阅读

芬兰监管机构LVV已下令谷歌子公司Tuike Finland Oy停止在Muhos和Kajaani的两座AI数据中心建设。

该命令源于指控项目在未完成环境影响评估的情况下，清理了超过740英亩的芬兰森林。谷歌发言人承认在此事上“未达到自身高标准”，并表示正推进植树等补救计划。

目前施工方被禁止移除树木、表土及进行挖掘等活动，但允许继续规划与测量。此事件凸显欧洲对AI基建的环保审查趋严，区别于此前主要关注的电力瓶颈问题。

Anthropic于10月8日发布基于Claude Managed Agents（测试版）的每日简报参考实现，旨在解决定时智能体自动化中的常见故障。

该指南针对后台运行任务时容易出现的“静默失败”和“数据重复”问题，提出了六组件架构：来源、目标、智能体、计划、记忆和护栏。核心改进包括使用动态书签记录每个数据源的最后读取时间戳，替代固定的“过去24小时”查询窗口，防止因运行延迟导致的数据遗漏或重复。

此外，文档强调了凭证隔离机制，通过Vault存储敏感信息，确保沙箱内的代码无法直接访问真实令牌。对于读取失败的源，智能体被指示保留书签并在简报末尾明确标注不可用状态，而非误报“无新内容”。

此内容为官方技术博客发布的工程实践指南，适用于使用Claude API构建自动化工作流的开发者。

Transformers在长序列上慢且耗内存，因为自注意力的时间和内存复杂度随序列长度二次增长。近似注意力方法试图用模型质量换计算量，但往往没有带来墙钟时间上的加速。

论文提出一个缺失原则：让注意力算法感知IO，即考虑GPU不同层级内存之间的读写。FlashAttention用切块（tiling）减少GPU高带宽内存（HBM）与片上SRAM之间的读写次数。

它声称是精确注意力算法，不需要近似，结果与标准算法一致。同时扩展出近似版本，比所有现有近似方法更快。

在GPT-2（序列长度1K）上3倍加速，在long-range arena（序列长度1K-4K）上2.4倍加速。GPT-2困惑度改善0.7，长文档分类提升6.4个百分点。首次使Transformer在Path-X（16K序列，61.4%）和Path-256（64K序列，63.1%）上超过随机水平。

实验主要在GPU上、特定模型和序列长度上进行。超过一定长度后部分近似方法可能反超。不能据此断言近似方法普遍无效，也不能外推到非GPU硬件或未测试的配置。

假设你正在训练一个长上下文模型，发现GPU利用率不高但内存带宽打满——这正是IO瓶颈的典型表现。此时减少HBM与SRAM之间的搬运比增加算力更有效。

《FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness》，Tri Dao等，2022年NeurIPS。适合想理解为什么长序列Transformer慢、怎么在不牺牲精度的情况下加速的读者。从摘要和IO分析部分入手。

巴菲特在1982年2月26日写给股东、回顾1981年度的信中，提出一个很实用的判断问题：企业报出来的利润，和股东实际获得的经济价值，是否是同一回事？这封信的价值在于把会计呈现、资本使用与最终收益拆开讨论。

第一个理念是，不能只看进入报表的利润。伯克希尔持有一些并未控股的企业，这些企业保留下来的利润未必体现为伯克希尔当期报告的收益，但仍可能通过被投资企业的发展转化为股东价值。因此，理解一项持股，要继续追问被投资企业赚到的钱去了哪里，而不是停在收到多少分红。

第二个理念是，保留利润本身不等于创造价值。原信指出，如果利润被低效使用，市场对留存收益的认可可能很低甚至为负；如果追加资本获得高回报，形成的价值又可能超过留存金额。关键在于下一笔钱的用途和产出，不能把规模扩大直接当成资本配置成功。

这套思路适用于今天阅读企业的再投资计划：先区分报表变化与经济变化，再判断新增资本的生产力。它不会自动给出便宜还是昂贵的答案，也不能用这封历史信件替代对目标企业最新经营资料的核验。

例如，假设两家公司都选择少分红、多留存。一家把钱投向需求明确、回款可靠的项目；另一家只是继续扩张缺乏经济性的业务。两者的留存动作相同，股东价值的结果却可能相反。这个情景只说明判断逻辑，不声称现实中已有某家公司符合它。

还要留意时间差。信中说明，留存收益转化为已实现或未实现资本收益的时点很不规则，市场在不同企业上的认可也不均匀。这意味着判断再投资质量和预测短期股价，需要不同的证据。本文依据官网公开信件节选撰写。

推荐阅读《伯克希尔1981年度股东信》，作者为沃伦·巴菲特，写信日期为1982年2月26日。研究企业资本配置的读者，可先读未计入报告收益的持股利润与留存收益价值这两段，再带着“钱如何被使用、价值何时能够验证”的问题阅读全文。