2025年8月5日，小米星核超级AI电脑是小米有品众筹上线的一款迷你机，众筹定价13999元。它搭载强大的硬件配置，具备出色的AI算力和丰富功能：
2 个月前
Xiaomi-Robotics-0 预训练了大量跨身体机器人轨迹和视觉语言数据，使其能够获得广泛且可推广的动作生成知识，同时保持强大的VLM能力。
1 年前
当科技狂奔的脚步声与生命倒计时的滴答声交织，我们是否该重新审视智能驾驶的“安全神话”？3月29日，一场以97km/h划破寂静的碰撞，让小米SU7的智驾系统从云端跌落现实。三具冰冷的躯体、四秒仓促的警报、一场被死神提前截停的“接管赛跑”，不仅撕开了车企技术叙事中的理想化滤镜，更将整个行业推向一个残酷的悖论：我们越狂热地追逐智能化的星辰大海，是否反而在安全根基上埋下更深的隐患？这场事故，早已超越单一品牌的危机，成为技术崇拜时代的一面棱镜——折射出创新与生命的天平该如何校准。 这一事件不仅引发了对小米汽车技术安全性的质疑，也为整个智能电动汽车行业的发展敲响了多重警钟。这起交通是用"生死时速"揭开了智能电动汽车“技术、营销和法规”三大隐患的幕布： 1. 智能驾驶技术的局限性暴露 感知与响应时间的不足：事故发生时，车辆NOA系统在检测到障碍物后仅提前约4秒发出警报，驾驶员接管后仅剩1-3秒反应时间，远低于国际L3级自动驾驶建议的10秒TTC（碰撞时间）标准。同济大学朱西产教授指出，人类驾驶员从感知异常到完成转向制动的平均反应时间为2.6秒，而当前L2级系统在突发场景下的接管时间仅为1.5-2秒，难以应对高速突发状况。 硬件配置差异影响安全：涉事车辆为标准版，未搭载激光雷达，仅依赖纯视觉方案。专家指出，激光雷达对静止或异形障碍物的识别能力更强，而纯视觉方案在夜间或逆光等复杂场景下易失效。 2. 营销宣传与消费者认知的错位 过度渲染“高阶智驾”功能：车企在宣传中频繁使用“全程0接管”“无限接近L3”等话术，导致消费者混淆“辅助驾驶”与“自动驾驶”的界限。例如，小米曾宣传其智驾系统可应对施工路段，但事故恰恰发生在施工改道场景。调查显示，56%的消费者误将辅助驾驶视为自动驾驶。 低配车型能力被忽视：车企往往以高配车型演示智驾功能，而对低配车型的能力差异避而不谈。小米SU7标准版（纯视觉方案）与高配版（激光雷达）的智驾表现存在显著差距，但宣传中未明确区分。 3. 电池安全与应急机制的缺陷 碰撞后起火风险：事故车辆以97km/h撞击水泥桩后迅速爆燃，暴露了锂电池在剧烈碰撞下的安全隐患。尽管小米宣称采用多层防护结构，但液态电解液锂电池在挤压或穿刺时仍易引发内短路起火。 车门应急解锁失效：家属称事故后车门锁死无法打开，而小米手册标明可通过机械拉手应急解锁。分析认为，若车辆断电可能导致电动门锁失效，暴露了应急设计冗余不足的问题。 4. 行业法规与责任划分的模糊性 L2级责任边界不清：当前主流智驾系统仍属L2级，需驾驶员全程监控，但车企宣传常淡化责任归属。事故后，责任界定涉及驾驶员、车企和系统设计方，亟需法律明确标准。 数据共享与调查机制缺失：事故黑匣子数据未公开，AEB是否触发、系统响应细节等关键问题仍存疑，行业缺乏统一的事故数据追溯机制。 5. 技术路径与车路协同的必要性 单车智能的局限性：依赖单车感知的自动驾驶难以应对极端场景（如施工路段、突发障碍物）。专家呼吁结合C-V2X车路协同技术，通过实时路况信息共享提升安全性。例如，施工路段若通过车联网提前预警，可弥补单车感知的延迟。 行业需回归安全本质：中国科学院院士欧阳明高强调，安全是智能驾驶的“1”，其他功能是“0”。车企应优先攻克极端场景（Corner Case）而非盲目追求功能迭代。 总结与建议 此次事故警示行业需从技术、宣传、法规三方面综合改进： 技术层面：提升感知冗余（如激光雷达普及）、优化接管逻辑、强化电池防护和应急机制； 宣传层面：明确能力边界，避免误导性营销，加强消费者安全教育； 法规层面：完善责任认定标准，推动车路协同基础设施建设，建立事故数据透明化机制。 唯有在安全底线之上推进技术创新，智能驾驶才能真正实现“解放人类”而非“威胁生命”的愿景。
1 年前
小米眼镜提前发布情况 相关爆料：小米首款AI眼镜M2442G1已获入网许可，原计划于2025年3月至4月发布，现提前至2月，将与小米15 Ultra一同亮相。 功能推测：可能搭载高通骁龙AR1芯片，集成音频耳机模块和摄像头模块，支持全息语音交互，接入小米大模型，实现实时翻译、AR导航等功能，还可进行高质量的视频和照片拍摄，智能识别显示内容。 官方回应：小米集团公关总经理王化称小米眼镜官微为多年前申请，并非新上线，但未明确否认AI眼镜提前发布一事。 业内看好AI眼镜爆发的原因 技术进步 芯片技术：更先进的芯片可实现快速数据处理，让AI眼镜能实时响应用户指令。 传感器技术：高精度传感器能收集更多数据，为用户提供更个性化服务。 网络发展：网络速度提升，为AI眼镜提供更快的数据传输速度，满足实时处理信息的应用需求。 市场需求 应用场景丰富：生活场景中可实时导航、提供交通信息，带来沉浸式游戏和观影体验；工作场景能辅助处理文件、记录会议内容；教育场景可通过AR技术提供沉浸式学习体验；医疗场景中医生能借助它获取患者实时信息，辅助诊断和手术。 发展趋势：AI眼镜是可穿戴设备智能化的新方向，智能手表、智能手环等可穿戴设备的普及，使用户对这类设备的接受度越来越高，AI眼镜有望延续这一发展势头。 巨头入局：包括百度、华为、小米、三星、Meta、苹果、字节跳动等科技巨头，以及闪极科技、杭州灵伴科技、深圳市雷鸟网络等创新企业，均已涉足AI眼镜领域，推动市场发展。 成本降低：以DeepSeek为代表的国内大模型密集更新，大幅提升模型质量的同时降低单位成本，算力环节有望得到缓解，参与玩家可采用相对少硬件和相对低成本，国内智能眼镜玩家或加速入局。 市场数据支持 IDC预计2025年全球AI眼镜市场出货量为1280万副，同比增长26%，中国AI眼镜市场出货量为280万副，同比增长107%。 洛图科技预计2025年AI功能在智能眼镜市场的销量渗透率将突破60%。 Wellsenn预测2029年AI智能眼镜的年销量将达到5500万副，2035年有望突破14亿副。
1 年前
联想全新 ThinkBook 产品、ThinkCentre™ 台式机和配件，具有创新功能、智能设计和 AI PC 增强功能。
1 年前
联想AI PC此次以AI技术与终端结合，与中国国家射击队、中国国家攀岩队和中国国家帆船帆板队三支国家队展开深度合作。 AI为中国国家队突破极限、刷新纪录贡献了技术能力，也彰显了联想正在加速体育智能化转型道路。
21 天前
AiPPT: 一句话、一分钟、一键搞定
29 天前
Ralph 就是一个让 AI "自己干活直到做完"的循环机制，特别适合复杂的编程任务，解放人力。这里介绍具体怎么搭建和使用 Ralph 循环。 📋 前置准备 你需要准备以下内容： 工具 用途 Claude Code Anthropic 的 AI 编程助手 CLI Docker Desktop 提供隔离的沙盒环境 Anthropic API Key 调用 Claude API 🛠️ 搭建步骤 方法一：使用 Claude Code 插件（推荐） Step 1: 安装 Claude Code # 安装 Claude Code CLI npm install -g @anthropic-ai/claude-code Step 2: 初始化项目 mkdir my-ralph-project cd my-ralph-project claude init Step 3: 添加插件市场 claude plugins add-marketplace Step 4: 安装 Ralph Wiggum 插件 claude plugins install ralph-wiggum Step 5: 配置 Stop Hook 在 .claude/hooks/ 目录下创建 stop-hook.json： { "hook_type": "stop", "decision": "block", "conditions": { "check_tests": true, "check_type_errors": true, "check_git_changes": true }, "max_iterations": 20, "prompt": "任务未完成，请继续迭代修复问题" } 方法二：手动搭建（完全控制） Step 1: 创建项目结构 my-ralph-project/ ├── .claude/ │ ├── hooks/ │ │ └── stop-hook.sh │ ├── skills/ │ │ └── ralph-loop.json │ └── config.json ├── prd/ │ └── requirements.json └── workspace/ Step 2: 配置核心文件 config.json - 核心配置 { "max_iterations": 15, "auto_commit": true, "run_tests_after_each_iteration": true, "stop_conditions": { "all_tests_pass": true, "no_type_errors": true, "prd_completed": true } } skills/ralph-loop.json - 技能定义 { "name": "ralph-loop", "description": "自主迭代循环实现 PRD 任务", "trigger": "when_task_incomplete", "actions": [ "analyze_current_state", "identify_blockers", "fix_issues", "run_tests", "commit_if_passing" ] } hooks/stop-hook.sh - Stop Hook 脚本 #!/bin/bash # 检查测试是否通过 TESTS_PASS=$(npm test 2>&1 | grep -c "passed") # 检查是否有类型错误 TYPE_ERRORS=$(npx tsc --noEmit 2>&1 | grep -c "error") # 检查 PRD 是否完成 PRD_COMPLETE=$(node check-prd.js) if [ "$TESTS_PASS" -eq 0 ] || [ "$TYPE_ERRORS" -gt 0 ] || [ "$PRD_COMPLETE" = "false" ]; then echo "BLOCK: 任务未完成，继续迭代" exit 1 else echo "ALLOW: 任务已完成" exit 0 fi Step 3: 准备 PRD 文件 prd/requirements.json { "project_name": "My Feature", "tasks": [ { "id": 1, "description": "创建用户登录页面", "criteria": ["表单验证正常", "API 调用成功", "错误处理完善"], "status": "pending" }, { "id": 2, "description": "实现用户注册功能", "criteria": ["邮箱验证", "密码强度检查", "重复密码确认"], "status": "pending" } ] } 🚀 使用方法 启动 RALPH 循环 # 方法一：插件方式 claude run --skill ralph-loop --prd ./prd/requirements.json # 方法二：Docker 隔离环境 docker run -it \ -v $(pwd):/workspace \ -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY \ claude-ralph:latest 监控循环状态 # 查看当前迭代次数 cat .ralph/iteration_count # 查看任务完成状态 cat .ralph/task_status.json # 查看日志 tail -f .ralph/loop.log 🔧 高级配置 1. 自定义 Stop Hook 规则 { "stop_conditions": { "all_tests_pass": { "enabled": true, "command": "npm test", "success_pattern": "all tests passed" }, "no_lint_errors": { "enabled": true, "command": "npm run lint", "success_pattern": "no problems" }, "coverage_threshold": { "enabled": true, "threshold": 80 } } } 2. 添加代码审查步骤 { "after_each_iteration": [ "run_tests", "run_linter", "code_review", "commit_if_passing" ], "code_review_prompt": "审查代码质量、安全性、性能问题" } 3. 设置成本控制 { "cost_limits": { "max_tokens_per_iteration": 50000, "max_total_cost": 50, "alert_at_cost": 30 } } 📊 典型工作流程 ┌─────────────────────────────────────────────┐ │ 1. Claude 读取 PRD 任务列表 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 2. 选择下一个待完成任务 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 3. 实现代码、编写测试 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 4. 运行测试套件 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 5. Stop Hook 检查是否完成 │ │ • 测试通过？ │ │ • 无类型错误？ │ │ • PRD 要求满足？ │ └─────────────────┬───────────────────────────┘ ↓ ┌───────┴───────┐ ↓ ↓ 未完成 完成 ↓ ↓ 返回步骤 2 结束循环 💡 最佳实践 建议 说明 PRD 要清晰 任务描述具体、可验证，避免模糊需求 设置最大迭代 防止无限循环消耗过多成本 使用 Docker 隔离环境，避免污染本地系统 定期检查 每 10 轮查看一次进度和日志 成本监控 设置预算警报，避免超支 ⚠️ 注意事项 成本控制：每次迭代消耗 tokens，长时间运行成本较高 质量检查：AI 可能"认为"完成但实际有 bug，需要严格测试 安全边界：在沙盒环境运行，避免 AI 误删重要文件 人工介入：复杂任务仍需人工审查结果
29 天前
Ralph Loop 是一种让 AI 自主迭代的机制，主要用于解决 AI 编程助手"半途而废"的问题。
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI