AI 变现案例

IT之家 8 月 18 日消息，小派科技 (Pimax) 本月 14 日为其 PCVR 头显 Dream Air SE 推出 ProFit 面罩。新面罩在提供更为舒适的长时间佩戴体验的同时拉近了眼睛和镜片的距离，从而明显扩大可视视场。ProFit 面罩采用泡沫密度更高的 Studioform 面料垫片，将压力分散在颧骨而非眉骨上，还具有更出色的遮光性能。新面罩并未改变画面渲染 FOV，但用户头部位置的调整能带来更多画面内容。此外其顶部开孔暴露了设备上方的 USB-C 接口。IT之家了解到，小派 Dream Air SE 基于 Micro OLED 微显示器面板，总分辨率 5120×2560，水平 FOV 105°，支持 120Hz 眼动追踪，集成空间音频与麦克风，本体质量 140g。

从 2026 年 8 月起，欧盟 AI 法案开始对新系统生效。法案第 50 条要求 AI 提供者让输出内容「可被检测为人工生成」。换句话说，LLM 必须在输出中嵌入水印。 开发者 Sean Goedecke 写了一篇分析文章，结论很直接：文本水印永远可以被轻松移除。 不是图片水印，是文本隐写 Goedecke 首先澄清了一个常见误解。图片水印可以在...

AI 产品的核心不再是设计功能，而是设计一种“可被管理的不确定性”。本文从能力、输入、输出和风险四个边界出发，探讨 AI 产品经理如何建立评估体系、构建闭环，在模型的不确定性中打造可信任的产品。 过去，产品经理最重要的能力，是把一个模糊需求变成确定的产品方案。 用户提出问题，产品经理分析场景、梳理流程、设计功能，最后交给研发实现。整个过程虽然复杂，但基本逻辑非常清楚：只要规则定义得足够完整，产品就会按照预期运行。 AI 产品却不是这样。 同一个问题，模型可能给出不同答案；同一句指令，换一种上下文就可能产生完全不同的结果；一个在测试环境里表现很好的功能，到了真实用户手中，也可能因为输入方式变化而迅速失效。 因此，AI 产品经理面对的核心任务，已经不只是设计功能，而是设计一种“可被管理的不确定性”。 一、传统产品设计流程，正在失效 传统软件的产品逻辑通常是确定的。 用户点击按钮，系统执行预设规则，然后返回固定结果。产品经理只要把业务流程、页面状态和异常分支设计完整，产品体验通常就能保持稳定。 AI 产品的逻辑却是概率性的。 用户输入一句话，模型需要判断意图、理解上下文、调用知识、组织答案。在这条链路中，任何一个环节发生偏差，都可能影响最终结果。 这意味着，AI 产品不能只用“功能是否完成”来验收。 一个写作助手成功生成了文章，并不代表功能已经做好。产品经理还要继续判断： 内容是否符合用户真正的意图？ 结果是否稳定？ 用户能否理解模型为什么这样回答？ 错误发生后，用户是否知道如何修正？ 模型能力不足时，产品应该拒绝、降级还是继续尝试？ 这些问题很难通过一张传统的产品流程图解决。 二、AI 产品经理真正设计的是四个边界 做好 AI 产品，首先不是追求模型无所不能，而是明确模型在什么情况下能够提供价值。 1. 能力边界 模型擅长什么，不擅长什么？ 有些任务适合让模型直接生成，例如改写文案、总结材料、整理观点；有些任务则需要外部数据、专业工具或人工审核，例如财务计算、法律判断和医疗建议。 AI 产品经理必须知道，哪些问题可以交给模型，哪些问题需要工作流、知识库或人工机制补足。 2. 输入边界 用户需要提供多少信息，模型才能产生可靠结果？ 很多 AI 功能效果不好，并不是模型能力不够，而是产品把组织上下文的责任全部推给了用户。 一个空白输入框看起来最简单，实际上最考验用户。 好的 AI 产品会通过模板、示例、选项和追问，帮助用户逐步补齐目标、对象、背景、限制条件与输出格式。 3. 输出边界 怎样的结果才算可用？ “模型已经生成内容”只是技术状态，不是产品价值。 写作产品需要关注内容是否可编辑，数据分析产品需要关注结果是否可验证，决策辅助产品需要区分事实、推测与建议。 产品经理必须为输出建立明确的质量标准。 4. 风险边界 模型犯错之后会发生什么？ 如果错误只会让用户重新生成一次，风险相对较低；如果错误会直接发送邮件、修改数据库或执行付款，产品就必须增加确认、预览、权限和回滚机制。 AI 产品的自动化程度，不应该只取决于模型能不能做，还应该取决于错误是否可恢复。 三、Prompt 不是 AI 产品的全部 很多人把 AI 产品经理理解成“更会写提示词的产品经理”。 Prompt 当然重要，但它只负责模型交互链路中的一部分。 一个完整的 AI 产品通常还需要： 上下文收集机制 知识检索系统 工具调用流程 结果评估标准 用户反馈机制 异常降级方案 数据与权限控制 如果产品效果不好，只修改 Prompt 往往无法解决根本问题。 模型不知道公司的业务背景，就需要知识库；用户目标不明确，就需要追问机制；输出质量不稳定，就需要评估与重试；涉及高风险操作，就需要人工确认。 AI 产品经理需要做的，是判断问题到底出现在模型、数据、流程还是交互层。 四、AI 产品经理必须建立评估意识 传统产品上线后，团队通常关注点击率、转化率、留存率等指标。 这些指标对 AI 产品仍然重要，但还不够。 AI 产品还需要关注另一组指标： 任务完成率 首次生成可用率 用户修改幅度 重新生成次数 事实错误率 拒答准确率 用户纠错成本 单次任务推理成本 其中，“用户是否点击了生成按钮”并不能证明产品有效。 真正值得关注的是：用户有没有使用生成结果？修改了多少？完成同一个任务所需时间是否缩短？模型出错后，用户能否低成本修正？ 没有评估体系，AI 产品优化就很容易退化成团队成员凭感觉比较几个答案。 五未来的竞争不是模型竞争，而是闭环竞争 基础模型能力会不断提升，模型之间的差距也会反复变化。 今天依靠某个模型获得的产品优势，可能在下一次模型更新后迅速消失。 真正难以复制的，是产品在真实使用过程中形成的闭环： 用户提出任务，系统理解上下文，模型产生结果，用户进行选择和修改，产品记录反馈，再利用

AI正在重塑影视工业的生产逻辑，从剧本开发到后期制作，它降低了创作门槛，让个人创作者也能拥有工业化生产能力。但AI并非取代人类，而是重新分配价值链，将重心从制作能力转向创意与审美。本文深入解析AI如何重构影视生产流程，并探讨从业者角色的未来演变。 过去几十年，影视行业一直被认为是一个高度依赖“工业体系”的行业。 一部电影或者电视剧的诞生，并不是单纯的创意表达，而是一套复杂的生产流程。 从最初的创意开发，到剧本创作、演员选择、场景设计、拍摄制作，再到后期剪辑、特效制作和市场发行，每一个环节都需要大量专业人员参与。 因此，传统影视行业长期存在一个明显特点： 内容创作的上限取决于创意，但内容生产的下限取决于资金、人才和工业能力。 这也是为什么过去影视行业存在明显的资源集中现象。 大型影视公司拥有： 制作团队； 专业设备； 宣发渠道； 资本支持。 因此，它们能够承担更高风险，也更容易制作大规模影视项目。 而对于个人创作者或者小型团队来说，即使拥有优秀创意，也很难跨越制作成本的限制。 一个导演可能有一个很好的故事想法，但如果没有足够预算，就无法实现：复杂场景、大规模特效、高质量后期。 最终，很多创意会停留在想法阶段。 但是，AI的出现，正在改变这一逻辑。 与过去影视行业中的技术升级不同，AI带来的变化并不是单纯优化某一个制作环节。 它正在影响整个影视生产链条。 例如： 过去制作一个电影概念场景，需要：美术团队设计→导演沟通修改→多轮调整。 这样一套流程下来，可能需要几天甚至几周。 现在：通过AI生成工具，创作者可以快速获得多个视觉方案。 过去制作一个动画角色，需要：建模→绑定→渲染→大量人工调整。 现在：AI可以辅助完成角色设计和部分制作流程。 过去一个小团队想验证一个影视创意，需要投入大量资金。 现在：可以先通过AI快速制作样片，测试市场反馈。 因此，AI对于影视行业最大的价值，并不是简单降低制作成本。 更重要的是： 它正在降低影视工业的进入门槛，让更多创作者获得过去只有大型影视公司才能拥有的生产能力。 但是，这并不意味着AI会直接取代影视行业。 因为影视行业真正的价值，并不只是生产画面。 一部优秀作品的核心包括：故事表达、情感共鸣、审美判断、文化理解。 AI可以生成内容，但决定什么内容值得被创造，仍然需要人。 因此，AI进入影视行业带来的真正变化不是：“AI取代影视从业者。” 而是：“影视行业的价值链重新分配。” 过去：大量价值集中在生产能力。 现在：价值可能更多集中在：创意能力、审美能力、IP能力、AI工具使用能力。 这意味着，影视行业可能迎来一次类似互联网时代的生产方式变化。 一、AI正在重构影视生产流程：从辅助工具到创作基础设施 如果观察影视制作流程，会发现AI并不是突然进入某一个环节。 而是在逐渐渗透整个内容生产链。 从前期创意开发，到中期视觉制作，再到后期处理，AI正在成为新的生产工具。 但需要注意：AI的价值并不是替代整个制作流程。 而是重新分配人与工具之间的工作关系。 过去：人负责所有环节。 AI时代：人负责判断和创造，而AI负责执行和优化。 1.1 剧本开发：AI改变内容创作的前期流程 影视行业有一个长期存在的问题：内容开发成本高，但成功率低。 一部电影失败，很多时候并不是因为制作能力不足，而是在最开始的创意阶段就出现问题。 例如：故事吸引力不足、人物缺乏共鸣、市场定位错误。 传统影视开发流程中：编剧提出故事→制作公司评估→投资方判断市场→然后进入制作。 这个过程高度依赖人的经验。 AI出现后，最先改变的是：创意探索过程。 例如：编剧可以利用AI进行： 故事情节扩展； 人物设定生成； 世界观构建； 多版本剧情测试。 过去，一个编剧可能需要花几天时间思考：“这个故事还有哪些可能的发展方向？” 现在，可以让AI快速生成多个方向，再由创作者筛选。 例如： 一个科幻电影创作者提出：“设计一个关于人工智能与人类关系的未来故事。” AI可以快速提供：不同世界观、不同人物关系、不同剧情冲突。 这相当于：过去：一个创作者独立思考→未来：一个创作者拥有一个AI创意助手。 但是，这里需要区分： AI可以扩大创意数量，但不能直接创造优秀作品。 原因在于：影视创作不是简单的信息组合。 真正优秀的故事往往来自：创作者对于现实生活的观察、对于人性的理解、对于社会变化的判断。 例如： 为什么某些普通题材能够打动观众？ 为什么某些投入巨大的作品反而失败？ 这些问题并不是数据分析可以完全解决的。 因此，AI对编剧行业最大的影响，不是替代编剧。 而是改变编剧工作的重点。 过去：编剧主要负责：写出故事。 未来：编剧可能更多负责：选择故事、设计表达方式、控制创作方向。 也就是说：编剧从“文字生产者”→逐渐转变为：“创意导演”。 1.2 前期制作：AI降低影

本文主要介绍 AI 工作台左侧历史对话模块的设计与实现，说明如何使用 Ant Design X Vue 的 Conversations 组件，同时展示预设能力入口和历史会话列表，并梳理新建会话、切换会

大模型的回答看起来像一个结果，实际上是问题表达、证据检索、上下文工程、生成约束与结果验证共同作用的产物。本文用一个教学模拟案例拆解这条链路，并给出可直接用于排查问题的方法。 一、语言流畅，为什么仍然可能答错 先看一个明确标注的教学模拟案例。 一名员工问企业问答机器人：“出差住宿可以报销多少钱？”机器人迅速回答：“每晚 600 元”，措辞完整，还附上了一条制度引用。员工据此预订酒店，报销时却被告知标准不符。进一步排查发现，机器人引用的是已经失效的旧制度；新制度按照城市、职级和出差时间设置不同标准，而这些条件既没有在提问时说明，也没有在回答前追问。 这个案例没有使用真实企业名称、制度或项目数据，只用于说明问题。它揭示了一种常见错觉：只要答案通顺、语气确定、页面上还有引用，回答就值得相信。但“能回答”与“可信”之间至少隔着三个问题：答案有没有依据，依据是否仍然有效，以及依据是否适用于当前用户。 很多团队遇到错误回答时，第一反应是换更大的模型、写更长的 Prompt，或者把更多资料塞进上下文。这些方法有时有效，却也可能完全偏离病因。模型只是链路中的一环。资料版本错误时，更强的模型仍会读到旧制度；问题缺少城市与职级时，更长的 Prompt 也无法凭空补齐事实；权限过滤出错时，提高检索召回反而可能让不该出现的资料进入答案。 因此，可信回答不是由模型单独产生的，而是由问题定义、证据获取、上下文工程、受约束生成和结果验证共同构成的一条证据链。 只看最终文字，就像只看事故现场而不检查上游流程；要提高可信度，必须知道证据从哪里来、经过了什么处理、最终结论由哪段原文支持。 二、幻觉并不是偶然故障 要理解模型为什么会一本正经地答错，不必先掌握整部人工智能发展史，只需要看懂它如何生成下一段文字。 输入文本首先被拆成 Token，也就是模型能够处理的文本单元，再转换成编号(Token ID)。Embedding 将这些编号映射为语义向量，并加入位置信息，让模型既能处理内容，也能区分词语顺序。向量序列进入 Transformer，多层注意力计算让不同位置的信息彼此关联，最终形成用于预测下一个 Token 的隐藏状态。这个状态再被映射为覆盖整个词表的 Logits，也就是各候选 Token 的分数。 解码策略会根据这些分数选择一个 Token，把它追加到已有序列，再继续预测下一个。循环不断进行，直到生成终止符或满足其他停止条件。用户看到的完整回答，就是这一连串概率选择逐步累积的结果。 这里最关键的区别是：模型得到的是“下一个 Token 如何接续更可能”的分布，而不是从事实数据库中取出的唯一答案。训练让模型学会大量语言模式、概念关系和表达方式，因此它可以把一句话说得非常像正确答案；但生成过程本身并没有自动执行“这条制度是否最新”“这个数字是否适用于该员工”“引用是否真正支撑结论”等核验。 换句话说，模型的原生目标是生成最可能接续的内容，不是自动验证这句话是否有可靠证据。 流畅性主要来自语言模式，事实性则需要应用系统额外保证。模型不确定时仍可能继续生成，是因为“继续接话”符合生成任务，而“暂停、追问或拒答”通常需要系统明确提供触发条件。 这并不意味着所有错误都应笼统称为“模型幻觉”。如果正确制度根本没有进入知识库，问题首先是知识覆盖；如果制度存在但没被检索到，问题在召回；如果检索到了正确片段，模型却脱离片段扩写，才更接近生成忠实度问题。把所有错误都归咎于模型，会让团队在错误的层级上反复调参。 三、可信回答的五段证据链 一条可信回答链路，可以拆成五个连续但职责不同的环节。 问题定义：先确认用户真正想问什么 用户输入往往不是一条完整需求。“能报多少”缺少城市、职级、日期和费用类型；多轮对话里的“那北京呢”还依赖上一轮语境。系统需要识别指代、时间和适用范围，决定当前信息是否足以回答。如果缺失条件会改变结论，应先追问，而不是让模型选择一个看似合理的默认值。 问题定义不是把原句机械扩写，而是形成可独立理解、可用于检索的查询。好的查询既保留用户意图，也明确必要边界。例如，把“那北京呢”改写为“2026 年某职级员工前往北京出差时，住宿报销标准是多少”，检索系统才知道它究竟要找什么。年份与职级仍未知时，系统应保留未知并追问，不能擅自补造。 证据获取：找到完整、有效且可用的资料 证据不只是“语义相似的文本”。企业场景至少还要检查来源权威性、制度版本、有效时间与用户权限。旧制度可能与问题高度相似，却已经失效；新制度可能存在于扫描表格中，却因解析失败没有进入索引；某份管理层规则可能内容正确，却不允许普通员工检索。 因此，检索系统不仅要召回，还要过滤、重排和做权限校验。高召回率意味着相关资料更不容易漏掉，高精度意味着返回内容更少被噪声污染。两者都重要，但不能以绕过权限或忽略版本为代

Anthropic 在一个新页面上公开了 Claude 全系列模型的 system prompt 历史版本，覆盖从 Claude 3 到 Claude Opus 5 的所有模型，最早可以追溯到 2024 年 7 月。 这些 prompt 用于 claude.ai 网页端和移动端 App，不适用于 API。从 Claude 4.6 开始，每个模型 ID 是固定快照，所以只有一个 prompt 条目；早期模型则按更新...

IT之家 8 月 18 日消息，汉王现已推出 N6 Pro 黑白墨水屏电纸书，该机整体造型小巧，适合作为墨水屏笔记本使用，定价为 2199 元。京东汉王 N6Pro 电纸书 2199 元直达链接该电纸书提供晨曦金、摩卡棕两种配色，整体厚度 6.8mm，重量 189g，正面配备一块 6 英寸 1448x1072 分辨率黑白墨水屏面板，支持 8192 级压感手写。该机搭载“8 核心 2.2GHz 处理器”，匹配 4GB RAM 和 64GB 存储空间，内置 3000mAh 电池，同时提供四麦克风阵列，内置 AI 转写、翻译等功能。IT之家附产品参数：

开源列式关系数据库管理系统（RDBMS）DuckDB 发布了 v2.0 预览版，代号 "Cyanoptera"，预计今年秋季正式发布。这是一次大版本升级，将带来以下亮点特性： 全新的 SQL 解析器 新的默认存储格式 重写的 C API 以及少量精心挑选的破坏性变更 自 3 月发布的 v1.5 以来，v2.0 积累了超过 10,000 个 commit。 最引人注目的变化...

项目简介 ollmo 是面向私有化、团队协作场景打造的生产级 RAG (检索增强生成) 平台。上传文档、提出问题、拿到带精准出处的答案。内置混合检索、完整多租户隔离、流式对话、可视化 Agent 画布、GraphRAG、全链路可观测能力，开箱即可搭建私有知识库问答系统。 后端基于 Go + Fiber，前端 Next.js App Router + shadcn‑u...

Vercel Labs 在 GitHub 上开源了一个实验性编程语言 Zero，5310 个 star，339 个 fork。但数字不是重点——重点是它的定位：给 AI Agent 用的编程语言。 不是给人用的。 传统编程的流程是「人写代码 → 编译器编译 → 人看报错修 bug」。这个循环里，文本是真正源头。而 Zero 把这个源头换成了图（graph）：Agent 查询程...

IT之家 8 月 18 日消息，第三方机构 Signal65 今天（8 月 18 日）在 X 平台发布推文，指出在电池供电、平衡模式下，搭载高通骁龙 X2 Elite Extreme 芯片的笔记本的性能要优于英特尔酷睿 Ultra X9 388H 和 AMD Ryzen AI 9 465 处理器。该机构对比测试以下芯片：高通骁龙 X2 Elite Extreme X2E-96-100：拥有 18 个 CPU 核心（12 个 Oryon Prime 核心 + 6 个 Oryon Performance 核心），最高频率为 5.0GHz，配备 Adreno X2-90 GPU、性能为 80 TOPS 的高通 Hexagon NPU 以及 48 GB LPDDR5X 内存。英特尔酷睿 Ultra X9 388H：拥有 16 个 CPU 核心（4 个 P 核心 + 8 个 E 核心 + 4 个 LPE 核心），最高频率为 5.1GHz，配备 Arc B390（12 个 Xe3 核心）GPU、英特尔 NPU 5（性能为 50 TOPS）以及 32 GB LPDDR5X 内存。AMD Ryzen AI 9 465 芯片：拥有 10 个 CPU 核心（4 个 Zen 5 + 6 个 Zen 5c），最高频率为 5.0 GHz，配备 Radeon 880M GPU、AMD XDNA 2 NPU（性能为 50 TOPS）以及 32 GB LPDDR5X 内存。IT之家援引博文介绍，附上相关测试结果如下：在 GeekBench 7.0 多核测试中，骁龙 X2 Elite Extreme 的速度比英特尔酷睿 Ultra X9 388H 快 53%，比 AMD Ryzen AI 9 465 快 83%。在 Cinebench 2026 多线程渲染测试中，骁龙 X2 Elite Extreme 的速度比两者都快 87%。在 Procyon AI 计算机视觉测试中，骁龙 X2 Elite Extreme 的性能几乎是英特尔酷睿 Ultra X9 388H 的 2 倍，是 AMD Ryzen AI 9 465 的 2.4 倍左右。在平衡模式下使用电池供电情况下，在所有 CPU 和 AI 基准测试中，骁龙芯片优于英特尔芯片（接入电源，且切换到性能模式）。

IT之家 8 月 18 日消息，致态 (ZHITAI) 此前在 2023 年推出了基于 Xtacking 3.0 QLC NAND 闪存的 M.2 固态硬盘 Ti600。而在今日，致态宣布推出升级至 Xtacking 4.0 QLC 的 Ti600s。Ti600s 依旧采用 PCIe Gen4 ×4 接口，符合 NVMe 2.0 协议。其最高顺序读写速率从前代的 7000MB/s 与 6000MB/s 上升至 7400MB/s 与 6900MB/s，最高随机写入至多提升 114% 至 1500K IOPS，随机读取也有 44% 的提升幅度。Ti600s 基于 DRAM-less 无外置缓存方案，提供 512GB / 1024GB / 2048GB / 4096GB 四个足容容量点，其中 1024GB / 2048GB / 4096GB 款当前售价分别为 1189 元 / 1889 元 / 3899 元。京东致态 Ti600s 固态硬盘 1TB1189 元直达链接

IT之家 8 月 18 日消息，酷态科宣布推出 CP 模块风扇 Plus“夹式延长线套装”，其中套装版定价为 109 元，延长线单体版定价为 49 元。据介绍，相应夹式延长线配备 Power-Pin 磁吸接口，可以快速连接 CP 模块风扇 Plus，为其进行 1 米距离的有线供电。同时延长线底座支持夹 / 立两用，支持 360° 旋转，线缆本身使用 48 锭编织线身，具有较高强度。IT之家附产品参数：

IT之家 8 月 18 日消息，市场研究机构 Counterpoint 今日发文，AI 加速器的出货量将大规模推动先进封装的需求：预计未来五年内，将有超过 1.3 亿颗 GPU / AI ASIC 芯片采用先进封装的片上计算内存，从而创造近 2 万亿美元（IT之家注：现汇率约合 13.51 万亿元人民币）的计算收入。报告认为，封装而非逻辑扩展已成为新的竞争战场，因为业界正努力突破内存壁垒、性能壁垒和铜墙（Copper Wall）这三大物理极限。报告认为，HBM 对台积电 CoWoS 硅中介层的依赖带来了高昂的成本，包括厚封装、良率风险、产能限制和高废料成本，因此，这为可靠的替代方案创造了机会。英特尔在三个方面为内存接口提供了一个理论上很有吸引力的架构解决方案：EMIB（其目前成熟的商用封装平台）、ZAM（与软银的 SAIMEMORY 合作开发的近中期 HBM4 级挑战者）和 XBM（长期 BEOL 薄膜晶体管和串行 UCIe 重新设计）。报告还称，台积电在大批量生产、成熟度和 JEDEC 标准生态系统锁定方面仍然领先，但在 CoWoS 的同类创新方面则处于劣势。因此，英特尔能否挑战 CoWoS 取决于其能否及时执行、获得生态系统支持（例如，与谷歌 / 联发科或一级内存合作伙伴合作），以及能否解决 EMIB、ZAM 和 XBM 在散热和集成方面的权衡问题。