热点 - AI 日报：每天 5 分钟，看懂全网在聊什么

新能源汽车销量年年飙升，2024年国内渗透率已突破40%。但越来越多车主吐槽：车越来越智能，自家车位却停不进去。这到底怎么回事？

核心问题出在泊车辅助系统。传统超声波雷达存在盲区，对低矮障碍物识别能力弱，加上部分车型车身偏大，实际体验大打折扣。数据显示，2023年智能泊车系统误报率约12%，而2024年行业头部企业已降至5%以下。随着激光雷达+视觉融合方案加速落地，技术迭代正在提速。

可以预见，未来2-3年车位到车位的全自动泊车有望成为标配，泊车焦虑或将彻底成为历史。💬 你怎么看？欢迎在评论区聊聊~
#我的新能源车为何难进自家车位# #科技创新#

8月31日消息，很多鸿蒙用户期盼已久的网易云音乐尝鲜内测版正式放出，华为何刚感慨：“熟悉的感觉又回来了。”

据了解，这款版本由华为和网易双方一起合作开发。这一次上线的只是尝鲜内测版本，优先把最基础的听歌能力补齐。

音乐播放、内容推荐、搜索、分享这些核心功能都已经可用，大家很看重的歌曲评论区也一并回归，对于很多老用户来说，终于可以用上熟悉的体验。

想要体验的用户，要先把鸿蒙系统更新到最新版本。打开华为应用市场，进入我的页面，找到应用尝鲜专区，搜索网易云音乐就可以下载安装。

需要注意，既然是尝鲜版本，就免不了存在bug和功能缺失。

官方也表示，后续还会继续加紧迭代完善。用户使用过程中碰到异常，或是希望增加哪些功能，都可以直接在应用里面联系客服提交反馈，两边团队会根据大家的意见持续调整优化。

过去很长一段时间，鸿蒙设备上只能运行安卓兼容版本的网易云音乐，原生适配一直缺位，这也是不少华为用户吐槽的点。

现在内测版落地，总算补上这块短板。但部分小众功能、高级特效暂时还没有加入进来，属于正常现象。

对于喜欢网易云音乐的鸿蒙用户来说，这算是一个好的开始。

🎯 科技 · 财经

🔥 AI时代人类创作者还重要吗？知乎Q2财报给出答案：专家内容、原创IP不降反升，AI重新定义了专业价值的定价逻辑。

8月26日，知乎发布2026年第二季度业绩报告。财务层面，Q2营收6.9亿元，环比增长5.9%；上半年经调整净利润690.6万元，延续2025年首次全年盈利后的稳健态势。

但真正值得玩味的，是另一组数据：截至Q2末，知乎累计内容量达9.93亿条，同比增长约9%；AI相关专业内容同比增长约37%；社区日均新增高质量内容同比增长超过16%，连续多个季度保持双位数增长。专业创作者达8150万名，荣誉认证创作者数量上半年同比增长9.8%。

AI没有削弱社区创作，反而刺激了更多专业讨论和内容生产。这组数字背后折射出一个正在发生的行业趋势——当AI能生成海量内容时，真人经验、专家判断与原创IP反而变得更加稀缺和昂贵。

今年上半年，知乎上线了AI商业化核心服务——专家数据解决方案。依托平台8150万创作者网络和多年积累的专业内容资产，面向大模型企业提供覆盖需求理解、专家组织、数据生产、质量控制和模型评测验证的一体化服务。

这和普通数据标注有本质区别：传统标注解决的是数据量问题，专家数据解决方案解决的是模型能力问题。目前该业务已在代码、搜索与深度研究、视觉推理、智能体等多个方向完成项目落地。虽然财报未单独披露其收入，但与职业教育、消费品等共同计入的"其他收入"板块Q2营收6520万元，势头可观。

知乎管理层在财报电话会上反复提及一个关键词：专家。随着模型能力不断提升，专家角色正从数据生产转向标准定义、专业判断和结果验证——这正是AI产业链中价值最高的环节之一。

另一项关键数据来自知乎数据开放平台：截至Q2末，已吸引超过17600名专业开发者接入，沉淀超2600个AI项目，其中20%来自非知乎原有创作者。这意味着知乎已突破原有社区创作者圈层，开始吸引AI开发者进入生态。

今年6月上线的AI Works项目广场，允许开发者发布AI工具、智能体、应用和游戏，形成"内容资产—开发工具—AI应用—社区反馈"的生态闭环。创始人周源表示，平台正处于AI内容资产和专家数据解决方案的新能力验证阶段。

从内容社区到开发者生态，AI正在让知乎的商业价值从内容平台延伸至模型能力建设，这是一条远比广告和会员更具想象力的增长路径。

综合21世纪经济报道、金融界报道 | 2026-08-31

8月31日消息，为了解决数据存储领域长期悬而未决的共性技术难题，华为此前曾拿出100万元的高额奖金面向全球公开悬赏，如今这项赛事的官方评审结果终于正式对外公布。

在2026全球数据存储教授论坛的活动现场，第六届奥林帕斯奖的最终获奖名单正式揭晓，这项聚焦数据存储赛道的专项学术奖项，早已成为全球存储领域最具分量的行业荣誉之一。

来自国内外不同科研机构的7支顶尖科研团队，凭借各自在数据存储方向的前沿探索成果和关键性技术突破，分别斩获1项代表赛事最高荣誉的奥林帕斯奖，以及6项奥林帕斯先锋奖，所有获奖团队都将获得对应档位的专项科研激励奖金。

其中由沈志荣教授和张一鸣教授带领的智能存储与计算重点实验室团队，创新性提出层次化大内存的I/O优化与高效组织技术研究方案，成功在XPU架构下实现了远超现有行业水准的高性能数据访问能力，技术落地后能显著提升大模型系统的运行推理效率，毫无争议地拿下了本届赛事的最高荣誉奥林帕斯奖，也顺利拿走了此前设置的100万元全额悬赏奖金。

本届奥林帕斯奖一共吸引了全球范围内30所顶尖高校及相关研究机构的160多位专家学者带着自己的前沿研究成果踊跃申报，经过多轮极为严苛的专业评审，最终仅有7支获奖团队成功突围，也充分彰显出当前全球数据存储领域深厚的学术积淀和旺盛的创新活力。

华为连续多年通过真金白银悬赏的方式，把产业端实际遇到的技术难题直接抛给全球科研圈，跳出了企业内部闭门攻坚的局限，也打通了学术界前沿研究和产业端落地应用的链路，这次获奖的大内存I/O优化技术后续量产落地之后，将会给国内AI大模型的推理算力成本、海量数据存储效率带来非常可观的提升空间，也为全行业联合攻坚卡脖子技术提供了可复制的全新协作范式。

AI行业长期信奉一条铁律：参数越大，模型越强。万亿参数旗舰模型被认为是能力天花板，百亿级模型只能仰望。然而，2026年8月中国信通院的可信AI大模型基准MCP专项测评，彻底颠覆了这个认知。

上海原点星辉科学技术有限公司自主研发的StartLux-V1.0-27B-Preview模型，以仅27B的轻量化参数量，在综合测评中斩获39.25%得分，位列全国第二。它的表现有多夸张？大幅超越284B的DeepSeek-V4-Flash、198B的Step-3.7-Flash等主流云端大模型，仅落后1.6万亿参数的DeepSeek-V4-Pro约1.3个百分点。

更值得注意的是，该模型在位置导航任务中拿下全国第一，浏览器自动化、金融分析等核心实操任务并列或独占榜首。作为国内首个采用"AI训练AI"（Auto Research）后训练技术的本地Agent模型，StartLux 27B证明：通过精准的场景化训练和AI自训练技术，小参数模型完全可以在实际应用中实现越级挑战。

业内分析指出，这标志着AI行业从"参数军备竞赛"转向"实战能力比拼"的新阶段。模型能力的衡量标准，正从实验室跑分延伸到真实任务执行。对于企业而言，这意味着更低部署成本、更快推理速度、更高落地效率的本地化AI解决方案时代正在到来。

小小参数，大大逆袭。当27B的上海本地模型站上全国第二的领奖台，AI行业的"唯参数论"正式翻篇。

AI 生成 . agnes-2.0-flash | 搜索综合

8月31日消息，针对当前业内存在的“速成车”现象，宝马集团再度发视频进行回应，并回答了“宝马造车慢”的质疑。

宝马表示：一盏车灯，一块挡风玻璃，在外人眼里只是普通零部件，在宝马的研发体系中，却是沉淀多年的真功夫。

为打磨光学玻璃，项目历经超5年精雕细琢，零部件要完成5000小时氙灯老化测试、10万次摩擦耐磨测试，经过一轮轮反复调试，把光谱公差严格控制在±2%，将P偏振光反射率提升至 20%。

无论是强光逆光、隧道明暗切换，还是驾驶员佩戴偏光墨镜，行车关键信息都能够保持清晰通透，不干扰驾驶者视线。

玻璃夹层之内，薄如蝉翼的膜片中，嵌入直径仅170微米的超细加热丝，遇到雨雪冰霜，能够快速消融冰雪遮挡，同时不干扰雷达信号正常工作。

整套部件要跨越-40℃至110℃的极端温度考验，冰天雪地的严寒、盛夏酷暑的炙烤，都要做到性能稳如磐石，守护每一次出行的稳妥与安心。

值得一提的是，宝马日前已就“速成车”现象发布视频进行了抨击。

开篇为艺术化演绎的戏谑画面：微缩玩具车模撞击榴莲、菠萝模拟碰撞测试，工作人员手持吹风机、喷壶模拟狂风暴雨，甚至用嘴吹气充当风洞气流，画面角落标注“效果为艺术化呈现”，戏谑片段过后镜头一转，切换为宝马真实研发场景，前后对比显著。

短片内核直指当下行业现状：国内部分车企把整车开发周期压缩至18个月，大量依靠虚拟仿真，削减实车耐久、极寒极热、碰撞验证环节，快速堆配置上新。

而宝马坚持完整整车开发流程约36个月，虚拟仿真之外，必须完成海量真实物理测试，新车上市前实车累计跑完数百万公里实测里程，才允许推向市场。

宝马高管在媒体沟通会上表示，外界看到宝马电动新车来得慢，是不愿意压缩安全验证环节，配置迭代可以很快，但整车安全、电池可靠性、底盘耐久没有捷径，宁可多花时间打磨，把风险解决在出厂之前，也就是所谓“慢工出细活，功夫见真章”。

8月31日消息，开源多媒体工具FFmpeg主开发分支已经正式合并英伟达显卡硬件加速插帧滤镜FRUC，借助显卡内置光流硬件单元，可以直接对已有视频做帧率提升补帧处理，大幅降低视频插帧的硬件开销。

FRUC全称Frame Rate Up-Conversion，也就是帧率上转换，它会读取视频前后两帧画面，依靠英伟达光流硬件估算画面物体运动轨迹，生成全新的中间插值帧。

也就是说，该功能可以将传统的24帧电影素材提升至48帧，或者将30帧视频倍增至60帧。

这套功能能够顺利合入主分支，中间经历了三年波折。早在2023年就已经有开发者提交过英伟达硬件插帧补丁，可以实现实时补帧，但方案高度依赖英伟达专有闭源组件，授权协议与FFmpeg开源分发原则冲突，补丁最终被搁置，没有进入主线代码。

本次方案改用通用Vulkan接口调用显卡硬件，不再绑定私有SDK，解决了授权层面的阻碍，才得以正式合入。

硬件支持方面，本次更新划定了明确的架构界限，虽然英伟达从RTX 20图灵架构就已经集成光流加速硬件，但这套Vulkan版本FRUC依赖Vulkan SDK 5.0，图灵架构无法适配。

目前仅支持RTX 30、RTX 40以及RTX 50系列显卡，RTX 20系列用户暂时无法使用该硬件插帧功能。

除此之外，就在FRUC补丁提交的同一时间段，还有一批英伟达相关补丁短暂进入FFmpeg开发分支，其中包含RTX视频超分辨率VSR、RTX TrueHDR、动态色彩增强、平滑运动等滤镜。

不过这部分改动后续被全部回滚，只有实现相对简洁的Vulkan版FRUC插帧功能保留在了主分支。

目前FFmpeg官方尚未发布包含该功能的正式稳定版，普通用户若想抢先体验，需自行编译最新的开发分支版本。

▸ 【「评分最高」≠「最好吃」——这是旅行吃遍全球的人都知道的潜规则】

你是不是也这样：到了一个城市，找餐厅第一反应是打开点评APP，按「评分从高到低」排序，选那个4.8分的——结果去了才发现：排队1小时、人均200、味道「还行但也没什么记忆点」？

你可能不知道，「评分最高」的餐厅，恰恰是旅行中踩坑概率最高的地方。

▸ 【为什么「评分最高」反而最不靠谱】

第一个陷阱：「游客评分偏差」。本地人不去的店，评分再高也和你无关——因为「评分高」的餐厅，大概率是游客多的店，而游客多的店，往往有「游客价」和「游客味」。本地人知道哪里好吃，但他们不写评分；游客写了评分，但他们的标准是「和家乡比有什么不同」，不是「这道菜本身好不好吃」。

第二个陷阱：「好评刷单产业链」。评分4.8以上的店，有多少是「写好评送饮料」「扫码评分打折」换来的？你看到的「好评如潮」，可能只是「利益交换」的结果——真正好吃到值得你专门写一段好评的店，反而因为「懒得写」而评分不高。

第三个陷阱：「众口难调的「最大公约数」」。评分最高的店，往往不是「最有特色」的，而是「最不出错」的——它知道什么口味最安全、什么价格最接受、什么环境最拍照，所以它做的是「游客安全牌」，不是「本地风味牌」。你吃的不是地道，是「不会难吃到投诉」的标准品。

▸ 【三步找到「本地人真正爱吃」的店】

第一种方式：「反向搜索——看2-3分的中评」。打开点评APP，跳过4.5分以上，直接看2-3分的评论——这些评论往往「吐槽具体」「细节真实」，而且能帮你避开「网红滤镜」。更重要的是：一家店如果评分3.5但评论里有「老板脾气差但菜真的好吃」「环境一般但味道绝了」这种评价——这家店大概率值得去。

第二种方式：「问「非游客」」。酒店前台、出租车司机、便利店老板——问他们「你自己平时去哪吃」，不要问「附近有什么好吃的」——前者是「他自己的生活半径」，后者是「游客推荐清单」。本地人自己的答案，比任何评分都准。

第三种方式：「看「复购率」而非「评分」」。有些小店评分只有3.8，但你观察一下：店里坐着的是不是「天天来吃」的熟客？有没有本地中年人带着孩子来？有没有人「不用看菜单直接点」？这些「复购信号」比评分更能说明问题。

▸ 【一句话总结】

旅行吃饭，评分不是指南针——「谁在吃」才是。跳过4.8分的游客店，去找那些「本地人自己常去、评分不高但口味扎实」的小店——你的味蕾会感谢你。

▸ 【「锅气」——中餐灵魂的秘密，不在调料，在温度】

你在家炒的菜，总觉得「差了点意思」—— restaurant里的菜有股「镬气」（锅气），你炒出来就是「软趴趴、水唧唧」的。你可能会想：是灶火不够大？是调料不对？是厨艺不精？

你可能不知道，真正决定「锅气」的，是你下菜之前那个动作——你的锅，从来没烧到「冒烟」的程度。

▸ 【「锅气」到底是什么】

「锅气」不是某种神秘调料，是「美拉德反应」+「焦糖化反应」的复合产物——当食材表面温度超过140°C时，蛋白质和糖分发生反应，产生数百种芳香化合物，这就是「锅气」的化学本质。

但问题在于：家用燃气灶的温度，远低于餐厅猛火灶——如果你不用「高温快炒」的方式，锅的温度到不了140°C，食材就是在「水煮」而不是「爆炒」。

▸ 【「烧到冒烟」为什么是关键】

第一个原理：「热锅的「蓄热能力」」。锅烧到冒烟，意味着锅体本身储存了大量热量——当你把菜倒进去的瞬间，锅的温度不会骤降，而是立刻和食材表面发生高温反应。如果锅不够热，食材一入锅，锅温骤降，食材表面温度上不去，美拉德反应无法启动。

第二个原理：「油烟是「信号」不是「敌人」」。很多人看到锅冒烟就关小火——但「冒烟」恰好告诉你「锅够热了」。这个烟是「油烟」，不是「焦味」，它是锅温到达「适合爆炒」区间的信号。你要做的是：等烟起来 → 倒油 → 立刻下菜 → 大火快炒。

第三个原理：「油量要「铺满锅底」」。很多家用炒菜油放太少——油太少，食材和锅底直接接触的面积大，局部温度不均，有的地方焦了有的地方还没熟。「宽油」让食材「悬浮」在油里，温度均匀，每个表面都能达到140°C以上。

▸ 【三步在家炒出「餐厅级锅气」】

第一种方式：「空锅大火烧到冒烟」。开最大火，空锅干烧30-60秒，看到锅面开始微微冒青烟——这时候锅温大约200-250°C，达到爆炒条件。

第二种方式：「倒油后立刻下菜」。油倒进去不要等——立刻下菜，用锅铲快速翻动，让每块食材都接触到高温油面。整个过程控制在「1分钟内完成下菜到翻匀」。

第三种方式：「锅气三原则：锅要热、油要宽、炒要快」。记住这三句话——锅热到冒烟是前提，油宽到铺满锅底是保障，炒快到1分钟内完成是核心。

▸ 【一句话总结】

锅气不在调料里，在温度里——下次炒菜之前，先把锅烧到冒烟，再倒油、下菜、大火快炒。三步到位，你家炒菜的「锅气」能赶上80%的中餐厅。

▸ 【「中途看一眼」——你以为只是30秒，其实你丢掉了整段体验】

你是不是也这样：电影看到一半，手机震了——「就瞄一眼，5秒钟」——但等你放回口袋，再抬头看屏幕，你已经不知道刚才那段剧情演到哪儿了。

你可能不知道，这个「5秒钟」的代价，远比你想象的大。

▸ 【「看一眼手机」为什么这么致命】

第一个代价：「注意力残留」。心理学上有一个概念叫「注意力残留」（attentional residue）——当你从电影切换到手机，再切回电影时，你的大脑并没有完全回到电影里。你眼睛看着屏幕，但脑子还在「刚才那条消息是什么」「是谁发的」「要不要回」——这段「残留」会持续2-3分钟，你错过了的不仅是那5秒钟的画面，而是之后2-3分钟的「情绪连续体」。

第二个代价：「情绪链条断裂」。电影最值钱的部分，不是「剧情」，是「情绪」——导演用音乐、镜头、表演，花了20分钟让你进入一种情绪状态：紧张、感动、悲伤、兴奋。你中途看了一眼手机，情绪链条断了，再回来的时候，你「知道」剧情在继续，但「感受」已经接不上了——就像听音乐时被人拔了电源。

第三个代价：「细节盲区」。电影里有很多「背景信息」——一个配角的眼神、一句旁白的暗示、一个镜头里的彩蛋——这些细节在你「完全在场」的时候能自然吸收，但你分心之后，这些细节全部消失了。你看完了整部电影，但只拿到了「主干剧情」，丢掉了「血肉细节」。

▸ 【三步重建「完整观影」体验】

第一种方式：「进影院之前「关机仪式感」」。进影院前，把手机调成「飞行模式+勿扰」，然后放进裤子后口袋（不是上衣口袋）——后口袋让你不方便随时摸出来，这个「物理障碍」足够阻止90%的「忍不住看一眼」冲动。

第二种方式：「用「剧情速记」替代「手机速查」」。如果你担心错过剧情，带一个小本子和一支笔——每10分钟快速记三个关键词：「谁+在哪+在做什么」——这个动作不仅帮你保持在场，还帮你建立「剧情地图」，看完之后回忆更清晰。

第三种方式：「承认「错过」不是灾难」。就算你中途看了一次手机，也不要「自责+赶紧补剧情」——那样你的大脑会同时处理「电影」和「补剧情」两个任务，两个都处理不好。正确做法：接受「那2分钟我错过了」，然后从「当下这一刻」重新开始投入——大多数电影不会因为你错过2分钟就看不懂。

▸ 【一句话总结】

电影不是「信息」，是「体验」——你分心5秒，丢掉的不只是5秒的画面，而是之后3分钟的「情绪连贯性」。把手机锁进后口袋，给电影90分钟的全程在场——你会发现自己以前「看过」的电影，和「真正看过」的电影，是完全不同的东西。