北京时间4月23日早间消息,谷歌周三宣布推出虚拟运营商服务。凭借较低的价格以及灵活的数据套餐,谷歌该服务将给Verizon和AT&T带来压力。不过,谷歌还需要多年时间,才能给美国的大型运营商造成真正的威胁。
谷歌虚拟运营商服务名为Project Fi,起步价为每月20美元,此外每1GB的数据流量价格为10美元。谷歌该服务的合作伙伴为Sprint和T-Mobile。不过该服务也存在缺陷:用户必须拥有或购买一部Nexus 6,此外在大城市以外地区该服务可能并不是很稳定。
此前,Sprint和T-Mobile等运营商已迫使AT&T和Verizon降低了服务价格。此外,WiFi网络的普及带来了Republic Wireless、Scratch Wireless和FreedomPop等廉价竞争者,给大型运营商造成了价格压力。谷歌的新服务还带来了可能具有颠覆性的元素,即智能手机可以在Sprint和T-Mobile的网络之间切换,用户可以自由选择信号较好的网络。
瑞银分析师约翰·霍都里克(John Hodulik)表示,尽管这一价格对个人用户具有吸引力,但对家庭用户来说可能并非如此。家庭用户占后付费用户数的2/3。Project Fi的家庭套餐价格为180美元,其中包括4路电话,以及100美元10GB的数据套餐。作为对比,Sprint的价格为80美元、T-Mobile的价格为100美元,而Verizon和AT&T的价格为160美元。
霍都里克在报告中称:“预计短期内Project Fi不会带来太大影响,但从长期来看前景不明。”
作为虚拟运营商,谷歌将在受限制的情况下提供T-Mobile和Sprint的服务。Recon Analytics LLC分析师罗杰·恩特纳(Roger Entner)表示:“从经济上来说,这不会带来太大的威胁,因为Sprint已对其进行了限制。”
此外,目前也不能肯定谷歌是否会长期专注于该业务。外界普遍认为,谷歌试水虚拟运营商更多只是一种尝试。彭博Intelligence分析师约翰·巴特勒(John Butler)和马修·坎特曼(Matthew Kanterman)今天在报告中表示:“长期威胁可能也不会很大,因为在核心的网络广告业务之外,谷歌从未实现有意义的多元化发展。”
谷歌的一项创新在于,用户可以根据特定地区的网络覆盖情况在Sprint、T-Mobile的移动网络,以及WiFi网络之间自由切换。Evercore分析师乔纳桑·斯基尔克劳特(Jonathan Schildkraut)表示,谷歌可能还将与有线电视公司合作,利用后者的WiFi网络向用户提供服务。
另一家虚拟运营商FreedomPop的CEO史蒂芬·斯托克尔斯(Stephen Stokols)表示,该公司也希望向用户提供在不同运营商网络之间切换的功能,无论是在美国还是国外。该公司正在就这一问题与运营商进行讨论。
独立移动通信分析师切坦·莎尔玛(Chetan Sharma)表示,如果有更多设备支持在不同运营商网络之间切换,那么运营商将会更积极地在各个地区争夺用户。“赢得竞争的运营商将得到业务。这可能具有颠覆性。”
好文章,需要你的鼓励
这项由IIT马德拉斯与BITS Pilani联合发布的研究(arXiv:2604.21523,2026年4月)构建了FOCUS元评估基准,系统检验了评审型视觉语言大模型的可靠性。通过向超过4000个图文和图像样本中注入40种受控错误,研究发现顶尖评审AI的检测失败率在某些条件下超过50%,物理合理性和视觉细节类错误尤为难以被发现,两两比较是最可靠的评审范式。
这篇由Sylph.AI发布的技术报告提出了一套两层自动化框架,核心思想是让AI自动优化自身的运行脚手架,再进一步让AI学会如何更高效地做这种优化。内层的脚手架进化循环通过工人代理、评估代理和进化代理的协作,自动迭代改进单个任务的运行配置;外层的元进化循环则在多个任务上训练,学习一套能快速适应任何新场景的通用进化蓝图,从而彻底消除人工脚手架工程的需求。
这篇由英伟达等顶尖机构联合发表的论文提出了一种名为Voyager的新型智能体。研究团队以《我的世界》为实验平台,通过引入自动课程规划、技能库存储以及迭代反馈机制,成功让大语言模型主导的AI在完全无人类干预的情况下,实现了在复杂开放世界中的自主探索与终身学习。实验数据表明,Voyager在物品收集、探索范围及技能解锁速度上均呈现出远超传统方法的压倒性优势,为未来开发能够自主解决真实物理世界复杂任务的通用人工智能奠定了关键的理论与实践基础。
这项由伊利诺伊大学、斯坦福大学、英伟达和麻省理工学院联合发布的研究(arXiv:2604.25917,2026年4月)提出了RecursiveMAS框架,让多个异构AI模型通过轻量级模块RecursiveLink在内部信号层面直接传递"潜在思想",形成循环协作,彻底绕开了传统多AI系统依靠文字传话的低效方式。配合两阶段内外循环训练策略,整个系统只需优化极少量参数,就能在数学、科学、代码生成和搜索问答等9个基准测试上取得平均8.3%的精度提升,同时实现最高2.4倍推理加速和75.6%的token用量削减。