 向攻击者服务器发送包含敏感数据的请求，从而绕过限制。当 Copilot 尝试加载图片或提交表单时，数据即被外传。 ## 行业反思：LLM 安全何去何从？ 此次漏洞再次证明，当前 LLM 安全策略存在结构性缺陷。依赖临时补丁和规则集难以应对不断演变的注入手法。业界亟需从模型架构层面解决指令来源的隔离问题，例如引入更严格的上下文隔离机制。在此之前，用户应谨慎对待 Copilot 等 AI 助手处理敏感信息的能力，尤其是涉及 2FA 代码等高价值数据时。
随着半导体行业持续向先进制程迈进，一个被忽视的市场正在悄然增长：**关键旧芯片的替代需求**。初创公司 **Phoenix Semiconductor** 正瞄准这一领域，为那些早已停产、却在国防、航空航天、工业控制等关键系统中不可或缺的芯片提供现代替代品。 Phoenix 的策略聚焦于 **高混合、低批量** 的生产模式。与追求规模效应的大厂不同，它们专门复刻那些生命周期长、但产量需求不大的旧芯片。这些芯片通常用于维护老旧但至关重要的系统，如战斗机航电、核电站控制器或医疗设备。由于原厂早已停止生产，系统运营商面临严重的安全和供应链风险。 Phoenix 的做法并非简单复制，而是通过现代工艺重新设计，确保功能完全兼容的同时，提升性能、可靠性和能效。例如，它们复刻了 **Xilinx EEPROM** 和 **Datel DAC** 等经典芯片。这不仅延长了关键基础设施的使用寿命，还避免了昂贵的系统重新认证和改造。 从行业背景看，这一模式反映了半导体生态的深度分化：尖端芯片追逐摩尔定律，而“旧芯片”市场则依赖逆向工程和小批量制造能力。Phoenix 的成功与否，将取决于其能否在兼容性、交付速度和成本之间找到平衡。随着全球供应链安全日益受到重视，这类“芯片拯救者”的价值正被重新评估。
随着半导体行业不断追求更小、更快、更便宜的芯片，大量用于关键基础设施（如航空航天、国防、医疗设备和工业控制系统）的遗留芯片正面临停产或供应不足的困境。这些芯片虽然技术老旧，但在许多关键系统中仍发挥着不可替代的作用。一家名为 **Phoenix** 的半导体初创公司正瞄准这一市场，专注于为这些“过时”但至关重要的芯片提供替代方案。 ## 聚焦高混合、小批量需求 Phoenix 的策略是满足 **高混合、小批量** 的需求——即生产多种类、但每种数量有限的芯片。这与主流芯片制造商追求大规模量产的模式截然不同。传统芯片厂通常不愿为停产芯片重启生产线，因为成本高昂且缺乏规模效益。Phoenix 则通过逆向工程或重新设计，生产出与原始芯片功能兼容的替代品，从而延长关键系统的使用寿命。 ## 实际案例：EEPROM 与 DAC 的复活 Phoenix 已成功开发出多款替代芯片，例如 **Xilinx EEPROM** 和 **Datel DAC** 的复刻版本。这些芯片原厂早已停产，但在许多军用和工业设备中仍有大量需求。Phoenix 的替代品不仅实现了引脚兼容，还在性能上进行了优化，同时确保长期可用性。 ## 行业背景与市场机遇 据行业分析，全球半导体供应链在疫情后暴露出脆弱性，尤其是对特殊、非标芯片的依赖。许多关键系统依赖的芯片已生产了数十年，一旦原厂停产或转产，系统维护将面临巨大挑战。Phoenix 的模式为这些系统提供了“救生索”，避免了昂贵的重新设计或系统替换。 此外，Phoenix 的策略也呼应了 **芯片本土化** 和 **供应链韧性** 的全球趋势。通过在国内或区域内部生产替代芯片，可降低对单一供应商的依赖，增强国家安全与产业自主。 ## 挑战与展望 尽管前景广阔，Phoenix 仍面临技术验证、客户信任和成本控制等挑战。替代芯片需要经过严格的环境与可靠性测试，尤其是在军工和航天领域。同时，小批量生产意味着单位成本较高，客户需权衡替代方案与系统升级的长期成本。 总体来看，Phoenix 的案例展示了半导体行业“逆向创新”的可能性——在追逐前沿技术的同时，不应忽视对现有关键系统的支持。随着更多类似初创公司的涌现，遗留芯片的供应链生态有望得到改善，为关键基础设施的长期稳定运行提供保障。
随着企业大规模部署 AI 工具，token 消耗量激增引发了对“tokenomics”（代币经济学）的关注。软件公司 8x8 通过使用 Anthropic 的 Claude 替代数十款订阅软件，每年节省约 500 万美元，而 AI 账单远低于此，令 CFO 满意。但更多公司面临成本压力：加拿大皇家银行 token 使用量半年增长 500%；思科三分之一的员工每天使用内部 AI 聊天机器人，token 消耗“相当疯狂”；Amplitude 的顶级工程师每月花费数千美元。Box CEO 称 token 预算已成为最热门话题之一。WIRED 分析显示，4-5 月约 300 家公司在财报会议中提及 AI token 问题。企业正试图在效率提升与成本失控之间寻找平衡，tokenomics 正成为 AI 时代的新管理挑战。
马来西亚AI驱动的消息平台Respond.io近日宣布完成6250万美元的B轮融资，由Camber Partners领投，Endeavor Catalyst及现有投资者跟投。该公司专注于通过AI代理自动处理大量客户咨询，并采用按对话量而非按座席收费的定价模式。目前其年经常性收入（ARR）已达3500万美元，同比增长169%，利润率30%。 Respond.io成立于2017年，最初在香港创立，后迁至马来西亚吉隆坡。联合创始人兼CEO Gerardo Salandra曾任职IBM和谷歌，后加入健身追踪应用Runtastic（2015年被阿迪达斯收购）。公司平台支持WhatsApp、Instagram、TikTok、Messenger、Line、Telegram、微信、语音通话和网页聊天等多个消息渠道，帮助中型到大型B2C企业从客户对话中驱动营收。其核心客户为高决策成本行业，如医疗、汽车、零售、教育和旅游，客户规模通常在200至10000名员工之间。 Respond.io目前每季度处理20亿条消息。Salandra强调，AI的崛起并未威胁其业务，反而加速其增长：“每天AI越突出，我们增长越快。”这得益于其按对话量定价的策略——无论回复来自人类还是AI，企业都按对话次数付费。相比之下，传统按座席收费的SaaS平台在AI减少人工参与时会损失收入。 本轮融资将用于产品开发、市场扩张及潜在收购。Salandra表示，公司正在探索并购机会，以增强AI能力和渠道集成。这反映出东南亚AI创业生态的活跃，以及客户消息管理领域的竞争加剧。
据最新财务数据，OpenAI 在 2025 年的亏损较此前大幅扩大，增幅接近 **8 倍**，年度总支出高达 **340 亿美元**。这一数字远超市场预期，反映出这家 AI 巨头在算力基础设施、人才招聘及模型训练上的疯狂投入正快速吞噬现金流。 ## 亏损背后：算力军备竞赛的代价 OpenAI 的支出激增主要源于几大方向： - **算力租赁与自建数据中心**：训练 GPT-5 及后续模型需要海量 GPU 集群，微软 Azure 之外的第三方算力采购成本持续攀升。 - **人才争夺**：顶尖 AI 研究员的年薪普遍在百万美元级别，团队规模已扩至数千人。 - **推理成本**：ChatGPT 及 API 服务的日活用户数亿级，每次对话的推理计算成本虽在优化，但总量依然惊人。 与 2024 年相比，2025 年的支出几乎翻倍，而收入增长未能同步跟上。尽管 OpenAI 的营收（主要来自 API 和企业订阅）预计在 2025 年突破 **100 亿美元**，但相比 340 亿的支出，净亏损规模或达 **200 亿美元**以上。 ## 行业视角：AI 公司的烧钱模式可持续吗？ OpenAI 的亏损并非个例。Anthropic、Google DeepMind 等头部实验室同样面临“收入增速跑不赢投入”的困境。但 OpenAI 的特殊性在于： - **非营利上限结构**：早期投资者回报有封顶，这限制了外部融资渠道，更多依赖微软等战略投资者的持续输血。 - **规模效应悖论**：用户越多，推理成本越高；而降价会进一步刺激使用量，形成“越卖越亏”的循环。 有分析师指出，若 OpenAI 无法在 2026 年前实现单位经济模型改善（如通过定制 AI 芯片大幅降低推理成本），其资金链将面临严峻考验。 ## 未来关键变量 - **GPT-5 商业化**：若新模型能带来显著的用户付费转化率提升，或企业级产品（如定制模型微调服务）放量，将改善收入结构。 - **融资节奏**：OpenAI 可能寻求新一轮融资，或推动部分业务独立上市（如 API 平台）。 - **技术突破**：更高效的稀疏模型或量化技术若落地，推理成本有望下降一个数量级。 > 小结：OpenAI 的巨额亏损是 AI 军备竞赛的缩影——赢家通吃的预期驱动着不计成本的投入。但 340 亿美元的数字也敲响警钟：当资本耐心消退时，谁能先跑通可持续的商业闭环，谁才能真正定义下一代 AI 格局。
## 概述 近日，一篇来自中国科学技术大学与中国移动（苏州）软件技术有限公司的联合研究论文提出了 **GRAPE（Guided Parameter-Space Evolution）** 框架，旨在通过引导参数空间的渐进式演化，在紧凑模型上实现更强的对抗鲁棒性。该研究挑战了传统对抗训练（Adversarial Training, AT）中“从始至终训练固定参数空间”的范式，探索参数优化顺序对最终鲁棒解的影响。 ## 核心方法 GRAPE 的核心思想是将鲁棒模型的学习视为一个 **参数空间逐步暴露与演化** 的过程。它结合了两种关键机制： - **参数空间稳定化**：在当前暴露的参数子空间内稳定鲁棒优化，确保已有参数已充分收敛到对抗鲁棒的局部区域。 - **渐进式隐藏扩展**：逐步释放新的可优化维度，并利用 **对抗谱利用率分数（adversarial spectral utilization score）** 引导新容量优先分配给模型中承受高对抗压力的模块。 这种“先稳定、再扩展”的策略，使得模型能够在训练过程中动态决定哪些参数需要优先优化，从而避免传统固定结构 AT 中参数空间的低效利用。 ## 实验结果 在 CIFAR-10 数据集上，采用标准的 ℓ∞ 威胁模型，以固定结构的 ResNet-18 对抗训练作为对照基准，GRAPE 取得了以下关键结果： - **PGD-20 鲁棒准确率**：从基线 51.70% 提升至 **56.94%**，提升超过 5 个百分点。 - **计算开销**：FLOPs 比仅为 1.009 倍，几乎与基线持平。 - **参数量减少**：参数量减少了约 **21.4%**，体现了紧凑性优势。 此外，研究还设置了一种“顺序增长变体”，即最终架构仍为标准的 ResNet-18，但训练过程中参数逐步暴露。该变体达到了 56.52% 的 PGD-20 鲁棒准确率，与直接训练完整 ResNet-18 的基线（51.70%）相比仍有显著提升。这一对比有力地说明：**性能增益不仅来自最终架构的差异，更来自参数空间暴露路径本身**。 ## 行业意义 在 AI 安全领域，对抗训练是提升模型鲁棒性的主流方法，但传统方法通常假设所有参数同等重要且同时优化，导致冗余参数可能引入脆弱性。GRAPE 的工作表明，**参数优化的顺序与路径** 同样关键，这为设计更高效、更紧凑的鲁棒模型提供了新思路。 对于资源受限的边缘设备（如手机、物联网终端），GRAPE 在几乎不增加计算开销的情况下，通过减少参数量并提升鲁棒性，具有实际部署价值。同时，该框架也启发后续研究：是否可以进一步将参数空间演化与神经架构搜索（NAS）或剪枝技术结合，实现自动化程度更高的鲁棒模型设计？ ## 小结 GRAPE 通过“引导参数空间演化”这一新范式，在紧凑模型上实现了对抗鲁棒性的显著提升。实验数据充分证明了参数暴露顺序对鲁棒解质量的影响，为对抗训练领域注入了新的理论视角和实践工具。
## 引言：保险定价中的公平难题 保险定价的公平性是一个长期悬而未决的难题。一方面，保险公司出于盈利考量，会根据个体风险差异制定保费，追求**精算公平**——即高风险者多付、低风险者少付。另一方面，保险承担着社会风险共担的功能，需要通过群体间的交叉补贴实现**团结公平**，保护弱势群体。在大数据时代，精细化风险区分成为可能，监管压力也日益增大，如何平衡这两种公平理念成为行业核心挑战。 ## α-FISP框架：一个统一的解决方案 最新发表于arXiv的论文《α-Fair Insurance Pricing: A Fairness Continuum》提出了一种名为**α-公平个体偿付能力保费（α-FISP）** 的框架。该框架将定价问题建模为约束优化任务：在保证保险公司偿付能力的前提下，对精算公平保费进行交叉补贴调整。 关键创新在于引入参数 **α**，它控制着从纯粹精算公平（α=0）到纯粹团结公平（α=1）的连续过渡。决策者可以根据政策目标或监管要求，在光谱上选择任意一点作为定价基准。例如，α=0时保费完全基于个体风险；α=1时则完全按群体平均风险定价，实现最大程度的交叉补贴。 ## 理论保证与实证验证 研究团队为α-FISP框架提供了严格的理论保证，证明其解的存在性、唯一性以及偿付能力约束的满足性。数值实验表明，该框架在计算上是可处理的，并且能够很好地适应美国各州不同的监管要求——例如某些州要求严格按风险定价，而另一些州则强调对特定群体的保护。 ## 行业意义与未来展望 α-FISP框架为保险监管和行业实践提供了一个灵活的工具。它使保险公司能够在精算准确性和社会公平之间找到可量化的平衡点，同时满足偿付能力这一基本要求。对于监管者而言，该框架可帮助制定更精细化的公平性标准，避免“一刀切”带来的副作用。 未来，该研究可进一步扩展至动态定价、再保险以及多风险类别的复杂场景。随着AI和机器学习在保险业的应用深化，这种可调节的公平性框架有望成为行业标准。
多源迁移学习面临一个根本性的可扩展瓶颈：现有方法要么在参数融合时一次性将所有 K 个源模型加载到内存中（需要 O(K) 内存），要么在推理时部署所有模型，导致生产部署不可行。我们提出 **GRASP**（梯度对齐顺序参数迁移），通过三项关键创新在维持 **O(1) 内存消耗** 的同时实现卓越的知识集成： 1. **顺序处理**：每次只将一个源模型合并到正在演化的目标模型中； 2. **参数级梯度对齐**：仅选择优化方向与目标领域对齐的参数进行迁移，避免负迁移； 3. **迭代微调**：在集成下一个源模型之前，对已迁移的知识进行自适应调整。 在三个持续学习基准（Yearbook、CLEAR-10、CLEAR-100，覆盖 10 到 108 年时间分布偏移）和四种架构（1.3M 至 25.6M 参数）上的大量实验表明，**GRASP 在所有数据集和架构上的平均准确率达到 93.5%**，而集成方法仅为 71.7%。同时，GRASP 仅需恒定内存，而标准多源融合需要 K 个模型的内存。关键的是，GRASP 的顺序设计使得之前合并的模型无需保留，且能扩展到任意多的源模型而无需增加内存，使其特别适合资源受限的部署和持续演化的源领域。