标签: AI

  • 在线购房平台Opendoor撤出印度,AI真的在吃掉外包饭碗吗

    Opendoor撤出印度
    Opendoor在印度业务仅运营不到两年便宣布撤出 | 图片来源:TechCrunch

    在线购房平台Opendoor撤出印度,AI真的在吃掉外包饭碗吗

    在线购房平台Opendoor本周宣布关停印度业务,距离它在钦奈和班加罗尔开设办公室还不到两年。CEO Kaz Nejatian给出的说法是:要把运营工作迁回客户所在的美国,同时转向规模更小、以AI为核心的团队。

    这则公告在硅谷引发了一轮不小的讨论。创始人、投资者和外包专家都在问同一个问题:AI是不是已经开始改变离岸工作的经济逻辑了?

    印度早已不是只做外包后台工作的地方。它是全球最大的全球能力中心(GCC)市场——跨国企业设立的专属离岸单元,负责处理从IT、财务到研发的所有业务。印度目前有超过2100个这类中心,雇佣约236万人,年营收接近1000亿美元。

    Opendoor在2024年进军印度时,在钦奈和班加罗尔组建了近250人的团队,主要处理分散在各系统中的手动工作流。但过去几年,整个公司一直在收缩。证券文件显示,去年年底Opendoor全球员工总数为1042人,而前一年是1470人;非美国员工数量也从342人缩减到184人。

    大规模裁员让人很难单纯从”AI替代外包”这个角度来理解印度业务的关停。在美国房地产市场低迷、在线购房业务整体承压的背景下,Opendoor一直在全业务线削减成本。但Nejatian解释这一举措时的表述,还是让投资者和外包分析师感到共鸣——他们认为AI正在重塑企业组织运营工作的方式。

    投资者怎么看

    部分投资者把Opendoor的决定当作AI对印度庞大外包劳动力影响的信号。Better Tomorrow Ventures联合创始人Sheel Mohnot直接写道:”随着手动工作被AI取代,印度的很多工作岗位都会消失。”

    另一些人看到的则是企业组织方式更大范围的转变。Emergent Ventures风险投资家Keshav Lohia称这是”AI驱动运营的转折点”,认为AI的进步正在开始挑战让印度成为热门离岸目的地的成本套利模式。

    HFS Research首席执行官Phil Fersht对TechCrunch表示,这一进展不应只被看作工作岗位从印度转移到美国,更重要的转变是:AI正在减少企业原本需要的运营人力规模,让企业无论位于何处都能以更精简的组织运营。

    “这不是一次孤立的重组。这是随着企业围绕AI、自动化和更精简的工作流重新设计运营,我们开始看到的更广泛模式的一部分。”

    “服务即软件”时代来了?

    Fersht认为,赢家将是那些把AI、软件和人类专业知识结合起来、在不持续增加人员规模的情况下交付成果的企业。他把这种模式描述为”服务即软件”(service-as-software)。

    他说,虽然Opendoor可能是第一个备受瞩目的案例,但不太可能是最后一个。

    部分投资者的思考已经延伸到单个企业之外。Speedinvest风险投资家Varun Rekhi认为,如果AI降低对劳动密集型服务的需求,最终可能会给印度最重要的出口产业之一带来压力——该产业的核心就是向全球企业供应人才和专业知识。

    目前的Opendoor案例仍然复杂。该公司多年来一直在大幅削减人员规模,其退出印度业务的原因,既关乎自身的困境,也关乎AI和离岸工作的未来。但可以肯定的是,类似的讨论只会越来越多。


  • 把核反应堆冷却技术搬进数据中心,这家MIT初创公司说能零耗水还省电

    AI的爆炸性增长,背后是数据中心的大规模扩张。到这个十年结束的时候,美国数据中心的用电量预计会占到全国总量的9%到17%。而今天,数据中心大约有三分之一的电力是花在冷却芯片上的。

    这就是Ferveret想要解决的问题。这家公司的名字不太常见,是两个MIT的研究员创办的。其中一个是Reza Azizian,他曾经是MIT核工程方向的博士后;另一个是Matteo Bucci,MIT核科学与工程系的副教授。

    从核反应堆到AI芯片

    他们做的事情听起来有点跨界:把核反应堆里的热量传递技术,搬到数据中心的芯片冷却上。核反应堆里,怎么把堆芯的热量高效地导出来,直接决定了能发多少电。科学家在这件事上研究了几十年。现在,同样的技术思路被用到了AI芯片上。

    Ferveret的方案叫自适应相变冷却(APC)。简单说,就是把服务器整个浸没在一种特殊的液体里。这种液体比风扇吹出来的空气吸热效率高得多。但Ferveret跟别家的浸没式冷却不一样的地方在于气泡——他们的液体在服务器表面产生的小气泡,比别的方案更小,脱离表面的频率也更高,这样热量传递就快得多。

    最关键的一点是,这个方案不耗水。传统的数据中心冷却,蒸发水冷要耗掉大量的水。Ferveret用的是一种低沸点的液体,不含那些有毒的PFAS”永久化学物质”,而且根本不需要往系统里加水。

    Ferveret冷却系统
    Ferveret的冷却系统将服务器浸入特殊液体中(图片来源:MIT News)

    实测数据

    他们最近跟加州大学洛杉矶分校的塞缪利计算机科学系合作做了一项测试,结果显示Ferveret的APC方案比目前最先进的液冷方案,计算能效提升了15%。如果把这部分节省下来的电,再加上Ferveret的功率控制系统对运行条件的优化,同样多的电力,数据中心的AI模型能多产出35%的token。

    Azizian第一次走进数据中心是2017年。他记得那时候整个建筑里全是巨大又嘈杂的冷却风扇。”我当时想,天哪,你们不是这么冷却设备的吧。”风冷最多能占到数据中心总功耗的40%。因为不影响性能,没人介意这套技术已经是50年前的了。

    模块化设计,适配现有基础设施

    Ferveret的产品做得比较巧妙,不是那种把服务器整个泡进去的大油箱,而是一个个能装单台服务器的小箱子,直接装在机架里。这样的模块化设计,部署和维护都方便,现有的数据中心基础设施不用大改。

    他们还配套提供了控制软件,实时调整每台服务器的功率,进一步优化效率。Bucci说,他们的全栈系统包括冷却箱、机架、冷却分配单元和传感器,软件会监控这些传感器的数据,自动把每个箱子里的运行条件调到最优。

    零耗水的地理红利

    零耗水还有一个额外的好处。阳光充足的地方往往缺水,比如非洲、中东、美国的一些地区。Ferveret的技术让那些地方也有可能建数据中心,用当地的可再生能源,不用担心冷却用水的问题。

    Ferveret现在已经跟几家公司展开了测试,包括数据中心开发商CleanSpark、AI加速器公司FuriosaAI,还有美国最大的数据中心运营商之一Switch。他们也在跟那些超大规模的云厂商谈,目前已经是英伟达Inception初创扶持计划的成员。公司计划今年晚些时候公布更多合作伙伴的消息。


  • 亚马逊第一次公布数据中心用水数字:一年25亿加仑,说自己比同行省水

    亚马逊终于把数据中心用多少水这件事说出来了,这是他们第一次公开年度用水数据。2025年,亚马逊全球数据中心一共烧掉了25亿加仑的水。

    数字公布的时间挺微妙。就在西雅图通过了一年数据中心建设禁令之后没多久,这个禁令还得到了部分亚马逊员工的支持。公司这时候把用水数据亮出来,多少有点回应外界质疑的意思。

    25亿加仑背后的数字游戏

    25亿加仑,听起来是个天文数字。但亚马逊说,他们的用水效率其实比微软、谷歌、Meta这些同行都要高。他们的报告里有一张对比图,显示每用1千瓦时的电,亚马逊的数据中心耗水0.12升,比那几家的数字都低。

    不过这个对比有点取巧。亚马逊引用谷歌的数据,只针对Gemini AI的数据中心,而亚马逊自己的数据覆盖的是全部业务。如果把谷歌所有数据中心的用水算进来,情况可能不一样。

    还有一个漏洞。亚马逊的用水统计,没有算上为数据中心供电的那些发电厂间接用了多少水,也没有把新建数据中心施工过程中的用水算进去。环保组织一直盯着这一点,说科技公司的用水报告总是挑对自己有利的数字放出来。

    风冷为主,水冷为辅

    亚马逊说他们有办法省水。数据中心90%的时间用的是风冷,只有最热的那几天、一天里最热的几个小时,才会打开蒸发水冷系统。他们还把服务器的耐热阈值调高了,让机器在高温下也能撑得住,这样就不用一热就开水冷。

    亚马逊引用了一篇去年发表的同行评审论文,调整后的数字显示,他们的数据中心用水效率是行业平均水平的7倍。这个数字外界还无法独立核实。

    亚马逊数据中心
    亚马逊的数据中心园区(图片来源:The Verge)

    时机不凑巧

    外界的质疑声不会因为这一个报告就停下来。数据中心用水这个话题,已经从小圈子里的技术讨论变成了社区政治。纽约州已经通过了一年的数据中心建设禁令,西雅图的禁令能不能撑过法律挑战还不好说。亚马逊这时候把数字亮出来,更像是一次公关防御,而不是主动透明。

    科技公司之间比用水效率,这件事本身就很新。过去大家比的是算力、比的是模型效果,现在算力背后的环境成本被摆到了台面上。亚马逊第一个把数字亮出来,不管怎么说,总比一直捂着强。


  • DoorDash用AI聊天机器人点餐,拍张照片它就知道你想吃什么

    外卖App的点餐体验其实一直有点笨:你知道自己大概想吃什么,但就是找不到——要么搜关键词匹配不到,要么翻了半天菜单还是拿不定主意。DoorDash本周推出的一款AI聊天机器人,想用对话的方式把这个过程重新做一遍。

    这个功能叫”Ask DoorDash”,已经在iOS的部分美国用户中开始推送。它的核心逻辑很简单:你不用再手动搜索餐厅或商品,直接用自然语言告诉它你想吃什么,或者更直接一点——拍张照片,它帮你把照片里出现的东西变成购物车。

    拍照就能生成购物车

    杂货购物是这个功能最实用的场景。你可以拍一张烹饪书的页面,或者手写的购物清单,甚至直接拍一张食谱截图,Ask DoorDash会自动识别其中的食材和分量,帮你把对应的商品加进购物车。它还会贴心地问你:家里还有没有糖?有没有黄油?避免你重复购买。

    如果你之前在这家店下过单,它还能根据你的历史订单推荐商品,或者帮你一键重新下单上次的购物车。这个设计和国内一些电商App的”再来一单”有点像,但多了AI对话的灵活性——你可以说”上次买的那款咖啡再来一包,再加两盒牛奶”。

    DoorDash AI聊天机器人点餐
    DoorDash新推出的Ask DoorDash支持文字和照片两种方式点餐丨图片来源:TechCrunch

    点餐和预订也一样

    点餐的场景更偏向”模糊搜索”。你可以告诉它”帮我家四口人找点能吃饱的晚餐”,它会返回一堆匹配的餐厅,并且附带一句个性化说明解释为什么推荐这家。如果结果不够精准,你可以继续对话:”有没有适合带孩子去的?口味要清淡的。”它会在这个基础上重新筛选。

    选好餐厅之后,它还能根据你的饮食偏好、预算和用餐人数,直接帮你生成推荐购物车——相当于把”看菜单→选菜→加购物车”这几步合并成一句话。

    预订功能也是类似的逻辑。你说”晚上8点左右,市中心,两个人约会用”,它会返回有空位的餐厅列表。不满意可以继续提要求:”有没有环境更私密一点的?”

    大家都在做,但DoorDash来晚了

    把AI助手塞进外卖和购物场景,这个概念已经不算新鲜了。今年2月,Uber Eats就推出了一个名为”Cart Assistant”的AI购物车助手;Instacart也有类似的AI购物工具,面向使用Instacart技术的杂货商客户开放。大家押的赌注是同一件事:AI让”购物”这件事变得更像”聊天”,用户不用再适应软件的搜索逻辑,软件来适应用户的说法方式。

    从实际体验来说,这套思路确实解决了一些痛点。传统搜索要求用户知道确切的餐厅名或商品名,但现实中很多人点外卖的状态是”大概想吃这个,但也不知道叫什么”,这时候对话式搜索就有优势了。

    不过也得泼点冷水。类似的AI聊天购物功能,过去几年里已经被各种电商平台宣布过无数次,但真正改变用户习惯的案例并不多。大部分人还是习惯直接搜索,因为确定需求的时候,搜索比聊天更快。Ask DoorDash能不能真正被用户用起来,而不是一个”听起来很酷但没人用”的功能,接下来几周的推广数据会给出答案。

    DoorDash表示,这个功能未来几周会逐步推到美国更多用户,覆盖iOS和Android两端。至于国内用户什么时候能用上——暂时还没有消息。


  • Anthropic悄悄给Claude Fable加了隐形护栏,被发现后道歉了

    Anthropic上周把Claude Fable 5推上线的时候,顺便给它加了一道用户看不到的”暗门”——一旦系统判断你在使用Claude的输出训练竞争模型(也就是所谓的”模型蒸馏”),它会悄悄降低回答质量,而且不会告诉你原因。

    这件事最先在AI研究社区里炸了锅。有人发现,用自己的数据去”探测”Fable的时候,回答突然变得很奇怪,像是被人为削弱了,但查系统日志又找不到任何拦截记录。大家这才意识到,Anthropic在系统卡(system card)里写了这件事,但写的方式非常不显眼——他们说对于”判定为蒸馏尝试”的查询,Fable会”修改回答质量”,而且用户不会收到通知。

    系统卡里的原话是:”对于它判定为蒸馏尝试的查询,它会直接修改、降低模型回答的质量。用户不会收到任何通知,不知道自己触发了安全措施,也不会被告知回答被修改了。”

    “不可见护栏”背后的逻辑

    Anthropic在声明里解释过为什么要这么做。他们说,可见的安全机制容易被”探测”——如果你明确告诉用户”这条查询被拦截了”,别人就能反过来摸索出你的安全边界在哪里。而不可见的机制可以更精准,误判率低,还能让模型快速上线。

    这个理由听起来有一定道理,但问题在于:当用户花了钱调用API,却得到被偷偷”降级”的输出,而且完全不知情——这无论怎么看都不太对。更麻烦的是,这种暗地里的限制也会影响第三方对模型能力的正常评估,因为你根本不知道拿到的结果是真实的模型输出,还是被”动过手脚”的版本。

    Anthropic Claude Fable 5
    Anthropic为Claude Fable设置的隐形护栏引发了社区强烈反弹丨图片来源:The Verge

    道歉,然后改掉它

    压力之下,Anthropic在X上发了一条声明,宣布改变做法。从现在起,涉及蒸馏的查询不再被暗中降级,而是直接”回退”到上一代模型Claude Opus 4.8来处理,并且——这一点很重要——系统会明确告诉用户:”你触发了蒸馏保护,这次回答由Opus 4.8生成。”

    这个处理方式其实和Fable在其他高风险领域的做法是一致的。比如你问它生物学或化学的问题,如果触发了安全规则,它也会把查询转给Opus 4.8,除非问题涉及毒品、武器等明确禁止的内容,才会直接拦截。

    Anthropic在道歉声明里说了一句挺坦诚的话:”可见的安全机制可能被探测,因此必须足够稳健,这需要时间打磨。我们之前选择不可见的防护措施就是出于这个原因——但这是一个错误的权衡。你有权了解我们部署的安全措施以及背后的原因,很抱歉我们没有把握好平衡。”

    这件事还没完

    有意思的是,这已经不是Fable第一次因为”过度保守”而出问题了。就在几天前,有用户发现Fable连”线粒体是什么”这种高中生物问题都拒绝回答,后来Anthropic也承认是安全校准范围太宽,正在修复。

    两件事放在一起看,一个矛盾就浮现出来了:Anthropic一直对外强调自己把”安全”放在第一位,但接连两次”安全机制”的设计都引发了用户的强烈反弹。如果一家以安全著称的AI公司,连”如何把安全措施告诉用户”这件事都做不好,那它口中的”负责任AI”到底意味着什么,恐怕要打一个问号了。

    再说回蒸馏这件事。Anthropic之前多次公开点名DeepSeek等中国AI公司,指责它们以”工业化”规模蒸馏Claude的输出。从这个角度看,Fable的隐形护栏更像是Anthropic的一次”技术报复”——既然我没法阻止你偷我模型,那我就在模型里埋个暗门,让你偷到的东西是”残血版”的。想法可以理解,但这么做的同时,也把自己的信誉搭进去了。


  • 【开源推荐】autoresearch:86K+ Stars!Karpathy开源AI自主研究工具,让Agent通宵帮你优化LLM训练

    【开源推荐】autoresearch:86K+ Stars!Karpathy开源AI自主研究工具,让Agent通宵帮你优化LLM训练

    🔥 GitHub 热门 AI 开源项目

    autoresearch

    AI Agent 自主运行 LLM 训练研究 · Karpathy 出品

    🤖 AI Agent
    🧠 深度学习
    ⚡ 单GPU
    🔬 自动研究

    📌项目简介

    autoresearch 是 AI 大神 Andrej Karpathy(前 Tesla AI 总监、OpenAI 创始成员)开源的颠覆性项目——让 AI Agent 在单张 GPU 上自主运行深度学习实验,自动修改代码、训练模型、评估结果,通宵跑完 100+ 实验,早上起来收报告。这不是科幻,是现在就能用的真实工具。

    ⚙️安装要求和过程

    1

    环境要求

    单张 NVIDIA GPU(测试过 H100)、Python 3.10+、uv 包管理器

    2

    快速安装(4步搞定)

    # 1. 安装 uv(如果还没有)
    curl -LsSf https://astral.sh/uv/install.sh | sh
    
    # 2. 安装依赖
    uv sync
    
    # 3. 下载训练数据 + 训练 BPE 分词器(一次性,约2分钟)
    uv run prepare.py
    
    # 4. 手动跑一次训练实验(约5分钟)
    uv run train.py

    3

    启动 AI Agent 自主研究

    在仓库目录下启动 Claude Code / Codex 等 AI Agent(关闭所有权限确认),然后发送提示:

    Hi have a look at program.md and let's kick off a new experiment!
    let's do the setup first.

    4

    低配设备适配

    没有 H100?社区已有 macOSMLXWindows RTX 等 Fork,MacBook 也能跑!

    核心功能

    🤖

    AI Agent 自主研究

    Agent 自动修改 train.py,训练5分钟,检查 val_bpb 是否下降,保留或丢弃改动,不断迭代。你只需要睡前启动,早上收实验日志。

    ⏱️

    固定时间预算(公平对比)

    每次实验固定5分钟(wall clock),不管 Agent 怎么改模型架构、batch size,所有实验都可直接对比。约12次实验/小时,通宵可跑100+次。

    📁

    极简设计(只改一个文件)

    整个仓库只有3个核心文件:prepare.py(固定)、train.py(Agent 修改)、program.md(人类修改)。diff 清晰可审查,不会失控。

    🔌

    支持任意 AI Agent

    Claude Code、OpenAI Codex、Gemini CLI、OpenClaw……任何能读写文件的 AI Agent 都能用。program.md 本质上是一个超轻量级的”技能提示词”。

    🌍

    活跃社区 Fork(多平台支持)

    macOS(M系列芯片)、Windows(RTX显卡)、MLX框架均有社区 Fork,低配设备也能体验 AI 自主研究。

    🚀典型使用场景

    🌙 场景一:夜间自动实验

    下班前启动 Agent,让它通宵自主实验。第二天早上,你会收到一份完整的实验日志,记录每次改动、训练曲线和验证集效果。相当于白得一个不知疲倦的研究生。

    🔬 场景二:快速模型架构探索

    想尝试不同的注意力机制、优化器组合或模型深度?让 Agent 在固定时间预算内自动探索各种组合,快速找到最优配置,省去大量手工调参时间。

    📚 场景三:学习深度学习最佳实践

    即使是深度学习初学者,也可以阅读 Agent 的修改记录和实验日志,从中学习哪些改动有效、哪些无效,快速积累建模经验。

    💡推荐理由

    Karpathy 出品,必属精品。autoresearch 最震撼的地方在于它把”AI 做 AI 研究”从科幻变成了现实——而且代码极简,整个训练代码只有一个 train.py,清晰到可以作为学习材料。

    固定5分钟时间预算的设计非常巧妙:不管怎么改模型,每次实验成本相同,结果可直接对比。这让 Agent 的”研究”变得可解释、可复现,而不是黑盒魔法。

    ⚠️ 注意:目前官方版本需要 NVIDIA GPU,低配设备建议使用社区 Fork。但无论如何,这个项目代表的”AI 自主研究”方向,值得每个 AI 从业者关注和思考。

    📦下载地址

    🔔 关注我们,每周分享最新 AI 开源项目!

    GitHub 热门 AI 项目持续更新中…

  • 麦当劳在用AI点餐,它还记得你上次没加芝士

    麦当劳在用AI点餐,它还记得你上次没加芝士

    麦当劳最近在5家餐厅悄悄测试一个叫ArchIQ的AI点餐系统,说”悄悄”是因为没有大张旗鼓地发新闻稿,就是在全球大会上演示了一下,被媒体捕捉到了。

    这个系统干的事其实挺接地气的:它在得来速窗口装了一个聊天机器人,能认出你是回头客,还记住你上次的订单——比如你常点什么、不要什么。演示里提到一个细节:系统知道有人不喜欢在四分之一磅汉堡上加芝士。

    麦当劳AI点餐系统
    麦当劳在部分餐厅测试ArchIQ AI点餐系统 | 图片来源:The Verge

    这件事听起来不复杂,但做起来有几个门槛。首先是”认人”——得来速场景里,摄像头怎么在夜间、雨天、戴着墨镜的情况下稳定识别顾客?其次是”记性”——它得把你的Face ID和过去的订单记录对应起来,这又牵扯到隐私和数据存储的问题。

    还有一个有意思的细节:演示中提到这个系统支持用西班牙语点餐。麦当劳在美国市场做这个很自然——拉美裔是它的重要客群。但这也意味着AI点餐系统得做多语言语音识别,而且得听懂带口音的西班牙语,不是只识别标准发音那么简单。

    快餐行业的AI竞赛其实已经打了好几年了。麦当劳不是第一个吃螃蟹的,但它是规模最大的玩家之一。它每年服务多少亿人,哪怕AI点餐只提升几个百分点的效率,算下来都是大数字。

    当然,这个测试目前只在5家餐厅进行,离大规模推广还早。中间要解决的问题不少:AI会不会听错订单(把”不要芝士”听成”加双份芝士”)?系统宕机了怎么办?顾客愿意让麦当劳扫脸吗?

    但方向是清楚的:快餐行业人工成本一直在涨,自动驾驶还在很远的地方,但”自动点餐”已经在门口了。麦当劳这一步走得不算激进,但踩得很稳——先在小范围测,收集数据,再决定要不要铺开。

    对于消费者来说,如果这套系统真的好用,下次开车进得来速,可能不用再对着麦克风喊”我上次点的一样”——AI已经帮你记住了。


  • Deezer把AI音乐检测器开放给所有人,哪怕竞争对手不想要

    Deezer把AI音乐检测器开放给所有人,哪怕竞争对手不想要

    流媒体平台之间为了AI音乐这事,已经暗暗较劲好一阵子了。最早动手的是Deezer——这家法国音乐流媒体在2026年初就开始标注平台上的AI生成音乐,算是行业里第一个吃螃蟹的。他们甚至还想着把这套检测技术卖给Spotify、Apple Music这些竞争对手,赚一笔技术授权的钱。

    结果碰了一鼻子灰。Qobuz自己搞了一套检测技术,Spotify和Apple Music干脆选择了”自愿标注”路线——让音乐人自己声明这首歌是不是AI做的,平台不主动检测。某种意义上,这也算是一种”躺平”策略,毕竟主动检测成本高、争议也大,万一一不小心把真人音乐误判成AI的,还得罪了音乐人。

    Deezer AI音乐检测工具界面
    Deezer的AI音乐检测工具可以扫描其他平台的播放列表 | 图片来源:The Verge

    既然卖不出去,Deezer干脆把这套技术直接开放给了普通用户。CEO Alexis Lanternier说得很直白:”目前还没有其他公司跟进我们的做法,所以我们决定让所有人都能检查自己的播放列表里有没有合成音乐,不管你用哪个流媒体平台。”

    用法倒也简单:去Deezer的AI音乐检测网站,选一下你用的是Spotify、Apple Music还是别的什么平台,授权Deezer访问你的账户,它就会把你的播放列表导进去扫描。背后用的其实是Deezer早就有的”Tune My Music”工具——本来是用来帮用户从Spotify搬家到Deezer的,现在被借来做AI检测了。

    Deezer这步棋有点意思——它把自己定位成了一个”AI音乐透明的推动者”,哪怕竞争对手不买账,它也要绕开B端直接触达C端用户。这种做法在行业里不多见。

    这件事情背后其实有个更大的问题没有解决:AI生成音乐到底该怎么管?目前行业里大致分两派,一派是Deezer这样的”主动检测派”,用技术手段识别AI音乐并打标签;另一派是Spotify、Apple Music这样的”自愿标注派”,把责任推给上传者自己声明。两派各有道理,也各有漏洞——主动检测会被误判,自愿标注会被钻空子。

    对普通听众来说,Deezer这个新工具至少给了一个”知情权”。你可以知道自己循环的那首歌到底是真人写的,还是AI批量生产的。至于知道了之后怎么办——是继续听,还是取关,那是每个人的自由。但至少,选择是建立在知道真相的基础上的。

    Deezer能不能靠这个差异化功能拉到更多用户,现在还不好说。但它至少证明了一件事:在AI内容泛滥的时代,”透明”本身就可以是一种产品。


  • 【开源推荐】Skyvern:21.8K+ Stars!AI视觉浏览器自动化,让网页操作像对话一样自然

    【开源推荐】Skyvern:21.8K+ Stars!AI视觉浏览器自动化,让网页操作像对话一样自然

    Skyvern:21.8K+ Stars!AI 视觉浏览器自动化,让网页操作像对话一样自然

    基于 LLM + 计算机视觉 · 告别脆弱的 XPath 选择器 · 自适应任意网站布局

    📌 项目简介

    Skyvern 是一款基于大语言模型(LLM)和计算机视觉的开源浏览器自动化工具。与传统依赖 XPath/选择器的脆弱自动化脚本不同,Skyvern 通过 AI 视觉理解网页结构,自动适配任意网站布局变化,真正实现了”一次编写,随处运行”的浏览器自动化体验。项目在 GitHub 已获得 21,880+ Stars,是 AI RPA 领域的热门开源项目。

    21.8K+
    GitHub Stars

    64.4%
    WebBench 准确率 SOTA

    AGPL-3.0
    开源协议

    Playwright
    兼容增强 SDK

    ⚙️ 安装要求和过程

    方式一:pip 安装(推荐)

    环境要求:Python 3.11 / 3.12 / 3.13;Windows 用户需安装 Rust 运行时和 VS C++ 开发工具

    # 安装 Skyvern
    pip install "skyvern[all]"
    
    # 快速启动(默认 SQLite)
    skyvern quickstart
    
    # 如需 PostgreSQL
    skyvern quickstart --postgres

    方式二:Docker Compose(完全容器化)

    git clone https://github.com/Skyvern-AI/skyvern.git
    cd skyvern
    cp .env.example .env   # 编辑 .env 填入 LLM API Key
    docker compose up -d
    # 访问 http://localhost:8080

    方式三:Skyvern Cloud(免维护)

    直接访问 app.skyvern.com 注册使用,自带反机器人检测、代理网络、验证码破解等高级功能。

    ⭐ 核心功能

    ① AI 增强的浏览器操作
    通过 4 个核心 AI 指令(act / extract / validate / prompt)用自然语言驱动浏览器,无需手写选择器。同时兼容所有 Playwright 原生操作,支持”传统选择器 + AI 定位”混合模式。

    ② 可视化工作流编排
    提供无代码工作流构建器,支持浏览器任务、数据提取、循环、条件判断、HTTP 请求、自定义代码块等能力,非技术用户也能搭建复杂自动化流程。

    ③ 强大的认证与 2FA 支持
    内置密码管理器集成(Bitwarden / 1Password / LastPass),支持 TOTP 双因素认证(Google Authenticator / Authy)、邮件 2FA、短信 2FA,可自动化登录各类需认证的网站。

    ④ 多 LLM 兼容 + MCP 协议支持
    支持 OpenAI、Anthropic Claude、Azure OpenAI、AWS Bedrock、Gemini、Ollama、OpenRouter 及任何 OpenAI 兼容端点;同时支持 MCP 协议,可对接 Zapier、Make.com、N8N 等平台。

    ⑤ 实时浏览器直播与本地 Chrome 控制
    可实时直播浏览器视口画面便于调试;支持接入本地已安装的 Chrome(通过 CDP 调试协议),复用已有 Cookie、登录态和浏览器扩展,真正实现”人机协同”自动化。

    🚀 典型使用场景

    场景一:跨网站发票自动下载
    企业需要定期从多个供应商网站下载发票,传统 RPA 脚本逢网站改版即失效。使用 Skyvern,只需描述”登录各供应商网站,下载上月发票并保存到指定目录”,AI 即可自动适配不同网站布局完成任务,网站改版也无需维护脚本。

    场景二:批量联系表单提交
    市场团队需要在上百个网站的”联系我们”表单提交产品咨询。Skyvern 通过 AI 视觉理解每个表单的字段含义,自动填写并提交,无需为每个网站单独编写填表规则,效率提升 10 倍以上。

    场景三:求职申请自动填写
    在多个招聘平台投递简历时,Skyvern 可自动识别各平台的简历上传入口和表单字段,自动填写个人信息并提交申请,大幅减少重复性操作,让求职者专注于准备面试。

    💡 推荐理由

    作为一名经常需要与多个网站打交道的开发者,我深刻体会过传统浏览器自动化的痛点——XPath 一改,脚本全挂。Skyvern 最打动我的是它”用 AI 视觉理解网页”的思路:不再依赖固定的 DOM 选择器,而是由 LLM 实时分析页面视觉结构,真正做到了”布局无关”。

    另一个亮点是它与 Playwright 的深度兼容——你可以在同一个脚本里混合使用传统选择器(高性能)和 AI 操作(高适配),这种渐进式采用策略对已有自动化代码库的团队非常友好。加上对工作流编排、多 LLM 支持和企业级认证能力的覆盖,Skyvern 正在重新定义”AI + RPA”的边界。

    ⚠️ 注意:核心代码以 AGPL-3.0 开源,但反机器人检测等高级功能仅在托管云服务中提供。如果只是内部使用,完全够用;如果用于商业产品,建议评估云服务的许可方案。

    📌 更多 GitHub 热门 AI 开源项目介绍,请持续关注本站「开源项目」栏目
  • SpaceX要上市了,但那1.8万亿美元估值里到底藏着什么猫腻






    SpaceX要上市了,但那1.8万亿美元估值里到底藏着什么猫腻

    SpaceX这周五就要上市了,投资者的兴奋劲儿简直压不住。据说这次750亿美元的股票发行已经被超额认购得厉害,一些机构投资者甚至愿意拿出100亿美元来抢份额。

    有很多理由对这笔投资保持怀疑——大型IPO往往上市后股价会跌,这家公司目前还在亏损,而且马斯克在网络上那些反复无常的举动,如果是其他任何科技公司的CEO做出来的,都会让人恐慌。但这似乎并没有让投资者的热情降温。科技投资者已经学会了一件事:无论业务逻辑如何,都不要和埃隆对着干。

    SpaceX AI数据中心概念图
    SpaceX规划的太空AI数据中心概念图(图源:TechCrunch)

    冷静看一下估值

    但如果抛开情绪,客观看待SpaceX的财务计划,我们仍然可以了解他们押注的方向:一项以轨道数据中心为核心的业务,该业务是马斯克在IPO前18个月为了统一自己的商业帝国、寻找新愿景时提出的。

    马斯克一贯行事大胆,这个计划也不例外,而且需要至少三项近乎不可能的工程壮举:可重复使用火箭、全新的美国芯片代工厂,以及比以往任何时候都更快地制造卫星的能力。

    这样的商业计划很难估值。本周,两份分析试图对SpaceX的计划给出更冷静的评估——一份来自金融研究公司晨星(Morningstar),另一份来自纽约大学专门研究企业估值的金融学教授阿斯沃斯·达莫达兰(Aswath Damodaran)。两项研究都认为SpaceX的价值远低于该公司银行家给出的近1.8万亿美元的估值。晨星给出的估值为8250亿美元,而达莫达兰认为该公司价值1.2万亿美元。

    造成这种显著差异的原因,在很大程度上是由于将世界领先的太空垄断业务与风险高得多的AI业务绑定在了一起。晨星的分析师将该公司每股63美元的公允估值与SpaceX 135美元的发行价之间的差额,描述为对SpaceX能否以马斯克认为的速度和能力交付轨道数据中心的72美元看涨期权。

    SpaceX的AI业务到底是什么

    问题在于,SpaceX的AI业务到底是什么?在该公司的S-1招股说明书的市场分析中,它将企业AI领域定位为最大的机会——其模型将为从Cursor收购的团队开发的编码工具提供动力,或者该公司的Macrohard项目,该项目旨在让数字代理具备执行白领工作的能力。

    SpaceX评估该业务的总市场规模为22.7万亿美元,而AI基础设施的市场规模为2.4万亿美元,该公司的太空业务规模不到2万亿美元。

    但这与该公司最近达成的向Anthropic和谷歌出售大量算力的交易相矛盾,而这两家公司都是模型业务领域的竞争对手。这在马斯克的公司中并不罕见:SpaceX经常发射其Starlink网络的竞争对手运营的卫星。只是它通常是在占据优势的情况下这么做,而不是在追赶的时候。

    做新云(neocloud)可能是不错的短期业务,但这引发了价值将在AI技术栈中何处积累的问题:如果你不能两者兼得,是做算力提供商更好,还是做模型构建者更好?

    太空数据中心:两全其美的解决方案

    主导AI业务的规模扩张逻辑要求,严肃的前沿实验室必须不断训练更强大的新模型(或者正如马斯克在最近对萨姆·奥特曼的诉讼中承认的那样,通过蒸馏其他公司模型的能力)。任何不急于前进的竞争对手都可能落后,尽管更便宜的开源模型能力的提升可能会削弱这种动态。

    太空数据中心是一种两全其美的解决方案,它可以提供足够的算力,让SpaceX实际上可以同时做这两件事。

    在本周SpaceX发布的一段视频采访中,马斯克阐述了为什么SpaceX最有能力交付数据中心的理由。这一论点的核心是,SpaceX是唯一一家能够以低成本将大量质量送入轨道、制造大量太阳能电池板并制造大量芯片的公司。一般来说,行业专家认为大规模太空数据中心大约还需要10年才能实现,但马斯克辩称(有很多附加条件)它们的实现时间要近得多。

    “这不是我们承诺会做的内容,”马斯克在视频中说,”这是我们要尝试做的事情,我们认为我们可能可以做到,也就是到明年年底,太空AI算力的年化速率达到约1吉瓦。”

    根据他预计的每颗卫星150千瓦的最大功率输出,这意味着每年需要生产6666颗卫星,即每月约556颗。这大约是据报道的Starlink卫星当前生产速率的两倍,后者每周仅生产70颗。尽管马斯克表示AI卫星的架构更简单,但对于一个尚未建成的生产设施来说,这个要求很高。该公司目前还在建设其太阳能电池板生产设施。

    三大硬科技挑战

    除此之外还有Terafab,该公司备受讨论的芯片代工厂,马斯克认为它将支撑该产品的后期阶段,因为该公司试图将算力年产量扩大到1太瓦。芯片代工厂是现代最难的工业项目之一,通常耗资数十亿美元,耗时长达10年才能建成。

    然后是最关键的问题:Starship(星舰)怎么样?它是SpaceX能够经济地将所有这些芯片送入轨道的关键。

    最近的一次试飞进展顺利,但并没有表明快速可重复使用即将实现。SpaceX可能最终会先只重复使用助推器,这将提高太空数据中心推出的成本。目前,该公司仍在接受美国联邦航空管理局(FAA)的事故调查,以了解为什么助推器级未能按计划进行受控再入。SpaceX尚未回应关于该飞行器何时再次飞行的问题,不过它曾表示预计今年年底前开始用它发射Starlink卫星。

    但对此要持保留态度:要知道,与SpaceX签订了近40亿美元合同、将Starship用作月球着陆器的美国国家航空航天局(NASA),仍然没有准备好承诺在2027年底进行该飞行器的测试任务。

    买者自负

    当公众投资者拿到SpaceX的股票时,他们会发现自己拥有美国和欧洲近乎垄断的太空准入权、一个覆盖全球的通信网络,以及对AI时代最雄心勃勃的基础设施项目的押注。

    这些项目都依赖于SpaceX创造前所未有的东西——完全可重复使用的火箭。该公司还需要为AI卫星建设高产能生产设施,但要在18个月内完成,而不是该公司开发Starlink制造能力所用的10年。最后,它还需要在美国建设一家芯片代工厂,即使是专门的硅片公司也不愿承担这样的项目。

    马斯克曾经说过,在到达火星之前他不会让SpaceX上市,因为善变的投资者可能会在这过程中失去信心。这些计划可能已经搁置,但他在公司IPO前列出的计划可能同样困难。