阅读

Anthropic于10月8日启动“网络任务”（Cyber Mission）计划，其中包含一款名为OSS Scanner的免费工具，利用其最强模型定期扫描开源项目以发现漏洞。

该工具旨在解决开源软件维护者资源短缺的问题，特别是那些支撑关键基础设施的小型志愿者团队。扫描结果会自动标记漏洞、解释原因并建议补丁，但Anthropic承认这些报告在发出前没有经过人工审查，可能存在错误。

公司声称该扫描器的预期准确率超过90%。这一数据来自厂商自测，尚未有独立第三方验证。符合条件的开源项目可通过GitHub提交请求加入该计划。

尼康取消原冠军许宁博士的参赛资格，因其视频使用了生成式AI后期处理。

许宁在LinkedIn承认使用了无监督神经网络进行AI辅助后处理，以可视化超分辨率光学成像中的特征。该视频原本展示儿童气道中纤毛的运动。

目前Nguyen Nam Nhat的视频接替第一。尼康表示将重新审视未来比赛的规则和评估程序，并强调此决定不评判选手的专业声誉或科学贡献。

2017年的《Attention Is All You Need》提出一个架构问题：处理一句话时，能否主要通过注意力关联各个位置，取代循环网络在输入端逐步传递信息的方式？论文提出Transformer，并在两项机器翻译任务中比较翻译质量与训练效率。这里依据公开论文的实际读取节选介绍方法。

第一个理念是按相关性汇总信息。注意力为当前位置构造查询，与其他位置的键比较，再按得到的权重汇总它们的值。键和值都是模型中的向量表示，不是人工填写的词义标签；这个加权过程让一个位置可以直接利用其他位置的信息，而不必只靠前一个位置传来的状态。

第二个理念是多头注意力。模型不是只算一组关联，而是在不同的表示子空间并行计算多组关联，再把结果组合。这样可以同时关注不同位置、不同方面的信息；它并不保证每个头都对应一个固定的语言学规则，不能把示意图中的分工当成模型必然学到的分工。

例如，假设一句话里有“公司收购工厂后，它扩大了产能”。阅读者需要把“它”和前面的对象联系起来，也需要关注“收购”“扩大”等关系。这个情景只是帮助理解多组关联为何有用，不是论文报告的某个测试案例，更不证明模型一定能正确理解这句话。

并行训练也有明确边界。论文的解码器仍逐个生成输出，并遮蔽尚未生成的位置，预测只能依赖已经知道的输出。因此，“不使用循环网络”不等于“所有文字都能一次同时生成”。读今天的AI模型说明时，区分训练内部的并行计算与实际生成顺序，比只记住一个架构名更有用。

推荐阅读Vaswani等人的《Attention Is All You Need》（2017）。想理解Transformer为什么成为重要的序列建模方法，可以先读第3.2节的注意力与多头注意力，再对照第3.1节的编码器、解码器结构；重点是信息怎样连接，以及并行计算的边界。

在1997年的致股东信中，沃伦·巴菲特并未因当年34.1%的账面价值增长而自满。他明确指出，牛市中的高回报往往源于市场整体上涨，而非管理者的卓越能力。他用“爱炫耀的鸭子”比喻那些在暴雨后夸耀自己游泳技能的投资者，强调应理性区分运气与实力，避免将市场贝塔收益误认为阿尔法收益。

面对当时高昂的市场价格，巴菲特引入了“泰德·威廉姆斯式纪律”。他在《击球的科学》中将好球区划分为77个格子，只在最佳区域挥棒才能维持高打击率。同理，当商业和股票价格处于“好球区边缘”时，盲目出手只会锁定低回报。这种策略要求管理者具备极强的耐心，即使长期不挥棒也不感到焦虑，因为错误的交易比空仓更具破坏性。

对于未来的净储蓄者，巴菲特提出了一个反直觉的观点：应该欢迎股市下跌。他以汉堡包为例，指出非生产者希望牛肉价格低廉。同样，如果股东计划在未来多年持续买入或保留股份，股价下跌意味着能以更低成本积累更多股权。只有即将卖出的人才会为价格上涨欢呼，而真正的长期所有者应从低价中获益。

假设一位年轻投资者计划未来十年每月定投指数基金。若市场持续低迷，其每一笔资金能购买的份额更多，复利效应将在市场回升时显著放大。反之，若在高位频繁交易试图择时，不仅增加摩擦成本，还可能错失低位积累的筹码。这一逻辑适用于任何具有长期现金流预期的资产持有者。

《Berkshire Hathaway Shareholder Letter 1997》由沃伦·巴菲特于1998年2月发布。适合那些在市场波动中感到焦虑、难以坚持长期主义的投资人阅读。建议从信中关于“市场波动思考”及“资本配置纪律”的部分入手，理解如何在高价环境中保持克制，并在低价环境中保持勇气。