搜索
对初创公司来说，Superlinear（指数引力）的第一个业务 Deeplink 堪称成功：去年成立，今年的 ARR（年经常性收入) 就达到 500 万美元；且已经实现盈利。但创始人于北川并不打算在这个业务上继续重点投入，而是带领核心团队，全力转向了一款新产品 Lessie AI。
Xsignal AI Holo（AI 全息）数据库显示，中国移动互联网的AI落地已彻底分化为两条路径：以微信、抖音的AI搜索为代表的“AI Overview (AIO)”旨在筑起认知的长城，将决策锁定在生态内部；而以QQ浏览器QBot为代表的“Agent in App (AIA)”则正演变为主动式的“数字员工”，重构服务分发的主权。
今天读了 Aha（原 Head AI）的两篇博客文章，我强烈建议所有做 AI 工具或者 AI ToB 产品的同学都读一读。https://aha.inc/university?universityType=Aha+insights&utm_source=inf001这里有他们对 AI 产品边界的理解，也有很多工程和系统层面的实操细节。
具身智能赛道又迎来新的融资消息。
前两天，Google发了一个非常有趣的论文： 《Nested Learning: The Illusion of Deep Learning Architectures》
AI的热度没降过，但进场的人越来越焦虑。Business Insider采访了16个已经进入AI行业的人：有的刚毕业，有的中途转行，有的靠自学。他们的经历告诉我们，没人天生懂AI，大多数人都是边干边学、边试边错。
扩散概率生成模型（Diffusion Models）已成为AIGC时代的重要基础，但其推理速度慢、训练与推理之间的差异大，以及优化困难，始终是制约其广泛应用的关键问题。近日，被NeurIPS 2025接收的一篇重磅论文EVODiff给出了全新解法：来自华南理工大学曾德炉教授「统计推断，数据科学与人工智能」研究团队跳出了传统的数值求解思维，首次从信息感知的推理视角，将去噪过程重构为实时熵减优化问题。
Beside 要解决的正是这个核心问题。他们并不是简单地在现有电话系统上加一层 AI，而是从底层重建了整个电话基础设施。这意味着他们能够直接接入电话网络，捕获每一通来电和短信，然后让 AI 在这些实时对话中发挥作用。
扩散式语言模型（Diffusion Language Model, DLM）虽近期受关注，但社区长期受限于（1）缺乏易用开发框架与（2）高昂训练成本，导致多数 DLM 难以在合理预算下复现，初学者也难以真正理解其训练与生成机制。
就在一周前，全宇宙最火爆的推理框架 SGLang 官宣支持了 Diffusion 模型，好评如潮。团队成员将原本在大语言模型推理中表现突出的高性能调度与内核优化，扩展到图像与视频扩散模型上，相较于先前的视频和图像生成框架，速度提升最高可达 57%：