ITPub博客

Gartner在其IT支出预测的最新季度更新中预测，2026年全球AI支出将增长49.5%，达到2.7万亿美元，并在2027年再增长36.2%，因为AI的使用持续扩大。 但Gartner杰出副总裁分析师John-David Lovelock表示，并没有从IT其他领域转移资金来供养AI。他说，CIO们在2024年获得了一些用于AI的净新增资金，2025年也获得了一些，“所以没有发生转移，现在他们更多的支出是关于重新品牌化，而非转移。” 他说，到2030年，“每一美元都将以某种方式成为AI美元。” 企业现在不再只是购买笔记本电脑，而是购买内置AI芯片的笔记本电脑，而企业软件现在也嵌入了AI。他们不再做关于业务战略的项目，而是做关于AI如何可能改变业务战略的项目。 “从某种角度看，这有点像重新品牌化，”他说。

Kubernetes（容器编排平台） 管理节点上运行的内容。管理节点本身才是挑战所在：内核设置、系统软件包、存储布局、安全智能体，以及 GPU（图形处理器） 工作负载所依赖的主机级调优。许多团队通过 Ansible playbook、自定义脚本和手动运行手册来管理这些内容。这种方式在以下情况出现之前一直有效：新集群在不同区域上线、内核升级破坏了 RDMA，或者本周必须在整个集群中修复某个 CVE。 GPU 基础设施让这一挑战更加严峻。你不能简单地丢弃一个 GPU 节点再启动一个新的。硬件稀缺，更换可能需要数小时，长时间运行的训练任务无法简单地重新调度。因此，运维问题不是如何更改一个节点，而是如何在不中断训练任务的情况下更改所有节点。

一个小型对抗性测试集，能捕捉到你的评估集永远无法发现的检索失败 检索增强生成（RAG（检索增强生成））使用从一组文档中检索到的信息来回答问题。该文档集合称为语料库。典型的评估会将一个写得好的问题发送到一个整洁的语料库，并检查检索器是否返回正确的段落。 生产环境的文档集合很少保持整洁。 策略变更后，旧页面仍然可被搜索到。用户输入“warehuse”而不是“warehouse”。光学字符识别（OCR），即从扫描件中提取文本的软件，可能会将“SSO”读作“SS0”。表格也可能在页面边界处被分割，从而将数字与其标签分开。 每个问题都可能将检索器引向错误的段落。语言模型随后接收到不正确或不完整的上下文，因此即使是写得好的答案也可能是错误的。 在本文中，我们将看到一个小型检索器和故障注入，即故意添加问题以测试系统如何响应。

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 PgBouncer 1.26.0 已发布。此版本修复了三个 CVE： 1. CVE-2026-19888：由于崩溃导致的 DoS，可由未认证客户端触发。由不带 nonce 的 SCRAM client-final-message 引起。 1. CVE-2026-6668：由于无限循环导致的 DoS，可由未认证客户端触发。由数据包缓冲区增长逻辑中的整数溢出引起。 1. CVE-2026-6669：由于登录期间无界工作导致的 DoS，可由恶意 PostgreSQL（开源关系型数据库） 服务器触发。由无界的 SCRAM 迭代次数引起。

博客首页 > 认识 Nuvi：从 Q 到可爱的 AI 桌面伴侣 你拿着两件夹克和一条裤子走进试衣间。你喜欢每一件单品，但不确定它们搭配在一起是否合适——以及哪件夹克更好。通常，你会拍张照片发给朋友，或者走出去询问店员。但想象一下，如果你只需看着镜子，点击“扫描你的造型”就可以了。 几秒钟后，镜子识别出你穿的是什么，辨认出颜色，并建议你如何完善这套穿搭。也许是一件衬衫或一件配饰——店内就有售——能将整体造型串联起来。 这就是运行在 VENTUNO Q 上的 Smart Mirror 示例背后的体验。它起初是一个个性化风格顾问，但也指向了一种新型零售体验：物理空间能够理解顾客正在做什么，并实时提供相关指导。

我们如何重建 GitHub Copilot 应用中的 diff 界面，以打开一个包含数百条内联审查评论的百万行拉取请求。 分享： 大规模重构和迁移通常必须作为一个变更落地。 堆叠拉取请求是将工作拆分为更小变更的好方法，这使审查更容易，并帮助团队以更低风险交付。但有些变更，比如这个，无法干净地拆分。这就会留下一个可能变得非常大的单一拉取请求，而审查对话又会让它继续增长。 即使 diff 及其对话非常庞大，审查体验也需要保持快速流畅。在 GitHub Copilot 应用中，我们正是带着这一要求重建了拉取请求视图。 为了看看它能做到什么程度，我们打开了能找到的最大拉取请求：一个开源拉取请求，包含 2,200 个文件、超过一百万行变更，以及 400 多条内联审查评论。

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 是我们迄今为止最具表现力的音频生成模型。在 Google AI Studio、Gemini API（应用程序编程接口）、Gemini Enterprise、Gemini Notebook 和 Google Vids 中生成自定义角色语音并指导场景对话。 集团产品经理 研究科学总监，代表 Gemini Audio 团队 今天，我们为 Gemini 家族引入两款新的文本转语音模型，将语音生成从静态预设转变为动态创意工作室。这些模型使创作者、开发者和企业能够创建更丰富、更具表现力的音频体验，同时改善 Gemini Notebook 和 Google Vids 等产品中的用户体验。

Alex Krivit 和 Zaidoon Abd Al Hadi 响应头 Vary 曾被称为“HTTP 中最丑陋、我们至今尚未改进的部分”。同一篇文章还将其描述为一种“可怕的、笨拙的机制”，在中间层之间“互操作性极差”。这通常是明智的工程师举起双手慢慢后退的地方。 这算不上是对 Vary 的认可，但丑陋并不意味着无用。 一个 URL 可以有多个正确的响应。例如，服务器可能会向不同的浏览器发送不同的图像格式。如果缓存忽略 Vary，就有可能向请求返回错误的字节。但如果它将每个原始头值都视为不同的值，少量相似的请求就可能扩散成数千个几乎无法复用的缓存条目。Vary 告诉缓存哪些请求字段可能影响响应，但它并没有告诉缓存哪些差异实际上重要。 Vary 支持现已在所有套餐的 Cache Rules 中可用。

发布于 2026 年 9 月 23 日 作者：Ganesh Ananthanarayanan，高级首席研究员；Matthew Balkwill，首席软件开发工程师；Xenofon Foukas，首席研究员；Sanjeev Mehrotra，软件架构师；Bozidar Radunovic，高级首席研究员；Connor Settle，高级软件工程师；Ankit Verma，软件工程师；David White，首席软件工程师；Shawn Cicoria，首席软件工程师负责人兼架构师；Mark Martin，多学科工程经理；Rachel Johnson，二级软件工程师；Mayur Patel，首席技术项目经理 挑战机器人 AI 的一个核心假设：我们的研究表明，仅在机载 GPU（图形处理器） 上运行物理 AI 推理会限制...

使用 Unsloth 进行本地推理实验背后的机制，以及为什么奖励函数与模型同样重要。 语言模型可以写出“让我再检查一下”，但仍然算错乘法。它甚至可以写出“等等，让我重新考虑”，然后得出另一个错误答案。这两句话都不是思考的证据。如果目标是解决问题，只有最后的数字才算数。 DeepSeek 的 R1-Zero 让没有初步监督微调阶段的强化学习受到了相当多的关注。其研究人员报告了一些行为，例如重新审视某种方法，以及在困难问题上花费更多 token。相比之下，DeepSeek-R1 使用了更广泛的训练流程，包括冷启动数据，因此我们不应将这两个训练过程视为可以互换。

Google Private AI Compute 团队 关于我们 Private AI Compute 架构的技术更新，该架构将实现持久的跨设备 AI 记忆，并达到端侧隐私标准。 AI 正变得愈发强大和直观——它能记住重要信息、理解你周围的世界，并按你的指示行动。隐私与信任是实现这一切的核心，确保随着 AI 系统不断演进、在你的各类设备上提供更持续的协助时，你的数据始终私密且受到保护。 今天，我们将分享如何为 Private AI Compute 平台引入私密的服务器端记忆。这一突破解决了现代 AI 领域长期存在的两难困境：如何在赋予助手跨设备长期连续性的同时，坚守通常仅限于端侧处理的严格隐私标准。 借助这项新技术能力，一个新的持久记忆层将能够像云端的安全数字保险库一样运作。

在 NumPy 中从零复现 Anthropic 的《Toy Models of Superposition》，手推梯度，不借用任何现成数值。 我没想到几何学会出现。我当时正在复现 Anthropic 2022 年可解释性论文《Toy Models of Superposition》[1] 的一小部分，主要是因为其核心论断听起来相当难以置信，我想亲自验证，而不是盲目相信。该论断是：一个神经网络可以表示比其可用维度更多的特征，方法是将它们以一定角度彼此堆叠，并容忍一些干扰。在合适的条件下，要求它将五个事物压缩到两个维度中，它不会挑选两个赢家而放弃其余。它会将全部五个排列成一个完美的五边形。

Google 今天发布了两款新的 Gemini 文本转语音模型——gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts。 它们附带了一个包含 2,000 多种声音的库，并且能够通过“仅需一段 30 秒的你的声音或你拥有使用权的 Sicherheitslücke 声音样本”来创建自定义声音。 我用 GPT-6 Astra 凭感觉编写了这个自带密钥的游乐场界面，利用了底层 Gemini API（应用程序编程接口） 的开放 CORS 策略。 该 API 的一个显著特点是，它让定义多个角色之间的完整对话变得很容易，每个角色都有不同的声音和声音风格指令。 这里有一段简短的演示片段，内容是两只鹈鹕在争论它们是否应该搬到 Pacifica Pier。

首页 博客 开放安全 AI 联盟加入 Linux 基金会，为 AI 时代构建共享的开放防御栈 该联盟最初由数十家企业领导者和 NVIDIA 共同创立，现转向中立治理，以扩大在开放 AI 安全工具、研究和共享防御方面的行业协作 旧金山，2026 年 9 月 14 日——Linux 基金会，作为全球领先的开源软件、硬件、标准和数据协作平台，今日宣布开放安全 AI 联盟已加入 Linux 基金会，为 AI、网络安全和开源领域的组织建立一个中立家园，以构建和共享用于保护软件和 AI 智能体的开放防御栈。 随着各组织将 AI 融入软件和基础设施，有效的防御必须覆盖模型与推理、智能体与上下文、身份与策略、执行、遏制以及底层基础设施。

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。