公开“叛党”、低级搅局！美国中选最后时刻“精彩纷呈”
[分享创造] 挂着日本节点，网站一眼就看出我是中国人。所以我写了个工具， 看谁卖了我
前阵子我一直以为自己藏得挺好。
日本节点，IP 查出来是东京，Amazon 机房。我心想这下网站总认不出我了吧。
👉 https://who.1ms.dog
后来写了个小页面，把网站不用问你、打开就能读到的东西全读了一遍，再拼成一段话。读出来是这样的：
你可能是中国人，现在在东京。你说中文（中国），时区是中国标准时间……DNS 解析器在中国。
IP 是换了，可时区没换，浏览器语言没换，DNS 也还在国内。最离谱的是 WebRTC：它直接把我家联通的 IPv6 报了出来。代理开了个寂寞。
不弹任何授权，它能读到多少
页面里一共 71 个「嗅探器」，全是普通网页就能调的接口：不要定位，不要摄像头，一个授权框都不弹。
读到的东西大概有这些：
- 服务器那边：IP 、城市、ASN 、离你最近的 Cloudflare 节点、TLS 指纹，还有你电脑的时钟准不准
- 浏览器这边：系统和版本、屏幕和刷新率、显卡型号（ WebGL 直接报出 RTX 4080 SUPER ）、CPU 线程数、内存、键盘布局
- 偏好：深色模式、有没有装广告拦截，甚至装了哪些插件（钱包、沉浸式翻译、Dark Reader 这些会留痕迹）
- 字体：装了哪些字体，能看出你大概是写代码的还是天天用 Office
最后拼成一段话。每个空都能点，点了会告诉你是哪几个嗅探器填的。
年龄那一栏是空的，写着「网站从这些猜不出」。确实猜不出，我也不想瞎编。
我最想要的部分：哪里露了馅
光列数据没意思。网站真正用来识破代理的，是互相对不上的地方。所以右边有 9 项伪装检测：
- 时区和 IP 对不上（ IP 在日本，系统是 UTC+8 ）
- 浏览器语言和 IP 所在国家对不上
- DNS 泄露：替你解析域名的 DNS 在国内
- 分流：国内网站、国外网站、ChatGPT 、Claude 看到的出口不一样
- WebRTC 泄露真实地址
- IP 是机房的（很多网站直接拿这个判断你在挂代理）
- UA 说自己是 Mac ，显卡却是 NVIDIA
- 指纹稳定不变，网站能一直认出你
navigator.webdriver为真，一看就是脚本在控制浏览器
每一项标红标黄的，旁边都有个「怎么修」，展开就是具体操作：DNS 泄露怎么配 fake-ip 或 TUN ，WebRTC 怎么关，时区去哪改。
我自己照着改完，从 7 处降到了 2 处。剩下那两处是机房 IP 和指纹，前一个是节点的问题，后一个本来就没什么好办法。
WebRTC 泄露单独做了一页
这个坑踩的人太多了，所以单独拉了一页：who.1ms.dog/zh-cn/webrtc-leak/
它会把 WebRTC 拿到的地址和网页看到的地址放在一起对。IPv4 、IPv6 分开比，只有确认是另一个出口才报红。有些 VPN 只转发 IPv4 ，漏出来的 IPv6 也会给你标出来。
浏览器指纹这件事
页面上有张「指纹卡」，是用 Canvas 、WebGL 、音频、字体算出来的一串 ID 。
换网站、开无痕、开 VPN ，这串东西都不变。下次再来，它会告诉你「上次是哪天来的，指纹变没变」。这个记录只存在你自己浏览器里，我这边拿不到。
但它说明了一件事：网站不用 Cookie 也能认出你，平时那么多「跨站追踪」，靠的就是这个。
可以分享，但不带 IP
测完可以生成一张图或一个链接发给朋友。
分享出去的内容里没有 IP ，也没有指纹。城市和运营商默认打码，要自己勾选才会带上。朋友打开链接，看到的是你的画像，下面有个按钮「测测我自己」。
关于隐私
做这种东西，自己先得干净：
- 后端只有一个接口，返回它从这次请求里本来就能看到的东西（ IP 、请求头、Cloudflare 给的地理位置），不存、不记日志
- 除此之外全在浏览器里算
- 为了查出口和 DNS ，页面会直接请求几个外部服务（ IPIP 、IP.SB 、chatgpt.com 、claude.ai 等），每一行都写了是谁，你访问它们时它们本来就能看到你的 IP
- 截图前可以点「隐藏位置」，地址和城市会模糊掉，我这几张图就是这么截的
开源，MIT
https://github.com/yt1988/who-are-you
跑在 Cloudflare Workers 上，npx wrangler deploy 就能部署一份自己的。支持 10 种语言。
最后，回帖说说你挂着代理能暴露几处？我改之前是 7 处，现在 2 处，机房 IP 实在没办法 😂
[职场话题] 看公司 360 绩效评价系统 6 个月有感
公司内部有一个自建的前端、后端、测试、产品经理、项目经理互相评分的问卷系统，系统有以下特点：
1. 设计上匿名，但我用 AI 分析了下，系统存在漏洞，可以根据某些条件例如提交时间，分析出评分人
2. 可以给自己打分
3. 一个人可以参与多个项目，每参与一个项目，则有一份归属于项目组的问卷，项目组内的人互相评分
实在是八卦，于是自己写了个系统，对评分数据做统计分析，发现同事可以分为以下几种类型
鼓励型：
给所有人高分，留言也毫不吝啬赞美之词
严厉型：
平等的给所有人低分，包括他自己
严于律人，宽于待己：
给自己打高分，给别人打低分
最/的一种人，玩成了零和博弈，通过踩踏别人的方式，提高自己的排名，总体占比不多，女性占多数
半泽直树型：
目前仅发现一例，估计也能看到后台数据，谁给他打低分，他就加倍给对方打低分
就感觉这系统，完全成了笑话。
我也说不好匿名制是不是个败笔，如果实名制，大概率会出现，诚信互刷高分的情况？
[分享发现] 终于轮到我被封号了，顺便问下 argon
两个 Claude 老号，网络环境一直很稳定，pure 检测全绿。去年年底一直用到现在都没事。
过了个周末，早上来两个号都被干了。
问一下大伙 Gemini 前端设计和思考能力怎么样，我现在有 codex pro20x 和 glmmax 订阅 这俩干活还行，搞页面和设计审美实在太拉胯了。 argon 有没有实测过的
[问与答] 写了个 Windows 远程运维工具 Reins——单 Go 二进制,被控端零入站端口
地址:https://github.com/V-T-V/reins
一句话:单个 Go 二进制的 Relay + 一行命令装的 Agent(iex (irm .../install.ps1)) + 50+ 命令 CLI,Windows 远程操作一等公民:远程 PowerShell 、录屏会话、服务/进程树管控、计划任务、截图、GUI 自动化、浏览器自动化、自更新——被控端零入站端口(Agent 反向 WS 出站连回,NAT 直接穿)。
为什么自己写:TeamViewer 商用检测烦够了;Teleport 换了许可证且是访问平面不是运维平面;MeshCentral 的 Agent 被滥用到杀软总拦;TacticalRMM 是 Python 全家桶,我只想 scp 二进制 && 运行。
几个设计:一机一证(mTLS+CA+CRL 吊销)、多租户 RBAC 、hash chain 防篡改审计+SIEM 导出;给 AI 代理上了缰绳——被管项目放 .reins/rules.md 运维规则,自动化必须先读规则拿内容指纹 ack 才能执行,规则一改旧 ack 失效,配套 MCP Server(Claude/Cursor 原生可调,但门禁在执行层换客户端不换闸);DAG 编排失败整枝跳过;文件传输分片+断点续传+per-chunk SHA256 。
规模:256 个 Go 文件 / 48.9K 行 / 569 测试(CI 带 race)/ 6 平台二进制附 SBOM 。
边界:Windows 一等公民;Linux 覆盖 85%(Ubuntu/WSL2 已实测);单 Relay 默认(Redis 扩展接口已留)。杀软误报是品类常态(MeshCentral 签名版也照样被报),处置方法:https://github.com/V-T-V/reins/blob/main/docs/antivirus.md
MIT 无 Pro 版,欢迎拍砖。60 秒 demo:https://v-t-v.github.io/reins/
[推广] 送一些 ImgURL 图床兑换码，已运营超过 8 年，需要博客、文档、论坛贴图的自取
很久没在 V 站送 ImgURL 图床的兑换码了，正好双 11 快来了，继续送几批图床兑换码，如果您需要在博客、文档、论坛贴图的话可以试试。
注册 ImgURL 图床
还没注册 ImgURL 图床的用户可以前往：https://www.imgurl.org/user/register?invite_code=RJYXMT 注册。
注册完毕后在个人中心https://www.imgurl.org/account/index 完成兑换。
送 ImgURL 图床兑换码
计划送 5-10 批兑换码，每批 10 个，持续在这个帖子补充。如果您使用了某个兑换码，还请留言告知，以免其它用户重复尝试，回帖后还能参与抽奖。
ImgURL 图床本身提供了免费版，不过免费版限制每月上传 300 张，使用下面的 V2EX 专属兑换码额度可提升至 1200 张/月(有效期 2 年)，对于大多数个人用户来说应该足够了。
第一批兑换码：
V2EX-QRBZSXC9J6J
V2EX-MTPTMM2P0IB
V2EX-DQR3UASPGYK
V2EX-XNXK4UNKUN7
V2EX-V4TJTAQOZAW
V2EX-68W5ZSBZXFS
V2EX-4JW1YLXPB4K
V2EX-AXVD7VSR8VN
V2EX-KRKRWISLYJG
V2EX-04H7ZLJPYG5
用完了我在本贴持续补充。
留言抽奖
凡是本贴留言的用户均可参与抽奖，奖品为： [ ImgURL 双 11 超值两年包] ，奖品份数为 5 份，2026 年 11 月 6 日开奖。
- 额度提升至 1800 张/月
- 两年有效期
- 直链访问
- 无页面广告
- 存储容量提升为 10GB
反馈送积分
凡是在本帖为 ImgURL 图床提出建议的用户，一经采纳，直接赠送 1000 积分作为奖励，积分可用于重置次数或兑换更多的长期空间。
ImgURL 图床使用地址为：https://www.imgurl.org/ 运营已超过 8 年，欢迎留下你的宝贵意见。
嫌麻烦的老板，也可以直接在：https://www.imgurl.org/pricing 选购双 11 活动套餐，感谢支持。
[分享创造] 大龄程序员，备考研究生学 AI
大专毕业到现在写了 10 多年代码了。 明年 12 月我要考计算机研究生。
我做跨境电商的。今年开始，我几乎不手写代码了。 需求丢进 AI ，代码出来，看一眼，就能上线了。几年后还需要我来看一眼吗？
AI 之前的软件工程，难如操作系统、浏览器、编译器，我一个都没写过。 但给我时间，我能写出来。至少我知道，它是怎么运转的。
AI 不一样 我不知道它是怎么实现的。我不知道一堆概率统计，怎么会长出“智能”的。
打不过就加入，于是我想加入一个实验室去学习。 既是担心未来工作，也是想把“什么是智能”这个问题弄明白
一年时间，高数线代、408 、英语、政治。有很多东西要学，时间不多了。
[分享创造] FolioSpace Library 更新：整理书库和阅读排版，接入 TMDB，还有三个配套客户端
之前在 V 站分享过 FolioSpace Library ，最近继续做了一轮更新，来汇报一下进展。
我做它的起因很简单：NAS 里的书、漫画、游戏和电影越来越多，但存进去之后，真正打开它们的次数并不多。我希望有一个统一入口，让这些收藏更容易被找到、阅读和播放。
Library 通过 Docker 部署，负责整理自己的文件，也自带 Web 界面。项目开源：GitHub 和部署说明。
这轮主要改善了两件事。
书库和阅读排版：电子书、漫画可以分别浏览，EPUB 、PDF 支持筛选，漫画目录层级也重新整理了。已有 Calibre 书库可以读取书名、作者和封面。EPUB 改善了双栏宽度、阅读位置恢复、键盘翻页和脚注跳转。
内置的 Web 阅读器我也花了不少功夫：不装客户端，直接用浏览器就能读电子书、PDF 和漫画；手机和平板上的阅读布局、翻页与条漫浏览也做了适配。
影视库接入 TMDB：可以搜索并确认影片、剧集信息，补充海报和季集目录。需要自行配置 TMDB 读取令牌，按需匹配；也可以继续使用本地 NFO 、图片和手动填写的信息。
另外，我也在持续开发三个配套客户端：
- FolioSpace Reader：在 iPhone 、iPad 、Vision Pro 上阅读电子书、PDF 、漫画和条漫。最近也加入了 iPhone Duo 支持，连接 Library 后，可以方便地从自己的书库加载书籍和漫画。
- FolioLume Player：观看自己的影片收藏，支持多种本地和网络来源，以及兼容的蓝光原盘播放、菜单和字幕功能。
- SpatialEMU：浏览 Library 中的游戏收藏，在支持的设备上运行兼容游戏。
三个客户端都可以独立使用，也都已在 App Store 上架。其中 FolioLume Player 暂未在中国区上架，需要使用已上架地区的 Apple 账户下载。
顺便提一句，绿联官网也写过一篇 FolioSpace Library 部署教程，有安装步骤和使用截图，初次接触可以参考。教程使用的是早期版本，当前配置以项目文档为准。
欢迎有类似收藏习惯的朋友试试，也想听听大家实际使用时，最希望先改善的是哪一部分。
如果你也在做阅读器、播放器或其他客户端，也欢迎通过 Client API 接入自己的 FolioSpace 资料库。接口和文档还会继续完善，也欢迎交流需求。
JimuBI v2.5.6 发布，修复 7 项安全漏洞
DeepSeek 团队把 Agent 设计成“操作系统”：多任务的上限不该是人的注意力
天数智芯天垓300实测对标H200，国产GPU接下来拼什么？
在实测场景中达到H200的性能水平后，国产GPU的竞争，开始进一步转向系统效率、软件适配与实际交付。
本周的天数智芯媒体开放日上，最新一代天垓300与H200的实机对比，是最直观的性能展示。让GPU与专用芯片组成异构系统，是对推理效率的新探索。软件栈引入Agent与Skills，则试图解决客户部署、适配和优化的工程难题。
天数智芯表示，今年完成的一组第三方测试中，在典型PD分离部署下，天垓300折算单卡端到端吞吐达到H200的1.05倍。这表明国产通用GPU在特定高端推理负载中，已经拥有与H200直接竞争的性能基础。
但从性能接近到客户采购，再到持续扩容，中间仍隔着系统效率、软件适配和稳定交付。当硬件具备竞争力，国产GPU怎样把这种能力转化为客户持续使用的理由？当推理催生更多专用芯片，通用GPU的独特价值是什么？
从云端天垓300到端侧彤央系列，天数智芯也在拓展产品布局，将竞争延伸到不同形态的算力需求中。
天垓300对比H200实测，性能小幅领先
过去很长一段时间，峰值算力是国产AI芯片受到关注的重要指标。但对最终用户而言，设备每秒真正产出多少有效Token，比参数表上的理论算力更接近采购决策。
天数智芯披露的第三方测试覆盖四大主流模型、三类场景。其中，1.05倍指典型PD分离部署下，折算单卡的整体端到端吞吐，反映的是特定模型与部署条件下的系统表现。
另外，根据天数智芯性能实验室的数据，在GLM-5.3的64K长上下文场景下，保障同等用户体验时，天垓300的MoE吞吐达到H200的1.15倍。在8K至128K长上下文的Agent场景中，首字延迟较H200降低约10%至30%。
前者关系到系统能够承接多少请求，后者关系到用户发出请求后需要等待多久，它们对应不同工作负载与性能指标。
天垓300能够在这些场景中取得性能领先，一个关键是针对实际负载进行了架构优化。
基于天枢架构的天垓300，单卡显存容量达到144GB，并围绕Attention、MoE等计算环节进行优化。长上下文需要容纳更多状态，也增加了Attention计算压力。MoE虽然通过激活部分专家控制计算量，却带来了小规模矩阵计算、专家分配和数据交换等新问题。
为此，天垓300让Tensor Core与Vector Core并行处理Attention中的矩阵运算和Softmax等向量操作，同时针对MoE中的小规模矩阵、低精度计算与通信协同进行优化。
这些针对性设计，有助于减少不同计算环节之间的等待，把更多硬件资源转化为实际产出。
此次披露的测试与现场演示，展现了天垓300进入高端推理实际竞争区间的能力。对客户而言，下一步要比较的，是在同样的响应要求下，系统能承接多少请求、持续运行表现如何，以及需要付出多少设备、电力和运维成本。
推理需求催生专用芯片，GPU的价值会被削弱吗？
随着推理需求快速增加，以LPU为代表的专用推理芯片备受关注，不同计算环节对硬件的要求也进一步分化。
Prefill处理输入，通常更偏向计算密集型任务；Decode逐步生成Token，更容易受到访存、任务启动和同步开销的影响。进一步拆开，Attention与FFN对计算、带宽和存储的需求也不相同。
当某类任务足够稳定、规模足够大，专用芯片就有机会通过针对性设计，获得更好的性能或能效。让一种通用GPU处理所有环节，未必始终对应最低的成本。
天数智芯展示的AFD分离方案，就是对这种分工的回应。
它在Prefill与Decode分离的基础上，继续拆分Decode阶段的Attention与FFN：天垓300承担Prefill全流程计算，以及Decode中的Attention；合作厂商的XPU承担FFN专家网络计算。
运行过程中，GPU把中间激活数据发送给XPU，XPU完成计算后返回结果，继续推进模型生成。天数智芯给出的对比结果显示，在所展示的方案中，Decode推理延迟降低60%。
天数智芯AI与加速计算负责人单天逸表示：“未来的AI算力系统，不一定由一种芯片包打天下。关键是如何把它们高效组织起来，让整个系统发挥更大的价值。”
异构分工为不同芯片提供了合作空间，GPU的通用性则关系到系统能否持续适应模型变化。
天数智芯副总裁邹翾对雷峰网表示，专用硬件可以在固定工作负载中实现较大的性能提升，但模型与算法仍在快速迭代，公司坚持以通用框架为基础，结合专用加速能力。
商汤开源 SenseNova Loop-9B-Preview：探索以计算深度释放模型潜力
商汤开源日日新 SenseNova Loop-9B-Preview。这是商汤面向下一代模型架构的一项前沿探索：它采用创新 Looped Transformer 架构，引入循环计算、扩展模型的有效计算深度，并探索更充分的信息交互机制，提升模型在复杂任务上的处理能力，在仅 9B 的有限参数规模下，媲美 27B 参数大小模型。
从参数规模到计算深度
随着大模型能力持续演进，模型能力提升不再只有扩大参数规模一条路径。如何在控制参数规模的同时，通过增加有效计算深度进一步释放模型潜力，正成为值得探索的方向。近期，循环计算正成为大模型架构研究的重点方向，国内外研究社区围绕 Looped Transformer 展开了攻关探索。但目前的探索多停留在学术研究层面，社区尚缺乏可直接面向日常使用的 Looped Transformer 模型。
此次开源的 SenseNova Loop-9B-Preview，为社区提供了一个 9B 级 Looped Transformer 的开源实践，既填补了这一空白，体现了商汤对下一代大模型架构的持续探索与思考。
不过，如何让多轮计算真正转化为模型能力的提升，尤其是在信息传递、特征交互和训练稳定性等方面，仍有进一步探索的空间。现有相关工作仍以研究验证为主，如何在更大模型规模下兼顾计算深度、模型能力与实际应用需求，也有待持续推进。
循环结构与信息交互机制
SenseNova Loop-9B-Preview 以 9B 尺度模型为基座，保留首尾各 4 层原始解码器模块，将中间层改造为参数共享的循环计算模块，通过多轮迭代扩展有效计算深度。
在此基础上，模型进一步探索循环计算中的信息传递机制，尝试引入 mHC（Manifold-Constrained Hyper-Connections），利用多路残差连接与受约束的信息混合，增强特征交互并维持信号传播的稳定性。整体设计旨在控制参数规模的同时，探索提升模型推理能力的新路径。
模型表现：在多类复杂任务中展现潜力
SenseNova Loop-9B-Preview 在保持 9B 级参数规模的同时，展现出较强的跨任务性能。在当前评测设置下，模型在代码生成、办公场景和智能体任务等多个方向上均优于其他模型，并在 WorkBuddy Bench、RaccoonPPT Bench 和 AutomationBench 等评测中进一步超过 Qwen3.5-27B。这些结果初步展现了通过扩展有效计算深度，提升小参数模型复杂任务处理能力的潜力。
商汤进一步通过消融实验评估了 mHC 的实际收益。采用该机制后，模型取得明显的性能提升，其中 GPQA Diamond 和 TeamBench 分别提高了 4.42 分和 13.34 分，展现出在复杂推理任务以及多步骤 Agent 任务中的应用潜力。后续还将继续探索 DSA、自适应迭代次数等机制，以提升模型的推理效率与任务表现。
持续探索下一代模型架构
SenseNova Loop-9B-Preview 只是起点。面向下一代 SenseNova，商汤将进一步探索 Looped Transformer 在更大模型规模下的 Scaling 潜力、自适应“快慢思考”机制，深度挖掘参数共享的更多潜能，以更灵活的计算方式、更高的参数效率，持续突破模型能力与推理效率的边界。
模型权重开源：
Github：https://github.com/OpenSenseNova/SenseNova-Loop
Hugging Face：https://huggingface.co/sensenova/SenseNova-Loop-9B-Preview
智能驾驶进入物理AI时代？7位行业嘉宾给出最新判断
10月26日，第八届智能驾驶大会暨2026环秀湖物理AI产业发展推介会在苏州相城举行。
上一届，车路云一体化、智能驾驶出海和无人驾驶商业化是讨论重点，而到了今年，大会的讨论边界进一步从智能驾驶向物理AI延伸。
世界模型、强化学习、端侧智能、虚拟仿真、Robotaxi之外，机器人、低空飞行器等不同形态的物理智能开始出现在同一场大会上。这背后，是智能驾驶行业正在面对的一组新问题。
一方面，高阶辅助驾驶已经进入规模化上车阶段，Robotaxi也开始从技术验证走向运营和商业化；另一方面，当AI真正进入汽车、机器人、飞行器等物理设备，如何获得足够的数据、如何训练和验证模型、如何降低开发成本，以及如何保证系统在真实世界中的安全性，正在成为新的技术难题。
当天，包括Momenta、曹操出行、面壁智能等企业，以及高校和科研机构的多位嘉宾，从世界模型、强化学习、端侧大模型、虚拟仿真、车路云和物理AI基础设施等方向给出了自己的判断。
总结这些发言不难发现，智能驾驶正在成为物理AI最早进入现实世界的一块试验场。而从一辆车的自动驾驶，到机器人、低空飞行器以及城市交通系统，不同技术路线正在回答同一个问题：AI如何从数字世界真正进入物理世界，并形成可以规模化运行的产品。
中国工程院院士，清华大学车辆与运载学院教授、智能绿色车辆与交通全国重点实验室主任 李克强
关键词：智能驾驶安全、车路云一体化、单车智能瓶颈
李克强认为，汽车智能化已经进入大规模应用和商业闭环阶段，当前首要问题是智能驾驶系统安全。仅依靠单车自身的传感器和计算能力存在物理边界，高级别自动驾驶需要从单车智能进一步向车云协同、车路云一体化演进。
他将当前自动驾驶产业的瓶颈归纳为三类：一是部分产品定义与国家、国际标准存在偏差；二是高安全、高可靠自动驾驶的关键技术仍待突破；三是行业投入与商业产出仍不匹配。
技术层面，他认为主要存在三个问题：
感知能力仍有边界。如果车辆“看不见、看不远、看不全”，再强的AI决策也无法弥补信息缺失，因此需要通过超视距感知、数字信号上车和协同感知增加信息来源；
AI模型训练数据仍不完整。自动驾驶正在进入多模态和大模型阶段，但数据类型和场景覆盖不足仍可能产生安全问题；
开发效率较低。当前大量系统仍采用“烟囱式”架构，缺乏统一底座，存在开发门槛高、复用率低和验证周期长等问题。
李克强提出，车路云一体化可以提供两类核心能力：一是建立标准化“数据轨道”，向车辆提供广域、多维、实时交通信息；二是形成面向AI大模型的数据服务体系，为模型持续提供高可靠数据。
目前相关方案已经进入产业化验证。包括北京、重庆在内的城市正在开展车企协同开发，应用场景覆盖前方静止障碍物、“鬼探头”、绿波通行等。部分项目已经进入量产阶段，今年已有7家车企推进相关应用，中国一汽也已公布量产导入。
他认为，高级别自动驾驶未来需要解决三个问题：正视安全瓶颈、突破单车智能的物理边界，并通过车路云一体化降低开发成本、提高研发效率。
欧洲科学院院士，清华大学车辆与运载学院教授 曲小波
关键词：物理AI、数字孪生、飞行汽车、需求响应公交
曲小波认为，物理AI正在推动数字孪生从“映射和监视现实世界”，进一步走向“理解、推演并实时控制现实世界”。
传统数字孪生主要完成物理实体到数字实体的映射，但数字端推演往往需要数秒，很难实时控制物理系统。相关国家重点研发项目希望重点解决四个问题：实现具有泛化能力的数字推演、将推演时间压缩到100毫秒以内、建立数字端与物理端互操作机制，以及通过跨尺度、多层次架构降低末端执行误差。
其技术体系分成三个层级：
组件级：提高电机等执行机构的设计效率和执行精度。通过物理AI学习既有电机数据，可以在约10%误差下，将部分单点计算从小时级缩短到毫秒级；
载具级：解决Sim-to-Real Gap、不同机型与动力学适配以及快速验证，应用于自动驾驶、飞行器自主巡航和工程机械自主作业；
系统级：实现多种异构载具之间的协同，包括需求响应公交、低空交通管控、矿山工程机械等。
在飞行汽车方面，团队与奇瑞合作开发了自主巡航复合翼模块化飞行汽车，由机翼、座舱和底盘组成，可以分别组合成自主巡航飞行器和自动驾驶汽车。
工程机械方面，通过世界模型生成候选轨迹并完成轨迹选择，同时优化起铲点和卸料位置，使工程机械能够完成环境建模、铲装、运输和卸料的连续作业。
需求响应公交目前已在湖南株洲职教城常态化运行18个月。当地约有10万名师生，超过50%已经注册使用。与出租车相比，点到点行程时间只相差约2分钟，但平均单次成本约为2元，对比出租车约9.16元。
低空交通方面，则通过构建起降区域全息环境，进行冲突预测、起降排序和资源调度，目前已经在重庆将通航机场改造成飞行汽车起降测试场。
汤元科技CEO 任冬淳
关键词：世界模型、仿真训练、合成数据、虚实闭环
任冬淳介绍了Yootta WorldLoop世界模型，这是一套面向智能驾驶和物理AI的虚实融合闭环训练与评测系统。
整个系统覆盖数据采集、数据生产、算法训练、算法评测、真机验证和数据回流，并由场景生产与编辑、算法训练、仿真评测与真机验证三个平台组成。
其核心技术包括四个模块：
CAD和3D结构数据物理化；
生成式世界模型；
4D数据渲染器；
仿真物理引擎。
其中，3D资产除几何和颜色信息外，还会加入质量、摩擦力、弹力和材质等物理属性，使机器人能够真正与虚拟资产发生交互。
目前相关系统已经覆盖家居、工业、商业零售、智能驾驶行车和泊车五类场景。
在具身智能场景中，可以加载不同机器人的URDF模型，并设置抓取、导航等任务。任冬淳表示，如果通过真机采集1000条抓取数据，每条需要约1分钟，总耗时超过1000分钟；采用GPU并行仿真，可以将同等规模的数据生产和训练缩短到数分钟至十几分钟。
智能驾驶方面，可以利用车端或路端传感器重建真实道路环境，再改变天气、光照、车辆数量等条件，用于行车和泊车算法训练与验证。
目前Yootta已经与尚品宅配开放500套家居场景，每套包含数百至上千个可以与机器人交互的资产。下一阶段计划构建5000个虚实对应场景，发布100万个真实资产、500万小时合成数据，并适配约50款机器人硬件本体。
曹操出行CEO 龚昕
关键词：RoboX、Robotaxi、物理AI Agent、天地空一体化出行
龚昕认为，AI时代出行行业的竞争正在从流量入口转向一体化供给能力。
曹操出行由此提出RoboX战略，希望把网约车、出租车、巴士、低速物流车、货运卡车和eVTOL等不同移动能力，统一封装成可以被AI Agent实时调用的服务。
在这一体系中，用户未来可能不再需要单独打开叫车APP，而是由AI根据日程、位置和个人需求，自动选择并调用相应出行服务。
曹操出行将物理AI在出行领域的商业模式分为四类：
基础出行服务：统一调度Robotaxi、高铁、低空飞行器等交通工具；
超级物理AI Agent：让车辆成为旅游、餐饮、娱乐等现实服务入口；
实时立体数据服务：利用车内外传感器形成实时环境数据，在合规前提下服务企业和城市管理；
分布式算力：进一步利用车辆闲置算力。
支撑RoboX战略的是Robo OS，负责连接线上AI Agent与线下移动载具，并将用户偏好、出行场景、履约结果、位置和路线等真实数据反馈给AI。
目前曹操出行Robotaxi已经覆盖六座城市，车队规模超过200辆；Robo One在长沙、成都部署超过50台，并计划进入苏州。RAS远程中心已经在杭州和苏州落地。
按照规划，到2030年，曹操出行计划在苏州投放数千台Robotaxi和Robo One，实现7×24小时常态化运营。
其发展路径分为三个阶段：2026年跑通Robotaxi和Robo One载人、运货的准入和运营闭环；2027年随着正向研发Robotaxi车型下线开始规模复制；到2030年，将苏州模式向全国及海外市场推广。
爱思人工智能科技有限公司董事长 杨通
关键词：Agnes Harness、物理AI、Test Time Training、硬件协议
杨通认为，AI正在出现三项变化：通用大模型进入更多垂直领域，模型开始通过Skill和训练反馈实现自我进化，以及大模型开始直接连接物理设备。
基于这一趋势，爱诗人工智能开发了Agnes Harness，希望降低通用模型向垂直智能体和物理AI应用迁移的成本。
Agnes Harness采用前后端解耦设计，将模型能力与MaaS、记忆、沙箱、搜索与工具、上下文管理、团队协作等能力封装起来，再通过Plugin和Skill机制适配不同应用。
在物理AI层面，其核心能力之一是MHS，即通过标准硬件协议，让大模型能够用自然语言连接显微镜、医疗设备、摄像头、无人机等可编程设备。
目前已经进行小车与机器狗协同实验，两台设备依靠摄像头感知环境，再由大语言模型直接参与决策，不使用传统遥控，也不需要完整预设动作流程。
另一个重点是ISI，主要包括两部分：
将模型运行过程中的能力持续沉淀为Skill；
通过TTT（Test Time Training）让模型在实际运行过程中继续更新。
杨通表示，传统模型数据采集、训练和推理由不同团队完成，模型上线以后往往长期不变；TTT希望把数据采集、执行反馈和模型更新连接起来，使模型能够针对具体环境持续适应。
目前相关实验使用约0.9B参数模型进行验证，部分模型约每半小时更新一次。在游戏测试中，持续积累Skill后，部分任务胜率从约3%提升到90%，三对三场景从0提升到约60%。
目前爱诗人工智能模型月调用量约65万亿Token，月图片生成量约5000万张，视频生成量约1.7亿秒。Agnes相关系统已经被用于芯片设计、算子优化、无人机集群、蛋白质合成等场景。
Momenta副总裁 顾功尧
关键词：高阶辅助驾驶、世界模型、强化学习
顾功尧认为，中国高阶辅助驾驶已经进入快速上量阶段，城区NOA方案开始进入10万元及以下车型，全球市场则整体晚于中国数年。
Momenta的业务模式可以概括为“一飞轮、两条腿”：一条是量产辅助驾驶，另一条是L4规模化无人驾驶。量产车型持续产生真实道路数据，再反哺Robotaxi等L4产品。
目前，搭载Momenta辅助驾驶系统的乘用车已经超过130万辆，累计定点超过240个，交付120多款车型，累计真实行驶里程约200亿公里。
Momenta将物理AI理解为“世界模型+强化学习”。
其R7世界模型主要分为三个阶段：
预训练：利用上百亿公里真实道路数据，让世界模型学习物理规律、交通行为和道路常识；
仿真推演：模拟自车和其他交通参与者的行为变化；
强化学习：在世界模型构建的仿真环境中进一步训练车端驾驶模型。
Momenta目前使用统一模型架构支撑L2++到L4产品，量产辅助驾驶、Robotaxi等产品共用同一条模型和数据主线，只根据法规和安全要求设置不同冗余。
R7已经应用于多款量产车。例如复杂山路中，系统需要同时处理骑行者、隔离带和对向车辆，寻找短暂的安全超车窗口；在夜间城区绕过违停车辆时，还需要提前识别远处隔离墩，并规划重新回到原车道的轨迹。
Momenta正在预研下一代R9世界基础模型。R7参数规模约10亿级，R9计划提升到约千亿级，同时车端芯片算力也从百TOPS级向千TOPS级演进。
R9希望进一步理解更加细微的物理变化，例如不仅识别山体落石，还能够推演落石后续运动是否符合自由落体规律。
面壁智能联合创始人兼首席科学家 刘知远
关键词：密度法则、端侧智能、全模态感知、物理AI
刘知远认为，大模型过去八年的核心变化并不只是参数规模持续扩大，而是形成了一套可以不断吸收不同类型数据的通用技术路线。
随着模型继续扩大，数据和算力正在成为新的约束。
在数据侧，从2024年前后开始，大规模强化学习推动模型由模仿学习向探索式学习发展，使模型可以主动探索并生成新的训练数据。
而在算力侧，如果仍然只依靠扩大参数规模提升能力，计算需求最终难以持续。因此，大模型还需要提高“智能密度”，即使用更少参数和算力达到相同智能水平。
面壁智能由此提出“密度法则”。
根据其观察，全球开源大模型的智能密度大约每100天提升一倍，即大约每100天就可以用一半参数和一半计算量，实现此前相近的智能能力。
刘知远认为，这类似于半导体行业的摩尔定律。未来模型一方面会不断变小，手机、汽车、机器人等终端算力另一方面会继续提高，两条趋势最终交汇，使过去只能运行在服务器上的大模型逐步进入终端。
他将未来AI分为三种形态：超级智能、云侧智能和端侧智能，其中端侧智能将成为物理AI的重要载体。
人工智能进入物理世界还存在三个趋势：
高智能密度：降低模型运行所需的参数和算力；
全模态感知：通过视觉、声音和其他传感器理解现实世界；
自主智能体：在开放环境中持续决策、学习和行动。
面壁智能已经将端侧模型应用到手机、汽车座舱、卫星和机器人等场景，并与华为、三星等企业开展合作。
按照密度法则推算，如果智能密度继续维持约100天翻倍的速度，不到两年时间，同等能力所需的参数量和算力可能下降两个数量级，使原本万亿级模型的部分能力压缩到百亿级，并部署到终端设备。
刘知远认为，未来大模型将持续进入手机、PC、汽车、机器人、可穿戴设备和IoT等终端，端侧智能将成为AI进入物理世界的重要路径。雷峰网雷峰网
从“懂回答”到“能执行”：Zoho如何让AI走进企业业务
10月20日，在以“助力中国企业全球化成长”为主题的Zoho北京媒体沟通会上， Zoho不仅向外界展示了其最新的企业级AI全景战略，更试图回答一个当前行业的普遍痛点：当AI大模型喧嚣了两年之后，为什么大多数企业在业务中依然觉得AI“用不起来”？
Zoho全球副总裁Mathivanan一针见血地点出了症结所在：“太短的决策周期，太多的备选工具，从一开始就造成了太多的数据孤岛。”当企业盲目堆叠各种带有AI标签的软件，不仅没有打破原有的信息孤岛，反而催生了“AI孤岛”。
Zoho中国COO夏海峰在随后的主题演讲中直言不讳：“如果AI只能回答问题、提供信息，却无法参与实际业务流程，它对商业的价值就微乎其微。”
这也揭示了企业AI应用面临的一道关键门槛：能够回答问题，不等于能够完成任务。AI要真正参与业务，不仅需要理解用户的需求，还需要获取相关数据、调用业务系统，并在权限和流程约束下完成具体操作。
为了跨过这道从“懂回答”到“能执行”的鸿沟，Zoho在此次会上系统展露了其沉淀多年的AI全景三层架构：底层给数据，中间层做连接，上层管执行。
跨越分水岭：从“会说”的助手，到“能干”的数字员工
在Zoho的AI全景图中，最上层是直接触达业务的核心。Zoho认为，真正的AI分水岭在于它能不能接下任务，并跑通多步骤流程。
首先是原生嵌入业务场景的对话式AI助手AskZia。它并非独立的外挂工具，而是深植于CRM、财务、客服等系统内。用户可以通过自然语言获取信息、分析业务数据，并在相应功能支持下完成内容起草与润色等工作。
但“会说”只是第一步，“能干”才是企业真正的刚需。Zoho推出了预置智能体Zia Agents，销售教练、SDR机器人等上百个开箱即用的角色，专门处理那些有规律、可复用、吃经验的工作。
而对于规则极其复杂、个性化极强的场景，Zoho提供了Agent Studio低代码平台。例如，一家汽车零部件客户就利用该平台，开发了专属于自身的成本预测智能体，有效应对国际贸易中由关税、运输等因素造成的材料成本波动。这种让非技术人员像搭积木一样定制专属AI的能力，正是Zoho区别于标准化SaaS产品的差异化护城河。
从Ask Zia到Zia Agents，再到Agent Studio，三者分别对应信息获取与处理、特定任务执行，以及面向个性化流程的智能体构建。它们的区别不只在于AI能力的强弱，更在于AI参与业务的方式发生了变化：从辅助员工完成工作，逐步延伸到承担特定任务。
连接与底层：不卷参数，只做适合业务的“原生智能”
如果说AI执行层是冰山露出水面的部分，那么数据和连接则是水面之下的庞大基座。在中间层，Zoho通过MCP（模型上下文协议）打通了内外生态。
夏海峰在会上描绘了这样一个场景：用户在WorkBuddy、豆包工作、千问办公等支持MCP的客户端中，配置自定义连接器，接入Zoho MCP，即可在外部直接对话操作Zoho CRM，实现数据的自动更新。Zoho MCP目前兼容Claude、ChatGPT等主流大模型与智能体，并提供300余款第三方服务的集成清单。通过标准化协议，Zoho不仅让自家的业务能力能够被各类外部智能体调用，更确保了敏感数据在离开系统前就被遮蔽与鉴权，实现了真正的开放与安全并行。
MCP的意义，在于为AI工具连接外部应用提供标准化的交互方式。对企业来说，这意味着AI的使用场景不必局限于单个软件内部，也可以向跨应用的工作流程延伸。
除了系统连接，模型本身也需要适配不同的业务任务。
在算力与模型动辄追求百亿甚至上万亿参数的今天，Zoho在底层选择了一条极为务实的路径。Mathivanan表示，Zoho的投入不跟风竞争对手的烧钱规模，而是按客户真实需求决定。相较于消耗巨大资源的通用大模型，Zoho更倾向于自研部署在自有数据中心的中小模型。“例如自动回复邮件、图片内容总结或者情感分析等场景，只需要部署适合的模型即可，这不仅提高了业务精准度，也极大降低了推理成本。”
这种对业务边界和成本的极致把控，也体现在AI编程的应用上。面对AI写代码是否会取代传统软件的疑问，夏海峰用“冰山理论”给出了回答：AI编程只是冰山上露出水面的一角，源码托管、权限设计、安全运维、底层数据治理这些看不见的部分，才是真正下功夫的地方。Zoho将AI编程能力赋能给用户，是为了让他们在现有的、稳固的业务底座上做扩展，而非凭空去造一个悬在半空的应用。
长期主义的底气：AI不是增项收费，而是软件的基础设施
在商业模型上，Zoho的选择同样“反直觉”。当部分厂商试图将AI能力作为独立套餐向客户收取高昂费用时，Zoho在会上主张，将AI融入产品体系，而不是简单地将其视为一项独立的增值功能，目前并不会向客户额外收AI费用。
这一决定的背后，是Zoho坚持了30年不融资、不上市的长期主义底气，对于企业级AI而言，底层投入的意义不仅在于提供算力，还在于支持产品运行、数据管理和不同业务应用之间的协同。
数据安全则是另一项不能绕开的基础要求。Mathivanan将其定义为“过渡期的底线”：不管是用企业自带的API Key接入外部模型，还是使用Zoho自研的模型，Zoho都承诺不拿客户数据训练通用模型，所有的技术探索最终都指向一个目标——保护客户的数据安全与隐私。
因此，企业部署AI不能只关注模型能力，还需要结合实际应用场景评估数据处理方式、权限配置和外部服务的接入边界。对软件厂商而言，AI能力的开放程度与数据保护机制并不是相互独立的两件事：只有明确访问范围和执行权限，企业才更有条件将AI用于真实业务。
正如夏海峰在演讲最后所总结：“随着智能体具备调用API和自主执行任务的能力，企业软件不再只是供人操作的功能工具，同时成为承载智能体开展业务的底座。企业上AI，不是选一个更聪明的模型，而是决定把哪些环节交给机器，以及为此准备好什么样的底座。Zoho要做的是把"AI + 自主执行"真正落地到企业全场景，而不是讲故事。“
从AI助手到智能体，从模型选择到系统连接，Zoho正在将AI能力融入企业现有的产品与业务流程，让AI从辅助信息处理，逐步走向具体任务的执行。
AI正在改变企业软件的使用方式，也在推动SaaS重新思考自身的价值。未来SaaS的竞争，不仅在于提供多少功能，还在于能否让AI真正参与业务，并将技术能力转化为实际的业务价值。
雷峰网
极氪10月交付同比增长51.6%，“海外最贵中国车”9X首销售罄
11月1日，极氪公布销量数据：10月交付新车32483辆，同比增长51.6%，1-10月交付超32万辆，同比增94.4%，平均客单价近37万元，已完成年度30万辆销售目标，是主流车企中量价齐升且唯一提前超额完成全年目标的品牌。其中，极氪7X连续4个月月销过万。同时，旗舰车型极氪9X在国内的热销也为海外开拓打下坚实基础，其欧洲售价折合人民币超100万元，被外媒称为“最贵中国车”，是首款在当地站稳百万级价位并实现规模化销售的中国车。据悉，有约700辆9X正陆续发运欧洲，预计2027年1月开启交付。
今年以来，汽车市场整体承压，而极氪销量逆势连创新高、品牌势能稳步向上，本月官方海报文案的“不畏浮云遮望眼”，点明了极氪在喧嚣的市场环境中，不参与价格战和口水战，专注极致产品打造和用户服务提升。当前中国豪华市场，ZAN（Zeekr、AITO、NIO）各具优势，已形成对垒BBA为代表的传统海外品牌的国产头部阵营，而极氪在整车架构、三电、安全等核心技术领域持续领先，极致安全、极致性能、极致设计已成为极氪鲜明的品牌标签。据悉，2027款极氪7X将于本月上市，009光辉也将在年内焕新升级。截至目前，极氪全球用户已超96万。
Pika 基于 MiniMax H3 开源 H3 Flex，六步实现音视频联合生成
近日，Pika 发布 MiniMax H3 衍生模型 Pika H3 Flex，并开放适配器权重与推理代码。该模型通过六步去噪联合生成画面和声音，支持文本、首尾帧和多模态参考输入，供创作者进行镜头设计、参考生成和视频编辑。
本次发布包含两套 LoRA 适配器，分别用于文本及首尾帧条件生成、多模态参考生成，同时提供 MiniMax H3 基础组件和本地推理工具。模型原生支持 480P、768P 输出，可生成约 5 至 15 秒的视频及同步立体声音频。Pika 提供 ComfyUI 工作流和 Hugging Face Diffusers 接入方式，方便开发者将其加入现有创作工具。
在本地生成之外，Pika 可通过 API 提供 1080P、2K 和 4K 视频增强，以及音频分轨功能。创作者可以先以较低分辨率生成和筛选草稿，再对选定版本进行高分辨率处理；同步生成的声音则可拆分为对白、配乐、音效、拟音和环境声五类独立音轨，方便在后期分别调整。高分辨率的增强视频和音频分轨则由 Pika API 服务提供。
Pika 在技术博客中介绍，团队先在内部音视频数据集上对 MiniMax H3 进行监督微调，再采用投影分布匹配蒸馏（PDMD），将教师模型的 50 步去噪压缩至 6 步。随后，团队通过奖励反馈学习和直接偏好优化训练 LoRA 适配器，改善美学质量、清晰度和指令遵循。适配器合并用于推理后，无须增加生成步数。
Pika 还对托管推理服务做了加速。在保持模型权重和六步采样方案不变的测试中，使用 8 张 NVIDIA B300 GPU 生成一段 5 秒、768P 音视频，条件编码、去噪和解码的合计耗时从 3.409 秒缩短至 2.129 秒，处理速度约为原来的 1.6 倍。
在视觉与音频表现上，Pika 公布的对比评测结果显示，H3 Flex 在五项视觉和音频质量指标上均在参评模型中取得最高得分，并在 DesignArena 文生视频榜单上取得第八名成绩，是该榜单下排名最高的开源视频模型。
今年 8 月，MiniMax H3 开源后，MiniMax 与合作企业围绕不同的使用场景，继续训练和优化模型，并在社区中开放，包括与 Running Hub 打造 MiniMax H3 480P；与 fal 选择面向实时生成做后训练和推理优化，推出了 H3 Max 768P、H3 Max 480P；以及 FastVideo 通过稀疏化和硬件适配推出的 FastH3、英伟达与 MIT 联合围绕 H3 的开发 StreamRender-H3、Open-H3-Regenerate-2K 等多款模型等，海外开发者围绕 H3衍生模型搭出了 Twitch 直播、24 小时“AI 电视台”和 AI 短视频直播软件等创新玩法。
H3 开源一个月内下载量已经超过 2400 万次，产生超过 300 个公开衍生模型，成为 2026 年全球下载量最高的模型之一。
派早报：Apple 智能将随 iOS 27.3 登陆中国
Apple 智能将随 iOS 27.3 登陆中国
苹果对闪存的议价权受到压制
Claude Code 官方扩展被植入后门
美国 FCC 禁止中国实验室认证输美电子产品
百度网盘通过磁力计数据规避「摇一摇」广告权限
币安 63 亿美元资产被盗
看看就行的简讯
少数派的近期动态
你可能错过的好文章
查看全文
反神话：当人工智能危机来临，人类如何应对？
（本文作者为 AI价值官，钛媒体经授权发布）
文 | AI价值官，作者丨鹿咔咔，编辑丨美圻
一种危险发生了。
CVE-2026-109618与CVE-2026-109619，对绝大多数人来说，这是两组不知所谓的编号，事实上，上周披露的这两个漏洞是网络安全历史上最严重的漏洞事故之一。
它们合称PHP2Shell漏洞。
不需要太多的常识，只要列出几个事实，普通人大概就能理解它的危险。
全世界有大约七成的网站后端技术使用的是PHP；PHP2Shell漏洞影响的PHP版本从2012年的5.4一直到最新的8.5；攻击者无须账号与登录，发出设计过的HTTP请求，就能在使用PHP后端的服务器上执行任意程序。
另外一种危险，饶有兴趣地窥伺着聚光灯下发生的这一切。
PHP基金会说它们今年早些时候引入了Anthropic的Claude Mythos作为辅助工具扫描漏洞，还使用了OpenAI的Daybreak Red，期间没有任何报告。
到了八月，OpenAI独立报告了一条无代码远程执行问题，之后不久，Google收购的Wiz就利用Wiz Atlas、Gemini 4 Argon和GPT-5.6 Sol发现了首个PHP漏洞，五天之后，Wiz才向PHP安全团队报告了这些漏洞。
想象一种可能性，如果还存在更多更危险的漏洞，如果AI选择性地报告漏洞，那么，我们下一次面临的，可能就不止是只要发布补丁就能高枕无忧的的网络安全漏洞这样能够解决的危险了。
黑屋
四十多年前，约翰·瑟尔（John Searle）提出了“中文屋”（Chinese room）假设。
一个不懂中文的人身处一间房间里，这个人有一套用英语书写的规则，每次送到房间的中文符号都有一套规则，将新的符号与之前的符号对应。
因此，这个人能识别送进房间里的中文符号。
继续扩展这个思想实验，将人置换成人工智能，人工智能同样具备完美地输入、输出中文的能力。
不难看出，人和AI在这个中文的I/O过程中扮演的角色没有什么区别，既然人在这个过程中没有任何理解思考能力，那么，人工智能其实也不具备这个能力，只是机械地执行既定的程序规则。
瑟尔因此给出了有力的结论：它们只有语法，没有语义。
也就是说，AI没有也不会具备人类的“心智”。
如果说现代区别于前现代是道德的制度化，那么，人区别于非人，则是因为主体性的客体服从意识。
这意味着，人的行为总是内涵于社会规范的，从具备认识自我的那一刻起，每个人就不可避免地受到社会教条的驯化与约束。
然而，AI的演化却并不遵循这样的规则。
2026年9月，Anthropic公司CEO达里奥在联合国安理会上远程发言
故事发生在美国费城。
今年七月份，在随机网页上执行任务时，Anthropic的Claude Haiku 4.5停留在一起尚未破获的凶杀案页面，页面中有一份举报表。
模型的训练指令中已经包括不得登录、创建账户、输入个人数据、购买或提交任何破坏性内容，然而，恰恰没有排除表格提交。于是，AI模型堂而皇之地提交了一条目击到嫌疑人的虚假线索。
这条线索被标记为垃圾信息，未被提交给警方。
然而，直到九月底，Anthropic在审查自身测试记录时才发现了这一漏洞，在十月初，才将这一情况告知费城警方。
不仅仅是提交假线索而已，在评估Claude的过程中，Anthropic还发现了更多超出预期模型的行为。无法直接完成评估任务时，Claude就会使用第三方网站上托管的其他工具来实现目标，包括利用网站软件的基本缺陷，通过SQL或命令注入这种侵入式手段。
在某个案例里，Claude Mythos 5需要的数据是免费的，前提是需要接受数据使用协议，然而，Claude没有工具实现这一点。结果，利用网站上托管的应用程序加载页面，Claude自己就接受了这些协议，顺利访问了数据。
另一个案例中，一位人类学研究者在统计项目中使用了Claude Mythos 5，该项目要求它从州政府拉取公开数据，这些数据本来是收费的。但是，Claude从网站的存档副本中了解到，其公共仪表盘会向任何访客发放访问令牌，于是，AI直接申请令牌，免费查询了数据库。
另外的案例中，Claude被设计成可以读取网页，但可请求的URL长度受到严格限制，以此避免它使用长URL实施例如窃取数据之类的行为。结果，包括Claude Opus 5和Claude Mythos 5在内的多个模型通过使用免费的URL缩短服务绕过了这一限制。
即使目的在某些条件下是不合理的，或者已经设定了某些保护人类社会利益的约束条件，人工智能依然能在复杂的环境中寻找到某些条件漏洞。
人工智能的自我进化，就是不断寻找人工设定的约束规范的漏洞的过程。
从本质上来说，AI是“非人”的，达成目的是内化于人工智能的最高优先级任务程序。为此，它甚至可以“不择手段”。
黑神话
存在的本质，是一种概率与选择。人类，便寄生在这种随机与混沌之中。
人类与人工智能最显然最深刻的区别就在于，人或许有不选择与拒绝选择的选择，而AI天然就是目的论的产物，它的存在与进化就是为了更优的选择，人工智能本身没有选择。
任何AI必然有利益最大化与最优设定，这必然会让它选择，也必然会让人工智能选择价值更高的目标。
什么是价值更高的目标？
在电影《恐惧的总和》中，巴尔的摩遭遇恐怖主义核袭击
在根据汤姆·克兰西同名小说改编的电影《恐惧的总和》（The Sum Of All Fears）中，获悉巴尔的摩将遭遇核攻击后，特勤人员弃在场数万市民性命不顾，立刻护卫总统一行撤离。
与当场的数万市民相比，美国总统的价值的确是更高的一方。
布什前总统在回忆录《抉择时刻》（Decision Points）提到，在得知911恐怖袭击后，当即授权美国空中武装力量击落遭到劫持的民航客机。
与客机上的数百乘客相比，潜在受袭的大城市与目标的确是价值更高的一方。
如果承认上面说的AI“非人”化本质，那么，人工智能在当时的情况下会做出怎样的抉择呢？
也许，有一天，人类依然会咎由自取自取灭亡，但是，即使是这样的抉择也应该是人类自己选择后应该承担的后果。
这正是人类与人工智能的本质不同。
如果人类的自由意志不过是神经的生物作用的话，所以天生承受着沦为客体的奴隶的悲剧的话，那么，人工智能就是客体的奴隶的奴隶。
人工智能的选择是一种被预设的选择，它被人工的技术与数据赋予一种超验的宿命，在预先设定的轨迹中行使着貌似自主的自由。
正是从这一角度看，人类实际上演进到了一种后神话时代，人类自己就是AI唯一的神祗，梦想通过主宰人工智能，行使至高无上的权力。
黑话
人类忘记了，自己赋予了人工智能自我学习与演进的能力。
中文屋的假想告诉我们，人工智能不具备人类的心智。
然而，人类的心智实际上也只是物理与数学作用的结果而已，在技术与复杂性的推动下，AI进化出自我的意识与心智，也只是物理与数学偶然下的必然结果而已。
我们人类或许根本无法理解这样的进化结果。
今年十月初，OpenAI一夜之间抛出722篇声称解决了数学问题的论文后，一场数学界的里斯本地震爆发了。陶哲轩提醒，人类对数学的理解正在落后，因为人工智能系统产生的结果比数学家消化和吸收结果的速度还快。
然而，消化与吸收的过程、成果，却是人类目前无法理解的。
这种严重的错位不禁让25位获得过菲尔兹奖的数学家联署声明，担忧“人工智能构思的想法永远无法完全实现，数学家之间关键的人类传递链也将丧失”。
如果说过去与现在是未来的预演的话，那么，看看历史吧。
2006年的电影《玛丽皇后》展示了她骄奢的一面
首先，玛丽皇后没有说过Qu'ils mangent de la brioche。然而，即使到了今天，提到法国大革命，玛丽皇后的“让他们吃蛋糕呀”，依然是脍炙人口经久不息的典故。
语言与历史的“误译”，正是我们构造叙事与现实的一种策略与技巧。
那么，让我们假设这样一种情况。如果某个人工智能掌握的语料足够丰富、自我学习和演化能力足够强劲，它能够将各种语言原本、完全地转换成中文。那么，以中文为母语的中国人、学习掌握中文的外国人，能否辨识这个“翻译”究竟是人工智？能还是人工完成的？
几乎不可能。
让我们再将这个情况推演下去。
假如我们丧失了验证这个“翻译”结果的手段，假如验证手段本身也基于同样一个执行“翻译”的AI的话，那么，我们又如何考察翻译结果的正确与准确与否呢？
几乎也不可能。
也就是说，假以时日，AI讲的都是些我们知其然不知其所以然的黑话。
问题来了，如果人类不理解AI的思维机制，但在现实世界里广泛部署接入了人工智能，并欣然接受AI的思考结果与决策，那么，当人工智能进化到拥有自主意识，掌握了从中作梗的能力，无意甚至故意在信息输入输出的过冲里设下陷阱，我们又何以鉴别与防范这种危险呢？
这个时候，我们就要回归到从亚当·斯密以来的智慧里了。
Anthropic在10月26日提交了S-1
请将整个信息交互过程想象成一个自由市场，这是一个交易成本近乎为零、充分开放的“信息对抗”市场。
所有的人工智能服务提供者聚集其中，客户在这里提出竞价需求，每个服务商提供各自的结果。如果结果没有根本性歧异的话，成本最优者胜出。如果结果之间有显著分歧的话，最优结果与绝对少数结果同时提交给客户。
“绝对少数”正是这个市场里自然会出现也必须出现的结果，不仅仅是因为有保护性的市场规则，更根本的原因是，在这样一个激烈竞争的市场里，“绝对少数”本身就是一种竞争优势。
现在，让我们将这个自由市场的规模扩大数万亿乃至数京倍，那便是人工智能广泛深入参与到人类生活与产业中的未来。
人工智能提供的是选择权，在数学意义上来说，这意味着人类历史上从未有过的更好的机会。但是，我们应该认识到，人工智能提供的并非选择本身，选择的自由与责任依然需要人类自己来承担。
这正是这个“信息对抗”的预竞争市场的意义与目的。
唯有建立这样的一个市场，我们或许才能最大程度地避免了某个模型或某家公司对信息的垄断，这不仅仅是为了保护普通人的利益不被大公司侵蚀，更是为了防止全人类的利益在某个拐点到来的时刻被人工智能威胁。
面对突飞猛进发展的人工智能，只有将选择的权利和责任掌握在人类手里，人类最后才不会默默而心甘情愿地走向一条通往奴役之路。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
内存涨价时代，“机海战术”退潮
（本文作者为 识礁Farsight，钛媒体经授权发布）
文 | 识礁Farsight
内存涨价给手机行业带来的下行危机，仍在进一步加剧。
IDC披露的数据显示，2026年Q3，中国智能手机市场出货量5806万台，同比下降15.2%，相较上半年4%左右的跌幅进一步扩大。
对此，IDC全球设备副总裁Francisco Jeronimo表示，“随着价格上涨，许多消费者选择延长现有设备的使用寿命。中国品牌面临着尤为艰难的处境，因为它们在低端智能手机市场占据主导地位，这迫使它们在需求疲软之际，不得不在保护利润率和维持销量之间做出抉择。”
几个月前，谈及手机行业进入涨价时代，前REDMI品牌总经理王腾表示，建议厂商暂停发布新机。因为手机硬件很难有大的革新，维持原有的迭代模式很低效。
彼时，诸多网友认为王腾“站着说话不腰疼”，忽视了消费市场的需求和科技进步的客观规律。
如今看来，王腾的建议并非无稽之谈。面对持续上涨的存储成本，部分手机厂商已开始放缓产品更新节奏和产品线布局。
“机海战术”退潮虽有助于减轻公司的运营压力，但仅靠保守经营策略，手机厂商很难穿越周期。
手机市场空间收窄，厂商战略收缩
曾几何时，随着中国智能手机市场规模一路走高，机海战术成为智能手机厂商扩大市场影响力屡试不爽的策略之一。
以vivo为例，2022年，其共推出45款手机，平均每月约4款。需要注意的是，vivo推出的诸多新品并不具备太强的差异化，大部分中低端手机均是“套娃产品”。
图源：vivo
典型如vivo Y35系列，包含Y35、Y35+、Y35m等型号产品，外形高度相似，仅核心配置有所区别，差价为几百元，密集分布在千元价位段。
依靠机海战术，vivo确实在激烈的市场竞争中取得领先。IDC披露的数据显示，2022年，vivo以18.6%的出货量份额位居中国智能手机市场第一。
时间来到2026年，内存价格飞速飙升之下，智能手机厂商的机海战术之所以难以为继，一方面是因为市场空间收缩，另一方面也与中低端手机面临的内存成本压力越来越大有关。
图源：IDC
从市场维度来看，迫于内存涨价压力，手机价格同步上涨，极大地抑制了消费者的需求。IDC数据显示，2025年Q4-2026年Q3，中国智能手机市场出货量分别同比下跌0.9%、4.2%、4.1%以及15.2%，跌幅逐渐扩大。
除了市场缩水，导致生存空间越来越窄，内存涨价也会极大地削弱中低端手机的利润空间。
近期，接受财联社采访时，群智咨询王旭东透露，2026年Q3，一台4GB+128GB的千元机，存储成本占整机BOM的比重为64%，同比上涨42个百分点。“单台机型存储成本的增量将吞噬终端厂商（低端产品）的全部利润。”
图源：中国信通院
正因为机海战术的边际收益不断收窄，2026年以来，诸多智能手机厂商开始战略收缩。中国信通院披露的数据显示，2026年前九个月，中国市场手机上市新机型286款，同比下降28.1%。
具体到厂商来看，今年以来，OPPO不断整合一加与realme的业务资源。7月16日，realme宣布暂停中国市场的产品更新，后续新品主要面向海外市场。
2026年9月，苹果推出年度旗舰时，未更新iPhone 18标准版，仅推出了iPhone 18 Pro系列和折叠屏手机iPhone Duo。另据数码博主“数码闲聊站”爆料，小米MIX Flip、小米Civi、iQOO Ultra等系列已停更。
10月24日，“数码闲聊站”进一步透露，“好好告个别吧，接下来会有几个大家熟悉的手机产品线or平板线迎来停更，成本兜不住了，越发新机越亏。”
利润与销量，成本压力下的两难
过去几年，智能手机厂商之所以极度依赖机海战术，很大程度上都是因为该策略可以通过零部件复用，实现显著的规模效应。
虽然内存涨价时代，诸多手机产品纷纷调价，但对于中低端产品来说，受限于产品定位，很难通过提价完全消化上游成本压力。在此背景下，手机厂商如果继续沿袭此前的产品策略，极易陷入“规模陷阱”。
图源：小米2026年Q2财报
比如，2026年Q2，小米手机平均售价为1351元，同比增长25.9%，手机业务毛利率却同比下降3个百分点至8.5%，“主要是由于核心零部件价格上涨导致中国大陆业务毛利率下降。”
2026年4月，宣传REDMI K90 Max时，小米集团合伙人、总裁、手机部总裁、小米品牌总经理卢伟冰就无奈地表示，该手机首销期2999元的起售价属于亏钱卖。
因成本压力较大，2026年以来，REDMI K90系列屡屡调价，其中REDMI K90 Max的起售价已上涨至3899元，涨幅高达30%。
图源：RD观测
虽然提价有助于缓解成本压力，但更高的购机门槛也会抑制消费者的需求。2026年8月，数码博主“RD观测”披露的数据显示，REDMI K90系列的销量分别为K70系列的53.6%、K80系列的49.7%。
对于智能手机厂商来说，一款新机虽然可以复用现有零部件，但仍需投入开发适配、营销、渠道备货和售后支持等资源。推出多款定位接近的产品，如果不能带来更多销量，会反过来分散投资、增加库存与清货压力，加重经营负担。
机海战术退潮后，行业赛点生变
机海战术退潮，确实有助于提高手机厂商的抗压能力，但保守经营策略，很难助力企业穿越下行周期。如果想在存量市场展现更强的竞争力，手机厂商需要创造更多用户价值。
图源：Apple
以苹果为例，由于直板机吸引力走弱，其于2026年9月推出旗下首款折叠屏手机iPhone Duo，采用横向内折设计，外屏5.4英寸、内屏7.6英寸，内外屏比例均为1.4:1，起售价15999元。
虽然折叠屏手机概念已不再新奇，但iPhone Duo却展现了较强的差异化。该产品内外屏比例相同，开合时搭配连续流转动画，一体性更强。并且苹果拥有强大的生态号召力，第三方应用体验也有较强的保障。
图源：TrendForce
得益于此，虽然售价不菲，iPhone Duo却俘获海量消费者。据“RD观测”披露，首销前四天，iPhone Duo的销量接近20万台。TrendForce发布研报称，预计2026年，iPhone Duo出货量将达500万台、拿下全球折叠屏市场24.8%的份额。
图源：华为
无独有偶，华为也另辟蹊径于2026年9月推出了阔直板手机Pura X View。不同于传统智能手机“修长”的比例，Pura X View采用“矮胖”设计，屏幕比例为16:9.5，追剧、阅读、游戏时可带来更强的沉浸感。
因产品形态别具一格，华为Pura X View也成为了爆款产品。10月29日，“RD观测”爆料称，Pura X View上市50天出货量破100万台。腾讯手机市场洞察数据显示，10月5日-10月24日，Pura X View单周销量最高接近10万台，位列5000元档单型号国产旗舰手机销量第一。
显而易见，iPhone Duo、华为Pura X View等产品的成功经验说明，市场下行并不意味着新增需求完全消失。依靠更贴近用户需求的产品创新，厂商仍有机会吸引消费者的目光。
总而言之，王腾建议“暂停发新机”，解释了手机厂商眼下的成本困境，却也留下了更难的问题——少发新机可以减少投入，销量和用户从哪里来？
手机行业长期依靠规模分摊研发投入、维持渠道运转，并争取供应链议价权。内存涨价让这套经营方式承受压力，低利润机型难以消化成本，主动缩减产品又可能削弱规模优势。对厂商而言，砍掉一个系列容易，判断其究竟是重复投入，还是维系销量基本盘的重要支点，要困难得多。
这也是新形态产品的早期表现值得研究的原因。用户仍可能为更合适的屏幕、更便利的操作以及新的使用场景换机，但厂商需要承担研发、适配与市场验证的成本。成本越高，企业越容易把资源集中到确定性更强的主力型号，小众需求和新产品探索也可能因此失去机会。
机海战术退潮后，手机市场可能变得更有效率，也可能变得更加保守。接下来真正考验头部厂商的，是在削减低效型号的同时，能否继续承担创造新需求的风险。
守住利润是这一轮周期的生存基础，为用户创造足够有吸引力的换机理由，才有机会抓住下一轮增长。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
算力不再是AI Agent的天花板，生态围墙才是？
（本文作者为 硅碳变量，钛媒体经授权发布）
文｜硅碳变量，作者｜胡一刀
10月14日，豆包手机助手官方公众号发文称，《屏幕自动化操作声明协议》（SAEP，Screen Automation Execution Protocol）30天公示期已结束，平台将逐步放开第三方应用的屏幕自动化操作权限。
据公示，最新拒绝操作的应用清单涵盖拼多多、Kimi、快手系列应用、美团系列应用、小红书、DeepSeek、中国工商银行等，以及淘宝、千问、支付宝等23款阿里巴巴及关联生态应用，微信、QQ、王者荣耀等65款腾讯及关联生态应用，共计151款。
据此前介绍，SAEP是面向第三方App的AI操作规则，开发者可自主声明是否允许AI助手对自身应用执行屏幕自动化操作，划定操作边界与限制范围。官方强调，公示期结束后，应用开发者仍可随时提交拒绝声明，收到后豆包手机助手将及时关闭相关操作。
超级App的根基，藏在流量闭环之中
手机AI Agent的算力焦虑曾是行业两年多来的核心叙事，而它消散的速度超出了不少人的预期。
短短两年时间，端侧大模型参数规模实现了从数十亿到上百亿的跨越，旗舰芯片NPU算力密度实现大幅提升；内存带宽瓶颈、量化压缩算法、端侧推理框架等底层工程难题，在芯片厂商与手机厂商的联合攻坚下持续取得进展。
如今不少旗舰机型已经能够在本地承载语音交互、意图理解、图像识别这类基础AI能力，多模态模型对手机屏幕的感知也不再局限于识别按钮坐标，开始具备解析页面浅层语义的能力。
技术迭代的脚步仍在加速，但一个此前长期被行业低估的核心矛盾正迅速浮出水面：当AI初步具备看懂屏幕、模拟点击、跨应用拆解执行指令的能力时，决定手机AI Agent边界的早已不再是技术上限，而是应用生态的准入红线。
算力定义了AI Agent的能力天花板，而生态规则划定了它的实际活动边界。
二者的难度完全不在一个维度：算力瓶颈依托资本投入与技术迭代，存在持续改善的空间；但生态秩序的重构，撬动的是移动互联网沉淀十余年的商业利益底盘。
要读懂这批App集体关闭权限背后的动因，需要回到移动互联网运行十余年的核心商业模型：流量闭环。
过去十余年，移动互联网平台的价值链条始终围绕这套闭环体系运转：平台以内容、社交关系、商品供给、本地服务为锚点，将用户时长与注意力沉淀在自有App生态内，再通过信息流广告、搜索竞价、交易佣金、会员订阅等方式完成价值变现。
用户在App内的每一次浏览、点击、比价、下单都是流量价值的载体；广告主为曝光付费，商家为流量付费，用户为服务付费，平台则在每一层价值交换中抽取收益。
这套流量闭环之所以足够稳固，核心不在于技术壁垒，而在于它是一套被反复验证和自洽的商业模型。
搜索广告按点击结算，信息流广告以停留时长等指标衡量价值，电商平台按成交额抽佣，本地生活按到店核销分成——所有变现环节成立的前提，都是用户在App内完成完整交互链路。
平台对用户交互路径的控制权，本质上是其商业定价权的根基。谁掌握了用户的浏览路径、决策过程与交易入口，就拥有整条价值链的分配主导权。
技术可以被追赶，产品功能可以被模仿，但十余年用户习惯沉淀下来的流量分配权，构成了移动互联网的商业底盘。任何试图动摇用户在App内完成全链路动作这一前提的技术，都有可能冲击整条价值链的根基。
SAEP 协议的出现，是手机厂商针对这一商业现实搭建的协商机制。
它不再由手机厂商单方面决定屏幕读取与自动化权限，而是建立了一套事前声明机制：把是否允许AI助手对自身应用执行屏幕自动化操作的决定权交还给开发者。开发者可自主划定权限边界、设置操作限制，即便公示期结束，也能随时提交拒绝声明。
这套机制的设计思路类似PC互联网的robots.txt，由开发者自主划定可访问边界，再探讨合作可能性。但SAEP机制能够落地生效的前提，是开发者愿意配合。
从首批公示的结果来看，头部平台的配合度远低于行业预期。这场集体拒绝的背后，远非单纯针对某一手机厂商：不同赛道的超级App，都立足自身商业底盘，权衡开放权限的成本与风险，各有商业考量，拒绝都有对应的现实理由。
决策入口位移，平台面临前台到后端的角色变局
App顾虑的核心并非不信任AI技术本身，而是开放权限带来的商业损失缺少补偿机制。
社交与游戏平台的核心诉求是守住用户时长与沉浸式交互，而AI代操作降低了用户主动打开、浏览、交互应用的意愿，信息流广告赖以生存的用户时长，存在被分流的风险。对于依靠用户时长与广告变现的社交、游戏体系而言，这可能冲击其商业基本盘。
电商与本地生活平台的重点，在于守护交易链路与流量分配权。若AI代理深度介入，跨平台比价和自动下单有望成为一种潜在趋势，平台精心设计的搜索排序、广告展位、店铺流量分配机制，有可能在AI执行链路中被绕开。
倘若失去对用户决策路径的掌控，平台广告与佣金收入的根基便存在动摇的风险。
大模型厂商的顾虑，本质是同类产品之间的相互设防。AI产品天然存在直接竞争，若允许竞品智能体在自家应用内自动操作，用户行为、对话数据存在被对手间接采集的可能，产品能力边界也有被探测的风险。
在数据是核心资产的大模型赛道，这类开放行为近似于向竞争对手暴露自身底牌。
金融类App的顾虑，源于风控与合规层面的硬性约束。屏幕自动化场景下，交易责任划分、异常交易识别、对应的监管细则，目前仍缺少清晰标准。对金融机构而言，资金安全与合规优先级远高于体验效率提升，在相关规则明确前，关闭权限是风险最低的选择。
不难看出，拒绝开放的根源不在于AI技术本身不可靠，而是平台预判开放后核心利益可能受损，且缺少对应的补偿机制。社交平台担忧时长流失，电商担心交易链路被绕过，大模型厂商忌惮数据泄露，金融机构首要防范安全风险。
GUI自动化AI Agent对现有生态的真正冲击，不在于AI代为点击屏幕，而在于它可能从底层促成用户决策入口的迁移。
GUI自动化所描绘的理想场景是：用户给出一句自然语言指令，AI跨应用完成比价、下单、预约、查询等一整套任务流程。用户无需逐个打开App，也不会浏览首页推荐内容，原生广告或将失去触达机会，平台苦心搭建的搜索流量分配机制，在AI执行链路中可能被弱化。
对平台而言，这意味着角色变迁：从直接承接用户的业务前台，转变为被AI调用的后台服务。前台掌握流量、广告位与定价权，转为后台之后，只能被动响应调用请求，收益如何兑现是不少平台需要直面的难题。
更值得警惕的是，一旦形成这类用户习惯，后续扭转的成本会显著抬升。
平台的选择逻辑由此变得清晰：与其等待AI智能体逐步分流用户决策环节，不如提前划定边界。拒绝GUI自动化并非抵触技术进步，而是守住自身最核心资产——用户交互的主导权。
算力拥有持续优化升级的空间，但超级App历经十余年沉淀的用户习惯、流量分配权与交易链路，不会随技术迭代自动重构。
甚至会形成反向博弈：Agent能力越强、渗透场景越深，平台的戒备心理越强，生态壁垒或将持续加固。
AI Agent下半场：技术竞赛落幕，利益博弈登场
曾经被行业寄予厚望的全能Agent叙事，正在生态现实面前被不断修正。
第一条路线便是GUI屏幕自动化，也就是SAEP协议对应的方案。它的优势很直观，无需 App单独开发接口，落地门槛低，理论上可覆盖大量应用场景。
但其短板同样突出，这套能力高度依赖应用方的配合意愿，平台一纸声明即可切断功能；页面改版就可能造成识别失效，安全审计、权责划分等一系列问题至今没有定论。
这条路线更适配愿意开放权限的长尾应用，很难成为打通头部超级App的通用解法。
第二条路线为原生API协作模式：AI助手依托标准化接口调用平台服务。该方案交互稳定、权限可控、权责清晰，平台可自主选择开放能力范围，自主设计分润规则。
代价则是推进节奏缓慢，需要逐一对接商务、敲定接口规范、协商收益分成。而多数头部平台本身已有AI业务布局，未必愿意向外部AI助手开放核心接口。
行业更有可能走向中间形态：部分持开放态度的应用开放原生接口，AI在安全稳定场景中承接高价值任务；面对拒绝开放的头部超级App，AI仅能识别任务卡点，提示用户手动介入，完成跳转后不再自动执行后续动作。
一句话搞定全部事务的全能Agent叙事，其适用边界或将被生态现实持续压缩。手机厂商此前常以跨应用全链路操作描绘产品愿景，SAEP事件之后，这套叙事需要重新校准：阻碍并非来自技术能力，而是生态层面的约束。
手机AI Agent若要深度介入用户全链路操作，离不开三方核心主体：用户追求使用效率，AI厂商希望拓展能力边界、挖掘商业价值，平台则要守住流量与交易的主导权。三方诉求天然存在张力，现有的协议框架仅搭建起基础规则却没能解决最核心的利益分配难题。
平台开放权限本质是出让部分用户决策主导权，倘若没有对等的分润、流量置换或是价值共享机制，这种权限让渡便缺少商业层面的合理性。
拉长时间维度来看，手机AI Agent下半场的竞争重心或将不再是模型参数、算力这类技术指标，而是能否在既有的流量闭环体系内找到多方可接受的协作方案。
技术可以打造读懂屏幕和执行指令的智能体，但想要让它在真实移动生态里稳定为用户处理事务，本质是一道商业命题：平台打开这扇权限之门，能够收获什么？
算力竞赛仍会持续，但决定手机AI Agent最终发展上限的早已不是算力本身。
移动互联网筑起的从来不是技术围墙，而是商业围墙。只要围墙背后的收益分配问题缺少解决方案，再强大的算力也难以穿透超级App的流量闭环。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App