## 背景：自由对话的代价 当前基于大语言模型的多智能体系统（MAS）通常围绕角色、流水线和轮次调度来组织，但智能体之间传递的消息往往被设计为无约束的自然语言。这种自由形式的通信虽然灵活，却会迅速膨胀Token用量，挤占共享上下文窗口，最终影响系统性能和推理成本。 ## 研究洞察：没有万能策略，但“动作中心”是关键 来自研究团队的最新论文（arXiv:2606.05304）系统分析了五种常见智能体间通信策略，并在两种典型MAS拓扑结构下进行测试。结果发现：**没有任何一种固定策略在所有场景下都最优**。但有效的跨智能体消息始终保留了下游智能体所需的**动作中心信息**——即智能体执行了什么动作、产生了什么状态变化。 ## PACT协议：将通信转化为公共状态更新 基于这一洞察，研究者提出 **PACT（Protocolized Action-state Communication and Transmission）** 协议。PACT将智能体间通信视为一个**公共状态更新问题**：每个智能体的原始输出在被写入共享历史之前，先被投影为一个紧凑的“动作-状态”记录。这种结构化表示去除了冗余的自然语言描述，只保留最关键的决策信息。 ## 性能与成本的双赢 实验表明，在不同MAS拓扑下，PACT一致地改善了性能-成本权衡： - 在**同等或更强任务表现**下，Token消耗大幅减少。 - 在代码开发工具 **OpenHands** 中，PACT使问题解决率提升，同时每个解决任务消耗的Token减少10%。 - 在 **SWE-agent** 上，PACT在保持解决率不变的情况下，将输入Token用量减半。 ## 意义与展望 PACT的核心贡献在于揭示了多智能体通信中“说什么”比“怎么说”更重要。通过将通信内容从自由文本约束为动作-状态记录，系统既能保留关键语义，又能显著降低推理成本。这为构建大规模、高效的多智能体协作系统提供了实用设计原则。论文代码已开源，为后续研究奠定了基础。
AI智能体正越来越多地被部署到需要持续数分钟、数小时甚至更长的任务中。然而，当前智能体的默认行为模式是“持续行动”——不断调用工具、刷新页面、搜索替代方案或强行推进进程。对于许多长时间运行的任务，这种策略并不合适，更好的方法是“持续关注”：智能体应监控环境，在外部事件使进展成为可能时及时响应，而不是在等待中浪费资源。 为衡量这类任务上的进展，微软研究院联合多位学者推出了 **SentinelBench**，一个面向时间演化监控任务的开源基准测试。该基准包含 **100个任务**，覆盖 **10个合成网络环境**，包括电子邮件、日历、金融、专业社交和娱乐等场景。每个环境都提供实时网页界面，并回放一系列脚本化的事件序列，要求智能体在页面状态动态变化时进行导航和推理。 SentinelBench 不仅衡量任务完成情况，还评估 **反应时间** 和 **资源消耗**，揭示了响应速度与成本之间的权衡。研究团队在三种模型和两个浏览器智能体框架上进行了测试，建立了性能基线，并展示了智能体设计选择如何显著影响关键指标。结果表明，SentinelBench 能够有效区分不同智能体行为之间的实质性差异。 ### 为什么需要“监控型”智能体？ 当前大多数 AI 智能体框架都基于“行动-观察”循环：智能体不断执行动作，直到任务完成。但在许多真实场景中，任务进展取决于外部事件——例如等待邮件回复、文件审批完成或系统状态变更。持续行动不仅浪费计算资源，还可能导致错误决策。SentinelBench 提出的“监控型智能体”模式，强调在事件发生前保持静默，只在必要时介入，更符合人类操作员的工作方式。 ### 基准设计亮点 - **动态环境**：每个环境模拟真实网页应用，事件按脚本触发，智能体必须实时感知变化。 - **多维度评估**：除了成功率，还记录反应时间（从事件发生到智能体响应）和 API 调用次数等资源消耗指标。 - **开源可复现**：全部代码和场景已开源，便于社区扩展和对比。 ### 初步实验结果 论文报告了 GPT-4o、Claude 3.5 Sonnet 等模型在不同框架下的表现。结果显示，当前主流智能体在监控任务上普遍表现不佳——它们倾向于过早行动或过度刷新，导致反应时间慢且成本高昂。SentinelBench 为优化智能体的“等待与响应”策略提供了量化依据。 ### 未来方向 随着 AI 智能体从一次性任务转向持续性工作流，监控能力将成为核心能力之一。SentinelBench 填补了这一领域的评估空白，有望推动更高效、更经济的长时间运行智能体设计。
## 梗图理解的新挑战：知识不能“过时” 互联网上的多模态梗图（meme）往往依赖最新的背景知识才能被准确理解。例如，一个以近期热点事件为素材的梗图，如果模型只知道2023年以前的信息，就可能完全无法解读其幽默或讽刺含义。然而，现有方法要么完全忽略这种外部知识，要么依赖预训练模型中固定的参数化知识——这些知识可能不完整、已过时，或者对于新出现的梗图而言根本不存在。 ## QRC：零样本框架，让模型学会“查资料” 针对这一痛点，来自新加坡科技设计大学（SUTD）的研究团队提出了 **Query Retrieve Conclude（QRC）** 框架。这是一个零样本（zero-shot）方法，无需针对特定任务进行微调，而是模拟人类理解梗图时的思维过程： 1. **Query（查询）**：识别梗图中缺失的关键背景知识； 2. **Retrieve（检索）**：从开放网络（如搜索引擎）中获取相关证据； 3. **Conclude（总结）**：将检索到的证据综合成结构化的背景知识，辅助后续理解与检测。 ## 性能提升：知识恢复与下游任务双受益 研究团队还构建了一个专门的梗图理解基准，包含2024至2026年间的新梗图及其外部背景知识标注。在三个梗图理解数据集和五个梗图检测任务上的实验表明，QRC框架在**知识恢复**、**梗图理解**和**下游检测**方面均优于现有的零样本基线方法。这意味着，模型不仅能“看懂”老梗，也能实时掌握网络上的新梗。 ## 行业意义：AI需要“联网”学习 这一工作对AI行业具有重要启示：当前主流的大语言模型和视觉-语言模型大多依赖静态训练数据，在面对快速变化的文化语境时显得力不从心。QRC框架证明了**动态知识获取**的可行性——让模型像人类一样，遇到不理解的内容时主动搜索、学习。未来，这种“开放世界知识获取”能力可能成为AI系统的基础模块，广泛用于社交媒体分析、内容审核、舆情监测等场景。 ## 小结 - **问题**：梗图理解需要最新背景知识，现有模型无法适应动态变化。 - **方法**：QRC（Query Retrieve Conclude）零样本框架，通过识别、检索、总结三步获取开放世界知识。 - **成果**：在多个数据集上显著提升知识恢复与梗图理解性能。 - **展望**：为AI系统提供“联网学习”能力，有望应用于更广泛的文化理解任务。
时间序列基础模型（TSFM）在零样本预测中常因“上下文中毒”问题而性能受损——结构异常的补丁会不成比例地吸引模型注意力，悄无声息地降低预测质量。针对这一痛点，最新研究提出了一种仅在推理阶段运行的轻量级框架 **GITCO**（Gated Inference-Time Context Optimization），无需更新模型参数即可提升预测精度。 ## 问题背景：TSFM 的“上下文中毒” 主流的 TSFM 通常采用基于补丁（patch）的架构，将时间序列分割成多个小段输入模型。然而，当序列中存在异常模式（如突发噪声、缺失值或剧烈波动）时，这些异常补丁会“劫持”注意力机制，导致模型对正常模式的捕捉能力下降。这种 **上下文中毒** 效应在零样本场景下尤为致命，因为模型无法通过微调来适应新数据的分布特征。 ## GITCO 框架：Gate、Router 与 Critic 协同 GITCO 的核心思想是在不修改模型权重的前提下，通过优化输入上下文来提升预测精度。框架由三个轻量级组件构成： - **Gate**：负责判断每个补丁是否可能有害； - **Router**：决定哪些补丁需要被抑制或替换； - **Critic**：评估整体上下文质量，并反馈调节门控策略。 三者形成一个闭环，在推理时动态筛选出有害补丁并将其从输入中移除或削弱，从而净化上下文。由于 GITCO 不依赖梯度更新，因此计算开销极低，适合部署在资源受限的环境中。 ## 实验结果：稳定提升，逼近理论上限 研究团队在 **TimesFM 2.5** 模型上进行了全面测试，覆盖 **53 个 GIFT-Eval 数据集** 并采用 K 折交叉验证。结果显示，GITCO 平均降低了 **1.95% 的 MASE**（平均绝对缩放误差），同时捕获了 **89.9% 的理论改进上限**。这意味着 GITCO 几乎实现了在不修改模型情况下能获得的最大收益。 ## 新概念：上下文敏感度剖面 论文还引入了一个新的理论概念——**上下文敏感度剖面**（Context Sensitivity Profiles），用于刻画 TSFM 对推理时上下文干预的响应规律。该剖面由模型架构与数据统计结构共同塑造，为理解不同模型在不同数据上的行为提供了统一分析框架。 ## 行业意义 GITCO 的出现为时间序列预测领域提供了一种“即插即用”的优化方案。在金融、气象、能源等对实时预测要求极高的场景中，用户无需重新训练或微调模型，只需在推理前添加一个轻量级上下文优化模块，即可显著提升零样本预测的可靠性。此外，上下文敏感度剖面的提出也为模型诊断和数据集选择提供了理论指导。 目前该论文已被 **ICML 2026 Workshop on Foundation Models for Structured Data** 接收。
## 从“能用”到“可靠”：循环工厂如何用AI预测再制造部件的剩余寿命？ 随着循环经济理念的深入，越来越多的产品在生命周期结束后被回收，重新进入生产流程。然而，这些返回产品的退化状态、使用历史和剩余能力千差万别，给再制造决策带来了巨大挑战。仅仅依靠当前的外观检查或简单测试，无法判断它们在下一个使用场景中能否可靠地履行功能。 近日，一篇发表在arXiv上的论文提出了一种结合**不确定性感知的功能预测**与**组件级疲劳评估**的综合框架，为循环工厂中的产品重用决策提供了更科学的依据。该研究以**角磨机**为案例，展示了如何利用AI和工程力学方法，对再制造部件的未来行为进行精准预测。 ### 现有方法的局限 传统的预测与健康管理（PHM）方法虽然支持退化预测，但通常针对固定运行条件或孤立组件，难以处理循环工厂中多样化的使用历史。而材料疲劳评估往往停留在组件层面，很少与系统级的功能预测相结合。这导致再制造决策缺乏对部件未来可靠性的量化理解。 ### 创新框架：融合AI与力学模型 该研究提出的框架将当前工具状态与近期力-扭矩使用窗口相结合，通过两个并行分支实现全面评估： - **功能预测分支**：使用卷积编码器提取主轴力和轴扭矩的载荷模式，并通过**LSTM**骨干网络预测九个功能变量的高斯均值和方差估计，从而量化预测的不确定性。 - **材料疲劳评估分支**：将同样的载荷历史转化为输出轴的疲劳信息，包括有限元支持的应力重构、基于S-N曲线和Miner线性累积损伤（含Haibach修正）的损伤评估，以及Paris公式裂纹扩展分析。 最终，通过**流式重放算法**将两个分支的结果综合为功能、材料和系统可靠性轨迹，实现从“当前状态”到“未来可靠性”的动态推断。 ### 实验结果：精度与洞察 在留出测试中，该模型在**2%容差精度**下达到了**0.9652**的平均准确率。具体来看： - **热变量**预测近乎完美，而**驱动电机电流**和**负载速度**是最具挑战性的动态输出，其决定系数（R²）分别为**0.9750**和**0.9924**。 - **扭矩历史**对这两个变量的预测尤为重要，表明载荷数据是功能预测的关键输入。 - 在短历史序列设置下，传统**LSTM**的表现优于GRU和xLSTM，显示出对时间序列建模的稳健性。 - 可靠性校准在驱动电机电流上信息量最大，预测的超出概率与观测值高度一致，为再制造决策提供了量化依据。 ### 行业意义 这项研究为循环工厂的“检测-决策”环节提供了更可靠的工具。通过将AI驱动的功能预测与经典的疲劳力学分析相结合，企业可以更科学地判断：哪些返回部件可以直接重用？哪些需要维修？哪些应该报废？这不仅降低了因过早报废造成的资源浪费，也避免了因低估风险导致的产品故障。 未来，随着更多类型产品数据的积累，这种不确定性感知的预测框架有望成为循环制造智能决策的核心组件，真正推动“从摇篮到摇篮”的闭环经济落地。
近日，一项发表于arXiv的研究提出了一种兼具可解释性与可信度的AI框架，用于大规模纵向分析膝骨关节炎（OA）的结构异常与疼痛之间的关系。该研究利用骨关节炎倡议（OAI）数据，结合深度学习与统计建模，为OA的精准评估提供了新思路。 ## 研究方法 研究团队首先开发了一个深度学习模型，直接从膝关节MRI中预测MOAKS（MRI骨关节炎膝关节评分）特征。为提高预测的可靠性，模型引入了保形预测（conformal prediction）技术，为每次预测提供不确定性量化，从而只保留高置信度的结果。随后，研究者采用纵向潜类别混合模型（LCMM），分析关键结构异常与四种互补的膝关节疼痛测量指标之间的关联。 ## 关键结果 在三种MRI定义的异常——骨髓病变（BML）、软骨缺失（CART）和半月板挤压（ME）中，该框架显著提升了预测性能。例如，马修斯相关系数（MCC）从0.69提升至0.91（BML），从0.45提升至0.80（CART），从0.59提升至0.89（ME）。借助这些高置信度预测，研究将样本量扩大至2175个膝关节，用于LCMM分析。研究识别出两种不同的疼痛轨迹：快速进展组和稳定进展组。在快速进展组中，各结构异常的比值比（OR）分别为：BML 1.62（95% CI: 1.12-2.35），CART缺失1.83（95% CI: 1.24-2.70），ME 2.50（95% CI: 1.75-3.57）。 ## 行业意义 这一框架的价值在于： - **可信度提升**：通过不确定性量化过滤低质量预测，使AI输出更可靠。 - **可解释性**：结合统计模型揭示结构异常与疼痛的量化关联，而非仅提供黑箱预测。 - **规模化能力**：利用深度学习自动评分，将传统需人工标注的大量影像数据转化为可用于统计分析的高质量特征。 该研究为OA的早期干预和个性化治疗提供了循证依据，同时也为其他医学影像领域的AI应用树立了“可信AI”的范例。
OpenAI 近日宣布推出 **“锁定模式”**（Lockdown Mode），这是一项可选的高级安全设置，旨在限制 OpenAI 产品中能够连接网络或外部服务的工具和功能，从而降低因 **提示注入攻击** 导致数据泄露的风险。该功能已向符合条件的个人账户（包括免费、Go、Plus、Pro 用户）以及自助式 ChatGPT 商业账户逐步推送。 ## 什么是锁定模式？ 锁定模式的核心思路是 **限制出站网络请求**，阻止攻击者通过提示注入将敏感数据外传。它并非面向所有用户，而是专为处理敏感数据的个人和组织设计，这些用户对数据泄露风险有更高的防护需求。 ## 工作原理：多层防御中的最后一环 提示注入是 AI 领域一个前沿且棘手的安全挑战。OpenAI 表示，他们持续在多层面加固安全系统，包括模型层、产品层和系统层。锁定模式在此基础上，通过 **沙箱隔离**、**基于 URL 的数据外泄防护**、**监控与执行机制**，以及 **基于角色的访问控制和审计日志** 等企业级控制手段，构成多层防御。 锁定模式的重点在于 **阻断数据泄露的最终阶段**——即限制出站网络请求，防止敏感数据被传输给攻击者。但需要注意的是，锁定模式 **并不能阻止提示注入本身** 出现在 ChatGPT 处理的内容中（例如缓存的网页内容或上传的文件里），也无法完全消除注入对模型行为或响应准确性的影响。 ## 锁定模式下哪些功能会受影响？ 启用锁定模式后，以下功能将被禁用或受限： - **实时网页浏览**：仅能访问缓存内容，搜索结果可能受限、不可用或已过时。 - **图像支持**：ChatGPT 可能无法在常规回复中显示图像或从网络获取图像。用户仍可上传图片文件，图像生成功能（如 DALL·E）保持不变。 - **深度研究**（Deep Research）：该功能被完全禁用。 ## 适用场景与可用性 锁定模式适用于所有账户类型和工作区，用户必须登录后才能使用。目前该功能正在逐步推送中，若在设置中未看到该选项，说明账户可能暂未获得权限。 对于企业用户而言，锁定模式可以与现有的角色权限、审计日志等企业级控制结合，构建更严格的安全策略。但对于普通用户，由于会牺牲部分便利性，OpenAI 并不建议默认开启。 ## 行业视角 提示注入攻击已成为大语言模型应用中最受关注的安全威胁之一。此前，多家安全研究机构已展示过通过精心构造的提示，诱导模型输出内部数据或执行恶意操作的案例。OpenAI 此次推出锁定模式，可以视作对这类攻击的 **针对性防御措施**，同时也反映了 AI 安全从“模型安全”向“产品安全”延伸的趋势——不仅要在模型层面抵御注入，还要在系统层面阻断数据泄露通道。 当然，锁定模式并非万能。它无法消除注入本身，也无法覆盖所有潜在的攻击路径（例如通过文件上传间接泄露数据）。对于需要极致安全的环境，仍需结合其他安全措施，如数据脱敏、输入过滤和严格的访问控制。
## 核心亮点：一个真正“长记性”的开源AI代理 **Hermes Agent** 由 Nous Research 团队推出，采用 MIT 许可证，是一款**完全自托管**的开源AI代理。它并非简单的聊天机器人或副驾驶，而是一个**拥有持久记忆、能自动创建技能、并跨平台工作的自主代理**。 ## 持久记忆：不再每次“重新认识” 传统AI对话往往缺乏上下文连续性，每次交互都是一次“失忆”重启。Hermes Agent 的核心创新在于**持久记忆**：它能记住用户的偏好、项目进展和环境配置，跨会话保持上下文。使用时间越长，它对用户的了解越深入，无需重复解释背景信息。 ## 自动技能创建：解决问题后“留一手” 当代理解决一个复杂问题后，它会自动编写一份**可复用的技能文档**，将解决过程固化下来。这些技能可搜索、可分享，并兼容开放的 `agentskills.io` 标准。这意味着代理的能力会随着使用不断自我扩展，形成“越用越聪明”的正循环。 ## 多平台网关：一个代理，无处不在 Hermes Agent 支持通过单一网关连接 **Telegram、Discord、Slack、WhatsApp、Signal 和 CLI** 等多个平台。你可以在 Telegram 上开始对话，然后在终端中继续。它还支持语音备忘录转录和跨平台延续，真正实现无缝切换。 ## 内置自动化与并行子代理 - **定时任务**：内置 cron 调度器，可设置每日报告、夜间备份、每周审计等无人值守任务，并推送到任意平台。 - **并行子代理**：可生成隔离的子代理并行处理工作流，每个子代理拥有独立的对话和终端，通过 RPC 实现零上下文开销的协作。 ## 强大的浏览器与网页控制 代理具备**完整的浏览器自动化能力**：网页搜索、页面内容提取、导航、点击、输入、截图，以及视觉分析、图像生成、文本转语音和多模型推理。 ## 多样的执行环境与LLM支持 Hermes Agent 支持多种执行环境：本地终端、Docker 容器、SSH 远程服务器、Modal/Singularity 云和 HPC。LLM 方面，原生集成 Nous Portal OAuth、OpenRouter（200+模型）、自定义 OpenAI 兼容 API 以及本地 vLLM。 ## 现状与展望 目前项目已在 GitHub 开源（MIT 许可），在 Hacker News 上获得 51 分和 41 条评论，社区关注度较高。对于希望拥有**私有化、可成长、跨平台AI助手**的开发者而言，Hermes Agent 提供了一个极具吸引力的选择。不过，作为开源项目，其稳定性和功能完善度仍有待社区验证。
**TechCrunch Disrupt 2026** 的旗舰创业竞赛 **Startup Battlefield 200** 申请窗口即将关闭。官方宣布，申请截止时间为 **6月8日晚上11:59（太平洋时间）**，仅剩3天。 该竞赛面向早期初创公司，入选者将有机会在10月于旧金山Moscone West举办的Disrupt舞台上进行现场路演，直面顶级投资人、媒体和全球创业生态。最终胜出者将获得 **10万美元无股权稀释奖金**，而所有入选公司均能获得曝光、潜在客户和融资机会。 ### 历史成绩与影响力 Startup Battlefield 校友企业累计融资超过 **320亿美元**，实现 **250+次退出**，被微软、谷歌、Salesforce、Uber、亚马逊等巨头收购。知名校友包括 **Dropbox、Discord、Mint、Fitbit、Trello** 等。 ### 为什么创始人争相申请？ 在融资竞争激烈的市场，脱颖而出至关重要。入选初创公司将获得： - 为期三天的免费展位 - 4张Disrupt参会通行证 - 在Disrupt活动应用中的品牌展示 - 媒体曝光与潜在客户线索 - 创始人专属大师课 - 在Disrupt舞台现场路演的机会 - 顶级VC的直接反馈 - 争夺10万美元无股权稀释奖金的机会 ### 谁应申请？ TechCrunch寻找拥有 **可工作的MVP** 且愿景能颠覆行业的早期初创公司。鼓励 **自筹资金、Pre-seed 和 Seed 阶段** 的公司申请。资本密集型领域的部分A轮公司也可能符合资格。 > 三天时间，一次机会。申请窗口将于6月8日关闭。
在SpaceX历史性IPO前一周，谷歌与SpaceX签署了一项巨额算力租赁协议。根据周五提交的监管文件，从2026年10月到2029年6月，谷歌将每月向SpaceX支付**9.2亿美元**，以获得约**11万块英伟达GPU**、CPU、内存及相关组件的访问权限。该协议在时长和规模上与5月底SpaceX与Anthropic达成的协议类似——后者每月支付**12.5亿美元**，租用SpaceX位于田纳西州孟菲斯的**Colossus 1**数据中心全部可用算力（该中心最初由xAI为自身AI项目建造）。谷歌此次租用的算力约为Anthropic获得的一半。SpaceX未透露谷歌具体使用哪个数据中心，CEO埃隆·马斯克此前曾暗示**Colossus 2**数据中心将留给xAI。 与Anthropic不同，谷歌本身就是全球最大的AI算力单一所有者之一。谷歌发言人表示，这笔交易是“短期、及时的协议”，旨在应对其AI产品——特别是**Gemini Enterprise**智能体平台——超出预期的需求激增。但母公司Alphabet正大幅增加资本支出：今年已承诺超过**1800亿美元**，并预计2027年将显著增长。为此，Alphabet近期宣布了**800亿美元**的股权融资。 协议包含解约条款：双方可在2026年12月31日后提前**90天**通知终止合同。谷歌的算力访问将从9月起逐步增加，初期享受折扣价。若SpaceX未能在2026年9月30日前交付承诺的GPU数量，经一个月宽限期后，谷歌可立即终止协议或接受已交付的GPU。 这笔交易凸显了AI算力市场的激烈竞争。尽管谷歌拥有庞大的自有算力，但面对生成式AI需求的爆发式增长，仍需借助外部资源填补短期缺口。而SpaceX正通过出租xAI建设的算力基础设施，在IPO前获得稳定现金流。
Android Auto 远不止导航和音乐。以下是你上路前必备的应用，它们能帮你省钱、省时，让驾驶更轻松。 ## 实时天气雷达：MyRadar 公路旅行最怕遇到恶劣天气。**MyRadar** 提供实时雷达信息，让你清晰看到风暴的位置和移动方向，从而决定是继续前行还是暂停休息。相比普通天气应用，它的可视化雷达图更直观，尤其适合长途驾驶中快速判断前方路况。 ## 智能加油助手：Fuelio 燃油费用是长途旅行的大头。**Fuelio** 不仅能记录油耗和里程，还能显示附近加油站的位置和实时油价，帮你找到最划算的加油点。此外，它还支持车辆保养日志功能，让日常用车管理也更方便。 ## 实时应急通讯：Scanner Radio 遇到不明原因的堵车？**Scanner Radio** 让你接入本地警察、消防和紧急服务的实时调度频道，直接了解前方事故详情，从而决定是否改道。对于经常跑长途的用户来说，这比单纯依赖导航的拥堵提示更及时、更准确。 ## 额外推荐：非 Android Auto 但值得下载 文章还提到一个与 Android Auto 不兼容但同样实用的应用，建议一并收藏。 这些应用将 Android Auto 的实用性从基础导航和娱乐扩展到了天气、加油、应急通讯等场景，真正让手机成为公路旅行的全能助手。
全球最大数据中心项目之一原计划面积接近曼哈顿的三倍，横跨犹他州多个地点。然而，Box Elder County的强烈反对迫使开发商在动工前将项目规模缩减一半。居民最担心的是Stratos数据中心项目会耗尽当地水资源，尤其是脆弱的**大盐湖**。许多居民支付15美元费用注册意见，以阻止将1900英亩英尺的水从牧场转移到超大规模数据中心。其他担忧包括电费上涨以及对空气质量、野生动物和土地的潜在风险。 风险投资家、"Shark Tank"投资者**Kevin O'Leary**是该项目背后的推手。他向当地ABC附属电视台承认，后悔没有从一开始就与州官员合作提高透明度。他表示：“我们真的搞砸了。” O'Leary称他原本预计公众会对这项重大投资感到兴奋，但“犯了巨大错误”，没有让公众更多参与讨论。他说：“我们惹怒了不少人，这不是我的做事风格。” 在居民保护资源的压力下，犹他州参议院议长**Stuart Adams**致信O'Leary，要求将项目规模削减75%。O'Leary在华盛顿特区的一场AI盛会上表示，他“别无选择”只能同意。最初计划在4万英亩土地上建设，现已缩减至约2万英亩，其中1万英亩保持未开发，实际开发面积仅为最初的四分之一。 O'Leary希望重建信任，并亲自负责项目沟通。他表示不喜欢“这样被打击”，并承诺未来会更透明地告知居民项目进展。
在过去的五个月里，一支工程团队进行了一项大胆的实验：**完全依靠 AI 代码生成工具 Codex（基于 GPT-5）构建并交付了一款软件产品，全程没有一行手写代码**。这个产品拥有内部日活用户和外部 alpha 测试者，能够正常发布、部署、出现问题并得到修复，但所有代码——包括应用逻辑、测试、CI 配置、文档、可观测性以及内部工具——均由 Codex 生成。团队估计，相比传统手写代码，开发时间缩短了约 **10 倍**。 这一实验的核心原则是：**人类负责引导，智能体负责执行**。团队刻意设定了“零手写代码”的约束，目的是探索当软件工程团队的主要任务不再是编写代码时，工作方式会发生怎样的根本性变化。 ## 从空仓库起步 实验始于 2025 年 8 月底的一个空 Git 仓库。第一个提交——包括仓库结构、CI 配置、格式化规则、包管理器设置和应用框架——全部由 Codex CLI 基于少量现有模板生成。甚至指导智能体如何工作的 `AGENTS.md` 文件本身也是由 Codex 编写的。从一开始，仓库就由智能体塑造，没有任何预先存在的手写代码作为锚点。 五个月后，仓库中包含了约 **100 万行代码**，涵盖应用逻辑、基础设施、工具、文档和内部开发者工具。在此期间，一个由 **3 名工程师** 组成的小团队驱动 Codex 完成了约 **1500 个 Pull Request** 的合并，平均每位工程师每天产出 3.5 个 PR。有趣的是，随着团队扩大到 7 人，吞吐量不降反升。 ## 关键经验：从写代码到设计环境 团队发现，当智能体负责代码实现时，人类工程师的核心技能发生了迁移： - **设计环境**：不再关注具体语法，而是定义清晰的目录结构、API 契约和测试框架，为智能体提供高效的“工作台”。 - **明确意图**：用自然语言精确描述需求，包括边界条件、性能目标和错误处理方式，而非逐行指定实现细节。 - **构建反馈回路**：通过自动化测试、代码审查和可观测性工具，让智能体快速获得执行结果的反馈，从而自我修正。 ## 挑战与教训 并非一切顺利。团队也遇到了不少挑战： - **调试成本转移**：当 Codex 生成的代码出现 bug 时，调试往往比手写代码更困难，因为需要理解 AI 的“思路”。团队不得不投入更多精力在日志和可观测性上。 - **一致性维护**：随着代码库膨胀，不同 PR 中 Codex 可能采用不同的实现风格，导致技术债务。团队通过严格的 `AGENTS.md` 和模板来约束。 - **人类注意力是稀缺资源**：虽然代码生成速度极快，但代码审查、设计决策和问题定位仍需人类深度参与。团队的核心瓶颈从“写代码”变成了“做决策”。 ## 对行业的启示 这个实验证明，**AI 智能体驱动的开发（Agent-Driven Development）** 已不再是概念，而是可以交付真实产品的可行模式。它重新定义了工程师的角色：从“代码生产者”转变为“系统设计师和智能体协调者”。 团队总结道：“我们最大的收获是，**人类的时间与注意力才是真正的稀缺资源**。智能体负责执行，但方向、质量和创造力依然由人类掌控。” 随着 Codex 和类似工具的持续进化，这种“人类引导、智能体执行”的开发范式可能会成为主流，大幅降低软件开发的边际成本，加速产品创新。
在AI融资机器不断打破自身纪录的同时，一些创始人正朝着相反的方向建设。Mirror创始人Brynn Putnam刚刚为**Board**融资，这是一家专注于通过线下游戏和社交体验将人们聚集在一起的初创公司。**Cyberdeck**创作者正在走红，他们制作出异想天开的DIY电脑，明确鼓励用户“接触草地”。与“无AI浏览器”群体不同，这不仅仅是感觉上的差异。 这些初创企业并非单纯反科技，而是试图在数字与物理世界之间找到平衡。Board通过组织桌游、谜题挑战等线下活动，重新定义社交互动。其核心理念是：面对面的游戏能带来更深层次的连接。而Cyberdeck则是一种极客式的反叛——用复古未来主义的外壳包裹现代硬件，设计上往往带有户外使用的提示，比如内置植物识别功能，引导用户走出家门。 这种现象背后是用户对“数字极简主义”的渴求。当AI试图占据我们每一刻注意力时，这些产品主动邀请用户断开连接。它们不否定技术价值，而是强调技术应服务于真实生活。 从行业角度看，这反映了风险投资风向的微妙变化。虽然AI仍是资本宠儿，但“反数字疲劳”赛道正吸引早期资金。Board的融资成功表明，投资者开始押注于能够促进线下社交的产品。同时，Cyberdeck的病毒式传播证明，小众硬件也能在社交媒体时代找到受众。 未来，这类“离网”初创企业可能面临规模化和变现挑战。但它们的出现提醒我们：最有价值的创新有时不是让你更沉迷屏幕，而是帮你找回屏幕之外的生活。
苹果年度全球开发者大会（WWDC）将于 6 月 8 日至 12 日回归，本次大会因可能带来 Apple Intelligence 的实质性进展、Siri 的 Gemini 赋能升级而备受关注。ZDNET 将从现场发回报道。 ## 大会基本信息 WWDC 2026 主题演讲将于 **6 月 8 日上午 10 点 PST（太平洋时间）** 举行，观众可通过 YouTube、苹果官网、Apple TV 及 Apple Developer 应用观看直播。 ## 软件仍是主角，硬件期待有限 作为开发者大会，WWDC 历来以软件更新为核心。虽然此前有传闻称苹果可能在研发 AI 眼镜，但根据彭博社 Mark Gurman 的消息，该产品已推迟至 2027 年。硬件大戏通常留到 9 月的苹果秋季发布会，因此本届 WWDC 的主角预计是 iOS 27、macOS 等操作系统以及 AI 相关功能。 ## Siri 的“翻身之战” 最受期待的莫过于 **Siri 的全面革新**。苹果已多次预告 Siri 将获得 AI 优先的重构，而此次可能借助与 **Google Gemini** 的合作实现质的飞跃。Gurman 的最新报告甚至包含 Bloomberg 制作的 Siri 新界面渲染图，暗示 Siri 将从“语音助手”进化为“智能代理”（agentic Siri），具备更强的上下文理解与任务执行能力。 ## Apple Intelligence 的正式落地 苹果在 AI 领域的步调相对保守，但 WWDC 可能是其 **Apple Intelligence** 战略全面铺开的起点。预计苹果将展示更多端侧 AI 能力，包括照片编辑、邮件智能回复、跨应用数据联动等。 ## 其他看点 - **iOS 27**：作为主力移动操作系统，预计会带来更多 AI 集成功能，如更智能的通知摘要、实时翻译增强等。 - **AirPods 蓝牙升级**：有传闻称 AirPods 将迎来蓝牙标准升级，可能带来无损音频或更稳定的连接。 - **CEO 交接**：这将是 Tim Cook 作为 CEO 主持的最后一届 WWDC，John Ternus 将于 9 月接任，大会或蕴含战略过渡信号。 ## 小结 WWDC 2026 被普遍视为苹果 AI 战略的关键节点。如果 Siri 与 Gemini 的合作落地，将标志着苹果在 AI 赛道上的重要追赶。ZDNET 将全程直播报道，敬请关注。
开发者大会季已全面铺开，而贯穿其中的一个主题是：大型科技公司坚信 AI 将彻底改变我们做一切事情的方式。本周，英伟达的黄仁勋将这一点表达得尤为清晰——他描述了一种全新的笔记本电脑使用方式，以及一种为支持这种方式而打造的全新笔记本电脑。这一切听起来很有趣，但也引出了我们围绕众多 AI 产品时都会遇到的同一个问题：真的有人需要这个吗？ 在最新一期《The Vergecast》节目中，Nilay 和 David 梳理了微软 Build 和谷歌 I/O 大会上发布的大量产品，包括 **Gemini Spark**、**Nvidia RTX Spark**，以及微软的 **Scout** 和 **Solara** 项目。AI 智能体无处不在，无所不能，但我们并不确定该如何看待这一切。我们是否真的需要彻底重新思考笔记本电脑的设计，仅仅为了让它们能运行 AI 模型？还是说，“更强的性能”就足以胜任？ 节目后半段还讨论了 Hype Desk、Brendan Carr 是个傻瓜、对 WWDC 的展望，以及一个非常愚蠢的 Meta 黑客事件。此外，《The Vergecast》已改为每日更新的播客，过去一周他们聊了发帖现状、英伟达的芯片野心、类固醇奥运会以及微软 Build。团队希望听到听众对新格式的反馈，欢迎拨打热线或发送邮件。
Fitbit Air 是一款售价 **100 美元** 的极简运动追踪器，它去掉了屏幕，只保留一个微型传感器模块，让你几乎忘记它的存在。然而，Google 为其打造的 AI 健康平台却显得过于啰嗦，让这款本应低调的设备变得有些喧宾夺主。 ## 硬件：极简到极致 Air 没有任何屏幕，仅有一个用于指示电量的 LED 灯。你可以通过双击来查看电量，这就是它所有的机载交互功能。振动马达仅用于闹钟提醒，无法同步手机通知——考虑到没有屏幕，这倒也合理。 随机附带的 Performance 表带采用涤纶纱线制成，搭配小魔术贴和金属环，耐用但容易吸汗。游泳或高强度运动时，建议更换售价 **35 美元** 的硅胶 Active 表带，它能更好地隐藏 Air 模块，运动感十足。不过，更贵的 Elevated 表带（50 美元）就显得性价比不高了。 ## AI 健康教练：用力过猛 Air 的核心卖点是 Google 的 AI 健康教练功能，但实际体验却有些尴尬。这个 AI 会频繁推送建议和提醒，例如“你今天走够了，可以休息了”或“你的睡眠质量下降了，建议早点上床”。对于只想安静记录数据的用户来说，这种“话痨”式交互反而成了一种打扰。 相比之下，Air 的传感器配置相当扎实：心率监测、血氧监测、睡眠追踪等一应俱全，数据准确性也值得信赖。但 AI 教练的过度介入，让这款本应“隐身”的设备变得存在感过强。 ## 市场定位：夹缝求生 在智能手表功能日益膨胀的今天，Fitbit Air 试图回归运动追踪器的初心——专注健康数据，摒弃冗余功能。但 AI 教练的加入却模糊了这一初衷。对于追求纯粹的用户，Air 的硬件很出色；但对于想要智能助手的人，它又不如智能手表全面。 总的来说，Fitbit Air 是一款硬件扎实但软件策略失当的产品。如果你能忍受 AI 的唠叨，它是一款不错的运动伴侣；否则，市面上还有很多更“安静”的选择。
又到了每周的机器人视频精选时间。本周的亮点来自 **DEEP Robotics**，他们展示了一台能够**在跑步状态下平稳下楼梯**的人形机器人。视频中，机器人以较快的速度接近楼梯，并在下台阶过程中保持动态平衡，动作流畅且未出现明显晃动或跌倒。 这一表现凸显了近年来人形机器人运动控制领域的显著进步。传统上，下楼梯对双足机器人是一项巨大挑战，因为需要精确的步态规划、实时姿态调整和地面反作用力控制。而DEEP Robotics的机器人似乎在**动态行走算法**和**足部传感反馈**方面取得了突破，使其能够应对楼梯这种非结构化地形。 值得注意的是，视频中机器人的“跑步”姿态——即双脚存在腾空期的运动模式——进一步增加了难度。这意味着控制系统必须在更短的支撑相内完成重心转移和落地缓冲。相比之下，许多现有机器人仍采用谨慎的静态步态下楼梯。 DEEP Robotics并非唯一在此领域发力的公司。波士顿动力的Atlas早已展示过后空翻和跑酷，而中国的宇树科技、小米等也在积极推进人形机器人运动能力。不过，DEEP Robotics的解决方案似乎更侧重于**实用性与鲁棒性**，而非极限表演。 从行业背景看，人形机器人正从实验室走向仓储、家庭服务等场景。能够稳健上下楼梯是进入人类居住环境的关键能力之一。DEEP Robotics的这项进展意味着未来人形机器人可能更快部署在需要多楼层移动的场合。 当然，视频仅为片段，尚不清楚机器人在更复杂楼梯（如螺旋梯、不同高度台阶）或意外扰动下的表现。但至少，这一演示让我们对双足机器人的运动边界有了新的认知。 更多精彩机器人视频，敬请关注IEEE Spectrum的“Video Friday”系列。
纽约州立法机构近日通过了一项为期一年的新大型数据中心建设禁令，这是全美首个州级层面的此类禁令，若民主党州长凯西·霍楚签署成法，将正式生效。推动该法案的议员表示，此举旨在为政策制定者争取时间，以充分了解大型数据中心对环境及能源价格的影响。 ## 禁令背景与核心内容 该禁令针对的是新建大型数据中心项目，暂定为期一年。纽约州作为全球金融与科技重镇，近年来数据中心需求激增，但随之而来的能源消耗与碳排放问题也引发担忧。立法者指出，数据中心作为高耗能设施，其电力需求已对当地电网造成压力，并可能推高居民与企业用电成本。此外，数据中心的冷却系统用水量及电子废弃物处理也构成环境挑战。 ## 行业影响与争议 这一禁令在科技行业引发激烈讨论。支持方认为，缺乏监管的数据中心扩张将加剧能源危机，且部分项目选址存在环境正义问题。反对者则警告，此举可能阻碍纽约州在人工智能、云计算等领域的竞争力，迫使企业迁往其他州或国家。目前，纽约州已有多家大型科技公司运营数据中心，包括谷歌、亚马逊和微软，这些企业的未来扩张计划可能受阻。 ## 后续立法进程 法案现已提交至州长办公室，霍楚需在10天内决定签署或否决。若签署，禁令将于2024年生效，期间州政府将成立专项工作组，研究数据中心的全生命周期影响，并制定长期监管框架。值得注意的是，该禁令不适用于已获批或在建项目，且小型数据中心可能获得豁免。 ## 全美监管风向标 纽约州的举措可能为其他州提供参照。弗吉尼亚州、俄勒冈州等地此前已出现针对数据中心的环保抗议，但尚未有州级禁令出台。联邦层面，美国能源部正在评估数据中心的能效标准，但短期内难以形成统一法规。纽约州的实验性政策，或将成为平衡技术发展与能源可持续性的关键试金石。
车机屏幕越来越大，但Android Auto依然是更智能、更易用的选择。以下是它的5个核心优势： ## 1. 应用生态更丰富 大多数车载系统应用有限，每个类别通常只有一个选项。而Android Auto支持多种音乐、导航、通讯应用，甚至还能使用**YouTube、天气、智能家居控制**和**日历**等扩展功能，让驾驶体验更个性化。 ## 2. 更新更频繁 车载系统往往停留在出厂版本，顶多获得小修小补。Android Auto通过手机持续更新，**新功能、新应用**不断加入，系统体验与时俱进，不会因为车辆老化而落后。 ## 3. 跨车辆切换更便捷 如果你经常换车开（比如租车、家庭共用），Android Auto只需插上手机就能快速调用你的设置、联系人、导航历史和音乐偏好，而车载系统需要重新配置，非常麻烦。 ## 4. 语音助手更智能 Android Auto集成Google Assistant，支持自然语言指令，比如“导航到最近的加油站”或“给张三发信息说我晚到10分钟”。大多数车载语音助手识别能力有限，功能单一。 ## 5. 导航体验更优 Android Auto支持Google Maps、Waze等实时更新地图，提供**实时路况、事故提醒**和**智能路线规划**。车载导航通常更新慢，甚至需要付费升级，且缺乏动态信息。 > **小结**：如果你的车没有原生Android Automotive系统，Android Auto是明显更优的选择。它通过手机提供持续更新、丰富应用和智能体验，让驾驶更安全、更便捷。