文章核心观点 - AI编程先锋认为，尽管AI代码生成能力强大，但集成开发环境（IDE）不会被淘汰，而是会进化成一个功能更强大的“更大的IDE” [3][4][5] - 编程的基本单元正从代码文件转变为AI智能体（Agent），未来的IDE将演变为一个能够高效协同、调度和管理多个智能体的综合平台或“命令中心” [6][12][15][26][27] AI编程的现状与影响 - AI编程先锋卡帕西透露，其目前80%的代码由AI生成，其近期的一些开源小项目（如autoresearch）也大部分出自AI之手 [1] - 在AI辅助下，开发者只需明确任务目标和约束条件，无需手写代码即可获得可操作的程序 [12][13] 编程范式的转变 - 传统编程模式的核心是操作以`.py`、`.js`等为后缀的代码文件，IDE的作用是编辑、保存和编译这些文件 [9][10] - 当前编程模式的核心执行单元已转变为智能体（Agent），开发挑战从编写高质量单段代码转变为如何让多个智能体高效协同、有序推进任务 [12][13][14] 未来IDE的形态与功能 - 未来的IDE将从一个单纯管理文件的工具，升级为能统筹、调度多个AI智能体的综合管理平台 [15] - 其核心是“管理的边界更大，设计逻辑更高级”，而非简单扩大界面或堆砌功能 [27] - 具体功能设想包括：一键显示/隐藏任意Agent以管理界面；实时监控每个Agent的状态（空闲、执行、异常）；支持针对特定Agent快速弹出相关工具（如终端）；提供每个Agent的详细使用统计（如token消耗量、计算资源占用、运行时长、任务完成率）；支持全屏或跨多显示器布局的指挥中心视图 [27] 组织架构（Org Code）的可编程化 - 未来的IDE将用于构建、运行和管理被称为“组织代码”的智能体协同结构，其灵感可来源于各大科技公司的组织架构（如亚马逊的树状层级、谷歌的网状、Facebook的蜘蛛网状、微软的对抗性、苹果的中心放射状、甲骨文以法务为主导的结构） [18][19][26] - 在AI时代，当执行单元是AI智能体时，公司高效的组织架构和管理风格（如亚马逊的层级分明、谷歌的乱中有序）可以被“一键fork”并复制，应用于智能体团队的协同工作中 [21][22][23][24][25]

文章核心观点 - Mila（魁北克人工智能研究所）唐建团队开发的PerturbDiff模型，通过将“细胞群体的概率分布”视作一个可加噪、去噪的随机变量，在泛函空间进行扩散建模，从根本上解决了单细胞微扰响应预测中因数据非配对和传统静态分布假设导致的泛化难题，从而在多项权威基准测试中以压倒性优势刷新了单细胞响应预测的SOTA记录，是构建高保真“虚拟细胞”道路上的重大突破 [1][3][6][28] 模型原理与创新 - **认知升维与核心假设突破**：模型摒弃了传统方法将微扰后细胞分布视为唯一固定结果的静态假设，认识到生物系统的混沌性，首次将建模目标设定为“细胞分布的分布”，即一个在分布空间中取值的随机变量，以拟合生物微扰固有的多变性 [4][6] - **关键数学工具与工程实现**：模型引入再生核希尔伯特空间（RKHS）与核均值嵌入（KME）工具，将复杂细胞种群压缩为高维函数空间中的一个“点”，并在此空间进行泛函扩散 通过严密的数学证明，将抽象的泛函扩散过程等价于对每个单细胞独立注入欧氏噪声，从而架起了理论与工程的桥梁，实现了高效建模 [9][10][11][12] - **损失函数的内生性优势**：在PerturbDiff框架下，最大均值差异（MMD）不再是外挂的正则化项，而是从反向去噪目标的变分下界中自然导出的、与单细胞空间中真实分布与预测分布之间MMD平方绝对等价的度量 这迫使模型在高阶统计特征上对齐，有效避免了因单细胞基因表达高度稀疏（零膨胀常高达95%以上）而使用均方误差（MSE）会导致模型陷入“预测全0”次优解的问题 [14][15][16][17] 性能表现与数据优势 - **基准测试全面霸榜**：在包含超1亿单细胞、1100种药物的全球最大药物响应基准Tahoe100M以及PBMC免疫信号基准测试中，PerturbDiff在14项评估指标上实现了全面领先 [3][18] - **核心生物学指标表现卓越**：模型在差异表达基因（DEGs）预测的核心生物学指标（如AUPRC, AUROC）上展现出压倒性优势，因其真正学到了微扰的“系统性偏移”，这对于新药研发中识别关键基因的开启或关闭至关重要 [17][20] - **训练范式与数据利用**：采用“边缘分布预训练”策略，利用CellxGene数据集中6100万个无干预的单细胞转录组数据对扩散模型进行无条件流形预训练 这不仅大幅提升了模型在极低样本量（如每种微扰仅数百个细胞）下的微调性能，更在预训练检查点上观察到了显著的零样本预测能力，其生物学洞察在于微扰轨迹部分嵌套于自然界已存在的细胞状态流形中 [22][23][25][26] 行业意义与前景 - **理论根基的重新审视**：PerturbDiff的成功如同CNN之于图像识别、Transformer之于文本生成，展示了符合数据内在规律的归纳偏置对于发挥数据全部价值的决定性作用，推动了计算表型建模理论根基的进步 [28] - **虚拟细胞开发的里程碑**：该模型是AI在构建高保真“虚拟细胞”道路上的一次重大突破，使得能够无限次试错、精准模拟扰动响应的终极“AI虚拟细胞”愿景更近一步 [3][29]

项目核心：AI数字员工“数字擎天柱/巨硬” - 马斯克宣布了名为“数字擎天柱”或“巨硬”的新AI项目，这是一个能够理解电脑屏幕、操作键盘鼠标以自动完成日常办公任务的AI数字员工[2][3] - 该AI代理旨在将任何需要键盘、鼠标、屏幕决策的工作数字化，其核心目标是模拟人类白领在数字环境中的工作，甚至从原则上可以模拟一家完整公司的运作[3][10][11] - 项目定位为比“一人公司”更进一步，主要应用领域包括企业自动化、模拟整个公司、处理大量重复性任务，未来可能与处理体力劳动的擎天柱机器人协同工作[3][13][14] 技术架构与能力 - 在技术分工上，Grok AI充当总指挥和导航者，负责理解与决策（System 2思考），而数字擎天柱则负责动手执行电脑操作（System 1执行）[17][18] - 硬件层面，数字擎天柱将运行在特斯拉自研的Tesla AI4芯片上，其功耗仅为英伟达H100芯片的四分之一，价格仅为650美元，同时只少量使用英伟达的计算硬件[19] - 项目追求小模型和极致的推理速度，设计上可以直接利用特斯拉的车载芯片进行运算[20] 项目背景与演变历程 - “巨硬”最初是xAI内部的一个核心项目与团队，早在2025年8月就已提交商标申请，当时被定位为一家纯粹的AI软件公司，目标是对标微软，构建AI白领系统[23][24] - 项目后续经历了管理层变动、一个涉及约600名外包人员的数据项目暂停、大量人员流失以及组织重组，导致项目推进受阻并陷入停滞[26][27][28][34] - 在经历变动后，原巨硬项目的部分技术与资源被整合到特斯拉的自动驾驶团队，最终演变为由特斯拉与xAI联合推出的“数字擎天柱”项目[38][40][44][45] 组织与资源动态 - xAI在近期进行了重组，形成了四个主要团队：专注于聊天机器人的Grok团队、负责编码系统的团队、专注于视频图像生成的Imagine Team，以及由前DeepMind工程师领导的巨硬团队[35] - 特斯拉宣布向xAI投资约20亿美元，同时SpaceX也与xAI进行了整合，为项目提供了资金与资源支持[36] - 尽管项目在推进，但存在命名混乱、组织结构混乱以及人手可能不足的问题[48][49]

公司业务与市场地位 - 公司是一家以追踪人工智能新进展为核心的内容平台，拥有8年的积累[1] - 公司在微信公众号平台拥有超过240万订阅用户，全网用户超过700万，日均阅读量超过200万[12] - 公司在第三方数据平台（如新榜和清博）是人工智能及前沿科技行业的TOP1新媒体[12] 招聘岗位与方向 - 公司正在招聘三个方向的内容专家，工作地点位于北京中关村[2] - 招聘岗位包括人工智能产业方向、人工智能财经商业方向和人工智能产品方向[6] - 岗位面向社会招聘（覆盖编辑、主笔、主编各个层级）和校园招聘（接受实习且可转正）[6] 人工智能产业方向岗位详情 - 岗位职责是关注基建层创新，包括芯片、人工智能基础设施、云计算领域的新进展及核心玩家动态[5][6] - 职责包括对前沿论文、开源社区、技术大会（如Hot Chips、NeurIPS、MLSys）的技术报告进行大众化解读[6] - 职责包括参与核心采访，对话产业专家、技术大牛，并撰写人工智能云落地案例[7] - 任职要求包括对芯片、GPU、NPU、服务器、模型训练架构、云计算等有基本理解[11] - 任职要求包括熟悉人工智能行业的供应链与生态（如训练-推理、算力-成本、云-芯片关系）[11] - 任职要求包括能够将复杂技术内容结构化表达，有技术背景、理工或计算机科学/电子工程方向优先[11] 人工智能财经商业方向岗位详情 - 岗位职责是聚焦创投、人工智能创业公司、上市公司、商业模式、产业链资本动向[11] - 职责包括产出创投融资、招股书财报解析、公司战略分析等稿件[11] - 职责包括访谈对话投资人、创业者、产业分析人士[11] - 任职要求包括对数据敏感，对财报、股权结构、战略规划感兴趣[11] - 任职要求包括逻辑结构强，对商业叙事敏感[11] - 任职要求包括热爱对话采访，具备社交型人格[11] 人工智能产品方向岗位详情 - 岗位职责是关注人工智能在终端的落地，包括软件应用产品和硬件方向落地[11] - 职责包括撰写人工智能应用产品深度评测，跟踪多终端新品发布（如手机、PC、XR、车机等）[11] - 职责包括对话访谈人工智能应用创业者、产品专家、终端技术专家[11] - 任职要求包括对智能硬件、人工智能终端趋势敏锐，是重度人工智能产品体验人士[11] - 任职要求包括熟悉各大终端厂商业态和体验方法论[11] - 任职要求包括具备强逻辑、体验表达和结构化能力[11] 员工福利与发展 - 员工可以第一时间接触和了解人工智能领域最新技术和产品，构建完整的人工智能认知体系[6] - 员工可以将各种人工智能新技术、新工具应用于工作，提升效率和创造力[6] - 员工可以通过撰写独家原创内容建立个人知名度，成为人工智能领域的意见领袖[6] - 员工可以与人工智能领域专家零距离接触，参与重要科技活动和发布会，拓展行业视野[6] - 应届新人会由主编级编辑担任导师，提供一对一指导，帮助更快成长[6] - 团队氛围扁平、简单、开放，奉行多劳多得、能者上位的原则[6] - 公司提供行业TOP级别的薪资待遇，以及五险一金、餐补、项目绩效、商务绩效、加班补助等福利[6]

Nemotron 3 Super 模型发布与性能表现 - 英伟达发布并开源了120B参数的MoE模型 Nemotron 3 Super [1] - 在PinchBench测试中，该模型取得85.6%的成功率，在开源模型中排名第一 [1][2] - 在Artificial Intelligence Index中，该模型获得37分，超过GPT-OSS的33分 [2] Nemotron 3 Super 技术规格与能力 - 模型原生支持100万token的上下文窗口 [4] - 吞吐量提升至上一代Nemotron Super的5倍以上 [5] - 在处理代码和工具调用等任务时，最高能实现3倍的实际推理提速 [6] - 在8k输入与64k输出的设置下，推理吞吐量达到GPT-OSS-120B的2.2倍 [7] 模型在各项基准测试中的表现 - 在SWE-Bench代码基准测试中，搭配OpenHands框架取得60.47%的准确率，高于GPT-OSS的41.9% [10] - 在Terminal Bench困难子集测试中，取得25.78%的得分，略超GPT-OSS的24.00% [10] - 在MMLU-Pro常识推理测试中，取得83.73分，高于GPT-OSS的81.00分 [11] - 在TauBench V2复杂业务场景测试中，取得61.15%的平均成绩 [13] 模型核心架构创新 - 采用混合Mamba-Transformer架构，以兼顾长序列处理效率与关联检索精度 [14][15] - 引入Latent MoE架构，通过在低秩潜空间降维处理，能在同等推理成本下调用四倍数量的专家网络 [16][17][18] - 原生应用多token预测技术，通过单次前向传递并行预测多个token，强化长程逻辑理解并内置投机解码能力 [19][20][23] - 采用原生NVFP4格式进行预训练，在25万亿个token上直接进行低精度训练，完全适应Blackwell架构 [25] - 在B200芯片上实现比H100快四倍的推理速度，同时降低内存需求 [25] 针对智能体能力的训练策略 - 在SFT阶段采用两阶段训练工艺，先通过标记级平均损失建立基础，再切换为样本级平均损失以解决长输入性能降级问题 [26] - 构建包含2万个初始查询的种子任务集，经精细过滤后沉淀出1.5万个核心合成任务，用于训练智能体命令行交互 [28] - 通过从高性能模型中蒸馏操作轨迹，将复杂的终端交互知识内化为模型技能 [29] - 在强化学习阶段，将模型投入NeMo Gym平台的21种真实环境配置中训练，考核工具调用准确性、代码可执行性及复杂计划完整性 [31][32] - 针对软件工程任务进行专门的SWE-RL阶段训练，在隔离容器中通过执行反馈修正逻辑漏洞 [33] - 引入PivotRL技术，在关键领域重点强化不确定性较高的决策点，以提升多步工作流中的行为稳定性，遏制推理漂移风险 [34] 英伟达的开源战略与资本投入 - 公司计划在未来五年内投入260亿美元（约合1789亿人民币）巨资，用于构建开源AI模型 [3][35] - 该投入旨在通过运行自家优化的开源模型，对计算、存储和网络性能进行全方位压力测试，所得数据将用于反哺和规划未来的硬件架构路线图 [36][37] - 公司对外全面开放模型的全参数权重，以及训练、评估配方和详细的部署手册 [38] - 此举旨在推动开源生态发展，引导全球开发者将创新根基绑定在英伟达的技术底座中 [39]

梦瑶 发自 凹非寺 量子位 | 公众号 QbitAI 具身智能这个赛道，从来不缺想象力，也不缺好故事。 都2026年了，一个越来越难回避的现实是：很多行业，真的在被AI重做一遍。 到具身智能赛道里，这个信号尤其明显：机器人正在从一台设备，变成AI进入真实世界的行动载体。 谁能把模型、硬件、数据、场景和产业接起来，谁就更有机会先把闭环跑通，而资本的判断，也在迅速向这类玩家集中。 就在这两天，魔法原子推动生态基金布局，整体撬动资金规模超过 105亿 元，并宣布完成新一轮 5亿元 融资。 百亿募资+五亿融资重磅加注背后，一个越来越清晰的共识是—— 资本市场的钱，正在加速流向那些真正有机会把AI机器人带进工厂、商业空间和家庭场景的玩家。 而具身智能的行业竞争，已然进入 拼落地、拼协同、拼系统能力 的新阶段。 百亿募资+五亿融资：魔法原子成为具身智能落地样本 这两年，围绕机器人与AI结合的讨论几乎铺满整个行业：会做家务的机器人、能长期陪伴的智能助手，各种新概念轮番冒头，演示视频也一支 比一支有噱头。 热闹之外，行业很快走到一个更现实的问题上： 热度，从来不等于落地，也不等于资本愿意为其买单。 资本真正看重的，始终是这些 ...

行业现状与问题 - 当前多模态大模型在理解真实世界时存在明显缺陷，尤其是在复杂听觉环境中，即使是最强模型也会“失灵”，表现为能看懂动作但听不懂发生了什么，能描述现象但推不出原因 [1] - 问题的核心在于模型还不会真正“听”，现有第一人称视频理解基准长期“视觉中心化”，音频信息常被当作辅助，缺乏对声音理解与推理的系统性评测，导致第一视角世界处于“半静音”状态 [2][3] 解决方案：EgoSound基准 - 来自复旦大学、上海创智学院等机构的研究团队提出了首个系统评测第一人称声音理解能力的基准“EgoSound”，旨在填补该领域的空白 [4][5] - 该基准是首个专门面向多模态大模型的第一视角“声音理解”评测体系，其目标是让模型在真实世界中能听见、理解、推理并解释发生的一切 [6][7] - EgoSound关注声音作为关键证据时的模型表现，它能够提供空间线索（如声源方位、距离、移动）、揭示画面外事件（如镜头外的对话、声响）以及承载因果与意图信息 [8] - 该基准融合了Ego4D和EgoBlind两类互补数据，覆盖从“视觉主导”到“声音主导”的多种现实场景，构建了高质量、大规模的数据集，包含**900段严格筛选视频**和**7315条验证后的开放式问答** [9][11][12] 技术框架与任务体系 - EgoSound系统拆解了第一人称声音能力边界，覆盖从感知到推理的完整链路，共设立七大核心任务 [10] - 七大任务包括：声音特征、计数、时序属性、空间定位、声源识别、因果推理和跨模态推理 [14] - 为确保问题真正依赖听觉线索，研究团队采用了多阶段筛选机制，并借助多个强模型辅助标注，构建了为“听觉推理”量身打造的数据流程 [16] 评测结果与关键发现 - 评测结果显示，当前最强模型与人类表现存在巨大差距，人类在EgoSound基准上的平均准确率为**83.9%**，而当前最佳模型（Qwen3-Omni-Thinking-30B）的准确率仅为**56.7%**，差距超过**27个百分点** [17][18] - 关键发现一：模型在空间定位、时序属性和因果推理任务上表现最差，难以稳定回答声音的来源、发生时间和原因 [20] - 关键发现二：跨模态对齐仍是瓶颈，模型需要建立“听到—看到—推断”的链条，而声音线索经常在画面之外 [21] - 关键发现三：第一人称的真实复杂度被低估，人与物的交互、遮挡、镜头抖动等因素使声音推理更贴近真实但也更具挑战性 [22] 行业影响与未来方向 - EgoSound基准的推出标志着行业开始从让模型“看见世界”转向“听懂世界”，旨在推动多模态模型成为真正的第一人称智能体 [7][23] - 该工作揭示了当前多模态大模型在听觉理解和推理能力上的严重不足，为未来方法研究提供了清晰的靶点和方向 [13][23]

文章核心观点 - 介绍了一种名为MetaClaw的新型在线强化学习系统，该系统能够通过拦截用户与AI的日常对话作为训练数据，在后台自动优化AI智能体，实现“边聊边学”的持续能力进化，显著降低了AI持续学习的门槛[1][2][4] 技术机制与架构 - **核心框架**：系统基于自研的SkillRL（技能增强强化学习）框架，核心是“技能注入”与“技能进化”的组合拳[9] - **技能注入**：在每轮对话中精准匹配相关技能指令并注入系统提示，使AI能即时优化表现，避免同类错误[6][10] - **技能进化**：AI能从被动接收指令转变为主动生成新技能，使技能库随着使用不断丰富和增强[5][11] - **学习模式**：提供异步架构与双学习模式，将服务、奖励建模和训练解耦，支持从用户隐式反馈中优化的强化学习，以及结合高质量文本反馈的在线策略蒸馏，实现“工作学习”两不误[17] - **模型底座**：主要基于Kimi-2.5构建，同时提供Qwen3-4B作为轻量级替代方案，以适应低配设备[8] 部署与使用优势 - **云端训练**：系统将所有训练任务托管于Tinker云平台，实现了训练与部署的分离，用户无需本地GPU集群，也无需专门的工程团队维护[13][14] - **低门槛**：只要设备能联网即可运行整个系统，将AI持续学习的门槛降至极低水平，使普通开发者也能培养可进化的AI[15][16] - **简易上手**：使用仅需三步：安装依赖（包括`tinker`和`tinker-cookbook`云端LoRA训练SDK）、运行配置脚本将OpenClaw网关指向MetaClaw代理、设置Tinker API密钥并运行训练脚本[18][19][20][21][22][23] - **自动运行**：配置完成后，用户只需正常与智能体聊天，系统会自动收集对话轮次、评分并训练模型，每攒够一批样本（批次大小默认32）就热替换一次权重，全程无需人工干预[24][25][27] 配置与定制 - **核心配置**：所有配置项集中于`MetaClawConfig`中，包括模型选择、LoRA参数、训练步数等，一目了然[26][27] - **关键参数**：基础模型默认使用“moonshotai/Kimi-2.5”；LoRA rank默认32；触发一次训练步所需的批次大小默认32；最大训练步数默认1000[27] - **功能启用**：通过配置可灵活启用技能注入或技能进化功能，例如在启用技能进化时，可配置使用如GPT-5.2等外部模型接口[26]

公司核心人物：哈萨比斯 - 哈萨比斯是谷歌AI的负责人，其传记《哈萨比斯：谷歌AI之脑》历时三年完成，基于超过三十小时的独家专访[1] - 其价值观深受母亲影响，母亲是家境贫寒的新加坡华人，这使他真心想帮助他人，道德在其心中分量极重[12][14][22] - 他自认追求知识与科学，而非权力，并明确不喜欢OpenAI的奥特曼，认为后者追求的是对他人的控制[8][12][51] - 尽管排斥“控制”一词，但其性格极度好胜，坚信“没有我赢不了的游戏”，这被作者解读为另一种形式的控制欲[9][11][44] - 他拥有“救世主情结”，非常渴望名声，渴望成为发现AGI的人[54] 公司发展历程与战略选择 - 哈萨比斯选择在伦敦而非硅谷创业，这使得他有更多时间沉下心来做一个科学家，走的是与硅谷辍学创业不同的道路[23][39][40] - 关于AI的想法在其十六七岁时就已产生，并在十九、二十岁时就写下了构建AI的完整计划[41][43] - 其早期创办的游戏公司相当成功，游戏卖出了大约500万份[26] - 公司曾犯下一些战略错误，包括：长期不重视语言模型方向；一个名为“盖亚”的模拟环境项目烧掉大量资金后失败；花费三年时间与谷歌谈判试图让DeepMind独立，最终未果[61][62][65] - 在融资时曾误判投资者彼得·蒂尔，以为对方会追加投资，结果没有[63] 行业竞争与产品动态 - 在大型语言模型竞赛初期，谷歌一度落后于OpenAI，但哈萨比斯凭借好胜心全力追赶[52] - 目前，哈萨比斯声称Gemini已经取得领先地位[10][53] - 作者认为，如果以AGI为终点，Gemini 3可能已经达到；但技术渗透进日常生活的部分可能只完成了10%[105][106] - 作者预测OpenAI最终可能会垮掉，因其所需资金过多，迟早可能将自己卖给微软[111] 公司治理与内部关系 - 哈萨比斯与联合创始人穆斯塔法·苏莱曼关系复杂，在后者离开后，哈萨比斯曾试图将其从公司历史中抹去[28][91] - 哈萨比斯与大学同学、联合创始人大卫·西尔弗的关系也因持续的竞争导致后者精疲力竭[46][85] - 哈萨比斯曾为DeepMind从谷歌独立进行激烈博弈，聘请律师与里德·霍夫曼等人谈判，并希望奥巴马加入监督委员会，但相关内容曾遭其要求从书中删除[67][69] 行业风险与伦理困境 - 哈萨比斯及其公司面临着“奥本海默困境”，即科学家构建技术，但技术的控制权往往在他人手中[28][72][114] - 哈萨比斯早期为防范风险，在将公司卖给谷歌时设置了监督委员会、禁止军事用途等条款，但监督委员会后来形同虚设，独立努力也告失败[72][73] - 实现AI安全被认为需要中美两个超级大国的携手合作[115] - 作者指出，尽管哈萨比斯想做正确的事，但最终能否做到并非他一人能决定[74][75][115]

公司概况与市场地位 - 公司是一家以追踪AI新进展为核心的内容平台，拥有8年行业积累[1] - 公司在微信公众号拥有超240万订阅用户，全网用户超700万，日均阅读量200万以上[12] - 公司在第三方数据平台（如新榜、清博）是AI及前沿科技行业TOP1新媒体[12] 招聘岗位与方向 - 公司开放三大方向的岗位招聘：AI产业方向、AI财经商业方向、AI产品方向[2][6] - 岗位面向社招和校招，社招覆盖编辑、主笔、主编各个层级，校招接受应届毕业生及实习生[4][6] - 所有岗位工作地点均为北京中关村[2] AI产业方向岗位详情 - 岗位职责包括跟进AI基建层新进展（芯片、AI Infra、云计算）及核心玩家动态[5][6] - 职责还包括对前沿论文、开源社区、技术大会报告进行大众化解读[6] - 参与核心采访，对话产业专家、技术大牛，撰写AI云落地案例[7] - 任职要求对芯片、GPU、NPU、服务器、模型训练架构、云计算等有基本理解[11] - 要求熟悉AI行业供应链与生态，并能将复杂技术内容结构化表达，有技术背景者优先[11] AI财经商业方向岗位详情 - 岗位职责聚焦创投、AI创业公司、上市公司、商业模式及产业链资本动向[6][11] - 需产出创投融资、招股书财报解析、公司战略分析等稿件[11] - 需访谈对话投资人、创业者、产业分析人士[11] - 任职要求对数据敏感，对财报、股权结构、战略规划感兴趣[11] - 要求逻辑结构强，对商业叙事敏感，并热爱对话采访[11] AI产品方向岗位详情 - 岗位职责关注AI在终端的落地，包括软件应用产品和硬件方向[6][11] - 需撰写AI应用产品深度评测，并跟踪多终端新品发布（手机、PC、XR、车机等）[11] - 需对话访谈AI应用创业者、产品专家、终端技术专家[11] - 任职要求对智能硬件、AI终端趋势敏锐，是重度AI产品体验人士[11] - 要求熟悉各大终端厂商业态和体验方法论，并有强逻辑、体验表达和结构化能力[11] 岗位通用职责与任职要求 - 主编需具备选题和带队能力及经验[6] - 主笔需具备原创深度稿件能力[6] - 编辑需热爱表达，喜欢挖掘信息，能够用通俗语言解读AI新进展[6] 加入公司的潜在收获 - 可第一时间接触AI领域最新技术和产品，构建完整的AI认知体系[6] - 可将各种AI新工具应用于工作，提升效率和创造力[6] - 可通过撰写独家原创内容建立个人知名度，成为AI领域意见领袖[6] - 可与AI领域大咖零距离接触，参与重要科技活动，拓展行业人脉[6] - 应届新人可获得主编级编辑的一对一指导[6] - 可加入扁平、简单、开放、多劳多得的活力团队[6] - 可获得行业TOP薪资待遇及五险一金、餐补、绩效、加班补助等福利[6] 应聘方式 - 应聘者需将个人简历发送至指定邮箱，邮件主题需注明应聘方向及姓名[11] - 需随简历附上科技行业代表作品或能展现个人写作水平的作品[11]