花王网络

AI硬件席卷618，钉钉A1包揽天猫、抖音、京东销量冠军

Tue, 23 Jun 2026 18:02:13 +0800

来源：量子位 | 原文链接

同时拿下天猫、抖音、京东三大平台 AI 录音设备销量第一

允中发自凹非寺量子位 | 公众号 QbitAI

今年 618，独立开发者、AI Coding 爱好者、副业创业者等大批 AI 玩家正集体给自己囤装备。在这波年轻人主导的 AI 硬件消费浪潮中，钉钉 AI 硬件 DingTalk A1 同时拿下天猫、抖音、京东三大平台 AI 录音设备销量第一，成为今年 618 AI 硬件赛道当之无愧的现象级单品。

具体来看，在天猫平台，钉钉 A1 拿下 618 店铺榜和品牌榜双 Top 1，A1 和 A1 Pro 包揽单品榜冠亚军；在抖音平台，钉钉 A1 在录音笔爆款榜和好评榜 Top 1；在京东平台，钉钉 A1 摘得 618 AI 录音设备单品榜 Top 1。值得一提的是，上述战绩均为 618 全周期数据，而非单日或 7 天的短窗口榜单。

618 期间，钉钉 A1 还首发了云享版四款全新配色：曜石橙、远黛蓝、松霭绿和暮绯红，更贴合年轻女性用户的审美和日常使用场景，让 A1 成为更多年轻人愿意随身带的 AI 硬件。

钉钉 A1 是钉钉于 2025 年十周年发布会上推出的首款 AI 硬件。依托钉钉 AI 听记和 AI 大模型能力，A1 能高效完成语音记录、转写、翻译、总结和分析，并与钉钉日程、待办、AI 表格以及企业的 CMR 和工单系统等工作流深度打通，让每一次沟通都能直接转化为可执行的工作成果。今年 4 月，钉钉 A1 还荣获了 2026 年德国红点产品设计大奖。

从 2025 年双 11 首登天猫录音笔新品榜榜首，到 2026 年 618 在天猫、抖音、京东三大平台包揽销量第一，钉钉 A1 正以软硬结合的产品力，成为越来越多用户和企业的 AI 生产力标配。

为办公人士打造随身AI助理

AI听记正在突破会议场景边界，成为一款全民级的AI搭子

姜思达、何同学等超级个体已加入会员紫V认证

AI帮你高情商回复工作消息

钉钉，现在是阿里AI等前沿技术的用户界面

马斯克又盯上AI基建：特斯拉要卖“算力积木”了

Tue, 23 Jun 2026 18:02:13 +0800

来源：量子位 | 原文链接

特斯拉也盯上AI基建生意了。

刚刚，特斯拉向美国专利商标局(USPTO)提交了一个名叫“Megapod”的商标申请，计划销售模块化AI数据中心硬件。

根据商标描述，这是一套用于AI计算的模块化数据中心硬件系统，里面包括计算机服务器、AI数据处理硬件、网络设备、配电单元和冷却系统。

但是，就在不到一年前，特斯拉才刚刚解散了Dojo团队，亲手砍掉了自己唯一的自研AI训练超算。

刚把Dojo送走，这会儿又给AI数据中心注册新商标。

嗯？特斯拉这是换了个姿势，继续搞算力了？

目前能确定的信息来自商标申请。

特斯拉提交的商标名是MEGAPOD，申请序列号为99893717，申请日期是2026年6月18日。

类型上，这是一个标准字符商标，也就是先把“MEGAPOD”这个名字占住。申请基础是intent-to-use，意思是“有意使用”，但产品还没有正式上市。

商标申请里的描述则相当具体，文件中写到，Megapod覆盖：

用于人工智能计算的模块化数据中心硬件系统，包括计算机服务器、用于人工智能数据处理的计算机硬件、网络设备、配电单元和冷却系统。

还包括“自包含的模块化AI计算硬件系统”，以及“用于监控、管理和优化上述系统的可下载软件”。

通俗来说，Megapod像是一个即插即用的AI数据中心模块。

一个机柜里，把服务器、网络设备、电源、散热系统全塞好，拉到工地通上电，就能直接跑AI训练和推理。

这也是它和特斯拉现有Megapack、Megablock一脉相承的地方。

Megapack卖的是大型储能电池，Megablock是更大规模、更模块化的储能系统。

而Megapod听起来，则像是把“模块化”这套思路，从电力系统搬到了AI算力系统里。

有网友因此直接喊出：特斯拉悄悄展示了一项庞大的AI基础设施布局。

还有人进一步联想，这可能和马斯克此前提到的“利用闲置电力跑AI”有关，甚至猜测特斯拉未来会不会把超充网络、电池储能和AI计算节点连接起来，形成分布式AI基础设施。

不过目前来看，Megapod还只是商标申请，既没有样机、没有参数，也没有价格，更没有交付时间表。

57场面试杀进OpenAI！华人博士开源「AI面经」，含泪推荐

Tue, 23 Jun 2026 18:02:13 +0800

来源：量子位 | 原文链接

量子位 | 公众号 QbitAI

华人博士的AI面经，火爆硅谷。

原因无他：姐们实在太无私了(Ｔ▽Ｔ)。

一点不把咱当外人，在下周入职OpenAI之前，Alisa决定将自己这一路的求职经历，全部以Blog的形式开源出来……

要知道，这背后，是Alisa在AI圈摸爬滚打好几个月，才积累的经验与Know-How。包括——

57场面试，46次recruiter call，还有，无数次coffee chat……

而除了Blog，她甚至还分享了一份LLM零基础学习笔记，从神经网络基础一路覆盖到后训练。

全是干货，大家可以在文末自取。

咱就是说，华人在「经验帖」这一块还是有说法的（bushi）。

正值毕业季。如果你也在投AI相关岗，或者对这个行业好奇，都建议读一读这篇Blog。

毕竟，她把一直看似「玄学」的OpenAI等顶级科技公司的求职之路，拆成了一棵能一步步爬上去的技能树。

下面是量子位整理后，更适合阅读的版本。

Enjoy。 Alisa的OpenAI取经路先简单补充下背景，Alisa Liu，华盛顿大学NLP方向博士。

和所有OpenAI员工一样，她的履历足够亮眼：

可即便如此，她还是面了整整57场。

Alisa把几个月的求职流程做成了一张时间线图，相当直观——灰色图标（面试次数）的密度，令人窒息。

具体面了哪些公司、过程如何，咱就不对着图一个个数了。

重点在于：她怎么决定面谁、怎么拿到的机会、怎么做的准备。

这些前置工作，很多时候比所谓的面试技巧更宝贵。

大家可能常常听到一种经典建议：

先拿几家练练手，再把重要的公司集中到同一时间段，等offer一起来再谈价格。

Alisa说，大方向没错，但这里面有三个大坑。

入选ECCV 2026！清华开源空间模型打败Gemini：真正的空间智能是在世界变化中持续学习

Tue, 23 Jun 2026 12:02:09 +0800

来源：量子位 | 原文链接

120分钟长视频一边看一边记

量子位 | 公众号 QbitAI

在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。

相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要“记得住、连得起来、还能持续更新”。

这使得流式空间智能成为多模态大模型迈向真实世界应用的一道关键门槛。

这篇文章的出发点是思考：多模态Agent如何在动态变化的世界中持续更新自己，而不是每次都像第一次看见世界。

真实世界不是一张静态图片，也不是一段固定长度的视频，而是一段持续展开的经验流。

正如人理解空间，也不是一次性看完整个房间，而是在移动、观察、遗忘、修正中，逐渐形成稳定的空间记忆。

近日，由清华大学博士生刘芳甫担任一作，联合多位研究者共同完成的Spatial-TTT，被计算机视觉顶级会议ECCV 2026正式接收。

ECCV与CVPR、ICCV通常并称为计算机视觉三大顶级会议，每两年举办一届，用率常年偏低。

对于一项工作而言，入选ECCV不只是多了一个会议标签，也意味着它需要在研究问题、方法创新与实验完整性上接受严格的同行评审。

Spatial-TTT瞄准的，正是多模态模型从“看懂画面”迈向“理解真实空间”过程中一个尚未解决的核心问题：

当视频不断延长，模型能否不依赖无限膨胀的上下文，而是在观看过程中，持续形成并更新自己的空间记忆？

实验中，仅有2B参数的Spatial-TTT，在论文测试的多个专项空间智能基准上超过GPT-5、Gemini-3-pro等闭源模型，并能够处理最长120分钟的流式视频。

它所给出的答案可以概括为一句话：

让模型不只是看视频，而是在观看过程中，边看、边更新、边“长出”一份空间记忆。

空间智能的难点，从来不只是“把上下文做长”，而是空间信息该如何在时间维度上被选择、组织、保留下来。

在真实场景中，模型面对的是一段持续涌入的视觉流：

相机移动会改变视角，遮挡会打断观察，物体的显隐又会让关键证据散落在相距很远的时刻。

现有方法尝试过引入深度信息、多视角输入、空间专项微调数据，乃至训练专用空间模型，但大多仍局限于单张图像或短视频片段，很难扩展到真实应用中动辄几十分钟、几小时的长时程流式视频。

更进一步看，问题的核心并不只是模型”窗口不够长”，而是它缺少一种机制，能在推理过程中不断把新观察吸收进内部状态，再把这些状态组织成一份可供后续调用的空间记忆。

传统的静态推理范式很难解决这一点，而TTT恰好提供了另一种可能：让模型在推理时边看边更新参数，用参数本身的变化来承担记忆功能。

为应对上述挑战，研究团队提出Spatial-TTT，将fast weights作为一种紧凑的非线性记忆，在处理视频流的同时进行在线更新，不断累积跨时间的3D空间证据。

DeepSeek缺Agent人才缺疯了！负责人各种贴广告

Tue, 23 Jun 2026 06:01:43 +0800

来源：量子位 | 原文链接

DeepSeek正在全力押注

量子位 | 公众号 QbitAI

DeepSeek好缺Agent人才啊……

刚刚，Harness部门负责人崔添翼再次在线直聘：Harness部门空缺较大，速来！

这次一口气放出来的岗位有三个。

缺人缺疯了，崔添翼说：自己每天都在面试，以及各种地方贴小广告。

执行力MAX的网友们，已经在评论区毛遂自荐了。

甚至有人表示，如果DeepSeek需要，可以割爱将自家大将送过来。

正式开始前，我们也再简单补充下Harness是什么。

打个比方，如果Agent是汽车，模型是发动机，那Harness就是方向盘、变速箱、刹车……

也可以理解为驯马，想做一个Agent产品，模型之外的所有工作，都是在铸造Harness这块马鞍。

用公式表示就是：Model+Harness=Agent。

而DeepSeek这次招的，是三类不同的「驯鲸师」。

这次最新披露了一个叫「研究员」的岗位。

让我们一起来看看JD——

「Harness研究员」，核心任务：探索Harness领域的研究前沿，定义DeepSeek对Harness的理解。

不难看出，主要是负责基础研究相关的工作，因此DeepSeek对这个岗位的任职要求也偏科研：

读到这里，相信细心的朋友已经发现了：总感觉这份Title好像在哪见过？？

是的，DeepSeek之前确实发过一个类似的岗位，叫「研发工程师」。

所以，研究员和研发工程师，区别到底在哪？

Meta员工士气跌至20年谷底！内部直播当众开骂，CTO承认AI重组糟糕透顶

Mon, 22 Jun 2026 11:58:55 +0800

来源：量子位 | 原文链接

抢人最猛的Meta，似乎先从内部裂开了

Meta内部士气快跌到历史谷底了。

说这话的，是Meta CTO Andrew Bosworth（人称“Boz”）——扎克伯格最信任的副手之一，在Meta干了20年的技术灵魂人物。

在内部会议“Tuesdays with Boz”上，他亲口承认了这一点，而且用了一个相当严重的词来形容公司这次AI部门重组——

atrocious（糟糕透顶）。

Boz承认，这场重组动摇了员工对公司的三重信任：

相信自己的专长会被看见、相信自己能在这里成长、相信自己的工作真的有影响力。

而把他逼到要写这封“认错信”的，是过去一周接连引爆的几件事。

其中最炸的一幕，发生在一场数千人围观的Meta内部直播上。

一名员工直接劫了麦克风，爆着粗口喊话，让在场所有人去转告某位Meta AI高管——“他就是个piece of sh*t”。

演示者当场用手捂住了脸，请大家赶紧静音；等秩序恢复，员工们在聊天区刷起了“今早开局有点刺激”。

还有有员工把新成立的Applied AI部门形容成“古拉格”（gulag）——这里的工作压抑得像服苦役。

几乎所有人都不开心，这工作简直令人窒息。

一边是对外豪掷天价、在全球疯抢AI人才；一边是对内员工说新部门像服苦役、当众开骂，自己人士气崩到要CTO出面认错。

抢人抢得最凶的Meta，似乎先从内部裂开了。

Boz这封备忘录，矛头几乎全部指向一个叫Applied AI的部门。

这个部门今年3月才成立，规模约6500人，清一色是工程师和产品经理。

它的定位，是给Meta超级智能实验室（Meta Superintelligence Labs）的研究员们打配合。

但它跟Alexandr Wang这个天价挖人的明星实验室不是一回事，Applied AI干的是更“下沉”的活。

负责人是Maher Saba，一位在Meta干了12年的老将，此前是Reality Labs的VP。这条线，最终汇报给的就是CTO Boz本人。

诺奖得主、AlphaFold之父投奔Anthropic！谷歌48小时连跑俩大将

Mon, 22 Jun 2026 11:58:55 +0800

来源：量子位 | 原文链接

Gemini 3.5 Pro呢？

Google DeepMind的诺奖得主、AlphaFold之父John Jumper，跳槽Anthropic了。

本人已亲自在X上官宣：将近九年后，他决定离开Google DeepMind，加入Anthropic——也就是DeepMind最直接的对手之一。

要知道，这可是AlphaFold的核心人物，他还曾与Demis Hassabis一起站上诺贝尔化学奖的领奖台。

Hassabis也几乎是第一时间回应。

这位诺奖搭档、DeepMind掌门人感谢了Jumper过去九年的「非凡合作」，称AlphaFold「改变了世界」，为AI在科学和医学上的可能性「照亮了道路」。

9年前，正是是Hassabis亲自给了他一个「冒险的机会」：让他一个PhD毕业才6个月的新人，领导AlphaFold团队。

但如今，连这份知遇之恩也留不住了…

就在两天前，Transformer核心作者Noam Shazeer也宣布离开Google DeepMind，加入OpenAI。

短短48小时里，Google AI一下子失去了两位核心人物。

John Jumper的履历，是一条跨学科的逆袭之路。

1985年，Jumper出生在美国阿肯色州小石城。

2007年，他从范德堡大学拿到物理与数学学士，之后去剑桥大学读理论凝聚态物理。结果读着读着发现这个方向不适合自己，拿了个硕士就走了。

离开学术界后，他在纽约的D.E. Shaw Research做了三年蛋白质和过冷液体的分子动力学模拟。

这段经历后来起了重要作用——蛋白质模拟，正是他日后封神的领域。

2011年，他重回校园，到芝加哥大学攻读理论化学博士，把机器学习用到了蛋白质折叠的研究上。

2017年，他拿下博士学位，论文做的就是「用严格的机器学习方法研究粗粒化蛋白质折叠与动力学」。

2017年底，PhD毕业6个月后，他加入了Google DeepMind。

当时的他，是个毫无管理经验的新人。但Hassabis看中了他的技术潜力，「took a real chance」——冒险让他领导AlphaFold团队。

接下来的故事大家都知道了。2020年，AlphaFold 2横空出世，把预测蛋白质三维结构的准确率做到了平均90%，一举攻克了困扰生物学界50年的难题。

截至目前，AlphaFold已被190个国家、超200万名科研人员使用，预测的蛋白质结构超过2亿个，被广泛用于疟疾疫苗、癌症治疗、抗药菌等研究。

随后是AlphaFold 3，将预测能力扩展到DNA、RNA、小分子等更广泛的生物分子结构。

荣誉也随之而来：「Nature年度十人」(2021)、BBVA前沿知识奖(2022)、生命科学突破奖(2023)……

陶哲轩12年前的预言，现在AI帮他兑现了

Mon, 22 Jun 2026 11:58:55 +0800

来源：量子位 | 原文链接

全球最聪明的人之一，成了AI最狂热的布道者

闻乐发自凹非寺量子位 | 公众号 QbitAI 事实证明，菲尔兹奖得主有时候也兼职预言家。

12年前，陶哲轩在首届数学突破奖的台上抛出的一句预言，被视作天方夜谭：

将来有一天，我们或许不再用LaTeX撰写论文，而是使用计算机能理解的的形式化语言。

那一年，Transformer还没诞生，ChatGPT更是连影子都没有。

没想到，回旋镖正中靶心。过去这一年，AI在数学领域突然开始疯狂提速。

从OpenAI解决开放问题，到DeepMind批量攻克数学猜想，越来越多数学证明被写进形式化系统，交给计算机自动验证。

回望来路，最早看清风向、亲自下场实践的人，就是陶哲轩。

十年间，他先后推进大规模协作数学、Lean形式化证明、又发起Equational Theories项目，面对2200万个数学问题，依靠「AI+人类协作」，短短48小时就攻克大半。

项目在AI助力下效率拉满，很多时候连他本人都不用插手了。

实际上，陶哲轩这也是用实际行动证明，最好的预测未来，就是亲手把它创造出来。

说起陶哲轩，很多人第一反应是那串传奇经历：

2岁时教比自己大的孩子数数，7岁开始接触微积分，10岁成为国际数学奥林匹克史上最年轻的铜牌得主，24岁成为UCLA历史上最年轻的终身教授之一，31岁拿下菲尔兹奖。

在大众印象里，这样的人往往属于“天才独行侠”。

但陶哲轩本人恰恰相反。

相比于孤军奋战，他一直对另一件事更感兴趣：

数学家能不能像开源软件开发者一样协作？

一个人知道A，一个人知道B，如果把两个人的知识拼起来，会不会出现单个人想不到的新东西？

这种想法后来深刻影响了他的整个职业生涯。

2009年，他参与了Polymath项目，一个把数学协作搬上公开论坛的实验。

在这个项目里，任何人都可以登录，认领子问题，提交思路，群策群力。

原本需要少数专家花费数月甚至数年完成的问题，在公开协作模式下被快速推进。

这次实验最终成功解决了一个组合数学问题，证明了大规模协作在数学上不是空想。

Polymath成功了，但陶哲轩很快发现一个更大的问题：

陶哲轩12年前的预言，现在AI帮他兑现了

Sun, 21 Jun 2026 23:19:48 +0800

来源：量子位 | 原文链接

全球最聪明的人之一，成了AI最狂热的布道者

闻乐发自凹非寺量子位 | 公众号 QbitAI 事实证明，菲尔兹奖得主有时候也兼职预言家。

12年前，陶哲轩在首届数学突破奖的台上抛出的一句预言，被视作天方夜谭：

将来有一天，我们或许不再用LaTeX撰写论文，而是使用计算机能理解的的形式化语言。

那一年，Transformer还没诞生，ChatGPT更是连影子都没有。

没想到，回旋镖正中靶心。过去这一年，AI在数学领域突然开始疯狂提速。

从OpenAI解决开放问题，到DeepMind批量攻克数学猜想，越来越多数学证明被写进形式化系统，交给计算机自动验证。

回望来路，最早看清风向、亲自下场实践的人，就是陶哲轩。

项目在AI助力下效率拉满，很多时候连他本人都不用插手了。

实际上，陶哲轩这也是用实际行动证明，最好的预测未来，就是亲手把它创造出来。

说起陶哲轩，很多人第一反应是那串传奇经历：

在大众印象里，这样的人往往属于“天才独行侠”。

但陶哲轩本人恰恰相反。

相比于孤军奋战，他一直对另一件事更感兴趣：

数学家能不能像开源软件开发者一样协作？

一个人知道A，一个人知道B，如果把两个人的知识拼起来，会不会出现单个人想不到的新东西？

这种想法后来深刻影响了他的整个职业生涯。

2009年，他参与了Polymath项目，一个把数学协作搬上公开论坛的实验。

在这个项目里，任何人都可以登录，认领子问题，提交思路，群策群力。

原本需要少数专家花费数月甚至数年完成的问题，在公开协作模式下被快速推进。

这次实验最终成功解决了一个组合数学问题，证明了大规模协作在数学上不是空想。

Polymath成功了，但陶哲轩很快发现一个更大的问题：

新文章：群晖NAS网络映射盘开机自动连接方法

Mon, 18 Jul 2022 20:30:16 +0800

前言

用过群晖的朋友，当然用其他NAS的也是，大家都会把群晖的网络硬盘映射到电脑上做完一个网络硬盘，这样即能方便调取备份资料，也能对电脑的硬盘进行扩容，可惜的是每次开机都会出现红×，就问你烦不烦，当然再点击一下也能正常连接，但对于强迫症的我怎么能忍，总感觉这个硬盘不可靠，怎么办，求助万能的网友，我设置成功了，当然作为分享的博主，这么好的东西肯定不会占为已有，现在分享出来，大家慢慢享用。就比如这样：

建启动文件

先在C盘建一个文件夹：“C:\scripts”，然后在里面建立一个文件，名称为：MapDrives.ps1，文件内容为：

$i=3
while($True){
$error.clear()
$MappedDrives = Get-SmbMapping |where -property Status -Value Unavailable -EQ | select LocalPath,RemotePath
foreach( $MappedDrive in $MappedDrives)
{
try {
New-SmbMapping -LocalPath $MappedDrive.LocalPath -RemotePath $MappedDrive.RemotePath -Persistent $True
} catch {
Write-Host "Shared folder connection error: $MappedDrive.RemotePath to drive $MappedDrive.LocalPath"
}
}
$i = $i - 1
if($error.Count -eq 0 -Or $i -eq 0) {break}
Start-Sleep -Seconds 30
}

接下来就是启动文件夹里建立一个文件，启动文件夹路径为：C:\ProgramData\Microsoft\Windows\Start Menu\Programs\StartUp

PowerShell -Command "Set-ExecutionPolicy -Scope CurrentUser Unrestricted" >> "%TEMP%\StartupLog.txt" 2>&1
PowerShell -File "%SystemDrive%\Scripts\MapDrives.ps1" >> "%TEMP%\StartupLog.txt" 2>&1

新建启动任务

这是跟随系统启动的一个文件，通过它能启动网络连接，当然剩下的还需要一个唤醒设置，我们需要的设置为：

点击电脑（右键）→管理→系统工具→任务计划程序→创建任务→常规

然后在操作选项卡新建启动程序：

再来条件选项卡如下设置：

这样就设置完成了，是不是非常简单，我也觉得，后面每次开机都会自动运行一个任务，有弹出黑窗的，不用理会，会自动关掉。