苹果在环保领域的成绩长期被视为行业标杆。绿色和平对其环保举措的称赞已持续十余年，早在 2015 年就曾在报告中肯定苹果使用可再生能源为数据中心供电的努力。去年，绿色和平东亚分部还因苹果在供应链中引入更多可再生能源，给予其 B+ 评级。

然而，随着苹果在下月正式推出 Siri AI 等 Apple Intelligence 功能，局面可能生变。尽管苹果宣称尽可能在设备端完成运算，但更复杂的任务仍依赖大规模数据中心，而这些设施消耗大量电力与水资源。

绿色和平发言人 Avex Li 向《The Verge》表示：“AI 将是苹果气候承诺的决定性考验。若要守护蒂姆·库克留下的环保遗产，苹果必须证明，AI 的增长能够容纳在既有气候承诺之内——通过绝对减排、追加可再生能源投资，以及延长产品寿命来实现。”

针对质疑，苹果向《The Verge》援引了最新的环保进展报告及过往声明作为回应。

对关注可持续发展的中国用户而言，这场争论触及一个普遍议题：当终端设备的 AI 能力越来越强，背后的算力与能耗成本该如何被公开、可持续地管理。苹果能否在 AI 时代延续其环保口碑，仍待时间检验。

非营利组织 Fermi Explorer Mission 于 2026 年 9 月 1 日宣布，计划在 2029 年底前发射一艘飞往半人马座α星（Alpha Centauri）的航天器。这趟旅程堪称人类最野心勃勃的太空计划之一：半人马座α星距地球约 4.4 光年（约 25 万亿英里），航天器抵达时可能需要长达 8 万年。

真正引人注目的是这趟航线的来历——它不是由任务团队的工程师算出来的，而是由一家名为 Physical Superintelligence（PSI）的 AI 物理研究实验室开发的系统发现的。

一个开源 AI 系统”自己搞定了”

PSI 与 Fermi Explorer Mission 在同一天对外亮相。PSI 由微软联合创始人比尔·盖茨创办的气候投资机构 Breakthrough Energy 领投，首轮融资 5800 万美元。其推出的开源软件”Get Physics Done”会把一个物理学研究问题拆成若干子任务，并自行决定该运行哪些仿真，底层调用了包括 Anthropic 的 Claude、OpenAI 的 GPT 在内的 AI 模型。

Fermi Explorer Mission 联合创始人兼总裁 Philip Johnston 表示，团队此前花了一年时间尝试，却始终找不到一条能让这艘造价仅 1500 万美元、靠太阳能供电的小型航天器真正飞抵半人马座α星的路线。他们反复卡在一个棘手问题上：既要给航天器足够动力，又不能让它太重，否则燃料消耗会失控。

Johnston 在一次由 PSI 联合创始人、物理学家 Alex Wissner-Gross 主持的播客中提到了这个难题，后者主动提出用实验室的系统跑一遍。一周后，AI 给出了一条让团队意外的全新轨道。

贴近太阳的”借力”轨道

根据一份尚未经过同行评审的论文，这条轨道以一种 Fermi 团队未曾考虑过的方式，组合了已知的轨道机动动作：航天器会先减速，让轨道摆向比水星更靠近太阳的位置；在每一次近距离掠过时点燃发动机，此时太阳能板能接收到四倍的日照，而高速下的那一下推进能比在别处同样点火换取更多能量。由于发动机只在靠近太阳时工作，太阳能板可以做得很小，航天器也能保持轻巧。

PSI 联合创始人兼 CEO Matt Pines 介绍，该系统基本自主工作了三天，消耗了约 10 亿 token 的算力；实验室一名天体物理学家负责把它引向任务要求、要求补充成本分析和更清晰的图表，并核查输出中的错误。

Pines 也指出，模型缺乏人类研究者的判断力与品味，不清楚哪些问题有趣、哪些路径值得追，因此常会钻进死胡同或遗漏其他思路。”我们还没想清楚这些模型要如何内在地表达这类判断。”他说。

比”突破摄星”更想真正上天

Fermi Explorer Mission 把低成本本身当作目标，正是对此前方案的回应。2016 年，投资人 Yuri Milner 宣布”突破摄星”（Breakthrough Starshot）计划，打算用强激光把微型探测器推到五分之一光速，争取 20 年内抵达半人马座α星，并承诺投入 1000 万美元做概念验证；但十年过去，仍无一艘探测器升空。

“我们不想再做一个’突破摄星’，”Johnston 说，”我们铁了心要做成一桩真正能发射的事。”为把成本压到约 1500 万美元，团队主动放弃了”在有生之年抵达”的约束——”先想办法到另一颗恒星就行”。作为参照，人类发射过最快的航天器之一”旅行者 1 号”自 1977 年飞行至今，才走过不到 1% 的路程；以它的速度，单程要 7 万年以上。

这艘探测器将携带至少 1 公斤载荷，包括艺术与科学载荷、信息，以及一张”金唱片”的复制品——那是 NASA 在 1977 年随两艘”旅行者”探测器附上的镀金唱片，记录着地球的声音与影像。

启示：AI 正在进入科学发现核心

把 AI 从”数据处理工具”推到”航线规划者”，这项案例折射出”AI for Science”方向的进展：当系统能自主分解问题、跑仿真、并给出人类未想到的方案，它开始触及科学发现的核心决策环节。PSI 方面也坦言，当前模型仍依赖人类专家把关，远未到可以独立信赖的程度。

在深空探测与 AI 辅助科研领域，中国同样持续投入：从”天问”系列行星探测到各类 AI for Science 研究计划，国内团队也在探索把大模型与仿真用于轨道设计与科学发现。这类跨国探索共同说明，AI 与基础科学的结合正在从辅助走向更前端的位置。

谱系动力学的瓶颈不在数据，在算力

过去 25 年，谱系动力学（phylodynamics）一直在改写流行病学的工作方式。它的基本思路是用病原体的基因序列反推传播过程：把序列组织成系统发生树，每条分支代表一条传播链，每个叶节点代表一次感染；分支长度反映突变数量，分叉点则揭示不同病原体之间的亲缘关系。顺着这棵树，研究者可以把某个毒株一路追溯到它的亲代毒株，再比较两者的序列差异。

树本身由算法根据现有基因数据推断出最可能的形态，在此基础上可以估计一系列参数——病原体的传播速率、感染持续时间、地理起源等等。问题在于，要让这些估计足够稳健，需要分析的序列数量很大，还要把结果与基于人群观察的常规流行病学数据交叉验证。这意味着数学模型必须继续放大，而模型放大恰恰卡在两个地方：数据复杂度（基因序列还要叠加采样日期、流行率、地理位置等信息）和待处理的数据量。

从天体物理搬过来的方法

INRAE 的研究者用的方法叫神经后验估计（neural posterior estimation，简称 NPE），此前主要出现在神经科学和天体物理学领域。团队用 2014 年塞拉利昂埃博拉疫情的 72 个基因组作为数据集，验证了这套方法的稳健性：从系统发生树中估计出的参数，与传统推断方法（如马尔可夫链蒙特卡洛方法）得到的结果相近。

这是该方法第一次被用于遗传数据的谱系动力学分析。研究团队强调的价值不只是精度持平，而是效率：NPE 让数学模型的校准速度快得多，并且能纳入体量更大、类型更杂的数据——潜在规模可达数千条序列。

对疫情应对来说，这个差别很实际。传统推断往往要等数据攒够、算完一轮才能出结论；而校准足够快之后，模型可以在疫情进行中随时加入新数据、当场推演不同情景。研究团队还公开了详细的在线教程，让其他机构能够复现同类分析，而不是把方法锁在一篇论文里。

另一条路线：多源信号加大模型

用 AI 处理疫情数据的路线不止一条。谷歌研究院近期公布的行星预测引擎（Planetary Prediction Engine）走的是另一个方向：融合流行病学信号、人口动态嵌入和自动筛选的地理空间协变量，对疫情热点做实时预测。在 2026 年刚果（金）本迪布焦型埃博拉病毒疫情中，该系统连续五周预测的 Recall@10 达到 83.3%，在 18 个新出现传播的卫生区中正确识别出 15 个，相比已发表的贝叶斯建模基线（约 73%）绝对提升 10.3 个百分点。

还有一类系统专门做信号汇总。波士顿大学新发传染病中心运行的 BEACON 平台，把多个来源的预警合并起来，再用大语言模型生成仪表盘，为刚果（金）和乌干达的埃博拉疫情提供风险评估。项目负责人的说法是，这是 AI 与人类专家的组合，输出的是带上下文的深度风险判断，而不是单纯的告警条目。

本地语言决定信号能不能被看见

一个容易被忽略的变量是语言。2026 年发表于《Journal of Medical Systems》的一项研究测试了 AI 疫情情报平台 EPIWATCH 在尼日利亚的表现，研究者把尼日利亚皮金英语加入系统，使其能识别当地网民描述疾病的表达方式。改造之后，该系统在 2024 年 3 月检出 112 条疫情报告，而此前五年同月的中位数为 27 条，检出量增加 315%，拉沙热、脑膜炎、白喉、黄热病相关信号同步上升。

需要说明的是，这个数字并不意味着尼日利亚的疫情增加了 315%，它只说明——当 AI 监测系统能读懂本地语言时，被捕捉到的潜在公共卫生信号会显著增多。对语言多样性高的国家和地区，这一点的意义相当直接。

边界同样清楚

技术侧的乐观需要配上限制条件。首先，信号不等于疫情：大量线上讨论没有流行病学意义，AI 的作用是帮助公共卫生部门更早发现异常模式、判断哪里需要进一步调查，而不是替代实验室确诊与现场调查。其次是数据质量问题——有专家指出，预测能力最终取决于可用于训练的数据的质量与广度，直接照搬其他国家训练出的模型往往并不适配本地的疾病谱与环境条件。

伦理层面的担忧也已经被提出。《自然》的相关报道指出，流行病学家与社会人类学家担心，如果社区成员的实际经验、本地知识和现场情况没有被纳入模型，AI 偏差就可能出现，低收入和中等收入国家和地区受影响尤为明显。

对中国读者而言，这批研究的参考价值主要在方法层面：基因组测序数据、常规监测数据与网络信号如何在同一套模型里被高效整合，以及模型校准速度提升之后，疫情研判能不能真正做到边走边算。这些都是可以独立于具体疫情去讨论的工程问题。

《卫报》（The Guardian）记者 Hettie O’Brien 于9月1日发布视频报道，记录伦敦东部砖巷（Brick Lane）居民对一处拟建数据中心的抵制。这处规划中的设施占地约5200平方米，当地居民正试图通过规划程序阻止其落地。

报道将 AI 数据中心描述为“几乎普遍不受欢迎”：它们噪音大、外观突兀，消耗环境资源，而大部分利润最终回流到建造它们的美国公司。卫报称，反对数据中心的声音正在“越积越多”。

英国的“数据中心之争”

这则报道折射出英国围绕 AI 数据中心的更广泛争论。据 BBC 报道，英国目前约有477座数据中心，且高度集中在伦敦及英格兰南部——而这些地区眼下正经历官方认定的干旱。数据中心约占英国电力消耗的2.5%，且需求预计到2030年将增长至当前的四倍。

水资源是另一大争议点。英国咨询机构今年2月估算，英格兰的数据中心每年消耗约19亿升饮用水，约占非家庭用水市场的0.2%，且呈明显上升趋势；环保机构估计，大型数据中心单日耗水可达150万升。目前英国并未强制数据中心披露用水量。

绿党呼吁“暂停”，政府拒绝

今年8月，英国绿党领袖 Zack Polanski 呼吁对英格兰新建大型数据中心实施建设暂停，称其为“耗能又耗水”，并在四分之三国土处于干旱之际，不应被列为关键基础设施。他表示，关键基础设施在民众心中意味着医院、供水与电力，“而不是人工智能”。

政府于2024年将数据中心列为关键国家基础设施，并设立 AI 增长区，目前已划定五个区域，吸引约282亿英镑投资、创造超过1.5万个就业岗位。政府明确拒绝暂停新建，称此举会把投资与就业推向海外，并使英国在医疗、国防等敏感数据的处理上依赖境外算力，“对就业与国家安全都将是灾难”。

从电力侧看，英国国家电网运营商数据显示，开发商到2039年申请的数据中心电力连接容量高达72.8吉瓦，接近去年英国峰值电力需求的1.6倍。无独有偶，美国西雅图也已于今年6月对数据中心实施建设暂停令。

另一面的声音

数据中心行业人士并不认同“用水大户”的标签。行业组织数据中心联盟的 Mark Acton 指出，数据中心的用水量其实少于休闲中心与高尔夫球场，且社交、银行、医疗等现代社会系统都依赖数据中心运转。在他看来，获取规划许可本就“非常困难”。

对中国的参考意义

中国市场同样处于数据中心建设的高峰期。自2022年启动的“东数西算”工程，正把算力设施向西部可再生能源富集区域布局，以缓解能耗与用水压力。如何平衡算力增长与社区、环境诉求，是各国共同面对的课题。对普通读者而言，AI 应用的背后，是实实在在的电力与水资源账单。

OpenAI 首席执行官萨姆·奥尔特曼近日在一档播客中坦言，人工智能至今仍未迎来属于自己的「iPhone 时刻」，行业——包括他自己的公司——还没找到把这项技术真正带入普通人日常生活的「魔法公式」。

智能手机诞生前的类比

奥尔特曼把当下类比为 iPhone 问世前的智能手机年代。他在 David Senra 的播客节目中回忆，自己在 2003 年前后用过 Palm Treo 这样的设备，当时技术零件都已齐备，却始终缺少那个「彻底改变人与技术交互方式」的引爆点。他的原话是：我们已经拥有了所有的技术拼图，但还没有迎来那个彻底改变人们与技术交互方式的 iPhone 时刻。

在他看来，今天各家 AI 公司卡在同样的位置——模型能力很强，却还没转化成大众每天离不开的产品。这与 2007 年之前智能手机的处境类似：Windows CE、诺基亚、PalmOS 等设备早已存在，是 iPhone 把它变成了面向大众的消费电子产品。

向苹果学的一课

奥尔特曼特别提到史蒂夫·乔布斯的一个判断：苹果成功的关键之一，是公司敢于对上千个好点子说「不」，从而把资源集中到极少数真正重要的产品上。他承认，自己不擅长砍掉好想法去保护真正伟大的想法——这正是他认为行业需要从苹果身上补的课。

他还修正了自己早先过于乐观的预期。奥尔特曼承认，此前对 AI 多快能颠覆经济「想得太激进」，但他话锋一转提出一个看似矛盾的观点：这项技术反而会为那些不使用 AI 的企业创造新机会。

最大的小创业潮

他预测，未来将出现「人类历史上规模最大的小创业潮」——一方面因为 AI 降低了开公司的门槛，另一方面则是一个不那么直观的结果：部分生意会成功，「恰恰因为它们与 AI 毫无关系」，人们反而会渴望真实、非技术化的体验。

这番「iPhone 时刻」的论述，放在中国市场同样成立。过去两年，豆包、Kimi、DeepSeek 等国产 AI 助手快速积累起数亿级用户，手机厂商与超级 App 也在把大模型塞进系统底层。谁能率先把能力做成「每天自然就用上」的产品，谁就更接近那个被等待的引爆点。

Flock：无处不在的路边摄像头

Flock Systems成立于2017年，总部位于美国德克萨斯州休斯顿。该公司在全球范围内部署了超过300万块智能摄像头面板，主要安装在停车场、便利店、加油站等公共场所。这些摄像头通过自动车牌识别（ANPR）技术，可以记录车辆牌照号码、经过时间、位置等数据，被全美数百个执法机构采用。

根据公开数据，Flock的系统已经累计处理了超过450亿次车牌扫描记录，数据覆盖范围遍及美国主要城市，包括纽约、洛杉矶、芝加哥、休斯顿等。其合作伙伴包括美国联邦调查局、国土安全部以及各州和地方执法部门。

从”认车”到”认人”的技术跨越

传统的Flock系统依赖于车牌识别。也就是说，它只能知道”什么车去了哪里”，而无法直接告诉你”谁去了哪里”。要锁定具体人员，执法部门通常需要结合其他信息来源进行交叉比对。

而Flock新推出的AI工具打破了这一局限。根据《连线》杂志获取的源代码和测试结果，这项新技术可以分析驾驶员的行为模式，包括行驶路线偏好、出行时间规律、常去地点等维度。通过机器学习算法，系统能够识别”谁经常去哪里”，而不再仅仅依赖车牌数据。

具体来说，该工具能够追踪并关联以下行为特征：

· 特定驾驶者的行驶路线和出行规律
· 车辆在不同地点之间的移动模式
· 驾驶行为的时空关联性分析
· 基于行为相似度的目标匹配

这意味着，即使执法人员无法获取目标车辆的车牌信息，系统依然可以通过行为画像来追踪和识别目标对象。

隐私倡导者发出警告

面对这项新技术的推出，隐私保护组织和公民自由联盟表达了强烈担忧。

电子前哨基金会（EFF）等隐私倡导组织指出，这种基于行为模式的追踪能力远远超出了公众对于监控系统的预期。传统的车牌识别系统记录的是车辆的行踪，而新的AI工具可以直接关联到个人的生活模式——包括就医记录、宗教场所到访、政治集会参与等敏感信息。

美国公民自由联盟（ACLU）的研究人员表示：”当监控技术从’追踪车辆’进化到’追踪人’时，这意味着每个普通公民的日常活动都可能被持续记录和建模。这种规模的持续性行为监控，在现代法治社会中引发了严重的宪法第四修正案问题。”

Flock的回应与使用限制

针对隐私担忧，Flock公司强调新工具仅限于刑事调查使用，并设置了多层访问控制。公司表示，执法部门必须提供合理的调查理由才能使用AI人员追踪功能，所有查询操作均有日志记录可供审计。

Flock在其官方网站的说明中指出：”该工具的设计目标是协助执法部门在紧急情况下快速定位嫌疑人，例如在绑架案件、失踪人口搜索等需要争分夺秒的场景中发挥关键作用。”

全球AI监控趋势下的反思

Flock的新技术并非孤立事件。近年来，全球各地的安防监控技术都在快速演进。从人脸识别到行为分析，从车牌识别到无人机监控，技术能力不断提升的同时，隐私保护的法律框架却没有跟上。

在中国，智慧城市建设也大量采用了类似的智能监控技术。中国的安防监控系统覆盖了从城市街道到社区门禁的多个场景，通过人工智能技术提升了社会治安管理效率。不过，中国对于公共视频监控的数据使用有着明确的法律法规约束，包括《个人信息保护法》和《数据安全法》等。

相比之下，美国的监控技术监管体系相对松散，各州和地方的法律规定差异很大。Flock的AI工具在哪些州可以合法使用、使用范围有多大，目前缺乏统一的标准。

结语

Flock推出的AI人员追踪工具代表了安防技术的又一次飞跃。从”认车牌”到”认行为”，技术边界的拓展带来了前所未有的监控能力，也引发了关于隐私权与公共安全平衡的深层思考。

在人工智能技术快速迭代的时代，如何确保这些强大的工具在合法、合理、透明的框架下使用，不仅是执法部门需要面对的问题，也是整个社会需要共同讨论的课题。

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