a close up of a bunch of beads

类似文章

  • ||||

    AI 背后的隐形机器:芯片、云端与工业规模

    人工智能常被描述为云端中一系列虚无缥缈的算法。这种说法其实是一种便捷的谎言,它忽略了维持这些系统运转所需的庞大工业机器。现代 AI 的真相存在于高压输电线、巨型冷却系统和专业硅片制造的物理世界中。虽然软件更新的速度快如光速,但支撑它们的基础设施却受限于水泥和钢材的物理速度。大规模模型的进步现在正触及物理和物流的硬性瓶颈。我们正目睹一种转变:获取电网连接或数据中心许可证的能力,变得与编写高效代码的能力同等重要。要理解技术的未来,必须透过屏幕,深入了解驱动它的重工业。瓶颈不再仅仅是人类的智慧,而是土地、水和电力的供应,其规模是极少数行业曾面临过的挑战。 虚拟智能背后的工业重量AI 所需的硬件远比标准服务器设备复杂。它始于专业的芯片设计,但故事很快转向了封装和内存。高带宽内存(High Bandwidth Memory)对于以足够快的速度向处理器输送数据以保持性能至关重要。这种内存通过 Chip on Wafer on Substrate 等先进技术垂直堆叠并集成到处理器中。这一过程由极少数公司掌控,为全球供应制造了一个狭窄的瓶颈。网络是另一个关键的物理组件。这些系统并非孤立工作,它们需要 InfiniBand 等高速互联技术,让数千颗芯片协同工作。这给数据中心的建设带来了物理限制,因为铜缆或光纤的长度会影响整个系统的速度。这些组件的制造集中在少数高度专业化的工厂中。一家公司,即 TSMC,生产了全球绝大多数的高端芯片。这种集中意味着单一的局部事件或贸易政策的变动,都可能导致整个行业停滞。制造设备的复杂性也是一个因素。使用极紫外光刻技术的机器是人类制造过最复杂的工具。它们由全球唯一一家公司生产,且需要数年的订购和安装周期。这不是一个快速迭代的世界,而是一个需要长期规划和巨额资本支出的世界。基础设施是构建每一个聊天机器人和图像生成器的基石。没有这一物理层,软件根本无法存在。像 CoWoS 这样的先进封装技术目前是芯片供应的主要瓶颈。高带宽内存的生产需要目前已满负荷运转的专业工厂。网络硬件必须设计为以最小延迟处理海量数据吞吐。最新节点的制造设备存在数年的积压订单。生产在特定地理区域的集中造成了重大的供应链风险。算力的地缘政治版图硬件生产的集中化已将 AI 变成了国家安全问题。各国政府正利用出口管制来限制高端芯片和制造设备流向特定地区。这些管制不仅针对芯片本身,还涉及制造和维护这些机器所需的技术知识。这创造了一个割裂的环境,世界不同地区拥有不同水平的算力。这种差距影响着从商业生产力到科学研究的方方面面。企业现在被迫考虑数据中心的地理位置,不仅是为了延迟,更是为了政治稳定和合规性。这与互联网早期服务器物理位置几乎无关的时代相比,是一个重大转变。在这个新时代,商业力量掌握在控制基础设施的人手中。那些几年前就锁定大量芯片订单的云服务提供商,现在比后来者拥有巨大优势。这种权力集中是该技术物理需求的直接结果。如需深入了解这些动态,您可以阅读这篇关于人工智能基础设施的深度解析,看看硬件如何塑造软件。构建具有竞争力的大规模模型的准入门槛现在以数十亿美元的硬件成本来衡量。这创造了一个有利于老牌巨头和国家背景实体的准入壁垒。总而言之,重点已从谁拥有最好的算法,转移到谁拥有最可靠的供应链和最大的数据中心。随着模型规模和复杂性的增长,这种趋势可能会持续下去。 现实世界中的混凝土与冷却AI 对环境的影响往往对最终用户隐藏。对大型语言模型的单次查询所消耗的电力可能远超标准搜索引擎请求。这种电力消耗转化为热量,必须通过巨大的冷却系统进行管理。这些系统每天通常消耗数百万加仑的水。在面临缺水的地区,这直接导致了科技公司与当地社区之间的资源竞争。AI 数据中心的能量密度比传统设施高出数倍。这意味着现有的电网往往无法在不进行重大升级的情况下承载负荷。这些升级可能需要数年时间才能完成,并涉及需要地方和州政府参与的复杂许可流程。想象一下,在一个正在建设新数据中心的地区,市政公用事业经理的一天。他们必须确保当地电网能够处理海量、持续的电力需求,而不会导致居民停电。他们正在管理一个从未为这种集中需求而设计的系统。 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。 当科技公司申请新的连接时,可能会触发一个长达数年的过程,包括建设新的变电站和铺设数英里的高压线。这往往会招致当地居民的抵制,他们担心公用事业费率上涨或设施对环境的影响。国际能源署指出,数据中心的电力消耗在未来几年内可能会翻倍。这不仅是一个技术挑战,更是一个社会和政治挑战。数据中心的物理占地面积可达数十万 m2,通常位于土地资源本已稀缺的地区。 许可审批是另一个常被忽视的实际约束。建设数据中心涉及应对复杂的环境法规、分区法律和建筑规范网络。在某些司法管辖区,审批过程可能比实际施工时间还要长。这造成了软件开发的高速与物理基础设施建设的缓慢之间的脱节。企业现在正在寻找审批速度快且能方便获取可再生能源的地点。然而,即使有了可再生能源,需求的巨大规模依然是一个挑战。一个 24 小时运行的数据中心需要持续的电力供应,这意味着风能和太阳能必须辅以大规模电池存储或其他形式的基准电力。这为运营增加了另一层物理复杂性和成本。 扩展时代的严峻问题随着我们继续扩展这些系统,必须提出关于隐藏成本的棘手问题。到底是谁在为 AI 所需的庞大基础设施买单?虽然这些工具对最终用户来说通常是免费或低成本的,但环境和社会成本正分摊到整个社会。一个稍微准确一点的聊天机器人所带来的好处,是否值得我们电网和供水系统承受如此大的压力?此外还有隐私和数据主权的问题。随着更多数据在庞大的集中式设施中处理,大规模数据泄露的风险也在增加。数据的物理集中也使其成为国家行为体和网络犯罪分子的目标。我们必须考虑,向大规模集中式算力发展是否是唯一的途径,还是我们应该更多地投资于去中心化和高效的替代方案。硬件成本也是一个担忧。如果只有少数几家公司有能力构建最先进模型所需的基础设施,这对开放研究和竞争的未来意味着什么?我们正看到一种趋势,即最强大的系统被锁定在专有 API 之后,底层的硬件和数据保持隐藏。这种缺乏透明度的情况使得独立研究人员难以验证关于安全性和偏见的声明。它还造成了对少数几家关键基础设施提供商的依赖。如果其中一家提供商遭遇重大硬件故障或地缘政治干扰,整个全球经济都将感受到影响。这些不仅是技术问题,更是关于我们想要如何构建技术未来的根本性问题。 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。 现代模型的硬件架构对于高级用户和开发者来说,AI 的物理限制体现在工作流集成和 API 限制中。大多数用户通过 API 与这些模型交互,这本质上是通往庞大数据中心的一个窗口。这些 API 的速率限制直接与另一端可用的算力挂钩。当模型响应缓慢时,通常是因为物理硬件正被成千上万的其他用户共享。一些开发者正转向本地存储和本地推理以绕过这些限制。然而,在本地运行大型模型需要强大的硬件,包括带有大量 VRAM 的高端 GPU。这导致了对能够处理 AI 工作负载的消费级硬件的需求激增,但即使是最好的消费级芯片,其性能也仅是专用数据中心机架的一小部分。AI

  • ||

    10个演示视频,比100篇文章更能让你看懂现代AI

    智能的视觉证明阅读关于AI的文字时代已经结束,我们进入了“眼见为实”的时代。多年来,用户只能通过文字描述来了解大语言模型的功能。如今,来自 OpenAI 和 Google 等公司的一系列高规格视频演示彻底改变了对话的走向。这些短片展示了能够实时看、听、说的软件,以及仅凭一句话就能生成电影级画面的视频生成器。这些演示是研究论文与实际产品之间的桥梁,让我们瞥见了一个计算机不再仅仅是工具,而是合作伙伴的未来。然而,演示毕竟是表演,它只是为你打开了一扇经过精心修饰的窗口,而这项技术或许尚未真正准备好面向公众。 要理解行业现状,必须透过那些精致的像素看本质。我们需要思考这些视频证明了什么,又掩盖了什么。目标是将工程上的突破与营销上的“表演”区分开来。这种区分定义了当前每一家大型科技公司的时代特征。我们不再仅仅通过基准测试来评判模型,而是通过它们通过镜头或麦克风与物理世界交互的能力来评判。这种转变标志着多模态时代的到来,在这个时代,交互界面与背后的智能同样重要。解构舞台化的现实现代AI演示是软件工程与电影制作的结合体。当一家公司展示模型与人类互动时,他们通常是在完美条件下使用最顶级的硬件。这些演示通常分为三类:第一类是产品演示,展示即将向用户推出的功能;第二类是可能性演示,展示 Google DeepMind 等公司的研究人员在实验室环境中取得的成果,但尚未能扩展到数百万用户;第三类是表演,这是一种依赖大量剪辑或特定提示词(prompt)的未来愿景,公众目前无法触及。例如,当我们看到模型通过摄像头识别物体时,我们看到的是多模态处理的巨大飞跃。模型必须在几毫秒内处理视频帧、将其转换为数据并生成自然语言响应。这证明了延迟障碍正在被打破,显示出其架构能够处理高带宽输入。然而,尚未得到证明的是这些系统的可靠性。演示不会展示模型识别物体失败的十次尝试,也不会展示AI自信地将猫识别为烤面包机的那种“幻觉”。公众往往高估了这些工具的成熟度,却低估了让它们哪怕成功运行一次所需的原始技术成就。从文本创建连贯的视频是一项巨大的数学挑战,而以符合物理定律的方式做到这一点则更难。我们正在见证世界模拟器的诞生。它们不仅仅是视频播放器,更是预测光影和运动规律的引擎。即使目前的结果是经过精心编排的,其背后的能力也预示着计算领域的巨大变革。全球劳动力格局的变迁这些演示的影响力远超硅谷。在全球范围内,这些能力正在改变各国对劳动力和教育的看法。在那些严重依赖业务流程外包的国家,看到AI实时处理复杂的客户服务电话是一个警示。这表明自动化智能的成本正在低于发展中国家的人力成本,迫使各国政府重新思考其经济战略。与此同时,这些演示代表了国际竞争的新前线。获取 Anthropic 等公司最先进的模型已成为国家安全问题。如果一个模型能协助编写代码或设计硬件,拥有最强模型的国家就拥有明显的优势。这导致了对计算资源和数据主权的争夺。我们正看到一种向本地模型发展的趋势,这些模型可以在特定国家边界内运行,以保护隐私并保持控制权。全球观众也正在见证创造力的民主化。一个偏远村庄里拿着智能手机的人,现在可以获得与好莱坞工作室相同的创作能力。这有可能拉平创意经济,让此前因高门槛而被埋没的多样化故事和想法得以呈现。然而,这也带来了虚假信息的风险。创造精美演示的同一项技术,也能制造出令人信服的谎言。全球社区现在必须面对“眼见不再为实”的现实。对于每一个连接互联网的人来说,这些利害关系都是实际且迫在眉睫的。与合成同事共处想象一下不久的将来,一位名叫 Sarah 的营销经理的生活。她早上打开一个已经掌握了她日程和邮件的AI助手。她不需要打字,而是在煮咖啡时直接与助手交谈。AI总结了三个最重要的任务,并为项目提案起草了初稿。Sarah 让AI查看竞争对手产品的视频并识别关键功能。AI在几秒钟内完成了任务,并生成了一个Sarah可以在会议中使用的对比表。 那天下午晚些时候,Sarah 需要为新活动制作一个短促的宣传片。她没有聘请制作团队,而是使用了一个视频生成工具。她描述了场景、灯光和氛围。该工具生成了四个不同版本的短片。她挑选了一个,并要求AI将演员衬衫的颜色改为与公司品牌相符。编辑瞬间完成。这就是我们今天看到的演示的实际应用。这并不是要取代 Sarah,而是要消除她构思与最终产品之间的摩擦。 然而,矛盾依然存在。虽然AI很有帮助,但 Sarah 花了三十分钟来纠正模型在公司法律合规性方面犯的一个错误。模型表现得非常自信,但却是错的。她还注意到,AI在处理她针对东南亚市场的特定文化细微差别时表现吃力。演示展示的是一种通用智能,但现实中它是一个基于特定数据训练且存在局限性的工具。 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。期望值的转变显而易见。用户现在期望他们的软件具有主动性,期望它无需提示就能理解上下文。这改变了我们构建网站和app的方式。我们正在从按钮和菜单转向自然对话。要理解这种转变,可以查看 现代人工智能趋势 以获取更详细的技术分析。Sarah 的经历突显了人们对AI的两大误解:他们高估了AI对所做工作含义的理解程度。他们低估了自己在重复性任务上节省的时间。 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。 魔法的高昂代价围绕这些演示的兴奋往往掩盖了关于其长期可持续性的难题。我们必须对这种进步的叙事保持一定程度的怀疑。首先,谁在支付运行这些模型所需的巨额计算成本?用户每次与多模态AI交互,都会触发一系列昂贵的 GPU 进程。当前的商业模式往往无法覆盖这些成本,导致对风险投资或大规模企业补贴的依赖。这就提出了一个问题:当补贴结束时会发生什么?这些工具会成为少数人的奢侈品吗? 其次,我们必须考虑数据的隐性成本。大多数模型都是在互联网的集体产出上进行训练的,这包括受版权保护的作品、个人数据以及数百万从未同意其作品被这样使用的人的创造性劳动。随着模型能力越来越强,高质量人类数据的供应正在减少。一些公司现在开始使用其他AI生成的数据来训练AI,这可能导致质量下降或错误的反馈循环。 第三是隐私问题。为了让AI真正有用,它需要看到你所看到的,听到你所听到的。这需要一种前所未有的监控水平。我们是否愿意为了一个更好的助手,而让一家公司实时获取我们日常生活的动态?演示展示了便利性,但很少展示存储和分析这些信息的数据中心。我们需要问:谁拥有这些模型的权重,谁有权关闭它们?这不仅关乎生产力,更关乎隐私生活的根本权利。这是一个权力问题。代理时代的幕后对于高级用户来说,兴趣点在于使这些演示成为可能的技术底层。我们正在迈向一个代理工作流(agentic workflows)的世界。这意味着AI不仅仅是生成文本,它还在使用工具。它调用 API、写入本地存储并与其他软件交互。当前的瓶颈不是模型的智能,而是系统的*延迟*。为了让演示看起来流畅,开发者通常会使用专用硬件或优化的推理引擎。 在将这些模型集成到专业工作流中时,几个因素变得至关重要:上下文窗口限制:即使是最好的模型,在非常长的对话中也可能丢失信息。API 速率限制:高质量模型通常受到限流,难以用于繁重的生产任务。本地与云端:在 Mac 或 PC 上本地运行模型可以提供隐私和速度,但需要大量的 VRAM。在过去的一年中,我们看到了可以在消费级硬件上运行的小型语言模型的兴起。这些模型通常是从大型版本中蒸馏出来的,在减少占用空间的同时保留了大部分推理能力。这对于想要构建不依赖持续互联网连接的应用程序的开发者来说至关重要。JSON 模式和结构化输出的转向也使AI更容易与传统数据库进行对话。然而,从演示到稳定产品的过渡仍然困难。演示可以忽略边缘情况,但生产环境不能。开发者必须管理模型响应的漂移和非确定性软件的不可预测性。行业中的极客群体目前热衷于检索增强生成(RAG),以此作为将这些模型植根于现实世界事实的一种方式。随着硬件逐渐赶上软件,这项工作在未来将持续进行。对炒作的定论定义我们当前时刻的演示不仅仅是营销,它们是人类与技术共存新方式的概念验证。它们表明人类意图与机器执行之间的障碍正在消失。但我们必须保持批判性。演示是一个承诺,而不是成品。它展示了一个仍在开发中的工具的最佳版本。我们必须根据演示在审查下证明了什么,以及哪些内容是为了镜头而舞台化的,来对其进行评判。 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。 这些演示的真正价值在于它们如何改变我们的期望。它们迫使我们想象一个计算机能按我们的方式理解我们的世界。随着我们的前进,重点将从AI在视频中能做什么,转向它在我们的办公桌上能做什么。精致表演与混乱现实之间的矛盾将定义行业的下一个阶段。根据演示所证明的去评判它,但要根据它实际交付的效果去使用它。 发现错误或需要更正的地方?告诉我们。

  • ||||

    2026 年的 OpenAI:规模更大、风险更高、不可忽视

    从研究实验室到基础设施的转型OpenAI 已经从一个研究实验室蜕变为全球性的公用事业提供商。到 2026 年,这家公司的运作方式更像是一个电网,而非单纯的软件 startup。它的模型为数百万个应用程序提供了推理层,从简单的客户服务 bot 到复杂的科学研究工具,应有尽有。公司核心的矛盾现在已显而易见:它必须在普通 ChatGPT 用户与对数据隐私和可靠性有严苛要求的企业客户之间取得平衡。同时,它还面临着来自竞争对手的巨大压力,必须保持其在原始智能领域的领先地位。这不再仅仅是写写诗或发发邮件的问题,而是谁能掌控人类知识与数字行为的主要接口。通过大规模的合作伙伴关系,该公司已将其分发渠道扩展至数十亿台设备。这种规模带来了前所未有的审视,每一次模型更新都会被仔细分析其偏见、安全风险和经济影响。赌注从未如此之高。AI 作为新奇事物的时代已经结束了。 从 Chatbot 到自主 Agent 的进化2026 年 OpenAI 生态系统的核心是 agentic 模型。它们不仅仅是文本生成器,更是能够在不同软件环境中执行多步骤任务的系统。用户可以让系统规划商务旅行,模型会自动搜索航班、检查日历空档、预订机票并提交费用报告。这需要远超简单 API 调用的深度集成,涉及对操作系统和第三方服务的深度钩子。该公司还扩展了其多模态能力,视频生成和高级语音交互现在已成为标准功能。这些工具让人们能够以更自然的方式与计算机交互,摆脱了键盘和屏幕的束缚,转向更具对话性和视觉感的体验。然而,这种扩张也带来了复杂的产品线:有面向个人的版本、面向小型团队的版本,以及面向大型企业的超安全版本。确保这些版本之间的一致性是一个巨大的技术挑战。公司必须保证在手机上运行的 agent 与在安全企业 cloud 中运行的 agent 表现一致。这种一致性正是开发者在其 OpenAI 平台上构建业务的基石。目前的产品套件包含几个不同的服务层:像 ChatGPT 这样优先考虑易用性和个性化的消费者接口。具有严格数据驻留和零保留策略的企业环境。允许微调和自定义 agent 行为的开发者工具。针对医疗和法律等高风险行业的专业模型。在边缘设备上运行以实现即时响应的嵌入式系统。 硅基智能的地缘政治分量OpenAI 的影响力现已延伸至政府大厅和每一家财富 500 强公司的董事会。它已成为一种地缘政治资产。各国现在都在关注主权 AI,希望确保自己不会完全依赖单一的美国公司来支撑其认知基础设施。这导致了监管环境的碎片化:一些地区以极低的监管力度拥抱这项技术,而另一些地区则对数据使用和模型透明度实施了严格规则。经济影响同样深远,劳动力市场正在发生转变,管理 AI 系统的能力变得比执行任务本身更有价值。这在能够利用这些工具的人与被其取代的人之间造成了鸿沟。OpenAI 正处于这一转型的中心,其定价和准入决策决定了哪些 startup 能成功,哪些行业会面临颠覆。该公司还面临着解决其庞大数据中心环境影响的压力。训练和运行这些模型所需的能源是气候意识监管机构关注的重大问题。到 2027,该公司不得不确保其自身的能源供应链以保证稳定性。这种向能源和硬件领域的进军表明,该公司正在扩大其足迹以保护其核心业务。与 Microsoft 等公司的合作对于这种物理扩张仍然至关重要。 自动化办公室的一天想象一下中型科技公司产品经理 Sarah 的一天。她的工作日不是从检查邮件开始,而是从查看 OpenAI

  • ||||

    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

  • ||||

    AI 如何重写搜索漏斗:从发现到合成的时代

    蓝色链接时代的终结传统的搜索漏斗正在瓦解。过去二十年里,流程是可预测的:用户输入查询,浏览十个蓝色链接,然后点击网站寻找答案。这个循环正在终结。如今,搜索引擎不再是目录,而是“答案引擎”。大语言模型(Large language models)现在横亘在用户与信息之间,将整个网站的内容浓缩成一段话。这不仅是界面的改变,更是互联网价值流动方式的根本转变。曝光不再保证流量。品牌可能出现在生成式摘要的顶部,但如果用户无需点击就能获得所需信息,网站就无法获得任何流量。这对依赖搜索生存的创作者和企业造成了巨大压力。我们正从一个“发现”的世界转向一个“合成”的世界。在这个新环境中,成功指标正在实时重写,因为平台将用户留存置于外部网络生态健康之上。 机器如何为你阅读网页这一变化背后的技术转变在于从“关键词匹配”转向“语义意图”。在旧系统中,搜索引擎索引的是单词;在当前系统中,它们索引的是概念。当你提问时,AI 不仅仅是寻找包含这些词的页面,它会阅读最相关的页面并撰写独特的回复。这通常被称为 AI 概览(AI Overview)或生成式摘要。这些摘要旨在成为最终目的地。通过从多个来源提取数据,AI 创建了一个综合答案,往往让点击进入原始来源变得多余。这是导致点击率压力的主要驱动力。搜索引擎结果页面正在变成一个封闭的循环。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。 本内容在人工智能的辅助下生成,以确保对技术主题的全面覆盖。对于发布者而言,这意味着他们的内容正被用来训练那些抢走他们受众的工具。搜索引擎实际上是在与自己的索引竞争。它利用记者、评论员和专家的劳动来提供服务,而这些服务最终可能会让这些人失业。这不仅仅是算法的简单更新,而是互联网社会契约的改变。以前,搜索引擎提供流量以换取抓取权;现在,它们提供答案却无需付出任何代价。这种演变迫使人们区分“被看见”和“被访问”。一家公司可能在 AI 回复中被引用为来源,但该引用通常只是一个几乎没人点击的小链接。这种曝光的价值远低于直接访问,因为在直接访问中,品牌可以与用户互动或展示广告。 全球信息经济这种转变对全球信息经济产生了巨大影响。在世界许多地方,搜索引擎是人们获取政府服务、健康信息和教育资源的主要方式。当 AI 总结这些主题时,它引入了一层可能具有危险性的解释。如果发展中国家的 AI 摘要基于西方数据集提供了略有错误的医疗指导,后果将是直接的。此外,经济影响对小型发布者打击最大。大型媒体集团可以与 AI 公司协商授权协议,但独立创作者和本地新闻机构却被排除在外。他们在没有任何补偿的情况下失去了流量。这可能导致互联网更加整合,只有最大的参与者才能生存。我们正在目睹不同语言和地区发现模式的转变。在某些市场,聊天界面已经比传统的搜索栏更受欢迎。这意味着人们了解产品或新闻的方式正变得更加对话化,而非探索性。全球受众正被汇集到少数几个控制信息流的占主导地位的聊天界面中。这种权力的集中是监管机构关注的重点,他们已经在审视这些公司如何利用市场地位来偏袒自己的工具。曝光与商业价值之间的鸿沟正在扩大,对于许多公司来说,触达全球受众的旧剧本已经过时。他们必须寻找新方法,通过 newsletter、app 和社区平台与用户建立直接关系,而不是依赖一个日益将用户留给自己的搜索算法。 信息时代的新曙光考虑一下当今典型用户的体验。Sarah 正在为即将到来的日本之旅寻找一台新相机。过去,她会在搜索栏输入“最佳旅行相机 2027”。她会打开四五个来自不同评论网站的标签页,比较规格,查看样张。这个过程需要二十分钟,并为科技博客贡献了多次点击。今天,Sarah 打开聊天界面并询问同样的问题。AI 会根据她的具体行程给出三款相机的优缺点列表。她继续追问关于镜头尺寸和电池寿命的问题。AI 在 Sarah 无需离开聊天框的情况下回答了一切。她找到了完美的相机,并直接前往大型零售商处购买。提供数据的评论网站甚至没见过她。他们提供了价值,却没有得到回报。这就是搜索漏斗的新现实。漏斗的中段,即研究和比较发生的地方,正在被 AI 界面吞噬。这改变了公司对内容的思考方式。如果 Sarah 从不访问网站,该网站就无法向她展示广告、让她订阅 newsletter 或追踪她的行为以进行未来的营销。发现过程已从一张大网变成了一根细管。为了生存,创作者必须专注于成为 AI 引擎无法忽视的权威来源。这涉及几个关键的策略转变:专注于在其他地方无法找到的原创研究和一手数据。建立强大的品牌标识,让用户专门搜索该品牌。优先考虑专家引用和独特摄影等高质量信号。创建服务于漏斗底部的内容,即在交易必要时提供价值。点击率的压力不仅仅是一种趋势,更是一种结构性变化。随着我们深入 2027,零点击搜索的比例预计会上升。这意味着即使网站保持在排名顶部,其流量也可能持续下降。曝光与流量之间的差异从未如此明显。公司现在被迫通过在 AI 回复中被提及的频率,而非分析工具中记录的会话次数来衡量成功。对于一个建立在页面浏览量指标上的行业来说,这是一个艰难的转型。 即时答案的隐形成本我们必须对这种效率带来的长期成本提出尖锐的问题。如果搜索引擎停止向它们抓取的网站发送流量,为什么还会有人在开放网络上发布高质量内容?这是一个经典的“公地悲剧”。AI 模型需要新鲜的、人类创造的数据来保持准确性和相关性。然而,通过提供即时答案,它们正在摧毁人类创造这些数据的经济激励。如果网络变成旧信息的坟墓,AI 摘要最终会变得陈旧或开始更频繁地产生幻觉。此外还有隐私问题。在传统搜索中,你是在寻找公共资源;在聊天界面中,你往往在分享个人背景以获得更好的答案。这些数据去了哪里?它们是如何存储的?大多数用户没有意识到他们的对话查询正被用于进一步训练模型。还有能源成本。生成 AI 回复所需的计算能力远高于传统关键词搜索。随着数十亿次搜索转向 AI 摘要,我们信息获取行为对环境的影响将会增加。我们正在用开放网络的健康和大量的电力来换取几秒钟的节省时间。这笔交易公平吗?我们还必须考虑单一答案中固有的偏见。当搜索引擎给你十个链接时,你可以看到各种观点;当 AI

  • ||||

    当下 AI 领域,谁才是真正的幕后操盘手?

    人工智能领域的权力天平已经从实验室转向了数据中心。在当前这波热潮初期,话语权掌握在那些能构建出最连贯模型的科研人员手中。而今天,这种影响力已经转移到了掌控物理基础设施和用户日常工作软件接口的实体手中。仅仅拥有一个聪明的模型已不足以赢得市场。真正的杠杆效应现在掌握在那些拥有分发渠道和维持系统大规模运行所需庞大计算集群的人手中。我们正目睹从发现时代向工业化时代的转变,资本和现有的用户基础决定了谁才是赢家。 最近的发展表明,投入数十亿美元购买硬件的能力是进入该领域的主要门槛。当公众还在关注哪个聊天机器人看起来更像人类时,行业内的人士正盯着几家巨头的资本支出报告。那些买得起数十万枚高端芯片的公司,才是为所有人设定节奏的玩家。这不是一个静止的环境。在过去十二个月里,重点已从训练大型模型转向了运行这些模型的效率。杠杆效应已经转移到了那些拥有 AI 流通管道的公司手中。芯片与软件的铁三角要理解谁掌握着主动权,你必须看看当前市场的三个支柱:算力、数据和分发。算力是最直接的瓶颈。像 Nvidia 这样的公司价值飙升,因为它们提供了核心硬件。没有这些芯片,世界上最先进的软件也只是硬盘上的一串代码。第二个支柱是数据。这里的杠杆效应属于那些拥有海量人类交互记录的公司,例如社交媒体平台或文档存储提供商。它们拥有为特定任务优化模型所需的原材料。第三个、或许也是最重要的支柱是分发。在这里,公众认知与现实之间的分歧最为明显。许多人认为最受欢迎的聊天机器人品牌拥有最大的话语权。实际上,那些拥有操作系统和生产力套件的公司才占据上风。如果一个 AI 工具已经内置在你的电子邮件客户端或文字处理软件中,你就不太可能去寻找第三方服务。这种内置优势正是老牌巨头如此迅速地将功能直接集成到现有产品中的原因。它们不需要寻找新客户,因为它们已经掌握了与用户的关系。这种动态导致初创公司往往被迫与潜在的竞争对手合作。一家小公司可能在模型效率上取得了突破,但它们缺乏构建全球服务器网络所需的数百亿美元。因此,它们用知识产权换取对大型合作伙伴云基础设施的访问权。这形成了一个循环,最大的玩家成为了该领域未来所有创新的守门人。杠杆效应不仅在于技术本身,更在于将该技术一夜之间扩展到十亿用户的能力。 主权与新的数据鸿沟在全球范围内,AI 的话语权正成为国家安全和经济主权的问题。各国开始意识到,依赖外国云服务来支撑其智能基础设施是一种战略风险。这促成了主权 AI 计划的兴起,政府开始投资建设本地数据中心和本土化模型。这里的杠杆效应掌握在那些能够确保芯片供应稳定以及维持其运行所需能源的国家手中。我们正在见证一种新型的数字外交,算力访问权被用作国际关系中的谈判筹码。这种转变对发展中经济体的影响最为强烈。这些地区往往拥有人才,但缺乏硬件。这带来了产生新的数字鸿沟的风险,即少数国家控制了未来十年经济增长的主要引擎。那些能够通过提供负担得起的本地化 AI 服务来弥合这一差距的公司,将在新兴市场获得巨大的影响力。然而,这也引发了关于谁拥有这些地区所产生数据的问题。如果一个国家的一家公司为另一个国家的政府提供 AI 服务,权力和所有权的界限就会变得模糊。 我们还看到全球范围内知识产权价值评估方式的转变。过去,价值在于软件。现在,价值在于模型的权重和用于训练它们的专有数据集。这引发了一场对高质量数据的淘金热。媒体公司、图书馆甚至 reddit 都意识到,它们的档案比之前想象的更有价值。杠杆效应已经转移到那些可以阻止或允许抓取其数据的版权所有者手中。这与互联网早期数据常被免费交换以换取曝光率的时代相比,是一个重大变化。 身处集成工作流之中这种杠杆效应在现代专业人士的日常生活中体现得最为明显。以一位名叫 Sarah 的市场营销主管为例。一年前,Sarah 可能需要打开一个单独的浏览器标签页来使用聊天机器人协助她构思活动方案,并在不同 app 之间复制粘贴文本。今天,Sarah 根本不需要离开她的主要工作空间。当她打开一个空白文档时,AI 已经在那里了,根据她之前的邮件和会议记录提供草稿建议。这就是分发的力量。Sarah 使用的并不是世界上最先进的模型,而是最方便的那一个。在这种情况下,为 Sarah 提供办公软件的公司拥有绝对的杠杆效应。它们能看到她写的内容,了解她的日程安排,并控制着协助她的 AI。这种集成使得 Sarah 很难切换到其他 AI 提供商。即使竞争对手发布了一个准确率高出百分之十的模型,迁移数据和改变工作流程的摩擦成本也太高了。这就是我们所说的生态系统引力。AI 集成度越高,用户就越被锁定在特定的提供商基础设施中。这种集成也延伸到了硬件层面。我们看到新一代笔记本电脑和手机都配备了专用 AI 芯片。这允许一些任务在本地处理,而无需将数据发送到云端。设计这些芯片及其所搭载设备的公司拥有一种独特的杠杆效应。它们可以提供云端提供商无法比拟的隐私性和速度。对于处理敏感法律或医疗数据的专业人士来说,在本地运行 AI 的能力是一个显著优势。打工人的日常生活正日益被这些隐形的硬件和软件协调层所定义。 公众认知与现实之间的分歧在这里表现得最为清晰。当公众在追踪哪个 AI 能写出最好的诗歌时,企业正在追踪哪个 AI 可以在不泄露商业机密的情况下自动化其供应链。话语权属于那些能在原始创造力之上提供安全性和可靠性的提供商。这就是为什么我们看到像 Microsoft 这样的公司如此专注于企业级功能。它们明白,真正的金钱在于那些维持企业运转的枯燥、高频任务中。其影响力的体现包括自动化发票处理、工厂预测性维护以及全球呼叫中心的实时语言翻译。在现有通信工具内实现自动化调度和邮件分类。集成到 ERP 系统中的库存管理预测分析。视频会议期间的实时文档摘要。无需互联网连接的设备端图像和视频编辑。