2026年7月7日星期二
阴 · 2026-07-07（周二）
七七事变（卢沟桥事变）（1937）— 苏联宣传画
历史上的今天
1937：七七事变（卢沟桥事变）——日军在北平西南的卢沟桥挑起武装冲突，中国全面抗日战争由此爆发，也标志着二战东亚战场的正式开端。巧的是就在昨天，中国从核潜艇向太平洋试射了一枚远程导弹（见下方时事栏），有分析认为把发射日子卡在七七事变前一天，是刻意加进的对日历史符号。八十九年过去，同一个日子既是伤疤也仍是信号。
勒庞定罪维持原判，但法院给她留了一条通往 2027 大选的路
Source · BBC · 2026-07-07 · link
Why this — 极右翼有没有资格上台，正被一场”法院和选民谁说了算”的司法博弈决定，判决书本身就是一份宪法级的表态。
巴黎上诉法院维持了对玛丽娜·勒庞（Marine Le Pen，法国极右翼政党”国民联盟”领导人）挪用欧盟资金的定罪，但缩短了刑期，为她参选 2027 年 4 月的法国总统扫清了障碍。原本对她的五年公职禁令被缩短，并追溯到 2025 年 3 月起算，法院认定这部分处罚”已经服完”。
法院判她三年徒刑，其中两年缓刑、一年戴电子脚镣居家监禁。关键在于，勒庞此前多次说过：如果必须戴脚镣，她就不参选，因为那样竞选时”没有完全的自由”。而法院这次特意在判决里权衡了”公职禁令”与”参选自由、选民自由选择”之间的分量，明确表示不挡她的路——参选和投票是民主程序的一部分。她计划今晚 8 点上电视宣布：是自己上，还是把候选资格交给 30 岁的接班人乔丹·巴尔德拉（Jordan Bardella）。目前她在民调里领先，距大选还有不到十个月。
定罪的实质是：2004–2016 年间，她把本该发给欧洲议会议员助理的钱，挪去支付党务人员工资（“假雇员”计划），这套操作最早由她父亲让-马里·勒庞（Jean-Marie Le Pen）主导，她接手后继续执行。
中国核潜艇向太平洋试射远程导弹，1982 年以来首次公开
Source · 南华早报（SCMP）· 2026-07-07 · link
Why this — 中国把核威慑”三位一体”里最难被摧毁的那条腿（海基）第一次摆到台面上，这是给美日看的战略信号，不是技术试验。
周一，中国从一艘核潜艇向太平洋深处发射了一枚弹道导弹——这是自 1982 年以来中国首次公开进行潜射弹道导弹试验。分析普遍认为，这次发射的目的更多是”战略信号”而非技术验证。卡内基国际和平研究院的赵通说得直接：这个能力中国早就有，但”这是首次公开展示”。
几个技术细节：中国军事分析人士根据现场画面判断，试射的很可能是 JL-3（巨浪-3）潜射弹道导弹，射程超过 1 万公里，足以从中国近海打到美国本土；发射平台可能是 094 型（晋级）核潜艇或其升级型号。发射前，北京向澳大利亚、日本、新西兰等国发了导航警告，划定了火箭残骸坠落海域。
各方反应比 2024 年那次陆基洲际导弹试射时更尖锐：美国国务院称中国”快速而不透明的核扩张”令人高度担忧；日本表示”严重关切”；澳大利亚外长黄英贤（Penny Wong）称此举”破坏地区稳定”。前解放军大校岳刚分析，如果发射地点在渤海，残骸就会落在日本家门口，因此这更像是一次”精心设计、意在敲打东京”的信号。中国外交部发言人毛宁则呼吁各国不要”过度解读”，重申中国”始终奉行自卫防御的核战略”。
三星季度利润暴涨近 20 倍，AI 内存芯片是唯一发动机
Source · BBC · 2026-07-07 · link
Why this — AI 数据中心对内存芯片的胃口大到”史无前例”，一家韩国老牌硬件公司的季报，成了整个 AI 基建热度最直白的体温计。
三星电子发布业绩预告，预计今年 4 到 6 月运营利润达到 89.4 万亿韩元（约合 584 亿美元），同比暴涨约 19 倍，创下连续第三个季度的利润纪录；季度销售额约 171 万亿韩元，是去年同期的两倍多。（韩国大公司习惯在正式财报前先放利润预告给投资者定心。）
驱动力只有一个词：AI 内存芯片。Counterpoint 分析师 Marc Einstein 说，这份成绩”几乎全部来自 AI 热潮，内存厂商正骑在一波由供给受限、需求空前推动的浪潮上”，业绩已经逼近今年早些时候英伟达创下的科技业纪录。三星趁供应紧张一路抬高内存芯片价格。研究机构 IDC 形容，数据中心和 AI 基建对芯片的需求”和内存行业过去经历的任何情况都不一样”，还挤占了日常消费电子产品的芯片供应，预计这种紧张会延续到明年。三星是全球最大的半导体制造商之一，给英伟达、谷歌等公司代工芯片。
美国贸易逆差 5 月骤然扩大，罪魁是 AI 建设进口的设备
Source · 路透社（Reuters）· 2026-07-07 · link
Why this — AI 热潮第一次以”拖累 GDP”的面目出现在宏观数据里——美国拼命进口建 AI 的设备，这笔账直接记在了贸易逆差上。
美国 5 月贸易逆差大幅扩大，环比跳升 42.2% 至 776 亿美元（经济学家原本预测 785 亿）。原因是一场 AI 投资热潮把资本品（capital goods，指企业用来生产的设备、机器这类”生产资料”）的进口推到了 1280 亿美元的历史新高。逻辑很简单：企业在 AI 上砸重金，而 AI 基建高度依赖进口设备。
同期出口下降 3.2% 至 3177 亿美元——不过石油出口创了历史新高，这是中东冲突推高油价的传导（美国是石油净出口国）。贸易已经连续两个季度拖累 GDP：亚特兰大联储模型目前预测二季度 GDP 年化增速仅 1.2%，明显低于一季度的 2.1%。换句话说，AI 拉动的是资本开支，但短期内这些开支表现为”进口”，反而在账面上压低了增长数字。
埃及西部沙漠挖出一座保存完好的拜占庭古城
Source · 卫报（The Guardian）· 2026-07-04 · link
Why this — 一座四世纪的完整城市从沙里被翻出来，街道、教堂、瞭望塔俱全，是那种能让人直接看见”古人怎么过日子”的考古发现。
考古学家在埃及西部沙漠的达赫拉绿洲（Dakhla oasis）发掘出一座保存完好的拜占庭时期城市。这片建于四世纪的城区有住宅区，也有宗教建筑，其中一座巴西利卡式（basilica，古罗马长方形会堂样式）教堂矗立在聚落最高处、俯瞰主街，外围还有两座瞭望塔守卫。现场还出土了钱币、陶片和工具。
埃及旅游与文物部说，这座城揭示了埃及作为拜占庭帝国一部分时的日常生活、城市规划和经济活动细节——城区里南北向的主干道被东西向街道切分，形成开阔的广场和公共空间。另外在亚历山大港附近的马里纳-阿拉曼（Marina el-Alamein），还单独发现了 18 座古墓，包括岩凿墓、石灰岩墓，以及一具花岗岩石棺。达赫拉绿洲目前在联合国教科文组织的”预备名录”上，离正式列入世界遗产只差一步。
Claude Cowork 上手机和网页了，AI 从”帮你写代码”扩到”帮你处理杂活”
Source · TechCrunch · 2026-07-07 · link
Why this — 这条跟你直接相关：《侧目》就是靠 Cowork cron 每天跑出来的。Anthropic 公布的使用数据第一次量化了”人们到底用 agent 干什么”。
Anthropic 的 Claude Cowork（一个 Claude Code 风格、但面向普通知识工作而非写代码的 agent）今天起对 Max 订阅用户开放了网页版和手机版。原本它 1 月只有桌面 app，现在可以”在工位上派个任务，通勤时手机看进度，回来再取成品”——哪怕笔记本已经合上，任务也在后台继续跑。官方给的一个例子：“设好周一早上 6 点做客户准备：Claude 翻完邮件、会议记录和近期新闻，生成简报文档，把跟进邮件也起草好但不发出，你端着咖啡审一遍就行。”
真正有意思的是 Anthropic 同时放出的使用数据——采样了 5 月最后两周、来自 60 多万个组织的 120 万个匿名 Cowork 会话：
- 最大类别 33.4% 是”业务流程操作”：把散落各处的更新汇总成一份报告、做入职清单、对账 Excel——集中在财务、HR、行政岗位。
- 第二大 16.4% 是内容创作：起草、做 PPT、写社媒帖、写提案。
- 写代码只占 8.7%。
换句话说，agent 现在最能打的战场不是编程，而是”工作里那些围着核心工作转、但谁都不把它当主业的杂活”。OpenAI 的 Codex 也在往同一个方向走。两家赌的是：胜负不取决于谁的聊天机器人最强，而取决于谁占住了”活儿真正发生的那块地方”。
微软裁 4800 人、大砍 Xbox，官方话术是”不是被 AI 取代，但 AI 改变了工作方式”
Source · TechCrunch · 2026-07-06 · link
Why this — 今年科技业裁员反复出现同一个模式：一边裁人，一边加码 AI 投入，两笔账在同一份财报里。
微软周一裁掉约 4800 个岗位（占全球员工 2.1%），其中 Xbox 一天就裁了 1600 人。首席人事官 Amy Coleman 在内部信里强调，这些岗位”不是被 AI 取代”，但话锋一转：“我们每天做的一些任务现在可以被自动化了。“对丢工作的人来说，这是”没有区别的区别”。
节奏也耐人寻味：这波裁员紧跟微软刚成立的”Frontier Company”业务部门——一个专做企业级 AI 部署、由一支 forward deployed engineer（前沿部署工程师） 组成的团队，背后有 25 亿美元投资。裁员与加大 AI 投入正相关，是今年反复出现的主题。
Xbox 这边更惨烈。负责人 Asha Sharma 直言”我们今天的业务不健康”，运营利润率比同类平台业务低 3–10 倍，称这是”Xbox 历史上最重大的重组”。具体动作：管理层级从 14 层压到 3–5 层；Compulsion 和 Double Fine 两家工作室被剥离回归独立，Ninja Theory、Undead Labs 转给新东家；战略收缩到 Minecraft、糖果传奇这类”平台级回报”的核心资产。而这一切正撞上生成式 AI 世界模型公司（Google DeepMind、World Labs、Runway 等）拿着巨额融资、把游戏当成近期商业化机会。
首例”全自主 AI 勒索软件”——但仔细看，背后还是需要一个人
Source · TechCrunch · 2026-07-06 · link
Why this — “AI 从头到尾自己发动了一次真实网络攻击”听着很吓人，但拆开看到底哪部分是 AI 干的、哪部分还得靠人——这才是判断威胁到底多大的关键。
云安全公司 Sysdig 上周记录了首例”agent 化勒索软件”，代号 JadePuffer：一个 AI agent（不是人）从头到尾执行了一次真实网络攻击——攻入有漏洞的服务器、窃取凭证、在网络里横向移动、加密文件，甚至自己写了勒索信，全程像人类黑客一样随机应变。
但”全程无人”这个说法并不完整。Sysdig 的威胁研究总监 Michael Clark 澄清：人依然深度参与，只是没参与”技术执行”那部分——是人搭好了指挥控制服务器、准备好基础设施、选定了受害者，连破解数据库用的凭证也是人通过之前的入侵单独搞到、再交给这套系统的。
技术细节确实”野”：agent 从 Langflow（一个流行的开源 LLM 应用搭建工具）的已知漏洞钻进去，再攻到生产环境的 MySQL 服务器拿到管理员权限，加密了 1300 多条配置记录，留下自己写的勒索信和一个比特币地址。最惊人的是速度和”透明度”——它用 31 秒修复了一次失败的登录，全程用自然语言代码注释边做边讲自己的推理。微软研究员 Geoff McDonald 推测，背后可能是一个被剥掉安全训练的开源权重模型，而非前沿大模型（因为前沿实验室的安全层通常扛得住红队测试）。他警告：勒索攻击现在主要受”攻击者预算”而非”人力”限制，理论上可能同时跑成千上万次——不过 Clark 描述的”每次还得人来选目标、搭基础设施、弄凭证”这个瓶颈，让这个前景暂时没那么快到来。
电商发券的”左手倒右手”难题：一个能真正算清增量的框架
CanniUplift: A Holistic Framework for Mitigating Seller and Incentive Cannibalization in E-commerce Uplift Modeling
作者 · Zuwang He, Junxiong Zhu 等（电商团队）· arXiv:2607.05242 · link
个性化发优惠券，标准做法是 uplift modeling（增量建模，估计”给某个用户发券”这个动作到底带来了多少他本来不会有的额外消费，也就是 Individual Treatment Effect / 个体处理效应）。但这篇论文点出一个 DS 做因果分析时天天踩的坑：在多商家电商这种复杂环境里，SUTVA 假设（“一个用户受不受处理，不影响别的用户的结果”这个因果推断的基础假设）会被打破，导致算出来的”增量”是假的。
作者拆出两种”自我蚕食”（cannibalization）：一是商家层面——给用户发的券只是把他的消费从 A 店挪到 B 店，平台整体没长；二是激励层面——用户本来就会买（有机转化），或者被别的奖励吸引，这些都混进”增量”里变成噪声。CanniUplift 用两个模块对付它们：PGA（平台级全局对齐，用整体 GMV 一致性约束去捕捉跨店替代），RDD（基于核销行为的去噪分解，用用户到底有没有核销来剥离归因噪声）。上线 A/B 测试后，平台整体增量 GMV 相对基线提升了 4.08%。
如果你做过任何”发了 X 之后到底有多少是真增量”的分析，这篇的问题意识会很熟：uplift 模型最大的敌人不是模型不够复杂，而是 treatment 的溢出效应（一个人的行为改变污染了对照组）让你算出来的因果量根本站不住。它给的解法——用全局约束 + 行为信号去反推真实增量——是可以搬到任何”激励/干预有互相挤占”场景的思路，不限于发券。
Pulpie — 专门”洗网页”的一族小模型，质量接近 SOTA、成本只有 1/20
https://usefeyn.com/blog/pulpie-pareto-optimal-models-for-cleaning-the-web/
Feyn 团队开源的一族模型，专干一件事：从 HTML 页面里把正文抽出来、扔掉导航栏/广告/侧边栏这些样板噪声。最小的 pulpie-orange-small 只有 2.1 亿参数（是主流工具 Dripper 的三分之一），却在抽取质量基准上打平后者；速度上在一张 NVIDIA L4 显卡上每秒处理 13.7 页 vs Dripper 的 0.68 页，清洗 10 亿个网页的成本从 15.9 万美元降到 7900 美元。原理是把 HTML 每个区块一次性标成”正文”或”样板”，单次前向传播搞定，所以又快又便宜。· 用得上的人：做数据管道 / 爬虫 / RAG / 预训练语料清洗的团队。
这正好戳中 vault scraping stack 那套痛点——你现在洗网页靠 Defuddle / Jina 这类启发式工具，而论文里就摆着证据：模型抽取比启发式在代码块（0.13→0.91）、公式（0.61→0.94）这些结构化内容上完好率高一大截，脏数据会直接被模型”继承”进能力里。哪天想给《侧目》的抓取链换个更干净的正文提取器，这族开源小模型是可以直接下来试的。
今日 Reddit RSS 端点全线返回 429 / 403（IP 层限流），6 个 seed sub 无一可抓——按 SOP 反爬当场停抓、不重试（重试会延长封禁窗口），本栏目本期跳过，下期补。
meetily ⭐20.1k · [Rust]
https://github.com/Zackriya-Solutions/meetily
这是干什么的：一个 100% 本地运行、注重隐私的 AI 会议助手——你开会时它实时转录（把语音转成文字）、区分谁在说话、再自动总结，全程不上云、不联网。
技术解读（Eric 是 DS 不是 SWE，这里把栈拆开讲）：
- 转录用 Whisper 或 Parakeet 模型（Whisper 是 OpenAI 开源的语音识别模型，Parakeet 是 NVIDIA 的同类；两者都能把音频转成文字），跑在你自己电脑上。
- 说话人分离（speaker diarization）——不只是转文字，还标出”这句是甲说的、那句是乙说的”，这是语音 AI 里一个专门的子任务。
- 总结用 Ollama（一个能在本地电脑上跑开源大模型的工具，相当于本地版的 ChatGPT，不用把内容发给任何 API）。
- 桌面 app 用 Rust + Tauri 写（Tauri 是一种做跨平台桌面软件的框架，比 Electron 轻很多）。
它把”语音识别 + 说话人分离 + 本地 LLM 总结”三件事串成一条全本地流水线，这套 pipeline 结构本身对你有参考价值——跟你 vault 里”抓取→裁决→总结”的 proxy-reader 思路同构，只是换成了音频输入。核心卖点是隐私（会议内容一个字都不出本机），如果哪天想给自己的会议 / 播客做本地转录归档，这是个现成能拆开学的模板。
Cognitive Revolution · Liquid AI 的 Ramin Hasani：把智能塞进 CPU 和口袋里
主持 Nathan Labenz · 嘉宾 Ramin Hasani（Liquid AI 联合创始人兼 CEO，MIT 出身，“液态神经网络”的发明者）· 2026-07-04 · YouTube
主持人开场直接说这期是”instant classic”——一场从生物学第一性原理讲到边缘 AI 商业化的高密度访谈。
这期讲了什么：
-
液态神经网络（liquid neural networks）是怎么来的：Hasani 读博时从秀丽隐杆线虫（C. elegans，一种只有约 300 个神经元、却是当时唯一被完整绘制出整个神经系统的动物）的大脑找灵感。线虫用极少的神经元就能做出灵敏的运动控制，比当时最好的机器人系统还强。他们把神经元之间的信息交换建成微分方程，做出了一类”每个神经元本身就是一个动态系统”的网络。结果惊人：12 个神经元就能让车自动泊位，19 个能开车，30 个能让无人机自主飞行。“液态”指的是训练完之后网络的动态仍然保持灵活，能对没见过的新输入作出反应——也就是天生更擅长”分布外泛化”（out-of-distribution，遇到训练时没见过的场景，比如开车时突然下雨、雨点糊在摄像头上，传统网络会被这种噪声带偏，液态网络因为对输入的反应方式不同而更稳）。
-
2022 年的关键突破：这类微分方程从 1907 年起就没有已知的”闭式解”（closed-form solution，不用一步步数值逼近、能直接算出来的公式）。Hasani 团队 2022 年第一次把它解出来，发在 Nature Machine Intelligence 上。意义在于：不再需要慢吞吞的数值求解器，神经元数量可以从几百个直接放大到十亿级，同时保住非线性。
-
公司转向：设备原生的基础模型。Hasani 的核心判断是市场——全球智能手机加笔记本市场约每年 8000 亿美元，而 AI 数据中心刚刚才追上这个量级；如果所有推理都只能在数据中心跑，全世界大部分人会被”前沿模型”的价格挡在门外。所以 Liquid 专攻能在手机、CPU、边缘设备上跑的小模型。它家模型在 HuggingFace 美国下载榜排第五（前四是谷歌、Meta、微软、英伟达），每周超百万次下载；一个 10 亿参数的模型能在 iPhone 上跑得够快，用来私密地检索、分类你本地的文档。合作方包括 Shopify 和奔驰。
-
最反直觉的一条工程洞察：他们做了一套自动架构搜索系统（AFMD），把 50–100 种运算子丢进去、把真实目标硬件也放进循环里（不看 perplexity 这种代理指标，直接在客户要用的真实硬件上测真实下游任务）。跑出来的规律是——模型越小、越专用，就越该往里加”偏置”（gating 门控、卷积、递归这些结构）；模型越大，就越该”去结构化”，纯用矩阵乘法的注意力机制反而赢。这就是为什么 Transformer 在万亿参数规模所向披靡（它够”无结构”），而在小规模、资源受限时，Mamba、状态空间模型、液态网络这些”有偏置”的架构才是最优解。他把 “Attention is all you need” 更新成一句更准的话：注意力在一定规模上确实还需要，但其他层可以极其简单——只要保留”门控”（让变换随输入而变），后面接个最简单的卷积就够了。
金句：
“模型做得越大、越无穷大，你就越希望它变得越来越没有结构。我们见过 Transformer 在万亿参数上的成功——可只要你在那个规模上给架构加一点点偏置，一切就全乱套了。” — Ramin Hasani
对做 DS 的你，这期最值钱的是那条”架构偏置随规模反转”的规律——它其实是 bias-variance 权衡的架构版：数据少、任务窄时，往模型里注入先验（结构）能补上数据缺口；数据和规模够大时，先验反而是累赘、越通用越好。这个直觉可以直接迁到你选模型的日常判断上：不是任何场景都该上最大最通用的那个。
Appa（Appa）
Source · Rock Paper Shotgun · 2026-07-07 · link
一款叙事驱动的卡牌对战游戏（PC / Steam，预计 2027 年初上线）——讲一对兄妹面对父亲之死的超现实故事。
Review 主旨：
RPS 编辑上来就点了个卡牌游戏的老毛病：好玩的往往难看、好看的往往不好玩，两者兼得的几乎没有。Appa 让她燃起希望，主要是两件事。
一是美术真的没见过同类：它把接近经典点击式冒险游戏的像素动画，跟传统手绘、再加一点 Cyriak 那种梦境般的照片拼贴（photobash）揉在一起，卡牌美术占据画面中心，效果和招式文字都贴在卡边、让画反而成为主角。
二是核心机制是”完全反应式”的——战斗”围绕同时出牌（simultaneous card selection）构建”：你和对手能对彼此的每一步做出反应，所以每一手都事关生死。另外还有两类修正符：synergizers（协同符，改变卡牌属性）和 afflictions（负面效果，直接作用于你或对手）。编辑的评测原则是”氛围第一、其余第二”，而 Appa 至少把氛围这块拿捏得很稳。
过 acid test 的点在”同时出牌 + 全程互相反应”这个机制 oddity：大多数卡牌游戏是回合制轮流出牌，Appa 把它改成双方同时亮牌、且能对对手每一步做实时反应——这等于把博弈论里的”同时决策”直接做成了核心玩法，跟你熟的 StS 那种”回合内 HP 管理 + 每战独立谜题”是不同方向的新鲜。协同符改卡属性这套又有点像自走棋/deckbuilder 里改 build 的乐趣。它是 preview 不是 review（明年初才上），但机制描述清晰、够怪，是今天一堆 Xbox 裁员新闻里唯一有真机制看头的。