洛杉矶大火一年后,亚马逊Ring安防服务宣布推出名为Fire Watch的新功能,旨在减轻未来野火风险。
Fire Watch与CES 2026同期发布,是Ring应用程序Neighbors社区安全更新板块的新功能,计划今年春季在全国范围内推出。
Fire Watch依托Watch Duty这一专注于公共安全信息传播的非营利组织提供的野火警报和报告。该功能旨在尽早发现和报告火情活动迹象,为急救人员和受影响地区民众争取更多应对时间。
当Watch Duty识别出野火时,服务会向附近Ring用户发送通知。符合条件的户外摄像头随后开始使用基于AI的图像识别技术监测火情迹象。
如果AI检测到烟雾或火焰,摄像头用户会收到警报,不过Ring也提醒:"你的摄像头可能会出错,可能产生误报(在没有火情时检测到火灾)或漏报(错过真实火情)。"
Ring首席发明家Jamie Siminoff在声明中表示:"Ring始于我在车库里制造的一个门铃——可惜去年在帕利塞德火灾中损失了。虽然这种损失与家庭遭受的破坏和生命损失相比微不足道,但这让我更加深刻地认识到这项工作的重要意义。"
洛杉矶大火一周年之际,加利福尼亚州也在起草新法规,要求清理房屋周围植被以降低野火风险。
作为产品发布的一部分,Ring表示已向Watch Duty捐赠100万美元,帮助这家非营利组织扩展到美国所有50个州,并改进该组织的实时火情报告能力。
Ring还在部署其他AI功能来警告用户危险。
AI异常事件警报功能旨在当Ring摄像头捕捉到异常情况时触发。系统通过分析Ring视频描述(视频预览警报和事件历史条目的文本摘要)来计算正常情况基线,然后在判断发生异常时发出警报,不过文档中包含"AI视频描述偶尔可能不准确"的提醒。
主动警告功能结合AI生成的视频描述和基于上下文的音频警告来阻止威胁。其理念是当摄像头发现人员时,可以根据人员位置和行为发出实时警告。
AI异常事件警报和主动警告功能预计本月晚些时候面向拥有兼容订阅计划并启用视频描述功能的客户推出,伊利诺伊州除外。
隐私问题如何处理
由于伊利诺伊州隐私法规,Ring AI视频描述、AI单一事件警报和AI异常事件警报功能在该州不可用。
公司上月推出的熟悉面孔功能将面部识别技术应用于Ring摄像头捕获的人员,但被更广泛地禁用——在德克萨斯州、伊利诺伊州、俄勒冈州波特兰市和魁北克省都不可用。
美国仍没有全面的联邦隐私法,当前政府似乎对推进此类立法缺乏兴趣。这让公民自由倡导组织和关注隐私的政治家必须对抗Ring,美国公民自由联盟和电子前沿基金会将其定性为技术威权主义推动者。
上月,美国参议员Edward J. Markey在试图让亚马逊放弃Ring熟悉面孔功能失败后,发布了对亚马逊Ring调查的结果。他的主要反对意见是,那些被Ring门铃摄像头扫描面部的人没有同意被捕获和分析面部信息。
Markey参议员在声明中表示:"尽管我发出警告,亚马逊仍在没有任何有意义隐私保护的情况下发布Ring门铃面部识别功能,给美国人民带来了新的隐私噩梦。这是向反乌托邦未来迈出的巨大一步,美国人无法在不被跟踪和监视的情况下离开家门。"
亚马逊在回应Markey的询问时表示,公司告知启用熟悉面孔功能的客户"他们应该遵守可能要求获得同意的适用法律"。
Q&A
Q1:Fire Watch功能是什么?它是如何工作的?
A:Fire Watch是Ring推出的野火监测功能,依托Watch Duty非营利组织的野火警报,当识别出野火时会通知附近Ring用户,符合条件的户外摄像头会使用AI图像识别技术监测烟雾或火焰迹象,并在检测到火情时向用户发送警报。
Q2:Ring的AI功能在哪些地区受到限制?
A:由于隐私法规限制,Ring的AI视频描述、AI异常事件警报等功能在伊利诺伊州不可用。熟悉面孔功能的限制更广泛,在德克萨斯州、伊利诺伊州、俄勒冈州波特兰市和魁北克省都被禁用。
Q3:为什么政治家和民权组织反对Ring的面部识别功能?
A:主要反对意见是被Ring门铃摄像头扫描面部的人没有同意被捕获和分析面部信息。参议员Markey认为这是"隐私噩梦",会让美国人无法在不被跟踪监视的情况下离开家门。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。