资讯精选

分类：数码 标签：iPhone 18 Pro、Apple Silicon、人工智能、大模型 随着生成式人工智能的快速普及，端侧 AI 正在成为各大芯片厂商和手机巨头角力的核心战场。在最新的硬件测试中，苹果新一代 A20 Pro 芯片展现出了令人瞩目的爆发力。得益于硬件规格的全面革新，搭载 A20 Pro 的 iPhone 18 Pro 成功在本地流畅运行高达 270 亿参数的大模型，其推理速度相比上一代实现翻倍，标志着智能手机的本地 AI 能力正式迈入全新阶段。 双 16 核神经网络引擎：突破性能天花板 作为苹果自研芯片史上的又一次重大突破，A20 Pro 首次搭载了双 16 核神经网络引擎。这套专为高强度人工智能运算负载打造的硬件模块，其峰值吞吐性能甚至超越了芯片内部的 7 核 GPU，为处理复杂的本地 AI 任务提供了充沛的算力支撑。 在实际测试中，数码爱好者通过 iPhone 18 Pro 成功加载并运行了 Bonsai-27B 模型。从演示效果来看，模型生成词元（token）的速度十分惊人，运行过程行云流水，完全没有出现降速或严重卡顿现象。 内存规格升级：带宽与容量的双重飞跃 除了算力强劲的神经网络引擎，iPhone 18 Pro 系列在内存方面的升级同样功不可没。 大容量与高带宽：iPhone 18 Pro 和 iPhone 18 Pro Max 均配备了 12GB、96 位位宽的 LPDDR5X 内存。 极致速度：其统一内存带宽最高可达 115.2GB/s，相比上一代产品实现了显著提升。 正是这套由 A20 Pro 芯片、双 16 核神经网络引擎以及高速大容量内存共同构成的硬件铁三角，彻底打破了以往移动端无法高效处理超大参数模型的魔咒。 端侧 AI 的现实考量：性能与体量的博弈 尽管 iPhone 能够离线运行 270 亿参数的 AI 模型被视作重大进步，但在实际应用中，用户仍需面临硬件与模型体量之间的取舍。 ...

分类：数码 标签：iPhone 18 Pro、苹果、智能手机、数码市场 每年秋季的数码圈盛宴总能掀起一阵换机狂潮，而今年苹果交出的答卷似乎格外亮眼。根据数码博主 @RD观测 带来的最新国内市场份额爆料，全新发布的 iPhone 18 Pro 系列在首销当日便展现出了恐怖的吸金与吸粉能力，首销日实际销量（Sell out）达到了约 32.28 万台，这一数字直接飙升至去年 iPhone 17 Pro 系列同期的 130% 左右。 大杯依然是主力：Pro Max 更受青睐 从具体的机型配置销量占比来看，消费者的选择依然延续了近年来的“大屏与长续航至上”的趋势： iPhone 18 Pro：占总销量的 44.5% 左右 iPhone 18 Pro Max：占总销量的 55.5% 左右 可以看出，尺寸更大、视野更广且续航更强的 iPhone 18 Pro Max 依然是高端用户的首选目标，撑起了整个 Pro 系列出货量的大半壁江山。 强悍硬件升级：2 纳米 A20 Pro 与可变光圈加持 iPhone 18 Pro 系列之所以能在首销日实现销量的显著增长，与其诚意满满的硬件升级密不可分。作为苹果首发搭载 2 纳米制程工艺 A20 Pro 芯片的旗舰产品，该芯片在封装方式上借鉴了 M 系列芯片的设计理念 -> 性能释放与能效比双双创下 iPhone 历史新高。 在外观与影像方面，两款新机不仅配备了视觉效果更精简、面积更小的灵动岛，还迎来了全新的 4800 万像素融合式主摄，并首次引入了备受期待的可变光圈技术。诸多硬核升级叠加，直接引爆了国内消费者的换机热情。 各大电商平台战绩斐然 不仅是整体首销数据的亮眼，各大电商渠道的战报也从侧面印证了 iPhone 18 Pro 系列的“卖爆”趋势： ...

分类：科技 标签：人工智能、具身智能、大模型、机器人 在具身智能领域，如何让机器人真正理解并适应纷繁复杂的现实物理世界，一直是各大团队攻坚的核心难题。近期，乐享科技推出了一项大胆的技术路线——其具身智能模型「以太」（Aether）大模型宣称能够在部署和执行过程中持续更新，成为全球首个具备「自进化」能力的具身智能模型。这一概念引发了行业内外的广泛热议：「自进化」究竟是概念营销，还是通往通用机器人的必经之路？ 告别单纯模仿：从动作预测到理解因果 过去几年，具身智能的主流路线是通过视觉、语言与动作的映射，让机器人根据环境输入直接输出动作。这种方式虽然让机器人学会了人类示范，但也存在明显的局限：它擅长回答「下一步做什么」，却未必理解「为什么要这样做」。 真实世界充满了接触力、摩擦、遮挡和物体形变。同一个动作在不同场景下会产生完全不同的后果，仅仅依赖视觉模仿很难在复杂的物理交互中保持稳定。 乐享科技的「以太」模型试图打破这一黑盒。它被定义为一个由世界状态、内部状态和能量状态耦合而成的动力系统，通过能量驱动的状态转移（energy-driven state transition）来进行决策。 主动感知：感知不再是被动接收画面，而是带着问题寻找答案。为了消除不确定性，机器人会主动调整观察位置再做决策。 因果理解：系统不再仅仅预测下一个动作，而是建立动作、物理状态与结果之间的因果关系，确保机器人在不断变化的环境中做出的动作切实可行。 严谨的闭环：自进化不是口号，而是机制 「自进化」面临的最大质疑在于：模型究竟是如何更新的？乐享科技给出的答案包含了一套完整的闭环机制： 预测与纠偏：机器人在行动前形成预测，执行后观察现实结果。一旦发现偏差，系统会实时更新内部状态，触发局部或全局的重新规划。 错题本与经验筛选：在线学习最大的风险在于将偶然扰动当成规律。以太模型通过分层记忆和筛选机制，判断经验是否可靠、能否泛化，只将验证过的有效规律沉淀下来，避免被错误经验污染。 软硬件解耦与一脑多形：目前，以太大模型已在双臂、双足和轮式等多种不同本体上积累经验。通过自主探索认知不同本体的性能差异和关节限位，模型能够生成适配不同硬件的轨迹，真正实现了跨形态的迁移与泛化。 总结：机器人的生长性时代 如果机器人只能在出厂前被训练，部署后便一成不变，那它本质上依然是一种高级自动化工具。但如果机器人能够在行动中发现偏差、在反馈中筛选经验、在记忆中沉淀规律，并把这些能力带到新的任务和身体上，它就具备了真正的「生长性」。 当然，从目前的工程展示走向真正的全场景自进化，乐享科技依然需要回答泛化边界、长期稳定性等诸多挑战。但正如行业所关注的那样，衡量机器人的标准或许正在发生改变——未来不仅要看「它现在会做什么」，更要看「它做完之后学会了什么」。这，或许就是具身智能真正的 next level。

分类：科技 标签：人工智能、大模型、开源项目、科技前沿 天文观测向来是最容易让普通人产生浪漫想象的科学。巨大的穹顶缓缓打开，数亿光年外的微光落入探测器，向人类诉说着恒星死亡与极端物理的奥秘。然而，浪漫的背后却是极其繁琐的日常——彻夜值班、盯守控制软件、调整参数、排布任务，还要随时应对云层、风速、机械变动等现实挑战。 特别是面对超新星、伽马暴等瞬变天文事件时，情况变得更加复杂。这类事件无法提前推算，且早期亮度和光谱变化极快，科研团队发现得越早、跟得越快，留下的观测数据才越完整。面对突发目标，如何打破原定排班、重新协调设备调用，往往需要在极短时间内完成。 今年，国家天文台科研团队在千问办公的协助下，做了一次突破性的尝试：基于 Agent Harness，团队用不到 3 天、千元左右的成本，成功搭建了一套科研级望远镜仿真环境，并将 Agent 框架接入了「司天」探路者和原型机。 自动化望远镜的进阶：为什么还需要 Agent？ 望远镜自动化并不是新鲜事。通常而言，它分为发现异常、分析异常和资源调度三个阶段。 在资源调度和异常发现方面，全球已有多台机器人望远镜和巡天系统在日夜运转。例如，Vera C. Rubin Observatory 在一个晚上就能发出数十万条科学告警。然而，新的问题随之而来：候选数量激增，但适合做后随观测的望远镜时间始终有限。海量异常到底值不值得跟踪？选哪一个？用哪台设备？判断的代价并未同步下降。 为此，国家天文台团队自 2025 年起便开始引入 AI。由国家天文台银河系三维结构组与兴隆观测基地合作开发的星语望远镜 StarWhisper Telescope，正是以大模型为基础，将观测计划、设备控制和数据处理整合在同一套 Agent 框架中。这项工作还入选了斯坦福大学发布的《AI Index Report 2026》Science 章节，成为当年物理、天文、化学和材料科学领域的代表性 AI Agent。 但固定工作流面对真实观测现场的动态变化时，仍需大量人工调整。当团队试图让 Agent 进一步深入设备控制时，却遇到了一个无法绕过的高墙：真实望远镜经不起反复试错。 先造一台可以反复试错的仿真望远镜 国际主流地面光学望远镜的运行成本极高，且镜筒、转台、传感器彼此联动，错误控制可能带来巨大的设备风险。 为了解决这一痛点，科研团队在千问办公的协助下，先为 Agent 准备了一台仿真望远镜。过去开发一套专业仿真系统往往需要数月和数万元，而千问办公将这一过程压缩到了 3 天左右。 这套仿真系统完整跑通了数据链： 信息接入：Agent 读取超新星候选信息。 多维计算：专业程序计算可见性，天气系统返回环境数据。 计划生成：Agent 组织观测计划，通过 MCP 调用仿真设备模拟指向与曝光。 闭环优化：数据进入处理管道，有效方法沉淀为后续调用的 Skill。 在仿真环境中，团队可以同时将各种可能的策略及环境变量演练多遍，甚至主动加入设备故障、多目标竞争等现实中难以重复制造的情况，从而大幅加速现实中的决策效率。 让一颗候选成为一个观测对象 仿真解决了策略演练的问题，而真实的瞬变链路则直接抢占时间。 在千问办公的 harness 框架中，模型先输出候选信息，程序计算可见性，天气与设备状态被实时读入。相关工具通过 MCP 接入 Agent 后，可以定时检查结果并形成后随方案，甚至自动触发下一步操作。 目前，这套 Agent 框架已经接入「司天」探路者和原型机，并预警了约 8 颗极早期超新星候选，其中 2 颗在天气条件允许时成功触发后续观测。 ...

分类：AI动态 标签：机器人、具身智能、人工智能、硬件发布 在人工智能与硬件技术加速融合的当下，具身智能（Embodied AI）正从实验室走向实际应用场景。日前，上纬新材旗下启元机器人举办新品发布会，正式公布了其多款机器人的官方售价并全面开售，标志着高性能智能机器人正朝着消费级与普惠化方向迈出坚实一步。 产品矩阵与具体售价 本次发布会上，启元机器人带来了多款面向不同需求的产品： 启元Q1基础版 / 启元T1：统一定价为 19999元，作为入门级主力机型，为主流场景提供高性价比的硬件支撑。 启元Q1探索版：定价为 26999元，针对进阶开发者与前沿场景进行深度优化。 启元T1 Pro：定价为 29999元，面向对性能和稳定性有更高要求的专业领域。 行业风向与未来展望 长期以来，高端智能机器人的高昂造价常常让许多潜在应用场景望而却步。启元机器人此次将起售价压至 20000 元以内，不仅打破了价格壁垒，也反映出国内供应链在电机、减速器、传感器以及核心算法上的成熟度正在不断提升。 随着更多高性价比具身智能硬件的入局，感知 -> 决策 -> 执行的闭环生态将加速落地。未来，这类机器人有望在智能制造、商业服务乃至特定家庭场景中扮演更加重要的角色。对于开发者和极客而言，万元级通用机器人的普及，无疑将催生出更多极具想象力的创新应用。

分类：AI动态 标签：人工智能、大模型、版权保护、微软 随着人工智能技术的狂飙突进，数据抓取带来的版权争议正愈演愈烈。近日，随着《纽约时报》等媒体起诉微软与 OpenAI 的版权侵权案中一批诉讼文件的解封，这场关于 AI 训练数据合法性的争端被推向了风口浪尖。 微软内部预警：AI 爬取被指控为空前盗窃 根据解封的诉讼文件显示，微软应用科学总监 Brent Hecht 曾多次在内部发出预警。他直言不讳地指出，为了训练 AI 而大规模抓取新闻内容的做法是「空前规模的惊人盗窃」，甚至可能是「人类历史上最大规模的劳动成果盗窃」，这也让现行版权法中的「合理使用」原则形同虚设。 文件进一步披露，被告公司内部早已意识到聊天机器人可能成为新闻媒介的直接替代品，从而引发破坏内容供应链的恶性循环。微软内部数据记录表明，在 AI 平台上线后，部分原告媒体在搜索等渠道的点击率骤降了 51% 至 94%。原告代理律师强调，新证据充分证实了两家巨头对其不当行为心知肚明，ChatGPT 和 Copilot 在用户请求摘要或评测时大量逐字复现报道，实质上已经剥夺了读者访问原网站的需求。 行业争议与多方回应 面对愈演愈烈的指控，微软发言人回应称，旗下 AI 产品的应用属于转化性使用而非替代品，Hecht 的相关表述仅代表员工个人观点，并不代表公司的法律立场。微软 CEO Satya Nadella 则在证词中表示，新闻流量的分流仅仅反映了信息消费方式的变革。截至目前，OpenAI 尚未对此作出公开评测与回应。 这场诉讼不仅揭示了大模型发展背后的合规焦虑，也再次将科技巨头与传统内容创作者之间的利益博弈摆在了台前。如何在推动技术创新的同时保障内容生产者的合法权益，已成为整个科技行业亟待解决的核心议题。

分类：科技 标签：英伟达、RISC-V、芯片架构、硬件 在大多数人的认知中，英伟达（NVIDIA）的 GPU 是靠庞大的 CUDA 核心和 Tensor 核心来撑起游戏渲染与人工智能的一片天。然而鲜为人知的是，在这些显眼的主力核心背后，还隐藏着一支庞大且低调的“幕后军团”——RISC-V 微控制器。 根据英伟达公开的数据显示，其 GPU 产品中使用的 RISC-V 核心数量早已突破 10 亿级别。在当前的硬件架构下，根据 GPU 型号的不同，单块芯片内部竟然集成了多达 10 到 40 个不等的 RISC-V 核心。 从私有走向开源：Falcon 的退场与 RISC-V 的崛起 在全面拥抱 RISC-V 之前，英伟达长期依赖自研的私有微控制器架构——Falcon（FAst Logic CONtroller）。 这段技术演进路径大致为： 2005 年 (G98 引入) -> 2016 年 (单芯片集成超 15 个 Falcon 引擎) -> 时代局限性显现。 在 Falcon 服役的十年间，英伟达累计部署了约 30 亿个此类核心。它们被广泛应用于视频编解码、电源管理、安全引擎等关键的辅助任务中。 然而，随着芯片复杂度的急剧上升，传统的 Falcon 架构逐渐显现出瓶颈。作为一个 32 位且缺乏数据缓存的核心，它已经无法满足现代 GPU 对更高能效比、更强灵活性和更大扩展性的需求。面对转型的十字路口，英伟达在深入评估了 Arm、MIPS 等主流商业架构后，最终将目光投向了开放、灵活且生态蓬勃发展的开源指令集架构——RISC-V。 幕后功臣：RISC-V 核心在忙些什么？ 虽然这些 RISC-V 核心不直接参与图形渲染或大模型的矩阵计算，但它们却是保障 GPU 高效、稳定运行不可或缺的神经中枢。 ...

分类：科技 标签：数据中心、人工智能、能源危机、算力成本 随着全球人工智能浪潮的爆发，海量算力背后的“能源黑洞”正逐渐显现。近日，美国俄勒冈州发布的一份最新报告显示，该州的数据中心建设正处于前所未有的高速扩张期，但随之而来的电力消耗问题也引发了社会的广泛担忧。 算力膨胀：数据中心成电网“大户” 根据该报告统计，俄勒冈州目前共有 111 个正在运营的数据中心，总建筑面积达到 2210万平方英尺。仅在 2025 年，这些数据中心的总用电量就已经飙升至全州总用电量的 23%。 更夸张的增长还在后头。目前该州还有 32 个数据中心正处于建设或规划阶段，未来将额外增加 690万平方英尺 的建筑面积。 2030年展望：电力需求将突破极限 报告预测，随着大模型训练和云服务需求的持续爆发，到 2030 年，俄勒冈州数据中心的能耗将大幅上升至近 25TWh（太瓦时）。 届时，数据中心将消耗该州 31% 到 32% 的总电力需求。这个数字是什么概念？它大致相当于 250万户美国家庭 的全年用电总和。 经济效益与资源消耗的失衡 面对如此庞大的能源消耗，数据中心带来的直接经济回报却显得有些杯水车薪。报告指出，这些巨型数据中心直接提供的就业岗位仅有 2630个，仅占该州总人口的 0.06%。 高耗能、低就业的特征，让地方政府和能源监管机构陷入了两难境地：一方面是推动数字经济和人工智能发展的迫切需求，另一方面则是日益紧张的电网负荷与碳减排压力。 科技编辑视点 俄勒冈州的现状并非个例，而是全球 AI 与云计算基础设施狂飙突进的一个缩影。当算力成为新时代的石油，数据中心与地方电网的博弈才刚刚开始。如何平衡技术创新与能源可持续发展，寻找更高效的散热技术、更清洁的能源供给（如小型核反应堆或绿电直供），将是未来几年科技巨头们必须解答的终极考题。

分类：科技 标签：AI动态、iPhone、大模型、苹果 随着生成式人工智能的快速普及，端侧AI（On-Device AI）正在成为各大旗舰手机核心竞争力的主战场。苹果在最新一代移动芯片上交出了令人瞩目的答卷：搭载 A20 Pro 芯片的 iPhone 18 Pro 展现出了恐怖的本地大模型处理能力，成功将手机端侧AI推向了全新的高度。 双 16 核神经网络引擎：硬件架构的质的飞跃 苹果在自研 Apple Silicon 的发展史上首次引入了双 16 核神经网络引擎（Neural Engine）。这一专为处理人工智能运算负载打造的硬件模块，其性能不仅超越了以往所有的移动端 SoC，甚至在特定的神经网络专用任务中，其峰值吞吐性能已经超越了芯片内部的 7 核 GPU。 在硬件规格方面，iPhone 18 Pro 与 iPhone 18 Pro Max 均标配了 12GB、96 位位宽的 LPDDR5X 统一内存，内存带宽更是达到了惊人的 115.2GB/s。相比上一代产品，内存速度和带宽的显著提升，为大模型在本地的高效运行扫清了硬件瓶颈。 实测表现：本地流畅运行 270 亿参数模型 根据海外数码博主 Adrien Grondin 的实机演示，iPhone 18 Pro 成功在本地运行了体量达到 270 亿参数的 Bonsai-27B 模型。 得益于 A20 Pro 强大的神经网络引擎与高速统一内存的协同工作，模型生成词元（token）的速度十分惊人，运行过程行云流水，完全没有出现明显的降速或卡顿现象。相比之下，上一代的 iPhone 17 Pro 在面对同级别的大模型时，处理效率明显逊色，新一代芯片的本地AI性能实现了近乎翻倍的增长。 端侧AI的现实挑战：大模型与内存的博弈 虽然 iPhone 18 Pro 能够离线运行 270 亿参数的大模型，标志着移动端AI取得了重大突破，但用户和开发者仍需面对一些硬件层面的取舍与挑战。 例如，新一代的 Bonsai 2 模型由于采用了 2 比特量化版本，整体体积过大，无法完整塞进当前设备的本地内存中，强行运行反而会导致性能下降。而初代 Bonsai 作为一个 1 比特量化模型，得益于 4GB 内存即可轻松运行的特性，在 12GB 大内存的 iPhone 18 Pro 上反而能够发挥出极致效率。 ...

分类：AI动态 标签：具身智能、大模型、机器人、开源项目 在人工智能领域，「自进化」一直是一个充满争议却又令人向往的概念。当数字世界的 AI 模型早已开始讨论自我迭代时，物理世界的机器人是否也能拥有类似的成长能力？ 最近，具身智能企业乐享科技推出了其自研的“以太”（Aether）大模型，并宣称其是全球首个能够在部署和执行过程中持续更新、具备「自进化」能力的具身智能模型。通过一场充满挑战的户外烧烤直播与复杂的控制任务，乐享科技向外界展示了他们对机器人「自进化」的全新思考与实践。 从模仿动作到理解因果：传统 VLA 的局限 过去几年，具身智能最主流的路线是将视觉、语言和动作（VLA）连接起来：机器人接收环境信息、理解任务指令，然后直接输出动作。这种方式让机器人能够借助大量人类示范数据快速上手，但乐享科技团队认为，这种模式存在一个根本限制：它擅长回答「下一步应该做什么」，却未必真正理解「为什么要这样做」。 传统 VLA 路线往往「不懂因果」，而传统的物理世界模型则多停留在「可生成、不可执行」的阶段。真实世界充满了接触力、摩擦、滑动、遮挡以及目标的临时变化： 一个杯子的质量增加一倍，关节需要输出的力矩就必须随之调整； 液体重心不断移动时，机器人绝不能机械地复现某条既定轨迹。 为了打破这一僵局，以太大模型被设计为一个由世界状态、内部状态和能量状态耦合而成的动力系统。团队将其称为“能量驱动状态转移”（energy-driven state transition）。系统内部存在一张贯穿始终的评价地形图，用来衡量哪些状态值得靠近、哪些应该舍弃，从而让感知本身变成了带有明确意图的主动行为 -> 感知 -> 调整 -> 响应。 「自进化」的本质：一套严谨的闭环机制 机器人执行任务时，变化的究竟是瞬时状态，还是底层的模型权重？ 乐享科技给出的答案是：这些层级都会更新。 所谓的自进化，并不是一句空洞的口号，而是一套贯穿预测、执行、反馈与更新的闭环机制： 预测与偏差修正：机器人在行动前形成预测，执行后观察真实结果。一旦发现世界与预期不符，系统就会判断原计划是否失效，并实时进行局部或全局的重新规划。 错题本机制与经验筛选：在线学习最大的风险是把偶然扰动当成规律。以太大模型引入了严格的筛选机制：评估经验是否可靠、新颖且可泛化，决定什么应该学、什么应该忘掉。 分层记忆与参数更新：短期、依赖单一场景的状态会快速清除；经过反复验证的抽象规律则会保留下来，甚至进一步影响模型权重，实现真正的参数层自适应。 此外，这套模型还具备强大的泛化能力。目前，以太大模型已经成功在双臂、双足和轮式等约五家不同形态的机器人本体上积累经验。通过自主探索认知不同本体的性能差异与关节约束，模型实现了软硬件的解耦，真正做到了「一脑多形」。 总结：具身智能的 Next Level 如果具身智能仅仅停留在从指令到动作的映射，它本质上依然是一种更复杂的自动化。但如果机器人能够在行动中发现偏差、在反馈中筛选经验、在记忆中沉淀规律，并把这些能力迁移到新的任务与身体上，它便开始具备了真正的「生长性」。 当然，关于自进化能走多远、泛化边界在哪里，行业依然需要更多严谨的测试与时间去检验。正如乐享科技所展示的，未来衡量一个机器人的标准，或许将不再仅仅是「它现在会做什么」，而是加上关键的一句：「它做完之后学会了什么？」