AI 基础设施

Rime获2400万美元A轮融资，专注企业电话呼叫的语音AI

Rime的CEO亲口说现在AI语音客服体验就是“好听点的IVR”，用户依然讨厌。他们不靠扒数据，自己建录音棚收真实对话，用音素架构省去行业定制，还从多模型转向端到端speech-to-speech。这可能是语音AI落地最务实的打法。

Vint Cerf 亲自下场，要解决那个卡住 AI 代理经济的核心命门——身份信任。他用 DNS 域名体系给每个代理发了一个可追溯的身份证，让不同公司、不同系统的代理终于能在开放互联网上互相认得出、能问责。看懂这个，就理解了为什么 AI 的下一个大战场不在模型，而在基础设施。

Apple Music 用混合检索架构，在不重训练下游排序器的前提下，把语义搜索落地到了全球搜索系统，尾部查询转化率提升 7.93%，无结果率降低 86%。说明真正难的不是模型效果，而是如何在工业系统中零成本地“塞”进去。

Mandiant的报告揭示了一个残酷的现实：攻击者从入侵到勒索的交接时间中位数已经压缩到22秒，而传统基于人类研判的安全运营根本来不及反应。公共部门必须放弃静态的信任假设，转向持续验证的架构思路。

Meta高管亲口承认：工程师疯狂用AI写代码，成本已能追平年薪。Uber烧光了两年预算，微软直接禁用竞品。别再把AI当免费午餐了，硅谷大厂正从“狂欢”转向“限额管理”。这不是技术难题，是迫在眉睫的财务危机。

纽约州首次用行政令叫停大型数据中心建设，背后的真实原因是居民反感电费飙升和资源被占。这给所有疯狂堆算力的大厂提了个醒：社区和政治力量才是算力扩张的真正天花板，接下来能耗和效率比拼才是决胜关键。

开源AI公司Reflection与欧洲基础设施商Nebius签下10亿美元算力订单，再次证明计算资源是模型竞赛的关键壁垒。在闭源模型被政府限制的背景下，开放模型如何通过商业合作锁定GPU供应？这桩交易给出了一个真实案例。

Uber 产品一把手的坦诚访谈，点破了一个核心矛盾：公司一边与 Waymo 既合作又竞争，一边悄悄用自己部署的传感器车辆采集驾驶数据，给自己留足战略底牌。更值得关注的是 Uber 不做“万能超级应用”的务实取舍——宁愿跳转给合作伙伴，也要保持核心体验的锋利。

Dan Biderman 解释了为什么长上下文和 RAG 解决不了 AI 记忆问题，他分享了 Engram 如何通过知识压缩和持续学习让 AI 真正记住你，并讨论了 Token 效率与智能的关系。