6G网络自动管理遇隐私难题:爱立信提出只看类别标签

资讯 腾讯网 作者:腾讯网 全文 5998 字 · 约 15 分钟读完 分类网络学术研究

你有没有想过,一个手机信号基站,到底"看"到了你多少东西?答案可能比你想象的更吓人。为了判断网络服务质量够不够好,运营商的管理系统往往需要翻看每一条数据流,知道你在刷视频还是打电话,知道你用的哪个APP,甚至能拼出你的使用习惯。这在6G即将到来的今天,变成了一个绕不开的麻烦事。这篇论文要解决的问题,说起来...

所属频道 前沿研究

一个手机信号基站究竟能“看”到你多少东西?这个问题很多人没想过。

答案或许比预想的更让人不安。运营商的管理系统为了判断网络服务质量是否达标,常常要逐条翻看数据流,搞清楚你是在刷视频还是打电话、用的是哪个APP,甚至能还原出你的使用习惯。6G眼看就要到来,这件事变得躲不开了。

论文要处理的问题本身就带着矛盾:网络越智能、越自动化,前提往往是“看得更清楚”,可看得越清楚,越容易踩到隐私保护的红线。爱立信的研究者Joss Armstrong就在这个夹缝里找到了一条路。

当“意图”变成一种网络语言

背景是这样的:眼下6G网络管理流行一种新思路,叫“意图驱动网络”。

**意图驱动网络(IBN):运营商不用再逐个手动设置网络参数,只要把想要的结果讲明白就行——例如“某条企业专线要达到99.9%的可用性”,至于怎么翻译、怎么执行、怎么监控,全由系统自己完成。**

这个思路被

听着不错吧?可现实中的落地方式,几乎都建立在同一个假设上——系统必须看到网络里每一条数据流的细节。有些方案干脆把每个用户的会话数据直接喂给大语言模型,让AI去判断服务好不好。

麻烦就在这儿。这种“全知全能”的监控方式,撞上了三堵墙。

头一堵是法律。欧盟GDPR要求“数据最小化”,也就是只能收集完成任务所必需的最少数据;ePrivacy指令还要更进一步,直接禁止窥探通信内容。一个要翻看用户流量细节的管理系统,天生就跟这些法规对着干。

第二堵墙是设备厂商的“不透明”。6G网络用的

第三堵墙是加密。如今超过90%的互联网流量都经过加密,想靠检查数据包内容来判断流量类型,本身就是一场打不完的猫鼠游戏。

三堵墙横在那里,研究者不得不去想:有没有一种办法,让网络管理系统既能干活,又不用“偷看”用户的流量?

只看“类别标签”,不看流量内容

论文的核心思路其实一句话就能说清:系统不去看用户在传什么内容,只看用户声明自己属于哪一类需求。

展开讲,整个架构里有一个叫“协调器”(coordinator)的角色,专门负责分配网络资源。它拿到的信息少得可怜,只有一个类别编号,比如1到K之间的某个数字,K代表总共有多少种意图类别。协调器照着这个编号去匹配对应的资源配置方案,全程不碰流量内容本身。

这就像去银行办业务:你不必告诉柜员每一笔钱的来源和去向,只要说“我要办房贷类业务”或者“我要办储蓄类业务”,柜员按你报的“业务类型”把你引到对应窗口,具体细节柜员既不需要知道,也看不到。反过来,如果要求柜员必须审查你账户里每一笔交易记录才肯分配窗口,效率低不说,你的隐私也荡然无存。论文里说的“类别信号”就是这个意思,它是一道过滤器,把具体内容挡在外面,只传递一个粗粒度的分类结果。

**

论文用这条定律证明了一件挺硬核的事:假设类别总数是K,每个类别被选中的概率均等,那么协调器通过“类别到资源”这个分配动作,最多只能泄露关于用户真实流量内容的log₂K比特信息。换句话说,K越小,这个上限就越低,隐私保护得越严实。

举个具体例子,如果只有8个类别,log₂8等于3,意味着这套机制最多泄露3比特的信息。不管黑客多聪明、用了什么高级算法,都榨不出更多东西——这个上限由架构本身决定,不是靠算法藏起来的,是从根上就没多收集。

这里有个容易误解的点要澄清:log₂K只是一个上限,不代表每次分配都真的泄露了这么多信息,实际泄露可能远低于此。论文后面的实证部分也验证了这一点,在四个真实运营商网络里,实际的类别信息熵比理论上限低了8%到20%。

验证服务质量,靠的是基站的“体检报告”

光做资源分配还不够,网络管理还有一个关键环节叫“保障”(assurance),也就是持续检查提供的服务到底达没达标。

传统做法无非几种:深入检查数据包、追踪每条数据流的状态、调取设备厂商内部的专有数据。这篇论文给出的方案是只用一种数据——标准化的、按基站统计的性能计数器。

**

这些数据通过一个叫

这就好比医院体检,医生判断你健不健康,不需要翻你的手机聊天记录,只看血压、心率、血糖这些汇总后的生理指标就行。这些指标本身不会暴露你和谁聊了什么,却足够医生判断你的身体状态是否正常。反过来,如果要求医院必须知道你每天的行踪和社交内容才能判断健康状况,那体检这件事就彻底变成了隐私侵犯。

论文还给出了一个颇有意思的数学结论:把每个用户的个体数据看成“类别整体均值再加上一些跟真实服务状态无关的随机噪声”,那么单看类别均值做检测,效果不会比逐个用户看详细数据差,甚至可能一样好。这套论证叫“比较实验”,1953年由统计学家布莱克韦尔提出,道理是:手里有了汇总数据,总能模拟出一份个体数据去跑任何检测方法,汇总数据因此天然不落下风。

不过论文也把结论的前提讲得很清楚:要是故障只砸中某个类别里的少数几个基站,并非整体一起出毛病,那么按类别均值检测反而会把异常信号“稀释”掉,这时逐个基站查更靠得住。论文把这种情况称为“稀疏退化”,还专门做实验验证了两种检测方式各自的适用场景。

隐私和检测能力,竟然是“天然盟友”

论文里有个让我意外的发现:隐私保护和故障检测这两个看上去打架的目标,其实在某种程度上是一路的。

按一般直觉,想要检测更准就得多看细数据,看得越细隐私漏得越多,两者是对立的。论文的分析却指向另一个方向。

资源分配追求的是类别分得越细越好:类别越细,每个用户拿到的资源配置越贴合真实需求,浪费越少。检测偏偏相反,每个类别要被可靠地检出异常,都得有足够多的样本(也就是足够多的基站)撑起统计意义上的判断,类别分得太细,每类里的基站数量就不够,检测反而不准。

也就是说,当你为了检测可靠而要求每个类别至少含q个基站时,类别总数K就被限制在基站总数M除以q以内。而类别总数K恰好决定隐私泄露的理论上限log?K。两个目标在这一点上走到了一起:检测要的最小样本量q,顺手把隐私泄露的上限也锁死了。

这就像公司划部门:拆得太细,比如一个部门只有一个人,绩效数据根本没法做统计意义上的横向比较,一个人请一天假绩效波动就可能是百分之百;划得太粗,比如全公司只有一个大部门,又没法精细地给不同岗位匹配薪酬和晋升路径。中间存在一个“够用就好”的区间,部门太多统计失真,太少激励机制粗糙,这个区间恰好也是信息不会过度暴露的区间——部门粒度一旦粗化,具体谁拿了多少钱这种敏感信息就被稀释进部门平均值里了。

论文把这个“够用就好”的区间叫可行区间。区间之内,资源分配的精细度要求和检测的统计功效要求都能满足;出了区间两端,不是浪费资源精度,就是浪费检测能力,或者白白多泄露隐私却换不来任何好处。

四个真实运营商网络,验证理论是否站得住脚

光靠理论漂亮不够,最后得拿数据检验。论文团队调取了4组经过匿名化处理的真实运营商网络数据,时间跨度5周,基站规模最少537个、最多12861个,相差一个数量级。

实验里有个挺扎心的现象,叫“检测平台期”。研究者把类别数量K从3一路调到30,发现检测的召回率(真实故障被正确识别的比例)在K到8左右之后就不再涨了,后面继续加类别,召回率基本原地踏步,隐私泄露的理论上限却一路看涨,从K=8时的3比特涨到K=30时的4.9比特。

这意味着什么?如果你盲目把类别越划越细,想着“精细就是好”,其实是在白付隐私成本,检测收益一点没拿到。论文测的四个网络里,类别数落在5到8之间,正好卡在这个“性价比最高”的拐点附近。

另一个有意思的发现是,基站越多的网络检测效果整体越好,但这个关系不是简单的“基站越多越好”。拥有12861个基站的网络(论文里叫Net-C)在K=10时召回率达到0.85,而只有537个基站的网络在相同设置下只有0.53。论文也发现,光用“每个类别平均分到多少基站”这个指标,并不能完全预测检测效果好坏,不同网络之间还有论文没有完全解释清楚的其他差异因素。

论文还做了个压力测试,叫“类别构建成本”评估,看给12861个基站的网络做K均值聚类(把基站自动分成K个类别)要多久。结果哪怕是最大的网络,分成30个类别也只要2.4秒左右。真正耗时的是把原始数据聚合成基站级统计量那一步的数据库查询,但在实际部署中这一步本来就是网络运维流程里的常规动作,不算额外负担。

时间维度上也有波动。论文发现四个网络里有三个的类别划分能维持两周不用重新训练,检测效果只小幅下降,但有一个网络(Net-B)性能衰减明显加速,三周后召回率从0.738掉到0.527,掉了超过20个百分点。有意思的是,论文查了基站的“锁定状态”记录(一种设备管理相关的日志信号),发现这个信号完全没捕捉到这次下滑的任何痕迹,说明光靠传统的设备管理日志根本看不出流量模式已经变了,必须专门监控类别中心点的“漂移”才能及时发现问题。好消息是,重算一次类别划分只要几秒钟,发现问题就能立刻解决。

差分隐私能帮上忙吗?

论文还做了个跟差分隐私技术的对比实验,这个对比挺有现实意义,因为差分隐私是目前隐私保护领域最流行的技术路线。

**

论文设计了一项“随机化响应”实验:在类别级别的告警信号上注入噪声,模拟现实中给告警结果套上一层隐私保护。结果指向一个很实际的问题——噪声一加,误报率和漏报率会一起下降,双双朝“随机瞎猜”的50%靠拢。

论文提出了一个很实用的衡量指标,叫检测边际J,就是召回率减去误报率,代表这个检测器相对于“瞎猜”到底高出多少。实验数据显示,随机化响应会把这个边际按一个系数压缩,隐私强度为ε=1时系数是0.46,ε=2时是0.76,ε=5时是0.99,也就是说隐私保护越强,检测边际被压得越厉害。如果检测器本身的区分能力已经很弱,边际接近于零,那么加再多噪音也救不回来,这时候该做的不是加噪音去保护一个不好用的检测器,而是干脆换一个更靠谱的检测方法。

这个发现其实点出了差分隐私与本文架构的根本差异。差分隐私走的是先收详细数据、再设法把数据"模糊化"的路子,好比先把照片拍清楚再打上马赛克。本文的架构则从源头上就不去拍这张清晰照片,相机镜头一开始只能看到模糊轮廓。前者要持续投入运维成本,调噪音参数、管密钥;后者架构一旦定下来,隐私保护自带,不用额外维护。

这套方案能落到真实的6G设备上吗?论文用了相当篇幅讲机制怎么嵌入真实通信网络架构,读起来不悬浮,不是纯理论推演。

论文特别强调,这套机制完全不需要依赖另一个叫

在

**

**

这个设计选择背后的权衡挺实在。设想你是连锁餐厅总部的人,要盯全国几百家门店的运营。要求每家店按统一格式报翻台率、客单价这类详细监控数据,做得到,因为这是行业通用指标。可要是要求每家店把后厨摄像头实时画面开放给你,有些加盟店老板肯定不干,而且数据格式五花八门,压根没法统一处理。只用通用指标做管理,细节是少了,换来的却是整套系统在所有门店无差别运行,不必逐店去谈数据开放协议。

结语之前,还有几个没完全解开的疑点。论文作者自己也很坦诚,把架构尚不能解决的问题列了出来。

比如这套机制假设协调器"诚实但好奇",即它严格遵守协议规则,不会主动绕过限制窥探数据;可一旦有人恶意改造系统,比如在O1数据管道之外偷偷塞进深度包检测设备,保护就失效了。论文承认,这不是针对恶意攻击者的加密学意义上的严格证明,只是让违规行为变得"可审计",比如能检查协调器实际请求的数据类型是不是真的只有基站级别的汇总指标。

另外,论文验证检测效果所用的"故障"是人为注入的,比如把某些时段的数据替换成另一个类别的数据,这种模拟跟真实世界里基站真出故障时的表现未必一致。论文也用了四种更贴近真实场景的模拟故障(断网、干扰、流量激增等),但承认这四个数据集本身都没有真实故障标签,终究只是近似。

还有一个挺微妙的点:基站之间的数据存在"联动性"。论文发现,同一类别内的基站哪怕在同一个统计周期里,数据波动也不是彼此独立的,很可能同时受某个共同因素影响(比如同一片区域的天气或流量高峰)。结果类别平均值这类统计量,实际有效样本量比表面上的基站数量少得多,论文测出来只有6到14个,不管这个类别里实际装了多少基站。这个发现直接否定了"类别越大检测越准"的朴素直觉。

写在后面

读这篇论文,最让我意外的不是那套信息论证明,而是论文反复强调的一个姿态:架构性隐私不靠加密算法或噪音技术去"补救"已收集的敏感数据,而是在设计阶段就不碰这些数据。这个思路颠覆了我对隐私保护技术的一个默认预期。我原本以为隐私保护必然意味着某种"事后处理",加密、脱敏、加噪音,总得对已有数据做点什么。论文提醒我,还有一种更彻底的做法是压根不让敏感数据进入系统,工程哲学上更接近"防患于未然",而不是"事后补救"。

另一个让我反复琢磨的细节是"检测平台期"。研究者本可以简单说一句"类别越细,隐私泄露越多",但他们用实验证明了一件更有意思的事:很多时候细分到一定程度,检测能力就不再提升,隐私成本却一直往上涨。这意味着真实场景里"更细"往往不等于"更好",这个教训也能推广到其他需要在精细度和成本之间权衡的工程决策。

论文目前还停留在用历史数据做回溯验证的阶段,没有在真实运行的网络里做在线部署测试。真把这套机制装进一个正在服役的6G基站集群跑上几个月,会不会碰上论文没预料到的边界情况?这个问题留给了未来的研究者。

Q&A

Q1:

A:

Q2:为什么论文说隐私保护和故障检测这两个目标是一致的?

A:资源分配追求类别划分越细越好,故障检测则要求每个类别至少包含足够数量的基站,才能保证统计上的可靠性。这个最小基站数量要求同时压住了类别总数的上限,而类别总数又正好决定隐私泄露的理论上限,两者在这一点上恰好重合。

Q3:这套机制依赖哪些网络接口,是否需要特定厂商设备支持?

A:这套机制只依赖

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 AI 工具

AI 导航
神经网络入门 该产品是Brilliant平台上的一门关于神经网络入门的在线课程。神经网络是一种灵活的数据处理机器,能通过检… 教育与学习 · brilliant.org 知网CNKI AI 学术研究助手 CNKI AI学术研究助手,是大模型时代同方知网全面拥抱AI、赋能科研创新的全新探索,是推进问答式增强检索和… 知识管理 · cnki.net DFN(德国科研网络) 德国科学界组织组建,为德国科学和研究提供服务的通信网络 德国科学界组织组建,为德国科学和研究提供服务的通信网… 论文与学术 · dfn.de GLIF(全球光网络基础设施) 是一个促进科研领域光网络发展的国际性虚拟组织是一个促进科研领域光网络发展的国际性虚拟组织 论文与学术 · glif.is HyperWrite AI 超写是一款个人AI写作助手,利用先进的AI技术帮助您更智能、更快捷、更轻松地完成写作、沟通和研究任务。提供数… 聊天对话 · hyperwriteai.com Hix AI hix ai官网,一款全面的AI驱动写作助手,提供超过120种工具用于内容创作、编辑和优化 简介 HIX.A… 聊天对话 · hix.ai JGN(日本千兆网络) NICT为信息通信技术开发的高速研发网络测试平台,旨在为高级网络技术的研究人员提供测试环境,并为研究人员提供… 论文与学术 · go.jp Janet(英国科研教育网络) 英国科研和教育界的高速网络 英国科研和教育界的高速网络 论文与学术 · ac.uk

相关推荐 按相关度与热度排序

全部资讯 →
  1. NEO-VLA:像素直出动作,具身模型怎么吃透视觉细节?

    让机械臂把网球稳稳放到易拉罐上,既要识别物体,也要判断网球是否对准罐顶,以及何时松开夹爪。这些看似简单的操作,往往依赖细微的视觉信息。问题在于,动作模型能否充分利用这些信息?近日,来自南洋理工大学 S-Lab、商汤研究院与 Ropedia 的研究团队提出 NEO-VLA,将原生视觉语言模型引入机器人动作学习。图像经过轻

    来源 腾讯网
  2. 南开大学综述:AI做研究,三项决策权在谁手里?

    新智元报道 你让AI自动设计一种新的推理算法:它能读论文、写代码、跑实验,还能根据结果不断修改方案。看起来,整个研究过程已经交给了AI。但如果研究问题由人类提出、允许修改的范围由人类划定、判断成功的标准也由人类设定,那么AI真正掌握了多少研究决策?它是在替人做实验,还是已经开始决定如何做研究?最近,南开大...

    来源 腾讯网
  3. XYBench基准出炉:AI答得对却帮不上忙,8000题考意图识别

    当用户问错问题时,AI是顺着错误给方案,还是指出真正的问题?Allen AI发布的XYBench基准测试了8000多个真实场景,发现主流大模型在识别用户潜在意图和纠正误解方面,表现远不如人类。本文详解XYBench的构建逻辑、评估维度及实验结果,探讨为何“听懂弦外之音”对AI助手至关重要。

    来源 AI 应用前沿
  4. DeepSeek App与网页版设使用限额:长对话7天不活跃不再保留

    有用户在使用DeepSeek时被提示因“算力不足,不再支持超过7天不活跃的长对话”,并对单次输入文字的上限进行了调整,缩短至4万字左右。值得注意的是,截至发稿,DeepSeek尚未就此次限额发布单独的正式公告,也没有给出额度恢复的时间表。对于依赖DeepSeek进行日常工作的用户而言,明确额度规则和恢复预期,与获得算力

    来源 TechWeb
  5. DeepSeek App与网页版设使用限额:长对话7天不活跃即失效

    有用户在使用DeepSeek时被提示因“算力不足,不再支持超过7天不活跃的长对话”,并对单次输入文字的上限进行了调整,缩短至4万字左右。值得注意的是,截至发稿,DeepSeek尚未就此次限额发布单独的正式公告,也没有给出额度恢复的时间表。对于依赖DeepSeek进行日常工作的用户而言,明确额度规则和恢复预期,与获得算力

    来源 TechWeb
  6. 中科院团队:少量神经元即可解码手部三维运动,脑机接口迎新思路

    IT之家 11 月 14 日消息,据新华社昨晚报道,中国科学院自动化研究所团队通过灵长类动物实验研究,揭示大脑仅用少量神经元就能解码手部三维运动轨迹,为研发更高效的新一代脑机接口提供神经科学依据。 在以往的运动皮层研究中,实验往往将猕猴的运动范围限于少量离散位置,研究人员难以分辨神经元的编码方式。 为了解开这个难题,研

    来源 AI 行业观察
  7. 跑步机看Netflix要再交39美元会员费,老外用Claude破解

    对老狐来说,每个月总要有些订阅软件服务的开销,比如 AI 的、网盘的、资讯的……这年头已经不流行一劳永逸的买断了,必要的服务该订阅还是得订阅。既然已经掏钱买了会员,自然会默认为跨平台都能通用。但总有些厂商不讲武德,明明已经买了一款软件的会员,结果在别的平台用的时候居然还得掏钱?不知道大家有没有过这种经历,而最近国外 R

    来源 腾讯网
  8. 永不停歇的资本开支,换不回存储公司一夜安眠

    作者:贾乐乐;编辑:嘉辛近期,长江存储母公司长存控股的科创板IPO传出暂缓消息。原定于10月底至11月初启动的战略配售程序被推迟,上市进程可能因此延后数月。目前项目仍处于上交所“已问询”阶段,并未终止或撤回。2026年第一季度,长存控股实现归母净利润333.79亿元。对于一家单季就赚了330多亿元的公司来说,IPO募资

    来源 腾讯网
  9. 苹果N50智能眼镜曝光:2027年6月WWDC发布,年底前出货

    据彭博社资深科技记者马克·古尔曼 2026年11月15日发布的“Power On”通讯,苹果首款智能眼镜计划在2027年6月的苹果全球开发者大会上正式发布,并预计在2027年年底之前开始出货。报道称,N50 智能眼镜不具备AR显示功能,主要依赖Siri语音助手、摄像头和传感器提供AI辅助功能,应用场景包括识别景物、翻译

    来源 TechWeb
  10. 苹果N50智能眼镜:2027年6月亮相,年底出货?

    据彭博社资深科技记者马克·古尔曼 2026年11月15日发布的“Power On”通讯,苹果首款智能眼镜计划在2027年6月的苹果全球开发者大会上正式发布,并预计在2027年年底之前开始出货。报道称,N50 智能眼镜不具备AR显示功能,主要依赖Siri语音助手、摄像头和传感器提供AI辅助功能,应用场景包括识别景物、翻译

    来源 TechWeb
  11. 白宫超级智能工作组建议放宽问责,鼓励AI企业上报安全事件

    IT之家 11 月 14 日消息,据彭博社报道,当地时间 13 日,美国政府新设的“超级智能工作组”在白宫开会,建议联邦机构放宽网络安全事件的问责政策,鼓励 AI 企业主动报告重大安全事件。一名不愿具名的政府官员透露,工作组认为,过去处理网络安全事件时采用的监管处罚标准可能不再适用,甚至会让企业不敢分享重要的安全信息.

    来源 腾讯网
  12. 黄仁勋辞职:周鸿祎谈创始人价值与美对华芯片分歧

    【TechWeb】11月14日消息,英伟达创始人黄仁勋突然辞职后,360创始人周鸿祎接连发布多条视频表达观点。他认为,英伟达失去的不只是一位CEO,更是一位能提前十年判断技术方向的创始人,若处理不当恐重蹈苹果当年赶走乔布斯的覆辙;与此同时,黄仁勋的离开也折射出美国对华芯片政策背后的深层博弈,但中国AI的发展不会因外部封

    来源 AI 行业观察
  13. 星舰第15飞:B22助推器返场未果,S42将试塔捕?

    11月14日消息,美国中部时间2026年11月13日下午,SpaceX“星舰” 第15次试飞成功升空。此次任务使用超重型助推器 B22 号和飞船 S42 号,原计划首次实现助推器与飞船双双返回发射场并由发射塔机械臂实施空中捕获回收,同时部署 26 颗第三代星链卫星。但任务并未完全按计划推进。助推器未能按计划返回发射场,

    来源 TechWeb
  14. 星舰第15次试飞:B22与S42首演双回收未成,墨西哥湾落幕

    11月14日消息,美国中部时间2026年11月13日下午,SpaceX“星舰” 第15次试飞成功升空。此次任务使用超重型助推器 B22 号和飞船 S42 号,原计划首次实现助推器与飞船双双返回发射场并由发射塔机械臂实施空中捕获回收,同时部署 26 颗第三代星链卫星。但任务并未完全按计划推进。助推器未能按计划返回发射场,

    来源 TechWeb
  15. SpaceX星舰第15次试飞升空:双回收未全达成,飞船返航待验证

    【TechWeb】11月14日消息,美国中部时间2026年11月13日下午,SpaceX“星舰”(Starship)第15次试飞成功升空。此次任务使用超重型助推器 B22 号和飞船 S42 号,原计划首次实现助推器与飞船双双返回发射场并由发射塔机械臂实施空中捕获回收,同时部署 26 颗第三代星链卫星。 但任务并未完全按

    来源 AI 行业观察
  16. 考克森离职Anthropic内幕:IPO路演一张图成导火索?

    IT之家 11 月 14 日消息,曾任职于 OpenAI 和 Anthropic、因公开警告 AI 风险而受到广泛关注的研究员雅各布 · 考克森称,Anthropic 在 IPO 路演中展示的一张幻灯片,是促使他离职的重要原因。考克森在 Anthropic 只工作了约四个月。让他决定离职的原因之一,是公司 IPO 路演

    来源 腾讯网
  17. HomePod mini 2 体验:1099 元比上代贵 350 元,小身材低音从哪来

    你能看出下面哪个是今年新款的 HomePod mini 吗?图|无奖竞猜,图源 AppleInsider答案揭晓。左边是上代 HomePod mini,右边是苹果前不久刚发布的 HomePod mini 2。两代产品都是不到 9 厘米高的球形机身,外面包裹着织物网面,顶部依然是一块会发光的触控区域。外观没变,价格反倒水

    来源 腾讯网
  18. 周鸿祎:“黄仁勋下台”背后,美对华芯片政策的分歧才是关键

    “黄仁勋下台”背后:对华芯片政策的分歧才是关键周鸿祎还将视角转向黄仁勋辞职对中国AI的影响。他公开批评对华芯片管制是失败的,还警告中国在AI领域已经非常接近美国。周鸿祎还梳理了事件时间线:11月4日美国国会相关委员会要求黄仁勋说明英伟达先进芯片的出口和流向问题;11月8日黄仁勋个人风波进一步发酵;11月12日英伟达宣布

    来源 TechWeb
  19. 黄仁勋辞职:周鸿祎称创始人离场比丢CEO更伤,中国AI封锁难挡?

    “黄仁勋下台”背后:对华芯片政策的分歧才是关键周鸿祎还将视角转向黄仁勋辞职对中国AI的影响。他公开批评对华芯片管制是失败的,还警告中国在AI领域已经非常接近美国。周鸿祎还梳理了事件时间线:11月4日美国国会相关委员会要求黄仁勋说明英伟达先进芯片的出口和流向问题;11月8日黄仁勋个人风波进一步发酵;11月12日英伟达宣布

    来源 TechWeb
向下滚动自动加载更多