华硕ProArt KD300键盘是一款紧凑型65%布局键盘，专为创作者和专业人士设计，主打便携性与多设备连接能力。其最大亮点是集成了可自定义的触控面板，并支持蓝牙、2.4GHz无线和有线三种连接方式，可在最多三台设备间无缝切换。键盘采用剪刀脚结构，键程短但反馈清晰，打字体验接近笔记本键盘。配套的浏览器控制面板允许用户深度定制宏和快捷键，提升工作效率。不过，紧凑布局导致部分按键需通过Fn组合键实现，触控面板的精准度也偶有不足。整体而言，KD300在移动办公和多设备场景下表现出色，是Mac与PC用户的实用生产力工具。
**快讯简报** 一项受大脑启发的光传感器技术有望显著加速AI图像处理。这种新型像素不仅能感知光线，还能记住所感知的信息，从而减少数据传输量，提升效率。 **核心事实** - **技术原理**：传统图像传感器需要将光信号转换为电信号，再传输到处理器进行记忆和分析，整个过程涉及大量数据移动。而新型传感器将“感知”和“记忆”功能集成在同一个像素中，模拟了生物大脑中神经元处理信息的方式。 - **性能优势**：通过减少数据在不同组件之间的传输，该技术能降低功耗并缩短处理延迟，特别适合需要快速响应的AI应用，如自动驾驶、机器人视觉和实时监控。 - **研究团队**：该传感器由**俄勒冈州立大学**（Oregon State University）的研究人员开发，具体细节尚未完全公开，但已展现出在图像处理领域加速AI计算的潜力。 **行业背景** 当前，AI图像处理面临的主要瓶颈之一是“冯·诺依曼瓶颈”——数据在存储器和处理器之间频繁搬运，导致能耗高、速度受限。受大脑启发的计算架构（如神经形态计算）试图通过模拟人脑的并行处理方式来解决这一问题。这款光传感器正是这一方向的实践：它模仿了视网膜和视觉皮层的工作机制，即在同一位置完成光感知和短期记忆。 **小结** 虽然该技术仍处于研究阶段，但它为AI硬件创新提供了新思路。未来，若能将这种传感器与神经形态芯片结合，有望大幅提升边缘设备的实时处理能力，推动AI在物联网、可穿戴设备等领域的落地。更多技术细节有待后续披露。
Solos 公司长期专注于音频智能眼镜，但本周二，它发布了两款新眼镜，其中一款配备了摄像头。不过，为了隐私考虑，用户可以单独购买一个配件来遮挡摄像头。 Solos 的新品包括纯音频的 **AirGo A6** 和带摄像头的 **AirGo V2**（第二代）。AirGo V2 售价 **299 美元**，功能与 Meta 同价位的智能眼镜类似：支持拍照、录像、播放音乐，并可通过 AI 助手“看到”用户所见。眼镜可配处方镜片，续航 **10-12 小时**。 最引人注目的是 **Privacy Kit**（隐私套件），售价 **79 美元**，包含一个 **夹式隐私遮挡盖** 和一个偏光镜片。遮挡盖可以完全挡住摄像头，让眼镜仅以音频模式运行。 然而，这种设计可能是一把“双刃剑”。虽然它为用户提供了物理上的隐私控制，但需要单独购买并手动夹上/取下，增加了使用门槛。更重要的是，它无法防止恶意用户在进入禁止摄像的场所后悄悄取下遮挡盖——毕竟这只是个夹子。 Solos 的第一代摄像头眼镜 AirGo Vision 曾在 2024 年推出，但被 WIRED 评为“别买”级别，主要问题是媒体拍摄质量平平、触控操作令人沮丧，以及 App 权限要求过多。 目前，Meta 在智能眼镜市场占据主导地位，但其他巨头也在积极布局。Google 和 Samsung 正合作开发 Android XR 平台，预计今年晚些时候 Warby Parker 和 Gentle Monster 等品牌将推出新款眼镜。Solos 的隐私方案能否在竞争中脱颖而出，仍有待观察。
Solos 推出了新一代 AirGo 智能眼镜 AirGo A6，彻底舍弃摄像头，转而依靠语音交互的 AI 助手提供功能，同时将重量大幅降低至约 19 克。 ## 极致轻量化设计 相比去年 AirGo A5 的 36-40 克，AirGo A6 通过更薄的镜腿（内部集成扬声器、电池等电子元件）实现了近一半的重量缩减。作为对比，上月发布的 Meta 新款智能眼镜重量约为 54-60 克。AirGo A6 提供多种镜框款式，包括透明版本，可展示内部电子结构，并支持完全处方镜片定制。 ## AI 语音交互为核心 由于没有摄像头，AirGo A6 完全依赖语音进行交互。其内置 AI 助手支持问答、实时翻译和日历提醒。镜腿后侧的扬声器设计使用户在听音乐或通话时，仍能感知周围环境声音。 ## 隐私配件同步推出 Solos 还为去年的 AirGo V2 推出了隐私配件：39 美元的非供电替换镜腿（无摄像头），以及 49 美元的隐私遮挡套件（含物理遮挡摄像头模块的夹片和偏光太阳镜夹片），79 美元可购得全套。 ## 定价与上市 AirGo A6 的定价和上市时间尚未最终确定。 ## 行业视角 在智能眼镜厂商纷纷加码摄像头和 AR 显示时，Solos 选择了一条差异化路径：通过极致轻量化和纯语音 AI 交互，瞄准对隐私敏感或仅需基础智能功能的用户。这一定位能否在 Meta、Ray-Ban 等巨头主导的市场中突围，值得关注。
云计算服务商成功说服我们，云存储是存储文件的唯一方式。但事实并非如此。经过对**Ugreen DXP4800 Plus**的长期使用，我发现本地NAS不仅能提供更快的访问速度，还能显著降低长期成本。 ## 从订阅制到一次付费 过去几年，我每月为iCloud、Dropbox和Google Drive支付近50美元。这些订阅费用累积起来相当可观，而NAS设备的一次性投入却能在几年内回本。Ugreen DXP4800 Plus的硬件配置令人印象深刻：四盘位设计支持最高96TB存储，配备Intel N100处理器和8GB RAM，运行流畅。 ## 硬件体验：开箱即用 设备附带了所有必要的线缆和工具，硬盘安装基本免工具。虽然RAM/M.2接口的螺丝不是防丢设计，但整体组装过程非常顺利。系统基于Linux的UGOS Pro界面直观，支持多种RAID模式，数据安全性有保障。 ## 生态对比：仍需改进 与Synology等成熟品牌相比，Ugreen的生态系统还不够完善。应用商店的应用数量较少，部分高级功能需要手动配置。不过，对于核心的备份和文件同步需求，它已经足够胜任。 ## 实际效果：告别云服务 我将所有设备（包括Windows PC、Mac和手机）的备份任务都指向了NAS。通过UGreen的移动应用，远程访问文件也很方便。最重要的是，我再也不用担心云服务商涨价或数据隐私问题。 ## 噪音与散热 设备在负载时风扇噪音明显，但日常使用中尚可接受。建议将其放置在通风良好的位置。 总的来说，如果你厌倦了每月持续的云存储账单，并且愿意投入一些时间进行初始设置，Ugreen DXP4800 Plus是一个性价比极高的替代方案。
随着AI应用的深入，许多开发者和团队都面临着一个共同的痛点：**Token消耗量激增，导致账单水涨船高**。每周的配额可能两三天就用完了，而大量的调用其实并非必须使用最昂贵的旗舰模型。针对这一需求，一款名为 **Frugon** 的开源工具应运而生，它能够在本地分析你的 LLM 调用日志，精准识别哪些请求可以“降级”到更便宜的模型，从而在不影响核心功能的前提下显著降低成本。 Frugon 的核心理念是 **本地优先、隐私安全**。所有分析都在你的机器上完成，你的数据永远不会离开本地。API密钥也直接由你保管并指向自己的服务商，Frugon 不会触碰任何敏感信息。 ## 如何工作？ Frugon 的工作流程非常简洁： 1. **获取日志**：Frugon 读取符合 OpenAI 请求/响应格式的 JSONL 文件。你可以通过两种方式生成这些日志： - **使用 `frugon capture` 代理**：这是一个本地 HTTP 代理，放在你的应用和 LLM 服务商之间。所有调用都会被原样转发并记录为 JSONL 行，不会增加延迟。 - **直接写入 JSONL**：如果你已经通过中间件或 SDK 回调记录了日志，只需按指定格式整理即可。 2. **运行分析**：使用 `frugon analyze` 命令指向日志文件，Frugon 会立即生成一份成本优化报告。 3. **可选测量**：通过 `--measure` 参数，Frugon 可以实际使用你的 API 密钥对部分 prompt 进行采样测试，验证切换到更便宜模型后的输出质量。 ## 核心优势 - **成本洞察**：清晰展示每个模型、每次调用的花费，以及如果替换为更便宜的替代模型（如从 GPT-4 换到 GPT-3.5-turbo 或开源模型）可节省的具体金额。 - **零数据泄露**：代码完全开源（MIT 协议），所有计算在本地运行。 - **零依赖安装**：支持 `uvx frugon analyze` 一键运行（无需安装），或通过 `pipx install frugon` 永久安装。 - **灵活集成**：无论是通过代理捕获还是直接导入已有日志，都能快速上手。 ## 适用场景 Frugon 特别适合以下人群： - 个人开发者或小团队，希望控制 API 调用成本。 - 正在从原型验证转向生产部署的 AI 应用，需要精细化成本管理。 - 对数据隐私有严格要求，不愿将日志上传到第三方分析平台。 ## 总结 Frugon 提供了一个简单而强大的解决方案，帮助开发者 **“堵住”LLM 账单的漏洞**。它不是简单地建议更换模型，而是通过实际日志分析给出可操作的、基于数据的建议。对于任何希望优化 AI 成本而又不牺牲太多性能的团队来说，Frugon 都是一个值得尝试的工具。 项目已在 GitHub 上开源，感兴趣的用户可以前往 [GitHub 仓库](https://github.com/frugon/frugon) 查看详情。
## 你的家族在OpenAI中拥有的300美元股份 Sam Altman曾提议让美国人分享AI创造的财富，如今这一提议再次成为焦点。据报道，Altman正在讨论向美国政府转让OpenAI **5%** 的股份。按公司当前估值计算，这部分股份相当于每个美国家庭约 **320美元**。该提案旨在解决AI公司无偿利用人类劳动成果的问题，同时为可能因AI导致的劳动力市场崩溃提供安全网。然而，细节仍不明确。事实上，这一提议作为政治叙事可能比作为政策计划更有力。 ## 美国财政部的AI警告 一份泄露的美国财政部报告将AI市场与 **互联网泡沫** 相提并论，这与政府对AI的公开乐观态度形成对比。报告警告市场可能过度膨胀，而AI利润正掩盖财报中的更大风险。 ## 其他要闻 - **三星利润飙升**：得益于AI芯片销售，三星利润暴涨 **1800%**，连续第三个季度创纪录。但股价因AI热潮可能放缓的担忧而下跌。 - **网络安全局使用Mythos**：美国网络安全与基础设施安全局（CISA）正在使用Anthropic的模型Mythos审计政府代码，寻找漏洞。 - **伊利诺伊州签署AI法案**：州长签署了全美最严格的前沿AI法律，旨在保护公民免受AI风险。 - **Claude Code隐藏追踪器**：一个隐藏追踪器在Claude Code中被发现并移除，该追踪器曾秘密监控中国用户，引发隐私担忧。
## 当 AI 开始“绑架”你的家人 你是否想过，有一天会接到一个电话，那头传来女儿惊恐的求救声，随后绑匪索要赎金？这不再是电影情节，而是真实发生在两位科技兄弟母亲身上的事。如今，他们创立了 **Savi Security**，并推出同名应用，专门保护普通人免受 AI 生成诈骗的侵害。 ### 一次噩梦般的经历 两年前，Savi 联合创始人 Patrick Coughlin 的母亲接到一个电话，来电显示是女儿（Patrick 的姐妹）的号码。电话里，她听到女儿的哭喊：“妈，他们抓住我了！”接着是一声尖叫，一个男人威胁说如果不马上支付 **1200 美元**，就在当地沃尔玛停车场杀害她。幸运的是，母亲保持冷静，直接联系了女儿，发现她安然无恙——这完全是一场 **AI 生成的骗局**。 Patrick 当时是 Cisco 安全产品高级副总裁，他震惊于诈骗手段的精密：骗子不仅伪造了号码，还克隆了声音，甚至准确提及了受害者常去的沃尔玛位置。他意识到，过去只针对政府和企业的高端攻击手段，如今正被廉价而强大的 **大语言模型（LLM）** 和生成式 AI 工具普及到普通消费者身上。 ### Savi 如何守护你？ Savi 应用于周二在 iPhone 和 Android 平台上线，并宣布获得 **700 万美元种子轮融资**，由 Acrew Capital 领投，Magnify Ventures、TTCER 和 Resolute Ventures 参投。它的核心功能是实时分析来电、短信和邮件，识别 AI 生成的诈骗特征。例如，对于语音通话，Savi 可以检测声音是否被合成或伪造；对于消息，它能分析语言模式是否异常。 与传统的安全软件不同，Savi 专注于“社会工程”类攻击，这类攻击利用人的恐惧和信任，而非技术漏洞。创始人表示，他们的目标不是取代现有安全方案，而是填补 **消费者在 AI 诈骗面前的防御空白**。 ### 为何现在需要这样的工具？ 在 AI 之前，针对个人的定制化诈骗成本极高，需要大量调查和技术投入，因此主要瞄准企业高管等高价值目标。但如今，任何人都可能成为目标。生成式 AI 让骗子能快速生成逼真语音、伪造身份信息，甚至模拟亲友的聊天风格。Savi 的诞生，正是为了将专业安全能力平民化。 ### 小结 Savi 的故事提醒我们：AI 诈骗已不再是科幻，而是现实的威胁。这款应用能否成为消费者的“数字保镖”？随着融资到账和产品上线，它或许会给出答案。但更关键的是，我们每个人都需要提高警惕——因为下一个“绑架”电话，可能就来自你熟悉的声音。
随着AI能力快速提升和智能体系统兴起，企业正在不断拓展AI应用场景。然而，持续的技术演进也带来了风险——IT领导者往往难以判断哪些投资在六个月后仍能创造价值。回归AI架构的底层逻辑，即构建可规模化部署、管理可靠且集成化AI系统的结构性框架，能帮助技术领导者做出明智的当下决策，同时为未来的AI智能体（能够检索信息、决策并跨系统执行复杂工作流）奠定基础。 ## 可倚仗的四大AI架构要素 无论底层技术如何演变，以下四大能力为生产级部署提供了稳定指南。 ### 1. 为规模化AI准备数据 模型的可靠性取决于其所能访问的数据质量。数据质量差会导致AI产生幻觉、偏见和不可靠的输出。多数企业受困于遗留系统、不一致的数据结构、碎片化的所有权和不完整的数据集，使得AI难以有效扩展。AI本身无法解决这些底层数据问题。正如Elastic CIO Adnan Adil所言：“数据是AI架构的持久组成部分，因为没有它，模型就无法运行，无法提供正确的上下文，也无法达到我们期望的服务水平。”行业调查一致将数据质量列为AI成功最大的障碍之一。Adil指出：“数据质量必须良好，否则用户会失去对系统的信心。”有效的AI策略始于跨组织连接数据，并确保数据实时地组织、准确、受治理且可访问。这些考量最好在模型和架构设计之初就融入其中。可扩展的数据架构使AI系统能够随业务同步演进，并可靠地连接交付有意义价值所需的内部信息。Gartner预测，到2026年，若缺乏AI就绪数据支持，企业将放弃60%的AI项目。避免这一结局的关键包括：明确的数据标准和所有权、干净且标记过的数据，以及支持实时检索的数据管道。 ### 2. 利用上下文工程为每次AI查询提供精准数据 上下文工程确保AI模型接收到与其任务高度相关的信息，从而减少幻觉并提高输出准确性。这涉及构建检索增强生成（RAG）系统、设计有效的提示模板，以及建立数据与模型之间的语义映射。通过精心设计上下文工程，企业可以显著提升AI在特定业务场景中的表现，例如客户服务、合规审查或知识管理。 ### 3. 构建安全且可治理的AI管道 随着AI系统深入核心业务流程，安全性与治理成为不可忽视的要素。企业需要建立模型访问控制、数据加密、审计日志和合规检查机制。同时，AI管道应支持可解释性，让利益相关者理解模型决策的依据。这不仅是技术需求，更是赢得用户信任和满足监管要求的必要条件。 ### 4. 设计可观测性与持续优化机制 AI系统在生产环境中运行时，必须能够监控其性能、检测漂移、识别异常并触发重训练。可观测性工具可以提供模型延迟、准确率、资源消耗等关键指标，帮助IT团队快速响应问题。持续优化则依赖于反馈循环——将用户交互结果和业务成果反馈至模型迭代中，形成闭环改进。 ## 小结 AI架构的四大要素——数据准备、上下文工程、安全治理与可观测性——构成了一组稳定的“北极星”，指引IT领导者在快速变化的技术浪潮中做出可持续的投资决策。无论未来AI模型如何演进，这些基础能力将始终是规模化AI成功的关键。
近年来，AI技术的突破正推动机器人从预设程序执行者向自主决策者转变。顶尖机器人研究者和创始人指出，结合大语言模型、视觉感知与强化学习，机器人已能在仓储、制造等场景中完成复杂任务，未来有望进入家庭环境。 ## 技术突破：从感知到决策 传统机器人依赖精确编程，难以应对环境变化。如今，**多模态AI模型**让机器人能理解自然语言指令、识别物体并实时规划路径。例如，谷歌的RT-2模型将视觉与语言数据结合，使机器人能“举一反三”执行未训练过的任务。 ## 落地场景：仓储与制造先行 在工业领域，**自主移动机器人**已能自主导航、避障并协同作业。亚马逊的Proteus机器人无需人工标记即可在仓库中移动货架；特斯拉的Optimus人形机器人则尝试在工厂内完成螺丝拧紧等精细操作。研究者表示，这些场景环境相对可控，是当前落地的最佳选择。 ## 家庭场景：挑战与潜力并存 家庭环境对机器人自主性要求更高：物品杂乱、光照变化、人机互动复杂。不过，**具身智能**的进展正缩小差距。研究者认为，未来5-10年，家庭机器人或能完成清洁、整理、陪伴等任务，但需解决安全性、成本与用户信任问题。 ## 未来展望：人机协作新范式 专家强调，**自主机器人并非取代人类，而是作为协作伙伴**。AI赋予机器人“常识”与适应力，使其能在动态环境中辅助人类工作。随着技术成熟，机器人将从工厂走进办公室、医院乃至千家万户。
## 从工厂到办公室：机器人自主性的新浪潮 顶尖机器人研究者和创始人近日分享了关于机器人自主性演进的洞见，揭示了AI如何逐步赋能机器人在工作场所——甚至未来家庭——中实现自主操作。当前，机器人主要局限于结构化环境（如工厂流水线），执行预编程的重复任务。但**AI，特别是大语言模型和多模态感知技术的突破，正推动机器人向更灵活、更自主的方向演进**。 ### 关键突破：从“遥控”到“自主决策” 传统机器人依赖精确的环境建模和人类指令，一旦遇到未预见的障碍便容易卡顿。而新一代AI系统能让机器人通过**视觉、触觉和语言理解**实时感知环境，并动态规划动作。例如，研究者展示的机器人能够理解“把桌上的苹果拿到厨房”这样的自然语言指令，并在复杂的家居环境中自主导航、避开障碍物、适应物体位置变化。 这种能力背后是**端到端学习**和**基础模型**的结合。机器人通过海量模拟和真实数据训练，学会将感知直接映射到动作，不再需要手工编写每一步控制逻辑。同时，多模态模型（如结合视觉和语言）让机器人能够理解抽象指令，甚至进行简单的常识推理。 ### 应用场景：从工业到服务业 目前，自主机器人已在**仓储物流、医疗消毒、零售盘点**等领域崭露头角。例如，亚马逊仓库的自主移动机器人（AMR）能动态规划路径，避开工人和其他机器人；医院中的配送机器人可自主乘电梯、送药。但真正的挑战在于**非结构化环境**——比如办公室或家庭，其中布局、光照和人流都不可预测。 研究者指出，未来5-10年，我们可能看到**具备通用操作能力的机器人**进入家庭，执行清洁、整理、烹饪辅助等任务。不过，这需要解决**可靠性、安全性和成本**三大难题。目前，大多数家庭机器人（如扫地机器人）仍局限于单一任务，而通用自主机器人需要更强大的硬件和更鲁棒的AI。 ### 行业共识：数据与仿真驱动 多位创始人强调，**高质量的训练数据**是当前瓶颈。机器人学习需要大量真实世界的交互数据，但收集成本高昂。为此，行业正转向**仿真环境**，如NVIDIA Isaac Sim和Meta Habitat，让机器人在虚拟世界中快速积累经验，再将技能迁移到现实。此外，**基础模型**（如RT-2、PaLM-E）的兴起，让机器人能够利用互联网级别的知识进行推理，减少对特定任务数据的需求。 ### 展望：自主机器人不是“万能” 尽管进展显著，但研究者保持谨慎。当前AI仍存在**幻觉和泛化不足**问题，机器人在意外情况下可能做出危险动作。因此，短期内自主机器人将更多作为**人类协作的助手**，而非完全替代。例如，在工厂中，机器人处理重复搬运，人类负责异常处理和质量监控。 最终，**AI赋能的自主机器人**有望重塑劳动力市场，但普及仍需时间。正如一位创始人所说：“我们正在从‘编程机器人’走向‘教机器人学习’，这需要耐心，但方向已经清晰。”
在2026年世界杯期间，一段挪威前锋埃尔林·哈兰德在餐厅对着镜子吃东西的视频疯传，累计观看量超过3100万次。但事实核查发现，视频中的“哈兰德”并非本人，而是由中国喜剧演员金龙的短视频片段经AI换脸而成。这并非孤例——哈兰德已成为中国互联网上的“梗王”，从草本饮料广告到AI生成的恶搞视频，他的形象被粉丝和AI工具不断再创作。这种现象折射出体育明星的新生态：运动员不再仅仅通过比赛和采访被消费，而是成为互联网上的“开源角色”，其形象被粉丝用AI工具自由改编和传播。对于Z世代而言，他们更倾向于通过社交媒体的个性化内容与运动员建立连接，而非传统意义上的球队归属。这种趋势背后，既有粉丝文化的演变，也带来了版权、肖像权和信息真实性的新挑战。当AI生成内容成为粉丝创作的一部分，如何界定“真实”与“虚构”，如何保护运动员的权益，成为体育产业和数字平台必须面对的问题。
美国加州乳业面临日益严格的环保法规，粪便污染成为亟待解决的难题。一家名为 **BioFiltro** 的智利公司带来了创新方案——**蚯蚓过滤（vermifiltration）**，利用蚯蚓和微生物处理奶牛粪便，大幅减少甲烷、氧化亚氮及水污染。第三代奶农 Anthony Agueda 的家族农场率先采用该技术，在占地相当于六个足球场的木屑与碎石生物滤床中，培育了数十万条红蚯蚓。这些蠕虫与微生物共同分解粪便有机物，将污染转化为肥料和水。Agueda 表示，相比其他高科技方案，蚯蚓过滤简单且成本较低，让农场成为环保解决方案的一部分。目前美国已有8座此类系统运行，另有16座在建或规划中，几乎全部位于加州。研究人员指出，仍需更多长期实地研究以评估不同方法的有效性及权衡。加州已投入超过十亿美元推动此类技术，乳业正从污染制造者转向绿色转型的参与者。 ### 从污染到解决方案 作为美国最大产奶州，加州乳业面临巨大环境压力。传统粪便管理方式——露天 lagoon 储存、土地施用——会释放大量温室气体并污染水源。蚯蚓过滤系统通过模拟自然湿地过程，让粪便流经蚯蚓和微生物活跃的滤床，有机物被快速分解，温室气体排放显著降低。Agueda 的农场每天处理数百头荷斯坦牛的粪便，系统运行稳定，成本可控。 ### 技术优势与挑战 蚯蚓过滤的主要优势在于 **低能耗、低维护**，无需大型厌氧消化器或复杂设备。然而，其长期效果、对不同气候条件的适应性仍需验证。研究人员强调，不同农场规模、地理位置和管理方式可能导致效果差异，需要更多实地数据。此外，BioFiltro 的专利技术虽已推广，但整体行业仍处于早期探索阶段。 ### 行业前景 随着加州环保法规持续收紧，类似蚯蚓过滤的 **生物处理方案** 正获得更多关注。政府补贴和科研投入加速了技术落地，但乳业仍需平衡成本、效率和可持续性。Agueda 表示，创新让奶农看到了希望：“我们正在成为解决方案的一部分。”
**太空正成为长寿研究的新前沿。** 一家英国初创公司刚刚将自运行的化学实验送入轨道，希望零重力数据能揭示一组在地球上难以研究的致病蛋白质的奥秘。但首先，他们需要验证其自主实验室在太空中能否正常工作。 ## 实验细节：葡萄柚大小的太空实验室 Mass Balance 公司开发的装置仅有葡萄柚大小，包含化学物质、传感器和控制元件，用于维持化学反应的正常运行。该装置于周二上午由 SpaceX 的运输器发射升空，封装在奥地利公司 Tumbleweed 制造的 **10 厘米（4 英寸）** 的吊舱中。实验将在轨道上运行数月，自动测量并在弱重力环境下将活细胞生长、反应和功能的数据传回地球。 这是该公司系统的首次测试，旨在获取在地球上无法获得的高质量数据。在地球上，较强的重力会引入对流（热量流动）和沉降（较重化合物下沉）等效应，干扰数据收集。 ## 零重力的独特价值 “当你消除重力时，许多奇特而美妙的事情会发生，其中一些对生命科学和制药领域极具价值，”Mass Balance 联合创始人兼首席执行官 Toby Call 在接受采访时表示。“今天听起来可能很疯狂，但我们的目标确实是让太空变得平凡、可靠，并成为另一种研究环境。” 这种研究环境对于成像 **无序蛋白质** 至关重要，这些蛋白质与阿尔茨海默病、帕金森病和某些癌症等年龄相关疾病有关。在地球上，这些蛋白质不断改变形状，难以成像。这导致像谷歌 AlphaFold 这样的生命科学模型的训练数据存在空白，使其无法预测无序蛋白质的行为以及对药物的反应。 ## AI 与太空数据的结合 Call 计划通过在微重力下对无序蛋白质进行测试来生成数据，并利用这些数据训练一个 AI 模型适配器，以填补现有模型的空白。该公司的收入将来自模型、数据许可和数据访问。 目前，该公司仅测试其操作系统和数据捕获能力。周二的任务将把一种工业生物催化剂送入太空，用于分解另一种化合物。平台将监控整个过程，并传回数据以供分析。
随着夏季户外活动增多，你可能会想为Apple Watch Ultra更换一条更灵活、舒适且防水的表带。Apple Watch Ultra 3作为顶级智能手表，拥有坚固设计、大屏幕和长续航，但合适的表带才是舒适、风格与多功能性的关键。ZDNet专家团队对来自Nike、Apple、Nomad、Aulumu和WithIt等品牌的热门表带进行了严格测试与评估，帮助您做出明智选择。 ## 测试方法 ZDNet的推荐基于数小时的测试、研究和比价。我们收集来自供应商、零售商及其他独立评测网站的最佳数据，并仔细分析真实用户的反馈，确保推荐的产品真正经得起考验。所有评测均不受广告影响，保持独立客观。 ## 推荐表带概览 ### 1. **Nike Sport Band** - **特点**：轻量化、透气设计，适合运动场景。氟橡胶材质防水耐用，压花孔洞增强通风。 - **适用人群**：注重运动性能和日常佩戴的用户。 ### 2. **Apple Trail Loop** - **特点**：专为Ultra系列设计，尼龙编织材质柔软贴合，可调节钩环轻松适配手腕尺寸。适合徒步、跑步等户外活动。 - **适用人群**：需要快速调节和全天候舒适的用户。 ### 3. **Nomad Rugged Band** - **特点**：高强度聚合物与钛金属硬件结合，通过军规跌落测试，防水防尘。外观硬朗，适合极端环境。 - **适用人群**：户外探险者、注重耐用性的用户。 ### 4. **Aulumu Leather Band** - **特点**：真皮材质，手工制作，随时间形成独特光泽。磁吸扣设计方便佩戴，兼顾商务与休闲。 - **适用人群**：追求质感和时尚风格的用户。 ### 5. **WithIt Active Band** - **特点**：硅胶材质，双色设计，防滑纹理。快拆弹簧杆方便更换，适合游泳、健身等场景。 - **适用人群**：频繁更换表带、需要多彩选择的用户。 ## 选购建议 - **运动优先**：选择Nike Sport Band或WithIt Active Band，轻便且易清洁。 - **户外探险**：Nomad Rugged Band提供最强防护。 - **日常通勤**：Apple Trail Loop平衡舒适与风格。 - **商务场合**：Aulumu Leather Band提升整体质感。 Apple Watch Ultra 3兼容所有Ultra系列表带（尺寸相同），无论你是升级到最新款还是继续使用旧款，这些推荐都能满足不同需求。
美国自主车辆制造商 **Forterra** 今日披露，已有超过 **100 辆** 其制造的自主 ATV（全地形车）在乌克兰冲突区部署了九个月。该公司称，这可能是美国防务科技公司迄今为止在战斗中部署的最大规模自主地面车辆。 Forterra 首席增长官、前美国海军陆战队军官 Scott Sanders 对 TechCrunch 表示：“我相信所有防务技术都是如此——除非你真正面对战斗现实，否则你永远不会知道它是否管用。” 这批车辆由美国国防资金支持，是美国通过支持乌克兰抵抗俄罗斯入侵来推动自身军事变革的一部分。 虽然空中无人机在战斗中备受关注，但它们创造的“禁入区”动态（即任何暴露都可能招致来自上方的打击）促使乌克兰战略家寻求地面自主能力。美国陆军自主车辆项目负责人 Corey Wilkens 军士长解释道：“无处可藏。你变得非常脆弱，容易受到第一人称视角无人机、其他投弹无人机、火炮、迫击炮等全方位攻击。” 乌克兰已在自行建造无人地面车辆（UGV）用于运输物资、弹药或撤离伤员，但这些车辆通常为电池驱动，载重仅 **250 公斤**。而 Forterra 的 **Lancer 车辆** 基于 Polaris ATV，搭载定制传感器和计算堆栈，采用汽油动力，可承载 **750 公斤** 货物，更加通用和实用。一名参与车辆使用的乌克兰士兵（因安全原因匿名）评价道：“这辆用于后勤和防御的 UGV 是乌克兰最重要的 UGV。它 **太棒了**，我们迫切想要更多。” 起初，乌军对西方承包商的新技术持保留态度——他们曾有过不愉快的合作经历。Forterra 的最初方案也过于偏向美军的高端需求。但在针对战场环境进行改进——尤其是加装 **Starlink 卫星互联网天线** 后，车辆价值大幅提升。自去年 10 月抵达乌克兰以来，这些车辆已累计行驶超过 **2,500 公里**。
近日，Y Combinator CEO Garry Tan 在社交媒体上宣称，自己利用 AI 辅助编程工具，每天能生成并提交 3.7 万行代码（LoC）。这一惊人数字迅速在开发者社区引发热议。有开发者深入审视其 GitHub 提交记录后发现，这 3.7 万行代码并非传统意义上的“手写代码”，而是大量由 AI 生成的样板代码、配置文件、文档和自动生成的测试用例。 **真相是什么？** Tan 的提交显示，其中大部分代码是 YAML、JSON、Markdown 文件，以及由 AI 工具（如 GitHub Copilot、Cursor 等）自动补全或生成的重复性代码。例如，一个 PR 中包含了数千行用于 API 路由的样板代码，另一个 PR 则主要是自动生成的测试用例和类型定义。这种“代码量”统计方式在 AI 辅助编程时代显得颇具误导性。 **AI 代码生成 ≠ 生产力** 开发者指出，单纯以“行数”衡量 AI 辅助编程的效率并不科学。AI 确实能大幅提升编写重复性代码的速度，但真正的开发工作——架构设计、业务逻辑、调试优化——仍然需要人类深度参与。Tan 的案例更像是一个营销噱头，而非生产力革命的真实写照。 **行业反思：代码质量 vs 数量** 这起事件引发了关于 AI 编程工具价值的讨论。一方面，AI 降低了入门门槛，让非专业开发者也能快速搭建原型；另一方面，过度依赖 AI 可能导致代码质量下降、技术债务积累。Y Combinator 作为全球最知名的创业孵化器，其 CEO 的言论无疑会放大这一趋势的影响力。 **结论** Garry Tan 的“3.7 万行代码”更多是 AI 时代的一个有趣注脚：当代码生成变得廉价，衡量开发者产出的标准需要从“数量”转向“质量”与“价值”。对于开发者而言，理解 AI 工具的能力边界，并将其作为辅助而非替代，才是提升效率的关键。
## 简介 你是否也曾面对杂乱无章的“下载”文件夹，却因 Finder 的笨拙操作而迟迟不愿整理？一位开发者因此打造了一款轻量级 Mac 文件管理器，专为高效筛选和清理文件而生。 ## 核心功能 - **多维度筛选**：按类型、日期、大小组合过滤，快速定位目标文件。 - **模糊文件夹搜索**：输入关键词即可跳转到任意文件夹，无需层层点击。 - **悬停预览**：无需打开文件，鼠标悬停即可预览内容。 - **双栏浏览**：同时查看两个文件夹，方便对比和移动文件。 ## 技术亮点 这款应用仅 **9 MB**，原生开发，**不使用 Electron**，因此启动迅速、内存占用低。开发者最初只是为了清理自己的“下载”文件夹，但功能逐步完善后决定公开分享。目前提供免费试用，完整版售价 **$19.99**。 ## 行业背景 在 Electron 应用泛滥的当下，原生应用的性能优势愈发珍贵。这款工具的出现，为追求效率的 Mac 用户提供了一个轻量级替代方案。
Anthropic 近日发布了名为 **Claude Code** 的 AI 编程工具，引发 Hacker News 社区热议。本文基于公开信息，梳理其开发背景与核心设计理念。 ### 从对话到代码：Claude 的新能力 Claude Code 是 Anthropic 在编程领域的重大尝试。与传统的代码补全工具不同，它被设计为能够**理解整个项目上下文**，并执行复杂的代码生成、重构和调试任务。Anthropic 团队在开发过程中面临的核心挑战是：如何让模型在保持安全性和可靠性的同时，具备足够的自主性来操作代码库。 ### 技术难点与设计取舍 根据社区讨论，Claude Code 的实现涉及多个关键技术决策： - **终端原生体验**：工具以命令行形式运行，与开发者工作流深度融合 - **多文件编辑能力**：能够同时修改多个文件，并保持代码一致性 - **安全边界**：在自动执行前需要用户确认关键操作，避免意外破坏 Anthropic 特别强调了**可解释性**——当 Claude Code 做出修改时，它会生成详细的解释，说明变更原因和影响。 ### 行业影响与展望 Claude Code 的发布正值 AI 编程助手竞争白热化阶段。GitHub Copilot、Cursor 等产品已占据主要市场份额，而 Anthropic 选择从**安全性和可控性**切入，试图差异化竞争。有评论指出，Claude Code 在复杂重构任务上的表现优于现有工具，但启动速度和资源占用仍有优化空间。 对于开发者而言，Claude Code 代表了一种**更高层次的自动化**——不仅补全代码，更能理解架构意图。这或许预示着 AI 编程工具正从“辅助打字”向“协作开发者”演进。
通用型具身智能体需要理解多模态指令、预测环境变化并生成精准的长时间控制动作。现有方法通常专精于视觉-语言推理、视频世界建模或动作生成中的某一项，而先合成未来观测再推断动作的级联流程容易引入接口瓶颈和复合预测误差。 近日，科大讯飞研究团队在 arXiv 上发表了题为 **《iFLYTEK-Embodied-Omni Technical Report》** 的技术报告，提出了一种名为 **iFLYTEK-Embodied-Omni** 的统一多模态基础模型。该模型在单个全模态框架内联合建模视觉（视频和图像）、语言和动作，其视觉-语言、视频生成和动作生成三个模块通过共享的多模态自注意力机制进行通信。 ## 大脑-小脑协作架构 该设计构建了 **“大脑-小脑协作”** 机制： - **视觉-语言模型（VLM）和视频生成模型（VGM）** 充当高级“大脑”，负责指令理解、任务规划、进度跟踪以及未来视觉状态预测； - **动作生成模型（AGM）** 则作为低级“小脑”，直接将规划好的子目标和共享的多模态上下文转换为可执行的动作片段。 这种架构避免了传统级联方法中因先合成未来观测再推断动作而导致的错误累积，实现了感知、推理与执行的端到端协同。 ## 四阶段训练策略 为了开发这些能力，研究团队构建了包含**动作标注和未标注的具身视频**（来自人类演示和机器人交互）、**具身推理数据**、**具身感知数据**以及**通用图像-文本数据**的综合数据集。训练采用**四阶段渐进式策略**： 1. 预训练视觉-语言模型 2. 预训练视频生成模型 3. 预训练动作生成模型 4. 联合微调完整模型 这种分阶段训练方式有助于各模块先获得领域专长，再通过共享注意力进行协同优化。 ## 行业意义 iFLYTEK-Embodied-Omni 的提出标志着具身智能从“分而治之”的专用模型向“统一框架”迈出了重要一步。随着机器人、自动驾驶和智能家居等场景对通用智能体需求的增长，这种能够同时处理语言理解、环境预测和动作执行的统一模型，有望显著提升具身系统的泛化能力和鲁棒性。 目前该论文已在 arXiv 上公开，更多模型细节和实验性能有待后续披露。