the open ai logo is displayed on a computer screen

类似文章

  • ||||

    2026 年的 AI:过去 12 个月里到底发生了什么变化

    期待值的“大降温”过去十二个月,科技行业的氛围大不相同。前几年那种狂热的劲头,已经被一种清醒的认知所取代:构建一个模型容易,但要建立一个商业模式却很难。我们已经告别了不断惊叹的阶段,进入了追求硬核实用性的时期。这一年,行业不再空谈未来,而是开始正视现实。那种“一个新模型发布就能让全世界停摆一天”的时代已经终结。取而代之的是,这些系统正悄无声息地融入互联网的底层架构中。过去一年里,最重磅的新闻不再是跑分数据,而是电力供应、法律诉讼,以及传统搜索引擎的悄然衰落。这一年,行业用兴奋感换取了全球基础设施的一席之地。这种期待值的降温并非技术的失败,而是成熟的标志。我们不再生活在一个充满投机幻想的未来,而是生活在一个 novelty(新鲜感)褪去、系统高度集成的世界里。 认知能力的整合过去十二个月变革的核心,在于权力中心的转移。我们见证了大规模的整合,巨头们变得愈发庞大。那种“成千上万个小模型在公平赛道上竞争”的梦想已经破灭。相反,我们看到了基础层(foundation layer)的崛起,只有少数公司负担得起竞争所需的电力和芯片。这些公司不再执着于让模型在通用意义上变得更聪明,而是开始追求可靠性。现在的模型在遵循指令方面表现更好,也更不容易“胡编乱造”。这并非依靠单一的突破,而是通过对数据清洗和模型调优进行成千上万次微小优化实现的。这种焦点的转变在近期的 AI 行业分析中清晰可见,重点已从模型规模转向了模型效用。我们还看到了能在手机和笔记本电脑上运行的小型语言模型(small language models)。这些小系统虽然没有“巨型同类”那样广博的知识,但它们速度快且更注重隐私。这种“云端巨脑”与“本地边缘设备”的分化,定义了这一年的技术架构。行业不再迷信一个巨型模型能解决所有问题。这一年,效率胜过了原始规模。企业意识到,一个有 99% 准确率的小模型,远比一个有 90% 准确率的巨型模型更有价值。 摩擦与“主权系统”的兴起在全球范围内,过去一年充满了摩擦。科技公司与政府之间的“蜜月期”结束了。欧盟开始执行《AI 法案》,强制要求企业提高训练数据的透明度。这创造了一个“双速世界”:某些功能在美国可用,但在欧洲却被屏蔽。与此同时,版权之争也达到了白热化。大型出版商和艺术家赢得了重大让步,或达成了昂贵的许可协议。这改变了行业的经济模式——抓取互联网数据来构建产品不再是免费的。据 Reuters 的报道,这些法律战迫使开发者重新思考数据获取策略。我们还看到了“主权 AI”(sovereign AI)的出现,法国、日本和沙特阿拉伯等国开始建设自己的国内计算集群。他们意识到,过度依赖硅谷的几家公司来支撑认知基础设施,存在国家安全风险。这种对本地控制权的追求,使全球科技市场碎片化。各国政府目前正专注于三个监管领域:训练集的透明度要求,以确保数据获取合法。对公共场所人脸识别等高风险应用的严格限制。强制要求对合成内容添加水印,以防止虚假信息传播。 你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。 从聊天框到自主智能体AI 对现实世界的影响,最好地体现在从“聊天框”到“智能体”(agents)的转变上。过去,你必须一步步告诉计算机该做什么;现在,系统被设计为接收目标并自动执行。想象一下一位中型城市物流经理的一天:早上,她的助手已经扫描了 500 封邮件并按紧急程度排序。它标记了来自新加坡的一批货物延迟,并根据当前天气和港口数据起草了三种解决方案。她不需要和机器聊天,只需批准或拒绝建议。午休时,她用工具将一场四小时的市议会会议浓缩成五分钟的音频简报。下午,系统管理她的日程,在不让她动鼠标的情况下调整会议以应对航运危机。这就是“智能体”的转变。AI 不再是你使用的工具,而是你管理的员工。然而,这种转变也带来了新的压力。工作节奏加快了,但人类的处理能力却没变。员工们发现,虽然机器处理了枯燥的部分,但剩下的任务更紧迫,需要持续的高水平决策。这导致了一种新型职业倦怠,即每小时的决策量翻了一番。正如 The Verge 在近期的工作场所研究中所记录的那样,这种趋势正席卷所有专业领域。机器处理数据,但责任依然在人身上。这产生了一种行业尚未解决的心理负担。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 我们正在认识到,节省时间并不总是意味着减轻压力。 机器时代的未解之谜我们必须问:谁真正从这种速度提升中受益?如果员工一天能完成两倍的工作,他们的薪水会翻倍,还是公司会裁掉一半员工?隐性成本正变得难以忽视。每一次对高端模型的查询都会消耗大量水资源来冷却数据中心。随着这些系统成为搜索和邮件的一部分,其环境足迹正以传统绿色能源无法匹配的速度增长。此外还有数据主权问题。当智能体管理你的生活时,它知道你的行程、偏好和私人谈话。这些数据去哪了?即使有加密,我们生活的元数据也在被收集以训练下一代系统。我们正以一种让社交媒体时代显得微不足道的方式,用隐私换取便利。这种效率值得以牺牲个人自主权为代价吗?我们正在构建一个默认生活方式需要订阅科技巨头的世界。这为那些负担不起高级智能体的人制造了新的数字鸿沟。此外,对这些系统的依赖创造了一个单点故障。如果主要提供商宕机,整个行业都可能陷入瘫痪。我们已经从多样化的软件世界,转向了人人都依赖少数几个神经网络的世界。这种风险集中化是经济学家才刚刚开始研究的课题。对人类认知能力的长期影响也尚不可知。如果我们不再自己写邮件、管理日程,当系统崩溃时,我们还有能力完成这些任务吗? 本地部署的架构对于高级用户来说,过去一年关注的是“管道”建设。我们看到了检索增强生成(RAG)的局限性被推向边缘。重心从模型本身转移到了编排层。开发者现在在向量数据库和长上下文窗口上花费的时间,远多于提示词工程(prompt engineering)。在本地存储处理方面发生了重大转变。我们不再将每一比特数据都发送到云端,而是看到了混合推理:任务的简单部分在本地硬件处理,困难部分发送到集群。API 限制已成为企业增长的新瓶颈。企业发现,由于顶级模型的速率限制太严格,它们无法扩展工作流。来自 MIT Technology Review 的研究表明,下一阶段的增长将取决于硬件效率而非模型规模。我们还看到了一种趋势:在私有数据集上对小模型进行微调。一个在公司内部文档上训练的 70 亿参数模型,往往表现优于 1 万亿参数的通用模型。这导致了对能高速运行这些模型的本地硬件的需求激增。技术社区现在专注于几个关键指标:消费级硬件在本地推理时的内存带宽限制。在移动芯片上运行量化模型的每秒 token 数(TPS)。长文档分析和多模态任务中的上下文窗口管理。 接受新常态归根结底,过去一年是 AI 变得“无聊”的一年,而这正是它最大的成功。当一项技术成为背景的一部分时,它才真正普及了。我们已经告别了魔术表演时代,进入了工业应用时代。权力集中在拥有芯片和发电厂的人手中,但效用已扩散到专业世界的每一个角落。风险是真实存在的,从环境影响到隐私丧失,但这种势头已不可逆转。我们不再等待未来到来,而是忙于管理我们已经构建的现实。随着我们跨越

  • ||||

    实用 AI 与风险 AI 之间的界限

    欢迎来到一个全新的时代,你的电脑不再是冷冰冰的机器,而更像是一位随时为你提供帮助的贴心邻居。在 2026 年,我们见证了人机交互方式的巨大转变,一切的核心都是为了让生活变得更简单。我们不再需要输入死板的指令或点击繁琐的菜单,而是直接通过对话来交流。这种友好的互动方式能帮我们比以往更快地完成待办事项。其实,判断一个工具是真正实用还是“越界”非常简单:关键在于你保留了多少控制权,以及在不丢失个人风格的前提下获得了多少价值。我们正迈向一个科技如同舒适运动鞋般贴合生活的世界,随时准备陪伴你开启每一天的冒险。 当我们谈论这波智能科技浪潮时,不妨把它想象成一位正在学习你个人偏好的天才助理。想象一下,你雇了一位助手来整理房间。实用的助手会帮你把书归位并整理好信件;而有风险的助手可能会因为觉得旧音乐会门票是垃圾而直接扔掉。这就是我们目前面临的区别。这些工具利用大型模型来预测你的意图,通过分析海量的人类语言模式,为你提供恰到好处的回答。这并非魔法,而是一种在庞大“图书馆”中快速检索并为你翻到正确页码的高效方式。有些人担心这些工具过于聪明,但实际上,它们只是非常擅长模仿我们创造的模式。理解这些模式的运作方式,是让你掌控工具、而非被其占据创作空间的第一步。 发现错误或需要更正的地方?告诉我们。 一个常见的误区是认为这些工具拥有自我意识或秘密计划。实际上,它们是由我们设定的目标驱动的。如果我们要求总结长会议,它们会提供要点;如果我们要求写一首关于猫的有趣诗歌,它们会提供押韵的文字。风险只在你不去核对结果,或者忘记了工具并不具备人类情感时才会出现。它就像是我们自身信息的一面镜子,有时会以奇怪的角度呈现事物。只要保持清醒并运用自己的判断力,我们就能将这些可能令人困惑的技术转化为日常任务的可靠伙伴。关键在于找到那个平衡点:让机器承担繁重的工作,而你始终是最终成果的掌控者。为你的新 AI 工具找到最佳平衡点这些智能工具的影响力正遍及全球,从美国中西部的小镇到亚洲的大都市。这无疑是个好消息,因为它为那些以前无法接触到昂贵专家资源的人们提供了公平的竞争环境。现在,一个在车库里创业的小老板,也能享受到过去需要花费数千美元才能获得的数据分析和营销支持。这非常棒,因为它鼓励更多人去尝试大想法,而无需被技术门槛吓倒。我们正在见证一个语言障碍逐渐消融的世界,因为我们可以实时翻译复杂的想法,让巴西的设计师能与瑞典的开发者完美协作。这种全球连接让世界变得更小、更友好。目前,这些工具在许多方面帮助人们蓬勃发展。例如,教师们正在利用它们为班级里的每位学生量身定制教案。他们不再是为三十个孩子提供同一套课程,而是能提供三十种涵盖相同主题、但更符合每个孩子理解方式的个性化方案。医生们则利用它追踪最新研究,从而为患者提供最佳护理。对于那些希望减少文书工作、将时间投入到真正重要事情上的人来说,这简直是巨大的胜利。以下是人们利用这些工具做出改变的几个例子:小企业主可以在几分钟内创建专业的网站,而无需耗费数周。学生们可以在曾经难以掌握的学科上获得个性化的辅导。非营利组织通过撰写更动人的工作故事,接触到了更多的捐赠者。艺术家们正在寻找新的方式,为下一个大型项目进行头脑风暴。企业开发这些工具的动机也在向好的方向转变。许多开发者不再仅仅试图诱导我们点击广告,而是专注于制作真正能节省我们时间的工具。他们希望创造出一种让你无法想象没有它该如何度过一天的产品。这种重心转移对普通用户来说是巨大的胜利,意味着产品正在变得更好,也更尊重我们的时间。我们正在告别“用户即产品”的旧模式,迈向一个我们作为创造者,利用强大工具构建新事物的时代。这是一条充满希望的道路,注定会让我们的工作生活在 2026 年变得更加愉快和高效。 与智能伴侣共度的一天让我们看看自由平面设计师 Sarah 的典型周二,她热爱早晨的咖啡和她的新智能工具。她的一天从让助手总结昨晚收到的五十封邮件开始。她不必花一小时阅读每一封邮件,而是直接得到了一份最重要的三件事清单。这让她多出了四十五分钟去遛狗和享受阳光。当她坐下来工作时,她会利用工具来辅助构思新客户的配色方案。她不会照搬工具给出的结果,而是将其作为激发自己创造力的起点。这就像拥有一个可以碰撞灵感的伙伴,而且还不用多付一张办公椅的钱。午餐时,Sarah 需要为一个大项目写一份提案。她擅长艺术,但有时难以找到专业的措辞。她用简单的语言输入要点,并让工具帮她润色。几秒钟内,一份看起来非常专业的草稿就完成了。她稍作修改以确保符合自己的风格,然后发送了出去。下午,她使用智能搜索工具寻找打印工作所需的特定纸张。她无需在几十个网站中搜索,只需描述需求,工具就能找到最优价格和最近的店铺。节省下来的时间意味着她可以在四点钟完成工作,并与朋友共度夜晚。这就是这些工具如何改善现实生活的写照。这无关乎充满机器人的未来世界,而是关于 Sarah 因为电脑的帮助,有了更多时间陪伴爱犬和朋友。这种工作流正在成为数百万人的新常态。它旨在消除工作中枯燥的部分,让我们专注于真正热爱的事物。企业也从中受益,因为它们能更快、更准确地帮助客户。现在当你拨打客服热线时,更有可能得到真正解决问题的答案,因为对方指尖掌握着正确的信息。这对员工、公司和客户来说都是共赢。我们都在共同学习如何使用这些工具,让生活变得更加丰富多彩,减少压力。关于未来之路的好奇提问虽然我们对这些新助手感到兴奋,但对它们幕后的运作方式存有疑问也是非常自然的。我们可能会好奇分享的信息去了哪里,或者这些公司如何保护我们的个人隐私。思考运行这些庞大机器的成本及其对环境的影响也很有意义。这些并非黑暗或可怕的问题,而是我们共同努力解决的有趣难题。通过以友好和好奇的心态提出这些问题,我们能鼓励开发者们更加开放和谨慎。这就像在高速公路上驾驶新车前,确保它有良好的刹车和安全带一样。我们希望工具既智能又安全,保持好奇心是实现这一目标的最好方式。 你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。 深入了解技术规格对于那些想确切了解引擎如何工作的人来说,技术细节其实非常迷人。我们谈论的是 API 限制以及不同模型之间如何通信。当 Sarah 使用她的工具时,她通常是在向服务器发送请求,服务器使用所谓的向量数据库来处理。这是一种存储信息的方式,使计算机能够基于含义而非仅仅是匹配词汇来查找内容。它极其高效,并允许更快的响应。我们还看到向本地存储的大规模迁移,这意味着一些智能功能可以直接在你的手机或笔记本电脑上运行,而无需将数据发送到 cloud。这对隐私和速度来说是巨大的一步,因为它减少了信息往返传输的时间。如果你想将这些工具整合到自己的工作流中,你可能需要关注 context windows 和 token 计数。将 context window 想象成 AI 的短期记忆。窗口越大,它在对话中能记住的信息就越多。当你进行书籍或复杂代码编写等长期项目时,这非常有帮助。管理你的 token 也很重要,因为这是大多数服务衡量你使用量的方式。这就像手机的数据套餐,你需要确保将 token 用在最有价值的地方。随着你对这些工具的熟悉,以下几个技术点值得关注:Latency 是工具响应你的请求所需的时间。Model quantization 有助于在手机等小型设备上运行大型程序。Prompt engineering 是一门以最佳方式提问以获得最佳结果的艺术。随着硬件性能的提升,Offline 功能正变得越来越普遍。这些工具与你现有 app 的整合也变得更加顺畅。你通常无需复制粘贴,只需使用插件或 API 即可将你最喜欢的写作工具直接连接到智能助手。这让整个过程感觉非常流畅自然。我们还看到越来越多的开发者专注于开源模型,这意味着任何人都可以查看代码并了解其运作方式。这种透明度对社区非常有益,因为它允许每个人做出贡献,让工具变得更好。如果你想了解更多最新动态,可以查看 botnews.today 的最新消息,看看这些集成是如何每天演进的。现在是成为“超级用户”的最佳时机,因为工具正变得比我们想象中更加灵活和强大。 有问题、有建议或有文章想法? 联系我们。 综上所述,实用与风险之间的界限是由我们自己的选择和好奇心所划定的。我们掌握着方向盘,而这些工具是为了帮助我们更快地到达目的地。无论你是学生、家长还是企业主,这波科技浪潮中都有适合你的东西。关键在于通过每一次对话,让世界变得更加紧密和富有创造力。我们应该拥抱乐趣和可能性,同时在数据使用上保持明智。未来看起来非常光明,很高兴看到这些工具如何帮助我们在日常生活中闪耀出更亮的光芒。当我们拥有如此多优质资源来帮助我们理解和掌握这些新伴侣时,完全没有必要感到焦虑。带着微笑和冒险精神向前迈进吧。归根结底,AI 是你的队友,而不是你的替代者。关键在于找到那些节省时间的小技巧,从而专注于让你快乐的大事。通过保持信息灵通并运用常识,你可以度过最富有成效且充满乐趣的一年。我们都是这场全球实验的一部分,目前的结果非常积极。继续探索,保持提问,最重要的是,享受你的设备现在能做的所有神奇事情。想了解更多关于科技如何改变世界的见解,你可以阅读

  • ||||

    为什么关于AI安全的讨论从未停止?

    最近大家都在聊电脑变得有多聪明。感觉每周都有新出的 app 能写诗、画画,或者几秒钟帮你搞定度假规划。在这些兴奋之余,你可能也会听到关于“安全”的讨论,甚至担心我们是不是要面对电影里那种机器人接管世界的桥段。好消息是,现实情况要务实得多,也更有趣。人工智能领域里的安全,并不是要对抗金属巨人,而是要确保我们打造的工具能精准执行我们的意图,且不会产生乱七八糟的副作用。你可以把它想象成给一辆飞驰的赛车装上高质量的刹车。你不是要阻止车子前进,只是想确保在需要的时候能精准停下。核心在于,安全是让我们能够信任这些神奇新工具的“秘密配方”,有了它,我们才能每天安心使用。 当我们谈论安全时,其实是在谈论“对齐”(alignment)。简单来说,就是我们希望电脑能理解我们的真实意图,而不只是照搬字面意思。想象一下,你厨房里有个超高速的机器人厨师。如果你让它“尽快做好晚餐”,一个没有安全护栏的机器人可能会把食材直接扔地上然后端给你生的,因为从技术上讲,这确实是最快的方法。安全第一意味着要教会机器人:质量、卫生和你的健康与速度同等重要。在科技界,这意味着要确保 AI 模型不会给出糟糕的建议、对特定群体产生偏见,或者不小心泄露隐私信息。这是一项涉及全球数千名研究人员的宏大工程,它正在让我们的科技变得对每个人都更友好。 发现错误或需要更正的地方?告诉我们。 我们得先澄清一个常见的误区。很多人担心 AI 会产生自我意识或拥有情感。实际上,风险要简单得多。AI 本质上就是代码和数学。它没有心也没有灵魂,除非我们专门教它,否则它根本不懂什么是对什么是错。行业最近的转变是因为这些模型变得过于庞大和复杂,开始出现开发者意料之外的行为。这就是为什么讨论重点从科幻小说转向了实用工程。我们现在专注于构建透明且可预测的系统。关键在于确保软件在能力越来越强时,依然保持“有益且无害”。更智能规则带来的全球连锁反应这场讨论正在从旧金山的初创公司到东京的政府办公室全面展开。这在全球范围内都很重要,因为这些工具正被用于做出重大决策。银行用它们决定谁能贷款,医生用它们辅助扫描诊断。如果 AI 带有哪怕一点点偏见或犯了错,都可能影响数百万人。这就是为什么制定全球安全标准是一项重大胜利。这意味着无论软件在哪里制造,都必须通过特定的质量检测。这为企业创造了公平的竞争环境,也让用户更安心。当我们有了明确的规则,反而会鼓励更多人去尝试新事物,因为他们知道有保障措施。各国政府也在积极引导这种增长。在美国,国家标准与技术研究院(NIST)一直在制定框架以帮助企业管理风险。你可以阅读 NIST AI 风险管理框架 来了解他们的思路。这是个好消息,因为它让我们告别了“狂野西部”式的混乱,迈向更成熟的行业。这并不是要减缓进步,而是要确保进步是稳固可靠的。当大家在安全规则上达成共识,不同系统跨国协作就会容易得多。这种全球合作将帮助我们利用这些强大的工具解决气候变化或医学研究等重大难题。创作者和艺术家也是这个全球故事的重要组成部分。他们希望在自己的作品被用于训练新模型时得到尊重。安全讨论通常包含版权和公平性话题。这是件好事,因为它引入了更多声音。我们正看到行业向更合乎道德的数据采集方向发展,这有助于建立科技公司与创意社区之间更好的关系。通过在 botnews.today 关注 AI 趋势,你可以看到这些关系每天是如何演变的。现在是观察这个领域的绝佳时机,因为我们今天写下的规则将长期塑造世界运作的方式。 安全 AI 未来的一天让我们看看这如何影响你的生活。想象一下,一位经营精品植物店的小店主 Maria。她使用 AI 助手来帮她写每周通讯并管理 Google Ads。在重视安全之前,她可能会担心 AI 使用的语气不符合品牌形象,或者不小心提到竞争对手。但得益于更好的“对齐”,AI 现在能完美理解她的品牌调性。它知道要保持温暖、乐于助人,并专注于可持续园艺。Maria 现在只需花二十分钟处理营销,而不是两小时,这让她有更多时间与客户交流并照料她的蕨类植物。这就是安全如何让科技对普通人更有用的完美例子。在同一个世界里,学生 Leo 正在用 AI 辅助准备历史大考。因为开发者专注于准确性和安全性,AI 在不确定时不会胡编乱造。相反,它会提供引用,并建议 Leo 查看特定的教科书以获取更多细节。这避免了旧模型产生“幻觉”或编造虚假事件带来的困扰。Leo 使用这个工具感到很自信,因为他知道它被设计成了一个可靠的导师。安全功能就像一个安静的后台程序,确保他的学习过程顺畅高效。他并不担心 AI 是否天才,他只是很高兴它是个得力的助手。即使在你浏览网页时,安全功能也在为你服务。现代搜索引擎和广告平台利用这些护栏在有害内容或诈骗信息触达你之前将其过滤掉。这就像有一个非常聪明的过滤器,让互联网保持友好。对于公司来说,这意味着他们的广告会出现在高质量内容旁边,从而建立用户信任。对于用户来说,这意味着更纯净、更愉快的体验。我们正看到一种转变:最成功的工具不再是声音最大或速度最快的,而是那些用起来最安全、最可靠的工具。这种对人类体验的关注,正是当前科技时代如此特别的原因。虽然我们都对这些工具感到兴奋,但思考一下幕后情况也无妨。例如,这些庞大的服务器在帮我们写诗或写代码时到底消耗了多少能源?思考一下所有训练数据的来源,以及原创者是否得到了公平对待,也是值得的。这些不是停止使用科技的理由,但却是我们共同前进时值得提出的好问题。我们可以通过保持对资源和权利的好奇心,继续构建更好的事物。我们还必须考虑运行这些模型所需的设备成本,以及这如何影响谁能获得最先进的技术。 你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。 深入了解 Power User 规格对于那些喜欢钻研细节的人来说,安全讨论与我们如何将这些模型集成到日常工作流中密切相关。最近最大的转变之一是转向 RAG,即“检索增强生成”。RAG 不仅仅依赖 AI

  • |||

    2026年塑造人工智能的20位关键人物

    逻辑的新架构师科技行业的权力层级已经发生了转移,从编写代码的人转向了掌握思想基础设施的人。在当今时代,影响力不再通过社交媒体粉丝数或公开露面来衡量,而是通过算力(flops)、千瓦时和专有数据集来衡量。目前定义人工智能发展轨迹的这二十个人,并不全是家喻户晓的名字。有些人是布鲁塞尔的监管者,有些人是台湾的供应链经理。他们有一个共同点:他们控制着自工业时代以来最重大技术变革的瓶颈。我们已经告别了只会讲笑话的聊天机器人时代,现在进入了无需人类监督即可执行复杂工作流的智能体(agentic)系统时代。这种转变使权力比以往任何时候都更加集中。这小群人所做的决定将决定未来十年的财富分配方式和真相验证方式。重点已从这些系统“能说什么”转移到“能做什么”。这就是全球影响力的新现实。 超越研究实验室公众通常将人工智能视为一个在突飞猛进中发展的静态领域。但现实是,这是一个不断优化和基础设施扩展的艰苦过程。在2026年塑造这一领域的人们正专注于从大语言模型向智能体工作流的过渡。几年前,主要目标是让机器听起来像人;今天,目标是让机器成为可靠的员工。这种变化改变了谁拥有最大的影响力。我们看到权力正从2010年代初主导该领域的纯研究科学家手中转移。新的权力玩家是那些能够架起原始模型与成品之间桥梁的人。他们正在研究如何在本地硬件上运行这些模型,以及如何将API调用的延迟降至接近零。他们也是那些负责谈判维持数据中心运行所需巨额能源合同的人。公众认知与行业底层现实之间存在显著差异。大多数人仍然认为我们正走在通往单一、有感知力的超级智能的直线上。但现实要碎片化得多。最有影响力的人物实际上正在构建成千上万个专门的、狭义的智能体。这些智能体并不像人类那样思考,而是优化法律发现、蛋白质折叠或物流路径等特定任务。行业已从通用工具转向高精度仪器。这种转变虽然不如“机器神”诞生那样戏剧化,但对全球经济的影响却深远得多。引领这一潮流的人明白,实用性永远胜过新奇感。他们正是将原始的计算密度转化为地球上大型企业切实的经济价值的人。 计算的地缘政治AI领域的影响力现在与国家安全和全球贸易密不可分。这份名单顶端的人包括决定哪些国家可以购买最新芯片的政府官员,也包括NVIDIA和TSMC等管理智能硬件生产的高管。世界目前被分为能够生产高端半导体和不能生产的国家。这种鸿沟创造了一种新型杠杆。华盛顿或北京的一个政策变动,就可能一夜之间让整个软件生态系统的进展停滞。这就是为什么这份影响力人物名单中,外交官和供应链专家的比例比五年前更高。他们是物理层的守门人。没有他们的合作,最先进的算法也只是无处运行的代码行。这二十个人的全球影响力延伸到了劳动力市场。我们看到了白领行业出现结构性替代的最初真实迹象。OpenAI和Anthropic等公司的领导者不仅在构建工具,他们还在重新定义“专业人士”的含义。通过自动化管理和分析的中层环节,他们正迫使政府重新思考教育和社会安全网。这不是未来的理论问题,而是正在发生的事实,因为企业正将这些系统集成到其核心运营中。这二十个人的影响力在每家财富500强企业的董事会中都能感受到。他们正在设定变革的步伐,而这一步伐目前已超过了大多数机构的适应能力。快者与慢者之间的差距正在拉大,而这些架构师正是掌握地图的人。 与智能体共存要理解这些人的影响力,可以看看大型企业项目经理的一天。五年前,这个人需要花数小时起草电子邮件、安排会议和综合报告。今天,这些任务由这二十个人构建的平台所协调的智能体网络处理。当经理醒来时,智能体已经根据之前的互动整理了收件箱并起草了回复。另一个智能体监控了软件构建的进度,并标记了供应链中潜在的延迟。这不是魔法,而是针对业务特定需求调整的智能体工作流的结果。经理不再是执行者,而是编辑和决策者。这种日常生活的转变是行业领导者工作最明显的后果。他们已成功地将技术从浏览器标签页移到了我们生活的背景中。这种影响对创作者和开发者同样深远。今天的软件工程师使用的工具可以建议整块代码并在首次测试运行前捕获错误。这使生产力提高了几个数量级,但也提高了准入门槛。塑造这一领域的人决定了这些工具应如何训练以及应使用什么数据。这引出了数据来源的问题。这二十个人的影响力也体现在关于版权和知识产权的法律战中。他们决定了整个互联网都是训练集。这一决定对我们如何评估人类创造力产生了永久性影响。每当设计师使用生成式工具时,他们都在与一个建立在少数人决策基础上的系统互动。这就是权力的所在。这是为整个创意经济设置默认值的权力。用于训练这些模型的信息是新的黄金,而控制矿山的人就是世界上最有权势的人。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 这种影响力的现实往往隐藏在简洁的界面和简单的app背后。在幕后,有一个庞大的行动在维持这些系统的准确性和安全性。各大实验室负责安全和对齐(alignment)团队的领导者与CEO一样具有影响力。他们决定了AI被允许说什么以及必须拒绝什么。他们是没有任何道德的机器的道德仲裁者。这是一项经常被公众忽视的沉重责任。当AI拒绝生成有害图像或偏见报告时,它是在遵循一小群人编写的规则。他们的影响力是无形但全面的。他们正在塑造数字世界中可能性的边界。这不仅仅是一个技术挑战,更是一个哲学挑战,它将定义未来几十年人类与机器的关系。 智能的代价谁来为这些系统巨大的能源消耗买单?这是行业中最具影响力的人物目前试图回答的问题。单次AI查询的隐藏成本远高于传统搜索。随着这些系统越来越多地融入我们的生活,电网的压力成为首要关注点。那些引领小型模块化反应堆和专业AI能源解决方案的人正在成为新的权力玩家。我们必须问,自动化助手的便利性是否值得运行它所需的数据中心所带来的环境影响。此外还有隐私问题。随着我们向更个性化的智能体迈进,这些系统需要访问我们更多的个人数据。当数据被模型处理后,谁拥有这些数据?它能被真正删除吗?这些是行业为了谈论技术益处而经常回避的难题。这二十个人的影响力也体现在他们处理技术局限性的方式上。我们目前看到传统模型的扩展进入了平台期。下一次飞跃很可能来自算法效率,而不仅仅是增加更多的GPU。那些找到以更少资源实现更多功能的方法的人,将引领下一阶段的增长。他们将使AI能够被小型公司和发展中国家所使用。这是进化的关键点。如果这项技术对除大型企业以外的所有人来说都过于昂贵,将导致全球不平等的巨大加剧。那些致力于普及这些工具的人与构建第一批大型模型的人同样具有影响力。他们将决定这项技术是造福大众的工具,还是少数人的武器。悬而未决的问题依然是:我们能否构建一个既强大又真正去中心化的系统? 基础设施栈对于高级用户来说,这二十个人的影响力体现在他们每天使用的工具的技术规格中。我们正看到向模型本地执行的转变。这是由对低延迟和更好隐私的需求驱动的。那些正在为笔记本电脑和手机设计下一代NPU硬件的人处于这一转变的中心。他们使在口袋大小的设备上运行十亿参数模型成为可能。这需要硬件和软件之间的深度集成。能够架起这座桥梁的人将定义未来的用户体验。我们还看到API使用方式的转变。重点正从简单的请求和响应模式转向可以处理数小时或数天复杂任务的长时间运行流程。这需要一种能够跨多个会话管理状态和上下文的新型基础设施。当前API的局限性是开发者的主要瓶颈。那些正在构建下一代编排层(orchestration layers)的人将解决这个问题。他们正在创建能够根据当前任务自动在不同模型之间切换的系统。这被称为模型路由(model routing),是现代AI栈的关键部分。它允许开发者实时平衡成本、速度和准确性。另一个重点领域是本地存储和检索。向量数据库(vector databases)和检索增强生成(RAG)的使用已成为标准做法。优化这些系统的人使AI对拥有大量专有数据的企业变得有用。他们将通用模型变成了了解特定公司一切的专业工具。这就是使技术对企业产生现实意义的工作。这是构建新数字经济基础的架构师的工作。 下一次进化在2026年塑造AI的人不仅是在构建软件,他们是在构建人类未来工作的操作系统。他们所拥有的影响力是前所未有的,并伴随着我们才刚刚开始理解的责任感。我们已经走出了最初的兴奋,进入了一个严肃实施的阶段。现在的重点是可靠性、安全性和规模。能够在这些方面交付成果的人将保持在名单的前列。他们将决定我们如何与技术互动以及如何与彼此互动。最重要的一点是,这仍然是一个不断发展的领域。规则正由一小群对未来有着非常具体愿景的人实时编写。这一愿景是否符合世界其他地区的需求,是我们这个时代最重要的问题。这项技术的进化将继续给我们带来惊喜,但其背后的人仍将是其成功或失败的最重要因素。 你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。 编者按:我们创建本网站,旨在作为一个多语言人工智能新闻和指南中心,为那些并非电脑极客,但仍然希望了解人工智能、更有信心地使用它并关注正在到来的未来的人群服务。 发现错误或需要更正的地方?告诉我们。

  • ||||

    从过往科技热潮看AI的未来:历史会重演吗?

    基础设施周期的轮回硅谷常宣称其最新突破是前所未有的,但事实并非如此。当前的人工智能浪潮与19世纪的铁路扩张及90年代末的互联网泡沫如出一辙。我们正目睹资本流向与算力集中方式的巨大转变,这本质上是关于谁掌控了未来基础设施的争夺。美国之所以领先,是因为它拥有最雄厚的资金和最激进的cloud提供商。历史证明,谁掌控了轨道或光纤,谁就掌握了话语权。AI也不例外,它遵循着“基础设施建设—快速整合”的既定路径。理解这一模式,能让我们拨开炒作的迷雾,看清新周期中权力的真正归属。核心结论很简单:我们不仅是在开发更智能的软件,更是在构建一种像电力或互联网一样基础的utility。赢家将是那些掌控物理硬件和海量数据集以维持系统运行的巨头。 从钢铁轨道到神经网络要理解当今的AI,不妨看看美国的铁路热潮。19世纪中叶,大量资本涌入横跨大陆的铁路铺设,尽管许多公司破产了,但轨道留了下来,并成为随后一个世纪经济增长的基石。AI目前正处于“铺轨”阶段。我们不再使用钢铁和蒸汽,而是使用硅片和电力。Microsoft和Google等公司的巨额投资正在构建支撑所有行业的compute集群。这是一种经典的infrastructure博弈。当一项技术需要巨额资本启动时,它自然会偏向大型、成熟的玩家。这就是为什么美国少数几家公司能主导该领域的原因——他们有钱购买芯片、有地建设数据中心,还有现成的用户群来大规模测试模型。这形成了一个反馈循环:巨头获得更多数据,模型变得更好,从而吸引更多用户。人们常误以为AI是独立产品,其实把它看作一个platform更准确。正如互联网需要互联网历史从军事项目演变为全球utility一样,AI正从研究实验室走向商业运营的骨干。这种转变比以往周期更快,因为分发网络早已存在。我们无需铺设新电缆,只需升级线路末端的服务器。这种速度感让当下显得与众不同,即便其背后的经济模式似曾相识。权力的集中是这一阶段的特征而非bug。历史表明,一旦基础设施定型,重点就会从建设系统转向从中提取价值。我们现在正接近这个转折点。 美国的资本优势AI的全球影响直接取决于谁能买单。目前主要是美国。美国资本市场的深度允许其他地区难以企及的风险水平,这造成了platform权力上的巨大鸿沟。当少数几家公司控制了cloud,他们实际上就控制了所有人的游戏规则。这对国家主权和全球竞争有着深远影响。没有大规模算力基础设施的国家必须向美国提供商租用,这产生了一种新型依赖。这不再仅仅是软件授权的问题,而是关于运行现代经济所需的处理能力。这种权力集中是科技史上的常态。权力之所以集中在少数人手中,主要有三个原因:训练领先模型的成本现已达到数十亿美元。所需的专用硬件由极少数制造商生产。数据中心巨大的能源需求,使得拥有稳定且廉价电网的地区更具优势。这一现实反驳了“AI是伟大的均衡器”这一观点。虽然工具对个人来说变得更易用,但底层的控制权却比以往任何时候都更加集中。各国政府已开始注意到这种失衡,并研究谢尔曼反托拉斯法等历史先例,试图用旧法应对新垄断。然而,工业发展的速度目前远超政策。当一项法规经过辩论通过时,技术往往已经迭代了两代。这造成了一种永久性的滞后,法律总是滞后于已经改变的现实。 当软件跑赢法律这种速度在商业适应方式上体现得淋漓尽致。想象一下芝加哥一家小型营销公司:五年前,他们雇佣初级文案撰写稿件,雇佣研究员寻找趋势;今天,老板只需订阅一个AI平台,就能处理70%的工作量。早晨,AI生成全球市场趋势摘要;中午,系统已根据这些趋势草拟了30种广告变体。人类员工现在更多是扮演编辑和战略家,而非创作者。这种转变发生在从法律到医学的各个领域。它提高了效率,但也产生了对平台提供商的巨大依赖。如果提供商更改定价或服务条款,营销公司别无选择,只能服从。因为他们已将该工具深度集成到工作流中,无法轻易切换回人工劳动。这种情况说明了为什么政策难以跟上。监管机构还在担心数据隐私和版权,而行业已转向能做出财务决策的自主智能体。AI发展的工业速度是由市场份额竞争驱动的。公司宁愿先“破坏”再修复,因为在基础设施竞赛中,第二名往往等同于最后一名。我们在浏览器大战和社交媒体崛起中都见证过这一点。赢家是那些跑得足够快并成为默认标准的人。一旦成为标准,就很难被取代。这导致公共利益往往让位于对规模的追求。矛盾在于,我们既想要技术带来的好处,又对少数公司掌握的权力感到担忧。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 本文由AI辅助生成,旨在综合历史数据和行业趋势。 关于最新AI行业分析显示,我们正进入深度集成阶段。技术不再是新鲜事物,而成了必需品。对于企业而言,不使用AI很快就会像2010年不使用互联网一样,虽然可能,但会极其低效。这种采用压力推动了快速增长,尽管长期后果尚不明确。我们正在重演21世纪初的情景,当时企业在未完全理解安全或隐私风险的情况下匆忙上线。不同的是,今天的规模更大,风险更高。我们现在构建的系统很可能决定未来几十年的工作和沟通方式。 计算时代的严峻拷问我们必须以苏格拉底式的怀疑精神审视当前的热潮。这种快速扩张的隐形成本是什么?最明显的是环境影响。国际能源署关于数据中心的报告强调了这些系统消耗的巨大电力。随着数据中心建设增加,老化电网的压力也随之增大。谁来为这些基础设施买单?是赚取数十亿利润的公司,还是分担电网压力的纳税人?此外还有数据劳动的问题。这些模型是在人类集体产出的基础上训练的,往往未经同意或补偿。让少数公司私有化公共数据的价值公平吗?我们需要问问谁真正从这种效率中受益。如果一项任务从10小时缩短到10分钟,工人是获得了更多自由时间,还是仅仅被分配了十倍的工作量?隐私是另一个成本往往被隐藏的领域。为了让AI更有用,我们赋予它更多访问个人和职业生活的权限,用数据换取便利。历史证明,隐私一旦交出,几乎无法收回。我们在广告驱动的互联网崛起中看到了这一点:最初寻找信息的途径演变成了全球监控系统。AI有可能将此推向极致。如果AI了解你的思维和工作方式,它就能以难以察觉的方式影响你的决策。这些不仅是技术问题,更是需要超越软件补丁的社会和伦理困境。我们必须决定,这种进步的速度是否值得以牺牲个人自主权为代价。当AI热潮进入成熟期,这些问题的答案将决定我们所处社会的样貌。 模型层的运作机制对于关注技术层面的人来说,焦点正从模型规模转向工作流集成。我们正看到一种趋势:从庞大的通用模型转向可在本地硬件上运行的小型专用模型。这是对基于cloud的API高成本和延迟的回应。高级用户正越来越多地寻找绕过主要提供商限制的方法,包括管理API速率限制以及寻找本地存储数据的方法,以确保隐私和速度。AI与现有工具的集成才是真正的核心工作。这不仅仅是与聊天机器人对话,而是拥有一个能读取本地文件、理解特定编码风格并实时建议更改的模型。这需要与公共Web工具完全不同的架构。未来几年的技术挑战包括:优化模型以在消费级GPU上运行,同时不损失过多精度。开发更好的方法来处理AI智能体中的长期记忆,使其能记住数周或数月的上下文。为不同AI系统之间的通信创建标准化协议。我们还看到*本地推理*的兴起,作为维护敏感数据控制权的一种方式。通过在本地机器上运行模型,用户可以确保其专有信息永远不会离开办公场所。这对于法律和金融等数据安全至关重要的行业尤为重要。然而,本地硬件仍落后于cloud巨头拥有的庞大集群,这创造了一个双层系统:最强大的模型将留在cloud,而更高效、能力稍弱的版本将在本地运行。平衡这两个世界是开发者面临的下一个重大挑战。他们必须决定何时利用cloud的原始算力,何时优先考虑本地计算的隐私和速度。这种技术张力将驱动未来几年的大量创新。 你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。 规模化的未竟故事科技史就是一部整合史。从铁路到互联网,我们看到了“爆发后受控”的模式。AI目前正处于这个周期的中间。美国视角之所以占据主导,是因为这一增长阶段所需的资源集中在那里。然而,故事尚未结束。随着技术成熟,我们将看到对这种platform权力的挑战。无论是来自监管、新的技术突破,还是我们评估数据价值方式的转变,都有待观察。当下的核心问题是:我们能否在享受这种新基础设施带来的好处的同时,又不放弃竞争和隐私,从而维持健康的经济?我们正在构建下一个世纪的基石,必须非常谨慎地对待谁掌握着开启它的钥匙。 编者按:我们创建本网站,旨在作为一个多语言人工智能新闻和指南中心,为那些并非电脑极客,但仍然希望了解人工智能、更有信心地使用它并关注正在到来的未来的人群服务。 发现错误或需要更正的地方?告诉我们。

  • ||||

    AI芯片的下一次大变革:追求速度、体积还是能效?

    AI竞赛的焦点已经从简单的时钟频率转向了复杂的系统架构之争。仅仅在硅片上堆叠更多晶体管已不再足够。整个行业正面临一个瓶颈:处理器与内存之间的数据传输速度,比处理器本身的性能更为关键。这种转变定义了当前的硬件时代。曾经专注于芯片设计的公司,如今不得不管理全球供应链并运用先进的封装技术来保持竞争力。最近的趋势是转向整体系统设计,其中网络和内存与逻辑门一样至关重要。这种演变改变了软件的编写方式,也改变了各国政府对国家安全的看法。如果你想了解技术发展的下一个方向,请关注芯片之间的连接,而不是芯片本身。一个平台的能力现在取决于它将这些分散部分整合为统一整体的能力。那些忽视硬件物理极限的人,其软件梦想终将被延迟和发热所拖累。 通过堆叠硅片打破“内存墙”要理解当前的转变,必须看看芯片是如何物理组装的。几十年来,行业遵循扁平化设计,即处理器和内存分开安装在电路板上。如今,这种距离成了性能的主要敌人。为了解决这个问题,制造商正转向先进封装技术。这涉及将组件垂直堆叠或在称为中介层的专用基板上并排排列。这种通常被称为“晶圆级封装”(Chip on Wafer on Substrate)的技术,使海量数据能以过去无法想象的速度传输。这不仅仅是微小的改进,而是计算机制造方式的根本性变革。当你将高带宽内存(High Bandwidth Memory)直接放置在处理核心旁边时,就消除了拖慢大型语言模型的交通拥堵。这就是为什么像NVIDIA这样的公司如此强势的原因。他们卖的不仅仅是芯片,而是一个包含内存和高速互连的紧密集成包。内存本身也在发生变化。标准RAM已无法跟上现代AI的需求。行业正转向提供更高吞吐量的专用内存。这种内存昂贵且制造困难,造成了供应瓶颈。如果一家公司无法获得足够的专用内存,其先进处理器基本就成了废铁。这种依赖性表明,硬件故事现在已演变为系统故事。不谈承载数据的“血管”,就无法谈论大脑。从2D到3D结构的转变是当今市场上最重要的技术信号。它将严肃的参与者与那些仅在旧设计上进行迭代的公司区分开来。这种转型需要对能够处理此类精度的制造设施进行巨额投资。世界上只有少数几家公司(如TSMC)有能力大规模实现这一点。AI的地缘政治现实与这些芯片的制造地息息相关。大多数先进制造集中在台湾的几平方英里内。这种集中为全球经济制造了一个单点故障。如果那里的生产停止,整个科技行业将陷入瘫痪。各国政府正投入数十亿美元建设本土工厂,但这些项目需要数年才能完成。出口管制也成了主要因素。美国政府限制向某些国家销售高端AI芯片以保持技术领先。这迫使公司设计符合这些规则的特定硬件版本。这种全球市场的碎片化意味着你所处的位置决定了你能构建什么样的AI。这回到了一个物理边界定义数字可能性的世界。硬件与平台能力之间的联系现在已成为国家政策问题。一个无法获得最新硅片技术的国家,在软件时代将无法竞争。这就是为什么我们看到如此积极的举措来控制从原材料到成品系统的整个供应链。 对于开发者或小型企业而言,这些硬件变化有着直接后果。想象一下经营小型工作室的创作者Sarah。一年前,她完全依赖云服务商来运行AI工具。她支付高额月费,并担心自己的数据被用于训练。如今,得益于更高效的芯片设计和更好的本地内存集成,她可以在单台工作站上运行强大的模型。她的一天从本地机器生成高分辨率素材开始,同时还能悠闲地喝杯咖啡。她不必等待外地的服务器响应。由于硬件效率更高,她的办公室不会过热,电费也保持在可控范围内。这种向本地计算的转变是更好的芯片封装和内存管理带来的直接结果。它赋予了创作者更多的自主权和更好的隐私保护。然而,这也造成了鸿沟:那些买得起最新硬件的人,比仍在使用旧系统的用户拥有巨大的生产力优势。 这种影响延伸到了公司的预算规划中。一家中型企业可能必须在巨额云服务合同与投资自己的硬件集群之间做出选择。这个决定不再仅仅关乎成本,更关乎控制权。当你拥有硬件时,你就拥有了整个技术栈。你不再受API限制或巨头服务条款变更的影响。你可以优化软件以在特定硬件上运行,榨干每一分性能。这就是芯片变革的现实一面。它将AI从遥远的服务变成了本地工具。但这种工具需要专业知识。管理高性能芯片集群与管理传统服务器机房不同。你必须处理复杂的网络协议和液冷系统。其现实影响是软件团队对硬件素养有了新的需求。这两个领域正以计算早期以来从未有过的方式融合。大型模型的本地执行减少了实时应用的延迟。先进的散热需求改变了现代数据中心的物理布局。硬件级加密为敏感数据提供了新的安全层。专有互连迫使公司留在单一硬件生态系统中。能效成为移动AI性能的首要指标。 我们必须自问,这种硬件痴迷背后的隐性成本是什么。在我们追求更强性能的同时,是否忽略了制造这些复杂系统对环境的影响?运行现代晶圆厂所需的水和能源是惊人的。此外还有硬件层面的隐私问题。如果硅片本身内置了遥测功能,我们还能确定数据是私密的吗?我们常假设计算能力越强越好,但很少问我们解决的问题是否真的需要这么多算力。我们是否正在构建一个只有最富裕的国家和公司才住得起的数字世界?制造能力集中在少数人手中是一个我们在追求“每秒更快Token”的狂热中大多忽略的风险。我们应该考虑是否正在创造一个容易遭受系统性故障的硬件单一文化。硬件即命运是当前科技界的共识,但这个命运正由极少数人书写。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 我们需要质疑,在性能与透明度之间做出的权衡是否是我们愿意接受的。当前向封闭硬件生态系统发展的趋势,使得独立研究人员更难验证这些系统是如何真正运作的。 对于高级用户来说,技术细节才是故事的核心。软件与硬件的集成正通过CUDA或ROCm等专用库实现。它们不仅仅是驱动程序,更是让代码与芯片上数千个微小核心对话的桥梁。许多工作流当前的瓶颈是云服务商施加的API限制。通过转向本地硬件,用户可以绕过这些限制,但必须应对本地存储和内存带宽的约束。NVLink等互连速度决定了多个芯片作为一个整体协同工作的效率。如果互连速度慢,增加更多芯片只会带来边际收益递减。这就是为什么最新的AI硬件趋势显示出对网络与处理能力同等的重视。你还必须考虑热设计功耗(TDP)。运行过热的芯片会限制自身性能,使其理论峰值速度变得毫无意义。本地存储速度也很重要,因为模型权重必须快速加载到内存中以避免启动延迟。市场中的极客群体正从简单的基准测试转向全系统吞吐量指标。高端集群中的互连带宽现已超过每秒数TB。量化技术使大型模型能够适应更小的内存占用。统一内存架构允许CPU和GPU共享同一数据池。针对特定数学运算的硬件加速器正成为消费级CPU的标准配置。本地API端点实现了不同软件工具之间的无缝集成。 未来一年的重大进展将不再以更高的时钟频率来衡量。相反,我们应关注能效的提升和先进封装技术的普及。如果我们看到向更开放的互连标准迈进,那将是一个重要信号,意味着用户不再被锁定在单一供应商的技术栈中。我们还应关注片上网络的发展,以减少移动数据所需的能量。真正的成功在于高性能AI是否能惠及不仅仅是前1%的顶尖公司。现实的赌注很高。硬件是我们构建数字空间一切事物的基石。如果这个基石是集中的、昂贵的且不透明的,那么技术的未来也将如此。我们需要迈向一个硅片的力量被用于为所有人解决实际问题,而不仅仅是在市场上制造更多噪音的世界。变革正在发生,其影响将在未来几十年内持续显现。 编者按:我们创建本网站,旨在作为一个多语言人工智能新闻和指南中心,为那些并非电脑极客,但仍然希望了解人工智能、更有信心地使用它并关注正在到来的未来的人群服务。 发现错误或需要更正的地方?告诉我们。