Nilay Patel 「阅读原文」

创始人重回 CEO 位置通常意味着公司到了关键转折点。Daniel Dines 复出执掌 UiPath，正是因为他意识到，在 AI Agent 浪潮下，公司需要找回创业初期的敏锐和客户中心，仅仅依赖职业经理人的大公司打法可能会错失良机。

UiPath 的策略不是推倒重来，而是将 AI 的非确定性能力与 RPA（机器人流程自动化）的确定性执行结合。他们通过工作流引擎来编排任务，让 AI Agent 负责理解、研究、生成建议，再调用 确定性的 RPA 机器人或 API 完成需要 100% 精准的操作（比如支付），并在关键节点加入人工审核。这种虚实结合的思路，比纯粹追求通用 AI Agent 更贴近企业实际需求。

核心观点是，AI Agent 很强大，但不适合直接处理需要绝对可靠的业务。Dines 认为未来属于这种混合模式：AI 提升认知边界，RPA 保证执行落地。这提醒我们，在 AI 热潮中，理解技术边界、关注实际业务流程的复杂性，可能比单纯追逐最新模型更重要。UiPath 还建立了 AI Trust Layer，允许客户在不同 AI 模型间切换，显示了他们对底层技术变动的务实态度。

《思考机器》书评：黄仁勋与英伟达如何成为AI硬件霸主？

By Katie Notopoulos 「阅读原文」

想了解 AI 热潮是怎么来的？只看算法可能不够。这篇书评介绍了《思考机器》这本书，它提供了一个不同的视角：这一切很大程度上源于一家曾经专注游戏显卡的公司——英伟达（Nvidia）和它的创始人黄仁勋（Jensen Huang）。理解他们的过去，才能看清 AI 硬件的现在。

书里（以及这篇书评）没有宏大叙事，而是聚焦黄仁勋这个人——他的移民经历、对风险的判断（比如 2013 年就押注神经网络），甚至他那出了名的暴躁管理风格（比如当众训斥下属几小时）。它描绘了 Nvidia 如何把游戏图形处理技术用到了驱动 AI 的关键节点上。

所以，这篇文章评介了 Stephen Witt 的《思考机器》。它记录了黄仁勋和 Nvidia 的发展历程，解释了为什么他们的芯片在今天的 AI 领域如此重要。虽然书评也提到，这本书对 AI 的未来探讨不多，但这恰恰说明，有时技术的发展路径并非来自宏伟蓝图，而是具体决策和一点运气的结合。

Gemini Live能实时看到你的屏幕和摄像头了，这5个用法太实用了吗？

Google 「阅读原文」

和 AI 聊天时，只用文字或语音有时挺别扭的，尤其是想让它帮你看看眼前的东西。如果能直接展示给 AI 看，沟通效率会高很多吧？

Google 现在给 Gemini Live 加入了新玩法：你可以一边跟它说话，一边用手机摄像头给它看东西，或者直接分享你的屏幕内容。这样，Gemini 就能更直观地理解你的需求了。

这个功能先在 Android 上的 Gemini Advanced 用户推出，之后 Pixel 9 和三星 S25 用户也能用。文章里举了几个挺实用的例子，比如对着乱糟糟的抽屉让 Gemini 帮忙整理，分享屏幕上的照片激发创意，或者对着出问题的东西寻求维修建议，甚至还能在你网购或修改文案时给点参考。

Shopify CEO 为何强制要求所有员工必须使用 AI？

@tobi 「阅读原文」

Shopify CEO Tobi Lutke 最近发了封内部信，核心意思是：在 Shopify，熟练用 AI 不再是加分项，而是基本要求。

为什么？因为 AI 这东西，用好了真是效率倍增器。Tobi 看到有人用 AI 把活儿干了 100 倍，这在以前根本不敢想。他说这就像《爱丽丝梦游仙境》里的红皇后赛跑，不快跑就等于后退，尤其在 Shopify 这种高速增长的公司，原地踏步就是 “慢动作失败”。

所以，Shopify 要求大家把 AI 用起来。做项目原型（GSD Prototype）必须先探索 AI 方案，绩效考核也会问 AI 用得怎么样。公司提供了工具（比如 `chat.shopify.io`、Copilot），鼓励大家自己学、互相分享经验。想加人加资源？先证明 AI 为什么搞不定。

最终目标是啥？就是让 Shopify 的每个人，从 CEO 到基层员工，都把 AI 当成像 ‘结对程序员’ 或 ‘深度研究员’ 一样的日常工具，帮商家在 AI 时代把生意做得更好。

Deep Cogito 的混合 AI 模型有什么特别之处？

Kyle Wiggers 「阅读原文」

AI 模型的新面孔

当前 AI 模型常面临一个选择：要么快但不擅长复杂推理，要么推理强但速度慢、成本高。Deep Cogito 这家新公司似乎想找到一个平衡点。

他们的方法是构建混合 AI 模型，能在”快速直觉”和”深度思考”（即 reasoning 模式）之间切换。简单说，模型可以根据问题难度决定是否需要”多想一会儿”，进行逐步推理和自我核查。他们并非从零开始，而是基于 Meta 的 Llama 和阿里巴巴的 Qwen 模型，通过新的训练方法提升了性能并加入了这种可切换的推理能力。

具体来说，他们发布了 Cogito 1 系列模型，参数规模从 30 亿到 700 亿不等，后续还计划推出更大模型。根据他们内部测试，其 70B 模型在推理模式下，性能优于 DeepSeek R1；关闭推理模式，也超过了 Meta Llama 4 Scout。有趣的是，这些模型由一个小团队在 75 天内开发出来，并且已通过 Fireworks AI 和 Together AI 的 API 开放使用。