今年的 iOS 27，将会 AI 味浓浓。

彭博社报道，苹果准备在今年的 WWDC 开发者大会上推出一套全新的 AI 修图工具，将会集成在 iPhone、iPad 和 Mac 的照片应用中。

沉寂了一年的 Apple 智能，将随着 iOS 27 的推出，再次回到聚光灯下。

两年前，苹果还公开表示不做 AI 修图功能，在竞争对手的步步紧逼之下，终于还是忍不住跟进了。

iOS 27：AI 无处不在

在 iOS 18 推出的 Apple Intelligence 工具集，苹果就已经允许用户利用 AI 简单消除照片中的物体，属于当下智能手机的标配功能。

苹果的对手已经走得更远。像是把「AI 修图」作为标志性功能的 Google，已经实现给人物更换完美表情、把人物加入合照，甚至重构整个画面背景的能力，整个 Android 阵营都在发力类似的功能。

在 iOS/iPadOS/macOS 27 中，苹果将在「照片」App 的编辑界面中，增加一个全新的「Apple Intelligence Tools」（Apple 智能工具集）模块，包含以下三个功能：

• Extend（扩展），就是 AI 扩图的功能，允许用户在原始画面之外额外生成图像内容，比如拍摄一张旅游景点的地标图，然后用这个工具来填充周围的景色，用户可以自行控制扩图的范围和位置。
• Enhance（增强），利用 AI 自动修图，有点像不能自定义的「豆包修图」。
• Reframe（重构），主要运用于苹果的空间照片，允许用户在拍摄后改变视角，比如一张汽车照片可以从正面视角调整为侧面视角。这个功能将充分利用空间照片来自多个摄像头的结构数据。

不过，根据内部测试的员工透露，这些功能的开发并不算顺利，效果更复杂的「重构」和「扩展」不稳定，苹果很可能会推迟或砍掉这些功能的发布。

包括这个新的 AI 修图功能在内，iOS 27 系统的更新将会沿着「优化」和「AI」两个主旋律进行。

此前爱范儿已经多次报道，由于 iOS 26 引入了「液态玻璃」的全新设计语言，系统稳定性有明显下降，因此 iOS 27 将会聚焦在系统稳定性优化上，不仅要修复目前 iOS 26 的大量 Bug，还会提升设备的续航和性能表现，并持续修改液态玻璃的视觉效果。

其余的功能更新，则会集中在「AI」上。首先，苹果正在努力将 2 年前画饼的 AI Siri 正式实装 iOS 27，这也是 Apple 智能体验和未来苹果 AI 硬件战略的核心体验部分。

虽然已经「潜心打磨」两年，今年年初有内部人员向彭博社透露，AI Siri 的一些杀手级功能，例如语音控制 Siri 操作应用，测试结果并不理想。

这意味着，即使我们能在 iOS 27 见到 AI Siri 庐山真面目，它也大概率会是一个「技术预览版」，并且需要等待后续更新补充完整功能。

旧饼还没兑现，iOS 27 选择继续加码 AI 新功能。

苹果打算进一步将 Siri 改造为类似 ChatGPT 和 Google Gemini 那样的聊天机器人，届时 Siri 会有一个独立应用，用来对话和存储聊天记录。

苹果还计划在邮件、日历和 Safari 浏览器等第一方应用中，引入新的 Siri 引擎，实现更强的搜索和数据管理能力。

除此之外，苹果正在酝酿一个 AI 搜索引擎， 允许用户从网络搜索信息，生成综合的报告和信息列表，以及网页链接，作为 Safari 和 Spotlight 网络搜索。

在健康领域，苹果将结合 AI 推出「Health+」的订阅服务，利用 AI 智能体，对用户的身体数据进行个性化分析，并针对性推送真人医生录制的建议。

比起两年前那场 WWDC，iOS 27 这一大批 AI 功能，比目前的 Apple 智能还要更丰富不少。

FOBO 的风，还是吹到了库比提诺

2025 年 1 月， 苹果的软件主管 Craig Federighi 和营销高级副总裁 Greg Joswiak 接受了《华尔街日报》的专访，谈到了对 AI 的看法。

其中 Federighi 特别提到了「AI 修图」，解释为什么苹果只推出「消除」，而不是如同三星和 Google 一样做大量的功能：

对我们来说，重要的是帮助人们传播准确的信息，而不是虚构的「幻想」。

苹果公司内部曾经针对「AI 修图」的尺度进行了长时间讨论，考虑到用户的高需求，苹果公司愿意迈出「小小的一步」，于是在 iOS 18 之中推出了「AI 消除」的功能。

而像是「图乐园」这种 AI 生图功能，苹果也做出了严格的限制，只能用于创作卡通图案，避免生成逼真的图像造成误导。

某种程度上，苹果的坚持已经开始松动，iOS 27 这个全新的「AI 扩图」功能，让 Apple 智能进一步介入照片的真实性。

回望两年前的那场 WWDC，Apple 智能以一个非常温和的形象问世，没有想象中的 Apple-GPT，苹果的很多尝试都显得谨小慎微，不具备改天换地的野心。

但 AI 产品的代际变化速度极快。别说两年前，两个月前都没人觉得 ChatGPT 是一个好用的文生图机器人，现在打开社交媒体 GPT Image 2 的作品已经铺天盖地。

两年没动弹过的 Apple 智能，自然「遥遥落后」。

作为终端厂商的苹果，原本拥有一个得天独厚的优势，能够一夜让自己的 AI 产品面向全球十亿用户推出。

只是，对于用户来说，Apple 智能不仅不算好用，更致命的是，它提供的价值，和用户的需求，有很大程度的错位，导致用户并不想用。

FOBO（Fear Of Becoming Obsolete，害怕被淘汰）的阴影，终究还是笼罩了苹果。

过去， 苹果可以决定什么功能值得出现；如今，它也必须回应用户已经习惯拥有什么，行业在发力什么。iOS 27 上这些曾被苹果否决的 AI 功能，本质上都是一次迟到的补课。

Siri 版 GPT 要做，AI 搜索引擎要做，系统应用也全部 AI 化，现在苹果也盯上了 AI 照片编辑，一个其他手机品牌很喜欢演示的功能。

苹果能不能把这些功能做好，又是另一个问题。

即使已经发布 2 年，Apple 智能的照片「消除」效果依旧不如人意，横向对比 Android 阵营显得更显落后，经常会出现消除不彻底、扭曲图像的问题。

全新「扩展」和「重构」功能则更复杂，内部已经反馈稳定性不佳——其实，我相信对于更多用户来说，会更希望苹果能把更实用的「消除」功能进一步完善好。

并且，AI 修图一直以来都争议缠身，特别是前两年的 Google Pixel，可以在一张真实照片上加入任何元素，实现以假乱真的效果，就引发了国外媒体对于「真实」和「伪造」的大讨论。

苹果会尽量规避这种风险，目前看来，这些新功能的自由度相当有限，用户不能自定义修改的方向和指令。

面对行业趋势和用户需求，苹果也不得不松动和更改曾经的价值取向，现在的他们，其实还不知道自己要做什么样的 AI。

但这不仅是苹果的困惑，其实也是笼罩整个行业的迷思，最富含 AI 的 Google Pixel，也并非是我们期待的那台 AI 手机。

既然暂时难以重新扮演行业的引领者，那么在 AI 这场竞赛中持续调整步伐的苹果，至少还能先通过跟随，确保自己依然留在牌桌之上。

但我仍然期待，今年的六月，苹果能为我们带来惊喜。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

最近 GPT Image 2 火了之后，网上都是那些彻底以假乱真的 AI 生成图片。大模型在视觉这条路上越走越远，让人兴奋又让人敬畏。

而 GPT Image 2 在眼下的 AI 生图领域，几乎是没什么好争的。但如果说云端闭源收费的最好模型是 GPT Image 2，那能部署在本地的，免费开源模型或许会是 SenseNova U1。

SenseNova U1 是商汤最新发布的一个开源的多模态模型，它的 Lite 系列 8B 和 A3B 参数版本，目前已经在 Hugging Face 和 GitHub 上开源。

从模型参数和选择开源的路线上，我们就能看到它和 GPT Image 2 是不太一样的方向。

APPSO 也提前拿到了测试资格，我们发现商汤这款新一代原生理解生成统一模型，就开源模型来说，已经做到了最好水平。

它带来了大模型行业首创的连续图文生成输出，就是用单一模型就能连贯输出图片和文字，这个新鲜很值得去试一试。

目前 SenseNova U1 开源模型的权重已经在 Hugging Face 和 GitHub 上开放下载。

GitHub：https://github.com/OpenSenseNova/SenseNova-U1

Hugging Face：https://huggingface.co/collections/sensenova/SenseNova-U1

带着图片的思考

我们可能遇到过这样的需求，想让 AI 解释一个复杂概念，同时配上示意图，而且图要跟着文字的逻辑走，解释到第几步，图里就画到第几步。

一般的模型可能会直接采用生成代码的方式来解决这个问题，像 Claude 使用的流式构图，或者一些 Vibe Coding 的网页，包含文字和配图。

但是要完全用一个模型同时在回复流里面，生成文字和图片，并且不借助外部工具的调用，基本上现有的模型做不到这一点。因为文字生成和图像生成在模型底层，往往是两件事。

SenseNova U1 的第一项特点，就是在单一模型上进行连续的图文创作输出。

比如我们试了一个场景，让他生成一份简单的绘本故事，讲述一只小熊历经四季的变化。

生成的连续图文不仅理解到位，有一定的故事性，而且能很好的保持一致性，同时图片的文字渲染全部准确，小熊也在冬天穿上了毛衣，戴上了帽子。

实测中发现用 SenseNova U1 来进行一些创意性的工作也非常有意思。

在官方的测试案例里，上传一张大头贴给模型，然后要求它设计几款不同的发型。可以看到，在生成连续图文的完整过程中，人物的一致性，以及结构、细节，SenseNova U1 都做到了精准保持。

还能直接让他设计一个游戏角色，展示从整体视觉基调、核心交互细节，再到环境叙事和性格刻画的逻辑迭代过程。

更有意思的是，基于时序性的回答，用 SenseNova U1 创作是再合适不过。我们要求他生成一颗牛油果变成一颗室内盆栽的过程，连续图文的形式很好地呈现了完整的生长过程。

一番测试下来，图片从来没有离开过文字的逻辑，推理的思路走到哪里，图片就跟到哪。

以前的图文结合或许是调用不同模型，和对应工具的写作，确保回复的内容里，图文是在说同一件事。现在这项写作从底层直接发生在模型内部，无论是工具还是软件，都不需要参与对齐的过程了，我们也只需要看到最后的结果。

对内容创作者、设计师和营销人员来说，SenseNova U1 的出现，开始解决了一个长久以来的痛点，即如何让 AI 边写边画，而且图文逻辑严丝合缝。

量大管饱的最强开源

确认了它的原生理解生成统一能力后，我们要看 SenseNova U1 能否在复杂信息图生成方面，达到开源模型的最好水平。

信息图是把一大段复杂的文字或数据，压缩成一张一眼能看懂的图。这件事其实比「画一张漂亮的图」难得多，需要理解内容，知道哪些是核心，哪些是辅助，信息之间的逻辑关系，以及文字渲染等，都是难题。

闭源的 GPT Image 2 在这方面已经做得很好了，我们在测试的时候一开始也没有抱着太大的希望，会比 GPT Image 2 还要更好。但 SenseNova U1 的表现，拿下开源 SOTA 的称号也确实是当之无愧。

我们先是就用一句话「用一张信息图解释一下 DeepSeek V4」，没有任何附加的提示词，看看它生成的信息图表现如何。

能看得出来 SenseNova U1 有联网搜索到和 DeepSeek V4 相关的信息，像是原生多模态，还有万亿参数，以及百万的上下文 Token。

而除了简单的提示词，还可以直接发送一个链接给它，SenseNova U1 也有对应的网页抓取工具，提取网页内容，来进行信息图的生成。

这些知识科普类的信息图，SenseNova U1 的表现基本上都能驾驭。更简单的像是「一张什么是电子烟的 3D 拆解科普」，它也能很快生成。

而如果提示词稍微详细一点，它也能完全照着提示词的内容，把这些文字准确渲染成可视化程度较高的信息图。

还有像是最近很火的武汉三鲜豆皮，直接告诉 SenseNova U1，生成一张三鲜豆皮完整制作流程的步骤图。

还有夏天来了，挑选不同的防晒霜，也是一张信息图，就能把 SPF 和 PA 值这些复杂的挑选参数讲清楚。

甚至是要它画一张 AI 大模型从训练到推理的工作原理图，适合完全不懂技术的人看懂；SenseNova U1 也能用轻松有趣的风格，简单的描述 AI 大模型的工作过程。

在其他场景的应用，像是营销、办公、设计参考和商业分析，我们都用不同的例子来测试了 SenseNova U1 的表现。

一般来说，营销场景对视觉风格的要求最高，也是最能看出模型有没有真正理解「用户想传递什么感受」的地方。一张好的营销图片，放在文章中间，甚至有可能直接被我们误认为是微信的文章内广告。

就像这张 SenseNova U1 生成的上海旅行信息图，不仅把地图描绘出来了，还列举了上海的特色。

在办公场景里，好看又要比准确和高效更重要。我们测试了它对信息处理的能力，把一份五页的会议纪要压缩成一张一屏能看完的总结图，要求逻辑清晰、重点突出，适合直接转发给没参会的同事。

复杂的信息之外，SenseNova U1 也能做到很好的视觉风格参考，给它一段品牌的调性描述，要求生成一张包含配色建议、排版建议、氛围关键词的风格参考图，结果居然也还不错。

在一些数据分析的任务上，我们也测试了 SenseNova U1 数据可视化的能力，用图表的方式来呈现更合理的信息图。

可以看到，SenseNova U1 在信息提炼这一步做得不错，它确实读懂了内容，知道什么重要什么次要。

但是在视觉表达上还有提升空间，有时候一些文字的渲染，还是会出现错误，对于需要快速出图、不想花时间在设计工具上反复调整的场景，已经完全够用。

下一个多模态模型的样子

实测完 SenseNova U1，我们发现它的意义，在于它是第一个把「理解和生成统一」这件事认真做出来的开源模型。而这，或许是整个多模态领域下一步要走的方向。

GPT Image 2 的刷屏，说明图像生成的「生成质量」这条线已经被闭源模型拉得很高了。开源模型如果继续在同一个维度继续追，大概需要很长的时间才能赶上，并且开源的价值也会被压缩到只剩下「便宜」。

SenseNova U1 提供了一个不同的技术路径，对于整个开源社区的方向都有着重要意义。它除了在解决「怎么生成更好的图」，也在告诉我们多模态模型的下一步会是什么样子。

过去的多模态模型，理解图和生成图是两套系统在协作。一套负责看懂输入，一套负责画出输出，中间靠接口传递信息。两套系统各有各的内部语言，信息在传递过程中会有损耗，就像两个人用翻译软件沟通，意思大体到了，但总有点什么没传过去。

SenseNova U1 则是从底层把这两件事，合进了同一个表征空间。他们今年 3 月的技术博客里，就重点讲解了 NEO-unify 这一项架构。

目前大模型行业的惯例是，多模态 AI 看图要靠一个叫「视觉编码器（VE）」的东西压缩处理，然后再交给生成器。在 NEO-unify 架构里，商汤把这套臃肿的传统范式直接扔了。

结合 NEO-unify 结构的 SenseNova U1，所使用的视觉接口是近似无损的，它直接把图像分块（Patch）吃进去，不经过任何预训练编码器压缩；然后在同一个主干网络里，让文本和视觉的训练端到端统一进行。

在理解与生成各项基准测试上，SenseNova U1 的表现也达到同量级开源模型的 SOTA 水平，甚至在多项指标上的表现能和 Nano Banana 这些闭源模型相媲美。

它回归了多模态的第一性原理，从底层的像素和文字开始，自己构建内部的认知。

这也能解释为什么它消耗的 token 更少，生成效率更高。即使它只有 8B 的参数的版本，也能打出超强的极致性价比。

本次开源的是 SenseNova U1 的轻量版本 SenseNova U1 Lite，目前它有两个版本：8B 参数的 SenseNova-U1-8B-MoT，可以在边缘设备上跑；38B 总参数但激活只有 3B 的 SenseNova-U1-A3B-MoT，提供更强能力，同时将推理成本控制得很低。

两个版本都可以本地部署、可以微调、可以接进自己的数据管道。对需要把图像生成能力嵌进自己产品的开发者来说，能够对模型行为有完全的控制权，数据也不用出去。

如果你需要一个能够高效实现理解与生成的模型，作为开源模型里的最强代表，SenseNova U1 确实值得尝试。

商汤还在 GitHub 上开源了面向 Agent 运行时的 AIGC 技能库 SenseNova-Skills。我们可以直接把SenseNova U1这种强大的能力，接入到自己的智能体（Agent）工作流中。

利用这个工具包，我们可以直接在像 OpenClaw、Hermes 这样的 Agent 平台中一键调用。模型会自动评估我们的提示词，选择合适的版式，经过多轮生成，输出最佳的专业信息图结果。

回顾整个测试，SenseNova U1 这次交出了一份不错的答卷，它是目前我们能拿到手里的同量级最强开源模型。

对创作者来说，它行业首创的连续图文创作输出能力，打破了过去文字与配图割裂的窘境，真正让边思考、边写作、边配图的连贯创作成为现实。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

「SaaS 末日」这个词，最近在科技圈的流传速度不亚于任何一条爆款新闻。

不少硅谷分析师都在疯狂输出焦虑，大意是说 AI Agent 这么猛，现有的企业软件如果不推倒重来，马上就要被拍死在沙滩上。这股风声甚至直接「吹绿」了几家老牌 SaaS 公司的股价。

说实话，每次听到「颠覆」、「末日」这种词，大家可能都会下意识觉得是炒作。

但在今天凌晨召开的 「What’s Next 」新品发布会上，亚马逊云科技 CEO Matt Garman 给出了一个挺中肯的定调：末日论确实夸张了点，但如果你指望靠着原来那个老旧系统，随便加个 AI 聊天框就能应付差事，那才是真的危险。

真正的转型发生在更深处。当工作流、数据结构、应用架构和交互界面都跟着 Agent 的能力重新设计，企业软件才算完成了这次重建。这是亚马逊云科技（云计算一哥）这次所有新产品的底层逻辑。

有趣的是，在官宣与微软「分手」之后，OpenAI CEO Sam Altman 也通过视频的方式给亚马逊云科技站了台，官宣 ChatGPT 最强模型拎包入住亚马逊云科技，并达成深度战略协作。

而无论是面向个人和团队的 Amazon Quick，还是供应链、招聘、医疗三个垂直场景的 Connect 新家族，再到与 OpenAI 的深度合作，指向的都是同一个问题的答案：以 AI Agent 为起点，SaaS 未来应该长什么样。

告别「肉身搬运工」，你的工作流迎来大一统

来，咱们做个深呼吸，回想一下你今天极其崩溃的上午：

领导在企业聊天工具上吼了一嗓子模糊不清的需求，你虎躯一震，赶紧切到公司的 CRM 系统里疯狂扒拉客户数据；接着打开邮箱，在一堆垃圾邮件里翻找上周的进度；最后在本地新建一个文档，把这些零碎的信息一点点拼凑、复制、粘贴。

发现问题了吗？（此处应有黑人问号脸.jpg）

我们的办公软件越装越多，但它们之间是互相割裂的、老死不相往来的。而你，就是那个在各个信息孤岛之间来回奔波的「肉身搬运工」。

为了解决这个痛点，亚马逊云科技推出了全新升级的 Amazon Quick 桌面版（目前处于预览阶段）。它的核心设计逻辑是将分散的信息网收拢，在系统后台构建一张关于人员、项目、决策和事务动态的知识图谱，让上下文主动跟着人走。

每一次使用，Amazon Quick 都在默默积累你处理的文档、项目的 Deadline、频繁沟通的同事以及升级处理的紧急邮件。基于这些沉淀，它可以主动提示你当天的优先事项。

打个比方，你准备下午跟一个重要客户开会。如果是以前，你得花两小时找资料。现在，你只需要给 Quick 甩一句：「帮我准备一下下午见王总的材料。」

接下来就是见证奇迹的时刻。

Amazon Quick 会迅速认出「王总」是哪个项目的，然后去系统里把王总团队之前的历史案例扒出来，接着去你的本地 D 盘里偷窥……哦不，读取最新的产品路线图，再结合 Slack 里同事昨天的吐槽记录。几分钟后，一份逻辑严密、排版精美的 PPT 就糊在了你脸上。

这还没完。同样是这堆信息，你让它变身，它就能立刻吐出一份摘要邮件，或者一份 Excel 营收表。如果王总说「改天聊」，Amazon Quick 甚至能自动查对你们俩的日历，算好时差，把新的会议邀请发过去。全过程，你只需要在一个对话框里当个无情的监工。

美国最大的互助人寿保险公司 New York Life 的机构寿险业务 CTO David Gregorat 的评价一语中的：「Quick 让我们重新想象了整个运营方式。原来需要拉多份报告、等分析师处理的答案，现在团队里任何人都能通过对话式 Agent 直接获取。」

至于这效率有多夸张？亚马逊云科技 Agentic AI 商业化副总裁 Jigar Thakkar 透露了一组极其夸张的数据：宝马、3M、亿滋这些大厂内测后，部分流程的处理时间直接被一刀砍了 80%。3M 的销售代表每周甚至能凭空多出 5 个小时的摸鱼……啊不，思考时间。

呐呐，这才是 AI 科技赋予我们的顶级松弛感。

你的下一个好同事，是个 AI Agent

如果说 Amazon Quick 是给你个人加了个三头六臂的效率外挂，那 Amazon Connect 家族的扩编，就是亚马逊云科技尝试重塑企业核心流程的重头戏。

亚马逊云科技提出了一套叫「Humorphism（人态设计）」的理念。听起来有点玄乎，说白了就是：AI 不能只是个冷冰冰的执行机器，它得像个人类好队友一样，懂轻重缓急，能顺畅沟通。

基于此，Amazon Connect 家族不仅将原有的客服产品升级更名为 Amazon Connect Customer，还针对垂直场景发布了三款 Agentic AI 解决方案。

Connect Decisions：让供应链规划师从救火转向决策

供应链出现中断后，企业通常需要超两周时间处理，期间伴随大量资金损耗和违约风险。

Connect Decisions 针对这一痛点，为规划师配备了全天候在线的 AI 队友。它的底层并非空中楼阁，深度集成了亚马逊 SCOT 团队（负责管理亚马逊全球 4 亿 SKU 需求的核心部门）所研发的预测模型。

面对没有历史数据的新品，它能自动关联相似品类生成需求计划。

当监控到关键供应商交货落后（例如预计 10 天内导致两个配送中心断货）时，它会将传统软件每天产生的数千条警报收敛为几条最高优先级的例外事项，并直接给出两套附带预期影响、成本和置信度评分的处置方案。规划师手动选择并说明原因后，系统会吸收这条判断逻辑，供未来参考。

Connect Talent：25 万人招聘经验化身「赛博面试官」

亚马逊云科技在 2025 年旺季期间单季招募了 25 万名季节性员工，Connect Talent 便是这套庞大招聘经验的产品化。系统能根据职位描述自动解析能力需求，生成面试题和评分标准（需人工审核）。

候选人可以在任何方便的时间完成 AI 电话面试。

系统最大的特点是能对模糊回答进行追问，确保评估的结构一致性。原本需要数周完成的 80 场初筛面试，现在几天即可完成。系统最终向招聘方展示的是隐去个人身份信息的标准化能力评分，用数据支撑最终的录用决定。

Connect Health：把医生从文书工作里解放出来

行业数据显示，医生与患者面诊 1 小时，往往需要额外花 2 小时处理行政记录。

亚马逊应用人工智能解决方案高级副总裁 Colleen Aubrey 指出，大量精力消耗在管理事务而非直接诊疗上，是亟待解决的痛点。Connect Health 可以在诊疗过程中自动记录临床内容、生成就诊摘要和推荐账单编码，并能在就诊后发送患者易于理解的随访说明。

系统的每条输出均可追溯到原始的检验结果和上次就诊记录，以满足严格的医疗合规要求。这背后，其实也是亚马逊拿自家兄弟 Amazon Pharmacy（亚马逊药房）和 One Medical（初级医疗服务）常年趟坑积累下的实战经验。

Agent 时代来了，SaaS 迎来下半场

整场发布活动的另一大焦点是亚马逊云科技与 OpenAI 的合作。

OpenAI CEO Sam Altman 顶着他标志性的微笑通过视频露了个脸，他表示亚马逊云科技和 OpenAI 正在从底层共同研发一套面向企业的 Agent 平台，深度集成亚马逊云科技服务。

是的，OpenAI 的 GPT-5.4 现已有限预览上线 Amazon Bedrock，而当前最强的前沿模型 GPT-5.5 也将在数周内正式上线。这意味着企业客户无需离开亚马逊云科技环境就能使用 OpenAI 的模型，数据和应用可以留在同一套权限体系下运行。

企业无需配置新的安全体系，直接通过原有的 IAM 访问控制、PrivateLink 私有连接、CloudTrail 完整日志和合规框架即可统一管理，甚至模型用量也能计入亚马逊云科技的云承诺消费中。

在基础设施层面，亚马逊云科技的核心逻辑是为 OpenAI 的前沿模型提供一个极其安稳、合规的『家』。企业不仅能直接调用顶尖模型，更能在底层依托亚马逊云科技强大的全球基础设施网络进行推理和部署。说白了，就是让你在跑复杂、高并发的企业级应用时，完全不用操心底层的承载力。

在此基础上，双方联合推出了 Bedrock Managed Agents 预览版。这套服务以 OpenAI Agent Harness 为核心构建，Harness 就像是一本专门为模型定制的战术手册。经过协同训练后，Agent 可以在长时间运行的复杂任务中实现更快的执行速度和更稳定的行为控制。

Agent 能够部署在 EC2 实例、Fargate 容器或任何其他亚马逊云科技计算资源，具备跨会话的持久化记忆，且所有推理过程均不离开亚马逊云科技环境。

这套服务与亚马逊云科技现有的开放平台 Bedrock AgentCore 形成互补。参与合作的亚马逊云科技杰出工程师副总裁 Anthony Liguori 透露，双方团队在八周内从零开始完成了这项工作。开发者终于能将 OpenAI 的最新模型与亚马逊云科技的规模、安全和基础设施完美结合，构建出满足企业治理和审计要求的智能体。

此外，每周活跃用户在两周内从 300 万激增到 400 万的 OpenAI 代码智能体产品 Codex 也将在亚马逊云科技上线。它支持 Codex CLI、桌面应用和 Visual Studio Code 插件，应用场景已从基础代码生成延伸至系统解释、测试生成、遗留代码现代化以及研究分析等知识工作环节。

一大波硬核的产品发布看下来，估计不少朋友已经在屏幕前战术后仰，甚至可能觉得这些不就是加了 AI 滤镜的高级办公软件吗？

如果你真这么以为，那可就草率了。

Matt Garman 在发布会上讲了一段很通透的话。他说 20 年前大家搞云计算，很多公司就是把机房里的服务器原封不动地搬到了云上。钱没少花，效率一点没涨，那叫搬家，不叫转型。

现在的 AI 也是一样。如果你只是拿 AI 来替换现有的某一个按钮、某一个操作，那你永远摸不到那传说中「5 到 10 倍」的效率提升。

亚马逊云科技这一套组合拳打下来，意思再清晰不过了：软件的存在形式，已经被彻底推翻了。

未来的工作流里，不再是人去使用软件，而是人给 Agent 定目标，Agent 去调用软件。以前我们去上班，是去启动软件；也许再过两三年，我们去上班的唯一动作，就是点开电脑，看着满屏的「赛博同事」，然后深情地说一句：「诸位，今天的 KPI 也拜托大家了。」

然后，你安详地端起泡着枸杞的保温杯，静静地看着它们疯狂打工。

那么问题来了，现有的那些 SaaS 巨头，真的会迎来「末日」吗？

没那么严重，但处境确实微妙。SaaS 过去靠席位收费、靠功能壁垒锁用户，这两件事在 Agent 时代都开始松动。一个 Agent 能同时处理过去多名员工的工作，「按人头收费」越来越站不住脚；通用 Agent 加上开放 API，又在慢慢拆解功能壁垒。

真正能活好的，是两类公司：

一类有足够深的领域积累，正如这场发布会传递出的核心信息：当大模型本身变得像水电煤一样普及且廉价时，真正稀缺的，反而变成了能够被编码进 Agent 里的「领域知识」（Know-how）。

Salesforce 对销售工作流的深刻理解，Workday 对人力资源合规的经验，或者是亚马逊自己积累了 30 年的供应链判断标准等等——这些沉淀下来的行业 Know-how，才是构建下一代企业软件真正的护城河。

另一类是掌握数据入口的——Agent 的能力上限，取决于它能读到什么数据。谁控制着企业最核心的业务数据流，谁就决定着 Agent 能做多少事。夹在中间、既没有深度积累又没有数据优势的中型 SaaS，压力才是实实在在的。

所谓的「SaaS 末日」或许只是贩卖焦虑，但这场转型的烈度，绝不亚于当年的企业上云。唯一的区别是：这一次技术的狂飙，没给我们留出慢慢摸索的时间。

但时间紧，不代表就要慌。

因为亚马逊云科技已经把最难啃的底层基建做好了。SaaS 公司大可直接踩在亚马逊云科技巨人的肩膀上，把精力全砸在服务客户上；打工人更无需焦虑，复杂的系统运行全被保留在后台，留给你的，只有一句轻飘飘的「帮我搞定」。

时代的推背感确实让人头晕目眩，但与其在未来的站台上焦虑它会不会撞翻「旧马车」，不如干脆点，检票上车，看看新世界的风景到底有多壮阔。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

一台 14 或 16 英寸的笔记本电脑，将几十上百 GB 内存直接封装进 SoC，实现超过 200 GB/s 的高性能内存带宽，还有轻薄的机身和安静又狂暴的性能……

你可能以为这是 MacBook Pro——但如果我告诉你，这是一台 ARM 架构的轻薄型 Windows 本呢？

4 月 27 日，华硕发布了灵耀 16 Air 的骁龙版，搭载的是高通骁龙 X2 Elite Extreme 平台，也即高通去年推出的第二代 Windows on ARM 处理器。

这是第一颗将 LPDDR5X 内存做进 SoC 封装的骁龙旗舰 PC 平台，是与苹果「统一内存架构」理念一致、执行接近的平行方案。尽管没能做到 M 芯片的百分百效果，仍然是高通在这条新路上，最关键的一次尝试。

这台华硕灵耀 16 Air 骁龙版，整机 1.2kg、厚度 13.9mm，48GB 内存（频率 9523 MT/s），可提供 20-30 小时续航。机器于 4 月 28 日京东首发，售价 13999 元。华硕同时也有 14 寸版本提供。

同期亮相的还有面向创作者的 ProArt 创 X 2026 二合一笔记本，重 0.82kg、提供 22 小时续航与 2.8K 144Hz OLED 屏。这些机型共同组成了华硕在 ARM Windows 阵营的 2026 全新产品矩阵。

回到顶配 X2 Elite Extreme 的共享内存架构：将内存放进芯片封装内，放到 CPU、GPU 和 NPU 的身边，并不只是改了改电路板布局。实际上，整个计算资源调度的方式，都发生了很大的改变。

苹果在 2020 年的 M1 芯片开始，不仅将内存封装进 PC 级芯片，更让调度变得更加灵活，内存反复读写的次数要求有所降低，结果就是让内存带宽暴增——称为统一内存架构。今年 3 月发布的 M5 Pro 和 M5 Max，则更是将内存带宽推到了 307 GB/s 和 614 GB/s。

骁龙 X2 Elite Extreme 是 Windows on ARM 笔记本第一次通过内存内封装的思路，让 1.2 公斤左右的轻薄本也可以享受类似于统一内存架构带来的快乐。

这背后，是高通和华硕等各大 OEM 一起，想让 Windows 笔记本追上 MacBook Pro 的企图。

让内存搬运再快一点

需要注明的是，「统一内存架构」是苹果使用的说法，高通官方称自己的方案为 SiP（System-in-Package）。

两者所指不完全相同：UMA 描述的是内存访问架构，SiP 则指的是具体的封装技术。但它们的实现效果和追求目标高度一致——共享物理内存池、跨 IP 块缓存一致。

可用于算力密集型任务（比如 AI 推理）的「显存」上限，直接等于整机的内存上限。哪怕是一台 48GB 的轻薄本，理论上也可以本地运行数百亿参数级别的大模型，这在传统架构上需要工作站级独显，采用集显的轻薄本很难做到。（X2 Elite Extreme 最高 SKU 为 128GB 共享内存。）

系统级缓存（SLC）可以在 CPU、Adreno X2 GPU、Hexagon NPU 之间动态分配，比上一代带宽高 70%；192-bit 内存总线搭配 LPDDR5X-9523，能够实现高达 228 GB/s 的C/G/NPU 共享内存带宽。

而传统的混合计算负载（同时依赖 C/G/NPU），被内存搬运所掣肘的情况，也得到了极大缓解。并且，整机功耗也能维持在轻薄本可以接受的水平。

更值得一提的是，这一代 Hexagon NPU 还专门把 DMA 单元升级到 64 位虚拟寻址，让 NPU 终于可以访问超过 4GB 的内存，一定程度上突破了 NPU 坐端侧大模型推理任务的瓶颈。

这的确不是 Windows 阵营第一次试水类似统一内存架构的方案，在此之前，英特尔、AMD 都做过尝试（稍后会详述）。

不过在今天，华硕灵耀 16 Air 骁龙版的高配机型，是 Windows 阵营里首个最大限度接近统一内存架构效果，并且还做到 1.2 公斤左右 ARM 轻薄本上的方案。

让更多 Windows 笔记本用上新架构

在共享/统一内存架构的道路上，每家芯片巨头对的判断都不一样，首先是工程问题，更深一层是商业问题。

一名在某芯片巨头供职的专家告诉爱范儿，行业里无人质疑统一内存架构的优秀，但做与不做，能否持续做，分歧在于厂商对性能目标和成本之间的平衡。

在 X2 顶配 SKU 上，高通目前的看法是：将统一内存架构所解锁的强大性能，交给给到真正需要它的硬核用户，特别是那些工作流里重度依赖 AI 模型/AI 功能的专业用户和创作者，这件事值得花成本去做。

再看英特尔，在上一代 Lunar Lake 架构上做过类似尝试，然而成本炸裂难以控制，不得不终止。英特尔前 CEO Pat Gelsinger 在财报会上明确将该次尝试定义为「one-off」，理由是封装内存把毛利压得太低。

今年 1 月发布的 Panther Lake 机型则回归了传统外置内存路线，据信后续的 Nova Lake 架构也将延续老的策略。英特尔仍然在高端 AI 笔记本市场上占有一席之地，但可以说短期内不会再走统一内存架构这条路了。

AMD 那边，Ryzen AI Max+ 395（Strix Halo）同样采用类似的共享内存架构架构，最高 128GB 板载 LPDDR5X，能够实现高达 256 GB/s 内存带宽，比 X2 Elite Extreme 还激进。

正因为此，在 AMD 的定义下 Strix Halo 属于移动工作站芯片，搭载的笔记本价格都更高，形态也更厚重，抑或是搭载于迷你工作站，不在个人笔记本电脑消费者的选购范围内。

三家芯片厂商，三种不同答案。骁龙 X2 Elite Extreme 消费级笔记本在这个时间点正式面市，虽然很难说撞上了换机窗口（毕竟今年的内存实在太贵），但至少填补了消费级市场的真空。

何时能追上 MacBook Pro 呢？

老实说，骁龙 X2 Elite Extreme 目前也只是跟苹果那边的 M5 基础款能打个有来有回，跟 M5 Pro/Max 这样的工作站级「顶级牛马」距离还比较远。

最直接的差距在于内存带宽的极限值：X2 Elite Extreme 的带宽宣传值能够达到 228GB/s，是 M5 Max 的 ⅓ 左右，比 M5 Pro 的 ⅔ 多一点。

当然还是要给 X2 挽尊一下，这一代仍然是单 die（晶粒），内存带宽存在物理上限。

而苹果在 M5 Pro/Max 这一代用上了新的「融合封装」，也即将两块 die 拼到一起，把内存总线扩展到更高。

在最直接的大模型推理任务上，内存带宽差距直接意味着 token 吞吐速度的差距；在 4K/8K 等极高清的视频剪辑和 AI 处理任务上，或者在其他工程软件的算力密集型任务上，也会有明显体现。

不过至少，Windows 平台在这些专业/工业软件的兼容性上是要比 macOS 好的……

我想，骁龙把共享内存架构带进消费级 Windows 笔记本市场，这件事的意义讨论或许不应该局限于性能数字上谁暴打谁，

而在于 Windows 平台用户不应该一直享受「二等公民」的体验。

即便是一台不超过 1.5 公斤的大屏轻薄本，仍然可以提供远比其它 Windows 性能本更好的 AI 算力，而且仍能保住轻薄本应该有的功耗优势——这，才是更重要的。

当然，围绕在 Windows on ARM 周围的种种问题，比如软件生态、x86 模拟层稳定性、专业软件适配等等，仍然无法被共享内存一劳永逸地解决。

从芯片厂，到微软，再到 ISV，大家都在加紧马力。比如 Photoshop、Lightroom 已经能够稳定运行 ARM 原生版本；达芬奇也早在两年前就完成了 Windows on ARM 的原生支持，甚至比 Adobe 还早。

但软件生态兼容仍有不完美之处，比如 Adobe AE 的部分渲染器和工作流仍然只能在 x86 平台上使用；Blender 的一些渲染功能在 ARM 架构上也会性能打折。

这是一个软件追硬件的时代。只有 X2 这一代能够让足够多用户，特别是创作者和专业用户，真正将骁龙本纳入主力机考虑——ARM 生态才会进入「用户越多适配越多，适配越多用户越多」的正反馈。

苹果也走过同样的路，所以这绝非不可能完成的任务。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

智能手机统治了过去十几年的数字生态，它是注意力的黑洞，是我们最私密的随身之物。但手机从设计之初就是为「人盯着它」而生的——它的全部逻辑，都止于屏幕。

AI 的需求却恰恰相反：它需要持续感知物理世界——见你所见，听你所闻，随时在场，而非等你解锁屏幕才醒来。

当 AI 真正成为一种基础能力，它迟早要从屏幕里破壳而出，寻找属于它自己的形状。这将是一个漫长的探索和演化过程。

「AI 器物志」栏目由此而来，爱范儿想和你一起持续观察：AI 如何改变硬件设计，如何重塑人机交互，以及更重要的——AI 将以怎样的形态进入我们的日常生活？

这是「AI 器物志」的第 10 篇文章。

全世界体量最大的人工智能厂商之一 OpenAI，要脱离虚拟领域，开始造手机了。

根据天风国际证券著名分析师郭明錤发布的调研报告：OpenAI 正与联发科和高通接洽生产手机处理器的事宜，拟由立讯精密协助设计和生产，预计 2028 年正式量产。

这款手机最大的不同在于：OpenAI 意图将它打造成一个为 AI Agent 模式特化的产品，郭明錤是这样介绍的：

用戶的目的不是使用一堆 App，而是透過手機執行任務並滿足各種需求，這從根本上推翻現在對手機的認知。

基于已经掌握的信息，郭明錤还设计了一张这种 AI Agent 手机可能的用户界面：

图｜X @mingchikuo

在郭明錤的设想图中我们可以看到，在 AI Agent 的操作逻辑中，原本熟悉的「桌面 – App」模式会被一种「Agent 任务流」所取代——

不同功能的 App 图标会变成不同功能的 Agent、软件入口会变成更加具体的任务信息（比如从微信图标变成「发送一条朋友圈」按钮）、网格化排列的桌面 UI 也会直接变成任务信息的瀑布流。

就像 Niagara Launcher 一样｜Android Authority

实话说，OpenAI 要造 AI 手机这件事本身并不稀奇。

它设想的很多场景我们其实在曾经的豆包手机上都体验得七七八八了，两者的本质都是希望给 AI 更高的自由度和自主权，以拓宽使用场景。

只不过相比「O 包手机」，反而是郭明錤提到的那个「纯粹基于 AI Agent 交互模式的手机 UI 」更加令我们感到不安。

在过去一段的 AI 产品中，无论是传统大模型，还是不同形状的 OpenClaw，我们都观察到了一种趋势：

现在 AI 的用户界面（UI）越来越向着以 Agent 为主导的方向发展，最激进的形态就是启动后只显示一个对话框。

图｜Google

这种交互模式看上去人畜无害，但背后却暗含着一个汇聚了所有 AI 工具使用场景的「思维模式陷阱」——

AI 正在将人类异化成为机器。

正因如此，爱范儿在这里邀请你与我们共同进行一场小小的思想实验，来尝试理解 AI 将人异化的危险性。

Agent UI 最终会消灭 UI

OpenAI 手机所期望的那种纯粹的「Agent 使用模式」最表层的问题，是 Agent UI 对于「用户界面」中「用户」部分的忽视。

而这种忽视最明显的表征，就是上面所展示的那种任务瀑布流 UI，以及很多预制式 OpenClaw 客户端的裸露对话框。

更具体的说，任务瀑布流实际上是将交互界面从我们熟悉的「以应用为中心」（app-centric）转向了「以意图为中心」（intent-centric）：

这些 AI 建议就是以意图为中心的

这就导致了一个问题：UI 全部由不停更新的任务信息构成，某个特定的界面没有一个固定的入口。

比如打开顺丰 app，映入眼帘的只有每秒不停更新的在途快递进度，却找不到「修改寄件地址」的按钮。

这在心理学上被称为「客体恒常性」的缺失，相当于「我知道这个开关是做什么用的」—— Agent UI 的界面只会让人感觉到在面对一堵随时变化的墙，没有一个可以熟悉的落脚点。

另一方面，纯粹目的性导向的 Agent UI 在实质上剥夺了用户的「主动探索」空间，将使用过程变成了一种纯粹的 AI 对于用户的预判。

最简单的例子就是：在淘宝 app 上买东西的时候，我们经常是边逛边选、偶尔刷到一些没见过的好货；而 Agent UI 直接帮你跳过了「淘」宝的过程，你只是那个控制支付宝付款的人肉 ATM 而已。

更退一步说，这相当于无论用户想要做什么，AI 手机始终在催促着用户进入「赶快完成任务」的生产模式——这种粗暴的接管，本质上是对于用户权利的消解。

归根结底，Agent UI 的逻辑，其实是将人给「零件化」。

它粗暴地假设用户是一个理性的、追求效率最大化的任务处理机，打开手机的唯一目的就是要解决任务列表里面的工作。

同时，它又忽略了人作为感性的、需要审美愉悦和情感缓冲的生命体的本质。

AI 最终会促成更多 AI

除了 Agent UI 本身对于「人」的基本需求的蔑视，我们同时也要理解：是什么样的环境促成了这种「唯效率论」的 UI 设计趋势的出现——

将人的一切使用行为，压缩成一条看不到尽头的任务列表，人与机器的唯一主动交互方式被简化进一个闪烁的对话框，背后的 AI 不可见、不可知、不可碰触。

这不是 AI 辅助生活，这是向克苏鲁献祭 token。

仅就上面提到的 Agent UI 来说，这种现象其实很像是一种从 GUI 到 CLI 的倒退：

我们花了几十年完善图形技术，又在一夜间回归到了最原始的用嘴发布命令。

这种由 Agent UI 所代表的「GUI 倒车」，深深根植于幕后的技术效率至上主义。

其中一个最简单的例子，就是游戏。

虽然如今本地计算仍然是主流，花钱买显卡就能享受到精美的画面，但我们完全可以想象这样的场景：

未来，云端计算成为主流之后，更有可能出现的情况是厂商根本不再出售图形算力，因为它们赚得没有文字/代码模型多。

甚至不只是手机和电脑的 GUI、以及游戏画面，我们消费的一切内容本身都会在这种对于效率的追逐中，退化成一种湮灭美学、纯粹的精神刺激工具。

图｜网络

更讽刺的是，我们对于 AI 原本的愿景是「让 AI 处理琐事，让人类去作诗」。

但如今我们看到的却是 AI 工具泛化导致了效率主义极权的泛滥，人类对「美」的感知退化只是其中的附带伤害而已。

最让人无法接受的是，Agent UI、AI 手机、Agent 行为模式的设计背后，都存在着一种先入为主式的傲慢。

这些 AI 工具的生产者认为人类只关心「结果」，所以用生成式 AI、Agentic AI 将人从「过程」中去除，却忽略了人类的「存在感」本身就来源于我们对于行为过程的认知。

用更惨淡一点的说法就是：如果我不需要参与 AI 的一切决策，只是看个结果，那还需要我做什么？

最需要警惕人变成 AI

进行到这一步，很多人会有疑问：

这不就是个想象中的手机界面嘛，至于上升到存在主义哲学的高度吗？

这句话本身并没有问题，上面提到的所谓 Agent UI 的设想图，仅仅是郭明錤基于 OpenAI 手机的产品思路，给出的一种设想方案。

图片使用 AI 技术生成｜X @birdabo

但现代社会——尤其是 AI 加速过的现代社会——的危险性就在于：如果你自己不考虑存在主义哲学，就会有很多人乐于帮你考虑，然后再朝你收钱。

前面提到的 AI Agent 的确在非常多的层面上都可以帮助人们在工作中实现更高的效率，问题在于没有人一天 24 小时都在工作，但我们一天 24 小时都会带着手机。

这种纯粹基于待办任务流的 Agent UI、纯粹由执行效率驱动的 AI 产品，会借助「手机」这个不离身的媒介，从工作侵入到你的生活，让你的生活节奏、思维节奏去习惯 AI 的步调——

不太好理解？想想那些每天黑白颠倒抓紧时间抢 Token「谷电」时间的程序员们吧。

这还只是现阶段 AI 对人类作息的初步影响。长此以往下去，用户无论在工作时间还是非工作时间，都不再是一个具有主观意志的「人」——

当我们下班累瘫在沙发上，喊 AI 手机随便帮我们点个外卖当晚饭的时候，就相当于放弃了主动思考的权利，当这种放弃成为习惯，生活的每一个环节就都会成为一个别人的商机。

换句话说，AI 手机、Agent UI 现在看上去或许人畜无害，可一旦人类习惯跟随了 AI 的节奏和方式，就会暴露出巨大的危险性。

图｜Futurama

德国哲学家马丁·海德格尔在《对技术的追问》中提到了一种观点，即现代技术有一种「促迫」（challenging-forth）的特性，指的是现代技术不仅制造机器，技术本身也拥有越来越强的主体性、会「强迫」自然界交出能量和资源。

同时，促迫也可以被看作一种人看待世界的方式，海德格尔认为：当人类用「促迫」的眼光看待自然时，人类最终也会把自己看作一种可以被技术索取的资源。

是不是很耳熟，没错，人力资源（Human Resources）就是这个意思。放到现在的 AI 环境里，则是简单的一句话：

去叫人力，给这个 Opus 4.7 账号配个员工。

糟糕的是，现在的 AI 技术，以及全世界的 AI FOMO（错失恐惧症），就是这种模式的完美复现。

Agent UI 那种瀑布流式待办任务界面不仅是帮你，同时也是在 PUA 你：

这种互相加速的现象（海德格尔称之为座架 Gestell），最终会导致人类调整自己的思维模式去适配机器的吞吐速率——

为了让 Agent 更好地工作，你会下意识地让自己的需求变得更明确、更单一、更具逻辑性，相当于人类主动将自己异化（alienation）成了机器。

这就是我们在现代技术中，最需要警惕的一点：人的机器化。

伴随着 AI 越来越侵入我们工作之外的生活，我们也在潜移默化地将自己降格为一种适配机器的存在。当人为了适配 AI 的高效而放弃了「临时起意」和「无目的漫游」时，你已经从逻辑上被机器同化了。

这种机器化的下一步，就是软性淘汰——

人不会像《黑客帝国》那样变成生物电池（暂时不会），只会被炼成一个 skill。

毕竟现实证明：生物机器在效率上永远无法媲美金属机器。

人在追求效率的同时，主动或被动地将自己异化成一种生物机器，最终的结局必然是被金属的或者硅基的机器淘汰。

人类的社会生产持续追求「0 摩擦」的完美效率时，本质上是在追求一个「去人化」的过程。

而无论 Agent UI、Agent AI 还是通用智能，都只是这个过程中的加速剂而已。

当我们在参与社会生产的过程中，主动切除了所有属于人的部分，好让自己在这个以 AI 为出发点、为工具、为最终目的的系统中跑得更顺滑。

直到切除剩下的那些部分，可以被另一段代码完美地替代。

图｜Youtube @Moviefone

当然，在这个小小的思想实验之外，我们都知道郭明錤的预测只是一种预测，没人说 OpenAI 手机的交互方式真的就是一个纯粹的任务瀑布流。

但人作为感性动物，我们的思维模式就是在与客体世界的不断交互中形成的。

如果一个占据我们每天 24 个小时的工具正在走向纯粹机器性的交互，那我们距离被异化成机器后淘汰的结局，也的确不远了。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。