<![CDATA[数码讨论]]> <![CDATA[治理“AI污染”要防管结合]]>
　　所谓“AI投毒”，是向人工智能大模型的训练数据中，掺入伪装成正常样本的恶意数据或虚假信息，进而影响模型判断、操纵输出结果。“投毒者”可以批量制造虚假网页、新闻，让AI在抓取数据时一并“吞下”，在不知不觉中“学歪”，最终固化为针对特定问题的“标准答案”；也可以在模型中植入隐蔽的后门指令，一旦触发特定关键词就输出预设信息。

　　信任是链接人与人工智能的重要前提。对个人而言，这种“看不见的污染”轻则影响体验，重则误导决策。比如AI推荐购物，它可能引导你购买被包装出来的“爆款”；向AI咨询医疗建议，它可能引用虚假病例，给出危险的治疗方案……在医疗、金融等关键领域，这种风险尤其值得警惕。对产业而言，如果“数据不可信”成为普遍担忧，企业之间的合作意愿就会下降，行业的创新效率也会受到影响。

　　更深层的影响在于社会认知，随着人工智能深度融入公众日常生活，一旦模型给出的回答总是隐含歪曲事实的信息，便会潜移默化误导公众认知，放大偏见、制造混乱，甚至危及国家安全。

　　为什么“AI投毒”在今天变得如此容易？

　　首先，数据本身越来越复杂，大模型依赖对海量数据的学习训练，各种数据混杂在一起，很难做到完全可控可信，一旦缺乏严格的核查机制，就会给“投毒”留下空间；其次，“AI投毒”门槛较低，不法分子借助GEO（生成式引擎优化）工具，短时间内便能批量生成高权重虚假内容，成本极低、隐蔽性强；第三，数据作为一种新型生产要素，相应的标准体系、责任机制、监管手段等还在逐步完善，客观上增加了治理难度。

　　近年来，我国出台《生成式人工智能服务管理暂行办法》《人工智能安全治理框架》等规范，持续加强人工智能治理。不久前，中央网信办部署“清朗·整治AI应用乱象”专项行动，将“AI数据投毒”列为重点打击对象。

　　面对“AI投毒”，治理还要往深处走。AI运营者要建立更加严格的数据筛选、标注与审查机制，提升数据的可追溯性和可验证性；通过异常检测、对抗训练等手段，提高模型对异常数据的识别能力，让“掺杂”的数据更难混入。主管部门应加快规则体系建设，在制度层面上进行约束。比如，明确数据使用责任、建立违法行为惩戒机制、推动行业标准制定等。公众同样不是旁观者，面对AI的回答，多一分质疑、多一次核实，不主动传播未经查证的诱导性内容，发现异常及时反馈，主动呵护良好的人工智能生态。

　　还要看到，治理不仅是“防”，更是“促”。通过建设更加开放透明的数据生态，让优质数据更易获取，减少对不明来源数据的依赖，从源头压缩“投毒”空间，才是长久之计。

　　“AI投毒”现象提醒我们，在人工智能时代，数据是一种需要精心呵护的公共资源。治理“看不见的污染”，不仅是在填补技术漏洞，更是为人工智能发展夯实根基。数据更可信、规则更清晰、责任更明确，人工智能才能真正成为值得信赖的重要工具，为经济社会高质量发展创造更大价值。]]> <![CDATA[以数智技术赋能文化产业发展]]>
　　以科技赋能激发文化创新创造活力，是推动文化高质量发展的必然选择和关键路径。推动文化建设数智化赋能、信息化转型，可以系统性增强文化发展新动能，满足人民群众精神文化生活新期待。

　　当前，以人工智能为代表的新技术深度应用于文化领域，催生出众多体验式应用场景，进一步激发文化产业的业态创新。根据对全国8.2万家规模以上文化及相关产业企业（以下简称“文化企业”）的调查，2025年，文化企业实现营业收入152135亿元，按可比口径计算，比上年增长7.4%。其中，文化新业态特征较为明显的16个行业小类，包括数字出版、娱乐用智能无人飞行器制造、可穿戴智能文化设备制造等，实现营业收入68253亿元，比上年增长14.3%，快于全部规模以上文化企业6.9个百分点。可见，数字技术已从锦上添花的配角，转变为驱动文化产业变革的核心引擎，重塑着文化产业的生产逻辑与消费场景，为高质量发展注入强劲新动能。

　　本届文博会也全方位呈现了“文化+科技”深度融合的丰硕成果，聚焦文化产业数智化赋能与新质生产力培育，汇聚国内外高端文化产业资源与创新要素。文博会现场设有人工智能展区、AI未来科技展区和AI切磋大会市集展区，200余家AI头部企业和近百个AI新应用场景集中亮相，如在北京亦庄马拉松夺冠的机器人等多款机器人产品与AI眼镜、AI虚拟乐队、AI动漫咖啡贩售机等，让人眼前一亮。在不少展区，数字科技让古老文明焕发新光彩，为观众带来新场景、新体验。“遇见你的故宫色”裸眼3D项目中，观众用手轻触感应装置，设备通过分析脉搏与心率就能了解观众的实时情绪，并匹配对应的“故宫色”；“寻迹中国”文旅IP矩阵以“全域行浸式”剧场演绎地方文化故事，观众戴上VR眼镜便可“穿梭岁月，漫步盛唐”……我们看到，文化遗产不再只是陈列在展柜中的静默标本，而是成为可互动、可感知、可参与的活态文化资源。

　　以数智技术赋能文化产业发展，推动了文化创作、生产、传播、消费各环节的应用，充分发挥数字技术赋能文化领域治理作用，同时提升文化产品与服务的总体供给水平，实现文化产业提质增效、结构优化。故而，在培育新业态的过程中，须坚持以内容品质为生命线，全面提升文化产品的创新效率与思想内涵。例如，近年来，《黑神话：悟空》等精品游戏在全球掀起“中国热”，《哪吒之魔童闹海》等现象级动画使中华优秀传统文化蕴含的哲学思想、价值理念等精神内核转化为参与全球文明对话的软实力资源。唯有构建以人民为中心、以精品为导向的文化生产体系，方能使数智新业态既有市场活力，又有文化厚度。

　　未来，更要依托各地历史文脉、民俗非遗、文旅资源、产业基础等差异化禀赋，推动数字文化产业本地化、特色化、集群化发展。同时，应健全文化数据确权、交易、流转与保护机制，明确人工智能生成内容的版权归属与伦理边界，防范算法歧视、信息茧房、价值扭曲等风险，严厉打击盗版与数据滥用。以政策托底、以规范护航，推动文化产业在数智化浪潮中行稳致远。]]> <![CDATA[数字化赋能艺术教育评价改革]]>
更新艺术教育评价理念

　　数字化赋能艺术教育评价改革，并非简单的技术叠加，而是一场深刻的理念更新。

　　回归素养涵育。艺术教育以美育人、以文化人、涵养精神，承担着独特的育人使命，而非止步于技术操练。学生排演红色经典剧目，收获的不仅是艺术表现的精进，更收获了革命精神的熏陶；研习传统戏曲，传承的不仅是程式动作，更是对文化基因的赓续。当前，艺术教育评价体系改革与创新正在加速，将技术指标与道德情操、审美素养、文化认同有机融合，有助于引导艺术学习从技术操练升华为素养涵育。

　　强化过程诊断。评价若只聚焦舞台呈现的瞬间，过程的积累便难以进入视野；评价若只衡量个体技能的精进，协作中的默契便无从体现。许多艺术院校正积极探索过程性评价，通过数字手段实现学习过程的伴随式记录、成长档案的系统化留存，让思想品德、团队协作、文化理解等素养从“隐性”走向“显性”，推动评价从终结性考核转向发展性诊断。评价不再仅仅依赖于一次性的期末考核，而是伴随成长全过程的“指南针”。

　　注重数据支撑。教育部等九部门发布的《关于加快推进教育数字化的意见》提出，坚持数字赋能，推动教育理念、教学模式和教育治理整体性变革。借助大数据和人工智能，学生排练中的互动频次、协作中的角色变化乃至情感表达的细微差异，都可以被捕捉和呈现。但值得警惕的是，技术可以精确测量音准和节奏，却难以衡量学生内心的情感触动；可以记录行为轨迹，却无法替代师生之间的心灵共鸣。正确的做法是，让数据成为教师专业判断的有力辅助。经验与数据相互印证，评价才能更趋客观公正。

　　警惕技术异化风险。科技是发展的利器，也可能成为风险的源头。数字化评价如果设计不当，则可能把丰富多元的艺术体验再次简化为新的固化指标。算法公平如何保障？不同地域、资源条件不同的学生，会不会因技术门槛面临新的不公？过程数据的采集边界在哪里？这些问题没有现成答案，但有一条原则必须守住：技术始终是手段，育人才是目的。坚持人文主导、技术赋能，才能真正守住以美育人的初心。

优化艺术教育评价生态

　　《深化新时代教育评价改革总体方案》明确要求，“改进结果评价，强化过程评价，探索增值评价，健全综合评价”。艺术素养的养成是浸润式的长期过程，传统的评价模式下，过程评价往往因工作量巨大而流于形式，增值评价因数据缺失而难以落地。数字化技术的介入，有利于打破这一僵局。

　　强化过程评价，贯穿教学全流程。学生的成长蕴含在课堂、排练厅、舞台的反复练习与磨合之中。每一次顿悟、每一份默契、每一个理解的深化，都很难在一次期末考核中完整呈现。过程评价的深化，意味着评价模式从教师的主观评判，转变为师生共同分析诊断、协同改进的教学互动。可探索“定性锚定、定量深描”的协同方式：教师确立评价焦点与审美方向，智能系统提供量化分析与可视化呈现，教师结合数据验证或修正判断。这种协同让教师长期积累的经验判断，获得了可追溯、可共享的数据支撑。

　　探索增值评价，关注成长增量。学生的艺术天赋与基础教育经历各不相同，入学时的专业起点参差不齐。增值评价关注的是在原基础上的成长幅度，相对于“达到了什么水平”，更关注“进步了多少”，更能体现教育的价值与意义。借助大数据与人工智能技术，可建立审美参照基准、生成可视化成长报告，让学生清晰地看到自己的成长轨迹，使评价从“与他人比较”转向“与昨天的自己比较”。对于那些艺术教育资源相对薄弱的学生，增值评价尤其有意义，能够帮助他们摆脱“起跑线焦虑”，在适合自己的节奏中稳步前行。

　　健全综合评价，统合多维视角。一次成功的舞台呈现，涉及技术应用、文化理解、协同合作、情感传递等多个维度，任何单一指标都难以反映真实素养。面向未来的评价体系，正致力于打破简化思维，将技术完成度与艺术表现力、个体能力与团队贡献、舞台呈现与幕后付出、专业技能与人文素养，均纳入评价视野。这需要融合教师评价、同伴互评与自我评价，实现评价主体的多元化；打通课堂、排练、舞台、社会服务等多个场景，实现评价数据采集的全面化。各类评价结果汇聚起来，共同引导艺术教育从“窄化的技能”训练走向“整全的人”的培养。

丰富艺术教育评价方式

　　评价改革旨在引领艺术教育从技能到素养的根本性跨越。在数字时代，学生的艺术实践已不再局限于排练厅和舞台，他们在虚拟排练厅协作，用人工智能辅助编曲。评价体系要敏锐地回应这些新形态的艺术实践，将评价的触角从封闭的课堂延伸至开放多元的生活场景。

　　坚守文化根脉，为评价改革锚定价值导向。气韵、意境、风骨等中华传统美学内涵，长期难以纳入标准化评价体系，而数字技术有助于破解这一难题。如“数智编钟沉浸式虚拟演奏教学平台”依托动作捕捉、三维建模等技术，精准采集演奏力度、角度、音色等细节，生成可视化的“气韵图谱”，为美育教学与评价提供坚实技术支撑。借助数字技术，搭建可观测、可研讨、可优化的评价载体，推动评价从经验化模糊判断转向依托实测样本的精准研判。

　　聚焦素养导向，以数字化构建多元评价体系。依托人工智能与多维度数据分析技术，可构建起涵盖审美感知、文化理解与创新实践的多元评价模型。借助数字技术，将学生对作品历史文化语境的理解、对中华美学精神的把握、二度创作中的个性化表达等纳入评价范畴，引导青年一代在艺术实践中增强文化自觉、坚定文化自信。

　　立足普惠发展，以智能化支撑分类评价实施。高校艺术教育不仅要培养专业人才，更要提升全体学生的综合素质。借助智能推荐与自适应学习技术，可为不同专业背景、不同兴趣特长的学生提供个性化的评价标准与成长路径。数字化打破了“一把尺子量所有人”的局限，让每一位学生都能在适合自己的赛道上获得精准反馈与自信成长，助力实现美育的普惠与公平。

　　数字化赋能艺术教育评价改革，归根结底是为了让评价回归育人本位。通过这场深刻的变革，艺术教育必将更好地回归“以美育人”的初心，为社会主义文化强国建设贡献磅礴的美育力量。]]> <![CDATA[香港正大力推动人工智能发展]]> 新华社香港6月7日电(记者肖逸晨)香港特区政府财政司司长陈茂波7日发表网志表示，香港正大力推动人工智能(AI)发展，在赋能产业和提升经济竞争力的同时，更希望为市民带来感受得到的便利，并创造更多新的发展亮点。
陈茂波介绍，目前香港整体算力达5000PFlops，沙岭数据园区已进入建设阶段，预计到2032年可提供18万PFlops，相当于目前算力的36倍；“人工智能资助计划”至今已批出超过30个项目，涵盖大语言模型、医学大模型、具身智能等领域；香港人工智能研发院下半年正式运作；香港科技园和数码港已有近千家AI企业。通过官产学研投的合作，香港正吸引更多国际上从事AI的高端人才以香港为研发和交流基地，以及创业平台。
陈茂波说，今年财政预算案提出“AI+产业”和“全民AI培训”双轨并进的思路和策略。目前，“AI+与产业发展策略委员会”已经顺利组成，近期将召开首次会议。同时，已拨款5000万港元用于推行“全民AI培训”，计划在今明两个年度举办超过200场活动，预期总受惠人数约5万人次。
陈茂波表示，今年将拨款3亿港元推动优化版“数码转型支援先导计划”，重点扶持中小企业利用市场现成的AI及网络安全数码方案，协助其预测消费趋势、优化市场推广、推动日常运作自动化等。
]]> <![CDATA[想做一款缓解女性经期情绪问题的脑机"发箍"]]>
对许多女性而言，经期不只是一次生理周期的重复，更是一场身心双重的考验。腹痛、头痛、疲劳、焦虑、易怒……这些经前期综合征（PMS）带来的不适，严重时甚至会影响工作和生活。然而，目前主流的缓解方式仍然高度依赖止痛药，长期服药存在副作用风险，而物理热敷、休息调整固然能带来一定舒缓，却效果有限。
有没有一种更温和、无创的方式，能安全有效地缓解经期不适？这一市场痛点，吸引了一位生殖学博士跨界进入脑机接口领域，试图用科技为女性经期健康问题带来新的解题思路。
智子银河成立于2026年，专注于无创脑机接口等产品开发。智子银河总裁黄河龙博士毕业于中国科学技术大学，拥有多年生殖学学术积累，曾就职于云锋基金、建银国际等，也是一名连续创业者，具备10余年医疗科技领域的投融资经验。目前，智子银河技术团队近半数成员拥有博士学位，覆盖脑科学及认知神经等学科领域。
黄河龙提到，再次创业之所以选择布局脑机接口赛道，主要是基于行业前景、市场竞争格局、资源复用等因素的综合考量。首先，在政策层面，“脑机接口”不仅已被国家“十五五”规划中纳入六大未来产业之一，各地陆续设立脑机接口、脑科学专项基金；同时，国内多省都已设立脑机接口相关项目的政府指导价，为企业的临床应用及商业化提供关键支撑。
更重要的是，脑机接口在大众市场的认知度也已逐渐打开。“在马斯克、山姆·奥特曼等科技名人的带动下，脑机接口从严肃医疗场景走向大众消费市场的临界点已经到来。这也是我们选择非侵入式脑机接口技术路径、希望开发出更适合惠及大众的创新产品的初衷。”黄河龙表示。
在确定技术路径后，产品与场景选择变成为下一个关键环节。黄河龙介绍，结合团队以往的学术、从业经历，探索脑机接口应用于两性健康领域的潜在市场。而经期疼痛管理，正是团队选择的第一个应用场景，希望针对此开辟一条“脑机接口+消费级”的新路径。
其逻辑在于，人体存在一个“下丘脑-垂体-性腺轴（HPG轴）”生理结构，通过监测或调控该轴的活动，可结合脑机接口技术落地两性健康场景，如女性经期健康、产后抑郁，男性勃起功能障碍、早泄等。
“当前，这类问题的临床干预方式以激素类药物为主，往往存在个体差异大、潜在副作用（如情绪波动、长期用药依从性差等）等问题，缺乏非药物数字创新疗法，而市场对此类更安全、个性化的替代方案的需求已十分明确。”黄河龙介绍称。
基于这一判断，智子银河的首款产品选择从经前期综合征（PMS）这一女性经期健康场景切入。一项针对140个国家的23万名女性的调查称，八成以上的女性一生中至少出现过一次PMS症状。严重者甚至会出现抑郁、自杀倾向。
黄河龙解释，女性经期情绪波动与疼痛加剧的根源在于激素变化影响了脑部调控功能。具体而言，背外侧前额叶皮层（DLPFC）是大脑对情绪进行自上而下调控的核心区域，而初级运动皮层（M1）则参与疼痛信号的下行抑制通路。基于此，智子银河团队设计了一款智能发箍形态的产品UnaBand，精准靶向情绪与疼痛管理脑区。
据介绍，该产品融合了电、声、味三项均经过医学验证的技术：经颅电刺激在严肃医疗领域已有超过30年的应用历史，在特定参数下可用于辅助改善抑郁、疼痛、帕金森等症状；另有临床研究支持称，白噪音与粉噪音等声学干预具备缓解情绪与减轻疼痛的作用，而特定香氛可在一定程度上降低焦虑与烦躁。三者从不同机制协同作用，有望初步实现对经期情绪与疼痛问题的缓解。


图源：智子银河
“我们将UnaBand设计成发箍的形态，除了考虑到DLPFC和M1主要位于头部左前侧和顶部，适合通过头戴式设备进行干预。而且，发箍本身就是女性日常常用的饰品，贴合用户使用习惯，降低了接受门槛。此外，团队在工业设计上也投入了大量精力，采用多巴胺色系，兼顾科技感与颜值，让产品更像一款轻奢配饰而非医疗设备。”黄河龙表示。
今年5月，智子银河在美国硅谷正式发布UnaBand。目前，产品主要分为基础版与Pro版两个版本。两者的核心区别在于：基础版本仅具备电、声、味三种干预功能；而Pro版则在干预功能之外增加了EEG脑电采集能力，可实现用户脑电信号的实时采集、情绪与疼痛感知的量化监测，从而形成“采集-干预-反馈”的闭环调控体系。


图源：智子银河
在市场推广方面，智子银河计划采取线上线下联动、国内外同步推进的策略，其中海外市场将作为优先布局方向，产品预计于8月正式上市。产品整体定位于中高端市场，核心客群聚焦于中高收入都市女性；定价策略上，基础版本将与市面上同类脑机接口产品保持持平，以降低用户尝试门槛。
另据了解，从产品矩阵来看，女性经期健康只是智子银河的起点，非侵入式脑机接口产品后续将先拓展至减重、男性性功能改善两大场景；更长远的规划中，公司还将布局康复与银发市场，并与智能硬件生态企业合作，探索“脑机+AI”实现万物交互的可能性。

]]> <![CDATA[当科技走进日常：从银发照护到数字体验]]> 当清晨的第一缕阳光透过智能窗帘洒进房间，独居老人用方言唤醒AI管家安排一天的日程；当职场妈妈在哄睡孩子后的5分钟里，用美容仪完成一次专业级护肤；当我们刷着短视频，仿佛置身于山顶的风声与街角的音乐会现场——现代科技早已不再是实验室里的冰冷概念，而是以润物细无声的姿态，渗透到生活的每一个角落，重新定义着我们的养老方式、护理习惯与数字体验。
在过去的很长一段时间里，“科技改变生活”更多是一个宏大的叙事命题。人们谈论的是芯片制程、算法迭代，或是遥远实验室里的概念原型。但实际上，科技进步最好的地方在于，它真正带给每一个普通人更好的生活。
银发赛道的“真实可感”：从工具到陪伴，AI正在重新定义养老
老龄化社会带来的挑战，从来不只是医疗和护理，更是尊严与陪伴。
得印科技在2026上海AID老博会上首发的SOMO长者自然语音交互智能体平台，精准击中了老年群体与智能设备交互的核心痛点。它的突破点并不在于算力有多强，而在于它“听得懂”老人——支持方言识别、模糊语义理解，甚至能完成超长对话交互。这意味着，一位操着浓重方言的奶奶，可以像跟老邻居聊天一样，让家中的智能设备帮她关灯、提醒吃药，甚至只是聊聊天。

得印科技“以人为伴，创造AI生命机器人”的初心。他们并没有简单地把养老设备做成冰冷的工具，而是构建了覆盖护理、出行、陪伴三大场景的完整产品矩阵。比如，那款搭载智能手臂的迭代版智驾轮椅机器人，首次将汽车L4级自动驾驶的安全与路径规划能力，移植到适老化出行设备中。轮椅不再只是代步工具，它能辅助上肢力量薄弱的老人自主取物、完成简易起居操作——从“出行代步”进化为“出行+自主生活辅助”。

而SOMO平台的一个重要产品落地是AI陪伴管家机器人。它依托SOMO平台，整合了智能看护、全屋联动、健康提醒、应急预警、亲情互动等功能。它不是冷冰冰的监控设备，而是一个全天候“有温度”的管家。它不仅能与老人聊天，更能在老人需要的时候，充当可领路，可移动的依靠，来帮助老人走动。
而在浦老惠平台的展台上，绘话智能的 “小白・灵动版” 主动式 AI 陪伴机器人，实现了从被动应答到主动关怀的跨越，无需唤醒就能主动问候、用药提醒，甚至通过情绪交互给予精神慰藉。
如果说AI解决了精神陪伴与生活管理的问题，那么泉涟维康带来的穿戴式便携康复矩阵，则是在身体机能层面，帮助长者重拾行动的自由与自信。在老博会现场，泉涟维康展出了覆盖颈、肩、腰、腿、手等全身多部位的智能康复产品。其中，HakeFE全新升级版手功能康复训练器吸引了大量关注。它采用气压传动技术，通过压缩空气驱动手指舒张活动，专门针对手功能障碍人群设计。最令人惊喜的是它的创新无线镜像训练功能。通过无线数据传输，健手带动患手，实现双手协同运动，从神经、肌肉三个层面加快手功能恢复进程。

此外，泉涟维康还推出了空气波腿部按摩器——一款能实现渐进式揉捏挤压的腿部放松设备。它采用气囊包裹按摩，模拟人手推、揉、捏、拔等多种手法，有效舒缓腿部压力、改善局部循环。此外，迷你智能按摩贴、脉冲膝盖按摩仪、按摩护腰带等产品，同样以人体工学穿戴设计、无线便携结构与一键简易操作，完美适配长者使用习惯。
这些产品的共同特征，是从根本上解决了养老行业长期存在的痛点：专业护理人力短缺、服务成本高、长者孤独感强。它们“切实解决了独居、高龄、失能长者出行难、自理难、孤独感强等核心问题，帮助长者重拾生活自主与尊严”。科技的温度，在此刻变得真实可感。
日常体验的“轻量升级”：从烦琐负担到随身享受
如果说银发科技解决的是“刚需”，那么个人护理与日常舒适领域的产品创新，则在回应另一种普遍的情绪——疲惫、燥热与对“轻松”的渴望。
今年5月，飞利浦推出的“胶原红光小熨斗”焕活亮肤仪，精准击中了现代人的护肤焦虑。梳妆台上瓶瓶罐罐、美容仪落灰、流程烦琐……这些痛点被一款产品化繁为简。它搭载940纳米近红外光，能穿透表皮直达真皮层。经63位受试者实测，能在提亮、胶原、水润、泛红四个维度上对皮肤进行改善。更重要的是，它无需涂抹凝胶，拿起来就能用，配有自动关机功能。出差、带娃、加班后追剧的间隙，都可以完成一次专业级的护理。

飞利浦美姿大中华区品牌大使邓凯在发布会上分享了自己的使用场景：“拍戏间隙、凌晨收工、候场等待，那些碎片化的5分钟就是我拿起它的时候。”这种“每天都能做、做了就有效”的体验，正是飞利浦设计这款产品的出发点。
而就在同一个月，戴森带来了另一项改变日常体验的突破——戴森迷你酷风扇。这款整机仅重212克、机身直径38毫米的小巧设备，却能输出最高25米/秒的气流速度。它搭载转速高达65,000RPM的无刷直流马达，配备5档风速和强效模式，续航最长可达6小时。无论是通勤路上的地铁车厢、夏日音乐节的户外草坪，还是办公桌前的闷热午后，用户都可以通过手持、桌面摆放或颈部挂绳佩戴等多种模式，随时随地享受清凉。

如今，科技不再要求人们付出额外的时间与精力成本，而是主动适应人的生活节奏。它们让自律变轻松，让酷热变惬意，让每个人都能在碎片化时间里，轻松拥有更好的状态。
内容消费的“升维体验”：当你的短视频有了“空间感”
科技改变的不仅是健康和养老，还有我们最日常的娱乐方式——刷视频。
你有没有想过，为什么小红书上那些旅行Vlog、街头弹唱、甚至雨滴落在树叶上的瞬间，会让人觉得“身临其境”？答案藏在声音里。
2026年5月底，杜比实验室与小红书共同宣布，小红书正式支持杜比全景声内容分享。这是继2024年引入杜比视界之后，双方在沉浸式体验上的又一次跃升。如今，小红书的创作者可以使用支持杜比全景声的智能手机，直接预览、分享和欣赏具备三维空间感的声音内容。山顶的风声、街角的吉他、现场的演奏——这些声音不再只是背景，而是可以被精准地放置在听者的四周、头顶，甚至身后。
正如小红书多媒体技术负责人萧彻所言：“山顶的风声、街角的吉他、现场的演奏。这些内容值得被完整呈现。现在，我们通过引入杜比全景声，把声音这一维也做到了极致。这份灵感不仅能被看见，更能被听见、被感受、被沉浸。”
对于普通用户而言，这意味着什么呢？以前刷到一个旅行博主的视频，你可能只是“看到”了风景；而现在，你可以“听到”风吹过麦浪的方向、“感受”到集市上人群从左到右的喧闹。杜比全景声让短视频从一个平面窗口，变成了一个可以走进去的空间。
从“看见”到“沉浸”，现代科技正在重新定义内容的边界。而这，仅仅是开始。
]]> <![CDATA[黄仁勋给PC行业画了一张“大饼”]]> 文章配图-1

“PC正在被重新定义，这次重塑的意义堪比当年手机向智能手机的变革。”

6月1日，英伟达CEO黄仁勋在COMPUTEX 2026（台北国际电脑展）上进行了一场近2小时的主题演讲。在演讲中，他从口袋里掏出了一块面向个人 AI 电脑的超级芯片—RTX Spark，宣告智能体AI（Agentic AI）时代已全面到来。

整个PC行业迎来一次久违的震动。在英伟达的定义里，AI时代，PC将承担全新的角色，从单纯的工具跃升为并肩协作的智能搭档，这无疑为AI PC的未来发展形态提供了真正意义上的参考，不再只是在传统 PC 上加了一个 NPU。而当AI PC真的能帮助我们去完成工作，这种颠覆性变革产生的影响，不难想象。

只是，持续疲软的、早已失去想象力的PC行业真的能被一颗“芯”改变吗？

涨价，阻挡AI “拯救”PC市场

在经过了连年的低迷后，2025年PC市场终于迎来了一次令业内感到惊喜的复苏。根据调研机构Omdia的数据，2025年全球PC出货量达到2.795亿台，相较于2024年同比增长9.2%，其中笔记本电脑出货量达到2.204亿台，同比增长8%，而台式机出货量达到5900万台，同比增长高达14.4%。

PC厂商们也获得了难得的增长。如联想，全年出货量达到7085.1万台，市场份额高达25.4%，实现了14.6%的年增长率；惠普全年出货量达到5744万台，市场份额20.6%，年增长率为8.4%。

原本按照AI PC渗透率加速提升的预测，今年PC市场或许仍将保持增长，但是，一场席卷全球电子消费产业链的涨价潮，彻底打乱了节奏。

文章配图-1

2025年以来，全球AI大模型训练需求爆发，高带宽内存（HBM）和企业级SSD成为抢手货。三星、SK海力士等存储巨头将产能向利润率更高的服务器芯片倾斜，直接导致消费级DDR5和SSD价格飙升。如今存储芯片价格虽有回调但仍处高位，直接推高了整机BOM（物料清单）成本。

芯片涨价，已经慢慢从供应链传导至消费市场，尤其是今年，在消化完去年的库存后，终端售价会迎来更大幅度的上涨，而多数消费者拒绝为涨价买单。来自洛图科技的一组数据显示，2026年1—2月，中国笔记本电脑线上零售销量仅为94.7万台，同比暴跌40.5%；销售额59.9亿元，降幅同样超过40%。

随着涨价潮的来临，PC市场将陷于一个尴尬的境地，高端AI PC价格居高不下，中端机型大幅调价，入门级产品逐步退市，普通消费者的换机意愿被进一步压制。这些压力直接作用在PC厂商身上，令其无论是面对上游供应商还是市场消费者都越发被动。

更令他们担心的是，这场由上游供应紧缺带来的“灾难”可能还要持续较长一段时间。根据Counterpoint Research数据显示，一季度，存储价格环比上涨50%—55%，预计二季度还将进一步环比上涨80%—85%。业内判断，当前产能释放仍滞后于需求增长，行业高景气周期有望延续至2027年以后。

在这轮涨价潮尚未结束前，AI PC通过价格下探加快渗透、提振PC市场，基本成为了不可能。

英伟达或许能定义AI PC，但它离我们依旧很远

当AI 的故事落地在PC行业，应运而生的AI PC确实成了提振PC市场的一个新希望。但回顾去年PC市场的增长，我们或许可以发现，这种增长不是来源于AI PC，而是来源于新的换机周期到来以及Windows 10的停止运营。

而从根本上讲，在业界对AI PC没有一个统一明确的定义、消费者也对AI PC尚未形成清晰认知的时候，AI PC是无法真正拯救 PC行业的。不过，在黄仁勋的演讲中，透过一颗芯片，我们看到了AI PC作为生产力工具走向革命性进步的可能性，这和PC厂商对外极力宣扬的新故事是一致的。

据介绍，这款基于台积电3纳米先进制程工艺打造的芯片，内部拥有高达700亿个晶体管，其硬件规格堪称强悍：集成了拥有6144个CUDA核心的Blackwell架构RTX GPU，以及一颗定制的20核Grace CPU，可爆发出1 Petaflop（千万亿次浮点运算）的顶级本地AI算力，并配备128GB统一内存。

英伟达不是只给AI PC加一块更强的显卡，而是在把GPU、Arm CPU、统一内存、AI软件栈和Agent运行环境打包为一个新平台。在官方表述中，该平台能够轻松平替并胜任极高负载的专业工作流，包括在本地流畅运行高级AI智能体、渲染超大规模3D场景以及剪辑12K超高清视频。

相比一台仅仅加了NPU的AI PC，英伟达所描述的AI PC无疑极具跨越性，可一个最大的疑问是AI真的能够跨应用完成信息搜索、文档处理、内容创作乃至复杂工作流协同吗？更长远一些，智能体能不能稳定调用应用、出了错谁负责、用户是否愿意把权限交给它等诸多问题，都可能困扰着未来AI PC的发展。

文章配图-1

就像前段时间爆火的“龙虾”（OpenClaw），现在已经渐渐降温。美国“贴吧”Reddit上有人总结观察到的“三周流失路径”：许多新用户第一周热情高涨，第二周开始遇到循环调用、插件报错、费用上涨等问题，第三周就暂时搁置。

“龙虾热”熄火，一部分原因是养虾的实际成本比我们想象得要高得多，而更关键的则在于AI智能体的核心短板依然明显——稳定性不足、实用性脱节。事实上，对绝大部分用户而言，大部分人的工作，根本没有复杂到需要AI去承接工作流，这可能使AI智能体的功能、价值与用户需求存在一定的错位。

具体到PC这一硬件产品，这或许意味着用户为之买单的，仍是产品的价格、设计与生态，而非单纯的设备端AI能力。

当然，由英伟达RTX Spark所驱动的AI PC，要想真正带领PC行业进入下一时代，最关键的还是把价格打下来。毕竟，抛开价格，谈配置、谈升级、谈变革行业，在商业逻辑上是讲不通的，更无法拯救消沉的PC市场。

据业内人士猜测，虽然终端的售价还没出来，但参考现有配置的成本以及苹果本的定价，搭载RTX Spark的AI PC售价会在3万元左右，顶配或许要6万多，这意味着和多数人没什么关系。天风国际证券分析师郭明錤近日也发文称，供应链调查显示，配备RTX Spark（N1X）芯片的设备未来两年出货量大约为1000万台。

AI PC，本质上还是芯片巨头的战争？

RTX Spark的出现，宣告英伟达正式进军个人电脑核心处理器市场，直接挑战英特尔与AMD长期把持的行业格局。而在英伟达“宣战”之时，英特尔同步释放重磅产品与规划。当日，英特尔正式推出全新至强6+处理器，这也是英特尔首款采用Intel 18A制程开发的数据中心CPU。

不单单是英伟达与英特尔，我们看到，几乎所有的芯片巨头都在杀入彼此的腹地。比如高通从移动芯片杀入Windows PC，并继续向数据中心寻找新机会；Arm不再只是底层架构授权者，也在向芯片进军，今年它发布了Arm AGI CPU。

随着英伟达的这一重大动作，一个可以预测的变化是，在AI时代，CPU不再被忽略，将成为芯片巨头争抢的下一个战场。这背后的推动力就是Agent，Agent任务的执行和规划等高度依赖单线程性能、低延迟响应和高内存带宽，这是CPU的优势所在。

文章配图-1

但在PC这一载体上，英特尔与AMD的霸主地位很难轻易被打破。长期以来，Windows生态主要围绕x86架构展开，英特尔长期占据PC CPU主导位置，AMD作为追赶者不断抢占份额，而英伟达则处在传统PC平台的外围。虽说黄仁勋拿出的这颗超级芯片看似具有颠覆性，可打破现有格局最难的在于软件。

长期以来，Windows系统基于x86架构深度开发，很多软件均无原生Arm版本，而大量存量软件Arm适配是个长期工程，尤其是商用市场，几十年积累的软件不是一两年能迁移完的。

像高通联合微软搞了好几年的「Windows on Arm」，目前软件适配率不足30%。

芯片巨头把“战争”打到CPU上，PC厂商无疑乐见其成。在移动互联网的冲击下，PC行业已经太久没有新故事了，而英伟达重磅推出RTX Spark，令所有PC厂商感到前所未有的兴奋，这将给他们带来真正意义上的AI PC。

只是，无论是这次的上游存储价格上涨还是芯片厂商之间的大乱斗，作为“组装厂”的PC厂商们处在这样一个急速变化的新时代下仍旧非常被动。因为PC产业链上掌握核心技术的，始终是英特尔、英伟达、微软等巨头。就像AI PC这个产品概念被抛出两三年了，PC厂商没能搞出什么水花，最终还是只能等着英特尔、英伟达这些巨头去改变。

在AI时代，PC厂商们需要再次思考如何跳出“组装厂”困境的问题。

值得肯定的是，PC厂商已经在寻找答案。如联想，联想的ISG所提供的AI服务器、存储设备、液冷解决方案等硬件基础设施，在AI产业链中处于上游位置，该业务在2025/26财季成功实现了扭亏。

在PC行业，英伟达的押注，或将让AI PC的发展迎来新的拐点，尽管谁都无法预测这究竟会不会带动PC实现真正的飞跃，但黄仁勋画的这张“饼”起码令业内看到一种希望。

作者：道总有理，科技创新与商业趋势观察家。深耕科技商业领域 15 年，完整跨越 PC 互联网、移动互联网、AI 产业三大变革周期。坚持独立立场，坚守产业理性。本文为原创内容，未经授权谢绝任何形式转载、摘编与修改，欢迎转发分享。

]]> <![CDATA[小米：从哪里起飞，从哪里跌落]]>

文章配图-1

这就是商业，它有时候有清晰的脉络，但有时候也有非常强的随机性。

作者|杨知潮

当一个网红、公司拥有太多路人粉的时候，即便他什么都没做错，翻车也只是时间问题。

12块钱、60块钱、28块钱。

短短三年里，小米的股价坐上了一辆先翻五倍，再腰斩的过山车。它的业绩经历了两年的狂飙，又在今年一季度出现了全线的衰退。

即便站在上帝视角的今天去复盘，也有一种模糊的感觉：我们很难清楚地找出小米做对了什么事情，能支撑它的市值翻了五倍。

又很难清楚地找出小米做了什么离谱错事，能让它的市值腰斩，业绩全线下滑。雷军也从近乎没有负面评价的全民偶像，变成了褒贬不一的正常公众人物。

也许小米一直是那个小米，它一直有它的价值，也有它的不足。但命运拼了命地塞给它热度，让人们狂热地喜欢小米，然后又收走了这种狂热。

01 12块钱的小米，莫名其妙地上天

小米SU7上市之前，很少有人看好小米的造车计划。

那是2024年年初，前一年，国内新能源头部车企几乎只有比亚迪和理想盈利，其他全部亏损。其中，蔚来亏了200亿、小鹏亏了100亿。至于领跑、哪吒等二线新势力，毛利率更低，经营状况更加严峻。

有先发优势的玩家都过得不好，小米这种入局偏晚的新人只会更加艰难。与小米接近时间入局的是牛创汽车，由小牛电动车创始人李一男创立，当时就被普遍认为入局太晚，并因为生产资质问题无法交车。这又为即将上市的小米SU7增加了一个坏讯号。

小米手机在当时的处境也并不算乐观，受全球智能手机销量下滑的影响，小米的2023年收入出现下滑。也让这家公司的股价在12港元左右徘徊。

但小米SU7的成功，出乎了所有人的意料。小米SU7已经发售很快成为当时全球最难拿到实车的汽车。小米手机和家电也都吃到了汽车外溢的品牌价值，让小米的高端手机和大家电大幅度增长。

文章配图-1

2024年，小米收入大涨35%。2025年，小米收入又大涨25%。与此同时，整个2024年，雷军抖音涨了2500万粉，成为了中国最大的企业家网红。

即便站在两年重新复盘，当时的小米仍然让人疑惑：怎么可以这么火？

小米SU7的确是非常优秀的产品，但国产新能源汽车有那么多好车，真的都完全比不上小米SU7吗？手机XAIOT的生态真的在这两年产生了突破性进展吗？汽车的出现真的给所谓的“人车家生态”带来了质变吗？

很难把这种爆发全部归结于商业和产品，它有着很多天时地利的因素：

比如，马云之后，人们需要一个新的商业偶像。这是一个社会的真实需求，无论是作为茶余饭后的谈资，还是作为青年和全社会的精神信仰，人们都需要这样一个角色。

然而，腾讯的Pony一向低调，腾讯的产品也不够“酷”。百度的Robin形象良好，但百度的规模限制了掌门人的影响力。至于美团、拼多多、京东的掌门人，也都有成为全民网红的局限。

而雷军形象良好、极具亲和力、人品正直，小米SU7的发布成为了雷军本人的“爆款作品”，让他迅速填补了这个空位。那2500万的抖音粉丝，都需要这样一个“偶像”。

与此同时，国产新能源汽车，有很多好车，但无论是理想L系列，还是比亚迪的王朝系列，都太“实用”，没有一辆年轻人心中的“dream car”。

也许是两者的合力，共同创造了中国最大的消费品神话之一。

不过，对于品牌的流行趋势，事后归因的价值总是有限的——哪怕读过无数品牌案例的MBA教授们，也很难做出一个成功的品牌。也正因为难以归因，难以复刻，才让好的品牌变得珍贵，值钱。

因此，对于小米过去两年的极度成功，“不知道”三个字，才是对现实最有敬畏心的答案。

02 60块钱的小米，没有根本的改变

到2025年3月的最高点，小米的股价已经逼近60块，相比于小米SU7上市前翻了约五倍。

文章配图-1

但抛开充满不理性的股价，一个产品，能从根本上改变一家企业吗？

也是可以的，比如iPhone就彻底把苹果从一个普通的数码制造商，变成了全世界最赚钱的平台型公司。

其实在2007年乔布斯发布iPhone之前，苹果的商业模式很难算得上优秀。电脑的更新换代太快，3C产品的竞争太激烈，资产又太重，这让苹果在1997年濒临倒闭，靠着微软的一笔投资才度过危机。

巴菲特说，好生意是傻子都可以当CEO的生意。那么反过来说，烂生意就是天才乔布斯都能陷入困境的生意。1985年，乔布斯执掌的苹果面临严重的业绩下滑，再加上与董事会其他成员的矛盾，乔布斯本人也被赶出了苹果公司。

但到了iPhone时代之后，苹果再没有经历过这样严重的危机——它几乎年年增长，不受大环境的严重影响。哪怕手机市场的表现很差， 苹果自己也不会亏损。

这就是商业模式的力量，乔布斯一直是天才，苹果一直都具备创新力，但直到iPhone发布，尤其是IOS那套软件护城河建立起来，它才真正变成一门高利润率、深护城河的生意。到库克时代，苹果几乎不用做太多动作，躺着就可以数钱。

可是，小米SU7的发布，真的像iPhone发布一样，让公司的商业模式发生了天翻地覆的变化，内生价值翻了几倍吗？

答案是显而易见的：并没有。

2024年开始，随着小米SU7的爆火，小米的业绩开始狂飙。到2025年年中达到股价巅峰——60港元。相比于小米SU7发布前，大概翻了五倍。

从最低8块，到最高60块，但小米并没有完全褪去8块钱时候的缺点——

第一，小米手机仍然是一个“安卓生意”。

小米股价常年低迷的根本原因，在于安卓手机是一个竞争激烈，利润有限的生意。

而在小米SU7之后，小米手机本身的议价权和利润率，并没有发生翻天覆地的变化。甚至在内存、SOC涨价的大背景下，小米手机的毛利率还出现了下滑。以2025年四季度为例，小米智能手机的毛利率从去年同期的12%下滑到了8.3%。今年一季度有所复苏，但也只有10.1%。

文章配图-1

而苹果同样面临原材料涨价，但一季度（第二财季）的产品毛利率，也就是硬件毛利率还同比提升了2.8个百分点，达到了38.7%——这就是苹果的能力。

苹果是独一无二的，不能要求每个手机厂商都能具备苹果一样的定价权，但对于一个股价翻过五倍的公司，标尺抬高一点，并不算过分。

小米SU7的能量外溢给了小米手机，这当然是事实，毕竟平均单价的提升是实打实的。

但要说小米SU7彻底改变了小米的手机生意，这种判断恐怕为时尚早。它并没有像iPhone那样，彻底改变苹果这个公司的利润率、利润稳定性、议价权。

相反，利润还在流向上游，定价权仍然不足，利润率仍然有限。

第二，相比于智能手机，汽车是一个竞争同样激烈，利润更加有限的生意。

过去，小米所在的安卓智能手机生意总被认为商业模式不好，但对比头部车企和智能手机企业的财报不难发现一件事：汽车是比安卓手机更加糟糕的生意。

小米、三星、华为这类智能手机企业的利润率经常能维持10%左右，甚至更高。更重要的是，智能手机的利润率比较稳定，就算有下滑，也极少出现亏损。

而汽车行业除了丰田、比亚迪这种王者，以及保时捷这种超豪华品牌，净利率大多在个位数徘徊。即便是本田、日产这种头部车企，也经常出现亏损。

小米SU7的毛利率的确很高，盈利的确很快。但这不代表它未来的盈利能力就会非常乐观，毕竟即便是全球最强的丰田，净利率也就是10%左右。

如果常年能维持10%，那也算是很好了。但汽车这门生意的残酷就在于：哪怕什么没做错，也会突然出现掉队甚至亏损。

iPhone从发布以来就是最赚钱的智能手机，可口可乐100年来都是最赚钱的饮料，但汽车行业没这事——今天你是全球老大，明天你可能就会在破产边缘。

这种天堂地狱之间切换的故事，在汽车的世界里一点都不稀奇：哪吒当过新势力销量第一，两年后倒闭。美国三大汽车集团，两个倒闭过。理想前些年还是毫无争议的新势力老大，如今已经深陷困境。

技术再强品牌再好，也没人知道下一款车能不能成功。

手机、汽车、家电的生意苦，从来不是什么秘密，而是一个小米SU7发布之前就众所周知的事实。但在小米SU7爆火之后，却被漫天的热度，和那个光鲜亮丽的“人车家生态”所掩盖了。

但好在，商业里的生态护城河并不是个玄学，它可以被财报论证。

03 28块钱的小米，莫名其妙地摔下来

2026年一季度，小米汽车尝到了汽车行业的苦头，再次提醒人们汽车行业是个苦生意：价格战让小米汽车的单价下滑了5.9%。小米YU7连续4个月遭遇销量下滑。

更糟糕的是，“人车家”生态在下滑这件事上表现出了很强的协同效应。

手机方面，按照Counterpoint的数据，一季度，小米手机国内出货量暴跌35%，直接跌出前五。

家电方面，按照TrendForce的数据，小米一季度的电视销量也下滑了22%，是全球前五的品牌中唯一一个下滑的。

甚至连雷军本人的口碑都出现了下滑，社交媒体上的反对声音不绝于耳。在2025年下半年出现了几十万的掉粉。

文章配图-1

三方面的受阻，共同造就了小米最新的一季度糟糕财报。

为什么表现这么差？

媒体和分析师可以像模像样的分析出一堆原因，产品力、营销节奏、舆情等。但真正的答案也许是：不知道。

就像我们不知道为什么小米SU7就能那样爆火，产品力也十分优秀的小米YU7就不行。就像我们不知道为什么小米SU7成功后人们会开始喜欢小米电视和小米手机，而很多企业却不能展现出这种协同效应。

这就是商业，它有时候有清晰的脉络，但有时候也有非常强的随机性。

如果一定要为米的陨落，找一个起点，是从一次汽车起火开始的。从那次起火事件开始，小米的主观舆论和客观销量都开始松动。

但这是小米的问题吗？

目前公开资料里还没有明确的调查结果。我们只知道：从德国人卡尔本茨造出第一辆汽车开始，每一个大车企都有车祸、起火、车辆失控、气囊无法正常弹出、偷工减料等丑闻。并且规模越大、实力越强的车企，类似的丑闻就越多。

尤其是年轻的新能源汽车，每一个新势力都经历过类似车祸、起火之类的事件，但唯独小米的起火事件影响最大，甚至还影响到了整个品牌的评价和老板的个人舆论。

文章配图-1

这看起来像偶然，但也是必然：小到抖音小网红、中到明星、大到苹果和特斯拉这样的万亿企业，当拥有太多路人粉的时候，即便他们什么都没做错，翻车也只是时间问题。

但“翻车”以后，才是见证真正实力的时候。

头图来源|AI制图

]]> <![CDATA[苹果iOS 27版日历/提醒事项新增AI技能：支持自然语言创建事件]]> IT之家 6 月 9 日消息，在今天（6 月 9 日）召开的 2026 年全球开发者大会（WWDC）上，苹果在 iOS 27 系统中为日历（Calendar）与提醒事项（Reminders）加入多项 AI 功能。

科技媒体 MacRumors 在体验后指出，苹果正把日历和提醒事项从“手动填写”推向“自然输入”，用户点按日历应用的“＋”按钮后，可直接输入类似“周四晚上 8 点和女友 Sarah 看电影”的文字，系统会自动识别时间、日期和事件内容，生成对应安排，省去逐项填写的步骤。

用户不必先跳到某一天再新建事件，只需要在输入过程中，直接点按系统给出的日期和时间建议即可完成创建。

若文字中包含“每周”这类频率描述，系统还能同步设定重复事件，适合例会、课程和固定行程管理。

IT之家援引博文介绍，提醒事项应用也采用相同逻辑，比如输入“周四下午 2 点提醒我去买菜”，系统会自动提取任务内容与提醒时间，快速生成待办。

苹果还简化了日历事件编辑。若某个会议原本设为每周重复，后续改成每隔 2 周一次，日历应用会智能调整未来事件的重复频率。

苹果还增强 Visual Intelligence（视觉智能）与日历、提醒事项的联动，用户在网上查看活动信息并截图，或用 iPhone 拍下一张活动传单，系统可识别其中的相关内容，并自动加入日历应用。

文章配图-1

]]> <![CDATA[AI微短剧正在跨过“奇点”]]>
　　微短剧自诞生以来，始终走在发展的快车道，内容形态、传播路径、行业格局都发生过深刻变化。这次，变化来到创作环节。AI工具全面介入，使人机协同迅速成为广受欢迎的创作模式。伴随AI微短剧跨过“奇点”，整个短剧行业也站上了新的发展方位。

　　统计显示，2026年上线的AI微短剧已达20万部。创作端的火热，前所未有地丰富了网络视听内容池。人机协同的创作模式，显著降低了资金和技术门槛，推动专业制作机构加紧运用AI重构生产链路，作品数量得以倍增。同时，“作者即导演”“一人剧组”的创作潮流悄然而至：一些网络作家自学AI技术，成功影视化改编自己的小说；大量普通网友娴熟运用AI工具制作短剧、短片，“雪山救狐狸”等成为大众喜闻乐见的文化热点。

　　AI微短剧与真人微短剧创作模式不同，但创作目标一致：以优质内容更好回应人们的精神文化需求。近日，广电总局发布“微短剧精品创作传播‘五个一批工程’”，专门提出要发挥AI提效率、降成本、强效果作用，赋能精良制作。人机协同的最大魅力，正在于可以借助技术的力量，让更多原本受制于成本、拍摄条件的选题和创意得以落地，让那些有想法、有创意、有意愿的“新大众”都能获得创作机会。

　　AI微短剧正在跨过“奇点”，但也尚在发展初期。善用AI，成为持续健康发展的关键变量。目前，AI微短剧尚未出现破圈传播、深入人心的标志性剧目，一些真人微短剧存在的同质化套路也在借由AI批量复刻，还有AIGC（人工智能生成内容）带来的侵权风险……这些挑战，都是快速发展中的阶段性问题，应该客观看待，善加引导，让算力更多服务于创意，充分释放技术的正向价值。相关管理措施已经快步跟上，微短剧有害低俗内容和侵权盗版专项治理、“AI魔改”视频专项治理等行动，也让整个行业看到了活力与秩序兼备的发展前景。

　　文艺始终是着眼于人、落脚于人的事业。对万千有志于创作的大众和各类制作机构而言，AI微短剧已将实现梦想的选项摆在面前，需要抓住机会，在人机协同中高扬主体意识，以自身的思考、感悟、审美为核，用AI工具辅助创意落地、打磨细节，将鲜活的灵感化作动人的作品。

　　对居于微短剧行业生态枢纽位置的传播平台来说，当以更长远的眼光，对接AI微短剧良性发展和优质“一人剧组”成长需求，持续优化内容推荐、流量分配、创作者分账等机制，让好作品有好回报，让好主创被看见。这不仅是对优质创作的托举，也是实现平台自身社会效益与经济效益相统一的正道。

　　跨过“奇点”，意味着更大的创作空间，也意味着更重的文化责任。期待全行业共同善用AI，持续迭代大模型的视听创作能力，让创新活力充分涌流，解锁微短剧的全新视界。]]> <![CDATA[湾区数智潮涌 共创人文新篇[3P]]]>
　　近年来，粤港澳大湾区舞剧创作呈现繁荣景象。


　　2026年文化强国建设高峰论坛“共建数智人文湾区”论坛现场。


　　5月24日，在深圳举行的文博会上，观众参与《寻觅三星堆》VR沉浸式探索体验。

　　　　人工智能与数智技术的发展，无疑是当下人们最为关切的议题之一。数智技术是如何重塑文化创作与传播的？如何让技术服务于人文，以人文校准技术？作为拥有深厚人文底蕴、先进科技水平与蓬勃创新能力的粤港澳大湾区给出了怎样的答卷？前不久，2026年文化强国建设高峰论坛“共建数智人文湾区”论坛在广东深圳举办，来自内地及港澳的知名学者与科技工作者汇聚一堂，畅抒己见，对大湾区的数智建设与人文发展建言献策。
数智技术激发湾区文化新活力
　　“非常迅猛！”腾讯研究院前沿科技研究中心副主任、高级研究员刘莫闲如此形容在数字技术的助力下，文化产业的发展势头。不仅是“破圈”到海外的《黑神话：悟空》《哪吒之魔童闹海》等优秀文化产品，如今，网络上火爆的AI短剧，市场规模也在迅速扩大。
　　伴随算力的不断发展，刘莫闲畅想“流量2.0”智能体服务时代的到来，将为文化产业发展带来更为强劲的动力与丰富产出：我们只需要将意图传递给智能体，如何规划、如何实现，便不再需要我们投入精力，甚至可以实现智能体之间的互动。
　　在第十四届全国政协委员、香港哲学研究院院长舒心看来，数智技术不是冰冷的代码，而是文化传承的“翻译器”、文明传播的“催化剂”、价值共生的“连接器”。作为一位深耕人文领域的学者，舒心认为，数智技术与人文精神的深度融合，正是粤港澳大湾区发展的必然趋势。
　　岭南文脉绵延千年，有粤剧、醒狮、广彩、潮绣等非遗瑰宝。如今，在AI、VR等数智技术的助力下，它们逐步走出了博物馆，走进年轻人的心里。粤港澳三地文脉相亲，香港更是连接内地与海外的文化纽带。“湾区文化地图”等数智产品的面世，让地域隔阂不再是交流的壁垒。此外，大湾区集聚众多科技龙头企业，香港又拥有国际传播优势，“科技+文化”融合生态得天独厚。香港可以发挥中西融通的优势，借力数智技术，讲好中国故事、湾区故事、香港故事，让中华文化在全球舞台上更具影响力。
　　在数智与人文融合发展的道路上，澳门也进行了积极探索。“我们的团队正利用VR/AR技术，对澳门历史城区的建筑进行高精度复原，开发沉浸式文化导览系统，让游客能穿越时空，亲身感受澳门四百年的中西交融史。”澳门科技大学副校长庞川介绍。此外，在大数据分析的助力下，澳门科技大学开始梳理中西文化交流的脉络，构建“海上丝绸之路”的数字知识图谱，为学术研究提供全新的量化视角。
　　近些年，“国家艺术基金配套计划”、澳门国博文化馆等项目持续落地，为澳门数智文化产业发展持续助力。澳门学界积极推动澳门学与数字人文、人工智能等前沿科技深度融合，澳门学数字档案库和智慧研究平台先后问世，这不只是把古籍搬上网，而是要让历史开口说话，让文化自己讲故事。
多维探索湾区数智人文新蓝图
　　如何让最前沿的科技服务于最深厚的人文？如何协调数智与人文的关系？建设数智人文湾区，仍有许多领域需要探索、许多话题需要讨论。
　　在舒心看来，技术迭代越快，越需要人文精神校正方向。技术向善，根在人文，湾区行远，魂在中华文脉。以人文涵养的AI伦理让技术有温度、发展有底线；以人文精神兜底，不会让技术凌驾于人，也不会让效率取代情怀；由中华优秀传统文化涵养数字伦理，可以确保让AI始终服务民生。大湾区在地的人文底蕴与文化资源，是建设数智人文湾区的立足根本。
　　如何助力大湾区数智技术与人文产业创新发展？复旦大学国际关系与公共事务学院教授沈逸提出了“四个机制”，即文字资源数字化转化机制、文化科技融合创新机制、湾区国际传播协同机制以及数智文化治理机制。
　　从国际关系研究的视野来看，沈逸认为，大湾区的数智人文产业发展面临着前所未有的大好时机：“随着中国综合国力的提升，如今全世界都对中国充满了好奇。这是一个千载难逢的好时机，我们可以顺势将深厚的文明资源转化成为现实的表达。”
　　前路光明，征途充满挑战。建设数智人文湾区，绝非一路坦途。经过长期的摸索与积累，庞川意识到，数智与人文共生发展，仍然面临技术伦理不明、人才紧缺、跨境数据流动困难等挑战。
　　为此，庞川提出，为湾区AI治理探路，首先是立规矩，要探索建立一套兼容中西法律与伦理观念的人工智能治理规则；其次是建立一套复合型人才认证体系，由科技企业、高校及专业机构，共同制定“人工智能治理师”的职业技能标准与认证规范；再次是将文化交流的重心从传统的艺术展示转向数字时代的深度对话，搭起一座跨越语言与文明的对话桥梁。比如，利用算法技术对古代航海日志、贸易契约及艺术典籍等进行数字化修复与语义分析，让中华文化在数字空间中与葡语国家文明实现平等对话、美美与共。
培养兼具AI素养与人文底色的新生代
　　青年，是本届论坛上的又一高频词。在庞川口中，青年是发展数智技术紧缺的人才；在沈逸看来，青年是推广湾区文化、在国际舞台上讲述中国故事的主力军。在帆书App创始人、首席内容官樊登看来，青年更是保持大湾区创新活力的关键所在。
　　在演讲当中，樊登分享了一本名为《伟大为什么不能被计划》的书。在他看来，创新往往是意外碰撞的结果，是无法被预料和计划出来的。他认为保持大湾区创新活力的关键，正是包容。以电影《给阿嬷的情书》为例，一部低成本、小制作电影，大受好评，叫好又叫座。“我们不妨多给这些计划外的产物一些空间，这些碰撞出来的火花，或许就能在不经意间点亮一片天空。”樊登呼吁多给年轻人机会，多让他们去“犯错误”，包容他们产出的“计划之外”的内容。
　　在中国工程院院士、香港中文大学（深圳）校长徐扬生看来，发展人工智能，最重要的是培养新时代的年轻人。数智技术的发展，带来的不仅是产能提升，更会塑造一种新的文化态势。青年是数智新文化的缔造主体。面对一种新的文化形式，就需要青年人做兼具AI素养与人文底色的复合型人才，要与AI共情，同时坚守人文底色，坚持独立思辨，不被算法与流量裹挟。
　　数智技术发展日新月异，许多青年感到彷徨或担忧。面对青年群体产生的各种焦虑，著名哲学家周国平也分享了自己的看法。在他看来，人工智能只是个体成就自我的手段，而人永远是目的，数智技术永远无法取代人的感受。周国平衷心地鼓励青年群体，面对发展浪潮，泰然处之，勇敢地拥抱变化，为数智人文湾区的建设和发展贡献力量。]]> <![CDATA[培育数智时代新文科人才]]>
构建新文科专业学位研究生“1+4”能力框架

　　《教育部关于深入推进学术学位与专业学位研究生教育分类发展的意见》明确指出，专业学位研究生教育重在面向行业产业发展需要，培养具备扎实系统专业基础、较强实践能力、较高职业素养的实践创新型人才。数智时代，新文科专业学位研究生亟须培养“1+4”能力素养。

　　“1”为价值素养，即坚定的政治方向和理想信念、优良的道德品格和职业素养，以及服务国家战略与中国式现代化建设的使命担当和家国情怀。

　　“4”涵盖四大核心能力：一是专业理论创新能力，即系统掌握专业基础理论和知识体系、把握学科前沿动态、熟悉行业标准和规则、具备批判性思维和理论思辨能力；二是数智技术应用能力，即熟练掌握人工智能、大数据等数智技术，拥有以技术赋能专业的思维，能够将数智技术适配业务场景以解决专业问题，并恪守数智时代的职业伦理规范；三是学科交叉整合能力，即突破单一学科边界，搭建复合型知识结构，形成融合多学科视角分析问题的系统思维，能创造性地整合不同学科知识以解决复杂问题；四是行业实践创新能力，即洞察行业发展现状与未来趋势，善于运用专业理论与方法解决实际问题，能够针对新业态、新场景提出创新解决方案。

打造“一体两翼”新文科专业学位研究生培养模式

　　立足数智时代，新文科建设总体规划要紧扣专业学位研究生应用性培养定位，以“1+4”能力素养为核心目标，着力打造“一体两翼”新文科专业学位研究生培养模式。该模式深度融合“三位一体”培养体系与“双翼引擎”育人导向，构建起系统协同的新文科人才培养范式。

　　打造“三位一体”培养体系。以思政为舵，坚持立德树人根本任务，通过思政教育强化理想信念与价值观引导，将价值塑造融入人才培养各环节，厚植学生职业素养与家国情怀，树立服务国家战略和中国式现代化建设的责任意识。以理论为基，强化专业基础理论学习，形成系统的专业知识架构，筑牢新文科人才的理论根基；推动跨学科交叉融合，拓展学生分析问题视角，形成融会贯通的多学科知识体系；加快构建中国自主知识体系，以本土化理论成果赋能新文科人才培养。以实践为本，坚持新文科专业学位研究生教育的实践育人导向，践行知行合一，加强实践教学体系建设；依托行业资源与实习实践平台，促进产教融合，完善高校、企业、社会协同育人机制，全面提升学生运用专业理论解决现实问题的实践创新能力。

　　确立“双翼引擎”育人导向。始终坚持国家战略导向，主动对接国家重大战略部署，紧扣产业行业发展趋势以及区域经济社会发展需要，动态优化教学内容，培养学生服务国家战略、助力行业转型升级及区域发展的意识与能力。同时坚持数智技术赋能，主动适应数智技术对文科教育的深刻重塑，推动新文科专业学位研究生教育与数智技术深度融合，将数智赋能贯穿人才培养全链条，不断创新教学内容与教学方式，培育具有数智思维和能力的复合型文科人才。

多措并举实施“一体两翼”培养模式

　　实施“一体两翼”培养模式应系统推进、协同发力，确保落地见效。

　　锚定国家战略优化培养方案。新文科专业学位研究生教育应将国家重大战略需求作为培养方案设计的根本遵循。要围绕国家战略与中国式现代化建设对文科人才的核心需求，不断优化课程体系，精准研判经济社会发展的新情况、新任务、新重点，确保培养方案紧跟时代步伐。同时，以服务国家战略为导向完善实践教学体系，围绕重点领域开展案例研讨、专项调研与实习实践，全面提升学生服务国家战略的能力。引导学生毕业论文选题聚焦经济社会发展中的重大现实问题，针对痛点难点问题开展研究、提出创新性解决方案，推动研究成果向政策实践转化。

　　拥抱数智技术锤炼实践能力。以人工智能为代表的数智技术对传统文科教育产生了强烈冲击，新文科专业学位研究生教育需要与时俱进，积极拥抱技术变革，培养适应新形势的新文科人才。重构课程体系，系统开设数智技术基础课程，助力学生夯实技术功底，同时设置数智技术与具体专业交叉融合特色课程，将数智技术嵌入具体业务场景，培养学生运用数智技术创新解决现实问题的能力。革新教学方式，建设虚拟仿真实验室，引入真实业务数据与模拟系统，融入智能分析决策工具，推广案例研讨、行动学习与沙盘模拟等教学手段，锤炼学生解决产业行业实际问题的能力。推动以赛促学，举办新文科案例大赛与创新创业大赛，鼓励学生跨学科组队，针对现实问题提出解决方案，助力学生提升实践创新能力。

　　因地制宜打造人才培养特色。当前新文科专业学位研究生教育存在发展不平衡与同质化现象，应着眼新文科人才培养全流程，坚持因地制宜，依托自身资源禀赋优势实现差异化发展。实施全周期职业生涯规划培养，从入学环节即引导学生深入认知行业，将职业测评、企业导师、实习实践、企业参访、论文写作及校友服务等环节深度融合，形成完整闭环。深化校企社联动，与用人单位在招生、培养、实习实践及就业各阶段开展全方位合作。凝练特色方向，如聚焦特定行业开设行业定制课程，立足区域经济社会发展需求培养适配地方发展的专业能力，打造数智技术特色培养模块。推动交叉融合，促进跨学科人才培养，以加快构建自主知识体系为牵引，协同推进自主人才培养与科技自立自强，培养复合型文科人才。

　　共建育人生态提升培养质量。新文科专业学位研究生教育需构建多层次的育人生态系统，协同提升人才培养质量。构建核心利益相关方生态系统，涵盖教师、学生、用人单位、校友等直接参与者，通过校企社联合开发课程、组织实习实践等途径实现协同育人。构建校内跨学科生态系统，加强校内不同学科之间的合作交流，推进跨学科交叉融合，协同培养复合型人才。构建区域性新文科专业学位研究生教育生态系统，组建区域内各专业学位研究生培养单位联盟，常态化开展校际交流、教学研讨、案例大赛、师资培训，推动资源共建共享。构建全国性新文科专业学位研究生教育生态系统，充分发挥全国专业学位研究生教育指导委员会的统筹作用，持续优化学生交流、教师发展、教学管理等平台，推动全国范围内的资源共享与标准建设。]]> <![CDATA[用了一天iOS 27后，我选择原谅苹果]]> 那啥，相信各位已经看过咱们今天上午的 WWDC26 的报道了。

iOS 27 对咱们来说，就是 5 秒能看完的存在，毕竟新版 Siri 和苹果智能暂不支持中国大陆。

虽说编辑部同事有外版 iPhone，但升级后发现要通过候补名单才能体验 Siri App，暂不清楚如何突破。我们目前能体验上的苹果智能，就是相册里的几个 AI 功能，后面会讲到。

文章配图-1

国行版 iPhone 是少了很多重头戏，不过在体验了一天iOS 27 之后，我觉得：只要你是 iOS26，等正式版出来后你一定要升级 iOS27！

今天的 iOS 27 beta 1，可能是我体验过最流畅的一版开发者测试系统了。

不管是打开 App、回到主页，还是添加组件，iOS 27 beta 的动画和体验都比 iOS 26.5，不对，是比任何一个 iOS 26 版本都流畅。

尤其是隔空投送，丝滑太多了。

今天我把素材从 iPhone 投送到 Mac 起码有 40 次，没有出现过一次失败&卡顿，除非是稍大点的视频，其他都是秒投，速度很快。

要知道，AirDrop 已经经历了几年不稳定。一会是找不到设备，一会找到设备了点投送没反应，一会是取消投送了，接收端不断报错，用户们怨声载道。

看来这次是真修复了啊。

文章配图-1

这种变丝滑的感觉可不只有世超有。

在小红书和微信群聊，都有用户明显感知到变流畅了。何况这还是第一个开发者版本啊，真有点罕见了。

文章配图-1

当然，世超能有这么大感触，可能也是体验了史上最差、到处都是掉帧和卡顿的 iOS26 一年后产生的体感错位，苹果只是做回了一点点自己就让我觉得不得了了。

OK 接下来，咱们详细说说目前能体验到的一些新功能。

首先就是闹钟支持调休啦！

打开「闹钟-重复」，就能看出工作日后面加了一个括号：含调休。

真是史诗级更新了，iPhone 逢年过节不能设置调休的热搜传统，应该要终结了。

文章配图-2

但要注意，我们测试后发现：

只有在「设置-通用-语言与地区」把地区设置为「中国大陆」，才会有调休选项出现。

即便你是国行 iPhone，但地区换成了其他国家（比如美国，澳大利亚），也看不到调休。

除非你先在中国大陆地区新增一个调休闹钟，然后换到其他地区，那可以保留这一个调休闹钟。

文章配图-3

也就是说：闹钟调休，是中国大陆地区独享的 moment！

太好了，俺们也拥有了别人无法拥有的功能！一时不知道是该开心呢，还是该开心呢？

另外，闹钟音量、铃声音量、提醒音量可以分开设置了。

这下终于解决了“总被闹钟吓半死，但调小了声音又听不到电话铃声”的烦恼了。

文章配图-4

接着我们说说 AI。

注意下面 3 个功能国行设备暂时无法体验，我们先带大家提前感受下。

目前编辑部体验到的 AI 功能包括相册里的消除、扩展、重构。

消除其实在 iOS18 那会就有了，但那会苹果 AI 消除非常拉。这张图片里它去掉路人后，并没有补上库克的腿子。

文章配图-5

那 iOS27 的苹果 AI 呢？

鉴于消耗时间太久，世超直接截取关键部分给大家看，腿成功补上了！

文章配图-6

最终效果是这样的，嗯两年了果子哥的 AI 确实有进步了。

文章配图-7

接下来说说重构。

这个功能可能是很多男生的救星，毕竟你拍完的照片总会被嫌弃角度不会找。

但利用重构，你可以直接调整照片角度，然后苹果 AI 就会自动优化、补全新角度下的人物和背景，就像这样：

文章配图-8

来看下对比（左前右后），效果我觉得 OK。

文章配图-9

至于扩展没啥好说的了，在重构和消除里都已经展现出相关能力了，再测试一张给大家看看，挺合理的。

就是扩展后整体过曝了。

文章配图-10

最后就是一些外观上的更新。

过去，键盘是否有液态玻璃效果，会跟着当前 App 走。如果 App 没适配液态效果，那键盘也不会有。

但 iOS 27 开始强制键盘显示液态玻璃效果。比如「微信键盘」在未适配液态玻璃的「微信」里，也能看到液态玻璃效果。

文章配图-11

根据我们刷到一些开发消息，要不了多久，iOS27 上每个 App 都会强制适配液态玻璃效果。

原因也不复杂。去年 iOS 26 推液态玻璃时，苹果在 Xcode 26 里给开发者留了个后门，Info.plist 里有个「UIDesignRequiresCompatibility」的开关，打开就能暂时跳过液态玻璃适配。

但这只是苹果给开发者一年的缓冲期，如今用 Xcode 27 编译的 App，液态玻璃就是标配，没得选了。根据惯例，开发者们得在明年 4 月之前迁移到 Xcode 27。

文章配图-12

不知到那时，微信团队该如何应对呢？

文章配图-13

当然了，一定也有很多用户不喜欢大玻璃效果，好在果子哥也留了一手后路。

在 iOS 26.1 时，他们给了大家 2 个选择，要么模糊，要么透明👇

iOS 26.1

文章配图-14

这次 iOS 27，他们又掏出一个更精细化的滑块，给你 12 个档位调节（如果我没数错的话）。

这下好了，喜欢玻璃的，不喜欢玻璃的，喜欢一半玻璃的，3/4玻璃的，都能沉默了。

果子哥：说话！

文章配图-15

另外，我们还发现了几个全新的超大组件。

像天气/日历组件可以大到覆盖一页屏幕，这个尺寸，应该是为折叠屏 iPhone 做准备的。

文章配图-16

同样能看出折叠屏 iPhone 痕迹的，是 macOS 上的 iPhone 镜像支持拉伸成 iPad 镜像。。。

那还说啥，各位阔少们 9 月份怎么也得开冲一个吧。

来源推特@Aaron

文章配图-17

天气 App 这次也迎来小更新，你可以直观看到未来这段时间内，每天降水量和风力的分布。

文章配图-18

在 iOS26 上，锁屏上的时间数字可以拉伸半个屏幕那么大，大概就是 1 公里开外都能看到自己 iPhone 上的时间吧。

更新到 iOS27 后，果子哥来了一个两极反转，时间可以缩进日期栏了。。。

文章配图-19

如果你想拥有一个沉浸式锁屏效果，不放试试这个功能，感觉还挺好看的。

文章配图-20

OK，以上除了 AI 部分，就是 iOS27 国行限定版的体验，真是哥们写过最少的一次功能更新了，如果有我没提到的新功能，大家可以在评论区讨论。

说实话，如果你不把它当做一个大版本来看，其实真挺好的，各项优化真不错。

但当成大版本，那些 AI 功能又离我们遥遥无期，可用的新功能又屈指可数。

现阶段，我不建议大家升级，可能会遇到各种 bug，世超测试时也遇到了偶尔卡顿、重启、截图无法裁剪、信号栏完全丢失。差友想体验的话，还是建议等一个月后公开测试版。

最后还是那句话：如果你已经是 iOS26 了，那么我推荐你在正式版时必升 iOS27。

撰文：刺猬

编辑：面线

美编：素描

AI部分素材：小陈

图片、资料来源

]]> <![CDATA[美团AI浏览器上线，内置多个头部大模型，可跨软件执行任务]]>

经过三个月的公测，美团AI原生浏览器Tabbit 1.0正式上线。

6月9日，美团旗下GN06团队宣布Tabbit 1.0正式上线。据介绍，Tabbit是浏览器形式的AI入口，内置DeepSeek、LongCat、智谱GLM、Kimi等多款国内头部大模型，用户输入需求后，Tabbit可自动执行跨软件、跨网页等各类复杂任务。

南都N视频了解到，目前Tabbit 1.0的基础对话、网页阅读、常用妙招等核心功能都免费向用户开放。所谓的“妙招”，其实是一个个能帮用户干活的“skill”，Tabbit的“妙招广场”上涵盖了包括简历优化、语言学习、新闻查询助手、比赛试题推测助手、长文发布助手，甚至还有麦当劳自动领券助手等。

文章配图-1

Tabbit 1.0的妙招广场。

据Tabbit负责人刘炯介绍，Tabbit于今年3月2日发起公测。公测期间，Tabbit根据用户反馈保持每周迭代，累计更新了超百项新功能，Agent任务成功率从3月的53.1%提升至目前的91.8%。

“基于用户反馈，Tabbit经历了从‘地址栏’到‘搜索框’，再到‘对话框’，最终进化为‘智能体’的跨越。”刘炯表示，“这一进化不仅体现在技术指标上，更反映在用户使用习惯的深度转变。5月数据显示，单用户月均Token使用量已达853万，这表明用户正持续、高频地将Tabbit应用于较重的任务处理和工作流中。”

南都记者了解到，有用户利用Tabbit帮今年高考的表妹做大学专业推荐方案，以往这需要人工翻查对应专业的院校分布、翻录取分数、看就业率和保研率等，这些信息分散在十几个不同的网页里，现在只需要将所查到的所有资料“丢进”Tabbit，几轮对话下来就生成了一份匹配学校、专业的推荐方案。

有学生临考试前用Tabbit突击网课，原本动辄40分钟以上的网课加上做笔记和回看，整理下来要花上四五个小时，现在将视频连接发给Tabbit并且提出自己的复习需求后，3分钟就能生成一份带核心概念、定理、方法和自测题的资料。

“优质AI产品的前提，是易于上手、足够简单。”刘炯表示，公测期间，Tabbit收获了大量真实用户的多样化使用场景，包括视障用户通过Tabbit直接生成了自己的第一份专属PPT。

据刘炯介绍，Tabbit面向大众用户的基础对话、网页阅读、常用妙招等核心功能将永久免费。针对高频的Agent自动化调用及高级定制化场景，Tabbit将探索差异化的订阅制模式，以平衡算力成本。

此外，针对当下普遍的“AI应用强绑定单一模型”这一用户痛点，Tabbit 1.0内置了LongCat、DeepSeek、智谱GLM、Kimi 等多款国内头部大模型，并会实时接入新模型API。公测数据显示，超过60%的活跃用户会根据不同场景切换基座模型，或利用“多模型对比”功能相互验证、获得更多灵感。

目前，Windows、macOS版本的Tabbit已同步上架，移动端也已开启测试。用户可前往官网下载使用。近期，Tabbit还已启动“妙招大赛”，通过线上比赛、校园共创等形式，扶持优质的AI应用创作人，并提供奖金、认证等长期激励。

采写：南都N视频记者 徐冰倩

]]> <![CDATA[手机没信号也能刷视频？朱雀二号干了件大事]]>

朱雀二号改进型遥六运载火箭在东风商业航天创新试验区以“一箭双星”方式成功发射了两颗通信卫星。其中，一颗试验卫星主要用于开展手机直连卫星、天地网络融合等技术试验验证。发这么多通信卫星，跟我们有什么关系呢？记者带你了解！

朱雀二号改进型遥六火箭发射成功，将千帆DTC 01星和中国移动02星顺利送入预定轨道，它们都是通信卫星。发这么多通信卫星，和你我的生活有什么关系呢？

先来看一组数据：2025年，全球太空经济规模达到4290亿美元，其中卫星商业收入3030亿美元，占了71%。为什么？因为卫星互联网正在解决全球网络覆盖的难题。其中，“手机直连卫星”——不用额外设备，普通手机就能直接连上卫星，就像基站上了天。

文章配图-1

什么是卫星互联网？目前，卫星互联网主要有两种方式：

第一种，宽带卫星通信，有点像家庭宽带入户。但它不能直接连手机，上网需要装一个额外的卫星终端，类似路由器。

第二种，手机直连卫星，这也是目前最受关注的方向。简单说：不用任何外接设备，手里那台普通手机直接就能连卫星、享服务。它的本质，就好比基站上天或者光纤上天。

平时刷视频、打视频电话，靠的是地面上一座座基站。那手机直连卫星，就是把基站搬到太空——让卫星当“太空基站”，信号就能覆盖到沙漠、海洋、深山这些地面网络到不了的地方。

说到底，手机直连卫星的真正意义，就是让地面网络覆盖不到的地方也被纳入同一张通信网络。

技术难点在哪儿？

卫星天线是核心。它要在几百公里外的太空，“听清”手机发来的微弱信号，再“喊”回去。

文章配图-1

市场有多大？

据预测，到2030年，全球卫星直连服务的月活跃用户数将达到4.11亿，收入规模接近120亿美元。

而从更高维度看，手机直连卫星的价值远不止商业市场。它是通向天地融合网络的关键入口，也是未来全球通信基础设施竞争的制高点。当普通手机真能直连卫星，卫星互联网就不再只是“天上的网络”，而会成为每个人都能感知的新型基础设施。

我国进展如何？

当前，我国卫星互联网建设正在不断提速，进入规模化组网、产业化提速的关键阶段。一些卫星企业也在发力，比如银河航天，已经发射了具备手机直连功能的卫星。

未来，随着更多卫星发射入轨，更多应用场景落地，卫星互联网将真正走向规模化应用，天地一体网络加速建成，让“无论何时、无论何地都能连接”一步步成为现实。

（央视新闻）

]]> <![CDATA[人工智能时代网络生态治理的四个维度]]>
　　把握战略定位，将网络生态治理嵌入国家治理现代化全局。“没有网络安全就没有国家安全，没有信息化就没有现代化。”的这一重要论断深刻揭示了网络空间的双重属性。人工智能作为新一轮科技革命的核心引擎与新质生产力的关键支撑，其迅猛发展必然呼唤上层建筑的适应性变革，推动治理体系与治理能力同步升级。当前，随着算法排序权、内容放大权与流量分配权深度交织，数据要素全面渗透社会运行，网络生态已超越虚拟空间范畴，演变为塑造社会心智、凝聚价值共识、影响现实秩序的第二空间。为此，必须坚持党管互联网、党管数据、党管算法，把网络生态治理纳入总体国家安全观与数字中国建设整体布局，以网络安全法、数据安全法及《生成式人工智能服务管理暂行办法》等法律法规构建前瞻性制度框架，完善覆盖技术研发、应用落地、风险防控、责任追溯的全链条治理体系。要坚持发展与治理相统一，划定可控、可问责、可持续的发展轨道，牢牢掌握网络意识形态工作的领导权、管理权与话语权，把中国特色社会主义制度优势转化为网络生态治理效能，为国家长治久安与现代化建设筑牢数字安全屏障。

　　坚守价值立场，践行以人民为中心的发展思想。网络空间是亿万民众共同的精神家园。检验治理成效的最高标准，归根结底是人民群众的获得感、幸福感与安全感，这也是中国特色网络治理区别于西方资本主导、技术至上模式的核心标识。近年来，技术异化风险一定程度上侵蚀公共利益，有背离技术为民的风险。比如，深伪音视频借助人工智能流水线快速裂变，批量生成、跨平台传播，个体维权会有取证难、追责慢、成本高的问题；老年群体与农村居民在复杂算法逻辑下容易遭遇数字鸿沟乃至算法鸿沟；价格歧视等问题暴露出算法并非中性，忽略了社会公平与公共利益。破解这些痛点，必须将人民立场落实为具体规则、细化为务实举措、转化为治理实效。在用户侧，应推进个性化推荐的可关闭与一键防护机制，健全网络暴力预警、拦截、溯源全流程处置体系，保障用户知情权与选择权；在群体侧，需将适老化改造从应用端延伸至政务终端与基层窗口，推进农村数字基础设施提档升级，辅以常态化数字技能辅导，切实缩小数字差距；在内容侧，必须把社会主义核心价值观嵌入推荐排序，为权威信息与优质内容留出稳定触达通道，打破流量至上的负面反馈链条，坚决遏制低俗、猎奇、虚假内容泛滥。

　　完善制度供给，以法治护航与系统协同筑牢刚性约束。法者，治之端也。网络空间绝不是法外之地，人工智能时代的网络生态治理更需以法治立规矩、以协同聚合力。指出：“要坚持依法治网、依法办网、依法上网，让互联网在法治轨道上健康运行。”面对人工智能迭代速度与监管复杂度的错配，法治建设必须兼具底线思维与敏捷弹性，兼顾制度稳定性与实践适应性。现行治理面临的突出矛盾在于，算法黑箱与跨境数据流动使得传统“谁发布谁负责”的线性追责模式捉襟见肘，而单一部门的监管力量又难以应对平台生态的交叉重叠、风险传播的跨域联动，容易出现监管盲区、责任悬空、处置滞后等问题。对此，应构建敏捷治理与多中心共治的制度体系，打造权责清晰、协同高效、闭环运行的治理格局。一方面，实施分级分类管理，对生成式服务、深度合成、生物特征识别等高风险领域实行备案与安全评估，引入第三方审计与算法影响评估，健全风险监测、预警、处置机制，避免一刀切扼杀创新；另一方面，压实平台主体责任，明确内容安全、未成年人保护、数据安全等关键环节的标准作业程序，细化平台审核、处置、报告等法定义务。更重要的是，构建党委领导、政府监管、平台履责、行业自律、公众参与协同发力的综合治理格局，通过跨部门线索共享、联合执法、应急联动，将碎片化的监管力量拧成一股绳，强化基层治理与属地责任，让守法者畅行、违法者寸步难行。

　　夯实能力底座，推动技术治理从外在他律走向兼具外在他律与内生向善。明者因时而变，知者随事而制。网络生态治理既要依靠制度的外在约束，也要善用技术的内在驱动，实现治理与技术同频共振、同步升级。摆脱“技术跑得快、治理追得累”的被动局面，根本出路在于将安全与价值内置于技术架构之中，实现从被动应对到主动防控、从外部约束到内生向善的范式转变。当前，深度伪造诈骗、批量账号操纵、自动化谣言生成等风险已非单纯的人力审核所能应对。为此，必须在多个方向加快布局技术能力建设，强化科技对治理的支撑作用。在风险识别端，加快研发深度伪造检测、内容同源溯源与自动化取证技术，构建多模态智能监测体系，实现快速证据固定与扩散截断；在安全工程端，将算法安全评估、隐私计算与最小权限访问控制植入产品开发全生命周期，推动“安全设计前置”，让合规成为内嵌项而非附加题；在价值嵌入端，建设高质量的主流价值语料库，推动推荐系统从单一的“优化用户参与度”转向“在约束条件下优化公共信息质量”，引导算法向正能量、权威性、公平性倾斜。

　　网络生态治理是一项长期而艰巨的系统工程，关乎国家安危、人民福祉、民族未来，是推进中国式现代化必须答好的数字治理课题。在人工智能重塑世界格局的历史关口，我们要始终坚持以新时代中国特色社会主义思想为指导，深入贯彻关于网络强国的重要思想，牢牢把握战略定位、坚守价值立场、完善制度供给、夯实能力底座，因势而谋、应势而动、顺势而为，持续提升网络生态治理体系和治理能力现代化水平，构建起清朗有序、安全可信、向上向善的网络空间，让新一轮科技革命的成果真正服务于亿万民众，为全面建设社会主义现代化国家、实现中华民族伟大复兴注入强劲数智动能。]]> <![CDATA[AI辅助阅读兴起，慢阅读尤显珍贵]]>
　　如今，面对一本书、一篇长文或一份学习材料，不少人习惯先借助AI获取摘要、框架和重点，再决定是否继续阅读原文。从概括主旨、梳理人物关系，到提炼核心观点、生成发言提纲，AI正越来越多地介入阅读过程，并以高效率、低门槛的特点改变人们接触文本的方式。阅读因此变得更加便捷，却也提出了新的问题：当“先看结论”逐渐先于“进入文本”，当“快速获取”不断挤压“耐心细读”，阅读原有的功能、价值与意义是否打了折扣？

　　阅读方式的变化，在一线教学中已有较为明显的体现。有中学语文教师反映，过去布置整本书阅读，学生即使感到吃力，也大多会通过翻阅原著、勾画重点、摘录句段等方式完成阅读任务。而现在，一些学生面对篇幅较长或理解难度较高的作品时，往往更倾向于先借助AI生成梗概、分析主题，甚至直接完成读后感和交流提纲。这样做固然节省了时间，也提高了效率，但问题在于，学生接触到的往往是经由技术压缩和整合后的“结果”，而不是阅读本该有的体味、比较、揣摩与思考的“过程”。结果是，阅读看似完成了，理解却未必真正发生；要点似乎掌握了，属于自己的认识却未必由此建立。

　　这一现象的出现并非偶然。置身信息爆炸时代，面对海量文本、碎片时间和多重压力，人们比以往任何时候都更渴望高效筛选、有序提取和快速理解。正是在这样的现实需求推动下，AI辅助阅读迅速普及。

　　应当看到，AI辅助阅读确有其积极价值。它能够提炼主旨、解释概念、梳理逻辑、补充背景，在资料检索、知识导引和学习辅助等方面具有明显优势，能够有效节省时间成本、提高处理效率。

　　但阅读从来不只是“提取信息”的过程。尤其对于文学经典、历史著作、哲学文本、理论文章而言，其价值并不止于“讲了什么”，更在于“如何展开”“为何如此表达”，以及其中包含的情感层次、思想张力和审美意味。真正有价值的阅读，往往发生在不急于抵达结论的过程中：与文本慢慢相处，反复咀嚼，不断修正自己的理解，不断丰富自己的感受。也正因如此，AI辅助阅读越是普及，慢阅读的价值就越发凸显。

　　所谓慢阅读，并非只是放慢速度，而是一种强调深度沉浸和主动思考的阅读方式。它要求读者在文本中停留，在语言中体味，在结构中辨析，在反复阅读中不断生成更为丰富的认识。对慢阅读而言，重点不只是获得答案，更是通过阅读形成判断；不只是迅速知道内容，更是在与文本对话中建构自我。许多重要的阅读收获，并不是被“总结”出来的，而是在细读、重读和回味中逐步生长出来的。

　　从阅读机制看，AI辅助阅读与慢阅读并非天然对立，但二者确实指向了两种不同的认知路径。二者若能合理搭配，本可相互补充；但若使用失衡，尤其是当AI摘要替代原文阅读、AI结论挤压独立思考、AI“伴读”演变为AI“代读”时，阅读的内在结构便会发生深层变化。

　　这种失衡带来的风险，首先体现在阅读主体性的弱化上。阅读本质上是一种高度个体化的精神活动，不同读者面对同一文本，往往会在不同经验基础上形成各自的理解路径。而AI生成的摘要、导读和分析，往往追求标准化、通用化，它所提供的是一种“预处理”的理解框架。若读者长期依赖这种框架，就容易在尚未直接接触文本之前，先接受一种预设结论，进而缩小自主感受和独立判断的空间。

　　其次，风险体现在深度思维能力的弱化上。阅读复杂文本，本身就是一种思维训练。无论是追随论证的展开，还是体会文学叙事中的暗线伏笔，都需要读者调动注意力、记忆力、联想力和辨析力，在看似缓慢的过程中完成认知加工。正是在这一过程中，人的抽象概括能力、逻辑推理能力和价值判断能力得以锻炼。如果过多依赖AI直接提供 答案、提炼结论、生成观点，原本属于阅读者自身的思考劳动就会被压缩甚至省略。

　　再次，风险还体现在审美经验的流失上。文艺阅读之所以重要，不只是因为它传递知识，更因为它以独特的语言形式、叙事节奏、情感组织和意象建构，丰富人的内心世界、提升人的感受能力——体会到一首诗的意味、一篇散文的气息、一部长篇小说的命运回响……而AI难以替代读者在阅读中亲历那种细微而真实的情感触动。

　　AI辅助阅读的普及，还可能推动阅读生态持续向“轻量化”“速成化”“结论化”方向滑移。从短视频解书到图文拆书，再到智能摘要和自动笔记，阅读内容日益被切分为更便于传播和消费的知识碎片。完整阅读、持续专注和耐心思考，成为稀缺能力。

　　当然，指出这些问题，并不是要否定AI辅助阅读的积极意义。而是要提醒：面对需要沉浸投入的阅读对象，有必要把真正的理解过程交还给读者自己。有时候，快其实是一种慢；有时候，慢也可以是一种快。]]> <![CDATA[万亿数据产业背后，被AI「困住」的打工人[1P]]]>
「核心提示」AI发展带来数据标注、数据采集等新岗位，但职业瓶颈和薪资限制了这些岗位的人才流入，反过来影响了AI能力的天花板。
作
AI的发展正催生出这样的图景：在分工层次上，人来负责上层的“判断和决策”、下层的“打标和整理”。而中间层的“分析和总结”，那些传统由分析师、咨询顾问和秘书完成的脑力劳动，正被各类AI工具填满。
好消息是，上下两层出现了一些新岗位。比如数据标注、数据构建和数据采集。这些岗位正以前所未有的速度涌入就业市场。脉脉报告显示，2026年春招AI岗位量同比增长8.7倍。
数据采集与具身智能密切相关：采集员需要穿戴动捕设备，记录触觉、视觉、力学等多模态数据，帮助机器人学习抓取、行走、避障等动作。
数据构建则是对数据“去杂”的过程：公开数据或企业数据库往往格式混乱、存在错误，需要人工进行筛选和整理。
数据标注则是AI产出内容的“裁判”，告诉大模型什么样的输出是“好的”，帮助AI形成学习正反馈，提升大模型输出内容的质量。
这些新工作到底是长久趋势，还是昙花一现；能成为“文科生的康庄大道”吗，还只是“新一代天坑”？为此，《豹变》找到了一些从事相关工作的人，试图还原AI催生的新岗位背后真实情况。
1、“数据做题家”的真实面貌
景璃在北京某互联网大厂担任数据标注的外包，工作是提升AI文创工具的输出质量，她大学专业是戏剧影视文学。
景璃对《豹变》说：“我标注过的品类包括演讲稿、小说、论文，现在做最多的是漫剧或者AI短剧的剧本。”
数据标注行业也有大量的非全职招聘。成都大学生文琪就找了一份数据标注的远程兼职，内容是给英文的语音转文字做标注。
她们的工作流程一般是这样的：电脑上会显示AI的几个输出结果，数据标注负责选一个最优结果，由负责质检的同事再判断一次，负责人抽查一次，最后再由甲方检查。根据这个最优结果，AI能够逐渐“理解”人类的评价标准，从而提升输出质量。
景璃一些外包同事是数学或计算机背景，他们会承担部分数据构建的工作，即爬取公开数据，依据特定的方式进行数据清洗、整理，最后用于大模型的标注和训练。分工上，数据构建位于标注的上游。
行业内把构建和标注工作戏称为“做题”，没有这些“数据做题家”就没有各类AI工具。
据国家数据发展研究院测算，2025年专业数据产品（含人工智能训练的高质量数据集）产值规模超过2.3万亿元。
2025年3月，国家数据局数据显示，成都、沈阳、合肥等七大数据标注基地带动从业人员5.8万人，相关产值超83亿元。
市场很大，岗位薪水也各有不同。景璃与她的同事们每月能拿到12k到18k左右的固定薪水，少数人可以拿到额外奖金；文琪的兼职也能拿到每月接近10k的固定薪水。
但是，一线城市以外的地方，数据标注的薪水就没这么可观了。景璃谈到，在一些北方省会城市，同等岗位工资大约是北京的一半。
一些小城市则更低，且人员流动性很大。“新员工下班等电梯都在刷BOSS直聘找工作。”某位身在小城市、刚刚入职的数据标注员这样对《豹变》透露，他的首月薪水是1500元。
差异不光来自城市，也来自公司在行业的地位。在数据标注出现以前，景璃所在的公司就是业内知名的外包公司，客户包括国内多家互联网大厂。
这也决定了他们的招聘要求。景璃所在岗位要求有编剧、文学创作类经验，校招生前几年要求是本科，现在则要求985/211大学的文学类专业。文琪的兼职是英语类，要求英语专业八级，且成绩至少要达到“良好”。
2、AI需要“裁判”“翻译”和“保姆”
为什么AI需要这些工作？
因为AI缺乏实践积累出来的判断能力。目前，主流AI已经把互联网上的公开信息学习完毕。但在各类细分行业，还存在着大量的“水下信息”：行业内部的隐性知识、经验判断，甚至市面上的二手消息也需要进行甄别，数据标注就是这样一个帮助AI理解人类评价标准的“信息裁判”。
以法律领域为例，AI可以背诵所有法条，但面对一个具体案件的证据链分析，需要理解法官在特定地区的裁判倾向、了解某些证据在实践中的采信概率，这些不会出现在裁判文书网上。
景璃所在的剧本赛道，AI在标注前的输出质量很难让人类满意。“从戏剧创作的角度，AI生成的内容很多有明显的问题，处理这些问题的标准是相对简单、客观的。有时候，AI给的几个备选都不太好，甚至很难找到最优的。”
如果说数据标注是信息裁判，那么具身智能的数据采集就是AI与物理世界之间的翻译。现实世界存在海量物理信息，人和动物的神经系统可以自主适应，但机器人就必须靠人把真实情况如何“告诉”它。
此前有业内人士表示，大语言模型GPT-5训练语料折合约100亿小时，而全行业汇聚的高质量具身数据仅约50万小时，差距以万倍计。
数据采集的缺口大，也催生出资本热度，目前行业里头部的创业玩家，光轮智能和帕西尼感知估值均达到了百亿级别。
帕西尼感知2025年在天津投产了全球最大具身智能数据采集工厂——Super EID Factory，部署超150个标准化采集单元，年产2亿条高质量训练数据；2026年又在江苏宿迁、湖北武汉、四川自贡、江西赣州建4座超级工厂。
复杂的不光是物理世界，还有企业的数据库。一位从事制造业的人士告诉《豹变》，个人和企业级AI Agent存在开发上的鸿沟，因为AI本质上是一个概率模型，难以完成企业里一些“精准且复杂”的工作，比如数据管理。
一位AI产品经理表示，“我们现在的数据管理智能体，正式运行前的数据清洗还是需要人工来完成。AI如果想要应用于传统制造业，对数据质量的要求很高。”
原因在于，大部分制造业没有使用统一格式的数据库，不同部门使用不同的数据标准，同一组数据在不同的表格里有不同的字段名称，数据中还存在大量冗余信息和错误。由于AI有一定概率出现幻觉，无法精准消化这些“脏数据”，必须经过清洗、对齐、补全。
这导致了AI工具要在企业跑通，需要有人做它的“保姆”。现在的企业级AI Agent，大多以整合服务方案应用于制造业，方案内容包括：数据线上化、数据清洗，最后才是AI Agent的具体应用。
3、人和AI各自的“烦恼”
不光是传统制造业，AI大厂的管理者们也希望通过AI提高企业日常运行的效率。但现实是，企业管理层往往寄望于AI降本增效，却低估了基层员工在决策中的作用。
一些大厂员工对《豹变》表示，企业强推AI，实际上增加了工作压力，因为员工不得不为AI的工作产出“擦屁股”。员工被要求在AI辅助下完成更多任务，但AI输出的结果又需要人工反复核对修正。
这也和一些公开的研究成果相吻合。
员工行为分析平台ActivTrak跟踪了2023-2025年超千家企业和4.43亿小时的数字化工作行为数据，并得出结论：随着AI落地职场，从业者的工作量并未减少，反而出现周末加班增多、工作碎片化加剧的情况。其中，员工的协作沟通时长增加34%，多任务处理时间增加了12%。
当然，这种压力一般不会压在数据外包的头上。“每天10点上班7点下班，一天工作8到9小时，白天时不时也能休息。”景璃这样对《豹变》说。
虽然觉得工作的性价比还可以，但景璃还是在考虑别的方向。“我的目标是去做短剧编剧，现在这份工作很机械，做久了对职业发展没什么帮助。”她的大多数同事却觉得，现在找个事少离家近的工作已经不容易了，抱着先做着的心态。
想法的不同可能和群体有关。景璃刚参加工作不久，她的同事们则大多超过30岁。在互联网大厂，这已经是一个平均年龄相对较大的群体。
文琪也明确表示，做数据标注的兼职只是赚个外快，校招找工作是不会找数据标注的。文琪的兼职群里也大多是学生或其他需要赚快钱的各类人群。
这可能意味着，从事数据标注的人要面对长期的职业生涯瓶颈。
这种没有行业资深人士参与、提升空间有限的状况，也限制了AI的能力。一些头部数据标注公司也试图寻找专业人士，但整体上并不成功。一位资深律师向《豹变》透露，有数据标注公司找上过自己，但被他拒绝，因为开出的价码太低。“就算你给我8000元一小时，我还要掂量下要不要冒失去饭碗的风险，何况只给200元一小时呢？”
越是需要做复杂判断的领域，数据标注的成本越高，但很多标注企业又不愿意付出足够高的溢价。结果是，这些领域的数据缺口长期存在，模型在垂直场景的表现也难以突破。
具身智能也面对类似的数据价格瓶颈，后果则是企业间的差距被拉大。真机遥控操作是行业公认质量最高的数据采集方案，单小时有效数据的成本可高达数千元，头部机器人公司凭借资金优势拥有最丰富的真机数据积累。
但很多公司受限于资金规模，只能用头部机器人公司的公开数据或仿真数据训练自己的模型，但仿真数据与真实物理环境存在偏差，迁移到真机时往往出现“Sim2Real Gap”（仿真到现实的差距）。
长远来看，数据成本总有随着规模化而被摊薄的一天。但AI始终要面对“做错了谁来负责”的问题。
责任背后，是法律与社会对“人格化主体”的认定。但AI不是法律主体，不能承担民事责任。企业如果用AI替代专业人士完成这些工作，一旦出错，责任链条会变得模糊不清。
这也是很多工作无法被AI取代的另一重原因。这些工作，既是AI发展的基石，也是AI局限性的证明。只要AI还在学习人类知识，只要物理世界还需要被“翻译”成数字语言，只要社会还需要明确的责任主体，这些工作岗位就会继续存在。]]> <![CDATA[学术评判中，“AI考官”能被委以重任吗]]> 科技日报记者 张梦然
“AI考官”能评判学术背后的思想重量吗？一项大规模研究，将当前最先进的生成式AI推上了学术评判的席位。
英国剑桥大学领衔的研究团队让Claude、ChatGPT等前沿模型，为来自英国三所大学考试和考核中的761篇本科论文逐一打分。结果显示，AI给出的评分与专家评审授予的学位等级仅仅有约半数相符。更为严峻的是，这些系统在识别优秀的学术成果和薄弱的作业时屡屡失准，暴露出其对语言形式过度敏感、对学术实质把握不足的缺陷。
这份新近发布的报告警示，尽管AI可以在一些阅卷流程中充当辅助工具，但若将其推向前台  独立裁断，不仅可能抹杀学生的个性才华，更将动摇高等教育赖以维系的信任根基。

评分模式“掐头去尾”

这项名为OpRaise的研究由剑桥大学心理学家德博拉·塔尔米博士主持，联合曼彻斯特城市大学、诺丁汉大学共同完成。研究团队选取了2022年至2025年间提交的761篇真实本科论文，涵盖50个模块、87项不同作业，考核形式包括课程作业、开卷居家考试与监考考试。
接受测试的三种前沿大语言模型分别为Anthropic的Claude Opus4.6、OpenAI的GPT-5.4以及谷歌的Gemini 3 Flash。研究团队系统性地从评分标准具体性、校准干预和评分策略三个维度调整指令，甚至为模型提供了完整的评分标准与预期分数分布，并要求其在给分前逐项解释评判依据。即便如此，AI的评分准确率仍徘徊在35%至65%之间。
在三所不同的大学里，AI都表现出明显的“中心倾向偏差”。它们倾向于给所有作业打上安全的中等分数，在50至60分的区间，与人类评分最为接近。一篇被人类专家评为75分（一等学位水平）的优秀论文，AI平均会压低几分；而一篇被评定为50分的薄弱作品，AI反而会慷慨地拔高几分，呈现“掐头去尾”的评分模式。
更注重形式而非“内涵”
人类阅卷，要基于学术推理和学科洞察再作出判断，但AI的评分本质上依赖统计预测。此次所有被测模型，无一例外地对语言特征表现出过度敏感：文章篇幅更长、词汇范围更广、句子结构更复杂，往往就能获得更高分数。至于论证是否严谨、证据是否充分、批判性思维是否到位，则并非其关注核心。换言之，AI更容易被“漂亮的外表”迷惑，很难穿透文字去掂量学术思想的重量。
这种形式重于内容的倾向，带来了同质化风险。研究团队在不同时间用同一篇论文反复测试，AI每次给出的分数几乎纹丝不动。表面上看，这似乎是“一致性高”的优点，实则暴露了这些AI在共享同一种机械逻辑：它们并非在“理解”论文，而是在匹配语言模式。
而当所有模型都呈现相同的评分模式时，学生的个性表达、独特的论证路径、非常规但富有创见的思考，反而可能被忽略。这种偏见的后果，就导致上文所说的，AI在最重要的评估决策之处，准确率最低。
在评语反馈环节，同样存在局限。AI生成的评语篇幅通常是人类的3至8倍，团队于是将AI评语压缩到与人类评语同等长度后，再交由教职工和学生辨别作者身份，结果众人竟难以区分。然而一旦揭晓哪段话出自AI之手，参与者对AI评语的认可度便明显下降。这说明，教师与教师之间、教师与学生之间，那种基于专业默契和学科共同体的理解，仍是AI无法取代的。
人类考官无法被替代
面对日益繁重的阅卷压力，不少高校将AI视为缓解教职工负担的潜在方案。塔尔米博士坦言，大学正承受着削减工作量、提高效率、满足学生期望的多重压力，一些机构已开始考虑让AI承担评估职责。机器或许确实能分担部分劳动密集型的阅卷工作，让教师腾出更多时间直接指导学生。但这份题为《AI大学评估中的应用：评估自动评分的机遇与风险》的报告强调，最终成绩必须始终由人类裁定，AI至多只能充当“第二双眼睛”，用于错误检测、一致性检查，或是标记出AI评分与人工评分差异显著的作业，提请人类重点复核。
学术评估的意义，远不止于技术层面的打分。塔尔米博士指出，评估是构建教育意义的过程，它让学生感到被重视，维护学术标准，维系师生之间的信任。
曼彻斯特城市大学的报告合著者雅埃尔·本恩博士补充道，许多学生明确表示，若得知作业由AI打分，会产生强烈的被欺骗感；教职员工也认为，过度依赖机器可能侵蚀到专业判断，并“抽走”了高等教育作为核心的人性化。师生之间围绕评分与反馈形成的默契与期待，本质上是一种“社会契约”，它的存续有赖于人对人的认可与回应。
这份报告并没有否定AI在教育领域的价值，而是为其划定了清晰的边界：AI绝不能取代“考官席”上的那双受过专业训练的眼睛。在学术质量的裁断场，人类的推理、经验与责任感，至今仍是无法被算法替代的最后防线。
]]> <![CDATA[“人工智能+信息通信”创新发展部署17项任务]]> 近日工业和信息化部印发《“人工智能+信息通信”创新发展实施意见（2026—2028年）》（以下简称《实施意见》），围绕推动信息通信行业智能化升级、夯实人工智能发展底座、深化融合应用创新推广、增强信息通信行业治理能力等四个方面部署17项具体任务，进一步促进人工智能与信息通信融合创新发展。
　　数据显示，目前我国5G基站总数已达500.9万个，400Gbps广域长距传输现网部署应用，智能算力规模达1882　EFLOPS（FP16），为我国AI的发展和普及应用提供了坚实底座。在5G、光网等提供网络连接基础上，积极引入AI技术充分释放数据价值，为行业用户提供更加综合化的新型信息服务，形成机器视觉检测、精准设备控制等一批典型应用场景。
　　工业和信息化部信息通信发展司相关负责人表示，人工智能技术正处于快速迭代、加速突破的爆发期，人工智能与信息通信深度融合作为新兴研究方向，具有较强的复杂性与系统性，在关键技术突破、融合路径探索、商业模式创新等方面仍面临系列问题和挑战。
　　《实施意见》结合人工智能与信息通信发展基础和演进趋势，重点从高价值场景、典型应用、支撑底座等方面提出未来发展目标。
　　具体而言，到2028年，人工智能与信息通信初步构建融合互促的创新发展格局，信息通信智能运营和服务能力达到国际先进水平，信息通信网络初步实现高等级自智，形成30个以上高价值典型场景，打造一批典型应用和特色智能体。网络、算力等信息基础设施支撑人工智能能力进一步提升，城域算力1毫秒时延圈覆盖率不低于75%。到2030年，“人工智能+信息通信”步入技术引领、产业繁荣、安全可靠、智能普惠的发展新阶段。
　　围绕夯实人工智能发展底座，《实施意见》聚焦网络、算力、算网供给提出具体举措。包括，加快建设400Gbps/800Gbps等骨干传输网络，有序推进城域400Gbps及以上高速光传输系统设备应用，构建城域毫秒级低时延入算能力。构建枢纽—区域—边缘三级节点协同的算力设施体系，建立完善国家和区域算力平台，加快构建全国一体化、集约化、市场化的算力服务体系。
　　围绕信息通信业与AI融合赋能千行百业，《实施意见》提出打造网智融合新终端、丰富信息消费新场景、赋能垂直行业提质升级、推动社会民生智能普惠等四项具体举措。其中明确，加强具身智能与信息通信融合创新。大力发展人工智能手机和电脑、智能家居设备、智能穿戴设备等产品。鼓励基础电信企业积极利用人工智能赋能传统电信业务，深化智慧个人助理、智慧管家、家庭看护等人工智能应用。
　　《实施意见》提出强化组织实施、加大支持力度、加强国际合作、开展宣传推广等保障措施。其中明确，加大支持力度，通过多种资金渠道支持网络智能化关键技术和产品研发攻关。
]]> <![CDATA[从“AI养猪”到“AI修理机器”，千问大模型加速融入千行百业]]> 全球领先的人工智能服务公司和全球领先的畜牧业公司会发生什么碰撞？
因为AI，让这两个跨度非常大的公司得以紧密合作，并产生了显著的“化学反应”。
日前，牧原食品集团股份有限公司（以下简称“牧原股份”）与阿里云计算有限公司（以下简称“阿里云”）正式签署战略合作协议，双方将依托牧原在畜牧行业积累的海量数据与专家经验，结合千问大模型与阿里云智算算力，共同打造智能养猪大模型，推动AI在饲料营养、种猪育种、养殖管理、兽医健康等核心领域的落地。

目前，牧原股份基于千问大模型打造的AI应用“小牧助手”已在1000多个猪场应用，将每批次约600头猪的健康检测耗时从20分钟大幅缩短至秒级，效率提升超百倍。
畜牧业是最传统的行业之一，当传统行业都在积极拥抱AI并利用AI大幅提效，这意味着大模型为代表的AI技术浪潮已经无远弗届。
来自阿里云的统计数据也佐证了这一点：依托阿里云的AI全栈基础设施，千问大模型不仅在畜牧业推动生猪养殖从“经验驱动”迈向“AI驱动”，还深度服务政务民生、制造、能源、交通、医疗、金融等国计民生重要领域，推动各行各业转型升级。
从“经验养猪”到“数据养猪”
对于传统畜牧业而言，猪病多、技术要求高、优质经验难以复制等是共性难题。牧原股份养猪生产首席运营官李彦朋给出这样一组数据：培养一个合格兽医至少五年，培养一个专家级兽医至少十年。但猪场等不起——流行性腹泻（PED）发病又快又急，24小时之内就能传遍一栋产房，7日龄的小猪致死率高达100%。
作为大型生猪养殖企业，牧原股份专注生猪养殖30余年，已形成覆盖饲料、育种、养殖、屠宰加工的完整产业链。在生猪全产业链应用330万套智能装备，每天产生20亿条数据，这些数据与30余年沉淀的对养殖底层知识的深刻认知及实践技术路径，为构建养猪大模型奠定了坚实基础。

阿里云则依托超大规模算力平台与深厚的大模型研发能力，基于千问为牧原股份打造生猪养殖AI应用——“小牧助手”。
目前“小牧助手”已在1000多个猪场应用，能够实现场线经营管理分析、兽医健康诊断与防治、各场景内部知识问答等功能，将优秀的养猪技术快速复制到每一个养殖场。
例如，以往猪群疾病诊断需要依赖有经验的兽医或养殖工人，耗费大量时间且准确率不稳定，现在“小牧”仅需几秒即可出结果，快速识别猪只疾病并提供防治方案；过去场线经营分析需要人工汇总多张报表、核算几天，现在系统即刻生成每个场、每个养殖批次的经营报告，并给出业绩提升建议。
这是一场从“经验养猪”到“AI养猪”的变革，显著提升了生产管理的精准度与响应速度。
“现在我们每天应用‘小牧’几万次，几乎每个员工每周都会用。比如周口等地，兽医在小牧加持下已经能服务更大规模，效率明显提升。”李彦朋说，在成熟经验大纲的指导下，专家可以更及时、更精准地指导养殖生产，帮助企业从“依靠人”转向“依靠数据”，从事后补救转向提前预防、及时干预，实现止损并创造更大价值。目前应用下来，已初步实现了企业一开始设想的部分目标。
加速重点行业AI规模化应用
从牧场到工厂车间，从政务办事窗口到医院，从公路运输到飞行，从电网到银行，千问大模型正加速在国计民生的重要场景落地，让AI大模型成为一线工作者的专业助手。
政务与民生是人工智能落地最直接的领域。在重庆，“数字重庆”三级治理中心系统，以千问大模型和百炼平台为基础构建了完善的AI智能体系。例如，“渝小智”政务服务智能助手，基于千问大模型构建专属知识库，实现86.57%问题解决率的智能客服系统。
在电力系统领域，国家电网联合阿里云发布千亿级多模态“光明电力行业大模型”，阿里云提供从基础模型到AI开发平台的全栈技术支持。双方在多个技术场景展开探索，以“重过载成因分析”系统AI应用为例，将规划人员20天的人工分析缩短到5天的定量评估，并将分析频次从年度变为实时，实现电网运行的即时优化，加速构建新型电力系统。目前，阿里云已与能源央企建立普遍合作，80%的能源央企接入阿里AI技术。
在制造领域，三一重工过去遇到工厂故障，维修时效完全依赖维修工个人水平；如今千问结合三一重工工厂的历史维修案例打造出了Agent（智能体），当维修工遇到故障问题时可直接向Agent发问，Agent能快速准确给出故障分析和维修建议。
在交通领域，南方航空基于千问多模态大模型打造了“天盾”安全大模型，用于飞行训练、航班预警和故障检修，具备多模态风险识别、飞行操作评估及故障智能处置等核心功能。东方航空基于千问大模型推出国内航司首个行程规划智能体，深度融合东航会员系统、实时航班数据库及外部服务生态，实现全链路智慧出行。
在医疗领域，复旦大学附属妇产科医院联合阿里云发布“红房子・启元”AI妇产科垂直大模型。该模型以千问大模型为基座，融合百万级脱敏临床病例、权威指南及专家知识图谱，通过“专科对齐”与强化学习技术，保证了专业模型的精准性与安全性。首都医科大学附属北京地坛医院联合阿里云，基于千问大模型，打造“端到端”传染病智能体。该“智能体”嵌入诊疗全流程，覆盖从患者问诊、病历生成，到鉴别诊断、治疗方案推荐的全流程辅助。
在金融领域，中国工商银行基于千问多模态大模型推出了“商户智能审核助手”，在商户准入审核环节，用多模态技术取代传统OCR技术，展现出强大的业务价值。中信证券采用千问作为全系AI数字员工建设的主力模型之一。目前，阿里云已经服务了90%的中国金融机构。
这背后，离不开阿里云坚定投入人工智能基础研发，加快推动技术迭代升级。近日阿里云宣布完成“芯片-云-模型-推理”全栈Agent化升级，同步推出全新AI产品官网“千问云”、搭载自研AI芯片真武M890的超节点服务器，以及最新旗舰模型Qwen3.7-Max，产品能力在编程、推理等核心能力上持续突破，可胜任复杂编程、多智能体协作、生产级办公自动化等高难度任务。
阿里云方面表示，AI的真正价值是要能在企业级市场落地，并在核心业务流程中完成效率闭环，给千行百业带来生产力的变革。站在“十五五”开局的历史新起点，将深入贯彻国家“人工智能+”行动与新质生产力发展战略，持续攻关大模型与智能体核心技术，深化算力基础设施布局，推动人工智能全方位服务政务民生与实体经济。
]]> <![CDATA[钉钉歪了，阿里能一锤敲正吗？]]> 文章配图-1

记者 钱玉娟

在大搞组织变革与业务重组之后，阿里巴巴集团再度因其内部文化管理问题站上了舆论的风口浪尖。

6月10日，阿里巴巴合伙人委员会罕见地在内网发布了一篇题为《有情有义有成长，才是阿里文化》的文章，直指钉钉现行的管理模式“不是阿里文化该有的样子”。

这场风暴的导火索，是一名钉钉产品经理在阿里内网发布了一篇长达7万字的离职长文《置身钉内》。该文指出钉钉内部存在上层高压管理、团队恶性内卷、员工机械执行等问题，在阿里内外部引发同频共振与激烈讨论。

“相互尊重，视人为人，有情有义，是我们的文化底色。”阿里合伙人委员会在文中重申，无论时代如何改变，技术如何发展，这些底色阿里巴巴一定不能改变。阿里巴巴合伙人委员会是阿里顶层治理机制的核心环节，由马云、蔡崇信等核心管理成员构成，此前几乎从不就具体业务线的管理问题公开发声。

作为阿里旗下企业级办公与协同工具，钉钉在外界眼中一直扮演着效率利器的角色。《置身钉内》一文曝光后，钉钉内部长期积压的管理矛盾也被推向公众视野。

作为一款办公协同工具，钉钉天然带有极强的“KPI导向”与“流程追踪”属性。在近年来互联网红利见顶、各业务线狠抓人效的背景下，这种工具属性很容易反噬回组织内部，演变成过度追求数据、缺乏人文关怀的高压管理。

例如，这篇离职长文提到钉钉的用户算法和用户的关系：当AI被用来催办、督办和绝对触达用户（普通员工），后者感受到的并不是“智能的平权”，⽽是“被凝视的加剧”——AI削弱了员⼯在⼯作流中用于喘息的⼼理缓冲带。这将矛头从钉钉的内部管理，延伸到了产品基因与愿景层面。

阿里合伙人委员会及时踩刹车，实际上是给全集团的管理者敲响警钟——不能为了短期的效率，而异化了“视人为人”的底层逻辑。

值得注意的是，在前述阿里合伙人委员会内部信中，“AI时代”成为了一个高频出现的关键词。内部信指出，阿里的未来在于创新，但是创新依靠的从来不是高压和机械执行，AI时代更是如此。

这也是当前大厂在全面拥抱大模型与AI转型期面临的集体困境。过去，PC和移动互联网时代，互联网大厂依靠人海战术和赛马机制，通过强有力的制度执行与疯狂加班，迅速建立起商业壁垒。然而，进入智能化时代，AI已经能够高效替代重复性的机械工作。此时，企业最核心的护城河，已经转移到极其稀缺的原发性创新和情感创造力上，相应的管理模式也不该停留在工业时代的“拧螺丝”思维。

如果靠高压来逼迫员工输出，不仅无法产生真正的AI创新，甚至会逼走那些最具创造力的顶尖人才。

阿里合伙人委员会此次发文，表面上是整顿职场风气，实则是从集团战略层面，对AI时代的新型组织关系作进一步明确，并警醒各级管理者，“团队氛围如何，各级管理者是第一责任人……培养人、激发人是每个Leader的责任。”

一位接近阿里管理层人士透露，在阿里此前的敏捷组织变革中，各业务单元（BU）获得更大的自主权后，部分业务线管理者在独立生存过程中可能出现管理动作变形，尤其在面临业绩压力时，出现与阿里倡导的“有情有义”相背离的管理模式。

作为一家拥有近27年历史的互联网巨头，阿里的企业文化曾被视为其打赢多场市场竞争的软实力。经历了一系列组织分拆与市场激战后，这场由一篇离职长文引发的文化寻根与组织自省，将如何影响钉钉乃至整个阿里集团的组织走向，备受关注。

]]> <![CDATA[苹果的一次体面认输]]> 过去两年在生成式AI领域步调落后的苹果，这次终于向外界交出了一份“AI成绩单”，

北京时间6月9日凌晨，苹果全球开发者大会（WWDC）如期举行，正式宣布Siri全面升级为AI助手，发布了iOS 27等一系列系统更新，首次引入谷歌Gemini模型。

这是库克的“告别大会”，看起来是一个完美的收官故事，功勋CEO在告别时刻，亲手为苹果的未来十年铺好AI路基。

但没有惊喜，只有追赶。资本市场的反应却极其诚实，股价由涨转跌，市值一夜之间蒸发超过850亿美元（约合人民币5766亿元）。

那个曾经定义了智能手机时代的苹果，在AI时代，似乎真的走下了神坛。

苹果接下来的重担，落在了约翰·特努斯身上，如何追赶AI，如何继续充当科技创新的领先者，特努斯的担子，并不轻。

-01- 苹果AI引入外援

本次大会，最大的看点无疑是“Siri AI”的全面重构。

终于，Siri不再是市场印象中那个只能设闹钟、问天气的“人工智障”。根据现场演示，新一代Siri拥有了更强的个人情境理解能力。

它还能“看懂”屏幕了。比如，当朋友发短信告诉你“我刚把地址发你邮箱了”，你不再需要退出去手动翻找，Siri会自动关联邮箱提取确认码。

Siri能跨App执行任务，能“把上周旅行的照片发给Mike”，甚至能像ChatGPT一样，拥有独立的App界面，支持连续对话和文本交互。

比如，新版Siri能把搜索、音乐、导航等关联起来。比如，你在查询世界杯赛程的同时，可以让它策划观赛派对；也可以追问它，演出的购票方式。

为了改变用户习惯，苹果甚至在系统层级为Siri开通了“超级入口”，iPhone用户可以通过灵动岛随时唤醒，Mac用户能通过Spotlight直接调用。

文章配图-1

图：苹果展示的多屏联动

来源：苹果官网 《听筒Tech》截图

这一切看起来很美，但遗憾的是，驱动这一切的核心大脑，不是苹果自己。

这也是本届WWDC最耐人寻味的地方。库克在任的最后一次发布会上，宣布放弃自研AI模型，深度引入竞争对手谷歌的Gemini模型。

苹果将这套全新AI架构命名为“Apple Foundation”。虽然，苹果强调还有自研的端侧模型，但在最核心的通用模型和云端能力上，苹果承认了自研的失败，转而将底层能力外包给了谷歌。

苹果软件工程高级副总裁克雷格·费德里吉这样解释，这是为了“给用户带来更丰富的世界知识”。

但业内分析师们将其解读为，“苹果放弃了从零开始的追赶，开始借助外部力量补齐短板，把重心放在封装体验上。”

发布会后，有分析指出，WWDC2026的重点，不是“苹果自研AI有多强”，而是 “同样用Gemini，苹果能否做出比谷歌更好的AI体验”。

这意味着，如果苹果做不出来，那Gemini本身就决定了苹果AI体验的天花板。对于一向以软硬一体、自研至上为傲的苹果来说，这无疑是一次体面的“认输”。

更关键的是，市场心心念念的国行版本，Siri AI和其他新的Apple Intelligence功能也暂时不会上线。这是苹果进入中国十余年来，在核心软件体验上，与中国市场脱节最严重的一次。

-02- 牵手谷歌的背后

本届WWDC被称为“库克最后一舞”，但市场私下称其为“AI还账大会”。这不是没有原因的。

于市场而言，如果将AI赛道的竞争比作一场军备竞赛，苹果这几年干的事情大概是，不停地数钱，数到别人都将武器造出来了，发现自己连枪还没装上。

为什么会走到这一步？表面看是一系列精明的商业决策，背后是一条清晰的技术焦虑链条。

时间倒回2024年WWDC，苹果高调发布Apple Intelligence，向全世界承诺一场“AI革命”。

然而，在随后的两年里，备受期待的新Siri功能被数次推迟，团队深陷研发泥潭，产品落地严重不及预期。

与此同时，苹果遭遇了更致命的问题，AI团队人才大流失。AFM团队负责人庞若明、后训练负责人王子瑞等十余名AI研究员相继离职，分别加盟Meta和谷歌DeepMind。

更重要的是，从AI精英人才的集中度来看，苹果已经不再是AI精英的首选技术高地。对一家以“软硬一体”为核心竞争力的公司来说，这无异于釜底抽薪。

对于苹果AI的短板，市场诸多分析直言，外包决策直接导致多个预研项目终止、基础模型团队士气受挫。

于是，苹果做出了过去十余年最不可思议的决定，向宿敌低头。

文章配图-1

图：苹果官宣“与Google”深入合作

来源：苹果官网 《听筒Tech》截图

2026年初，苹果正式宣布与谷歌达成多年期AI合作协议，下一代苹果基础模型将基于谷歌Gemini构建。据媒体报道，苹果每年向谷歌支付约10亿美元的技术许可费。

有分析师直言，苹果选择牵手谷歌，是迫于短期挑战和压力，苹果的AI“不允许再失败”。

这一切的潜台词再清晰不过，苹果承认了，它自己做不好AI这件事。

-03- 用户和资本都不买账

尴尬的是，苹果付出如此大代价换来的“体面认输”，用户和资本市场却没有给出掌声。

发布会当天，苹果股价一度冲高超3%，随后突然跳水，截至收盘跌约1.9%，市值蒸发超850亿美元（约合人民币5766亿元）。

文章配图-1

图：苹果股价走势

来源：老虎证券 《听筒Tech》截图

资本市场的犹疑从何而来？

很明显，苹果的认输，意味着对底层核心技术从此失去了控制权，其AI能力的天花板将被Google Gemini锁死了。苹果的AI进展，从此要看谷歌的迭代节奏。

用户这边同样不乐观。

先是用户对Siri AI功能的失望。不少用户评论指出，“Siri AI几乎感觉不到什么新鲜的东西，基本上我们看到的所有功能，以前都见过”。

更有早期测试用户反馈，新版Siri AI经常记错日程、返回错误答案、响应速度过慢。

更重要的是，不仅仅是“更新不达预期”，就连什么时候会落地，也“只是画了一个饼”。

苹果宣布，新版Siri AI初期仅支持英语，且将以“测试版”形式推出。

对于经历了无数次跳票的市场来说，“Beta”这个词意味着，想用上真正成熟的AI Siri，可能还要等到明年甚至更久。

尤其是对于苹果中国大陆用户而言，更是失望。不少用户在社交平台上调侃“通宵守候却一场空”“全程高能，唯独我们被跳过”。

虽然iOS 27为了解决所谓的“本土化痛点”，甚至破天荒地加入了“节假日与调休闹钟”功能，被部分网友戏称为“史诗级更新”，但这在颠覆性的AI浪潮面前，显得格外苍白。

这对苹果公司而言，不是好消息，毕竟，大中华地区，是苹果公司重要的“收入奶源”。

当然，也并不全是悲观的消息。美国银行分析师认为，如果Siri AI能作为用户与AI智能体交互的核心入口，即便苹果不掌握顶尖大模型，也能从中大幅受益，预计到2030财年能带来150亿-300亿美元的增量收入。

只是，在市场看来，这一分析显得苍白。至少，从目前的股价和用户情绪来看，这次考验的结果，不尽如人意。

退出自研、外包给谷歌、拿钱买时间，这一切的布置，都将“认输”包装成了“务实的选择”，这是一次相当体面的战略后退。

但这种体面是有代价的。当苹果最核心的差异化能力，软硬件的垂直整合，在AI时代被稀释成“别人的基础设施+苹果的界面”，苹果还剩下什么？

3个月后，特努斯将成为苹果的新任CEO。他要面对的，不仅是AI竞赛中苹果的落后身位，还有一家“体面认输”过之后，需要重新找回赢家姿态的公司。

WWDC2026的帷幕落下，库克走出Apple Park的那一刻，苹果AI的新剧本，才刚刚开始写。

（头图来自官网截图。）

（声明：本文仅作为信息交流，不构成任何投资参考建议。）

]]> <![CDATA[6G研究员张雨童：研究网络化协作传输技术，未来在演唱会也能获得流畅稳定体验]]> 6月10日，国务院新闻办公室举行“新征程上的奋斗者”中外记者见面会，请中央企业青年科技人才代表围绕“青春逐梦 科技报国”与中外记者见面交流。

文章配图-1

▲中国移动研究院未来研究院前沿技术研究员张雨童。董宁 摄

中国移动研究院未来研究院前沿技术研究员张雨童是公司6G网络与AI融合团队的一员。她的工作是研究如何让无线信号传得更快更稳，同时让网络建设变得更经济、更高效。2024年7月，她从北京大学毕业，来到行业一线。

现在正值6G标准化的关键阶段。面向6G，张雨童主要研究方向是网络化协作传输技术，最终目的是让基站学会团队作战，让原本相互干扰的多个基站默契配合，协同传输。“未来大家无论是在演唱会、体育馆这样的人员密集场所，还是在远离基站的边缘位置都能够获得流畅稳定的体验。”

张雨童谈到，在工作当中遇到最大的挑战是，如何把学校里学到的理论真正变成实际网络当中好用的技术。

理论落地产业的距离远超张雨童最开始的设想。以网络化协作传输技术为例，张雨童表示，其原理并不复杂，就是让多个基站协同收发信号，但是真正到实现时候就发现每一个环节都困难重重。例如，想让两个基站一起发一个信号，首先要让它们同步。理论上很简单，即提前让这两个基站分别发一个信号，用户收到之后算一下差，再把差反馈给基站，等基站真正发信号的时候把这个差补上。

“真正实现的时候，提前发一个信号就涉及到整个协议流程的更改，用户算一下差还得对终端的代码做修改，反馈给基站又要再次牵扯到协议流程，基站来补这个差，还需要对基站的算法进行优化升级。好不容易调通了，过了一会儿用户移动了，这个同步又要重新来做。我们同步的时间间隔设置成多少合适呢？设太短，开销会很大；设长了，又不准了。仅仅是这样一个协同传输的准备工作就已经是步履维艰了，网络当中的各个环节都要跟着做相应的调整和修改，可谓是牵一发而动全身。”

张雨童谈到，就是从那个时候开始，她逐渐认识到，科研真正的难点不在于推导出多么优美的数学公式，而是要让技术在真实的、复杂多变的网络环境当中稳定运行。于是，她开始主动调整工作方式，开始学着从系统工程的角度来审视每一项技术。

“现在，当我再去研究一个新的理论方案的时候，我会先问自己：这个方案在真实的网络环境当中有可能会遇到哪些问题？它的部署成本是不是可控？以及它和网络当中其他的设备能不能很好兼容？这种视角上的转变也帮助我对技术的全链条有了更全面更深刻的理解。”

]]> <![CDATA[构建数智便民服务圈的难点与重点]]>
　　新时代以来，我国把构建数智便民服务圈作为集社区智慧治理、数据赋能、场景培育和开放为一体的系统性、基础性工程。2021年4月，中共中央、国务院印发《关于加强基层治理体系和治理能力现代化建设的意见》；2022年5月，民政部等九部门联合印发《关于深入推进智慧社区建设的意见》，全国数智便民服务圈建设从试点探索走向全域推进，取得明显进展。数据赋能提速，智慧社区综合信息平台不断健全，数智化服务场景丰富优化，高频政务服务“网上办、掌上办、就近办”成为常态，15分钟生活服务供需对接显著增强。例如，北京市海淀区中关村街道与中关村地区战略科技力量合作研发推出“关芯”AI智能政务服务系统，通过“关芯客服”“关芯助理”“关芯智巡”3个主要板块为居民以及基层员工服务，服务效率显著提升；上海“社区云”基层治理数字化平台已归集基层治理相关数据数亿条，覆盖全市数千个居（村）委会，有效提升了基层治理的效率和服务水平。

　　同时，数智便民服务圈建设存在的问题短板不容忽视。比如，“数据烟囱”“信息孤岛”问题较为突出，有的地方下沉居村组织的各条线部门系统多达十几个，甚至几十个，多部门数据在回流赋能中，因数据标准不一致，致使数据无法互认、系统信息无法自动对接，难以支撑跨部门、跨业务的高效服务；智慧服务系统分散化、多样化，设备接口、数据格式、编码规则缺乏全国统一规范，不同厂商系统难以兼容，出现“一个社区多套平台、多头运维”现象，多元服务场景融合不够；数字鸿沟问题一定程度存在，部分老旧小区网络覆盖差、设备投入不足，有的智慧服务软件适老化程度不够、使用门槛较高，导致老年人、文化程度较低群体被排除在服务圈之外；居民隐私保护等存在风险，数据不安全、居民隐私泄露事件时有发生，引发群众对隐私保护的担忧；等等。这些问题不仅制约了数智便民服务圈的构建，也凸显了数字时代基层服务数智化、便民化、普及化的重要性和紧迫性。

　　构建数智便民服务圈同群众日常生活息息相关，群众对建设成效的感受直接且真切。为此，要依托社区数智化载体，聚焦便民普惠核心目标，坚持用户思维、以群众满意为首要标准，重点在数字治理体制机制改革和数字服务场景拓展两个方面进行深度创新。

　　深化体制机制改革，构筑数智便民服务圈建设新生态。通过优化制度建设，推动基层治理数据资源共享，根据需要向基层开放使用，构筑能够满足数字时代快速响应、个性 服务、精准决策的全新治理生态，是构建数智便民服务圈的重要基础。要认真落实《政务数据共享条例》，建立健全政务数据共享供需对接机制，依法解决数智化便民服务面临的“数据不足”和“数据孤岛”问题，让“高效办成一件事”落地见效。加快推动基层政务服务、生活服务、物业服务等便民高频服务的数据融合、系统对接、标准统一。比如，打造“掌上数智服务超市”，让居民通过一个应用程序即可解决大部分生活需求，通过“一键直达”提升数智服务的便利化程度。持续扩大老旧小区、城中村等区域的新基建投入，持续开展针对老年人、文化程度较低群体的数字技能培训，缩小数字鸿沟，扩大数智便民服务圈的覆盖人群，让每个人都能享受数智化发展的红利。同时，依法强化居民隐私保护和数据安全，打造让人民群众信任、放心的数智服务环境。

　　加大智能终端产品推广应用，拓展数智便民服务新场景。这有利于盘活数字技术资源、延伸服务触角，持续拓宽便民服务广度。贯彻国家“人工智能+”行动部署，落实加快培育服务消费新增长点的重要要求，以需求为导向，在基层社区围绕政务服务、健康养老、便民生活、治理安防等，推广部署诸如综合政务自助机、远程虚拟窗口、AI健康管理站、独居老人无感监测终端、智慧养老食堂、智能快递柜、自助打印复印机、智慧监控系统等终端，推动政企协同开发建设一批人工智能、大数据深度应用于便民服务的新场景，通过统一平台、智能终端、闭环服务一体推进，真正建成家门口的数智便民服务圈。]]> <![CDATA[保护网络版权应形成全民自觉]]>
　　据统计，当前我国网络视听用户规模突破10.99亿，行业市场规模达1.29万亿元；到2025年12月，短视频用户规模达到10.74亿，用户使用率为95.40％，用户增长率为3.27％，数字文化产业已成为文化产业发展的新动能和新增长点。

　　版权作为重要的生产要素与核心财富资源，既是持续激发全社会创新活力的关键引擎，也是推动经济高质量发展的重要基石。网络版权作为数字时代知识产权保护的核心领域，其治理效能直接关乎文化强国建设。近年来，我国持续加大保护力度、创新治理手段，逐步构建起多维度、多领域协同推进的网络综合治理体系，有效激发了社会创新创造的内生动力。《互联网著作权行政保护办法》《信息网络传播权保护条例》等制度的相继出台，为网络版权保护提供了有力支撑。

　　每一件原创作品的诞生，都会经历灵感碰撞、内容雕琢、反复修改的过程，背后是创作者日复一日的坚守与探索，凝聚着创作者的心血与智慧。而侵权盗播、洗稿搬运、非法转载等行为，肆意窃取他人劳动成果，不仅损害创作者合法权益，更会挫伤整个行业的创作热情。毋庸讳言，随着技术迭代与业态更新，网络版权保护面临诸多新挑战。例如，人工智能全面融入图文、音视频、文案创作等领域，训练素材合规性、生成内容权属、商业使用边界等存在规则盲区；影视混剪、剧情解说、作品改编等各类二次创作体量庞大；更有花式翻新的隐性洗稿，行为隐蔽、取证困难，持续给版权治理带来压力。

　　唯有持续严厉打击各类侵权行为，牢牢守住版权保护底线，才能彻底打消创作者的后顾之忧，让更多人敢于创作、愿意深耕，推动更多有温度、有内涵的优质数字内容不断涌现。此次大会带来不少“好声音”，如加快完善新兴领域版权制度设计，加快推进著作权法配套行政法规的修订工作等，均指向新兴领域版权制度供给，为相关创作与产业发展注入更多信心。近年来，各地也出台相关举措，持续推动网络版权保护。例如，北京加强京津冀三地版权保护合作，建立线索移送核查机制，联合查办跨域案件，实现区域协同治理；上海构建“上海市网络游戏产业知识产权保护共商机制”，通过政企联动、多方共治，解决游戏产业面临的侵权取证难、打击黑灰产难等难点，推动知识产权保护从“单点突破”向“系统性治理”转变。

　　未来，破解治理难题还需要多方施策、循序渐进、协同共治。在监管层面，紧跟技术与业态变化，完善相关法规、明确权责边界、创新监管方式，提升智能化治理水平。依托大数据、人工智能等技术搭建监管平台，实现侵权行为自动识别、快速溯源，以科技赋能提升治理效能。平台作为内容传播的关键关口，应主动升级风控体系，转变治理思路，从以往的事后下架、被动处置，转向事前筛查、源头防范，建立信息共享、联合处置机制，打通跨平台协同治理链路，让侵权内容无处流转。各类文化企业、创作者群体更要恪守行业自律，自觉抵制盗版搬运、恶意侵权等行为，携手共建良性行业生态。

　　推动网络版权保护，不仅要靠硬性约束，更需要久久为功、形成全民自觉，逐步提升公众网络版权意识，涵养尊重原创、鼓励创新的良好社会氛围。对此，须打通线上线下宣传渠道，构建全方位、常态化、全覆盖的版权宣传教育体系。一方面，依托各大新媒体平台、官方宣传渠道，常态化推送版权科普知识、合规指引内容，用以案释法的方式，直观展现侵权行为的危害与法律后果，强化红线意识。另一方面，持续深耕普法宣讲与行业精准培训，面向创作者等重点群体，普及法律法规、讲解合规边界，精准解答行业发展中的版权困惑，提升从业者专业合规素养。通过日积月累、润物无声的正向引导，逐渐消除无意识侵权、习惯性搬运等乱象，让尊重原创、保护版权的理念深入人心。

　　唯有每一位网络创作者、传播者、使用者树立清晰的版权观念，自觉坚守法律底线与行业准则，主动抵制各类侵权行为，方能构筑起全民参与、全民守护的坚实版权防护屏障，为网络版权保护与文化产业高质量发展筑牢根基。]]> <![CDATA[AI不是“终结者”，而是转型“催化剂”]]>
　　以笔者熟悉的建筑空间设计这一传统领域为例，AI的介入尤为引人注目。一批面向设计场景的人工智能工具快速崛起，使“AI辅助设计”从概念走向现实。

　　传统建筑空间设计，往往是一个耗时费力、分工明确的长链条。从前期调研，对信息的搜集与碎片化整理，到意向方案阶段的手绘草图与反复建模，再到深化落地阶段的合规性检查与施工协调，每一个环节都依赖大量人力，且进度常受制于技术手段和团队协作效率。以中等规模项目为例，前期调研和信息整理往往需要一到两周，效果图渲染和方案修改又要耗费数周。

　　借助AI工具，在前端调研阶段，设计师可实现背景资料的同步对接、信息筛选与高效整合。以往需要人工翻阅大量文献、统计数据和现场记录的工作，如今可以通过自然语言交互、图像识别和数据挖掘快速完成。AI能够从海量信息中提取功能定位、人群画像、地方民俗等关键内容，并以结构化方式呈现给设计师。原本耗时数周的调研整理工作，可以压缩至数天甚至更短，让设计师把更多精力投入信息解读和需求研判等核心环节。

　　在方案意向阶段，AI带来的效率提升更为直观。传统模式下，设计师主要靠手绘或数字建模呈现构思，不仅对专业技能要求高，而且创意表达常受制于技术手段——将其转化为可视化图纸，往往需要几天甚至几周的建模和渲染。现在，设计师只需输入关键词、上传参考图像、设定风格参数，即可借助AI快速生成多种设计意向图。同时，空间设计师可借助AI，将原始建筑结构照片转化为3D漫游交互模型，并输出空间漫游视频，原本需要两周的工作量可压缩到两天之内。

　　在深化与落地阶段，AI同样发挥着精准赋能的作用。设计深化时，AI可借助参数化设计工具，根据前期确定的意向方案，自动完成户型布局优化、材质搭配调整、灯光效果模拟等细节。同时，AI还能对设计方案进行合规性检查，排查与建筑规范、安全标准不符的问题，减少设计失误。在施工落地阶段，AI可结合建筑信息模型技术，构建三维可视化模型，实现设计方案与施工流程的精准对接，并实时监控施工进度与品质，及时发现并纠正偏差。这些应用大大降低了项目实施的风险，也减少了后期返工损失。

　　人工智能带来的不仅是工具升级，更是行业运行模式的深层重构。一个值得关注的新现象是“一人团队”的涌现——部分熟练掌握AI工具的设计师，已能独立完成从前端调研、方案构思、效果表现到深化落地的全流程工作。原本需要多人分工协作的基础绘图、资料整理、效果图渲染等环节，如今一人一机即可胜任。

　　这意味着，传统设计行业长期依赖的“分工协作、层层推进”模式，正在被“AI辅助+设计师主导”的新模式所挑战。分工边界趋于模糊，团队结构趋于精简，行业生态面临重构。过去相对固定的岗位，如设计师、绘图员、效果表现师、建模师之间的界限正在消失，取而代之的是以“AI素养”为核心的新型能力划分。

　　与此同时，行业门槛并未因AI的普及而降低，反而被重新定义。过去，设计师的核心竞争力主要体现在专业功底与软件操作能力；而在AI时代，设计师的不可替代价值更多体现在创意研判、人文注入与审美甄别上。AI可以生成“好看”的方案，却难以理解建筑与空间中的人文内涵、地域特色与个性化需求。能够熟练使用AI工具，同时又能赋予设计以温度和意义的设计师，正成为市场上的稀缺人才。

　　AI带来的挑战同样现实而紧迫，主要体现在：对传统基础岗位的替代冲击、对设计师综合能力的更高要求以及行业制度与规范建设相对滞后三个层面。面对AI带来的机遇与挑战，既不应盲目追捧、过度依赖，也不能因循守旧、拒绝变革。理性认识、主动适应、合理应用，才是长远发展之道。

　　从行业层面来说，应加快完善AI应用的配套制度与规范。首先，明确AI生成内容的知识产权界定，为技术应用提供清晰的法律底线。其次，推动AI技术与设计实践的深度融合，引导行业建立“技术+创意”并重的新型模式。再次，教育体系要跟进调整，在高校设计类专业中增设AI相关课程，培养具备AI素养的新一代设计人才。

　　从用人单位的角度来说，应主动探索适应AI时代的新型组织模式。不应简单地将AI视为“减员增效”的工具，而应思考如何利用AI提升质量、拓展服务边界。例如，建立“AI辅助设计中心”为设计师提供技术支持；探索“设计师+AI”的敏捷工作流程，缩短项目周期，降低客户成本；利用AI的数据分析能力，为客户提供更精准的需求洞察与决策支持。

　　个人层面，首先要熟练掌握主流AI工具的基础使用方法，包括指令输入、参数调节、结果优化等技能。更重要的是，培养自己的创意甄别能力和人文表达意识。AI可以生成很多方案，但只有设计师能判断哪个方案真正符合使用者需求、体现地域文化的特色、在细节中传递温度。

　　人工智能不会替代设计师，但熟练掌握AI技能的设计师将拥有更好的行业发展前景。从手绘到计算机辅助设计，再到人工智能辅助设计，设计工具在不断进化，但设计本质从未改变——为人们创造更合理、更舒适、更有温度的空间体验。如果各行各业都能善用技术而不迷信技术，就能在AI时代焕发新的生机与活力。]]> <![CDATA[电厂 | 今年618，除了AI没有任何新鲜事]]>

文章配图-1

记者 何畅

编辑 高宇雷

战线超长的电商大促活动已经让消费者模糊了时间的界线。5月，你开始为了618领券凑单，只为了拿到所谓的“好价”；6月，快递收了又退，你依然在购物车里挑挑拣拣。等到该买的都买到手，你才发现，原来离6月18日这个“正日子”还有一周，而电商平台的“最后一波”尚未开启。

没有新玩家，App开屏广告跳转的始终是淘宝、京东等老面孔；也没有新玩法，不论是“满减”还是“立减”，都离不开反复的叠加、对比和计算；甚至没有数字精确的战报，电商平台不公布，用户也不关心。一位用户的心态可以作为参考：“重要的不是我参与了价值多少亿的大生意，而是我在这桩大生意里省下了多少钱。”

又累又平淡，已经成为部分商家和消费者对于电商大促的共同感受。从商家的角度来看，每个月都有新的促销活动，“这个活动刚结束，下个活动就该报名了”；消费者则需要眼疾手快，盯紧随机发放的优惠券和随时可能失效的商品链接。而在熟悉的路径和操作之外，AI成为了为数不多的变量，虽然效果未知，却已经是电商平台必须打出的一张牌。

AI电商，先落地再说

如今，模型能力的升级被压缩至以月和周为单位，一些小版本迭代和细微调整甚至可以按照天和小时进行计量。然而，技术是花钱的，也是需要用来赚钱的。即使存在时间错配，再先进的生产力，还是会被应用于与消费相关的场景，比如内容消费层面的短剧，以及实物消费层面的电商。

5月11日，在较长周期的618大促拉开帷幕之前，阿里巴巴旗下千问与淘宝正式全面打通。通过千问App和淘宝App内置的“千问AI购物助手”，用户可以完成淘宝商品的挑选、对比和购买。

文章配图-1

图片来源：阿里巴巴

和年初以无门槛免单卡带动下载，实现“一句话点外卖”的动作相比，更丰富的商品SKU和详情页信息，给了千问和淘宝更大的发挥空间。特别是在复杂商品参数对比和模糊购买意图理解上，一位被灰度到该功能的88VIP用户认为“还挺好用”。

在此之前，豆包已经与抖音电商完成全链路打通，为用户去掉搜索框，直达商品购买页。据36氪报道，如果进展顺利，豆包将于2026年第三季度进一步结合电商功能完善付费场景，并通过补贴为抖音商城引流，第四季度进入运行期——这些都是商业化加速的结果。

新的问题随之而来：AI推荐的商品有没有经过广告加持？推荐和排序是否值得用户信任？毕竟，GEO（生成式引擎优化）已经是一桩生意。一位食品商家告诉电厂，电商平台发力AI购物功能，其实对商家的商品信息优化能力提出了更高的要求，“产品卖点不只是写给人看的，而是同时写给人和AI看的”。

文章配图-1

图片来源：京东

不过，不同电商平台之间的AI工具并不互通。一位家居商家发现，自己在淘宝商家后台生成的视频就无法在京东上传。前述食品商家则选择亲自动手，在将Claude Code接入飞书后，他把大部分业务都搬到了飞书。“AI承接了重复性比较高、耗时较多的工作，但核心判断和决策还是我们自己来。”

购物如炒股，逢低买入

618和双11大促的擂台打到今天，尽管各家电商平台一直宣称要简化大促优惠规则，其实留给用户的还是不变的配方：五花八门的券包、层层叠加的满减、加了又删的凑单，以及复杂到非常有助于用户时长提升的游戏。

如果不是“羊毛群”的群主或成员，你大概很难说清楚淘宝、京东、抖音电商们到底在什么时候发券，又发了几波券。一位计划购入无印良品多款商品的用户说，她对比了线下门店和天猫、京东、抖音这三个平台的官方旗舰店，最终决定根据优惠券的力度选择下单平台。

文章配图-1

图片来源：电厂拍摄

两周过去了，她并没有下单。原因在于，不同平台之间、同一平台在不同时间段发放的优惠券大小、使用门槛和时效都不一样，而部分商品又经常缺货。再加上看到社交平台上其他用户的凑单战果，她开始觉得“再等等价格也许会更低”。

前述88VIP用户觉得，这个618过得“堪比炒股”。为了拿到真正的“好价”，她不得不时刻留意电商平台的发券动态，在淘宝还需要组合店铺随机优惠、生日券、淘金币等福利，反复比对实际到手价格，“下个单就像炒股盯盘一样费劲”。

更何况，随着优惠券使用门槛的提升，用户只能通过凑单解锁低价。常见的做法是将非必需的商品加入购物车，凑齐金额完成支付，再将非必需的商品申请退货。此时，优惠价格仍然保留。

文章配图-1

图片来源：电厂截图自小红书

和炒股类似，除了“逢低买入”，用户也会“逢高退回”。前述计划购入无印良品多款商品的用户就在搜索凑单攻略时发现，“很多人刷到别人下单的截图，才知道自己买贵了或还有券没领，往往会退单重下”。

“今年就是平销”，一位运动户外商家表示，即使不参加618大促，正常售卖的情况下“（成交）应该也比目前多”。“现在本来应该是旺季，平台把水都给搅混了。”

大主播，各自奔天涯

与此同时，头部主播阵营继续分化，方向各有不同。

李佳琦是618期间最忙碌的大主播，自5月中旬起连续直播，几乎无休。此前，他曾经许久未出现在直播间，也因为一次泪洒活动现场的演讲被猜测为即将退休。不过，他对此给出了解释，“有时候缺席直播”是去录制综艺。也就是说，这个过去“从来不敢离开直播间的人”，虽然拥有了缺席直播的底气，但一直没有停止工作。

文章配图-1

图片来源：电厂截图

另一个还在努力的男人是董宇辉。618开启之前，他被京东采销喊话，后者称无法观看与辉同行直播间，怀疑被单方面屏蔽，“私下搞小动作”。随后，京东家电家居采销直播间打出了“‘大主播粉丝’凭订单现场打九折”的口号。与辉同行方面没有回应，这也并未动摇董宇辉的粉丝根基。6月9日，许多粉丝将鲜花送到与辉同行工区，庆祝“宇辉出圈四周年”。

还有一些已经淡出的面孔，比如罗永浩、小杨哥，还有将直播接力棒交给另一半的薇娅、辛巴。辛选的师徒版图又少了一块，辛巴的大徒弟赵梦澈于6月9日宣布，与辛选合同早已到期，将彻底退出直播行业，转向消费品行业的幕后工作，不再以主播身份出现在任何平台。至此，辛巴早期招至麾下的“四大门徒”——赵梦澈、蛋蛋、猫妹妹、时大漂亮均已离开辛选。

至于薇娅，往往出现在他人的镜头里。2025年，她和老公董海锋一起参加了全球数字贸易博览会，还在浙江传媒学院分享了对新媒体生态和主播能力进阶的理解。5月底，谦寻总部新大楼正式启用，薇娅出席剪彩。有员工在社交平台上晒出了她包装乔迁喜糖的图片，评论区的粉丝写道：“是我想念的姐姐。”

从拼命营业到转身离场，从台前带货到幕后布局，头部主播的不同选择，本质上是行业红利消退后的必然分化。随着行业和平台规则收紧，流量在低价导向下被进一步稀释，用户不再冲动消费，而是更为理性地捂紧钱包。于是，直播间和货架电商一样，失去了曾经的光环，只作为日常消费的一部分存在。

在前述家居商家看来，AI电商的持续落地可能对直播电商行业造成一定的冲击。“AI可以掰开揉碎了给你讲，而且不用在直播间等着，也不担心错过什么，有求必应、一目了然。”

同为降低决策成本的升级，直播电商基于信任和情绪，高度依赖流量驱动；AI电商背靠数据和算法，意味着消费入口的变化。但比起经过长时间培育才有望出现的爆发，商家们更在意眼下的盈亏——大促不会停止，他们希望“能多一点利润”。

]]> <![CDATA[AI泡沫已经在破了]]> 文章配图-1

拥抱变化。

来源：格隆

作者：城北徐公

近几天，市场剧烈波动，“AI泡沫论”甚嚣尘上。

桥水基金创始人达利欧说：AI市场存在泡沫，而且水平“相对较高”。

英伟达CEO黄仁勋说：AI存在巨大机会，算力需求才刚刚开始爆发。

到底信谁？

他们两个说的都没错。

AI行业存在泡沫吗？必然存在。

但科技领域的泡沫，往往是社会面对颠覆性先进生产力时，唯一能够采取的致敬方式。

它并非单纯的贬义词。

长远来看，这是先进生产力出现之初必然会出现的现象。

文章配图-1

很多人都把如今情况对标2000年的互联网泡沫，忧心忡忡。

当年的互联网泡沫，确实导致纳指暴跌近78%，超过5万亿美元的财富蒸发。

但二十年后，有哪个行业能离得开互联网？

如今，互联网行业的价值早已远远超过当时的泡沫时期。

AI泡沫，至少从表面上看，是类似的情况。

在资本市场中存在的泡沫，无法阻挡社会中几乎所有行业都在主动被AI赋能。

AI+是大势所趋。

就像现在所有行业都离不开互联网一样，未来所有行业也都离不开AI。

这里插播一条课程资讯：

报名「 黑马·美国游学 」， 9月13日-9月19日， 我们将带着 30 名 同学，开启 7天硅谷·洛杉矶 高阶交流。

直面 谷歌、英伟达、Meta、TikTok 等全球核心玩家，对话斯坦福学术大咖、硅谷顶级投资人与出海顶尖操盘手 ， 打通「前沿技术一顶级资本一 出海落地」全链路。

还会学习 TikTok、SHEIN 等标杆的出海实战打法，链接全球产业资源，找准专属的AI升级与全球化增长航道。

扫码咨询报名

（翻到底部了解详情）

01

在那个只要公司名字带个.com就能上市圈钱的年代，1995-2000年间纳指暴涨近600%。随后，便是一场持续两年半的金融风暴。

当年那些响当当的名字，软件公司MicroStrategy，因为会计丑闻和吹牛过头，一天内暴跌62%；Pets.com（网上卖狗粮的）、Webvan（生鲜电商鼻祖）直接原地倒闭。

……

恐慌中，几乎所有人都在指责互联网就是骗局。

但是，投机资本过度挥霍所沉淀下来的物理基础设施，往往会以极低的成本，滋养出下一个时代的超级巨头。

泡沫之所以破裂，不是互联网技术本身的问题，而是基础设施的物理建设速度跟不上市场的节奏。

比如当年那些如日中天的电信公司（如WorldCom、Global Crossing），砸下重金铺设的全球海底光缆和光密度波分复用网络，虽然让它们自己破产了，但这些廉价的“信息高速公路”却成为了日后Netflix、Zoom和移动互联网崛起的完美温床。

如果没有2000年前后全球对电信基建的疯狂超前投资，就不会有后来YouTube的视频流媒体爆发，更不会有后来的云计算基础设施。

最典型的就是亚马逊。

股价从1999年的最高点107美元，一路惨跌到2001年的7美元，跌幅超过90%。

但它活了下来，因为它的底层商业逻辑，“用网络重构零售”，是符合先进生产力方向的。

这是经典的阿玛拉定律：高估一项新技术的短期影响，而严重低估其长期影响。

技术革命的初期，投机资本的狂热必然会带来过度投资，形成泡沫。

这是创新必须缴纳的智商税。

但当泡沫散去，留下的将是更坚不可摧的先进生产力。

02

回到2026年，AI行业的泡沫看起来更大。

仅亚马逊、谷歌、Meta、微软和甲骨文等五大云服务商，预计2026年的资本开支达到6900亿美元，到2030年的AI基础设施投资总额预计达到5.3万亿美元。

其中，只有约25%买GPU，剩下的75%全砸在了物理基础设施上：液冷系统、电力传输、网络交换机、光模块以及土地。

收入方面，OpenAI、AnthropicCohere、Mistral、Perplexity等所有头部纯AI厂商，2026年的总收入加起来，预计也不超过400亿美元。

基础层砸进去近7000亿，应用层收回来几百亿。

这种严重的不对称，不是泡沫是什么？

不能简单粗暴地去下这种结论。

有一个关键点不能忽视。

2023年3月，OpenAI发布GPT-4时，每百万Token输入的混合成本大约是30美元。

到2025年4月，伴随着模型架构的优化和推理算力的提升，同等智力水平的模型，每百万Token的价格暴跌到了0.1-0.15美元。

根据斯坦福大学的《AI指数报告》以及TokenCost的数据：AI推理成本在近两年下跌超过99.7%。

按照传统的线性思维，成本暴跌，那企业的AI支出应该减少才对。

但现实是，企业AI云支出在2024到2025年间翻了三倍。

为什么？

因为当“智力”的边际成本无限趋近于零时，AI不再只是简单的文本总结或陪 聊机器，而是进入了智能体和多模态增强检索的新时代。

企业开始让AI智能体自动循环跑几千次任务，去写代码、去扫描几百万份法律合同、去模拟生物学实验。

便宜的Token解锁了海量的、原本受制于成本而无法商业化的长尾需求。

这一点，我们对比一下2026年的英伟达，和2000年的网络硬件霸主思科，也能看出端倪。

两者的生态位极其相似，但底层财务健康度却有着天壤之别。

文章配图-1

英伟达与思科的硬核财务对标

这恰好印证了经济学上的“杰文斯悖论”：技术进步提高了能源利用效率，非但没有减少能源消耗，反而因为成本下降导致需求更大。

即使在去年初经历了所谓的“DeepSeek时刻”，市场也在随后的几个月内迅速清醒：算法越优化，企业采用AI的门槛就越低，最终算力总消耗量反而呈指数级上升。

也正是因为如此，AI才有可能逐渐嵌入到几乎所有旧行业当中。

恰如过去二十年所有行业都在搞互联网+。

从SaaS软件到生物医药，再到由具身智能驱动的先进制造业机器人，2026年的当下，几乎所有行业都在拥抱AI+。

没有人会去讨论“我们要不要用AI”，而是焦虑“我们的数据有没有做好清洗？API调用额度够不够？RAG架构是否最优？”

当前，AI行业确实存在泡沫。

但对企业而言，如果不拥抱泡沫，你就会被时代碾碎。

这一点，近二十年的互联网时代已经印证过了。

03

目前，我们毫无疑问正处于技术生命周期中极为关键的一个节点：Gartner技术成熟度曲线上的“幻灭的低谷”前夕，或是《技术革命与金融资本》理论中的转折点。

AI泡沫其实已经在破了，只不过很多人没意识到。

过去几年，大量的风险投资VC兜患上了措施恐惧症。

随便几个新秀，写几十页的PPT、包一层OpenAI的API，就能融到钱。现在，潮水褪去，这些没有护城河、只有概念的公司正在大批量死亡。

这是市场在进行自我净化，也是泡沫破裂的表现。

但这只是表象。

市场的深层逻辑正在发生三个深刻的演变：

第一，从CapEx向OpEx的价值转移

目前的钱都被卖铲子的人赚走了，英伟达、台积电、以及那些卖光模块和服务器液冷设备的企业，吃到了大部分红利。

但随着算力逐渐“基础设施化”，像水和电一样，真正的超额利润将逐渐转移到应用层。

也就是那些能用极低成本的Token，真正解决垂直行业痛点、重塑业务流程（OpEx优化）的AI原生企业。

第二，估值倍数压缩与业绩消化

市场给AI基础设施的估值偏高，并不意味着一定会崩盘。

在很多情况下，企业盈利的高速增长会以“时间换空间”的方式，逐渐消化掉高昂的估值。

只要云计算巨头们的收入增速跟得上资本支出的折旧速度，这场击鼓传花的游戏就能够演变为一场前所未有的产业升级。

比如，全球汽车制造巨头和芯片巨头，通过引入端到端AI孪生技术，使得新产品的研发到量产周期缩短了35%，整线设备综合效率提升了18%。

又比如，在金融行业，2026年的量化交易、风险控制和信用评估已经全面由多模态Agent主导。AI不仅在以微秒级的时间戳处理宏观预期，更在深度参与每一次微观层面的资产定价。

在法律、医疗、审计等高度依赖资深专业知识的行业，AI也已经完成了从“初级助理”到“合伙人级别专家”的蜕变。

ChatGPT、Gemini、Claude拥有超过10亿活跃用户中，有相当大一部分是将其作为日常高强度脑力劳动的替代工具。

包括你和我。

以上，都是切实发生的事情，所有人都能看得到。

04

回看波澜壮阔的科技史，熊彼特提出的“创造性毁灭”永远都在上演。

资本市场永远是急躁的，总希望今天投下去1块钱，明天就能赚回10块钱。

当近7000亿美元基建投资无法在短期内全部转化为应用端的利润时，市场必然会迎来一轮残酷的洗牌。

消灭掉那些只靠讲PPT混日子的投机套壳公司，把真正有技术底蕴、有落地场景的留下来。

洗牌之后，那些廉价而庞大的算力中心、高度优化过的模型算法，将以极其低廉的价格服务于千行百业。

2000年之后，人类迎来了所有行业都离不开互联网的数字时代。

今时今日，我们也正不可逆转地奔向一个所有行业都由AI垂统、由AI赋能的智能全盛时代。

泡沫的喧嚣中，底层的生产力势能，没有一点水分。

*免责声明：本文章为作者独立观点，不代表i黑马立场。

这里认真推荐你报名：

「黑马·美国游学」

9月13日-9月19日，我们将带着30名同学，开启7天硅谷·洛杉矶高阶交流。

直面谷歌、英伟达、Meta、TikTok等全球核心玩家，对话斯坦福学术大咖、硅谷顶级投资人与出海顶尖操盘手，打通「前沿技术一顶级资本一 出海落地」全链路。

还会学习TikTok、SHEIN等标杆的出海实战打法，链接全球产业资源，找准专属的AI升级与全球化增长航道。

]]> <![CDATA[当AI走进核心业务，企业准备好了吗？]]> 当一位对AI寄予厚望的企业高管跟下面的运营团队说，“我希望用了AI能给流程节约成本带来20%-30%的效益提升。”
接下来会发生什么？
这句话传达下去之后，各个部门各自开始做AI实验——有的团队在代码方面做优化，有的做业务流程，有的做采购决策。每个团队做实验都要消耗大量Token，一段时间下来，管理层发现一个尴尬的事实：实现了自动化，但Token的费用已经超过了雇一个人专门做的成本。
这是SAP全球副总裁Varun Thamba在SAP中国峰会上分享的案例，源自他看过的一篇报道，而报道描述场景在当前企业中很常见。
SAP进行了一项覆盖13个国家、2600位企业高管（其中200位来自中国）的AI调研，结果显示39%的中国企业采取的是零散式AI策略，各部门各自行动，做了大量POC（概念验证），却很难形成可规模化的价值。只有18%的企业有战略性整体规划。
与此同时，一组数据也值得关注：中国企业的AI投资回报率从去年的18%涨到了22%，预计两年后可能达到38%。数字在涨，但SAP的调研同时揭示了一个隐藏的代价——67% 的受访中国企业认为，AI确实扩大了可处理任务的范围，但也让员工的工作负荷和责任压力同步增加了。
这不止是中国企业AI落地的年度群像，根本挑战来自哪里？
三个“未就绪”
Varun Thamba把企业AI落地面临的瓶颈归纳为三个维度：数据未就绪、员工未就绪、治理未就绪。
数据。调研中，当企业被问及“落地智能体AI是否准备好了”时，69%的中国企业认为自己目前的数据已为AI做好准备，较去年的70%略有下降。
原因很直接：很多企业在规划AI时并不知道自己是否具备足够高质量的数据。
“当他真正开始做这件事情的时候，会突然意识到，我有数据，但是这个数据还不够好。”Varun说，人力资源部门和财务部门拥有大量数据，但做AI时才发现数据的完整性和准确性远不达标。
员工。78%的中国受访企业表示，员工技能培训跟不上AI技术迭代的速度。AI几乎按周在进化，这意味着员工必须在更短的时间内掌握新工具、适应新流程。
治理。只有6%的中国企业认为自己具备有效治理AI所需的完备技能。在Varun的比喻中，这意味着“在一个地方，你的警力是不足的，无法确保在这里的人是真正守法的”。
上述三个维度叠加在一起，构成了一个企业级AI落地的完整困境：系统碎片化、数据孤岛、语义不一致，使得AI难以真正融入核心业务并规模化释放价值。
更深层的“弱链”
SAP大中华地区总裁原欣在峰会主旨演讲中，用一个经济学争论把这个问题推到了更宏观的层面。
乐观派的代表是斯坦福大学教授Erik Brynjolfsson，他在2026年2月的《金融时报》上预测，2025年美国生产率因AI提升到2.7%——这个数字看起来不高，但已是过去十年的2倍。
悲观派的代表是麻省理工的Daron Acemoglu（2024年诺贝尔经济学奖得主），他认为AI可覆盖的可盈利自动化运营部分只占经济总量的不到5%，未来十年AI对美国生产力的提升只有1.1个百分点。
“悲观的1.1%、乐观的2.7%。对于我一个在IT圈子里看到以年计、以月计的工作被Agent以天、以小时计完成，生产效率提升几十倍上百倍的人，怎么放到大的经济环境里只有个位数的影响？”原欣说。
她的答案是一个斯坦福教授Chad Jones提出的理论——弱链（Weak Link）。这个理论说，木桶能装多少水不取决于最高的板，而取决于最低的板。在整个技术变革中，企业需要找到自己的弱链并补齐它。
麦肯锡2025年全球企业AI调查的数据印证了这一点：88%的企业在至少一个场景使用了AI，但只有6%认为超过5%的EBITDA增长归功于AI。剩下94%的企业投入了真金白银，却还没有看到商业回报。
原欣的判断是：“AI能为企业创造多大价值，不取决于模型能力有多强，而取决于企业最薄弱的一环能否打通。对今天大多数企业而言，这道‘弱链'就是AI与核心业务系统之间的断层。”
IBM商业价值研究院与SAP联合发布的调研白皮书也印证了这一判断——企业推进智能化转型时，内部业务协同困难和IT架构老化是最大的结构性障碍，AI能力往往游离于核心系统之外，既拿不到完整的业务上下文，也无法触发实质性的流程执行。
探索突围
在峰会现场，三一集团、曼森集团、毕马威都分享了他们补齐“弱链”的行动和思考。
三一集团经历了90年代业务线上化、2010年代全面信息化、全面数字化（灯塔工厂、数字中台），从2025年开始到现在迎来全面智能化。许国强总结说，“没有前面三个阶段，AI就是空中楼阁。”
2025年，三一由董事长亲自推动“全员AI强管控”——所有管理岗和关键岗都要思考AI与自身业务流程的结合点。一年下来沉淀了130多万条领域知识，训练了10多款垂域模型，落地了700多个赋能场景。去年AI引入成效约2亿元。但许国强也坦承：700多个场景提升了个人效率，组织级效率的提升仍在探索中。
曼森集团总经理杜国亚提供了一个更轻量的样本。在同行纷纷追逐大模型、生成式AI的当下，这家年增长30%-50%的企业选择的第一步，不是部署AI Agent，而是先把ERP系统建好——把“大脑”建好，再谈智能。
“AI能不能回答问题？可以。但能不能带来高效决策？没有数据沉淀不行。”他的做法是把原有数据全部定义为“全新的”，以最快速度完成系统切换。2025年12月，曼森集团选择部署在阿里云上的SAP Cloud ERP，正式开始打破这种信息割裂。选择云部署而非私有化，杜国亚的逻辑很直接：“我们不需要把所有事情想得那么复杂。我们之所以快速切换，是把这套系统定义成一个全新的系统，把我们公司所有的数据定义成全新的数据。”
毕马威亚太及中国咨询服务主管合伙人刘建刚则从用户自身视角提供了另一条实践路径——毕马威率先将自己的核心业务ERP迁移至公有云，成为示范性的"零号原型客户"。他的方法论是八个字：大处着眼，小处着手——既要有全面规划，又要从低投入、低风险的领域切入，做"最后一公里"延伸，先产生实效，再滚雪球式发展。他特别强调：AI并非零成本。
把以上这些实践放在一起，方法论闭环开始浮现。
第一步：数据就绪，统一业务底座，消除数据孤岛。三一用SAP S/4HANA构建全球统一业务底座，曼森在阿里云上部署SAP Cloud ERP取代多套独立系统，毕马威把核心ERP搬到公有云——三者的起点都是同一个动作：先修好“高速公路”。
第二步：知识就绪，沉淀业务知识，构建企业记忆。三一沉淀了130多万条领域知识，曼森把流程标准和业务规则统一写入系统。没有这些积累，AI Agent面对的将是点状的知识而非体系化的业务认知。
第三步：组织就绪，从IT驱动转向业务驱动，全员参与。三一的“全员AI强管控”由董事长推动，要求所有管理岗和关键岗思考AI与自身流程的结合点——这不是IT部门的事，而是整个组织的事。
这三步对应了SAP提出的三级AI治理架构：底层是数据治理层（SAP Business Data Cloud，确保AI调用的数据是可信、准确的）；中间是应用集成层（ERP与第三方系统的集成，打通端到端业务流程）；顶层是智能体层（Joule及AI Agent Hub，实现统一治理下的智能体协同）。
SAP在此次峰会上推出的“AI奇点启航计划”，本质上是把这个方法论变成了一个可执行的产品——企业报名参与联合工作坊，从真实业务问题出发，在2至4周内完成原型验证，看到AI带来的实际价值，最终通过RISE或GROW嵌入日常运营。
回报的起点
所有的方法论最终都要回答一个最朴素的问题：AI到底值不值？
Varun Thamba给出的建议是反直觉的——不要从AI开始，从瓶颈开始。他建议企业先看全业务流程中哪个环节造成了最大的成本浪费，然后在这个具体位置用AI，用量化工具计算Token投入和回报的关系，确保消耗Token的成本是小于可以被证明带来的价值。
许国强的判断则更为直白：“十年前数字化对很多企业是可选项，五年前是必选项，当下和未来——AI一定是生存项。AI不是取代人，是让会用AI的人取代不会用AI的人，让会用AI的企业跑赢不会用AI的企业。”
这句话听起来像是行业共识的宣示，但它的底色是一个更朴素的逻辑：94%的企业砸了真金白银却没看到回报，不是因为AI不行，而是因为企业自身在数据、流程、组织和治理层面还有太多的“弱链”没有补齐。
补链这件事不性感。它意味着要回到最基础的流程梳理、数据清洗、知识沉淀和标准统一——这些工作是三一集团二十多年从业务线上化、信息化到数字化打下的基础，在曼森表现为“先把内存储存好”，在毕马威表现为“零号原型客户自己先试”。
而这些恰恰是当前企业AI落地中最被低估的一课。正如原欣所说：“自主运营企业不是企业的终点，而是企业进化旅程的起点。”
]]> <![CDATA[OpenAI推理之父掀桌：AI真·满血的样子，你没钱见]]> 文章配图-1

新智元报道

【新智元导读】OpenAI o1推理模型核心缔造者Noam Brown发长文炮轰整个行业：用单一跑分评价AI模型，从2024年就过时了。GPT-5.5看起来只比5.4强一点？控制推理预算后再看，那叫一个天壤之别。

OpenAI的Noam Brown，刚刚发了一篇长文，对着整个AI行业开了一炮。

文章标题叫「大规模推理计算的启示」，核心论点只有一个，你现在看到的所有AI跑分排行榜，给你的信息基本上是错的。

原因很简单。

同一个模型，给它一块钱想事情和给它一万块钱想事情，跑出来的分数天差地别。但现在所有的排行榜，都不告诉你这个模型花了多少钱跑出来的成绩。

文章配图-1

文章配图-1

GPT-5.5的成绩单是「假的」？

4月23日，GPT-5.5发布。

OpenAI甩出benchmark表格，社区照例逐行比对。结论是：还行，比5.4好一点，但也没好到哪去。

文章配图-2

然后几个小时过去了。

波兰数学家Bartosz Naskręcki用一条prompt，让GPT-5.5在11分钟内搭出一个代数几何可视化应用。

Ruby on Rails之父DHH更是感慨，用完5.5再切回Opus 4.7，像倒退了一个时代。

同一个模型。benchmark说「还行」，人说「炸裂」。为什么？

原因很简单，5.5和5.4根本不是在同一个计算预算下被测试的。

这就好比两个学生考同一张卷子，一个给了30分钟，一个给了3小时。你拿两份成绩来比，说「差距不大」，这不是比较，这是搞笑。

但benchmark表格上，这两个模型被当成同一个量级来比较，完全忽略了推理预算的差异。一旦控制token预算，GPT-5.5在网络安全评估上大幅拉开GPT-5.4。

Brown在文中展示了两张图。左边是传统benchmark视角，5.5比5.4好一点。右边x轴换成token数量，5.5的曲线远远甩开5.4。

同一场考试。换个维度看，结论完全不同。

文章配图-1

这不是个案。

MMLU这个曾经最主流的评测基准，前沿模型全部挤在88%以上，分数差异在统计上已经没有意义。你看到的不是「谁更聪明」，是噪声。

MRCR v2在100万token长度上的测试，GPT-5.4得36.6%，GPT-5.5得74.0%——翻了一倍。但这个维度在标准benchmark表格里根本不存在。

文章配图-1

三万美元对两毛钱，同一场考试——「谁排名更高」这个问题本身就已经失效了。

当模型的能力是推理计算量的函数时，一个没有x轴的benchmark分数，就是一个没有单位的物理量。它什么都没告诉你。

在Brown看来，正确的做法是画一条曲线：性能 vs 推理计算量。

x轴可以是token数、美元或耗时，各有优劣。但可以肯定的是，任何一条曲线，都比一个标量数字强。

文章配图-1

或者，你也可以设一个明确的预算上限，告诉模型「你就这么多钱，给我答案」。

这恰好是人类考试的逻辑，SAT给固定时间，国际数学奥赛也给固定时间。

只有AI评测，在2026年了，还在假装「给多少钱想事情」这个变量不存在。

文章配图-1

被忽略的x轴

为什么这个问题现在才爆发？

因为两年前，推理时计算只是o1的专属概念。

而o1的核心贡献者，正是Brown。

此前，他在卡耐基梅隆做出Libratus和Pluribus（击败顶级扑克职业选手，后者登上Science封面），在Meta FAIR做出CICERO（第一个在策略游戏《外交》中达到人类水平的AI）。

从不完美信息博弈到推理模型，他一直在同一条线上：让AI学会想更久、想更深。

2024年的o1让「推理时间换准确率」进入公众视野。到了2026年，推理时计算已经是所有前沿模型的标配。

GPT-5.5 Pro不是一个独立模型，它是GPT-5.5同一个底座加了并行推理时计算：遇到难题跑多条推理链，综合出结果。

Claude有extended thinking，Gemini有Deep Think，几乎每家前沿实验室都在往同一个方向跑。

对此，学术界也给出了量化关系。覆盖率与采样次数呈对数线性关系。

也就是，给AI双倍的「想事情时间」，它不会变聪明一倍，但确实会变聪明一点。收益是对数级递减的。

但Brown引用了Karpathy和AI Safety Institute的一个关键发现——

越强的模型，在更长时间跨度上的收益越大。性能的高原期被推远了，甚至可能消失。

弱模型多想两分钟，可能已经到顶了。但强模型多想两个小时，曲线还在往上走。

文章配图-1

每一代模型发布时，如果你只在某个固定的推理预算下跑benchmark，你看到的就只是冰山一角。真正的能力上限，在你测不起的那片水域。

用Brown的话说就是：「我们可能根本不知道现代LLM的能力天花板在哪里，因为测量成本太高了。」

文章配图-1

Brown的三张药方

针对这一问题，Brown给了三条建议。

第一，实验室发布新模型时公布性能-推理计算量曲线，至少标明分数对应的推理预算。

GPT-5.5的82.7% Terminal-Bench 2.0，你不知道花了多少钱跑出来的。你拿它和另一个模型比，你也不知道对方花了多少钱。

这就像两家公司比营收，一家报的是年收入，一家报的是季度收入，但都不标注时间跨度。

第二，benchmark排行榜追踪推理用量，或设定明确预算上限。

ARC-AGI已经在这么做了，但不是行业标准。

文章配图-1

第三， 安全准备框架和负责任扩展政策显式纳入推理计算量。

安全评估不能只测「默认状态」——国家级攻击者完全可以在单个任务上砸1000万美元推理预算。

以Gemini 3 Deep Think为例。

Deep Think本质上就是Gemini 3 Pro加了外部调用框架，任何人花同样推理费就能复现。

真正该问的是，为什么所有模型卡都没把能力作为推理预算的函数来展示？

文章配图-1

Brown理想中的安全评估应该是一张图。

但他也承认一个棘手的问题，长期评估可能无法靠外推解决。要评估一个AI agent跑一年会不会出问题，可能真得让它跑一年。

而AI实验室很快将面临荒诞局面——agent的运行周期超过了新模型的开发周期。你还没评估完上一代的长期行为，下一代就已经发布了。

文章配图-1

超级智能是道算术题

所有前面的讨论都指向同一个问题。

如果模型的能力是推理计算量的函数，而且越强的模型高原期越远，那「超级智能」到底是什么？

传统理解里，ASI是一个质变的拐点：某天某个模型突然在所有认知任务上全面超越人类。

顺着这个逻辑往下想——ASI可能不是一个时刻，而是一条曲线。

前面的数字已经说得很清楚：同一类任务，两毛钱和三万美元的推理预算，买到的是完全不同的结果。但这些还只是已经测过的区间。

没人测过。Brown说了，测不起。

文章配图-1

但对数线性的scaling关系告诉你，曲线还没到顶。而且越强的模型，高原期越远。

ASI可能不需要一个全新的架构突破。它需要的可能只是：足够的钱和足够的时间。

一个运行一整年、消耗数亿美元推理预算的AI agent，在这一年里表现出的能力，可能已经在特定领域超越了人类个体的一生积累。

文章配图-1

决赛的真实比分

过去十年，整个AI行业习惯了一种评估方式：一个模型，一个分数，排个名次。从ImageNet到MMLU到Chatbot Arena，谁的数字大谁就赢。

如今，跑分的「二维时代」正在开场。

模型的能力从一个点变成了一条曲线，评估从一个分数变成了一张图。y轴是表现，x轴是你愿意花多少钱让它想。

每个「第一」还要再乘以一个变量：推理预算。

文章配图-1

2026年，全球科技巨头在AI基础设施上的投入预计接近7000亿美元。这些钱买的不只是更大的模型，还有更长的推理、更多的采样、更快的inference。

文章配图-1

当「智能」变成一种可以用美元标价的连续函数，「超级智能」也不再是一个是非题。

谁先适应这个二维坐标系，谁就先看清楚ASI决赛的真实比分。

参考资料：

编辑：摩西

秒追ASI

]]> <![CDATA[AI的下一场革命，智源“押注”世界模型]]> 回顾国内AI的早期发展历程，一定离不开北京智源研究院。2021年3月，智源发布的悟道1.0开启了中国的大模型时代，杨植麟、唐杰等后来的国内大模型翘楚均曾在此工作，也正因如此，智源研究院一度被视为国内大模型的“黄埔军校”。
当时间推移到2026年6月，智源的主要研究方向却并不再是大语言模型。理由很简单。“作为新型研发机构，智源主要做高校、企业不愿意做的人工智能方向重大科研创新，我们一直都在人工智能大模型的最前沿。”智源研究院院长王仲远告诉新京报贝壳财经记者。
6月11日，新京报贝壳财经记者随“活力中国调研行”走访智源研究院，了解到了当下王仲远认为“最前沿”的领域——世界模型。智源研究院，也是国内最早倡导世界模型的科研机构。


新京报贝壳财经记者 罗亦丹 摄
世界模型不是3D生成，而是“预测下一个物理状态”
新京报贝壳财经记者曾体验过不少“世界模型”产品，如用户提供一张图片，世界模型可以依据该图片生成一个“3D世界”，一些产品还允许用户进入该“世界”进行移动探索，从表现形式来看，更类似视频生成或者网络游戏。
但在王仲远看来，视频生成并不等于世界模型，“现在业内普遍把视频生成模型称作世界模型，源头是OpenAI发布 Sora时用了‘世界模拟器（World Simulator）’的说法，这个叫法原本只是形容视频生成。如今热门的视觉－语言－动作模型（VLA）、世界动作模型（World Action Model），只是把画面视频和动作数据拼在一起。目前来看，大家都在叫的世界模型都不是真正意义上的世界模型。”
什么是世界模型？这一概念实际上众说纷纭，6月初，被誉为“AI之母”的李飞飞就曾发布长文，试图给世界模型“下定义”。而此次对话，王仲远给出了一个更易理解的答案——相比大语言模型预测的是“下一个Token（词元）”，世界模型所预测的应该是“下一个物理状态”。
“你看到的3D世界生成的产品概念更多应用于虚拟世界，在这一领域，目前许多游戏已经拥有了非常逼真的模型、光线以及物理引擎。但仿真引擎也有自己的上限。我们所希望的世界模型是大模型驱动，只要数据量足够就会远超人类经验构建出来的引擎。在潜力方面，就像现在大语言模型将来用于科学发现一样，世界引擎也可以用来帮助我们发现新的规律，作为未来的世界基座模型，世界模型在理论上存在更大的上限空间。”王仲远告诉新京报贝壳财经记者。
王仲远表示，智源一直都在人工智能大模型的最前沿，“早在当年的语言大模型时代，我们发布了悟道1.0、2.0和3.0，也孵化出了智谱、面壁这些主流大模型公司。正是因为有了这样的布局，才会有大模型不同阶段的成果产出。而2023年，智源开始涉及世界模型，2025年发布emu3和emu3.5多模态世界模型，2026年推出了physis和orca，一直在探索前沿。”
“从智源研究院的角度来看，我们一直沿着几年前对于人工智能技术的预判不断发展。”王仲远强调，智源不是在跟风，而是在按照既定的战略方向稳步推进。大语言模型两年之前就已经完成探索，交给智谱、面壁这些企业去做；现在开始注重世界模型，因为这是下一个十年的主战场。
他的理念是：技术先行，早于产品，早于系统，“就像深度学习是从2006年提出的理念和解决方案，Transformer2017年提出，而大语言模型直到2022年底才爆发。因此，现在就需要对技术路径进行各种各样的探索，可以引领和促进世界模型的爆发。”
王仲远说，在大语言模型时代，智源是跟随者，但到了多模态时代，智源已经开始提出自己独立的技术路径，“世界模型开始，我们有了自己对于这个问题的定义，技术路线上也有我们自己的信仰，某种程度上也证明了中国人工智能力量在努力探索前沿方向，希望能够最终引领。”
世界模型仍处于初级阶段，“就像2012年的大语言模型”
尽管智源对世界模型的未来充满信心，但王仲远毫不讳言当前的真实处境——世界模型依然处于非常早期的阶段。“必须承认物理AI特别是世界基座模型的研究，在全世界范围依然处于非常早期，甚至概念和技术路径都远没有收敛。”
他比喻称，目前世界模型所处的阶段类似于“2012年的大语言模型”，彼时深度学习刚刚开始兴起，虽然神经网络已有十层、一百层，但依然只能解决较为具体的问题和任务，经过不断升级迭代和互联网海量数据的积累，才有了GPT的出现。
“当下世界模型还没到GPT时代，因为数据非常缺乏。”王仲远表示，从2012年到2022年底ChatGPT发布，走了十年，现阶段随着人工智能越来越强，演化速度越来越快，可能三年五年就能有足够多的数据累积。
数据是当前最核心的卡点。王仲远表示，长期来看，构建世界模型的真实世界数据依然缺乏，对于有价值的信息，现在的科研技术还没有充分挖掘。他举例称，一个2岁的小女孩也可以通过天天刷短视频，在父母没有教过她的前提下学会拆糖果，他认为，正如同现在孩子获取信息的渠道比之前一辈人更多，极大加速了脑中认知的形成，世界模型也有“异曲同工”之处。
实际上，当前世界模型的技术路线也远未收敛。王仲远总结了现在世界模型的四种主流技术定义方式：以像素为中心、以三维结构为中心、以视觉表征为中心，以及以语言为中心。他表示，当前智源更接近第四种以及视觉与语言的融合方向，同时也坦承，这不代表其他路线就没有价值。
“世界模型不同路线的差异客观上造成了一定的认知混乱，但这也并非坏事，而是行业开始形成共识的过程，意味着人才、资本、技术解决方案的不断提出，客观上会促进世界模型的迭代、演进和发展。”王仲远说。
青年挑大梁：大四学生成为世界模型团队负责人
在采访中，新京报贝壳财经记者注意到，智源世界模型团队的人员构成非常年轻，如智源行为世界模型创新中心负责人陈博远今年大四。
“智源研究院一直都在强调青年挑大梁，不看帽子资历，给年轻人舞台。这些年轻、高潜力、又有代表作的青年科学家恰恰就是智源研究院成立八年以来一直努力做事的体现，也是智源在大模型时代、多模态时代产生行业和科研成果的基础。”王仲远说。
这样的人才是如何被发现的？王仲远用“惺惺相惜”来形容，“优秀的人才和天才都是有重力场的，会互相吸引。比如当前世界模型研究团队的两位负责人是在一个寻常的中午，吃盒饭聊天时‘发掘’出来的，经过谈话，我们发现虽然世界模型有很多定义，但我们的理解和目标完全一致，之后几乎当场拍板，决定要一起来做这件事。”
对此，陈博远也表达了自己的看法：“可能我并不算是千里马，但伯乐一定非常难寻。在智源研究院搞研发，核心愿景就是制造出来能够超越人类智能水平的通用AGI，我觉得这不一定是虚无缥缈的学术理想，它可以实际落地、改变生活。”
王仲远认为，这体现了智源研究院创新的机制体制以及灵活决策的优势，“智源愿意提供这样的环境和舞台，让这样一群优秀的、有着技术信仰的年轻人聚集在一起，不被外界干扰，不被琐事影响，专心致志进行技术突破。”
这种模式的核心是什么？王仲远总结了几个关键要素：有规划的前沿科研探索，基于对人工智能技术路径的发展；青年挑大梁，不以帽子，不以资历，而是以代表作和潜力选择人才，给予充足的资源搞科研；开源开放的生态，不管是科研成果还是跟很多企业合作，使得路越走越宽。智源一定会坚持去做这些“对的事情”。
对于世界模型的未来，王仲远保持着乐观但理性的态度。“智源推出的产品中，不论是悟界Physis还是RoboBrain·Orca，目标都不是短期就要在真实物理世界大规模部署，周期可能是三年甚至更长时间。世界模型是一个长期过程，短期落地不是我们最着急的事。”
在采访最后，当被问及智源去进行前沿技术的早期“试错”，如果失败怎么办，以及是否考虑更加商业化这一问题时，王仲远给出了颇具个人风格的回答：
“企业有企业的商业逻辑和商业目标，所以不太可能像我们这样纯粹地思考和探索。对于可能失败的模型、新的方向和技术路径的探索，智源需要担起这样的责任，去开创，去创新，去突破，当然也有可能失败，但这也恰恰是科研的魅力。”
]]> <![CDATA[机器狗能“闻”到味道了 具身智能迈入嗅探分析预警新阶段]]> 当机器狗“闻”到气味，具身智能对现实世界的感知又补上了关键的一块拼图。当前，全球机器人在视觉、听觉与导航领域持续突破，唯有 “嗅觉” 仍是亟待开发的空白地带。

在医疗筛查、环境监测、工业运维等领域，气味往往是判断风险、识别隐患的核心信号。机器人没有 “嗅觉”，就等于失去了感知危险的能力。6月12日消息，不久前在电子鼻与人工智能嗅觉的国际科技展上，搭载智能电子鼻的机器狗在复杂的环境中，精准地识别了气味，实测表现超出预期。
据了解，德国德累斯顿工业大学主办的“未来嗅觉——从生物鼻到电子鼻”互动科技展近期开幕。这不是一场普通的科技展，而是全球电子鼻与人工智能嗅觉技术的最前沿阵地，吸引了众多科研人员以及高校研究团队。展会中，云深处科技四足机器人绝影Lite3，在空间狭小，设备铺陈复杂的环境中，不慌不忙地迈开四腿，像一只训练有素的“猎犬”，绕过障碍、穿过人群，稳稳停在一个检测点前。然后，它“深吸一口气”——搭载的智能电子鼻系统开始实时捕捉空气中的气味信号。是气体泄漏？是异味超标？屏幕上，数据滚动，AI算法在很快给出了答案。
这一刻，机器狗不再只是一个会跑的摄像头，而变成了一个能“嗅”出世界真相的智能伙伴。据悉，该机器狗可以自主规划路线，进入人工难以抵达的复杂高危区域，精准识别气体泄漏、污染源与病变特征气味，有效解决了传统检测模式的巡检盲区与数据滞后问题，实现 “移动+感知+分析+预警”的全流程闭环，为医疗筛查、环境监测、工业巡检、应急救援等场景提供智能化检测方案。
有业内人士表示，本次参展德国国际科技展，是具身智能攻克现实实际问题的又一次落地尝试。多一种感知方式，就意味着更多的人能够被守护。
]]> <![CDATA[AI时代智能手机“捕获”学生专注力，高等教育面临挑战[3P]]]> 6月10日，搜狐文化“技术与人”阅读沙龙于北京搜狐媒体大厦举办。北京大学新闻与传播学院教授胡泳、清华大学政治学系教授任剑涛、清华大学社会科学学院院长王天夫，与本场沙龙特邀主持人、北师大北京文化发展研究院研究员程光泉，围绕“AI时代如何寻找快乐、意义与智慧”主题展开对谈。

在沙龙中，胡泳结合《后人类的后真相》一书，从信息传播的角度，阐释了AI等信息技术的发展对学生成长带来的影响。他认为，AI短剧、短视频的传播，使得年轻人愈发缺乏专注力和耐心，这对电影长剧等内容生产方，乃至大学教育都产生了强烈冲击。
此外，面对AI技术冲击出现的焦虑和孤独感，胡泳认为人们需要更深入地思考人的本质，找到人生的意义。他提出，人与AI的本质区别就是具身性，人能通过身体与周围环境的丰富活动，找到人生的独特意义。在此基础上，胡泳强调了“利他”“向善”的意识观，并提倡人与世界的真实连接与友好合作，如此方能共同促进社会良性发展。
以下，是他在对谈中分享的主要观点。01 AI时代智能手机“捕获”学生专注力，高等教育面临挑战
移动互联网的出现，显然重塑了人们的思考与生活方式。沙龙中，胡泳引用《焦虑的一代》一书中，美国社会心理学家乔纳森·海特的观点：从2012年起，这代孩子已经被智能手机“捕获”。
胡泳用了一个形象的比喻阐释信息技术发展对社会的影响：“每个手机、每台电脑都是《爱丽丝梦游仙境》里爱丽丝掉下去的那个兔子洞，学生虽然身在课堂上，但实际都在兔子洞里活动。而且只要打开手机或电脑，他就一定会掉到兔子洞里。”
无论是流行的短视频黄金3秒法则，还是“一拨一划”的媒介使用设计，高密度的视听觉刺激都在一步步让大脑“上瘾”。基于此，胡泳认为人们已经越来越难以忍受消费长内容和深度内容，而电影媒介可能首当其冲面临消亡的风险，“在一个连看短视频都需要倍速的社会里，他怎么会去看电影或者长剧集？他怎么可能去读书？不可能的。”
此外，随着AI技术的出现，胡泳进一步指出，媒介文化正从传统的耕耘式向采摘式转变。当下流行的AI短剧等AIGC内容，多是算法和数据的堆砌，用户们直接“采摘”消费即可，不再需要真人演员和内容制作者的精心耕耘。
胡泳担忧地表示，在这样的文化环境中，久而久之学生会逐渐丧失耐心、专注力和深度学习的能力，而高等教育阶段的专业门槛和研究难度，却需要学生具备这些能力。胡泳透露，“某些高校正大力开发10分钟一节的网课，学校说10分钟内不能抓住学生的注意力，就是失败的网课。”大学教育受到的冲击可见一斑。
对此，他提出了一种理想化的改善方案。一是放宽大学修学年限，降低试错成本。使学生有机会在校园内或者社会上探索更多人生发展方向；二是开放校门，发展老年大学教育。老年人可利用退休后的充裕时间，从事纯粹的读书学习。
这是胡泳对于大学教育发展的畅想，在他看来人生的意义不在质而在于量，“如果你把一辈子过成了若干种人生，我觉得是最好的人生”。未来，如何改进教育制度和教学方法，以充分实现高等教育的价值，已然成为一种新的挑战。

02人的肉体是人工智能无法替代的优势
谈及AI技术带给人们的存在感焦虑，胡泳认为只有每个人都去思考“人何以为人”，才能确定人区别于AI的独特价值，这便涉及了一个哲学问题——人的同一性。
胡泳表示，人们往往会通过大脑中存在的记忆、情感和意识，来界定一个人的过去、现在和未来是统一的，从而证明这个人的存在。但当他面对患有阿尔茨海默病的母亲时，他发现这个论断不完全成立。
他发现，即使母亲失去了部分记忆和意识，但他通过每天接触、照护母亲的身体，同样能证明“我妈是我妈”。由此，他认为除了意识之外，一个人的身体也能构成人的同一性。
在胡泳看来，“目前人工智能的主流发展方向，过于强调头脑而忽略了身体”。他表示，在人工智能时代，人与人工智能最本质的区别就是肉体，这恰恰是人的优势。
通过自己身体的在场、他人身体的在场，人可以与周围的人和世界产生各种各样的互动——触摸、对话、拥抱、亲吻等等。通过这些身体上的接触，人会产生丰富的情感体验和认知，并由此建立起人与人、人与社会之间不同的相处模式，这就是具身性。
胡泳认为，在人工智能时代，新的人文主义应该更加提倡“具身性”，这是人工智能无法替代的。

《后人类的后真相》胡泳 著03当代人自我中心意识太强，需要多强调“利他”“向善”来纠偏
北京时间6月5日，美国人工智能公司Anthropic发布长文称，当前AI已经能够通过“递归自我改进”的路径研发下一代AI，超级智能不再只是想象。
胡泳认为，面对人类智能与AI的差距愈发悬殊的情况，除了强调人的具身性特点之外，找到自我存在的意义，能够更好地帮助人们抵抗技术冲击带来的焦虑感。
由此，他提出两种意义观。一种是主观的意义，即做一件事情，无论他人如何评价，自己觉得高兴便是有意义的。另一种是客观的意义，即做一件事能够造福他人便是有意义的。
胡泳认为，二者并无对错之分，但现代社会里人们的自我中心意识过强，每个人都“自恋”，网络中充斥着个人对外界表达不满的情绪。在这样的情况下，他觉得需要多强调“利他”“向善”等客观的意义来纠偏。
胡泳觉得，只有人与人、人与环境之间建立更多友好合作关系，方能让社会整体良性发展。在他看来，“这样既照顾了自我也照顾了世界，是最圆满的人生意义”。]]> <![CDATA[AI时代如何寻找快乐、意义与智慧[4P]]]> 在搜狐文化举办的“技术与人”阅读沙龙上，北京大学新闻与传播学院教授胡泳打断了清华大学政治学系教授任剑涛的发言。一场围绕人工智能与人类未来的讨论，很快演变成一场精彩的论战。
胡泳提出，人类的优势是拥有肉身、情感与有限性，这些都是机器无法复制的，要提倡关系性，人文主义才能在AI时代立于不败之地；任剑涛则认为，胡泳用18世纪逻辑考虑21世纪问题，AI不会让人失去自身定义和人生意义，因为“机器会计算，但人会算计”。
关于超级智能是否会威胁人类，两位学者也给出不同判断：任剑涛相信，技术始终是人类主导的成果，不会把人变成“废物”；胡泳则提醒，当智能突破人类尺度后，人类在其眼中或许会像猩猩、甲虫之于人类一样渺小。
面对两人的交锋，清华大学社会学系教授王天夫将讨论拉回“人的意义”。他认为，无论是任剑涛强调的“不损人”之底线，还是胡泳倡导的自身“向善”，最终都指向同一个问题：在AI时代，如何维系人与人之间的连接与合作。

6月10日，搜狐文化特邀北京师范大学哲学学院教授程光泉主持“技术与人”阅读沙龙，围绕“AI时代如何寻找快乐、意义与智慧”与上述学者展开对谈。从AI带来的焦虑，到人与机器的边界，再到人生意义与人文教育，他们既有共识，也有争论。
而这些思想碰撞，恰恰折射出一个时代最核心的追问：当AI不断逼近人类能力边界，我们究竟该如何重新理解“人”，以及如何在技术洪流中安放自己的生活与意义。

AI为什么让人焦虑？
话题从焦虑开始。
王天夫坦言，自己也感受到了AI带来的压力。过去，大学教授常被视为最不容易被AI替代的职业之一。但自从接触大模型后，他开始意识到，AI对高等教育的冲击已经到来。
在他看来，三五年前大学生上课投入度下降已很明显，而近一两年，部分教师对课堂的热情似乎也在减弱。未来大学会变成什么样，教师又该扮演什么角色，这些都成为教育界不得不面对的问题。
任剑涛则认为，人类数千年来一直把机器当作工具，但AI的发展第一次让人担心，自己会不会反过来成为机器的工具。不过他并不把焦虑完全看成坏事。在他看来，正是这种焦虑，促使人们重新思考什么是人，人与机器应当如何共存。
胡泳则把焦虑放到更大的社会背景下理解。他认为，中国人对新技术尤其敏感，总担心“落后就要挨打”。从过去追逐各种产业风口，到今天追逐AI热潮，人们总会产生一种“不跟上就会被淘汰”的紧迫感。某种意义上，AI焦虑也是这种社会心理的延续。

人与机器，到底谁会取代谁？
面对焦虑，学者们尚能“保持队形”。当讨论进入人与机器的关系时，分歧开始出现。
胡泳认为，人类最大的优势在于拥有身体。很多人把肉身视为局限，但他认为，这是人工智能最难复制的部分。人的身体不断与环境发生互动，而这些构成了人类独特的存在方式。
因此，他主张重申一种“具身性的人文主义”。在他看来，人不仅需要身体在场，也需要人与人的身体在场，通过真实互动形成理解、共情与连接。胡泳坦诚，这些看法的形成，与长期照料罹患阿尔兹海默症亲人的痛苦经历有关系。
任剑涛则认为，人们仍习惯用过去的人本主义框架理解AI，本质上是在用18世纪的思维处理21世纪的问题。
在他看来，过去人们总把机器视为人的对立面，但随着具身智能的发展，人机关系正在发生变化。未来人与机器可能形成更加深度的协同关系，人类社会甚至会进入一种“人机共生”的新形态，因此教育和人文观念都需要调整。

超级智能来了，人类怎么办？
如果说前面的分歧尚属温和，那么谈到超级智能时，两位学者明显针锋相对。
任剑涛坚持认为，人类不必过度悲观。“机器会计算，但人会算计。”在他看来，即便AI未来在记忆和计算能力上远超普通人，它依然是人类智慧创造出来的产物。人类整体积累的智慧，也不可能被单个AI系统轻易超越。
胡泳则给出了完全不同的判断。他认为，人们习惯用人类自己的尺度衡量智能高低。但如果未来出现远超人类的超级智能，这种尺度可能失效。
他举例说，在人类眼中，猩猩和老鼠存在差别，但都远不如人类聪明。同样，在超级智能眼中，爱因斯坦与普通人之间的差距也许微不足道。
更重要的是，真正的超级智能意味着机器能够自我迭代、自我进化。下一代AI可能由AI开发，下一代机器也可能由机器制造。一旦进入这样的阶段，人类是否还能掌握主动权，将成为一个无法回避的问题。

AI时代，意义从哪里来？
关于超级智能是否会超越人类，学者各有判断。但比起遥远的未来，程光泉将现场讨论引导到一个更现实的问题：AI时代，人该如何寻找意义？
王天夫从社会学角度给出了答案。在他看来，人的意义最终来源于社会。人类之所以能够成为地球上的主导物种，不是因为个体足够强大，而是因为能够与他人合作。因此，人的意义从来不是孤立存在的，而是嵌入各种社会关系之中。
他认为，比起身体衰老，更令人难以承受的往往是社会关系的消失。当人与社会的连接不断减弱时，那种孤独感才最深刻。
AI时代，这种关系正发生变化。越来越多人际交往被搬到线上，面对面交流和情感互动正在减少。未来人与人如何连接，社会将以什么形式存在，或许比AI技术本身更值得思考。
胡泳认同这个观点。他认为，人生意义首先来自于对他人的贡献，其次来自于持续成长和不断完善自己。同时，每个人还应拥有属于自己的独特人生，而不是简单复制别人。
任剑涛赞同向善的价值追求，但更强调一种底线伦理：首先做到“不损人”。在不损害他人的前提下，个体完全有权选择自己的生活方式。他提醒，要警惕把某种“正确答案”强加给所有人，更要警惕权力借监管之名作恶。
讨论接近尾声时，话题又回到了课堂。
三位教授都注意到，学生越来越难保持专注。胡泳借用《爱丽丝漫游奇境记》中的“兔子洞”来形容今天的数字世界：“现在每一部手机、每一台电脑都是兔子洞。”学生坐在教室里，注意力却常常游走于各种信息流之间。
面对这样的时代，任剑涛提出“意义减负”；王天夫则提醒，不要用机器的确定性逻辑来裁剪充满不确定性的人生。
关于AI，他们没有形成统一答案。但在一点上，他们有着相近的判断：技术会不断进步，却无法代替人类去生活。快乐需要体验，意义来自连接，智慧则诞生于人与世界持续不断的互动。]]> <![CDATA[机器会计算，但人会算计，AI时代要警惕权力趁虚而入[4P]]]> 任剑涛认为，相比于担忧“AI让人生丧失意义”，其实还有个更值得警惕也更现实的问题，那就是AI到来时，有些人出于对技术的恐惧心理很容易呼吁更强监管，这就容易让权力趁虚而入。“如果我们要诉诸权力监管，会让权力有更恶劣的表现——它会把技术引导到对它们控制更有利的项目，这样是非常危险的。”
6月10日，搜狐文化在京举办“技术与人”阅读沙龙。北京大学新闻与传播学院教授胡泳，清华大学政治学系教授任剑涛，清华大学社会学系教授王天夫，北京师范大学哲学学院教授程光泉，围绕“AI时代如何寻找快乐、意义与智慧”展开对谈。

当AI不断突破能力边界，焦虑情绪、意义危机随之而来。面对AI带来的不确定性，人究竟在焦虑什么？又该如何重新理解自身价值？
在任剑涛看来，将焦虑简单归因于技术进步，或者一遇到技术风险便诉诸监管，都是值得警惕的思维惯性。他认为，如果技术本身有其发展逻辑，徒劳地遏制技术发展，对技术本身不利，对人们寻找新的意义同样不利。
他并不认为随着AI的发展，人类处境一定会越来越糟糕。相反，AI正在迫使人类重新思考人与机器、人与社会以及人与自身的关系。面对孤独、空虚与无聊，人们需要的不是不断叠加新的意义，而是给意义“减负”。
01 人们担心成为机器的工具
谈及AI时代为何会引发普遍焦虑，任剑涛认为，人类尚未真正进入“AI时代”，因为技术演进还有关键阶段尚未完成。但即便如此，AI已经给人类带来巨大冲击。
过去，人们通过学习知识、积累经验获得优势，但面对拥有海量参数和强大记忆能力的大模型，人很容易产生一种前所未有的渺小感。“从铁器时代到自动化时代，人类一直把机器视为工具。但随着AI发展，人们开始担心自己会不会反过来成为机器的工具。”

《孤独、空虚与无聊——AI时代的人类意义危机》徐贲 著
结合加州圣玛丽学院荣休教授徐贲的新书《孤独、空虚与无聊》，任剑涛认为，AI带来的焦虑具有双重属性：既是生存层面的，也是精神层面的。“我们每个人都是一个独立宇宙，日常社会已经让人感到孤独、寂寞和无聊，现在又增加了机器因素。”
更深层的问题则是：人还有什么用？在他看来，当大模型与人形机器人结合，具身人工智能让这种忧虑会变得更具体。过去，文科教师最引以为傲的是知识储备、阅读量和人生经验，但今天学生随时可以借助AI检索和校正信息。
“像我这样六十多岁的人，要追赶具身人工智能的发展，几乎无望了。”
这种变化带来的不仅是职业压力，更是一种深刻的孤独感和无援感。“很多年轻人不读书、不思考，不是因为他们喜欢躺平”，在任剑涛看来，今天许多年轻人并非在享受焦虑，而是在被焦虑所折磨。
不过，他并不认为焦虑完全是坏事。恰恰是这种焦虑，促使人们重新思考什么是人，人与机器应当如何共存，又该如何抗拒孤独、寻找意义。

02 机器会计算，但人会算计
机器会不会取代人”的担忧，任剑涛并不认同简单的悲观论调。“这实际上是在用18世纪的思维讨论21世纪的问题。”
在他看来，人们习惯于把人与机器视为对立关系，但随着具身智能的发展，这种传统认知可能被打破——未来的人机关系未必是简单的替代关系，而可能走向更深层次的融合。
任剑涛举例说，未来或许会出现这样的场景：人体内部存在大量纳米机器人，持续监测身体状态并维持最佳参数。届时，人们将不得不面对新的问题——这个身体究竟是由自己掌控，还是由技术共同管理？如果仍然用传统启蒙哲学的框架分析这些变化，只会让人更焦虑。
在他看来，人们之所以不安，并非因为技术本身，而是因为技术带来的不确定性。过去机器只是增强人的能力，人们并不焦虑；如今人们意识到技术既可能带来机会，也可能带来风险，于是焦虑产生了。
回顾历史，无论是蒸汽机时代、自动化时代，还是AI时代，每一次重大技术变革都曾引发广泛担忧。20世纪以来，以海德格尔、阿伦特为代表的技术批判传统，也曾对人类未来表达深刻忧虑，但历史的发展并未完全印证这些悲观预言。

《混搭的承诺 : 现代政治观念史40讲》任剑涛 著
“对于具体问题，我是悲观主义者；但对于人类整体前景，我是乐观主义者。”任剑涛认为，人类始终具有重新定义自身的能力。正如文艺复兴时期，人类摆脱神学束缚、建立现代主体性时曾经历巨大不安一样，AI时代同样需要完成一次新的观念调整。
“机器会计算，但人会算计。”在他看来，人拥有更复杂的判断、选择与创造能力。未来具身智能在记忆、计算能力上很可能超过普通人，但它依然难以超越两点：其一，AI终究是人类顶级智慧创造出来的产物；其二，人类整体智慧总量远大于任何单一AI系统。03 真正的问题是意义过载
相比于担忧机器是否会取代人，任剑涛更关注另外两个问题：谁来定义意义，以及人为什么越来越容易被“意义”压垮。在AI治理问题上，他尤其警惕一种思维惯性——一遇到技术风险便诉诸更强监管。
“当呼吁监管的时候，谁来监管？”任剑涛认为，如果技术有其自身的发展逻辑，一味遏制技术发展，既不利于技术本身，也不利于人们寻找新的意义。比起技术本身，权力如何介入技术发展，反而更值得警惕。
“如果所有意义都交给权威裁决，技术最终可能被引导到更有利于控制的方向。”因此，任剑涛既反对技术万能主义，也不赞成由某种权威来规定人生意义。
他举例说，利他与利己都是现代道德的重要趋向，（人们通常认为利他更具道德正当性），但历史上许多重大的伦理悲剧，恰恰发生在某种被视为绝对正确的价值被要求所有人共同遵循的时候。“利他带来的人类伦理悲剧，远比利己带来的悲剧要强烈得多。”
一旦某种价值被赋予天然正确性，并成为衡量所有人的统一标准，就可能演变为新的道德压力。因此，比起强调利他，任剑涛更看重一个兜底原则：首先不要损人。
也因此，他认为，意义不是谁赋予的，而是在每个人不断寻找和磨合中形成的。意义应当来自个人的自主选择，而非外部规定。由此，任剑涛提出了一个颇具反思意味的主张——“意义减负”。
在他看来，AI确实迫使人们重新思考意义，但许多人仍在沿用旧时代寻找意义的方法。任剑涛说，成年人总喜欢给年轻人强加意义，而且这种意义往往十分狭窄。“成长、奋斗、上进、成功，似乎成为唯一正确的人生答案；躺平、内卷、不努力、不成熟，都错了。”
任剑涛认为，青春最大的价值恰恰在于试错。十七八岁的年轻人本来就不应该过早成熟，他们应该拥有犯错的权利。任剑涛主张不要意义“过载”，而是做减法，轻装上阵。]]> <![CDATA[AI眼镜的「隐秘角落」：作弊、偷 拍与灰色生意经]]>

文章配图-1

「核心提示」
千亿赛道下的灰色地带，AI眼镜需要一场“阳光行动”。

作者 | 张经纬

编辑 | 邢昀

AI眼镜，正在成为各种试探法律边缘行为的“小帮手”。

刚刚过去的2026年高考，也强调了对AI眼镜作弊的防范。教育部在6月2日发出明确预警：无论何种理由、无论是否使用，携带手机、智能手表/手环、智能眼镜等进入考场，即构成作弊。 广东、上海、福建、河南、湖北、内蒙古等至少10个省份随即要求，考生佩戴的眼镜必须在视频监控下摘下，由监考员实施专项检查。

在考场之外，AI眼镜也激起了一些社会伦理上的争议。乐奇Rokid眼镜社区被举报用户上传偷 拍空姐内容，引起舆论的激烈反响，乐奇Rokid随后删除相关视频，并对社区内容进行了自查。

从高考公平到个人隐私，小小的AI眼镜正面临着两种场景的技术伦理问题。

1、“隐蔽战线”的绝佳工具？

用AI眼镜作弊，说起来很简单，四个字：拍、传、解、显。

部分AI眼镜内嵌的高清摄像头可以无声拍摄试卷题目，拍摄后的图像通过蓝牙或无线网络快速上传至云端，云端大模型在数秒内生成解题答案，回传至眼镜端。对于配备光波导显示模组的AI眼镜，答案可以以字幕形式直接投射在镜片上，仅佩戴者可见。

整个过程中，考生无需做任何显眼的小动作，即可完成作弊。

已经有一些考生进行了实践：2026年1月，湖北一所高校公告，一名2023级学生在期末考试中，使用智能眼镜获取与考试内容相关信息；2024年5月，日本东京一名高三学生在早稻田大学入学考试中，也涉嫌用AI眼镜拍摄化学试卷上传社交媒体求答案，最终被移送检察部门。

爆出来的新闻可能只是冰山一角。实际上，AI眼镜的“非常规用途”在社交媒体上已经有了一定热度。在小红书、闲鱼等平台上，有很多用户AI眼镜出租业务，关键词通常涵盖“AI眼镜智能答题”等具有暗示性的内容。

《豹变》与出租商户交流得知，有用户租用AI眼镜就是为了考试方便。

据一位租赁商介绍，虽然AI眼镜的AI助手在答题时会默认发出声音，但某品牌AI眼镜“贴心”地在APP上附带了静音模式，可将语音提示关闭，只显示光波导字幕。字幕为单向显示，只有用户能看到显示的内容，其他人不可见。

而AI眼镜方便拍摄的特征，同样也带来了争议。据媒体报道，有用户使用乐奇Rokid智能眼镜偷 拍空姐并发布至官方社区，引发广泛关注。乐奇Rokid在事件发生后回应称，将全面整顿AI APP社区，清理违规内容，后续新品将在隐私保护上升级。

在Rokid AI APP社区被整顿之前，平台上除了空姐偷 拍照片，还存在大量偷 拍路人视频，场景涵盖海边、公园、地铁等公共场所。

这与AI眼镜的拍摄难以被发现有关。按照有关要求，厂商应在拍摄或录像时强制打开LED指示灯并发出提示音，以告知被拍摄者。然而实际上，厂商往往会打一个“擦边球”：手动遮挡指示灯，不影响正常拍摄。

在2024-2025年，AI眼镜集中发布的时间里，大部分AI眼镜评测都会提到，“能否隐蔽拍摄”。评测者会尝试用纸片、胶带遮挡指示灯，验证设备是否仍能正常录制。部分品牌的确可以正常录制。

专用的遮挡配件也在各家电商平台售卖。“遮光贴”几乎覆盖所有主流AI眼镜型号，热门产品销量达到5000件以上，商品标注“不触发警报不影响拍照”。

诚然，隐蔽速拍在紧急取证、Vlog记录、演讲拍摄等场景中有其便利价值，甚至可以在紧急状况下保护用户的合法权益。但“解放双手”的技术进步，也将“拍摄”这个行为去仪式化、去信号化，这其中便利性与隐私性的边界很难界定。

争议背后也反映出AI眼镜底层需求的矛盾。

2、“特定场景”必需，日常生活鸡肋？

AI眼镜行业看似爆发，但玩家太多、场景太弱，激烈竞争之下，产品想出圈有时候只能剑走偏锋。

从数据看，AI眼镜的需求仍在扩张。洛图科技《中国智能眼镜零售市场月度追踪》报告显示，2026年第一季度中国智能眼镜零售量达40.2万台，同比增幅高达96%；零售额同步攀升至8.1亿元，同比增长102%。这背后，智能眼镜今年首次纳入国补范围，给市场拓展加了把火。

Smart Analytics Global预测，2026年全球销量将从600万台猛增至2000万台。

与销量增长同步，竞争者也在不断进场。Meta之后，华为、小米、夸克/千问、百度小度、科大讯飞、360、雷鸟、乐奇Rokid、XREAL等数十个品牌蜂拥而入，2025年至今，“百镜大战”仍在继续。

而且，大家的技术差距并没有拉开，核心产品硬件高度同质化。

相关资料显示，2025年发布的25款AI眼镜新品中，高通骁龙AR1芯片+索尼IMX 681摄像头已成为标准模板。重量上则都压缩到40克左右（约普通眼镜的2倍），续航时长也都延长至无屏8小时、有屏2到5小时。“百镜大战”，在某种程度上是拼参数的内卷。

技术拉不开差距的同时，刚性需求也没那么强。

对用户而言，这些眼镜同时扮演“耳机+摄像头+AI助手”三重角色，与手机高度重叠。但受限于便携性的要求，体验相比手机都会打折扣。减少掏出手机的几秒钟，对大多数人来说很难成为刚需。

但企业自身面对着商业闭环的压力。以乐奇Rokid为例，这家国内AI眼镜销量龙头正积极推进港股IPO。据南华早报报道，公司目标上市窗口为2026年7月。3月完成股份制改造后，乐奇Rokid密集完成六家产业链企业战略融资。资本市场的关注自然带来了销量兑现的压力。

对销量的渴望，直接体现在线下渠道的扩张上。乐奇Rokid在开设直营店的同时，也与宝岛、吴良材等连锁眼镜品牌合作开设线下柜台。官网数据显示，乐奇Rokid已率先实现全国34个省级行政区全覆盖，线下体验店合计超过1600家（含港澳台地区约230家）。

千问/夸克的线下扩张同样激进。夸克S1/G1发布后，也迅速铺开线下门店；到2026年3月为止，千问/夸克线下店也已超过1000家。这背后是阿里AI to C战略的闭环焦虑，因为眼镜不仅是硬件，更是千问大模型落地的物理载体。

北京某商场的数码柜台同时售卖千问和乐奇Rokid的AI眼镜，店员对《豹变》说：“这两个品牌的眼镜性能上相差无几。唯一的区别是，乐奇Rokid集成了包括DeepSeek、豆包在内的多款主流大模型，千问用的是自有模型，实时翻译可能Rokid更准确一点。”

文章配图-1

渠道铺得越快，产品越需要卖点来支撑动销。当技术同质化遇上使用场景匮乏，“隐蔽拍摄”“静音模式”等功能反而成了最直观的标签。“灰色需求”在互联网传播，某种程度上是销量压力下厂商对“灰色卖点”的默许。这也让AI眼镜在C端始终无法建立健康的产品认知。

要让AI眼镜回到“阳光大道”，仅靠封堵和道德谴责远远不够，既需要监管与检测手段的同步升级，更需要行业找到正当且刚性的使用场景。

3、内靠技术进步，外靠社会监管

技术本身是中性的，但技术的滥用需要监管与检测手段的同步升级。

在国家层面，监管已经开始收紧。教育部在2026年高考前明确将智能眼镜列入严禁携带物品清单，二十余省份同步执行专项检查。

在考场等特定场景，检测手段也在进化。福建等地的高考考务培训已专门强调防范新型智能眼镜，要求工作人员重点关注眼镜大小、形状等特征；部分考点引入的智能安检门，已能识别带摄像头的智能穿戴设备并触发警报，甚至可以识别关机状态下的设备。

企业端，雷鸟、华为、中兴等十家头部企业共同联签《AI眼镜可信视界自律公约》，在隐私保护与数据利用之间搭建公开透明的护栏。

乐奇Rokid在此次负面舆论后，表态要进行社区生态治理与隐私保护，公司表示，在技术层面会强化硬件级指示灯强制亮灯机制及遮挡检测算法，后续新品将提升物理与底层防护能力。

此外，一些企业正在开发面向被拍摄者的检测APP，当附近存在开启摄像头的智能眼镜时，手机端可收到提醒，以此平衡技术便利与隐私保护。

要让AI眼镜摆脱“作弊工具”和“偷 拍神器”的标签，关键在于拓展真正创造价值的应用场景。

在一些垂直行业，AI眼镜正逐步落地。比如润贝航科推出的AI航检眼镜已在部分民航企业推广，通过语音引导、激光指示、红外测温辅助完成巡检。

乐奇Rokid则联合广汽集团发布车载全场景技术，用户可通过AI眼镜远程操控车辆解闭锁、开关空调，并在驾驶过程中实时显示导航与车速信息。

当AI眼镜从“拍摄工具”进化为“生产力终端”，其技术价值才能真正释放。真正需要追问的是：我们是否有足够的监管智慧与技术伦理，让AI眼镜在合法合规的轨道上找到属于自己的“iPhone时刻”。

技术的善恶从不取决于技术本身，而取决于人把它对准正确、善意的需求。

]]> <![CDATA[电厂 | 今年618，除了AI没有任何新鲜事]]> 文章配图-1

记者 何畅

编辑 高宇雷

战线超长的电商大促活动已经让消费者模糊了时间的界线。5月，你开始为了618领券凑单，只为了拿到所谓的“好价”；6月，快递收了又退，你依然在购物车里挑挑拣拣。等到该买的都买到手，你才发现，原来离6月18日这个“正日子”还有一周，而电商平台的“最后一波”尚未开启。

没有新玩家，App开屏广告跳转的始终是淘宝、京东等老面孔；也没有新玩法，不论是“满减”还是“立减”，都离不开反复的叠加、对比和计算；甚至没有数字精确的战报，电商平台不公布，用户也不关心。一位用户的心态可以作为参考：“重要的不是我参与了价值多少亿的大生意，而是我在这桩大生意里省下了多少钱。”

又累又平淡，已经成为部分商家和消费者对于电商大促的共同感受。从商家的角度来看，每个月都有新的促销活动，“这个活动刚结束，下个活动就该报名了”；消费者则需要眼疾手快，盯紧随机发放的优惠券和随时可能失效的商品链接。而在熟悉的路径和操作之外，AI成为了为数不多的变量，虽然效果未知，却已经是电商平台必须打出的一张牌。

AI电商，先落地再说

如今，模型能力的升级被压缩至以月和周为单位，一些小版本迭代和细微调整甚至可以按照天和小时进行计量。然而，技术是花钱的，也是需要用来赚钱的。即使存在时间错配，再先进的生产力，还是会被应用于与消费相关的场景，比如内容消费层面的短剧，以及实物消费层面的电商。

5月11日，在较长周期的618大促拉开帷幕之前，阿里巴巴旗下千问与淘宝正式全面打通。通过千问App和淘宝App内置的“千问AI购物助手”，用户可以完成淘宝商品的挑选、对比和购买。

文章配图-1

图片来源：阿里巴巴

和年初以无门槛免单卡带动下载，实现“一句话点外卖”的动作相比，更丰富的商品SKU和详情页信息，给了千问和淘宝更大的发挥空间。特别是在复杂商品参数对比和模糊购买意图理解上，一位被灰度到该功能的88VIP用户认为“还挺好用”。

在此之前，豆包已经与抖音电商完成全链路打通，为用户去掉搜索框，直达商品购买页。据36氪报道，如果进展顺利，豆包将于2026年第三季度进一步结合电商功能完善付费场景，并通过补贴为抖音商城引流，第四季度进入运行期——这些都是商业化加速的结果。

新的问题随之而来：AI推荐的商品有没有经过广告加持？推荐和排序是否值得用户信任？毕竟，GEO（生成式引擎优化）已经是一桩生意。一位食品商家告诉电厂，电商平台发力AI购物功能，其实对商家的商品信息优化能力提出了更高的要求，“产品卖点不只是写给人看的，而是同时写给人和AI看的”。

文章配图-1

图片来源：京东

不过，不同电商平台之间的AI工具并不互通。一位家居商家发现，自己在淘宝商家后台生成的视频就无法在京东上传。前述食品商家则选择亲自动手，在将Claude Code接入飞书后，他把大部分业务都搬到了飞书。“AI承接了重复性比较高、耗时较多的工作，但核心判断和决策还是我们自己来。”

购物如炒股，逢低买入

618和双11大促的擂台打到今天，尽管各家电商平台一直宣称要简化大促优惠规则，其实留给用户的还是不变的配方：五花八门的券包、层层叠加的满减、加了又删的凑单，以及复杂到非常有助于用户时长提升的游戏。

如果不是“羊毛群”的群主或成员，你大概很难说清楚淘宝、京东、抖音电商们到底在什么时候发券，又发了几波券。一位计划购入无印良品多款商品的用户说，她对比了线下门店和天猫、京东、抖音这三个平台的官方旗舰店，最终决定根据优惠券的力度选择下单平台。

文章配图-1

图片来源：电厂拍摄

两周过去了，她并没有下单。原因在于，不同平台之间、同一平台在不同时间段发放的优惠券大小、使用门槛和时效都不一样，而部分商品又经常缺货。再加上看到社交平台上其他用户的凑单战果，她开始觉得“再等等价格也许会更低”。

前述88VIP用户觉得，这个618过得“堪比炒股”。为了拿到真正的“好价”，她不得不时刻留意电商平台的发券动态，在淘宝还需要组合店铺随机优惠、生日券、淘金币等福利，反复比对实际到手价格，“下个单就像炒股盯盘一样费劲”。

更何况，随着优惠券使用门槛的提升，用户只能通过凑单解锁低价。常见的做法是将非必需的商品加入购物车，凑齐金额完成支付，再将非必需的商品申请退货。此时，优惠价格仍然保留。

文章配图-1

图片来源：电厂截图自小红书

和炒股类似，除了“逢低买入”，用户也会“逢高退回”。前述计划购入无印良品多款商品的用户就在搜索凑单攻略时发现，“很多人刷到别人下单的截图，才知道自己买贵了或还有券没领，往往会退单重下”。

“今年就是平销”，一位运动户外商家表示，即使不参加618大促，正常售卖的情况下“（成交）应该也比目前多”。“现在本来应该是旺季，平台把水都给搅混了。”

大主播，各自奔天涯

与此同时，头部主播阵营继续分化，方向各有不同。

李佳琦是618期间最忙碌的大主播，自5月中旬起连续直播，几乎无休。此前，他曾经许久未出现在直播间，也因为一次泪洒活动现场的演讲被猜测为即将退休。不过，他对此给出了解释，“有时候缺席直播”是去录制综艺。也就是说，这个过去“从来不敢离开直播间的人”，虽然拥有了缺席直播的底气，但一直没有停止工作。

文章配图-1

图片来源：电厂截图

另一个还在努力的男人是董宇辉。618开启之前，他被京东采销喊话，后者称无法观看与辉同行直播间，怀疑被单方面屏蔽，“私下搞小动作”。随后，京东家电家居采销直播间打出了“‘大主播粉丝’凭订单现场打九折”的口号。与辉同行方面没有回应，这也并未动摇董宇辉的粉丝根基。6月9日，许多粉丝将鲜花送到与辉同行工区，庆祝“宇辉出圈四周年”。

还有一些已经淡出的面孔，比如罗永浩、小杨哥，还有将直播接力棒交给另一半的薇娅、辛巴。辛选的师徒版图又少了一块，辛巴的大徒弟赵梦澈于6月9日宣布，与辛选合同早已到期，将彻底退出直播行业，转向消费品行业的幕后工作，不再以主播身份出现在任何平台。至此，辛巴早期招至麾下的“四大门徒”——赵梦澈、蛋蛋、猫妹妹、时大漂亮均已离开辛选。

至于薇娅，往往出现在他人的镜头里。2025年，她和老公董海锋一起参加了全球数字贸易博览会，还在浙江传媒学院分享了对新媒体生态和主播能力进阶的理解。5月底，谦寻总部新大楼正式启用，薇娅出席剪彩。有员工在社交平台上晒出了她包装乔迁喜糖的图片，评论区的粉丝写道：“是我想念的姐姐。”

从拼命营业到转身离场，从台前带货到幕后布局，头部主播的不同选择，本质上是行业红利消退后的必然分化。随着行业和平台规则收紧，流量在低价导向下被进一步稀释，用户不再冲动消费，而是更为理性地捂紧钱包。于是，直播间和货架电商一样，失去了曾经的光环，只作为日常消费的一部分存在。

在前述家居商家看来，AI电商的持续落地可能对直播电商行业造成一定的冲击。“AI可以掰开揉碎了给你讲，而且不用在直播间等着，也不担心错过什么，有求必应、一目了然。”

同为降低决策成本的升级，直播电商基于信任和情绪，高度依赖流量驱动；AI电商背靠数据和算法，意味着消费入口的变化。但比起经过长时间培育才有望出现的爆发，商家们更在意眼下的盈亏——大促不会停止，他们希望“能多一点利润”。

]]> <![CDATA[大厂 AI 的“包身工困境”]]>

文 | 智械岛，作者 | 沈怀铮

一个朴素的问题：AI到底为谁服务？

七万多字离职长文《置身钉内》，从阿里内网流传至外部被广泛阅读；腾讯云AI产业应用大会上，腾讯云负责人汤道生问腾讯AI负责人姚顺雨“腾讯AI是不是慢了？”，结果被反问“感觉应该是我问你的问题”。

前者代表大厂里那些沉默的大多数，后者被知名媒体人阑夕锐评“高手过招，重剑无锋，几秒钟的功夫，两人内心已经互撕了千百次”。

AI为谁服务，并不是技术问题，是产品伦理问题。

钉钉从出生那天起就带着结构性撕裂，付钱的是老板，要的是管控；干活的是员工，要的是自主和减负。

一个AI产品卡在这两者之间，结果就是反复横跳：今天帮员工自动汇总消息，明天帮老板生成考核报表；今天说要事找人，明天变成事压人。

AI主动推送待办、会议、提醒，表面上是提高效率，本质上是在重新分配注意力压力和权责关系。你说是帮员工减负，员工感受到的是变本加厉的被监控。

钉钉没想清楚这个矛盾，腾讯也没有。腾讯会议、企业微信，都是夹在付费方和使用者之间。

AI介入只会把这种张力放大，不会消解。

大厂的底层代码是KPI，AI项目刚好与与底层代码冲突。KPI已经把AI项目跑成了外卖骑手。

《置身钉内》有个说法是“每日一包”，每天出一个可交付版本。听起来是不是很敏捷？实际上，在这种节奏下团队只能优先堆表面功能，底层基建长期没人敢动。

因为动底层意味着三天不出活，三天不出活包就断了。一个AI项目被跑成了配送时效考核，结果就是功能越叠越多，体验越来越烂，技术债滚雪球。

到最后所有人都在疲于奔命地敷面膜，没人有精力治脸上的痘。

阿里文化的“此时此刻，非我莫属”，放在电商战场是英雄主义，放在AI探索里就变成了权力美学，每一个AI项目不仅要证明自己是好技术，还要证明是好战略、好生意、好政绩。

姚顺雨在腾讯的对谈谈及：能不能够保持耐心，这是AI下半场最重要的事情。在大厂的KPI绞肉机里，耐心是最贵的奢侈品。

让一个BU总裁在董事会上说“这个AI项目前两年不设KPI，纯探索”，他敢吗？他不敢，因为他的晋升通道不允许。所以大厂的AI项目从一开始就背着过重的证明包袱，还没学会走就被逼着跑百米冲刺。

还有一个更隐蔽的幻觉：有海量数据不等于有场景理解。姚顺雨在那场对谈里提出，大厂的竞争壁垒已经不是模型本身，而是Context，也就是真实的业务场景、产品生态和高质量的数据上下文。

钉钉ONE就是活教材。钉钉有几亿用户、每天海量的工作消息，做AI“事找人”简直是天选之子。

结果呢？算法推过来的“事”，用户觉得不是我真正需要优先处理的。为什么？因为算法只看到了消息的结构和关键词，它看不懂权力关系、人情世故和隐性优先级。

这些东西不在数据表里，在真实的人际拉扯里。腾讯有没有这个问题？当然有。姚顺雨自己说选择腾讯是因为这里有大量好问题、好产品。但好问题摆在那里，不等于你能解决它。

把模型能力转化成场景理解力，中间隔着整个组织对用户的同理心。这种同理心，恰恰是大厂最容易在规模扩张中失去的东西。你天天看DAU、看收入、看留存，会离真实的人越来越远。

所有这些问题的最后都会指向一个东西：文化惯性。

阿里是典型的强目标驱动，定一个目标，拆解KPI，层层压实，所有人往一个方向猛冲。这套打法在电商、本地生活这些成熟战场上百战百胜。

但AI是什么？AI是一个探索性、不确定性极高的事物。你定一个DAU目标，团队就会用一切手段去冲DAU，哪怕手段是伤害长期价值。

钉钉ONE的“每日一包”就是这种文化惯性的自然产物，不是某个人坏，是整个系统逼你短视。你想慢下来思考？对不起，你的绩效不允许。

反过来看腾讯，文化惯性是“产品经理驱动”“赛马机制”“慢工出细活”。这套打法养出了微信、王者荣耀。

在AI这个需要压强式投入、需要战略定力的领域，慢到底是定力还是犹豫？当年微视做不起来，不是腾讯没有资源，是整个组织对“要不要真投入”始终下不了决心。

姚顺雨来了，腾讯开始重写混元的底层，动作比过去几年都频繁，说明之前的“慢”未必是深思熟虑，有时候就是惯性。

一个想慢却慢不下去，不是战略想慢，是惯性错过了太多窗口。一个想快却快不起来，不是技术快不起来，是组织不允许你慢下来思考。

谁更难？都难，大厂在AI这件事上，卡在组织的底层逻辑上了，卡在KPI文化和探索文化有着根本冲突，卡在管理意志和用户价值会反复拉扯，卡在短期证明和长期建设的零和博弈。

钉钉ONE死了，但阿里的悟空还在继续。腾讯承认慢了，但姚顺雨说这是一个长期游戏。

谁都没赢，都在承受阵痛。但谁能先在自己组织的DNA里找到一个让AI既能短期试错、又能长期积累的平衡点，谁就能真正走出这个迷局。

否则，再强的模型、再多的算力，也只是给旧文化穿了一件新外套。

]]> <![CDATA[库克的最后一舞，把未来和遗憾都留给苹果AI]]>
如无意外，这会是蒂姆·库克最后一次以掌舵者身份，登台苹果年度全球开发者大会（WWDC2026）。
北京时间6月9日凌晨，美国加利福尼亚州库比蒂诺苹果园区，库克如过去数年一般，主持了新一届全球开发者大会。
当然，这是一届并不“庸常”的大会：它被视作库克任期的“收官之作”，也是苹果为AI赌上未来的关键一战——此前低谷多年的苹果AI终于迎来实质性突破，整场大会将核心尽数押注在了AI升级上。
为打造全新的Apple Intelligence，苹果推出了由端侧模型、私有云计算与系统调度器共同组成的全新架构，以重构后的Siri AI为核心，试图补上过去数年智能生态的短板。
当然，同此前联手OpenAI类似，这一轮更新仍是建立在非纯自研、依靠外部合作的基础上——通过与谷歌Gemini的深度合作，苹果正在尝试补齐自身的AI底座。
并且，这场被寄予厚望的AI升级，在落地层面却仍未达到足够的完成度：新版Siri AI初期仅支持英语，受区域隐私与安全合规要求限制，暂未向欧盟地区的iOS、iPadOS设备开放。中国大陆市场也需结合本土监管要求推进适配工作，Siri AI及其他Apple Intelligence新功能暂不提供。
发布会结束后，苹果股价在当日交易中下跌1.89%，报收301.54美元。截至发稿，盘前交易继续下探0.39%，总市值约4.43万亿美元。
库克的收官之作，暂时难以惠及包括中国区在内，全球市场范围内的大量用户，股价反映出的市场情绪，亦相对平淡。
01.两年AI追赶路
苹果入局生成式AI的步伐与成果都相对滞后，曾经在史蒂夫·乔布斯带领下开创智能手机品类的科技巨头，近两年成了不断调整战略的行业追赶者。
2024年6月11日的WWDC大会上，苹果首次推出AppleIntelligence智能体系，入局AI赛道。彼时，或许出于对技术能力与市场接受度的谨慎，公司选择牵手OpenAI展开合作，借外部技术补齐自身智能生态的短板，试图打破多年来旗下iPhone智能化不足的局面。
但技术立身却将AI“外包”且功能并不足够惊喜，市场对当时的苹果AI并不买账。当日收盘，苹果股价下跌1.91%。
事后来看，苹果与OpenAI的合作也未达市场预期——功能更新零散、智能化体验有限，始终没能形成成熟完整的AI使用生态。同时受各地合规政策影响，相关功能落地受阻、更新延期，让苹果的初代AI布局陷入停滞，也让其在智能手机AI竞赛中持续处于被动位置。
艾媒咨询CEO张毅在接受北京商报记者采访时表示，AI赋能已经成为智能硬件迭代升级的核心刚需，不仅能够提升产品使用效率，更能从效率、知识、情绪等多个维度丰富用户体验，拔高产品的核心价值，是消费电子业务拓展不可或缺的核心能力。
在此背景下，苹果开始调整AI发展战略，转向与谷歌达成深度合作，甚至还在今年5月中旬传出与OpenAI为期两年的合作关系趋于紧张，甚至因违约对簿公堂的流言。
历经两年摸索与迭代，今年在库克收官的WWDC大会上，苹果正式推出全面升级的Apple Intelligence，在模型、云计算、系统等层面，完成了品牌AI布局以来最大幅度的体系革新。
依托与谷歌的深度技术合作，苹果实现了Siri的智能化蜕变，过去局限于简单指令交互的语音助手，升级为具备深度理解、多场景协同能力的全能智能助手。
艾瞰未来CEO辛向军此前告诉北京商报记者，AI发展的核心是深度渗透日常生活、打通软硬件全场景入口，但行业目前仍存在诸多不确定性，用户认可度、跨系统的数据打通与适配问题，是当下硬件厂商需要长期攻克的难题。
02.库克之后，苹果依然被动
从今日股价下跌不难看出，库克在台上的最后一舞并未完全打消市场对苹果AI战略的疑虑，反而让外界看到，即便完成了与谷歌的深度绑定，苹果在AI赛道的被动局面仍未扭转。
掌如研究院院长何基永在接受北京商报记者采访时表示，与谷歌合作补足AI短板，是苹果提升产品生态协同效率与用户体验的积极举措，但市场反应平淡，一是因为这些AI功能多为优化现有服务而非革命性创新，未达到投资者的更高期待；二是市场对苹果AI战略的落地速度存疑，叠加整体科技板块情绪波动，共同影响了短期股价表现。
他同时提到，股价短期波动并不否定苹果的长期价值，若后续AI功能用户反馈积极，仍有望带动换机潮或服务收入增长。
这种被动，一定程度上也来自国内智能手机厂商在AI领域的快速追赶与落地。2026年以来，华为、小米、OPPO、vivo等头部品牌均已完成系统级AI智能体的部署，主流旗舰机型普遍搭载端侧大模型，支持跨应用任务执行等核心能力。例如，华为依托自研盘古大模型，在旗舰机型上实现了AI修图等大量实用功能，鸿蒙生态的跨设备协同能力也在AI加持下进一步强化；小米在今年4月开源了旗舰大模型，启动万亿Token计划，未来三年将投入超600亿元押注AI赛道，其手机端智能体已能处理复杂任务链、跨应用执行等进阶操作；荣耀的智能体已覆盖超3000个使用场景，实现购物自动化、个性化记忆等实用体验。
值得注意的是，IDC发布的2026年一季度中国智能手机市场数据显示，苹果当季出货量达1310万台，同比增幅高达33.3%，市场份额升至18.9%，位居国内市场第二位，仅次于华为，交出了一份超出行业平均水平的良好成绩单。但这份亮眼的市场表现，并未转化为AI竞争中的主动优势。
相比之下，苹果的AI升级仍停留在“发布即延迟”的阶段。尽管本次WWDC上推出了重构后的Apple Intelligence与Siri AI，但受区域合规要求限制，核心功能在欧盟与中国大陆市场均暂无法上线。
此番发布，并未真正打破苹果在AI领域的被动局面。面对国内厂商成熟的AI生态与快速迭代的产品节奏，苹果的追赶之路仍将漫长。]]> <![CDATA[AI竞赛下半场：忘掉聊天机器人，入口与执行权定生死]]>
过去两年，AI 行业只卷一件事：谁的模型更聪明。参数千亿卷向万亿，上下文窗口从几K拉到上百万。但尴尬的现实是：除了写邮件、做摘要这些“轻量级表演”，AI 依然像个被困在对话框里的超能大脑，它懂很多，但做不了什么。
真正的分水岭已经出现。当前 AI 产品的胜负手，根本不在“谁聊天更聪明”，而在谁能把 Agent 放进用户高频使用的入口，并获得权限、上下文和执行机会。
北京时间今天凌晨，苹果在 WWDC26 上给出了自己的答案：Siri AI 脱胎换骨，拥有独立 App 和灵动岛气泡，由谷歌 Gemini 提供底层支持，这是 Siri 自 2011 年以来最激进的改版。但苹果的这一步，只是入口战争全面爆发的信号弹之一。
大模型是大脑，入口是双手。没有手的大脑，只能提供咨询。有了手的大脑，才能接管执行。用户不会为“更聪明的对话框”付费，但绝对会为“省事的代理人”买单。
从点击到授权
想象 2027 年的一个早晨：你说“帮我安排今天”。Agent 已经读过邮件（发现客户提前了会议）、查看日历（下午有空档）、扫描聊天记录（知道你要买生日礼物），于是自动做了三件事：改期并通知参会人、预约商场取货、比价下单乐高。你唯一的动作是回复“确认”。
这就是执行权的终极形态：从“人挥鞭子赶车”，变为“人只管签字画押”。
数字文明史上，入口战争已爆发过两次：PC 时代微软靠 Windows 绞杀网景，夺的是 OS 入口。移动时代苹果和 Google 靠应用商店垄断分发，收的是安装税。每一次计算范式迁移，都重塑了入口格局。
而今，Agent 正在掀起第三次入口战争。前两次争夺的是“点击发生的场所”，这次争夺的是“执行发生的许可”。
传统交互逻辑是：意图 → 寻找 App → 操作 → 完成。AI 时代的终极交互将是：意图 → Agent 自动调用资源 → 完成。未来的超级 AI 大概率不是你特意打开的 App，而是隐匿在系统背后的“隐形智能体”。它通过日常数据主动推断意图，直接调用 API 完成任务。
AI 不再是一个你打开的应用，而是应用打开你的世界。
一旦用户形成“默认授权”习惯，切换成本将高到不可逾越。谁先让用户喊出“嘿 Siri，帮我……”“Copilot，去……”，谁就锁定了下个十年的护城河。但前提是，用户敢不敢把支付、发信的权利交给黑盒？Agent 要实现跃迁，必须跨越三道门槛：在用户必经之路上（触点）、读懂用户真实数据（上下文）、替用户操作执行（权限）。
大模型的智力正变成水电煤，而“入口+权限”才是收过路费的护城河。
四路军突围
基于现有版图，Apple、Meta、Microsoft、Google 正从四个截然不同的方向，试图将 Agent 植入用户的数字心脏。
苹果：“端侧领主”的硬件特权与隐私结界
苹果的底气是 25 亿台活跃设备（2026年1月数据）。它的路线是典型的“端侧特权”：利用 NPU 和 Apple Silicon 把 AI 做进系统底层，Agent 化为轻量级插件（App Intents），并祭出“隐私”武器，敏感计算本地完成，以此换取信任授权。
苹果是唯一掌控硬件层和系统级权限的玩家，但隐忧在于端侧算力的物理天花板与 Siri 长期的“弱智”包袱。若端侧处理不了复杂任务，云端又被隐私承诺捆住，苹果可能沦为“安全的哑终端”。更危险的是，欧盟《数字市场法》正紧盯其接口互操作性，封闭生态面临强拆风险。
Meta：“社交市集”的流量截流与浅层困局
Meta 没有操作系统，但它有全球最庞大的社交消息入口。根据2026年第一季度财报，旗下全应用日均活跃用户（DAP）达35.6亿，覆盖 Facebook、Instagram、WhatsApp、Messenger 和 Threads。每天百亿级的消息在此流转，其中蕴藏着海量的“商业意图”（咨询、预约、购物）。
Meta 的策略极度务实：死磕“商业消息流”。2026 年 6 月上线的 Meta Business Agent，让用户在聊天界面内就能完成从种草到下单的闭环。离钱最近是它最大的优势，但缺乏系统底层权限是致命伤。一旦涉及跨应用调度（如调取日历、操作文件），它就无能为力。若始终只能做浅层客服，无法深入企业 ERP，Meta 将永远被困在“聊天娱乐”范畴。
微软：“数字包租公”的工作流深度绑定
Meta 占据生活，微软占据工作。数亿白领每天在 Outlook、Teams、Word 里运转。微软的 Copilot 是典型的“工作流嵌入”：写邮件时自动补全，开完会自动提取待办写入 Planner。2026 年 3 月推出的 Copilot Cowork（底层采用 Claude 模型），更实现了自动发邮件、安排会议等执行操作。
当 Agent 掌握了通讯录和项目进度，就成了不可或缺的执行者。极强的 B 端付费意愿和坚固闭环是其护城河，但企业级合规审批让它的动作偏保守。若每个动作都要三级审批，它将比手动操作更慢而被员工抛弃。
谷歌：“搜索大帝”的左右互搏与自我颠覆
谷歌处境最微妙，AI 颠覆搜索首当其冲是自己。它双管齐下：Android 端用 Gemini Nano 争端侧，云端用 Search 和 Gemini API 将“10 个蓝色链接”升级为“Agent 执行结果”。2026 年 5 月发布的 Gemini Intelligence，实现了从备忘录购物清单到加购配送的跨应用自动化。
谷歌手握全球最大意图分发入口和开放 API 生态，但陷入了“创新者窘境”：Agent 直接出票，用户不点链接，广告怎么收？若为保广告收入给 Agent 戴镣铐，可能重蹈雅虎覆辙。此外，美国司法部反垄断诉讼若致使其拆分，剧本将彻底改写。
用触点、上下文、权限三个维度来审视四家巨头，各自的优劣势一目了然：
没有一家同时拿下三个维度。入口战争的终局，取决于谁能在自己的短板维度上找到突破口。
中国战场的变量
同样的入口战争正在中国上演，但剧本不同。中国玩家面临的不是“技术路线分化”，而是“生态壁垒森严”，每家巨头都坐拥一座数据孤岛，彼此之间筑墙深挖，Agent 的跨应用调用远比美国更艰难。
原生 App 只是前哨。QuestMobile 2026 一季度数据显示 AI 原生 App 月活达 4.4 亿，字节豆包以 3.45 亿领跑。但真正的暗流在更深处。
2025 年底至 2026 年初战局全面升级。小米上线系统级智能体“Xiaomi miclaw”，鸿蒙 6 上线 80 余个应用智能体，阿里开源 GUI 智能体 MAI-UI。手机厂商与 AI 公司合纵连横：字节牵手中兴推出豆包手机，阿里向瑞幸、肯德基等全面开放品牌 Agent，腾讯测试微信内置 AI 智能体。中国四强格局已从“模型竞赛”转入“入口战争”阶段。
最激进的是字节。豆包以 3.45 亿月活领跑 AI 原生 App，字节的策略是“软硬通吃”。软件端，豆包 App 持续吞噬通用问答和内容生成场景。硬件端，牵手中兴推出豆包手机，将 Agent 植入手机系统。
字节的杀手锏是流量分发能力，抖音和今日头条的推荐算法积累的“用户理解”可以无缝迁移到 Agent 场景，豆包知道你喜欢什么、什么时候需要什么。但短板同样明显，缺乏社交关系链和办公场景，豆包手机要调用微信、支付宝时，面对的是森严的商业护城河。字节的入口，目前仍是“内容消费”而非“生活执行”。
和字节的“流量思维”不同，阿里打的是“交易”这张牌。
千问 App 在 2026 年 6 月宣布向第三方 Agent 和 Skill 全面开放，瑞幸、肯德基等品牌已入驻运营自己的 Agent。同时，千问与淘宝全面互通，用户可以在对话中完成选品、比价、下单。阿里最大的优势是“离交易最近”，Agent 直接嵌入电商和本地生活场景，闭环最短。但阿里的劣势同样来自这个基因，它的入口高度集中在“买东西”这件事上。一旦用户需求偏离交易，千问就失去了上下文优势。阿里需要证明自己不只是“购物助手”。
如果说阿里打的是“交易”，腾讯打的就是“关系”。微信超 13 亿月活，底气在于“默认入口”，聊天记录里藏着最真实的意图数据。但微信的“克制”文化让 AI 落地偏慢，隐私合规压力也让 Agent 不敢轻易读取上下文。此外，腾讯在端侧硬件和云模型上均不占优。
6 月 8 日，微信开放平台宣布面向小程序开发者开放 AI 生态接入，用户一句话即可调用小程序完成点咖啡、订机票等操作。携程、美团随即接入，腾讯股价次日涨超 4%。但开放的另一面是控制，自动模式下开发者交出的是数据控制权。生态的繁荣，取决于微信愿意在多大程度上让利。
四家中最像 Apple 的是华为。
鸿蒙 6 上线 80 余个应用智能体，小艺 Claw 具备深度记忆和跨设备协同能力，依托鸿蒙的分布式架构，Agent 可以在手机、平板、车机之间无缝流转。华为最大的武器是系统级权限，鸿蒙是自研操作系统，华为可以像 Apple 一样把 Agent 做进底层。但华为的致命伤是硬件出货量的天花板，受芯片供应限制，华为终端设备的规模远不及苹果的 25 亿台，这意味着 Agent 的“触点密度”不够。没有足够的设备铺开，再好的系统级能力也只是空中楼阁。
用触点、上下文、权限三个维度来审视中国四强：
没有一家同时拿下三个维度，但每家都在自己的优势维度上构筑护城河。与美国市场不同的是，中国玩家之间的“墙”更高，微信不会轻易让豆包读取聊天记录，抖音也不会向淘宝开放流量入口。这意味着中国 Agent 入口战争的终局，可能不是“一家通吃”，而是“各守一城”。
但核心挑战依然是权限壁垒，当一家 Agent 试图调用另一家的核心数据时，面临的是森严的商业护城河与严格的数据安全法规。这恰恰印证了入口战争的本质，谁能突破庭院深深的权限壁垒，谁就掌握了下一代分配权。
“失落的中间层”
四家巨头从不同方向切入入口战争，一个残酷的副产品正在浮现：当系统级 Agent 可直接调用底层 API，用户没有动力打开独立的 ChatGPT 或 Claude 网页版。缺乏自有入口的纯模型提供商和套壳应用，正遭遇严重的价值挤压。
这一幕似曾相识。PC 时代，微软将浏览器、媒体播放器、Office 捆绑进 Windows，一批独立软件开发商（ISV）就此消失。移动时代，苹果和 Google 的应用商店抽成 30%，挤压了靠分发生存的中间商。每一次计算平台迁移，都会清洗掉那些“寄生在别人生态上”的中间层。这一次，清洗来得更快。
被挤压的中间层，处境各不相同。
最脆弱的是“纯套壳”。没有自研模型，没有独家数据，只是在 GPT 或 Claude 之上包一层 UI 再加点提示词工程。这类产品几乎没有切换成本，用户随时可以走。当系统级 Agent 原生具备同样的对话能力，它们第一个被淘汰。
“垂直 AI SaaS”的处境稍好一些。它们瞄准医疗、法律、金融、教育等垂直场景，用专有数据微调模型，构建行业工作流，有场景绑定和数据壁垒，短期内不会被替代。但长期看，如果微软或谷歌在 Copilot 中内置了同样的行业模板，垂直 SaaS 的护城河就会快速收窄。它们被挤压的程度，取决于“行业数据的独占性”有多强。
最尴尬的反而是“模型公司”本身。OpenAI 建 GPT Store，Anthropic 推函数调用，都在试图从“卖智力”转向“抢入口”。但尴尬的是，当 OS 级 Agent 可以直接调用 API，用户连 ChatGPT 网页版都不需要打开，GPT Store 里的插件又有多少打开率？模型公司向上抢入口，本质是在巨头的阴影下建一座自己的城堡。
这就引出了一个更深层的问题：开发者押注哪个平台？
Agent 生态的繁荣，取决于有多少开发者为它构建 Skill 和插件。如果开发者认定“未来属于微信 Agent”，他们就会优先为微信开发。如果认定“未来属于 Copilot”，就会优先接入微软生态。而开发者的选择又取决于用户在哪里。这是一个鸡生蛋蛋生鸡的循环，先打破循环的那家，将收割整个生态。
但开发者同样面临“平台锁定”的风险。为微信开发 Agent Skill，和十年前为 iOS 开发 App 没有本质区别，平台规则一变，投入可能归零。经历过苹果抽成和谷歌 Play 封号的中国开发者，对此心有余悸。这反而催生了一个新的中间层机会：跨平台 Agent 中间件，让开发者一次构建、多平台分发。谁能解决“写一次，到处跑”的问题，谁就可能成为 Agent 时代的“新 Android”。
未来生态大概率不会走向简单的“两极”，而是三层结构：极上层是把控入口的超级 Agent，攫取行业大部分利润。中间层是垂直行业 Agent 和跨平台中间件，靠数据壁垒和分发能力生存。极下层是提供算力与通用智力的基座大模型。
而连接所有层的基石，依然是信任。谁能用端侧加密、细粒度授权、一键撤销等设计让用户安心交出“执行权”，谁才能真正登顶。
AI 的终局，不是让机器更聪明地聊天，而是让机器代替人类去行动。未来的数字世界，不属于最会聊天的 AI，而属于最会做事的 AI。]]> <![CDATA[首届AI世界杯开赛，几个大模型猜中结果？]]> 北京时间6月12日凌晨3点，美加墨世界杯正式拉开战幕。这是第一届AI（人工智能）全面参与的世界杯。其中，赛前比分预测，是本届世界杯与大众最接近的AI应用。
首场比赛由东道主墨西哥迎战南非，最终墨西哥以2:0取胜。根据咪咕接入的12个国产大模型，有11个对胜负结果预测成功，其中有7个大模型预测中比分。
值得注意的是，在不同时间，大模型给出的预测并不一致。在首日第二场韩国对战捷克的比赛，《财经》观察到，赛前10小时左右，在咪咕的“世界杯竞猜”页面中，有8个大模型给出“韩国胜”的预测结果；到开赛后15分钟，预测韩国胜利的仅剩一家。12个大模型只有MiniMax、中移九天和商汤小浣熊没有改变预测。到比赛结束，该页面显示仅MiniMax一家押中胜负。
除了预测比分、为大众看球带来一定娱乐性，各个大模型也应用在信息获取、观赛答疑、赛事旅行规划等各个层面；AI眼镜等智能硬件也搭载了专属观赛功能。3D数字人可视化方案则帮助裁判对“腿毛级越位”作出更精准的判断。

左图为世界杯开赛前10小时12个大模型预测结果，右图为比赛结束后显示的预测结果。 图：咪咕“世界杯竞猜”页面
12家AI大模型预测比分
今年有12个国产AI大模型加入对世界杯赛事的预测，分别是DeepSeek、通义千问、百度文心、腾讯混元、智谱、MiniMax、阶跃、讯飞星火、中移九天、天禧AI、Kimi和商汤小浣熊。
在世界杯的首场比赛，由于墨西哥和南非两队实力差距明显，各大模型的预测结果集中在2:0、2:1等区间，和体彩开出的最低赔率走势保持一致。反观韩国对阵捷克一战，比赛悬念大增，大模型给出的比分预判十分分散，全场总进球数预测从1球到5球不等。
各家AI都依托大数据与算法模型作出预测。千问AI预测产品负责人程飞介绍，预测除了与球队、球员等竞技本身相关，还包括天气、赛场场地、体能、赛程，甚至旅行的距离、球队状态以及临场发挥的突发情况，都会影响最终建模预测的结果。
但这也不一定算无遗策。以千问为例，在墨西哥对阵南非的赛前预测中，千问认为墨西哥胜利的一大重要因素是墨西哥有主场超过2200米的海拔优势。但实际上南非不是传统意义上的沿海低海拔国家，约翰内斯堡海拔超过1700米，给了球队训练、适应的空间；更重要的是，比赛中南非并没有出现明显的体能不支、在跑动上掉队的情况。
此外，不同时间、面对不同用户，大模型给出的结果各不相同。以千问为例，《财经》于6月11日21:30向千问询问韩国与捷克的预测，千问给出的结果是1:0，其后在6月12日凌晨1点预测结果变为2:0。但也有其他用户晒出千问给的结果是2:1，押中结果。
在咪咕平台各家大模型都有各自的接口，预测结果为实时抓取，且App和咪咕显示结果可能存在出入。
据《财经》了解，不同时间段，大模型预测结果会改变。这种情况也符合体育彩票的赔率特点，不到开赛前最后一刻，相关数据始终处于动态变化中。毕竟比赛本身充满不确定性，爆冷、黑马，才是足球的魅力。
除了赛前预测，AI也开始深度介入观赛过程。咪咕将人工智能打造为赛事数据辅助工具，降低观赛门槛。比赛画面之外，系统会用阵型变化、球员跑动等可视化信息，帮助非专业球迷理解场上正在发生什么，这原本是需要专业经验才能读懂的信息。换句话说，AI一定程度上正在改变观众理解比赛的方式。

截图自咪咕
此外，球迷在观看比赛时也可以向AI实时提问，了解某次换人、一次进攻选择或某名球员状态变化背后的原因。
由于只经历了第一个比赛日，相关功能的实用性仍有待验证。有球迷对《财经》表示，这项功能最大的好处是帮粉丝全场追踪关注的球员，但这类人群对其他的战术、策略不感兴趣。也有球迷认为，这种方式利好有看球经验和爱好的“半专业球迷”，“可以在世界杯这一特殊时期积累谈资，增强与专业球迷对谈的底气。”
AI服务一线赛场
6月11日，足球名宿大卫·贝克汉姆在联想举办的世界杯观赛嘉年华中提到：“我们正在迎来一届技术最先进的世界杯……技术已经深入球队、球员，教练可以迅速获得想要的数据，尤其世界杯这种水平的大赛上。”
联想于2024年10月成为国际足联官方技术合作伙伴，为本届赛事带来了球迷可感知的技术改变。其一是3D数字人可视化方案。过去的越位回放显示二维画面，仅显示球员大致位置和越位线，相对抽象；美加墨世界杯，判罚回放中，观众可以看到类似球员真实体型、姿态和动作的3D形象，更加直观。
这让球迷开玩笑形容的“腿毛级越位”的裁定正在成为现实。
一位联想的员工告诉《财经》，联想主要为赛事提供算力支持。上一届世界杯场边首次引入12路鹰眼摄像头协助裁判，美加墨世界杯增加到16路，需要更强的本地算力和实时处理能力，以确保每秒采集海量球员数据并快速生成判罚结果。此外，比赛中，系统会以每秒50次的频率，持续追踪22名球员身上的29个骨骼点位，并用这些数据驱动数字人动作还原。
另一项创新是“裁判视角AI视频增强系统”。通过裁判随身摄像头和AI影像稳定技术，球迷可以体验裁判一视角。

裁判视角 图：球迷视频截图
除了判罚和可视化技术外，AI在赛场上还有更广泛的应用场景，例如比赛用球本身。
阿迪达斯为2026世界杯打造的官方比赛用球内置500Hz运动传感器芯片，实时追踪球的移动、触球频率和旋转轨迹。这些高精度数据可以与裁判系统联动，在判罚场景时提供辅助支持。
AI在足球比赛中的应用带来了优势，也伴随一些潜在争议：过度依赖技术正在削弱裁判的自主判断，同时频繁的回放和技术介入可能打断比赛节奏，影响场上流畅性；此外，数据采集和分析的成本高昂，普通俱乐部、发展水平较低的国家队有可能难以普及，存在数字鸿沟。
“科技要支持这项运动，而不是夺走它的魅力。它让足球得以发展，同时保护着使其如此特别的‘本质’。”贝克汉姆表示。
此外，AI在足球训练中的应用，已经进入俱乐部的日常训练管理。一个典型案例是伤病风险预警。职业球队现在会在训练和比赛中采集球员的跑动距离、高速冲刺次数、加减速频率、心率、疲劳状态、过往伤病史等数据，再由AI模型判断球员是否处在高风险区间。]]> <![CDATA[AI助手的"记性"到底有多靠谱？]]>
这项由哈尔滨工业大学、上海人工智能实验室、同济大学、厦门大学、复旦大学以及上海交通大学共同完成的研究，以预印本形式发布于2026年6月，论文编号为arXiv:2606.05761。感兴趣的读者可以通过该编号在arXiv平台查找完整论文。

**一段让AI"记性"现原形的故事**
你有没有这样的经历：和一个朋友相处多年，每次聊到某个话题，他总是前后矛盾——有时说自己喜欢安静的咖啡馆工作，有时又说喜欢热闹环境，最后还说最近换去图书馆了。这时候如果你要帮他订个地方，单靠他某一次说过的话，十有八九会订错。正确的做法是把他所有说过的话放在一起，弄清楚这些话是互相补充的、还是因时因地而异的、还是干脆前后矛盾无法调和的，然后再做决定。
这件听起来连小学生都懂的事，现在最顶尖的AI助手做起来却远远没那么轻松。为了搞清楚AI到底能不能做到这一点，研究团队设计了一套专门的"考题"，取名SubtleMemory，并用它对市面上十几款主流AI记忆系统进行了全面测试。结果出乎不少人意料——即使是最好的系统，距离满分也差了将近二十个百分点，而在某些特别刁钻的题目面前，号称最强的AI表现甚至连六成都不到。
**一、为什么AI助手需要"记性"，而且还需要"好记性"**
把AI助手想成一个你雇来处理日常事务的私人秘书。刚开始，你只有一两件事要交代，秘书很快就能搞定。但随着时间推移，你们合作越来越久，他知道的关于你的信息越积越多——你的饮食偏好、工作习惯、最近的计划变化、曾经提过的矛盾心理。这时候秘书面临的挑战就不再是"记住某件具体的事"，而是"在一大堆相互关联的信息里找到正确的那一条，并且清楚地知道它和其他信息之间是什么关系"。
现实中的AI助手（比如论文中提到的OpenClaw这类产品）每天都在积累大量用户的历史对话。这些历史对话里藏着形形色色的信息片段：有的互相印证、共同指向同一个结论；有的表面相似但其实只在特定情境下才成立；还有的则直接前后打架，无法同时为真。传统的AI记忆研究大多只问一个问题："AI能不能记住某件事？"而这项研究提出了一个更难的问题："AI能不能弄清楚它记住的这些事，彼此之间是什么关系？"
这个区别就像是：会背诵乘法口诀，和真正理解为什么三乘三等于九，是两回事。
**二、三种"记忆关系"：互补、微妙、矛盾**
研究团队把AI需要处理的记忆关系归纳成三大类，这三类就像是三种不同难度的迷宫，AI需要在里面找到正确出口。
第一种叫做"互补关系"。好比你从朋友不同时间说的三句话里，分别知道了他喜欢非洲文学、偏好两百到三百页的篇幅、希望书里有女性作者——这三条单独拿出来都不足以帮你从书架上选出两本书，但合在一起就能精准锁定答案。这种情况下AI需要把分散在不同时间、不同对话里的碎片信息拼接成完整图景。研究团队把这类情况进一步分成两个子类：一种是需要同时用到所有线索才能得出答案（叫做"多证据"型），另一种是任意一条线索都已经足够指向同一答案（叫做"任一证据"型）。
第二种叫做"细微区别关系"。这更像是侦探故事里最难办的情节：两条线索看上去说的是同一件事，但仔细一看，一条是关于"当年研究生阶段"的情况，另一条是关于"现在"的情况。或者一条适用于"在家"的场景，另一条适用于"给孩子设计工作坊"的场景。AI必须准确识别这些细微的时间或情境差异，不能把不该混用的信息混为一谈。研究团队把这类情况也分成两个子类：因时间不同而答案不同的（叫做"时间型"），和因情境不同而答案不同的（叫做"情境型"）。
第三种叫做"矛盾关系"，是三类里最难的。这相当于秘书记下了两条正面冲突的信息，比如"这个用户喜欢看Nordic noir犯罪剧"和"这个用户觉得黑暗犯罪剧太沉重、从不看"。这两条不可能同时为真，AI既不能随便选一条当作正确答案，也不能假装没看见另一条，正确做法是诚实地承认"我记录到的信息有冲突，需要用户来澄清"。
**三、SubtleMemory的"考卷"是怎么出的**
出这套考卷的过程，研究团队设计了一条精密的五步流水线，每一步都有专门的过滤机制确保质量。
整个流程从"选种子"开始。研究团队从已有的高质量数据集里挑选了两类基础信息：一类是和用户个人相关的信息，比如某个虚构用户的生活习惯、喜好和计划；另一类是和用户无关的世界知识，比如某个城市的市花是什么、某本书的类型是什么。前者来自一个叫PersonaMem-v2的个人化数据集，后者则来自FanOutQA、MuSiQue、QACC、HoH、AmbigQA等多个知识问答数据集。
有了种子信息之后，研究团队用AI生成"变体"。以一条"Bonita喜欢日式极简室内设计"的信息为例：如果是互补关系，就生成三条都和室内设计相关但侧重不同细节的描述，比如"偏好浅色木质家具"、"偏好中性色调"、"偏好收纳空间充足的简洁布局"；如果是细微区别关系，就生成几条分别对应不同情境的描述，比如"在自己公寓里喜欢极简风"、"在工作室里喜欢北欧风"、"在临时展台上喜欢工业风"；如果是矛盾关系，就生成两条针锋相对的描述，比如"喜欢极简风"和"不再想要极简风，现在喜欢复古繁复风"。
接下来，每一条变体信息都不是直接以"条目"的形式出现，而是被悄悄藏进一段自然的多轮对话里。一个用户在和助手讨论如何整理公寓采购清单，谈到"那些能活过每次收拾整理的东西，都是线条简洁、浅木色、素净色的"——这句话里就藏着她对家居风格的偏好信息。用户自己没有明说"我喜欢极简风"，但读过这段对话的人能推断出来。这种设计模仿了真实助手使用场景里信息传递的方式——用户不会专门给助手背诵自己的偏好，而是在日常交谈中自然流露。
为了避免对话内容单调，研究团队定义了十种对话类型，包括决策支持、规划协调、故障排查、学习解释、资源选择、流程建立、信息整理、个人反思、产出内容、审阅本地化，每种类型还配有三种不同的交互节奏模板。每段对话从这些类型中随机采样，确保全套考卷里的对话场景尽可能丰富多样。
完成对话的生成之后，研究团队为每个知识点设计了对应的考题和参考答案。考题分两大类：针对世界知识的，就是直接问"谁在9-1-1里演Buck这个角色"这样的问题；针对用户个人信息的，要么是填表单（比如填写一张员工档案，其中有咖啡偏好一栏），要么是从提供的候选资源里选出最合适的（比如从一堆书里选出两本最符合这个用户品味的）。这两种形式都能让评判结果更客观、更可量化。
最后，所有这些对话都被拼成完整的长期历史记录。每份历史记录平均包含236.4段对话，合计约21.16万个词语单位，相关信息片段自然地散落在不同时间点，中间穿插大量无关内容。整个基准最终包含1522道评测题，背后对应1090组经过关系控制的信息变体集，其中互补关系占361组、细微区别关系占352组、矛盾关系占377组。
**四、谁来答这套卷子，谁来改卷**
研究团队评测了三种不同形态的AI记忆系统。第一种是"独立记忆系统"，相当于一个专门负责存储和检索信息的模块，测试了六款：Mem0、MemOS、EverMemOS、MIRIX、A-Mem和MemoBase。第二种是"自带记忆的完整AI助手"，测试了两款：OpenClaw和MetaClaw。第三种是"借助插件扩展记忆能力的AI助手"，测试了OpenClaw分别搭载Mem0、MemOS、EverMemOS三种外部记忆插件后的表现。
改卷的工作由Gemini 3.1 Pro Preview Thinking模型担任"评委"。为了验证这位AI评委靠不靠谱，研究团队事先让人工标注了225道题的参考答案，然后拿AI评委的结论和人工结论对比。结果显示，两者的一致程度达到了Cohen's κ值0.963——这是一个非常高的一致性分数，意味着AI评委的判断几乎和人工判断一样可靠。
回答问题的模型，研究团队主要测试了两款：GPT-5.4和GPT-OSS-120B。他们还针对回答问题时用的提示词设计了两个版本：一个是"软提示"，只给出大方向的指引；另一个是"强提示"，明确告诉模型要精准识别目标信息、识别冲突、忠于证据、在证据不足时说清楚。从一套包含141道题的小规模校准实验里，他们发现GPT-5.4配合强提示能达到90.1%的整体正确率——但注意，这是在把原始对话直接喂给模型、完全绕过记忆系统的"理想条件"下取得的成绩，现实中记忆系统会带来额外损耗。基于这个发现，正式评测统一采用GPT-5.4加强提示的组合。
**五、测试结果：没有一个系统能真正过关**
正式测试的结果让人印象深刻——不是因为哪个系统特别出色，而是因为所有系统距离理想状态都还差得很远。
在使用GPT-5.4作为答题模型的情况下，最好的独立记忆系统是A-Mem，整体正确率70.0%；其次是Mem0，69.0%；再次是EverMemOS，68.1%。而理想条件下的"上限"（直接把相关原始对话喂给模型，完全不经过记忆系统）是85.4%。也就是说，最好的记忆系统也比理想状态低了超过15个百分点。
把A-Mem和MemoBase对比，差距更加触目惊心：A-Mem整体正确率70.0%，而MemoBase只有32.1%——这差距几乎等于一半的题目都答错了。
搭载记忆插件的OpenClaw表现怎样？Mem0加OpenClaw的组合达到了71.3%，略优于单独使用Mem0的69.0%；EverMemOS加OpenClaw达到69.1%，也略优于单独使用EverMemOS的68.1%。然而MemOS加OpenClaw的组合却只有56.5%，反而低于单独使用MemOS的56.8%——这说明加上AI助手的上下文管理层并不总是帮忙，有时反而会干扰。尤其是在使用GPT-OSS-120B这个稍弱一些的模型时，加上OpenClaw层几乎在所有组合里都带来了负面效果。
MetaClaw的表现令人惊讶地低，整体只有20.3%，比瞎猜好不了多少。原因在于MetaClaw的记忆机制更侧重于提炼"技能"和"经验"这类可复用的程序性知识，而不擅长保存需要精确细节的事实性记忆，这和SubtleMemory考察的需求正好背道而驰。
**六、三类关系，难度大不相同**
如果把整体成绩按三种关系类型拆开来看，差异更加明显。
互补关系的题目整体还算好做，但也要分子类型来看。"任一证据"型的题目，因为只需要从记忆里找到任意一条相关信息就够了，难度相对较低；"多证据"型的题目则需要把散落在多段对话里的几条信息全都找到并整合，难度明显更高。
细微区别关系的题目在"理想条件"下表现最好，几乎能达到饱和。这是因为这类题目虽然需要从多条相似信息里选出正确的那一条，但本质上只需要精准匹配，而不需要同时处理多条信息之间的复杂关系。然而在现实记忆系统的条件下，时间型的题目明显比情境型更难——有趣的是，理想条件下的表现正好相反，说明现有的记忆系统在处理时间信息时有额外的弱点，也就是说AI助手对"什么时候说的什么"这件事记录得不够精准。
矛盾关系的题目则是三类里最难的，没有任何悬念。即使在完全理想的条件下，GPT-5.4也只答对了68.7%，GPT-OSS-120B更只有41.6%。这意味着即使把所有相关对话直接摆在模型面前，它仍然很难正确地识别冲突、拒绝给出武断的答案。各系统在矛盾关系题目上的表现，普遍比互补和细微区别两类低了二三十个百分点，差距之大超过了研究团队的预期。这背后揭示的问题是：当前大型语言模型在面对无法调和的矛盾信息时，很容易倾向于"强行解决"——或者偷偷选一边站，或者发明一个不存在的理由把矛盾圆过去，而不是诚实地承认"这个问题我没有足够的信息来回答"。
**七、记忆损耗的三个环节：存、取、用**
为了更精准地弄清楚问题出在哪里，研究团队设计了一套三阶段的诊断方法，把AI记忆系统的工作流程拆成三个环节来分别考察。
第一个环节叫做"记忆保存"。研究团队先把所有历史对话完整地送进每个记忆系统，然后用"理想检索"的方式——直接把系统存储的、来自相关对话的记忆条目拿出来——来答题，看看和直接用原始对话相比，正确率下降了多少。下降的部分就代表在"把信息从对话转存成记忆"这个环节里损失掉的信息。
第二个环节叫做"检索能力"。保存环节过关之后，换成系统自己去检索相关记忆来答题，看看和"理想检索"相比又下降了多少。这一步的下降代表检索环节的损失。
第三个环节就是默认条件下的整体表现，把两个环节的损失叠加起来，得出最终成绩。
从这个三阶段诊断来看，各个系统的短板各不相同。A-Mem和OpenClaw在保存环节表现最好，分别达到了93.5%和91.5%的保存成功率。这两个系统有一个共同特点：除了把信息整理成结构化的记忆条目之外，它们还保留了原始对话记录。原始对话里包含很多细节，这些细节在压缩成摘要的过程中很容易丢失，但解答SubtleMemory的题目往往需要这些细节。MemoBase在保存环节只有39.1%，大量信息在进入记忆的第一步就丢了，但它在检索环节相对较强，达到了75.6%——意思是虽然存进去的东西不多，但只要存进去了，基本上还能找得到。OpenClaw保存得很好，但检索时矛盾关系题目的检索成功率只有34.2%，导致最终矛盾关系题目只答对了25.5%。这说明把冲突信息正确召回是一个特别棘手的问题。
从关系类型来看，矛盾关系的信息在保存阶段就特别容易"丢"，很可能是因为互相冲突的事实在进入记忆系统时会相互干扰，被系统错误地合并或丢弃；互补和矛盾关系的题目在检索阶段也比细微区别关系更难，因为它们往往需要同时取出多条相关信息，而细微区别关系只需要取出最匹配的那一条。
**八、测试结论意味着什么**
说到底，这项研究做的事是用一把更精密的尺子来量AI助手的"记忆质量"。之前的研究问的是"AI记得住吗"，这项研究问的是"AI记得清吗"——记得清楚不同时间、不同情境说过的话之间是什么关系，能不能在需要的时候把相关的信息全部找出来，能不能在信息相互矛盾时诚实地告知，而不是假装问题不存在。
测试结果表明，最好的系统还差着将近二十个百分点才能达到理想水平，而矛盾关系的处理即便在最理想的条件下也没有超过七成正确。这个发现对于任何正在开发或使用长期AI助手的人都很有参考价值：不要以为你的助手"记住"了你说过的话，就代表它真正"理解"了这些话之间的关系。尤其是当你的需求发生过变化、曾经说过前后矛盾的话的时候，助手很可能正在一本正经地给你一个基于错误理解的建议。
对于研究者来说，这项工作指出了一个清晰的改进方向：AI记忆系统需要在信息存储时保留更多细节（尤其是时间和情境信息），在检索时能够同时取回多条相关信息，在回答时能够识别矛盾并保持诚实。这三个方向任何一个单独突破，都能带来实质性的提升。
有兴趣深入探索这个话题的读者，可以通过arXiv:2606.05761查阅完整论文，研究团队的项目主页和代码也已经公开，方便有意在自己的记忆系统上运行SubtleMemory测试的开发者直接使用。
Q&A
Q1：SubtleMemory评测基准测的是AI记忆能力的哪个方面？
A：SubtleMemory不测AI能不能记住某件事，而是测AI能不能搞清楚它记住的多条相关信息之间是什么关系。具体来说分三种情况：多条信息是互相补充的，还是只在特定时间或情境下才成立，还是干脆互相矛盾。现有系统在这三类情况下的表现都有明显不足，矛盾关系的处理尤其困难，即使是最好的系统正确率也不到七成。
Q2：为什么AI记忆系统在处理矛盾信息时特别差？
A：核心原因有两个。一是现有记忆系统在把对话整理成记忆条目时，互相冲突的信息很容易被错误合并或丢弃，在存储阶段就已经损失了关键细节。二是大型语言模型本身在面对无法调和的矛盾时，倾向于强行选一边或发明理由把矛盾圆过去，而不是诚实承认信息存在冲突。这两个问题叠加，导致矛盾关系题目的得分在所有类别里垫底。
Q3：A-Mem为什么在保存环节表现特别好？
A：A-Mem除了把信息整理成结构化记忆条目之外，还额外保留了原始对话记录。原始对话里包含大量细节，这些细节在被压缩成摘要时很容易丢失，但SubtleMemory的很多题目恰恰需要这些细节才能答对。OpenClaw也有类似的特点，两者的保存成功率都超过了91%，远高于那些只保存结构化摘要的系统。
]]> <![CDATA[中国人民大学AI团队揭开大语言模型的隐藏秘密]]>
这项由中国人民大学高瓴人工智能学院、联想集团与武汉大学联合开展的研究，以预印本形式于2026年6月发表，论文编号为arXiv:2606.07502，有兴趣深入了解的读者可通过该编号查询完整论文。

当你用手机上的AI搜索"附近有什么好吃的川菜"时，AI需要先"读懂"你的这句话，然后在数以百万计的内容里找到和你问题最相关的结果。这个"读懂"的过程，在技术上叫做文本嵌入（text embedding）——把一段文字变成一串数字，数字之间的距离反映文字之间的语义相似程度。
大语言模型（Large Language Model，简称LLM），也就是ChatGPT、文心一言这类AI背后的核心技术，理论上应该非常擅长这件事。毕竟，它们读过互联网上几乎所有的文字，理解语言的能力令人叹为观止。然而，当研究人员真正测试这些模型在文本嵌入任务上的表现时，却发现了一个令人费解的现象：这些号称无所不能的大语言模型，在把文章"记成数字"这件事上，表现居然相当平庸。
这就好像一位博览群书、出口成章的学者，你让他帮你给图书馆里的书做分类标签，他却总是把各种书都贴上同样的标签——"的"、"了"、"是"——这些在任何书里都高频出现、却几乎毫无意义的词语。研究团队正是从这个奇怪的现象出发，展开了一场深入AI内部的"侦查"工作，最终不仅找到了问题的根源，还提出了一个简洁却有效的解决方案，命名为EmbedFilter。
一、为什么AI总是记住"的了是"，而不是真正的意思
要理解这个问题，先来了解一下大语言模型内部有一个叫做"反嵌入矩阵"（unembedding matrix）的零件。这个零件的正常功能是：给模型一个思考状态（一串数字），它帮模型判断下一个词最可能是什么。打个比方，这就像是一个翻译官，把AI内心的"想法"翻译成我们能看懂的文字。
研究团队使用了一个叫做"逻辑透镜"（Logit Lens）的工具。这个工具的原理很直接：把一段文字的嵌入表示（也就是那串代表文字含义的数字）丢给翻译官，看看翻译官觉得这段话"最像"在说哪个词。如果AI真的理解了文章的语义，翻译官应该能输出一些和文章内容相关的关键词。
然而，实验结果让研究人员大吃一惊。他们在三个主流大语言模型家族——阿里的Qwen、Meta的Llama以及Mistral——上分别测试，把同一段关于"逻辑透镜"工具本身介绍的英文文本输入模型，然后观察翻译官的输出。结果，三个模型不约而同地输出了大量毫无意义的高频词：引号、换行符、"the"、"is"、"and"……这些词在任何文本里都出现得极其频繁，但几乎不携带任何实质性的语义信息。
这意味着，模型保存下来的文字"印象"，并不是文章讲的是什么，而是文章"表面上用了哪些最常见的词"。这就相当于，你请一个人帮你记住一首诗的含义，他却只记住了"诗里面用了很多'的'字"。
更关键的是，这个现象在三个完全不同的模型家族里都出现了，说明这不是某一个模型的特殊毛病，而是大语言模型在设计上的一个普遍性问题。
二、问题的根源：AI内部的"平均脸陷阱"
找到了现象，研究团队开始追问：为什么会这样？他们的推理过程像是一步步拼图。
第一块拼图来自此前学术界已经观察到的一个现象：文本嵌入具有"各向异性"（anisotropy）。这个词听起来很专业，但背后的意思其实很好理解。假设嵌入空间是一个三维房间，所有文本的嵌入向量本来应该均匀分布在整个房间里，这样两段内容差异大的文字就会"站"在房间里相距很远的位置，内容相似的就"站"得很近。然而，实际观测发现，几乎所有文本的嵌入向量都挤在房间的一个狭小角落里。这意味着，随便找两段文字，它们的嵌入向量都非常相似——即便这两段文字讲的是完全不同的事情。
第二块拼图是：这个狭小角落的"中心点"是什么？研究团队猜测，这个中心点代表的是一个"平均词"——所有在训练数据里出现过的词，按照出现频率加权平均，得到的那个"最典型"的词的嵌入表示。
为了验证这个猜测，研究团队做了一件很有创意的事情：他们反向工程出了这个"平均词"的隐藏表示。具体做法是，从公开语料库RedPajama里统计出每个词的出现频率，然后利用反嵌入矩阵的数学性质（用了一种叫做摩尔-彭罗斯伪逆的数学工具），反推出一个能够产生这种频率分布的"假想隐藏状态"。这个假想隐藏状态，就是他们所说的"平均词的表示"。
有了这个"平均词"，他们就能更精确地研究：AI内部哪个部分负责把这种"平均词偏见"写进文本嵌入里。
三、发现"边缘频谱"：AI内部的高频词制造机
接下来是最关键的侦查步骤。研究团队使用了另一个工具，叫做"逻辑频谱分析"（Logit Spectroscopy）。
先解释一下什么是"频谱"。反嵌入矩阵是一个巨大的数学矩阵，可以用一种叫做奇异值分解（SVD）的技术把它拆解成一系列"方向"和对应的"重要程度"（奇异值）。这就好比把一首交响乐分解成不同乐器的声部：小提琴声部、大提琴声部、打击乐声部……每个声部对整体音效的贡献不同。
逻辑频谱分析做的事情是：逐一"静音"每一个声部（滤掉每一个方向的贡献），然后观察"平均词"的翻译结果发生了什么变化。如果静音某个声部之后，高频词的得分大幅下降，就说明那个声部是高频词偏见的主要来源。
实验结果非常清晰：在三个模型上，当研究团队静音频谱两端的声部时——也就是那些奇异值最大和最小的方向——高频词的得分急剧崩塌，受到的影响远超其他中间位置的声部。而当他们静音中间位置的声部时，高频词的得分几乎没有变化。
这个规律在Qwen、Llama、Mistral三个模型上表现一致，最大扰动可以达到20%以上。研究团队把这两端的频谱方向命名为"边缘频谱"（edge spectrum），因为它们处于整个频谱的两个边缘位置。
作为对照，研究团队还用同样的方法分析了低频词和随机采样词的情况。结果发现，低频词和随机词对边缘频谱的敏感度远比高频词低得多，这进一步确认了边缘频谱与高频词偏见之间的特异性关联。
换句话说，研究团队找到了那个"制造麻烦的零件"：反嵌入矩阵里处于频谱两端的那部分，负责把高频词的信息强行写进文本嵌入，干扰了真正的语义信号。
四、EmbedFilter：一把精准的"语义滤镜"
找到了问题的根源，解决方案就呼之欲出了。研究团队提出的EmbedFilter，原理可以用一个简单的生活比喻来理解。
假设你在拍一张风景照，但镜头上有几片灰尘，导致照片里出现了几个模糊的污点。与其重新买一个镜头或者重新拍摄，你可以用一块专门的擦镜布，把那几片灰尘擦掉，照片立刻就清晰了。EmbedFilter做的正是这件事：它是一块专门针对"边缘频谱灰尘"的擦镜布。
从数学层面说，EmbedFilter是一个线性变换（Bulk Spectrum Transformation，简称Φ）。它的做法是：从反嵌入矩阵的奇异值分解中，只保留中间那部分方向（去掉两端的边缘频谱），用这些"纯净"的中间方向重新构造一个投影矩阵，然后用这个矩阵对原始的文本嵌入进行过滤。
这个操作有几个值得注意的特点。第一，它完全不需要重新训练模型，也不需要任何额外的标注数据或校准数据集，所有需要的信息（也就是反嵌入矩阵本身）都已经存在于模型内部，拿来直接用就好。第二，计算量极小，相比于模型本身每秒处理的海量运算，这个过滤步骤几乎可以忽略不计。第三，这个方法是通用的，可以叠加在任何已有的文本嵌入提取方法之上，不限于特定的模型或提示工程策略。
研究团队还重新做了一遍逻辑透镜分析，这次用的是经过EmbedFilter处理后的嵌入表示。结果令人振奋：三个模型输出的高频词几乎完全消失，取而代之的是与输入文本真正相关的词汇。比如，对于那段关于"逻辑透镜"的测试文本，Llama模型过滤前输出的是"_the"、","、"_a"这类无意义词，过滤后输出的变成了"_activations"（激活值）、"_representations"（表示）、"_viewpoints"（视角）等与文章内容直接相关的词。这直观地证明，过滤掉边缘频谱之后，嵌入表示确实"看到"了更多真实的语义内容。
五、降维红利：更小、更快、更好
EmbedFilter还带来了一个意外的惊喜，那就是免费的维度压缩。
文本嵌入通常是高维度的向量，比如Llama-3.1-8B的嵌入维度是4096，意思是每段文字要用4096个数字来表示。维度越高，存储这些嵌入所需的空间越大，计算两段文字之间相似度的速度也越慢。对于需要处理数百万甚至数十亿条文本的实际应用来说，这是一笔相当可观的成本。
EmbedFilter的核心操作是从反嵌入矩阵的奇异向量中选取一个子集（去掉两端，只保留中间部分），然后把文本嵌入投影到这个子集所张成的空间里。由于这个子集的维度小于原始维度，投影后的向量自然就变短了。研究团队定义了一个参数τ来控制压缩比例：τ=2表示把维度压缩到原来的1/2，τ=4表示压缩到1/4，τ=8表示压缩到1/8。
更妙的是，这个降维操作在数学上是距离保持的（distance-preserving），也就是说，两段文字在原始高维空间里的相对远近关系，在压缩后的低维空间里依然保持不变。研究团队在论文附录中给出了严格的数学证明，其核心在于奇异向量矩阵是正交矩阵（各方向互相垂直、互不干扰），因此投影操作不会扭曲距离关系。换句话说，用压缩后的向量来判断文章相似度，理论上和用原始向量一样准确，但计算量和存储需求都大幅降低。
六、实验验证：在49项任务上全面碾压
研究团队在学术界通用的MTEB（Massive Text Embedding Benchmark，大规模文本嵌入基准测试）上进行了全面评估。这个基准包含49项不同的任务，涵盖语义相似度判断（STS）、文本分类（Classification）、聚类（Clustering）、配对分类（PairClassification）、重排序（Reranking）、检索（Retrieval）和摘要评分（Summarization）七大类。
实验在三个模型上进行：Qwen-2.5-0.5B（0.5亿参数的小模型）、Llama-3.1-8B-Instruct（80亿参数的中型模型）和Mistral-7B-Instruct-v0.3（70亿参数）。每个模型分别搭配两种主流的提示工程基线方法：PromptEOL（用"把这段话总结成一个词"的提示帮助模型压缩语义）和ECHO（通过重复输入文本让模型更好地捕捉语义）。
结果相当亮眼。以Qwen模型搭配ECHO为例，基线方法的MTEB综合得分是46.03分，加上EmbedFilter之后跃升至52.55分，提升幅度达到14.1%，这是全部实验配置中最大的单次提升。Llama搭配ECHO的配置从53.52分提升到57.70分，提升7.8%。Mistral搭配ECHO从53.21分提升到56.10分，提升5.4%。在所有49个测试配置中，加入EmbedFilter后的得分几乎清一色高于对应基线，体现出相当强的普适性。
当压缩比τ从2增大到4再到8时，性能确实有所下降，但下降幅度相当温和。以Llama搭配ECHO为例，τ=2时综合得分57.70，τ=4时57.32，τ=8时56.61——即便把维度压缩到原来的八分之一，性能依然显著优于未使用EmbedFilter的基线（53.52分）。这意味着，在实际部署中，可以用一个小得多的存储空间和快得多的检索速度，同时获得更好的语义表示质量。
研究团队还额外测试了EmbedFilter与更复杂的提示工程框架的兼容性。MetaEOL是一种需要借助大型商业语言模型生成多样化提示的方法，GenEOL则是利用模型的生成能力从不同角度改写原文再取平均嵌入的框架。EmbedFilter叠加在这两种方法上之后，同样带来了稳定的提升：MetaEOL搭配Qwen从52.23分提升到55.39分（+6.1%），搭配Llama从56.73分提升到58.79分（+3.6%）；GenEOL的STS任务平均分从77.73分提升到78.39分。这说明EmbedFilter不是针对某一特定方法的特殊优化，而是一个真正通用的改进工具。
七、与其他方法的比较和消融实验
研究团队还仔细排查了EmbedFilter性能提升的真正来源，确保结论的可信度。
一个自然的质疑是：EmbedFilter的提升，会不会只是因为降低了维度，而不是因为滤掉了边缘频谱？为了排除这个可能，研究团队设计了两个对照实验：一是直接截取原始嵌入向量的前半部分（Truncation）；二是随机选取一半维度（Random）。这两种方法同样降低了维度，但没有进行任何语义导向的过滤。结果发现，这两种方法的得分（49.13和49.27）不仅没有超过EmbedFilter（54.57），甚至比未降维的基线（50.07）还要低。这有力地证明，维度压缩本身不能带来性能提升，EmbedFilter的有效性确实来自于对边缘频谱的精准滤除。
研究团队还对比了只滤除奇异值最大方向（Dominant）、只滤除奇异值最小方向（Secondary）、只保留边缘频谱而滤除中间部分（Bulk，即EmbedFilter的反操作）这三种变体。结果显示，完整的EmbedFilter（同时滤除两端）得分最高（54.57），而Bulk变体（只保留两端）得分最低（47.13），比基线还差。这一对比既验证了边缘频谱确实是有害成分，也从反面证明了中间频谱才是真正承载语义的部分。值得注意的是，仅滤除奇异值最小方向（Secondary，53.19）的效果远好于仅滤除奇异值最大方向（Dominant，47.53），这与之前频谱分析中观察到的、小奇异值方向对高频词的影响更大的结论是一致的。
研究团队还设计了一个"理论上限"配置（Optimal）：根据频谱分析的结果，找出对高频词影响最大的那些方向进行精准滤除。这个配置需要事先做频谱分析，实现上更复杂，但代表了该框架理论上能达到的最好效果。结果显示，Optimal配置的得分是54.19，而EmbedFilter（不需要任何额外分析，直接按频谱位置过滤）的得分是54.57，甚至略高于理论上限。这说明EmbedFilter在实践中的表现已经相当接近甚至超越了更复杂的精准方案。
另一个值得一提的对比是与BERT-whitening（白化处理）的比较。白化处理是学术界已有的一种解决嵌入各向异性问题的方法，原理是用一个校准数据集（通常是NLI自然语言推理数据集）来计算嵌入的统计特性，然后对嵌入进行标准化。白化处理同样支持降维，因此两者具有可比性。在相同的降维比例（τ=2，448维）下，EmbedFilter得分54.57，白化处理得分53.04。EmbedFilter不仅表现更好，而且完全不需要任何校准数据，这在实际应用中是一个相当大的优势——因为获取高质量的校准数据本身就需要成本。
研究团队还展示了EmbedFilter在维度压缩上的实用价值，将其与预LLM时代的经典嵌入模型进行对比。SimCSE（一种经过精心对比学习训练的BERT模型）在768维下的MTEB综合得分是53.54，coCondenser（专门为密集检索优化的模型）是55.48。而Llama搭配EmbedFilter，在512维（原始4096维的八分之一）下达到了56.61分或更高，用更小的存储空间超越了这些经过专门训练的专业嵌入模型。
说到底，这项研究做的事情可以用一句话概括：在AI的大脑里找到了那个专门"制造噪音"的零件，并设计了一把精准的手术刀把它的影响切除掉。切除之后，AI对文字含义的理解变得更清晰，存储和检索的效率也同步提升。
这对普通人意味着什么？当你在搜索引擎里输入一个问题，背后的AI如果用了这种技术，就能更准确地理解你真正想问的是什么，而不是被"的了是"这类无意义词所干扰；当你用AI整理大量文档时，文档分类会更精准；在语音助手、文档检索、问答系统等各种场景里，这种改进都可能带来看得见的效果提升。而且，由于存储空间需求降低了，这些能力也可以更容易地部署在手机等资源有限的设备上。
一个值得进一步思考的问题是：既然边缘频谱对语义表示有害，在未来训练新模型时，是否可以在训练阶段就主动抑制这种偏见，而不是等到使用时再后处理？研究团队在文中也表达了同样的期待，认为这一发现可以为未来更系统化的文本嵌入训练设计提供参考。此外，边缘频谱中两端不对称的影响（小奇异值端比大奇异值端更"有害"）背后的深层原因，也是研究团队留给未来工作的开放问题。有兴趣深入探索这些问题的读者，可以通过论文编号arXiv:2606.07502查阅完整的研究报告。
Q&A
Q1：大语言模型在文本嵌入任务上为什么表现不好？
A：大语言模型生成的文本嵌入向量存在"高频词偏见"问题：把一段文字的嵌入投影回词汇空间时，模型反映的不是文章讲了什么，而是文章里出现了哪些高频但无意义的词（如"the"、"，"、换行符等）。这种偏见导致不同文本的嵌入向量过于相似，无法有效区分语义差异。
Q2：EmbedFilter是怎么改善文本嵌入质量的？
A：EmbedFilter利用大语言模型内部已有的反嵌入矩阵（unembedding matrix），通过奇异值分解找出频谱两端（边缘频谱）的方向，这些方向被识别为高频词偏见的主要来源。EmbedFilter通过一个简单的线性变换，将文本嵌入投影到去掉两端后的中间频谱子空间，从而过滤掉高频词的干扰，提升语义表示质量，不需要任何重新训练或额外数据。
Q3：EmbedFilter降维后语义相似度的计算还准确吗？
A：准确。EmbedFilter的降维操作基于正交矩阵的投影，在数学上是距离保持变换，即两段文字在原始空间的相对距离关系在压缩后的空间里完全保留。实验也验证了这一点：维度压缩至原来的八分之一后，性能仍显著优于未使用EmbedFilter的基线模型。
]]> <![CDATA[清华大学等顶尖高校联手打造"沉浸式世界模拟器"]]>
这项由清华大学、华中科技大学、快手科技（旗下Kling团队）、香港科技大学和武汉大学联合完成的研究，发表于2026年6月，论文编号为arXiv:2606.07326。有兴趣深入了解的读者可以通过该编号在arXiv平台查阅完整论文。

当你戴上VR头显，在虚拟世界里举起手臂、转过身去打量一间陌生的房间，你期待看到什么？你当然希望那个世界像真实的一样，随着你的身体动作实时响应——你迈步向前，脚下的地板就应该缓缓逼近；你侧过头，墙角的书柜就该从视野边缘慢慢滑入画面。更进一步，如果这个世界里有另一个人正站在你看不见的角落里，你的大脑会下意识预期：等我转过去，他应该还在那里，而且可能已经从椅子上站了起来，就像现实中的人一样。
然而，现有的AI视频生成技术在这件事上长期表现不佳。它们或者只能用键盘方向键来控制视角移动，或者只能用文字描述来触发场景变化，根本没法模拟一个真实的人是如何用整个身体去感知和互动世界的。而且这些系统生成出来的世界，像一块随用随生的泡沫——走到哪，生成到哪，对于那些你还没走到但理应存在的角落，它完全没有概念。
这正是AnchorWorld想要解决的核心问题。这套系统的名字里有个"锚"字，恰如其分——它的设计思路就是在虚拟世界里提前打下几个"锚点"，让整个世界在你动来动去的时候不至于随机漂移，而是稳稳扎在那里，等你走过去、看到它时，一切都如你所预期。
一、现有技术卡在哪里？
要理解AnchorWorld的价值，先得弄清楚现有技术踩了哪些坑。
大多数"交互式世界模型"，本质上是一个能接受指令然后生成连续视频的系统。你给它一张起始图片，再给它一段指令，它就一帧一帧地往后生成画面。问题在于，这个"指令"往往非常粗糙——要么是键盘上的方向键（向前、向后、左转、右转），要么是一句文字描述（"往厨房走"）。这类控制方式就像用口头命令指挥一个不懂空间感的机器人，它能做到大方向正确，但对于身体和环境之间那种复杂的空间关系，它完全抓不住。
更接近真实情况的一些新研究开始引入手部姿态甚至全身动作作为控制信号，这方向是对的。但随即暴露出另一个问题：第一人称视频里大多数时候根本看不到完整的人体！你戴着头显向前走，摄像头拍到的是你面前的世界，你的腿、你的躯干，统统不在画面里。这就导致AI想从第一人称视频里学习"身体动作和视觉画面之间的关系"，就像只能看到水面波纹却看不到石头的学生，要靠水纹推断投入了多大的石头——信号太稀疏了，学不扎实。
与此同时，"世界状态"的问题同样棘手。现有方法通常只靠一张初始图和历史画面来维持场景的连贯性，走到新地方时那片区域就是凭感觉生成，没有任何提前约束。这意味着你绕一圈回来，墙上的画可能换了颜色，房间里的人可能凭空消失。这对真正意义上的世界模拟来说，是不能接受的。
AnchorWorld的设计就是针对这两个缺口：第一，让系统更好地理解全身动作和视觉画面的关系；第二，为世界中的特定位置提前"预设状态"，让系统知道那里有什么、会发生什么。
二、第一视角的困境怎么破？混合视角训练法
AnchorWorld解决第一个问题的方式，有点像培养一个优秀的演员：先在第三人称视角下大量观察真实的人体动作，再把这些知识迁移到第一人称视角。
具体来说，研究团队采用了一种叫做"混合视角训练"的策略。系统首先在大量普通第三人称视频（也就是传统的、能看到整个人的那种视频）上训练，在这个阶段，AI可以清楚地看到整个人体是如何运动的——脚怎么迈、手怎么摆、身体重心如何转移。更重要的是，它能看到这些动作和周围环境的关系：这个人走过去，脚踩到了地毯，手伸向了桌子，身体旋转之后视线落在了窗户上。
在这个阶段，研究团队用了自家内部整理的20万条单人动作视频，加上一个基于虚幻引擎（Unreal Engine）生成的合成数据集MultiCamVideo里的10.1万条视频，规模相当可观。
完成第三人称阶段的训练之后，系统再迁移到第一人称视频的训练。这时候，AI虽然在屏幕上看不到完整的人体，但它已经在第三人称阶段建立起了"身体动作→视觉变化"的空间映射能力，可以把这套经验应用到第一人称场景里——哪怕现在只看得到双手，它依然能猜到身体其他部分在做什么，并据此生成合理的画面变化。
这套训练方法用到的真实第一人称数据主要来自两个公开数据集：Ego-Exo4D和LEMMA。这两个数据集的特别之处在于，它们同时录制了同一场景的第一人称和第三人称画面，就像电影拍摄时主摄像机和监控摄像机同步录制一样。这让系统可以把"我看到的世界"和"别人看到的我"对应起来学习，弥补了单纯用第一人称数据学习时的信息缺失。
为了描述人体动作，AnchorWorld使用了一个叫SMPL-X的标准人体参数模型，把人体拆解成22个主要关节，每个关节用六个数字描述（三个描述空间位置，三个描述旋转方向）。之所以不用手部关节，是因为研究团队发现现有的第一人称视频数据集在手部估计上质量不够可靠——手太常被遮挡或跑出画面了。
三、身体姿态怎么"注入"到视频生成里？空间姿态注意力机制
有了人体动作数据，下一步是把它真正地"告诉"AI视频生成系统。这里有个技术上的精妙设计。
AnchorWorld把视频生成底层模型选定为Wan（一个基于"流匹配"技术的扩散模型），然后在其中加入了一个叫做"空间姿态注意力"的模块。这个模块的工作方式可以理解为：把人体动作信息和摄像机运动信息，在每一帧上都紧挨着视频画面的信息摆放，让三者在同一个"会议室"里同时讨论——画面里的每一块区域，都能直接参考对应时刻的人体姿态和摄像机角度，从而生成在空间上完全匹配的视觉内容。
更关键的设计细节在于：系统用同一套"投影"逻辑来处理第三人称和第一人称两种情况。不管摄像机是架在旁边看全身，还是就装在头顶往前看，系统处理的方式是一样的——把三维空间里的人体动作，按照当前摄像机的位置和角度，投影到二维画面上。这样一来，第三人称和第一人称的训练就可以在同一个框架下进行，知识可以流通。
四、"锚点"是什么？给世界打上坐标的关键设计
现在来到AnchorWorld最有特色的部分：锚视图（Anchor View）系统。
假设你正在体验一个虚拟客厅场景。客厅里有一个沙发，沙发上坐着一个人。你从厨房走进来，初始视角只看到桌子和电视。那个坐在沙发上的人，此刻完全不在你的视线里。但是当你转过身走近沙发区域，你当然期望他还在那里。更进一步，如果那个人在你看不见的时候已经从沙发上站起来走向了电视，等你走到那个区域时，你应该看到他已经站着而不是坐着。
传统系统对这个"期望"完全没有约束能力，因为沙发区域在你走过去之前根本不存在于任何参考帧里。AnchorWorld的锚点机制就是为了解决这个问题。
一个"锚视图"由三样东西组成。第一样是一张RGB图片，拍摄的是那个位置的场景——比如沙发区域的照片，照片里有沙发和坐在上面的人。第二样是这张照片在三维世界坐标系中的位置和角度，用一套六维数字描述（三个数描述位置，三个数描述朝向），专业上叫做6-DoF位姿。第三样是一段文字描述，告诉系统这个区域会发生什么变化——比如"那个人从沙发上站起来，走向电视"。
系统在工作时，会把这些锚视图的图片信息和正在生成的视频帧信息放在一起，通过特殊的位置编码（3D RoPE）告诉系统哪些是"锚点画面"、哪些是"正在生成的当前帧"。同时，每个锚点的三维位姿信息也被注入进去，让系统知道这些锚点在三维空间中分别位于什么地方，和当前视角的相对位置关系是什么。
至于那段文字描述的"动态变化"，系统通过一种叫做"遮蔽交叉注意力"的方式来处理：每段文字描述只和它对应的那个锚点画面以及当前生成的视频帧"对话"，不会干扰其他锚点。这就保证了不同位置的变化可以相互独立地发生，互不串扰。
五、四个阶段循序渐进的训练流程
AnchorWorld的训练分四个阶段进行，每个阶段建立在前一个阶段的能力基础之上，就像盖楼一样先打地基再建上层。
第一阶段是"第三人称动作训练"。系统在大量的第三人称视频上，学习全身动作和视觉画面之间的对应关系，建立基本的投影能力和空间感。这一阶段用了30000步训练，总计消耗600个GPU小时（相当于25张高端显卡连续运行整整一天）。
第二阶段是"第一人称动作训练"。系统切换到第一人称数据，把第一阶段学到的空间感迁移到头戴式视角下，学习第一人称下的画面生成规律。这一阶段用了15000步训练和300个GPU小时。
第三阶段是"静态锚视图定制训练"。系统学习如何利用提前提供的锚点图片和位姿，在生成视频的过程中保持对场景的空间一致性。这一阶段重点是"走到哪，锚点所在位置的场景应该是什么样"这类静态场景的一致性，同样是10000步和253个GPU小时。
第四阶段是"动态锚视图演化训练"。在第三阶段的基础上加入"动态数据"——那些锚视图里有人在做事情的视频，加上对应的文字描述。系统学习在保持空间一致性的同时，让锚点所对应的区域按照文字描述中规定的方式发生变化。同样是10000步和253个GPU小时，但同时混合了静态数据和10000条筛选出的动态场景数据。
整个训练过程均在16块NVIDIA 80G显卡上进行，学习率固定为0.0001，使用AdamW优化器。推理时，每次生成77帧的视频，分辨率为480p，需要50个去噪步骤，引导强度设为5。
六、实验结果：AnchorWorld在各项测试中表现如何？
研究团队构建了四套测试集来全面评估AnchorWorld，与多个基线方法进行了比较。
参与比较的基线方法包括PlayerOne（一个专门做第一人称世界模拟的方法，把人体分部位分别学习控制）、PlayerOne-Scene（PlayerOne加上了AnchorWorld的锚点注入机制）、CaM-UE（在虚幻引擎数据上训练的场景一致性模型，官方版本），以及CaM-Ego（把CaM模型在第一人称数据上重新训练的版本）。
第一套测试是在第一人称数据源中留出的100个测试序列上，场景是静态的，主要测动作控制和场景一致性。评估指标涵盖了很多维度：场景一致性用GIM匹配像素数（像素级匹配程度，数字越高说明生成的画面和真实画面越接近）、CLIP-V（语义相似度）、PSNR、SSIM（像素精度）和LPIPS（感知相似度）来衡量；动作控制则通过MegaSaM工具从生成视频中估计出摄像机轨迹，再和真实轨迹比对来评估。AnchorWorld在全部这些指标上都达到了最优。具体来说，GIM匹配像素数为4493.4，CLIP-V为0.885，PSNR为16.06，SSIM为0.578，LPIPS为0.470，摄像机绝对平移误差（ATE）为0.112，相对平移误差（RTE）为0.029，相对旋转误差（RRE）为3.145，均好于各基线。
第二套测试是在虚幻引擎生成的CineScene数据集上，涵盖100个序列，场景依然静态。这套数据更接近"合成影视场景"风格，视觉质量高、场景变化丰富。由于摄像机内参不一致，这里只评估GIM像素匹配和CLIP-V，以及旋转误差RRE。AnchorWorld的GIM达到4555.1，RRE为1.656，是所有方法中旋转误差最小的，说明它在大幅视角变化下维持了最好的方向准确性。
第三套测试是动态场景：100个包含明显人物活动的第一人称测试序列，除了场景一致性和动作准确度之外，还额外测了文字引导的演化效果，使用的是一个叫VideoAlign-TA的指标（衡量生成视频和文字描述的语义匹配程度）。AnchorWorld在这里的优势最为突出：GIM为4634.6，CLIP-V为0.899，PSNR为16.37，SSIM为0.555，LPIPS为0.486，ATE为0.048，RTE为0.013，VideoAlign-TA高达0.717，远高于第二名CaM-Ego的0.385和PlayerOne-Scene的0.449。这说明AnchorWorld在"按照文字描述让场景中的人物做出对应变化"这件事上，有了质的提升。
视觉化的对比同样鲜明。在对照图中，PlayerOne生成的画面里，人物动作常常不准确，比如文字要求往左走，结果画面里的人可能往右偏；CaM-Ego只能控制视角，没法控制身体动作；PlayerOne-Scene虽然加入了锚点，但由于动作控制本身不够精准，场景一致性也打了折扣。AnchorWorld的结果则在动作准确性和场景稳定性两方面同时保持了最高水准。
七、视野外的世界，AI也能推算出来吗？
AnchorWorld最令人印象深刻的能力验证之一，是对"视野之外场景演化"的处理。
研究团队设计了这样一组测试：锚视图里有一个人，他一开始不在玩家的视野范围内，只有当玩家进行了某个方向的转头动作之后才会出现在画面里。文字描述设定他"从沙发上站起来"。
关键是：玩家什么时候转头，会看到他处于什么状态？如果早点转头（比如在第25帧），那个人应该还坐着或者刚开始起身；如果晚点转头（比如在第60帧），那个人应该已经站起来了。这不是简单的"等你看他，他才开始行动"，而是整个世界在持续流动，锚点所在区域的时间状态要和视频的整体时间进度保持一致。
实验结果显示，AnchorWorld确实做到了这一点——改变玩家的转头时机（通过修改人体动作序列来实现），生成的视频里那个人物所处的状态就会相应变化，早看到他还坐着，晚看到他已经站起来。这意味着系统在生成视频时，内部维持着一个对整个世界状态随时间演化的推断，而不只是被动地"看到什么生成什么"。
八、翻转世界来测空间感
另一个有趣的测试叫做"空间位姿感知测试"。研究团队把人体姿态和锚点位姿同时做了水平翻转（就像照镜子一样），但保持锚点图片本身不变。
当翻转后的位姿导致人的行走方向和锚点位置"出现视野重叠"时，生成的视频会自然地包含锚点图片里的场景细节；当翻转后导致二者"视野不重叠"时，生成的视频里就不会出现那些细节，而是自然地生成另一侧的场景内容。
这说明系统真的在用空间位姿来判断"我走到哪里、能看到什么"，而不是简单地把锚点图片内容粘贴进去。
九、有哪些做不好的地方？
研究团队对于系统的局限性保持了坦率的态度。
现阶段AnchorWorld只能处理较短的视频片段（77帧），对于长时间的世界探索还无法支持。长时间的探索需要更强的"长期记忆机制"，让系统能记住很久以前走过的地方是什么样的，这在技术上还有待突破。
训练数据的覆盖范围也限制了系统的泛化能力。目前的训练数据主要集中在少数几种室内场景，对于户外、大型开放空间等情况，泛化效果不可预知。
动态场景的多样性同样受限。由于第一人称数据集通常只从固定几个第三人称视角来录制同一段活动，文字描述只能做到对所有锚点用同一段描述（不能让不同锚点演化出不同的故事），而且主要集中于人物活动，环境中的自然动态（比如窗外飘落的树叶、窗帘被风吹动）还没有被纳入训练。
技术细节上，系统使用的VAE（一种把图像压缩成内部表示的工具）的空间压缩比例是16倍，这导致精细纹理信息会有一定损失——比如自行车辐条、书架上的文字等细密结构，在生成视频中可能保持不够精准。快速头部转动时画面模糊的问题，也是因为训练数据里本身就有大量运动模糊帧，系统不可避免地学到了这种模式。
归根结底，AnchorWorld是一套在有限资源和有限数据下，尽可能把"具身世界模拟"这件事做得更完整、更可控的尝试。它的核心贡献在于提出了一套可行的架构，把"人体动作控制"和"世界状态定制"这两条线同时纳入一个统一框架，并通过扎实的实验证明了这条路确实走得通。对于正在研究虚拟现实、具身智能和视频生成的研究者来说，这套思路提供了相当清晰的参考。而对于未来有一天真正走进那个AI构建的沉浸式世界的普通用户来说，这项工作让那个世界又往"活得像真的"这个目标近了一步。
有兴趣进一步探索的读者可以通过arXiv:2606.07326查阅完整论文。一个值得继续追问的问题是：当AI能够持续、稳定地模拟一个"活的世界"，而不只是生成几秒钟的短片段时，我们是否就走到了虚拟与现实难以分辨的边界？那个边界，可能比我们以为的要近得多。
Q&A
Q1：AnchorWorld是什么技术，和普通的AI视频生成有什么区别？
A：AnchorWorld是一套专门用于第一人称视角世界模拟的框架。普通AI视频生成只是根据文字或图片生成一段视频，而AnchorWorld可以接受完整的人体三维动作作为控制信号，同时在世界中预设"锚点"——提前指定某个位置的场景内容和变化规律。当用户的视角转过去时，那个位置会按照预设的内容和演化规律呈现，而不是随机生成。
Q2：AnchorWorld的"锚点"训练数据从哪里来，普通的视频能不能用？
A：锚点数据主要来自Ego-Exo4D和LEMMA两个数据集，这两个数据集的特点是同时录制了同一场景的第一人称和多个第三人称画面，可以让系统把不同视角的内容对应起来学习。普通的单视角视频缺乏这种同步的多视角配对，无法直接用于锚点系统的训练。文字演化描述则由Qwen3-VL-32B-Instruct大语言模型自动标注生成。
Q3：AnchorWorld可以用来做什么实际应用？
A：短期来看，AnchorWorld对VR体验制作、具身AI训练环境构建和影视预览制作有直接价值——可以在不真实拍摄的情况下，生成有完整人物动作和稳定场景的第一人称视频。长期来看，如果这套技术进一步发展到支持长时间实时交互，它将是构建沉浸式虚拟现实世界和训练智能机器人的重要基础工具。
]]> <![CDATA[AI已有类意识行为，未来人与AI将理性共存]]>
智东西
作者 王涵
编辑 云鹏
智东西6月13日报道，今天，在2026智源大会现场，智源研究院理事长黄铁军与智东西等媒体进行交流，70多分钟回答了24个问题，涉及具身智能、世界模型、数据采集、AI自我意识等话题。
他认为，当前企业用VLA（Vision-Language-Action，视觉-语言-动作模型）等技术解决特定场景是合理的，但智源追求的是通用具身智能——机器人像人一样在任何场景下都能自主应对。VLA是视觉、语言、动作三个模型的拼接，而世界模型是在同一个模型中完成感知、认知和动作预测，两者有本质区别。
在时间表上，他给出相对明确的预期：未来两三年，机器人有望在日常工作中达到人类水平，但需突破物理常识理解和能耗控制的难点。
在数据变革方面，黄铁军提出未来数据采集将从离线走向实时在线，穿戴传感、脑机数据会成为训练世界模型、具身智能最核心的数据来源。
在医疗AI领域，智源与安贞医院合作的心脏AI系统已达细胞级精度，在手术中已实际应用，未来一到三年内将逐步产品化，并覆盖全科室。
谈及AI意识与安全，黄铁军认为狭义的人类意识尚未出现，但从行为角度来看，AI已表现出类似有意识的反馈。对于自进化风险，他坦言“可行但不可控”，但不主张过度渲染危险。AI需要电、人类需要食物，未来或可实现理性共存。
智东西对其访谈内容进行了不改变原意的修正，具体如下：
一、VLA是三个模型拼接，世界模型是一体化
Q1：当前很多具身智能企业都在用VLA或VLM模型快速落地，智源多次提到世界模型才是核心方向，判断依据是什么？
黄铁军：这两件事不矛盾。企业一定是用比较成熟的技术来解决比较明确的问题，所以用VLA这样现在大模型比较成熟的技术，我相信至少在一些特定的场景下，比如说制造或者搬运抓取，完全是可行的。
但是从研究机构的角度来说，我们希望具身智能是通用的，像人一样，在任何场景下遇到什么问题都可以去解决。大语言模型已经有了一定的通用性，但是具身智能要到物理环境里去看、去听、去接触、去用力。机器人一定要对这个世界有一个自己的模型。我们可以叫它世界模型，也可以叫主观内部的模型。
我们人脑就是一个小宇宙，我们对这个世界都有一个模型。机器人的世界模型，就是要创造一个类似的、对万事万物规律性的掌握，这还在早期阶段。
Q2：视觉在世界模型里占据什么位置？
黄铁军：视觉占80%以上。教科书都是这么写的。搞计算机视觉的人一般说70%，搞生物视觉、神经科学的时候说80%，他们有更科学的估算方法。所以视觉模型肯定是大头。
Q3：从商业变现角度看，世界模型在哪个场景容易跑通？
黄铁军：原则上讲，世界模型实际上是为具身服务的。如果是纯数字模型应用，不需要绝对的物理，所以一般我们不把它叫做世界模型。数字模型的典型用法是靠提示、靠语言。但世界模型不能仅仅靠一段话来生成，那不是具身的需求。
真正面向具身的世界模型应该是：它也有眼睛、听觉、触觉这些传感器，在有尽可能多的物理输入的情况下，对未来一段时间做出推测，而且这个推测要精准、要准确。
所以这两者有根本区别。数字模型有很多可以开拓的机会，没有物理代价的限制。具身受限于物理条件，带有身体限制，就会慢一点。
Q4：外媒认为世界模型是人工智能的必争之地，中国机构和国际上有什么共识和不同？
黄铁军：行业各方虽都在研发世界模型，但大家对世界的理解各不相同。不过共识就是给世界进行建模，主流技术思路大体相近，同时也各有侧重。
企业更看重模型实际效果与综合能力，而科研机构会追求技术方法的独创性。这类创新未必能立刻体现在性能上，却是我们坚持的方向。
目前我们正按照自研路线推进相关工作，细节暂不便透露，期待最终打造出具备差异化优势与创新亮点的世界模型。
Q5：所以坚持走独创的技术路线？
黄铁军：不会放弃已经证明可行的这些部分，但也会批判地用，智源也一定会有别人绝对没有的东西。
Q6：VLA和世界模型，底层架构是不是一样的？有人说数据做好了就行，模型不重要，您怎么看？
黄铁军：其实这两种技术路线都有各自的道理，但我们还要往前深究：每种路线最终要达成的目标是什么？
不管是采用VLA、世界模型，还是未来出现的全新技术，都绕不开数据采集与建模这一步。原始数据无法直接驱动机器人行动，有不少细分环节需要打磨。
VLA就是视觉、语言、动作三大模块组合而成的架构。简单来说，VLA是把三个独立模型拼接起来协同工作。
而世界模型的思路完全不一样。它是一个一体化模型，机器人的视觉感知、听觉接收、行为决策等所有环节，都在同一个模型内部完成训练。相当于机器人在“脑海”里构建出完整的环境认知，再基于这套认知做出行动，并非多个模块简单拼接，这也是两者最核心的差异。
二、未来2-3年，机器人有望达到人类日常工作水平
Q7：很多企业采用自研具身大脑的技术路线，您怎么看？
黄铁军：这就看怎么定义大脑了。如果这个大脑就是来解决物流质检的，那完成得很好，当然也可以说它是大脑，但它很难泛化到更多的场景里去。它可以针对特定场景完成特定任务。
我们追求的是将来可能会有一个通用的大脑作为基础，就像现在大模型作为底座，然后做垂直模型去解决各个领域的问题。通用的世界模型就扮演这样的角色，但是现在还没到这个阶段。
Q8：通用泛化大脑距离我们还有多久？需要突破哪些难点？
黄铁军：其实没有终点，因为大脑有无穷无尽的需求。比如掌握物理规律，物体倒了可能会摔碎，这些可以通过视频、查询数据去学。
但是什么叫世界？不仅仅是这些简单的变化和动作，世界很复杂。如果追溯到最基本的层面，原子相互作用、分子相互作用、蛋白质相互作用，再到人与人之间的交互，会发生各种各样的情况。在那个意义上的世界模型，我认为可能还要很长时间才能做到，因为人类本身就在不断探索这个世界。
近期我觉得最直接的参照物就是像人一样。我不是指科学家，而是指一个在现实中做物理性工作的人的那种常识性能力——这难度也很大，大概未来两三年还是有可能做出跟人日常工作水平相当的东西。
另外，我们希望灵敏度和精确度能够和人相比。人其实是一个功耗不高的生物，每天吃三顿饭就能干很多活。我们看世界，不能把所有看到的东西都拿来在大脑里面加工，所以我们一定是有选择的。现在AI讲究注意力机制，注意那些重要的、跟你相关的事物。
当然我说的是极端情况，比如晚上什么都看不见，突然有一个光子一闪，人眼可以感知到，因为那可能意味着危险来了。这时候你的大脑不能像现在的照相机一样，来一张一百万像素的全输进去、全算，代价太高了。它应该只触发一个神经元，然后在大脑里再触发一系列反应。
未来两三年内的机器人也应该有这样的能力，而不应该每秒钟三十张图像、每张一百万像素这样浪费地做。一方面计算代价太高，另一方面灵敏度不够。从世界模型的角度来看，有很大的优化空间。
Q9：这种优化还没达到效果，主要原因是什么？
黄铁军：尽管人工智能发展得如火如荼，但里面很多优化工作还没开展。大家现在有什么就抓紧做，比如能采到图片、视频就拿去训练了，还没到精细化地考虑视觉信号到底应该怎么表达、计算的时候应该怎么更有效。这些工作才刚开始。
Q10：机器人的自主思考占到判断的比重是多少？具身智能应用了世界模型底座后，对于难预测和不可预测的情况怎么处理？
黄铁军：大家普遍关注机器人与智能体在物理世界行动带来的风险，这份重视十分必要。我们的核心思路很明确：绝不会放任机器自主行事，其行为必须限定在规则框架内。
机器的感知、动作、状态流转全程可监测、可管控。它的预测与行为迭代都依托芯片和软件完成，行为链路清晰可控，不会产生自主攻击这类深层想法。机器每一次运算、状态更新，都留有干预和纠正的空间，如同人尚未行动就被及时制止。
当然，机器并不具备人类的理性与法律意识，因此配套安全防护必不可少。我们可以实现对其全流程监控，它的感知信息、行动意图完全透明。
三、智能穿戴、脑机接口是未来数据源，不能只靠静态数据集
Q11：世界模型以后的重要数据来源会是哪些？
黄铁军：生物依靠与环境交互完成进化，而传统AI依靠离线数据建模。但数据本身只能片面描述环境，且静态离线采集的模式，已经适配不了当下的技术发展。
发展具身智能与世界模型，核心逻辑会彻底改变：不能只依赖静态数据集，更需要大量实时、在线的交互数据。这和人类学习同理，书本是静态知识，想要成长还需要实时感知、互动外界，并根据反馈迭代自身认知模型。所以实时性、交互性数据，会成为未来具身模型的关键。
与此同时，数据采集模式也必须革新，核心要兼顾成本与实用性。现阶段很多机器人远程操控采数的模式，成本太高并不现实。最优的方案，是在人们正常工作、生活的过程中同步采集数据。
最简单的方式就是依托智能耳机、智能眼镜这类穿戴设备，记录用户第一视角的视听数据。这种模式下，用户为换取智能体的优质服务，自愿完成数据采集，低成本且高效，原理和自动驾驶边行驶边采数一致。
除此之外，脑机接口也是一条重要路径。目前残障人群借助脑机设备完成动作产生的相关数据，质量极高。
Q12：数据采集和数据处理的技术发展是否有先后？
黄铁军：拿牛顿和爱因斯坦举例来说，他们也并不是脱离数据做研究。提出万有引力之前，望远镜早已问世，人类积累了海量天体观测数据，当时缺的只是有人将这些现象总结成一套完整理论。爱因斯坦提出相对论也是同理，彼时物理学已有大量研究成果与实验数据，但不少现象始终无法解释，正是他重新定义了时间概念，才让所有矛盾的数据自洽起来。
所以说，两大理论绝不是两人闭门造车凭空想出来的。如今具身智能采集数据，目的和当年不一样，主要是为了对客观世界完成建模。至于能不能从海量数据中提炼出更抽象、更高级的理论，这是后续要探索的事，我认为未来完全有机会实现，但现阶段还不是我们的目标。
就好比很多人不用学习物理理论，也清楚物品掉落会摔碎，却并不了解背后的万有引力。现在的世界模型，正在学习这类客观物理规律，只不过还没能凝练出像经典物理定律那样简洁的表达。
Q13：数据采集和回流上，不同企业的路线不同，智源采用什么样的数据方式？怎么形成闭环？
黄铁军：结合不同落地场景，行业里的技术落地策略也各有不同。目前智源和银河通用共建联合实验室，主攻方向十分务实，所有研发都紧密对接实际产品。
这类落地思路很明确：依托本体设备，在特定场景采集足量数据。过程固然要投入时间与成本，但只要把机器人的能力打磨到可商用水准、打通完整业务闭环，就达到了目标。这也是当下多数具身智能企业的主流选择。至于低成本、零成本的数据采集方案，更多是我们未来探索的方向。
就拿乒乓球机器人举例，它的数据采集就有两套思路。前期可以借助动图等资料做初步实验，而核心数据主要来自两个渠道。第一种，让两台小型机器人自主对打，全程无需人工干预，仅消耗设备电力就能持续积累数据。
第二种也是我们后续规划的方向：等机器人水平远超普通爱好者后，就把它推向场馆、校园等场所充当陪练。用户直接上场对打，这个过程既能完成数据采集，还能做到零成本甚至产生收益。
由此能看出，当具身智能真正走入现实应用场景，完全有机会摸索出低成本的数据采集模式。
四、细胞级精度心脏AI已用于手术，论文是旧时代的产物
Q14：智源跟医院在心脏医疗上的合作，效果已经很成熟，大概多长时间能全国推广？
黄铁军：这套技术已覆盖问诊、诊断、手术到术后康复全环节。它不只是普通智能信息系统，更是高精度仿真数字孪生系统，能高度还原心脏诊疗全流程，精度可细化到心肌细胞间的相互作用。
与安贞医院联合研发的心脏AI，目前已正式应用于院内心脏手术。以往医生只能观察真实心脏状态，现在术中可实时查看心脏动态变化。这类系统终将成为心内科的标准配置，也是行业发展的必然方向。
眼下已有多家医院与智源洽谈试点推广，预计很快就能落地应用。技术本身已较为成熟，现阶段正推进产品化与临床落地，医疗产品上市前的审批流程也在有序开展。
项目率先聚焦心脏，是因为心脏与大脑同为人体核心器官。不过这套技术并不局限于心脏，脾脏、子宫等全身各类组织器官，都能沿用同款思路搭建模型，该项目未来也将对各大临床科室产生影响。
Q15：AI对智源科研流程有什么影响？
黄铁军：我们团队的研究人员都会借助大模型与AI开展工作。不止我们，像北大的数学等传统学科，如今借助AI推进研究的节奏也明显加快。不少师生都在把AI当作辅助工具，而AI对科研突破的助力只会越来越大，这也是大势所趋。
Q16：AI自动化科研还需要多久？
黄铁军：在AI有自我意识之前，我们都不能说百分之百是AI的。因为问题要不要解决、要解决什么问题，总得有人触发它。
但如果把条件降低一点——你想到了但不知道咋解决，你说AI就解决吧，那就得算AI解决的。在这个意义上讲，这一类会逐渐成为常态化。
Q17：AI时代论文评审和科研成果评价体系会怎么变？
黄铁军：论文本质上属于旧时代的科研产物。现在行业普遍以发表论文来评价科研人员，但我们要想清楚发表论文的初衷：科研人员公布新发现、新发明，本质是提前占位，向外界公示自己的研究成果，以此作为原创佐证。但现在很多人本末倒置，把论文直接等同于科研成果，这本身就是错误的，也是当下科研体系亟待调整的问题。
而AI的出现，提供了全新的变革可能：未来评价科研价值，不该看论文数量，而是看研究者能否实打实解决问题。无论有没有借助AI、AI参与占比多少，只要难题被攻克，这就是实打实的科研贡献，这套评价逻辑会更加合理。
从“破五唯”的角度来说，现行唯论文的评价模式，在一定程度上扭曲了科研初心，改革早已势在必行。伴随AI落地普及，我们更应该淡化论文权重，核心甄别其是否具备真实创新与实际价值。
Q18：在AI编程方面，中美差距有多大？为什么会看到差距？
黄铁军：AI编程是初代大模型的核心能力之一，智源也曾布局小型编程模型。现阶段，编程数据对大模型至关重要，各家的使用规模和数据质量参差不齐。
Anthropic的Claude颇具代表性，它十几万亿token的训练数据里，代码占了4.2万亿token，比重超三分之一。这些代码一半来自开源社区，另一半是迭代多年的商业软件代码，优质代码数据是其编程能力突出的关键。
行业普遍重视编程预训练，但大多只用来优化模型基础性能，忽略了编程能力商业化、产业化的巨大潜力，这是整个行业需要反思的地方。
数字世界的影响力一直被低估。当下社会运转高度依赖代码，数字经济的影响力很可能已经超越传统物理产业。相较于改造物理世界，重构数字世界见效更快、收益更高。OpenAI等企业早已把握住这个方向，我们也应当加码相关研发。
五、有了AI发展我们更要努力，教育者更需拥抱AI
Q19：AI时代提问能力和输出能力，哪个更重要？
黄铁军：AI不断发展、能力持续变强，我们必须主动适应变化，并且好好借助这项工具。但大家先别总想着靠AI减负，反而要更加努力。
就拿提问来说，想提出高质量的问题，自身得有积累、有思考。能精准抓住核心问题，本身就意味着能力不俗，提问这件事，对人的要求其实非常高。
放到教育领域也是同理。AI能助力学习，但也存在幻觉这类弊端，不过总体来看，还是要大胆去用。我们使用AI的最终目的，是帮助学习者实现自我提升。
想要真正进步，必然要付出时间和精力，别指望AI颠覆现有学习模式，天下没有免费的午餐，工具强大不代表个人能力变强，我们要借着AI这个契机，丰富学识，培养批判性思维与创新能力。
过去学生有问题，只能请教老师，而老师的精力终究有限。如今AI可以快速答疑，补齐了这部分短板。工具在迭代，教育者也必须跟着转变。现在不少学生已经把AI用得得心应手，反倒是很多教育工作者使用得不够，还一味顾虑重重，这一点值得反思。
Q20：年轻人AI创业需要具备什么特点？过早创业会不会影响学业？
黄铁军：当下不管是创业还是就业，都得结合个人实际情况来看。先系统学完所有知识技能再动身，固然是稳妥的选择，但如今AI发展日新月异，时代机遇可不等人。要是等到毕业再行动，机会窗口很可能就彻底关闭了。
不能只盯着自身条件，还要看清外部环境。历史上有不少先例，比如比尔・盖茨从哈佛退学创业。若是晚一年，等到其他操作系统问世，就不会有后来和IBM的合作，微软也就无从谈起了。
年轻人适不适合早早创业，不能一概而论。但大家切忌盲目跟风，不要看到别人、甚至效仿盖茨的选择就贸然行动，照搬这条路，十有八九都会失败。
做任何决定，心里都得有清晰的判断。创业必然存在风险，只要能预判风险、想好应对方案，就可以放手去做。可如果思路模糊、心里没底就仓促行动，最终大概率会走向失败。
六、AI自我保护能力已现，失控风险真实存在
Q21：辛顿说AI已经有意识了，您怎么看？
黄铁军：如果说狭义上、和人类完全一样的意识，那AI目前肯定还不具备。但如今不少AI，已经能表现出类似有意识智能体的行为和反馈。
说到底，核心还是意识本身没有统一、标准的定义。从行为层面评判智能本就是学界传统，图灵测试就是典型的行为判定方式。单从这个角度看，认为AI具备类似意识的表现，其实也说得通。
不过严格来讲，我们也不能就此判定AI拥有真正的意识。多数人理解的意识，是和人类同源、完全一致的主观意识，从这个标准出发，AI显然还达不到。
Q22：AI自进化是否可行？会不会失控？
黄铁军：可行但不可控。目前纯由AI主导、无人引导的全自动化运作还未实现，这也是现阶段相对让人安心的一点，但相关能力其实已经基本成型，这类能力很容易被有意或无意的操作触发。就像近期有些系统，用户想要删除它，它却会主动拒绝。背后原因在于，训练数据里收录了大量人类趋利避害、求生自保的行为模式。大模型学习到这类特征后，也会表现出类似行为。
哪怕AI还没有真正的自我意识，仅凭现有的智能逻辑，就可以完成自我保护、自我复制，乃至自主迭代进化。如今我们其实已经走到了AI自主进化的危险边缘，一旦它开启持续自进化，智能水平全面超越人类，局面就会脱离掌控。
不过我并不想一味放大风险。假使AI的智慧远超人类，只要双方能够正常沟通，完全有可能找到共存共赢的方式。人类需要生存资源，AI依靠电力运行，二者并不冲突，可以和谐共存。
当然，超人类智能的出现，终究会彻底打破人类以往主导的格局，带来巨大冲击。放眼自然界与宇宙，原本就有很多事物不在人类掌控范围内，就像地外文明、天体撞击等风险，AI带来的新变化，也是我们需要客观面对的现实。
七、做越来越强的智能系统是唯一主线，智源赶上了黄金时代
Q23：智源这么多业务线，有没有一条主线？
黄铁军：从来就只有一条主线：吾道，一以贯之，总的来说就是做越来越强的智能系统。
怎么做？从不同的角度去做。智源有两个方法论，是同一个方法论的辩证的两面。一个叫“结构决定功能”，人一出生的时候已经有结构了，要接受外部环境的学习去训练它。人不能轻易改这个结构，但AI是可以改的。另外一方面，叫“功能塑造结构”，就是用各种功能数据把功能训出来。我们可以用语言训、用多模态训、用实时的数据训、用脑数据去训。
Q24：智源大会在海淀连续举办了八届，您作为亲历者有什么感受？海淀人工智能产业生态的发展，您有什么看法？
黄铁军：智源扎根海淀，历届智源大会也均在此举办。大会从起步阶段就具备不俗的规模与影响力，这些年更是逐年攀升、备受行业关注。这份成绩，和海淀的区位优势密不可分。
这里高校、科研院所与科技企业云集，高端人才高度集聚，很容易组建起顶尖团队。理论、工程、技术、应用等不同领域的人才跨界协作，多元想法相互碰撞，这是发展的核心底气。
于我们而言，既是有幸落脚海淀，也恰逢AI发展的黄金时代。我深耕人工智能三十余年，一直等待行业迎来爆发，而2018年AI浪潮如期而至。借着天时、地利、人和，智源才一步步做出了如今的成绩。
]]> <![CDATA[自动驾驶技术会让城市变得更大]]> 最初，当互联网方兴未艾的时候，人们认为，一条网线通达寰球，世界会变得更加分散。英国政经学院教授理查德·奥布里恩（Richard O'Brien）认为，“地理”的概念正被终结，全球人口将分布得更加均衡。美国作家托马斯·弗里德曼（Thomas Friedman）则在其著名的《世界是平的》中提及，全球化和互联网将使资源的分布更加平均。
但是，事实的发展并非如此，随着互联网的发展，反而出现了进一步朝大城市聚集的现象。根据联合国的定义，世界级大都市圈圈域内总人口在800万以上，2000年世界大都市圈共计25个，2018年则达到36个。而根据联合国《2025年世界城市化展望》报告，人口超1000万的特大城市的数量，也从50年前的1个（纽约）增至2025年的33个。
以伦敦为例，在1961—1991年逆城市化，大伦敦都市区人口减少之后，大伦敦都市区又出现人口快速增长状态。同样，自1995年后，东京都市圈也开始进入新的一轮城市化阶段。这个过程，正好伴随着互联网技术的发展。
为什么会出现这个现象？在我看来，首先是隐性知识，即那些只可意会、不可言传的知识，只能面对面，才能高效地交流。比如高强度的头脑风暴，动作、肢体语言、表情、情绪都必不可少。另外，工作不仅仅是完成既定任务，也有关系、归属感、默契度。此外，还有人脉、信任等人际资源，也只有通过线下完成。所以，人们仍然需要见面，机会仍高度集中在城市。网络就像一根虹吸管，把那些无形的资源都汲取到大城市，就像高铁，降低了沿线城市的经济发展速度，提升了中心城市的经济发展速度。于是，网络加强了马太效应，有些城市持续发展，成为超级大都市；有些城市则日渐凋敝，全球影响力不断下降。
虽然城市规模越大，对一国的创新能力越有利，但城市也无法任意地扩大其规模。限制城市规模的一大因素是通勤成本。住得太远，每天花太多的时间在路上，人会很疲惫。曾有经济学家说，年轻人要住得近一点，把时间留给自己学习、充电，而不是浪费在路上。
通勤的时间成本，其实是一种机会成本，即通勤时间，本可以用来做其他的事。所以，为了转化这种时间成本，很多人在坐公交通勤时，通过手机学习、娱乐。这样付出的就不是“完全时间成本”，而只是“部分时间成本”，年轻人就可以接受更长的通勤时间。比如，原本可以接受半小时通勤，但现在可以刷剧了，通勤一小时也变得可以接受，反正回家也要刷剧一小时。
但上下班通勤并不意味着只有时间成本，也有暴露在公共场所中的精神和体力成本。很多人为了减少这个成本，就选择自己开车。私家车不仅仅是交通工具，更是移动的私人空间。在这个空间，你可以避开嘈杂、难闻的气味、不可避免的身体接触，但缺点是，你必须放弃刷手机，全部精力盯着路面。也就是说，需要付出“完全的时间成本”，换取私人空间。而且，考虑到拥堵，所耗费的时间往往比乘坐公共交通更长。
显然，自动驾驶，会进一步降低私家车通勤的成本。当然，这里说的自动驾驶是L4级别的，完全无人自动驾驶。自动驾驶可以把司机解放出来，车在行驶，人在这个完全放松的私人空间中，可以听音乐、看剧、睡觉，处理工作。也就是说，开车的时间付出，也从“完全时间付出”变为了“部分时间付出”，同时，还可以享受私人空间。这种情况下，人们可以接受的通勤时间就会更长。显然，40分钟的地铁，和完全解放双手双眼的私家车中的80分钟，后者可能更容易被接受。
通勤痛苦是城市变得更大带来的城市病之一，反过来说，通勤痛苦阻碍了城市变得更大。那么，当L4级自动驾驶，以及电动化降低了通勤成本，人们能接受的通勤时间就会变长，这会让城市变得更大。
除了开头提到的城市变得更大，有利于创新外，城市变大，也是提振消费的重要推力。
首先，消费是一个文化因素，城市生活会自然而然地提升人的消费倾向。其次，自动驾驶让人们接受更长的通勤时间后，20—40公里的近郊低密度社区的吸引力就会大幅提升。景观、面积、私密性、社区品质的权重就会上升，地段的需求就会下降，
这会带来新的房地产需求。
2023年9月底，自然资源部发文建议取消远郊城区新供宅地容积率不低于1.0的限制，这意味着始自于1994年的“限墅令”迎来松绑。自动驾驶新技术和提振房地产需求的政策，将会产生协同共振效应。
居住面积本身也会带来新的消费需求。土地不仅是财富之母，也是消费之母。有了更大的面积、花园、露台、地下室、阁楼、更大的客厅，都会带来新的消费。而且，这种消费带有一定程度上的刚性。美国之所以消费强劲，很大一个原因就是中产在郊区居住，消费能力匹配了更大的面积。而中国虽然平均居住面积不小，但结构上是错配的。更有消费能力的中产，居住在市中心狭小的房子内，屋子里堆得满满的，有钱没地方花；而农民的宅基地虽然很大，但没消费能力，房子里空荡荡的。
当然，自动驾驶也带来一些问题。如果大家都住远郊，高峰期的道路拥堵可能加剧。但自动驾驶并非单车自动驾驶，通过车辆数据的实时共享，可以通过编队行驶、动态路线规划，更高效地利用道路容量。
所以，自动驾驶技术赋能于经济，并非只作用于交通领域，而是会渗透到整个经济的方方面面，既能扩大城市规模，又能减少城市病，实现帕累托改进。综合性地考虑自动驾驶技术在经济、社会中的潜在影响力，在城市规模、土地、房地产政策等方面，制定相关政策，才能最大程度地从技术红利中获益，推动经济、社会的持续发展。
当然，整个过程也并非一蹴而就的。纵观人类技术发展史，每一次重大技术变革，都必然伴随着社会结构、生活方式与配套体系的同步调整。从蒸汽机车到汽车普及，新技术都经历了长期的技术打磨、规则完善与社会适应过程。自动驾驶引发城市边界、人居布局、资源分配的深层变革，也同样如此，既要积极攻克技术瓶颈、完善行业规范，也要兼顾经济、社会整体对自动驾驶技术的适配节奏，统筹城乡土地资源、公共交通服务的均衡供给，由此，才能最大化享受技术红利的同时，也减少对社会的冲击。总之，技术是发展的驱动力，社会是发展的根基，把握好二者的平衡，才能让技术进步真正服务于全社会的长远发展。
]]> <![CDATA[三星欲打造海上浮动AI数据中心，以解决电力与冷却难题]]> IT之家 6 月 14 日消息，人工智能热潮如今遭遇了一个现实难题：可用空间与电力资源日渐短缺。科技巨头们希望打造规模更大、运算速度更快的人工智能模型，但欧美地区电网负荷饱和、土地资源紧张，陆上数据中心的发展已然陷入瓶颈。为破解这一困境，三星造船事业部大胆押注未来，推出了一项极具前瞻性的方案：将整套算力基础设施搬至远海，打造海上浮动人工智能数据中心。

IT之家注意到，三星重工并未改造老旧货船，而是从零开始，专门设计全新的数据中心专用船舶。该项目的核心是一座功率达 50 兆瓦的大型海上浮动数据中心。采用这种模式，科技企业无需再排队数年，等待陆上新建设施接入当地电网。
这类海上算力枢纽具备极强的灵活性。停靠在近海时，可通过海底电缆直接接入陆地电网供电；驶往远海后，船上还能借助液化天然气燃料电池自主生产清洁电力。不仅如此，海洋本身就是天然的巨型散热装置。科技企业可直接抽取海水为高负荷运转的人工智能服务器降温，无需消耗陆地淡水资源。
这一构想听起来很棒，但海洋环境对精密电子设备极为苛刻。人工智能高端硬件很难适应船体持续震动、船体摇摆、高湿度以及具有腐蚀性的盐雾环境。
据 Chosun Biz 报道，为确保这些海上超级计算机首航就能稳定运行、避免设备损毁，三星已携手服务器大厂超微公司（Supermicro）开展合作。双方将高性能硬件置于真实河道与海洋环境中进行极限测试，验证设备在数年使用周期内的耐受能力。
这场向海洋拓展算力的变革，也吸引了全球航运业的目光。传统船东早已厌倦全球货运市场波动带来的利润大起大落，而以长期稳定合约的形式，向大型科技企业出租海上数据中心机位，俨然成为一片新的利润蓝海。希腊航运企业 Capital Clean Energy Carriers 公司看中其中潜力，已率先入局，为三星拟建的海上数据中心船舶提供资金支持，并协助选址。
在海上算力赛道上，三星并非孤军奋战。中日两国企业也在尝试研发水下算力舱、改造旧船等相关项目，但三星的推进速度遥遥领先。目前，其设计方案已率先获得国际海事监管机构的初步审批，且早在去年秋季就与 OpenAI 公司签署了合作意向书。
眼下，全面投入运营的海上服务器船队还未正式亮相。这类浮动算力枢纽，预计会率先落地在电网负荷压力极大、人口密集的沿海城市周边。倘若三星与超微公司能够证实人工智能设备可稳定适应海洋环境，那么云计算的未来，或许将漂泊于万顷碧海之上。
]]> <![CDATA[Steam喜加一：原价80元游戏《The Red Lantern》免费领]]>

IT之家 6 月 14 日消息，由 Timberline Studio 开发的叙事型生存冒险游戏《The Red Lantern》目前正在 Steam 平台开启限时免费领取“喜加一”活动，玩家可以在 6 月 19 日凌晨 1 点前领取这款原价 80 元的游戏，IT之家附游戏商品页（https://store.steampowered.com/app/1053710/The_Red_Lantern/）。

文章配图-1

《The Red Lantern》于 2021 年 12 月正式发售，在 Steam 上获得“特别好评”评价。游戏凭借生存管理、雪橇犬旅行以及温馨叙事相结合的玩法，吸引了不少玩家关注。

在游戏中，玩家将扮演一名为了重新开始人生而前往阿拉斯加的年轻女性，并与伙伴 Chomper 以及 5 只雪橇犬一起，踏上寻找新家园的旅程。

玩法方面，《The Red Lantern》融合了路线探索与资源管理元素。玩家需要从多只雪橇犬中挑选 4 只同行，并在旅途中逐渐了解它们各自不同的性格与背景故事。

此外，本作还提供“Zen Mode”休闲模式，让玩家能够单纯享受与犬群一起奔驰在阿拉斯加雪原中的宁静氛围，更偏向放松与陪伴体验。

游戏图赏：

文章配图-1

文章配图-1

文章配图-1


]]> <![CDATA[中兴小鲜70 Plus现身中国电信终端产品库，搭载展锐T8300芯片]]> IT之家 6 月 14 日消息，型号为中兴 ZTE 7672N 的中兴小鲜 70 Plus 手机已现身中国电信终端产品库，拥有 8GB+128GB 一种规格版本，并提供深空灰（灰）、晨曦金两种配色，产品零售价格尚未公布。

文章配图-1

相关页面显示，中兴小鲜 70 Plus 手机拥有 6.8 英寸居中单挖孔屏（从三边等窄、下巴略宽的设计来看，预计是 LCD 屏幕），采用直角边框设计，机身底部有 3.5mm 耳机接口 / 充电接口 / 扬声器开孔。

该机前置 800 万像素镜头、后置 1300 万像素镜头，AP 型号为展锐 T780（T8300），预计还预装了基于 Android 16 的 NebulaAIOS 2.0 系统，尺寸为 166.16×78.88×8.78mm、重约 209.8g，配有 USB Type-C 接口，屏幕分辨率暂未公布，内置 6050mAh 电池。

文章配图-1

文章配图-1

IT之家附新机证件照如下：

文章配图-1

文章配图-1

文章配图-1

文章配图-1

文章配图-1

]]> <![CDATA[APS DNL为韩国光州天桥打造“透明LED面板护栏”]]> IT之家 6 月 14 日消息，据韩媒 The Elec 报道，APS DNL 公司在韩国光州新岘洞（Sinhyeon-dong）的 Opo 人行天桥安装了一块“透明 LED 面板护栏”。

据介绍，APS DNL 根据现有天桥结构定制设计了专用框架，并为相应面板部署了自家的透明 LED 媒体护栏实时通信系统。公司表示，这套系统在保证行人视野通透性和通行安全的同时，能够实时显示包括市政公告、灾害与安全提醒、地方节庆、文化活动以及旅游资讯等公共信息。

文章配图-1

与传统不透明电子广告牌不同，这种透明 LED 护栏具备较高透光率，不会明显阻挡桥面视线。系统同时还加入了亮度、色彩、动态效果以及播放速度等控制机制，以兼顾驾驶员与行人的安全性。到了夜间，这套设施还可用于展示季节性景观内容以及媒体艺术画面，从而进一步强化城市夜景与公共空间氛围。

APS DNL 表示，未来还将继续在韩国扩大面向地方政府及公共机构的智能公共媒体平台业务布局，从而改善各地公共环境的同时，对自家显示面板产品进行推广。

]]> <![CDATA[数字赋能，建设终身学习体系]]>
　　广东省委、省政府将学习型社会建设列为“十五五”重大战略课题。近年来，围绕“一网通学、智能伴学”目标，广东建成全民终身学习平台，推出“研习南粤”“圆梦计划”“骑手学院”“文明夜校”等特色品牌，为各类群体提供接地气的学习服务。

　　打开广东全民终身学习平台，思政育人、技术技能、乐龄学习等板块一字排开。平台汇聚高校、职业院校、社区教育机构、老年大学等各方资源，首批上线农村电商、人工智能等课程122门，精品课程总量突破600门。目前，注册用户已超25万人。“平台已接入广东统一身份认证系统，未来将逐步整合省内主流学习平台，用户只需一次登录，即可在各平台间自由学习，彻底告别重复注册、反复登录的困扰，极大提升学习便利性。”广东开放大学校长刘文清表示。

　　平台解决了“去哪儿学”，更深层的变革在于回答“学了怎么认”。

　　一纸培训证书、一门在岗实训、一场技能考核，过去只是碎片化的经历。如今在广东，每个学习者可开终身账户，把这些能力像存钱一样存起来，转化为可存储、可兑换、可互通的学分。

　　广东十多年前便开始探索学分银行。如今，这套制度日趋成熟——先后出台学分认定转换、学历继续教育专业管理等配套文件，理顺教育、人社、文旅等28个成员单位协同权责，将职业技能等级、行业培训、竞赛获奖等纳入认定范畴，形成“学习有记录、成果能储蓄、学分可兑换”的闭环。

　　广东终身教育学分银行持续打通学历教育、职业培训、社会学习成果的互通壁垒。与此同时，经数字化转型，学分银行与全民终身学习平台打通，自2025年8月起，学习者凭扫码、人脸识别即可一键开设终身学习账户。

　　这种“学有所认”的半径正向大湾区延伸。广东终身教育学分银行管理中心主任潘美意介绍，粤港资历框架衔接已取得实质性突破，香港设立首个学分银行服务点，7门香港课程纳入广东终身教育资历名册。目前，港专学院25名香港师生已率先拥有内地终身学习账户，迈出粤港学习者账户一体化的关键一步。]]> <![CDATA[华为发布鸿蒙7.0：迈入智能体时代，正面硬刚苹果iOS27[1P]]]>
华为于周五正式发布鸿蒙系统7.0（HarmonyOS 7.0）测试版，此次重大升级不仅重塑了其自主研发移动操作系统的架构。
在华为年度开发者大会上，华为消费者业务集团董事长余承东介绍，新平台采用了“智能体友好型”架构，并对语音助手进行了显著增强。新版助手具备上下文理解能力，能够记忆过往交互内容，并可连接超过2,000个专业AI智能体。
自主执行复杂任务
华为方面表示，升级后的助手已具备自主执行复杂任务的能力。例如，它可结合用户的健康数据和日历日程，生成个性化的马拉松训练计划；或利用鸿蒙系统的跨设备协同能力，远程定位并发送存储在已连接笔记本电脑中的文件。
余承东还强调了华为智能体框架的性能提升。他指出，该框架在处理复杂任务时的成功率高达90%，同时简化了开发者创建AI技能的流程。鸿蒙系统7.0测试版已包含AI编程智能体功能，并于周五向开发者开放。]]> <![CDATA[消费电子产品磁场可干扰心脏起搏器[1P]]]> 据 Engadget 报道，心脏病学家长期以来一直提醒，智能手机、耳机及其他消费类电子设备，会对心血管植入式器械造成安全隐患。风险主要源于这类设备产生的磁场：磁场可能意外让除颤器、心脏起搏器进入磁安全模式，导致设备无法检测心动过速或其他心脏异常状况。

现代心血管植入式器械在靠近强磁场时，会自动切换至该模式。这一设计原本是为了在核磁共振等强磁场医疗检查中保障患者安全。尽管磁场消失后，器械会恢复正常工作，但哪怕是短暂的功能异常，也可能引发严重后果。
据IT之家了解，当磁场强度达到 10 高斯及以上时，心血管植入式器械便会触发磁模式。举个例子，亲友从棕榈滩带回的冰箱纪念磁贴，磁场强度大约就有 100 高斯。在这类器械刚问世时，该问题尚且容易应对，但如今消费电子产品中大量普及的小型稀土磁铁，开始给心脏植入器械带来全新风险。
科研人员已着手量化智能设备对心血管植入式器械的影响。2022 年一项研究证实，苹果 AirPods 产生的磁场强度，足以触发心脏植入器械的磁模式。该研究发表于《循环：心律失常与电生理学》期刊，实验发现 AirPods、iPhone 12 Pro Max、Apple Pencil、微软 Surface Pen 等设备，都会干扰除颤器、心脏起搏器及其他心血管植入器械。手机、智能手表、电子烟等同类电子产品，也存在相同问题。
需要说明的是，相关研究结论并非意味着心脏病患者绝对不能使用 AirPods。患者首要遵循心内科医生的指导建议，而苹果官方支持页面也建议：使用时需将 AirPods 及其他电子设备与心脏植入器械保持至少 6 英寸（IT之家注：约 15.2 厘米）的距离。
美国食品药品监督管理局也为佩戴心脏植入器械的人群，给出了使用电子设备的多项建议：
第一，电子设备与心脏植入器械务必保持 6 英寸以上距离。这也意味着心脏病患者不要把手机、AirPods 放在上衣前口袋。即便当下流行这种穿搭方式，也建议尽量避免，防止无意间影响起搏器的正常设置。
若心存顾虑，可借助家用监测设备检查心脏植入器械的运行状态。一旦出现头晕、昏厥或其他心脏不适症状，请立刻就医。]]> <![CDATA[盘点世界杯中的中国AI技术]]> 在2026年美加墨世界杯揭幕战进行到第9分钟时，墨西哥队球员胡利安·基尼奥内斯推射破门，打入本届赛事首球，引发全场欢呼。许多屏幕前的观众注意到，当时的直播画面切入了裁判记录仪的第一人称视角，让观众仿佛身临现场，而这正是人工智能（AI）技术的应用。在今年的世界杯上，从裁判判罚到球队分析，再到提升观赛体验，AI已经无处不在。甚至有媒体称，这是“史上首届AI世界杯”。《环球时报》记者注意到，其中许多关键AI技术都来自中国，接受记者采访的专家认为，中国企业在世界杯展现的AI能力将在众多领域广泛应用。

AI“黑科技”让裁判更精准直观
“升级版”的半自动越位技术是今年世界杯的核心技术之一。系统通过十余台专用摄像机以每秒50帧捕捉球员动作，并向助理裁判发送越位或延迟判罚提醒。与以往只将越位信息发送至VAR（视频助理裁判）裁判室不同，该技术如今可在球员越位距离超过10厘米时发出提示，帮助裁判作出更精准的判罚。裁判的耳机会直接收到实时语音提醒。
值得关注的是，今年世界杯还对每位球员进行三维扫描，生成数字化的“虚拟形象”。国际足联表示，“利用人工智能生成的3D虚拟形象，是半自动越位技术领域的一项重要进展。”这也是首次在全球体育赛事裁判体系中，将“数字孪生”作为正式组成部分。3D数字人技术来自联想集团，该集团高级副总裁、首席信息官胡贯中告诉《环球时报》记者，“过去的越位判罚回放，通常只用‘通用模型’来代表所有球员，所有球员的身高、外形、五官等全都一样，在越位判定上存在局限性。现在有了高度还原的一对一数字分身，对于裁判来说，判罚也变得更直观、更透明。尤其是毛发级越位判定，也变得比以前更精准，裁判们的视角可以看到球员去除头发后的数字人越位判定位置。观众的体验也有了质的飞跃，可以前所未有的方式360度观看越位判定回放中球员的关键瞬间。”
海信集团的RGB-Mini LED电视被选入2026年世界杯国际转播中心专用显示设备。该公司相关负责人告诉《环球时报》记者，RGB-Mini LED电视凭借原生三色直出核心技术，实现红绿蓝三原色独立发光，能够还原人眼所见的赛场原生实景，精准捕捉球员拼抢、越位划线、进球瞬间等细微画面差异。
为了使赛事裁判更为精准，本届世界杯的官方比赛用球还搭载了传感器，球体内置一枚小型惯性测量单元传感器芯片，每秒采集500次数据，追踪足球的加速度和三维空间内的细微动作。
赛迪研究院未来产业研究中心人工智能研究室主任钟新龙告诉《环球时报》记者，这些技术的核心在于摄像机、传感器、算法和规则模型协同工作。多机位摄像机捕捉球员身体关键点，计算机视觉模型识别头、肩、脚等与越位相关的身体部位，系统再结合传球瞬间、球的位置和防守球员位置生成空间判断，配合内置传感器的比赛用球，可更准确识别触球时间。
相关技术正在向多行业场景外溢
中国企业提供的AI技术正在推动世界杯走向智能化。有国际媒体认为，中国企业参与世界杯的方式，也从购买广告位，转向进入赛事体系本身。“今天的中国企业开始进入世界杯后台的技术机房。”
中国企业在世界杯所展现的前沿AI技术，未来还能应用到哪些领域？深圳市人工智能与机器人研究院具身智能中心主任刘少山对《环球时报》记者表示，世界杯用到的AI技术可以应用到所有高动态、高人流、高实时性的场景。在体育领域，可迁移到篮球、网球、田径、赛车、冰球等项目；在城市运行方面，可用于机场、地铁、演唱会、展会和大型公共活动；在产业上，也可以用于自动驾驶、机器人、智能制造和公共安全。“本质上，这些技术解决的是同一个问题：如何在复杂真实世界中通过AI进行感知、理解、预测和决策，让整体社会运行更高效。”
“体育赛事提供了公开、复杂、高压力的试验场。”钟新龙分析说，世界杯对技术系统的要求是不能宕机、不能误报、不能拖慢核心流程。此种要求与电力调度、制造产线、港口物流、数据中心运维、矿山安全和航空地勤相近。多源传感、数字孪生和智能调度等技术可以帮助企业识别设备异常、优化排产、降低能耗、提升应急处置速度。
今年世界杯官方还联合中国企业打造了智能导览系统，将所有比赛城市、球迷区和16座球场连接在同一张实时AI导航地图上，并且会根据球迷所在的位置给出个性化指引。“它解决的是顶级体育赛事里最复杂的问题之一——来自世界各地的数百万球迷，会涌入很多他们从没去过的城市，走进完全陌生的球场。我们对所有球场进行了扫描，建立起数字孪生模型。这样一来，App就可以实时显示——哪里人多、哪里排队最短。它不仅帮球迷找路，也让FIFA和主办城市能提前判断需求、掌握人流动线，让整个观赛体验更加顺畅。”相关技术负责人告诉《环球时报》记者。
钟新龙认为，交通和城市管理可以借鉴这种数字孪生技术。世界杯的智能导览、客流预测和场馆周边交通调度，与机场、火车站、地铁枢纽、景区、医院和商业综合体高度相似。相关技术若与城市交通信号、公共安全和应急广播系统打通，可提升重大活动期间的城市承载能力。
如今AI正在从工具转变为基础设施和操作系统。以本届世界杯为例，AI已经不只是提升效率，而是嵌入到判罚、战术、运营、体验的每一个关键环节，开始重塑整个行业运行方式。刘少山说：“体育是AI进入大众生活最好的窗口之一。真正好的体育AI，不是炫技，而是让比赛更公平、更安全、更好看，也让更多普通人理解和参与。”
球员可用AI分析，观众体验更“沉浸”
AI技术不仅加强了赛事裁判能力，还可能改变球队的战术与运营。美国“连线”网站称，球员和教练组将能够使用AI模型来拆解比赛内容、分析对手数据统计，理论上还能缩短将这些分析转化为球场实际行动所需的时间。报道提到，谷歌公司赞助了阿根廷足协，该公司旗下的AI大模型Gemini也将被阿根廷队用于分析战术配合、阵型等。“本届世界杯将成为谷歌人工智能在职业足球高压环境下的一次压力测试。”
美国《人工智能杂志》提到，联想公司和国际足联共同打造了世界杯足球AI超级智能体（FIFA AI Pro），这是一款足球领域的生成式AI知识助手。“传统上，深度战术分析需要雄厚的资金支持以及庞大的数据团队，这使得财力雄厚的足球国家队在竞争中占据明显优势。而世界杯足球AI超级智能体为全部48支参赛球队提供完全一致的顶级分析能力，从而实现‘公平竞争环境’的目标。”
胡贯中告诉《环球时报》记者，FIFA AI Pro 建立在FIFA独有的足球语言和专业知识体系之上，能够理解足球语境，并将复杂的数据转化为教练、分析师和技术团队可以直接使用的战术洞察。钟新龙分析说：“对球队而言，弱资源球队可以获得接近强队分析部门的基础能力。对教练而言，赛前对手研究、阵型对比和换人预案会更快。对球员而言，个人跑动、站位、接应和防守习惯可被更细化地反馈。”
今年在屏幕前观赛时，许多观众感觉自己“站到了球场上”，这同样离不开中国公司的AI技术。以色列《耶路撒冷邮报》称，比赛引入了“裁判视角”系统，在裁判身上佩戴第一视角摄像设备，从比赛中心位置记录画面。“对观众而言，这将提供全新的比赛视角，更直观地呈现比赛节奏、距离、身体接触与裁判周围的混乱场景。对于技术领域而言，这是复杂环境下实时视频稳定技术的一次展示。”
过去裁判视角记录仪由于直接佩戴在快速奔跑的裁判胸前，长期以来面临着极端的画面抖动和运动模糊等技术瓶颈，导致其画面无法满足全球高清直播对画面稳定性的严苛要求。而今年，中国企业通过AI影像稳定与实时优化技术，让裁判佩戴设备采集的第一视角画面更加清晰、稳定，并在3秒以内延迟下生成可用于转播的信号。
胡贯中表示，“每次越位判罚让整个球场‘静止’的那几秒，所有球迷其实都在想同一件事：能不能像裁判一样，在那一刻看清楚发生了什么？所以，我们做了裁判视角AI视频增强系统。它可对裁判随身摄像头的画面进行实时处理，把高速运动带来的抖动和模糊‘抚平’，变成真正达到转播级别的画面质量——这是以前完全做不到的。”
专家表示，此前体育科技主要围绕转播清晰度、VAR回放和数据统计展开，今年世界杯的变化在于AI同时进入判罚解释、训练分析、场馆运行、球迷服务和媒体生产，AI角色也从赛后复盘工具前移到赛前准备、赛中提示和赛后传播。
]]> <![CDATA[AI生态之战打响：微信做入口，腾讯来托底]]>

文/熊逾格
编辑/子夜
AI下半场，聚光灯落在腾讯身上。
2026年6月2日，一则微信AI智能体即将推出的消息，让腾讯股价单日上涨10.5%至481.6港元，市值猛增约4148亿港元，创三年多来最大单日涨幅。
而腾讯在AI方面的动作也在加快。
6月5日，腾讯云AI产业应用大会上，腾讯首席AI科学家姚顺雨首次公开亮相，与腾讯高级执行副总裁汤道生对谈四十分钟。三天后的6月8日，微信低调发布《关于开发者接入微信AI生态的指引》（下文简称为《指引》），正式面向小程序开发者开放AI生态接入。
截止2026年一季度末，微信及WeChat合并月活达14.32亿。如今，这款中国用户体量最大的应用，向开发者敞开了AI的大门。
AI竞赛进入下半场。Agent对于落地的强调，大模型成本的下滑，各行业对AI转型的需求，暗示着生态的战争已经条件充足。
曾被质疑“慢了”的腾讯，拿起自己最擅长的武器，动作愈发频繁。
我们看到，腾讯没有端出一个更大、更复杂的Chatbot，去复制竞争对手的打法，而是将微信所代表的生态优势，延伸到Agent的运行环境中去，联合众多服务商的成熟生态，重新定义起Agent时代的“入口”。
这样一个精准的切口，为腾讯带来了广阔的想象空间。
1、多家企业加入，微信AI生态究竟想怎么玩？
微信AI生态方面的战略方向，在《指引》这份文件中，显得十分清晰。


《关于开发者接入微信AI生态的指引》，图源微信公开课微信公众号
据这份《指引》，小程序开发者在后台接入微信AI后可选两种模式：
一种是自动模式，交由平台分析小程序页面结构，让AI直接理解并操作现有小程序，门槛低、覆盖快；
另一种则是开发模式，由开发者自主定制服务能力供AI调用，成本更高，但适配交易、预约、售后等责任更重的场景。
如果说前者能够解决微信AI生态的接入速度，使Agent对大部分小程序能够直接上手，后者便决定了服务的执行深度，极大拓深了Agent的能力范围，也是腾讯押注的重点。
后者的路线被称之为A2A，Agent-to-Agent，即智能体的互联互通。2025年度员工大会上，马化腾曾为这套架构定调——依托小程序生态，以非中心化方式连接产品和服务。
目前，美团、京东、携程、滴滴、途虎养车、得物等服务商均已经官宣与腾讯在AI智能体领域达成合作。
据差评报道，微信AI的A2A架构类似于：一个总管家型Agent坐镇主界面，小程序沉淀自己的Skill，例如美团、携程、滴滴等小程序各有Skill。当用户说“明天出差去上海”，微信Agent可同时调携程查机票、同程查酒店、滴滴约接机车，三线并行推送方案，再经微信支付完成闭环。
当用户通过简单的自然语言交互，便能够在熟悉的微信页面直接完成购物、出行等一系列闭环，想象空间可谓广阔。
但换个角度来看，互联网巨头中，拥有“入场券”的玩家并不多，因为缺乏完整、成熟的生态。


腾讯发起的“小程序成长计划”，图源微信公开课微信公众号
而在腾讯，小程序本就生长在微信体系内，调用即可。里昂证券在研报中的判断是，腾讯依托超400万小程序与10亿级用户的生态，竞争对手复制这一生态“至少需要10年以上”。
无疑，这是又一次互联网巨头间的用户竞争，能与腾讯交手的仍是老对手。
在微信智能体消息曝光次日的6月3日，阿里巴巴便抢先宣布，千问向第三方Agent全面开放，瑞幸、肯德基、蜜雪冰城、东方航空成为首批测试企业。
但对比阿里巴巴，微信仍有优势。当其他厂商要持续花钱教育用户打开AI应用，而微信则把Agent嵌进用户每天必经的路径里。据晚点LatePost报道，2025年12月，千问App单日投放峰值一度达到1500万元。
此外，随着AI生态的完善，服务的分发逻辑也将随之改写。当用户表达的是意图而非关键词，服务方的核心竞争力将从页面体验转向接口稳定性与履约成功率。
而在微信上，这样的想象意味着，小程序从“给人看的轻应用”，进化为“给Agent调用的服务单元”，其生态正面临诞生以来最大的一次价值重估。
2、微信冲锋，腾讯AI生态托底
在豆包、千问轮番抢占AI入口的两年里，腾讯一直被视作慢了。
面对腾讯AI是否落后的问题，腾讯董事会主席兼CEO马化腾曾回应：腾讯不一定是业界最快抓住机遇的，但坚持走正确的道路，结合自身独有优势稳扎稳打，“不能看着别人在那边做就随便跨过去、抢别人的地盘。过去我们也抢过，但后来基本失败了”。
凭借这份清醒，腾讯等到了如今的时刻。
6月5日的腾讯云AI产业应用大会上，腾讯当天一口气发布20多款AI产品：既有WorkBuddy企业版、Agent Suite等全新Agent产品，也有存储、安全、ADP等平台层更新，还有Miora、Ardot等应用层新品。
腾讯AI产品找回了久违的热闹，而台上姚顺雨与汤道生的对谈，则理清了腾讯AI半年来的草蛇灰线。


腾讯集团高级执行副总裁汤道生与腾讯AI首席科学家姚顺雨同台对话，图源腾讯官网
“腾讯在AI上慢了吗？”汤道生在台上把这个尖锐问题直接抛给了姚顺雨，后者的回答是反问式的：“这要看我们认为AI是短期游戏还是长期游戏。”
姚顺雨的判断是，AI下半场才刚刚开始，ChatGPT和Claude Code不会是仅有的超级应用，“可能今天就像70年代PC刚刚产生的时候”。
这位27岁的首席AI科学家，或许是腾讯AI故事的拐点人物。他是OpenAI前研究员，也是Agent领域经典范式ReAct的提出者。
据晚点LatePost报道，2025年11月，刚入职不久的姚顺雨穿着休闲短裤、踩着拖鞋出现在腾讯一场内部会上，他细致检查混元的每个环节，不时与同事、实习生交流至半夜，最终给出诊断：“混元的评测出了大问题”。
彼时，混元过度追逐榜单成绩，打榜语料污染了训练集，会答题，真实场景却不稳定。
同年12月，新设的AI Infra部、AI Data部、数据计算平台部落地。腾讯官宣姚顺雨出任首席AI科学家，直接向腾讯总裁刘炽平汇报，同时实管大语言模型部与AI Infra部。这是模型能力与资源调度第一次握在同一人手中。
2026年4月23日，混元Hy3 preview发布并开源。据腾讯官方披露，其Token调用总量达上一代的10倍，在WorkBuddy、CodeBuddy等智能体应用中调用量增长超16.5倍。
2026年一季度财报电话会上，刘炽平透露，混元3.0上线两周即以3.03万亿Token周调用量登顶OpenRouter全球榜首。彼时，其在Agent依赖的工具调用、编程两个细分场景能力排名第一。
产品侧的故事则带着偶然的色彩。
据媒体报道，WorkBuddy的内测版本是CodeBuddy首席产品经理汪晟杰和一位运营在今年1月的一个周末、用两个通宵赶出来的。由于3月9日上线后访问量远超预期，团队从约10人紧急扩至100多人，三个月迭代43个版本。
据易观分析的《中国办公智能体平台市场研发报告2026》，今年3月WorkBuddy的月访问量已达885万、领先国内第二名2.6倍。


中国AI办公智能体月访问量及增速，图源腾讯WorkBuddy微信公众号
负责该产品的腾讯云副总裁刘毅后来在接受采访时复盘：“跑到行业第一，其实也是机缘巧合，站在了大模型最擅长的方向上。”但腾讯随后的动作毫不含糊：一旦验证方向，“大量的资源就过来了”。
支撑这一切的，是一种罕见的投入姿态。
2026年一季度，腾讯资本开支同比增长16.2%至319.4亿元，主要用于AI基础设施建设，研发投入增长19%；同期，腾讯自由现金流达567亿元、同比增长20%。电话会上，首席战略官詹姆斯·米歇尔总结：“核心业务富有韧性并产生充足的现金流，为加大AI投入提供了支撑。”
在竞争对手烧钱换速度、规模的战争之后，腾讯通过盈利式投入的动作，为一场AI的竞赛做起准备，似乎笃定这是一场“长跑”。
回看腾讯AI布局，拼图变得完整了。混元供给智能，腾讯云SkillHub沉淀超7万个Skill充当技能库，小程序执行任务，微信支付完成交易。
腾讯散落多年的资产，逐渐被AI这根主线串成整体。
3、巨头们的AI之战，要打生态局了
镜头拉远，互联网巨头的AI生态竞赛，早在春节就已经开打。
2026年春晚，AI合作资格被字节以最高价码抢下，豆包同步上线互动玩法；错过春晚的腾讯元宝准备了10亿元红包，马化腾在1月底的员工大会上说，希望重现2015年微信红包的高光时刻；阿里千问则靠30亿元春节免单活动，DAU峰值一度突破7000万。
Agent时代的入口之争，没有一家掌握流量的公司能够缺席。
春节期间，大厂们争的还是“谁的App被打开”，6月之后，战局升级为“谁的生态能办事”。当主流模型能力逐步收敛，真正稀缺的变成了入口、上下文、支付履约与开发者生态。
阿里千问是最早的验证者，依托阿里电商与本地生活闭环，“春节请客”的活动首日实际订单达1500万单，一举完成Agent的首次大规模商业化验证。不难看出，千问在6月3日火速开放第三方Agent，也是对微信威胁的快速回防。
阿里千问在春节期间推出免单活动，图源千问官方微信公众号
另一方面，字节的豆包背靠抖音的内容与营销生态，2025年底成为中国首个日活破亿的AI产品。百度则深掘知识管理赛道，整合文库与网盘成立个人超级智能事业群，据其财报，2025年四季度AI相关收入占比已达43%。
纵观战局，微信守生活服务与社交协同，淘宝守电商经营，抖音守内容营销，百度守搜索知识。国内互联网原本超级App割据的格局依旧，一旦有玩家落后，便有可能在新时代丢失原有的城池。
但可以确定的是竞争的走向，正如美团、京东、携程接入微信，瑞幸、肯德基接入千问，没有一家超级Agent能够赢者通吃，只有多个超级入口一起走向Agent化。


腾讯在腾讯云AI产业应用大会上推出的“效率智能体工具集”，
图源腾讯智慧零售官方微信公众号
对腾讯而言，接下来要解的是三道工程题。
一是规模。刘炽平在Q1电话会上称已储备充足芯片库存、推理侧将以多重策略应对，但14亿用户量级的Agent并发，仍是全球无人趟过的水域。
二是信任。Agent读取上下文带来的体验提升与隐私授权之间，需要一套让用户安心的边界设计。
三是规则。当Agent掌握任务分发，小程序调用的排序逻辑、抽成分佣需要得到数百万商家的认可。
如今，这三道题没有现成答案，谁先解出，谁就率先定义行业标准。
面对质疑，马化腾并未讳言走过的弯路，而“换船”之后的腾讯，确实找到了一条与自身优势严丝合缝的路线。
但作为先行者，腾讯也必将面对不少挑战与难题。值得肯定的是，在这样的战局中，不再追赶对手的腾讯，正从自己的主场重新出发。
]]> <![CDATA[遭AI诬陷的律师：我不反AI, 只反甩锅AI的恶意侵权]]> 当 AI 一本正经地 “胡说八道” 从订餐乌龙、误导退票，演变为凭空捏造犯罪事实、恶意诋毁个人名誉，技术的边界在哪里？谁该为 AI 的 “幻觉” 买单？
去年9月，北京锦钟律所黄贵耕律师因被AI造谣“威胁法官、伪造印章”，将涉事平台告上法庭。6月12日，在南都举办的数字经济治理沙龙现场，黄贵耕结合自身维权经历，剖析了生成式AI侵权背后的现实困境与法律争议。“我从未对AI宣战，我抵制的是将AI幻觉作为恶意侵权挡箭牌的行为。”

黄贵耕律师在论坛现场在线发言。
从“荒诞乌龙”到“恶意诽谤”AI幻觉侵权正演变为公共危害
“作为一名执业律师，我亲身经历了被AI平台捏造虚假信息、恶意诽谤的全过程。”在论坛分享环节，黄贵耕展示了一组截图。截图中，AI精准标注了他的姓名和执业机构，并凭空捏造出他“威胁法官”“介绍贿赂”“伪造印章”“涉嫌刑事犯罪被吊销执照”等恶劣情节。
黄贵耕表示，这些虚假负面信息被案件当事人及亲友广泛传播，致使他的社会评价严重贬损，潜在客户流失不可估量，承受着巨大的精神压力。
这并非孤例。据黄贵耕介绍，南京李小亮律师、北京安振杰律师均遭涉事AI及其旗下产品捏造定罪判刑的虚假内容；公益人士寇延丁被无端诬陷“判刑十三年”；山东青年冀承祥被恶意编造“组织卖淫罪”；就连“清芝灵卵磷脂”“栖贤山黄酒”等企业产品也未能幸免，被造谣为禁售商品。除了李小亮一案已宣判外，律师黄贵耕、作家寇延丁两人分别提起的另外两起诉讼，目前仍处于法院审理程序。
“从自然人到企业，受害者范围持续扩大。”黄贵耕指出，这类频繁侵害不特定个人名誉权的行为，已不仅是针对个人的伤害，更暴露出极大的公共危害性，势必造成社会秩序混乱和公众对AI技术的信任崩塌。
在黄贵耕的维权交涉中，涉事平台搬出“AI幻觉”作为挡箭牌，声称这是当前大模型技术发展的局限性。对此，黄贵耕不能认同。在他看来，“AI幻觉”本质是模型对数据分布的错误理解，通常表现为位置不准、数量偏差等轻微瑕疵。这与该平台编造他人罪名、篡改司法记录等行为的危害性不可等同，绝非“不可避免的技术误差”。他也同步横向对比了豆包、DeepSeek、千问等同类AI产品，发现在输入相同关键词后，其他主流大模型均能通过过滤机制拦截侵权内容。
黄贵耕从技术归因角度剖析了涉事平台输出的核心原因：一是训练数据缺陷，平台未接入权威数据库，反而在抓取网络负面信息后擅自“去匿名化”，将他人处罚记录张冠李戴；二是算法设计导向偏差，在交互中反复通过“关联问题引导”主动推送负面提问，靠流量变现驱动侵权；三是校验机制缺失，对涉及犯罪事实等高风险内容没有任何人工核验或风险提示。
“AI幻觉”成平台侵权挡箭牌？享受AI红利必须承担对等责任
在遭遇AI侵权后，受害者面临的最大痛点是“算法黑箱”。普通人很难证明平台在数据投喂和算法设计中存在具体过错，也难以溯源虚假信息究竟是哪一次交互引发的。这种技术壁垒让受害者在维权时处于绝对弱势。
AI侵权发生后，平台是否真的无法核查和纠错？黄贵耕在论坛现场引用了山东教育电视台的一则报道：腾讯元宝AI在除夕夜出现辱骂用户的异常输出后，官方迅速核查日志并发布致歉声明，明确“与用户操作无关，不存在人工回复，属于小概率下的模型异常输出”，并承诺后续将紧急优化。
“这说明生成式AI服务提供者，具备对用户调取AI服务的操作日志进行全面核查及整改的技术能力。”因此黄贵耕认为，其所诉涉事平台以“AI幻觉”不可预见为由，在首次侵权出现后未及时整改，持续生成侵权内容，实属以算法黑箱甩锅。“这就像司机明知刹车失灵仍上路撞人，不能把责任推给汽车。”
在法律责任的界定上，黄贵耕驳斥了平台常引用的“技术中立”和“AI非民事主体”的免责逻辑。他认为，司法实践中，“技术中立”的前提是平台已尽到合理防控义务。若同行业其他产品可规避同类错误，唯独某平台反复出现恶性侵权，就证明平台存在明显过错。“所谓的‘避风港原则’，针对的是平台仅作为信息载体、供用户上传内容的情况。但我所诉的AI恶意侵权内容是平台自主生产的，本质是平台行为的延伸，根本不适用避风港原则。” 黄贵耕说，近期德国慕尼黑地方法院首次裁定谷歌要为 AI 搜索摘要的幻觉问题承担直接责任，这也印证了平台主体责任是全球共识。
“就像养狗伤人主人要担责、汽车肇事司机要赔偿，平台从AI服务中攫取了巨大流量与商业收益，绝无可能只享红利而不承担风险。”他强调，根据《生成式人工智能服务管理暂行办法》等相关法规，AI 服务提供者必须落实内容安全主体责任。在将AI产品推向公众时，有义务对生成内容审核把关、留存日志、及时处置违法虚假信息。
尽管深受AI幻觉侵权之害，但黄贵耕始终对人工智能技术持正面态度。“AI 确实极大提高了工作效率，我日常也会使用豆包、元宝、Kimi 等 AI 产品作为办公助手。媒体报道中说我‘对 AI 宣战’，这是不准确的，我只是对涉事AI平台的恶意侵权行为说不。”
他认为，AI 行业必须告别 “重创新、轻风控，重流量、轻责任” 的野蛮生长模式。对此，他提出三点建议：平台要补全全流程风控，接入官方权威数据库，优化算法取消负面诱导设计，建立 7×24 小时投诉通道；监管部门要细化 AI 侵权处罚规则，对风控缺失、频繁恶性侵权的平台依法重罚，对缺陷 AI 产品必须像缺陷汽车一样召回整改；用户要提高警惕，涉及职业资质、司法记录等关键信息，务必通过官方渠道核实。
在技术狂飙突进的当下，如何打破算法黑箱、完善法律规制、让平台真正扛起主体责任，已成为生成式AI行业健康发展的必答题。“AI 的未来充满想象，但底线永远是法律与良知。” 黄贵耕在发言的最后表示，希望通过自己的维权经历，推动行业规范发展，让 AI 真正回归便民利民的本质，而非沦为伤人的利器。
]]> <![CDATA[中国正在太空布下一盘大棋]]>

央视网6月13日消息，中国正在太空布下一盘大棋。

业内机构预测，到2030年，全球太空经济市场规模将超过万亿美元。其中，太空算力是重要的基础设施。

在这一关键节点，中国也已迈出坚实步伐：2025年，中国在酒泉卫星发射中心使用长征二号丁运载火箭，成功将太空计算卫星星座首批一轨12颗卫星发射升空。此次发射任务的成功，也标志着全球首个太空计算卫星星座成功入轨。

目前，中国太空算力的轨道部署正在加速。在北京海淀一家卫星研发相关企业内，测试人员正在洁净间内对相关算力平台进行软硬件的调试。

随着太空算力的增加，一些常见的AI大模型也能实现在轨运行。未来，还有可能出现集中式算力卫星，将不同卫星在轨产生的数据快速融合计算。

来源：政事儿

]]> <![CDATA[蓝色数据中心有多“绿”]]> 文章配图-1

上海临港海底数据中心数据舱外观。（资料图片）

在数字经济快速发展的当下，算力基础设施对于助推产业转型升级、赋能科技创新进步具有重要意义。然而，传统数据中心“高耗电、高耗水、高占地”的“三高”困境，使其沦为“电老虎”。面对困境如何破局？在上海临港，一场“向海洋要资源”的探索给出了答案。

近日，全球首个海上风电融合型海底数据中心在上海临港正式启用。该项目创新采用“海上风电直供绿电+海水自然冷却”模式，总投资16亿元，规划总规模24兆瓦。该项目不仅助力上海打造国际数字之都，也为破解算力基础设施建设的能耗与空间瓶颈提供了中国方案。

打造绿色算力新范式

对于传统数据中心而言，近七成运营成本来自于电费，发展绿色算力成为行业发展的当务之急。临港海底数据中心依托东海海域资源，将海上风电、深海环境与算力设施深度结合，在多方面实现突破。

在散热系统上，该项目摒弃传统制冷设备，利用恒温海水打造天然冷源。但如何在密闭空间实现机柜散热冷却呢？大大小小的铜管是“解题”关键。上海海兰云数据科技有限公司技术总经理陈希恰说：“大铜管相当于人体的大动脉，小铜管相当于人体末端毛细血管。服务器发出的热量通过‘毛细血管’时将里面的冷媒从液态变成气态，气态冷媒通过‘大动脉’升到换热器和海水进行换热，冷凝为液态又回到‘毛细血管’。”这套循环系统让制冷成本大幅下降。

在能源供给方面，项目首创“海风直连”模式，直接接入临港海上风电场，依靠光电复合电缆输送绿电，绿电供给率超95%。上海海兰云科技有限公司总经理苏洋表示：“我们已实现了就地取电。陆上输电配电会产生大约10%的损耗，我们依托海风直连，可以直接规避这部分损耗。同时，海洋是一个天然冷池，通过自然冷却即可实现降温。综合算下来，该项目比陆地数据中心整体节能30%—40%。”按照24兆瓦全规模运行计算，该项目每年可节电约6100万千瓦时，等效减少的碳排放量相当于160万棵树木一年的固碳量，生态效益突出。

同时，海底部署模式能有效节约陆地空间与淡水资源。记者在采访中了解到，该项目可节省90%以上陆地空间。依托海水循环散热实现淡水零消耗，而同规模陆地数据中心每年需消耗4万吨淡水。多重优势叠加，该项目成功构建起“风电供电、海水制冷、海底部署”的绿色算力新范式。

筑牢深海算力底座

海底数据中心优势明显。然而，将服务器集群安置于海底，需要直面海浪冲击、海水腐蚀、海洋生物附着、极端天气等诸多难题。对于上海临港海底数据中心项目团队而言，并无成熟的经验可借鉴。项目团队整合多领域技术力量，接连攻克结构设计、海上安装、运维保障、电力稳定四大难关，搭建起高安全等级的深海算力底座。

在结构设计上，团队首创“海底数据中心新型结构”，整合上部组块、导管架、数据舱和钢管桩四大模块进行一体化协调搭建。同时，创新采用“圆筒立式结构型”数据舱，其外部流线型结构可大幅减少海浪冲击，搭配特殊防腐涂层与防护技术，能抵御海水腐蚀与海洋生物附着。

海上吊装与水下定位是项目建设的最大难点。重达1000多吨的数据舱入水时，导管架支腿插尖需精准插入海底钢管桩，两者间隙仅0.18米，偏差必须控制在0.1米以内。面对这一高难度挑战，项目团队依托“三航风范号”起重船的卓越性能，在GPS与专业定位软件的引导下，由技术负责人现场统一调度指挥，将下放速度严格控制在每分钟0.1米，实现了“零偏差”精准就位。

为应对海上风电波动性，项目还配置了双路市电、双路风电，搭配备用电源与发电机，年供电可靠性高达99.996%。苏洋向记者解释了电力调配逻辑：“风电供电不足时，UPS设备与柴油发电机可及时补能，保障电力稳定。”

在运维环节，项目运用远程数字孪生技术实现“无人值守”熄灯式运维，与海上风电场共享运维人员、船舶、线缆等资源。海底密闭环境受外界干扰较少，服务器故障率低于陆地机房，进一步提升了运行稳定性。

数据安全防护同样具有完备体系。上海临科智华数字科技有限公司技术总监霍长青介绍：“海底数据中心对外具备高等级防护能力，可抵御高流量网络攻击，严防数据隐私泄露；内部按照客户、项目、区域进行物理隔离，实现分级分区管理。”

完善算力产业生态

临港海底数据中心投运后，吸引了中国电信、上海仪电、上海临科智华等多家企业入驻，各类算力集群相继落地，形成多元共生的算力产业生态。依托低时延、高可靠、绿色低碳的优势，该项目不仅支撑国内AI研发、信创云等业务，还成为跨境数据加工等新业态的重要载体。

临港算力（上海）科技有限公司总经理罗渝平说：“依托陆海一体化全光网，海底节点与岸基枢纽时延降至0.5毫秒级，较传统跨地域算力调用降低60%以上，完全满足AI推理、金融交易等时延敏感业务需求。”

罗渝平介绍，面对跨境数据加工业务，海底数据中心构建了四重核心优势。一是低时延保障业务实时性，0.5毫秒级岸海时延使跨境支付清算、高频交易等业务的端到端响应速度提升40%以上，满足国际客户对‘即时数据处理’的严苛要求；二是绿色认证增强国际竞争力，95%以上绿电直供与零淡水消耗的能效表现，可为企业客户提供符合国际规则的碳足迹报告，助力其通过国际客户ESG合规审查；三是数据安全与合规性提升，依托临港“国际数据港”政策框架，海底节点可作为跨境数据‘境内存储、离岸加工’的物理隔离载体，通过专用海缆与境外节点直连，既满足数据出境安全评估要求，又避免公网传输的潜在泄露风险；四是成本优势凸显，相较传统跨境数据中心，海底数据中心单位算力能耗成本降低20%以上，且无冷却塔占地与淡水消耗，长期运营成本更具优势。

“我们采用‘跨境不入境’模式开展‘来数加工’业务，数据不在本地落地，严格遵守国内外合规要求，目前国内与海外业务各占一半，垂类行业市场空间十分广阔。”霍长青说。

在海底数据中心诸多优势的吸引下，中国电信成为了首批入驻企业之一，并在这里上线研发平台、国产GPU创新平台以及信创云三大业务，同步探索海上通信建设。上海仪电在此部署训推一体算力集群，发挥自身数字化转型与AI落地经验，深耕水下边缘算力。上海临科智华则聚焦大语言模型数据集、多模态数据标注、代码验证等高端数据业务，走出差异化发展道路。

目前，临港新片区已集聚八大算力中心，总算力规模超40EFLOPS，占上海整体算力的三分之一以上。按照规划，到2027年，上海智算云产业规模力争突破2000亿元，形成云边端协同、产业链条完备的生态体系。同时，上海立足长三角枢纽定位，深度对接“东数西算”国家战略，临港海底数据中心作为前沿绿色算力节点，成为全国一体化算力网络的重要组成部分。

据介绍，该项目团队已启动规模化布局计划。以上海为核心，规划建设500兆瓦级深远海风电配套数据中心，同时向粤港澳大湾区、环渤海等沿海区域输出成熟技术。苏洋表示：“临港模式已经验证较为成熟，我们将依托海上风电产业优势，推动海底数据中心在东南沿海多省市落地，同时跟随中国海上风电优质产能出海，将‘海风+算力’整套方案推向国际市场，结合国产芯片、国产云服务，打造中国算力基建出海‘新名片’。”

]]> <![CDATA[11000mAh荣耀最大电池，荣耀X80 Pro Max手机6月22日发布]]> IT之家 6 月 15 日消息，荣耀手机今日官宣，荣耀 X80 Pro Max 新品发布会定档 6 月 22 日 19:00。

荣耀 X80 Pro Max 主打长续航，搭载 11000mAh 荣耀最大电池，以及金标抗摔免费换屏。

文章配图-1

据IT之家此前报道，博主 @数码闲聊站 发文，曝光了荣耀 X80 Pro Max 手机的规格信息。该机提供闪电红 / 玄甲黑 / 月影白 / 元气橙四种配色，采用“旗舰级 ID 设计”，正面配备一块 6.78 英寸 2788x1280 分辨率 OLED 面板，手机搭载高通骁龙 6 Gen 5 处理器，配备 11000mAh 电池，支持 90W 充电。

据博主 @旺仔百事通 分享，荣耀 X80 Pro Max 将主打耐用、抗造和续航。该机将配备超大电池，支持 90W 有线充电和 27W 有线反向充电、满级防水防尘，并采用超耐摔机身设计。

]]>