How-To Geek 一位长期维护 Home Assistant 服务器的撰稿人发现，AI 给的方案往往过度复杂：有人只是想搭个全屋去广告，AI 却建议买两台设备各跑一个 Pi-hole，再用 Nebula Sync 做同步。对新手来说，这完全是杀鸡用牛刀——大模型既学过小型家庭实验室，也学过大量企业级方案，给出的答案常常偏向后者。

一、给 AI 加上”简单优先”的约束

提问时不要只说”要搭个 XX”，而是明确压低复杂度。可以在提示词里加上下面任意一句：

1. 请给出最简单可靠的方案
2. 除非必要，不要新增软件
3. 给纯新手最简单的方案
4. 最快达成目标的方法是什么
5. 只给让它能跑起来最少步骤

复杂度更多取决于你怎么问，而不是用了哪个模型。加上约束后，AI 通常会收敛到单台 Pi-hole、AdGuard Home 这类轻量方案。

二、强制 AI 先联网搜索，别让它凭记忆瞎猜

遇到具体故障，AI 容易钻牛角尖，让你跑一堆无关测试。解决办法很简单：第一条提示词就让它”去查一下”。它往往能在论坛或 Reddit 帖子里找到别人解决过同类问题的现成方案，省下大把试错时间。

三、不要接受第一个答案，要求”二次意见”

如果方案看起来还是复杂，让 AI 重来一次或重新评估方案。可以输入：把提问者当成完全的家庭实验室新手，想用最快最省事的方式搭建，请批评你上一条方案，并给出改进或替代方法。这样常能逼出更简洁的版本。

注意事项

最终仍需自己判断方案是否合适——你对家庭实验室了解得越多，越容易看出 AI 的方案是否恰当。约束、二次意见都只是辅助，关键还是动手前多想一步。

来源：How-To Geek

8 月初，美国加州山景城的计算机历史博物馆迎来了第 27 届 Vintage Computer Festival（复古电脑节）。超过 3500 名爱好者涌入会场，庆祝苹果公司成立 50 周年。联合创始人史蒂夫·沃兹尼亚克和罗纳德·韦恩登台回忆创业初期——那时苹果还只是由已故史蒂夫·乔布斯带领的一家草根初创公司。

西雅图工程师的 200 台收藏

软件工程师 Josh Dersch 从西雅图驱车前来，带来了他收藏中的镇馆之宝：一台 Xerox Alto。

这台机器被称为「现代计算机之父」，诞生于 20 世纪 70 年代的施乐帕洛阿尔托研究中心（PARC）。它是世界上最早配备鼠标和图形用户界面（窗口、图标、光标）的计算机之一，这些设计后来成为行业标准，并深刻影响了乔布斯和比尔·盖茨早期产品的方向。

Dersch 花了数年时间才将这台 Alto 修复到可运行状态。他的展品包括完整的 Alto 工作站——方正的竖屏显示器、厚重的键盘和鼠标，以及像披萨一样大的旋转磁盘（按今天的标准只能存储极少量的数据）。Dersch 估计自己在西雅图的家中收藏了超过 200 台古董电脑和设备。

「理解事物的起源一直让我着迷，调试和修复是一种有趣的挑战。你可以从头到尾理解整个系统。」Dersch 说。

从 150 台到「断舍离」

Vintage Computer Federation（复古电脑联合会）主席 Erik Klein 曾是一名狂热的收藏者，最多时拥有 150 台完整的电脑系统——包括配件、文档和包装，塞满了家里的衣柜和车库。最终，这份爱好变成了负担。「它成了我的累赘，我担心这会给家人带来压力。」Klein 开始出售和赠送自己的机器，直到家里只剩下少数几件心头好。

如今 Klein 把热情投入到组织节日、维修工作坊、交换集市等活动中。联合会在美国和加拿大举办官方活动，还帮助阿根廷、德国和瑞士的团体发起了类似聚会。

收藏圈的起点与成长

Sellam Ismail 于 1997 年组织了第一届复古电脑节，当时只有约 150 名业余爱好者参加，场地设在旧金山以东。他独立运营该活动长达十年，后来参与创立了 Vintage Computer Federation。

Ismail 回忆道：「社区逐渐成熟。越来越多的人开始接触旧电脑、收藏旧电脑。明年就是 30 周年了，我相信这个趋势还会继续扩大。」

收藏热潮也反映在二手市场上。Klein 指出，稀有且具标志性的电脑——比如苹果公司的第一款产品 Apple-1——成交价已达数十万美元。收藏者们将自己精心修复到原始工作状态的电脑系统带到现场，让人们可以亲手操作那些远在互联网、社交媒体和 AI 改变世界之前诞生的机器。

中国市场的平行热潮

值得注意的是，类似的「复古电子」消费浪潮在中国市场同样存在。据艾媒咨询数据，2025 年中国复古经济市场规模达 3552.5 亿元，同比增长 11.7%，预计 2030 年将突破 5878 亿元。CCD 相机、翻盖手机、MP3 播放器等「电子小垃圾」在闲鱼等二手平台上价格飙升，部分机型涨幅达数十倍。年轻消费者并非出于怀旧，而是将这些功能单一的设备视为对抗算法疲劳的情绪出口。

当科技产品走向功能过剩的拐点，「少即是多」或许正在成为一种跨越国界的消费哲学。

来源：美联社（AP）/ Terry Chea

How-To Geek 撰稿人 Adam Davidson 分享，一个开源工具能让 AI 直接”看懂”画面，并用大白话描述出来。这个工具叫 LLM Vision，是一个免费开源的 Home Assistant 集成。它不替代 Frigate 这类本地录像与物体识别系统，而是叠加在上面：物体识别只告诉你”检测到一个人”，LLM Vision 则能进一步说清这个人在做什么、有没有拿包裹、往哪个方向走、穿着什么。它支持静态图片、视频片段、实时画面，也能直接分析 Frigate 事件。

一、在 Home Assistant 里安装

1. 打开 HACS（Home Assistant 社区商店），搜索并下载 LLM Vision。
2. 进入 设置 → 设备与服务 → 添加集成，搜索并选择 LLM Vision。
3. 在 Provider（服务商）下拉菜单里选择要用的 AI，并填入对应的 API Key。

二、选对 AI 服务商：云端还是本地

1. 云端可选 OpenAI、Anthropic、Google、OpenRouter、Groq 等；多数按次计费，其中 Groq 提供一定的免费额度。
2. 注意隐私：用云端等于把家里的画面上传到第三方服务器。
3. 想让画面不出家门，可指向本地模型——用 Ollama、Open WebUI 或 LocalAI 运行本地模型，分析全程在自家硬件完成。
4. 硬件较弱也别灰心，可试试测试版的 Glimpse-v1：一个 40 亿参数的轻量开源视觉模型，专为小内存设计，能在 Ollama 里运行。

三、用自然语言提问，做更聪明的自动化

1. 传图片或视频给 LLM Vision 时，可附上自己的提问，例如”快递员把包裹放哪了”，收到的通知就会是”快递员把包裹放在了前门花盆后面”。
2. 自动化可以基于”语境”而非单纯的动作触发：比如有人拿着传单走到门口、又空手离开，就不推送通知，免得被垃圾广告打扰。
3. 倒垃圾前一晚，可让它看看垃圾桶是否已摆到门口，甚至分辨是蓝色回收桶还是黑色垃圾桶。
4. 仪表盘可添加 Timeline Card，回看最近被分析和记录的事件，例如上次猫出现的时间、包裹送达的时刻。

注意事项

• LLM Vision 本身不做 AI 运算，只负责把画面转交给所选模型，响应的质量与速度取决于模型和硬件。
• 在意隐私的家庭，优先选择本地模型方案，让画面始终留在家中。

来源：How-To Geek

三步把标注盘活

先把标注弄出来。Kindle 的标记默认全堆在 My Clippings.txt 里，按书排序、彼此没联系；通过 USB 拷出来，或走 Amazon 账户导出都行。然后把它作为「来源」上传到 Gemini Notebook，它不再是清单，而成了能检索的数据库。最后直接用提问去翻：哪本书里我反复标了「自律」？把某段观点整理成一张复习卡？Basu 说，一个提示词甚至能「诊断」出你潜意识里的执念。

我的判断是：这比再买一个 Readwise 订阅值，因为你问的每一句，都是对自己读过的东西在二次消化。

国内也能照做

Gemini Notebook 在部分地区访问不便，但思路通用——豆包、通义、Kimi 这类带「知识库 / 笔记本」的 AI 工具，都能当同一个角色：把标注文件喂进去，用中文提问。重点不是某个 App，而是把「划过就忘」变成「随问随答」。

说白了，读过的书别让它在文件里吃灰，让 AI 替你把它们重新读一遍。

来源：MakeUseOf

从基因组语言模型到活的病毒

主导这项研究的，是斯坦福大学化学工程学者 Brian Hie 及其团队。他们借助 Evo1 与 Evo2 两套「基因组语言模型」来设计噬菌体的完整基因组——这两套模型可以视作生物版本的聊天机器人大模型，只不过它们学习的是 DNA 序列而非人类语言。

训练数据来自约 200 万条噬菌体基因组。研究者在训练时有意排除了能够感染植物、人类及其他动物的病毒序列，以降低模型产出危险病毒的风险。AI 据此生成了数千个候选基因组，研究者从中挑出近 300 个在实验室里合成，并注入细菌，由细菌「照单生产」出新的噬菌体。

这个过程效率并不高：最终只有 16 个噬菌体被证实可以存活，但把它们混合后，却迅速突破了两种耐药大肠杆菌菌株的防线。研究团队在论文中写道，能够「快速设计」基因组并针对特定菌株进行微调、同时克服耐药性的能力，有望「重塑噬菌体疗法」，并拓展整个生物技术的工具箱。

生物安全警钟同时敲响

在论文配发的评论文章中，约翰斯·霍普金斯大学健康安全中心的 Tom Inglesby 与 Moritz Hanke 两位学者强化了警告：「虽然这对生命科学研究充满希望，但它同样提出了紧迫的生物安全与生物防御问题。用生成式 AI 拼装病毒基因组的能力现在已经存在，而安全引导它的治理机制还不成熟。」

这样的基因组可能编码出新型病原体，而现有手段无法将其控制。

研究者自己也在论文中承认，这项工作带来了「重要的生物安全、生物防护与生物防御考量」，并呼吁所有设计完整基因组的人「在整个项目过程中都要咨询安全与防御专家」。

伦敦帝国理工学院的 Tom Ellis 教授认为，这项研究确实令人印象深刻，但也暴露出设计更复杂基因组有多难：「这可以说是最小、最容易造的基因组。」他同时提醒，一个在危险病原体基因上训练出来的 AI 确实可能被用来设计更有害的病毒，但控制基因数据访问、对疑似危险的基因组设限会有帮助。不过他也直言，比起用 AI 从零写病毒，直接拿现成病原体做「功能增益」式改造要容易得多，那才是更现实的危险。

伦敦国王学院的 Filippa Lentzos 则把视线拉到更宏观的治理层面：「最重要的是在 DNA 被制造的那一刻介入。」她主张分层监管：模型开发与访问要设防、研究评审要尽责、合成环节要筛查，再加上实验室层面的生物安全规范。

这场研究与警示，恰好把「AI 能力跑在治理前面」的命题摆上了台面：当设计病毒基因组的门槛因 AI 而骤降，如何让它止步于治病而非造病，正成为科学界与监管者必须共同回答的问题。

来源：The Guardian、Science

三大增长引擎：GPT-5.6、ChatGPT Work 和 Codex

弗里亚尔和泰勒在会上把这轮增长归因于三条主线：GPT-5.6 系列模型的发布、面向企业的新型智能体产品 ChatGPT Work，以及 AI 编程工具 Codex 采用率的持续攀升。

泰勒在会上坦承，OpenAI 在编程市场曾一度落后于 Anthropic，需要奋起直追，但他对 Codex 当前的增长势头感到鼓舞。”你会看到，那些深度使用 Claude Code 的用户，最终面临高额账单，开始寻找替代方案。”泰勒说。

据 The Information 今年 3 月援引知情人士的报道，OpenAI 的年化收入当时已突破 250 亿美元。此后随着 Codex 的爆发式增长，收入曲线明显变陡。

高调秀肌肉背后：8520 亿美元估值需要证明

这场内部喊话的时机颇为微妙。OpenAI 正面临来自 Anthropic、谷歌以及一批低成本开源模型的多线竞争，公司需要向员工传递业务健康的信号，更需要向外部投资者证明其高达 8520 亿美元的估值站得住脚——OpenAI 和 Anthropic 都已在今年 6 月向美国证券交易委员会（SEC）秘密提交了 IPO 文件，但两家都尚未公布具体上市时间表。

竞争对手的追赶速度不容小觑。Anthropic 今年 5 月宣布其年化收入运行率已突破 470 亿美元，远高于 2025 年全年约 100 亿美元的水平，主力功臣正是广受开发者欢迎的 Claude Code。泰勒也在会上承认，Anthropic 今年”开局强劲”。

开源阵营的压力同样真实。本月早些时候，中国 AI 公司月之暗面发布了 Kimi K3，并在部分基准测试中超越了 OpenAI 与 Anthropic 的最强系统，以远低于闭源模型的成本提供接近的能力。

收入要撑起 6000 亿美元的算力野心

对 OpenAI 而言，收入增长不仅关乎面子，更关乎生存。公司今年 2 月告诉投资者，计划到 2030 年累计投入约 6000 亿美元用于算力建设。据 CNBC 本周早些时候的报道，OpenAI 目前正与英伟达就一笔高达 2500 亿美元的资金支持进行谈判，用于在美国俄亥俄州租赁一座大型 AI 数据中心。

庞大的基础设施开支主要依赖外部资本输血，这意味着 OpenAI 必须持续吸引企业客户和开发者、把收入曲线拉得更陡，才能让这场豪赌继续下去。7 月的成绩单，正是这场资本叙事里最新的一块拼图。

来源：CNBC 报道，部分内容综合华尔街见闻、新浪财经等公开报道

AI 擅长找规律，人负责下判断

核心结论其实很朴素——AI 极其擅长发现模式，但真正的解读仍依赖人类洞察。用一篇由都柏林城市大学研究者撰写、经 Ars Technica 转载的分析文章的话说：AI 没有想法，工程师才有；AI 扮演的角色是研究助理，而不是破译者。

换句话说，AI 是给语言学家”超级充电”的直觉放大器，把原本需要数月乃至数年的人工交叉比对，压缩到几分钟之内。它可以扫描整个语料库、指出人类肉眼容易忽略的重复序列、预测残损铭文中缺失的字符，甚至在已知语族的前提下做”跨语言迁移”。但统计模式匹配无法凭空制造含义，这是它的硬天花板。

线形文字 A：一场仍在审查中的豪赌

最典型的例子是线形文字 A（Linear A）。它是青铜时代克里特岛米诺斯文明的书写系统，被语言学家称为”语言隔离体”——与任何已知语言都没有确认的亲缘关系，既没有像罗塞塔石碑那样的双语对照文本，也没有已知的”锚”语言。更麻烦的是，它全部存世的文字大约只有 7500 个字符，少到几乎任何假设都能找到零散的支撑证据。

2026 年 6 月，一名自学成才的 AI 工程师兼业余语言学家声称取得了突破。他的起点是一个猜测：某段祈祷铭文里的一个未知单词，可能源自意为”居住”的闪米特词根。他编写 AI 脚本，用这个音位模式去测试整个线形文字 A 语料库，最终自称给 40 个符号赋予了读音，并编出了一部 408 词的词典，进而认为线形文字 A 是闪米特语族（含希伯来语、阿拉姆语等）的一个已灭绝成员。

这一主张目前仍在审查中。问题在于：语料实在太小，结论很容易陷入”伪证”风险——你先有了一个想法，AI 帮你找到支持它的碎片，但碎片不等于真相。

伊特鲁里亚语与乌加里特语：两种命运

同样缺乏”锚”的还有伊特鲁里亚语（Etruscan）。它是罗马帝国兴起前在意大利使用的语言，今天只从短小的葬礼铭文中收集到部分词汇，语法和深层含义至今仍困扰着学者。AI 在这里同样只能充当模式测试的辅助，谈不上完整破译。

真正成功的先例出现在乌加里特语（Ugaritic）身上。这是一种约公元前 1300 至 1190 年用于今叙利亚乌加里特城的灭绝闪米特语。研究者采用”跨语言迁移”的方法：在已知语族的前提下，用训练好的模型去推断相近的未知语言模式——就像懂了西班牙语，再去猜葡萄牙语。麻省理工学院（MIT）早在 2020 年就报道过，这套思路已经成功应用于乌加里特语等古文字。

缺了”锚”，算力也无能为力

两类案例放在一起，规律就清楚了：只要存在可靠的”比较锚”——无论是已知的亲属语言，还是双语对照文本——AI 就能把人类的假设快速放大、验证；而一旦锚缺失或残缺，再强的算力也无法无中生有地制造意义。

这也解释了为什么破译领域至今仍依赖独立专家审查和同行评议，而不是统计置信度打分。必须分清两件事：”AI 发现了某种模式”不等于”AI 找到了正确的含义”。

回到线形文字 A 和伊特鲁里亚语：在出现可靠比较锚之前，AI 在这一行的角色，注定还是那个”非常快的老谜题人类助手”。它能大幅降低参与的门槛、压缩验证的时间，却破不开最后那道需要人类直觉与严格审查共同把守的门。

来源：Ars Technica（转载自 The Conversation，作者 Jane Adkins，2026 年 7 月 29 日）

谷歌于 7 月 23 日发布了名为 ATLAS（活动、任务、图景与采用研究）的首份报告。这项研究分析了今年 4 月 6 日至 19 日两周内，Gemini 应用、搜索 AI 模式和 Gemini API 三个产品线上共计约 1465 万次经过去标识化处理的人机交互，覆盖超过 150 个国家、140 种语言、800 种职业和 4000 项具体工作任务，是目前观察真实 AI 使用情况样本量最大的一次研究。

用得很广，但用得很浅

研究发现，AI 的职业渗透面已经相当惊人：Gemini 的工作类使用覆盖了约 68% 的职业类别，这些职业合计占美国就业人口的约九成。从写字楼到修理厂，几乎各行各业都有人在用 AI。

但「广」的另一面是「浅」。在一份典型工作中，AI 平均只被用于约 21% 的任务；而在工作相关的交互里，试图让 AI 完全自动化完成任务的不足 10%。绝大多数交互属于协作性质——查资料、起草文稿、头脑风暴、排查技术故障、学习新技能，最终的判断和决策仍然由人来做。

谷歌技术与社会团队的经济学家斯科特·斯特兰德对此的总结是：AI 的采用「非常非常广泛，触及了大量职业」，但同时「也非常浅」。研究团队打了一个形象的比方：AI 目前的角色更像测量员手里的激光水平仪——让工作干得更快更准的工具，而不是顶替工作的人。

蓝领用户超出预期，86% 的使用与工作无关

报告中一个出人意料的发现是蓝领群体的活跃度。电工用 AI 查接线图，汽修技师用 AI 解读检测结果、排查电路故障、检查机械磨损。这类体力和技术工种的从业者使用多模态 AI（图像、视频分析）的频率是其他用户的两倍。

另一个数字同样值得注意：所有交互中超过 86% 与工作无关。人们更多在生活场景中使用 AI——研究要买的商品、学用家电、管理家庭预算，以及处理税务、证照、罚款等繁琐的行政事务。研究认为，这部分价值很难体现在传统经济统计指标中。

收入与使用强度也呈明显正相关：职业收入中位数每高 1%，AI 使用量相应高出约 2.68%。按就业人数加权，研究覆盖的美国用户年薪中位数为 62252 美元；但若按 AI 对话量加权，这一数字升至 82919 美元——高收入、从事复杂认知工作的人群目前用得最多。

结论有边界，但信号很明确

研究团队也坦承这项研究的局限。首先，数据不含 Gemini Enterprise 和 Google Workspace 等企业级产品——谷歌不保留这些产品的使用日志，因此企业内部的自动化程度可能被低估。其次，报告只是特定时间段的快照，无法预测 AI 能力增强后就业市场会如何演变。

值得一提的是，这一结论与 Anthropic、OpenAI 此前发布的同类研究方向一致，只是 Anthropic 报告的自动化比例略高。人力资源巨头德科集团近期也表示，不认为 AI 会引发就业崩塌，技术更可能重新定义岗位职责，企业应把精力放在员工技能重塑上，而不是简单裁撤入门级岗位。

至少从这份 1465 万次交互的大样本来看，当下的 AI 更接近一位随叫随到的助手，而非批量上岗的替代者。

来源：谷歌官方博客、Axios、IBTimes

刷到心动片段，一键跳转正片

打开 HBO Max，底部导航栏会多出一个”Shorts”图标，点进去就能刷到预告片、剧集高能片段和各类独家花絮。系统会根据每位用户的观看历史进行个性化推荐；刷到感兴趣的内容，用户可以立即跳转观看完整正片，或先加入”我的片单”稍后再看。该功能目前正面向美国部分 iOS 用户测试，后续将扩展至更多设备和市场，体育类短视频也在计划之中。

值得注意的是，HBO Max Shorts 并非原创内容，而是把现有片库里的节目剪辑成竖屏格式，目的是把用户引向长视频消费——换句话说，HBO 并不打算下场做竖屏短剧。事实上 Netflix、Disney+ 和 Peacock 此前都已推出类似的竖屏信息流功能，HBO Max 此番跟进，补齐的是流媒体大战中”内容发现”这块拼图。

AI 选片段，真人做把关

这套功能背后是华纳兄弟探索自研的一款 AI 工具：通过机器学习算法扫描场景级元数据，从数千小时的影视内容中筛选出最抓人、最具视觉冲击力的片段，再由人类编辑做最终把关，选中的片段会被处理成竖屏格式送入信息流。HBO Max 机器学习工程高级副总裁迪普娜·德夫卡尔表示：”我们很高兴用 AI 加速这些片段的制作，并期待快速扩展，让更多精彩内容通过这个新功能被发现。”

与 Shorts 一同亮相的还有另一项测试功能”Ask HBO Max”：用户不必输入刻板的关键词，直接用自然语言提问即可搜片，比如”想看部喜剧””一家人鸡飞狗跳的剧”或”适合闺蜜之夜的电影”。华纳兄弟探索产品管理执行副总裁莉泽尔·基普表示，这两项功能”把用户每天熟悉的操作习惯，转化成了发现内容的新方式”。

短剧式的碎片化观看正在全球流行，当好莱坞老牌巨头也开始”刷短视频”，长视频与短内容的边界，恐怕会越来越模糊。

来源：Hollywood Reporter

门槛比想象中低

整个过程不需要任何编程经验。在 AI 对话窗口输入一句”想做一个 Chrome 扩展，用来……”，把需求描述清楚即可。AI 会主动追问细节、提醒可能的限制，然后生成全部代码；后续想调整，继续对话就行。David Nield 用的是 Claude，但 ChatGPT、Gemini、Copilot 同样能胜任，免费版就够用。

安装也只有三步：在地址栏输入 chrome://extensions 打开扩展页，开启右上角的”开发者模式”开关，再点”加载已解压的扩展程序”选中 AI 生成的文件夹。扩展的刷新和删除都在同一页面完成。

项目一：完全定制的新标签页

新标签页是打开频率最高的页面，现成的美化扩展要么塞太多东西，要么花里胡哨。AI 定制版可以做到”只放想要的”：BBC 新闻头条、当前及 2 小时后、4 小时后的天气（以图标呈现，一眼看懂短期天气走势）、一个随手记事的便签区，外加过去一周访问最多的 5 个网站列表，整体风格极简。想增删功能，在对话里说一句就改好。

项目二：历史记录分析器

Chrome 自带的历史页（chrome://history）只是一条按时间倒序的长列表。AI 编写的分析扩展把它变成了一块数据看板：一周内访问最多网站的饼图、每天打开网页最集中的时段，以及打开网站的方式统计——靠书签、手输网址还是点击链接。有意思的是，最后这项数据还是 Claude 主动提示”历史记录里有这个字段可以利用”，否则普通用户根本不知道它的存在。

两个扩展从提需求到能用，都只花了几分钟。如果一直想要浏览器的某个功能却找不到现成扩展，不妨把需求丢给 AI——大概率能收获一个完全按自己习惯打造的小工具。

来源：TechRadar