阅读

摩根士丹利于2026年10月19日发布了一期视频访谈，由该行资产支持证券（ABS）策略师Carolyn Campbell主讲。本期内容聚焦于当前宏观金融环境对人工智能基础设施扩张的具体影响，特别是借贷成本变化在其中的作用机制。

根据官方发布的视频简介，Campbell将阐述不断上升的借款成本是如何正在减缓AI数据中心建设热潮的。此外，她还将分析哪些条件或市场动态可能成为推动此类项目融资活动重新活跃的关键驱动力。

对于关注AI行业资本结构、债务融资渠道以及基础设施投资回报周期的专业读者，此视频提供了一个来自大型投行内部策略专家的即时观点。虽然未提供完整文字稿，但明确的主题和主讲人身份使其成为了解当前AI融资瓶颈与机遇的一个有效资源入口。

在2026年旧金山举行的AI Engineer World's Fair上，微软Principal Cloud Advocate Pamela Fox进行了一场关于模型切换的工作坊。她指出，通用的基准测试往往无法准确反映大语言模型在具体应用程序中的实际行为，因此开发者需要在自己的场景中直接替换并测试模型。

Fox在Microsoft Foundry平台上对GPT-5.5、Kimi K2.6、DeepSeek V4 Flash和Mistral Large 3进行了对比演示。她从基础的字母计数提示开始，逐步深入到检索增强生成（RAG）的忠实度、图像输入处理、多语言陷阱、工具调用以及基于LangChain v1构建旅行代理等复杂场景。

除了功能测试，她还重点介绍了评估方法，包括字符串检查评估、LLM-as-a-judge（以大型语言模型作为评判者）、使用微软新推出的ASSERT工具根据规范生成测试集，以及利用DSPy进行提示词优化以找到最便宜模型也能满足要求的提示词。这一系列演示为工程师提供了一套可操作的模型选型与评估流程。

Real Vision播客网络旗下的Macro Mondays于2026年10月19日发布了题为“Is Inflation About to Derail the Rally？”的新集。本期节目由Steno Research创始人、前Nordea银行全球首席策略师Andreas Steno单独主持，旨在为投资者提供关于宏观和市场展望的可操作观点。

根据节目简介，Andreas Steno重点分析了最新的通胀信号及其对市场前景的含义。随着能源价格和投入成本的上升，他探讨了是否会有另一场通胀冲击即将到来，并提出了一个关键问题：美联储官员Kevin Warsh是否正在关注错误的通胀指标？此外，他还审视了最新的商业周期数据，解释了为何目前尚未准备转向看跌股票的观点。

在涉及AI产业投资的议题上，节目时间戳显示讨论了多个相关主题，包括“AI Credit Stress: Is the Data Center Buildout Finally Breaking?”（AI信贷压力：数据中心建设是否终于破裂？）以及“Are the Mag 7 Really About to Cut AI CapEx?”（科技七巨头是否真的准备削减AI资本支出？）。Steno还提到了计算价格上涨如何改变AI熊市案例，以及DeepSeek被禁止进入美国政府系统可能引发的新一轮AI贸易战。

除了AI和通胀，节目还涵盖了欧洲市场动态，特别是法国债券市场的压力及其对欧洲投资者的潜在影响。对于关注宏观流动性、AI基础设施融资风险以及地缘政治对科技供应链影响的行业读者，这期播客提供了一个从资深策略师视角出发的综合讨论框架。

Meta广告推荐团队在工程博客介绍了一种用

语义Token

替代传统广告ID的方法，并报告该方法与Meta的生成式广告模型（GEM）和自适应排序模型配合，使各场景广告转化率提升0.35%。该数据来自Meta内部，测量于2026年2月。

传统推荐系统为每个广告、产品或页面分配一个独立ID，模型只能从该ID的历史互动中学习。语义Token化的做法不同：先用多模态模型读取广告的文字和图片，将其编码为携带世界知识的嵌入向量，再把这个向量分解为若干独立子空间，最后将每个子空间映射到码本中的一个离散Token。相似物品共享Token，就像相关词汇共享词根。

这意味着一条新上市的跑鞋广告不需要从零积累互动数据，就能继承模型从前一季跑鞋广告中学到的类别知识。Meta团队用越野鞋举例：当运动品牌推出下一季新品时，Token化让新产品及其广告在任何人看到之前就能利用模型对上一季产品的已有认知。

这篇工程文章中最具实操价值的发现不在转化率数字本身，而在评估方法。Meta测试了八个版本的Token化器，发现Token的内在质量指标——聚类纯度（共享同一码的物品是否倾向于属于同一类别）、分布均衡度（物品是否均匀分散在不同语义ID上）和码本利用率（更大比例的码至少承载一个物品）——与下游排序预测准确率存在强相关。内在指标得分高的版本，其CTR预测准确率也更高。

这一发现的实际意义在于迭代速度。如果Token质量可以独立于完整模型训练周期来评估，团队就能在不等待全量重训的情况下快速筛选和改进Token化器，把

改Token→等模型→看效果

的串行流程变成

改Token→看内在指标→确认方向→再重训

的并行流程。

Meta将这一机制描述为Token化飞轮：尾部广告因共享内容结构而获得更准确的排序，其产生的训练数据反过来提升所有广告的预测质量，形成自我强化的循环。

需要指出的是，0.35%的转化率提升是Meta自报的内部数据，未经独立复现；八版本相关性结论同样来自内部测试。文章未披露Token词表规模、码本大小或推理延迟的具体数值。

OpenAI于2026年10月19日发布了一期视频访谈，主题为“汤森路透谈构建法律AI信任”。节目中，汤森路透的代表Camillo Speroni讨论了在法律专业领域引入前沿人工智能的核心挑战——信任。根据官方发布的节目简介，Speroni认为，对于法律从业者而言，建立信任的关键在于AI生成的输出必须是可验证、可引用且允许律师署名的。

该期内容聚焦于汤森路透与OpenAI之间的合作进展，具体涉及将汤森路透旗下的HighQ和CoCounsel Legal两款法律科技产品整合到ChatGPT Enterprise中。这一举措旨在解决法律专业人士在多个工具间切换的痛点，试图在一个统一的平台上提供他们日常依赖的法律研究与协作工具。

作为资源选读，本条目为关注企业级AI落地、特别是高合规要求行业（如法律）如何克服准确性与责任归属障碍的读者提供了具体的案例视角。虽然未获取完整文字稿，但出版方提供的主题明确指向了“可验证性”与“工作流整合”这两个法律AI应用中的关键议题。

惠灵顿管理（Wellington Management）发布了一期视频节目，由该公司美国财富主管Christina Kopec Rooney与战略伙伴关系主管Sandhya Douglas共同出演。节目聚焦于投资风险的重新思考，特别是Rooney女士对风险看法的演变过程。

作为大型资产管理机构的高管，Rooney女士在节目中探讨了在追求投资回报的过程中，如何有选择地承担风险。这一主题对于理解专业机构投资者如何在复杂市场环境中平衡风险与收益具有参考价值。

该节目发布于2026年10月19日，为投资者提供了一个了解惠灵顿管理内部风险管理视角的机会。虽然具体论点未在公开描述中详述，但演讲者的职位和话题的相关性使其成为值得关注的资源。

语音AI公司Deepgram每年处理千万亿音频token，服务超过20万开发者和1400家组织。其离线批处理负载——呼叫中心分析、医疗转录等场景——对推理成本极度敏感。2026年10月，Deepgram与AWS前向部署工程团队公布了一份将Nova-3语音转文字模型移植至Trainium2芯片的完整工程记录，自报在单台EC2 trn2.3xlarge实例上每美元多处理11%至70%音频。

移植并非简单的编译替换。团队首先用TorchNeuron将Nova-3在Trainium2上以eager模式运行，检查哪些操作回退到CPU，然后用torch.compile将编码器与解码器分别编译为静态形状图，编译后的路径在Trainium2上运行所有模型操作，未检测到CPU回退。数值精度在层级输出和端到端词错误率两个层面校验，确保与Deepgram参考值一致。

真正的增益来自内核级优化。团队采用一个循环策略：启用NKILib预置内核、用Neuron Explorer做性能剖析、根据剖析结果调优或手写替换。三个关键发现各有针对性——前馈网络层的参考内核每个token tile都从片外重新加载全部投影权重，内存带宽成为瓶颈，手写内核改为一次加载权重tile并在多个token tile间复用，在batch size 96下延迟降低至参考内核的一半；深度可分离一维卷积的参考内核被建模为隐式矩阵乘，Tensor Engine利用率低，团队改写为向量引擎上的广播乘累加循环，达到满利用率，提速1.5倍；二维卷积层在batch size超过32后阻止整图编译，团队从零编写了NKI内核，在batch size不超过32时卷积模块提速最高达50倍。

最后一个增益来源是运行时语言。Nova-3对每个音频块执行一系列小型解码器调用，主机端调度在低batch size下成为瓶颈。Deepgram的生产服务栈本身用Rust编写，团队因此构建了一个轻量Rust运行时：Rust通过共享工作窃取队列协调八个模型副本，C层直接通过Neuron Runtime API加载和执行预编译的NEFF文件，完全绕开Python解释器。与多进程Python基线相比，Rust运行时消除了解释器开销；与多线程基线相比，还缓解了GIL序列化。在吞吐最优的batch size下，Rust运行时比多进程Python基线再提升7.5%吞吐。

需要强调的是，上述所有数据均为Deepgram与AWS的自报测量，基线为Deepgram此前运行的计算选项，具体配置未公开。11%至70%的宽区间覆盖了不同工作负载和batch size，读者在评估自身场景时不能直接套用这一范围。

在2010年的致股东信中，沃伦·巴菲特详细阐述了伯克希尔·哈撒韦的绩效衡量标准与重大资本决策。面对市场波动，他并未追求短期股价表现，而是强调建立长期的内在价值增长机制。这封信不仅记录了当年的财务结果，更揭示了其背后的管理哲学。

首先，巴菲特明确了绩效评估的基准。他指出：“To eliminate subjectivity, we therefore use an understated proxy for intrinsic-value – book value – when measuring our performance.”这一做法旨在消除主观判断带来的偏差。尽管部分业务的市场价值远高于账面价值，但使用保守的账面价值作为代理指标，能够更客观地反映管理层是否真正为股东创造了超越指数的回报。

其次，信件重点分析了收购Burlington Northern Santa Fe (BNSF)铁路公司的逻辑。巴菲特认为铁路相比卡车运输具有显著的成本和环保优势：“That’s three times more fuel-efficient than trucking is, which means our railroad owns an important advantage in operating costs.”这种结构性优势使得BNSF成为提升伯克希尔“正常”盈利能力的核心资产，预计税前收益将增加近40%。

此外，巴菲特强调了长期视角下的不确定性管理。他提到：“Money will always flow toward opportunity, and there is an abundance of that in America.”即便在经济低迷或市场混乱时期，伯克希尔依然坚持在美国本土进行大规模资本支出。这种对机会的持续追逐，而非对宏观噪音的反应，构成了其资本配置的核心特征。

对于当代读者而言，理解这一机制有助于反思投资中的绩效归因问题。例如，假设一位基金经理声称其策略优于大盘，但若其业绩依赖于不可复制的市场时机而非可验证的运营效率提升，则难以确保持续性。巴菲特的方法提示我们，应关注那些能通过具体运营优势（如成本结构）转化为稳定现金流的决策，而非仅仅看最终的投资回报率数字。

《Berkshire Hathaway Shareholder Letter 2010》由沃伦·巴菲特撰写，发布于2010年。适合希望深入理解价值投资中绩效衡量标准及大型并购决策逻辑的投资者阅读。建议从“Performance”章节开始，结合BNSF收购案例进行研读。