随着全球对最新生成式AI模型和高性能加速计算的需求持续高涨，AWS客户需要一种能够跨多个区域利用模型可用性和计算容量的工具，同时满足自身安全与隐私要求。**Amazon Bedrock** 推出的 **跨区域推理（Cross-Region Inference, CRIS）** 正是为此而生。该功能能够自动将推理请求路由至多个AWS区域，从而在确保数据合规的前提下，提升模型访问的灵活性与可用性。 ## 跨区域推理：弹性与合规的平衡 对于欧洲用户而言，数据主权与隐私法规（如GDPR）是部署AI时必须优先考虑的因素。传统上，企业可能被迫将推理工作负载限制在单一区域，但这往往导致模型选择受限、容量瓶颈以及延迟问题。Amazon Bedrock的CRIS功能通过智能路由机制解决了这一矛盾：当某个区域的服务负载过高或模型不可用时，请求会被自动转发至其他可用区域，整个过程对用户透明，且数据始终在AWS的安全边界内流动。 ## 关键能力与使用场景 - **模型可用性最大化**：CRIS支持在多个区域间动态分配推理请求，确保即使某个区域的特定模型暂时不可用，用户也能通过其他区域获得相同服务。这对于依赖最新模型（如Anthropic Claude 3、Meta Llama 3等）的应用尤为重要。 - **性能优化**：通过地理接近性路由和负载均衡，CRIS能够显著降低推理延迟。例如，一家总部位于德国的金融科技公司，其客户分布在整个欧洲，利用CRIS可将请求就近路由至法兰克福、爱尔兰或巴黎等区域，从而获得更快的响应速度。 - **成本控制**：用户无需为每个区域单独预置计算资源，CRIS按实际使用量计费，有效避免了资源闲置。同时，AWS的跨区域数据传输费用也经过优化，进一步降低总体拥有成本。 ## 欧洲地区的实践考量 在实际部署中，企业需要先明确数据驻留要求。对于必须将数据留在特定国家或区域内的场景（如医疗记录或政府数据），CRIS允许用户通过配置“区域偏好”来限制路由范围。例如，可以设置仅允许在欧盟内部区域之间进行路由，而禁止将数据传出欧洲经济区。此外，AWS还提供了详细的审计日志，便于企业追踪每次推理请求的实际处理位置。 ## 行业影响与未来展望 跨区域推理的推出，标志着AWS在**混合云与边缘计算**之外，又为AI工作负载提供了一种新的弹性范式。对于正在经历AI落地的欧洲企业而言，它降低了因区域限制而放弃最佳模型的风险。随着生成式AI从实验走向生产，类似CRIS这样的基础设施能力将成为企业选择云平台的关键考量因素之一。
## 从“不关机”到“安心合盖” 你是否也曾为了不让终端里的编码代理中断，而小心翼翼地保持笔记本屏幕常亮？从会议室到地铁，从午餐到深夜，开发者们正陷入一种“合盖焦虑”——因为合上笔记本，意味着正在运行的 Claude Code、Codex、Kiro 或 Cursor 等代理进程可能就此中断。 这种尴尬的根源在于：我们错误地将“最近的机器”当成了“最合适的机器”。Amazon Bedrock AgentCore Runtime 试图打破这一惯性——它给每个代理会话分配一个独立的 Linux 微虚拟机（microVM），拥有持久化工作区、真实 shell 和确定性命令执行能力。但真正让 AgentCore 脱颖而出的，是它围绕代理运行构建的一整套基础设施。 ## 不只是沙箱，更是一套运行体系 大多数沙箱产品都能提供隔离环境，但 AgentCore 把“隔离”扩展到了身份、工具和可观测性三个层面： - **身份层（Identity）**：代理以触发它的用户身份行动，而不是共享一个匿名或高权限账号。这意味着每次代码提交、API 调用都带着正确的身份上下文。 - **网关层（Gateway）**：通过统一的 **Model Context Protocol (MCP)** 端点，将 GitHub、Jira、Slack 以及企业自有服务暴露给 Claude Code、Codex、Kiro 等代理。真实的令牌（token）始终保存在网关之外，代理只获得按需授权的访问路径。 - **可观测性（Observability）**：代理的每一步操作——命令执行、文件读写、API 调用——都会自动落入 **Amazon CloudWatch**，与团队已有的监控体系无缝对接。 有了这三层，开发者终于可以放心合上笔记本：代理不再依赖本地环境运行，而是托管在云端的安全、持久且可审计的环境中。 ## 为什么笔记本不是好宿主？ 将编码代理运行在本地笔记本上，至少面临四个问题： 1. **安全风险**：代理共享你的 shell、文件系统、令牌、VPN 和 SSH 密钥。一次带有恶意注入的 README 文件读取，就可能泄露整个开发环境。 2. **资源竞争**：代理与你的 IDE、浏览器、容器争抢 CPU 和内存，尤其是在运行多个代理时。 3. **持久性差**：合盖、休眠、网络切换都可能导致代理中断，无法长时间执行复杂任务。 4. **协作困难**：代理的工作状态只存在于你的机器上，团队无法统一查看或审计。 AgentCore 的微 VM 架构从根本上解决了这些问题：每个会话拥有独立文件系统、端口和进程空间，且会话状态持久化——你可以合上笔记本去吃晚饭，第二天回来继续上一次的任务。 ## 实战：四个代理同场竞技 为了展示 AgentCore 的能力，团队做了一个有趣的实验：将同一个 GitHub Issue 同时交给 **Claude Code、Codex、Kiro 和 Cursor**，每个代理运行在独立的 AgentCore 环境中。评价标准有三个： - **延迟**：从接收任务到输出结果的总耗时 - **成本**：每次任务的美元开销 - **一次通过率**：生成的代码能否在首次测试中通过 由于每个环境都是隔离的，代理之间不会互相干扰——不会共享文件、端口或凭证。这意味着可以安全地并行运行多个代理，比较它们的表现，甚至让它们协作解决同一个问题的不同部分。 ## 拥抱“远程代理”时代 AgentCore 的推出，标志着编码代理从“本地玩具”向“生产级服务”的转变。当代理不再绑定在某个开发者的笔记本上，团队就能以更系统化的方式管理、审计和优化代理工作流。 对于已经在使用 Claude Code、Codex 或 Cursor 的团队，迁移到 AgentCore 意味着： - 安全边界从单台机器扩展到 AWS 基础设施 - 代理行为可追溯、可审计 - 资源按需分配，不再与本地应用争抢 - 团队可以共享代理工作区，实现异步协作 当然，这并非要完全抛弃本地运行——对于原型验证或短任务，本地依然便捷。但当任务需要长时间运行、涉及敏感数据或需要团队协作时，是时候把笔记本合上了。
在AI技术飞速发展的今天，企业决策者常常面临一个尴尬的困境：数据越来越多，但真正能转化为高效决策的工具却依然稀缺。直觉和经验固然重要，但当业务规模扩大、变量激增时，人类大脑的局限性便暴露无遗。**数学优化**，作为AI家族中一个相对低调却威力巨大的成员，正悄然成为解决这一难题的关键武器。 ## 数学优化是什么？与机器学习的区别 简单来说，数学优化是在给定约束条件下，寻找目标函数最优值的过程。它不同于机器学习通过数据学习模式进行预测，而是直接求解“在资源有限的情况下，如何做到最好”的问题。例如，一个物流公司需要决定卡车路线、装载顺序和配送时间，以最小化燃油成本——这就是典型的优化问题。 数学优化与机器学习是互补关系。机器学习擅长预测（例如，预测明天某个地区的包裹量），而数学优化则负责在预测结果的基础上做出最优决策（例如，根据预测的包裹量调度车辆和人员）。两者结合，能形成从数据到行动的完整闭环。 ## 真实案例：从供应链到能源管理 AWS创新中心与多家企业合作，将数学优化应用于实际场景，取得了显著成效。 - **供应链优化**：一家全球零售巨头利用数学优化重新设计其配送网络。通过考虑仓库位置、运输成本、需求波动和库存策略，系统在数分钟内生成了传统方法需要数周才能完成的方案，**物流成本降低了15%**，同时服务水平提升。 - **能源调度**：某电力公司使用优化模型平衡可再生能源（如太阳能、风能）的波动性输入与用户需求。模型实时调整发电机组启停和储能充放电策略，**弃风弃光率下降20%**，且电网稳定性显著改善。 - **航空业收益管理**：一家航空公司借助优化算法动态调整票价和座位分配，根据历史数据预测需求，实时优化定价策略，**年收入增长超过8%**。 ## 为什么直觉会失效？ 传统上，企业依赖资深专家的经验进行决策。但当业务涉及成百上千个变量和约束时，人类大脑难以同时权衡所有因素。例如，一个简单的生产排程问题，如果涉及10台机器、50个订单和5种原材料，可能的组合方案数量就远超宇宙原子总数。直觉在这种情况下只能给出“大致可行”的方案，却远非最优。 数学优化则通过严谨的数学模型和高效算法（如线性规划、整数规划、启发式算法），在合理时间内找到最优解或接近最优的解。它不依赖“感觉”，而是基于数据和约束进行系统化搜索。 ## 在AI生态中的定位 数学优化常被归类于**运筹学**领域，但如今它与机器学习的融合日益紧密。AWS提供了一系列服务来支持优化应用，包括Amazon SageMaker（用于构建ML模型）和AWS Optimization Framework（提供优化求解器接口）。企业可以构建端到端的智能决策系统：数据→预测模型→优化模型→行动指令。 随着边缘计算和实时决策需求的增长，数学优化的应用场景将进一步扩大。例如，自动驾驶车辆的路径规划、工厂车间的机器人调度、金融市场的交易策略等，都需要在毫秒级做出最优决策。 ## 小结 数学优化不是要取代人类的直觉，而是在复杂场景下为决策者提供科学依据。它让企业从“凭经验”转向“凭数据”，实现规模化、精准化的决策。如果你还在为供应链成本、资源利用率或收益管理发愁，不妨看看数学优化这个低调而强大的工具。
在 AI 推理场景中，数据隐私保护一直是企业上云的核心关切。当敏感数据离开本地环境进入云端模型时，如何确保即使在推理过程中数据也不被解密？亚马逊云科技近期发布的新方案给出了一个实用答案：借助全同态加密（FHE）与 Amazon SageMaker AI 的深度集成，实现真正的端到端加密推理。 此前，AWS 曾在一篇博文中展示了如何在 SageMaker 端点上实现基于 FHE 的推理，但当时采用的是底层库 SEAL，需要从零手工构建线性回归算法，门槛较高。而这次的新方案则转向了 **concrete-ml**——一个构建在 SEAL 之上的高级库，它大大简化了开发流程。 ### FHE 为何重要？ 全同态加密允许在加密数据上直接进行计算，而无需先解密。这意味着，企业可以将加密后的客户数据发送到云端，SageMaker 模型在不解密的情况下完成推理，最终返回加密结果，只有客户自己才能解密。整个过程模型提供商无法接触原始数据，从而彻底杜绝了数据泄露风险。 ### 新方案的两大提升 1. **开发效率**：concrete-ml 提供了高层次的 API，开发者无需深入密码学细节，只需像训练普通模型一样编写代码，库会自动处理加密编译。例如，一个简单的逻辑回归模型，用 concrete-ml 只需几十行代码即可完成训练和加密部署。 2. **模型灵活性**：相比之前仅支持线性回归，concrete-ml 支持多种模型架构，包括**决策树、神经网络、支持向量机**等，覆盖了更广泛的实际业务场景。 ### 性能与权衡 FHE 带来的隐私保护并非没有代价。加密计算的复杂度远高于明文计算，推理延迟通常会增加数个数量级。concrete-ml 通过**编译优化**（如将浮点运算转化为整数运算、利用 SIMD 指令等）来缓解这一问题，但在高吞吐场景下仍需谨慎评估。AWS 建议将 FHE 推理用于**低频、高敏感度**的任务，如金融风控、医疗诊断、隐私数据处理等。 ### 部署流程 开发者只需在 SageMaker 中训练一个标准模型，然后使用 concrete-ml 将其编译为 FHE 兼容的版本，最后打包为 SageMaker 端点。客户端通过 AWS SDK 发送加密请求，端点执行推理并返回加密结果。整个过程与普通 SageMaker 部署高度一致，学习曲线平滑。 ### 行业影响 随着全球隐私法规日益严格（如 GDPR、CCPA、中国《个人信息保护法》），FHE 推理正从学术研究走向商业落地。AWS 此次的更新，意味着主流云厂商开始提供**开箱即用的加密推理能力**，这将加速金融、医疗、政务等强监管行业的 AI 部署。不过，FHE 的算力开销仍是主要瓶颈，未来硬件加速（如 Intel HEXL、FPGA）可能是突破方向。 对于有隐私合规需求的团队，现在可以更低门槛地试用端到端加密推理，无需组建密码学专家团队。但务必根据实际业务延迟要求做好基准测试，避免隐私保护过度影响用户体验。
## 为什么 ARN 是跨账户迁移和权限管理的核心？ 在 Amazon Quick（原 QuickSight）的日常运维中，你可能会遇到这样的场景：将仪表板从开发账户迁移到生产账户后，权限没有自动继承；或者向财务团队共享仪表板时，对方反复遇到“访问被拒绝”的错误；又或者为多租户设置了命名空间，但同一个用户名在一个命名空间下正常，在另一个命名空间却无法登录。 这些问题的根源，往往在于对 **Amazon Resource Name（ARN）** 的理解不够深入。ARN 是 AWS 中每个资源的唯一标识符，类似于现实世界的“邮政地址”——它包含了资源所在的分区、服务、区域、账户 ID、资源类型和资源 ID 等关键信息。只有掌握了 ARN 的构成，你才能快速定位问题，设计出可靠的跨账户迁移策略和权限体系。 ## ARN 的结构：一个“地址”隐喻 为了更好地理解 ARN，我们可以把它类比成一个完整的邮政地址： - **aws**（星球）：AWS 分区，通常为 `aws`，中国区为 `aws-cn`，美国政务区为 `aws-gov-us`。 - **quicksight**（国家）：服务标识符，注意尽管服务已更名为 Amazon Quick，但 ARN 中仍保留 `quicksight` 以兼容现有 IAM 策略和自动化脚本。 - **us-east-1**（州）：AWS 区域。 - **123456789012**（城市）：AWS 账户 ID。 - **dashboard**（街道）：资源类型，例如 `dashboard`、`dataset`、`user` 等。 - **04f736b4-bd1b-…**（门牌号）：唯一资源 ID。 一个完整的 ARN 示例如下： ``` arn:aws:quicksight:us-east-1:123456789012:dashboard/04f736b4-bd1b-... ``` 当资源从一个账户迁移到另一个账户时，账户 ID 会改变，这就像你搬到了新的城市，地址自然也会变化。因此，跨账户迁移后，原有的权限策略需要重新绑定到新的 ARN 上。 ## 命名空间与权限的关联 Amazon Quick 支持通过 **命名空间（Namespace）** 实现多租户隔离。每个命名空间相当于一个独立的用户域，用户和资源在命名空间内是隔离的。在 ARN 中，命名空间通常作为资源路径的一部分出现，例如： ``` arn:aws:quicksight:us-east-1:123456789012:namespace/default/user/bob ``` 这表示在 `default` 命名空间下的用户 `bob`。如果你在另一个命名空间（如 `finance-ns`）中也有用户 `bob`，那么这两个用户本质上是不相关的，拥有不同的 ARN，因此权限策略必须分别指定。 ## 实战建议：如何利用 ARN 提升运维效率 1. **快速诊断权限问题**：当用户报告“访问被拒绝”时，首先检查其 ARN 中的账户 ID 和命名空间是否与资源 ARN 匹配。如果账户 ID 不同，说明资源可能来自另一个账户，需要先设置跨账户信任关系。 2. **设计跨账户迁移流程**：迁移仪表板或数据集时，需要同步更新所有引用该资源的 IAM 策略和权限。建议使用 AWS Resource Access Manager（RAM）或编写脚本自动替换 ARN 中的账户 ID。 3. **多租户架构的最佳实践**：为每个租户分配独立的命名空间，并在资源 ARN 中显式包含命名空间路径。这样，不同租户的资源天然隔离，权限管理更加清晰。 ## 小结 ARN 是 Amazon Quick 资源管理的基石。无论是跨账户迁移、权限调试还是多租户设计，对 ARN 结构的深刻理解都能让你事半功倍。下次遇到权限问题时，不妨先拆解一下 ARN 的各个部分——它可能会直接告诉你问题出在“城市”（账户）还是“街道”（资源类型）上。
Google 于近日对 AI 笔记应用 **NotebookLM** 进行了“全面”升级，核心亮点包括底层模型换用 **Gemini 3.5**、新增“云端电脑”支持代码运行，以及通过 Google 搜索直接帮助用户发现研究素材。 ### 更聪明的 AI 大脑 NotebookLM 现在基于 Google 最新的 **Gemini 3.5** 模型运行，这意味着它能提供“更准确、更可靠”的回答。对于用户上传的笔记、PDF、YouTube 视频等材料，AI 的理解与推理能力将显著提升，减少幻觉与事实错误。 ### 从“导入资料”到“探索发现” 过去，使用 NotebookLM 需要先手动导入笔记或来源。现在，你只需在聊天界面直接提问，比如“生成一份关于量子计算的最新进展报告”，NotebookLM 会自动调用 **Google 搜索**，在网络上寻找相关来源并推荐给你。你可以预览并选择性地导入这些来源，极大简化了研究启动流程。 ### 每个笔记本都有一台“云端电脑” 最引人注目的新功能是 NotebookLM 与 Google 的 agentic 编码平台 **Antigravity** 的集成。每个笔记本现在都连接到一个“安全的云端电脑”，这意味着 NotebookLM 可以**编写并运行代码**来辅助分析。例如，它能直接生成数据可视化图表（PNG/SVG）、通过 Nano Banana 生成图片（PNG/JPG/GIF）、甚至导出 Excel、PowerPoint 或 CSV 文件。这让 NotebookLM 从一个纯文本分析工具，升级为具备计算与输出能力的多功能科研助手。 ### 可用性与未来计划 目前，这些更新主要面向 **Google AI Ultra 套餐** 订阅用户以及 **Workspace 商业客户**。Google 表示未来会逐步扩展到更多用户群体。 ### 小结 从模型升级到功能拓展，NotebookLM 正在从一个“AI 笔记助手”进化为一个“AI 研究工作站”。特别是云端电脑的加入，让用户无需离开应用即可完成数据计算与可视化输出，这有望在学术研究、市场分析、报告撰写等场景中大幅提升效率。
语音智能体正在重塑企业与客户的互动方式，从预约、订单查询到账户管理，自然对话成为新常态。然而，测试这些智能体却面临巨大挑战：与文本聊天机器人不同，语音智能体支持双向音频流、非确定性响应、多轮上下文保持和实时工具调用，传统的手动测试——让人对着麦克风说话再听结果——不仅缓慢、不一致，而且无法规模化。 为解决这一痛点，AWS 推出了 **Nova Sonic Test Harness**，一个开源的自动化测试框架。它兼具两大功能：一是作为快速迭代工具，帮助团队高效调试系统提示和工具配置；二是作为全面的评估框架，支持大规模验证语音智能体的质量。该框架能够自动运行完整的多轮对话，利用 **LLM-as-judge** 技术进行评估，甚至能检测模型音频输出与文本输出不匹配的“音频幻觉”现象——整个过程无需任何麦克风。 ### 为什么语音到语音测试与众不同？ 文本模型的测试通常依赖结构化输入输出，而语音智能体面临三大独特难题： - **非确定性响应**：同一问题可能得到不同回答，难以断言对错。 - **多轮上下文依赖**：对话历史影响后续行为，需覆盖完整流程。 - **实时工具调用**：如查询数据库、调用 API，需验证工具执行正确性。 手动测试 50 个对话场景 × 3 种用户画像，每次修改提示后都需重复，耗时巨大。Nova Sonic Test Harness 通过以下方式解决： 1. **自动模拟对话**：框架使用文本或音频输入驱动 Amazon Nova Sonic，无需真实麦克风。 2. **LLM-as-judge 评估**：利用大语言模型评判对话质量，覆盖任务完成度、自然度、合规性等维度。 3. **音频幻觉检测**：对比模型输出的文本与转录后的音频内容，识别不一致。 4. **可扩展报告**：支持批量运行，生成结构化结果，便于回归测试。 ### 实际应用场景 - **提示工程迭代**：修改系统提示后，一键运行测试集，对比评分变化。 - **工具配置验证**：新增工具时，自动检查智能体是否正确调用。 - **上线前回归测试**：部署前运行数百个场景，确保无退化。 ### 如何开始？ Nova Sonic Test Harness 已在 GitHub 开源，支持快速部署。用户只需定义测试场景（如“预订航班”），框架即可自动执行并输出评估报告。 ### 小结 语音智能体的规模化测试不再是瓶颈。Nova Sonic Test Harness 为开发者提供了自动化、可重复的评估手段，加速从开发到上线的迭代周期。对于构建语音应用的团队而言，这不仅是效率工具，更是质量保障的基础设施。
亚马逊近日在购物应用中推出了一项新功能，允许用户通过AI助手Alexa生成设计图案，并将其印制在T恤、卫衣、水杯等商品上。这一功能通过亚马逊的按需打印服务Merch on Demand实现，用户只需在应用中描述创意，AI即可生成设计，并支持编辑和分享。商品由亚马逊负责生产和配送，通过Prime快递送达。目前该功能仅在美国可用，用户只需支付商品本身费用，无需额外设计费。此举降低了定制商品的设计门槛，对Redbubble、Bonfire等在线商品平台构成直接竞争。
距离苹果全球开发者大会（WWDC）越来越近，今年的主题演讲预计将带来一系列重大更新，涵盖 AI 战略、操作系统升级以及开发者工具。其中最受关注的莫过于 Siri 的彻底革新——苹果正试图让这个长期被诟病的语音助手真正具备竞争力。 ### Siri 的“二次革命” 消息人士透露，苹果计划在 WWDC 2026 上推出一个“完全重构”的 Siri，整合更强大的**大语言模型**能力，使其能够像 ChatGPT 或 Google Gemini 一样处理复杂对话、执行多步骤任务。新 Siri 将不再局限于预设指令，而是能理解上下文，例如“帮我找上周五的照片，并发送给张三”。这一变化被视为苹果在 AI 领域追赶竞争对手的关键一步。 ### Apple Intelligence 平台升级 **Apple Intelligence** 作为苹果的 AI 统一平台，预计将获得显著增强。开发者将能够通过新的 API 将 AI 功能直接集成到应用中，例如实时翻译、智能摘要和图像生成。此外，苹果可能推出**端侧模型**的升级版本，在保护隐私的同时提升响应速度。 ### iOS 27：更智能的系统级集成 伴随新 Siri 和 Apple Intelligence 的升级，**iOS 27** 将迎来多项系统级 AI 功能。例如，邮件和消息应用可能内置智能回复与自动分类；照片应用将支持更精准的物体识别与编辑建议；系统设置中可能加入“AI 控制中心”，让用户管理各应用的 AI 权限。 ### 其他可能亮点 - **macOS 14**：强化与 iOS 的 AI 协同，如跨设备任务接力。 - **watchOS 11**：引入 AI 健康分析，如运动姿势纠正。 - **Vision Pro 更新**：基于 AI 的空间计算优化，提升手势识别精度。 ### 开发者工具与新框架 苹果预计会推出 **Swift AI 框架**，简化开发者将机器学习模型集成到 App 的流程。Xcode 可能内置 AI 代码补全与调试助手，进一步降低开发门槛。 ### 行业影响 苹果在 AI 领域的激进投入，标志着其从“保守跟随”转向“主动竞争”。若 Siri 的焕新能兑现承诺，将直接挑战亚马逊 Alexa 和谷歌助手，并巩固苹果生态的粘性。不过，隐私保护与 AI 能力的平衡仍是关键挑战。 距离 WWDC 还有数月，但爆料已勾勒出一个更智能、更开放的苹果生态。对于开发者和用户而言，这或许是最值得期待的一届开发者大会。
OpenAI 正在为 ChatGPT 用户推出一种新的“锁定模式”，旨在通过限制网络请求来防范提示注入攻击导致的数据窃取。该功能最初面向企业、教育等高级用户，现已向所有用户开放，但会牺牲实时网页浏览等能力。 ## 锁定模式：为敏感数据筑起防火墙 随着 AI 聊天机器人融入日常工作，安全威胁也日益凸显。其中，**提示注入（Prompt Injection）** 攻击尤为危险：攻击者通过植入恶意指令，诱使 AI 访问外部文件或服务，进而窃取用户个人数据。 针对这一风险，OpenAI 在 ChatGPT 中推出了 **“锁定模式”（Lockdown Mode）**。该模式的核心机制是**限制出站网络请求**，即阻止 ChatGPT 主动连接互联网或外部文件服务。这样一来，即使攻击者成功植入了恶意提示，也无法将实时敏感信息外传。 ## 适用人群与可用性 锁定模式最初于 2026 年 2 月面向 **ChatGPT Enterprise、Edu、Healthcare 和 Teachers** 订阅者推出，如今已扩展至 **Free、Go、Plus、Pro 和 Business** 等所有计划。这意味着无论是个人用户还是企业团队，只要处理敏感信息，都可以启用这一额外保护层。 不过，OpenAI 强调该模式并非万能。它**无法阻止提示注入攻击本身**——攻击者仍可能利用缓存内容或已上传文件中的漏洞。Lockdown 模式的作用是切断攻击者“盗取数据”的通道，而非预防攻击发生。 ## 权衡：安全性与功能性的博弈 启用锁定模式后，用户将面临一些明显的功能限制： - **无法进行实时网页浏览**：ChatGPT 只能访问缓存的网页内容，因此搜索结果可能不是最新的。 - **禁止访问外部文件或服务**：任何需要联网的功能，如实时数据查询、第三方工具调用等，都将被禁用。 这意味着，对于需要最新资讯或动态数据的场景（如新闻分析、实时股票查询），锁定模式可能并不适用。它更适合那些对数据安全要求极高、且不依赖实时网络信息的任务，例如处理机密文档、内部知识库问答等。 ## 行业背景与启示 锁定模式的推出反映了 AI 安全领域的一个现实：**没有银弹**。随着提示注入攻击手法不断进化（例如间接注入、多轮诱导），防御方案也需要在便利性与安全性之间做出取舍。OpenAI 选择“限制网络能力”作为切入点，是一种务实但非彻底的解决方案。 对于用户而言，理解这一模式的边界至关重要。如果你经常处理敏感数据，开启锁定模式无疑能降低数据外泄风险；但如果你需要 ChatGPT 实时联网协作，则需权衡其带来的不便。 **小结**：ChatGPT 的锁定模式为敏感数据保护提供了一层有效但有限的防御。它通过牺牲部分联网功能，换取了更高等级的数据安全。在 AI 安全威胁日益复杂的今天，这种“功能换安全”的设计或许会成为行业常态。
保时捷正在将其在Formula E电动方程式赛车上积累的技术经验，下放至其最畅销的SUV车型——全新一代Cayenne。这款即将推出的纯电动Cayenne，将搭载一套源自赛道的**850kW（约1156马力）**动力系统，使其成为该车型历史上性能最强的版本。 ### 从赛道到公路：冷却技术是关键 要让如此高的功率在SUV上持续输出，最大的挑战在于热管理。Formula E赛车在比赛中需要频繁进行高功率回收和释放，保时捷为此开发了一套极其高效的**直接油冷技术**。这项技术被直接移植到了全新Cayenne上。与传统的水冷系统不同，油冷可以直接喷射到电机内部最热的绕组和磁钢上，带走热量的效率是水冷的数倍。 保时捷工程师表示，这套系统能够在连续激烈驾驶（例如在纽博格林北环赛道刷圈）时，依然将电机温度控制在最佳工作区间内，**避免因过热导致的功率限制**。这意味着，驾驶者可以反复体验接近800kW的峰值加速，而不会像一些竞品那样在几次全力加速后便“软脚”。 ### 性能与实用性的平衡 尽管动力惊人，保时捷并未牺牲Cayenne作为豪华SUV的实用性。新车基于**PPE（Premium Platform Electric）平台**打造，该平台也用于保时捷Macan EV和奥迪Q6 e-tron。它支持**800V高压架构**，可实现270kW的超快充电，从5%充至80%仅需约20分钟。 同时，Cayenne EV将标配**自适应空气悬架**和**后轮转向系统**，这些技术同样源自保时捷的高性能跑车。更宽的轮距和低重心设计，旨在让这台大型SUV在公路上拥有接近跑车的操控灵活性。 ### 市场定位与战略意义 推出最强Cayenne EV，是保时捷电动化战略的重要一步。一方面，它用“赛道技术下放”的故事强化了品牌的高性能基因，与特斯拉Model X Plaid、Lucid Gravity等对手展开竞争；另一方面，它也展示了保时捷在**电动动力总成热管理**领域的深厚护城河。 目前，保时捷计划在2026年正式发布这款Cayenne EV顶配版本。届时，它不仅将成为保时捷加速最快的量产SUV（0-100km/h预计低于2.5秒），也有可能成为**纽博格林最快的纯电SUV**之一。 ### 小结 保时捷通过将Formula E的油冷技术移植到量产SUV上，解决了大功率电驱系统在持续高负载下的热衰减难题。这不仅是技术的胜利，也标志着传统跑车制造商在电动时代，依然可以通过**工程创新**来定义性能标杆。对于追求极致加速体验，又需要日常实用性的消费者而言，这台850kW的Cayenne无疑是一个值得期待的选项。
在最新一期《Decoder》播客中，微软AI首席执行官穆斯塔法·苏莱曼与主编尼拉伊·帕特尔展开深度对话，就超级智能前景、AI自动化对就业的影响、以及公众对AI的负面情绪等话题发表了坦率看法。 ## 超级智能：近在咫尺，但非威胁 苏莱曼明确表示，超级智能（即超越人类智能的AI系统）正在快速接近，但这并不意味着人类将面临大规模失业。他反驳了“AI会取代所有工作”的悲观论调，认为技术将更多地增强人类能力而非替代人类。他强调，关键在于如何设计AI系统——使其成为协作工具而非替代品。 ## 批评“AI有意识”论调 苏莱曼对Anthropic公司将其AI模型Claude描述为“具有意识”的做法提出批评，认为这种说法“危险”且误导公众。他指出，当前AI系统无论多么先进，都不具备真正的意识或情感，过度拟人化只会引发不必要的恐慌和伦理争议。他呼吁行业更负责任地沟通AI的能力与局限。 ## 微软与OpenAI关系重构 谈及微软与OpenAI的合作，苏莱曼透露双方已在去年10月签署新合同，标志着关系进入新阶段。他承认过去18个月双方经历了一段调整期，但最终达成了更清晰的合作框架。微软AI团队如今不仅整合消费者产品，更直接参与前沿模型训练，苏莱曼本人也转向基础模型研发。 ## 应对公众负面情绪 面对当前AI领域普遍存在的公众质疑和政治阻力，苏莱曼认为行业需更透明地展示AI的实际价值。他指出，消费者产品尚未足够优秀以扭转负面印象，微软正致力于打造真正有用、可靠的AI体验，从生产力工具到日常助手，逐步重建信任。 ## 从产品到基础模型：角色转变 自加入微软以来，苏莱曼的职责经历了重大调整：从最初负责消费者产品，到如今领导前沿模型训练。这一转变反映了微软AI战略的深化——不再仅将AI作为功能嵌入现有产品，而是从底层模型出发，构建更智能、更安全的AI系统。 苏莱曼的访谈传递了一个核心信息：AI技术正加速演进，但人类应保持冷静，聚焦于如何负责任地开发和部署这些工具，而非陷入恐惧或过度炒作。
OpenAI 正在筹备自 ChatGPT 发布以来最大规模的改版，计划将这款引发 AI 热潮的聊天机器人转型为集成了编程工具和 AI 代理（Agent）的“超级应用”。这一战略调整正值该公司为今年潜在的首次公开募股（IPO）寻找新的增长引擎之际。 ## 从聊天到行动的转变 据多位现任和前任员工透露，OpenAI 内部正在经历一场更广泛的组织重组，资源正从对话式 AI 向能够自主执行任务的 AI 代理倾斜。一位高级员工直言：“聊天已死。” 这表明 OpenAI 坚信 AI 的未来不在于回答问题，而在于帮用户完成实际任务。 ## 核心产品升级：Codex 走上前台 改版的核心之一是编程产品 **Codex** 将获得更高的优先级和资源。Codex 能根据简单指令编写代码和创建软件，被视为比聊天机器人更有商业价值的产品。与此同时，ChatGPT 的网站和移动应用将在未来几周内开始更新，引导用户更多地使用编程、图像生成以及外部合作伙伴的应用。 ## 战略意义与竞争格局 这一转变使 OpenAI 的战略与竞争对手 **Anthropic** 更加接近——后者专注于企业级 AI 产品，并因此实现了快速增长。OpenAI 希望将 ChatGPT 作为“入口”，将免费用户引导至高利润产品，从而提升整体营收。目前，ChatGPT 拥有近 10 亿用户，但大部分为免费用户。 在 IPO 前夕，OpenAI 面临巨大的盈利压力。此次改版不仅是为了提升收入，更是向投资者展示其商业潜力的关键举措。通过从聊天机器人转向 AI 代理和开发工具，OpenAI 试图在竞争激烈的 AI 市场中开辟新的增长路径。
## 一句话快讯 YC S22 成员 **Intuned** 正式发布其浏览器自动化平台，核心卖点是“用自然语言描述需求，AI 自动生成 Playwright 代码，并持续维护其稳定性”。 ## 核心功能亮点 Intuned 定位为“浏览器自动化的基础设施”，主要解决传统自动化脚本维护成本高、易被网站反爬机制拦截的痛点。其核心能力包括： - **Intuned Agent**：用户只需用自然语言描述任务（如“抓取某电商网站的商品价格”），Agent 会生成生产级的 **Playwright** 代码（支持 TypeScript 和 Python），并自动部署。当网站结构变化导致脚本失效时，Agent 会自动修复，无需人工干预。 - **内置反检测与认证**：提供**反检测、验证码自动破解、登录会话管理**等功能，减少被网站封禁的风险。 - **调度与监控**：支持定时任务、完整日志和会话录制，方便排查问题。 - **弹性伸缩**：从单机到数百台机器的自动扩展，用户只需控制并发数量。 ## 应用场景与竞争对手 Intuned 主要面向三类需求： 1. **数据抓取（Scrapers）**：从电商、政府门户、招聘网站等无 API 的站点提取数据。 2. **爬虫（Crawlers）**：大规模发现和采集页面内容，支持 Crawl4AI 等流行框架。 3. **RPA（机器人流程自动化）**：模拟用户操作，如表单提交、数据录入、账户操作等，尤其适合与无 API 的服务集成。 在 RPA 领域，Intuned 还支持 **Anthropic Computer Use、OpenAI CUA、Stagehand、Browser-use、Gemini Computer Use** 等 AI 驱动方案，允许用户混合使用传统代码和 AI 行为。 ## 行业背景与定位 浏览器自动化市场已存在多年，但传统方案（如 Selenium、Puppeteer）需要开发者手动维护选择器，网站改版即导致脚本失效。近年来，AI 生成代码和自适应修复成为新趋势。Intuned 的差异化在于： - **强调“代码的可靠性”**：所有自动化最终都编译为 Playwright 代码，用户可完全掌控代码逻辑，同时享受 AI 自动修复的便利。 - **一站式托管**：不仅生成代码，还提供部署、监控、伸缩、反检测等全套基础设施，降低运维负担。 ## 小结 Intuned 试图解决浏览器自动化“写代码易，维护难”的长期痛点。对于需要大规模、稳定抓取或 RPA 的团队，这种“AI 生成 + 自动运维”的模式可能大幅降低人力成本。不过，其实际效果取决于 AI 对网站变化的识别准确率和修复成功率，以及反检测策略的有效性。作为 YC 孵化的产品，Intuned 目前提供免费试用，感兴趣的用户可以亲自测试。
OpenAI 近期宣称改进了 ChatGPT 的记忆管理，但实际测试揭示了一个令人担忧的问题：记忆不仅记住了过时的假设、个人偏见，甚至包含错误细节，这些信息可能悄然扭曲未来的所有回答。 ## 记忆升级了什么？ 根据 OpenAI 的官方博客，ChatGPT 的记忆已从 2024 年简单的“事实列表”进化为一个复杂的系统，能够整合**整个聊天历史**、**显式指令**、**个人约束**，甚至从过往对话中**隐式推断偏好**。这意味着，你随口说的一句话，都可能成为 AI 对你的“刻板印象”。 ## 我的测试：记忆如何“跑偏” 作为 ZDNET 资深编辑，我进行了实际测试。结果显示，记忆中存在大量**过时假设**和**错误细节**。例如，我几个月前提到喜欢某本书，但那本书早已读完且观点改变，可 ChatGPT 仍基于旧记忆推荐相关书籍。更糟的是，记忆还会**错误地将用户“分类”**——比如我曾问过关于宠物的问题，就被标记为“宠物主人”，而实际上我只是帮朋友查询。 这些错误细节一旦写入记忆，就会像“毒药”一样渗透到每一次对话中。你问天气，它可能推荐宠物用品；你讨论工作，它可能误以为你仍是学生。 ## 关闭记忆就能解决吗？ OpenAI 提供了关闭记忆的选项，但测试发现：**关闭记忆并不能完全清除已有信息**。系统仍会保留部分上下文，导致“半失忆”状态——既没有完整的记忆辅助，又残留了错误细节，反而让回答更不可靠。 ## 行业启示：AI 记忆的双刃剑 从行业角度看，记忆功能是 AI 个性化的核心，但也是一把双刃剑。类似问题在 Google 的 Gemini 和 Anthropic 的 Claude 中也有体现，只是程度不同。**记忆的“污染”本质上是训练数据偏差的延伸**——一旦初始信息有误，后续推理就会“雪崩式”偏离。 ## 小结：用户需警惕 对于普通用户，建议**定期检查并清理记忆**，尤其是涉及个人偏好、身份等敏感信息。对于开发者，则需设计更透明的记忆机制，允许用户精确控制哪些信息被记住。 总之，ChatGPT 的记忆升级在提升便利性的同时，也带来了**信息扭曲的风险**。在 AI 越来越“了解你”的时代，保持对记忆内容的警觉，或许是保护回答质量的第一步。
科学家提出一项大胆方案：在月球永久阴影坑内安装超稳定激光器，为航天器提供前所未有的精确计时和导航能力。 ## 月球计时新思路 美国国家标准与技术研究院（NIST）的 **叶军（Jun Ye）** 团队在最新研究中提出，在月球南极的永久阴影陨石坑内放置超稳定激光谐振腔，利用其极低的温度波动（约 -230°C）实现比现有原子钟更稳定的频率参考。这些激光器可像“月球灯塔”一样，向地球和深空探测器发射高精度时间信号。 ## 技术原理与优势 传统原子钟依赖原子跃迁，而光学激光腔则通过固定腔长锁定激光频率，理论上可达到 **10⁻¹⁸ 量级** 的稳定度——相当于 300 亿年误差不超过 1 秒。月球表面缺乏大气、地震活动极弱，且阴影区常年低温，是维持腔体热稳定的理想环境。 ## 应用场景 - **深空导航**：目前火星探测器定位误差可达数公里，而基于月球激光的时间网络可将误差缩小至米级。 - **基础物理**：可用于检验广义相对论、暗物质模型等。 - **地球同步**：为未来月球基地提供本地高精度时钟，并支持地月通信同步。 ## 挑战与展望 方案仍需解决设备硬着陆、月尘防护及长期供电（阴影区依赖电池或核能）等问题。团队计划先在地面验证原型，再借助 NASA“阿尔忒弥斯”计划或商业月球着陆器进行试部署。 > 叶军表示：“这不仅是导航工具，更是人类在月球建立精密科学基础设施的第一步。”
本期《下载》专栏聚焦两大科技热点：一是2026年世界杯用球Trionda的空气动力学设计，二是OpenAI将ChatGPT打造为“超级应用”的计划。 ### ⚽ 世界杯足球：飞行更稳定，但可能飞不远 2026年世界杯将首次由美国、加拿大、墨西哥三国联合举办，参赛队伍也扩至48支。但球员们可能很快发现，新球Adidas Trionda的飞行特性与以往不同。 通过风洞实验，研究人员发现，Trionda的长距离射门飞行距离可能不如前代，但飞行轨迹更可预测。这一变化源于球面上的沟槽和接缝设计——它们改变了气流分离点，减少了不规则侧向力。对于球员而言，这意味着任意球和远射的弧线可能更易控制，但射门力量需要重新校准。从1950年代至今，世界杯用球经历了从皮革到合成材料、再到空气动力学优化的演进，每一次革新都影响着比赛节奏。 ### 🧠 OpenAI：ChatGPT向“超级应用”进化 据《金融时报》报道，OpenAI计划在首次公开募股（IPO）前，将ChatGPT升级为一款“超级应用”，整合编程工具和AI代理（agent）功能。这一战略早在2023年便有端倪，当时OpenAI开始测试插件和联网能力。 “超级应用”概念源自亚洲市场，如微信集成社交、支付、小程序等。OpenAI的目标是让ChatGPT成为一个平台，用户可以在其中完成从写代码、数据分析到自动化工作流的多种任务。此外，OpenAI还在开发一款全自动研究人员（fully automated researcher），可能进一步拓展AI在科研领域的应用边界。 这一动向与AI行业的“代理化”趋势吻合——各大公司都在构建能自主执行多步骤任务的AI系统。如果成功，ChatGPT将从聊天机器人转变为生产力中枢，对微软、谷歌等竞争对手构成直接挑战。 ### 📰 其他必读故事 - **特朗普政府拟入股AI公司**：总统计划与AI领袖会面，讨论政府持有AI企业股份的可行性，意在“与美国公众建立伙伴关系”。 - **谷歌向SpaceX支付300亿美元**：合同为期至2029年，每月约9.2亿美元，用于获取约11万块Nvidia GPU的AI计算能力。此前Anthropic也与SpaceX达成了数据中心协议。 - **AI推高通胀**：AI对能源和算力的巨大需求可能传导至物价。我们曾测算过AI的能源足迹，其环境影响不容忽视。 - **欧洲加速脱离美国科技巨头**：新分析显示，欧洲机构正大量转向替代供应商。欧盟上周发起“欧洲制造”行动，推动技术自主。 - **ICE计划向地方警察提供面部识别App**：该应用可验证移民身份，引发隐私担忧。 - **硅谷对印度科技人才吸引力下降**：特朗普移民政策与AI裁员潮双重压力下，人才流向正在改变。 本期内容既有世界杯的趣味科学，也有AI产业的战略博弈。欢迎订阅《下载》获取每日科技深度解读。
近年来，人工智能在天气和气候建模领域的应用日益广泛，但这是否意味着真正的革命？本文通过分析机器学习（ML）与传统方法的关系，揭示了AI在气象科学中的真实角色：它不是取代，而是辅助。 ## 从“Whata Bod”闹剧说起 今年早些时候，美国国家气象局的一个办公室在社交媒体上发布了一张预报图，图中出现了“Whata Bod”和“Orangeotild”等虚构的爱达荷州城市名。这并非实际预报模型出错，而是一张由AI生成的配图。这个插曲提醒我们：气象学家和气候科学家并未被大语言模型取代，真正发挥作用的是另一种AI——机器学习。 ## 机器学习：模式识别的利器 在气象和气候模型中，“AI”几乎特指**机器学习**。其核心思想是让计算机从数据中识别模式，从简单的线性回归到复杂的神经网络，机器学习能处理远超人工能力的复杂度。例如，通过训练一个神经网络，输入大量标注过的鸟类照片，模型可以学会区分不同物种。 然而，机器学习也有明显局限：它无法识别训练数据中未出现的类别，对于差异过大的子群体也可能失效。这些限制在气象和气候领域尤为关键。 ## 天气 vs. 气候：AI的不同角色 **天气预报**追求短期高精度，AI模型如华为的Pangu-Weather和Google的GraphCast，通过海量历史数据训练，能在几秒内做出与物理模型精度相当的预测。但它们的“黑箱”特性让科学家难以解释突发极端事件的成因。 **气候预测**则关注长期趋势，物理模型依然是基石。AI更多用于**加速参数化**——即用机器学习替代计算量巨大的物理子过程，或**降尺度**，从粗略的全球模型生成高分辨率的区域预测。 ## 辅助而非替代 当前，AI在气象气候领域的定位是**增强**而非**替代**。物理模型提供因果解释和可靠性，AI则带来速度和效率。两者结合，才能应对日益复杂的天气与气候挑战。 例如，欧洲中期天气预报中心（ECMWF）正在探索将AI输出作为物理模型的初始场，以提升预报准确率。而气候研究中，AI帮助科学家从海量模拟数据中提取极端事件信号，但最终结论仍需物理模型验证。 ## 小结 AI革命在气象气候领域确实存在，但它是一场**渐进式**的变革，而非颠覆。ML工具让科学家能处理更大规模的数据、更快地做出预测，但物理定律和因果模型仍不可替代。真正的突破，在于两者协同工作。
苹果年度开发者大会 WWDC 2026 将于 **6月8日** 拉开帷幕，除了例行的 iOS、macOS 等系统更新外，本届最受瞩目的看点无疑是 **Siri 的重大改版**。据彭博社 Mark Gurman 爆料，苹果将推出基于 Gemini 技术的新版 Siri，并可能带来独立的 Siri 应用、从灵动岛弹出的新聊天气泡，以及更强大的 AI 功能。 ## 大会时间与观看方式 WWDC 主题演讲定于 **6月8日下午1点（美国东部时间）/ 上午10点（太平洋时间）** 举行，全程约2小时。观众可通过 **苹果官网** 或 **YouTube 官方频道** 免费观看直播。 ## iOS 与系统更新亮点 按照惯例，苹果将发布下一代 iOS、iPadOS、macOS、watchOS、tvOS 和 visionOS。今年值得关注的新特性包括： - **iOS 支持 Google Cast**，方便跨设备投屏； - **Wallet 和 Messages 应用** 新增账单分摊功能； - **macOS 的 Liquid Glass 界面** 微调及性能优化。 ## Siri 改版：从底层到交互的全面重构 这是苹果近年来最重大的 AI 战略调整。据 Gurman 消息，新版 Siri 将 **深度集成 Gemini 模型**，提升自然语言理解与任务执行能力。此外： - **独立 Siri 应用**：用户可在一个专属界面中管理对话与设置； - **灵动岛气泡**：Siri 交互将直接从灵动岛弹出，减少对当前操作的打断； - **视觉智能模式**：iOS 相机应用将新增“Siri”模式，支持实时图像识别与分析。 ## 更多 AI 功能落地 苹果正加速将 AI 能力渗透到全系统： - **AI 壁纸生成**：用户可自定义生成个性化壁纸； - **Apple Health AI**：新增健康数据分析与建议功能； - **Image Playground 改版**：引入更强大的图像生成与编辑能力； - **第三方 AI 模型选择**：用户可在设置中指定默认 AI 助手，如 OpenAI 的 ChatGPT。 ## 小结 WWDC 2026 不仅是开发者的技术盛宴，更是苹果在 AI 赛道上 **追赶竞争对手的关键一役**。从 Siri 的 Gemini 化，到全系统 AI 功能的铺开，苹果正试图将“隐私优先”与“智能体验”更紧密地结合。对于消费者而言，今年的更新将显著改变日常使用 iPhone、Mac 的交互方式。 > 注：部分功能仍处于传闻阶段，最终细节以苹果官方发布为准。
一位瑞士品牌顾问 Lilian Schmidt 在女儿睡眠问题上求助无果后，意外发现 ChatGPT 的建议——睡前跳蹦床或嚼口香糖——竟让女儿五分钟内安然入睡。从此，她成为 AI 布道者，制作了定制 GPT“共同父母（Coparent）”，并以 37 美元出售访问权限。她的 TikTok 视频“我把 ChatGPT 变成了我的共同父母”病毒式传播，三周内涨粉 2.7 万。 Schmidt 只是新兴“AI 妈妈网红”群体的一员。与传统晒精致育儿照的博主不同，她们直接质疑：这些家务劳动真的有必要吗？她们发布“AI 助手就是我的妈妈大脑”“妈妈如何用 AI”等视频，兜售定制提示词和手册，承诺“一个永远不会忘记防晒霜、也从不让你写清单的共同父母”。 值得注意的是，Schmidt 的视频中几乎不见其长期伴侣的身影——她独自承担了备餐、购物、手工等所有育儿劳动。这反映了现实：美国劳工部 2022 年调查显示，在职母亲每周额外花 13.5 小时做家务和照顾孩子。AI 被包装成填补“父亲缺席”的工具，但背后是性别不平等的深层问题。 ## 从“完美妈妈”到“AI 妈妈” 传统 momfluencer 通过精美照片美化育儿的琐碎，而 AI 网红则宣称“不必做了”。她们使用“外包”“卸载”等商业用语，将 AI 定位为高效、无怨言的合伙人。但这种叙事可能进一步固化“母亲是主要照料者”的刻板印象——父亲的角色被技术替代，而非被鼓励分担。 ## 风险与争议 - **数据隐私**：家庭对话、孩子习惯等信息被输入 AI 模型。 - **育儿建议可靠性**：AI 可能给出不恰当的指导，尤其对婴幼儿。 - **情感替代**：用 AI 代替伴侣的沟通与协作，可能加剧家庭关系疏离。 专家指出，AI 可以成为辅助工具，但不应成为逃避性别平等讨论的借口。当科技被包装成“完美共同父母”，真正需要改变的是家庭分工的文化与政策。