Salesforce 宣布以 **36 亿美元** 收购 AI 客服平台 **Fin**（前身为 Intercom），旨在利用其团队和技术强化旗下企业级 AI 代理平台 **Agentforce**。 ### 收购细节与战略意图 - **交易金额**：36 亿美元，预计在 Salesforce 2027 财年第四季度（即 2027 年初）完成。 - **整合方向**：Fin 的 AI 代理技术、客户成功理念及团队将融入 Agentforce，增强其服务代理能力。 - **高管表态**：Salesforce CEO Marc Benioff 表示，Fin 带来了“经过验证的代理技术、对客户成功的深度承诺以及出色的 AI 团队”，将帮助各类企业“通过可信赖的代理实现可衡量的规模化成果”。 ### Fin 的技术与产品实力 Fin 提供跨渠道（实时聊天、WhatsApp、短信、电话、Slack 等）的 AI 客服代理，能自动解决客户查询。其 CEO Eoghan McCabe 在 X 平台发文称，近年来 Fin 密集发布了多项创新，包括模型 **Apex** 和内部代理 **Operator**，并表示“借助 Salesforce 的资源，这一切只会加速”。他还强调，收购后他本人将继续担任 CEO，联合创始人 Des 仍负责研发，团队和产品方向基本不变。 ### 行业背景与竞争格局 此次收购发生在 AI 代理赛道白热化竞争时期。Salesforce 此前已推出 **Agentforce**，允许企业构建自定义 AI 代理以自动化任务。通过收购 Fin，Salesforce 不仅获得了成熟的多渠道客服能力，还吸纳了顶尖 AI 人才，进一步巩固其在企业级 AI 客服领域的地位。 ### 对客户与市场的影响 - **现有客户**：Fin 客户短期内体验不变，长期将受益于 Salesforce 的生态资源。 - **市场信号**：36 亿美元的高价反映了 AI 代理市场的巨大潜力，也表明 Salesforce 正全力押注这一方向。 - **竞争压力**：此举可能加剧与 Zendesk、Freshworks 等竞品的差距，同时推动更多并购整合。 ### 小结 Salesforce 收购 Fin 是一笔战略意义大于财务意义的交易。通过整合 Fin 的 AI 能力和团队，Salesforce 有望加速 Agentforce 的进化，提供更强大的全渠道 AI 客服解决方案，从而在 AI 企业服务领域占据更有利的位置。
## 从远程操控到产业格局：Skydio CEO 谈无人机未来 在最新一期《Decoder》播客中，The Verge 主编 Nilay Patel 与 Skydio 首席执行官 **亚当·布里** 展开了一场深度对话。作为美国领先的自主无人机制造商，Skydio 正站在行业变革的十字路口——中国竞争对手因禁令退出美国市场，军事 AI 应用争议不断，而企业级需求正以前所未有的速度增长。 ### 远程飞行的震撼体验 节目录制前，Patel 在纽约演播室通过亚当的笔记本电脑，远程操控了一架位于湾区的 Skydio X10 无人机，并在办公室内体验了室内飞行。这一演示不仅展示了 Skydio 在远程操控技术上的成熟度，更暗示了无人机在跨地域巡检、应急响应等场景中的潜力。 ### 企业市场：从“廉价替代”到“唯一选择” 当被问及为何专注企业市场时，亚当强调，Skydio 的核心客户是公用事业公司——它们使用无人机远程检查关键基础设施（如输电塔、管道），完成此前不可能完成的任务。然而，这一市场过去长期被中国制造的廉价消费级无人机占据。**2025 年底特朗普政府禁止外国制造无人机**后，大量 DJI 产品一夜消失，留下高价但可靠的 Skydio 作为主要替代品。亚当坦言，在美国制造复杂无人机面临巨大成本挑战，但这也是建立供应链韧性的必由之路。 ### 军事 AI：不画红线，但坚持原则 面对日益敏感的军事 AI 话题，亚当的立场引人关注。他拒绝为无人机使用“划设红线”，认为技术本身是中性的，关键在于应用场景和决策流程。Skydio 与军方的合作集中在非致命任务，如侦察、态势感知，而非自主攻击。亚当认为，**用 AI 增强人类决策能力**，而非取代人类，是更负责任的路径。他同时强调，Skydio 的 AI 模型在训练时就嵌入了伦理考量，并持续与政策制定者对话。 ### 中国禁令与产业重构 特朗普禁令的连锁反应远超预期。美国市场一夜之间从“价格竞争”转向“能力竞争”。Skydio 虽然受益于本土替代需求，但产能瓶颈明显。亚当透露，公司正大力投资自动化产线和 AI 辅助制造，**用 AI 本身来解决制造人力短缺**——这一思路颇具讽刺意味：AI 公司用 AI 来自动化自身生产。 ### 小结：争议中的增长路径 整场对话中，亚当始终试图平衡商业现实与伦理责任。他承认无人机在监控、执法中的风险，但坚持“更好的工具”能提升安全而非威胁自由。对于硅谷常见的“红线”讨论，他直言：**“技术公司不应自我设限，而应参与制定规则。”** 这种实用主义立场，或许正是 Skydio 在动荡市场中持续扩张的哲学基础。 （注：本文基于播客内容整理，部分信息如具体销售数据、禁令生效日期等未在原文中明确提及，故未采用。）
在 AI 驱动的研究工作流中，一个常见痛点是“深度”与“上下文”的冲突：当代理读取十个网页时，其上下文窗口被原始内容填满；如果同时运行数据分析代码，图表生成逻辑又会挤占战略推理的空间。传统做法是手动提示链或顺序处理，但效率低下。现在，**LangChain Deep Agents** 与 **Amazon Bedrock AgentCore** 的组合提供了一种更优雅的解决方案。 ### 核心思路：隔离子代理，各司其职 Deep Agents 负责编排，它能够按需生成临时的专业子代理，并管理其生命周期。而 Bedrock AgentCore 则为每个子代理提供所需的基础设施：包括一个真实的浏览器（运行在 MicroVM 中，用于网页研究）和一个完整的 Python 环境（用于数据分析）。AgentCore 还作为 Deep Agents CLI 的原生沙箱提供者，开发者只需运行 `deepagents --sandbox agentcore` 即可体验 AgentCore 的代码解释器功能。 ### 实战：构建一个竞争情报研究代理 本文将通过一个端到端的示例，演示如何构建一个竞争研究代理。该工作流面向需要为代理构建多步骤 AI 工作流，且需要隔离执行环境的开发者。 **工作流步骤：** 1. **协调代理** 接收请求，首先检查 AgentCore Memory 中是否有过往的研究洞察。 2. 并行生成三个**浏览器子代理**，每个代理在自己的 AgentCore Browser MicroVM 中访问一个竞争对手的网站，收集结构化信息。 3. 当三个子代理返回结果后，一个**分析子代理**接收合并数据，并使用 AgentCore Code Interpreter 生成对比图表和 Markdown 报告。 4. 最后，关键洞察被保存到 AgentCore Memory 中，供未来会话使用。 整个工作流可以通过 Amazon CloudWatch（通过 Amazon Bedrock AgentCore Observability）或 LangSmith 进行追踪。每个子代理类型仅能访问其特定的工具集：研究人员使用浏览器工具，分析师使用解释器工具，协调者使用内存工具。 ### 架构图解 下图展示了数据流：LangChain Deep Agents 编排器位于顶层，向下连接多个 Amazon Bedrock AgentCore Browser MicroVM 和 Code Interpreter，同时与 AgentCore Memory 交互。 ### 部署与扩展 文章的第二部分将介绍如何通过 AgentCore CLI 将同一个代理部署到 Bedrock AgentCore Runtime，使其作为托管、会话隔离的服务运行。 ### 总结 这种“Deep Agents + Bedrock AgentCore”的组合，为构建复杂 AI 研究代理提供了一种可扩展、安全且高效的范式。通过将不同任务分配给隔离的子代理，开发者能够突破上下文窗口的限制，同时利用托管基础设施简化运维。
印度AI初创公司Sarvam AI宣布完成**2.34亿美元**融资，估值达到**15亿美元**，成为印度最新的AI独角兽。本轮融资由印度IT服务巨头**HCLTech**领投，出资**1.5亿美元**，Bessemer Venture Partners以及现有投资者Khosla Ventures、Peak XV Partners参投。Sarvam计划在C轮融资中总计募集3亿美元。 此次融资距Sarvam此前完成4100万美元的种子轮和A轮融资已过去两年多。今年早些时候，Sarvam发布了**300亿**和**1050亿参数**的开源模型，专注于印度语言和本土应用场景。其产品已部署在银行、保险、政府服务和国防等领域。 Sarvam致力于打造全栈AI业务，涵盖模型开发、推理基础设施和企业应用。HCLTech的投资为其提供了强大的战略合作伙伴，双方计划将Sarvam的AI模型与HCLTech的企业关系、工程团队和软件资产相结合，为企业和政府构建AI产品。 这笔投资反映了全球对**主权AI能力**的日益重视。随着各国对先进模型和计算基础设施的担忧加剧，印度正成为全球最重要的AI市场之一。OpenAI和Anthropic均将印度视为仅次于美国的第二大市场，但印度本土在基础模型领域的竞争者寥寥无几。高昂的计算成本和有限的资本使得印度初创企业难以与中美对手抗衡，Sarvam成为少数试图构建本土基础模型的公司之一。 值得注意的是，就在上周，Anthropic因安全原因禁用了其最新模型Fable 5的部分功能，进一步凸显了AI主权和控制权的重要性。Sarvam的崛起标志着印度在AI基础设施自主化方面迈出了关键一步。
## 从卡车车轴到能源革命：一个大学实验如何开启美国风电时代 1976年，马萨诸塞大学阿默斯特分校的一支团队在校园最高点奥查德山竖起了一台风力发电机。这台名为“Wind Furnace”的装置，最大功率仅**25千瓦**，与现代高达26兆瓦的巨型风机相比微不足道，但它却被称为美国风电产业的“点火器”。 ### 简陋的起点，非凡的野心 这台涡轮机的核心部件来自一辆**福特卡车的后轴**，叶片是手工制作的钢和玻璃纤维，总长4.5米。团队还使用了一台捐赠的发电机与微控制器，以及一根蒸汽管道。项目由退休美国海军上尉、教授**威廉·赫罗尼穆斯**领导，他曾在二战中获得铜星勋章，设计过核潜艇，并参与北极星导弹项目。赫罗尼穆斯于1967年加入马萨诸塞大学，原本从事海洋工程，但1973-1974年石油危机后，他将目光转向了风能，希望为农村家庭提供供暖，减少美国对进口石油的依赖。 为了证明风能的实用性，团队还在奥查德山组装了一栋模块化住宅，安装由涡轮机供电的加热器。结果出乎意料：加热效果太好，以至于冬天需要开门降温。项目电气系统设计者迈克尔·埃兹回忆说：“我们不得不在严冬打开门，屋里实在太热了。” ### 行业先驱的遗产 1975年至1976年，这支由研究生、教授和一名早熟本科生组成的团队，用极低的预算证明了风能的技术可行性。当时，公众对风能的印象还停留在荷兰风车和吱嘎作响的抽水机上。赫罗尼穆斯团队的工作向能源界传递了一个信号：风能可以成为现代电力系统的组成部分。 尽管Wind Furnace的功率很小，但它为后续商业化发展奠定了基础。今天，美国风电装机容量已超过140吉瓦，成为可再生能源的重要支柱。赫罗尼穆斯于2004年去世，但他的远见和“用卡车车轴造风机”的务实精神，至今仍激励着清洁能源创新者。 ### 小结 一台由废旧零件拼凑的25千瓦风机，在50年前开启了美国风电产业的先河。它提醒我们：重大技术突破往往始于看似简陋的实验，而推动变革的，是那些敢于用有限资源挑战传统认知的人。
一家名为 **NewCore** 的网络安全初创公司近日以6600万美元的种子轮融资走出隐身模式，瞄准了企业即将面临的新挑战：如何为大规模部署的AI代理进行身份验证、治理和控制。本轮融资由网络安全风投基金 **Cyberstarts** 领投，**Index Ventures** 和 **Evolution Equity Partners** 跟投，投后估值达3亿美元。 ## 从“工具”到“同事”的身份革命 企业正在将AI代理视为工作场所的参与者，而非单纯的软件工具。**高盛**去年曾将AI编程代理 **Devin** 作为“新员工”进行测试；**麦肯锡**则在今年早些时候表示，已有2.5万个AI代理与其6万名员工协同工作。NewCore 押注，企业最终将需要像管理人类员工一样管理这些“数字员工”。 联合创始人兼CEO **Zohar Alon** 认为，身份系统已成为企业安全最薄弱的环节之一。他曾创立云安全初创公司 Dome9，后被 Check Point 收购。Alon 表示，AI代理的兴起让他和联合创始人确信，现有的身份平台无法应对软件工作者与人类员工共存的未来。“我们知道，这些AI代理给已有15到20年历史的身份平台带来的规模和复杂性，将彻底压垮它们。” ## 统一管理：人类与AI代理的身份融合 NewCore 的平台旨在用单一系统管理人类和AI代理的身份。其核心理念是：AI代理应被视为“一等公民”身份，拥有独立的权限、生命周期控制和撤销机制，而非传统的服务账户或机器凭证。 Alon 回忆，早在2023年，他在帮助一家公司审查技术预算时，看到其身份供应商的账单金额巨大，以为客户一定很满意。但对方却直言：“不，我并不满意。”这次对话强化了他的信念：身份管理已经落后于时代需求。 ## 团队背景与行业前景 NewCore 的联合创始人还包括 CTO **Amihai Neiderman**（前以色列情报部队8200研究负责人、医疗AI初创公司 Nym Health 创始人）和 CCO **Erez Yarkoni**（前 T-Mobile 美国及 Telstra 的 CIO）。这支兼具网络安全、AI和大型企业IT管理经验的团队，正试图定义AI时代的身份管理新标准。 随着AI代理从辅助工具演变为自主执行任务的“数字员工”，企业安全边界正在重塑。NewCore 的融资和定位表明，投资者相信这一细分市场将迎来爆发式增长。
## 固态空调：降温新希望，但效率存疑 全球变暖加剧，空调使用量只增不减。它虽有益健康，却占全球电力消耗的**7%** 和温室气体排放的**3%**。为应对这一困境，科学家和初创公司正押注**固态冷却技术**——通过导电材料传递热量，减少传统制冷剂的副作用。 然而，**关键挑战在于效率**：固态冷却能否媲美传统空调？目前尚无定论。相关研究仍在推进，旨在降低空调碳排放，但专家持谨慎态度。 ## “自然界的药物设计师”：用AI为动物制药 化学家 **Tim Cernak** 在大型药企工作近二十年后，转向“保护化学”——利用**AI工具和机器人**快速为动物设计并测试药物。传统上，动物常被使用人类药物，可能有害甚至致命。Cernak 的方法有望改变这一现状，精准治疗野生动物。 ## 今日必读 - **Anthropic 关闭顶级模型访问**：美国指令禁止外国人使用 Fable 5 和 Mythos 5，Anthropic 因无法实时过滤用户而全球禁用。亚马逊CEO介入谈判，但白宫此前禁令适得其反。 - **英国拟禁止16岁以下使用社交媒体**：2027年初生效，涵盖 Snapchat、TikTok、YouTube 等平台。多国跟进限制儿童社交访问。 - **太空新数据**：黑洞可能在星系之前形成，或解决宇宙学“先有鸡还是先有蛋”难题。
今年4月，一颗地球观测卫星首次在没有地面分析师干预的情况下，自主完成了目标识别任务。这一里程碑由**Loft Orbital**公司建造的YAM-9卫星搭载**NASA喷气推进实验室（JPL）**开发的软件包实现，该软件基于**Google DeepMind的Gemma 3**视觉语言模型（VLM），能够在轨处理自然语言查询并识别感兴趣区域。 传统上，卫星需将大量原始数据下载至地面，由分析师借助算法或人工判断。而YAM-9的VLM可直接在星上对传感器数据进行分类——例如识别自然与人类活动交界地带，或定位铁路枢纽附近的基础设施。 ### 短期影响：数据筛选效率革命 Loft Orbital的AI负责人**Paul Lasserre**表示，这一技术使卫星能进行**在轨数据初筛**，大幅减少下传数据量。分析师不再需要从海量原始数据中手动筛选，而是直接获取卫星自主标记的“高价值”片段。这对于军事侦察、灾害监测、环境监控等领域意义重大——例如卫星可持续监视边境，仅在检测到异常时向地面发送警报。 ### 长期愿景：太空中的“常驻哨兵” Lasserre称，VLM的部署为**太空持续监控层**打开了大门。未来，卫星群可自主执行逻辑任务，如“监视这片区域，发现可疑活动立即通知”，并与地面进行交互式对话。这标志着从“被动数据收集”到**主动智能感知**的范式转变。 ### 技术基础与商业潜力 YAM-9于2025年秋季发射，作为Loft Orbital的**轨道AI试验平台**，搭载了**Nvidia Jetson Orin AGX GPU**——太空计算领域的领先芯片。该公司采用**基础设施即服务**模式，为第三方客户提供卫星平台。近期，Loft与EarthDaily达成协议，将建造并运营6颗新卫星，在星上分析并销售采集的数据。 这一演示验证了**在轨VLM的可行性**，也为更大规模AI基础设施进入太空铺平了道路。随着芯片算力提升和模型轻量化，未来卫星有望实现“自主决策”，甚至协同编队完成复杂任务。 ### 挑战与展望 尽管里程碑意义显著，但当前演示仍处于早期阶段。在轨AI面临辐射、功耗、带宽等限制，且需要解决模型校准与伦理问题。不过，Loft Orbital和NASA JPL的合作已证明，**边缘AI在太空并非空想**。随着更多类似YAM-9的试验卫星升空，太空智能感知的时代正在加速到来。
## 从外卖依赖到数据库饮食管理 作为曾经的“外卖狂人”，我几乎每顿饭都依赖快餐或外卖，直到疫情改变了一切。居家烹饪让我意识到，饮食管理的关键不在于计算卡路里或严格节食，而在于**减少决策疲劳和冲动消费**。于是，我以每月12美元的成本，用Airtable搭建了一个简单的饮食规划数据库，彻底改变了我的饮食习惯。 ### 为什么是Airtable？ 传统的饮食App往往聚焦于热量、宏量营养素等指标，但对我来说，真正的痛点在于**“吃什么”的决策本身**。每天面对冰箱或外卖列表时的犹豫，往往导致最后选择高油高盐的即食食品。Airtable的灵活性让我可以自定义字段：菜品名称、食材清单、烹饪时间、口味偏好等，甚至关联到每周的购物清单。 ### 系统如何运作？ 1. **提前规划**：每周花30分钟，在Airtable中录入未来几天的餐食安排。 2. **自动生成购物清单**：基于所选菜品，数据库自动汇总所需食材，避免重复购买或遗漏。 3. **减少冲动消费**：当想叫外卖时，先查看数据库中的备选方案，往往发现冰箱里已有足够食材。 ### 实际效果 - **外卖频率下降约70%**：因为提前规划，临时叫外卖的冲动大幅减少。 - **食物浪费减少**：购物清单精准，不再因“不知道买什么”而囤积多余食材。 - **饮食质量提升**：更多蔬菜和蛋白质摄入，精制糖和油炸食品显著减少。 ### 成本与收益 每月12美元的Airtable订阅费，相比之前频繁的外卖开销（每月轻松超过300美元），**投资回报率极高**。更重要的是，它带来的健康改善和决策压力缓解，远非金钱可以衡量。 ### 适用人群 这套系统特别适合**被“饮食噪音”困扰的人**——不是需要严格节食的运动员，而是希望建立可持续健康习惯的普通人。无需复杂的营养学知识，只需一个简单的数据库和一点规划时间。 ## 小结 饮食管理的核心不是“吃什么”，而是“如何决定吃什么”。Airtable提供了一个低成本的决策框架，让健康饮食变得像填写表格一样简单。如果你也厌倦了外卖的重复和决策的疲惫，不妨试试用数据库为自己搭建一个饮食导航系统。
2026年，安卓阵营的拍照旗舰之争在Vivo X300 Ultra与三星Galaxy S26 Ultra之间展开。原本以为Vivo凭借三颗超大底传感器会轻松胜出，但实际对比后，三星在多个方面带来了惊喜。 ## 硬件规格对比 | 配置 | 三星 Galaxy S26 Ultra | Vivo X300 Ultra | |------|----------------------|-----------------| | 主摄 | 200MP（OIS、PDAF），1/1.3英寸传感器，f/1.4光圈，23mm等效焦距 | 200MP（OIS、激光对焦、PDAF），1/1.12英寸传感器，f/1.9光圈，35mm等效焦距 | | 长焦 | 50MP潜望式（OIS、PDAF），1/2.52英寸，f/2.9，5倍光变；10MP（OIS、PDAF），1/3.94英寸，f/2.4，3倍光变 | 200MP潜望式（OIS、PDAF），1/1.4英寸，f/2.7，3.7倍光变，支持微距 | | 超广角 | 50MP（PDAF），1/2.5英寸，f/1.9 | 50MP（OIS、PDAF），1/1.28英寸，f/2.0 | 从参数看，Vivo的传感器尺寸全面占优，尤其主摄和长焦的底都更大，理论上进光量和细节表现更佳。 ## 主摄表现：35mm vs 23mm 的取舍 Vivo X300 Ultra今年将主摄焦距改为35mm，这意味着无需依赖数码裁切即可获得更自然的视角。相比之下，三星S26 Ultra的23mm焦距更广，适合风景和多人合影。实际拍摄中，Vivo的35mm视角更接近人眼所见，构图更紧凑；而三星的广角则提供了更多灵活性。不过，Vivo也允许用户将35mm设为默认，或通过超广角裁切获得23mm视角，但画质会有所损失。 ## 出人意料的惊喜 尽管Vivo在传感器尺寸上占优，但三星在色彩科学、白平衡稳定性和对焦速度上表现出色。尤其是在复杂光线场景下，三星的HDR处理更自然，高光压制和暗部细节保留均衡。而Vivo的算法有时会过度锐化，导致画面略显生硬。 此外，三星的5倍光学长焦在远摄场景下解析力优于Vivo的3.7倍，而Vivo的长焦微距功能则是一大亮点，能拍摄出极具质感的细节特写。 ## 小结：并非一边倒的胜利 这场对决并非Vivo的碾压局。三星凭借成熟的算法调校和稳定的综合体验，依然保持了竞争力。对于追求极致硬件参数的用户，Vivo X300 Ultra无疑是首选；但若更看重拍摄的便捷性和一致性，三星Galaxy S26 Ultra仍是可靠之选。最终选择取决于个人偏好：你是想要更大的底和独特视角，还是更均衡的日常体验？
随着电费持续上涨，家庭太阳能方案正从小众走向主流。ZDNET编辑Maria Diaz分享了她利用Anker Solix F3800 Plus搭配两块410W太阳能板的后院发电系统，每月节省电费约12至25美元，发电量最高可达130kWh。 ## 系统配置与性能 这套820W的太阳能系统由Anker Solix F3800 Plus储能电源和两块410W单晶硅太阳能板组成。F3800 Plus容量为3.84kWh，支持扩展至更高容量，输出功率最高3000W，可满足冰箱、路由器、照明等基础家电的应急供电。在理想日照条件下，每日发电约4.3kWh，足以覆盖普通家庭日间部分用电。 ## 实际省钱效果 Diaz根据当地电价计算，该系统每月可节省电费约20美元。具体节省金额受地理位置、面板倾斜角度、当地电价等因素影响，一般在12至25美元之间。以10年使用寿命估算，扣除设备成本后，净节省约1500至3000美元。 ## 与全屋备用电源的对比 相比动辄上万美元的全屋太阳能+电池系统，这套方案初始投资更低，且可逐步扩展。F3800 Plus支持最多6块扩展电池，总容量可升至26.88kWh，适合希望分阶段投入的用户。不过，其便携性不如小型电站，重量约45公斤，移动不便。 ## 安装与使用体验 Diaz将太阳能板放置在后院朝南位置，通过专用连接线接入F3800 Plus。设备支持App监控发电量、剩余电量和负载情况。她指出，冬季或阴天发电量会显著下降，建议配合电网使用。系统噪音极低，适合住宅区。 ## 行业背景与趋势 近年来，随着光伏组件成本下降和储能技术成熟，家庭太阳能市场快速增长。类似Anker Solix这样的模块化方案降低了入门门槛，让更多用户无需复杂安装即可享受清洁能源。不过，政策补贴和净计量政策的变化会影响长期收益，用户需关注本地法规。 总体而言，这套系统适合有后院空间、希望降低电费且不急于一次性投入的用户。对于电费较高或经常停电的地区，其价值更为突出。
拿到一部全新的 Android 手机，Google 信息（Messages）往往是最先打开的 app 之一。但默认设置并不总是最优解，有些选项甚至会让你被通知轰炸、隐私暴露或界面混乱。以下是我每次设置新机时必改的 **9 个设置**，它们能让短信体验更干净、更安静、更私密。 ### 1. 关闭“建议回复” 默认开启的智能回复虽然方便，但有时会推荐一些尴尬的短语。在 **设置 > 建议** 中关闭“建议回复”即可。 ### 2. 禁用“聊天功能”中的“发送已读回执” 如果你不想让对方知道已读消息，可以在 **设置 > 聊天功能** 中关闭“发送已读回执”。注意，这也会影响 RCS 聊天体验。 ### 3. 关闭“自动下载附件” 在 **设置 > 高级 > 自动下载附件** 中，建议关闭“漫游时自动下载”和“自动下载附件”，避免后台消耗流量。 ### 4. 启用“暗黑模式” 在 **设置 > 主题** 中选择“深色”，省电且护眼。 ### 5. 关闭“通知预览” 在系统通知设置中，将 Google 信息的“通知类别”中的“预览”关闭，防止敏感信息在锁屏显示。 ### 6. 开启“垃圾短信保护” 在 **设置 > 垃圾短信保护** 中确保开关打开，Google 会自动过滤可疑短信。 ### 7. 禁用“表情符号反应” 在 **设置 > 聊天功能** 中关闭“显示表情符号反应”，避免对方用 iPhone 的 Tapback 时转为尴尬的文字描述。 ### 8. 调整“通知音”与“振动” 在系统通知设置中，为 Google 信息单独设置静音或低干扰模式，避免每条短信都打扰你。 ### 9. 开启“端到端加密”确认 在 **设置 > 聊天功能** 中，确认 RCS 聊天已启用（加密自动生效）。如果对话显示“加密”，则安全。 以上设置调整只需几分钟，却能显著改善日常使用体验。如果你还有自己的必改项，欢迎在评论区分享。
学生身份不仅是学习的凭证，更是一张隐形的“省钱会员卡”。如果你知道去哪里寻找，校园生活可以比想象中更经济。以下是我精心挑选的几项学生折扣，每月最高可节省 **25美元**，覆盖流媒体、软件、购物等多个领域，不容错过。 ## 流媒体服务：娱乐与学习两不误 许多流媒体平台为学生提供专属优惠。例如，**Spotify Premium** 的学生套餐不仅包含无广告音乐，还附赠 **Hulu** 和 **Showtime** 的订阅，每月仅需 **5.99美元**（原价约15美元）。**Apple Music** 同样提供学生价，每月 **5.99美元**，并可免费使用 Apple TV+ 一段时间。**Amazon Prime Student** 则提供6个月免费试用，之后以 **7.49美元/月** 的价格享受 Prime 视频、免费配送等权益，相比普通会员节省近一半。 ## 软件与工具：学习生产力最大化 对于需要专业软件的学生来说，折扣尤为重要。**Adobe Creative Cloud** 提供首年 **60%** 的优惠，每月约 **19.99美元**，涵盖 Photoshop、Premiere Pro 等全套工具。**Microsoft 365 教育版** 对学校邮箱用户免费提供 Word、Excel 等基础应用，而 **Notion** 的 Plus 计划对学生永久免费。编程学习者还可通过 **GitHub Student Developer Pack** 获取价值数千美元的开发工具和云服务额度。 ## 购物与生活：日常开销的隐形减免 实体店和线上零售商也青睐学生群体。**Apple 教育优惠** 购买 Mac 或 iPad 可节省最高 **150美元**，并附赠 AirPods 或礼品卡。**Best Buy** 的 **Student Plus** 会员年费仅 **19.99美元**，提供专属折扣和延长退货期。服装品牌如 **Nike、Adidas** 通过 Unidays 平台提供 **10%-20%** 的折扣。**亚马逊** 的 Prime Student 还包含 GrubHub+ 学生会员，每月可免配送费点餐。 ## 如何激活这些优惠？ 大多数折扣需要验证学生身份。常用平台包括 **Unidays** 和 **SheerID**，只需提供学校邮箱或上传学生证即可。建议将常用服务的折扣集中管理，避免错过续费提醒。部分优惠有试用期，记得在收费前取消不需要的订阅。 ## 小结 学生折扣并非小打小闹，每月节省 **25美元** 相当于一年 **300美元**，足够购买一本昂贵的教材或一次短途旅行。善用这些福利，让你的学生生涯更轻松。如果你有更多发现，欢迎在评论区分享！
Meta 正在测试由一家向美国警方和军方销售监控工具的公司所开发的面部识别软件，探索将该技术引入其智能眼镜。根据 WIRED 获得的软件许可，这一合作由丹佛公司 Rank One Computing 提供，该公司约 80% 的收入来自政府客户，其面部识别技术已被美国法警局和海军刑事调查局使用。许可授权 Meta 使用 Rank One 的面部识别及活体检测功能，支持多达 1000 万个面部模板，目前仍处于激活状态。尽管该功能从未对用户开放，但 WIRED 审查的代码显示，Rank One 的集成痕迹曾出现在本月发布的 Meta 应用版本中，处于休眠状态。Meta 于 6 月 5 日彻底删除了这些代码。这标志着消费级产品与政府监控技术之间的界限日益模糊。
连续三年刷新纪录的高温之后，今年预计又将是一个酷暑。空调，无可替代。国际能源署预测，到 2050 年全球空调数量将翻三倍。这对健康有益——**《柳叶刀》** 一项研究估计，仅 2019 年空调就避免了近 20 万例过早死亡——但对地球却是个坏消息。人工制冷已占全球电力消耗的 7% 和温室气体排放的 3%，而且如果处置不当，设备泄漏的制冷剂其温室效应潜力比二氧化碳还高。 面对压力，不少科学家和初创公司正积极推动固态制冷技术的发展。目前固态制冷已小规模应用于迷你冰箱、电动汽车电池以及部分高端游戏电脑。传统空调通过压缩机和风扇使制冷剂在液态和气态间转换来传递热量，而固态系统则利用导电材料（如钆和碲化铋）移动热量——理论上能以更少的副作用实现空间和表面的降温。 **关键在于，固态制冷能否匹敌传统空调的效率？** 密歇根大学研究热传递的机械工程教授 Pramod Reddy 指出：“一个核心问题是，为什么固态冷却器不如典型热力学循环高效？” 目前多项研究和试点项目正在测试不同方案： - **布鲁克林的 Mimic Systems** 采用热电冷却，通过电流通过半导体材料将热量从一侧转移到另一侧，其房间级气候控制系统已在温哥华的一间公寓进行试点。 - **德国公司 Magnotherm** 计划在连锁超市测试其磁热系统，通过磁化和退磁材料传递热量。 - **香港的一个团队** 宣布其弹热装置（材料随膨胀和收缩而加热冷却）可降至 0°C 以下。 - **英国的 Barocal** 则押注压热系统，通过压力变化改变温度。 然而，专家们（尤其是热电领域）对固态方案能否与传统方案竞争持怀疑态度。西北大学研究电导率和热导率的教授 Jeff Snyder 解释说，大多数现代 HVAC 系统的性能系数（COP）为 3。这意味着每消耗 1 单位电能，可搬运 3 单位热量。而当前最好的热电材料 COP 仅为 1 左右，差距显著。 尽管如此，固态制冷的潜力依然诱人：无压缩机、无传统制冷剂泄漏风险、更安静、更紧凑。Reddy 认为，要缩小效率差距，需要发现更优的材料或结构。目前许多研究集中在纳米工程和新型合金上，试图突破现有性能瓶颈。 市场方面，初创公司正积极寻求早期应用。Mimic Systems 的 CEO 表示，他们的目标并非直接取代中央空调，而是先切入小型空间或辅助冷却场景。Magnotherm 则看好超市冷链，因为其系统在频繁开关时效率损失较小。 **未来展望：** 短期内固态空调全面替代传统空调的可能性不大。但若材料科学取得突破，固态制冷有望在特定领域（如数据中心、便携设备、汽车空调）率先落地。长期来看，随着全球制冷需求激增和环保法规收紧，固态技术可能成为重要补充。 科学家们的谨慎态度并非否定进步，而是提醒我们：在实验室到量产之间，还有很长的路要走。正如 Reddy 所说：“我们需要的不是‘另一种’空调，而是一场真正的效率革命。”
当数万名科技从业者被扫地出门的同时，一小撮AI内部人士正以难以想象的规模暴富。这种两极分化的图景，正让AI行业的裁员潮演变为一触即发的火药桶。 ## 冰火两重天的行业现状 过去一年，科技行业的裁员潮持续蔓延。从谷歌、亚马逊到微软，再到无数初创公司，**数万名员工**被迫离开岗位。然而，与普通员工的困境形成鲜明对比的是，AI领域的核心人才和早期投资者正享受着前所未有的财富盛宴。 以OpenAI为例，其估值已飙升至**800亿美元**以上，早期员工和投资者手中的股权价值水涨船高。类似的故事也在Anthropic、Inflection AI等公司上演。这种**财富分配的极端不对称**，正在企业内部和社会层面引发强烈不满。 ## 火药桶的引信：信任崩塌 裁员本身并非新鲜事，但本轮AI裁员潮的特殊之处在于其**时机与叙事**。许多公司在裁减非AI岗位的同时，却在大举招聘AI人才，并斥巨资购买算力、训练模型。这传递给员工的信号是："你们的价值不如AI。" 更令人生畏的是，一些被裁员工发现，他们曾参与训练的AI系统，最终却取代了自己的工作。这种**"亲手埋葬自己"**的荒诞感，加剧了职场焦虑和对AI技术的抵触情绪。 ## 财富幻觉与现实鸿沟 AI精英的暴富故事被媒体反复渲染，但大多数从业者并未分享到红利。据估算，全球AI领域的高薪岗位不足**10万个**，而受AI影响可能失业的岗位数以百万计。这种**"少数人狂欢，多数人遭殃"**的格局，正在催生新的社会矛盾。 一些观察者指出，这类似于工业革命初期"卢德分子"砸毁机器的行为，但今天的"机器"是更抽象的算法。如果企业不能妥善处理转型阵痛，**技术进步的合法性**将受到质疑。 ## 展望：如何化解危机？ 要避免火药桶引爆，行业需要更公平的财富分配机制。例如，建立**员工持股计划**，让普通员工也能从AI增长中获益；或者推动**全民基本收入**等社会保障改革。同时，企业在裁员时应提供充分的再培训机会，而非简单地将人"扫地出门"。 否则，当AI创造的财富只流向极少数人，而被抛弃的大众开始抵制技术时，整个行业可能面临比裁员更严重的危机。
在AI大模型快速落地的今天，**“幻觉”问题**——即模型生成看似合理但实际错误或虚构的内容——始终是阻碍企业信任与广泛应用的关键障碍。Verol 作为一款新兴工具，直接瞄准这一痛点，旨在**停止AI幻觉**，为开发者和企业提供可靠的输出保障。 ### 什么是Verol？ Verol 并非另一个大模型，而是一个**轻量级验证层**，可以集成到现有AI工作流中。它通过交叉检查生成结果与可信知识源（如内部数据库、权威文档或经过验证的API），实时标记或修正不准确内容。其核心思路是“验证而非生成”，让AI在输出前多一道事实核查。 ### 为何“幻觉”如此棘手？ 当前主流大语言模型（如GPT-4、Claude）本质上仍是概率系统，它们擅长模式匹配与语言流畅性，但缺乏真正的理解与事实记忆。即使是最先进的模型，在涉及**最新数据、小众领域或精确数字**时，仍可能编造答案。例如，在医疗、金融、法律等高风险场景，一次幻觉可能导致严重决策失误。 ### Verol如何工作？ 根据产品描述，Verol的流程大致分为三步： 1. **拦截输出**：在AI模型生成回复后，立即捕获原始文本。 2. **事实校验**：将声明拆解为可验证单元，与预设的知识图谱、数据库或API进行比对。 3. **修正或警告**：对不一致部分进行高亮、删除或替换，并提供可信来源链接。 这种**后处理验证**方式无需重新训练模型，兼容性强，可快速集成到现有应用。 ### 行业意义与挑战 Verol的出现反映了AI行业从“追求能力”向**“追求可靠性”**的转变。类似工具如**SelfCheckGPT**、**FactCheckGPT**等学术项目已存在，但Verol作为商业产品，更强调易用性与实时性。 不过，验证本身也存在局限： - **知识源覆盖**：如果验证库本身不完整或过时，可能误判或漏判。 - **性能开销**：每次输出都经过额外查询，会增加延迟与成本。 - **模糊边界**：对于主观观点、创意内容或隐喻，验证可能不适用。 ### 适用场景 Verol最适合**事实密集型**场景： - 客服机器人回答产品参数 - 报告生成引用财务数据 - 教育工具解释历史事件 - 医疗助手提供药物剂量参考 对于需要**创意发挥**或**开放讨论**的领域，Verol或许需要配置更宽松的规则，避免扼杀AI的生成多样性。 ### 小结 Verol 不追求让AI永不犯错，而是提供**可审计的纠错机制**。它可能不会成为所有AI应用的标配，但在合规敏感、数据精准的垂直行业，这类工具将越来越重要。随着企业AI部署走向生产环境，**“可信AI”**不再只是口号，而是需要像Verol这样的基础设施来落地。
还在为背单词枯燥低效而烦恼？Capecho 或许能带来一种新思路。这款工具主打**「语境记词」**与**「间隔重复（SRS）」**两大核心功能，帮助用户在真实阅读中自然积累词汇，并通过科学的复习机制形成长期记忆。 ### 核心机制：从遇见单词到记住它 Capecho 的工作流程非常直观：当你在阅读英文文章、浏览网页或查看文档时，遇到生词可以一键捕获。与普通词典不同，Capecho 不仅提供释义，还会**自动保存该单词所在的原始句子作为上下文**。这一设计背后的逻辑是：孤立的词汇记忆容易遗忘，而附着于具体语境的信息更容易被大脑编码和提取。 随后，这些生词会进入基于 **SRS（Spaced Repetition System）** 的复习队列。系统会根据你对每个单词的掌握程度，动态安排复习时间——新词或易错词会频繁出现，而已经熟悉的词则逐渐拉长间隔。这种方法已被大量语言学习研究证明是最高效的记忆策略之一。 ### 适用场景与体验 对于经常阅读英文资讯、学术论文或原版书籍的用户来说，Capecho 能够显著降低边读边查词的摩擦。你不再需要切换多个应用或手动制作单词卡片——**捕获、复习、巩固**三个环节被整合在一个闭环中。 不过，目前 Capecho 似乎更偏向于**辅助阅读**而非系统化课程。它适合那些已经有一定英语基础、需要通过大量输入来扩充词汇量的学习者。如果你是零基础用户，可能需要搭配其他入门工具使用。 ### 行业视角：AI 与语言学习的结合趋势 Capecho 并非孤例。近年来，利用 AI 和算法优化语言学习的工具层出不穷，例如基于大模型的对话练习、AI 生成个性化学习内容等。Capecho 的差异化在于它**聚焦于「输入」环节**，通过捕捉真实语料来降低学习场景的割裂感。 从技术角度看，SRS 算法本身并不新鲜，但 Capecho 将它与上下文捕获无缝结合，创造了更自然的学习路径。未来，如果它能引入 AI 自动生成例句、同义词辨析或阅读难度分级，可能会进一步提升实用性。 ### 小结 Capecho 是一款轻量而专注的工具，适合想要在阅读中无痛积累词汇的英语学习者。它的核心优势在于**减少学习阻力**——你不需要刻意背单词，只需要在阅读时顺手捕获，剩下的交给系统。如果你厌倦了传统背单词 App 的枯燥，不妨试试这种「以读代背」的新体验。
在 AI 工具日益依赖云端算力与用户数据上传的今天，**ColibotAI** 选择了一条截然不同的路径——完全在设备端运行，无需联网即可完成文本翻译、摘要生成和概念解释。这款工具通过本地大模型能力，将用户数据牢牢锁定在本地，同时保持流畅的交互体验。 ### 核心能力：三大功能覆盖常见文本处理场景 ColibotAI 提供三项核心功能，均可在设备端离线完成： - **翻译**：支持多语言互译，尤其擅长保留原文语境与专业术语。 - **摘要**：可对长文章、网页或文档进行快速提炼，输出要点。 - **解释**：针对复杂概念或特定段落，提供通俗易懂的解读。 与云端方案相比，ColibotAI 的优势在于隐私安全与响应速度——数据无需上传，处理过程不依赖网络，适合处理敏感信息或在无网络环境下使用。 ### 行业背景：本地 AI 的崛起与挑战 近年来，随着端侧芯片算力提升（如 Apple Neural Engine、高通 AI Engine）和轻量化模型（如 Llama.cpp、Gemma 等）的普及，本地 AI 成为新趋势。ColibotAI 正是这一趋势的典型代表。相比 ChatGPT、Gemini 等云端服务，本地模型避免了数据传输风险，但也面临模型能力受限、更新滞后等问题。ColibotAI 通过优化模型体积和推理效率，在功能与隐私之间取得了平衡。 ### 适用场景与潜在价值 - **商务人士**：在飞机、地铁等无网络环境下处理外文文档。 - **隐私敏感用户**：处理合同、医疗记录等机密信息。 - **学生与研究者**：快速理解英文论文或技术文档。 不过，ColibotAI 目前仍处于早期阶段，其翻译准确度、摘要质量与专业领域覆盖度有待用户实测验证。对于依赖最新知识库或需要复杂推理的任务，云端方案可能仍更胜一筹。 ### 小结 ColibotAI 以“本地优先”理念切入 AI 文本处理赛道，为注重隐私和离线体验的用户提供了新选择。随着端侧模型持续进化，这类工具未来有望在更多场景中替代部分云端服务。如果你对数据主权有较高要求，ColibotAI 值得一试。
## 什么是AEVS？ AEVS（Agent Execution Verification System）是一个为AI智能体提供“执行证明”的基础设施项目。简单来说，它让外部系统能够验证一个AI智能体是否真的执行了它声称的操作，而不仅仅是输出了一段看似合理的文字。 ## 为什么需要执行证明？ 随着AI智能体（如AutoGPT、BabyAGI等）越来越多地参与实际任务——从自动填写表单、管理日历到操作数据库——信任问题变得至关重要。传统上，当我们让一个AI执行任务时，我们只能看到它的文字输出，却无法确认它是否真的在底层系统里完成了操作。AEVS通过记录智能体的每一步操作（如API调用、文件修改、数据库写入）并生成可验证的加密证据，解决了这个“盲点”。 ## 核心机制 AEVS的核心是一个轻量级的见证模块，它作为中间层拦截智能体与外部系统之间的所有交互。每次操作都会被哈希并记录到一个不可篡改的日志中，最终生成一个简洁的证明。这个证明可以由任何第三方验证，而无需访问原始环境。这意味着： - **开发者**可以确保智能体按预期工作，而不是产生幻觉或跳过步骤。 - **用户**可以信任智能体代表他们执行的关键操作（如支付、数据删除）。 - **监管者**可以审计智能体的行为，而无需暴露敏感数据。 ## 应用场景 AEVS特别适合以下场景： - **自动化工作流**：验证智能体是否完成了所有预设步骤。 - **金融与合规**：确保交易操作的真实性和完整性。 - **去中心化应用**：在Web3环境中，智能体需要提供可验证的操作记录。 - **多智能体协作**：不同系统之间可以互相验证对方的执行结果。 ## 行业影响 AEVS的出现标志着AI智能体从“实验玩具”向“可靠工具”迈出了关键一步。目前，智能体领域的最大痛点之一是“不可靠”——它们经常给出正确答案却做错操作，或者根本不执行操作。AEVS提供的透明性和可审计性，将极大增强企业对AI自动化的信心，加速智能体在生产环境中的落地。 当然，AEVS并非万能。它只能验证已记录的操作，无法阻止智能体在逻辑层面犯错（比如计算错误）。但它至少解决了“是否执行”这个基础问题，为更复杂的信任框架奠定了基础。 ## 小结 AEVS是一个小而精的基础设施项目，它抓住了AI智能体信任问题的一个关键缺口。虽然目前还处于早期阶段，但它的思路很可能成为未来智能体系统的标准组件——就像HTTPS对于网页安全一样，成为智能体交互的默认协议。