阅读

美国德克萨斯州候任州长Gina Hinojosa在接受CNN采访时向人工智能公司发出警告，称该州数据中心的“无序扩张”（free-for-all）时代已经结束。Hinojosa指出，目前数据中心主要建在缺乏监管保护的农村地区，导致“德州人正在被利用”。

她承诺将引入新法律以扭转这一局面，并呼吁在保护措施到位之前，“停止我们在数据中心方面所做的一切”。Hinojosa强调，社区必须拥有决定数据中心是否以及如何进入其所在地的权利。“我不讨厌数据中心。我讨厌他们利用德州的方式，这在我担任州长后将停止。”

德克萨斯州长期以来是美国对数据中心最友好的地区之一，但近期民调显示75%的受访者反对在其居住地附近建设数据中心。随着中期选举中民主党取得优势，包括Hinojosa在内的多位当选官员均表达了对数据中心扩张的反对立场。

这一政策转向可能对Anthropic等依赖复杂供应链的大型AI公司的未来计划产生影响。这些公司在其文件中曾警告，基础设施建设的任何延误或失败都可能对其产生重大影响。

据MIT Technology Review报道，前加利福尼亚州参议员Scott Wiener在赢得前众议院议长Nancy Pelosi空出的旧金山国会席位后，表示将把联邦人工智能监管作为其政治生涯的核心任务。Wiener曾在加州起草了具有里程碑意义的SB 1047法案（后被州长Newsom否决）及更温和的SB 53法案，这些尝试为后来的联邦立法提案提供了灵感。

Wiener指出，近期METR发布的报告被广泛解读为Anthropic可能已实现“递归自我改进”的证据，这让他感到担忧，认为留给人类监管AI的时间正在迅速减少。他呼吁国会采取果断行动，包括成立一个拥有实权的联邦监管机构、建立吹哨人保护机制、实施测试与审计要求，以及强制前沿AI模型具备“终止开关”。

尽管Wiener的竞选团队收到了来自支持AI监管的非营利组织Public First Action超过300万美元的资金支持（该组织接受Anthropic的大量资助），并因此遭到批评，但Wiener反驳称这是对他真正推动AI监管的误解。他表示，如果民主党讨论已久的国会AI特别委员会得以成立，他渴望在其中发挥作用。此外，他反对联邦法律全面取代各州的AI法规，主张保留各州作为“民主实验室”的灵活性。

美国证书管理公司DigiCert于11月5日证实发生数据泄露事件。据iThome报道，此次泄露源于2025年2月进行服务器迁移时的配置错误，导致原本仅通过VPN访问的内部业务系统意外暴露于互联网。攻击者利用该系统的授权控制漏洞，创建了未经授权的账号，并以只读模式访问了归档的客户数据。

根据DigiCert向受影响客户发出的通知，泄露的信息包括姓名、企业电子邮件地址、电话号码和公司地址。由于部分客户此前为完成证书验证程序曾向DigiCert提供身份证明文件，因此泄露数据可能还包含驾照、护照、水电账单以及其他载有姓名与地址的文件。

DigiCert在提交至Mozilla Bugzilla的事件报告中指出，该公司于2026年6月首次发现系统中存在未授权账号，但当时误认为这些账号无法访问客户信息。直到后续收到安全研究项目的通报，才确认外部人员可创建新账号并访问数据。经过进一步调查，DigiCert于10月19日确认未授权账号曾在2026年6月27日至7月2日期间访问了客户资料。

文件一旦写入就基本不可变，而数据天然需要变更。行要修正，新观测要记录，旧记录要删除。这个矛盾是表格式存在的唯一理由：既然不能修改文件，就用创建新文件来表达变更。追加一行写一个新文件，删除一行写一个标记文件，压缩数据写一批新文件，甚至获取和释放表锁也是新文件。代价是，同一张表在任意时刻对应着多个文件，其中一些不是数据文件而是删除标记或索引。于是必须有人写下一套规则，说明哪些文件当前有效、各自扮演什么角色。

规则本身不难写。真正困难的是：当两个写入者同时想提交各自的新文件集时，如何让其中一个成为'当前版本'而另一个失败？Weston Pace把这个问题称为表格式的'原子内核'，并指出所有表格式——无论叫timeline、catalog还是其他名字——最终都依赖某个同步并发写入者的机制。这个机制的选择对表格式的性能和复杂度有深远影响，而且它把设计空间清晰地分成两类。

第一类是零基础设施原子操作。几乎所有云存储都提供put-if-not-exists语义，传统文件系统则普遍支持rename-if-not-exists。利用这些原语，可以在不部署任何额外服务的情况下构建版本序列：写入者尝试原子性地创建下一个版本号的元数据文件，成功者胜出，失败者重试。好处显而易见——五十台EC2实例可以同时向S3上的同一张表发布数据，不需要任何协调服务。但作者给出了一个具体的性能上限：截至他写作时，云存储的put-if-not-exists大约限制在每秒十次提交左右。对于高频小写入场景，这会成为瓶颈。

第二类是集中式协调。DuckLake用Postgres实例作为提交协调器，内部通过互斥锁或CAS原语同步写入者。Iceberg的REST catalog也属于这一类。这种方式有可能带来更高的事务速率（作者自己也指出这一点并不确定），且能适用于所有文件系统——包括那些不支持put-if-not-exists或POSIX rename的非主流文件系统。代价是需要维护一个长期运行的服务，增加了运维负担和故障面。

两类方案并非优劣关系，而是适用场景不同。读多写少的表用零基础设施足够；高频小写入的表可能需要集中式协调；批量大写入的表两者都行。Lance默认使用零基础设施但允许扩展为集中式；Iceberg标准路径是REST协调但也提供零基础设施的boring catalog。作者的结论是：表格式面对大量细微技术决策，每个决策都偏向某一类工作负载，最好的做法往往是实现多种路径并用启发式自动选择，而不是让用户面对配置噩梦。

美国电子前沿基金会（EFF）近日发布报告指出，美国专利商标局（USPTO）下属的专利审判和上诉委员会（PTAB）收到的多方复审（Inter Partes Review, IPR）申请数量出现断崖式下跌。IPR是国会于2012年设立的一项行政程序，允许公众在专利局内部以较低成本挑战错误授予的专利，被视为对抗低质量软件专利和“专利流氓”的重要防线。然而，由于USPTO领导层日益拒绝考虑那些理由充分但与其政策导向不符的挑战，该程序的可靠性大幅下降，导致潜在挑战者放弃申请。

根据USPTO官方统计数据，2026年第三季度（7月至9月），PTAB仅收到97份IPR申请，而2025年同期为327份，降幅超过70%。更令人担忧的是，即便在申请提交后，PTAB的立案率（即同意进入实质审查的比例）也从2022至2024财年间的66%-68%骤降至2026财年的41%。这意味着，不仅愿意发起挑战的人变少了，成功获得审查机会的概率也显著降低。

除了提高立案门槛，USPTO局长John Squires还采取了前所未有的干预措施：撤销已经由PTAB法官决定立案的案件。报告显示，Squires至少撤销了29项IPR立案决定，并在未进行最终实体裁决的情况下终止了这些程序。例如，在Revvo Technologies诉Cerebrum Sensor Technologies案中，局长办公室以申请人在不同法院对权利要求解释存在不一致为由，两次推翻PTAB的立案决定。这种事后干预打破了企业对程序可预测性的预期，使得投入大量时间和金钱准备挑战的公司面临巨大不确定性。

对于科技行业而言，IPR程序的萎缩意味着防御成本的急剧上升。过去，初创企业和软件开发者可以通过IPR快速、廉价地清除阻碍产品开发的无效专利。如今，随着行政救济渠道的关闭，受害者被迫转向联邦法院诉讼，其费用高昂且耗时漫长。EFF警告称，如果这一趋势持续，低质量专利将重新成为提取和解金的强大武器，严重抑制技术创新和自由表达。

2025年3月，美国对加拿大和墨西哥实施25%全面关税。此后两国对美出口出现了方向相反的总量走势：截至2026年4月的12个月中，加拿大商品对美出口较2024年全年下降约10%，墨西哥却上升约16%——尽管墨西哥面临的平均有效关税率更高。美联储理事会研究人员Chris Avalos、Musa Orak和Avani Pradhan在2026年11月发布的FEDS Notes中提出了一个核心问题：这种总量反差是否意味着关税对加拿大有效、对墨西哥几乎没有影响？

他们的发现是：在总量分化之下，两国存在一个共同的部门模式。在加拿大和墨西哥各自内部，关税暴露程度更高的部门在2025年3月冲击之后确实经历了更弱的对美出口表现。USMCA合规豁免和针对金属、汽车的专项关税使不同部门的暴露程度差异很大，而这种部门间差异在两国均转化为可观测的出口分化。

具体估计显示，部门间10个百分点的关税暴露差异，在加拿大约对应5%的出口减弱，在墨西哥约对应12%。研究团队指出，墨西哥较大的估计响应可能与其平均关税更高、暴露分散在更多部门有关。但他们同时强调，两国估计值之间的差异在统计上并不显著，因此不能确定墨西哥暴露部门对关税的敏感度确实高于加拿大。

在部门分布上，加拿大的关税响应集中于钢铁、铝和铜——即金属专项关税覆盖的部门；墨西哥的暴露则更为分散。原文在此处截断，未完整呈现墨西哥部门分布的具体描述。

该研究使用2024年固定美国进口篮子计算有效关税率，反映的是截至2026年6月的已宣布关税和豁免，而非2025年后实际贸易结构的动态调整。

评估货币政策是否真正改善了，面临一个根本困难：决策者无法选择自己面对的经济环境。一位央行行长可能遭遇严重的银行恐慌，另一位则主持一段长期稳定期。即使前者的决策质量更高，她仍然可能经历更高的通胀和失业，仅仅因为冲击更大、更难稳定。这一政策质量与经济环境之间的混淆，长期困扰着跨历史时期的比较——大缓和究竟是更好的政策，还是更小更温和的冲击？早期美联储应该以大萧条的严重程度来评判，还是以它应对非常规挑战的有效性来评判？

Regis Barnichon（旧金山联储高级研究顾问）和Geert Mesters（纽约联储经济研究顾问）在即将发表于Econometrica的论文中，提出了一个框架来分离这两个因素。他们的方法不要求完全指定的结构模型，而是利用实证估计的脉冲响应，比较实际政策路径与给定冲击下最优可行反应之间的差距。这产生两个互补指标：政策路径修正（利率路径需要调整多少百分比才能达到最优）和最小损失距离（最优政策下本可避免多少宏观损失，以通胀和失业偏差的期望平方衡量）。

将这一框架应用于四个时期——金本位时期（1879–1912）、早期美联储（1913–41）、战后时期（1951–84）和后沃尔克时期（1990–2019）——核心结论是：有意义的政策改善仅出现在最近三十年。前三个时期的政策路径修正幅度都很大且统计显著，表明系统性反应函数远离最优。只有后沃尔克时期，修正幅度大幅缩小并变得不显著，平均绝对修正约在30%左右。

改善集中在两个具体渠道。对金融冲击的应对方面：早期美联储在银行恐慌期间提高政策利率，由于恐慌同时压低通胀，实际利率大幅上升，使政策在经济最需要支持时反而紧缩；最优政策应降低利率。后沃尔克时期，美联储在金融冲击后已经降低利率，估计的修正幅度小且不显著，额外宏观损失与早期美联储相比微不足道。对供给冲击的应对方面：战后美联储对能源价格冲击、生产率冲击和通胀预期冲击的反应都太弱——通胀预期冲击后通胀稳步上升，但政策利率仅微弱响应，实际利率下降，强化通胀压力；大通胀正是这一弱反应的反映。

这一框架的边界值得注意：脉冲响应的估计本身依赖于对冲击的识别假设，而金本位时期与法定货币时期的制度框架差异巨大，最优可行的含义在不同时代可能不同。此外，作者评估的是政策反应函数的质量，而非政策结果本身——即便反应函数接近最优，极端冲击仍可能产生糟糕的宏观结果。对投资者而言，这一区分意味着：不能仅凭通胀和失业数据来评判央行能力，还需要考虑它面对的是什么类型的冲击。

在计算机视觉领域，随着神经网络层数的增加，模型往往面临难以训练的挑战。Kaiming He、Xiangyu Zhang、Shaoqing Ren和Jian Sun提出的《图像识别中的深度残差学习》（Deep Residual Learning for Image Recognition）论文，针对这一核心痛点提出了创新的解决方案。该研究明确指出“Deeper neural networks are more difficult to train”，因此作者引入了残差学习框架，旨在使比之前使用的网络显著更深的网络的训练变得容易。

该方法的核心在于重新定义网络层的角色。传统网络试图直接学习未引用的函数，而残差网络则明确地将层重构为以输入为参考来学习残差函数。这种机制允许网络更容易地优化，并且能够从显著增加的深度中获得准确率的提升。实证证据表明，这些残差网络不仅易于优化，而且在深度大幅增加时仍能保持或提升性能。

在ImageNet数据集上的评估显示，作者测试了深度高达152层的残差网络，其深度是VGG网络的8倍，但复杂度却更低。由这些残差网络组成的集成模型在ImageNet测试集上达到了3.57%的错误率，并赢得了ILSVRC 2015分类任务的第一名。此外，由于极深表示带来的优势，作者在COCO目标检测数据集上获得了28%的相对改进，并在多项竞赛中夺冠。对于希望理解现代深度学习架构基础的研究者和工程师而言，《图像识别中的深度残差学习》这篇于2015年提交、2016年正式发表的论文提供了关于如何通过结构创新突破深度限制的关键洞察。建议从摘要和方法论部分入手，重点关注残差函数的定义及其对优化过程的影响。

在1984年，沃伦·巴菲特发表了著名文章《格雷厄姆-多德都市的超级投资者》，旨在反驳有效市场假说。他通过一个“全国抛硬币比赛”的思想实验指出，如果2.25亿人参与抛硬币，经过20轮后必然剩下215个连续猜对的人。这些人可能会自诩为技巧高超，但如果发现这215人中有40人来自同一个动物园或同一个“智力村庄”，那么这种成功就不能仅用运气解释，而应归因于共同的智力起源。巴菲特认为，这些长期战胜市场的投资者都源自本杰明·格雷厄姆和多德所创立的价值投资体系，即“格雷厄姆-多德都市”。

这些投资者的共同核心理念是寻找企业内在价值与市场报价之间的差异。他们不关注贝塔系数、资本资产定价模型或证券收益协方差等学术概念，而是专注于两个变量：价格和值。例如，沃尔特·施洛斯从未上过大学，但他遵循格雷厄姆的原则，通过查阅手册和年报，寻找那些售价远低于私人所有者估值的证券。他并不担心买入的时间是周一还是周四，也不关心季节性因素，只关心如果一家企业值一美元，而他能以40美分买入，好事就会发生。这种对价格与价值差异的利用，构成了价值投资的基础机制。

另一个关键原则是“安全边际”。巴菲特以华盛顿邮报公司为例，指出在1973年该公司市值仅为8000万美元，但其资产可卖给十位买家中的任何一位，价格不低于4亿美元。如果股价进一步下跌至4000万美元估值，按照传统风险定义（如贝塔值），其风险看似增加，但实际上购买价格越低，潜在回报越高，风险反而越小。这就好比建造一座桥，要求它能承载3万磅的重量，但只允许开1万磅的卡车通过。这种巨大的缓冲空间就是安全边际，它确保了即使估算出现偏差，投资者也不会遭受永久性损失。

对于今天的读者而言，面对信息过载和市场噪音，如何保持理性是一个普遍问题。假设你正在评估一家新兴科技公司，市场情绪极度乐观导致其市盈率高达100倍，而你通过基本面分析认为其合理估值对应的市盈率仅为20倍。此时，尽管短期股价可能继续上涨，但缺乏安全边际意味着一旦预期落空，下行风险巨大。反之，若一家成熟企业的股价跌至其清算价值的50%，且管理层诚信可靠，即便市场暂时忽视其价值，这种价格与价值的显著背离也提供了类似文中所述的安全边际保护。这一情景虽为假设，但体现了原文中关于价格与价值关系的核心逻辑。

推荐所有希望深入理解价值投资本质的读者阅读《格雷厄姆-多德都市的超级投资者》。这篇文章发表于1984年，由沃伦·巴菲特撰写。它不仅澄清了价值投资者并非依靠运气或模仿领袖，而是基于独立的智力判断，还生动地阐释了为何在有效市场理论盛行的时代，寻找价格与价值的差异依然可行。建议从文章开头的抛硬币比喻入手，逐步理解智力起源的概念，再结合具体案例体会安全边际的应用。