Comma AI 创始人 George Hotz 近日发表争议性观点，主张 AI 应完全对齐用户个人意志，即使这意味着帮助用户策划谋杀。他认为集中式 AI 对齐方案（如 AI 2040 计划）忽略了个人自由，而本地化、用户对齐的 AI 才是未来。文章探讨了 AI 对齐的两种路径及其伦理困境。
在生成式AI浪潮席卷全球的今天，一个有趣的问题浮现：AI能否创造一种它自己更偏爱的编程语言？Jacquard正是这一探索的产物——一门由AI参与设计、专为AI编写且由人类审查代码而生的语言。 ## 核心设计理念 Jacquard的核心理念是**“AI编写，人类审查”**。它并非要取代现有语言，而是试图在AI生成代码与人类理解、信任之间架起桥梁。传统语言告诉开发者程序“计算什么”，而Jacquard还额外暴露了三个关键维度：**程序可能执行的副作用**、**有限离散不确定性**以及**规范的程序标识**。这些信息直接嵌入语言本身，而非仅存在于注释、日志或开发者的记忆中。 ## 独特能力 Jacquard提供了几项传统语言难以实现的能力： 1. **副作用可见性**：通过函数签名如 `(text) ->{net} text`，开发者一眼就能看出该函数可能执行网络操作。Jacquard运行时会拒绝未处理的副作用，除非明确授权（`--allow`），这在语言层面提供了类似沙箱的强制约束。 2. **多世界执行**：同一份代码可以在真实网络、模拟数据、历史流量回放甚至概率模型下运行。通过替换“处理器”（handler），开发者可以轻松测试“如果API宕机，我的智能体该怎么办？”这类场景，取代了传统的大量模拟工作。 3. **概率枚举**：对于有限离散不确定性，Jacquard可以精确枚举各种可能结果的概率，这在AI决策场景中极具价值。 ## 技术实现 Jacquard目前是**FriendMachine研究项目**的一部分，版本0.1已实现端到端功能，但仍是研究原型。其技术栈包括： - **.jac表面语法**：简洁紧凑 - **OCaml检查器和CPS解释器** - **原生AOT后端**：将内核编译为C代码 - **命令行工具**和**标准库**（由Jacquard自身编写） - **Warp测试框架** ## 行业意义 Jacquard的出现反映了AI编程语言领域的一种新思路：与其让AI适应人类语言，不如探索AI可能更偏好的语言结构。虽然目前仍是早期原型，但其对**副作用管理**、**不确定性建模**和**可审计性**的重视，为未来AI安全与可信编程提供了有价值的参考。 > 注：Jacquard 0.1并非生产级语言，其局限性在文档 `LIMITS.md` 中有明确说明。当前支持Linux x86-64、macOS Intel和Apple Silicon平台。
Anthropic 正在为其在印度市场的用户提供以印度卢比计价的 Claude 订阅计划。这一举措标志着 Anthropic 对其第二大市场（仅次于美国）的本地化策略进一步深化。 目前，印度用户已开始看到以卢比显示的订阅价格，而此前所有地区的定价均以美元结算。此举不仅降低了汇率波动带来的不确定性，也使得印度用户能够更直观地评估服务成本。 印度作为全球最大的 AI 人才市场之一，同时也是对 AI 工具需求高速增长的区域。Anthropic 的本地化定价可能意味着其正在积极拓展该市场的企业用户和开发者群体。此前，OpenAI 等竞争对手也已在印度推出本地化定价或免费层级的服务。 对于印度用户而言，卢比计价将减少国际交易手续费，并可能通过当地支付方式（如 UPI）提升订阅便利性。不过，Anthropic 尚未公开具体的卢比定价金额，以及是否会针对不同用户群体（如个人 vs 企业）提供差异化方案。 从行业视角看，AI 服务的区域定价正成为竞争新维度。与 Netflix、Spotify 等消费级服务类似，AI 公司也开始根据购买力平价调整价格，以平衡全球覆盖与本地市场渗透。Anthropic 此次动作，或预示其将加大在亚太地区的资源投入。
## 标签：文件管理的隐藏神器 文件管理器是操作系统中被严重低估的工具之一。大多数用户打开文件管理器时，往往在无数文件夹中反复点击，试图回忆某个文件存放的位置。但实际上，现代文件管理器内置了强大的搜索和过滤功能，其中**文件标签（Tagging）** 就是一项能彻底改变文件管理效率的功能。 ### 什么是文件标签？ 想象一下，你有一个名为 `linux.txt` 的文件，内容涉及 Ubuntu、Fedora、Pop!_OS、Linux Mint 和 ZorinOS。同时你还有 `distrox.txt` 以及每个发行版对应的独立文件。如果只想列出所有提到 Ubuntu 的文件，仅靠文件名搜索可能一无所获。 这时，标签就派上用场了。你可以为每个文件添加多个标签（比如“Ubuntu”、“Linux”、“操作系统”），然后通过文件管理器的标签筛选功能，一键列出所有带有该标签的文件。**标签本质上是一种关系型分类方式**，它打破了文件夹的树状结构限制，让文件按内容、项目或任意维度交叉关联。 ### 标签的实际应用场景 - **项目管理**：为同一项目的文档、图片、代码文件添加统一标签（如“ProjectX”），无论它们散落在哪个文件夹，都能瞬间聚合。 - **主题归档**：收集的参考文章、截图、笔记都打上“技术趋势”标签，方便后续回顾。 - **快速检索**：即使忘记文件名，只要记得文件内容涉及的关键词（如“Python脚本”），通过标签就能定位。 ### 主流文件管理器的标签支持 - **Windows 文件资源管理器**：支持为文件添加标签（在属性-详细信息中），但需要手动启用和查看。 - **macOS Finder**：标签功能非常成熟，可直接在侧边栏点击标签筛选文件，且支持多色标签。 - **Linux 文件管理器（如 Nautilus、Dolphin）**：部分原生支持，或通过插件扩展。 - **第三方工具**：如 TagSpaces、Yosemite 等，提供跨平台的高级标签管理。 ### 如何开始使用标签？ 1. **规划标签体系**：避免标签过于细化或杂乱，建议按“项目-类型-状态”三级分类。例如“工作-报告-草稿”。 2. **批量添加标签**：选中多个文件，右键属性或标签菜单，一次性添加通用标签。 3. **结合搜索使用**：先点击标签筛选，再在结果中搜索文件名或内容，双重过滤更精准。 ### 标签 vs. 文件夹：并非替代而是互补 文件夹适合**层级分明**的存储（如“2025年/财务/发票”），而标签适合**多维度关联**的文件（同一张图片可能同时属于“假期”、“风景”、“2024年”）。两者结合，既能保持目录整洁，又能实现灵活检索。 **小结**：如果你厌倦了在文件夹迷宫中反复翻找，不妨从今天开始尝试文件标签。它不需要额外学习成本，却能显著提升工作效率。正如作者所说：“标签从未让我失望，它们不仅帮我快速找到文件，还让文件保持井然有序。” > 提示：不同操作系统和文件管理器的标签实现略有差异，但核心理念一致。选择你常用的工具，探索其标签功能，你会发现一个全新的高效世界。
随着AI助手的普及，求职者开始使用ChatGPT等工具辅助编码面试，而招聘方则部署AI面试官和防作弊系统来应对。这场AI军备竞赛正在重塑技术招聘流程。 ## 从AI辅助到AI对抗 在过去一年中，越来越多的求职者在技术面试中依赖AI工具。例如，**ChatGPT**可以实时生成代码片段，**GitHub Copilot**则能自动补全逻辑。这导致招聘方难以评估候选人的真实能力。为此，初创公司如**Ginger**推出了AI语音面试官，用于第一轮面试。Ginger的AI会提出技术问题，分析候选人的回答，并标记可疑行为，如长时间停顿（可能是在向AI工具提问）。 ## 防作弊技术升级 除了AI面试官，一些公司还引入了**浏览器监控软件**，限制面试期间打开其他标签页；或者使用**实时编码平台**，要求候选人在共享屏幕上编写代码，并记录键盘输入模式。这些措施旨在减少作弊空间，但也引发了关于隐私和公平性的争议。 ## 人类技能仍然关键 尽管AI工具能辅助编码，但面试官越来越注重考察**推理能力**和**系统设计**，这些领域AI目前仍难以作弊。例如，面试中常出现开放式问题，要求候选人解释设计决策或优化算法，这需要深入的逻辑思维和沟通能力。此外，**行为面试**环节能帮助评估候选人的团队协作和问题解决能力，这些是AI无法替代的。 ## 军备竞赛的未来 这场AI军备竞赛可能会催生更复杂的对抗技术。例如，招聘方可能使用AI检测候选人是否在使用AI，而求职者则可能开发更隐蔽的辅助工具。但最终，**技术面试的核心目标——评估真实能力——不会改变**。企业需要平衡效率与公平，而求职者则应专注于提升自身技能，而非依赖捷径。 总的来说，AI正在改变技术面试的规则，但人类的判断力和创造力仍是不可替代的。
在网络安全领域，提示注入（prompt injection）长期以来被视为一种攻击手段——攻击者通过精心构造的输入，诱导AI模型执行非预期的操作。然而，一种名为“上下文轰炸”（context bombing）的新防御策略正颠覆这一认知：防御者主动利用提示注入来瘫痪恶意黑客代理，使其在造成损害前自行关闭。 ## 从攻击武器到防御盾牌 传统上，提示注入攻击利用AI系统对自然语言指令的灵活性，绕过安全限制。例如，攻击者可能向聊天机器人发送看似无害的文本，实际包含隐藏指令，使其泄露敏感数据或执行危险操作。但“上下文轰炸”反其道而行之：防御者在系统环境中注入大量对抗性上下文，这些上下文专门针对黑客代理的指令解析逻辑，使其陷入混乱或触发自我终止机制。 ## 技术原理：让AI代理“自相矛盾” “上下文轰炸”的核心在于利用AI模型对上下文长度的敏感性和指令优先级处理缺陷。防御者预先在系统提示或知识库中嵌入大量看似合理但实际矛盾的指令。例如，当黑客代理试图窃取数据时，这些指令会强制其执行“检查自身意图合法性”的步骤，一旦发现自身行为与“不造成损害”的基座规则冲突，便主动关闭。 这种方法的关键在于**精准设计对抗性上下文**。防御者需要分析常见黑客代理的指令模板，找到其逻辑盲点——比如某些代理会无条件信任系统提示中的“安全优先”规则，而忽略后续用户指令中的恶意内容。通过在这些规则中埋设“陷阱”，防御者可以迫使代理在执行任何操作前先自我审查，若发现自身意图被标记为“恶意”，则直接退出。 ## 行业影响：攻防角色的重新定义 这一策略的出现标志着AI安全领域的重要转折。过去，防御者主要致力于过滤输入、限制输出或监控异常行为，而“上下文轰炸”则提供了一种主动出击的防御手段。它不需要修改模型本身，只需调整系统环境，部署成本相对较低。 然而，该技术也面临挑战。首先，对抗性上下文的通用性有限——不同黑客代理的指令解析方式各异，防御者需要持续更新“诱饵”策略。其次，过度激进的上下文轰炸可能误伤合法用户，导致正常功能中断。此外，攻击者也可能反向利用这种技术，通过注入虚假“安全指令”来绕过防御。 ## 未来展望 “上下文轰炸”目前仍处于早期探索阶段，但它展示了AI安全领域从“被动防御”向“主动对抗”转变的趋势。随着AI代理在自动化渗透测试、恶意软件分析等场景的广泛应用，类似的技术可能成为标准防御组件。同时，这一案例也提醒我们：**提示注入本身是一种中性技术**，其善恶取决于使用者的意图。当攻击者用它来破坏时，防御者同样可以将其转化为保护的工具。 对于企业和开发者而言，关注此类动态防御技术至关重要。在部署AI代理时，除了常规的安全审计，还需考虑环境层面的“免疫接种”——通过上下文设计使系统对恶意指令具备天然抵抗力。毕竟，在AI攻防的博弈中，最好的防守有时正是主动出击。
一体机（AIO）电脑将桌面级性能与轻巧设计融为一体，是追求整洁桌面和高效空间的理想选择。ZDNET专家团队经过严格测试，从屏幕尺寸、性能、设计等多维度评估，为您精选出2026年市场上最值得关注的一体机产品。 ## 核心发现 根据测试结果，**HP OmniStudio X 32** 凭借其31.5英寸大屏和强劲性能成为家庭办公与娱乐的全能选手，尤其适合需要大视野的用户。而 **Lenovo Yoga AIO** 则凭借独特的可调节铰链设计脱颖而出，支持屏幕多角度翻转，为内容创作者提供了灵活的工作模式。 ## 选购须知 一体机并非完美无缺。由于内部高度集成，**升级和维修空间有限**，因此初次选购时必须明确需求。ZDNET建议重点关注以下三点： - **屏幕素质**：4K分辨率、高色域覆盖是设计工作的刚需； - **处理器与内存**：至少第13代Intel Core或AMD Ryzen 7000系列，16GB内存起步； - **接口扩展**：确保配备足够的USB-A/C及视频输出端口。 ## 测试方法论 所有推荐产品均经过ZDNET实验室的**实际测试与长期使用验证**，涵盖性能跑分、屏幕色准、散热噪音及日常多任务场景。同时参考了真实用户反馈与第三方评测，确保推荐客观中立。 ## 市场趋势 2026年的一体机市场呈现两大趋势：一是**AI功能集成**，部分型号开始内置NPU以加速本地AI任务；二是**模块化设计**尝试，少数品牌允许用户自行更换存储或内存。不过，传统一体机仍以易用性和美观为优先。 ## 总结 无论您是追求大屏沉浸感，还是需要灵活创作工具，上述两款产品均代表了当前一体机的最优解。建议在购买前明确自身对性能、屏幕和扩展性的核心需求，以做出明智决策。
Alienware 15 试图在性价比与性能之间找到平衡，但实际表现如何？本文从产品角度深入分析其优缺点，并推荐三款可能更明智的替代选择。 ## 设计：经典 Alienware 风格，但重量感人 Alienware 15 延续了标志性的科幻设计语言，机身坚固，做工扎实，RGB 灯效依旧炫酷。然而，**2.5 千克的重量**和较厚的机身让它并不便于携带，对于需要经常移动的用户来说是个减分项。 ## 屏幕：入门级配置，表现平平 评测机配备了一块 **1080p、120Hz 的 IPS 屏幕**，亮度约 300 尼特，色域覆盖 sRGB 约 62%。在玩《赛博朋克 2077》等 3A 大作时，画面暗部细节丢失明显，色彩也不够鲜艳。相比之下，同价位的 **华硕 TUF Gaming A16** 提供了 **165Hz、100% sRGB 屏幕**，视觉体验明显更好。 ## 性能：够用但不出彩 搭载 **Intel Core i5-13450HX** 与 **RTX 4050（75W TGP）**，在 1080p 中高画质下能流畅运行多数主流游戏。但散热系统在高负载时风扇噪音较大（实测 48dB），且键盘表面温度最高达 45°C。 ## 接口与扩展性：有亮点也有槽点 接口方面，配备了 **2 个 USB-A 3.2、1 个 USB-C（支持 DP 1.4 和 PD）、HDMI 2.1、RJ45 网口**和 3.5mm 耳机孔。但 USB-C 接口仅一个，且位置靠近电源口，插拔不便；SD 卡槽缺失对内容创作者不友好。 ## 价格与竞品对比 Alienware 15 起售价 **$1,099**，而推荐的三款竞品在类似价位提供了更均衡的配置： - **华硕 TUF Gaming A16**：$999，Ryzen 7 + RX 7600S，屏幕与续航更优。 - **联想 Legion Slim 5**：$1,099，i7-13700H + RTX 4060，性能释放更强。 - **宏碁 Predator Helios Neo 16**：$1,149，i5-13500HX + RTX 4060，散热与屏幕更佳。 ## 小结 Alienware 15 是一款合格的入门游戏本，但并未在竞争激烈的市场中脱颖而出。如果你追求品牌信仰与独特设计，它值得考虑；但若更看重屏幕、性能或性价比，上述三款竞品可能更明智。
谷歌旗下的导航应用 Waze 近日迎来重大更新，引入了多项由 Gemini AI 驱动的功能，并新增了摩托车模式等个性化选项。这些更新不仅提升了导航体验，也反映了谷歌将 Gemini 整合进更多产品的战略，同时帮助 Waze 更好地与 Apple Maps 等对手竞争。 ### 个性化路线推荐 Waze 现在能够根据用户的行程历史和对城市交通模式的理解来推荐路线。例如，如果你偏好高速而非普通道路，系统会优先显示高速路线。用户也可以选择关闭个性化功能。该更新已全球上线 Android 和 iOS 平台。 ### Gemini 驱动的目的地搜索 用户现在可以通过语音或文本与 Gemini 对话来查找目的地。例如，你可以说“找一家现在营业的咖啡店”或“找个靠近 Grand Mall 的停车场”，Waze 会返回相关选项。该功能目前面向全球 Android 和 iOS 的 Beta 用户开放。 ### 摩托车模式 针对两轮车用户，Waze 推出了摩托车模式。AI 会考虑摩托车专属的捷径和道路限制，提供最佳路线和更准确的预计到达时间，并显示坑洼、减速带等危险信息。该模式已在阿根廷、巴西、哥伦比亚、马来西亚、墨西哥、秘鲁和菲律宾上线，未来将扩展至更多国家。 ### 自然语言道路报告与地图更新 用户现在可以用自然语言报告交通事件，如“这里道路封闭”，Waze 会将详情发送给本地地图编辑。该功能已全球上线。此外，Waze 还增加了“少话模式”，减少驾驶中的干扰。 这些更新展示了 AI 如何提升导航的便利性和个性化，也标志着谷歌在 AI 应用上的又一进展。
从1998年到2012年，诺基亚统治了手机市场长达14年，巅峰时期全球近40%的手机都出自这家芬兰公司。然而，随着iPhone和Android的崛起，功能手机时代戛然而止。本文基于诺基亚内部文件与工程师访谈，回顾了这家巨头如何预见危机却无力回天的故事。 ## 辉煌岁月：从3210到3310 诺基亚的经典机型**3210**和**3310**是功能手机时代的象征。前者于1999年发布，后者于2000年推出，两者全球累计销量超过**2.8亿部**。它们最大的硬件创新是**内置天线**——这是首批无需外置或伸缩天线的量产手机。尽管消费者最初怀疑无外置天线的通话质量，但诺基亚用销量证明了一切。 2005年，诺基亚在尼日利亚售出了其第**10亿部手机**。彼时，全球每三部手机中就有一部来自诺基亚。其标志性的铃声和坚固耐用的设计，使诺基亚成为流行文化的一部分，频繁出现在影视作品中。 ## 危机降临：iPhone发布后的24小时 2007年1月9日，史蒂夫·乔布斯发布了初代iPhone。诺基亚内部文件显示，在发布会结束后的**24小时内**，公司高层就已开始评估这一新威胁。他们迅速意识到，iPhone的触控交互和完整网络体验将彻底颠覆功能手机的定义。 然而，**意识到危机与成功应对是两回事**。诺基亚的工程团队和决策层虽然看到了方向，但庞大的组织架构、对Symbian系统的路径依赖，以及硬件优先的文化，使其难以快速转型。 ## 溃败：Android的补刀 如果说iPhone撕开了功能手机时代的裂口，那么**Android生态系统**的崛起则彻底埋葬了诺基亚。2008年首款Android手机HTC Dream发布后，开放的平台吸引了大量厂商和开发者。诺基亚试图通过**Maemo**和后来的**MeeGo**系统反击，但生态系统建设远落后于Android。 2011年，诺基亚宣布与微软合作，转向Windows Phone系统。这一战略被普遍认为是**最后的赌注**，但未能挽回颓势。2014年，诺基亚将手机业务以**72亿美元**出售给微软——这一价格仅为巅峰时期市值的零头。 ## 启示：巨头的惯性陷阱 诺基亚的衰落是技术史上经典的“创新者困境”案例。公司并非缺乏远见——它在触控、网络应用等领域早有布局，但**成功的过去成为转型的枷锁**。功能手机时代的利润太丰厚，组织惯性太强大，导致无法在智能手机时代复制过去的辉煌。 今天，诺基亚仍作为网络设备供应商存在，但其手机霸权的故事提醒我们：在科技行业，**没有永恒的王者**，只有不断进化的挑战。
OpenAI近期将ChatGPT桌面应用与Codex合并，并推出了全新的“ChatGPT Work”功能，但这一更新却让不少老用户感到失望——因为一些备受喜爱的日常功能被无情移除。本文作者David Gewirtz分享了他的亲身经历：他原本计划撰写一篇对比Claude Cowork与ChatGPT Work的文章，却在尝试使用ChatGPT Work时遭遇了“冒险”。 作者坦言，他主要在Mac上使用ChatGPT，且更偏爱桌面应用而非浏览器版本。桌面应用的一大“隐藏神技”是能直接从应用内截图并立即放入对话中，省去了打开截图软件、保存图片再拖拽的繁琐步骤。这一功能对于快速诊断系统问题、反复粘贴截图的工作流来说极为便捷，甚至形成了一种“节奏感”。然而，随着本次合并更新，这一功能被彻底移除。 除了截图功能，其他一些日常生产力特性也受到影响。OpenAI的意图很明确：将桌面应用重新定位为面向Codex（代码助手）和Work（工作流）的“专业工具”，牺牲了通用场景下的轻量便捷性。作者感叹：“他们到底在想什么？” 从行业角度看，这一变动反映了AI产品在“通用助手”与“专业工具”之间的定位摇摆。ChatGPT桌面版原本以其简洁、跨场景的易用性吸引用户，如今却为了迎合开发者（Codex）和企业用户（Work）而削弱基础体验。这或许能吸引新用户群体，但也可能流失原有忠实用户。 对于大多数普通用户而言，浏览器版本目前仍是更稳妥的选择——它保留了完整功能，且不受桌面应用更新带来的“功能阉割”影响。作者建议，除非你重度依赖Codex或ChatGPT Work，否则不妨继续使用浏览器版。 这次更新也给行业提了个醒：产品迭代时，如何在“做加法”的同时不“做减法”，避免因追求新功能而牺牲既有体验，是每个AI公司需要深思的课题。
随着AI技术的飞速发展，“世界模型”这一概念逐渐从科幻走向现实。它被寄予厚望，被视为迈向通用人工智能的关键一步。然而，世界模型究竟是什么？它能做到什么？又面临哪些挑战？本文综合多位专家的观点，为您深度解析。 ## 什么是世界模型？ 简单来说，世界模型是一种能够模拟环境动态的AI系统。它通过学习海量数据，构建出对物理世界或特定领域的内在表征，从而预测未来状态，并据此规划行动。与传统的AI模型不同，世界模型追求的不仅是模式识别，更是对因果关系的理解。例如，一个驾驶世界模型不仅要识别道路上的行人，还要预测行人可能的移动轨迹，并据此调整驾驶策略。 ## 承诺：从推理到规划的跨越 世界模型的核心价值在于其**规划能力**。在强化学习领域，世界模型可以让智能体在“脑海”中模拟多种行动路径，选择最优方案，从而大幅提升学习效率和安全性。DeepMind的AlphaGo之所以能击败人类棋手，正是因为它结合了蒙特卡洛树搜索与价值网络，本质上就是一种针对围棋的世界模型。 此外，世界模型在**机器人控制、自动驾驶、游戏AI**等场景中展现出巨大潜力。例如，谷歌的Dreamer系列模型能够在没有真实环境交互的情况下，仅通过内部模拟学习复杂的运动技能。这种“离线学习”能力，使得AI可以在虚拟环境中积累经验，再迁移到现实世界，显著降低训练成本和风险。 ## 局限：模拟不等于真实 尽管前景诱人，当前的世界模型仍存在明显局限。**首先，计算成本极高**。构建足够精确的世界模型需要海量数据和算力，且模拟的复杂度随环境维度指数级增长。**其次，泛化能力不足**。模型在训练集内表现优异，但面对未见过的场景或分布外数据时，预测可能彻底失效。例如，一个在晴天训练的驾驶模型，在雨雪天气中可能完全“失明”。 更根本的问题在于，**世界模型无法真正理解物理定律**。它们学到的更多是统计相关性，而非真正的因果关系。这意味着当环境发生微小变化时，模型可能产生荒谬的预测。正如计算机科学家朱迪亚·珀尔所言：“没有因果推理，AI永远只是高级曲线拟合。” ## 未来方向：融合因果与常识 为了突破瓶颈，研究者正尝试将**因果推断**和**常识知识**融入世界模型。例如，通过结构化表征学习，让模型区分相关性与因果性；或者引入物理模拟器作为先验，约束模型的输出空间。此外，**多模态学习**（结合视觉、文本、触觉等）也被视为提升模型鲁棒性的关键。 ## 小结 世界模型是AI领域一个充满希望但挑战重重的方向。它让我们离“机器能理解世界”的梦想更近一步，但距离真正通用、可靠的世界模拟还有很长的路。在追求“模拟一切”的同时，我们更需清醒认识到：模型只是现实的近似，而非替代。未来的突破，或许不在于更大的模型，而在于更深刻的认知。
导航应用 Waze 正在迎来一次 AI 升级。谷歌将其旗舰 AI 助手 **Gemini** 整合进 Waze，让用户能够更个性化地规划行程。此次共推出四项更新，其中两项明确涉及 Gemini 技术。 ### 🗣️ 对话式语音报告与目的地搜索 Waze 升级了 2024 年首次推出的 **对话式报告功能**，现在驾驶员可以用自然语言语音命令报告交通事件或建议地图更新，例如“报告前方事故”或“这条道路已关闭”。此外，新增的 **Destination Search** 允许用户通过语音指令寻找目的地，比如“找一家现在营业的咖啡店”或“附近最便宜的加油站”。这些改进得益于 AI 在对话式语音交互上的显著进步。 ### 🎵 更安静的语音提示与摩托车模式 对于非 AI 功能，Waze 增加了 **“少话痨”模式**，用户可调整语音提示的频繁程度，避免干扰音乐或播客的播放。同时，Waze 推出了 **摩托车模式**，专为两轮车设计，整合了摩托车专属捷径，并提供更准确的预计到达时间（ETA），以优化路线规划。 ### 🛣️ 个性化路线建议 Waze 现在会根据用户的过往行程记录以及本地交通数据，**优先推荐用户偏好的路线**。例如，如果你通常走高速而非地方道路，Waze 会将高速选项置顶。 ### 🚗 背景与趋势 尽管谷歌对 Waze 的 AI 改造相对克制，但其另一款导航应用 **Google Maps** 已陆续加入多项 AI 功能，显示出谷歌在导航领域逐步加强 AI 整合。Waze 此次更新在保留社区特色的同时，引入了更智能的交互方式，有望提升驾驶体验。
## 解决流形归一化的通用难题 在机器学习中，流形值数据（如对称正定矩阵、旋转矩阵）广泛出现在视觉、机器人、医学成像等领域。虽然深度神经网络已能处理这些非欧几里得数据，但如何有效归一化流形上的样本分布仍是难题。现有黎曼归一化方法多针对特定流形设计，缺乏通用性，且难以真正控制分布均值和方差。 ## LieBN：统一李群上的归一化 为突破这一瓶颈，来自意大利特伦托大学、中国江南大学等机构的研究者提出了 **LieBN**，一个基于李群理论的黎曼批量归一化框架。李群是同时具有群结构和光滑流形结构的数学对象，典型例子包括旋转群 SO(3)、对称正定矩阵群等。LieBN 的核心思路是利用李群上天然存在的**左不变和右不变度量**——这些度量在群作用下保持几何性质不变，从而为归一化提供理论保障。 ## 九种几何实例与创新度量 研究团队在九种不同几何结构上实例化了 LieBN： - **SPD 流形**（对称正定矩阵）：四种度量，包括一种新提出的右不变度量，以及通过矩阵幂变形扩展的三种李群结构 - **旋转矩阵群 SO(3)**：一种度量 - **满秩相关矩阵流形**：四种度量 值得注意的是，在 SPD 流形上，研究者引入了一种全新的 **右不变度量**，并利用矩阵幂变形技术将三种现有黎曼度量转化为李群结构，极大丰富了可选的几何工具。 ## 理论保证与实验验证 LieBN 提供了理论上的保证：通过左/右不变度量，归一化过程能有效控制黎曼均值与方差，避免传统方法中分布偏移的问题。实验在多种流形任务上验证了 LieBN 的有效性，表明其优于现有的特定流形归一化方法。代码已开源。 ## 意义与展望 LieBN 为流形深度学习提供了一个统一、可扩展的归一化解决方案。它不仅简化了不同流形上归一化方法的设计，也为处理更复杂的结构（如李群上的图神经网络、时间序列建模）奠定了基础。未来，该框架有望在计算机视觉、机器人操控、医学图像分析等需要处理流形数据的领域发挥作用。
混合专家模型（MoE）凭借其稀疏激活特性，已成为大语言模型主流架构之一。但在分布式推理场景中，如何高效地将不同专家（Expert）分配到各GPU上，始终是影响端到端延迟的关键瓶颈。现有方案多基于历史请求的专家激活模式进行静态或离线优化，面对多样且快速变化的请求流量时显得力不从心。 最新发表于arXiv的论文《Director: Accelerating Distributed MoE Serving via Online Proactive Expert Placement》提出了一套全新的在线主动式专家放置框架，旨在从根本上解决这一挑战。该研究已被INFOCOM 2026接收。 ### 核心挑战与设计思路 Director的设计围绕三大难点展开： - **请求的专家激活模式存在不确定性**，无法提前预知每个请求会触发哪些专家； - **专家迁移本身有成本**，频繁移动专家会引入额外通信开销与服务中断； - **放置优化是NP难问题**，在大规模集群中寻找最优解几乎不可能。 为此，Director采用**预测驱动、在线迁移**的策略。系统首先通过一个轻量级级联预测器（cascaded predictor）或低位量化副本（low-bit quantized replica），对即将到来的请求进行专家激活模式预测。随后，在线迁移模块在计算密集阶段（compute-bound phase）执行专家迁移，将服务中断时间降至接近零。 ### 松弛优化的数学保证 在优化器层面，Director设计了一个基于松弛（relaxation-based）的在线放置算法，在容量约束下运行于多项式时间，并实现了 **(1+ε) 近似比**的数学保证。这意味着算法能在有限时间内给出接近理论最优的放置方案，兼顾了效率与质量。 ### 实测效果：端到端延迟降低11%～55% 研究团队在主流MoE模型（包括Mistral、DeepSeek、Qwen）上进行了全面实验。结果表明，相比现有最优的专家放置方案，Director将端到端推理延迟降低了 **11%至55%**。这一提升在请求模式剧烈波动时尤为显著，验证了主动预测+在线迁移的有效性。 ### 行业启示 随着DeepSeek-V3、Qwen2.5-MoE等模型在工业界广泛应用，MoE服务的部署效率直接关系到成本和用户体验。Director提出的“预测+在线调整”思路，跳出了传统静态优化的框架，为分布式推理系统提供了新的设计范式。特别是在多租户、高并发场景下，这种自适应能力可能成为未来推理引擎的标配。 不过，该方案仍处于原型阶段，预测器的额外开销、大规模集群下的迁移调度策略等细节还有待进一步工程验证。但无论如何，Director已经为MoE服务系统指明了一条值得深入探索的技术路径。
## 核心发现：耦合不仅是计算选择，更是对齐接口 在生成模型中，**流匹配（Flow Matching）** 通过定义噪声向量与数据点之间的配对规则（即耦合）来学习概率路径。传统上，这种耦合被视为纯粹的计算选择。然而，近日发表于 arXiv 的一篇论文《Reward Transport: Property Control in Flow Matching via Noise-Space Alignment》提出了一个颠覆性观点：**耦合可以作为一种对齐接口**——通过根据目标分子属性匹配噪声与数据，可控结构被直接嵌入到学习到的流场中。 ## 方法：Reward Transport 的机制 基于这一洞察，研究团队引入了 **Reward Transport** 方法。其核心思想是：在训练阶段，使用最优传输（Optimal Transport）耦合将**标量噪声空间坐标**与分子奖励（如 logP、QED）对齐。在推理时，通过简单地改变这个噪声坐标，即可引导生成分布向高奖励区域偏移，**无需依赖 Oracle 模型、奖励模型、梯度引导或额外计算**。 值得注意的是，在耦合保持的极限情况下，对该坐标进行阈值化可以恢复**交叉熵方法（Cross-Entropy Method）** 的截断奖励分布，从而提供一个原理清晰、连续可调的分布级控制旋钮。 ## 实验验证：单调控制与特异性响应 实验在 **ZINC-250K** 和 **GuacaMol** 基准上进行。结果表明，通过扫描标量噪声坐标，模型实现了对 logP 的单调控制，以及对 QED 在其操作范围内的一致控制。最令人印象深刻的是，**同一个旋钮对不同目标产生了相反的结构响应**：对于 logP 倾向于生成更大的分子，而对于 QED 则倾向于更小的分子——这排除了简单的大小偏差干扰。 ## 与现有方法的兼容性与局限性 Reward Transport 与无分类器指导（Classifier-Free Guidance）和条件流匹配是互补的。然而，论文也报告了一个负面结果：在 epsilon 预测扩散（epsilon-prediction diffusion）下，该方法失效，这恰好说明了**耦合级别对齐的结构缺失**。 ## 行业意义与未来方向 这项工作为**分子生成中的属性控制**提供了一种轻量级、无需额外训练的解决方案，有望加速药物发现和材料设计中的逆向优化。其核心思想——利用耦合作为对齐接口——也可能启发其他生成任务（如图像、文本）中的可控生成方法。 论文代码已开源，感兴趣的读者可进一步探索。
阿尔茨海默病（AD）是一种复杂的神经退行性疾病，全球数百万患者深受其影响。在疾病前驱阶段预测其向痴呆的转化，对于疾病理解和患者护理至关重要。尽管生存分析模型已被广泛应用于AD风险预测，但传统模型多为静态预测器，可解释性有限，且缺乏自然语言推理能力。针对这一痛点，最新研究提出了 **iLENS**（Interpretable LLM-Guided Mixture-of-Experts），一种融合大语言模型（LLM）与混合专家（MoE）框架的可解释生存预测方法。 ### 核心创新：LLM引导专家路由 iLENS 的核心思路是利用 LLM 处理结构化的神经影像测量数据与非结构化信息（如临床文本），并基于这些信息智能地选择最合适的“专家”模型进行生存预测。传统 MoE 通常依赖硬编码规则或简单统计特征进行专家路由，而 iLENS 借助 LLM 的语义理解能力，将路由决策转化为自然语言推理过程，从而提升预测的灵活性与可解释性。 ### 性能与可解释性兼得 实验表明，iLENS 在 AD 转化预测任务上取得了具有竞争力的性能，同时能够进行患者亚型分型。更关键的是，该框架为每一次路由决策提供了透明、生物学合理的解释，例如明确指出“海马体体积萎缩程度较高”和“APOE ε4 基因携带”等因素如何共同影响风险分层。这种可解释性弥合了高性能生存分析与临床决策支持之间的鸿沟，使模型输出更易被医生信任和采纳。 ### 临床价值与未来展望 iLENS 的提出标志着 AI 在医疗领域应用的重要进步——不再仅追求预测精度，而是将可解释性作为核心设计原则。对于阿尔茨海默病这类需要长期跟踪与个性化干预的疾病，一个既能给出风险概率，又能用自然语言说明原因的工具，将极大辅助临床医生制定早期干预策略。未来，该框架有望推广至其他神经退行性疾病，并整合多模态数据（如基因、脑脊液生物标志物），进一步拓展其应用边界。
联邦持续学习（FCL）旨在评估分布式客户端如何从不断变化的数据流中学习，同时保留已学知识。然而，现有评估因数据集、任务划分、客户端数据分配、任务顺序、骨干网络、内存假设和报告规则等频繁同时变动而难以比较。为此，研究人员提出了 **HERO**（Heterogeneity-Aware Benchmark Library），一个面向FCL的异构感知基准库。 ## 解耦关键因素，构建可比基准 HERO的核心创新在于将通常耦合的三个选择分离：**任务划分**、**客户端数据划分**和**客户端任务序列**。在主要可比基准 **HERO-Core** 中，参数 α 控制客户端数据偏斜，ρ 控制任务顺序不匹配。这种设计使得研究者能够独立控制异构性来源，从而进行更公平的方法比较。 ## 实验设置与关键发现 研究团队在 **CIFAR-100** 和 **TinyImageNet** 上评估了代表性FCL方法，采用**最终平均准确率**、**平均遗忘率**和**底部10%客户端准确率**作为指标。此外，还包含了基于图的 **Domain-IL** 可移植性案例研究（使用 **OGB-MolPCBA** 数据集），其中支架域粒度改变输入分布，但预测任务保持不变。 实验结果揭示了几个重要现象： - 方法行为在简单和异构设置之间存在显著差异； - 平均准确率可能掩盖底层客户端的弱性能； - 任务顺序不匹配时，不同策略的表现与同步评估时截然不同； - HERO的统一接口能够暴露图像分类之外的域偏移难度。 ## 开放与可复现 HERO 提供了完整的基准流、配置、方法实现和报告脚本，以支持可重复且感知设置的FCL评估。该库通过分离异构性维度，为社区提供了更精细的评估工具，有助于推动联邦持续学习领域的标准化比较。 ## 总结 HERO 通过解耦关键变量，解决了FCL评估中缺乏可比性的核心问题。其模块化设计和丰富的实验结果不仅验证了现有方法的局限性，也为未来研究提供了清晰的方向。随着联邦学习在现实场景中的广泛应用，HERO 有望成为该领域基准测试的重要参考。
## 背景：MoE模型在边缘设备上的内存瓶颈 混合专家（Mixture-of-Experts, MoE）模型通过稀疏激活机制，每个token只调用少数专家，从而在保持模型容量的同时降低计算成本。然而，在边缘设备（如手机、IoT设备）上部署MoE模型时，一个隐藏的性能杀手逐渐浮出水面：**相邻token频繁激活不同的专家**，导致模型需要不断从慢速存储（如闪存）中加载专家权重到快速内存（如DRAM）中。这种“权重交换”操作严重拖慢推理速度，并增加功耗。 现有解决方案主要分为两类：系统层面的缓存启发式策略，以及训练后的路由器微调。但这些方法都只是“治标”——它们没有从根源上改变模型在预训练阶段形成的路由行为。 ## 核心创新：StickyMoE 损失函数 来自研究者 Ali Kayyam 的最新论文提出了一种名为 **StickyMoE** 的方法，通过一个可微的路由一致性损失函数，在**训练阶段**直接干预路由器的决策行为。该损失函数对相邻token之间的专家切换进行惩罚，鼓励路由器在语义连贯的文本段内保持相同的专家分配。 StickyMoE 的关键优势在于： - **无需修改模型架构**，仅在损失函数中添加一项，超参数仅为一个 λ（控制惩罚强度）。 - **与训练过程协同适应**：专家表示和路由决策从第一步训练开始就共同优化，而非事后修补。 - **实验效果显著**：在小规模MoE语言模型上的实验表明，StickyMoE能将专家切换率降低高达 **60%**，而困惑度（perplexity）仅退化不到 **4%**，在“质量-局部性”前沿上全面优于后微调方法。 ## 为什么训练阶段干预更有效？ 论文的核心洞察是：**路由的时间局部性最好在训练时灌输**。后处理方法（如微调路由器）虽然也能减少切换，但专家表示已经固化，路由器只能在有限空间内调整，容易导致性能下降。而StickyMoE让路由器和专家共同适应，使得专家能够学习到更适合“粘性”路由的表示，从而实现更优的权衡。 ## 行业意义与展望 随着AI模型向边缘设备迁移，内存带宽和存储速度成为关键瓶颈。StickyMoE提供了一种轻量级、高效的训练策略，有望推动MoE模型在资源受限设备上的实用化部署。未来，该方法可能进一步扩展到更大规模的模型，并与其他稀疏激活技术（如动态专家分配）结合。 论文以预印本形式发布于 arXiv，代码尚未开源，但方法本身简洁高效，预计将引起学术界和工业界的广泛关注。
arXiv:2607.08779v1 Announce Type: new Abstract: The signed integer alphabet contains one more negative representable value than positive. Yet, by convention, the standard symmetric integer quantizer fixes its scale to be strictly positive, which assigns this extra representable value to the negative tail and can force clipping of positive outliers. In this work, we show that, at few-bit precision, such clipping is a non-trivial source of quantization error. Asymmetric quantization addresses this