MAI-Gym:给手机和电脑装一个会自己练习的AI管家

资讯 腾讯网 作者:科技行者 全文 6617 字 · 约 17 分钟读完 分类手机AI 编程

你有没有想过一件事:为什么让AI下棋、做数学题、写代码都已经能靠自学进步了,但让AI帮你订张火车票、整理一份文件,却还是经常手忙脚乱?这背后有个挺反直觉的事实。2025年前后,强化学习已经在数学、编程这些领域跑通了一套成熟打法:给模型出题,让它反复尝试,答对了给奖励,答错了不给,模型就这样一点点学会推理。这...

所属频道 AI 硬件与终端AI 编程与开发

你有没有想过一件事:为什么让AI下棋、做数学题、写代码都已经能靠自学进步了,但让AI帮你订张火车票、整理一份文件,却还是经常手忙脚乱?

这背后有个挺反直觉的事实。2025年前后,强化学习已经在数学、编程这些领域跑通了一套成熟打法:给模型出题,让它反复尝试,答对了给奖励,答错了不给,模型就这样一点点学会推理。这套方法效果惊人,GUI智能体训练这么难"这件事拆解得非常透彻。

一道题做一万次,和一台手机只能用一次

先说说这件事到底难在哪。

你去做一道数学题,无论你做对做错,这道题本身是不会被"用坏"的。一千个人可以同时在草稿纸上演算同一道方程,互不干扰。代码题也类似,一个沙箱环境可以被无数次复制,每次运行完清空重来,成本极低。

但手机和电脑不是这样。

当一个AI智能体在操作一台虚拟手机时,它点击的每一个按钮、输入的每一段文字,都会真实地改变这台"手机"的状态:文件被创建了、设置被改掉了、App里的数据被修改了。这意味着,如果你想让100个AI同时练习"用12306订一张火车票"这个任务,你不能让它们共用一台虚拟手机,因为A智能体点开的购票页面,B智能体根本看不到,它们会互相踩脚。

**每一次尝试都需要一台独立的、处于已知初始状态的手机或电脑,用完还要能精准重置回原样,供下一次尝试使用。**

这就好比,数学题是可以无限复印的试卷,而GUI任务更像是一次性的实验耗材。你做数学题可以让一千个学生同时在课桌上演算同一道题,但你没法让一千个人同时去操作同一台实体手机的同一个App,因为手一碰屏幕,状态就变了,后面的人面对的就不是同一个起点了。如果不单独给每次尝试配一台"干净"的设备,训练数据从一开始就是脏的,模型学到的可能是环境残留状态带来的偶然成功,而不是真正的操作能力。

GUI*:Graphical User Interface,图形用户界面,也就是我们日常看到的手机App界面、电脑桌面这些可以用鼠标点击、手指触摸操作的界面,和需要敲代码的命令行界面相对。

论文里给了个具体数字:大规模训练时需要同时维持成千上万台这样的"一次性设备"在运行,而且还要保证每台设备真的恢复到了干净状态,不能有残留文件、残留登录状态干扰下一次训练。这是第一个根本性的矛盾。

第二个难点更隐蔽一些,叫做**评估和训练用的是两套不同的"手"**。

研究团队发现一个现象:同一个模型,如果评测时用的代码和训练时用的代码不是同一套,跑出来的分数会不一样。原因很简单,模型看到的截图怎么处理、历史记录保留几步、动作指令怎么解析,这些细节一旦出现版本漂移,你测出来的其实已经不是你训练出的那个模型了。论文里提到一篇参考文献(StructAgent)专门指出过这个问题:"改变执行框架本身,就能改变一个固定模型的测试分数"。这就像你用两把不同精度的尺子量同一个物体,得出的数字再准确也没法互相比较。

把"评估-采集-训练"三条路合并成一条

MAI-Gym

论文里管这个叫

harness*:智能体的执行框架,负责构造输入给模型的上下文、解析模型输出的动作指令、并把动作真正发送到环境中执行。这是连接"大脑"(模型)和"身体"(环境)的那层代码。

如果评估用一套harness、训练用另一套,就好比你教一个人开车时用的是教练车的离合器手感,但考试时换了辆完全不同脚感的车,此人虽然学会了开车,但考试成绩和真实能力之间就出现了系统性偏差,而且这个偏差你根本看不出来是哪里出了问题。MAI-Gym的做法是,不管是跑评测、收集训练数据,还是真正做强化学习更新参数,全部走同一条"

论文给的架构图里有个细节我觉得挺巧妙,叫**环境管理器**,它对外只暴露五个标准操作:申请实例、观察当前状态、重置到某个任务、执行一步动作、评估结果。不管底层是安卓手机、Mac电脑还是浏览器网页,智能体看到的接口都是统一的。这意味着研究者要给MAI-Gym新增一种设备类型(比如iPad),不需要改动训练代码,只需要写一个适配器,把这台新设备的"开机、截图、点击、验证"这几个动作翻译成环境管理器认识的语言就行。

rollout

这套系统跑起来有多大规模?论文里给的数字是**2万个并行环境实例同时运行**。为了撑住这个规模,团队在底层做了不少硬功夫。比如手机端,标准的安卓模拟器需要"嵌套虚拟化"技术,而大多数云端容器集群根本不支持这个,所以他们改用了一个叫

不止是跑得快,还得省得下

光是环境能跑起来还不够,GUI任务还有个隐藏的成本黑洞:每走一步都要让大模型"看一眼截图再决定下一步",而且一个任务常常要走几十步才能完成。如果每一步都要把所有历史截图重新喂给模型计算一遍,算力消耗会指数级增长。

这里论文提出了一个我觉得特别值得细说的设计,叫**

常见的做法是"只保留最近k张截图",但这个做法有个致命问题:模型的输入prompt每走一步都会变。比如保留最近5张截图,走到第6步时,最老的第1张截图被扔掉了,整个输入序列的开头就变了。

这里要插一句背景知识。大模型推理引擎有个加速技巧叫**

KV缓存*:Key-Value Cache,大模型推理时为了避免重复计算,把之前算过的中间结果存下来,下次遇到相同的前缀内容直接复用,省去重复计算的开销。

"最近k张"的策略相当于每走一步就把前缀改了一遍,等于每一步都要把几乎全部历史重新算一次。MAI-Gym的解法是把步骤分成"窗口",比如每10步一个窗口,相邻窗口之间重叠2步。在一个窗口内,新内容只做"追加",不做"删除",这样前缀就能一直复用。等到了窗口边界,才把旧的截图"折叠"成占位符(文字描述还保留,但图片本身不再占用计算资源),开启下一个窗口。

这就像你在写一本连载小说,如果每写一章就把前面所有章节重新抄一遍再续写,那随着故事变长,抄写的工作量会越来越夸张。但如果你用活页夹的方式,旧的几页先收进档案盒(保留摘要,不留原文),新内容直接往本子后面续写,续写的那一刻你不需要动前面的内容。论文给出的实测数据很直观:窗口式方案让"前缀缓存命中率"从42.5%提升到85.9%,训练时每条轨迹需要处理的输入token数量从56万多直接降到8万多,降幅84.7%,训练一次更新的耗时从2166秒压到810秒,减少了62.6%。

当然这不是没有代价的,论文也坦诚地提到,rollout阶段每秒处理的步数从2.3降到了1.9,下降了18.9%。这是个典型的工程权衡:用rollout阶段略微的速度损失,换来训练阶段巨大的效率提升,整体上是划算的。

没有真实世界可以"练手",那就自己造一个

接下来是我觉得这篇论文最有巧思的部分:**怎么给AI造练习题**。

这里面有个现实困境。你想让AI学会用12306订票、用银行App转账、在外卖App下单,但这些App操作的是真金白银和真实订单。你总不能让AI在训练过程中反复给陌生账户转账几万次来"练手",这事不仅危险,而且根本没法重置。

论文把解决方案分成了两条线:一条叫**

先说克隆。研究团队用编程智能体(就是Claude Code这类能写代码的AI)照着7款真实App(12306订票、建设银行、滴滴打车、美团外卖、大众点评、抖音、小红书)从零搭建了功能相近的"仿真版",内部有自己的后端数据库,可以随时重置。论文配了一张对比图,仿真版App和真实App放在一起,连界面布局都做到了高度还原。测试人员会在真实App和仿真版里做同一套任务,一步步对照截图,确认两边行为一致。

这就好比飞行员在真实飞上天之前,先在飞行模拟器里练上几百个小时。模拟器的仪表盘、操作逻辑都和真飞机一模一样,撞了也没关系,重启一下接着来。如果没有这个模拟器,飞行员的第一次真实操作就得在真飞机上进行,容错率几乎为零。

另一条线是全新虚构应用,论文里管这个叫Novel Apps,专门用来测试AI"从没见过的界面,能不能靠自己摸索学会"。这些App完全是编出来的,界面和交互逻辑都是研究团队凭空设计的,保证任何预训练模型都不可能提前"背过"它的操作方式。每个App被设计成一个**

论文最后一共开源了49个这样的仿真App,7个真实克隆加42个全新应用,附带840个任务。

光有App还不够,任务也得有"世界观"

这是论文里让我印象很深的一点。市面上很多任务合成方法有个通病:生成的任务互相孤立,一个任务对应一个单独的输入文件,这些任务之间没有任何关联。

但真实世界里,人处理事情从来不是孤立的。比如论文举的一个例子:回复一封邮件时要填上附件发票里的总金额,这要求邮件内容、附件、发票金额在这个虚拟世界里是真实互相对应、自洽的,而不是随便拼凑出来的几份互不相关的文件。

为了实现这种"自洽性",MAI-Gym引入了**

persona

有了这个"自洽的世界"之后,任务才能变得真正考验综合能力。论文给的对比例子很说明问题:如果任务只是"创建一个叫预算复审的日程",AI只需要机械地点开日历App填个名字就行;但如果任务是"把预算复审会议挪到修订版预算表格截止日期的第二天",AI就必须先去读邮件、再去核对表格里的日期、最后才能回到日历去操作,这才真正考验了AI整合多方信息、做出正确判断的能力。

这就像出一道历史考题,如果只问"鸦片战争发生在哪一年",学生死记硬背就能答对,没有任何辨别力;但如果问"结合某条约的具体条款,分析为什么当时的通商口岸选址会影响后续局势",学生就必须真正理解上下文、调取相关材料、进行推理才能作答。孤立任务测的是记忆,关联任务测的才是真本事。如果不构建这种跨文件的自洽世界,生成出来的任务质量上限会非常低,模型练的始终是简单的"找图标点一下",而不是真实工作场景里常见的"多方信息汇总判断"。

奖励信号不能骗,验证器要经得起"考试"

既然任务生成出来了,怎么判断AI做得对不对?这里还有一个陷阱,论文专门点出来讲。

早期不少类似的研究用大模型(

VLM*:Vision-Language Model,视觉语言模型,能同时理解图片和文字的AI模型,常被用来当作自动化的"裁判"去判断一张截图是否满足某个条件。

MAI-Gym的解法是把代码验证放在第一位,VLM判断作为补充。具体流程是这样的:先写清楚任务要求的"验收标准",比如哪些数值必须出现在最终表格里;然后独立生成两段代码,一段叫

接下来是我觉得最严谨的一步,论文叫

这套流程像什么?像一份正式考试之前的命题审核。出题老师不能只是写完题目就直接拿去考试,必须先自己做一遍确认有答案、再找几个不同水平的学生试做,看看题目表述是不是有歧义、有没有送分漏洞,确认无误之后才能正式使用。如果跳过这道审核直接上线,考出来的成绩根本没法反映学生的真实水平。

MAI-Gym最终开源了2000个经过这套流程检验的任务,手机和电脑环境各1000个。

训出来的模型,表现到底怎么样

说了这么多基础设施,最终效果才是硬道理。研究团队用MAI-Gym训出了一个90亿参数规模的模型,叫**

训练过程有一个关键选择:**手机任务和电脑任务放在同一次强化学习训练里一起练,而不是分开训练两个专家模型再拼接**。常见做法是先单独训一个手机专家、单独训一个电脑专家,然后用参数加权平均的方式把两者"融合"成一个模型。论文专门做了对比实验:MobileWorld这个测试集上,手机专家单独训练能到76.4分,电脑专家73.5分,各种融合比例的组合最好也只能到76.4分;而联合训练出来的模型直接做到了78.4分,在另一个测试集OSWorld-Verified上也是同理,联合训练76.2分,比最好的融合方案还高1.4分。

这个结果说明了什么?说明手机和电脑这两类任务之间存在某种可迁移的共性能力,分开训练反而把这部分共性给丢了。这就好比一个人同时学钢琴和小提琴,如果完全割裂地学,各自练到一定程度后水平就卡住了;但如果在同一个阶段交替练习,节奏感、乐理理解这些底层能力是互通的,反而能让两种乐器都学得更快更好。

具体分数方面,

**模型没在训练里见过的任务和环境,表现是否能保持,这才是真正检验泛化能力的地方。**

论文专门区分了两类测试,一类叫

OOD*:Out-Of-Distribution,分布外,指测试数据和训练数据的分布不一样,用来检验模型是否只是记住了训练内容,还是真的学会了可迁移的能力。

虚拟世界练出来的本事,在真手机上管不管用

这是整篇论文我觉得最值得单独拎出来说的实验,因为它直接回答了一个所有人都会问的问题:在仿真App里练出来的能力,到底能不能用到真实App上?

研究团队挑了12306这个仿真克隆App,用52道配对任务(仿真版和真实版各准备一套对应任务)做了对照实验。结果是这样:在仿真克隆环境里,强化学习训练前成功率36.5%,训练后飙升到73.1%,提升了36.5个百分点。而这个在虚拟世界里练出来的模型,直接拿到一台真实手机上跑真实的12306 App,成功率从28.8%提升到了48.1%,提升了19.2个百分点。

**虚拟世界里练出来的操作能力,真的能迁移到物理世界的真手机上。**

论文里举了一个很具体的例子,叫"

不过论文也很诚实地指出了局限:仿真版和真实版之间的成功率差距,训练前是7.7个百分点,训练后反而扩大到了25个百分点。**仿真环境里的进步,不能完全预测真实环境里的表现。**

这个发现其实挺值得玩味的。你可以把这理解成,驾校里的模拟器练得再熟练,真上路还是会遇到模拟器里没有的突发状况,比如真实App的网络延迟、弹窗广告、偶发的UI渲染错误,这些仿真环境很难完全复刻。虚拟训练能大幅缩小差距,但没法完全消灭这个差距,这提醒我们在看任何"仿真训练效果"的报告时,都得留一个心眼,问一句"这个提升在真实场景里能保留多少"。

面对完全没见过的App,AI是靠什么学会的

另一个很有意思的小实验是关于那42个全新虚构App的。这些App此前没有任何模型见过,用来单纯测试"奖励驱动的学习"能不能让AI学会操作一个完全陌生的界面。

研究团队用252个任务训练,拿62个没训练过的任务来测试。强化学习前成功率25.8%,训练后提升到45.2%;因为超过步数限制而失败的次数从27次降到5次;平均完成一个任务所需的步数从33.3步压缩到16.4步。

论文配了一张案例图,任务是"把Music文件夹移动到Download文件夹,然后告诉我剩余空间发生了什么变化"。训练前的模型反复做一些无效的手势操作,60步的预算全部耗尽也没完成;训练后的模型只用5步就完成了移动操作并准确回答了空间变化,四项检查全部通过。

**这组实验的意义在于证明了一件事:只靠验证器给出的0/1奖励信号,不需要任何人类示范操作,AI也能摸索出一个全新界面的操作逻辑。**

这个结论挺重要的,因为它意味着未来给AI接入一个全新的、市面上从未出现过的软件时,不一定需要先录制大量人类操作视频去做监督学习,纯靠"试错加奖励"这条路径本身就是可行的,这大大降低了适配新软件的成本。

聊聊这篇论文留下的思考

读完整篇论文,我最大的感触是,这不是一篇单纯"刷榜"的论文,它更像是一份"把一个工程难题拆解清楚"的教科书式案例。

MAI-Gym真正的价值,可能不在于MAI-Gym-9B这个模型本身跑出了多高的分数,模型分数会被后来者很快超越,而在于它系统性地回答了"GUI强化学习的基础设施应该长什么样"这个问题。论文里提到的那几个设计,比如

论文中有一个细节我反复回味:克隆环境和真实环境之间的差距,强化学习训练后不但没有缩小反而扩大了。这个结果如果换个角度看待,其实揭示了一个更普遍的现象:当一个系统在某个受控条件下被优化到足够好的时候,它反而可能对那些受控条件之外的、现实世界特有的"噪声"更加敏感,因为它已经把训练环境里的规律学得太精确了,一旦环境本身有细微偏差,这种精确反而成了脆弱性的来源。这让我想起很多做仿真训练的领域,比如自动驾驶,都会面临类似的"仿真到真实的鸿沟"问题,MAI-Gym这个发现算是给GUI智能体这个相对年轻的子领域提前敲了个警钟。

另外值得一提的是,论文提到一个有意思的工程对比:他们还试验了另一种强化学习算法

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. OpenAI下场造机!首款AI手机细节曝光,直接叫板传统手机厂商

    【TechWeb】供应链最新消息显示,富士康旗下的富智康集团已拿下OpenAI手机项目订单,负责整机组装环节。据财联社报道,OpenAI的首款手机预计最快2027年底、最迟2028年正式亮相,除组装外,立讯精密、领益智造、瑞声科技等多家苹果供应链厂商也将参与零部件供应。截至目前,富士康方面尚未对上述消息作出回应,产品的

    来源 腾讯网
  2. 苹果自研AI智能体:可操纵设备写代码,2027年推服务未定

    IT之家 11 月 20 日消息,彭博社马克 · 古尔曼(Mark Gurman)今日报道称,苹果正在开发自主 AI 智能体,计划让 AI 代替用户执行设备操控、应用操作、网页浏览和软件编程等任务,进一步进入由 OpenAI、Anthropic、Meta 等公司参与竞争的 AI 智能体市场。古尔曼发现,苹果已经在官网发

    来源 腾讯网
  3. 苹果自研AI智能体曝光:可操控设备、写代码,2027年底或落地

    IT之家 11 月 20 日消息,彭博社马克 · 古尔曼(Mark Gurman)今日报道称,苹果正在开发自主 AI 智能体,计划让 AI 代替用户执行设备操控、应用操作、网页浏览和软件编程等任务,进一步进入由 OpenAI、Anthropic、Meta 等公司参与竞争的 AI 智能体市场。古尔曼发现,苹果已经在官网发

    来源 腾讯网
  4. Grab 通过安全策略应对 AI 生成代码变更激增,提升移动端 App 稳定性

    Grab 表示,AI 编程助手的普及加快了开发速度,也让每个版本的代码变更量变多,缺陷和应用崩溃出现的概率随之上升。为应对这些挑战,他们实现了一套分层防御策略,在整个开发与发布生命周期中对崩溃问题进行预防、检测和隔离。 Grab 提到,“AI 提升了代码编写速度,而分层防御则保障这种提速是安全的。” 在 Grab 这样

    来源 AI 行业观察
  5. 韩国LEET满分考生李振宇身亡,AI作弊指控与考场智能眼镜禁令

    韩国LEET法学研究生入学考试满分考生李振宇(32岁)近日在首尔汽车旅馆内被发现心脏骤停身亡。他此前深陷AI作弊质疑,曾公开承诺开YouTube直播,现场作答韩国高考韩语试题以自证清白。约定时间大量网友蹲守直播间,但他未现身、手机关机,自证最终未能进行。此事引发舆论关注。

    来源 AI 产业速递
  6. 谷歌让AI自改运行框架:成功率由5%升至40%

    谷歌11月17日论文发现:只优化提示词,AI智能体成功率反从5%降至2.5%;而让优化模型直接改写其运行框架Harness,成功率升至40%,提升8倍。团队将仅142行的初始编程智能体拆成四块逐一改造,Harness负责上下文与记忆管理、多轮任务调度、工具调用及结果验证。结论是改框架比磨提示词更有效。

    来源 AI 产业速递
  7. 苹果招人做主动型AI智能体:能编程、控应用

    据彭博社报道,苹果正开发自己的自主AI智能体,可代替用户编程、浏览网页、控制应用和设备操作。该计划由苹果官网“主动型、智能体式AI助手”招聘信息披露,苹果曾考虑最早明年年底推出,目前开发仍处早期阶段。

    来源 凤凰科技
  8. 三星安卓笔记本曝光:One UI 9.5 测试版现 Now Brief 等 AI 功能

    IT之家 11 月 20 日消息,科技媒体 sammyguru 昨日(11 月 19 日)发布博文,通过挖掘 One UI 9.5 首个 Beta 测试版,发现了三星安卓笔记本的更多线索,有望适配智能简报 Now Brief、主动建议功能 Now Nudge 等 AI 功能。 IT之家今天援引 Android Auth

    来源 AI 行业观察
  9. iPhone Air2、iPhone 18标准版确认春季发布,前者升级幅度巨大

    随着新机发布时间临近,苹果供应链已开始为下一代iPhone量产做准备。据ETNews披露,三星显示和LG Display均已着手准备OLED面板生产计划,两家供应商的生产安排一致指向2027年3月的新品发布窗口——标准版iPhone 18与超薄机型iPhone Air 2,将跳过今年秋季,在2027年春季与消费者见面。

    来源 TechWeb
  10. iPhone 18标准版与Air 2定档2027年春季:Air 2升级双摄、更薄机身

    随着新机发布时间临近,苹果供应链已开始为下一代iPhone量产做准备。据ETNews披露,三星显示和LG Display均已着手准备OLED面板生产计划,两家供应商的生产安排一致指向2027年3月的新品发布窗口——标准版iPhone 18与超薄机型iPhone Air 2,将跳过今年秋季,在2027年春季与消费者见面。

    来源 TechWeb
  11. 内存涨价传导至手机供应链:二手拆机内存价格打5折

    【TechWeb】持续上涨的内存价格,正在悄悄改变手机行业的供应链格局。据数码博主透露,内存厂商预计2027年内存价格仍将持续上涨,这轮涨价行情可能延续至2028年上半年,直到下半年才逐步进入平稳期。而为了应对成本压力,部分小品牌和山寨手机厂商已经开始在百元机、千元机上使用拆机二手内存——更值得关注的是,2027年部.

    来源 腾讯网
  12. 苹果2027年春季发新机:iPhone 18标准版与Air 2,三星LG面板先行

    【TechWeb】随着新机发布时间临近,苹果供应链已开始为下一代iPhone量产做准备。据ETNews披露,三星显示和LG Display均已着手准备OLED面板生产计划,两家供应商的生产安排一致指向2027年3月的新品发布窗口——标准版iPhone 18与超薄机型iPhone Air 2,将跳过今年秋季,在2027年

    来源 AI 行业观察
  13. 英伟达克雷斯任临时CEO:AI芯片节奏未改,散热厂商同步看涨

    【TechWeb】11月19日,行业媒体Digitimes发布报道,聚焦黄仁勋辞任后英伟达首次财报电话会议。针对外界“换帅是否会打乱AI芯片供货”的疑虑,临时CEO科莱特·克雷斯(Colette Kress)明确回应:公司业务照常开展。克雷斯在会上强调,英伟达未来产品的开发与推出节奏保持不变,公司的运营表现、业务展望及

    来源 腾讯网
  14. 一张照片就能骗过!苹果iPhone Duo人脸解锁遭博主实测“打脸”

    【TechWeb】本周,苹果向iPhone Duo推送了iOS 27.3 Beta 2开发者固件,新增了一项基于前置摄像头的人脸解锁功能。由于iPhone Duo并未配备Face ID所需的TrueDepth硬件,这一功能被视为苹果用软件手段弥补硬件缺位的尝试。然而日前有博主发布实测视频称,仅凭一张照片就成功解锁了iP

    来源 腾讯网
  15. Recapture:用合成数据解决文档AI训练的“扫描件荒”

    训练视觉语言模型时,干净的数字文档太多,真实的皱褶扫描件太少。Recapture 这个开源工具能把平整的PDF页面变成逼真的手机拍照或扫描仪图像,自动保留标注框。不用真的去打印再拍摄,就能批量生成带噪声的训练数据,解决数据集混合难题。

    来源 AI 应用前沿
  16. 郑渊洁71岁用AI做动画,8部短片免费开放

    11月17日,停更近两年的郑渊洁在个人社媒发声,宣布了一件让他自己都觉得“振奋和不可思议”的事:对动画制作“一窍不通”的他,已经用AI把自己的童话作品做成了动画短片,全部通过授权抖音账号“郑渊洁童话世界”免费开放观看。这位71岁的“童话大王”在视频末尾向00后道贺——祝贺他们赶上了“可以免费享用精神文化作品、人人可以参

    来源 TechWeb
  17. 郑渊洁用AI做动画短片:8部已上线,宣布作品免费开放

    11月17日,停更近两年的郑渊洁在个人社媒发声,宣布了一件让他自己都觉得“振奋和不可思议”的事:对动画制作“一窍不通”的他,已经用AI把自己的童话作品做成了动画短片,全部通过授权抖音账号“郑渊洁童话世界”免费开放观看。这位71岁的“童话大王”在视频末尾向00后道贺——祝贺他们赶上了“可以免费享用精神文化作品、人人可以参

    来源 TechWeb
  18. 内存涨价逼出“灰色操作”:二手拆机内存杀入手机供应链,价格直接打5折

    持续上涨的内存价格,正在悄悄改变手机行业的供应链格局。据数码博主透露,内存厂商预计2027年内存价格仍将持续上涨,这轮涨价行情可能延续至2028年上半年,直到下半年才逐步进入平稳期。而为了应对成本压力,部分小品牌和山寨手机厂商已经开始在百元机、千元机上使用拆机二手内存——更值得关注的是,2027年部分主流手机品牌也可能

    来源 TechWeb
  19. 英伟达临时CEO克雷斯回应换帅疑虑:AI芯片业务照常,产品节奏不变

    【TechWeb】11月19日,行业媒体Digitimes发布报道,聚焦黄仁勋辞任后英伟达首次财报电话会议。针对外界“换帅是否会打乱AI芯片供货”的疑虑,临时CEO科莱特·克雷斯(Colette Kress)明确回应:公司业务照常开展。 克雷斯在会上强调,英伟达未来产品的开发与推出节奏保持不变,公司的运营表现、业务展望

    来源 AI 行业观察
  20. iPhone Duo人脸解锁实测:一张照片即解锁,苹果软件方案遇考

    本周,苹果向iPhone Duo推送了iOS 27.3 Beta 2开发者固件,新增了一项基于前置摄像头的人脸解锁功能。由于iPhone Duo并未配备Face ID所需的TrueDepth硬件,这一功能被视为苹果用软件手段弥补硬件缺位的尝试。然而日前有博主发布实测视频称,仅凭一张照片就成功解锁了iPhone Duo—

    来源 TechWeb
向下滚动自动加载更多