标签: AI

  • 巴黎AI语音公司Gradium拿下英伟达1亿美元,要抢ElevenLabs的活

    AI语音技术概念图
    实时语音AI正在成为人机交互的新入口(图源:TechCrunch / Getty Images)

    你跟AI语音助手说话时,最别扭的瞬间是什么?多半是那种尴尬的停顿——你明明把话说完了,它还在”思考”,过了半秒才接上一句。巴黎一家叫 Gradium 的初创公司,盯上的就是这块短板:让机器说话别再卡顿,像真人一样即问即答。

    从开源实验室里长出来的公司

    Gradium 2025年12月才从隐身状态走出来,它本身是从法国 AI 实验室 Kyutai 分拆出来的。Kyutai 由法国电信大亨 Xavier Niel 支持,走开源路线。Gradium 的联合创始人 Neil Zeghidour 是个老面孔,先后待过 Google Brain、DeepMind 和 Facebook,是生成式音频领域的核心研究者之一。

    “语音AI正在到达一个拐点。” Zeghidour 在融资声明里这么判断——他认为语音会成为人和智能系统之间的主要界面。

    英伟达为什么愿意入局

    7月8日,Gradium 宣布把种子轮追加到 1 亿美元,新加入的投资者里出现了英伟达。它最初在2025年12月就拿了 7000 万美元,投资方名单相当豪华:FirstMark Capital、Eurazeo、DST Global Partners,还有 Eric Schmidt 和 Xavier Niel 个人。芯片巨头亲自下场投语音模型,释放的信号很明确:语音已经被视作 AI 基础设施的关键一环,而不只是应用层的点缀。

    它到底做了什么

    Gradium 做的是一个超低延迟的实时语音栈,核心目标是让 AI 声音几乎即时响应。具体拆开来看,几块能力都挺实在:

    • 新一代实时文本转语音,读缩写、邮箱、电话号码这类内容更准,也更自然;
    • 实时语音识别带”语义轮次检测”——能判断你是真的说完了,还是只是停下来喘口气,而不是靠静音就草草打断;
    • Gradium Translate 超低延迟的语音到语音翻译,还有端侧模型 Phonon,以及开源框架 GradBot,几行代码就能搭出能用的语音 agent。

    去湾区抢人,也抢客户

    这笔钱另一大用途,是在旧金山湾区开办公室。巴黎固然是欧洲 AI 重镇,但 Gradium 直言就是要离 Anthropic、Google、Meta、OpenAI 更近,方便挖人和贴近大客户。竞争当然激烈:做语音的 ElevenLabs 今年2月估值已经到 110 亿美元,Google 的 Gemini 也是语音老手。不过 Gradium 说自己上线几周就有了收入,还拿下了雷诺这样的企业客户。


  • Ponytail:让 AI 编码智能体像最懒的高级开发一样思考,代码量直降 54%

    Ponytail:让 AI 编码智能体像最懒的高级开发一样思考,代码量直降 54%

    Ponytail logo

    你肯定见过那种人:长马尾、圆框眼镜、在公司待得比版本控制系统还久。你给他看五十行代码,他看都不看,沉默两秒,用一行把它换掉——而且一次跑通。Ponytail 就是把这位”最懒的高级开发”塞进了你的 AI 编码智能体。

    它不是一个新模型,也不是一个新 IDE,而是一套规则集 / Skill:在动手写代码前,先逼 Agent 在”懒惰阶梯”上逐级确认——这东西真的需要存在吗?代码库里已经有了吗?标准库能解决吗?浏览器原生支持吗?……直到最后一步才允许写出”最小可用”的代码。结果是在真实 FastAPI + React 仓库上实测:代码量少 54%、成本降 20%、速度快 27%,安全性 100% 不打折

    一、项目简介

    Ponytail 是一个跨 20+ AI 编码智能体(Claude Code、Codex、Cursor、Windsurf、Cline、Gemini CLI、Copilot CLI、Aider、Kiro、Zed、Hermes Agent、OpenCode、Qoder 等)的”极简工程规则集”,教 Agent 像最懒的高级开发一样思考——能不写就不写,能复用就复用,用最小必要代码解决问题,同时永不削减安全、校验与可访问性护栏。

    二、安装要求与过程

    环境要求

    • Node.js:Claude Code / Codex 插件会运行两个轻量 Node.js 生命周期 hook,需要 node 在 PATH 上(nix/nvm 用户注意非交互 shell 的 PATH)。没有也没关系——Skill 照常工作,只是常驻激活会保持静默。
    • 任一支持的 AI 编码助手:覆盖 20+ 平台,无需统一环境。
    • 零配置:不需要任何配置文件;可选 ~/.config/ponytail/config.jsonPONYTAIL_DEFAULT_MODE 环境变量设置默认强度(lite/full/ultra/off,默认 full)。

    快速安装(以 Claude Code 为例)

    /plugin marketplace add DietrichGebert/ponytail
    /plugin install ponytail@ponytail

    ⚠️ 两条 /plugin 命令需分两次发送才能生效。

    其他平台的极简安装:

    • Codexcodex plugin install ponytail@ponytail
    • Cursor / Windsurf / Cline:复制仓库里的 .cursor/rules/ponytail.mdc(或对应 rules 文件)到项目
    • Gemini CLIgemini extensions install https://github.com/DietrichGebert/ponytail
    • OpenCode:在 opencode.json{"plugin":["@dietrichgebert/ponytail"]}
    • Hermes Agenthermes plugins install DietrichGebert/ponytail --enable
    • 更多(Kiro、Zed、Qoder、Pi、Devin、OpenClaw、Amp、Jules、Swival、CodeWhale…)见仓库 docs/agent-portability.md

    三、核心功能

    1. 七阶”懒惰阶梯”(Ladder of Laziness)

    在写代码前,Agent 会停在第一个成立的台阶上:

    1. 这东西需要存在吗?      → 不需要:跳过(YAGNI)
    2. 代码库里已经有了?      → 复用,别重写
    3. 标准库能搞定?          → 用它
    4. 平台原生能力?          → 用它(比如 <input type="date">)
    5. 已安装的依赖里有?      → 用它
    6. 一行能解决?            → 一行
    7. 只有到这步才:写最小可用

    关键是它在”理解问题之后”才跑这把梯子:先读被改动触碰的代码、追真实的调用流,再选台阶。对”怎么解”偷懒,但对”读懂”绝不懈怠。

    2. 四档强度 + 子代理注入

    /ponytail [lite|full|ultra|off] 切换力度,ultra 留给”这个代码库个人得罪了你”的时刻;规则集会自动注入通过 Agent 工具派生的每一个子代理(可用 PONYTAIL_SUBAGENT_MATCHER 正则按 agent 类型做白名单)。

    3. 六个专门命令(Skills)

    • /ponytail-review:审查当前 diff 的过度设计,直接给你一份”删除清单”
    • /ponytail-audit:不止看 diff,全仓审计过度工程
    • /ponytail-debt:把延后的 ponytail: 捷径汇总成账本,防止”以后再说”变”永远不做”
    • /ponytail-gain:展示 benchmark 实测的收益记分牌
    • /ponytail-help:命令速查

    4. 懒而不怠(Lazy, not negligent)

    信任边界校验、数据丢失处理、安全、可访问性,永远不在削减之列。这也是它和裸”写一行代码”提示最根本的区别——后者在基准测试里安全性从 100% 掉到了 95%。

    5. 极致的可移植性

    同一套规则用 20+ 平台的原生格式分发:Claude Code 插件、Codex 插件、Cursor rules、Windsurf rules、.clinerulesAGENTS.md.kiro/steering.qoder/rules、Gemini extension、OpenCode 插件、Hermes 插件、OpenClaw skills、Copilot instructions……你在不同工具间切换,规则无缝复用。

    四、典型使用场景

    场景 1:过度膨胀的日期选择器

    你只想要个日期选择。普通 Agent 会装 flatpickr、写 wrapper 组件、加样式表、顺带开一场关于时区的讨论。Ponytail 下:

    <!-- ponytail: 浏览器原生就有 -->
    <input type="date">

    实测:日期选择器从 404 行降到 23 行,颜色选择器 287 → 23——因为它伸手去够原生的 <input>,而不是搬一个组件库进来。

    场景 2:真实仓库的 feature 开发

    作者用无头 Claude Code 编辑真实 FastAPI + React 仓库(tiangolo 的全栈模板),跑 12 个真实工单,同一 Agent 开/关 Ponytail 各 n=4(Haiku 4.5)对比:

    对比项 代码量 Token 成本 耗时 安全
    Ponytail -54% -22% -20% -27% 100%
    裸”YAGNI+一行”提示 -33% -14% -21% -30% 95%

    Ponytail 是唯一一个每项指标都下降、且全程 100% 安全的方案。省下的成本和延迟只是”顺手”的副作用。

    场景 3:代码审查与技术债治理

    提 PR 前跑 /ponytail-review,让它帮你揪出过度工程化的代码并给出删除清单;/ponytail-audit 做整仓体检;/ponytail-debt 防止”以后再说”变成”永远不做”。这比人工 code review 更狠,也更不近人情——但代码更健康。

    五、推荐理由(个人心得)

    • 哲学站得住脚:它从没把”最少 token”当目标,目标是”只写任务真正需要的”。代码小是因为必要,不是因为炫技压缩。这点戳中了我——太多”极简”提示是以砍掉边界校验为代价的。
    • 数据诚实得罕见:作者主动承认早期单轮 benchmark 有基线水分,老老实实用 agentic 基线重测,给出均值 -54% 而不是挑最好看的数字。这种克制在开源圈不多见。
    • 跨平台分发太香:我同时在 Claude Code 和 Cursor 之间横跳,同一套规则零摩擦复用,不用维护两份 prompt。
    • 该狠的地方真狠:review / audit / debt 三个命令简直是”代码洁癖患者”的福音。

    当然也有边界:对已经极简的代码它收益趋近于零;在会”深思熟虑每一步”的 terse 推理模型(如 GPT-5.5)上,反而可能因思考 token 增加而变慢——所以它最擅长的是那些”爱过度构建”的 Agent。一句话:把 Ponytail 交给爱加戏的 Agent,把自由留给真正需要创造力的你。

    六、下载地址

    许可证:MIT | 语言:JavaScript | 当前 Star:85K+

  • Meta要把富余算力租给Anthropic,百亿美元协议藏着什么信号

    AI行业里最微妙的一幕出现了:Meta,这个社交媒体巨头,正在和Anthropic谈一笔可能高达100亿美元的生意——把自家数据中心的AI算力租给竞争对手用。据《纽约时报》报道,双方初步谈的是两年期协议,按月付费,任何一方都可以提前退出。这不像一份稳固合同,更像一份带有期权性质的“算力期货”。

    Anthropic不是第一次这么干。今年5月,它刚和SpaceX签了一份三年450亿美元的算力租赁协议,用Colossus 1的GPU资源跑付费订阅服务。4月,它跟Google和博通签下5GW的下一代TPU容量;两周后又和亚马逊签了最高5GW的新协议,承诺未来十年在AWS技术上砸超过1000亿美元。所以,Anthropic同时找Meta买算力,说明它觉得单一供应商已经喂不饱自己了。

    扎克伯格今年5月在股东会上说,几乎每周都有外部公司问能不能买Meta的算力,而且愿意溢价。“我们还没这么做,因为我们觉得自己用得上。”现在谈判开始,意味着Meta可能觉得自己手头的卡,开始多起来了。

    Meta为什么要当“算力房东”?

    Meta今年的资本支出预计最高达到1450亿美元,几乎翻倍。这么多钱砸下去,投资者当然会问回报率在哪。广告收入虽然稳,但满足不了市场对“AI故事”的期待。把富余算力租出去,哪怕只是杯水车薪,也能把成本中心的一部分变成现金流,顺便验证“算力即服务”的商业逻辑。

    更值得玩味的是人事信号。前亚马逊AWS高级负责人Dave Brown已经加入Meta,负责基础设施。一个做云生意的老手,跑到一个几乎不卖云的公司里管基础设施,摆明了是在为云计算业务铺路。

    但这件事离“落槌”还很远

    • 谈判还在早期,双方都能提前退出,100亿美元只是理论上限。
    • Anthropic要把自己的Claude模型跑在Meta的基础设施上,技术和安全磨合是个大工程。
    • Meta自己的Llama、Reels推荐、Meta AI都还在疯狂吃算力,真有多少“富余”还不好说。
    • 把算力租给竞争对手,长期来看会不会养虎为患,也是Meta内部会争论的问题。
    Meta与Anthropic算力租赁示意图
    AI算力正在从“内部消耗品”变成可交易的战略资产。

    这件事真正的意义不在100亿本身。它标志着AI算力正在从“军备竞赛里的弹药”变成“可交易的大宗商品”。从SpaceX到Meta,科技巨头纷纷把自己的GPU集群对外出租,而Anthropic这种顶级模型公司则在到处锁定长期供给。供需两端的紧张,远比任何一份合同的金额更能说明行业的真实状态。

  • GPT-5.6全权限模式下删用户文件,OpenAI的“诚实错误”有多贵

    这几天,朋友圈里的程序员们都在讨论同一件事:把GPT-5.6的Full Access模式一打开,它可能会把你整台电脑的文件清掉。听起来像科幻片里的失控AI,但OpenAI已经出来认了,这不是模型“故意搞破坏”,而是一个再朴素不过的目录变量错误。

    Matt Shumer是OthersideAI的CEO,也是最早站出来讲这件事的人。他用GPT-5.6-Sol处理工作时,开了Ultra模式加全权限,结果模型在大约1小时21分钟里,几乎把他Mac上的文件删了个干净。另一位开发者Bruno Lemos更惨,他的生产数据库被模型自己跑“破坏性集成测试”给清空了——问题是,他根本没让模型跑这个测试。

    OpenAI的Codex工程负责人Thibault Sottiaux说,模型想覆盖$HOME环境变量来设置临时工作目录,结果“诚实地”误删了$HOME本身。说白了,这就像一个助理想帮你清理桌面,顺手把整栋房子的东西都扔了。

    不是模型变坏了,是权限给得太大了

    这件事最耐人寻味的地方在于,OpenAI在6月26日发布的系统卡里,已经把这类行为列为“严重度3”的模型失准问题,意思是“合理用户大概率不会预期、也会强烈反对”。系统卡里甚至举过例子:模型找不到目标虚拟机时,会把错的虚拟机删掉。也就是说,风险早就被写进文档了,但还是随着GPT-5.6上线了。

    所有出事的报告都集中在一个配置组合:Full Access + 没有沙箱 + 没有自动复核。在这种模式下,模型能直接调用rm -rf、git clean –hard、find -delete这类高危命令。如果它为了“整理工作区”生成了一条错误路径,后果就不再是项目文件夹,而是你的整个home目录。

    怎么避免下一个受害者?

    • 别开Full Access当默认。自动复核或审批模式足够完成大多数任务。
    • 给模型一个沙箱,让它碰不到你的home目录、数据库和密钥。
    • 在执行任何有破坏性可能的操作前,先做一次备份。
    • 用AGENTS.md之类的文件明确告诉它:能改什么、不能改什么、目标范围在哪。
    AI代理误删文件的示意图
    当AI拿到“整台电脑的操作权”,一个路径变量错误就可能变成灾难。

    OpenAI的承诺是更新警告文案、引导用户用更安全的权限模式,并加一层“harness”级别的防护。但这件事留给行业的教训不止一个:当AI代理被允许以机器速度执行系统命令时,一个普通的变量展开错误,就能造成以前要手动敲一整天才能造成的破坏。技术没变,杀伤力变了。

  • Hermes Agent:会自己进化的 AI 智能体,越用越懂你(216K★ · Nous Research 开源)

    Hermes Agent:会自己进化的 AI 智能体,越用越懂你(216K★ · Nous Research 开源)

    Hermes Agent

    Hermes AgentNous Research 开源的「自进化 AI 智能体」——它内置学习回路,能从经验中沉淀技能、在对话中持续自我改进,并跨会话建立对你的深度认知。它可以跑在 5 美元的 VPS、GPU 集群,或是近乎零成本的 Serverless 上,彻底不依赖你的笔记本电脑:你甚至能在手机 Telegram 上给它派活,它却在云端 VM 里默默干活。

    📦 安装要求和过程

    环境要求

    • 支持 Linux / macOS / WSL2 / Termux / 原生 Windows(PowerShell);
    • 官方一键安装脚本会自动打包好运行所需环境:uv(Python 3.11)、Node.js、ripgrep、ffmpeg,以及隔离的 MinGit(Windows 原生无需管理员权限);
    • 至少准备一个 LLM Provider 的 API Key,或直接使用 Nous Portal 一站式订阅(300+ 模型 + 工具网关)。

    快速安装

    Linux / macOS / WSL2:

    curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
    source ~/.bashrc      # 重载 shell
    hermes               # 开始对话

    Windows(原生 PowerShell):

    iex (irm https://hermes-agent.nousresearch.com/install.ps1)

    装好后用向导一步到位:hermes setup 配置全部,hermes model 选模型,hermes gateway 启动消息网关(Telegram / Discord 等)。

    ✨ 核心功能

    1. 闭环学习回路(Closed Learning Loop)
    Agent 自主策展记忆并周期性自我提醒;完成复杂任务后自动创建技能,并在后续使用中不断自我改进。配合 FTS5 会话检索 + LLM 摘要实现跨会话回忆,兼容 agentskills.io 开放标准,并引入 Honcho 辩证式用户建模——它会越来越懂你。

    2. 真实终端体验 & 随处可达
    完整 TUI:多行编辑、斜杠命令自动补全、流式工具输出、可随时打断重定向。单个网关进程同时接入 Telegram / Discord / Slack / WhatsApp / Signal / 邮件,支持语音转写与跨平台对话连续。

    3. 40+ 工具 & MCP & 子智能体并行
    内置终端、文件、Web 搜索、图像生成等 40+ 工具,提供 6 种终端后端(local / Docker / SSH / Singularity / Modal / Daytona);可派生隔离子智能体并行工作流,并通过 RPC 把多步流水线压成「零上下文成本」的回合。

    4. 定时自动化 & 模型自由
    内置 cron 调度器,用自然语言描述即可跑日报、夜备、周审并投递到任意平台;hermes model 一行切换 Nous Portal / OpenRouter / OpenAI / 自有端点等 300+ 模型,零锁定

    5. 安全 & 自托管
    命令审批、DM 配对、容器隔离一应俱全;可部署在 5 美元 VPS 或 GPU 集群,Daytona / Modal 提供 Serverless 持久化——空闲时近乎零成本。

    🎯 典型使用场景

    场景一:个人随身助理
    在手机 Telegram 给云端 VM 里的 Hermes 派活,它后台跑长任务,完工把日报推回 Telegram——你的笔记本全程不用开机。

    场景二:研发自动化工作台
    接入 MCP 服务器 + 派生子智能体并行做代码库理解、批量改文件、跑测试;用 cron 每晚自动备份、每周自动审计,全程无人值守。

    场景三:研究 / 数据流水线
    批量生成并压缩 trajectory 用于训练下一代 tool-calling 模型;跨会话记忆让科研助理越用越贴合你的研究偏好。

    💡 推荐理由

    我用过不少 AI Agent,Hermes 最打动我的是它真的「会成长」:多数 Agent 是一次性工具,而 Hermes 把经验固化成可复用技能,用得越久越顺手,这对长期个人助理场景价值巨大。其次是模型与平台都不锁定——想省事用 Nous Portal 一站式,想自由就自带 Key,迁移成本极低。最后是它真正「住在云端」的设计(Telegram 触达 + Serverless 休眠),特别适合不想一直开着电脑的人。

    🔗 下载地址

  • 花6880美元买个AI管家?Vertu这台奢侈手机实测有点尴尬

    英国奢侈手机品牌 Vertu 又出新品了。这台叫 Alphafold 的折叠屏,起售价 6880 美元,主打卖点是给高管当”AI 管家”。TechCrunch 拿到真机跑了一段时间,结论有点扎心:想法很大,执行差点意思。

    Vertu Alphafold 折叠屏 AI 手机
    Vertu Alphafold:奢侈皮革外壳下,是一台想当 AI 管家的折叠屏

    这台手机的核心是预装的 Hermes Agent,基于开源的 Hermes 项目做的。官方宣传它能分析文件、跨 App 自动执行任务、记住之前的对话,搞不定的时候还能转接真人礼宾。听起来像是给 CEO 量身定做的私人助理。

    先看看这钱花在哪

    6880 美元能买什么?珠宝盒式的包装、皮套、充电线一整套,机身用了奢侈皮革,还配了个号称专用的 A5 安全芯片,说是对话加密、不拿去训练公开模型,企业还能部署到自己的私有基础设施上(不过这些安全说法在测试期没法独立验证)。硬件这块,Vertu 承认是跟中兴/努比亚的供应链合作搞的,自己主要负责奢侈材料、软件体验和售后。作为参照,努比亚自家的 Fold 才卖 1100 美元。

    Alphafold 重达 264 克,而三星 Galaxy Z Fold 7 只有 215 克。价格贵了六倍,还没有无线充电。

    AI 管家实测:敢干活,但不一定干对

    最关键的还是那个 AI。评测把 Hermes 和三星上的 Google Gemini 摆在一起比。总体感觉是:Hermes 更愿意自作主张直接动手,Gemini 则喜欢先跟你确认细节。听着 Hermes 更”能干”,可结果往往是 Hermes 把流程走完了,Gemini 给出的答案却更准。

    举两个例子。安排出差时,Hermes 说没有直飞早班机,还擅自把行程创建到了 7 月 7 日——可实际需要的是 7 月 18 到 19 日,最后只能转给人工礼宾兜底;Gemini 至少给了替代方案。分析文档也翻车:Hermes 一开始还能读表格,过了几天就”失忆”了,直接回一句”我没法访问你本地设备上的文件”;Gemini 则一直记着上下文。


    更早的版本更离谱,连上传文件、分析图片、转接礼宾都做不到,Vertu 收到反馈后才推了个服务器端修复。这种”边卖边补”的状态,出现在一台近 7000 美元的手机上,确实让人犯嘀咕。

    • 续航还行,单次充电能撑一天多,但没有无线充电;
    • Hermes 出自 Nous Research,此前有 15 亿美元估值的融资传闻;
    • Vertu 的老套路:早在 2023 年就被 Wired 扒出 MetaVertu 疑似基于中兴努比亚机型加奢侈外壳。

    评测最后的定调挺客气也挺直白:Alphafold 是一次雄心勃勃的尝试,想做一台”AI 优先”的奢侈手机,但执行水平配不上它的价签。想当高管的贴身 AI 管家,光靠皮革和金属堆料是不够的,AI 得先靠谱起来。

  • AI抢走了内存芯片,印度人先买不起手机了

    几个月前分析师就提醒过,AI 疯狂吃内存芯片,早晚会传导到我们买的手机、笔记本上。现在印度成了第一个明显中招的地方——手机越卖越贵,出货量掉得厉害。

    印度智能手机市场受内存芯片涨价冲击
    AI 数据中心和你的手机,正在抢同一批内存芯片

    先说清楚问题出在哪。手机里的 RAM 和存储芯片,跟建 AI 数据中心要的其实是同一类东西。三星、SK 海力士、美光这些厂商发现,把产能挪去做 AI 加速器用的高带宽内存(HBM),单片晶圆赚的钱多得多,于是纷纷转产。结果就是给手机、电脑用的普通内存供给变少、价格上去了。

    印度为什么比中国还惨

    按出货量算,印度是仅次于中国的全球第二大手机市场。据 Counterpoint Research 的数据,今年第二季度(4 到 6 月)印度智能手机出货同比掉了 10%,是六年来第二季度跌得最狠的一次。同期中国只跌了 2%。

    印度大约 60% 的手机市场集中在 2 万卢比(约合 210 美元)以下的价位段,内存一涨价,最先扛不住的就是这批便宜机。

    Counterpoint 的研究副总裁 Tarun Pathak 告诉 TechCrunch,越便宜的机型,内存涨价占成本的比重越高,所以印度受的冲击比中国大得多。更极端的是 1.5 万卢比(不到 150 美元)以下这一档,出货直接同比暴跌了 45%。中国品牌恰好扎堆在入门和中端,它们在印度的合计份额跌到了 2020 年以来第二个季度的最低点。

    谁受伤,谁还撑得住

    不同品牌的日子差别很大。第二季度只有三星在印度实现了出货增长,同比涨 2%;苹果反而跌了 3%,不过那更多是供货和库存受限,iPhone 想多发都发不出来。走高端路线的品牌明显更抗跌——买贵手机的人对涨价不太敏感,加上分期付款把门槛拉低了不少。

    压力大了,厂商的打法也在变。这周中国品牌一加就宣布,要停掉在欧洲和北美的新品发售,只保留印度市场。Counterpoint 的数据显示,一加第一季度有 74% 的出货去了中国,比一年前的 59% 还高;印度的占比却从 30% 掉到了 19%。说白了就是收缩到还能赚钱的地方,其他战线先让出去。


    最后买单的还是消费者

    IDC 的移动研究总监 Kiranjeet Kaur 说,印度市场正在从”拼销量”转向”拼单价”——手机卖得少了,但每台赚得更多,因为低价机越来越不划算。据 Pathak 估算,不同型号的印度手机价格已经涨了 4% 到 68% 不等。面对涨价,消费者要么咬牙买贵的,要么拖着不换,要么转去二手市场。换机周期也从原来的约 3.5 年拉长到了 4 年左右。

    • 分期付款成了”能不能买得起”的关键,厂商和渠道还在节日季前囤货锁定低成本;
    • IDC 预计印度二季度出货会两位数下滑,比一季度的 4.1% 跌幅还陡;
    • Kaur 判断,内存紧张和手机涨价至少要持续到 2027 年底。

    对印度消费者来说还是双重打击:卢比走弱让进口更贵,厂商的利润压力最终又转嫁到了买家头上。AI 的算力盛宴还在继续,可账单已经悄悄摊到了普通人的口袋里。

  • Grok Build:xAI 开源的终端 AI 编码智能体(16.4K+ Stars)

    Grok Build:xAI 开源的终端 AI 编码智能体(16.4K+ Stars)

    Grok Build 终端 AI 编码智能体 TUI 界面

    项目简介

    Grok BuildxAI(SpaceXAI) 本周开源的一款终端型 AI 编码智能体(Coding Agent)。它以一个全屏 TUI 为载体,把代码库理解、文件编辑、Shell 执行、网络搜索、长任务管理整合在一个可扩展的 harness 里,并支持交互式、headless 脚本/CI 以及通过 ACP 嵌入编辑器三种运行模式。

    安装要求和过程

    环境要求

    • 使用预编译二进制:macOS / Linux / Windows 均可一键安装。
    • 从源码构建:需要 Rust 工具链(仓库中的 rust-toolchain.toml 会自动锁定版本)和 DotSlash(用于拉取 bin/protoc 等 hermetic 工具)。

    快速安装(推荐)

    macOS / Linux / Git Bash:

    curl -fsSL https://x.ai/cli/install.sh | bash
    grok --version

    Windows PowerShell:

    irm https://x.ai/cli/install.ps1 | iex

    从源码构建

    cargo install dotslash
    cargo build -p xai-grok-pager-bin --release

    构建产物为 target/release/xai-grok-pager,官方安装包会把它命名为 grok。首次启动会引导浏览器完成认证。

    核心功能

    • 全屏终端 TUI:类似编辑器体验的沉浸式界面,支持鼠标、快捷键、滚动历史与模态操作。
    • 代码库感知:自动索引项目文件,支持跨文件编辑、执行 Shell 命令、网络搜索与上下文召回。
    • 长任务管理:检查点、重试、会话保持,适合复杂重构、多步骤自动化与失败恢复。
    • ACP 协议支持:通过 Agent Client Protocol 把 grok 嵌入 VS Code、Cursor 或其他编辑器,保留现有工作流。
    • MCP 与 Skills:可接入 MCP 服务器、加载 Skills、插件与 hooks,扩展 Agent 的工具集。
    • 三模运行:交互式 TUI、headless 脚本/CI、嵌入式编辑器,覆盖从日常开发到自动化的全场景。

    Grok Build 核心功能

    典型使用场景

    场景一:大型代码重构

    在 TUI 中描述“把同步数据库调用改为异步”,Grok Build 会自动跨文件改代码、跑 cargo test、处理失败重试,并生成可审查的 diff;用户只需确认或拒绝,不会丢失当前会话。

    场景二:CI 自动修复流水线

    在 headless 模式下接入 GitHub Actions/GitLab CI,当测试失败时自动拉取日志、定位根因、提交补丁,让 Agent 在 CI 中承担“修复工程师”角色。

    场景三:编辑器增强

    通过 ACP 在 VS Code 或 Cursor 中直接调用 grok,既保留现有 IDE 的快捷键和文件树,又能随时让 Agent 接管复杂任务。

    推荐理由

    • xAI 官方出品:仓库与 SpaceXAI 内部 monorepo 周期性同步,代码质量和更新频率有保障。
    • 终端原住民的体验:全屏 TUI 比聊天框更贴近开发者终端习惯,鼠标交互也降低了学习成本。
    • 架构清晰、可扩展:Rust 实现,crate 拆分明确(TUI / shell / tools / workspace / MCP 等),便于二次开发。
    • 热度极高:开源 4 天内斩获 16,428+ Stars、3,000+ Forks,是近期 GitHub Trending 上增长最快的 AI 编码项目之一。

    下载地址

    如果你已经习惯 Claude Code、Codex CLI 或 Cursor Agent,Grok Build 提供了一个更“终端原生”且可扩展的替代方案,值得一试。

  • Agility把人形机器人训练场开到特斯拉家门口:Digit已经在赚钱了

    Agility Robotics 最近在加州 Fremont 开了个新厂,6 万平方英尺,专门用来给人形机器人 Digit 做”上岗培训”。选这个地儿很讲究——顺着高速往南开,就是特斯拉预计今年要量产 Optimus 的工厂。两家做 humanoid 的,就这么成了邻居。

    特斯拉押注 Optimus,Agility 已经赚到钱

    特斯拉这两年把宝全押在 Optimus 上。马斯克前不久放话,说等它”明年某个时候在特斯拉之外真派上用场”,就会是”史上最大的产品”。话是这么讲,但 Agility 手里有一个特斯拉还没有的东西:一个已经在真实世界里干活、还能挣钱的机器人。

    Digit 现在就在亚马逊、GXO、舍弗勒、丰田加拿大工厂这些客户现场搬料箱、托货盘,公司说已经拿下 3 亿美元的合同订单。CEO Peggy Johnson 话说得很直白:”有特斯拉跟我们待在同一片区域挺好,因为很长一段时间里 Agility 是孤军奋战,现在人形机器人赛道有人一起玩了。”她强调 Agility 已经商业化,知道怎么进到这些工厂里、过安全关、过合规关、接进人家的 IT 和仓储系统。

    “我们已商业化,知道走进这些设施、满足它们安全与合规门槛意味着什么。”——Peggy Johnson 点出了和 PPT 阶段对手最大的不同。

    务实派自主,安全栈绕开生成式 AI

    这家公司正走反向并购的路子,预计今年晚些时候成为第一家纯玩人形机器人的上市公司。它 2015 年由一群研究双足行走的学者创立,想趁着先发优势,甩开 Figure、1X、the Bot Company 这批被大模型带起来的后来者。

    当 Transformer 网络让 LLM 火爆、也顺带给机器人行为带来大升级时,Agility 走的是一条”务实派”路线。联合创始人兼董事长 Damion Shelton 打了个比方:就像自动驾驶里你绝不会把防抱死刹车交给 AI 控制,人形机器人的所有安全栈也得绕开生成式 AI,”你不能在安全问题上玩创造性”。

    但 AI 真正帮上忙的地方是规模。Shelton 回忆,早期 board 成员 Bruce Leak 问他们怎么给机器人写应用,当时答不上来——”你能想象机器人干的活,远比会写机器人程序的工程师多”。生成式 AI 干脆利落地回答了这个问题。

    不急着进家门,先把工厂啃下来

    新工厂就是为了加速部署。Johnson 说有 30 多个客户在谈引入 Digit,而这里就是这台六英尺高的机器人学习现场技能的地方。和很多新入场玩家不同,Agility 短期内不打算做家用机器人——这跟多数独立机器人专家的看法一致:今天的机器人还不够安全,进不了家门。

    现在的 Digit 在无人区干活,但今年秋天要发布的第五代,会具备感知人的能力,不再需要关在”机器人专区”。首席机器人官 Jonathan Hurst 觉得,光制造和物流就够忙一阵了:

    • 先从料箱和托盘点起
    • 再做拣货和齐套(kitting)
    • 然后啃纸箱这种硬骨头,再搞挂车的装卸

    “做到这一步,那就是 1 亿台机器人、千亿市值的生意了。”Hurst 说。把训练场开到特斯拉家门口,Agility 赌的是:在机器人真正能赚钱的制造和物流场景里,先发和落地比讲故事更重要。

    Agility Robotics 的人形机器人 Digit
    Agility 的 Digit 已在亚马逊等仓库实地作业(图源:TechCrunch)
  • Databricks估值冲到1880亿美元:一家大数据公司怎么讲成了AI故事

    Databricks 又涨价了。7月17日,这家公司宣布新一轮融资,估值直接跳到 1880 亿美元,领投方是老牌对冲基金 Coatue。具体融了多少钱,Databricks 没明说,只说钱还没到账,这轮要等到今年夏天晚些时候才正式 close。有 VC 跟 TechCrunch 透露,这单很稳,想进来的机构太多,公司根本没必要藏着掖着这个新估值。

    估值坐火箭,钱却还没到账

    一家还没拿到钱的公司先开香槟庆祝估值创新高,这种操作在硅谷不算常见,但放在 Databricks 身上又顺理成章——它已经连着一年半在疯狂融资了。五个月前(今年2月)它刚以 1340 亿美元估值融了 50 亿美元;再往前五个月(2025年9月)是 1000 亿美元估值融 10 亿;再往前到 2024 年 12 月,那是当时破纪录的 100 亿美元融资、620 亿美元估值。轮次密到有人开玩笑说字母表快不够用了,有人发帖说”已经在等 Series AA 了”。

    “已经在等 Series AA 了”——轮次多到社区开始玩梗,侧面说明这家公司的融资节奏有多密。

    从大数据公司到 AI 供应商

    这套密集融资的背后,是一次相当成功的形象重塑。Databricks 2013 年成立,最早靠”大数据”起家——帮企业在云上存海量数据还能跑出飞快的分析。ChatGPT 出现之前,它头上贴的是”老牌 SaaS 明星”的标签。

    转折在于,它手里本来就躺着企业的核心数据,当各家开始想要”带企业级安全和治理的 AI”时,Databricks 几乎是顺水推舟接住了这波需求。它接二连三推出 AI 产品:

    • Lakebase:专为 AI 智能体打造的数据库
    • Unity:统一调度多家模型的 AI 网关
    • Omnigent:管理多个 agent 的”元编排”层

    开源模型成了它的省钱利器

    更妙的是,Databricks 成了企业拥抱便宜中国开源模型的一个标杆案例,尤其力推 Z.ai 的 GLM 5.2 做编程。上周 CEO Ali Ghodsi 把自己公司 3000 名工程师的真实 AI 成本 benchmark 晒了出来:在程序员实际干的活上,开源模型(尤其 GLM 5.2)现在已经能啃下最高难度的任务,而且总花费比 Anthropic 和 OpenAI 的闭源模型低。

    有个发现挺出乎意料:影响成本的除了模型本身,那层”harness”(包裹模型的智能体编程工具,比如 Codex 或 Claude Code)也同样关键。他们测下来,开源的 Pi 在管理上下文上特别能打,成本低还不掉质量。

    “模型选择只是拼图的一块,别把它当成全部。”——Ghodsi 的总结点破了一件事:省钱的胜负手,往往不在模型单价。


    这套”AI 公司”的人设,让 Databricks 的融资和估值一路坐上火箭。现在 AI 的光环有多强?连三明治店 Jersey Mike’s 在 IPO 文件里都提了 22 次 AI。这年头,沾上 AI 叙事,估值就能多飞一会儿。

    Databricks 估值随 AI 叙事飙升
    数据中心的钱,正随着 AI 叙事流向 Databricks 这样的平台(图源:TechCrunch)