ITPub博客

Meta 的个人 AI 智能体 Muse 才问世几周，这家社交网络巨头就已经马不停蹄地开始构建其迄今为止在消费级 AI 领域可能最大的赌注。 周三，CEO 马克·扎克伯格在门洛帕克举行的公司年度 Connect 大会上发表主题演讲，明确了一件事：Meta 正全力押注 Muse。 Muse 智能体（据扎克伯格称，其物理化身名为 Jolly）旨在通过连接用户的应用程序和服务（包括电子邮件和日历）来处理日常任务。在 Connect 大会上，扎克伯格推出了一系列新功能和集成，使 Muse 更加实用，并更深入地融入用户的日常生活。如果用户愿意，Muse 将无处不在，包括在他们的 Meta AI 眼镜上。 Muse 于 9 月初推出，可在用户的设备和数字账户之间进行交互。

Meta 知道你可能对其智能眼镜有一些隐私方面的担忧。 在今日于加利福尼亚州门洛帕克举行的年度 Meta Connect 活动上，该公司宣布计划将其名为 Private Processing 的隔离式 AI 处理方案整合到 Ray-Ban Meta 智能眼镜中。该功能去年为 WhatsApp 设计，允许眼镜的 AI 助手了解你并满足你的请求，而 Meta 无法访问你的任何数据。 “大多数时候，眼镜帮助你看得更清楚、保护你的眼睛、为你的造型加分，仅此而已，”Meta 在其新闻稿中写道，这或许在一定程度上低估了视力矫正镜片作为一项技术的重大历史意义。“但 AI 眼镜有能力提供超能力，比如翻译对话、总结笔记或对话。

更新于美国东部时间2026年9月23日21:22 亚马逊公司（Amazon.com Inc.）今日表示，正试图通过新工具让使用其电商平台的独立卖家更轻松地经营业务，其中包括一款允许卖家通过人工智能助手运营业务的插件。 这些新工具在亚马逊年度卖家大会Accelerate上发布，还包括一些自动化功能，可帮助卖家在后台监控业务并代表其采取各种操作。此外还有增强版Seller Assistant，现在可以持续记住卖家的定价模式和库存周期。 然而，真正重磅的是这款新插件。据亚马逊介绍，卖家现在可以使用Anthropic PBC的Claude或亚马逊自家的助手Amazon Quick来检查库存水平、调整产品价格和更新商品列表。这意味着他们不再需要前往Seller Central门户来完成这些操作。

博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 深度网络被广泛视为黑箱。但它们真的在任何意义上都无法解释，而逻辑回归却可以吗？ 更新：此后我在《模型可解释性的迷思》（The Mythos of Model Interpretability）中完善了这些想法，这是一篇在2016年ICML机器学习人类可解释性研讨会上展示的学术论文。 关于机器学习模型的可解释性，有一种流行的说法：像逻辑回归这样的简单统计模型产生可解释的模型。另一方面，神经网络则是黑箱。这种说法暗示我们可以输入数据，观察输出结果，但缺乏对中间过程进行推理的能力。

博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 过拟合导致公众对研究结果失去信任，其中许多结果最终被证明是错误的。我们考察一些著名案例，“衰退效应”，美国小姐年龄，并提出避免过拟合的方法。 作者：Gregory Piatetsky 和 Anmol Rajpurohit。 最近一项研究推翻了传统观点，称食用饱和脂肪与心脏病之间没有关联，这让许多人感到惊讶。似乎每周都会有一些新结果，尤其是在医学和社会科学领域，这些结果使旧的结果失效。

博客热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 在本教程中，我们将使用 Prophet，这是 Facebook 开发的一个包，来展示如何实现这一点。 销售预测是许多销售驱动型组织中最常见的任务之一。这项活动使组织能够在一定程度上自信地为未来做好规划。在本教程中，我们将使用 Prophet，这是 Facebook 开发的一个包，来展示如何实现这一点。该包在 Python 和 R 中均可使用。我们假设读者对在 Python 中处理时间序列数据有基本了解。

博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 深度神经网络经常生成图像和合成文本。但这是否等同于创造力？我们能否合理声称深度学习产生了艺术？ 深度神经网络有创造力吗？这似乎是一个合理的问题。谷歌的“Inceptionism”技术可以转换图像，通过迭代修改图像来增强深度网络中特定神经元的激活。这些图像看起来迷幻，将岩石变成建筑物或将树叶变成昆虫。另一种神经生成模型，由德国图宾根大学的Leon Gatys提出，可以从一张图像（比如梵高的画作）中提取风格，并将其应用于另一张图像（比如照片）的内容。

这是最后一个 3.15 候选版本！ python.org/downloads/release/python-3150rc2 这是 Python 3.15 的候选预览版 本次发布 3.15.0rc2 是计划中的最后一个候选版本，自 3.15.0rc1 以来，包含来自 76 位贡献者的约 144 项错误修复、构建改进和文档变更。进入候选发布阶段后，在此候选版本与最终版本之间，仅允许经过审查且明确为错误修复的代码变更。 Python 3.15 的下一个版本将是 3.15.0 最终版，计划于 2026-10-01 发布。 从此刻起，3.15 系列将不再有 ABI 变更，目标是尽可能减少代码变更。

Kubernetes v1.37 带来了重要的存储安全特性：emptyDir 权限模式和绑定挂载选项。它们帮助应用程序开发人员和安全专业人员直接在 Kubernetes 中实施严格的安全策略，例如禁止跨容器删除文件或从可写卷执行任意二进制文件，而无需任何复杂的规避手段。 在深入探讨新的 Kubernetes 特性之前，让我们简要回顾一下使这些特性成为可能的底层 Linux 安全机制。 当 Linux 挂载或重新挂载目录时，虚拟文件系统（VFS）标志控制着该文件系统上允许执行的操作： noexec ：不允许在挂载的文件系统上直接执行任何二进制文件。 nosuid ：不允许 set-user-identifier 或 set-group-identifier 位生效。

大约一年前，我收到了在柏林 WeAreDevelopers World Congress 上发表演讲的邀请。我很少接受演讲邀约，尤其是国际性的，但这一次时机、地点和人都恰到好处——我答应了，条件是 Ben Dumke-von der Ehe 和我一起演讲。Ben 是 Stack Overflow 的早期社区员工，住在柏林。我们都有一些重要的事情想谈，但观点略有不同，视角也不同。 他们同意了这个要求。这是我们的演讲，于 7 月 10 日星期五在柏林 CityCube 发表。 这次演讲的核心是 Ben 和我如何相遇的人性故事。正如我在台上所说： 这个故事的完整版本是我们改变了彼此的人生。简短版本是：独角兽。 你应该直接听 Ben 讲述他那边的故事。非常了不起。

关于 治理 政策 功能矩阵 捐赠 历史 赞助商 贡献 财务 服务器 最新消息 即将举行的活动 过往活动 新闻 许可证 pgAdmin 开发团队很高兴地宣布发布 pgAdmin 4 版本 9.18。此版本的 pgAdmin 4 包含 29 个错误修复和新功能，其中包括对四个安全漏洞（CVE-2026-86861 至 CVE-2026-86864）的修复。有关更多详细信息，请参阅发布说明。 pgAdmin 是 PostgreSQL（开源关系型数据库） 领先的开源图形管理工具。有关更多信息，请参阅网站。 此版本中的显著变化包括： 通过重新单击当前工作区图标来折叠和恢复对象资源管理器，类似于 VS Code 侧边栏的方式，并在刷新之间记住选择。

对于Nimish Jain来说，这个夏天参与FreeBSD的工作意味着近距离观察他长期以来一直好奇的事情：大型、复杂的软件是如何协同工作的。 “我一看到‘FreeBSD’这个词，就决定必须申请，”他说。 这个决定让他度过了一个在操作系统多个领域工作的夏天，向经验丰富的FreeBSD贡献者学习，并看到自己的代码进入了一个被全世界使用的项目。 Nimish并不记得有某个特定时刻激发了他对系统编程的兴趣。相反，这种兴趣源于他对软件更广泛的好奇心。 “我一直好奇大型软件是如何协同工作来完成一项任务的，”他说。 这种好奇心，加上他使用FreeBSD的经验，让基金会的实习项目立刻脱颖而出。这次实习也让Nimish有机会参与项目的多个领域。

STM32CubeMX 是 STMicroelectronics STM32 系列的标准配置工具，STM32 是全球使用最广泛的微控制器平台之一。它是许多 STM32 项目的常见起点：一个图形化工具，引导开发者选择微控制器、分配引脚、配置时钟和外设，并生成 C 初始化代码。借助 STM32CubeMX2，STMicroelectronics 在 Eclipse Theia 上从头重建了这一体验。在本文中，我们将深入了解 STM32CubeMX2 及其如何利用 Theia 生态系统。 STM32CubeMX2 于 2026 年 3 月与新 STM32C5 系列一同发布，是 STMicroelectronics 下一代微控制器配置和代码生成工具。

当智能体的行动速度超过你的防护栏时，麻烦就开始了。浏览器自动化、shell 命令、文件访问和代码执行都很有用，直到智能体获得对不该触碰的系统的广泛访问权限。AI 智能体沙箱让自主操作变得可用，而不会将其变成无限制的系统访问。沙箱为智能体可以触及、更改和泄露的内容设定了硬性边界。

博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 我们解释如何使用评分指标获取模型性能的估计值，然后探讨发现和诊断机器学习算法潜在问题的方法。 微调机器学习预测模型是提高预测结果准确性的关键步骤。最近，我写了许多文章，解释机器学习的工作原理以及如何丰富和分解特征集以提高机器学习模型的准确性。 本文探讨以下细节： 1. 使用评分指标获取模型性能的估计值 1. 发现和诊断机器学习算法的常见问题 1. 微调机器学习模型的参数 请阅读 FinTechExplained 免责声明。 有时，我们必须探索模型参数如何提高机器学习模型的预测准确性。微调机器学习模型是一门黑魔法。

Q.ANT 是一家来自德国斯图加特的初创公司，它制造的处理器使用光而非电来完成 AI 背后的一些数学运算。该公司将其宣传为一种能以当今芯片所需功耗的一小部分来运行 AI 的方式。 现在，开发者无需拥有芯片就可以开始为这些芯片编写软件。Q.ANT 本周在 GitHub 上发布了一个免费的开源软件工具包，让开发者可以在普通计算机上构建和测试程序，然后在获得芯片访问权限后在真实芯片上运行它们。 这是借鉴 Nvidia 策略的一步。Nvidia 在 AI 领域的领先地位，既归功于 CUDA（NVIDIA 并行计算平台和编程模型）——开发者用来为其 GPU（图形处理器）编程的软件，也同样归功于芯片本身。 但对于 Q.ANT 来说，问题在于硬件。

冷却 绿色材料 可持续性 AI 数据中心 评论 水已从背景公用资源转变为数据中心的核心约束条件，需要针对具体场址制定韧性规划，以应对峰值压力、当地水文条件和社区影响，而不仅仅是平均效率指标。 数据中心正面临一个新的现实：水不再是背景公用资源，而是塑造选址、设计、运营和社区关系的核心约束。讨论正在超越平均效率指标，转向展示设施能够在峰值压力条件下运行，而不会加剧当地水资源压力或污染。本期《Data Center Knowledge》文章汇总将数据中心用水的技术、经济和政策维度联系起来，并重点介绍行业下一步的发展方向。 WUE 入门——及其局限性 水资源利用效率（WUE）衡量数据中心每千瓦时 IT 能耗所消耗的总水量（升/千瓦时）。跟踪 WUE 有助于支持可持续发展目标、成本控制、冷却优化和透明的社区报告。

放射学 AI 在胸部 X 光、病理切片和 2D 扫描的异常检测方面取得了显著进展。然而，最具临床价值且数据密度最高的模态之一——3D 计算机断层扫描（CT）——在现代视觉语言模型（VLM）中仍很大程度上未被充分覆盖。前沿通用模型在体积成像上表现不佳，而大多数开放医学 AI 模型缺乏放射科医生信任和验证 AI 生成发现所需的多步对话深度。 NVIDIA 正通过 NV-Reason-CT 填补这一空白，这是一款专为 3D CT 分析打造的 VLM。NV-Reason-CT 将思维链推理扩展到完整的体积 CT，生成结构化诊断报告，模拟放射科医生的内部思维，并支持跨胸部和腹部的多步后续对话。

ROCm™ Hyperloom 在 AMD Instinct™ GPU 上进行的大规模无人值守评估中实现了中位数 1.73 倍的推理加速，提升幅度从 1.35 倍到 7.31 倍不等。它会对每个工作负载进行性能分析，搜索框架和内核优化方案，端到端验证变更，并将已验证的结果持续积累，无需针对每个模型进行人工调优。 对于大规模部署 AI 模型的团队而言，服务效率直接决定了硬件容量、延迟和运营成本。然而，跨服务配置、框架代码和 GPU 内核来优化一个工作负载，传统上需要少数专家花费数周甚至数月的时间，而且每出现一个新模型、新框架版本和新加速器代际，这项工作都必须重新进行。我们构建 Hyperloom 就是为了让这个全栈优化循环实现自主化、可重复且安全。

随着 AI 智能体进入生产环境，从请求到结果之间的路径正变得越来越难以预测。智能体可以自行选择工具并在工作过程中改变方向，这使得在没有明显错误可追踪时，故障更难诊断。 在最近接受 The New Stack 采访时，Nvidia 产品副总裁 Adel el Hallak 描述了随着智能体承担更复杂的工作，开发者将需要的额外可观测性。 Nvidia 也参与了一项行业行动，旨在共享企业在这些系统失败时所获得的经验。Secure Agent（智能体） Findings Exchange（简称 SAFE）得到了约 140 家公司的支持，目标是创建共享基础设施来报告智能体故障，借鉴了传统软件中的漏洞披露机制。 “当我们发现这些漏洞时，它不只是为了一家公司，”el Hallak 告诉 The New Stack。