阅读

美国众议院外交事务、中国问题特别及情报常设委员会的三位共和党主席致函英伟达（Nvidia）首席执行官黄仁勋（Jensen Huang），要求他于11月18日出席一次联合闭门简报。此举旨在回应近期关于英伟达高管与中国情报人员存在密切关系的报道。

据CNBC报道，该信函由众议院外交事务委员会主席Brian Mast、中国问题特别委员会主席John Moolenaar和情报常设委员会主席Rick Crawford签署。议员们希望了解黄仁勋与Megaspeed公司高管Alice Huang的互动情况，以及英伟达针对外国对手间谍活动的安全协议。此前《纽约时报》报道称，美国情报机构发现Alice Huang向北京传递信息，并与黄仁勋建立了“密切关系”。

英伟达发言人对此表示，其区域云客户仅接收普通商业信息，不涉及敏感贸易秘密或国家安全相关内容，并强调与客户会面是CEO工作的一部分。此次简报请求的时间点恰逢英伟达计划于11月17日发布第三季度财报之后，凸显了该公司在AI芯片出口管制及地缘政治合规方面面临的监管压力。

谷歌（Alphabet旗下）、Meta和TikTok于周三分别向美国加利福尼亚州联邦法院提起诉讼，起诉加州总检察长Rob Bonta，要求阻止一项旨在保护16岁以下儿童免受社交媒体成瘾风险的新州法律——Assembly Bill 1709的执行。

该法案禁止平台向未成年人提供“心理剥削性特征”，如个性化推荐算法和自动播放功能，并要求删除拥有这些特征的儿童账户。三家公司在诉讼中辩称，该法律违反了美国宪法第一修正案的言论自由保护以及《通信规范法》第230条关于平台对用户内容免责的规定。他们主张，该法错误地强迫平台采用加州偏好的内容呈现方式，并以州的判断取代了家长的判断。

谷歌发言人Jose Castaneda表示，过于宽泛的法律破坏了帮助儿童寻找高质量、适龄视频的系统。Meta指出加州不能推翻其对数十亿帖子进行策展和展示的编辑判断。TikTok则声称受保护的言论不能仅因立法机构认为某些想法或图像不适合年轻人而被压制。

加州总检察长办公室周四回应称正在审查这些诉讼，并致力于捍卫加州保护儿童在线安全的常识性法律。AB 1709由州长Gavin Newsom于9月签署，原定2027年1月1日生效，除非法官将其废除或暂停执行。此前，Meta已同意支付高达180亿美元以解决与近所有美国州达成的类似隐私和消费者保护指控和解协议。

美国加利福尼亚州州长加文·纽森（Gavin Newsom）已签署两项关键法案，旨在规范人工智能在职场中的使用。电子前哨基金会（EFF）在2026年立法会议闭幕后的回顾中指出，这两项法律分别是《无机器人老板法案》（SB 947）和AB 1883。

SB 947限制了雇主如何使用自动化决策系统来解雇或纪律处分工人。该法案规定，算法不能是做出这些重大决定的唯一权威，并确保工人获得关于影响他们的自动化决策的关键信息。这意味着在加州，涉及雇佣关系的重大决定必须有人类参与或监督，不能完全由AI黑箱操作。

与此同时，AB 1883禁止雇主使用职场监控工具来预测员工的情绪或收集神经数据。这一条款直接针对了那些试图通过可穿戴设备或摄像头分析员工心理状态、压力水平甚至脑电波的技术应用。EFF认为，这阻止了潜在偏见、侵入性和剥削性的AI监控形式进入工作场所，是保护工人隐私和自主权的重要一步。

除了职场AI监管，此次立法会议还通过了其他数字权利相关法案。例如，SB 747允许公民对违反美国宪法的联邦官员提起损害赔偿诉讼，填补了现有法律在追究联邦执法部门侵犯第一修正案（录制警察执勤）和第四修正案（搜查手机/笔记本电脑）权利时的救济空白。此外，AB 1854和AB 1930加强了加州的“盾牌法”，以保护生殖健康和性别肯定护理相关的医疗记录免受出于政治动机的跨州调查。

然而，并非所有进展都是积极的。EFF批评了通过的AB 1709，这是一项禁止16岁以下未成年人使用社交媒体的法律，认为其切断了年轻人获取信息和建立社区的渠道，且未能有效解决安全问题。同时，旨在更新加州《信息实践法》以覆盖市县政府数据处理的AB 1337未能在参议院通过，导致地方政府的隐私监管缺口依然存在。

美国人工智能公司OpenAI于2026年11月4日发布报告，称其开发了一个自主漏洞发现、利用和修补流水线。该流水线使用其即将发布的网络模型，在Linux内核中动态复现了1724个漏洞，并生成了948个本地提权（LPE）利用程序和候选补丁。整个运行过程的API成本为121.343万美元，平均每个LPE利用程序的成本约为1279美元。

OpenAI表示，该流水线分为五个阶段：漏洞发现、动态验证、可利用性评估、补丁生成和人工审查。在发现阶段，代理识别出5034个高价值审计目标，约占内核代码的7%。在分析阶段，代理在12小时内产生了2308个候选发现。随后，验证代理在隔离环境中复现了其中1724个漏洞，成功率约为74.7%。

为了评估经济影响，OpenAI将结果与历史赏金计划进行了比较。Pwn2Own和TyphoonPWN等网络安全竞赛历史上为Linux内核LPE利用程序提供2万至7万美元的赏金。如果将这948个利用程序按此标准估值，总价值可能在1890万至6630万美元之间，约为流水线成本的16倍到55倍。此外，在针对Google kernelCTF计划的测试中，流水线发现了21个LPE利用程序，成本约为3.29万美元，若被接受可获得约150万美元赏金，约为成本的45倍。

OpenAI还指出，该流水线使用了至少10种新的Linux利用技术，这些技术在第三方内核利用专家看来也是新颖的。该公司强调，随着模型能力的提升，自动补丁生成对于保护软件至关重要，并呼吁防御者主动分析其软件，使攻击者的利用成本变得高昂。

投资者每月看到零售销售数据发布时，很少会注意到同一个月的数字在后续几个月里被悄悄修改。圣路易斯联储FRED博客近期解释了这一修订背后的机制：美国人口普查局的年度综合经济调查（AIES）充当基准，将月度调查的水平重新校准。

月度调查和季度调查的设计目标是速度。它们使用较小的样本，擅长衡量从一个时期到下一个时期的变化，但对绝对水平的估计精度有限。AIES则使用远大于月度调查的样本和更详细的信息，在年度结果公布后重新校准月度系列中的水平。也就是说，当新的年度数据到达时，更快的系列会被修订以匹配年度基准。

博客用零售贸易销售数据做了直观对比：将任何年份的12个月度值相加，得到的总额与AIES年度总量之间的差异仅在数百万美元量级。考虑到年度值在万亿规模，这个差异微不足道。2024年是撰写时可用的最新完整年度数据，两者均约为7.107万亿美元。

AIES还更新人口普查商业登记册——其他经济调查从中抽取样本的主名单。这意味着年度基准不仅修订已发布数据，还影响未来调查的样本框。

这种年度基准校准月度数据的做法并非人口普查局独有。美国经济分析局用类似流程推导行业产出以编制国内生产总值数据，劳工统计局将其用于生产者价格指数和生产力度量，美联储理事会则用于工业生产指数。

在覆盖范围上，FRED近期新增了来自AIES的5582个系列。自2023年起，AIES将七项独立的年度商业调查合并为一项，发送给约35.9万家企业。数据覆盖1046个经济活动的收入、支出、工资和就业，横跨农业、建筑业、制造业、采矿业、零售业、服务业和批发贸易七个行业。许多系列的历史数据远早于2023年，因为人口普查局将旧调查的结果折叠进了新系列：零售和批发追溯至1992年，制造业至2007年，服务业至2013年。

对读者而言，这篇解释的实际价值在于：当你看到月度零售销售初值发布后，知道后续修订的方向和幅度是有约束的——年度基准会将水平锁定在一个相对确定的范围内。这帮助区分月度数据中真正反映经济动能的变化与纯粹因样本框和权重更新带来的技术性调整，从而更准确地判断初值发布时的信号强度。

这篇由麻省理工学院（MIT）的Aleksander Madry等人于2018年发表的论文《Towards Deep Learning Models Resistant to Adversarial Attacks》，深入探讨了如何通过鲁棒优化来提升神经网络的安全性。研究指出，深度神经网络存在固有的弱点，极易受到对抗样本的攻击——即那些与原始数据几乎无法区分、却能导致模型错误分类的输入。这种脆弱性在自动驾驶、人脸识别等安全关键系统中尤为危险。

为了解决这一问题，作者提出了一个基于鞍点（min-max）问题的统一框架。该框架将对抗训练形式化为一个优化问题：内层最大化寻找使损失函数最大的对抗扰动，外层最小化则通过调整模型参数来降低这一最坏情况下的风险。这种方法不仅涵盖了之前的攻击和防御机制，还提供了一个明确的安全保证目标，即抵抗特定类别（如ℓ∞范数有界）的所有攻击者。

在具体实现上，论文证明了投影梯度下降（PGD）是一种可靠的“一阶对手”，能够有效地解决上述优化问题。实验结果显示，使用PGD进行对抗训练的模型在MNIST数据集上对最强白盒攻击的准确率超过89%，在CIFAR10上也达到了46%。这表明，通过增加模型容量并采用正确的优化策略，可以显著提升深度学习模型的对抗鲁棒性，使其更接近实际部署所需的安全标准。

对于关注AI安全、机器学习理论或需要构建高鲁棒性视觉系统的研究人员和工程师，这篇2018年的经典论文《Towards Deep Learning Models Resistant to Adversarial Attacks》提供了理解对抗攻击本质及设计有效防御机制的基础框架，建议从第2节“An Optimization View on Adversarial Robustness”开始阅读以掌握核心方法论。

在伯克希尔·哈撒韦公司（美国）发布的2024年致股东信中，沃伦·巴菲特重申了其核心的沟通哲学：将股东视为合伙人。他写道：“我们的目标是以一种我们希望你在角色互换时也会使用的方式与你交流——也就是说，如果你是伯克希尔的首席执行官，而我和我的家人是被动投资者，我们将积蓄托付给你。”这种“所有者心态”不仅体现在对业绩的披露上，更体现在对错误的公开承认中。巴菲特指出，他在评估企业未来经济状况或管理者能力时曾犯下错误，并引用查理·芒格的话强调，最大的罪过是拖延纠正错误，即所谓的“吮拇指”。他批评了那些禁止提及“错误”或“失误”的大型上市公司董事会文化，认为这暗示了一种虚假的管理完美主义。

信中通过一个具体案例展示了伯克希尔独特的收购与管理理念：皮特·利格尔（Pete Liegl）及其创立的森林河公司（Forest River）。当巴菲特于2005年考虑收购这家位于印第安纳州的房车制造商时，利格尔提出了一项非传统的薪酬方案。利格尔表示：“我查看了伯克希尔的委托书，我不希望赚得比我的老板多，所以请每年付给我10万美元。”此外，他还要求获得超出当前收益部分10%的年度奖金。巴菲特接受了这一提议，尽管双方并未明确定义“适当”或“重大”等模糊术语，但巴菲特回忆道：“这些模糊的术语从未造成问题。”这一案例说明了在高度信任的基础上，简单的激励机制往往比复杂的合同条款更有效，同时也体现了巴菲特对人才本质的洞察——他明确表示从不查看候选人的毕业院校，因为商业天赋往往是天生的，而非仅靠名校教育培养。

对于现代读者而言，理解这种基于信任和长期主义的治理结构至关重要。假设一家初创公司的创始人面临被大型集团收购的局面，如果收购方坚持繁琐的对赌协议和严格的KPI考核，可能会抑制创始人的创新动力；反之，若像伯克希尔对待利格尔那样，给予充分的自主权和基于利润分享的简单激励，可能更能激发管理者的忠诚度和潜能。这种对比揭示了资本配置中“人”的因素往往比单纯的财务模型更具决定性。

《伯克希尔·哈撒韦致股东信》由沃伦·巴菲特撰写，发布于2024年。适合关注公司治理、并购整合以及长期投资哲学的读者阅读。建议从信中关于“错误”的反思章节开始，进而深入研读皮特·利格尔的案例，以体会伯克希尔独特的企业文化。