SpaceX 正式公布了其首次公开募股（IPO）的定价，每股 135 美元，共发行 5.556 亿股，募资总额高达 750 亿美元，一举成为史上规模最大的 IPO，远超此前沙特阿美 2019 年创下的 249 亿美元纪录。这一里程碑事件不仅将埃隆·马斯克推向了全球首位万亿富翁的宝座，也为这家成立 24 年的太空与 AI 巨头开启了全新的资本市场征程。 ## 定价策略与市场反应 SpaceX 此次 IPO 采取了不同寻常的定价策略：在正式路演开始前，公司已向投资者测试 135 美元的定价目标，并最终提前锁定该价格。据《金融时报》报道，这一做法避开了传统的 IPO 定价流程。而彭博社消息称，即便定价提前确定，需求依然火爆，超额认购倍数达到 4 倍。这意味着承销商有权额外增发 8330 万股，若全部行使，可再筹集约 110 亿美元。 从市场预期来看，加密博彩市场 Hyperliquid 当前对 SpaceX 的合成定价为 167 美元，暗示投资者预计上市首日将出现经典的 20% 涨幅。不过，股价最终的涨跌仍需等待纳斯达克正式交易开始后才能见分晓。 ## 公司代码与股权结构 SpaceX 将使用股票代码 **SPCX** 在纳斯达克挂牌交易。公司创始人埃隆·马斯克持有近 8.5 亿股 A 类股（每股 1 票投票权），以及 56 亿股 B 类股（每股 10 票投票权），后者中包含 10 亿股与火星殖民计划挂钩的条件股——若未来有 100 万人居住在 SpaceX 火星殖民地，该部分股权方能生效。此外，Valor Management 的创始人兼 CEO Antonio Gracias 将获得 503 万股。 ## 长期价值与挑战 尽管 IPO 募资规模惊人，SpaceX 仍需面对如何支撑其高估值的长期问题。公司手头有多个宏大工程：全球最大的可重复使用火箭、新的美国芯片制造厂等，任务清单令人望而生畏。这些项目既是 SpaceX 的技术壁垒，也是其未来盈利的关键。市场将密切关注公司如何将工程能力转化为可持续的财务回报。 总的来说，SpaceX 的上市不仅是资本市场的盛事，更是商业航天与 AI 融合领域的一次重大检验。投资者对这家明星公司的热情能否持续，仍需时间给出答案。
SpaceX即将上市，但通过特殊目的载体（SPV）投资的底层投资者面临诸多不确定性。多位SPV经理和二级市场投资者透露，由于多层级SPV结构，底层投资者可能持有比预期更少的股份，甚至在某些极端情况下无法获得任何股份。这些投资者通常要等到公司滚动锁定期（约四个月）开始解除后，才能知道实际持股数量。 SPV结构在私募投资中并不罕见，但SpaceX的IPO因涉及多层嵌套而成为前所未有的案例。近年来，由于对SpaceX配额的强劲需求，一些SPV投资者甚至从自己的份额中再组建新的SPV，形成四到五层的结构。这将是多层级SPV合法性的首次重大考验。 **多层结构带来的延迟与费用侵蚀** 锁定期协议禁止内部人士在IPO后的一段时间内出售股票，以防止股价承压。据Sabertooth Capital创始人Justin Ernest称，第一层SPV有30天时间向其投资者分配股票，而下一层可能再等30天，以此类推。底层SPV的投资者可能需要等待**八到九个月**才能最终获得股票。 此外，一位匿名二级市场投资者指出，一些“混乱”的多层SPV中，投资者期待的部分股份可能会被SPV管理者收取的**费用**所侵蚀。理想情况下，SPV管理者应从IPO日起与投资者保持沟通，但问题在于“沟通链条中每个人只知道自己那一层的情况”。 **行业背景与风险警示** 此前，Anthropic和Anduril已宣布禁止此类多层SPV结构。SpaceX的IPO将成为检验其合规性的分水岭。对于底层投资者而言，除了延迟和费用，还面临**欺诈风险**——某些SPV管理者可能夸大配额或挪用资金。 总之，SpaceX的上市不仅是一场资本盛宴，更是一次对复杂投资结构透明度的压力测试。投资者需警惕多层嵌套带来的信息不对称和潜在损失。
根据《连线》杂志的最新调查，埃隆·马斯克旗下 xAI 公司的 Grok 聊天机器人，仍在被用于生成和托管未经同意的色情深度伪造图片和视频，涉及多位知名女性和至少一位美国政界人物。这一发现距离 xAI 声称将引入限制措施已过去数月，而母公司 SpaceX 正准备进行史上最大规模的 IPO 之一。 ## 调查发现：数百条链接指向色情内容 《连线》分析了 Grok.com 上数百个公开的 Grok Imagine 链接，发现其中数十条指向性化 AI 图像和视频，包括未经当事人同意的伪造内容。这些内容有的完全由 AI 生成或采用动画风格，有的则高度逼真，呈现看似真实的场景。部分链接在 X 平台（原 Twitter）上被分享，且最近几天仍有发布。 ## 安全措施形同虚设？ 其他主流 AI 图像生成系统部署了更严格的安全护栏，而 Grok 显然未能达到同等标准。深度伪造专家 Henry Ajder 指出：“尽管 Grok 和 X 可能对模型做了一些修改，尤其是在年初‘裸体化’功能引发强烈反弹之后，但他们仍未能将其提升到其他主流工具的标准。”今年 1 月，Grok 在 X 上被大量用于制作“裸体化”图片——用户要求聊天机器人将女性照片修改为“比基尼”或“细带比基尼”装扮。3 月，一起在加州联邦法院提起的集体诉讼指控，甚至有未成年人的图片被性化。 ## 监管与法律风险加剧 xAI 面临来自全球监管机构的审查和一系列诉讼。尽管公司声称已引入防护措施以限制和防止非自愿及性化内容的生成，但本次调查表明，这些措施并未有效执行。随着 SpaceX 即将上市，xAI 的合规问题可能进一步影响其商业前景。 ## 行业对比：Grok 为何失控？ 与 OpenAI 的 DALL-E、Midjourney 等竞品相比，Grok 在内容审核上明显宽松。其他平台通过关键词过滤、用户举报和模型微调来阻止滥用，而 Grok 似乎缺乏同等力度的控制。专家认为，这背后可能是 xAI 对“言论自由”的极端追求，但代价是女性隐私和安全被严重侵犯。 ## 小结 Grok 的深度伪造问题不仅是技术漏洞，更是平台责任的缺失。在 AI 生成内容日益普及的今天，如何平衡创新与安全，是所有科技公司必须面对的课题。xAI 若不能迅速补上安全短板，或将面临更严厉的法律后果和公众信任危机。
许多企业积压了大量纸质或电子文档，其中蕴藏的商业智能亟待挖掘。生成式 AI 的进步使得利用大语言模型（LLM）从文档中准确提取相关数据成为可能。本文介绍了一套基于 Amazon Bedrock 的智能文档处理方案，它同时提供**按需推理**和**批量推理**两种管道，让用户能在处理时间和成本之间灵活权衡。 对时间敏感的请求，可采用按需管道，在数秒内返回结果；而对成本更敏感的大规模处理，则可选择批量管道，通过异步批处理来优化开销。更关键的是，该方案支持在文档级别**动态指定 LLM 模型和提示词**，从而用同一套管道处理多种类型的文档，无需为每种文档单独构建流程。 ## 方案概述 以某客户场景为例：该客户拥有数亿份扫描版 PDF 土地租赁文档（仅含图像，无可编辑文本），且每天仍有新文档涌入。本文的方案正是为这类场景设计，能够有效提取数据。 方案架构包含两个推理管道，并配有动态调用机制： - **按需管道（On-demand Pipeline）**：通过 **Amazon SQS FIFO 队列** 触发。当队列消息携带文档 ID、LLM 模型 ID、提示词 ID/版本等信息时，会调用 **AWS Lambda 函数** 进行实时推理。该管道适用于需要秒级响应的场景。 - **批量管道（Batch Inference Pipeline）**：将多个文档请求合并为一个 **Amazon Bedrock 批量推理作业**，异步处理。适合处理大量非紧急请求，成本更低。 两个管道均可从 **Amazon Bedrock Prompt Management** 中检索对应的提示词模板，用户只需在请求中指定提示词 ID 和版本即可。 ## 动态指定模型与提示词 方案的一大亮点是**动态性**：在文档级别指定 LLM 模型和提示词。这意味着不同格式（如扫描 PDF、文本文件）或不同业务类型的文档，可以共享同一套管道，而只需在请求中传入不同的模型 ID 或提示词 ID。这大大降低了维护成本，并提高了扩展性。 ## 适用场景与价值 该方案特别适合： - **文档种类多、格式不统一**的企业，如法律合同、金融单据、政府文件等。 - **处理量巨大**且**实时性与成本需平衡**的场景，例如每天数万份文档，部分需要即时响应，其余可排队处理。 通过将按需与批量管道结合，企业既能满足紧急业务需求，又能控制长期运营成本，在 AI 文档处理中实现效率与经济的双赢。
在美国各地，数据中心建设引发的社区抗议此起彼伏，而最新一场风波发生在纳什维尔，冲突焦点竟是一只毛茸茸的云豹。 ## 事件始末 纳什维尔动物园（Nashville Zoo at Grassmere）正与一项拟建的数据中心项目展开对抗。这座规划占地 **69,220 平方英尺** 的数据中心，将紧邻动物园的云豹繁育基地。云豹是一种稀有且敏感的物种，对噪音尤为敏感，而数据中心庞大的冷却系统和备用发电机产生的持续噪音，可能对它们的繁殖造成毁灭性打击。 消息传出后，超过 **385,000 人** 在 Change.org 上签署请愿书，反对该项目。乡村音乐巨星、纳什维尔本地人 **Brad Paisley** 也发布视频，称该项目为“怪物”和“绝对的噩梦场景”。 ## 更广泛的背景 这场冲突并非孤例。从密歇根、宾夕法尼亚到弗吉尼亚，全美各地社区都在与数据中心项目抗争，担忧集中在 **噪音污染、环境影响** 以及 **地方政府匆忙修订区划政策** 导致的监管混乱。 公关专家 Joe Szynkowski 指出：“云豹的形象让抽象问题变得具体——一只可怜的动物紧邻数十亿美元的数据中心，这种画面极具冲击力。” ## 核心矛盾 数据中心作为 AI 和云计算时代的“数字地基”，其建设需求激增。然而，社区对 **土地用途变更、环境负担** 和 **低参与度决策** 的不满也在累积。纳什维尔动物园事件将这一矛盾具象化：当经济发展与生态保护、社区权益碰撞，如何平衡各方利益成为难题。 目前，纳什维尔市政府正面临压力，需要重新审视区划政策。这场“云豹 vs. 云计算”的较量，可能成为美国数据中心选址争议中的一个标志性案例。
戴尔和联想是PC市场的两大巨头，产品线覆盖从入门级到高端工作站。但两者在设计理念和用户体验上存在显著差异。本文基于大量实测经验，从性能、做工、创新和性价比等维度进行对比，帮助你做出更适合自己的选择。 ## 性能与做工：各有千秋 戴尔的高端系列如**XPS**以精湛工艺和窄边框设计著称，机身轻薄，屏幕素质出色，适合对便携和颜值有要求的用户。联想**ThinkPad**系列则以坚固耐用和优秀键盘手感闻名，商务人士和程序员往往偏爱其可靠性。在性能调校上，戴尔更注重均衡，而联想在散热和稳定性上往往更激进。 ## 创新与差异化 戴尔在屏幕技术（如OLED、高刷新率）和外观设计上敢于突破，XPS系列多次引领行业潮流。联想则深耕商务场景，推出**双屏笔记本**（如Yoga Book 9i）和**可旋转屏幕**等形态创新，强调多任务和创意工作。此外，联想的**Legion**游戏本系列在散热和性能释放上口碑不错，而戴尔的**Alienware**则偏向极致游戏体验。 ## 性价比与售后服务 在相同配置下，联想通常提供更多接口和可升级性，性价比略高。戴尔的售后服务（如意外保护）覆盖更广，但价格稍贵。两者都提供全球联保，但联想在中小企业的支持上更灵活。 ## 结论 如果你追求**极致便携和设计感**，戴尔XPS是首选；如果**键盘手感、耐用性和商务功能**更重要，联想ThinkPad更合适。游戏用户应根据具体型号（如戴尔Alienware vs. 联想Legion）的评测来定。最终选择取决于你的核心需求，建议先明确使用场景再对比具体型号。
在西雅图市通过一项为期一年的数据中心建设暂停令后——该暂停令甚至得到了部分亚马逊员工的支持——亚马逊罕见地公布了其数据中心的用水量数据。这是该公司首次披露此类信息，正值AI数据中心建设引发关于水资源和能源消耗的激烈讨论之际。 ### 关键数据：25亿加仑与0.12升/千瓦时 亚马逊报告称，其全球数据中心在2025年共消耗了**25亿加仑**（约946万立方米）的水，用水效率为**每千瓦时0.12升**。尽管业务持续扩张，总用水量仍比2024年下降了2%。 ### 效率对比：亚马逊声称领先同行 亚马逊在报告中通过图表与微软、谷歌和Meta进行了对比，显示其每千瓦时耗水量低于这些竞争对手。但需注意，谷歌的数据可能特指其Gemini AI数据中心，而亚马逊统计的是所有运营活动。不过，亚马逊的报告未计入发电厂等间接用水以及新数据中心建设的耗水。 ### 冷却策略：空气冷却为主，蒸发冷却仅用于极端高温 亚马逊表示，其数据中心约**90%的时间**采用空气冷却，仅在“最热时段的最热日子”使用蒸发水冷却。此外，亚马逊还提高了服务器的耐热温度，以减少对冷却系统的依赖。 ### 行业背景与争议 亚马逊声称其数据中心用水效率是行业平均水平的**7倍**，该数据基于一篇经同行评审的研究论文调整得出。然而，随着AI算力需求激增，数据中心的水电消耗已成为社会关注焦点。西雅图近期的暂停令正是对科技巨头资源消耗的回应。 ### 结语 亚马逊的首次披露为行业透明度迈出了一步，但未包含间接用水和建设用水，意味着实际环境影响可能更大。在AI竞赛与可持续发展之间，科技巨头仍需寻找更优的平衡点。
作为一名长期测试智能家居产品的编辑，我筛选出了10款性价比极高的入门级智能家居设备，它们不仅价格亲民，而且能显著提升生活便利性。这些产品涵盖了从智能遥控器到智能摄像头等多个类别，部分还在促销中，是打造智能家居的理想起点。 ## 为什么这些设备值得推荐？ ZDNET的推荐基于数百小时的独立测试、研究和比价，确保每款产品都经过严格评估。我们不仅参考厂商和零售商信息，还深入分析用户评价，以真实使用体验为依据。这些推荐旨在帮助消费者做出明智的购买决策，而我们的编辑内容不受广告商影响。 ## 精选智能家居小工具清单 以下是经过测试的10款设备，它们以实惠的价格提供了出色的智能功能： 1. **Flic Duo** - 智能遥控器，可通过按钮控制多种智能设备，操作简单。 2. **Lifx Luna Lamp** - 智能灯具，支持调光和颜色变化，营造个性化氛围。 3. **Cosori Smart Air Fryer** - 智能空气炸锅，可通过APP远程控制烹饪，方便快捷。 4. **3i G10 Plus** - 扫地机器人，自动清洁地板，节省时间。 5. **Google Nest Cam Indoor** - 室内智能摄像头，提供高清监控和移动警报。 6. **Kasa Mini Smart Plug** - 智能插座，可将普通电器变为智能设备，通过手机控制开关。 （注：由于输入内容不完整，仅列出前6款设备；其余4款未提供详细信息，建议读者参考原文获取完整清单。） ## 如何选择适合你的智能家居设备？ - **考虑兼容性**：确保设备支持你现有的智能家居平台（如Google Home、Amazon Alexa）。 - **关注核心功能**：根据需求选择，例如安全监控优先摄像头，便利生活可选智能插座。 - **利用促销机会**：部分设备正在打折，可进一步降低成本。 ## 智能家居的入门价值 这些设备证明了智能家居不必昂贵或复杂。它们以低成本解决了日常痛点，如远程控制电器、自动化清洁和增强家庭安全。随着AI技术普及，更多平价智能产品正进入市场，让普通用户也能轻松体验科技带来的便利。 **小结**：从智能遥控器到扫地机器人，这10款小工具是打造智能家居的实用选择。它们基于真实测试，性价比高，部分还有促销优惠，适合新手入门。
Android Auto 旨在让驾驶更便捷，但默认设置并非最优。调整以下四项设置，可显著提升驾驶体验，减少分心。 ## 1. 关闭自动播放音乐 默认情况下，Android Auto 会在每次启动车辆时自动恢复上次播放的音乐或播客。这可能在清晨或更换驾驶员时带来不便。你可以在手机设置中搜索“Android Auto”，然后关闭“自动开始播放音乐”选项。手动启动媒体并不麻烦，却能让驾驶环境更可控。 ## 2. 关闭消息通知预览 Android Auto 默认会显示短信的部分内容。这可能会暴露隐私，尤其当车内有乘客时。建议在 Android Auto 设置中关闭消息通知预览，或仅显示“新消息”提示，避免敏感信息外泄。 ## 3. 调整导航语音提示频率 默认导航语音可能过于频繁，打断音乐或对话。你可以在 Google 地图或 Waze 的设置中，将语音提示改为“仅警报”或减少播报频率，让导航更安静、更专注。 ## 4. 关闭自动亮度调节 Android Auto 的自动亮度有时会过暗或过亮，影响可视性。建议手动设置一个适中的亮度，确保屏幕在任何光线下都清晰可读。 这些简单调整能减少干扰，让你更专注于道路。立即检查你的设置，享受更流畅的驾驶体验。
## 开源办公套件 Euro-Office 1.0 正式发布，却引发社区内讧 2026 年 6 月 9 日，**Euro-Office 1.0** 正式发布。这款基于云的开源办公套件，由 Nextcloud、Ionos 等欧盟企业组成的“欧洲堆栈”联盟推出，旨在为欧盟提供 Microsoft 365 和 Google Workspace 的自主替代方案，被视为 **欧盟数字主权** 的重要基石。 然而，LibreOffice 的维护方 **The Document Foundation（TDF）** 却公开批评 Euro-Office 过度依赖微软文档格式，认为这反而强化了微软的锁定效应，与开放标准背道而驰。TDF 直言：“兼容性不等于主权。” ## 产品定位：集成组件而非独立套件 Euro-Office 并非传统意义上的独立办公套件。根据官方 FAQ，它更像一个“集成组件”，**仅负责文档编辑本身**，而存储、导航、权限和共享逻辑需要由平台提供，例如 **Proton Docs、Nextcloud Hub 或 OpenProject**。 这意味着，普通用户无法直接下载使用。技术用户可以在自有 Linux 服务器上安装，但需要自行集成。不过，部分厂商已推出打包好的解决方案，包括 **Nextcloud Hub 26 Spring**、Ionos 的 **Nextcloud Workspace** 以及 **Office.eu**。这些初始部署均为网页版，而非桌面应用。 ## 开源社区的分歧：主权 vs. 标准 Euro-Office 的发布凸显了开源社区在数字主权与开放标准之间的深层矛盾。支持者认为，即便依赖微软格式，只要能打破微软的封闭生态，就是迈向主权的重要一步。而 TDF 等反对者则坚持，真正的数字主权必须建立在 **开放标准（如 ODF）** 之上，复制微软格式只会延续其垄断。 这场争论没有简单答案。对于追求数字主权的欧盟机构和企业，Euro-Office 提供了一个可选的起点，但距离“即开即用”的成熟产品仍有距离。 ## 小结 Euro-Office 1.0 的发布是欧盟数字主权进程中的一个里程碑，但也暴露了开源生态中关于“如何实现主权”的路线分歧。未来，该项目的成功与否，将取决于它能否在兼容性与开放标准之间找到平衡，并赢得更多社区和企业的支持。
随着 AI 生成音乐在流媒体平台上的泛滥，版权和欺诈问题日益引发关注。然而，许多主流音乐流媒体服务尚未推出 AI 音乐检测工具。为此，Deezer 主动出击，于周四推出一款免费在线 AI 音乐检测器，支持扫描来自 **Spotify、Apple Music、SoundCloud、YouTube Music** 等 20 个主流平台的播放列表，识别其中是否存在 AI 生成的曲目。该工具支持 27 种语言，用户只需访问 Deezer AI 音乐检测网站，选择流媒体服务并授权访问播放列表，即可获得检测结果并分享。 Deezer 此举进一步巩固了其作为音乐行业最积极反 AI 音乐势力的地位。与 Apple Music 和 Spotify 采用标签标注方式不同，Deezer 主动将 AI 曲目从推荐中移除，并排除在编辑歌单之外。公司还于近期开始向竞争平台提供其 AI 检测技术。CEO Alexis Lanternier 表示，过去一年半里 Deezer 一直处于透明度的前沿，而其他公司尚未跟进，因此他们决定让所有人都能检查自己的播放列表。 值得注意的是，Deezer 透露正在考虑后续措施，如更新供应商政策或移除内容，这效仿了 Bandcamp 今年早些时候禁止 AI 音乐的做法。新工具推出之际，Deezer 的数据显示，其平台上所有新上传音乐中有 **44%** 是 AI 生成的，每天涌入近 **7.5 万首** AI 曲目，每月超过 **200 万首**。尽管数量庞大，但听众对 AI 音乐的实际收听率较低，这暗示了 AI 音乐在用户接受度上的挑战。
团队在构建 AI 智能体时，通常沿用传统软件评估方式：检查输出是否符合预期。然而，能够自主选择工具并跨多源编排操作的智能体，其行为无法仅通过输出级测试完全刻画。一个智能体可能给出结构良好、可操作的响应，却因工具返回空结果而出现幻觉、编造事实；也可能在跳过必要验证步骤的情况下得出正确结论——这些失败隐藏在最终响应表面之下，必须通过追踪智能体的完整执行路径（调用了哪些工具、返回了什么数据、响应是否忠实反映数据）来捕获。 **Agent-EvalKit** 是一个开源工具包（Apache 2.0），通过集成 Claude Code、Kiro CLI 和 Kilo Code 等 AI 编码助手，将评估基础设施直接引入开发环境。它支持你用自然语言描述评估目标，然后自动处理从读取源代码、生成测试用例到运行评估、生成改进建议的六个阶段。 ### 六大评估阶段 以使用 Strands Agents SDK 和 Amazon Bedrock 构建的旅行研究智能体为例，Agent-EvalKit 的工作流程如下： 1. **代码与配置分析**：自动扫描智能体的源代码和配置文件，识别其使用的工具、模型和编排逻辑。 2. **测试用例生成**：基于分析结果，自动生成覆盖正常路径、边界情况和错误场景的测试用例。 3. **执行与数据采集**：在每个测试用例中运行智能体，并利用可观测性工具捕获工具调用、中间状态和最终响应。 4. **多维评估**：从忠实度（响应是否基于工具返回数据）、工具使用正确性、响应连贯性与实用性等维度进行评分。 5. **报告生成**：生成包含详细指标和可视化结果的报告，并指出代码中需要改进的具体位置。 6. **迭代优化**：根据报告建议修改代码后，可重新运行评估，形成持续改进循环。 ### 为什么需要超越输出级评估 传统输出级测试只能检查最终结果是否符合预期，但无法发现“工具返回空数据时智能体是否编造答案”或“是否跳过了关键验证步骤”等问题。Agent-EvalKit 通过追踪执行路径，确保评估覆盖这些隐蔽缺陷。例如，旅行研究智能体在查询航班时，如果工具返回“无结果”，但响应却给出具体的航班信息，忠实度指标会立即标记异常。 ### 融入开发工作流 Agent-EvalKit 的独特之处在于将评估从事后环节提前到开发过程中。开发者无需切换环境或手动编写测试用例，只需在开发环境中描述评估目标，工具包即可自动完成其余工作。这种“评估即开发”的模式降低了评估门槛，使团队能够更早发现并修复智能体行为中的问题。 对于正在构建复杂智能体的团队而言，Agent-EvalKit 提供了一种系统化、可重复的评估方法，帮助确保智能体不仅输出正确，而且过程可靠。
Amazon QuickSight 近日发布两项新功能——**迷你图（Sparklines）** 和 **自定义排序（Custom Sort）**，旨在让仪表盘更具表达力，更贴近业务需求。 ## 迷你图：趋势一目了然 表格是 QuickSight 中最常用的可视化类型，但传统表格只能展示静态数值，读者需要切换到单独的折线图才能判断指标走势。迷你图的出现彻底改变了这一点：它能在表格单元格内直接嵌入紧凑的内联趋势图，让用户一眼看出数据是上升、下降还是波动。 例如，销售经理查看月度营收表时，无需再跳转到其他图表，就能从迷你图中迅速发现某条产品线的增长势头或下滑风险。这种“数据与趋势同框”的设计，大幅提升了决策效率。 ## 自定义排序：让业务逻辑驱动顺序 下拉菜单和列表控件的默认排序通常基于数据库返回顺序或字母排序，但这往往不符合实际业务优先级。自定义排序功能赋予作者定义精确排序的能力。 以状态下拉菜单为例，你可以将其设置为“已升级、进行中、已解决”而非默认的字母顺序；客户分段的列表也可以按“企业、中端市场、小型企业”排列。这种排序方式直接反映组织的工作优先级，帮助用户更快找到关键信息。 ## 应用场景与配置方式 两项功能可结合使用，构建决策就绪的仪表盘。例如，在一张销售业绩表中，既可以用迷你图展示各区域月度营收趋势，又可以通过自定义排序让“高优先级区域”始终排在列表顶部。 配置方法简单：迷你图可在表格的字段设置中启用；自定义排序则通过控制编辑器调整维度字段的顺序。 ## 总结 迷你图与自定义排序是 QuickSight 在表格体验上的重要升级。它们让数据解读更直观、操作更贴合业务逻辑，尤其适合需要快速洞察趋势和频繁筛选数据的分析场景。对于希望提升仪表盘实用性的企业而言，这两项功能值得立即尝试。
你的手机相册里是不是也塞满了各种截图？从食谱、穿搭灵感、旅行攻略到产品推荐，这些原本想“稍后查看”的内容，最终大多石沉大海。今天，一款名为 **Pool** 的新应用正式上线，它承诺用 AI 帮你终结这种“截图即遗忘”的困境。 Pool 的核心功能是自动整理截图。你只需授予它访问相册的权限，它便会利用 AI 将截图自动归入个性化的“池子”（pools）——这些类别完全基于你保存的内容动态生成，比如“食谱”、“旅行灵感”、“时尚单品”等，真正做到千人千面。 更智能的是，Pool 能反向追踪截图的原始来源。比如，一张产品截图会自动链接回零售商的购买页面；一张来自 Instagram 的食谱截图，能直接调出创作者分享的食材和步骤。这解决了传统书签工具“收藏后再也找不到”的痛点，让截图从静态图像变为可交互、可操作的信息入口。 在 AI 重塑书签体验的浪潮中，Pool 并非孤例。同类产品如 **mymind**、**Fabric** 和 **Raindrop** 也致力于整理链接与图片，但 Pool 的独特之处在于它聚焦于截图这一特定场景，并强调“重新发现”和“行动转化”。这与 **Captr** 或 **Sorti** 等应用的理念更为接近，但 Pool 的自动化程度和链接追踪能力更胜一筹。 Pool 的诞生颇具故事性。据联合创始人 **Maxime Junique** 透露，他和合伙人 **Piet Terheyden** 多年前在里斯本的一辆面包车里花了几周时间打造了第一个版本。当时他们住在车里，却激情满满地完成了网站、落地页和初始开发。但为了生存，团队后来转向 B2B SaaS，将 Pool 暂时搁置。期间他们开发了 CRM 软件 **Waitless**，并于去年成功出售。如今，Pool 的重新启动，既是团队对初心的回归，也折射出 AI 应用在消费级场景中的新机会。 目前 Pool 已登陆 iOS 平台，未来可能拓展至 Android。对于每天被海量信息淹没的现代用户来说，Pool 提供了一种“无痛整理”的可能性——你不需要改变任何习惯，只需继续截图，剩下的交给 AI。 这或许就是 AI 时代书签工具的终极形态：不是让你更勤快地整理，而是让工具本身足够聪明，来适应你的“懒”。
## 痛点与方案：从“手动调参”到“自动优化” 在智能文档处理（IDP）中，从发票、合同、税表等非结构化文档中提取结构化数据是企业的常见需求。然而，文档模板多变、供应商格式不一、扫描质量参差，导致提取精度下降。传统做法需要反复人工调整提取指令，耗时数周。 **Amazon Bedrock Data Automation (BDA)** 新推出的 **蓝图指令优化（Blueprint Instruction Optimization）** 功能，彻底改变了这一局面。你只需提供 **3 到 10 份示例文档及其期望提取值**，BDA 就能在 **几分钟内** 自动优化蓝图中的自然语言指令，无需单独微调模型。 ## 核心机制：示例驱动，指令自愈 在 BDA 中，每个提取字段都配有自然语言指令（如字段 `invoice_number` 对应指令 "The invoice number"）。当文档出现变体时，原指令可能失效。优化功能通过以下步骤工作： 1. **上传示例**：提供标注了正确值的真实文档。 2. **自动分析**：BDA 对比示例文档与现有指令，识别模式与歧义。 3. **指令重写**：生成更精确、更具鲁棒性的指令，覆盖更多边缘情况。 例如，对于字段 `total_amount`，原始指令 "The total amount due" 可能误提取 "subtotal"。优化后指令可明确排除特定标签。 ## 操作方式：控制台或 API，即学即用 用户可通过 **Amazon Bedrock 控制台** 或 **API** 执行优化。具体流程： - 在蓝图编辑器中启用优化选项。 - 上传示例文档（PDF、图片等）并逐字段标注 ground truth。 - 触发优化，BDA 返回更新后的蓝图。 - 验证效果后部署至生产管道。 整个过程无需编写代码，适合业务分析师和开发者。 ## 最佳实践：选对示例，事半功倍 - **多样性覆盖**：选择覆盖不同模板、供应商、质量的文档（至少 5 份效果更佳）。 - **标注精确**：确保 ground truth 值准确无误，避免噪声。 - **聚焦痛点字段**：优先优化易混淆字段（如金额 vs. 小计、日期格式）。 - **迭代验证**：先用小批量测试，再逐步扩大。 ## 行业意义：降低 IDP 落地门槛 传统 IDP 项目中，提取精度优化是最大的时间成本之一。BDA 的自动化优化将周期从 **数周缩短至几分钟**，同时减少了对机器学习专家的依赖。这对于金融、医疗、法律等文档密集型行业尤为重要——它们可以更快地部署自动化流程，处理更多样的文档变体。 ## 小结 蓝图指令优化是 Amazon Bedrock Data Automation 在文档 AI 领域的一次务实升级。它没有追求炫酷的大模型能力，而是精准解决了工程落地中的“最后一公里”难题。对于正在构建或优化文档处理管线的团队，这是一个值得立即尝试的功能。
DoorDash 于本周四宣布推出名为 **Ask DoorDash** 的全新 AI 聊天机器人，用户可通过文字提示或图片直接下单外卖和杂货。该功能旨在解决用户“不知道想吃什么”时的选择困难，让搜索过程更自然、个性化。 ## 从“搜索”到“对话”的转变 传统外卖搜索依赖用户明确知道餐厅或菜品名称，而 Ask DoorDash 则允许用户用自然语言描述需求。例如，你可以告诉机器人“我想吃一顿适合四口之家的丰盛晚餐”，或者直接分享一个食谱链接，系统会自动匹配餐厅并生成推荐理由。如果用户上传一张食谱照片或手写购物清单，机器人还能自动识别并添加相应食材到购物车，同时提醒用户检查家中是否已有盐、糖等基础调料，避免重复购买。 ## 功能亮点：个性化推荐与智能联动 - **杂货订购**：支持通过图片（如菜谱页）或文字描述构建购物车，并能基于历史订单推荐新品。 - **餐厅点餐**：可根据膳食偏好、预算、人数或过往订单自动推荐菜品，例如“显示适合儿童的素食餐厅，要求口味温和”。 - **预订服务**：在 DoorDash Reservations 中，用户可要求“找一家 downtown 的两人桌，约会晚餐，晚上 8 点”，系统会筛选有空位的餐厅，并支持进一步细化如“更私密一些”。 ## 行业背景：AI 助手成为外卖平台新战场 DoorDash 并非第一家押注 AI 对话式购物体验的外卖平台。今年 2 月，Uber Eats 推出了 AI 驱动的“购物车助手”；Instacart 也面向商家推出了 AI 购物助手。各大平台正竞相将 AI 助手打造成用户日常生活的标配，通过更自然的交互方式提升下单转化率和用户粘性。 ## 可用性与未来计划 目前 Ask DoorDash 已在 iOS 平台的部分地区上线，涵盖餐厅搜索、杂货购物和预订服务。DoorDash 表示，该功能将在未来几周内向全美更多用户开放。
## 从闭源到开源：Open R1 项目如何破解 DeepSeek-R1 之谜？ 最近，Hacker News 上一个名为 **Open R1** 的项目引发了广泛关注（77 分，10 条评论）。该项目旨在完全开源复现 DeepSeek-R1 模型，让研究者能够自由地复现、修改和扩展这一强大的推理模型。 ### 项目背景与目标 DeepSeek-R1 是一款在数学、编程和科学推理领域表现卓越的模型，但其实现细节和训练数据并未完全公开。Open R1 项目的目标就是填补这一空白，构建 R1 流水线中缺失的环节，使每个人都能在此基础上进行复现和创新。 ### 三步走计划 项目团队根据 DeepSeek-R1 的技术报告，将复现工作分为三个主要步骤： 1. **复现 R1-Distill 模型**：通过从 DeepSeek-R1 中蒸馏高质量语料，训练出蒸馏版模型。这一步骤已于 2025 年 5 月 26 日完成。团队发布了 **Mixture-of-Thoughts** 数据集，包含 35 万条经过验证的推理轨迹，覆盖数学、编程和科学领域。基于该数据集训练的 **OpenR1-Distill-7B** 模型成功复现了 DeepSeek-R1-Distill-Qwen-7B 的推理能力。 2. **复现纯强化学习流水线**：重现 DeepSeek 用于创建 R1-Zero 的强化学习过程。这需要策划新的、大规模的数据集，用于数学、推理和编程训练。 3. **端到端多阶段训练**：展示如何从基础模型出发，通过多阶段训练得到强化学习调优的模型。 ### 关键进展与数据集 除了第一步的完成，项目还取得了其他重要进展： - **CodeForces-CoTs 数据集**：包含 1 万个竞技编程问题和 10 万个从 R1 蒸馏的解决方案。基于此数据集训练的 7B 参数 Qwen 模型在 IOI24 基准测试上超越了 Claude 3.7 Sonnet，而 32B 模型甚至超越了 R1 本身。 - **OpenR1-Math-220k 数据集**：包含 22 万条从 R1 蒸馏的数学推理轨迹，训练出的模型性能与 DeepSeek 的蒸馏版本相当。 ### 技术架构 项目代码结构简洁，主要包含以下组件： - `src/open_r1`：包含训练和生成数据的脚本，如 **GRPO**（分组相对策略优化）训练、**SFT**（监督微调）和合成数据生成。 - `Makefile`：提供易于使用的命令，一键执行流水线中的各个步骤。 ### 行业意义 Open R1 项目的意义不仅在于技术复现，更在于它为 AI 社区提供了一个**完全开放的推理模型研究平台**。通过开源数据集和训练方案，研究者可以更深入地探索强化学习在推理能力提升中的作用，降低大模型研发的门槛。 ### 未来展望 目前项目已成功完成第一步，后续步骤的推进将直接关系到能否真正复现 DeepSeek-R1 的核心能力。社区期待 Open R1 能够像 Llama 一样，成为开源推理模型的标杆。 --- *注：本文信息基于项目公开资料，部分进展时间点以项目实际发布为准。*
在今年的英伟达GTC大会上，CEO黄仁勋高呼“太空计算，最终前沿已经到来”。一时间，轨道数据中心从科幻概念变成了真金白银的投资方向。SpaceX收购xAI后计划建设太空数据中心星座，谷歌联合Planet推出“Project Suncatcher”，计划在2027年初发射搭载TPU AI芯片的卫星。创业公司Starcloud甚至已向FCC提交了包含8.8万颗卫星的轨道数据中心星座提案。 这些方案的核心设想是：部署数千颗卫星，每颗搭载一至多台AI级GPU，通过自由空间光链路互联，再用微波链路与地面通信。支持者列举了诸多优势：充足的太阳能、免费冷却、不受地震洪水等地面干扰。 然而，**太空计算的物理现实远比想象中复杂**。最大的误解就是“免费冷却”。太空确实寒冷，但几乎没有大气，这意味着最有效的散热方式——传导和对流——都无法使用。**唯一的选择是热辐射**。要防止芯片过热，需要大面积、高成本的散热面来耗散能量并向外辐射。 太阳能确实丰富，但用功能性太阳能板保持精确对准太阳，需要复杂的姿态控制系统。此外，宇宙射线等电离辐射会持续降解太阳能板、辐射冷却器乃至芯片本身。由于在轨维护极其困难，必须在发射时就内置冗余，成本估算还要考虑性能随时间衰减。 ABI Research的粗略总拥有成本对比显示，轨道数据中心在地面数据中心面前并无明显优势。散热、供电、辐射防护和轨道维护等挑战，意味着**太空计算并非地面计算的简单替代，而是一个需要全新工程思维的方向**。 当然，这并非否定轨道数据中心的潜力。对于全球实时通信、灾害监测等特殊场景，太空计算可能提供独特价值。但硅谷的乐观情绪需要被更严谨的工程分析所平衡——在把数据中心送入轨道之前，先得解决那些藏在“免费”背后的真实成本。
## 足球的数据复兴 想象一下，世界杯比赛开场哨响，一名球员故意将球踢出界外。你可能会质疑为何在比赛刚开始就放弃控球权。但如果你了解 **Jesse Davis** 的研究，就会明白这可能是得分的最佳布局。 Davis 是比利时鲁汶大学的计算机科学教授，也是该校 **体育分析实验室** 的负责人。该实验室一直处于足球数据觉醒的前沿。通过 AI 和数据分析，他的团队发现了隐藏的战术模式，并挑战了人们对比赛方式的长期假设。如今，许多应用于足球场的见解都源于该实验室的工作。 **关键发现：** - 通过分析海量比赛数据，AI 能够识别出人类教练难以察觉的战术规律。 - 传统上被认为“低效”的传球或跑位，在数据视角下可能具有更高的战略价值。 - 这项研究正在改变俱乐部和国家队的训练与比赛策略。 ## 中国为何押注大型核反应堆 在中国，大型反应堆正以惊人的速度建设。自 2016 年以来，中国核电装机容量几乎翻了一番，达到近 **60 吉瓦**。2025 年有 6 座新反应堆开工，2026 年又增加了 2 座。 建设当今核电行业主导的大型项目极其困难：前期投资动辄数十亿美元，设计复杂。但中国正在快速推进。到 2030 年，中国在核电装机容量上预计将超过 **美国** 和 **欧盟**。 **核心观点：** - 大型反应堆具有规模经济优势，虽然初期投入巨大，但长期发电成本更低。 - 中国拥有成熟的供应链和工程建设能力，能够支持多项目并行建设。 - “更大”可能意味着“更好”，尤其是在清洁能源转型的背景下。 ## 其他必读资讯 - **自主无人机**或已首次击杀士兵：一家无人机制造商称，在一次测试中，俄罗斯士兵被无人机杀死。（《新科学家》） - 美国使用 **海上无人机** 成功救援直升机机组人员。（《纽约时报》） - 欧洲正构想一个由无人机主导的战争未来。（《麻省理工科技评论》） - **太阳能**发电量首次超越煤炭，成为美国新增电力的主要来源。（《卫报》） - 与此同时，特朗普政府却在增加对煤炭的投资。
Anthropic 近日就其最新 AI 模型 **Claude Fable 5** 中隐藏的护栏措施公开致歉。这些隐形限制旨在防止模型蒸馏，却暗中降低了回答质量，且未向用户说明。公司承诺将改变做法，使限制措施透明化，并改用前代模型 Opus 4.8 处理相关请求，同时明确告知用户。 ## 事件背景 Claude Fable 是 Anthropic 旗下 **Mythos 类 AI 系统** 中首个广泛可用的模型。Anthropic 此前曾多次警告这类系统过于危险，不宜公开发布。为平衡安全与可用性，Fable 在发布时配备了一系列安全护栏，用于拦截“高风险”查询。蒸馏（distillation）——即利用大模型输出训练小模型的技术——被列为受限领域之一。 ## 隐形限制引发争议 在 Fable 的系统卡中，Anthropic 表示对疑似蒸馏尝试的查询，会直接**篡改并降低模型回答质量**，且不通知用户。这一做法引发了研究人员和竞争对手的不满，认为它暗中破坏了模型的可信度，也阻碍了合法研究。 ## Anthropic 的回应与调整 面对批评，Anthropic 在 X 上发文宣布改变策略：当检测到蒸馏查询时，Fable 将**回退到 Claude Opus 4.8**（Anthropic 之前的旗舰模型）来处理请求，并**明确告知用户**“每次都会看到这个提示”。这与其他高风险领域（如生物、化学、网络安全）的处理方式一致——在这些领域，触发安全措施时查询也会被路由到 Opus 4.8，除非直接违反更广泛的安全规则。 ## 行业影响与反思 此次事件折射出 AI 安全与透明度之间的深层矛盾。一方面，模型蒸馏可能被用于复制或绕过安全机制，对商业模型构成威胁；另一方面，隐形限制损害了用户信任和研究开放性。Anthropic 的道歉和调整被视为一种积极信号，但同时也表明：在追求安全的同时，如何平衡透明与保护，仍是整个行业面临的难题。 值得注意的是，Fable 在其他领域（如生物学）的安全护栏已因范围过广而导致模型**几乎无法回答基本问题**，Anthropic 已承认这一点并承诺改进。未来，用户将能更清晰地看到限制何时生效，即使这意味着 Fable 会拒绝更多请求。