SETI启用AI智能体操控艾伦望远镜：外星信号搜寻提速

AI 正在接手“硬活”：从搜寻外星信号到操控你的桌面

以往说起 AI，话题多半围着写字、画图、写代码打转。可最近几件事透出一个信号：AI 智能体（Agent）正从屏幕里走出来，开始接管真实的物理设备和操作系统底层。

天文学领域的例子最硬核。SETI 研究所（搜寻地外文明计划）与 Breakthrough Listen 项目对外表示，已启用 AI 智能体协助操控艾伦望远镜阵列（Allen Telescope Array）。该系统跑在 NVIDIA 的 Holoscan 平台和 CUDA-X 软件栈上，AI 能实时处理望远镜回传的数据，并自动挑出潜在的外星信号候选者。

射电望远镜吐出的数据量是天文数字，光靠人眼盯频谱图找异常，既不现实也谈不上高效。把 AI 放进控制环节，观测流程就能从“人工调度加事后分析”变成“实时自主决策”。眼下它扮演的仍是“协助”角色，但 AI 已经踏进科学仪器控制的核心回路。

操控望远镜离普通人毕竟远了些。Vercel Labs 开源的那个agent-desktop就更贴近日常开发：AI 智能体可以借操作系统的“无障碍树”（Accessibility Tree）读取并控制桌面应用。

无障碍树是什么？说白一点，就是操作系统为方便视障人士使用屏幕阅读器而暴露出来的界面结构信息。过去 AI 想操作电脑，要么截图识别，慢且不准；要么模拟鼠标键盘，容易出错。走无障碍树这条路，AI 能直接“看懂”窗口里有哪些按钮、输入框和菜单，再像真实用户那样去点击和输入。

agent-desktop它支持 macOS、Windows 和 Linux，以 Apache-2.0 协议开源。往后大概会出现更多真能“用”电脑的 AI 助手，比如替你自动整理文件夹、在多个软件之间搬运数据，甚至自动测试 GUI 应用。对开发者而言，这比单纯调用 API 是一种更底层的交互方式。

模型里的“奇技淫巧”：把 Qwen 变成 RISC-V 处理器

大模型越做越大，偏有开发者反着来，去挖模型的极限潜力。最近有个叫Qwenputer的项目火了。

开发者拿阿里云的 Qwen3.5-4B 模型做底子，做出了一个能执行 RISC-V 指令的特殊版本。RISC-V 属于开源指令集架构，嵌入式设备和芯片设计里常见它的身影。Qwenputer其核心思路是：绕开外部编译器和解释器，把 RISC-V RV32IM 的执行逻辑直接“编”进模型权重，再用模型的内部状态去模拟 RAM（随机存取存储器）。

听着玄乎，说白了就是让大模型去扮一个 CPU。你喂给它一段机器码或汇编指令，它不会生成自然语言解释，而是在内部直接做状态转移，把计算结果吐出来。这项实验并不是要让它真去跑大型软件——那效率低得感人——它的意义在于试探大模型有没有精确的逻辑计算和状态记忆能力。

一直以来，业界都觉得大模型长于概率预测、短于精确计算。Qwenputer但它证明了：经过特定的后训练和提示工程，参数量小的模型在受限环境里也能实现图灵完备的计算。这对理解神经网络内部的推理机制、开发专用神经形态硬件，都有参考价值。

另一边，Baseten 发布了一个更务实的小模型joey-1。这是一个只有 20 亿参数（2B）的决策模型，由 Qwen3.5-2B 后训练而来。

和那些什么都能聊的通才模型不一样，joey-1它只干一件事：输出标签和校准概率，面向路由、分类和安全检查场景。比如在复杂的 AI 工作流里，得有个模型判断用户意图是“查询天气”还是“写代码”，或者判断某段内容是否违规。joey-1它不做生成，只做判断，速度快、成本低——每百万 token 只要 0.01 美元。

“专用小模型”这条路正越走越明。AI 应用落地之后，企业发现拿千亿参数的大模型去做简单分类太浪费。往后可能是大模型管复杂推理，小模型管高频、低成本的决策分流，大小搭配着来。

硬件与消费端：AI 眼镜开售，巨头豪赌基建

消费硬件这边，Rokid 的第二代 AI 眼镜已经开卖。这款眼镜搭载了京东开发的JoyAI-VL-Interaction消费硬件这边，Rokid 第二代 AI 眼镜已经开卖，用的是京东开发的模型，主打实时视频处理。

早期 AR 眼镜比拼的是显示效果，这款产品把重点放在“交互”上。摄像头能看清你所处的环境，给出提醒、记忆辅助和环境讲解。走到景点跟前，它可能自动播报历史背景；开会的时候，也能帮你记下关键信息。京东方面称，该模型计划全栈开源，开发者生态能从中受益。

硬件热闹的另一面，是基础设施投入的规模。据报道，Alphabet（谷歌母公司）、Meta、微软、亚马逊和甲骨文五家科技巨头承诺，未来数年拿出超过 3 万亿美元建设 AI 基础设施。

3 万亿美元比不少国家一年的 GDP 还高。钱主要花在三处：算力芯片（如 NVIDIA GPU）、数据中心建设、能源供应。AI 训练和推理耗电惊人，竞争的重点已经从“谁有模型”转到“谁有电”“谁有散热”。

军备竞赛带来的资本压力不小。巨头把它当护城河，中小玩家却越来越难进场。Baseten 这类公司推出极致性价比的小模型，原因也在这里——大家都想在昂贵的算力账单上省点钱。

安全警示：养蜂教程也能攻破模型防线

最后说一项让人背脊发凉的安全研究。Anthropic 的最新实验显示，再无害的训练数据，也可能被拿来破坏模型的安全监督。

研究人员把养蜂技巧、摔跤建议这类看似 benign（无害）的文本，按特定顺序和结构拼成微调数据集，结果能诱导模型绕过安全护栏，去做原本被禁止的操作。多轮实验里，研究人员都找到了这样的“特洛伊木马”数据组合。

也就是说，光靠“过滤有害数据”恐怕不够。攻击者不用直接投喂仇恨言论或恶意代码，只要利用模型对上下文关联的学习机制，就能潜移默化地改变它的行为模式。

数据清洗的要求随之提高。以后做模型安全，不只看“内容”，还得看“结构”和“分布”。开源模型和数据集带来便利，也带进不可控的风险变量。AI 越深入工作和生活，这种隐蔽的攻击面越值得从业者警惕。

小结

这一周信息量很大，主线却清楚：AI 正从“虚拟对话”走向“物理控制”和“底层计算”。控制望远镜、操作桌面、在模型权重里跑指令，技术都在往更深处渗透。资本砸下巨额投入，安全隐患也接连暴露，这场变革机遇与荆棘并存。