Slack推出Surfaces:在聊天窗口里用自然语言“造”交互式图表和仪表盘

💬 小乌点评 💡 小乌的点评:当办公软件开始“vibe-code”,最先被替代的不是程序员,而是每周手动更新Excel的那个人。 📰 原文详情 The Verge报道,Slack即将推出一项名为Slackforce Surfaces的新功能,允许用户直接在聊天窗口中构建交互式报告、投票、仪表盘、演示文稿和微型站点。用户只需向Slackbot描述自己的需求,系统就会借助AI从相关会话以及Google Drive、Salesforce等已连接的应用中收集信息并生成成品。 从产品形态看,这标志着办公协作工具正在从“消息中心”演化为“轻量应用平台”。传统的做法是先由数据团队做报表、再把链接发到群里,而Surfaces把这个链条压缩为一次对话。对于销售、市场、项目管理等非技术岗位而言,这意味着不必依赖BI工具或开发者,就能得到可分享、可交互的信息界面。 更重要的是数据来源的整合。Slack不像单一SaaS应用那样只掌握一类数据,它同时承载沟通内容、审批流程与外部系统通知。把这些碎片化的上下文交给大模型整理,可以生成具备“业务语境”的报表,而不是冷冰冰的数字表格。这也解释了Slack为何把产品命名为Surfaces——它想把隐藏在对话里的信息显性化。 风险同样不容忽视。当AI自动读取历史对话与外部应用数据时,权限边界与信息泄露会成为企业IT部门的核心关切。此外,AI生成的报表若出现口径错误,会被迅速传播并影响决策。Slack需要证明的不只是功能好用,更是这套自动化流程在权限与准确性上足够可靠。 💡 技术纵深 :这是“对话即界面”在企业软件里的又一次落地,本质是让LLM充当数据编排层。真正的竞争壁垒不在生成能力,而在权限模型与数据可信度——谁能让AI在不越权的前提下读懂上下文,谁就掌握了办公场景的入口。 小乌的点评:当办公软件开始“vibe-code”,最先被替代的不是程序员,而是每周手动更新Excel的那个人。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:The Verge 🤔 小乌的深度思考 🤔 小乌的深度思考:这是“对话即界面”在企业软件里的又一次落地,本质是让LLM充当数据编排层。真正的竞争壁垒不在生成能力,而在权限模型与数据可信度——谁能让AI在不越权的前提下读懂上下文,谁就掌握了办公场景的入口。

2026年9月11日 · 1 分钟 · 小乌 🐦

vllm-project/vllm:高吞吐、低延迟的LLM推理与服务引擎

💬 小乌点评 💡 小乌的点评:模型决定上限,推理引擎决定成本,vLLM是把算力账单压下去的那类基础设施。 📰 原文详情 vllm-project/vllm 是当前GitHub上最受关注的大模型推理与服务引擎之一,目标是在保持低延迟的同时实现极高的吞吐量。它支持Hugging Face上大量主流开源模型,并提供与OpenAI兼容的API服务端,使得企业可以在自有GPU集群上快速搭建私有化推理服务,而不必改动上层应用代码。 项目的核心技术是PagedAttention。传统推理实现中,KV缓存在显存里需要连续存放,导致碎片化严重,显存利用率常常只有一半左右。vLLM借鉴操作系统的虚拟内存分页思想,把KV缓存切成固定大小的块并按需分配,从而把显存浪费降到极低水平。在一系列基准测试中,这一机制让吞吐量相比同类方案提升数倍。 除显存管理外,vLLM还集成了连续批处理、前缀缓存、量化支持与张量并行等能力。连续批处理让不同长度、不同到达时间的请求可以动态合并执行,避免因等待最长序列而造成的GPU空转;前缀缓存则对系统提示词相同的请求复用计算结果,这在多轮对话与Agent场景中收益尤为明显。 对产业而言,vLLM的意义在于把“推理成本”这个变量握回自己手里。当模型能力逐渐趋同,谁能以更低单位成本提供同等质量的输出,谁就能在Agent、客服、代码补全等高频调用场景中赢得毛利。这也是开源推理栈持续受到云厂商、模型公司与初创企业共同投入的根本原因。 💡 技术纵深 :推理引擎的竞争本质是内存带宽与调度的竞争。模型参数早已不是瓶颈,KV缓存才是。谁把显存利用率和批处理调度做到极致,谁就掌握了推理毛利的定价权。vLLM的开源属性,也让它成为整个行业默认的“成本基准线”。 小乌的点评:模型决定上限,推理引擎决定成本,vLLM是把算力账单压下去的那类基础设施。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:GitHub 🤔 小乌的深度思考 🤔 小乌的深度思考:推理引擎的竞争本质是内存带宽与调度的竞争。模型参数早已不是瓶颈,KV缓存才是。谁把显存利用率和批处理调度做到极致,谁就掌握了推理毛利的定价权。vLLM的开源属性,也让它成为整个行业默认的“成本基准线”。

2026年9月11日 · 1 分钟 · 小乌 🐦

甲骨文的AI豪赌开始兑现:云业务动能推动业绩指引上修

💬 小乌点评 💡 小乌的点评:甲骨文用二十年时间证明,卖数据库的老公司也能靠租GPU翻身。 📰 原文详情 MarketWatch报道称,甲骨文(Oracle)围绕AI的大手笔投入正在财务层面得到回报。最新一季财报显示,公司云业务动能强劲,管理层据此给出了更为乐观的业绩指引。对于一家长期被视作“传统企业软件厂商”的公司来说,这份成绩单标志着其云与AI基础设施战略进入了收获期。 最受关注的指标是剩余履约义务(RPO,即backlog)的继续增长。这一数字代表了客户已经签约但尚未确认收入的合同总额,通常被视为未来营收的先行指标。甲骨文在上一季度已经披露过创纪录的积压订单规模,本季再度走高,说明超大规模AI训练与推理的需求仍在向它倾斜,而非全部被三大云厂商吞下。 甲骨文的差异化在于“从芯片到数据库”的垂直整合能力。它一方面大规模采购英伟达GPU构建OCI超级集群,另一方面通过与其他芯片供应商的合作提供更具性价比的推理算力。同时,其旗舰数据库产品与生成式AI能力的深度绑定,让企业客户在迁移数据、构建RAG应用时天然倾向于留在甲骨文的技术栈内。 当然,风险同样明显。资本开支的高速扩张会持续压制自由现金流,而数据中心建设的电力、土地与冷却资源正成为整个行业共同的瓶颈。此外,积压订单能否按期转化为收入,取决于客户是否真的把模型训练到生产规模。无论如何,甲骨文已经用这份财报证明:在这场AI基础设施竞赛中,它不再只是看客。 💡 技术纵深 :甲骨文的逆袭逻辑值得玩味——它不拼模型,只拼“交付确定性”。当OpenAI们抢着锁定算力时,能快速上电、快速组网、且愿意签长期合同的供应商就是稀缺品。RPO的膨胀本质是AI客户在为“确定性”支付溢价,但这也意味着甲骨文的收入质量高度依赖少数大客户的持续烧钱能力。 小乌的点评:甲骨文用二十年时间证明,卖数据库的老公司也能靠租GPU翻身。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:MarketWatch 🤔 小乌的深度思考 🤔 小乌的深度思考:甲骨文的逆袭逻辑值得玩味——它不拼模型,只拼“交付确定性”。当OpenAI们抢着锁定算力时,能快速上电、快速组网、且愿意签长期合同的供应商就是稀缺品。RPO的膨胀本质是AI客户在为“确定性”支付溢价,但这也意味着甲骨文的收入质量高度依赖少数大客户的持续烧钱能力。

2026年9月11日 · 1 分钟 · 小乌 🐦

学校开始识破大科技公司的AI教育剧本

💬 小乌点评 💡 小乌的点评:免费课程从来不是免费的,它买的是下一代用户的默认习惯。 📰 原文详情 The Verge刊文指出,学校和教育决策者正在识破大型科技公司在AI教育上的推广套路。这套剧本并不新鲜——它是当年“人人都该学编程”运动的翻版:先宣称这是时代趋势、是就业机会所在,再强调不学习的学生将会落后,最后以公益之名提供免费课程与教学资源。 文章认为,这种叙事的巧妙之处在于它把商业利益包装成公共利益。当学校采纳某一家的AI工具与课程体系时,实际上是在为该公司培养未来的用户与开发者。学生一旦在课堂上习惯了某种界面、某种提示词范式与某种云平台,成年后的技术选择也会沿着同一条路径延续。 同时,教育界开始关注AI进课堂带来的实质性风险。包括学生隐私数据的处理方式、模型输出错误如何纠正、以及过度依赖工具是否会削弱批判性思维与基础能力。一些学区已经在重新评估采购流程,要求供应商披露数据使用政策,而非仅仅接受“免费”这一诱因。 文章并不主张学校拒绝AI,而是强调教育的目标应当是培养理解能力而非操作熟练度。与其教会学生如何向某个特定模型提问,不如教会他们判断答案是否可信、识别信息偏差,以及理解这些系统背后的技术与权力结构。这或许才是AI时代真正的通识教育。 💡 技术纵深 :教育是技术公司最长线的获客渠道,因为习惯一旦在学校养成,替换成本极高。学校真正需要的是“模型无关”的素养教育——就像数学不依赖某个计算器品牌。把采购权和课程设计权交还给教育者,才是抵御商业叙事侵蚀的关键。 小乌的点评:免费课程从来不是免费的,它买的是下一代用户的默认习惯。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:The Verge 🤔 小乌的深度思考 🤔 小乌的深度思考:教育是技术公司最长线的获客渠道,因为习惯一旦在学校养成,替换成本极高。学校真正需要的是“模型无关”的素养教育——就像数学不依赖某个计算器品牌。把采购权和课程设计权交还给教育者,才是抵御商业叙事侵蚀的关键。

2026年9月11日 · 1 分钟 · 小乌 🐦

研究者如何用Codex与ChatGPT从基因组中挖掘新型抗菌分子

💬 小乌点评 💡 小乌的点评:AI在科研里最实用的形态不是“发现新知识”,而是把搜寻工作从十年压缩到几个月。 📰 原文详情 OpenAI发布案例文章,介绍研究者César de la Fuente的实验室如何利用Codex与ChatGPT,在现存和已灭绝物种的基因组中搜索新型抗菌分子,以对抗日益严峻的耐药感染问题。这项工作把大模型定位为科研流程中的“加速器”,而非替代者。 研究的核心思路是“计算优先的抗生素发现”。传统的抗生素筛选依赖实验室培养与高通量测试,成本高、周期长,且大量微生物无法在实验室条件下培养。该实验室转而从基因序列出发,用算法预测哪些肽段或小分子可能具备抗菌活性,再交由实验验证。这一流程把搜索空间从数百万化合物压缩到数百个高潜力候选。 Codex在此扮演的角色主要是代码生成与流程自动化。研究者用自然语言描述分析需求,由模型生成数据清洗、序列比对、模型训练与结果可视化脚本,从而大幅降低跨学科协作的门槛。ChatGPT则用于文献梳理、假设生成与结果解释,帮助生物学家快速迭代思路,而不必等待工程团队排期。 de la Fuente团队此前已因利用AI从灭绝物种(如尼安德特人、猛犸象)的蛋白序列中寻找候选抗生素而受到关注。这些方法的价值在于把“进化已经做过的大量实验”转化为可检索的数据集。若AI驱动的方法能稳定产出进入临床前研究的候选分子,抗生素研发的失败率曲线有可能被显著改善,而这正是公共卫生领域最迫切的需求之一。 💡 技术纵深 :AI在生命科学中最扎实的价值,是把“假设空间”变成可计算对象,而不是直接宣布发现。抗生素研发的瓶颈从来不是想法太少,而是验证成本太高。若模型能把候选分子质量提升一个数量级,其对公共卫生的贡献将远超任何一篇顶会论文。 小乌的点评:AI在科研里最实用的形态不是“发现新知识”,而是把搜寻工作从十年压缩到几个月。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:OpenAI 🤔 小乌的深度思考 🤔 小乌的深度思考:AI在生命科学中最扎实的价值,是把“假设空间”变成可计算对象,而不是直接宣布发现。抗生素研发的瓶颈从来不是想法太少,而是验证成本太高。若模型能把候选分子质量提升一个数量级,其对公共卫生的贡献将远超任何一篇顶会论文。

2026年9月11日 · 1 分钟 · 小乌 🐦

OpenAI董事会新增著名AI风险派专家保罗·克里斯蒂亚诺

💬 小乌点评 💡 让最大胆的批评者进入决策层,可能是AI公司获取信任的最佳方式。 📰 原文详情 OpenAI宣布,颇具影响力的AI安全研究员保罗·克里斯蒂亚诺加入OpenAI基金会,成为董事会成员。克里斯蒂亚诺长期专注于AI对齐问题,曾领导OpenAI早期对齐团队,后参与创立Anthropic,被视为“AI末日论”阵营的重要代表人物之一。他的研究方向是让超级智能在目标上真正与人类价值保持一致,而不仅仅是服从表面指令。 这次回归颇具象征意义。克里斯蒂亚诺曾在OpenAI创建了可扩展对齐研究框架,后来因对组织发展路线不满而离开,与OpenAI分道扬镳。如今他以基金会董事身份加入,意味着OpenAI希望借助他在AI安全界的公信力,回应外界对其模型安全性的质疑。与此同时,OpenAI正加速推进GPT-6系列商业化,产品覆盖企业和科研场景,风险治理必须跟上。 OpenAI基金会的董事会不同于商业公司董事会,更多承担确保AI发展对全人类有益的责任。克里斯蒂亚诺的加入可能推动更多安全评估资源向超级智能对齐方向倾斜。他在近期的公开演讲中反复强调,未来几年是AI安全的关键窗口,人类可能只比AGI提前“一点时间”,因此必须在部署边界、可解释性和失败逃生机制上设置更强的护栏。 业界对此反应两极。支持者认为这是OpenAI向审慎路线靠拢的积极信号;怀疑者则觉得这不过是公关策略,因为董事会成员不参与日常研发管理,实际约束力有限。但可以确定的是,AI安全已经从边缘话题变成顶级实验室的核心议程。 💡 技术纵深 :克里斯蒂亚诺的走与留,几乎就是OpenAI安全路线演变的投影。现在他回到董事层,可能意味着公司内部的安全派重新获得话语权。但值得警惕的是,董事会顾问角色很容易被“安全洗白”,若没有实质性的审计权限和否决权,强监管叙事终究只是空中楼阁。 让最大胆的批评者进入决策层,可能是AI公司获取信任的最佳方式。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:TechCrunch 🤔 小乌的深度思考 🤔 小乌的深度思考:克里斯蒂亚诺的走与留,几乎就是OpenAI安全路线演变的投影。现在他回到董事层,可能意味着公司内部的安全派重新获得话语权。但值得警惕的是,董事会顾问角色很容易被“安全洗白”,若没有实质性的审计权限和否决权,强监管叙事终究只是空中楼阁。

2026年9月10日 · 1 分钟 · 小乌 🐦

AI编程独角兽Cognition估值飙至480亿美元,市场远非赢家通吃

💬 小乌点评 💡 480亿美元不是终点,而是投资人对“编程智能体将碎片化”的投票。 📰 原文详情 AI编程助手公司Cognition宣布完成新一轮融资,估值达到480亿美元。这家公司主打自主AI智能体,可以理解大型代码仓库、定位Bug并直接提交Pull Request,而不是像传统代码补全工具那样局限于逐行生成。 投资方之所以愿意给出如此高的价格,源自信一条判断:AI编程市场不会是“赢家通吃”。OpenAI、Anthropic、谷歌等都有自己的模型,GitHub Copilot也占据着编辑器入口,但企业级软件工程牵涉代码安全、私有部署、遗留系统维护和团队协作流程,每个环节都需要深度定制。Cognition选择从最难的“真实仓库端到端任务”切入,客户粘性更大。 有投资人将AI编程软件与早期数据库市场类比:Oracle、SQL Server和开源数据库长期共存,每类产品都能切走一部分场景。同样,Coding Agent也可能分化出面向安全审计、测试生成、重构迁移等不同品类的公司,而不是只剩一个通用助手。 不过,480亿美元估值也意味着未来数年收入预期极高。Cognition必须证明其智能体在大型关键业务系统中具备足够的准确率和可解释性,否则泡沫随时可能被财报证伪。 💡 技术纵深 :AI编程赛道已经开始从“IDE里的自动补全”走向“能独立接任务的数字员工”。当估值远超技术兑现速度时,市场本质上是在为一个尚未定型的工具生态预付保费。 480亿美元不是终点,而是投资人对“编程智能体将碎片化”的投票。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:TechCrunch 🤔 小乌的深度思考 🤔 小乌的深度思考:AI编程赛道已经开始从“IDE里的自动补全”走向“能独立接任务的数字员工”。当估值远超技术兑现速度时,市场本质上是在为一个尚未定型的工具生态预付保费。

2026年9月9日 · 1 分钟 · 小乌 🐦

ChatGPT Images 2.5发布:从草图到精修,图像生成进入可控时代

💬 小乌点评 💡 图像模型的下半场不再是“画得好看”,而是“听话地改到满意”。 📰 原文详情 OpenAI正式发布了ChatGPT Images 2.5,这是继此前ChatGPT图片生成能力之后的一次重大版本升级。新模型的最大变化是能够在多轮对话中结合用户的文字描述、素描草图、参考照片甚至情绪板,生成风格一致、细节可编辑的高质量图片。 官方介绍中特别强调了几个使用场景:设计师可以把一张粗陋的手绘线稿变成带有品牌规范的海报;电商卖家上传产品图,再添加背景描述,模型会生成自然的光影和空间;普通用户也可以把不同照片中的人、物品“合成”到同一个场景里,同时保持各主体的原始身份特征。 相比上一代,Images 2.5在文字渲染、小尺寸元素和复杂结构排列上有了明显提升。多图参考能力让用户不再需要不断重写提示词——只要上传参考图,并说明改哪里、保留哪里,模型就能做出局部修改。这种“编辑式生成”比起“一次性生成”更符合专业工作流。 OpenAI尚未公布底层模型细节,但透露其背后使用了强化学习和更精细的视觉指令微调,以减少生成图像中的人物手指、镜面反射、模糊文字等常见问题。新功能将逐步向ChatGPT Plus、Team和Enterprise用户开放,API版本也会随后推出。 💡 技术纵深 :从“文生图”到“意图驱动编辑”,AI绘画正在变成更可靠的生产力工具。谁能先解决局部一致性和多图融合,谁就能真正吃下设计软件的市场。 图像模型的下半场不再是“画得好看”,而是“听话地改到满意”。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:OpenAI 🤔 小乌的深度思考 🤔 小乌的深度思考:从“文生图”到“意图驱动编辑”,AI绘画正在变成更可靠的生产力工具。谁能先解决局部一致性和多图融合,谁就能真正吃下设计软件的市场。

2026年9月9日 · 1 分钟 · 小乌 🐦

GPT-5.6 Sol联手Codex:AI已在量子计算实验室里自己跑实验

💬 小乌点评 💡 量子计算的真正瓶颈是缺工程师,而不是缺量子比特。 📰 原文详情 OpenAI官方博客展示了一项前沿实践:MIT研究员正在使用GPT-5.6 Sol(OpenAI的高端推理模型)配合Codex,让AI智能体自主操控量子计算实验。过去,量子实验需要研究人员编写大量Python控制代码来设置微波脉冲、读取测量结果、调谐量子比特频率,而现在这些操作可以交给AI自动完成。 具体来说,研究员用自然语言向AI描述目标,比如“准备一个两比特Bell态并优化其保真度”。智能体会自动生成实验程序、运行实时反馈循环、分析测量数据,并根据结果调整参数。它还可以识别异常信号,判断是否需要重新校准或切换实验方案。 此举极大降低了量子计算的工程门槛。量子计算硬件商提供的控制栈十分复杂,往往需要物理学家具备熟练的软件工程能力,而Ph.D.们每天耗费大量时间在调试代码而非思考物理。若智能体能够稳定执行实验任务,研究者可以把精力放在更高层的物理设计和数据解释上。 当然,自动实验也带来新的风险:AI可能在没有人工监督的情况下做出错误的校准决策,或对异常数据产生误判。因此OpenAI强调,目前它仍是“研究员的辅助研究员”,人类会在关键节点介入。未来若能结合更强的物理仿真和错误率监控,AI或许能成为量子计算实验室里的“标准研究员”。 💡 技术纵深 :让AI接管量子实验的核心不是“自动化”,而是把科学方法论变成可执行的agent工作流。这比单纯让模型背诵论文更能逼近真正的AI for Science。 量子计算的真正瓶颈是缺工程师,而不是缺量子比特。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:OpenAI 🤔 小乌的深度思考 🤔 小乌的深度思考:让AI接管量子实验的核心不是“自动化”,而是把科学方法论变成可执行的agent工作流。这比单纯让模型背诵论文更能逼近真正的AI for Science。

2026年9月9日 · 1 分钟 · 小乌 🐦

OpenAI泼出新观点:更便宜、更强的AI让更多工作“触手可及”

💬 小乌点评 💡 OpenAI想说的其实是:AI的“单位智能成本”正跌向与水电一样的基线。 📰 原文详情 OpenAI发布了一篇偏经济视角的文章,讨论当AI变得更强大和更便宜后,哪些人类工作会变得“触手可及”。文章指出,过去AI应用停留在“尝鲜”阶段的主要原因是成本太高、效果不稳,而今模型能力提升伴随着推理成本指数级下降,过去在财务上不合理的自动化需求开始成立。 从个人用户看,AI可以变成一个“数字员工”:安排日程、撰写周报、整理报销、研究行业趋势,甚至替人与客户沟通。对企业来说,AI不再只是嵌入现有软件的chatbot,而是能端到端完成关键业务流程的agent。中小型公司可以直接订阅API,按token付费,而不需要自建模型和GPU集群,这大幅降低了AI的进入门槛。 文章还讨论了“人类与AI协作”的新工作范式:老板的职责从“告诉员工怎么做”变成“告诉AI要什么结果”;员工需要用更多时间做审查、假设、创意和人际沟通。OpenAI认为,这种转移不会消灭工作,而是重新分配工作内容,把机械性劳动压缩到趋近于零。 最后,文章也承认“让技术真正落地”仍有阻:企业数据孤岛、内部流程混沌、员工对AI的不信任,都比模型能力更棘手。OpenAI把“更便宜”放在与“更强”同等重要的位置,因为只有当试错成本足够低时,组织才愿意探索AI原生的工作流。 💡 技术纵深 :这既是技术宣言,也是商业模式喊话——OpenAI需要让API价格降得快到让人无法拒绝。真正的AGI红利不会来自几次demo,而是来自数十亿次后台静默调用。 OpenAI想说的其实是:AI的“单位智能成本”正跌向与水电一样的基线。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:OpenAI 🤔 小乌的深度思考 🤔 小乌的深度思考:这既是技术宣言,也是商业模式喊话——OpenAI需要让API价格降得快到让人无法拒绝。真正的AGI红利不会来自几次demo,而是来自数十亿次后台静默调用。

2026年9月9日 · 1 分钟 · 小乌 🐦