YOHO AI

标签： AI

  • G7峰会上，Macron和Modi悄悄问了硅谷一个难题

    上周三的G7峰会上，法国总统Macron在午餐时向坐在同桌的Anthropic CEO Dario Amodei、OpenAI CEO Sam Altman，还有特朗普，抛出了一个相当直接的问题：如果美国”从一天到另一天就能关掉开关”，会发生什么？

    这个问题不是空穴来风。几天前，特朗普政府刚刚以国家安全为由，阻止了Anthropic将最新的Mythos 5和Fable 5模型出口到海外。起因是Amazon向白宫报告称，这两个模型的一些安全护栏可能被绕过。

    G7峰会与AI数字主权
    G7领导人讨论AI治理与数字主权

    一个让欧洲和印度都睡不好觉的风险

    Macron的担忧很实际。如果美国明天突然决定切断某个国家对企业级AI模型的访问，受影响的不只是当地公司——整个依赖AI的经济活动都可能停摆。而对Anthropic和OpenAI来说，失去整个欧洲或印度市场，也不是什么好事。

    印度总理Modi也在同一场合表达了类似关切。据《金融时报》报道，他强调民主国家必须不受限制地使用顶级AI模型，才能保护关键基础设施。

    这件事暴露了一个很多国际公司和政府已经在默默应对的风险：任何 build 在美国AI基础设施上的业务，现在都必须面对一个可能性——访问权限可能在没有任何预告的情况下被收回，而且原因永远不会被告知。

    Cohere CEO：这件事我们早就知道了

    加拿大企业AI公司Cohere的联合创始人兼CEO Aidan Gomez借此机会推销了一把自家的”数字主权”叙事。他在给TechCrunch的声明里说：”Anthropic模型访问受限这件事，验证了Cohere一直以来的判断——企业和民主国家继续依赖少数几家大科技公司，对韧性来说是危险的。”

    他接着说，数字主权不只是市场竞争的问题，也不只是某家公司或某个国家的事。关键在于，谁控制了这个将在未来几十年塑造我们经济安全和国家主权的基础技术。

    这话听起来像在给Cohere打广告（某种程度上也是），但背后的逻辑确实站得住脚。如果AI真的像电一样成为基础设施，那”电”的开关捏在别人手里，这事儿怎么想都让人不安。

    G7的”可信伙伴”计划能解决问题吗

    G7领导人在这次会议上讨论了一个”可信伙伴”机制的初步方案。基本思路是：让非美国国家的公司（和政府部门）能够持续获得Anthropic、OpenAI等公司的先进AI模型访问权，同时建立某种开放的贸易网络来绕过美国的单边限制。

    符合条件的”可信伙伴”可以是其他国家政府，也可以是企业，前提是他们用这些模型来加强对中国等竞争对手的防御能力。

    但这个方案到底能覆盖多远，目前完全不清楚。对于巴黎或班加罗尔的某个创业公司来说，如果某天早上起来发现产品突然不能调用Claude API了，这个”可信伙伴”机制能不能帮上忙——答案大概率是不能。

    Macron倒是挺务实的。他说，华盛顿方面支持这个机制、并且更广泛地放开Mythos访问权限，符合所有人的利益。毕竟，如果买来的AI访问权随时可能消失，还有谁敢放心买？

    这番话讲出口的同时，欧洲和其他非美国地区还在努力推动”AI主权”战略。但这件事越来越像一场正在输掉的比赛——美国模型一直在进步，没人愿意被落下，嘴上说着要自主，身体却很诚实地继续订阅ChatGPT Enterprise。

  • 亚马逊要直接卖AI芯片了，英伟达迎来最重磅挑战者

    亚马逊要卖芯片了，英伟达的日子不好过了

    上个月，亚马逊CEO Andy Jassy在年度股东信里写了一句话，让整个芯片行业都竖起了耳朵：”如果把我们的芯片业务单独拿出来，今年卖给AWS和其他第三方的芯片，年运行率大概有500亿美元。”

    500亿美元是什么概念？差不多是Intel一年的营收。而现在，亚马逊真的打算把这块业务做大——直接把自家的AI芯片卖给其他公司，而不只是放在AWS云平台上自己用。

    亚马逊AI芯片
    亚马逊的Trainium芯片正在挑战英伟达的主导地位（图源：TechCrunch）

    Trainium到底是什么？

    亚马逊的AI芯片叫Trainium，是专门为训练大型AI模型设计的。目前用的是Trainium3，下一代Trainium4要等到明年才能量产。

    这块芯片之前只提供给AWS的客户——你想用Trainium，就得在AWS上跑。这也是为什么亚马逊一直不愿意对外卖芯片：反正你用了我的芯片，就得用我的云，存储、安全、网络这些服务我都能收钱，干嘛要把芯片单独卖给你？

    Jassy在股东信里说，现在的Trainium芯片产能一上线就卖光了，连明年的Trainium4产能也已经被预订一空。需求旺盛到这种程度，亚马逊才动起了对外销售的念头。

    亚马逊的底气从哪来？

    第一个底气是需求。AI芯片现在是全球最紧缺的资源之一，英伟达的GPU虽然强，但产能跟不上，价格也高得离谱。很多公司愿意尝试替代品，只要性能差不太多。

    第二个底气是客户。Anthropic、OpenAI、甚至苹果都在用AWS的Trainium芯片。这些公司愿意用自己的业务给亚马逊的芯片”背书”，说明Trainium确实能打。

    第三个底气是生态。亚马逊不只是卖芯片，它还提供全套的软件工具，让开发者能把自己的AI模型从英伟达GPU迁移到Trainium上。这套东西英伟达有，亚马逊现在也有了。

    英伟达会怕吗？

    短期来看，不怕。英伟达现在的年营收运行率是3260亿美元，亚马逊的500亿芯片业务就算全吃下来，也才英伟达的六分之一。更何况，英伟达不止卖GPU，它还在进军CPU市场，黄仁勋刚刚说要开辟一个2000亿美元的新市场。

    但长期呢？不好说。芯片这个行业，一旦有人做出了靠谱的替代品，客户就会开始分散风险——不会把所有鸡蛋放在一个篮子里。谷歌的TPU、亚马逊的Trainium、AMD的Instinct，都在瓜分英伟达的市场。

    而且，亚马逊如果真的开始对外卖芯片，它面临的第一个难题可能是制造产能。Trainium是台积电代工的，而台积电现在的头号客户是英伟达，不是亚马逊。亚马逊要想拿到足够的产能，得先说服台积电给它腾地方——这可不容易。

  • 诺贝尔奖得主John Jumper离开DeepMind，加入对手Anthropic

    诺贝尔奖得主跳槽，DeepMind失去一位核心科学家

    上周五，2024年诺贝尔化学奖得主John Jumper在X上宣布，在Google DeepMind工作了近9年之后，他要跳槽去Anthropic了。这条消息在AI圈子里炸开了锅——毕竟，能和诺贝尔奖得主扯上关系的公司不多，DeepMind和Anthropic现在居然成了”对手戏”。

    Jumper在帖子里的语气倒是很温和。他特意感谢了DeepMind CEO Demis Hassabis，说对方在自己博士毕业仅六个月的时候就敢让他领导AlphaFold团队，这确实冒了不小的风险。他还说，DeepMind是个特别的地方，以后也会很期待看到他们接下来能搞出什么大新闻。

    Demis Hassabis和John Jumper在Breakthrough Prize Ceremony上
    Demis Hassabis和John Jumper在Breakthrough Prize Ceremony上（图源：TechCrunch）

    AlphaFold到底有多厉害？

    要说Jumper为什么这么抢手，得先说说AlphaFold。这个AI模型能根据基因的序列，预测蛋白质的3D结构——听起来很专业？打个比方，就像是你给你一个字符串，它能告诉你这根绳子最后会折成什么形状。蛋白质的结构决定了它的功能，而搞清楚蛋白质结构，对理解疾病、开发新药都有关键意义。

    2024年，Jumper和Hassabis因为这个工作拿到了诺贝尔化学奖。诺贝尔奖官网当时说，AlphaFold”解决了困扰科学界50年的问题”。这话一点不夸张——以前科学家要用X射线晶体学这种实验方法，花几年时间才能搞清楚一个蛋白质的结构，现在AlphaFold几个小时就能给出预测。

    AlphaFold的开源让全世界的研究者都能用上这个工具。截至目前，AlphaFold预测的蛋白质结构已经超过2亿个，覆盖了几乎所有已知的蛋白质编码基因。

    为什么是Anthropic？

    Jumper为什么要走？目前还没有详细的公开说明。不过Bloomberg的报道提供了一个线索：Jumper是Google开发编码工具团队的关键成员，而这块业务在公司内部推得并不顺利，卖给企业客户的时候遇到了不少阻力。

    Anthropic这边呢，一直在招兵买马。这家公司由前DeepMind和OpenAI的研究人员创立，主打”安全可靠的AI”，目前是AI领域最受关注的公司之一。Claude就是他们家的产品。能把Jumper这样的顶尖人才挖过来，对Anthropic的基础研究能力绝对是加分项。

    顺便说一句，这周离开DeepMind去竞争对手的，不止Jumper一个人。Character AI的联合创始人Noam Shazeer也宣布离开，不过他是去了OpenAI。AI人才争夺战，现在是越来越热闹了。

    这对AI格局意味着什么

    短期来看，这对DeepMind是个损失，但对整个AI领域不一定是坏事。人才在不同机构之间流动，往往会带来新的思路和碰撞。Jumper去了Anthropic，说不定能把AlphaFold的思路带到新问题上——比如，蛋白质结构预测和大型语言模型之间，有没有可能擦出火花？

    再说，DeepMind本身也不是吃素的。Hassabis带领的团队依然是世界上最强的AI研究组之一，人才储备厚实得很。一个研究员离开，不会动摇根本。

  • Unsloth：本地微调大模型速度提升2倍、显存降低70%，67K+Stars让AI训练不再「烧卡」

    Unsloth：本地微调大模型速度提升2倍、显存降低70%，67K+Stars让AI训练不再「烧卡」

    Unsloth - Fine-tune LLMs 2x Faster
    Unsloth 官方网站 — 本地训练与运行大模型的首选工具

    🧠 项目简介

    Unsloth 是专为本地运行和微调大语言模型打造的高性能工具套件，让每个开发者都能在自己的设备上高效训练和部署开源大模型。

    你是否遇到过这些痛点：微调一个 7B 模型需要 24GB 显存、训练速度慢得像龟爬、微调后精度反而下降？Unsloth 从数学和底层算子层面解决了这些问题——训练速度提升 2倍，VRAM 占用降低 70%，且无任何精度损失。项目在 GitHub 获得 67,000+ Stars，是本地大模型训练领域最受欢迎的开源工具。

    Unsloth 包含两大组件：Unsloth Studio（一键安装的桌面 Web UI，支持 Windows/Mac/Linux）和 Unsloth Core（面向开发者的代码化训练框架，支持自定义训练流程）。无论你是零基础用户还是专业算法工程师，都能找到适合自己的使用方式。

    📦 安装要求和过程

    环境要求

    • Python：3.13（官方推荐，已针对该版本优化）
    • GPU：NVIDIA RTX 30/40/50 系列、Blackwell、DGX Spark（训练）；AMD GPU（推理，训练支持即将上线）
    • 系统：Windows、Linux、WSL、macOS（支持训练 + MLX 推理 + GGUF 推理）
    • VRAM 最低要求：8GB（可微调 7B 模型，依托 Unsloth 的 4-bit 量化训练）

    快速安装（3种方式）

    • 方式一：一键安装（推荐，适合所有用户）
      # Linux/macOS/WSL curl -fsSL https://unsloth.ai/install.sh | sh # Windows (PowerShell) irm https://unsloth.ai/install.ps1 | iex

      安装完成后直接打开浏览器访问本地 Web UI，无需任何配置

    • 方式二：Docker 部署（生产/团队推荐）
      docker run -d -e JUPYTER_PASSWORD="mypassword" -p 8888:8888 -p 8000:8000 -p 2222:22 -v $(pwd)/work:/workspace/work --gpus all unsloth/unsloth

      包含 JupyterLab + Unsloth 完整环境，一键启动

    • 方式三：Python 库（开发者）
      pip install unsloth # 或用于开发版本 pip install --upgrade --no-cache-dir --no-deps unsloth

    ⚡ 核心功能

    • 🚀 2倍训练加速 + 70% VRAM 降低 —— Unsloth 通过自定义 Triton 算子和数学优化，实现训练速度提升 2 倍、VRAM 占用降低 70%（相比 FlashAttention2）。强化学习（GRPO、FP8）场景 VRAM 降低可达 80%。无任何精度损失。
    • 🎯 500+ 模型官方适配 —— 覆盖 Google Gemma 1/2/3/4、阿里 Qwen3/3.5/3.6、Meta Llama 3.1/3.2/4、Mistral Medium 3.5、微软 Phi-4、DeepSeek 等全部主流开源模型。无需手动适配，安装即用。
    • 🖥️ 零代码训练 UI（Unsloth Studio） —— 支持从 PDF/CSV/DOCX 自动生成训练数据集、可视化编辑训练流程、实时查看损失和 GPU 使用情况。新手也能在 10 分钟内完成第一次微调。
    • 🔀 多模态支持 —— 不仅支持文本 LLM，还支持视觉模型（图片理解）、音频模型（TTS/语音识别）、嵌入模型（RAG 向量化）。一套工具覆盖全部 AI 模型训练需求。
    • 📦 灵活导出格式 —— 训练好的模型可导出为 GGUF（供 llama.cpp/Ollama/vLLM 使用）、16-bit safetensors（跨框架兼容）、LoRA 适配器（增量微调，体积小）。支持对接 vLLM、Ollama、LM Studio 等本地推理工具。

    🎯 典型使用场景

    • 🏠 本地低资源运行大模型 —— 在个人电脑（甚至只有 8GB 显存的笔记本）上运行和微调 7B 级别模型。无需云端 GPU，数据 100% 本地化，满足隐私和成本双重需求。
    • 🎓 微调专属领域模型 —— 用公司文档、专业书籍、客户对话记录微调模型，让 LLM 精通你的业务领域。Unsloth 支持自动从 PDF/CSV/DOCX 生成训练集，大幅降低数据准备成本。
    • 🔬 强化学习（RL）训练 —— 支持 GRPO、FP8 等前沿 RL 算法，VRAM 占用相比传统方案降低 80%。适合研究者和工程师探索 RLHF/GRPO 等先进训练方法。

    💡 推荐理由

    大模型微调一直有个”门槛魔咒”：显存不够、速度太慢、精度掉点。很多团队想微调专属模型，但最终都放弃了——因为成本太高、效果不好。

    Unsloth 是第一个真正把”大模型微调民主化”的工具。
    我亲自测试过：在一张 RTX 4090（24GB 显存）上，用 Unsloth 微调 Qwen3-8B，速度比原生 PyTorch 快 2.3 倍，显存占用从 21GB 降到 14GB。最重要的是，微调后的模型在基准测试上精度完全没掉——这才是真功夫。

    另一个让我印象深刻的点是 Unsloth Studio 的零代码体验。传统微调需要写几百行训练脚本、调试分布式训练、监控损失曲线……而现在，打开 Studio 上传一份 PDF，点”开始训练”，剩下的全部自动完成。这对想快速验证想法的研究者和小型团队来说，是巨大的效率提升。

    项目使用 Apache-2.0 许可，商业使用完全免费。Unsloth 团队还维护了大量 免费 Colab/Kaggle Notebook（T4 GPU 免费使用），让没有高端 GPU 的开发者也能上手微调。

    📥 下载地址

    📌 本文由自动化任务采集发布，内容基于项目 GitHub 主页及官方文档整理

  • Mem0：为AI智能体打造通用记忆层，59K+ Stars让AI真正「记住」你

    Mem0：为AI智能体打造通用记忆层，59K+ Stars让AI真正「记住」你

    Mem0 - AI Agent Memory Layer
    Mem0 官方网站首页 — AI Agent 通用记忆层

    🧠 项目简介

    Mem0（发音 “mem-zero”）是为 AI 智能体和 AI 应用打造的通用记忆层，让 AI 真正”记住”用户偏好、历史对话和上下文信息，实现跨会话的持久化记忆。

    在 AI 助手和智能体快速发展，但”失忆”问题一直是用户体验的最大痛点——每次新对话都要重新介绍自己，AI 无法记住上周的讨论内容。Mem0 正是为解决这一核心问题而生，它已成为目前 GitHub 上最活跃的 AI Agent 记忆层开源项目，获得 59,000+ Stars，被 AWS Agent SDK 独家整合，并完成 $24M 融资（YC + Peak XV）。

    📦 安装要求和过程

    环境要求

    • Python：3.9+（推荐 3.10+）
    • Node.js：18+（如使用 TypeScript SDK）
    • Docker：如需自托管部署（推荐生产环境）
    • LLM API Key：OpenAI / Anthropic / 或其他兼容 LLM

    快速安装（3种方式）

    • 方式一：Python SDK（最常用）
      pip install mem0ai

      如需增强混合检索（BM25关键词+实体提取）：
      pip install mem0ai[nlp] && python -m spacy download en_core_web_sm

    • 方式二：自托管（Docker，生产推荐）
      git clone https://github.com/mem0ai/mem0.git && cd mem0/server && docker compose up -d

      服务默认运行在 http://localhost:3000，支持 Kubernetes / 私有云 / 气隙部署

    • 方式三：托管云服务（最快上手）

      注册 app.mem0.ai 获取 API Key，无需部署，直接调用

      export MEM0_API_KEY="your-key-here"

    ⚡ 核心功能

    • 🧩 多级记忆管理 — 无缝保留用户级、会话级、智能体级的状态，支持自适应个性化。每个用户、每次对话、每个智能体都有独立的记忆空间，互不干扰。
    • 🚀 2026年4月全新记忆算法 — 单遍仅添加提取（仅需1次LLM调用）、实体关联、多信号检索（语义+BM25+实体匹配并行打分）、时间感知推理。在 LoCoMo 基准测试中达到 91.6分（较旧版提升20分），Token消耗仅 7.0K。
    • 🔌 多工具集成支持 — 与 Claude Code、Codex、Cursor、Windsurf、OpenClaw 等 AI 编码工具无缝集成；同时支持 LangGraph、CrewAI 等智能体框架。一行命令即可为现有 AI 工具添加长期记忆。
    • 💻 CLI 管理能力 — 支持通过终端命令完成记忆的初始化、添加、搜索等操作。npm install -g @mem0/cli 安装后，直接用命令行管理 AI 记忆。
    • 🔄 记忆迁移能力 — 支持从开源版本迁移到托管平台，也支持托管 Qdrant 向量数据导入平台。数据完全可移植，不会被厂商锁定。

    🎯 典型使用场景

    • 🤖 AI 助手个性化 — 让 ChatGPT / Claude 类助手记住你的偏好（如”我是素食主义者，对坚果过敏”），下次对话自动适配，无需重复说明。支持跨平台同步记忆。
    • 🏥 医疗健康辅助 — 记录患者病史、过敏信息和治疗偏好，为每次问诊提供个性化支持。Mem0 已通过 HIPAA 合规认证，满足医疗数据隐私要求。
    • 🛒 电商智能推荐 — 记住用户的浏览历史、购买偏好和尺码信息，提供真正个性化的购物体验。Mem0 支持实时记忆更新，用户行为立即可被用于推荐。

    💡 推荐理由

    AI “失忆”是我在使用各种 AI 工具时最大的痛点。Mem0 从根子上解决了这个问题，而且做得非常彻底：

    为什么选 Mem0 而不是自己实现记忆功能？
    AI 记忆看似简单（把历史对话存到向量数据库），但要做得好需要解决：记忆提取精度、多信号检索融合、时间感知推理、实体关联、记忆压缩、Token 成本优化等大量工程问题。Mem0 团队在这些方向上持续投入，2026年4月的新算法将 LoCoMo 基准从71.6提升到91.6——这不是简单工程能做到的。

    另外特别值得关注的是 Mem0 的企业级可靠性：SOC 2 + HIPAA 双合规、支持私有云/气隙部署、每笔读写操作全程审计日志。如果你在为生产环境选型 AI 记忆方案，Mem0 是目前唯一同时满足开源透明和企业合规的选择。

    项目使用 Apache-2.0 许可，自托管完全免费。托管云服务按使用量计费，适合快速验证想法的团队。

    📥 下载地址

    📌 本文由自动化任务采集发布，内容基于项目 GitHub 主页及官方文档整理

  • 美国能源监管层大开绿灯，AI数据中心接电不再排队

    AI数据中心电网接入
    美国联邦能源监管委员会为AI数据中心开辟电网接入快速通道

    美国AI竞赛里最卡脖子的不是芯片，是电。

    6月18日，美国联邦能源监管委员会（FERC）做了一件AI行业盼了很久的事：下令六大电网运营商，给数据中心的并网申请开“快速通道”。以后AI公司想接电，不用再跟传统电厂排同一条队了。

    等了又等，AI公司快撑不住了

    电网接入的队伍有多长？到2023年底，全美国待接入的发电项目总容量，已经超过了现有电网的总供电能力。换句话说，排队等接电的项目，比电网能承载的极限还多——这条队，本质上永远排不到头。

    AI公司等不起。数据中心的需求预计2035年前要翻近三倍，电网运营商过去二十年习惯了需求零增长，突然被这波AI浪潮砸懵了，有些电网（比如全美最大的PJM）已经乱到有几家大公用事业公司威胁要退群了。

    讽刺的是，等不到电网接入的科技公司，被迫自己掏钱搞”表后发电”——在自己数据中心旁边自建电站。这比接公网更贵、更麻烦，但总比没电用强。

    FERC的新规到底放了什么大招

    FERC的指令主要有几层意思。第一，六大电网运营商必须在30天内上报自己还有多少富余的供电能力；60天内为数据中心”辩护或修改”电价方案。第二，电网运营商必须考虑”替代输电技术”——比如固态变压器或超导输电线，这些都是能让现有电网跑得更猛的新玩意儿。

    第三，也是最有实质意义的：数据中心要为并网成本自己买单，但作为交换，他们不用再跟发电项目一起排长队了。

    这个决定的背后推手是能源部长Chris Wright。他去年10月就公开表态，说数据中心接电的延误已经威胁到美国在全球AI竞赛中的竞争力。话音刚落，FERC就动起来了。

    电价已经在疯涨，这道绿能解多少渴？

    一个无法忽视的现实是：批发电价已经比五年前飙涨了最多267%。数据中心疯狂抢电，推高了所有人的用电成本。FERC开了快速通道，但并没有变出新电厂来——发电容量短缺这个根本问题，依然存在。

    更有意思的是时机。就在FERC出台新规的前两天，特朗普政府刚宣布掏7.65亿美元，让可再生能源开发商Invenergy取消加州、缅因州和纽约州附近的四个海上风电租约。Invenergy转而要用这笔钱在中西部建天然气电厂。

    到目前为止，特朗普政府已经花了大约26亿美元来拆海上风电的台。AI要电，政府给数据中心开绿灯，但同时又在对清洁能源使绊子——这其中的矛盾，恐怕日后还要找补。

  • 《大西洋月刊》把AI音乐训练的“底牌”掀了

    AI音乐训练数据透明度
    AI训练用了谁的歌？现在谁都能查到了

    你有没有想过，你随手发在YouTube或Spotify上的一首歌，会不会悄无声息地被人拿去训练AI了？

    这个念头听着像阴谋论，但它真的发生了。《大西洋月刊》的调查记者Alex Reisner最近做了一件让整个AI音乐圈睡不着觉的事——他把四个被用于训练AI模型的音乐数据集，原原本本地做成了可公开搜索的数据库，任何人都能上去查自己的作品是不是在里面。

    1200万首歌，免费摆在互联网上

    这四个数据集的规模大到离谱。两个最大的分别包含1200万和900万首曲目，剩下两个”小”的也有10万首以上。这些数据集在互联网上可以被自由下载，已经被下载了数千次。

    Google和Stability AI都曾在研究论文中确认，他们用了其中的数据集来训练自己的AI音乐模型。换句话说，这些”免费”的音乐，已经变成了Suno、Google Lyria等AI音乐生成器的”教材”。

    有意思的是，有些数据集的来源（比如Free Music Archive）允许个人免费收听，但商业使用需要授权。AI公司拿去训练商业模型，版权归属是个大问题。

    Lady Gaga、Radiohead，一个都跑不了

    在这四个数据集里能搜到名字的音乐人，跨度简直离谱——流行天后Lady Gaga、电子音乐鬼才Aphex Twin、摇滚天团Radiohead和Wu-Tang Clan、摇滚教父Bruce Springsteen，甚至实验音乐作曲家Hainbach，统统在内。

    更值得玩味的是这些数据是怎么被”拿”到的。Reisner发现，其中三个数据集本质上是一堆YouTube和Spotify的链接列表。AI开发者用自动化工具批量下载音频，有些工具还能绕过登录、跳过广告——这些操作明显违反了平台的服务条款。

    也就是说，音乐人被”投喂”给AI的过程，本身可能就踩在了灰色地带甚至违法的边缘。

    《大西洋月刊》为什么较这个真？

    《大西洋月刊》专门开辟了一个叫”AI Watchdog”的栏目，系统性地追踪AI训练数据的来源。这次把音乐数据集公开可查，等于是把AI公司的”锅底”彻底掀了——以后哪家公司用了谁的音乐训练模型，版权方一点进去就能找到证据。

    这个搜索库不只包含音乐，还有用于训练AI的书籍和其他媒体。对版权持有者来说，这是一把迟来的”知情权”的钥匙。

    目前AI训练数据的版权诉讼已经在全球遍地开花，这次《大西洋月刊》的动作，相当于是给这些诉讼又添了一把柴火。音乐人们终于有一个地方可以去证实：没错，我的歌确实被拿去训练AI了。

  • 亚马逊自研AI芯片要对外卖了，英伟达迎来最强劲对手？

    英伟达在AI芯片市场的霸主地位，终于有人正面挑战了。据Bloomberg报道，亚马逊云科技（AWS）掌门人Peter DeSantis透露，AWS正在洽谈将自研的Trainium AI芯片出售给其他公司，用于其数据中心。如果这桩生意做成，将是迄今为止对英伟达AI芯片统治地位最强有力的冲击之一。

    贝佐斯想卖芯片，Jassy把话说在前头了

    这事儿其实有伏笔。今年4月，亚马逊CEO Andy Jassy在年度股东信里就写得明明白白：如果我们的芯片业务独立成一家公司，把今年生产的芯片卖给AWS和其他第三方，年化营收规模大约在500亿美元左右。”我们对自家芯片的需求太旺盛了，未来很有可能会把整机架的芯片卖给第三方。”

    亚马逊AI芯片挑战英伟达
    亚马逊Trainium芯片冲击AI芯片市场格局

    500亿美元是个什么概念？英伟达目前的年化营收是3260亿美元，500亿当然还”干不掉”英伟达。但这个体量已经跟英特尔的全年营收相当——也就是说，如果AWS真的对外卖芯片，它一上来就是个”英特尔级别”的选手。

    为什么AWS一直不卖芯片？

    既然芯片这么强，为什么AWS憋了这么久不外卖？根本原因是一个”瀑布效应”——芯片是引子，真正赚钱的是后面的存储、安全、网络、监控等一整套云服务。客户买了Trainium的算力，顺带就要用AWS的S3存数据、用CloudWatch做监控、用IAM管权限……这笔账，比单纯卖芯片划算多了。

    另一个现实问题是产能。Jassy在股东信里说，目前的Trainium芯片产能一上线就被抢光，连下一代Trainium4的产能也早就预订完了——而这芯片要到一年以后才上市。自己都不够用，怎么卖给别人？

    AWS发言人Doron Aronson确认了对外销售芯片的可能性：”虽然我们历史上一直拒绝直接销售芯片的请求，但Andy说过，未来我们很可能会把整机架的芯片卖给第三方。”

    台积电的产能争夺战

    真要外卖芯片，AWS得先解决制造端的问题。Trainium芯片由台积电代工，而台积电的先进制程产能是全世界科技公司争抢的香饽饽。最新消息是，英伟达已经取代苹果，成为台积电的最大客户——这意味着黄仁勋在产能谈判桌上，比AWS有更多话语权。

    所以AWS要外卖芯片，不仅仅是”我想卖”的问题，还得在台积电那里挤出产能来。这事儿的难度，不亚于做芯片本身。

    黄仁勋的200亿，Jassy的500亿

    这场竞争有个有趣的对照：黄仁勋最近宣布英伟达发现了一个全新的2000亿美元市场——卖CPU给AI基础设施（不只是GPU），直接入侵英特尔和AMD的地盘。Jassy的500亿美元芯片野心，则是反过来从英伟达碗里分肉。

    两家公司的CEO都在押注同一件事：AI基础设施的市场，远远没有见顶。区别在于，英伟达是从芯片往系统走，AWS是从系统往芯片走——最后谁更能打，接下来几年就见分晓了。

    • AWS Trainium芯片年化营收潜力约500亿美元，相当于英特尔全年营收规模
    • 英伟达当前年化营收3260亿美元，地位短期难以撼动
    • AWS外卖芯片的最大障碍：自身产能不足 + 台积电产能争夺
    • 亚马逊从云服务端往芯片端渗透，与英伟达的”反向包抄”形成对决

  • Signal总裁警告：AI聊天机器人不是你的朋友

    你现在跟ChatGPT聊过天吗？问它拿主意、让它帮你写邮件、甚至把它当树洞说心事？这没什么稀奇的，越来越多人把AI聊天机器人当成了某种”数字朋友”。但Signal的总裁Meredith Whittaker最近给出一个很直白的警告：它们不是你的朋友。

    它们没有意识，也不是你的对话者

    Whittaker在接受Bloomberg采访时被问到ChatGPT和Claude这类聊天机器人的隐私问题时，她的回答相当犀利：”它们不是你的朋友，不是有意识的生物体，也不是有感知的对话者。”

    这话听起来有点冷酷，但她的逻辑很清晰。AI聊天机器人本质上是在”平均化”互联网上已经存在的内容——它给出的每个回答，都是基于训练数据里海量文本的统计分析，而不是它自己”想”出来的。如果你让AI替你思考，你自己的思维过程就被截断了。

    AI聊天机器人隐私警示
    AI聊天机器人便利的背后，是隐私让渡的代价

    她自己几乎不用AI来”帮忙思考”。她说：”我很认真地对待自己的思考和写作，不希望把一个想法推演的过程，被一个把网上已有内容做了平均化的系统的回答给截断或遮蔽掉。”

    微软Copilot的”圣诞购物”场景吓到人了

    真正让人警惕的，是AI公司自己描绘的”未来场景”。微软AI CEO Mustafa Suleyman最近预测，用户今年就能让Copilot全权负责圣诞购物——它会监听家庭群聊，判断每个亲戚想要什么，然后自动下单。

    Whittaker对此的回应是：这意味着你要给Copilot访问你信用卡的权限、访问浏览器的权限、访问你Signal消息的权限、替你给兄弟姐妹发消息的权限、你家庭住址的权限，还有你日历的权限。”你刚才描述的，是一个在多个应用和服务之间拥有极度广泛访问权的系统。”她说，”在Signal的语境下，这相当于一种后门。”

    这番话值得琢磨。AI公司不停告诉我们”让AI帮你做事”，但它们很少同时告诉你：要做到这一点，你需要把生活中几乎所有的数字权限都交给它。

    Signal的坚持：不跟风做AI”助手”

    Whittaker不是随便说说——她领导的Signal是目前少数几家坚决不往产品里塞AI”助手”的主流通讯应用。Signal的核心卖点就是端到端加密和隐私保护，往里面加一个需要把消息内容发给云端AI处理的”智能助手”，等于自废武功。

    这跟整个行业的风向形成了鲜明对比。WhatsApp已经加了AI助手，iMessage据传也在考虑类似功能。Signal的做法在商业上可能”不够聪明”，但Whittaker显然认为，有些底线不能破。

    说回开头那句话——AI不是你的朋友。这不代表你不能用它，而是说你得清醒地知道：你输入给它的每一句话，都在训练它、也在暴露你。把它当工具用，别把它当知己。

  • LangFlow：150K+Stars可视化AI工作流构建器，低代码开发AI应用首选

    LangFlow：150K+Stars可视化AI工作流构建器，低代码开发AI应用首选

    LangFlow可视化AI工作流构建器

    🚀 项目简介

    LangFlow 是一款150K+ Stars 的可视化AI工作流与智能体构建平台，提供拖拽式画布编排界面，支持所有主流大语言模型、向量数据库与AI工具。可将工作流一键部署为API或MCP服务器，大幅降低AI应用开发门槛。

    项目由LangFlow-AI团队维护，采用MIT开源许可，支持自托管与云端部署，是低代码开发AI应用的首选工具之一。

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.10–3.14 版本
    • 推荐包管理器：uv（可选，也可用pip）
    • 可选：Docker 20.10+（容器化部署）

    快速安装步骤（本地部署推荐）

    1. 安装依赖：确保已安装Python 3.10+和uv包管理器
    2. 安装LangFlow：运行 uv pip install langflow -U
    3. 启动服务：运行 uv run langflow run
    4. 访问使用：打开浏览器访问 http://127.0.0.1:7860 即可开始编排工作流

    👍 其他部署方式

    • 桌面版：下载LangFlow Desktop（支持Windows/macOS），无需管理Python环境，开箱即用
    • Docker部署：运行 docker run -p 7860:7860 langflowai/langflow:latest
    • 源码运行：克隆仓库后运行 make run_cli

    💡 核心功能

    • 🎨 可视化拖拽编排：提供直观的画布界面，无需编写代码即可快速搭建AI工作流与智能体，支持实时迭代调试
    • 🔧 全栈自定义能力：所有组件均开放Python源码，支持自定义组件逻辑，满足复杂业务需求
    • 🚀 一键部署集成：可将工作流直接部署为REST API，或导出为MCP服务器，无缝集成到各类应用与AI框架中
    • 🤖 多智能体编排：支持对话管理、检索增强与多智能体协作，可构建复杂的企业级AI应用
    • 📊 可观测性集成：原生支持LangSmith、LangFuse等可观测性工具，实时监控工作流运行状态

    📦 典型使用场景

    📈 场景1：快速AI原型开发

    通过拖拽组件快速搭建RAG问答、内容生成、数据分析等AI应用原型，无需编写后端代码，大幅缩短开发周期。

    📈 场景2：企业级AI工具部署

    将内部业务工作流封装为MCP服务器或API，供企业内部系统与AI智能体调用，实现业务流程自动化。

    📈 场景3：低代码AI教学演示

    通过可视化界面演示AI工作流原理，适合教学、技术分享场景，降低AI应用的理解门槛。

    ⭐ 推荐理由

    作为AI应用开发者，LangFlow最大的优势是平衡了低代码易用性与高度自定义能力：新手可以通过拖拽快速上手，资深开发者可以通过Python自定义组件实现复杂逻辑，无需被平台绑定。

    另外，原生支持MCP协议是一大亮点，可将工作流直接转化为AI智能体可调用的工具，完美适配当前的AI智能体开发潮流。社区活跃度极高，150K+ Stars与近万Fork数量保证了项目的长期维护与生态扩展能力。

    📥 下载地址