韋斯市場將在賓夕法尼亞州的部分門店部署Instacart的AI智慧購物車Caper Carts，該購物車配備攝像頭、秤、定位系統和觸控式螢幕，支援數字優惠券、忠誠度功能和重複購買推薦。此外，文章還提到了其他雜貨商如艾伯森在農產品質檢中應用AI的情況。

字節跳動旗艦AI影像模型Seedream整合Kling 2.1影片動畫，提供從文本到影像再到影片的完整創作流程。支援四種版本一鍵切換，免費試用，定價靈活，適用於電商、社交媒體等場景。

Listable AI 提供新鮮的B2B潛在客戶電子郵件列表，附帶免費樣品，使用者可透過與AI對話獲取任何本地企業的電子郵件地址。

JobEasyApply 是一款 AI 驅動的 LinkedIn 自動申請工具，它能在您的瀏覽器中安全執行，每月自動申請超過 600 個 Easy Apply 職位。該工具利用 AI 為每個職位生成定製化回答，支援智慧匹配、回答記憶和即時跟蹤面板。提供免費版、Pro 版（$19/月）和 Elite 版（$29/月）。

Pizx是zx的一個分支，原生整合了Pi AI，提供15種AI代理模式（如迴圈、並行、辯論、管道等），用於Shell指令碼程式設計、AI文本生成和程式碼代理。支援快速安裝、Pi AI查詢、指令碼編寫及高階功能如模型選擇。

2026年Databricks客戶獎表彰了來自金融服務、醫療健康、製造業、零售、能源等多個行業的十家組織，它們利用Databricks平臺應對行業挑戰，並以資料和AI推動創新與成果。

一家AI伴侶公司的創始人坦誠地指出，儘管AI伴侶能緩解孤獨，但過度使用可能導致依賴和焦慮。他們分享瞭如何判斷使用是否健康的訊號，並呼籲行業以使用者福祉為先，避免設計成讓人上癮的產品。

CogCore 是一個輕量級的 TypeScript 執行時庫，旨在幫助開發者圍繞自有應用 API 構建 AI 智慧體。它提供模型角色分離、工具呼叫、工作代理、沙盒執行、技能學習等功能，讓應用保持自身 UI、資料、許可權和釋出流程的同時，安全地整合 AI 能力。

Salesforce和SAP在2026年採用相同的MCP協議，卻做出了截然相反的戰略選擇：Salesforce將平臺作為所有智慧體可直接呼叫的基礎層（Substrate式），而SAP要求外部智慧體必須透過其第一方智慧體Joule進行互動（Broker式）。這一分歧將影響整個企業軟體生態的安全、定價和權力格局。

谷歌研究團隊在Gemini企業智慧體平臺中引入了一種新型智慧檢索增強生成（Agentic RAG）框架，該框架透過充分上下文智慧體（Sufficient Context Agent）反覆檢索，確保多源、多跳查詢獲得足夠依據後才生成回答。在事實性資料集上，準確率比標準RAG提升高達34%。

Databricks公佈了2026年客戶獎的獲獎者，表彰了10家在資料與AI領域取得卓越成就的組織，涵蓋能源、半導體、乳製品、非營利組織等多個行業，展示瞭如何利用Databricks平臺解決複雜問題並推動業務轉型。

GitHub Copilot於6月1日啟用基於使用量的計費模式，導致許多團隊的賬單從固定費用變為波動成本。開發者面臨“代幣焦慮”，企業級預算被迅速耗盡。文章分析了變化細節、企業案例（如Uber預算超支），並提出了控制成本、採用多供應商策略等建議，同時推廣了Kilo平臺的模型自由和成本透明方案。

AI 工具在科技公司迅速普及，但測量其實際價值卻成難題。文章指出，許多公司盲目投入大量資金於 AI，卻無法將支出與產出掛鉤，導致浪費和盲目削減。作者透過自身經驗提出一種基於歸因的測量方法，以連線 AI 支出與工作成果。

AI Boost是一個MCP伺服器，允許開發者捕獲、索引並自動將他們的專業知識（如編碼模式、約定）注入到LLM代理的未來會話中。它強調隱私、控制力和社群共享，透過語義搜尋和主動建議，讓代理在任務開始前就能獲取相關上下文。

Forever Healthy基金會推出Evipedia.ai，這是一個彙集500多項經過嚴格評審的長壽研究證據綜述的線上平臺，旨在為研究人員和公眾提供可靠的長壽資訊，成為該領域的一站式權威參考。

FinMind AI 是一款自動化個人理財與財富智慧工具，利用AI輔助投資和日常財務管理，旨在簡化財務決策並提供智慧洞察。

一年前，NVIDIA創始人黃仁勳與英國首相斯塔默宣佈英國將成為AI製造者。如今，NVIDIA及其合作伙伴展示該國在基礎設施、初創企業和企業領域的AI進展，包括主權AI部署、Isambard-AI超級計算機及多項創新應用。

這句新格言是對經典程式設計師嘲諷“雲是別人的計算機”的現代演繹，反映了AI時代技術依賴的新現實。

Web Speed 將 HTML 頁面解析為 AI 代理易於讀取的站點地圖，透過避免分析完整 HTML 或截圖，使代理更便宜、更快。它原生支援 MCP，並具有全域性站點地圖快取，進一步加速代理。

研究人員首次在真實倉庫中展示了僅利用外部攝像機網路和邊緣計算實現多機器人協調的可行性。系統透過未經標定的畫素級拓撲攝像機圖在影像空間中進行規劃，採用分層規劃器為每個機器人選擇攝像機序列並規劃運動，透過優先-聯合策略協調機器人，將重疊攝像機區域視為共享資源以避免碰撞和死鎖。在4個機器人、30個攝像頭、6條27米通道的倉庫中驗證了該方法。

視覺運動操控策略在分佈偏移下常因缺乏對機器人基座座標系的理解而失敗。AxisGuide透過渲染基座座標軸到RGB影像中，提供顯式的動作座標線索，顯著提升了策略的泛化能力和任務成功率。

自主網路物理系統（CPS）處於基於模型的系統工程（MBSE）與資料驅動機器學習/人工智慧（ML/AI）的交匯點，但尚無一種系統工程（SE）方法論原生涵蓋兩者。本文提出IDDMBSE，一種整合資料驅動與基於模型的系統工程方法，在嚴格的MBSE V流程每一步擴充套件資料驅動迴圈，並基於SysML、自主棧及混合模型驅動與資料驅動權衡架構。透過開源工具鏈PERFECT（將SysML系統架構對映到可執行ROS自主棧用於可擴充套件效能評估）、TRADES-X（將設計空間探索分解為基於模型的最佳化階段與資料驅動的評估階段）和VERITAS（結合形式化、資料驅動與執行時驗證於統一保障工作流）例項化該方法。在可信自主地面機器人全生命週期上演示，包括感測器套件選擇、風險敏感路徑規劃、行為樹任務驗證、基於共形預測的魯棒感知以及多機器人協調，均在釋出的Isaac Sim測試環境中進行。最後概述了正在SysML v2/KerML基礎上重構IDDMBSE，以實現語言原生組合性和更緊密的ML/AI整合。

SCOUT是一個線上語義探索框架，透過將主動遍歷與機率場景圖構建相結合，使機器人能夠逐步理解環境。它利用不確定性引導的遍歷規劃器，在語義確定性增益、幾何覆蓋增益和移動成本之間取得平衡，從而實現自主的長期場景理解和更新。

本文提出了一種基於模型的控制框架，用於七自由度機械臂使用工具進行非抓取式拋球接球。該框架採用兩階段最優控制方法計算可行的運動模式，並透過離線計算軌跡實現即時誤差校正，在模擬和Franka Emika Panda機器人實驗中驗證了有效性。

本文透過一個簡單框架解決了樹形結構上多智慧體路徑規劃（MAPF）的複雜性問題，涵蓋距離、最大完工時間和流動時間等標準目標，以及標記和著色變體。證明了在樹上標記和2著色MAPF的所有三種目標都是NP難的，並解決了經典的卵石移動問題。所有結果透過堆疊重排問題的NP難性得出。

本文探究了利用日常網際網路影片共訓練機器人操作策略時影響遷移效果的關鍵因素。作者構建了一個包含532段人類影片、28小時高質量三角測量手部標註的新資料集，發現手部姿態質量影響遷移，但即使手部標註準確，視覺和策略網路若不針對具體形態特化，動作差距仍會阻礙遷移。所提出的共訓練方法在低機器人資料場景下，六個操作任務的平均成功率提升了29.7%。

機器人操作物理謎題對於自動組裝和拆卸任務至關重要，但訓練資料集生成耗時費力。提出PhyRoGen框架，利用程式化內容生成自動生成合成操作謎題資料集，包含六種具體生成器生成24個謎題，並在模擬中用KUKA機器人驗證了所有謎題的可操作性。

本文認為通用機器人智慧的瓶頸不僅是策略學習，還缺乏將非結構化行為資料轉化為機器人監督的機制。作者提出了四種缺失元件：資料介面、具身介面、世界模型介面和獎勵介面，並呼籲構建能從更廣泛的物理世界學習的機器人系統。

深度偽造檢測系統在基準測試中近乎完美，但法醫部署需要可靠的不確定性估計。現有不確定性量化方法依賴單一來源，忽略了最優不確定性組合因架構而異。本文提出相關性最佳化融合（COF），一種架構自適應框架，透過最大化融合不確定性分數與預測誤差之間的皮爾遜相關性，融合五種互補的不確定性來源：認知、偶然、校準、共形和分佈。COF無需修改模型，僅需42秒權重最佳化，而5模型深度整合需要20-45小時。在FaceForensics++上對11種架構的評估揭示了根本性權衡：在匹配訓練/評估協議下，非線性方法域內相關性比COF高約5-6%（平均r=0.438），但在分佈偏移下情況反轉。在CelebDF上，COF在9/11架構上優於隨機森林，相關性最高提升7.3倍（MaxViT-B：r=0.249 vs 0.034）；RF跨域退化85%至r=0.071，而COF保留更多訊號（下降74%至r=0.116）。跨資料集評估（CelebDF和DFDC）顯示所有方法均出現災難性泛化失敗：域內相關性0.41-0.47降至外部接近零（平均退化90.7%），11種架構中有7種出現不確定性反轉。這些結果將COF確立為可控分佈部署的實用可解釋框架，並指出域自適應UQ是法醫部署的核心開放挑戰。

ViSAE是一個基於神經科學原理的工具箱，透過概念電路解釋和引導視覺Transformer（ViT），顯著提升可解釋性和最差組準確率。