谷歌发布Gemma4：端侧大模型实现原生多模态最先出现在AI Weekly。

4月28日召开的中共中央政治局会议提出“全面实施‘人工智能+’行动，发展智能经济新形态”，今年的《政府工作报告》首次提出“打造智能经济新形态”，这些释放出鲜明信号：AI正在与生产力对接，走向万千场景、走入千家万户。

在这一过程中，一些问题也值得关注与警惕。过去几年，大模型参数规模不断刷新纪录，算力投入持续增长，Token（词元）消耗快速攀升。相关数量指标能够反映技术能力和资源投入情况，很有必要。但如果AI的价值标尺仅停留在“投入了多少”“消耗了多少”，就容易形成“重投入、轻产出”的倾向，比如盲目追风、不顾实际应用搞大模型，一哄而上搞“Token排行榜”“烧Token比赛”等。

这种模式下，实体经济是否被赋能、生产效率是否得到提升、人民群众是否真正受益，就容易被忽略。长此以往，资源就可能更多流向技术自我循环，而不是流向产业一线，不利于智能经济健康发展。

如何应对？一个有效方式是为智能经济打造科学的评价体系，通过科学指标衡量其实际应用、实际产出。目前看，“日活智能体数”（Daily Active Agents，简称DAA）可作为一个重要指标。如果说Token衡量的是智能消耗，那么DAA衡量的则是智能生产力，即每天有多少智能体完成了交付任务。Token是智能经济消耗的“电费单”，DAA是智能经济增长的“成绩单”。前者算的是用了多少资源，后者算的是创造了多少价值。比如，一次医疗辅助诊断，一次生产排程，一次物流调度，一张自动处理完成的工单，一次促成交易的智能撮合服务，等等。有了科学指标，我们就能更清楚地看到AI给生产生活带来的实际改变和效益。

实际上，高端产业也会出现低水平重复建设，新赛道尤其需要贯彻新发展理念。有了科学的评价体系，才能推动智能经济高质量发展。DAA成为重要指标，有助于引导各类资源更多流向以实体经济为主的产业智能化领域，流向解决产业问题、提高生产力、服务社会、改善民生的创新方向。我们发展AI、激活智能经济，说到底还是要服务实体经济，赋能全社会的创新创造，一定不能走脱实向虚的路子。

我们缘何敢于在国际上率先提出以DAA来衡量智能经济？就在于独特的中国优势。中国拥有全球最丰富的应用场景、最完整的产业链、最大的数字消费市场，每天都在产生海量真实需求，订机票、订酒店、预约体检、撰写研究报告、投资理财等，都将成为智能体生长的肥沃土壤。充分利用这样的优势和条件，更加注重人工智能技术与实体经济结合、与真实场景结合、与群众诉求结合，我们定能走出一条以解决实际问题为导向、以满足真实需求为目标的智能经济发展新路径。

AI不能只在实验室里“刷榜”，必须到工厂车间里“干活”。用AI服务人类，这是科技界、产业界的初衷。锚定这个目标踏踏实实往前走，把技术优势真正转化为产业升级的胜势，高质量发展将拥有更强劲的引擎。

李彦宏人民日报撰文：为智能经济打造科学评价体系最先出现在AI Weekly。

近日，北京大学深圳研究生院信息工程学院院长杨玉超团队联合中国科学院上海微系统与信息技术研究所研究员宋志棠团队，首次提出了一种毫秒级神经动力学系统芯片，将神经动力学系统的单步运算时延压缩至2.12毫秒。相关研究成果发表于《科学》。

这一成果不仅将原本需要离线运行的复杂建模方法推向毫秒级实时在线操作，也为下一代脑机接口、脑数字孪生、神经导航和神经退行性疾病智能诊疗提供了全新的硬件底座。

部分作者实验室合影（从左到右：蔡磊、杨玉超、张腾）。研究团队供图

半个世纪的“数据搬运”困局

大脑是自然界最复杂的动力学系统之一。脑机接口要实时解析神经状态，医学影像要高精度重建脑皮层，都依赖对连续神经形态和动态过程的快速建模。

神经动力学系统指的是让机器像大脑一样，能够实时建模和理解物理世界的计算框架。它将神经系统的表达能力和微分方程中的连续演化机制相结合，在物理世界建模、计算成像等领域应用前景广阔。

然而，神经动力学系统自1980年首次提出以来，始终面临一个核心挑战：如何在保持高精度连续建模能力的同时，实现低延迟实时计算？

“主要原因是计算量太大了。”论文通讯作者杨玉超解释道。传统的计算框架（冯·诺依曼架构）中，存储器和处理器是分开的，在计算过程中，数据就像“运快递”一样，要在存储器和处理器之间来回搬运。

而基于传统计算框架的神经动力学系统在计算过程中需要反复进行积分运算、误差控制，并根据误差调整步长，步长太大就会导致结果不稳，步长太小则会导致算不完，需要不断循环、判断和迭代。同时，神经动力学系统在计算过程中产生的海量数据变量需要在存储器与处理器之间频繁搬运，进一步放大了延迟和能耗，成为实时高保真脑建模的核心瓶颈。

首次实现毫秒级运行

针对这一难题，研究团队另辟蹊径，从忆阻器器件的物理特性找到了突破口。

相变存储器是忆阻器的一种。它有一种独特的“电导漂移”现象——在特定的时间窗口内，其电导变化是可预测、可精准调控的。他们敏锐地抓住了这一物理特性，将其与神经动力学系统中的自适应积分过程建立对应关系，使器件本身的电导演化不再只是存储状态的变化，而成为可被精确利用的原位计算过程。

“通俗地讲，原本需要复杂数字电路反复执行的运算、缓存访问、数据搬运等工作，现在交给了器件自身的物理规律去‘跑’。”杨玉超说道。

基于这一发现，团队提出细粒度可控电导演化机制，将有效积分步长直接编码为相变存储器的电导状态，并利用器件自身物理演化完成自适应步长搜索。原本需要由数字电路反复计算、比较和判断的步长选择过程，被转化为阵列中的原位物理计算过程。

这一设计突破了神经动力学系统近半个世纪以来精度与延迟相互制衡的核心瓶颈。通过“可控存内计算”机制，该成果从根本上减少了读写、乘法器、加法器、缓存访问和数据搬运需求，使神经动力学系统的关键计算过程被压缩到毫秒级。

与此同时，团队进一步利用相变存储器的多级电导调控能力，构建高密度存内计算阵列，将神经网络权重存储和矩阵运算统一映射到器件阵列中。自适应步长搜索和神经网络矩阵运算这两类核心计算被统一集成到相变忆阻器物理系统中，形成了从器件、算法到架构协同设计的“可控存内计算”的新范式。

基于这一范式，团队研制出了全球首个基于相变忆阻器的毫秒级神经动力学系统芯片。该芯片采用40纳米工艺制造，存内计算与步长漂移阵列总面积为0.28平方毫米，并配备编程脉冲生成电路、模数转换器等外围电路。芯片运行频率为50兆赫兹，单步积分仅需9级流水，降低了延迟，最终实现2.12毫秒的神经动力学单次迭代计算时延，首次将神经动力学硬件系统运行时间推进到毫秒级时代。

实验结果显示，在执行相同神经动力学运算时，该系统较当前最先进的专用加速器（ASIC）实现3.82至36.27倍速度提升。在脑皮层表面重建等高保真脑建模任务中，其较英伟达GPU（图形处理器）提速达50.38至478.18倍。

为脑疾病诊疗带来新思路

研究团队将该芯片用于大脑白质与脑灰质皮层表面的实时重建以及三维流形网格生成。结果表明，该系统能够生成平滑、闭合、拓扑一致的脑皮层表面，准确刻画复杂皮层褶皱结构，并有效抑制传统神经网络方法中常见的自相交和非流形伪影。重建结果在对称表面平均距离和豪斯多夫距离等指标上均显示出优势，满足高保真脑结构建模要求。

“这一突破对脑机接口有重要启示。”杨玉超表示，未来脑机接口不仅需要读取神经信号，更需要实时理解大脑状态、预测神经动力学演化，并根据反馈进行闭环调控。高保真脑建模能够以毫秒级速度运行，有望为脑机接口提供个体化、动态化、可解释的脑状态模型，使脑机系统从简单信号识别走向实时脑状态建模与智能交互。

《科学》同期针对该工作发表的观点评述文章指出，该平台能够以毫秒级的延迟执行高精度计算，为临床影像、机器人和具身智能领域的实时计算铺平了道路。

在医学场景中，该技术也有望支撑脑数字孪生、术中神经导航、脑皮层实时重建和神经退行性疾病辅助诊断。对于阿尔茨海默病、帕金森病等疾病而言，脑结构和脑功能的细微变化往往具有重要临床价值。该研究可在低功耗硬件上快速完成高保真脑建模，为脑疾病早筛、病程监测和个性化干预提供新的技术路径。

相关论文信息：https://doi.org/10.1126/science.aee6277

首款毫秒级神经动力学芯片问世，较英伟达GPU提速50.38至478.18倍最先出现在AI Weekly。

Buy Me a Coffee

2026年全球AI应用趋势洞察最先出现在AI Weekly。

AI科技资讯周报_2026W27最先出现在AI Weekly。

这类场景下，如果想把旧页面迁移到现代前端技术栈，传统做法通常需要前端工程师手动分析页面结构、提取样式、整理素材，再重新开发组件。

JCodesMore/ai-website-cloner-template 正是围绕这个需求设计的开源模板。官方 README 将它描述为一个可复用模板，可以借助 AI Coding Agent 将网站反向重构为干净、现代的 Next.js 代码库。项目推荐使用 Claude Code，但也支持多种 AI Coding Agent。

一、什么是 ai-website-cloner-template？

ai-website-cloner-template 是一个面向 AI Coding Agent 的前端重构模板。

它的核心目标是：

把一个已授权访问的网站页面，重新构建成现代 Next.js 前端项目。

它并不是传统意义上的爬虫工具，也不是简单下载 HTML 和 CSS。官方文档中介绍，运行 /clone-website 后，AI Agent 会检查目标页面、提取设计 token 和素材、编写组件规格，并将不同页面区域分派给多个 builder agent 并行重建。

简单理解：

旧站页面
    ↓
AI分析布局、颜色、字体、素材、交互
    ↓
生成组件规格
    ↓
重建为 Next.js + React + Tailwind 项目

这种方式比较适合做旧站迁移、页面重构、前端学习和内部项目恢复。

二、它解决什么问题？

很多旧网站会遇到类似问题：

• 页面还在线，但源码仓库丢失
• 老项目使用 WordPress、Webflow、Squarespace 或历史技术栈
• 页面效果不错，但后续维护困难
• 想迁移到 Next.js、React、Tailwind
• 想学习某类页面布局是如何实现的
• 想把现有官网重构成更易维护的组件化项目

官方 README 中列出的使用场景包括平台迁移、源码丢失后的现代化重建，以及通过真实页面学习生产级布局、动画和响应式行为。

这类工具的价值不是“复制别人网站”，而是帮助开发者把自己有权处理的页面转换成更现代、更容易维护的前端工程。

三、核心特点解析

1. 一条命令启动重构流程

项目提供 /clone-website Skill。

基础使用方式是：

/clone-website <target-url>

官方 README 说明，执行后 AI Agent 会对页面进行 reconnaissance，包括截图、设计 token 提取、交互检查、滚动、点击、hover 和响应式分析。

这比手动打开开发者工具一点点抄样式效率更高。

2. 自动提取设计信息

ai-website-cloner-template 会尝试提取：

• 颜色
• 字体
• 间距
• 圆角
• 阴影
• 组件状态
• 响应式断点
• 素材路径
• SVG 图标
• 页面内容结构

官方文档中提到，它会生成组件规格文件，包含 computed CSS values、状态、行为、内容和断点信息，然后再交给 builder agent 实现对应区域。

这样生成出来的代码不只是截图还原，而是更接近可维护的组件化项目。

3. 基于现代前端技术栈

项目当前技术栈包括：

• Next.js 16
• React 19
• TypeScript strict
• Tailwind CSS v4
• shadcn/ui
• Radix primitives
• Lucide React

官方 package.json 中也显示项目要求 Node.js 24 以上，并提供 dev、build、start、lint、typecheck、check 等脚本。

这说明它更适合现代前端开发流程，而不是一次性生成静态页面后就结束。

4. 支持多种 AI Coding Agent

虽然官方推荐 Claude Code，但项目也支持 Codex CLI、OpenCode、GitHub Copilot、Cursor、Windsurf、Gemini CLI、Cline、Roo Code、Continue、Amazon Q、Augment Code、Aider 等工具。

Release 记录中也提到，v0.2.0 开始加入多平台 AI Agent 支持，不再只面向 Claude Code。

这对于团队很实用，因为不同成员可能使用不同 AI Coding 工具。

四、适合哪些场景？

旧站迁移

将自己拥有的网站从 WordPress、Webflow、Squarespace 或旧技术栈迁移到 Next.js。

源码丢失恢复

网站仍然在线，但原始代码仓库丢失，可以作为重建参考。

前端学习

学习优秀页面的布局方式、响应式设计和组件结构。

企业官网重构

把旧官网重构为现代 React 项目，后续更方便维护。

活动页快速改版

对已有活动页进行结构化重建，再根据业务需求修改内容和样式。

五、部署参考

环境准备

apt update
apt install -y git nodejs npm

建议使用 Node.js 24 或更高版本，因为项目 package.json 中声明 node >=24。

获取项目

git clone https://github.com/JCodesMore/ai-website-cloner-template.git my-clone
cd my-clone

安装依赖

npm install

启动开发环境

npm run dev

使用 AI Agent 执行重构

如果使用 Claude Code，可以在项目目录中启动：

claude --chrome

然后执行：

/clone-website https://your-authorized-site.example

这里建议只填写自己拥有、客户授权或明确允许重构的网站，不建议用于复制他人品牌页面。

六、合规使用边界

这类工具必须注意使用边界。

官方 README 的 “Not Intended For” 部分明确说明，项目不应用于钓鱼、冒充、欺骗性用途，也不应用于把他人的设计伪装成自己的作品；标志、品牌资产和原创文案属于其所有者，同时也应检查目标网站是否禁止抓取或复现。

因此更合理的使用方式是：

• 重构自己的网站
• 迁移客户授权的网站
• 学习公开页面的布局思路
• 恢复自己丢失源码的旧项目
• 做内部设计参考和技术研究

不建议用于：

• 仿冒登录页
• 复制竞争对手官网
• 冒充品牌页面
• 未授权复刻商业设计
• 违反目标网站服务条款的抓取行为

这样写清楚边界，也更适合平台审核

七、服务器部署建议

ai-website-cloner-template 本身是一个前端项目模板，主要生成 Next.js 代码。它可以在本地运行，也可以部署到服务器上作为长期维护的前端项目。

如果只是测试页面，本地电脑即可。

但如果用于正式项目，例如企业官网、产品页、活动页、落地页或长期维护的前端系统，建议放到稳定的云端环境中运行。

例如可以在莱卡云服务器上部署重构后的 Next.js 项目，将源码、Node.js 环境、构建产物、反向代理、HTTPS、日志和备份统一管理。这样本地电脑只负责开发和提交代码，正式页面由服务器长期在线提供访问。

比较常见的部署结构是：

AI重构页面
    ↓
人工调整内容与版权素材
    ↓
Next.js构建
    ↓
莱卡云服务器部署
    ↓
Nginx反向代理 + HTTPS

这种方式适合企业官网重构、产品介绍页、文档站、活动页和品牌展示页。

八、配置建议

如果只是运行单个 Next.js 官网项目，可以从 2 核 4G 起步。

如果需要同时运行多个前端项目、预览环境、构建服务和反向代理，建议使用 4 核 8G。

如果还要部署数据库、后台管理、对象存储、CI/CD 和多套预览环境，建议 8 核 16G 或更高配置。

参考配置：

个人测试：2核4G
企业官网：4核8G
多项目预览环境：8核16G
团队前端工作区：16核32G+

如果页面包含大量图片、视频和静态素材，还需要额外关注磁盘空间、带宽和缓存策略。

九、上线前建议

AI 重构出来的页面不建议直接上线。

更稳妥的流程是：

• 替换所有未经授权的图片和 Logo
• 检查文案是否存在版权问题
• 检查页面链接和表单提交逻辑
• 检查移动端适配
• 运行 lint、typecheck 和 build
• 检查 Lighthouse 性能
• 配置 HTTPS 和安全响应头
• 做人工视觉验收

项目本身也提供 npm run check，会执行 lint、typecheck 和 build，适合在上线前做基础检查。

十、总结

ai-website-cloner-template 本质上是一个：

面向 AI Coding Agent 的网站前端重构模板。

它的主要价值在于：

• 将授权网站重构为现代 Next.js 项目
• 自动分析页面设计 token、素材和组件结构
• 支持多种 AI Coding Agent
• 基于 Next.js、React、TypeScript、Tailwind 等现代技术栈
• 适合旧站迁移、源码恢复、前端学习和官网改版
• 更适合在合规授权场景下使用

对于需要重构旧官网、恢复历史项目或学习前端页面实现方式的开发者来说，ai-website-cloner-template 是一个值得关注的开源项目。配合稳定的云端运行环境使用，可以把页面重构结果进一步部署成长期可维护的正式站点。

Buy Me a Coffee

ai-website-cloner-templateAI前端重构模板部署与使用指南最先出现在AI Weekly。

• 人工智能 (AI) 是最外层的大圆（最大的概念）。
• 机器学习 (ML) 是包含在 AI 里面的中圆（AI 的核心实现方式）。
• 深度学习 (DL) 是最里面的小圆（机器学习的一种进阶技术）。

为了让咱们更直观地理解，我们可以通过一个通俗的比喻和三者的核心差异来进行拆解：

📚 通俗比喻：教机器“认识猫”

• 人工智能 (AI) —— 最终的目标
  AI 是一个宏大的概念，泛指一切让机器表现出像人一样“聪明”的技术。
  • 目标让机器能看懂这张图片里有只猫。
  • 早期做法程序员手动写死规则（比如告诉机器“有三角形耳朵、有胡须的就是猫”）。但这很死板，换个角度的猫可能就不认识了。
• 机器学习 (ML) —— 实现 AI 的方法
  机器学习是 AI 的核心，它不再靠人写死规则，而是让机器通过数据自己“学习”规律。
  • 做法给机器看 1 万张猫的照片和 1 万张狗的照片。机器通过算法自己总结出猫和狗的不同特征。
  • 特点机器能自己找规律，但往往需要人类先帮它提取一些特征（比如告诉它重点看耳朵形状、眼睛大小）。
• 深度学习 (DL) —— 强大的机器学习
  深度学习是机器学习的一种特殊技术，它模仿人脑的神经网络结构，通过多层的“神经元”网络来学习。
  • 做法直接把海量照片扔进一个多层的神经网络。第一层网络可能学会了识别线条，第二层学会了识别形状，第三层学会了识别猫的眼睛和耳朵……层层递进，最终自己“悟”出什么是猫。
  • 特点不需要人类帮忙提取特征，机器全自动从原始数据中学习，处理复杂任务（如人脸识别、自动驾驶）的能力极强。

📊 核心区别速览

总结来说：
深度学习是机器学习的一种特殊且强大的算法；而机器学习又是实现人工智能这个宏大目标的最主流方法。咱们现在接触到的 ChatGPT、自动驾驶、人脸识别等前沿应用，背后主要依靠的都是深度学习技术。

AI、机器学习和深度学习是什么关系？最先出现在AI Weekly。

AI科技资讯周报_2026W26最先出现在AI Weekly。

一、谣言澄清：纯视觉方案没有”天塌”

部分博主解读称”L3必须摄像头+毫米波双冗余””L4必须加激光雷达”。

小鹏汽车副总裁于涛 6月19日公开回怼：

文件全文没出现”激光雷达””毫米波雷达””必须双感知冗余”任一说法。
这是结果导向的标准——规定了安全水平（能可靠探测、能应对性能衰退、能执行动态驾驶任务），但”怎么做到”留给企业自己研发。

报批稿全文没出现“激光雷达”“毫米波雷达”“必须双感知冗余”任一说法，只对感知能力设了量化指标：感知横向覆盖车身左右各9米、按最高车速匹配前向最小探测距离、要求具备感知性能衰退补偿机制。

✅ 纯视觉方案没有被迫出局，监管不替行业选技术路线。

二、自动驾驶国标体系：三层架构

这个分级国标把驾驶自动化分为6级：

一句话理解：L2和L3之间隔着的不只是传感器数量，而是法律责任的分水岭——过了L3这条线，系统自己开车时出的事，不再默认是“你没管好方向盘”，而是车企要为之兜底。

三、L3/L4新国标重点条款

感知要求：

• 横向覆盖车身左右各 9米
• 按最高车速匹配前向最小探测距离
• 要求具备感知性能衰退补偿机制

其他要求：

• 系统激活/退出的安全条件
• 最小风险 maneuver（MRM）要求
• 功能安全 + 预期功能安全 + 网络安全一体化
• Safety Case 论证体系

实施节奏：

• 新车型：实施日起执行
• 已获批车型：约 13个月 缓冲期

新国标具体管什么？举几个条款的例子：

四、首批获准入的案例（证明两种路线都可过关）

🗓️ 首批获批在工信部第401批公告（2025年12月），仅限试点运营

九家联合体试点（2024年四部门公布）：

• 在北京、上海、广州等7城开展L3/L4准入与上路通行试点
• 小鹏、理想、特斯拉、小米等当时未在首批名单中

五、核心结论

硬件争论是流量，统一标准才是产业。

💡 于涛怼得有理，但更值得想的是：为什么一份”连激光雷达都没提”的结果导向标准，能让全行业这么敏感？——因为太久没有一把公认的尺子了。

总之：硬件争论是流量，统一标准才是产业。国标没判纯视觉”死刑”，它对所有技术路线一视同仁——谁能证明自己安全，谁就能留在牌桌上。2027年7月1日见分晓。

自动驾驶国标逐条拆解，纯视觉方案天塌了？最先出现在AI Weekly。

Buy Me a Coffee

AI科技资讯周报_2026W25最先出现在AI Weekly。