Alexa Plus 评测：智能家居更强了，但当私人助理还不够格
Alexa Plus 是目前最好的智能家居语音助手，能理解"我冷了"这类模糊指令，天气、计时等响应从 2025 年的 10-15 秒缩短到 3-5 秒，还能上传食谱照片边做饭边对话。但它的私人助理功能仍不成熟，Echo Show 上的全屏广告严重破坏体验，作者建议想避开广告可选 Echo Dot Max。
#部署/工程
The Verge · AIAI 评分3838
MIT Technology Review · AIAI 评分1818 AVEVA 如何为自主工业 AI 构建更安全的落地路径
AVEVA 首席技术官 Arti Garg 提出，工业 AI 正从预测分析转向基础模型、物理 AI 与智能体 AI，但因其直接作用于物理系统，必须把安全与可靠性放在部署核心。
Simon WillisonAI 评分3030 EmbeddingGemma 2 采用 Apache 2.0 许可证
EmbeddingGemma 2 采用 Apache 2.0 许可证，Simon Willison 认为嵌入模型不应使用闭源、专有、仅托管的形式。嵌入模型应用通常需计算并存储数千甚至数百万个嵌入向量，若模型专有，厂商一旦停供，用户需付费重新计算已存储的向量。他更愿付费使用托管版本，同时保留自行运行开放权重版本或另寻供应商的余地。
Simon WillisonAI 评分3838 Simon Willison：按量付费服务需要默认硬性预算上限，AWS 已推出支出限额
Simon Willison 呼吁按量付费的 API 和服务默认设置硬性预算上限，即达到每月 $X 后直接切断并返回错误，而非仅发警告邮件。他指出 AWS 已在 9 月 16 日推出月度支出限额功能，项目达到限额后当月暂停，但目前仅向有限客户开放；Google Cloud 则在 7 月推出 Spend Caps。
MIT Technology Review · AIAI 评分1515 MIT Technology Review：自主 AI 如何重新定义企业智能
MIT Technology Review 报告指出，企业 AI 的规模化瓶颈是结构性的，全球 AI 投资 2026 年将达 2.5 万亿美元、同比增长 44%，但多数企业仍未靠 AI 实现收入增长。报告提出"agentic shift"，主张以流程重构为先、建设可组合架构与主权数据基础，让 AI 智能体在数据原地查询与准备数据。
NVIDIA BlogAI 评分2222 NVIDIA AI 工厂如何实现高产出、长寿命与通用性以最大化投资回报
NVIDIA 提出 AI 工厂投资回报取决于产出能力、使用寿命与需求三项因素，其平台通过全栈协同设计实现每兆瓦吞吐最大化。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量比 GB300 NVL72 高 30 倍以上，在 DeepSeek V4 Pro 上每百万 token 成本低至 45 倍。
量子位AI 评分2222 西门子Xcelerator与阿丘科技谈工业AI：从1到100的规模化机会在哪
西门子Xcelerator中国销售与生态成功负责人顾欣与阿丘科技创始人兼CEO黄耀在量子位对话节目中，围绕工业AI从落地到规模化展开讨论。黄耀介绍，半导体晶圆切割场景导入智能体技术后，设备OEE和产能可提升25%左右。顾欣认为，工业AI必须具备工业级可靠性，做到可信、可追溯、可量化，平台则要充当连接器与放大器，补上从0到1验证之后1到100的商业化拼图。
MIT Technology Review · AIAI 评分1212 让 AI 成为资产而非开支：HPE 谈 AI 从按 token 消费转向自有算力
HPE 提出，当 AI 从试验走向客服、IT、研究等常驻生产负载，按 token 消费的模式会让支出变成难以预测的月度变动项，企业需按工作负载判断是否转向自有算力。
Latent SpaceAI 评分3434 Foundries vs Navigators：AI 如何降低科学研究的成本
Endura Therapeutics 的 Adrian Sanborn 提出，AI 对科学的影响分为两类：Foundries 用新一代测序、多重检测和物理自动化把实验数据生成速度提升一个数量级，但需要资本和多年投入；Navigators 则把 AI 嵌入公司日常流程，加速决策与实验迭代，无需专有模型或大数据集，且对每家公司都可行。
Latent SpaceAI 评分7070 TypeSafe AI 发布 Jev：面向软件而非聊天的 System 1 模型
TypeSafe AI CEO Diogo Almeida 发布 Jev，定位为面向代码消费的 System 1 大型可编程模型，优化目标是每美元智能而非聊天体验。
NVIDIA BlogAI 评分3838 NVIDIA 谈 AI 安全：如何在智能体栈的每一层解决这一工程问题
NVIDIA 提出 AI 安全是工程问题，需要明确的安全需求、可执行的管控、指定负责人和防护有效的证据。智能体栈中模型、harness 与运行时环境各层都承担安全责任，权限不能随任务自动扩展，敏感操作仍需人工审批。NVIDIA OpenShell 作为开源安全运行时在智能体之外强制执行策略并提供沙箱执行，Cisco DefenseClaw 与 JFrog 已在其上构建治理与技能扫描能力。
Hugging Face BlogAI 评分2222 GPU 管理：为什么闲置 GPU 是新的停飞客机
Hugging Face 博客指出，AI 的下一个真正约束是 GPU 利用率而非智能水平。GPU 按日历小时计费，却只在计算小时产出，企业自购 GPU 后问题从"能否买到"变成"能否让它们保持忙碌"。集群按峰值需求配置，但需求并不持续，满载 GPU 的集群仍可能浪费大部分产能。
Berkeley AI ResearchAI 评分3434 智能免费之后怎么办？面向智能体、由智能体构建、为智能体服务的数据系统
伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战：为智能体服务、由智能体运行、由智能体构建。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间，中位数约 50x。