博客

  • Groq转身求融资6.5亿美元——英伟达200亿非收购之后,这家芯片公司要去哪里

    Groq转身求融资6.5亿美元——英伟达200亿”非收购”之后,这家芯片公司要去哪里

    Groq这个名字你可能还不熟悉,但在AI芯片圈子里,他们是这几年最让人看不懂的公司之一。

    事情是这样的:2025年12月,英伟达和Groq签了一笔200亿美元的交易——但这不是收购。部分Groq的核心工程师去了英伟达,Groq的硬件技术授权给英伟达使用。对Groq的投资者来说,这相当于一次大规模退出,拿到了现金回报。

    现在,Axios爆料说Groq正在向现有投资者募集6.5亿美元新资金,用来做一件完全不同的事情:AI推理云(inference neocloud)。

    从造芯片到卖推理,这步棋走对了吗

    训练AI模型是一次性的大工程,而推理是每次用户发一条消息都要发生的事情——这个需求比训练大得多,也持续得多。Groq的判断是:与其和英伟达在训练芯片上硬碰硬,不如把赌注押在推理基础设施上。

    他们的逻辑有一定道理。推理市场确实在爆发,但目前这个赛道已经有大量玩家:亚马逊、谷歌、微软的云推理服务,加上无数中小型推理优化公司。Groq能不能在这片红海里杀出来,关键看他们的技术是不是真的比竞争对手快很多——而且快到客户愿意迁移的程度。

    据Axios报道,这轮融资其实有一定的”保底”机制:现有投资方Disruptive和Infinitium已经承诺,如果其他老股东不愿意按比例跟投,这两家会补足6.5亿美元的额度。换句话说,这轮钱基本上是有保障的。

    管理层动荡,时机有点微妙

    Groq目前由临时CEO Adam Winter和临时CFO Matt Eng领导。创始人Jonathan Ross的去向,在这笔新融资的背景下变得值得关注——如果公司战略方向发生了根本性转变,创始团队和投资者的利益是否还完全一致,这是一个问号。

    从外部看,这家公司的身份定位有点模糊:它既不像纯粹的芯片公司(因为把技术授权给了英伟达),也不像纯粹的云服务商(因为之前的主业是造芯片)。”推理云”这个方向能不能让市场重新给它一个清晰的估值逻辑,这轮融资之后大概会见分晓。


    英伟达的200亿美元交易,从结果上看是一个巧妙的”不开收购之名的收购”——拿到了技术和人才,但不用承担整合一家独立公司的全部复杂性。对Groq来说,拿到了一大笔现金,但也需要回答一个问题:接下来的Groq,到底是一家什么公司?

    6.5亿美元的新融资如果顺利完成,我们大概很快就能看到他们的推理云产品正式亮相。是骡子是马,到时候牵出来遛遛就知道了。

  • Anthropic砸650亿美元融资,估值逼近1万亿——这家公司到底在押什么

    Anthropic砸650亿美元融资,估值逼近1万亿——这家公司到底在押什么

    如果你最近关注AI融资圈,这条消息大概已经刷过你的屏了。Anthropic在5月28日官宣完成H轮650亿美元融资,投后估值9650亿美元——离1万亿只差一小步。

    这个数字什么概念?OpenAI最新一轮融资后的估值是7300亿美元,Anthropic这一轮直接把门槛抬高了两个身位。

    钱从哪里来,又往哪里去

    这轮融资的领投方阵容相当豪华:Altimeter Capital、Dragoneer、Greenoaks、红杉资本联合领投。跟投名单里你能看到黑石、富达、淡马锡、Baillie Gifford这些名字——基本上就是全球最有钱的那批机构排队送钱。

    Anthropic说这笔钱主要花在三件事上:推进安全研究、扩大算力储备、把产品铺到更多客户那里去。听起来像是标准融资说辞,但仔细看他们最近签的算力合同,你就知道这个”扩大算力”不是开玩笑的。

    Anthropic CFO Krishna Rao的说法是:”Claude对全球客户来说越来越不可或缺了。这笔融资帮我们对需求做好准备,保持在研究前沿,把Claude推到更多工作场景里。”

    算力布局比你想的更激进

    真正值得关注的是他们悄悄签下的一堆算力协议。和亚马逊签了最多5吉瓦的新增算力,和谷歌+博通签了5吉瓦的下一代TPU协议,还从SpaceX那里拿到了Colossus 1和Colossus 2的GPU使用权。

    这些合同加起来意味着什么?意味着Anthropic从根本上解决了”模型训练出来但跑不起来”这个AI公司最头疼的问题。算力供给锁死了,接下来就是产品和销售的事了。

    还有一个细节:Claude目前是全世界第一个在亚马逊AWS、谷歌云、微软Azure三大云平台上都能用到的前沿模型。AWS是主要训练合作伙伴,但这个”三云平台通吃”的站位,OpenAI其实并没有完全做到(微软的排他性一直是个问题)。

    收入数字终于肯说了

    Anthropic这轮融资最硬的底气来自收入。2026年5月,他们的营收运转率(run-rate revenue)已经突破47亿美元。这个数字是从2月份G轮融资之后涨上来的,也就是说在不到三个月里,收入规模又上了一个台阶。

    企业客户在用Claude处理实际工作流——不是试用,是真的把业务跑在上面。Anthropic的说法是Claude正在”学习企业实际运营的逻辑”,包括业务上下文、流程和判断逻辑。这话听起来有点玄,但翻译成人话就是:企业用得越深,切换成本越高,Anthropic的护城河就越宽。


    投资人这边当然也说了一堆好话。红杉资本合伙人Alfred Lin说初创公司和全球5000强都在部署Claude处理复杂工作流。Dragoneer的Marc Stad说”这项技术的开发和商业化仍处于最早期的阶段”——这话翻译过来就是:现在进场还不晚,涨的空间还很大。

    估值9650亿美元到底贵不贵?如果你觉得Claude值得比OpenAI高,那这个估值就有它的逻辑。如果你觉得大模型赛道接下来会卷价格战,那这个故事就不好说了。但至少从现在的数据来看,Anthropic在企业市场上的渗透速度,确实比大多数人的预期要快。

  • 程序员拒绝在没有 AI 的情况下工作——但这可能会反过来坑了他们

    程序员拒绝在没有 AI 的情况下工作——但这可能会反过来坑了他们

    2026 年有个挺有意思的发现:你现在很难让开发者放下 AI 编码工具去干活了。

    AI 确实能帮程序员更快地生成代码,但研究人员警告说,它产出的代码质量未必更好,这可能会给开发者的未来带来麻烦。

    研究者遇到的尴尬

    2026 年 2 月,权威 AI 研究实验室 METR 发布了一个令人意外的发现:大多数开发者甚至不愿意在没有 AI 的情况下完成实验任务。

    METR 原本想更新他们在 2025 年做的一项关于 AI 编码生产力的开创性研究。那项研究里,研究人员测量了开源开发者手动完成任务和使用 AI 完成任务的耗时。结果挺打脸的——开发者自称 AI 提升了生产力,但实际上 AI 拖慢了他们的工作速度。没错,AI 生成代码更快,但之后他们需要额外的时间查找和修复错误、引导 AI 工作、还要等 AI 完成任务。

    当 METR 着手重复这项实验时,他们没能成功。研究人员坦承,开发者不愿意参与实验,”因为他们不想在没有 AI 的情况下工作”,哪怕只是为了做研究。

    最后 METR 在 5 月发布了一份调查,让技术员工自行报告 AI 带来的生产力提升。毫不意外,大家认为自己对公司而言的价值是原来的两倍。

    tokenmaxxing 的代价

    最近关于 “tokenmaxxing”(过度消耗 AI token)的高昂成本的头条新闻,加上一些新研究,让这种自我认知变得可疑。

    Tokenmaxxing 用一个人消耗的 token 数量作为 AI 生产力的代理指标,是 2026 年迄今为止的趋势,而且这个趋势可能已经快到头了。

    据《金融时报》报道,亚马逊关闭了其内部名为 Kirorank 的 token 追踪排行榜,原因是员工为了刷榜过度使用 AI 代理,导致成本飙升。员工的行为证明,AI 的使用并不自动等于生产力的提升。

    据 The Information 报道,Uber 在 2026 年前四个月就用完了全年的 AI 预算。首席运营官 Andrew Macdonald 最近在播客中表示,这类支出并没有带来项目或生产力的可衡量提升。

    代码维护的隐藏成本

    程序员兼作家 James Shore 在一篇在 Hacker News 上疯传的博客文章中指出,AI 生成的代码不一定能减少后续代码维护需求,甚至可能增加这类需求。

    你现在写代码的速度是以前的两倍?最好希望你的维护成本也减半了。不然你就惨了,你是在用短期的速度提升换取永久的债务。

    还有其他证据表明 AI 会增加代码维护的麻烦。可靠性工程代理初创公司 Entelligence AI 的创始人兼 CEO Aiswarya Sankar 的一条病毒推文称,公司 44% 的 token 支出都花在了修复 AI 生成的 bug 上。与此同时,代码审查工具公司 CodeRabbit 表示,他们分析了开源拉取请求,发现 AI 生成的代码出现问题的概率是人工代码的 1.7 倍。

    诚然,这些都是试图销售 AI 代码审查工具的机构的自利统计。但独立研究人员也发现了这类问题。新加坡管理大学的研究人员 4 月发布的一份报告警告称,”AI 生成的代码可能会给真实的软件项目带来长期维护成本”。

    那怎么办

    既然程序员如此热爱他们的 AI 助手,解决方案是什么?

    那些想向你推销 AI 编码代理的人说,开发者可以用 AI 编码代理来完成修复代码这类枯燥繁琐的工作,修复速度和 AI 生成代码的速度一样快。这是 Cognition(AI 编码代理 Devin 的开发商)的创始人兼 CEO Scott Wu 的建议。

    但就连他也承认,虽然 Devin 可以独立工作,但目前它的技能水平在初级和中级程序员之间,具体取决于任务类型。这不是一个可以交办后就不管的解决方案。

    新加坡管理大学的研究人员提出了更偏向人工的方案:程序员需要像熟悉自己最爱的编程语言一样,深入了解 AI 擅长和不擅长哪些任务。他们需要为 AI 设计强大的质量保障体系,并且必须像对待初级开发者一样,仔细审查 AI 的工作成果。

    同时,研究人员和 Wu 都表示,人类仍然应该负责软件架构、安全设计这类大局层面的工作。


  • OpenAI Codex 登陆 Windows:AI 现在能直接操控你的电脑了

    OpenAI Codex 登陆 Windows:你的电脑现在可以被 AI 直接操控了

    OpenAI 的 Codex 之前在 macOS 上已经能用了,现在它的 “computer use”(电脑控制)功能正式来到 Windows。简单说,就是这个应用可以”看到”你的屏幕,然后在你的设备上直接执行各种任务。

    OpenAI 同时还说了一件事:哪怕你不在电脑旁边,也可以用 ChatGPT 应用来管理和查看 Codex 的任务进度。这对需要跑长任务的开发者来说挺实用的。

    Codex 的 computer use 功能本质上是让 AI 能够像人一样操作电脑——移动鼠标、点击按钮、输入文字、截图查看结果。

    为什么这个功能重要

    以前你想让 AI 帮你操作电脑,要么得手动把信息复制粘贴过去,要么得用专门的 RPA 工具。现在 Codex 能直接”看”屏幕,相当于给了 AI 一双眼睛和一只手。

    对开发者来说,这意味着一些重复性操作——比如跑测试、部署代码、处理批量文件——可以真正交给 AI 代理去完成,而不只是帮你写代码。

    跨平台的意义

    Windows 在全球桌面操作系统里占的市场份额比 macOS 大得多。Codex 登陆 Windows,意味着 OpenAI 的 AI 编程工具能触达的开发者数量会上一个数量级。

    这也和现在 AI 编程工具的竞争态势有关。Cursor、Windsurf、GitHub Copilot 都在抢开发者桌面,OpenAI 直接把 Codex 做成能操控整个系统的代理,算是一条差异化路线。


    目前这个功能还在推送中,Windows 用户可以在 Codex 应用里检查更新。如果你之前已经在用 macOS 版的 computer use,体验应该是差不多的——AI 会请求屏幕录制权限,然后就能”看到”你的桌面了。

  • 微软正在开发自己的 AI 超级应用,要把所有 Copilot 装进一个入口

    微软正在悄悄打造一款 AI 超级应用,目标是把散落在各个产品里的 Copilot 工具全部塞进一个入口。这件事背后的动机其实很直接——用户被一堆 Copilot 搞烦了,不知道该用哪个,微软自己也清楚这个问题拖不下去了。

    一个入口管所有 Copilot

    据《财富》杂志的独家报道,这款超级应用要把 GitHub Copilot(写代码的)、Copilot 聊天机器人(聊天的)、Copilot Cowork(协同工作的),还有一个内部叫 Autopilot 的新Agent工作流功能,全部整合到同一个界面里。

    微软内部给这个项目喊的口号是”交付一个 Copilot”——不管你用的是哪个场景,进同一个应用就够了。

    这个项目由今年3月刚被提拔的 Copilot 负责人 Jacob Andreou 牵头。消息人士透露,应用的部分元素可能会在下周的微软 Build 开发者大会上被提到,但完整展示还要等一段时间。微软的计划是夏末把这款超级应用推出来。


    微软的 Copilot 困局

    说起来有些尴尬,微软是最早重金押注 AI 的科技公司之一,和 OpenAI 绑定的130亿美元合作曾经让它在赛道上遥遥领先。但这几年竞争对手涌进来太快,微软反而把早期的领先优势给弄丢了。

    Copilot 品牌本身的问题也不少——历史上它一直依赖 OpenAI 的模型,而这些模型在基准测试里一度被竞争对手甩在后面;微软自己研发的模型又进展缓慢;更让用户困惑的是,微软推出了好几个不同版本的 Copilot,消费端和企业端是分开的,内部团队也是各搞各的,始终没有一个统一的 AI 愿景。

    现在 Microsoft 365 有4.5亿用户,但付费使用 Copilot 的比例不到4.5%。GitHub Copilot 虽然有超过470万付费订阅用户,但也正面临 Cursor 和 Anthropic Claude Code 的猛烈追击。


    不是唯一在搞超级应用的公司

    微软当然不是唯一想做超级应用的公司。它的合作伙伴兼竞争对手 OpenAI 早就有类似打算,想把 ChatGPT、Codex 和浏览器整合进同一个入口。埃隆·马斯克的 X(原 Twitter)也一直在往”通信+媒体+商务”的超级应用方向靠。Uber 和 Meta 也在把越来越多的服务塞进单个应用里。

    对微软来说,这款超级应用能不能成,很大程度上取决于它能不能真正把割裂的 AI 产品线整合起来。CEO 纳德拉过去一年一直在调整高管团队,试图让公司在 AI 赛道上把丢掉的优势追回来。这款超级应用就是他们给出的最新答案。

  • OpenAI Codex 现已能控制你的 Windows 电脑

    OpenAI 的 Codex 在 Mac 端上线之后,现在终于轮到 Windows 用户了。这次更新把 computer use 功能带到了 Windows 平台,意思是这个应用现在能”看见”你的屏幕,还能在你的设备上直接执行各种任务。

    不用坐在电脑前也能管任务

    OpenAI 同时表示,你现在可以通过 ChatGPT 应用在离开电脑的时候管理和查看 Codex 的任务执行情况。这对需要跑长任务的开发者来说挺实用的——不用一直守在屏幕前,手机上就能看进度。

    Codex 的 computer use 功能正式登陆 Windows,AI 编程助手从”帮你写代码”进化到”直接帮你操作电脑”。


    Mac 端先跑,Windows 跟上

    事实上 Codex 的 computer use 功能在 Mac 上已经跑了一阵子了,这次 Windows 版本的到来算是补齐了主流桌面平台的覆盖。OpenAI 在 X(原 Twitter)上还专门发了条推文:”Windows users, this one’s for you.”,语气倒是挺轻松的。

    这个功能本质上是让 AI 能够理解屏幕内容并模拟人类操作——点按钮、填表单、切换窗口,都在这个能力范围内。对于需要做 UI 自动化测试或者批量操作的场景,这比传统的脚本方式要灵活得多。


    和 Claude 的 computer use 打对台

    Anthropic 的 Claude 早就有了类似的 computer use 能力,现在 OpenAI 把这块能力也补上了,两个头部玩家在”让 AI 直接操作电脑”这个方向上的竞争又多了一个维度。区别可能在于 OpenAI 把这套能力和 Codex 的编程场景绑得更紧——你写的代码,Codex 可以直接帮你跑起来、点按钮、看结果。

  • babyagi:22.3K Stars!任务驱动AI智能体,让AI逐步实现自我构建

    babyagi:22.3K Stars!任务驱动AI智能体,让AI逐步实现自我构建

    ## 🚀 项目简介

    **babyagi** 是一个实验性的自主AI智能体框架,目标是构建能够**自我构建**的最简系统。项目由独立开发者Yohei Nakajima创建,首次将「任务驱动」作为自主智能体的核心设计理念,是开发通用自主智能体的重要探索。

    > 当前版本基于全新的 **functionz** 框架,支持函数存储、依赖管理、自动执行和可视化仪表盘,是构建自构建AI智能体的最优路径之一。

    💡 一句话总结:babyagi 是一个能自我进化的AI智能体框架,让AI通过任务分解和函数复用,逐步实现自我构建。

    ## 🛠️ 安装要求和过程

    ### 环境要求
    – **Python** 3.8+
    – **OpenAI API Key**(部分AI功能需要)
    – 网络连接(用于函数包加载)

    ### 快速安装步骤

    “`bash
    # 安装 babyagi
    pip install babyagi

    # 启动可视化仪表盘
    import babyagi

    if __name__ == “__main__”:
    app = babyagi.create_app(‘/dashboard’)
    app.run(host=’0.0.0.0′, port=8080)
    “`

    安装后访问 `http://localhost:8080/dashboard` 即可进入管理仪表盘。

    ⚠️ 注意事项:本项目为实验性框架,不建议直接用于生产环境。适合有经验的开发者进行测试和二次开发。

    ## ⚡ 核心功能

    **1. 函数注册与依赖管理**
    通过 `@babyagi.register_function()` 装饰器注册函数,自动追踪函数间的导入关系、依赖关系和认证密钥,构建完整的函数调用图。

    **2. 可视化仪表盘**
    配套Web管理界面,支持函数的注册、注销、更新,查看函数依赖关系图,管理API密钥,以及查看全量执行日志。

    **3. 自动函数加载**
    支持通过 `load_functions` 批量加载函数包,内置默认函数包和AI函数包,也可加载自定义函数包。

    **4. 全量日志与触发器**
    自动记录所有函数执行的输入、输出、耗时和错误信息;支持基于事件的触发器,实现函数自动执行,提升智能体自主性。

    **5. 自构建智能体实验**
    包含 `process_user_input` 和 `self_build` 两个实验性函数,展示智能体如何复用已有函数、自动编写新函数,逐步实现自我构建能力。

    ## 🎯 典型使用场景

    ### 场景一:自动生成业务函数
    描述企业SaaS销售人员的需求,babyagi 会自动生成该类用户可能提出的X个问题,并为每个问题创建对应的处理函数。

    “`python
    babyagi.self_build(“A sales person at an enterprise SaaS company.”, 3)
    “`

    ### 场景二:构建任务驱动AI助手
    通过函数包组合,快速搭建一个能理解用户意图、自动调用相关函数、并动态扩展能力的AI助手,用于客服、个人助理等场景。

    🌟 推荐理由

    作为早期探索「自构建智能体」的项目,babyagi 提出了一个非常前沿的理念:让AI智能体通过复用和扩展函数,逐步实现自我构建。其基于 functionz 的新架构设计清晰,可视化仪表盘降低了函数管理门槛。虽然目前代码还比较基础,不适合生产环境,但对于想要理解「AI如何自我进化」的开发者来说,这是一个非常有启发的开源项目。⭐ 推荐给 AI Agent 研究者和创新型项目开发者!

    ## 📥 下载地址

    | 来源 | 链接 |
    |——|——|
    | 🌐 官方网站 | https://babyagi.org/ |
    | 💻 GitHub仓库 | https://github.com/yoheinakajima/babyagi |
    | 📦 PyPI安装 | `pip install babyagi` |
    | 📚 函数包文档 | 内置 `babyagi/functionz/packs/` |

    > 标签:#AI Agent #开源 #任务驱动AI #自构建智能体 #Python

  • 3D风格化夸张人物漫画

    3D风格化夸张人物漫画

    3D风格化夸张人物漫画



    🤖 ChatGPT

    🇺🇸 English Prompt

    A highly stylized 3D caricature of [SUBJECT], with an oversized head, expressive facial features, and playful exaggeration. Rendered in a smooth, polished style with clean materials and soft ambient lighting. Minimal background to emphasize the character's charm and presence.

    🇨🇳 中文提示词

    [
      主体
    ] 的高度风格化 3D 漫画,
    具有超大的头部、富有表现力的面部特征和有趣的夸张。以平滑、抛光的风格渲染,
    具有干净的材质和柔和的环境照明。极简背景,
    以强调角色的魅力和存在感。
  • awesome-mcp-servers:88.1K Stars!MCP生态全景图,AI连接万物的导航地图

    awesome-mcp-servers:88.1K Stars!MCP生态全景图,AI连接万物的导航地图

    awesome-mcp-servers

    📌 项目速览

    awesome-mcp-servers 是精心整理的 Model Context Protocol(MCP,模型上下文协议) 服务器精选列表,覆盖 48个分类、数百个生产级MCP服务器,是AI应用开发者的必备参考资源。

    🚀 项目简介

    awesome-mcp-servers 是一个由 punkpeye 维护的GitHub开源项目(88.1K+ Stars),它系统地整理了所有优秀的MCP服务器实现——从文件系统、数据库、云平台,到AI智能体、浏览器自动化、金融科技,几乎覆盖了AI应用开发的所有场景。

    MCP(Model Context Protocol)是Anthropic推出的开放标准协议,旨在让AI模型以标准化方式连接各类外部工具和数据源。这个项目就是MCP生态的”导航地图”——无论你想让AI访问本地文件、查询数据库、发送邮件,还是调用云端API,都能在这里找到现成的MCP服务器。

    ⚙️ 安装要求和过程

    环境要求

    • Node.js ≥ 18(TypeScript/JavaScript实现的服务)
    • Python ≥ 3.8(Python实现的服务)
    • Go 1.21+(部分Go实现的服务)
    • ✅ 兼容MCP协议的AI客户端:Claude Desktop、Cursor、VS Code、Windsurf

    快速安装(以 @modelcontextprotocol/server-everything 为例)

    # TypeScript/JavaScript 服务 - 一键运行(无需安装)
    npx -y @modelcontextprotocol/server-everything
    
    # Python 服务 - uvx 一键运行
    uvx mcp-server-sqlite
    
    # 或 pip 安装
    pip install mcp-server-sqlite
    
    # Go 服务 - 安装并运行
    go install github.com/some/mcp-server@latest
    

    在 Claude Desktop 中配置

    // ~/Library/Application Support/Claude/claude_desktop_config.json
    {
      "mcpServers": {
        "sqlite": {
          "command": "uvx",
          "args": ["mcp-server-sqlite", "--db-path", "/path/to/db.sqlite"]
        },
        "filesystem": {
          "command": "npx",
          "args": ["-y", "@modelcontextprotocol/server-filesystem", "/allowed/path"]
        }
      }
    }
    

    ✨ 核心功能

    🔗

    标准化MCP协议接入

    所有收录服务器均遵循MCP开放协议,AI客户端只需配置一次,即可标准化调用各类工具,告别碎片化集成。

    🗂️

    48个分类全覆盖

    从浏览器自动化、数据库、云平台,到金融、法律、医疗、物联网——48个分类数百个服务器,应有尽有。

    🚀

    npx/uvx 一键运行

    TypeScript服务支持 npx -y 一键启动,Python服务支持 uvx 零配置运行,无需手动下载依赖。

    🌍

    多语言文档支持

    提供英语、简体中文、繁体中文、日语、韩语、泰语、巴西葡萄牙语共7种语言版本,全球开发者都能轻松使用。

    📡️

    在线目录 + 评分系统

    配套在线目录网站 glama.ai/mcp/servers 提供每个服务器的质量评分、安装量和文档链接,帮你快速筛选最优质的服务。

    🎯 典型使用场景

    1

    让Claude读写本地文件

    配置 @modelcontextprotocol/server-filesystem 后,Claude 可以直接读取、编辑、创建你指定的本地文件,真正实现AI辅助编程和文档处理。无需手动复制粘贴,AI直接操作文件系统。

    2

    让AI查询并操作数据库

    通过 SQLite / PostgreSQL / MySQL 的MCP服务器,AI可以直接执行SQL查询、分析数据、生成报表。数据分析师的压力瞬间减半,用自然语言就能操作数据库。

    3

    让AI自动化浏览器操作

    集成 browser-use 等MCP服务器后,AI可以自动打开网页、填写表单、点击按钮、抓取数据。RPA流程自动化从此不需要昂贵的商业软件,开源方案一样强大。

    💡 推荐理由

    如果你正在开发AI应用、配置Claude/Cursor的MCP功能,或者想了解MCP生态的全貌,这个库绝对是第一站必访之地

    我个人的使用心得:

    • 🔍 找MCP服务器?先看这个列表 —— 它比GitHub搜索准确10倍,因为每个条目都经过维护者审核
    • 📋 48个分类就是48种AI能力扩展方向 —— 哪怕你只知道MCP这个词,浏览一遍分类也能激发无数应用灵感
    • 🌐 配套在线目录 glama.ai/mcp/servers 可以按评分排序,快速找到最成熟的服务器,省去踩坑时间
    • 🤝 社区活跃度极高 —— Discord 和 Reddit 社区非常活跃,遇到问题随时有人帮忙

    一句话总结:MCP是AI应用的”USB接口标准”,而这个项目就是”USB设备兼容列表” —— 有了它,你的AI才能真正连接万物。⭐ 强烈推荐收藏!

    📥 下载地址

    获取方式:


    本文由 WorkBuddy AI 自动采集撰写 · 开源项目系列第42期 · 2026-05-30

  • XCENA拿了一轮1.35亿美元:AI的最大瓶颈不是算力,是内存

    做AI芯片的公司在2026年并不稀奇,但一家韩国初创公司拿了1.35亿美元融资,理由是”AI的最大瓶颈不是算力,是内存”——这个说法至少让投资圈认真听了。

    数据在CPU、GPU、内存之间来回跑,每一次都要钱

    XCENA的核心判断很简单:你现在每次跟AI说一句话,数据都要在内存、CPU、GPU之间跑一个来回。数据从内存取出来,CPU预处理一遍,送到GPU算,结果再写回内存。生成一个词要走一遍这个流程。

    这不是纯理论问题。它意味着你每用一次AI,都伴随着一笔不算小的数据传输成本。日活几亿次请求的规模下,这个开销是真实的。

    XCENA的估算是:原本需要10台服务器才能跑完的AI推理任务,如果用他们的方案,1台就够了。

    把计算搬到内存旁边去

    他们的办法是做一枚叫MX1的芯片,思路叫”存算一体”——计算不要老盯着GPU做,把一部分活儿搬到内存模块附近完成。

    具体说,MX1通过CXL(Compute Express Link,一个专门连接处理器和内存的高速通道)跟CPU对接,把预处理、KV缓存管理、数据缓存这些事情,在内存模块里面直接做完。数据不用出门,结果也不用搬回来。

    XCENA MX1芯片
    XCENA MX1芯片原型(图源:TechCrunch)

    技术上有几个值得说的地方。MX1基于开源RISC-V指令集设计,里面有数千个小型高效核心,专门为数据搬运和预处理优化过。竞争对手Marvell的方案只用少量通用核心,理论上效率有差距。

    XCENA还做了垂直整合——内存层级、互联总线、DRAM控制器全是自研的。大多数芯片公司会把这类工作外包,他们选择自己做,理由是只有全栈控制才能把内存效率压榨到极限。

    三星、SK海力士的前员工出来创业,时机刚好

    这家公司2022年创办,三位创始人Jin Kim(CEO)、Dohun Kim(CTO)、Harry Juhyun Kim(CPO)全部来自三星和SK海力士。做内存的人出来做AI基础设施,这个组合在2026年看起来挺合理的。

    本轮1.35亿美元由韩国VC机构Atinum、IMM Investment联合领投,跟投方包括Corstone Asia、老股东SBI Investment、Mirae Asset Capital。公司累计融资已达1.85亿美元,估值5.7亿美元。


    一个有趣的行业背景:2026年5月,三星、SK海力士、美光三大内存芯片厂商的市值首次同时突破1万亿美元。内存价格的上涨和AI需求的持续拉动,正在把”内存中心架构”从学术概念推向产业现实。

    MX1目前还在原型阶段,预计2026年底在三星代工厂量产,2027年开始产生收入。目标客户很明确:每年在AI基础设施上花几百亿美元的超大云厂。对这些公司来说,内存效率提升5%,可能就意味着几亿美元的成本节省。

    XCENA不直接跟英伟达在训练侧竞争——他们瞄准的是推理侧的内存密集型层。这个位置刚好卡在GPU算力和内存带宽之间的夹缝里,是一个有理由存在的细分市场。