北京时间 3 月 1 日晚八点半，亚马逊 AWS 位于阿联酋的服务器，遭到了伊朗的无人机袭击，导致 mec1-az2 服务器集群受到影响。 极度依赖 AWS 云服务的 Claude，随后就来了个全球大宕机。 事情到这里还不算完，Claude 宕机，大伙儿总得找个替代品。而在这 AI 御三家里，OpenAI 刚和美国国防部签了单子，引发众人的一致差评，强烈抵制。 于是，一大批人集中涌入 Gemini，又把 Gemini 的服务器给挤爆了。 一个数据中心被炸，引发层层连锁效应。不少人直接慌了，回归纯粹的碳基生产？AI 写不了代码，难道要我们自己写吗？ 甚至还有编辑部同事在 AI 宕机期间表示，“ 一觉醒来，全球写作和 coding 能力下降 10 倍。” 要说以前停电只是停工，现在停 AI，引发的是全球智力下降的大危机。。。炸毁一个数据中心，简直和在 20 世纪炸了一个炼油厂差不多。 更要命的是，中东这片纷争不断的地区，有钱有地有能源，在打仗前恰恰是搞超大规模 AI 基建的理想地区。 不知道各位差友有没有印象，咱们之前讲过美国缺电，数据中心服务器有显卡却用不上的故事。比起显卡，能源可能是未来又一个掣肘 AI 的关键因素。 而中东的电，真是便宜又大碗。 像是沙特的电价，每千瓦时只需要 0.02 到 0.05 美元，远低于北美和欧洲动辄超过 0.1 美元每千瓦时的电价。 那么，是什么让中东土豪心甘情愿把地盘拱手相让，甚至在背后推波助澜，大力欢迎大伙儿去他们那搞 AI 基建呢？ 卖电很显然不是核心，他们真正想做的，是用能源换算力。 根据 《 金融时报 》 的一篇报道，中东国家押注 AI 的力度相当狠。沙特阿拉伯财政大臣穆罕默德 · 贾丹在去年年初就曾经表示：“ 我们将不再出口石油，而是出口数据。” 过去一百年，中东靠石油掌握全球能源定价权。而现在，他们想把这种模式复制到 AI 时代，建上 AI 的炼油厂，炼出未来的核心资源 token，卖到世界各地，继续掌握 AI 时代的能源定价权。 美国咨询公司 Arizton 去年九月的报告显示，目前中东地区共有包括亚马逊、微软等 71 家运营商，在 175 个数据中心设施中运营，其中主要为 AI 和云提供服务的三级数据中心，约有 90 个。 数据中心的建设主要分布在阿联酋的迪拜、阿布扎比，沙特的达曼、利雅得等城市。中东特殊的地理位置，让它们同时辐射着亚非欧三片地区。 尽管目前中东的数据中心不管是数量，还是算力容量，在全球占比其实只有不足 5%，并不算太高。 但根据普华永道的一篇研报：“ 中东正迅速崛起为数据中心强区，预计该地区的数据中心容量将增长三倍，从 2025 年的 1GW 增至未来五年的 3.3GW。” 这里面最典型的，还数特朗普亲手拍板的 “ 星际之门 ” 了。 这个由阿联酋国企 G42 联手 OpenAI 搞的大项目，原本是奔着美国境外最大的 AI 数据中心去的。按最早的说法，2026 马上就要开张，用上最先进的 B300 显卡，连接最先进的 AI 模型。 但现在看这架势，只能说，战争的回旋镖还在飞。以后想建 AI 炼油厂，恐怕不得不在价格和安全上做个选择了。 过去大伙儿觉得 AI 也就是个好用的工具，跟滴滴、美团没啥区别，大不了就是 APP 崩了，换一家用。但现在看，这玩意儿的性质彻底变了。 不管是中东数据中心出事引发的连环宕机，还是 OpenAI 转身跟政府签下的军事协议，都在说明，AI 正在变成像电网、卫星、核电站一样的硬核基建。 这种东西一旦卡壳，丢的可不只是几个用户，而是整个国家的战略资源储备。 所以，那些动辄几百上千亿美金的投资，以后要不要再往地缘不稳的地方放，谁都得掂量掂量。 这么一来，情况很可能变成，大多数国家宁可在本土多烧几倍的电费，忍受更高的 token 成本，也得把这块数字命脉攥在自己手里。 可问题是，现在的 AI 公司本来就在亏本赚吆喝，全是靠烧钱撑着。如果算力成本，再因为这种数据中心建设回流往上涨，那以后咱们用的 Claude、GPT、Gemini，可能真要告别白嫖，迎来大涨价了。 这次 AI 大宕机，其实还让世超意识到一件更重要的事。 以前世超一直不理解，为啥有人非要在自己的电脑服务器上，花那么大力气折腾一个效果更差的本地模型。 但这回看来，不属于自己的云端大模型一炸，大伙儿的生产力瞬间清零，这等于是把脑子外包给别人。 所以，在未来，也许本地模型可以不用，但不能没有。就像学校医院都有备用发电机一样，一个自己的家用服务器，可能就是我们的 “ 备用发电机 ”。 最后说到底，这事儿其实也挺无奈的。 AI 本来是人类最聪明的工具之一，很多人都在想象它怎么帮我们治病、搞科研，解决各种人类生存的难题。 但现实是，过去一百年，人类已经见过太多类似的剧情。石油、铁路、电厂，只要变成关键资源、关键基础设施，很难不被战争盯上。 现在，AI 也慢慢走到了这个位置。 也许在 AI 时代，除了电力和显卡，我们需要的，还有一个和平没有爆炸的世界。。。

美国福特汽车博物馆，起初开车会被嘲讽 昨天，深圳腾讯楼下，数百人排队，等待腾讯的程序员，给他们安装近期火爆的AI工具OpenClaw(小龙虾)。大家一般调侃使用过程是“养小龙虾”。这引来一片群嘲：“装了也不会用”、“不懂瞎跟风”、“赛博鸡蛋”。 有趣的是，很多人一边嘲笑那些想体验新技术的人，一边感慨为什么每次技术创新都是来自硅谷等地。要知道嘲笑的土壤，是长不出创新的鲜花的。 1962年，美国社会学家Everett Rogers出版了一本后来极具影响力的书：《Diffusion of Innovations》（创新的扩散）。他解释了一个非常有意思的现象：为什么新技术总是先被少数人尝试，然后在不解和嘲笑中，才慢慢被整个社会接受。 Rogers出生在1930年代出生于美国爱荷华州的农村，当时大多农民用马耕地，而第一批购买拖拉机的人，经常被邻居嘲笑。原因很简单：“拖拉机很贵，容易坏，马更聪明更可靠。”使用拖拉机的农民，被嘲笑称为“show-off farmers”，意思是“爱炫耀的农民”。 Rogers得出了一个著名的结论：接受新技术的人，分成五类： 第一类，创新者（Innovators），大约占人口的2.5%。这群人最早尝试新技术，他们好奇心强、愿意冒险，被周围人看成“爱折腾新东西的人”。 第二类，早期采用者（Early Adopters），大约13.5%。他们会观察创新者的尝试，一旦觉得有价值就会跟进。这些人往往是意见领袖。 第三类，早期大众（Early Majority），大约34%。当技术开始被证明有效时，就会逐渐加入。 第四类，晚期大众（Late Majority），也是34%。等到技术已经非常普遍之后才接受。 最后一类，落后者（Laggards），约16%。他们对新技术非常谨慎，往往要等到最后才开始用。 换句话说，每一次技术革命，最早2.5%的人，一定会显得有点奇怪，有点卖弄之嫌。当新技术不成熟，用途不清晰，尝试得太早，很容易被周围人嘲笑。 类似的事情也发生在AI发展史中。 1956年，美国达特茅斯学院的一间教室里，一群年轻的数学家和科学家提出了一个听起来像科幻的想法：“能不能让机器像人一样思考？”这场会议后来被称为“达特茅斯会议”，也是“人工智能”这个词第一次被正式提出。 当时的计算机非常笨重，算力甚至不如今天的一块手表。很多人听到这个想法的第一反应是怀疑，有人嘲笑这是科学幻想，也有人讽刺这是学者的空谈。 1965年，美国哲学家Hubert Dreyfus批评说，“人工智能就像炼金术一样，是一种伪科学。”他后来还出版了一本著名的书《What Computers Can't Do》，嘲讽AI研究者的乐观预测，认为机器永远不可能真正理解世界。 从1956年的达特茅斯会议，到2012年深度学习突破，再到2023年大模型爆发，人工智能整整走了70年。中间经历了嘲笑、质疑、资金断裂等各种寒冬。今天我们看到的ChatGPT、自动驾驶、AI医疗、AI编程、AlphaGo，都不是突然出现的奇迹，而是无数人长期尝试和坚持的结果。 几乎每一个新兴行业的技术和早期用户，都是在群嘲中长大的。没有人天生精通AI，也没有人刚接触一项新技术就能发挥全部的价值。面对新生事物，从一知半解到浅尝辄止，到熟练运用，本来就是最正常的成长路径。 我们不必苛求自己，更不必苛求别人，一开始就能用到50%甚至100%。哪怕只懂1%、2%，那也是推开新世界大门的了不起的一步。这1%的尝试，是认知和行动的转折点。纸上得来终觉浅，刷一百条AI科普短视频，也不如亲手安装操作一次。虚拟世界的观望，永远替代不了现实中的实操体验。 所有新技术的精通，都始于笨拙的开始。所有的高手，都曾是入门的小白。 回看过去几十年，每一次技术浪潮真正形成规模，都不是因为少数技术专家，而是因为普通大众开始使用。互联网最早只是查资料和发邮件；智能手机最初只是打电话、发短信；短视频刚开始也只是记录生活。但当越来越多的人参与进来，新的行业、新的商业模式、新的文化形态就慢慢出现了。 技术真正改变世界，往往不是因为最复杂的应用，而是因为最普通的人开始使用它。AI也正在走向这个阶段。当越来越多的人愿意尝试新的工具，新的用法就会不断出现。有人刚开始学，有人已经走得很远，两种人同时存在，整个技术生态才会欣欣向荣。 所以，不要嘲笑那个养龙虾的人。

IT之家 3 月 8 日消息，OpenClaw（曾用名 Clawdbot、Moltbot）是一个近期爆火的 AI 智能体，核心竞争力在于“主动自动化”能力，该 AI 智能体无需用户发出指令，即可自主清理收件箱、预订服务、管理日历及处理其他事务。目前，网上已新增大批养龙虾人。 据央视新闻今日报道，工业和信息化部网络安全威胁和漏洞信息共享平台监测发现，OpenClaw（俗称“龙虾”）开源 AI 智能体部分实例在默认或不当配置情况下存在较高安全风险，极易引发网络攻击、信息泄露等安全问题。 另外，由于 OpenClaw 在部署时“信任边界模糊”，且具备自身持续运行、自主决策、调用系统和外部资源等特性，在缺乏有效权限控制、审计机制和安全加固的情况下，可能因指令诱导、配置缺陷或被恶意接管，执行越权操作，造成信息泄露、系统受控等一系列安全风险。 建议相关单位和用户在部署和应用 OpenClaw 时，充分核查公网暴露情况、权限配置及凭证管理情况，关闭不必要的公网访问，完善身份认证、访问控制、数据加密和安全审计等安全机制，并持续关注官方安全公告和加固建议，防范潜在网络安全风险。 据IT之家此前报道，密码管理工具 1Password 于今年 2 月 2 日发布博文，其安全团队发现有攻击者利用 OpenClaw 向 macOS 用户散播和植入恶意软件。攻击者利用了 OpenClaw 的“技能”（Skills）文件，这些通常为 Markdown 格式的文件本用于指导 AI 学习新任务，却被黑客伪装成合法的集成教程。

IT之家 3 月 7 日消息，据外媒 Teslarati 今日报道，特斯拉正准备建设迄今规模最大的超级充电站。 特斯拉已在加州提交规划，计划建设一座拥有超过 400 个 V4 充电桩的超级充电站。新项目将扩建位于加州 Yermo 的 Eddie World 超级充电站，并分阶段推进。据悉，现有 Eddie World 站点目前只有 22 个 V2 和 V3 充电桩，最高充电功率为 150kW。扩建计划将分六个阶段实施。 第一阶段将在今年晚些时候启动，新增 72 个 V4 充电桩。随后几个阶段会继续增加大量充电桩，最终规模将超过 400 个。第 1 至第 5 阶段将在 Calico Boulevard 沿线建设大型停车和充电区域，第 6 阶段的设计仍未确定。 据IT之家了解，该站点位于 15 号州际公路沿线，处在洛杉矶和拉斯维加斯之间的交通要道，是电动汽车流量极大的路线之一。 在该区域约 32km 范围内，分布着超过 200 个高功率充电桩，其中包含了 250kW 和 325kW 规格的站点。附近的 Baker 还拥有 96 个充电桩，不过在节假日和出行高峰时段，这些充电站仍然经常出现排队状况。 建成后，Eddie World 2 的规模将远超现有任何特斯拉超级充电站。目前最大的是加州 Lost Hills 的“Project Oasis”，拥有 168 个充电桩，并配备太阳能和 Megapack 储能系统。相比之下，Eddie World 2 的规模将超过其两倍。 该项目不仅是充电站，还将建设大型商业设施。规划图显示，该地将设有 Cracker Barrel 餐厅、麦当劳门店、便利店、其他餐厅、汽车穿梭取餐通道、户外用餐区以及商业租赁空间。 同时，站点还将专门为电动汽车设计设施。具体来看，其中包括为 Cybertruck 和拖挂车辆提供贯通式车位，以方便大型车辆以及未来的 Semi 电动卡车使用。

IT之家 3 月 8 日消息，WABetaInfo 前天发现聊天应用 WhatsApp 正在开发高级订阅计划，追随各大平台迈向订阅制的脚步。 IT之家在此援引 WABetaInfo，这一计划将命名为“WhatsApp Plus”，用户付费后可获得多种界面自定义选项，涵盖 14 个新应用图标、多种强调色主题，还能够置顶最多 20 个聊天，目前最多只能置顶 3 个。 同时，付费用户还能够获得独家贴纸、铃声，以及更多消息反应效果。Meta 还可能会随着时间推移为 WhatsApp 增添更多高级功能，讨好付费用户。不过消息源强调，WhatsApp 仍将保持免费使用模式，订阅服务只是为用户提供额外功能。 颇具讽刺意味的是，WhatsApp 最初其实是一款付费应用，后续才转向完全免费模式。如今看来，Meta 很可能在调整盈利策略。 作为参考，Meta 目前主要在 WhatsApp 使用广告来盈利。不过变现一直比较困难，这种聊天应用的私人属性限制了广告的展示位置。

快科技3月8日消息，今天，今日宜休科技公司创始人王腾发文称，“内存二季度还要继续涨价，今年消费电子行业太难了”。 王腾的这一言论迅速引发网友热议，在评论区，有网友调侃道：“你不在手机行业了，就别担心涨价了”。 对此，王腾回应：“我担心还在手机行业的兄弟们，估计今年各家会有一波大裁员”。 针对大家最关心的内存价格走势，王腾进一步表示，内存价格要恢复到正常水平，估计要等到2028年，而存储产能的扩充也需要2-3年时间。 据悉，受智能手机存储芯片采购成本持续攀升影响，多家头部手机品牌已计划在今年3月初启动新一轮产品价格调整。 这将是近五年来手机行业规模最大、涨幅最显著的一次集体调价，波及范围广、幅度大。 由于占手机成本比重极高的存储器出现缺货且价格持续走高，不仅冲击了品牌厂商对2026年的出货规划，也显著削弱了面板的采购动能。 据预测，2026年全球手机面板出货量约为21.4亿片，较2025年的23.1亿片下滑约7.3%，意味着自2023年以来持续增长的周期将告一段落，首次转为同比下降。 受新机出货动能疲软影响，2026年手机面板的采购需求也将随之走弱。

当所有人都将目光聚焦于庞若鸣跳槽 OpenAI 时，在无人在意的角落里，硅谷最让人头疼的赛博街溜子，也被 OpenAI 正式「招安」了。 这位年仅 24 岁的哥们叫 Riley Walz，被《连线》和《纽约时报》等媒体冠以「硅谷小丑（Jester of Silicon Valley）」称号。别人写代码是为了改变世界，他写代码纯粹是为了给现实世界找点乐子。 本人也在 X 上亲自确认了这件事。 有意思的是，同样刚加入 OpenAI 的龙虾之父 Peter Steinberger，也跑到评论区凑热度，主打一个新同事贴贴。 被称为硅谷小丑的 Riley Walz，到底是何方神圣 很少有人会在毕业临门一脚时选择彻底改变人生轨迹，而 Riley Walz 就是其中一个。 Walz 出生于 2002 年，在华盛顿州长大，后来去纽约巴鲁克学院读商科。 眼看还差两门课就毕业，他直接退学，拎包搬到旧金山创业。原因很简单，他和朋友 Mehran Jalali 一起搞的 AI 项目，被业内知名加速器 HF0 看中了。 Riley Walz HF0 在业内被称为「黑客修道院」，就在旧金山一栋维多利亚式的老房子里。这个加速器用 25 万美元换取 2.5% 的股权作为条件，给创业者提供吃住和洗衣服务，要求他们全力写代码，为期 12 周。 在此期间，Walz 与 Mehran 将一款 GPT-3 Google Sheets 插件发展为正经产品 Numerous.ai。这款产品能让企业用户直接在表格里调用大语言模型，上线没多久就实现正向现金流，商业转化能力直接拉满。 但让 Walz 真正出圈的，是他过去几年搞的那些恶作剧项目。 其中最具代表性的，便是他近期推出的 Jmail—— 这个项目能让用户像浏览普通 Gmail 收件箱一样，搜索杰弗里・爱泼斯坦的邮件。Jmail 上线后在美国引发了巨大震动。截至 2026 年 2 月，页面浏览量已突破 4.5 亿次。 而他和室友在 Google 地图上 「凭空造餐厅」 的操作，更是堪称经典。 2021 年，他和室友 Mehran 在 Google Maps 上虚构了一家叫「迈赫兰牛排馆」的餐厅，地址就是他俩住的联排别墅。朋友们疯狂刷离谱好评，算法被带偏，越推越猛，这家压根不存在的餐厅，居然攒了近 3000 人的等位预约名单。 图片来自：纽约时报 直到 2023 年 9 月，他们决定兑现这个谎言：在纽约东村租场地、办酒牌、招志愿者当服务员，门口还安排朋友举着 Drake 的海报假装顶级明星正在店内就餐，140 名纽约精英食客一无所知地吃完了整顿饭。 杀伤力不大，但贴脸嘲讽的侮辱性极强。 除了虚构餐厅，Walz 还曾盯上美国旧金山的停车罚单系统。旧金山的停车罚单有多贵，懂的都懂。他室友收到一张罚单后，Walz 没吐槽，反而钻起了 SFMTA（旧金山交通局）罚单支付系统的空子。 他发现罚单编号是可预测的连续序列，输入特定格式，系统就会泄露车辆被处罚的精确位置、时间和原因。更关键的是，旧金山 300 多名停车执法人员的设备，会以每批 100 张的速度同步上传罚单。 于是他写了个爬虫，每隔几秒检验一次数据库里最新的序列号，以极低的 API 请求频率近乎实时抓取每一张新罚单，然后套上苹果地图 API，做成了叫「Find My Parking Cops」的网页应用，这就导致旧金山市民都能在地图上实时看到每位停车警察最后一次开罚单的精确坐标。 除了玩转市政系统后，Walz 还曾将目标对准了 Waymo 的自动驾驶系统。 2025 年 7 月， Walz 摇了 50 个朋友，聚集在一条长长的死胡同里，然后让他们同时掏出手机，疯狂呼叫 Waymo 的无人驾驶出租车。结果由于算法瞬间过载，拥堵不堪的死胡同让 Waymo 的后台调度系统彻底宕机。 后续 Waymo 官方被迫紧急介入，直接禁用了该区域两个街区内的全部叫车服务。每个人付出的代价，仅仅是 5 美元的违约金，就把造价高昂的顶尖自动驾驶技术的系统给整瘫痪了。 而在巴鲁克学院读书期间，他同时还是 NCAA D3 级别越野跑运动员，成绩 28 分 56 秒，还在哈佛教授的气候创新课上用数据可视化分析纽约外卖 App 的配送区域和电动自行车碳排放。只能说，每个爱搞事的天才，精力都旺盛到离谱。 OpenAI 为什么要招安一个「刺头」？ 看到这里，你也许会好奇，OpenAI 为什么要招这样一个随时可能捅娄子的「刺头」？这一切，都要从 OpenAI 最近经历的一场内部架构大地震说起。 据连线杂志报道，Walz 此次加入的，是一个名为 OAI Labs 的新部门。这个部门的负责人叫 Joanne Jang。 她之前掌管 OpenAI 的模型行为团队，负责起草《模型规范》（被视为 AI 行为准则），处理模型偏见，还主导过关于「AI 系统是否具有意识」的哲学评估。 Joanne Jang 但这个团队过去两年，没少翻车：GPT-4o 更新后模型过度讨好用户，Sam Altman 公开道歉并紧急回滚；内部安全评估结论也引发争议，口碑一路下滑。 于是 OpenAI 高层果断打散原团队，并入后训练部门。Joanne Jang 临危受命，另起炉灶组建 OAI Labs。这个新实验室的目标正是号称「发明并原型化人与 AI 协作的新型交互界面」。 Joanne Jang 曾经在采访中如此表示： 我非常期待探索能让我们彻底超越聊天范式的模式。我正在重新构想这些 AI 系统，它们应当成为人类的乐器与工具，用于辅助人类思考、创造、娱乐、行动、学习以及建立连接。 简单来说，就是打造下一代更直觉、更自然的 AI 入口，让普通人也能轻松用上 AI。 而 Walz，恰好十分契合这个团队。抛却过去的整活项目，他也曾在旧金山策划过融合 12 家本地商户、千人参与的线下解谜游戏，组织过金门公园的百人快闪行为艺术。OAI Labs 要做「AI 服务于娱乐和连接」，这些经历简直完美契合。 更重要的一点或许是，最懂哪里有漏洞的人，往往最懂怎么做出更流畅、更抗造的交互。把这种人塞进实验室去搞交互架构，就相当于花重金请最强外挂作者来写反作弊系统。 过去几年，整个 AI 行业都在死磕一件事，把模型做得更聪明。ChatGPT 成功了，它让 8 亿人每周都在用 AI，但它的交互方式，一个输入框+一个回复，既是 AI 史上最成功的设计，也可能是最失败的设计。 说它成功，是因为它让普通人第一次触碰到 AI 的魅力，门槛低到几乎为零。 说它失败，是因为 2026 年的今天，我们和 AI 的交互，和 2022 年几乎没有本质区别。8 亿周活用户，每周都在重复打字、等回复、复制、粘贴的循环，枯燥又低效。 OpenAI 之所以招募 Walz，与其说是看中他那些脑洞大开的整活项目，不如说是看中了他骨子里的特质：打破固有框架、让技术变得有趣、可感、可互动的，把复杂的技术变成普通人能参与、能乐在其中的体验。

3月7日消息，今天小雷刷微博的时候被罗永浩的硬气给帅到了。因为他直接怒怼了一个微博算命大V。 这事说起来不算复杂，一个几十万粉丝的算命大V，靠着解读罗永浩的“八字”蹭流量，把老罗的人生轨迹说得头头是道，结果被罗永浩直接点名回怼。 图源：微博 这个算命大V网名叫乌拉拉，在社交平台上有几十万粉丝，靠着一套 “模糊预测+事后圆场” 的套路，收获了不少迷信的粉丝。 而他盯上罗永浩，说白了就是看中了老罗的热度。众所周知罗永浩自带话题BUFF，随便算一卦就能蹭一波流量。 这个大V到底给罗永浩算过些什么？ 第一次是去年9月，当时罗永浩早已还清6亿债务，重新开启创业之路，这个大V就翻出老罗的八字分析，说罗永浩早几年应该遭遇重大危机，只是消息爆出来晚了。 小雷实话说，罗永浩早年欠债6亿是公开事实，创业之人压力大更是常态，说两年内可能惹官非，这种模糊的预测，放在任何一个公众人物身上都能蒙对几分。 第二次是今年年初罗永浩现身B站颁奖晚会，领取年度新人奖时，奖杯不小心断成了两半，这事在网上小火了一把，这个算命大V又跳出来补刀。 图源：微博 他说，奖杯断裂是不祥之兆，正好印证了他之前的预测，罗永浩未来两年容易有官非、是非，2026、2027年尤其明显，轻则禁言，重则封号，甚至还有“被伤害”之意，让罗永浩务必谨慎。 但熟悉老罗的人都知道，他年初因为和贾国龙隔空对骂被禁言，这事发生在这个大V预测之前，说白了就是拿已发生的事包装成自己的“预言”，典型的马后炮。 然而真正让罗永浩忍无可忍的，是他做完胆囊切除手术后，这个大V又来蹭热度。 3月5日，罗永浩因为胆结石和胆囊腺肌症，在医院做了胆囊切除手术，第二天发文报平安。结果这个算命大V立马发文，说自己去年就预测罗永浩未来两年有“被伤害”之意，现在老罗切了胆，正好印证了他的预测。 这波操作直接把老罗惹毛了。 3月7日，罗永浩直接发文硬核回怼：“公然宣传封建迷信骗人，‘八字，奇门，风水，命理’，竟然还有几十万粉丝，这种怎么举报？” 图源：微博 而这一怼，也直接把这事推上了热搜，网友们瞬间炸开了锅。 力挺罗永浩的网友占了大多数，网友们表示“老罗干得漂亮”，“两年内谁不会遇到点事？感冒发烧也算被伤害？纯属耍流氓”，还有网友吐槽，“这种封建迷信账号居然有几十万粉丝，平台真该管管了”。 还有部分网友说，“老罗刚做完手术，犯不着跟这种人搭话，不值得”，还有人表示，“拿别人的病痛蹭流量太过分了”。 其实明眼人都能看出来，他的所有“预测”，要么是已经发生的事，要么是很模糊，怎么说都对的套话，没有任何实际依据。这操作，说白了就是利用网友的焦虑和迷信，收割流量罢了。 说到这里，最近罗永浩还分享了自己确诊ADHD的经历。他说自己44岁的时候，在儿科确诊了ADHD，也就是我们常说的“多动症”。 图源：微博 他坦言，这些年能撑下来，全靠体力、经验和时灵时不灵的药物支撑，吃了十几年的专注达，现在吃到最大剂量也没什么效果，体力更是大不如前，连续熬两三天不睡觉，心脏就会明显不适，脑子也无法正常工作。 小雷觉得，罗永浩这段时间确实过得挺难。但即便如此，他该硬刚的时候绝不手软，哪怕刚做完手术，也不惯着这些蹭流量的牛鬼蛇神，这大概就是罗永浩的魅力所在吧。 说到最后，你如何看待社交平台上所谓的算命大V？欢迎在评论区留言讨论。

快科技3月7日消息，iPhone 17e将于3月11日正式开启销售。这款新机的起售价定为4499元，而在享受国家补贴政策后，到手价仅需3999元起，进一步降低了入手的门槛。 尽管iPhone 17e还未正式开卖，但关于下一代产品iPhone 18e的消息已经接踵而至。据数码博主爆料，iPhone 18e的产品研发规划已经正式敲定。 按照目前的路线图，iPhone 18e预计将在明年上半年揭开面纱。与今年的发布节奏有所不同，明年上半年苹果会采取双机齐发的策略，同时发布iPhone 18标准版与iPhone 18e两款机型。 对于这款还在路上的新品，不少网友在社交平台的评论区表达了担忧。大家最关心的问题在于，苹果是否会继续在入门级机型上固执地沿用60Hz刷新率的刘海屏设计。 在iPhone 17e发布之际，该机就因屏幕配置引发了巨大的争议。主要原因在于，虽然苹果大方地为其配备了性能极其强悍的A19芯片，但在屏幕这一核心体验上，依然维持了多年前的60Hz刘海屏方案。 这种配置组合让iPhone 17e显得有些格格不入，在如今竞争激烈的手机市场中，它几乎成了同档位唯一一款依然坚持60Hz刷新率的机型，这与安卓阵营全面普及高刷屏的现状形成了鲜明对比。 不少用户吐槽认为，这种过于保守的硬件策略极大地削弱了产品的竞争力。尽管A19芯片的算力冠绝同级，但由于屏幕刷新率和刘海设计的限制，用户很难在日常滑动与视觉交互中感受到实质性的进步。 如果iPhone 18e依然延续这种唯处理器论的硬件组合，可能会面临更严峻的市场考验。毕竟对于当下的消费者而言，一块高素质的全面屏所带来的体验提升，往往比单纯的性能过剩更加直观且实用。

快科技3月8日消息，今日，阿里资产平台的一场黄金拍卖引发不少网友关注。 平台显示，三根各重1000克的足金标准金条在首轮公开竞价中全部成交。 其总成交额达322.95万元，三根最终成交价分别为107.6万元、107.9万元、107.45万元。 值得注意的是，三根金条单价折合约1070元/克，远低于当天市场金价。 根据上海黄金交易所数据，3月6日Au99.99现货收盘价为1139元/克。 而3月8日国内主流品牌金店足金工艺金条报价普遍在1390-1410元/克区间。 据悉，三根金条起拍价均为80万元，保证金4万元，加价幅度1500元，竞拍周期为24小时。 标的物显示，该批金条为长形黄色足金金条，外观良好，材质经检验确认为足金。 需要注意的是，标的物所在地在山东省济南市，买受人须在规定期限内自行前往山东济南提货。

新智元报道 编辑：犀牛 【新智元导读】Karpathy让Agent通宵跑了110次实验把模型练强后说了句「去桑拿了」，然后开源630行代码的autoresearch，一块GPU就能拥有一个永不下班的AI研究实验室——人类研究员的新工作，是写好提示词然后去蒸桑拿。 刚刚，Karpathy在x上发了一条让整个AI圈炸锅的帖子： ah yes, this is what post-agi feels like :) i didn't touch anything. brb sauna 啊对，这就是后AGI的感觉 :) 我什么都没碰。先去蒸桑拿了。 什么样的技术突破，能让这位AI大神如此淡定地撂下一句话就去蒸桑拿？ 答案是：他的AI Agent，在他睡觉的12个小时里，自主提交了110次代码变更，把一个语言模型的验证损失（val loss）从0.862415一路压到了0.858039——而且没有增加一秒钟的训练时间。 更炸裂的是，就在几天后，Karpathy把这套「AI自己搞科研」的方法论打包成了一个仅630行代码的开源项目——autoresearch，扔到了GitHub上。 项目地址：https://github.com/karpathy/autoresearch 上线刚几个小时，就已冲到了3k星标！ Karpathy表示，任何人只要有一块GPU，就能在一夜之间运行一个AI研究实验室。 这两件事叠在一起，构成了一幅前所未有的画面：AI不再只是人类的工具，它开始自己优化自己了。 而人类研究员的新工作，变成了——写一份提示词，然后去蒸桑拿。 nanochat 100美元训一个ChatGPT 故事要从Karpathy的nanochat项目说起。 nanochat是Karpathy在2025年10月开源的一个项目，口号相当炸裂——「100美元能训练的最好的ChatGPT」。 nanochat项目地址：https://github.com/karpathy/nanochat 它用大约8000行干净的PyTorch代码，实现了一个完整的、从零开始的语言模型训练流水线：分词、预训练、微调、强化学习、推理、Web UI，一条龙全包。 在一个8块H100 GPU的节点上，花4个小时左右，你就能训出一个可以跟你聊天的小型ChatGPT。 但nanochat真正让人兴奋的地方，不在于它有多便宜，而在于它有多「可迭代」。 整个项目围绕一个核心参数——Transformer的深度（depth）。 你只要拧这一个旋钮，其他所有超参数（宽度、头数、学习率、训练时长、权重衰减……）都会自动调整到计算最优。 换句话说，这是一个极简但极其精密的训练系统，天然适合用来做实验。 昨天，nanochat取得了一个里程碑式的进展：在单个8×H100节点上，仅用2小时就能训出GPT-2级别能力的模型。 一个月前这个数字还是3小时。 但真正的重头戏来了——Karpathy开始让AI Agent自动迭代nanochat的训练代码。 具体怎么玩的？ 他给AI代理写了一份大约120行的Markdown文档，相当于一份「任务说明书」，告诉AI：这个项目是干什么的，什么样的改进算好的（验证损失更低），什么样的改进不能接受（训练时间变长、内存爆炸、代码变得太臃肿）。 然后，AI Agent就开始在一个Git特性分支上自主工作：读代码、想主意、改代码、跑训练、看结果。 如果效果变好，就合并到主分支；如果效果变差或者训练变慢，就丢弃，重新来过。 结果呢？ 12个小时，110次代码提交，d12模型的验证损失从0.862降到了0.858，降了0.004——对于语言模型来说，这是一个实实在在的进步，而且是在不增加任何训练时间的前提下取得的。 有一个特别有意思的细节：其中有一次提交，AI代理确实把val loss降下来了，但训练时间变长了，于是被系统自动拒绝了。 Karpathy设的规则很严格——要么改善损失，要么改善速度，要么两个都改善，不能拆东墙补西墙。 更有意思的是Karpathy自己的反思。 他说，在过去两周里，他花在「调优AI代理的工作流程」上的时间，几乎比他直接改nanochat代码的时间还多。 他迭代的不是代码本身，而是「让AI更好地迭代代码的那套系统」——一个「元优化」的过程。 这意味着人类研究员的角色正在发生质变：从「亲手写代码做实验」，变成了「设计一个能让AI自动做实验的系统」。 Karpathy把这种感觉称为「后AGI（post-AGI）」。 当然，他自己也说这个说法半开玩笑——今天的AI代理在实现想法方面已经相当厉害，但在提出创造性的新想法方面还差得远，目前更接近于一个自动化的超参数调优工具，而不是一个真正的研究员。 但他紧接着说了一句意味深长的话：「随着AI能力的提升，这条路的方向是清楚的——AI在自主改进下一代自己。」 autoresearch 630行代码，一块GPU，5分钟一轮实验 如果说nanochat上的AI代理自动迭代是一次「概念验证」，那么autoresearch就是Karpathy把这个概念打包成了一个人人可用的开源工具。 Karpathy正式开源了autoresearch项目。 他给这个项目写了一段极具科幻感的序言： 曾几何时，前沿AI研究还靠着一群碳水化合物计算机——他们在吃饭睡觉摸鱼的间隙，偶尔通过组会仪式用声波互相吼两嗓子，就这么推进着人类的技术边界。 那个年代已经一去不返。如今，研究完全被AI智能体接管……据说代码已经迭代到了第10205代，但这数字真伪已无从考证——那些代码早已进化为能自我修改的二进制生命，远远超出了人类的认知范畴。 这个代码仓库，正是这一切故事的起点。 虽然这段话写的是「未来愿景」，但autoresearch项目本身的设计，已经在认真地朝着这个方向迈步。 autoresearch本质上是nanochat的「精简单机版」。 Karpathy把大模型训练的核心代码压缩到了一个约630行的Python单文件里，在单块GPU上就能跑。 整个项目只有三个核心文件： prepare.py —— 数据准备：下载训练数据、训练BPE分词器，还有运行时需要的数据加载器和评估工具。这个文件是固定的，AI不会碰它。 train.py —— 训练代码：包含完整的GPT模型定义、优化器（Muon + AdamW）和训练循环。从模型架构、超参数、优化器到批量大小，AI代理可以修改这里的一切。 program.md —— 人类写给AI的「指令书」：用自然语言描述研究目标和约束条件，人类研究员通过编辑这个文件来引导AI的工作方向。 项目的核心机制堪称精妙——固定5分钟训练时长。 不管你用的是什么GPU，不管AI代理怎么改模型大小、批量大小、架构设计，每一轮训练都精确控制在5分钟。 这个设计有两个好处：第一，所有实验结果直接可比，因为计算预算是固定的；第二，AI代理会自动为你的特定硬件找到最优配置。 你一晚上睡8个小时，AI代理大约能跑100轮实验。第二天早上起来，你面前摆着的是一份详细的实验日志，和一个（大概率）比昨晚更好的模型。 整个工作流被Karpathy概括为两句话： 人类负责迭代提示词（.md文件） AI代理负责迭代训练代码（.py文件） AI代理在一个Git特性分支上自主循环运行：改代码→训练5分钟→检查分数→如果更好就提交→如果更差就回滚→继续改。 每个提交都是一次经过验证的改进，像搭积木一样一层层往上垒。 而Karpathy为这个项目设定的终极目标，说出来有点疯狂：设计出能够无限期、无需任何人工干预、以最快速度取得研究进展的AI Agent。 一块GPU，一个文件，一个指标——这就是整个实验环境。 从「人做实验」 到「人设计做实验的AI」 传统的AI研究是这样的：一个博士生（或者一群博士生）想到一个idea，写代码实现，跑实验，看结果，改参数，再跑，再看，周而复始。 Karpathy自己就说，这基本上是他整个博士期间做的事情。 一个idea从提出到验证，可能要花几天甚至几周——因为人要吃饭，要睡觉，要开组会，要跟导师battle，要修bug修到怀疑人生。 现在呢？ AI代理不吃饭不睡觉不摸鱼不抱怨，它24小时不停地跑实验，5分钟一轮，一晚上100轮。 它不会因为连续跑了20次实验都失败了就心态崩了去刷社交媒体——它只会冷静地分析结果，调整策略，继续下一轮。 当然，Karpathy自己也坦率地承认：AI现在非常擅长实现想法，但在提出真正创造性的新想法方面还差得远。 autoresearch目前的工作方式，更像是一个极其勤奋且不知疲倦的「超参数调优工程师」，而不是一个能提出变革性理论的研究员。 但关键在于——趋势是清晰的。 Karpathy说的那句话，几乎可以作为这个时代的注脚： AI在自主改进下一代的自己，人类研究员偶尔往里面扔几个想法就行了。 这不是科幻，这是今天正在GitHub上开源运行的代码。 而autoresearch的开源，让这件事的门槛降到了令人瞠目的程度。 现在，一个独立开发者，一块GPU，一份精心写好的提示词，就能在一夜之间跑完一个小型研究实验室一周的工作量。 这对整个AI开发生态的潜在影响是深远的。 中小团队甚至个人开发者，也能参与到模型训练和优化的竞技场中。 AI研发的民主化，正在从获取模型（开源权重）推进到优化模型（自动化实验）。 更深层次地看，autoresearch代表的是一种新的「人机协作范式」：人类负责定义问题、设定约束、提供方向性的直觉；AI负责在巨大的搜索空间里不知疲倦地试错和优化。 人类的创造力和AI的执行力，第一次以一种系统化的方式结合在了一起。 去蒸桑拿吧 世界正在被改写 回到Karpathy那条著名的帖子——「this is what post-agi feels like, brb sauna」。 这句话的妙处在于，它既是一句玩笑，也是一个真实的信号。 当一个AI领域最顶尖的研究者，能够放心地把模型优化的工作交给AI代理，自己去蒸桑拿而不是在电脑前盯着训练日志——这本身就说明了一些深刻的东西。 AI自主工作的能力已经跨过了一个临界点：它不仅能执行明确的指令，还能在一个真实的、开放的研究环境中，自主地发现改进空间并付诸行动。 Karpathy为autoresearch写的那段序言里有一句话特别值得玩味——这个代码仓库，正是这一切故事的起点。 这不是终点，这只是结束的开始。 AI代理在今天还只是一个不知疲倦的调参高手。 但明天，当模型能力再上一个台阶，当它们不仅能实现想法还能提出想法的时候——那个Karpathy笔下「代码进化为自我修改的二进制生命」的科幻场景，或许并没有我们想象的那么遥远。 到那时候，也许我们所有人都该去桑拿了。

编辑：定慧 就在刚刚，Google Research团队用Gemini Deep Think + 树搜索框架，独立攻克了一个理论物理领域的未解积分难题——宇宙弦引力辐射功率谱的精确解析解。AI探索了600条候选路径，找出6种解法，最优雅的那条，让人类物理学家都拍案叫绝。 震惊，AI科学家真的要来了！ 谷歌发布了最新（3月6日）一篇论文，一石激起千层浪。 Gemini Deep Think联手树搜索算法，独立破解了理论物理的开放难题！ 一个人类顶级研究团队公认「难得不知从哪下手」的问题，被这套AI系统硬生生地解出来了。 论文地址：https://arxiv.org/pdf/2603.04735 这篇论文非常具有突破性！ 简单来说，AI解开人类物理学家之前没能解开的复杂数学/物理难题。 联想到此前，Claude帮高德纳解决图论猜想的消息刷屏。 如果说高德纳论文中Claude攻克图论猜想，是AI在离散数学领域的突破。 那么谷歌这篇论文，则代表AI在连续数学和理论物理领域的全面进攻。 一个是组合数学，一个是数学物理。两件事几乎同时发生，构成了2026年3月最具标志性的「AI科学家」事件。 AI，正在人类最核心的智力领域全面开花。 宇宙弦 一个让所有科学家着迷的终极问题 宇宙弦（cosmic strings），是宇宙学中一种假设的一维拓扑缺陷结构，诞生于宇宙早期相变。 这东西振动时，会向外辐射引力波。 而近年来，脉冲星计时阵（Pulsar Timing Arrays，简称PTA）首次观测到了疑似宇宙弦的引力波背景信号，理论物理界因此对宇宙弦的研究热情空前高涨。 要预测宇宙弦发出的引力波信号，就必须精确计算它的引力辐射功率谱（power spectrum）。 具体来说，有一个核心积分 I(N, α)——描述宇宙弦环第N谐波发出的辐射强度。 这个积分看起来简单，但积分区域是个球面，被积函数在边界处存在奇点（e₁,₂ = ±1时），导致标准数值积分根本不稳定。 用经典的勒让德多项式展开？权函数不匹配，爆炸。 过去的研究，只能给出大N时的渐近解，或者奇数N的部分结果。 精确、统一的解析解，多年来一直是悬案。 直到Gemini Deep Think出手。 一句话科普论文解决了什么问题。 AI计算出了一种名为「宇宙弦」发出的引力波的精确数学公式。为了计算这个引力波的功率，物理学家需要解开一个非常复杂的数学积分公式。这个公式里有「奇点」（Singularities，类似于数学上除以0那种让计算崩溃的地方），导致传统的数值计算方法常常失效。 在过去的几年里，人类物理学家和早期的AI尝试过，但只找到了一些「部分解」或者「近似解」，一直没有找到一个统一、精确的解析公式。 难道人类科学家的问题 被Gemini攻克了 与Claude解决高德纳问题时的31步研究式探索类似，Gemini解决这个问题的方式也非常像一个训练有素的研究团队在工作。 谷歌团队没有让AI裸奔。他们搭了一套精密的「神经符号系统」： Gemini Deep Think + 树搜索（Tree Search）+ 自动数值反馈 三者缺一不可，协同作战。 Gemini Deep Think负责「大脑」：生成数学假设，进行符号推导，判断哪条路径「看起来优雅可行」。 它不是简单地暴力试验，而是被指示进行深度推理链，提前预判无穷级数展开时的收敛问题。 树搜索（Tree Search） 负责「系统性探索」：把整个解题空间建成一棵大树。 每个节点代表一个数学中间表达式——用LaTeX写出来，同时配上自动生成的Python代码，让计算机去数值验证。 搜索策略采用了PUCT算法（置信上限树搜索），这和AlphaGo下棋的底层逻辑一脉相承——在「开采已有好路径」和「探索新可能」之间保持平衡。 自动数值反馈负责「质量控制」：每一步推导完成后，立刻用高精度数值计算去核验符号结果是否正确。如果对不上，这条路径直接砍掉。 这一步最为关键：每当模型提出一个中间步骤，系统就会自动执行对应的Python代码，与高精度数值基准进行比较。如果发现数值不稳定、发散或执行错误，系统会把错误信息和误差反馈给模型，让它自主修正。 整个过程中，AI一共探索了约600个候选节点。 其中超过80%被自动验证器以「代数错误」或「数值发散」为由剪枝淘汰——包括灾难性抵消误差、不稳定的单项式求和、病态的基变换等。 只有少数路径，挺过了层层筛选，最终胜出。 这不是暴力搜索猜答案，而是真正的「AI驱动的数学研究」。 600条路，AI找到了6种解 经过系统探索，Gemini Deep Think一共找到了6种不同的解法，分为三大类： 第一类：单项式展开（Monomial Basis Approaches） 核心思路是把函数展开为幂级数，然后用不同的技巧计算积分。 方法1用生成函数方法，构造指数型生成函数，利用高斯积分求解。 方法2用高斯积分提升，把球面积分提升到三维空间中，转化为标准的高斯积分。 方法3是混合坐标变换，先展开为幂级数，再投影到Legendre基底上。 这三种方法数学上正确，但存在数值不稳定性——当N变大时，会出现大数相减导致精度损失的问题。 方法1：生成函数法（Generating Function） 方法2：高斯积分提升法（Gaussian Integral Lifting） 方法3：混合坐标变换法（Hybrid Coordinate Transformation） 这三种方法都基于幂级数展开，思路扎实。 但有个致命弱点：当N→∞时，数值不稳定，出现灾难性抵消误差。 第二类：谱分解（Spectral Basis Approaches） 这两种方法利用了Funk-Hecke球面卷积定理，直接在Legendre谱空间中工作。 方法4：谱Galerkin矩阵法，把问题转化为一个三对角线性方程组来求解。 方法5：谱沃尔泰拉递推法（Spectral Volterra Recurrence Method），推导出系数的前向递推关系。 这两种方法数值稳定，计算复杂度仅为O(N)，比单项式方法快了整整一个数量级。 第三类：精确解析解（The Analytic Solution） 方法6：格根鲍尔方法（Gegenbauer Method） 这是最优雅的方法——Gegenbauer方法。 AI发现了一个绝妙的思路：选择Gegenbauer多项式作为展开基底，而这类多项式的正交权函数恰好是(1-t²)，正好与被积函数分母中的奇异因子完全抵消！ 这样一来，原本令人头疼的奇异积分，变成了一个完全正则的积分。 通过分部积分和标准恒等式，AI推导出了精确的闭合公式，甚至最终得到了一个优美的渐近表达式。 也是此次AI给出的王者之选。 最优雅的解法，让物理学家心动了 格根鲍尔多项式，Gegenbauer polynomials，记作 Cₗ^(3/2)(t)）。 这是一种定义在[-1,1]上的正交多项式族，而它的权函数 w(t) = 1 - t²，恰好能自然地消去被积函数的奇点。 这不是凑巧，这是Gemini识别出的深层数学结构。 具体思路是这样的： 将被积函数 fN(t) 展开成格根鲍尔多项式的线性组合，利用正交性确定各展开系数。 关键时刻到来——权函数与分母相消，原本让人头疼的奇点，就这样被优雅地「吸收」进去了，留下的是一个完全正则的积分。 随后，借助恒等式 Cₖ^(3/2)(t) = Pₖ₊₁'(t)（格根鲍尔多项式与勒让德多项式导数的关系），以及分部积分，积分进一步化简为勒让德多项式的傅里叶变换形式。 最终，结果可以用余弦积分函数Cin(z)精确表达——一个封闭的解析表达式，无需数值近似，适用于任意环几何结构下的任意N。 谷歌团队在论文中写道——格根鲍尔方法是这6种解法中最优雅的，因为它在数学上最自然地处理了积分的奇点结构。 更惊艳的是：在寻找大N渐近行为时，Gemini还自主发现了与量子场论中费曼参数化的内在联系——这是一个跨越物理子领域的深层数学统一性，连人类研究者都没有预先料到。 人机协作，而非AI单打独斗 要特别说明的是，谷歌团队对这一过程的描述非常诚实—— 初始的6种解法，是树搜索框架自动找到的，格根鲍尔方法最初给出的是一个无穷尾和形式的精确解，数学上无误，但不够简洁。 为了把它化为真正的有限封闭形式，一位人类研究者手动介入，把中间结果喂给一个更大、更强的Gemini Deep Think版本，要求它严格验证已有证明并寻找进一步化简。 在这次人机交互中，高级模型独立发现了方法5（谱沃尔泰拉递推法）初始表述中的一个错误，并在修正后识别出方法5和方法6的等价性——这使得方法6中的无穷尾和可以被精确「折叠」成有限形式，最终得到用余弦积分表达的漂亮解析解。 这是一次协同接力，而非完全自主的AI发现。 但这反而更重要——它展示了一种真实可行的人机协作范式。 谷歌团队在结论中保持了科学谦逊： 「我们并不声称这个物理问题本身具有深刻意义，但AI系统能够轻松解决它，对于加速科学发现过程具有重要潜力。」 但这句话的另一面同样值得细品—— 所谓的「轻松」，是站在600次探索、80%淘汰率之上的。 这不是聪明的运气，这是系统化的智识搜索。 几十年来，物理学家和数学家们普遍认为，符号推导、理论发现，是AI最难触碰的圣域——因为这需要真正的数学直觉，需要从茫茫解法空间中识别出「优雅」。 但格根鲍尔方法告诉我们：AI正在发展出某种类似直觉的能力。 它不是随机试错，它在评估解法的优雅程度，在识别数学结构的深层美感。 这一次，是宇宙弦的引力波谱。 下一次，也许是弦论中更深的方程，也许是量子引力中的核心积分。 人类提出问题，AI系统化探索结构，人类完成最后的意义诠释—— 这种新型科研模式，已经不再是科幻，而是正在被谷歌用一篇论文，白纸黑字地写下来。 「神经符号系统」，AI科学发现的基础设施 值得关注的是，这篇论文所使用的树搜索框架，并非一次性的专项工具，而是有系统性方法论的可复用框架。 谷歌团队在附录中详细公开了： 完整的系统提示词（System Prompt） 评估验证的代码实现 「负向提示」（Negative Prompting）策略——这是强制AI探索不同解法方向的关键技巧 所谓负向提示，就是在AI找到一个有效解法后，明确告诉它「不要再用这个方法」，强制它另辟蹊径，继续探索——这样才有了从方法1到方法6的多样解法。 这种方法论本身，就是一个可以迁移的科研工具。 今天用于宇宙弦，明天可以用于材料科学、量子化学、纯数学中的未解猜想。 AI正在叩开理论物理的大门 回顾这件事，有一个细节让人印象深刻。 在机器学习领域，大家早就习惯了AI能做的事：识别图片、生成文本、下棋、写代码…… 但推导符号数学、独立识别数学结构的奇点并找到消除它的优雅方法——这件事，此前被认为几乎不可能。 因为数学发现不是搜索，是「顿悟」。 然而Gemini Deep Think的案例告诉我们——「顿悟」也许可以被分解成： 足够大的搜索空间 + 足够精密的评估标准 + 足够强的推理能力。 三者叠加在一起，就可以涌现出看起来像「直觉」的东西。 AI，已经准备好成为数学家、物理学家以及所有科学家的最强搭档。 这，也许真的只是一个开始。

3月7日晚，一部名为《霍去病》的AI“短剧”引发网友关注，3人48小时做出5亿播放量AI短剧登上热搜榜。有报道称，该部“短剧”有80集，导演为此前从未从事过影视相关行业的杨涵涵。制作团队包括杨涵涵在内只有3人，仅耗费48小时和不到3000元，便做出这部全网播放量破5亿的“短剧”。 对此，杨涵涵在其社交平台账号进行澄清说明。杨涵涵表示，3000元的成本仅仅是算力成本，不包含人力成本等其他成本。团队也并非网传的“3人”，而是将近20人的团队。 此外，也不存在80集的《霍去病》短剧，只有两支4分多钟和6分多钟的短片。制作时间“48小时”的时长并不包含吃饭、睡觉等休息时间，仅为工作时间。 至于网传的5亿播放量，杨涵涵回应，她的信源来源于媒体，自己也是采信了媒体的统计数据，“我个人无法对这个数据准确统计”。 红星新闻记者 毛渝川 任宏伟 编辑 袁诗葭

快科技3月8日消息，今年除夕当天阿里发布了千问Qwen 3.5系列大模型，之前发布的是高端大尺寸系列，前几天发了四个小尺寸模型Qwen3.5-0.8B/2B/4B/9B。 玩过Qwen模型的网友都知道，小尺寸的AI模型是它们的灵魂，本地部署的吸引力是无法抵挡的，而Qwen 3.5系列这次不仅小，性能也够强，其中9B版性能就媲美gpt-oss-120B。 实际表现可能还要出乎大家的意料，N8 Programs日前实际测试了一下验证官方所说的4B版跟GPT-4o一样好的说法。 先说结论，大多数情况下还是这样，Qwen 3.5-4B在测试中跑赢了GPT-4o这样的主力大模型。 他使用了WildChat数据集里的1000个随机问题，让两个大模型都做答，然后用目前最强的大模型Opus 4.6做判断，最终Qwen 3.5-4B在1000个问答中赢了499个，输了431个，平局70个，可见千问官方还是很实在的宣传。 要知道Qwen 3.5-4B就是个40亿参数量的小模型，而GPT-4o还是很多人的主力模型，其参数量高达2000亿（具体数字OpenAI官方没提过，微软论文证实过），Qwen 3.5-4B只用了后者2%的参数量就做到了性能略强。 Qwen 3.5这几个小模型当然不可能什么都超过目前的顶流模型，但本地部署的话非常合适，理论上8GB显存就能跑4B模型，实际推荐16GB显存，然后再量化优化下，网上有很多教程，感兴趣的网友可以去玩玩。 下面的内容是千问发布时的介绍和性能对比： 0.8B / 2B：极致轻量，端侧首选 特点：体积极小，推理速度极快。 场景：非常适合移动设备、IoT 边缘设备部署，以及低延时的实时交互场景。 4B：轻量级 Agent 的强劲基座 特点：性能强劲，多模态基座模型，适合 Agent。 场景：适合作为轻量级智能体的核心大脑，完美平衡了性能与资源消耗。 9B：紧凑尺寸，越级性能 特点：结构紧凑，但性能媲美 gpt-oss-120B，让人惊艳。 场景：适合需要较高智力水平但受限显存资源的服务器端部署，是性价比极高的通用模型选择。

新智元报道 编辑：peter东 【新智元导读】Cursor提出AI编程「第三时代」：云端智能体具备计算机使用能力，可自主规划、编码、调试、交付，35%代码已由AI完成，程序员转型AI协作架构师。 AI编程的权力结构正在重排： 2024年，Copilot式Tab补全把AI变成效率杠杆； 2025年下半年，智能体把交互推到「提示—响应」的同步循环； 而最近，一种更高阶的形态正在成型——云端Agent以资源解耦与富媒体汇报为前提，具备长时序自主规划与迭代能力，开始以「可评审工件」而非代码片段的形式交付成果。 Cursor披露的数据与用法迁移，正在把这条曲线清晰地画出来。 Cursor CEO：AI软件开发的第三时代 最近，AI编程工具Cursor CEO Michael Truell有感而发，划分了AI软件开发的三个时代。 回顾过去五年，AI赋能软件开发可分为三阶段，每一阶段的用时越来越少。 第一阶段发生在2024年，以Tab自动补全为标志。GitHub Copilot等产品让AI成为「超级输入法」，擅长处理低熵、重复性代码片段。这一阶段的核心价值是「效率杠杆」——开发者仍主导逻辑设计，AI负责减少击键次数。 第二阶段发生在2025下半年，伴随智能体能力的崛起。模型上下文窗口扩大、工具调用能力增强，这让开发者可以通过「提示-响应」的同步循环，指挥AI编写特定模块。但此时的人机交互仍是「手把手」模式：每一步决策、每一段输出，都需要人类实时审阅与纠偏。 在过去一年中，Cursor中的智能体使用量增长了超过15倍。如今，大多数Cursor用户几乎不会再按Tab键。 2025年3月，Cursor的Tab用户数量大约是智能体用户的2.5倍。现在情况已经反转，智能体用户数量是Tab用户的2倍。 当下，AI编程的第三阶段正在加速降临。 Cursor团队在最新博客中提出：新一代智能体将具备在更长时序上自主规划、迭代与交付的能力。它们不再依赖开发者逐条指令，而是像一组资深工程师注册的开发团队，接收目标、拆解任务、调用工具、验证结果，最终以」可评审的工件」形式，向用户交付成果。 云端Agent， 开启并行开发新范式 第三阶段的AI辅助开发，与之前究竟有何不同之处，还需要从第二阶段本地运行的智能体说起，尽管这一阶段看起来不会持续一年时间，却是承上启下的关键。 与Tab相比，智能体在更高的抽象层上工作。它们处理需要上下文，在完成任务时运用判断力，但每一步都需要开发者参与其中。这种实时地交互，再加上智能体会在本地机器上竞争资源这一事实，意味着在同一时间实际可用的智能体只能是少数。 而云端智能体就不存在资源和注意力瓶颈。每个智能体运行在自己的虚拟机上，让开发者可以将任务交给它处理，然后转去做别的事情。智能体会在数小时内持续工作，反复迭代和测试，直到对输出足够有信心，并以一种便于快速审阅的形式，例如日志、视频录像和实时预览等方式向用户汇报进展。 由于智能体提供的预览为用户提供了足够的上下文来评估输出，而无需从零重建每个会话。人的角色也从逐行引导代码编写，转变为定义问题并设定评审标准。 资源解耦与富媒体交互使并行运行多个智能体变得切实可行。 这反映到数据上，就是在Cursor内部的代码提交中，已有35%是由在云端虚拟机中自主运行的智能体创建的。开发者用脚投票，选择了云端智能体这种更高效的方式。 实战场景 智能体如何完成复杂任务 Cursor展示了云端Agent在真实开发场景中的四大应用，分别是 1 构建新功能：智能体接收「为插件组件添加源码链接」的指令后，自主解析文件结构、构造GitHub链接、更新前端逻辑，并录制自己点击验证链接有效性的全过程视频，最终提交可直接合并的代码提交。 2 复现安全漏洞：面对「剪贴板窃取」漏洞描述，智能体自主构建HTML演示页面、启动本地服务器、在应用内浏览器中加载并执行攻击流程，最终输出包含操作录像与截图的详细分析报告，大幅降低安全团队的复现成本。 3 UI自动化测试：智能体对文档站点进行45分钟全流程走查，测试侧边栏、搜索、主题切换等十余项功能，自动生成测试总结与异常截图，将QA效率提升数倍。 4 快速修复与验证：针对「Lint标签动态更新」需求，智能体不仅实现逻辑代码，更在桌面应用中分别测试「有错误」与「无错误」两种状态，录制验证视频确保修复效果符合预期。 这些场景的共同特征是：Agent不再局限于「生成代码片段」，而是具备「端到端交付可验证功能」的完整能力链。 人机重构 程序员成为「AI车队」指挥官 软件开发正变得如自动驾驶一般流畅，在这个未来里，智能体会合并代码提交、管理发布和监控生产环境。我们将从一个开发者使用智能体来创建代码的世界，走向一个由智能体端到端交付已测试功能的世界。 要真正实现这一转变，需要持续改进工具链、模型以及交互模式。开发者在云端智能体时代，需要能协调多智能体间的协同工作，并构建能够从过往运行中学习、随着经验积累而变得更高效的模型。 采用云端智能体这种全新工作方式的开发者通常具有以下三个特征： 1.几乎100%的代码都由agent编写。 2.他们把时间花在拆解问题、审查结果以及提供反馈上。 3.他们会同时启动多个agent，而不是手把手地引导单个agent直至完成。 在这种范式下，AI能写多少代码，取决于人类开发者如何重新定位自身价值。 开发者需要培养的技能要从「手写优雅代码」转向「精准定义问题边界」，「设计鲁棒的验收标准」以及「高效协调多智能体协作」。 编程语言的语法细节或许不再关键，但系统思维、领域知识与质量判断力将变得愈发珍贵。 在这种方式成为软件开发的标准实践之前，还有大量工作要做。在大规模的工业化场景下，那些单个开发者能绕过的不稳定测试，或是被损坏的运行环境，会演变成导致智能体每次运行都被中断的故障。 AI编程工具的开发者需要确保智能体能尽可能高效地运作，并完整获取其所需的工具和上下文。 此外，对于像飞机控制软件这样的涉及生命的场景，人们对智能体开发对软件普遍信心不足。如何确保智能体不会因为幻觉而不进行相应的测试，也需要开发者关注。

IT之家 3 月 8 日消息，据市场调研机构 Jon Peddie Research 数据，2025 年台式机独显出货量达 4428 万张，达本十年第二高水平，同比增长近 1000 万张。然而去年大多数卖出去的显卡都是英伟达 GeForce，AMD Radeon 显卡销量则跌到了历史最低。 2025 年全年，行业共出货 4428 万张显卡，高于 2024 年的 3470 万张，增长的主要原因是英伟达推出了 Blackwell 架构的 GeForce RTX 50 系显卡。 台式机独立显卡的销量则在 2025 年第三季度达到巅峰，出货 1200 万张。第四季度出货量 1148 万张，环比略有下降，但高于上一年同期的 840 万张。常规情况下，PC 玩家会在新 3A 大作发售前升级硬件，独显的销售高峰一般会出现在第四季度，但在 2025 年，多种因素导致这一规律并未出现。 Jon Peddie 对此解释道：“这种现象的主要原因是 AIB 市场受到双重挤压：一方面性能越来越强的笔记本、核显如雨后春笋般出现；另一方面高端市场愈发受到价格上涨压力，这与供需关系、显存价格暴涨以及关税有关”。 市场份额方面，英伟达在 2025 年全年制霸市场，第一季度市场份额 92%，第四季度则上升到 94%。相比之下 AMD 在第一季度占 8% 份额，然而到了第四季度下滑到 5%，是 AMD、ATI 历史以来最低水平，原因可能是 RX 9000 系显卡的早期供应不足。 并且 AMD 这边也在不断流失用户，其显卡出货量从第一季度的 74 万张下降到第四季度的 57 万张，这一数字同样是 AMD、ATI 有史以来的最低水平。 不过集显（IT之家注：iGPU）市场这边，AMD 则拥有显著份额，毕竟大部分桌面版锐龙处理器都带有集成显卡。当然这个市场与独显完全不同，用户忠诚度、利润水平都远低于独显。 由于 GPU 供应受限、GDDR 显存价格高企以及地缘政治不确定因素增加，Jon Peddie Research 预计 2026 年台式机显卡市场将同比下降 10%。

编辑：Aeneas KingHZ 【新智元导读】大四学生，十天Vibe Coding，3个月拿下3000万投资，把毕设做成了公司！随着国产开源项目MiroFish登顶GitHub趋势榜榜首，一个人做出全球爆款的「超级个体」时代，真的来了。 一觉醒来，国产开源AI项目MiroFish登顶GitHub趋势榜榜首！ 让人没想到的是，超越OpenAI、谷歌、微软等机构的开源项目的MiroFish，背后是一个国内大四学生，仅仅3个月的时间，就拿下3000万投资。 靠一个AI开源项目，他直接把自己的毕设变成了创业公司，还成为公司CEO？ 这不是什么神话，是这个AI时代真实发生在国内的故事。 更神奇的是，此前他的BettaFish项目，也曾登上GitHub全球趋势榜第一。 这两个项目不仅都曾登顶榜首，而且都是靠这位00后小孩哥，在10天内vibe coding出来的。 当我们进入细节，就会发现背后的时代意义：超级个体的时代，真的来了！ 当AI工具、开源社区和年轻开发者的力量叠加，一个人，就是一支创新军团。 未来，还会有更多超级个体，产生更多的AI时代创业神话。 大四学生的三个月 从GitHub爆红，到3000万投资 故事的开始，看起来很平常。 2025年夏天，大四学生BaiFu还在为实习焦虑。 那时候，他的升学去向尘埃落定，于是想提前把毕设做完，这样就能腾出手去找实习了。 他没有选择从零手写上万行代码，而是打开Claude Code这类工具，开始了当时非常流行的开发方式——Vibe Coding。 十天之内，他把大学几年的积累整合成一个开源项目，名叫BettaFish。 这是一个AI舆情分析工具，可以自动抓取网络舆情信息，并生成结构化的分析报告。 「微舆」帮助大家破除信息茧房，还原舆情原貌，预测未来走向，辅助决策 用户只需像聊天一样提出分析需求，智能体开始全自动分析国内外30+主流社媒与数百万条大众评论。 技术上，它结合了自动化数据抓取、大模型分析、自动报告生成，最终能输出一份数十页的舆情分析文档。 对很多企业来说，这样的工作通常需要一整个团队完成，而BettaFish尝试用AI将这一过程自动化。 不过BettaFish刚完成时，并没有被寄予太多厚望。甚至BaiFu的博士学长看了之后直接痛批：「这不是一个合格的毕设，你得再花心思改改。」 1000 star后，奇迹出现 项目上线后，果然也没有太大动静。 BaiFu像很多独立开发者一样，尝试各种形式的推广，比如给开源周刊和公众号投稿、在b站发视频、在技术社区发帖等等，但效果并不明显。 经过努力宣传，项目终于到了1k star，没想到，这居然成为BettaFish的第一个流量转折点。 对此，BaiFu已经觉得非常满意，于是写了一篇总结文章，发到小红书上，名为《1K+ Star的开源项目能给一个大学生带来什么》。 谁能想到，文章发布一周后，奇迹出现了！ 文章被技术社区多位大V转发、推荐。 随后，BettaFish的GitHub页面开始出现明显的流量爆发，Star数以惊人的速度增长——5K，10K，20K，30K…… 短短几天，项目新增Star就超过了2万！ 由此，BettaFish迅速登上GitHub全球趋势榜第一，也成为当时国内AI开发圈讨论最多的开源项目之一。 这个项目爆火后，大量邮件开始涌入BaiFu的邮箱，比如大厂的实习邀请，技术合作邀请，甚至还有投资机构的橄榄枝。 之后，项目的用户数增加，相关需求爆发！大量用户的激增，给他带来了巨大的压力。 盛大的电话 在犹豫不定、陷入迷茫很久之后，Baifu决定All in创业，此时，一个电话，改变了事情的走向。 盛大集团创始人陈天桥看到BettaFish后，展现出极大兴趣，希望和他进一步交流。 当时邮箱爆满的BaiFu，几乎没有时间回复，但盛大团队锲而不舍地一直联系他，最终他被这份热忱感动，同意聊一聊。 在随后的谈话中，BaiFu被打动了。他真切地感受到，盛大对于「拥抱超级个体」这件事，比其他任何公司都认真。 陈天桥直言不讳地表示，BettaFish的技术水平并非特别出色。 但是，BaiFu在项目中展现出的从数据收集、分析到预测全流程的完整规划，以及那种「看见并定义真实有价值的问题，并尝试用AI的新方式去解决」的行动力，正是盛大所看重的。 挂完电话，BaiFu没有半分犹豫，背起行囊只身来到上海，和盛大开始合作。 MiroFish诞生 十天开发第二个项目 在盛大的支持和给予的充分自由下，BaiFu开始着手实现一个新想法。 如果说BettaFish解决的是分析过去，那么新的项目想解决的，就是预测未来。 这个名为MiroFish的项目，核心思路就是构建一个模拟真实世界的数字沙盘。 本质上，MiroFish是由多智能体技术驱动的AI预测引擎。 它能从现实世界提取种子信息，如突发新闻、政策草案和金融信号，并自动构建一个高保真的平行数字世界。 在此空间内，智能体数以千计，构建了一个「平行宇宙」。 而每个智能体拥有独立性格、长期记忆和行为逻辑，可以自由互动并进行社会演化。 这一次，BaiFu再次选择Vibe Coding，依旧神速—— 仅用十天，MiroFish的开发就完成了。 当天晚上，BaiFu看着跑通的程序，激动地录制了一个粗糙的demo，直接递交给陈天桥。 视频递交的24小时内，二人就展开了第二次谈话，陈天桥当场拍板：集团注资3000万，全力支持MiroFish的深度孵化！ 一夜之间，BaiFu从盛大实习生，变身为AI创业公司的CEO。 MiroFish比BettaFish走的更远： BettaFish分析的终点，变成了MiroFish预测的起点。 从原始数据到智能决策，真正的闭环开始形成。 MiroFish团队的目标很明确：打造一个能够模拟现实世界的AI预测系统，从金融市场到社会事件，从商业决策到创意实验，让未来在数字世界中提前演化。 凡是现实中可变现的预测任务，都是MiroFish的目标场景。 MiroFish的目标应用场景：金融决策支持、政策舆论预测、公关危机模拟、营销策略测试、故事与虚构推演、学术研究支持 目前，该项目在Github上已有5.7K星标🌟，体验网站如下👇： 连续两个开源项目都登顶GitHub趋势榜第一，并且都是十天。 BaiFu成功证明了「Vibe coding，潜力无穷」，而他本身是超级个体的中国样本！ 不止硅谷， 一人公司正成为主流 这两个项目之所以都能在十天完成，很大程度上，就是得益于Vibe Coding这种全新的开发模型。 有目共睹：AI，正在改变个人生产力的边界。 过去，一个完整的产品需要大量岗位去完成。而如今，一个人借助AI工具，就可以成为一个团队。 前者可以在10天做出100分产品，后者却可以在1天内，就做出70分的产品。AI时代，速度本身就是竞争力！ 这种「一人公司」（One-Person Company，简称OPC）的超级个体，如今已经在硅谷成为主流。 最明显的例子，就是最近炙手可热的龙虾之父——Peter Steinberger了。 这只风靡全球的龙虾智能体OpenClaw，仅仅出自他一人之手。 仅凭一人之力，他做出的OpenClaw，就彻底颠覆了消费级智能体! 巧的是，OpenClaw所代表的范式转移，恰恰为一个人公司提供了最核心的虚拟员工，让这场革命成为可能。 类似的例子，还有Anthropic的Claude Code之父Boris Cherny。要知道，Claude Code完全是他的一个副业项目! 在30天里，Boris Cherny曾经新增了4万行代码，删除了3.8万行代码，但每一行代码都是由Claude Code+Opus 4.5编写的 此外，还有用AI营销引爆全城的23岁CEO Jaspar Carmichael-Jack。 凭借旧金山街头极具争议的广告牌，他让自己的一个人公司Artisan一夜成名，筹集了超过3500万美元的资金。 广告牌：「停止雇佣人类，雇佣AI销售智能体Ava」 21岁的Karun Kaushik和同学在MIT宿舍里做出的AI工具Delve，切入了一个极其专业的领域——数据合规，瞄准AI大潮下所有公司面临的紧箍咒。 最终，Delve成为了融资3530万美元的大公司，仅由两个大学生做出。 「一人公司」商业模式最成功的践行者，应该就是Dan Koe了。 他的一篇《一天修复你的整个人生》在X平台获得1.5亿浏览量，但他真正的财富密码，是背后年入超400万美元的付费订阅、电子书和AI工具帝国。 他教会无数人如何利用AI辅助写作、建立个人品牌，将「成为超级个体」本身，直接做成了一门大生意。 类似的例子，不胜枚举。 这些案例背后其实指向的是同一件事： AI正在把过去分散在多个岗位上的能力，压缩到一个人身上。 早在2024年，OpenAI的CEO奥特曼就曾公开预言：「一人独角兽即将到来」。 随后，这个观点被YC、a16z等VC机构放大为共识。 Carta的量化数据表明：如今36.3%的新公司，都是solo founder创立的。 这就更加证明，「一人公司」的理念不是炒作，而是真实注册与融资行为变化。 硅谷已用无数案例证明：「一人公司」正成为主流的创业路径。中国，也在快速跟进。 对于这个时代， BaiFu自己已有判断：「知识正在被平权化，很多过去需要十倍百倍精力才能摸到门槛的东西，很快都会被拉到大众面前，只是时间问题。」 「超级个体」不只体现在编程上。 之前，要找一个既懂编程又懂AI、还会剪辑做动画的人，几乎难如登天；但现在，用AI视频剪辑+Vibe Coding工具，做到「编程+AI+剪辑动画」并不难。 现在还处于早期阶段，完全可以想象一两年后： 一个人完成调研、设计、美术、开发、营销的全部动作，会越来越常见；成本越来越低，但回报上限越来越高。 工具在加速，协作范式在加速，人的边界也在被推开。 未来，他相信想象力、idea成为新的生产力，而AI成为关键—— 我们应该广泛学习，广泛驾驭各种AI工具，让想象力成为第一生产力； 技术不再是唯一壁垒，一个切中时代脉搏的idea其价值被空前放大； 速度决定生死，市场机会稍纵即逝； 在几天内将想法变为现实并推向市场，关键在利用AI工具的能力。 这就是他所理解的Vibe Coding，他所相信的超级个体时代。 MiroFish真正让人兴奋的地方，在于它告诉所有人： 下一个改写行业的人，可能不在大厂会议室里，而在宿舍、出租屋、咖啡馆，甚至就在你身边。 超级个体的浪潮，已经来了。 未来已来，而下一批冲出来的人，会不会有你？

IT之家 3 月 8 日消息，vivo Y37+ 手机已现身 vivo 官网，该机搭载天玑 6300 处理器、配备 6000mAh 五年长寿大电池，提供曜石黑、琉璃青、日照金山三种配色，8GB+256GB 定价 1599 元。 据介绍，vivo Y37+ 手机拥有 SGS 五星整机抗跌耐摔认证，支持 NFC、红外遥控，可刷门禁，充当遥控器使用等。该机还在内置 6000mAh 电池的基础上支持 44W 快充。 该机配备 6.74 英寸 LCD 护眼屏，支持 1000nits 亮度 + DC 调光（90Hz 高刷、分辨率 1600×720），前置 500 万像素镜头、后置 1300 万像素镜头。 IT之家附 vivo Y37+ 手机包装及规格参数如下：

三星希望在手机中整合更多AI服务 凤凰网科技讯 北京时间3月8日，据《金融时报》报道，三星电子希望与更多AI公司达成新的战略合作，将多种模型集成到智能手机中，以削弱苹果公司在全球市场的领先地位。 三星电子联席CEO、消费者设备业务负责人卢泰文(TM Roh)对《金融时报》表示，该公司愿意与OpenAI等更多AI公司达成“战略合作”。三星最近已将Perplexity AI搜索引擎添加到其移动操作系统中。 用多种AI服务吸引用户 卢泰文指出，三星的研究显示，消费者越来越多地同时使用多个AI服务，而不是依赖单一平台。他补充说，在苹果尚未推出去年发布的许多AI功能的市场环境下，三星提供更多AI选择可能有助于Galaxy手机脱颖而出。 “我们比竞争对手更早开始准备，这就是我们能够在移动AI领域取得并保持领先的原因。”卢泰文称。 卢泰文 三星这一动作凸显出，AI正成为争夺智能手机用户的下一条战线。随着全球手机销量停滞，硬件升级带来的提升越来越有限，制造商正押注于AI驱动的助手和搜索工具，希望它们能够影响消费者下一次购买手机时选择哪个品牌。研究机构Counterpoint Research上周预测，2026年全球手机出货量将下降12%，创下自2013年以来的最低年度水平。 上周，三星发布了Galaxy S26系列手机，其中包含了一套新的AI工具。三星已将Perplexity加入其操作系统，允许用户通过“Hey Plex”唤醒语音助手。三星还将谷歌的Gemini模型集成到设备中，并在上周展示了一款无需用户按键即可预订出租车的语音助手。 “消费者不再局限于单一的AI平台，而是正在使用多种AI模型，”卢泰文表示，“我们对所有解决方案持开放态度。我相信，选择多样化是Galaxy AI吸引消费者的关键。” 苹果全球手机份额领先三星 相比之下，苹果在更新其Apple Intelligence工具套件方面进展缓慢，该公司在今年1月与谷歌达成协议，将使用后者的Gemini模型。苹果还借助OpenAI的ChatGPT，为设备加入更智能的搜索和写作功能。苹果预计将在今年推出全面升级的Siri语音助手。 内存短缺 三星还决定将S26系列两款机型在美国的售价提高100美元，部分原因是内存芯片供应紧张。SK海力士、美光和三星等内存供应商正优先为AI数据中心生产高带宽内存，而不是智能手机所使用的内存芯片。 “这在很大程度上受到了当前AI基础设施持续扩张的影响。”卢泰文表示。 IDC本周警告称，一场“海啸般的冲击”正在袭击市场，将逆转“长达十年的消费者能够以更低价格买到配置更高智能手机的趋势”。去年，苹果选择不对新款iPhone 17系列进行涨价，这出乎了一些分析师的预料。新手机的销售帮助苹果实现了创纪录的假日季度业绩。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。