There’s an A and an I in Hysteria - National Review
Poway council votes to ban artificial intelligence data centers - Times of San Diego
GraphIFE: Rethinking Graph Imbalance Node Classification via Invariant Learning
Unified Heterogeneous Graph Neural Network solver for Power Flow, Optimal Power Flow and State Estimation
On the Expressive Power of Implicit Line-Graph Higher-Order Weisfeiler--Leman
GPEvac: GNN-Based PPO for Adaptive Evacuation Routing During Shooting Events
Repurposing Unified Topological Signatures for Graph Representation Learning
Structural Negative Transfer in Federated Graph Neural Networks: Diagnosis, Causal Investigation, and the Limits of Divergence-Aware Mitigation
AI Infra Summit: NVIDIA Vera Rubin and DSX Platform Advancements Showcase Energy Efficiencies of Optimizing Tokens Per Watt for AI Factories
Ian Buck, vice president of hyperscale and high-performance computing at NVIDIA, Tuesday spoke on AI factory efficiency at the AI Infra Summit, the Santa Clara Convention Center event that has morphed into a Coachella of infrastructure tech.
Before a packed audience — with more than 8,000 attendees this year, up from 3,500 last year — Buck discussed new collaborations across NVIDIA platforms and more.
- Amazon’s Annapurna Labs is working with NVIDIA on the NVHBM custom high-bandwidth memory technology.
- d-Matrix is integrating with NVLink Fusion to combine NVIDIA Vera CPUs with d-Matrix Raptor XPUs to deliver ultra low-latency inference at scale.
NVIDIA and partners unveiled new results as well:
- Emerald AI and NVIDIA demonstrated a commercial AI factory flexible-load program, working with Silicon Valley Power.
- Lambda improved performance per watt by 23% with NVIDIA DSX MaxLPS.
- Pinterest is using the NVIDIA Blackwell platform and NVIDIA Dynamo inference software to bring conversational AI to visual discovery.
The news comes as agentic AI is driving a new class of workloads that demand more performance, efficiency and scale from AI infrastructure.
NVIDIA addresses that challenge with a full-stack AI factory platform spanning Vera Rubin systems, Dynamo inference software, NeMo libraries and NVIDIA networking — including NVIDIA NVLink for scale-up computing, Spectrum-X Ethernet and ConnectX SuperNICs for connecting thousands of nodes, BlueField-powered context-memory storage and BlueField DPUs for infrastructure security.
The metric for AI infrastructure is fast shifting from peak performance to validated agentic tokens per megawatt. AI factories must now be codesigned from silicon to grid. NVIDIA DSX MaxLPS can deliver up to 1.4x more tokens per megawatt through factory-wide power optimization, while NVLink helps unite large-scale accelerated computing into a single high-performance system.
The result is AI infrastructure designed to generate more tokens, improve efficiency and help customers get more value from every megawatt of power.
Tuesday, Sept. 15, 9:55 a.m. PT 
AI Factory Flexible-Load Program Unlocks More Grid Power
Silicon Valley Power operates a flexible-load interconnection program that enables AI factories to support grid flexibility.
Through this program, Emerald AI worked with NVIDIA to demonstrate automated load reduction at Silicon Valley Power. The system successfully responded to hundreds of demand signals from Silicon Valley Power while protecting AI workload performance.
NVIDIA partner Emerald AI is planning to use NVIDIA DSX Flex for its Conductor grid-responsive power management software that dynamically adjusts an AI factory’s energy consumption based on real-time electricity grid signals and hybrid energy sources.
Using DSX Flex to autonomously load balance, Emerald AI can demonstrate its ability to automatically throttle back power on low-priority AI jobs and then return to normal.
DSX Flex can receive grid signals — load-shedding requests, demand-response events and pricing signals — and automatically act within a predefined workload hierarchy. The most critical jobs keep going, while everything else pauses temporarily and then resumes. In this way, facilities can participate in energy efficiency for the grid.
This capability enables AI factories to operate as flexible grid resources, so they can reduce demand when the grid needs relief, protect priority AI workloads and prove that controllable AI load can help unlock more grid capacity for growth.
Learn more about the Emerald AI partnership with Silicon Valley Power.
Tuesday, Sept. 15, 9:55 a.m. PT
Lambda Maximizes Performance per Watt With NVIDIA DSX MaxLPS
AI cloud provider Lambda released results at the AI Infra Summit, providing the first validation of NVIDIA DSX MaxLPS on NVIDIA Blackwell servers.
DSX MaxLPS continuously monitors power consumption across GPUs and racks, dynamically shifting available power where it’s needed most and reclaiming capacity that static provisioning leaves unused. Because training and inference workloads have different power profiles, MaxLPS optimizes power allocation across mixed-workload AI factories.
The results were significant: Lambda ran 19 nodes within the same power budget typically allocated to
Protect your new phone for less: Use this exclusive code to get 15% off your second Casetify case
An advertiser paid for editorial consideration of this deal. Our editorial experts vetted the deal based on our independent expertise. Because we determined that the deal will save money for the consumer, we wrote the content.
TL;DR: Shoppers can buy one case from Casetify and get a second for 15% off using the exclusive promo code IMPACT2026 at checkout.
Buying any new device is a pricey endeavor, which is why it's so important to find a sturdy case to protect your investment.
Casetify makes it easy to find something, and the retailer really shines for its abundance of fun designs. It's an excellent way to personalize your favorite devices, and right now you can even take advantage of a special BOGO offer from Casetify if you need multiple cases.
As of Sept. 15, shoppers can buy one case and get the second for 15% off by using the code IMPACT2026 at checkout. Casetify offers a wide range of cases for your iPhone, Apple Watch, iPad, MacBook, and more.
There are a few exclusions to keep in mind for this offer, including Co-lab, Sales, Ripple case, Cloud case, and the iPhone 18 collection.
If none of those exclusions apply to you, then you're in for a real treat with Casetify. They offer everything from floral patterns to animal patterns, fun cartoons, and fine art prints, so you can find the style that best suits your personal taste. You can use the filter menu to narrow cases by the type of device you're searching for, or by case type, depending on how sturdy you want the build to be.
An offer like this may not last long, so don't miss out on this great chance to buy one case and get the second for 15% off at Casetify with code IMPACT2026 at checkout.
Want to learn more about getting the best out of your tech? Sign up for Mashable's Top Stories and Deals newsletters today.
纯电续航 960km！腾势 N8L 纯电版 29.98 万元起，语音助手成最大亮点
今晚，腾势 N8L 纯电版正式上市，一共只有两款，尊荣型和旗舰型，差价只有 3 万块钱。
价格公布之前，比亚迪集团高级副总裁杨冬生花了相当长的时间，介绍了一遍「AI 超级智能体」迪迪虾。
一开始我们多少有点疑惑：这东西不是 7 月份 N8L 闪充版上市时就已经「首搭」了吗？发布会之前，我身边还有人用迪迪虾买过瑞幸。（虽然用不了优惠券，只能原价下单，平时卖 9 块 9 的瑞幸愣是变成了 20 块……）
后来才发现，原来今晚的迪迪虾，才是「满血版」迪迪虾。
不只是瑞幸星巴克，比亚迪还给迪迪虾拉来了一系列合作伙伴， 包括淘宝闪购、飞猪、支付宝、高德，以及一批影音、家居服务软件。另外，长期记忆、声纹识别、多步骤任务的功能也更加完善。
换句话说，迪迪虾现在能做的事更多了。
29.98 万元起，纯电版终于来了
N8L 纯电版一共两款车型，29.98 万元的尊荣型和 32.98 万元的旗舰型。
回顾 N8L 产品线，今年 6 月上市的闪充插混版，尊荣型和旗舰型分别卖 31.98 万元、34.98 万元。也就是说，纯电版对应版本反而便宜了 2 万元。
李慧在现场也提到，不少 N8L 插混版车主平时基本把它当纯电车开。如果家里有固定充电条件，对发动机兜底又没有那么强的需求，这次纯电版的吸引力确实更强。
N8L 本身依然是一台标准的大六座 SUV，长宽高分别为 5200/1999/1820mm，轴距 3075mm，采用 2+2+2 六座布局。纯电版全系用的都是 370kW 的后置单电机，搭配 130kWh 的第二代刀片电池。
有赖于这块电池，N8L 纯电版的 CLTC 续航高达 960km。同时，它也支持比亚迪的闪充方案，5 分钟即可快速补能，9 分钟接近充满，即使在零下 30℃环境下，充电时间也只会多出大约 3 分钟。
为了让这样一台大六座 SUV 拥有更低的能耗，比亚迪还给 N8L 用了主动进气格栅、第二代宽温域热泵、新一代八合一电驱等技术，官方公布的最低百公里能耗仅为 13.55kWh。
补能网络也是比亚迪近几次发布会反复强调的一部分。按照官方公布的数据，目前他们的闪充站已经超过 1 万座，覆盖 332 座城市，高速闪充站到今年年底计划做到 2000 座。
另外，由于没有发动机，N8L 纯电版在前舱腾出了一个 208L 的超大电动前备厢，而且做了干湿分区，下层还能排水，可以满足露营装备、湿雨伞、饮料等物品的装载需求。再算上车内和后备厢，整车前后三仓最大容积达到了 1336L。
智能化部分，除了迪迪虾，N8L 纯电版还搭载新一代 AI 舱驾一体方案、玄机架构 2.0 以及天神之眼 5.0 辅助驾驶系统。
按照腾势总经理李慧的介绍，城市道路、高速、泊车场景都在天神之眼 5.0 的覆盖范围内，N8L 这次还加入了手势泊车等功能。
至于腾势一直强调的豪华和舒适，N8L 也基本延续了他们原来的思路，云辇-A、后轮转向、六活塞定钳、主驾主动侧翼支撑、电动踏板这些配置都在；车内继续提供 Nappa 真皮、麂皮顶棚、帝瓦雷音响以及 51 英寸 AR-HUD。
和价格略低的尊荣型相比，旗舰型并没有在核心三电荷续航能力上拉开明显差距，3 万元的差价主要落在舒适配置，尤其是后排的乘坐体验上。多出来的配置包括智能电动门、副驾零重力座椅、17.3 英寸后舱娱乐屏、流媒体内后视镜，以及更多舱内感知配置。
安全部分，N8L 纯电版继续用了钢铝混合车身和 C2B 电池车身一体化结构。
发布会上，比亚迪还专门拿电池安全做了几组测试，包括边闪充边针刺、热扩散，以及从底部对电池进行高强度撞击，官方给出的结果都是不起火、不爆炸。
除了电池本身，腾势也把重点放在了极端情况下的车身稳定性上，在高速爆胎、紧急避让、台风天气等场景，N8L 会通过底盘和车身控制系统尽量压住跑偏、甩尾和侧翻风险。
看完发布会之后我们发现，N8L 纯电版和 6 月上市的闪充版，在产品层面上并没有太大变化，主要区别还是换成了纯电动力，并因此带来了 960km 续航和更大的前备厢。
这样一来，今晚真正值得重新讲一遍的，反而是迪迪虾。
它能做的事情比 6 月时更多了，只不过，功能多不等于体验就已经成熟。像订酒店、点外卖、交停车费这些任务，N8L 确实都能完成，然而，细节才是最容易暴露问题的地方。
毕竟，帮你把瑞幸买回来已经不难，什么时候能买到 9 块 9 的瑞幸，可能才是大家更在意的。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
iOS 27 正式版体验：Siri AI 终于开窍了，老 iPhone 升级也有新东西
从 6 月 WWDC 首次亮相，到历经 3 个多月、多轮开发者预览版与公测版的调试打磨，今天凌晨，苹果终于面向所有用户正式推送了 iOS 27 正式版。
只要你的设备在支持列表内（最低依然支持到 iPhone 11 系列与 iPhone SE 2），现在打开「设置 – 通用 – 软件更新」，就能直接收到推送并升级。
这代系统最受瞩目的焦点，毫无疑问是全面接入 Apple Intelligence 的新一代 Siri AI。作为整套系统的技术核心，完全体的 Siri 到底进化成了什么样？我们不妨先从它的实际体验看起。
新一代 Siri AI：真的开窍了
作为整个 iOS 27 的灵魂，新一代 Siri AI 终于摆脱了过去被调侃为「人工智障」的机械感。
在底层基础模型的加持下，Siri 不再只是死板地弹网页搜索，而是能真正理解复杂、口语化的表述，并把零散的信息梳理成流畅的自然语言。比如让它总结一整周的复杂日程，或者提炼订阅邮件的核心要点，组织得都相当得体。
更关键的进化在于屏幕感知与跨 App 执行复合指令。Siri 现在可以读取屏幕上的上下文内容；甚至能串联多个软件——
例如朋友在短信里发来聚会地址，你只需对 Siri 说一句「从短信里提到的地址导航过去，选步行」，它就能自动从信息中提取地址并调起地图导航。这种多步操作的连贯性，在以往是想都不敢想的。
此外，相机底栏新增了独立的「Siri」视觉智能入口，对准现实物体就能直接提问与检索。
除了能听懂人话的 Siri，Apple Intelligence 在影像方面的升级同样很抢眼。
在 iOS 26 上已经存在的 AI 消除功能，在 iOS 27 上得到了进一步优化，消除的效果更干净、破绽更少。
在 iOS 27 的相册编辑菜单中，苹果还进一步优化了 AI 构图功能：
- Extend（智能扩图）：平时拍照如果构图太紧凑、没拍全，只需向外拉动画幅边框，系统就会根据环境风格自动脑补并无缝填充画面，比如把裁切掉的建筑屋顶、两侧延伸的街景自然补齐；
- Reframe（智能重构）：点击后，iPhone 会先调用端侧模型生成预览，不仅能自由裁剪构图，甚至能轻微微调拍摄机位的视角，确认后由云端模型把新视角下的空缺细节补全。
除了静态修图，爱范儿在实测中还挖出了一个很有新鲜感、但此前官方未曾大篇幅宣讲的细节——相册视频端侧加字幕。
以往想给随手拍的视频打字幕，往往要导入剪辑软件或上传云端。而在 iOS 27 中，相册在播放带有清晰人声的视频时，只要能识别出语音，进度条旁就会出现独立的字幕按钮。凭借端侧模型的实时听觉理解，无需联网也能在本地一键生成并显示高准确度的字幕，还支持自定义字幕样式。
此外，原本只能生成卡通插画、表情包的「图乐园」，在 iOS 27 上也正式放开了对「写实影像」的支持。
体验下来，无论是开窍的 Siri、相册里的端侧视频字幕与 AI 扩图，还是跨 App 的连贯调度，完全体的 Apple Intelligence 确实让人眼前一亮，也展现出了软硬件深度融合该有的水准。
不过，对于咱国行 iPhone 用户来说，这块大饼目前暂时还吃不上。虽然此前相关备案信息显示「Apple 智能」已经通过了国内的端侧大模型审批，但截至正式版推送，苹果仍未在中国大陆正式开放新一代 Siri 的完整体验。
期待归期待，回到眼前的现实——抛开短期内还摸不着的新 Siri，作为一个每天被解锁上百次的随身工具，iOS 27 在那些看得见、摸得着的日常体验上，到底带来了哪些实在的改变？
调休闹钟终于来了，还有这几处高频细节
液态玻璃能调了
去年的 iOS 26 在口碑上可以说是一言难尽。主打的 Liquid Glass（液态玻璃）视效评价两极分化：喜欢的人觉得通透有层次，但也有不少人抱怨大面积的半透明材质在复杂壁纸或高对比背景下，界面的可读性大打折扣。
尽管 iOS 26 后续几个版本一直在微调模糊度和文字阴影，但可读性差的问题始终没能彻底解决。
到了 iOS 27，苹果终于把控制权交还给了用户。在系统设置的「显示与外观」中，新增了一条无级的 Liquid Glass 调节滑杆。
想要通透轻盈，可以把滑块往左拉；如果觉得文字看不清、背景太花，直接往右拉，界面底色就会变得接近 iOS 18 以前的毛玻璃效果，界面的可读性有了立竿见影的改善。
动效调度与流畅度
除了这套看得见的「面子」，iOS 26 的「里子」也让人头疼——多任务切换和复杂场景下经常出现断续掉帧。
到了 iOS 27，苹果把很大一部分工程精力放回了底层调度。从官方公布的测试数据来看：主流 App 冷启动速度提升最高 30%，新拍高像素照片载入提速最高 70%，AirDrop 传输与握手提速最高 80%。
值得注意的是，苹果在这次的官方基准测试里，除了当季旗舰，还特意加入了 iPhone 11 Pro Max 和 iPhone 15 作为测试机型。
实际升级之后，从屏幕顶端下拉通知中心、左右翻页，或是从屏幕底部上滑返回桌面，动画的回弹阻尼感觉更加干脆，多任务卡片的拉起与切换也平稳了不少。如果你的 iPhone 支持 120Hz ProMotion 高刷，跟手度的改善会相对明显；而在 60Hz 刷新率的老机型上，滑动时的停顿感也有所收敛。
另一个跟操作体验直接相关的改动是网络切换。以往走出地下车库或电梯时，Wi-Fi 断开转入蜂窝网络的过程偶尔会有一段加载真空期，iOS 27 优化了这里的交接逻辑；同时，两台 iPhone 之间使用 AirDrop 寻找对方设备与握手连接的速度也有所提升。
除了系统层面的视觉与流畅度优化，iOS 27 在自带 App 上的功能改动大多都偏向日常实用，针对不少过去被广泛吐槽的细节做了填坑。
调休闹钟
千呼万唤始出来，苹果终于在 iOS 27 上加入了国内用户一直呼声很高的调休闹钟功能。在闹钟设置选择「工作日（含调休）」之后，系统会在法定节假日自动跳过闹钟，而在因调休而需要上班的周六日准时响铃。
苹果用户终于不会再在节假日的清晨被误响的闹钟吵醒，也不用担心调休补班的早晨睡过头了。
相机和照片
虽然老机型无缘新款 iPhone 18 Pro 系列的可变光圈等硬件红利，iOS 27 还是为老 iPhone 带来了自定义相机界面的功能。
通过长按顶部按钮即可进入编辑模式，可以把曝光、实况、风格、景深、夜间模式、格式等高频参数直接「钉」在顶部，按照自己的拍摄习惯，调配出一套更顺手的按钮布局。
照片 App 新增了「由我拍摄」与「身份文件」两个独立视图。「由我拍摄」把截屏、表情包与相机拍摄的原片彻底拆开，方便快速翻找照片；「身份文件」则会自动识别并归类身份证、驾照等凭据，临时办事调取更方便。
视频播放界面新增了帧导出功能。暂停视频时，在右上角菜单中可以直接把当前画面保存为原分辨率照片。此外，共享相簿也取消了画质压缩，支持以全分辨率分享原图。
AirPods 自定义 EQ
在连接兼容的 AirPods（搭载 H2 芯片的 AirPods 4、AirPods Pro 2 等）后，iOS 27 在耳机设置中新增了自定义 EQ 调节。系统提供了低频、中频与高频三档滑杆，方便按个人听音习惯微调声音风格。
此外，AirPods Pro 还新增了自适应音频的强弱微调，可以自由选择更偏向降噪或通透。
这些细节也更顺手了
还有几项细节上的改动：天气 App 重新梳理了卡片结构，顶端加入了逐小时降水走势图，未来几小时何时下雨、雨量多大看柱状图一目了然；
桌面支持了占满一整页的超大尺寸小组件，锁屏时钟也提供了更紧凑的字体排版；闹钟与计时器的音量在设置中被独立拆分出来，不再跟白天的媒体播放音量捆绑，避免白天随手把视频静音后导致第二天闹钟失灵；
豆包工作和飞书，把中国第一个团队 Agent 拉进了工作群
几天前，Claude Code 工程师团队做了一期视频播客分享，访谈中，团队成员估计自己 70%-80% 的工作都通过 Tag 开展。
Claude Tag，这个可以加入到 Slack 里的共享 Agent，既能参与讨论，又能写代码、分析数据。
这和眼下各种办公 Agent 的打法不同，过去那些办公 Agent，都在解决「我自己可以怎么更快地工作」；Claude Tag 在解决「我们怎么一起把事情做完」。
今天，飞书和豆包工作也选择了这种打法，发布了全新的「豆包工作伙伴」。
它像「人」一样，拥有独立的组织身份，可以被加入群聊，接收不同成员的任务，在授权范围内使用文档、会议和工具来提高整个团队的工作效率。
作为国内第一款 Claude Tag 类产品，飞书和豆包工作来做这件事大概是最合适不过。
过去两年，大家都在给 AI 补办公能力：读文档、做表格、开浏览器、操作电脑。但一个 Agent 真正进入团队之后，它还需要知道项目之前聊过什么、谁负责什么、哪些资料可以看、哪些事情可以做，以及做完之后该把结果交给谁。
这些恰好都是飞书过去几年一直在做的事情。
所以这一次，豆包工作带来的执行能力，加上飞书已经存在的组织上下文。
Agent 终于不只知道「怎么干活」，还开始知道「在这个团队里该怎么干活」。
目前，豆包工作伙伴仍处在早期企业共创阶段，并没有向所有用户全面开放。APPSO 提前拿到了体验资格，把它真正拉进了自己的工作群里。
接下来，就替大家先试试看，这个我们在国内看到的第一个真正服务整个团队的智能体，究竟能把工作推进到什么程度。
把散落各个地方的信息，都拼凑起来
豆包工作伙伴进群以后，我们最先感受到的，除了直接在群里就能提问，更直观的变化是，终于不用每次重新给 AI 交代背景了。
我们还是先做了一些简单的问答，让它告诉我们作为一个群里的常驻协作伙伴，它都能做什么。
和一个基本的办公 Agent 能力类似，它可以跟踪任务、处理飞书文档、也能做数据分析，还有定时监控、提醒，甚至是记录待办、追踪负责人、推动落地这些工作。
任何时候、任何地点，只要 @ 一下加入群聊里的豆包工作伙伴，它都能 7X24 小时在线为我们解答问题。
即使没有专门 @ 它，当我们告诉它「以后碰到类似的求助主动帮忙」之后，它也会把这种协作方式记下来。
更重要的是，这些上下文不只来自一个群。
在主群里，我们可以直接让它查看另一个工具分享群之前讨论过什么，再把结论带回来；群里的文档也可以直接授权给它处理，而原本飞书里的权限规则依然有效。
豆包工作伙伴也明确地表示自己的权限就是按照群聊、资源和应用授权生效，它可以读取并回复它已经加入的群聊，给可触达的人或者各类群发送消息，也可以搜索公开网页。
这种权限和个人用的办公 Agent 不同，大多数时候，个人 Agent 借的是我们的权限，但团队 Agent 需要有自己的权限。
一个项目可能同时散落在产品群、研发群、运营群和营销群。产品在一个群里改了需求，研发在另一个群里讨论实现方案，运营又在第三个群里补充用户反馈。过去这些信息最终还是要靠人来转述、同步，再重新解释一遍背景。
豆包工作伙伴更重要的变化，是它作为一个独立的组织成员，可以被加入不同的项目群，并在各自授权范围内持续参与。
这样一来，不同团队、不同群聊，原本分散的讨论，就有机会被同一个 Agent 连接起来。产品的新需求可以延续到研发的实现，研发遇到的问题也可以继续回到产品和运营的讨论里。
办公 Agent 能做的，我在群里@一下都能做
问答之外，豆包工作伙伴还能真的开始动手干活，并且什么都懂。
我们就像和新同事一起工作一样，一开始给它的工作就是找新闻热点，要求它每天早上分享自己找到的 AI 新闻，然后自己评估一遍是否值得跟进以及时效性如何，再收集我们的反馈，不断优化它自己找选题的能力。
例如我们在群里发一个 X 推文链接，它就能凭借之前的流程和豆包工作本身的能力，先是读取链接了解具体的素材，然后对素材进行总结评估，并加入选题库。
这种真正能干活的能力，就体现出跟人类同事的区别了，我几乎不用考虑他擅长什么，可以把他当成一个全能的伙伴。
更让我们觉得它和个人 Agent 不一样的，是把一个真实项目交给它之后。
编辑部开发了一个微信公众号排版的插件，可以帮助我们减少排版的时间，直接使用该插件就能快速调整好微信图文的格式。
豆包工作伙伴在拿到这个插件之后，我们在群里发起投票，要大家提出一些优化的建议。
我们这里写的建议是希望增加一个「下载为 Markdown」的功能，豆包工作伙伴把这个需求记录了下来，并归类为 P2 候选/新能力。
继续要求它实现该能力，豆包工作伙伴会和豆包工作一样，把压缩包解开，进行代码的修正，从它的推理过程里面能看到，它会不断调用工具来实现最终的功能。
十分钟不到的时间，它把修改好的插件代码重新压缩为 ZIP 文件，发送到群里供我们下载使用。
实现之后还能继续反馈，其他同事使用了该插件之后，发现还是有 Bug。豆包工作伙伴能自己调试代码进行审查，并自动修复这些问题。
比较意外的是，豆包工作伙伴同样支持多模态的输入，它要求我们直接把报错截图和录屏发给它，它会进行分析。
还有其他的同事不喜欢这个名字，让豆包工作伙伴再收集大家的反馈，想一个新的名字。
把豆包工作伙伴加入项目相关的不同群聊之后，产品、研发、运营、营销等部门，都可以在各自最熟悉的工作环境里直接 @ 它继续干活。
以前这是一个很典型的个人 Agent 工作流：一个人收需求 → 一个人整理反馈 → 一个人打开 AI → 把上下文重新解释一遍 → 修改 → 再发给大家测试。
现在可以围绕同一个豆包工作伙伴继续推进。人不用跟着 Agent 换聊天框，Agent 反而开始跟着项目进入不同的群。一项工作不用在五个人的五个聊天框里，重新开始五次。
办公 Agent 的能力，也从一个人的工具，变成了整个团队可以共同调用的能力。
「催一下、记一下、同步一下、对齐一下」
团队协作里还有大量工作，甚至谈不上有什么技术含量。
谁答应了下周交东西、一次次的会议最后到底定了什么、负责人有没有回复、任务卡在哪里，这些事情过去基本都靠人主动记。
加入群聊之后，豆包工作伙伴也开始可以包揽这一部分的工作。
人临时缺席会议，可以让它带着项目群此前的上下文参会；会上有人问到项目进度，它可以按照群里的真实讨论回答；会议结束之后，再把结论、待办和风险同步回群。
任务的推进同样如此，它能像人类一样群里口头约定的待办，到期提醒负责人，没人响应时主动推动，也知道什么事该找谁。
这可能才是团队 Agent 最现实的价值：它开始负责让 Agent 交付的产物继续往前走。
个人 Agent 节省的是一个人的操作时间，团队 Agent 可以节省的，是原本散落在整个组织里的永无止境的等待、来回的转述、一次次的同步、催促和对齐。
AI 时代的组织，不是把 AI 拉进群这么简单
当 Anthropic 把 Claude Tag 放进 Slack 之后，Agent 开始从一个人的聊天框，走进 Anthropic 整个团队的工作流。
人开始减少「陪着 AI 干活」的时间，AI 能够自己完成和检查工作； 同事也可以在同一项任务里接着做，少一次转述和等待；交给 AI 的任务，可以从一个想法一直延续到上线后的反馈等等。
从我们的实际体验来看，这类 Tag 工具想要在团队内真正发挥作用，需要三样东西同时成立：完整的组织上下文、第一梯队的 AI 能力、企业级的信任体系。
飞书和豆包工作在这件事上刚好有着合适的先天基因，就在于这几件事它们都有条件并且有经验一起做。
对于 Agent 最需要的组织上下文来说，飞书长期积累下来的群聊、文档、会议等办公内容，刚好提供了 Agent 可以直接使用的工作对象。
Anthropic 选择的 Slack 本质是以 IM 为核心的「连接器」，文档、表格、审批流靠第三方应用，上下文本质上还是靠不同的平台在拼接。
飞书走的 All-in-one 路线，数据、权限、工作流原生一体，这一点在国内主流办公软件里确实做得最完整。
而那些已经在飞书协作的团队，群聊、文档、会议记录、任务和多维表格保存着业务资料，也记录了人员分工和项目进展。引入豆包工作伙伴时，企业可以使用这些已有记录，减少重新搬运资料、搭建协作机制的工作。
这类积累的价值，也会随着任务涉及的人和环节增加而显现。一项要求从群里进入文档，再到任务和验收，AI 必须不断查找、更新相关内容。信息和操作保留在同一套协作系统里，能够减少跨系统整理和维护的负担。
飞书也已经开始围绕 Agent 的操作方式调整产品。飞书 8.0 将支持在文档评论里调用 Agent 修改内容，并在飞书内直接预览、编辑 Agent 生成的 Markdown、HTML 文件。
上下文之外，另一个是 AI 能力。如果你还以为豆包只是个聊天搭子，不妨看看最近这两三个月以来豆包的更新日志。
尤其是八月份最新推出的豆包工作，一个全新的办公 Agent 产品。从发布之后，豆包工作进一步更新了桌面的 Computer Use，能直接操作 Mac 和 Windows 上的应用、浏览器自动化、录屏技能学习，以及跨端的环境切换和多 Agent 执行等功能。
号称人类造的最后一个 AI 要来了，刷屏全网的 RSI 是什么
要论造词和包装概念，AI 圈要是自认第二，恐怕就没人敢称第一。
前阵子 OpenAI 总裁格雷格·布罗克曼表示，GPT-6 Astra 已经摸到了 AGI 的门槛。结果 AGI 还没热议几天，AI 同行们又开始炒作下一个 AI 热词了。
接棒的新词叫作 RSI，Recursive Self Improvement，递归自我改进。
简单点理解就是，AI 自己写代码、自己跑实验、自己改训练流程，改完再传给下一代更强的新模型。这么一圈圈套娃下去，研发速度可能越来越快，最终超过人类理解和控制的速度。
没有出乎太多意料，伴随着 RSI 出场的，肯定还有语不惊人死不休的的安全叙事。
比如 OpenAI 首席科学家 Jakub Pachocki 前阵子将 AI 描述为一种人类尚未充分理解的「异星心智」。
Anthropic 的 CEO 达里奥·阿莫代伊更是化身末日吹哨人，警告说更强的智能体可能带来大规模网络攻击、失控和文明级风险。
而另一头，忙着卖卡的黄仁勋则在最近 All-In 峰会上，反驳道：少在那搞非黑即白的二极管思维，凭什么安全和创新就只能二选一？
同一条产业链上，一边喊着人类必须踩刹车，一边猛踩油门。这场口水战背后，RSI 究竟是通往超级智能的入口，还是被精心包装出来的恐慌生意？
AI 开始造 AI，但距离「智能爆炸」还有多远？
RSI 最近听起来很新，它的思想源头却可以追溯到六十多年前。
早在 1965 年，英国数学家、密码学家 I.J. Good 提出过一个设想：如果一台机器能够超越人类的智力活动，那么设计机器也应当属于它的能力范围。
它可以设计出比自己更聪明的机器，后者再继续改进下一代。第一代创造第二代，第二代优化第三代，子子孙孙无穷匮也，机器智能由此进入不断加速的正反馈循环。
Good 将这种现象称为「智能爆炸」。
在今天的 RSI 研究中，相比于 AGI 关注的是 AI 能否完成与人类相当的通用认知工作。RSI 则关心 AI 能否改变产生这些能力的系统，并让下一轮改进变得更加有效。
比如会检查自己的答案，只能算自我修正。能够改进研发方法，再把有效变化交给后继系统使用，才开始触及递归自我改进。
近期，由上海交通大学、清华大学、字节跳动、上海人工智能实验室等机构研究者合作完成的预印本《The Last AI Built by Humans》，就将 RSI 的自主性划分为 L1 至 L5 五个层级。
▲ 
https://arxiv.org/abs/2609.11873
L1 主要负责执行人类给出的改进方案。L2 开始自主寻找改进策略。L3 可以决定需要获取哪些经验。L4 能够把部署环境中的反馈转化成持续保留的改动。
到了 L5，改进机制本身也成为改进对象。
AI 不仅能够完成某项研究任务，还能修改决定后续如何搜索方案、评估结果和组织研究的机制，并让后继系统继续使用修改后的机制。
在最激进的终局设想中，AI 还将进一步获得提出目标、修改评估方法和重写底层改进逻辑的能力。一旦走到这一步，人类制造的就不再只是一个模型，而是一套能够继续制造模型的系统。
此后出现的下一代 AI，可能不再由人类工程师逐项设计。模型架构、训练流程和改进方法，将越来越多地来自机器自己的选择。
包括 OpenAI 9 月 6 日公布的内部报告显示，他们已经实现「自动化研究实习生」目标。这类系统能在人类指导下编写代码、运行实验、排查故障和分析结果，其中一些任务原本需要熟练研究员花费数天。
▲ https://openai.com/index/research-acceleration-view-inside-openai/
截至 8 月中旬，每投入一个人类工作日，OpenAI 研究部门的智能体运行时长已经相当于 3.1 个工作日。
Anthropic 则把自动化推进到了安全研究。Claude 可以自己查文献、提方案、生成训练数据、运行实验和评估结果，并进一步根据成绩反复迭代。
最接近「AI 训练下一代 AI」的一次实验中，能力较弱的 Claude Sonnet 5 帮助早期 Claude Opus 4.8 改善安全表现。
▲ https://alignment.anthropic.com/2026/automated-alignment-researchers/#6-can-aars-posttrain-productiongrade-models
约 60 小时内，前者测试了 50 多种方案，最终只使用约 2400 条训练样本，就把后者既定评测中的对齐成绩推到接近正式版 Opus 4.8 的水平。
除了爆改模型，还有一条更现实的 RSI 路子：在模型周边的软件系统上打补丁。
据外媒 The Information 报道，北大校友翁荔重返 OpenAI 后，将带队研究递归自我改进。她在技术博客《Harness Engineering for Self-Improvement》中讨论的 Harness Engineering，正是理解当下 RSI 的一个入口。
▲ https://lilianweng.github.io/
Harness 可以理解为 AI 的运行系统。它负责工具调用、上下文管理、记忆保存、任务分配、权限控制和结果检查。
AI 发现自己总是忘记实验条件，可以改进记录方式；发现某种工具反复出错，可以修正接口；发现研究流程效率低下，可以重写任务调度代码。
这些变化未必直接修改模型权重，却可能明显提升整个系统的工作能力，并进一步帮助下一代模型研发。
就具体时间点来看，对于在各类计算机认知工作中全面超过顶尖人类专家的超级人工智能，也就是 ASI，Thinking Machines 首席科学家 John Schulman 给出的预测是 3 至 4 年，Millidge 倾向于约 5 年，O’Neill 仍然认为可能需要 5 至 10 年。
这么大分歧背后，离不开几道尚未解决的技术难题。
模型需要不断吸收新经验，又不能丢掉原有能力。更新过于激进，可能出现「灾难性遗忘」；变化过于保守，又可能无法学进足够多的新知识。
更难自动化的，是研究判断力。让 AI 优化一段代码，成功标准相对明确。让它判断一个失败实验意味着方向错误，还是值得继续探索，就困难得多。
真正的科学突破，往往是先提出一个全人类都没想过的怪问题，再去捣鼓量化它的尺度。这种从怎么做到该做什么的跨越，至今依然高度依赖人类的直觉。
兜售末日恐慌，从来都是一门顶好的买卖
这轮末日风险争论的导火索，来自一封辞职声明。
9 月 8 日，曾在 OpenAI 和 Anthropic 从事研究工作的 Jacob Coxon 宣布从 Anthropic 辞职。
他在社交平台 X 上表示，自己选择离开，是因为担心这两家公司没有采取负责任的行动，而是在竞相研发能够自我提升的超级智能。
在 Coxon 看来，Anthropic 与 OpenAI 正在拿全人类的性命当赌注。他还透露，开发这些系统的人确实相信，到本十年末，人工智能可能毁灭所有人类。
这篇辞职声明的浏览量很快超过 1.7 亿次。更具冲击力的是，Anthropic 的在职对齐科学负责人埃文·休宾格也跑出来公开附和 Coxon 的说法。
眼看火越烧越旺，Anthropic 的 CEO 达里奥·阿莫代伊顺势发文呼吁同行们集体降速，给安全研究让出一到两年的时间。
他提出，前沿 AI 公司应当允许第三方评估机构常驻实验室，获得接近内部员工的访问权限，检查企业是否履行安全承诺，并独立披露风险和事故。
随后，罕见的一幕出现了。OpenAI CEO 山姆·奥特曼、xAI 创始人马斯克等死对头、也都突然在减速问题上形成了统一阵线。
只是，能够承担高额安全审查成本的，恰恰也是这些头部公司。
它们拥有庞大的安全团队、封闭的数据中心和充足的审计资源，而开源社区和中小企业很难承担同等规模的合规成本。这种安全叙事的策略天然构成了扼杀对手的壁垒。
更值得关注的是，当前关于 AI 风险如何评估、哪些能力需要限制、什么样的企业有资格训练下一代模型，这些关键规则的制定，很大程度上也掌握在这些前沿实验室手中。
它们既是技术的推动者，也是风险标准的定义者。所谓保护公众，其实也是在保护自己的领先位置。
既然 AI 如此危险，为什么不直接彻底停下来？针对这个问题，万能话术早已经准备好了。
比如 OpenAI 在内部报告里义正辞严地写道：更强且经过对齐的 AI，可以保护关键基础设施、抵御危险智能体，并帮忙研发新的安全措施。
简言之，为了防住未来可能失控的 AI，我们必须先造出一个足够强大、同时听从人类命令的 AI。
一套完美的闭环就此形成： AI 越危险，防御模型就必须越强；防御模型越强，需要的芯片、能源和资本就越多。
于是，千亿美元融资、十万卡训练集群和更加庞大的数据中心，都可以被包装成维护人类安全所必需的基础设施。
一只脚踩刹车摆姿势，另一只脚在别的油门上踩得冒火星，左右横跳，深谙凡事发生皆有利于我的真理。
当然，那老黄不吃这一套，把 AI 危险论斥为「骗局」，也有着自己的小算盘。
如果末日叙事最终转化为训练规模限制、算力审批和数据中心禁令，首先受到冲击的就是芯片、服务器、电力和基础设施建设。
英伟达卖的是铲子。
无论最后挖到的是黄金、泡沫还是一只无法控制的怪兽，只要更多公司继续训练模型，GPU 就有市场。任何可能阻止买卡、建机房和增加电力供应的安全叙事，都会被视为在砸整条硬件产业链的饭碗。
因此，AI 的进化速度是有目共睹的，RSI 也并非空穴来风。但当下所谓末日论与反末日论，表面上争论的是人类会不会被 AI 毁灭，背后争夺的却是同一件事：下一轮算力、资本和产业利益究竟如何分配。
造神者一边警告神明可能失控，一边要求获得更多资源继续造神。
当下一次他们神色凝重地关紧大门，隔着铁栅栏兜售恐慌，冲着门外高喊「里面有末日猛兽，闲杂人等千万别进来」时，殊不知拉响警报和努力喂养猛兽往往是同一批人。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
早报｜雷军同日到访宇树与B站/罗永浩差评带来流量，野人先生单日涨粉近3万/鸿蒙智行确认问界合作调整，赛力斯主导
雷军同日到访宇树科技与 B 站，分别与王兴兴、陈睿交流
微信回应「小微」隐私争议：仅按用户指令临时读取指定聊天
Google 向全体工程师开放 Claude，Gemini 仍是默认模型
黄仁勋活动现场免提接听特朗普电话，双方隔空探讨 AI
鸿蒙智行确认问界合作模式调整，赛力斯主导五项业务
Disney 要求更多远程产品与技术员工每周到岗四天
第一财经调查：AI 短剧「融合脸」增加肖像侵权举证难度
Waymo 计划 2027 年在东京推出全无人出租车
曝 OpenAI 雇佣数百名外包人员审阅 ChatGPT 对话
环球音乐起诉 DistroKid，指控其放任 AI 音乐与侵权录音涌入平台
朱啸虎：办公 Agent 的竞争会延续协同办公平台格局
小米 18 Pro 系列官宣本月发布，将升级背屏功能
腾势 N8L 的「迪迪虾」接入支付宝，可用语音完成点单与停车缴费
微信开源企业知识库 WeKnora，支持飞书、企微等接入
拓竹将发布首款激光雕刻切割机 R1
飞书发布 8.0 与「豆包工作伙伴」，Agent 可直接操作文档、日程与审批
🪄联发科发布天玑 9600 Pro，首批支持 2nm、LPDDR6 与 UFS 5.0
DeepSeek Harness 0.1.6 增加 Browser Use 与 Computer Use
罗永浩差评带来意外流量，野人先生单日涨粉近 3 万
两部门要求美团、携程等平台自查「全网最低价」风险
小红书发布首份金融生态公约，禁止非法荐股与「保本保息」承诺
雷军同日到访宇树科技与 B 站，分别与王兴兴、陈睿交流
据《科创板日报》报道，小米创始人雷军 9 月 14 日在王兴兴陪同下探访宇树科技，并观看人形机器人表演。公开信息没有披露双方是否讨论投资、产品合作或其他具体安排。
雷军同日还到访 B 站上海总部，与 B 站董事长陈睿交流。现场大屏打出「欢迎 B 站 UP 主雷军」的标语。陈睿早年加入金山软件时曾担任雷军的技术助理；此次访问的具体议题同样未公开。
微信回应「小微」隐私争议：仅按用户指令临时读取指定聊天
9 月 15 日，微信员工「客村小蒋」回应 AI 助手「小微」的隐私争议称，小微能接触的信息不会超过用户本人可查看的范围，所谓「直接读取聊天记录」和「偷看所有隐私」的说法不实。
按照回应，小微只有在聊天场景中由用户主动发起「问小微」时，才会从微信客户端本地临时读取用户指定的聊天记录，用于分析和总结；原始聊天记录不会保存。公众号、视频号等内容推荐可参考关注、浏览和互动数据，但同样受用户权限范围约束。
小微由微信团队开发，目前仍在小范围内测，可通过文字或语音查询天气、快递和外卖，也能在朋友圈、公众号、聊天和视频号等场景被唤起。
Google 向全体工程师开放 Claude，Gemini 仍是默认模型
据 Business Insider 报道，Google 已向全体工程师开放 Anthropic 的 Claude。Google 发言人确认，工程师现在可以通过内部开发工具 Antigravity 使用 Opus 5 模型；过去只有部分 DeepMind 与高优先级团队拥有相关权限。
Claude 在公司内部设有每位用户的使用配额，定位是补充工具，Gemini 仍是默认和主要模型。
Google 此前通常不允许大多数员工在工作中使用外部 AI 工具。这次扩大权限，为工程师比较不同模型的编程表现提供了正式渠道，也让 Claude 从少数团队使用的例外工具变成全体工程师可申请使用的补充选项。
黄仁勋活动现场免提接听特朗普电话，双方隔空探讨 AI
9 月 14 日在洛杉矶举行的 All-in Summit 峰会上，英伟达 CEO 黄仁勋在演讲期间接听了美国总统特朗普打来的免提电话。
通话中，特朗普将 AI 末日论称为「骗局」，表示机器人绝不可能统治世界，并批评了放缓 AI 发展速度的主张，认为此类呼吁出于政治动机。
特朗普还提到自己在麻省理工学院任教四十余年的叔叔约翰·乔治·特朗普，称自己凭借家族基因遗传也具备相应天赋，因而深谙 AI 领域；黄仁勋在现场回应称「难怪你对 AI 这么懂」。
另据《金融时报》报道，黄仁勋在 Salesforce 年度 Dreamforce 大会上就 AI 安全与监管议题表达了不同路径。
针对此前 Anthropic CEO Dario Amodei 呼吁行业放缓新模型开发速度，以及马斯克和 OpenAI CEO Sam Altman 公开支持控制研发节奏的提议，黄仁勋表示不同意将减速作为行业通用方案。
黄仁勋将 AI 安全定义为工程问题，主张在产品失控时暂停处置、确认可控后继续研发，将评估和防护持续嵌入开发流程，而非停止技术演进。在监管层面，他认为现有法律和市场机制足以约束产品责任，无需单独为 AI 设立一套新法律。
鸿蒙智行确认问界合作模式调整，赛力斯主导五项业务
9 月 15 日，鸿蒙智行发布问界合作模式说明。即日起，问界的产品定义、产品设计、品牌营销、渠道零售和服务体系改由赛力斯主导，华为终端参与赋能。
鸿蒙智行表示，问界仍是鸿蒙智行成员，现有用户权益及后续服务不受影响。此次调整也不涉及其他品牌，尊界、享界、智界和尚界仍采用华为全流程主导的合作模式。
这份说明确认了当天早些时候有关双方合作模式变化的报道，同时把调整范围限定在问界，并明确了华为在新模式中的角色。
Disney 要求更多远程产品与技术员工每周到岗四天
据 Busine
我和我的 AI 手机吃了 3 顿饭
米其林三星餐厅潮上潮有一个特别的就餐模式「潮 1/2」：在餐厅后厨旁边放一张小餐桌，供少数人就餐，饭菜在主厨做好的瞬间即可上桌，最大程度地减少传菜过程中的风味和热量损耗，呈现出最好的味道。
对于讲究「一热顶三鲜」的中国人来说，这个就餐模式自有亲切感。
理解了这个，就可以理解高通推出的高带宽计算技术（High bandwidth compute，HBC）了。
把计算放到内存旁边，就像把饭桌放到厨房旁边去
当 ChatGPT 在屏幕上一个字一个字往外吐提问的答案时，我们会很自然地把速度归因于「计算」：CPU 更快一点、GPU 更强一点、NPU 多几十 TOPS，AI 应该就能回答得更快。
但实际情况不是这个样子的。
在 PC 时代，我们习惯看 CPU 的主频；智能手机刚兴起的时候，每个厂商都参与了「核战争」，比拼谁选的处理器核心数更多；后来游戏成为旗舰手机的重要战场，以及整个链条的重要收入来源，于是 GPU 性能和移动光追等指标开始备受关注。
计算性能就像汽车发动机的马力，数字越大，似乎总不会错。但是，AI 运行的时候，芯片里的 CPU、GPU 和 NPU 往往没有在全速工作。
它在等。等数据从内存里送过来。
过去十年里，AI 计算能力和模型规模快速膨胀，但内存容量、带宽和数据搬运效率并没有以相同速度增长。最终，越来越多的时间和能耗花在数据移动上，而非真正的计算。
这就是「内存墙」，大语言模型因为这个「大」字，开始撞墙了。
一次生成式 AI 推理，大致可以分成两个阶段。第一阶段叫是Prefill，可以理解为「读题」。
用户给 AI 一份几十页的 PDF，或者告诉它「帮我总结过去一年和你的聊天记录」，模型首先需要把大量输入内容读进去。这部分工作会进行大量矩阵运算，所以计算能力依然非常重要。
到了第二阶段 Decode 的「答题」阶段，工作性质发生了变化。模型每生成一个 token，都需要不断读取模型参数以及之前累积下来的上下文，但实际进行的计算相对有限。
这就跟去餐厅吃饭一样，后厨的厨师已经炒好了 10 个菜，但是传菜员只有 1 个，那么从厨房（内存）到餐桌（计算）一次也就上一两个菜，根本不够吃。
问题的关键就是找到关键的问题：不是厨师不够，而是传菜员太少。
既然找到了关键的问题，那么产业就可以着手解决问题了，也诞生了不少方法。
有一种技术路线是 SRAM（Static Random-Access Memory，静态随机存取存储器）就像是板前料理，把厨房搬到餐桌前，饭菜做好了就能端到食客面前。但是吃过板前料理的人也清楚，这种就餐模式菜单固定，并且价格一般还很贵。刚好，SRAM 的单位面积成本很高，很难用有限芯片面积装下越来越大的 AI 模型。
HBM（High Bandwidth Memory，高带宽内存）就像是寿司郎，后厨很大，就餐区也很大，后厨和就餐区之间有类似于「高速列车」一样的传送带，嗖嗖嗖地上菜。寿司郎的情况大家也看到了，排队极其夸张，想吃好也不算便宜，同理，先进 HBM 依赖复杂的堆叠和封装技术，成本高，供不应求。
高通推出的高带宽计算技术（High bandwidth compute，HBC）是一种近内存计算架构思路，也就是前面说的「潮 1/2」，把餐桌（计算）搬到厨房（内存）那里去，减少数据和计算之间的搬运，从而加速 AI，减少功耗。
这其实和这么多年计算机产业的思考方向相悖的，过去是处理器越来越强，数据不断向处理器集中，但 AI 的发展迫使大家重新思考。当然，HBC 并不意味着以后所有计算都会跑进内存，Prefill （预填充）这样的高计算强度任务，依然需要强大的计算单元；游戏、视频编辑、影像处理同样不会消失。
大模型里的矩阵乘、向量运算、Embedding 查询、部分 Attention / KV Cache 相关操作，往往要读取大量数据，这些计算适合应用在 HBC 这里，也就是「数据搬运成本很高的计算」；CPU / GPU / NPU 依然负责「计算本身更复杂的任务」。
这本身也是一种异构分工。
HBC 技术虽然发布了，但商用还得一点时间，但针对 AI 对计算的新要求，以及旧需求旧模式依然很重要的情况，「异构分工」成为了一种核心的解题思路。
尤其是 AI 智能体手机这种新物种。
把 AI 计算放在最适合计算 AI 的地方去
如果手机只负责运行一个聊天机器人，事情其实会简单很多，做一颗巨大的 NPU，把模型塞进去，让它尽可能快地生成 token。
但要消费者接受的 AI 智能体手机显然复杂得多，它需要理解用户的个人情境，在多个应用之间运行，持续推理，并根据用户意图采取行动。未来更可能出现的，也不是一个庞大的模型包办所有事情，而是多个专用模型根据任务、情境和用户需求动态协作。
用户对手机说：
我晚上 7 点和朋友吃饭，帮我看看从公司过去会不会堵车，如果下雨就帮我叫车。顺便看看这家店有什么招牌菜，把朋友上次说不能吃的东西排除掉。
这句话背后可能发生一连串动作：识别语音；理解意图；读取日历；寻找餐厅信息；读取历史聊天上下文；调用地图；判断天气；必要时访问云端 API；最终再把结果呈现给用户。
其中既有大模型推理，也有操作系统调度、应用调用、网络通信、视觉和语音模型。
如果手机正在导航、录像或者运行游戏等等任务，事情还会更加复杂一些。所以 AI 智能体时代的芯片，并不会突然抛弃过去几十年建立起来的 CPU、GPU、NPU 分工。但是，CPU、GPU、NPU、缓存、内存乃至传感器中枢，都需要开始围绕 Agent 重新安排自己的位置。
即将发布的下一代骁龙旗舰的 Qualcomm Oryon CPU 有适合放到标题里的的数字：5GHz，这是首个最高主频达到 5GHz 的移动 CPU，高通称之为全球最快的移动CPU。
如果放在十年前的「核战争」时期，这绝对是媒体报道的焦点，但今天，还有另一个抢戏的技术：Qualcomm Oryon FlexCache 可扩展缓存架构。
它让不同类型的核心可以共享一个缓存池，并根据任务动态获得更多空间。当超级内核突然面对重负载时，它可以使用更大的缓存；当任务在线程之间迁移时，相关数据也能继续留在缓存里，无需重新跑一趟系统内存。
为什么需要这个技术呢？
这是因为 AI 智能体的工作方式天然就是「跳来跳去」。智能体任务会先理解问题，再调用一个工具；工具返回结果之后，再规划下一步；随后可能切换另一个应用或者模型。
5GHz 和 FlexCache 其实是一体两面：前者让智能体任务跳得更快，后者让智能体任务跳得更轻松。
类似的，下一代 Adreno GPU 则直接加入了专门面向 AI 计算的 Adreno Matrix Cores（矩阵计算核心），就是集成在 Adreno GPU 内部、专门负责 AI/矩阵计算的硬件加速核心。
过去几年，AI 在手机 GPU 中扮演的角色越来越重要，超分辨率、帧生成、降噪，很多过去依赖传统图形算法完成的事情，开始交给神经网络。高通同时推出 Adreno Neural Fusion 神经网络融合渲染技术，可以把神经网络处理、AI 超级分辨率和 AI 帧生成统一到图形管线中。
DLSS、FSR 之类 PC 端显卡技术已经证明了每一个像素并不一定都需要传统图形管线「老老实实」算出来，其中一部分可以由 AI 猜出来。
传统方法想让游戏从 60 帧变成 120 帧，往往意味着 GPU 得干接近翻倍的活。但是 AI 帧生成提供了另一种选择：有些帧可以「生成」。
但 AI 进入图形管线之后，又产生了新的问题，神经网络计算需要数据。如果这些数据依然在 GPU、NPU、系统内存之间来回穿梭，省下来的计算可能又被搬运吃掉。
于是高通又在 GPU 旁边放了一块 18MB Adreno 独立高速显存 HPM，它可以存放渲染目标、颜色缓冲、深度缓冲、纹理以及中间结果，让更多图形和 AI 数据停留在 GPU 内部。
觉得听起来有点复杂？没关系，因为它还是熟悉的思路：让饭桌离厨房近一点。
说完 CPU 和 GPU，到了 Hexagon NPU 部分，这种思维模式转变就更加彻底。
下一代 Hexagon NPU 新增了 Element Accelerator，它专门针对 Transformer 工作负载设计；同时扩大共享内存，让更多模型状态、上下文以及 KV-cache 保留在靠近加速器的位置。
这里的 KV-cache 可以简单理解成 AI 的「工作记忆」。用户和 AI 聊得越久，它需要记住的上下文越多，这部分数据也就越来越大。如果每生成一个 token，都要跑到远处重新翻一遍聊天记录，速度自然会越来越慢。
你懂的，还是把饭桌搬到厨房旁边，在新一代 Hexagon NPU 上，大容量共享内存最高扩容 50%，目的就是减少访问 DDR 内存的次数。
与此同时，高通还和模型厂商合作，引入了混合专家模型（Mixture-of-Experts，MoE）构建新一代终端侧 AI 架构。这种灵活架构可以让一个 30B 的 MoE 模型在保持数百亿参数可用的同时，在 NPU 上每次生成一个词元仅需激活约 30 亿个被路由选中的参数，这种动态选择机制就可以减少实际计算负载和内存带宽需求。
▲ 努比亚 Navi X Ultra AI 智能体手机，搭载高通芯片
AI 智能体手机就要来了，高通想要承前启后
智能手机发展到今天，其实已经很难找到真正独立工作的芯片模块了。按下快门的一瞬间，CPU、ISP、GPU、NPU 都可能参与其中。
游戏也是如此。CPU 负责游戏逻辑，GPU 渲染画面，AI 可以负责超分、帧生成，调制解调器还要维持网络连接。
AI 智能体只是让这种协作更进一步，Sensing Hub 会保持低功耗的环境感知；Oryon CPU 则像一个领班负责规划、推理和编排工作流，决定什么时候调用工具、什么时候访问云端；Hexagon NPU 承担主要的高效端侧 AI 推理；Adreno GPU 则可以参与多模型推理，同时继续完成图形任务。
技术发展的历史往往就是这样，今天那些已经理所当然的体验，最早都曾经是一串无人关心的技术名词。
▲ 荣耀 Robot Phone
十几年前，手机厂商第一次开始认真讨论 ISP 时，大多数消费者并不知道 ISP 是什么，后来我们有了「影像旗舰」。
同样的，当时的人们也很难想象一部小小的手机，可以玩主机级的游戏大作，但现在的 GPU 能力支持这么做。
所以高通对于 AI 手机的意义，也许就在这里。即将纷至沓来的 AI 智能体手机，不会在包装盒上写着「采用更大的 KV-cache」，就像影像旗舰也不会在包装盒正面写着 ISP 架构。
用户最终感受到的，只会是：手机更懂你；一句话能完成更多事情。
发生在 CPU、GPU、NPU 和内存之间的复杂调度，最终都会被隐藏起来。就像坐在「潮 1/2」里的客人，不需要知道一道菜从橱柜到案板究竟经过几米。
他们只知道这道菜上来的时候，一切刚刚好。
过去很多年，高通参与定义了手机的影像能力、游戏能力和连接能力。现在，这家名字意思是「高质量连接」的公司开始思考如何更好地连接起 AI 和计算，开始回答一颗真正为 Agent 而生的手机芯片，应该长什么样？
答案是有点难懂的 5GHz 的 Oryon CPU、FlexCache、Adreno Matrix Cores、18MB HPM、更大的 Hexagon 共享内存、以及未来更长期的近存计算探索。
也可以是很简单的那句话：把饭桌搬到厨房那里去。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
对话蚂蚁灵波 CEO 朱兴：机器人还吃不了「粗粮」
机器人打拳跳舞火了一年，它什么时候才能替我们上班？
前段时间宇树发布人形机器人格斗演示，称首次实现由世界模型实时驱动的全自主搏击。据其介绍，UnifoLM-X2-1.0 能实时预测未来状态，完成规划、决策和动态交互。
自主格斗让我们看到机器人临场反应的进步，但如果换成在药房里取放商品这样的场景，另一组难题又来了：包装各异的药品、有人走动的货架通道、长时间运行中不断出现的意外。
这些日常任务，需要机器人把一次次判断变成持续、可靠的工作。
APPSO 在 2026 外滩大会现场跟蚂蚁灵波 CEO 朱兴进行了交流。聊到机器人为什么连小卖部都还没大规模落地，他直言：「小卖部其实也很难落地。我懂你的焦虑，今天还是能力和成本两个都有问题。」
与许多围绕整机产品展开研发的本体厂商不同，灵波把重心放在具身「大脑」上，希望同一套基础模型能够适配不同构型、不同任务，再通过后训练降低具体场景的使用门槛。重载作业和轻量分拣可以用不同的身体，智能则尽可能复用。
生成可交互世界的 LingBot-World 也是灵波技术探索的一部分。它还训练了面向具身的视频生成基座 LingBot-Video，并在此基础上训练动作模型 LingBot-VLA 2.0，同时建设数据管线、后训练和部署工具。
朱兴关心的是，这些投入能否让机器人用更少的数据学会干活。
我们在外滩大会上，也看到灵波大脑的机器人展示了药品拣选、物流分拣和工业上下料等操作。药房演示中的货架通道仅 80 厘米宽，相关方案已在国大药房零售门店部署。
灵波也保留了自己的 R 系列本体，用于研发和生活服务探索。做具身大脑，仍然得与硬件、具体场景一起磨合。
在现场交流中，朱兴谈了不少尚未解决的问题：小模型能完成特定任务，为什么还要花钱训练基模？数据越多，效果为什么可能越差？商业化又该推进到哪一步？
对于日常生活中产生的数据，他的判断很有意思：今天的机器人还吃不了「粗粮」。
以下内容整理自蚂蚁灵波 CEO 朱兴的媒体沟通会，APPSO 略经编辑。
一、小卖部，也没那么容易
Q：药房、上下料看起来都很普通。为什么不选一些更能体现技术水平的场景？
朱兴： 我们更在意的是跟生态合作伙伴一起，做一些实实在在的落地。今天要让它做一个很炫的事情，那也是一个 demo。我让团队搞两个月，可以让四个机器人打掼蛋，展示高精度、触觉等非常多的技术，也没太大意义。
我们看重的是真实应用、数据的产生。在这个过程中，让模型迭代循环起来，知道还有哪些不足，要提升什么。
产业也想搞既能规模化应用、又更帅的东西。做不了，模型能力还没到那一步，或者成本还没到那一步。
Q：连抓取、放置这样的简单操作，也很难做到 100% 成功吗？
朱兴： 要看场景、环境和任务本身操作序列的复杂度。
小卖部其实也很难落地。我懂你的焦虑，今天还是能力和成本两个都有问题。 模型能力、硬件稳定性，有些就是够不着。
今天整个模型还在冷启动阶段。基模干什么？是把小学生培养成初中生、高中生、本科生，现在可能还在比较早的阶段。
相对客观地说，现阶段想做一定规模的落地，环境不能太开放，任务不能太长程。任务太长，异常就多。今天主流可落地的产品基本还是模仿学习为主，最怕异常，因为没见过。还有成本约束，你创造的价值不够，自己又贵，长期也玩不转。
Q：既然如此，先把一个小模型训到能稳定干活，为什么还要投入通用基模？
朱兴： 如果阶段性只做一个非常特定的任务，也不追求规模化复制，直接怼一个小模型，也不是不能做。但你要看，规模化是不是意味着跨场景、跨任务、跨场所复制，这里面有泛化的挑战。
基模能力跟成功率不冲突。基模很大的价值，就是让后训练的少样本表现更好：用更少的数据达到同样的效果，或者用同样的数据达到更好的效果。 这个效果就包含成功率。
基模提升是水涨船高，跟大语言模型的基模发展，带动生态应用是一样的道理。
Q：从一家门店复制到另一家，现在卡在哪儿？
朱兴： 我们过去一段时间把模型从实验室拿出来，跟很多伙伴做落地，确实会遇到一个门店和多个门店复制的问题。现在复制成本很高，本质上还是泛化性不足。不同药房、不同便利店，环境有很多不一样。
短期可以先选没那么开放的环境，压缩泛化的挑战；任务不要太长程，先偏单任务。模型可以先驱动一部分环节，再到更多地由模型主导，能力成长要有一个爬坡过程。
二、矿泉水不能跳着舞落到手上
Q：现在很多做视频、游戏的公司都在谈世界模型。它们的能力，能直接用来控制机器人吗？
朱兴： 有些词的概念很泛。具身的世界模型，跟数字世界、游戏里的模型，客观讲也不是一种生物。以视频生成路线为基础的这类世界模型，底层用的是视频生成的原理，但数字世界和物理世界差别比较大。
数字世界的模型，满足的是内容需求：丰富、好看、创新、特效、画质。只要好，用户可以接受延迟。
机器人需要什么？它不需要那么好看，也不需要特效，需要的是合理，符合物理规律，因为最终要变成动作，控制机器人。
比如我现在想喝这瓶矿泉水，矿泉水在天空中跳个舞，落到我手上，肯定好看，但不符合物理规律，没意义。
机器人第一在乎是否符合物理规律，第二需要高性能、实时。 它在物理世界里不断输入、输出，不可能等你帮它生成一个很好的故事。
Q：灵波也尝试过在通用视频模型上微调。为什么后来决定从头做？
朱兴： 1.0 系列的时候，我们也是基于数字世界的通用视频生成模型，比如 Wan，通过微调把它硬调到适合机器人。
一个问题是上限不高。另一个问题是，调到最后会破坏前面模型的先验和知识，副作用就是泛化性降低。走到后期，我们真的是撞到南墙了。
所以我们很早就启动了更原生的研发。LingBot-Video 训练时加入了大量机器人真实数据，再基于它训练 LingBot-VLA 2.0。
我们相信物理智能需要基于物理真实数据，从 0 到 1 训练自己的基模。数字智能，包括多模态、大语言模型的发展，可能会给具身很多助力，但内核部分还要靠具身本身解决。
Q：从头训练基模，投入更大、风险也更高，为什么还要选？
朱兴： 因为我们希望长期发展，选择上限更高的路线。从 0 到 1 大规模训基模挺费钱的。
大语言模型兴起之后，有的选择基于别人的基模微调，有的冒更大风险投入预训练。选择后者也不见得跑得出来。今天具身也进入了「百模大战」初期，你选一个更高上限的路线还不见得做得出来，但不选择的话，肯定做不大。
Q：LingBot-World 2.0 开放了 1.3B 小模型。模型小了，幻觉和效果损失怎么办？
朱兴： 不可能说幻觉完全没有。模型小了这么多，效果完全保持一致，也不现实。
我们之前说过会开放更小的版本，希望对高交互世界模型感兴趣的人能更多地玩起来，这是想给技术社区做的贡献。
这次也开放了一部分训练技术。比如怎样训练单向因果的能力，机器人的时间一定是单向的，在线预测要按时间顺序使用已经发生的观测，不能依赖未来的真实帧。从现在到未来，不可能穿越。这些技术本身也有门槛，希望能帮助开发者和学术界。
三、「炼丹」背后，是数据的配方
Q：行业总在谈百万、千万小时数据。你相信 Scaling Law 吗？
朱兴： 我也相信 Scaling Law。但不能这么机械地看数据量。
现在已经有这种现象：一个模型用的数据比另一个多了 3 倍、5 倍，效果却差，但在某些类型的场景任务上表现得特别好，肯定是数据分布大量不均衡。我们做基模，谈的是一定的通用性。
量重要，但更要谈质量和分布。大家老说「炼丹」，炼丹背后就是配方，数据的配方。
我知道大家特别想大力出奇迹，觉得怼到多少小时，智能就涌现了，具身智能新时代就来了。这个事情不太简单。
Q：有人说数采厂 90% 的数据无效。问题出在数据供应商，还是模型公司？
朱兴： 我不知道这个数字是谁说的，怎么统计出来的。确实，不管哪种数据源、哪种采集方式，都有大量场景重复。过度重复的数据，意义没有那么大。
但作为模型方，你有义务定义需要什么数据、什么质量，不能把这件事赖到数采厂。
数据需求是模型训练来定义的：要什么类型，什么分布，覆盖哪些场景、哪些任务。难采的先试采，形成比较好的标准作业流程，再交给供应商上量。这是模型厂商很核心的经验和能力。
供应商则要把执行做好。要求采抓药瓶，就要把轨迹质量、平滑性、适当的泛化性做好。各有各的责任。
Q：灵波具体怎么做？
朱兴： 我们很早就转向定制化采集，不怎么购买成品数据了。成品数据容易有技术质量差、大量重复的问题，导致最终能用的比例很低。
我们跟供应商在作业流程、端到端数据管线的自动化集成上，做了很多工作。内部从原始数据到能进入模型训练的数据漏斗，可用率比较早就从 15% 左右拉到了 90% 以上。
还有一个特别关注的问题：数据从生产出来，到进入训练，到底要多久，是一周还是三天？我们跟供应商基本采用流式交付，不等一大批数据攒齐再交。
Q：想把质量握在手里，是不是最好自己建数采厂？
朱兴： 没必要非黑即白。
专业供应商有大规模用工的能力。管理很多生产员，怎么考核、激励，产能怎么保留弹性，这也是能力。至少灵波不擅长，也不想把自己搞得那么复杂。
未来数据要进入更多场景，进入场景本身也需要运营。我们把数据管线做得更高效，对数据理解得更深，再跟专业服务商配合，是 1 加 1 大于 2。
Q：第一人称视角的 Ego 数采很热。戴个头环、眼镜拍下人干活，就够了吗？
朱兴： Ego 是一个很好的思想，以人为中心，更便携，更容易进入开放场景，能够增加场景和任务的多样性。但要看具体怎么采。
头环加裸手，当前比较大的问题是精度。手的轨迹是重建出来的，误差过大的时候，数据价值就打折了。
我比较看好结合高精度、便携的触觉手套。既保留 Ego 的优势，又借助硬件和算法解决精度问题。还有一个重要的点，视觉和触觉的信息天然可以对齐，只要误差不要太大。这类数据对下一步模型发展意义很大。
至于设备有两个、四个还是六个相机，视角不同，都有用途。关键还是数据满足什么标准，轨迹精度够不够。
Q：互联网视频、仿真和真机数据，到底应该怎么配？
朱兴： 不要轻易谈不同数据源的配比。互联网视频操作数据那么多，配那么一点点真机数据，不就淹死了吗？
要分训练阶段。越往预训练，我们越希望获得场景泛化，所以用无本体数据、互联网视频等更容易扩大规模的数据。越到后训练，越要针对具体场景、具体任务把成功率拉上去，贴近机器人的数据就越有价值。落地前还要采数据，就是让模型熟悉机器人的构型、任务和环境。
仿真数据也有价值。我认为今天更多体现在中后训练，尤其是针对某个具体任务，强化成功率。每种数据都有阶段性的价值，不能混在一起只看一个总量。
四、真正的飞轮，要能接住失败
Q：数据一直要靠人专门去采。什么时候才能让机器人边工作，边给自己积累数据？
朱兴： 今天还很早，是冷启动，靠各种数采强制喂。再往前走，有一点应用规模了，至少部分场景里的异常数据飞轮可以转起来。
这时候看重的是异常数据，成功数据没有那么大意义。
Q：再往后，真正的数据飞轮会是什么样？
朱兴： 我认为什么才是具身智能真正的数据飞轮？其实每个人的日常生活或者工作过程中，都在为机器人生产数据。
Q：这些日常数据，现在能直接给机器人用吗？
朱兴： 你现在给它，它也吃不了，吃不了「粗粮」。
Q：既然关键在数据，是不是模型架构已经没那么重要了？
朱兴： 数据现在很重要，未来更重要。但模型范式没有完全收敛。世界模型的能力怎么用好，机器人未来的学习范式，都还要发生变化，必须持续探索。
不要把这个跟 Transformer 那一层的计算架构混为一谈。计算架构一换，大家都会换。模型范式有新东西出来，别人也会对齐。
所以要把数据管线做得更高效，对数据的理解更深。离开这个东西谈模型，没有意义。
Q：那大语言模型公司下场，会不会很快把这些优势抹平？
朱兴： 我打个比方，如果今天 OpenAI 或者 Anthropic 下场做自动驾驶，能短时间颠覆特斯拉吗？
大模型厂商在训练能力等方面有优势。但自动驾驶更核心的壁垒，还是数据：什么是好数据，对数据的理解，以及数据管线。
通用大模型可以提升机器人特定阶段的研发效率，是很好的工具支持。但具身面临的数据挑战还在那里，还是要自己解决。
五、人形，不必成为执念
Q：为什么把适配不同机器人构型，看得这么重？以后不会收敛到一种通用的人形机器人吗？
朱兴： 构型泛化是长期存在的问题，也是产业需要。
先看生产力场景。高负重的重载作业，和很轻的分拣，为什么要同一套硬件配置？为什么一定要同一种构型？有的单臂用六轴就可以，有的需要七轴甚至更多。要服务效率，背后是成本。
再看家庭，每家的第一需求也不一样，有的要老人看护，有的要陪伴，喜好也不同。人都有高矮胖瘦。
我觉得机器人没必要长得像人、什么都像人。 我们更应该看具身智能作为一项技术，能在社会里创造什么价值。把「人形机器人必须更像人」当成第一性原理，我不觉得是科学的方法。
Q：外骨骼这类产品好像不太需要大脑。一定要用大模型，才算好的机器人吗？
朱兴： 我们谈具身智能、谈大脑，一般希望它能泛化。有的场景不需要怎么泛化，完全可以用其他技术更稳健地解决，这是没问题的。
技术都是手段，最终满足场景需要是最关键的。 过去工业机器人基本上把能穷举的规则都做了，再往前，有些场景就做不了了。
Q：灵波做大脑，为什么还要做自己的 R 系列机器人？
朱兴： 研发肯定需要软硬一体。模型需要数据，数据由硬件产生，自己不做，也得找别人定制。
另外，蚂蚁集团的核心业务沉