阅读

美国国家公路交通安全管理局（NHTSA）于周一宣布，已对一项关于特斯拉2026款Model Y Robotaxi和Cybercab在自动行驶状态下于学校区域超速的指控开启缺陷请愿审查。

据Business Insider报道，一名未具名请愿人提交了三段视频作为证据。NHTSA表示将评估该投诉以决定是否展开正式调查。目前尚无报告称发生碰撞或受伤，估计约有1,000辆车辆可能受到影响。

此前，Waymo也曾因类似学校区域安全问题受到NHTSA初步调查并召回部分车辆。特斯拉方面尚未立即回应置评请求。

2026年10月1日，Odd Lots播客邀请Sherwood News市场主管Luke Kawa讨论当前市场状态。Kawa认为市场最显著的特征是

速度

——新闻事件更迭和资产价格波动的节奏都在加快。他提到，标普500指数在录制时距离历史高点仅约0.5%，但只有51.2%的成分股位于其200日均线之上。他对比指出，这种接近高点却广度极窄的现象上次出现是在2000年3月互联网泡沫见顶后的次日。然而他也提醒，1998年曾出现过类似的低广度，随后市场又上涨了两年，因此广度本身并非预测顶部的充分条件，但它揭示了市场结构的脆弱性。

Kawa将这种背离归因于AI资本支出的主导地位。他引用高盛的研究指出，今年约一半的盈利增长预期由超大规模云服务商的资本支出驱动。这意味着市场定价越来越依赖于对AI硬件和基础设施持续投入的预期，而非广泛的消费者需求。在这种环境下，利率上升对AI公司（因其能通过债券市场大规模融资）的影响远小于对房地产等利率敏感行业的冲击。Kawa还注意到，尽管名义收益率上升，超大规模云服务商的信用利差并未显著走阔，显示市场仍视其为相对安全的借款人。

关于固定收益市场，Kawa观察到全球债券收益率上升主要反映了对强劲增长的预期。值得注意的是，美国国债的盈亏平衡通胀率保持相对稳定。Kawa对此表示惊讶，认为这可能反映了投资者对央行控制通胀能力的信心，或者是因为债券在资产配置中沦为

剩余资产

——只有在担心增长放缓时才被买入。他进一步指出，要让债券相对股票更具竞争力，需要实际收益率上升，而这与AI投资提供的实际回报预期形成竞争关系。

在零售投资者行为方面，Kawa提到Robinhood数据显示单只股票的净购买量在6月底达到峰值，与美光科技财报发布时间吻合。尽管9月通常是零售交易淡季，但近期反弹强劲，恢复到峰值水平的约89%。他认为散户仍在积极追逐波动性，尤其是通过到期日不超过四天的期权交易表达对特定股票的看法。Kawa还提到，每天查看数据时，前25名中总有一个他不认识的股票代码，这反映了市场对极端波动的追逐。

对于潜在风险信号，Kawa认为如果AI热潮放缓或融资变得过于

创造性

，市场将面临调整。目前超大规模云服务商的自由现金流已转为负值，依赖债务融资维持资本支出。他引用Greg Ip在《华尔街日报》的观察指出，AI热潮的一个奇特之处在于它并非由AI本身的收益来资助——与互联网泡沫时期不同，当前建设资金主要来自拥有巨额自由现金流的科技平台自身的核心业务。Kawa认为，如果AI应用未能带来预期的生产力提升和下游消费需求，当前的估值逻辑将受到根本性挑战。他总结说，市场需要找到

惩罚对象

，而目前被惩罚的是那些增长不快但估值较高的传统消费和周期性股票。

AI气象初创公司WindBorne Systems获得美国空军一份价值最高达4900万美元的数据供应合同，这是该公司迄今参与的最大单笔交易。

WindBorne运营约700个自主气象气球，收集大气传感器读数并输入其深度学习天气模型。该合同为无竞争性招标的独家授予，旨在支持其星座扩张及硬件研发。

尽管合同上限为4900万美元，但空军按需支付。目前仅下达了170万美元的订单，高管预计后续将有更多采购。CTO Andrey Sushko称，政府认定其为唯一能满足特定作战需求的数据提供商。

此前8月，CEO John Dean透露公司已完成3700万美元B轮融资。此次军方大单为其从风险投资向稳定政府收入转型提供了关键背书，但也需警惕实际执行量与合同上限的巨大差距。

AI医疗器械认证机构Scarlet宣布完成5000万美元B轮融资，由Headline领投，Notion Capital及现有投资者Atomico等跟投。

该融资旨在解决AI诊断模型开发速度快于监管机构审查速度的结构性矛盾。据Tech.eu报道，企业可在数周内训练出模型，但等待认证往往需要12至18个月。

Headline合伙人Nancy Xiao Mclaughlin将加入Scarlet董事会。此轮资金将用于扩大认证能力，以匹配AI医疗设备日益增长的市场需求。

Adam Newgas在2026年10月12日的文章中提出了一个关于AI如何重塑创意经济的具体论点。他观察到，尽管当前AI并非完全缺乏创造力，能够进行 remixing 和随机探索，但其在产生真正“新颖性”方面仍弱于其他能力。这一技术特征导致了一个反直觉的结果：创意内容的供需关系发生了倒置。

Newgas指出，在过去，“只出主意不干活”的人往往被视为最低级的从业者，因为想法廉价而执行困难。然而，随着AI工具极大地缩短了从“想法”到“输出”的距离，执行不再是主要瓶颈。相反，那些真正独特、能吸引有限注意力的“最佳想法”变得比以往任何时候都更加稀缺。

为了说明这一趋势的后果，Newgas引用了艺术史的先例：摄影术的发明使得写实再现变得容易，从而迫使绘画艺术向高度概念化或象征性的方向逃离。他认为，AI正在对电影、文章等媒体产生类似的影响。当高质量的执行可以通过脚本草稿加个性化渲染轻易获得时，文化消费可能会转向直接消费“想法”本身。

因此，Newgas预测，未来的社会声望将更多地积累在最初提出概念的人身上，而不是后续的高质量执行者。短帖子可能比电影更有价值，猜想可能比证明更受重视。这种转变意味着创作者需要重新评估其核心价值主张：是打磨完美的成品，还是持续产出具有极高辨识度的原始概念。

在AI导师系统的研发过程中，如何快速且低成本地获取有效的学生反馈一直是个难题。传统方法要么依赖缓慢昂贵的人类研究，要么使用通用大语言模型进行角色扮演，后者往往无法准确模拟特定学生的能力边界，导致导师训练出现偏差。微软研究院于2026年10月12日发布的StudentSim系统试图解决这一瓶颈。

StudentSim的核心在于从公开的去标识化学习记录中训练个性化的AI学生模拟器。与简单的提示词角色扮演的不同，它采用两阶段训练流程：首先跨多个学生记录学习共同的响应格式和错误模式，然后针对单个学生的数据进行专门化适配。这种方法旨在保留学习者实际的能力边界，而不是让模型表现出超越该学生水平的知识。

为了评估这些模拟器的有效性，研究团队提出了StudentSimEval基准，涵盖国际象棋、第二语言英语写作和数学三个领域。评估主要关注两个教育研究启发的维度：一是“行为保真度”，即模拟器是否能匹配特定学生在未见问题上的记录响应；二是“指导响应性”，即模拟器在阅读导师指导后是否会更新其回答。这两个维度分别对应维果茨基的“最近发展区”概念中的独立表现和支持下的表现。

实验结果显示，StudentSim在三个领域中均优于主要基线模型。以国际象棋为例，StudentSim的行为保真度达到0.5150，指导响应性为0.9067，而GPT-5.4分别为0.2316和0.7186，专门的棋类预测模型Maia2虽在行为保真度上较高（0.4535），但在自然语言指导响应性上极低（0.2721）。这表明StudentSim能更好地平衡对特定学生行为的模仿和对教学干预的反应。

研究还验证了这种模拟器能否用于优化AI导师。在一项强化学习实验中，使用StudentSim作为奖励源的导师在盲测中获得了最高评分，准确率达到90.5%，显著高于无强化学习基线（75.7%）和使用GPT-5.4作为奖励源的条件（71.6%）。这证明了由真实学习数据训练的模拟器可以提供有用的反馈信号来改进导师策略。

尽管StudentSim展示了作为早期研发工具的价值，微软研究院明确指出它不是产品，未部署在教室中，也不旨在取代教师或真实学习者研究。人类研究对于测量最终的学习成果、安全性和课堂适用性仍然至关重要。StudentSim的作用是在更昂贵的真实学生测试之前，帮助研究人员测试导师策略、比较模型并完善训练信号。

AI领域常将进化算法视为一种低效备胎，仅在无法计算梯度时作为随机搜索的最后手段。MIT博士生、Sakana AI研究员Akarsh Kumar在Machine Learning Street Talk播客节目简介中反驳了这一观点。他论证称，选择过程会保留部分解决方案，这意味着突变只需在大约1%的时间里产生有用改进，整个搜索就能持续取得进展。这一机制将进化算法重新定位为处理复杂、非可微分问题的主要工具。

Kumar是MIT与Phillip Isola合作的博士生，也是Fractured Entangled Representation论文的第一作者，与Kenneth Stanley、Jeff Clune和Joel Lehman合作。他在节目中向主持人Tim Scarfe解释，学习者所经历的路径可能塑造其学习内容的结构，这提供了一种不同于统计视角的智能观。

为具体说明这一机制，节目简介介绍了Kumar主导的ASAL方法。传统方法试图预测规则行为，而ASAL直接运行模拟，然后询问基础模型发生了什么。团队将该方法应用于所有262,144个类生命规则的空间映射，发现最有趣、最具开放性的世界并非均匀分布，而是集中在一个小的岛屿上。

需要指出的是，上述内容来自播客节目简介而非完整逐字稿。1%的具体推导过程、ASAL实验的完整方法论细节和岛屿发现的具体指标均未在可读材料中展开。这一论点为归因解释，其核心机制（选择保留部分解）在进化计算领域有广泛共识，但具体数值和实验结论需参照原始论文（arXiv:2412.17799）独立验证。

在自然语言处理（NLP）领域，Emily M. Bender和Batya Friedman于2018年提出了“数据声明”这一概念。该论文指出，随着技术广泛进入社会应用，研究者需批判性地思考设计决策对人们的影响。当前领域面临科学上的结果泛化能力不足，以及伦理上可能造成的现实伤害两大核心问题。许多NLP系统因训练数据来自特定人群，导致对未覆盖群体失效或强化既有偏见。

数据声明被定义为一种数据集的特征描述，旨在为开发者和用户提供上下文，以理解实验结果的泛化范围、软件部署的适当性以及系统中可能反映的偏见。作者借鉴了心理学和医学中关于研究人群标准化的做法，主张将数据声明纳入NLP论文、实验报告及系统文档中。这种透明度的提升有助于解决排斥、过度概括和曝光不足等伦理问题。

论文详细界定了数据集创建中的关键角色，包括说话者、标注者、策展人和利益相关者。例如，间接利益相关者虽不直接使用系统，但受其影响，如搜索引擎算法决定其网络内容是否可见。通过明确这些角色和数据集特征，数据声明帮助领域更好地理解和描述结果，从而进行更严谨的科学和工程实践。

假设一个招聘筛选系统使用历史简历数据训练，若数据中女性候选人在计算机编程职位上的比例较低且评价偏低，系统可能学习并放大这种偏见，将女性候选人排名降低。数据声明要求披露训练数据的来源人群和潜在偏差，使开发者能识别此类风险并在部署前进行调整，避免系统对特定群体造成不公。

《Data Statements for Natural Language Processing: Toward Mitigating System Bias and Enabling Better Science》由Emily M. Bender和Batya Friedman撰写，发表于2018年。适合NLP研究人员、工程师及技术政策制定者阅读。建议从论文的引言部分开始，了解提出数据声明的背景和必要性，随后深入第5节查看具体的提案细节。

在2003年的致股东信中，沃伦·巴菲特明确指出，衡量公司表现的核心指标是每股内在价值，而非账面价值。他写道：“It’s per-share intrinsic value that counts, however, not book value.” 这一观点纠正了投资者常将会计数字等同于真实财富的误区。巴菲特强调，虽然账面价值计算存在缺陷，但在伯克希尔，它仍可作为衡量长期内在价值增长的一个略微低估的指标。

随着公司规模扩大和资产结构变化，单纯对比标普500指数的年度表现变得不再相关。巴菲特提到，由于股票持仓占净资产比例从1980年代的114%降至2000-2003年的平均50%，股市波动对净资产的影响已大幅减弱。因此，他更关注的是能否在未来实现超越指数基金的内在价值增长，否则管理层便无存在必要。

在资本配置方面，巴菲特揭示了规模带来的限制。他指出，当估值相似时，他们强烈偏好拥有企业而非股票。然而，近年来难以找到显著低估的股票，且资金量的激增加剧了这一困难。他警告说，投资经理往往从堆积资产中获利更多，而非从管理这些资产中获利。这解释了为何伯克希尔转向收购具有持久经济特征、由诚实能干管理者经营且价格合理的公司。

对于阅读当下的启示，假设一位投资者面对一家市值巨大但增长放缓的公司，不应仅看其历史股价涨幅或账面利润增速。巴菲特的逻辑提示我们，需审视该公司是否因规模过大而失去了灵活配置资本的能力，以及其核心业务是否仍能产生超越市场平均水平的内在价值。这种视角有助于识别那些被“规模诅咒”困扰的企业。

《Berkshire Hathaway Shareholder Letter 2003》由沃伦·巴菲特于2003年撰写。适合希望深入理解价值投资核心概念、特别是内在价值定义及大规模资本配置挑战的读者。建议从信中关于“Operating Earnings”和“Intrinsic Value”定义的段落开始阅读，以建立正确的评估框架。