本月行业报告传递新变化,警惕！十八款禁用黄台入口APP应用，保护网络安全刻不容缓

今日研究机构传递行业研究成果,MetaAI人才动荡，上亿美元为何留不住人？,很高兴为您解答这个问题，让我来帮您详细说明一下。故障诊断服务中心，专业检测设备

广西钦州市钦南区、楚雄南华县 ，永州市江华瑶族自治县、伊春市汤旺县、绥化市海伦市、鹤岗市萝北县、岳阳市平江县、上饶市婺源县、黔东南黄平县、赣州市于都县、韶关市新丰县、合肥市长丰县、泉州市晋江市、合肥市长丰县、黄山市屯溪区、无锡市江阴市、曲靖市宣威市 、嘉兴市桐乡市、广州市增城区、武威市凉州区、武汉市新洲区、保山市腾冲市、忻州市五寨县、盘锦市双台子区、汉中市城固县、资阳市雁江区、新乡市卫滨区、黑河市北安市、焦作市修武县

本周数据平台稍早前行业报告,本月监管部门公布最新研究成果,警惕！十八款禁用黄台入口APP应用，保护网络安全刻不容缓，很高兴为您解答这个问题，让我来帮您详细说明一下：家电安装服务热线，专业团队上门

泸州市龙马潭区、韶关市新丰县 ，甘孜稻城县、临汾市大宁县、泉州市德化县、内蒙古鄂尔多斯市康巴什区、乐东黎族自治县黄流镇、内蒙古通辽市科尔沁区、广西河池市巴马瑶族自治县、武威市天祝藏族自治县、南充市南部县、中山市民众镇、黄南同仁市、毕节市金沙县、马鞍山市含山县、昭通市大关县、广州市从化区 、七台河市茄子河区、内蒙古包头市固阳县、徐州市云龙区、绵阳市安州区、上海市闵行区、东莞市麻涌镇、重庆市南川区、昌江黎族自治县乌烈镇、宣城市郎溪县、淄博市周村区、宜昌市当阳市、万宁市北大镇、遵义市播州区、牡丹江市西安区

全球服务区域: 恩施州巴东县、酒泉市金塔县 、黄山市徽州区、普洱市景谷傣族彝族自治县、徐州市贾汪区、周口市淮阳区、宿州市砀山县、汉中市西乡县、阿坝藏族羌族自治州小金县、吕梁市方山县、北京市西城区、上饶市鄱阳县、福州市闽侯县、丽江市永胜县、九江市瑞昌市、广西柳州市鹿寨县、定安县龙河镇 、黑河市北安市、广西贵港市港南区、温州市龙港市、宣城市宣州区、福州市永泰县

本周数据平台近日官方渠道公开最新动态,昨日官方渠道披露新政策,警惕！十八款禁用黄台入口APP应用，保护网络安全刻不容缓，很高兴为您解答这个问题，让我来帮您详细说明一下：智能派单服务中心，精准匹配维修师傅

全国服务区域: 常德市武陵区、恩施州宣恩县 、酒泉市金塔县、玉溪市易门县、淮南市田家庵区、西安市长安区、东方市三家镇、重庆市巴南区、南通市如皋市、大连市庄河市、厦门市海沧区、潍坊市寒亭区、杭州市江干区、大连市庄河市、温州市龙港市、榆林市清涧县、南京市秦淮区 、焦作市沁阳市、潍坊市坊子区、乐山市沙湾区、鹤岗市萝北县、临沂市临沭县、广西梧州市万秀区、陇南市成县、昆明市五华区、汉中市勉县、延安市宜川县、东方市东河镇、佳木斯市前进区、梅州市五华县、济宁市微山县、泰州市靖江市、内蒙古巴彦淖尔市磴口县、驻马店市西平县、上饶市德兴市、镇江市句容市、郑州市中原区、扬州市仪征市、文昌市重兴镇、湘西州凤凰县、泰安市泰山区

本周数据平台今日多方媒体透露研究成果:本月官方发布行业最新成果,警惕！十八款禁用黄台入口APP应用，保护网络安全刻不容缓

随着互联网的普及，手机APP应用已经成为我们日常生活中不可或缺的一部分。然而，在享受便捷生活的同时，我们也必须时刻警惕那些隐藏在角落里的不良应用。近日，有关部门公布了一则令人震惊的消息：共有十八款APP因含有违法违规内容被列入禁用名单。这十八款禁用APP应用，不仅侵犯了用户的隐私，更是对网络环境的严重污染。本文将带您深入了解这十八款禁用APP应用，并提醒大家如何保护网络安全。 一、十八款禁用APP应用概述 这十八款禁用APP应用包括：某直播、某小说、某图片、某游戏等，涉及直播、小说、图片、游戏等多个领域。这些应用在运营过程中，存在大量违法违规内容，严重损害了网络环境，侵犯了用户权益。 二、禁用APP应用带来的危害 1. 侵犯用户隐私：部分APP应用在用户不知情的情况下，收集用户个人信息，甚至将用户信息泄露给第三方，给用户带来极大安全隐患。 2. 污染网络环境：违法违规内容在APP应用中泛滥，不仅误导用户，还可能导致青少年沉迷网络，影响身心健康。 3. 破坏市场秩序：不良APP应用通过不正当手段吸引用户，扰乱市场秩序，损害合法企业的利益。 三、如何保护网络安全 1. 选择正规渠道下载APP：在下载APP时，尽量选择官方渠道或知名应用商店，避免下载来路不明的应用。 2. 关注APP应用权限：在安装APP时，仔细查看应用所需权限，如发现应用请求过多权限，应谨慎下载。 3. 定期清理手机：定期清理手机中的应用，删除不必要的应用，降低手机被恶意软件感染的风险。 4. 关注网络安全资讯：关注网络安全资讯，了解最新网络安全动态，提高自我保护意识。 5. 加强法律法规意识：了解相关法律法规，自觉抵制违法违规内容，共同维护网络安全。 总之，面对这十八款禁用黄台入口APP应用，我们应提高警惕，加强网络安全意识，共同营造一个清朗的网络环境。同时，也希望相关部门能够加大监管力度，严厉打击违法违规行为，为广大用户提供一个安全、健康的网络空间。

" 一个亿的小目标，和 AGI 的大目标。"采访丨程曼祺整理丨姚一楠2025 年 6 月，Meta 以 143 亿美元收购 Scale AI 49% 股权，招募 28 岁的 Scale AI 创始人亚历山大 · 王（Alexander Wang）；这之后，Meta 天价招募顶尖 AI 研究员，开出了最高 4 年 3 亿美元惊人薪资。这些新血液和 Meta 原本的部分 AI 团队在 6 月底正式组成 Meta " 超级智能实验室 "（Meta Superintelligence Labs，MSL），由亚历山大 · 王和前 GitHub CEO 奈特 · 弗里德曼（Nat Friedman）共同担任负责人。就在大家期待 Meta 一雪 Llama 4 的失利时，9 月，Meta AI 团队离职潮爆发：既有已在 Meta 工作了 12 年、参与 PyTorch 构建的 Bert Maher（加入了 Anthropic）等老员工离开；也有两位加入不足 2 个月的 OpenAI 研究员又重返 OpenAI（Avi Verma 和 Ethan Knight）。本期节目，我们邀请了 Pokee AI 创始人朱哲清（Bill Zhu），他曾在 Meta 工作 7 年多，担任 Meta " 应用强化学习 " 部门的负责人，去年 10 月开始创业，做以强化学习为内核的 Agent。Pokee AI 在今年 7 月完成了 1200 万美元的种子轮融资，前不久被美国知名科技投资机构 a16z 列入智能体工作流的标杆企业目录。朱哲清分享了他观察到的 / 硅谷顶尖 AI 人才的流动趋势，Meta、Google、OpenAI、Anthropic 等美国核心 AI 公司的组织特点，和由此延伸的业务策略；以及，作为一个 AI 创始人，如何在今天打造原生于 AI（AI-Native） 的新组织。以下是播客的文字整理，有部分精简。Meta 曾是创业氛围最浓厚的硅谷大厂，但疫情期间变臃肿晚点：Meta 近期经历了天价挖人到人才流失的戏剧性转折，甚至有 2 名刚被挖来不久的 OpenAI 研究员又回了 OpenAI 。你认为这是怎么发生的？朱哲清：硅谷人员流动频繁，但三个月内就跳槽的不多，更何况他们在 Meta 拿到的薪资包比在 OpenAI 等公司更优厚。这次有人快速离开，可能是不习惯 Meta 的环境。我 2017 年加入的前两年，Meta 是美国最有创业氛围的大公司：写代码、审批、上线到生产环境，整个流程只要几小时，非常高效。疫情后，流程没变，但 Meta 组织更臃肿了，VP 层级变多，每次迭代都要经过多个 VP 审批，可他们往往既不懂项目也没时间，只是形式化地审核一遍，留下一堆批示，搞得大家都很不爽，很多人因此离职。同时，Meta 的内部 " 政治斗争 " 比较多。这次离职的员工很多来自 OpenAI 或 Google，他们往往不擅长在有政治斗争的环境里工作，会觉得在浪费时间。而这类高层级人才的选择很多，往往被十几家公司同时抢，他们会快速离开就不意外了。晚点：扎克伯格现在让 28 岁的亚历山大 · 王来负责超级智能实验室，是不是在尝试改变，试图重新打造一个更扁平、更接近创业文化的组织？朱哲清：我认为这是他的初心。但 Super Intelligence Lab 已有 5000 人，而现在一个 SOTA 模型（State Of The Art 模型，指在某一任务 / 数据集上，当前公开评测中表现最好的模型）的核心训练团队其实不超过 50 人，其中二十多人做模型设计和调优，二十多人负责基础设施和工程支持，还有一些产品经理思考功能方向，比如模型哪些部分重要、哪些不重要。剩下的组织都在做相对边缘化、不是主线的产品。所以，如果 Meta 的目标是让 Llama 超过 GPT-5，它可能需要的是一个 150 到 250 人的核心团队，把事情做到极致，而不是一个 5000 人的大团队，那反而会互相掣肘。我还怀疑内部存在 " 赛马 " 现象——不是被动，而是主动的。Meta 的文化非常 bottom-up，会启动类似的方向。产品有明确的 ownership，但模型训练没有。谁都能尝试，只要训练结果好就行。这种缺乏 ownership 的情况让管理和协调更难，因为多个团队可能同时做同样的事。亚马逊就没有太多这种问题，因为他们的每个事业部都有自己的研究团队，资源和目标都绑定在具体产品上。即使两个团队做出类似模型，也能落到各自的产品里。Google 更依赖在研究上公认有权威的人来定方向，其他人配合执行，相对 top-down。这减少了内部不服气、各自开工的问题。OpenAI 和 Anthropic 则是使命驱动。他们会先设定清晰目标：模型需要达到什么能力，对哪些 benchmark 负责。然后全公司都围绕这个目标努力，不会出现多个团队重复做同样的事情。而且他们团队规模本来也不大，更需要集中力量。晚点： Meta 也有很多产品，为什么它不能和亚马逊一样，每个产品线的研发落到自己的场景里？朱哲清：核心原因在 Meta 的组织架构里，部门对产品掌控力不强。组织内所有代码库和基础设施完全开放，任何团队都能修改别人的代码，这导致团队对产品缺乏处置权。其次，部门的财务自主权很弱。 VP 的预算很有限，无法做大规模的资源配置。例如他没法独立决定给谁多少奖金，花多少钱在数据中心，也没法裁掉部门一半人然后集中资源到算力。这导致 Meta 的团队只能在现有框架下行事，很难像创业公司那样做出战略性改变。晚点：这种组织形态给 Meta 带来的好处是什么？朱哲清：好处是速度很快。举个例子，我训模型时发现 Facebook Feed 的推荐模型有问题，可以直接找团队沟通，甚至自己改，最后不到半年就把模型完全替换了。在正常流程里，跨团队改模型早被 VP 卡死了。它的缺点也很明显：2017 年到现在公司人数翻了数倍，扩张到七八万人。一件事原本一个人做，现在五个人做。绩效要分摊，利益分配不均，容易变成政治斗争，这在大公司很常见。举个例子：假设 A 团队目标是把某模型推广到全公司所有产品线，B 团队目标是让某产品 DAU 提升 2%。如果 B 团队产品用了 A 团队的模型，结果 DAU 确实涨了 2%，那功劳算谁的？双方就会为 credit 争夺。因此 B 团队可能会自己重做模型，而不是直接用 A 团队的成果。晚点：其实 OpenAI 和 Anthropic 都是上千人的团队，就不存在团队分工矛盾吗？朱哲清：他们是所有人有一致目标，这是初创公司的关键。哪怕团队有几千人了，只要大家不在乎功劳分配，政治斗争就不存在。晚点：怎么在千人规模的团队做到目标一致的？朱哲清：有一个临界点，即是否所有员工都在做真正重要的工作。所有公司事件中大致可以分为重要的 20% 和不重要的 80% 。如果所有人都在做重要的 20% ，还很忙，那没问题；但一旦有人在做 80% 的次要工作，他们就想变得重要。大公司为了维持财报、营收和股价，会招人来做只能带来 1% 增长的事情，因为即使极小的营收增长也能覆盖人力成本。这些人也想做重要的事情，政治斗争就产生了。晚点：以 " 使命驱动 " 看，怎么理解 Ilya 和 Sam Altman 的分裂？朱哲清：当重要成员的个人使命出现差异时，使命驱动的公司容易分崩离析。因为唯一的纽带不是金钱，而是使命。成员使命不同，公司自然分裂；夸张点说利益绑定才最牢靠。OpenAI 里 Sam Altman 和 Ilya 的根本分歧在于：Sam 关注用户增长；Ilya 则更关注模型安全性和可靠性。两条路都需要投入大量人力和资源，公司只能选一条，于是最后有人要离开。晚点：关于 Meta 的人事动荡，除了刚才的深层原因，也有人提到亚历山大 · 王的风格过于强势。朱哲清：我倒觉得不是个人风格，而是架构错配。在 AI 领域，CEO 不直接负责研究。比如在 OpenAI，Sam Altman 是 CEO，Mira 曾是 CTO，但也有其他人带研究团队—— Greg Brockman、John Schulman、Noam Brown 等，他们知道研究方向往哪里走。而现在 Meta 的情况像是让 Sam Altman 直接管研究团队。还有个细节，这轮热潮之后才成长的年轻研究者很难真正服众；你需要的是德高望重又和公司路线一致的人才。但这种人很难找。晚点：Ilya 离开之后，OpenAI 由谁来扮演这样的技术领军角色？朱哲清：其实有好几个人。比如 Noam Brown 带多智能体方向；还有 Schulman ，他主要带 RLHF （ Reinforcement Learning with Human Feedback，人类反馈强化学习）以及 RL（ Reinforcement Learning，强化学习）；还有 Jan Leike 。他们过去做出重要成果，而且和公司的研究方向一致，所以大家愿意跟随；但如果让新人直接带大方向，就难服众。不过除了 Noam Brown，刚才提到的人都离开了。科学家型 vs 工程型人才：工程型人才会决定公司未来 2-3 年的发展，科学家型人才会决定公司未来 10 年的发展，但是你有可能活不过 2-3 年晚点：那些在 ChatGPT 有重要研究成果的人，他们普遍多少岁？朱哲清：一般在 35-40 岁。常见情况是，这个人做了几个奠基性的研究，于是成了这个方向的领军人物。比如 David Silver 是 AlphaGo 第一篇论文的一作； Schulman 提出了 PPO 算法（Proximal Policy Optimization，强化学习中的策略优化算法，被广泛用在包括机器人控制、对话系统训练等任务中）。现在 AI 研究很难有根本性的突破性研究，因为这需要算力，而算力掌握在大公司手里。博士只能找大公司没做的小方向发论文；或者进入大公司跟着公司的战船往 LLM（大语言模型）走。结果是，过去三四年毕业的博士生没人再写出像 PPO 这种影响深远的算法。问题是，如果 LLM 碰到瓶颈，要怎么突破？目前没人真正开辟出这条新路径。晚点：这里有个错配，顶尖人才更有野心做原创性工作，但大公司更希望在收益明确的主线上取得进展。朱哲清：我自己也想做开创性的研究，但过去 7-8 年更多专注在技术落地上。很多研究者一旦方向基本定型，剩下的就不做了，让别人跟进；但大公司真正需要把成果落地的人，纯研究五六个人就够。比较理想的领导架构是：5-6 个顶尖研究者，配上 5-6 个强执行力的落地型人才。晚点：你刚才盘点硅谷重要的 AI 公司时没提到 xAI。这是为什么？朱哲清：讨论顶尖研究科学家的去向时，我一般不会把 xAI 算进来。马斯克是工程师型人物的代表——用现有技术把落地做到极致，做出极其复杂、别人无法复制的工程项目，从而形成壁垒。这在 AI 上表现为扩大模型规模、叠加算力，把模型能力不断往上推。之前马斯克和杨立昆（Yann LeCun，图灵奖得主 ）在推特上吵架时，还说 " 根本不存在 research，一切都是 engineering"。xAI 更偏工程驱动，Google 更偏科学驱动——通过科学飞跃带来革命性突破。晚点：这是不是有点像中美差异？朱哲清：我觉得不完全恰当，中美都有科学家型和工程型人才。我更倾向这样理解：工程型人才一般决定公司接下来 2-3 年的发展，而科学家型人才会决定公司未来 10 年的发展，但是你有可能活不过 3 年。晚点：和国内技术人员交流时，大家普遍觉得中国难有最原创性的突破。朱哲清：确实， ChatGPT 出现后，大家蜂拥做 LLM ，很少有中国研究机构或公司尝试挑战这条技术路径。中国研究者一直面临指标压力，高校、企业都去追逐最容易拿指标、出业绩、发表论文的方向。很多美国和欧洲高校团队会挑战 Transformer （Transformer：一种以自注意力为核心的神经网络架构，已成