拆解 WorkBuddy、千问办公和豆包工作:同一份脏数据算出三个总额
作者用同一份脏销售流水和同一句提示词实测 WorkBuddy、千问办公和豆包工作,三家都交付了 Excel、PPT 和摘要,但算出的季度总额最高比最低多出 57.7%,差异来自对部门缺失订单是剔除、保留还是标为待核实。
作者用同一份脏销售流水和同一句提示词实测 WorkBuddy、千问办公和豆包工作,三家都交付了 Excel、PPT 和摘要,但算出的季度总额最高比最低多出 57.7%,差异来自对部门缺失订单是剔除、保留还是标为待核实。
边缘 AI 设计的真正瓶颈不在峰值 NPU TOPS,而在内存带宽、延迟、功耗预算、安全与数据搬运。芯片设计周期比搭载它的产品上市早一年以上,模型与工作负载却持续演进,迫使架构师转向异构计算、可编程数据通路、可扩展内存与软硬件协同设计。
边缘 AI 正从数据中心走向消费、工业、汽车和医疗设备,在本地完成推理以降低延迟并改善安全与隐私。Siemens EDA 的 Sathish Balasubramanian 指出,手表 ECG 监测、锅炉压力控制单元、汽车 lidar 与摄像头、手术机器人手臂都属于边缘设备。
芯片设计瓶颈已从逻辑综合与布局布线转移到功能验证,验证如今占芯片开发工作量的 60–70%。定制 ASIC 的工程投入估计超过 1000 个工程月,且从设计到流片至少需要两年。LLM 被视为缓解这一人力密集环节的关键技术。
西门子 EDA 技术与战略顾问 Dr. Jim Shiely 提出 Manufacturing Intelligence,主张将物理理解与制造观测系统性转化为可信的制造干预,而非停留在生成更多仿真与量测数据。
HPE 提出,当 AI 从试验走向生产、需求变得稳定且关键业务化时,按 token 逐次消费的模式会让支出难以预测,企业需评估自持容量的经济性。Deloitte 2026 企业 AI 状态报告显示,2025 年员工 AI 使用率上升 5%,至少 40% 的 AI 项目进入生产的公司占比预计六个月内翻倍。
GitHub Copilot 提出聊天并非与 AI 协作的最佳界面,其应用内的 canvas 是可运行完整全栈应用的交互面板,能与 Copilot 智能体双向通信并调用第三方 API、在本地执行代码。文中演示了用 canvas 构建 Connect 4 游戏、Winget 包管理界面和 SQLite 操作界面,并称工作流自动化 canvas 花了大半天才调好设计与自动化。
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、责任人和防护有效的证据,并主张在模型、harness 与运行时构成的智能体栈各层都部署管控。其开源安全运行时 NVIDIA OpenShell 在智能体触及范围之外执行策略并提供沙箱化执行,Cisco DefenseClaw 在其上增加治理层,JFrog 则集成 OpenShell 扫描和验证智能体技能。
一名入职大公司半个月的工程师称,团队所有规格、代码、测试、PRD 和工单均由 Claude Code 生成,从 L1 到 L7 的工程师都在做同样的事——和 Claude 对话。管理层多次表示推送代码不是瓶颈,员工每天工作 12 到 13 小时只为按回车,没人阅读任何内容,团队无人喜欢这种状态。
GPT-4 级能力从 2023 年初的约 $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。UC Berkeley 的 Aditya G. Parameswaran 等人提出,近乎免费的推理成本带来三类数据系统挑战:面向智能体的数据系统、由智能体运行的数据系统,以及由智能体构建的数据系统。