美国已成为全球最大的石油出口国，颠覆了沙特阿拉伯和俄罗斯长期主导的格局。随着美伊冲突重塑全球能源贸易，这一转变进一步巩固了美国公司对能源市场的控制。美国跃居榜首，对于一个曾依赖中东石油数十年，并于1973年遭受部分欧佩克成员国为报复其支持以色列而实施的石油禁运的国家而言，无疑是一次惊人的逆转。 2010年后，美国的命运开始转变。当时，美国页岩油气产量飙升，使其先是成为世界最大的天然气生产国，随后又成为最大的石油生产国。 自2026年2月以来，美伊冲突扰乱了沙特的石油出口，而俄罗斯的石油出口也因乌克兰无人机袭击和美国的制裁而受到影响。在此背景下，美国已成为世界最大的石油出口国。 船舶追踪服务公司Vortexa的数据显示，受高产量和战略储备释放的推动，美国5月份原油和燃料出口量攀升至约1050万桶/日，连续第三个月成为全球最大的出口国。据计算，俄罗斯5月份的出口量为700万桶/日；而Vortexa的数据显示，沙特的出口量为590万桶/日。 根据Vortexa的数据，相比之下，沙特2025年的石油出口量约为810万桶/日，美国为660万桶/日，俄罗斯约为580万桶/日。 船舶追踪公司Kpler的政策主管米歇尔·布鲁哈德表示：“华盛顿现在拥有了一个在伊朗冲突前他们并未意识到的新工具——能源出口。” 美国的新主导地位可能会削弱石油输出国组织（欧佩克）及其盟友历来对石油市场拥有的定价权。美国总统唐纳德·特朗普长期以来一直批评欧佩克操纵市场。今年5月，欧佩克也遭受重创，其最大的成员国之一——阿联酋——在加入该组织近60年后宣布退出。 除了全球军事霸权和美元作为世界储备货币对金融市场的主导地位之外，最大的石油出口国将为华盛顿在与盟友和竞争对手的谈判中提供一个强有力的新筹码。 布鲁哈德表示：“现在你可以看到美国对其中一些国家拥有的影响力，因为它们依赖美国提供石油或天然气。”他还补充说，美国是欧洲最大的原油供应国，也是第二大馏分油供应国。 欧盟官员最初对美国油气繁荣表示欢迎，认为其可以替代俄罗斯和中东的供应，但现在他们的态度变得更加怀疑，并警告称过度依赖美国公司存在风险。 与此同时，欧盟与美国政府在贸易关税和环保法规方面发生冲突。 俄罗斯石油公司CEO伊戈尔·谢钦上周末表示，美国能源公司是霍尔木兹海峡关闭的主要受益者。 但早在美伊冲突爆发之前，沙特和俄罗斯的石油产量增长就远远落后于美国公司。 自2000年以来，美国的原油和液体燃料产量几乎增长了两倍，达到约2200万桶/日。而沙特的原油和液体燃料产量在2000年至2026年间主要在1000万至1200万桶/日之间波动，具体数值取决于欧佩克的配额。 2000年至2010年间，俄罗斯石油和液体燃料产量从600万桶/日飙升至1000万桶/日，2010年代又增长了200万桶/日，但自2020年以来基本停滞不前，并下降至1000万桶/日以下。 全球石油需求从2010年的8700万桶/日增长至去年的1.04亿桶/日，这意味着过去15年全球石油需求增长的大部分是由美国石油繁荣所满足的。 2015年，美国废除了自阿拉伯石油禁运以来实施长达40年的石油出口禁令，为其石油繁荣打开了通往世界的大门。短短十年间，美国已成为全球最大的石油出口国。 查看评论
由空客牵头的一个由八家航空航天和国防公司组成的集团，正计划组建一个联盟，以开发一个由德国主导的欧洲替代方案，取代濒临夭折的下一代法德战斗机。据市场消息，空客防务与航天公司（Airbus Defence and Space）、Autoflug、迪尔防务公司（Diehl Defence）、亨索尔特公司（Hensoldt）、利勃海尔公司（Liebherr）、欧洲导弹集团（MBDA）、MTU航空发动机公司（MTU Aero Engines）和罗德与施瓦茨公司（Rohde & Schwarz）于本周早些时候向德国总理弗里德里希·默茨的办公室和国防部长鲍里斯·皮斯托里乌斯致信，提出了这一设想。 据知情人士透露，该集团将于本周晚些时候在柏林国际航空航天展览会上宣布成立名为“第六代团队”的联盟。 “这是一个信号，表明作为德国工业界，我们已准备好为欧洲在本土开发第六代战斗机，”其中一位知情人士表示。 这一预期中的宣布，正值默茨上周告诉法国总统埃马纽埃尔·马克龙，两国在耗资1000亿欧元的“未来空中作战系统”项目上陷入困境的战斗机合作伙伴关系最好终止。该项目此前因激烈的工业争端而停滞不前。 参与“未来空中作战系统”项目的德国企业，包括空客总部位于德国的防务部门，对柏林和巴黎的政界人士既未能找到解决分歧的办法，也未能宣布该项目夭折，感到越来越沮丧。 在默茨做出决定后，根据一份立场文件草案，这些公司将宣布，他们已准备好作为一个核心团队整合各自能力，以确保未来几十年的空中“战备状态”。 知情人士称，该联盟的目标是表明，德国工业界已准备好与欧洲伙伴共同为欧洲开发第六代战斗机。一种可能性是继续与同样参与“未来空中作战系统”项目的西班牙合作，并与瑞典进行配对。 知情人士表示，虽然细节仍在谈判中，但这八家企业的首席执行官们计划于本周中旬在柏林航展上会面，签署并宣布该联盟的成立。 默茨终止联合战斗机项目的决定意味着，德国现在必须为一款本应从本世纪40年代起成为其空军骨干力量的飞机寻找替代方案。 据报道，此前德国于周一已通知法国将终止联合开发战斗机的合作，这可能会对欧洲最大的国防项目造成致命打击，而欧洲大陆正寻求重新武装以应对俄罗斯的威胁。 查看评论
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
web3前五公司 岗位职责： 1、主导Agent创新产品的探索与孵化 主动跟踪AI Agent领域的前沿进展——包括但不限于MCP/A2A互操作协议、Deep Research Agent、Agentic Coding范式（如Anthropic Claude Code的设计哲学）、Skills可组合架构（如OpenClaw/OpenHands的Skills模式）、多Agent协作系统、推理模型驱动的Agent等最新技术范式——结合虚拟货币领域的业务场景，自主发起创新产品的构思、可行性验证与原型搭建。我们期望你是一个主动定义问题的人，而非等待需求输入。 2、负责Agent系统的算法设计与规模化落地 设计并实现面向虚拟货币链上资产分析、交易决策辅助、深度研究与信息聚合等场景的Agent算法方案，涵盖以下核心模块： 任务规划与深度推理（Planning & Extended Thinking）：参考Anthropic Agentic Coding中"先深度思考再行动"的设计哲学，结合Deep Research Agent的自适应搜索规划范式，实现Agent对复杂金融任务的自主拆解、充分推理与多步执行； 技能抽象与可组合架构（Skills Composition）：借鉴OpenClaw的Skills模式，将链上数据查询、K线技术分析、合约风险审计、舆情监控、交易策略执行等能力封装为标准化、可复用的Skill模块，支持Agent根据任务动态选择与编排Skills，并持续沉淀新的Skill以实现能力进化； 工具调用编排（Tool-use Orchestration）：基于MCP协议等标准，实现Agent与链上数据源、行情接口、DeFi协议、分析工具的标准化对接； 多Agent协作（Multi-Agent Collaboration）：借鉴A2A协议思想，构建多Agent协同工作流，支持研究Agent、交易Agent、风控Agent等角色的动态编排与通信； 迭代自我验证与纠错（Iterative Self-Refinement）：深度借鉴Anthropic Claude Code的"执行→验证→修正"闭环机制，构建Agent在金融决策场景中的自主验证与迭代优化能力，确保输出的可靠性与准确性； 环境自主探索与上下文构建：参考Agentic Coding中Agent自主探索代码仓库的范式，实现Agent对链上生态、市场环境的主动感知与全局理解，减少对人工信息喂入的依赖； 长期记忆与知识积累：支持Agent对长周期市场信息的持续跟踪、经验沉淀与知识管理。 推动从概念验证（PoC）到生产级系统的完整闭环。 3、构建Agent评估与持续优化体系 引入并定制Agent Harness类评测框架（参考SWE-bench、AgentBench、TAU-bench等业界实践），建立面向虚拟货币Agent产品的标准化评测体系，设计涵盖以下维度的评测指标与Benchmark： 端到端任务完成率 工具调用准确率与Skill组合合理性 多步推理成功率与规划质量 自我纠错与容错回退能力 安全边界遵守率 通过数据驱动的方式持续迭代算法策略，确保Agent在真实业务场景中的可靠性与用户体验。 4、驱动跨职能协作与资源整合 作为算法侧的核心驱动者，主动拉通数据、工程、前后端、测试等资源，推动项目高效协作。与产品、业务团队深度配合，将业务洞察转化为技术方案，根据市场反馈快速调整迭代，提升产品竞争力。 5、技术前瞻与知识沉淀 持续关注OpenAI、Anthropic、Google DeepMind、开源社区（OpenClaw/OpenHands等）在Agent架构、推理模型、互操作协议、Skills可组合范式、Agentic Coding等方向的最新研究与工程实践，主动输出技术调研报告、竞品分析与可行性方案，为团队技术路线决策提供依据。 任职要求： 1、 硕士及以上学历，计算机科学、人工智能、金融工程、区块链等相关专业； 2、 良好的英文沟通能力，能快速阅读、理解并提炼英文前沿技术文献、开源项目文档与协议规范； 3、 熟悉主流Agent框架与生态（如LangChain/LangGraph、CrewAI、AutoGen、OpenAI Agents SDK、OpenClaw/OpenHands、Dify等），了解MCP/A2A等新兴互操作协议与Skills可组合架构，有基于上述框架成功落地Agent应用的经验； 4、 精通Python编程，熟练掌握至少一种深度学习框架（如PyTorch、TensorFlow）或机器学习库（如Scikit-learn），具备Prompt Engineering、RAG、Fine-tuning、多轮对话管理等LLM应用层核心技能，能独立完成从算法设计到工程部署的全流程； 5、 具备扎实的代码工程能力与系统设计能力，能编写高效、可维护、可扩展的代码，熟悉Git等版本控制工具与协作开发流程； 6、 在国内外知名学术会议或期刊上发表过相关领域论文者优先，或在Kaggle等竞赛平台取得优异成绩者优先； 7、 具备良好的团队协作精神与沟通能力，能与不同背景的人员高效合作，善于将模糊的业务需求抽象为清晰的技术问题并推动解决。 加分项 1、 熟悉Web3、区块链、DeFi、虚拟货币等领域的核心概念与业务逻辑，有至少3年股票、期货、虚拟货币等相关行业工作经历，或有实际人工交易/量化交易经验； 2、 有从0到1独立孵化AI Agent产品的经历，熟悉Anthropic Agentic Coding或类似"Agent自主完成端到端任务"的产品研发思路，具备强烈的产品感知力和业务敏感度； 3、 有Agent能力模块化、Skill封装与编排的工程实践经验，理解可组合Agent架构的设计理念； 4、 有构建Agent评测体系（Agent Harness/Benchmark）的经验，了解如何科学衡量Agent的能力边界与改进方向； 5、 对AI在金融科技领域的应用趋势有深入思考，能前瞻性地提出创新方向并主动验证可行性； 6、 具备Builder心态——不满足于完成分配的任务，而是持续主动寻找高价值问题、定义解决方案并推动落地。 8 个帖子 - 2 位参与者 阅读完整话题
《华尔街日报》领导力研究所联合 Bendable Labs 发布了首届「面向未来的最佳公司」 (Best Companies for the Future) 榜单对标准普尔 500 指数 (S&P 500) 成分股公司进行评估。 在人工智能重塑商业版图的背景下，芯片巨头英伟达 (Nvidia) 夺得头魁，在六大核心评估维度中的五项名列第一或第二。 紧随其后位列前五的依次是谷歌母公司 Alphabet、微软 (Microsoft)、Meta 和思科 (Cisco Systems)，这批科技中坚力量主要得益于在创新、财务实力以及「AI准备度」 (AI readiness) 方面的优异表现。 该榜单基于 20 家数据提供商的 30 项指标，从 AI 准备度、更广泛的创新力、人才准备度（含招聘、留存和员工满意度）、财务状况、供应链韧性与地缘政治风险曝光，以及企业敏捷性等六大维度对企业进行综合诊断。在整体排名中，科技生产与服务类公司占据了前 100 名中的三分之一，在前 25 名中更占据了 18 席。研究表明，尽管评估未将市值直接纳入考量，但规模较大的公司普遍表现更好。然而，体量并非决定性因素：AMD 凭借敏捷性、创新和 AI 准备度位列第 16 名；而市值是 AMD 两倍多的博通 (Broadcom) 却因 AI 准备度、人才和韧性得分较低，仅排在第 110 名。 备受关注的苹果公司 (Apple) 整体排名第 12，但在 AI 准备度单项上仅排第 56 名，在 AI 采用、投资、并购及战略合作等维度均落后于其他「美股七巨头」成员。分析指出，这主要是由于该评估高度依赖公开披露，而苹果习惯对未发布技术保持神秘，实际投入未必低。此外，榜单在人才评估中特别融入了对 Z 世代 (Gen Z) 员工的保留率及远程办公友好度等指标，非科技公司在此表现亮眼，例如达美航空 (Delta Air Lines) 摘得人才准备度单项桂冠（但因创新和财务状况欠佳，整体排名第 103）。 https://www.wsj.com/lifestyle/careers/2026-best-companies-future-nvidia-f6744e03?mod=hp_lead_pos3 1 个帖子 - 1 位参与者 阅读完整话题
欧洲顶尖科技企业阿斯麦（ASML）首席执行官克里斯托弗·富凯（Christopher Fouquet）表示，他欢迎欧盟委员会本周为提升欧洲科技主权提出的大部分建议，但对委员会计划介入引导或监督享受国家援助的“战略项目”表示谨慎态度。 富凯在社交平台LinkedIn上发文称，此类“战略项目”从根本上必须回应产业自身的需求，更适宜由企业提出，而不是由行政机构自上而下设计。 他强调，应避免过度复杂化和官僚主义，更多依赖私营部门的专业能力。 这是欧洲工业界领军人物对该方案作出的首批公开回应之一。 该方案被视为布鲁塞尔缩小欧盟与美国及亚洲在科技领域差距的核心举措。 计划内容包括刺激对欧洲本土生产芯片和本地云服务的需求等措施，以支持本地供应链的竞争力。 富凯认为，欧盟委员会此次将政策重心转向以需求为导向，是一个积极信号。 在他看来，政策制定者应提供框架和支持，但应把具体项目设计与执行权更多交由企业，以确保资源配置符合市场实际需要。 查看评论
IT之家 6 月 4 日消息，在新任总裁吉尔 · 黑泽尔贝克的主导下，Uber 正对人力资源部门裁员 23%，以此精简运营架构。 首席执行官达拉 · 科斯罗萨西在一份内部备忘录中表示：“此番调整势在必行，目的是最大限度提升人力团队效率，充分释放公司未来巨大的发展潜力。” 此次裁员波及招聘及各类人力资源岗位。Uber 并未公布具体裁员人数，但这家网约车巨头的发言人透露，本次被裁人员占其 3.4 万名全体员工总数的远不足 1%。 上月刚升任总裁兼首席企业事务官的黑泽尔贝克在发给受影响团队的通知中称，本轮裁员旨在打造“协同性更强、现代化程度更高、运营表现更优异的组织体系”。 她补充说道，部分业务板块现已变得“架构繁杂、职能分散，存在职责重叠、权属不明的问题，相关团队和其所服务的业务线、合作方脱节严重”。 如今越来越多企业开启裁员，Uber 也加入这一行列，不少企业将人工智能能够实现工作自动化、提效降本作为裁员理由。 不过这家兼具外卖配送与网约车业务的企业表示，本次裁员和人工智能无关。 Uber 于本周证实，已针对员工使用的 AI 智能体工具设置分级消费限额。公司称，基础档位月额度为 1500 美元（IT之家注：现汇率约合 10168 元人民币），更高档位限额在此基础上逐级上调。 据《The Information》早前报道，Uber 首席技术官此前透露，公司仅用四个月就耗尽了 2026 年度人工智能项目全部预算。 Uber 发言人在致 CNBC 的邮件中表示，上述额度属于针对智能体、编程类技术设置的柔性限额，各类工具均单独划定预算。发言人写道：“数月以来，我们已对部分智能体工具实行分级花销管控。”
大家好，我是一名全栈工程师，具备 5 年+全栈开发经验，曾在某大厂负责复杂前端系统（如多维表格，⽩板等在线协同软件）的架构设计与功能实现，也能独立完成后端和 AI Agent 的全流程开发。 在线体验的多维表格与白板产品： https://rostack.vercel.app 精通：React, Tailwind css, Next.js, Nest.js, Electron, Serverless, AI Agent 。可以为您完成需求挖掘，到产品设计，到前端与后端的全流程开发，具备多款成熟产品从零到一的主导落地经验。 能够深入使用 AI 辅助编程提高效率，也能够将 AI Agent 应用到业务中。 多年 Remote 经验，英语口语无障碍沟通水平，熟悉远程协作。 如果您有产品或项目需要合作或落地，欢迎联系（ Base64 ）。 Email: eXl3ei5oZXJvQGdtYWlsLmNvbQ== 微信: Tml2M291cw==
大家好，我是一名全栈工程师，具备 5 年+全栈开发经验，曾在某大厂负责复杂前端系统（如多维表格，⽩板等在线协同软件）的架构设计与功能实现，也能独立完成后端和 AI Agent 的全流程开发。 在线体验的多维表格与白板产品： https://rostack.vercel.app 精通：React, Tailwind css, Next.js, Nest.js, Electron, Serverless, AI Agent 。可以为您完成需求挖掘，到产品设计，到前端与后端的全流程开发，具备多款成熟产品从零到一的主导落地经验。 能够深入使用 AI 辅助编程提高效率，也能够将 AI Agent 应用到业务中。 多年 Remote 经验，英语口语无障碍沟通水平，熟悉远程协作。 如果您有产品或项目需要合作或落地，欢迎联系（ Base64 ）。 Email: eXl3ei5oZXJvQGdtYWlsLmNvbQ== 微信: Tml2M291cw==
IT之家 6 月 1 日消息，据路透社报道，韩国 Kakao 公司工会于周一宣布，将于 6 月 10 日在板谷举行四小时罢工及集会，诉求保障岗位稳定，并改革薪酬体系。工会称现行体系过度向高管倾斜。 工会在声明中表示，核心诉求包括停止资产剥离、业务分拆等重组行为，同时整改这套被其称作“高管主导型薪酬制度”，该制度加剧了员工的岗位危机感。 工会称，后续会根据谈判进展升级维权行动，但目前暂无全面瘫痪公司业务的计划。 IT之家注意到，此番行动的背景是，上周由政府牵头的薪资谈判宣告破裂。Kakao 公司驳回了工会提出的包括利润分红在内的各项诉求，认为这些要求脱离实际，会给企业经营带来沉重压力。公司现阶段优先考虑业务投资与股东回报。 工会指出，即便普通员工收益微薄、还因公司重组面临就业不确定性，高管依旧拿着高额薪酬。 工会尚未公布完整诉求细则，不过此前曾透露，双方商讨过一项方案： 将约 10% 的营业利润划为员工奖金。 Kakao 方面则表示，薪酬设定需匹配企业发展能力，以便持续布局未来业务、和资金雄厚、主攻人工智能的全球科技企业竞争。针对工会周一发布的罢工公告，该公司暂未作出额外回应。 此次劳资纠纷发生前，三星电子已达成劳资协议。此前三星工会以罢工相逼（相关罢工曾可能冲击整体经济），最终促成协议：将芯片部门奖金与 10.5% 的营业利润挂钩。
IT之家 6 月 1 日消息，三星在全球存储半导体领域已占据主导地位。其 NAND 闪存和 DRAM 内存的出货量位居全球榜首，同时该公司在利润丰厚的高带宽内存（HBM）市场也逐步提升了市占率。 美光此前长期领跑车载存储供应市场，如今这一地位已被三星超越。 S&P Global Mobility 的最新数据显示，截至去年，三星电子在全球车载存储市场的份额达到 40%，较 2024 年提升 5 个百分点。此次份额增长主要来自对美光市场份额的挤压：美光的市占率从 2024 年的 40% 跌至 2025 年的 35%。 在全球核心汽车市场中，三星不断拓展合作客户。目前其面向中国车企的存储产品出货量大幅增长，这也推动了其全球市场份额进一步扩张。 IT之家注意到，随着车企为车辆搭载更先进的车载信息娱乐系统与驾驶辅助系统，车载存储的市场需求持续稳步上升。三星自 2015 年开始向车企供应存储产品，正式入局车载存储领域。 此后，该公司不断丰富产品矩阵，产品线涵盖 LPDDR、UFS、车载固态硬盘以及 GDDR 等全品类产品。
争议较多，现编辑掉内容。 已经请求版主删帖。 如果想知道，可私信我。 31 个帖子 - 17 位参与者 阅读完整话题