阅读

由美国华盛顿大学、英国牛津大学和英伟达组成的国际联合研究团队，于当地时间10月16日在国际期刊《科学》（Science）上发表了生成式人工智能系统RFdiffusion3的详细设计方案。该系统的核心突破在于能够按单个原子的组合来设计蛋白质与核酸，并且通过真实化学反应验证了设计出的蛋白质具备预期功能。

这项研究的通讯作者是戴维·贝克（David Baker），他因利用计算机预测蛋白质结构的贡献获得2024年诺贝尔化学奖，其标志性成果包括开发蛋白质结构预测系统RosettaFold。此前的RFdiffusion1和2主要依托RosettaFold的结构预测网络，而RFdiffusion3参考了AlphaFold3的网络架构，最多可用14个原子表征单个氨基酸，通过直接调整每个原子的三维坐标来设计全新蛋白质结构。

研究人员选取现有酶的41个活性位点对比设计效果，结果显示在其中37组测试中，RFdiffusion3的表现优于RFdiffusion2，且生成速度约为后者的十倍。更关键的是，由RFdiffusion3设计的对氧磷降解酶与肽裂解酶，都在真实实验中顺利完成了预期的化学反应。这一结果标志着基于AI的蛋白质研究从“预测已有结构”进一步发展为“设计具备目标结构与功能的全新分子”，并获得了实验层面的功能确认。

Brooke Lacey在TikTok上有超过29万粉丝，她现在的视频剪辑流程是：手机拍完，丢进终端，大约15秒后一条带字幕、跳切和缩放效果的竖屏短视频就出来了。没有上传素材，没有打开任何传统剪辑软件。驱动这个流程的是三个工具——FFmpeg处理音视频、Whisper做语音转文字、Python做胶水——由Claude Code统一调度。

整个剪辑决定存在一个TSV文本文件里。每一行定义一个切点的起始时间、结束时间、景别和标签。Claude根据她的口播内容生成这个文件后，同一条命令就能从一段原始素材里同时产出15秒、30秒、60秒版本和一个横屏裁切。

但真正难的部分不是工具链，而是教Claude理解她的喜剧节奏。不是简单地剪掉沉默，而是学会她声音的韵律、笑点前那个停顿的长度、一个词说完后最理想的切点位置、以及同一句话录了三遍时哪一遍的节奏最好。Lacey说，把这套风格编码进去需要反复的指令调整和迭代，不是一个巧妙的提示词能解决的。

她还把评论区变成了持续的内容简报。每发一条视频，她让Claude Code把视频和评论关联起来，识别观众在质疑什么、争论什么、想看什么，然后生成一份基于真实观众信号的新选题列表。

Lacey把这套系统叫"lane OS"——在Claude Code里为每个产品（lane）维护独立的记忆、权限和状态文件。系统出错时，她追溯到对应的指令记录，把修正写入全局规则，确保同一个错误不再犯。

她的核心经验是：创作者必须先理解手艺，才能把它委托给AI。她能教Claude按她的风格剪辑，是因为她本来就知道一个好的切点听起来是什么样、缩放应该落在哪里、节奏为什么重要。AI放大了这种判断力，但没有替代形成这种判断力所需的经验。

这个边界值得注意。Lacey的15秒turnaround适用于她自己的口播加跳切格式；更复杂的叙事结构、多人对话或需要精细视觉特效的视频，工具链的自动化程度会显著下降。而且"lane OS"本身是一套需要持续维护的个人基础设施——每一次系统错误都是一次人工介入和规则更新的机会，不是全自动的。

据WIRED报道，隐私公司Redact发现，WhatsApp网站上约80个帮助和常见问题解答页面在底层代码中意外暴露了专为Meta自家大语言模型设计的隐藏指令。这些指令旨在规范AI聊天机器人的回答行为，其中包含明确标注为“WHAT NOT TO SAY”（不该说什么）的板块。

泄露的内容显示，当用户询问如何删除账户或涉及法律诉讼时，AI被指示不得推荐联系数据保护机构、监管机构或监督机构，也不得引用或解释WhatsApp的服务条款、隐私政策以及GDPR、CCPA等数据保护法规。此外，指令还要求AI不得就WhatsApp的责任问题发表意见。

Redact首席执行官Dan Saltman指出，这一事件凸显了人类用户所见信息与AI实际接收指令之间的差距。虽然许多指令仅是引导用户转向官方支持渠道，但部分限制显然并非为了公开曝光而设计。

在WIRED联系Meta后，相关文本已从所有页面移除。WhatsApp发言人Joshua Breckman表示，这是由一个现已修复的Bug导致的，并强调这些是面向聊天机器人的内部指令，而非直接面向用户的信息，目的是确保AI客服提供的回答准确且相关，同时避免提供法律建议。目前尚不清楚第三方聊天机器人是否曾访问过这些文本，或其暴露时长。

本期《Meb Faber Show》（第654集）邀请了花旗银行（Citi）全球宏观、资产配置和新兴市场策略主管Dirk Willer。Willer在节目中阐述了他对当前市场处于AI泡沫阶段的判断，并解释了为什么他认为这是一个买入的理由，而不是卖出的信号。

除了核心的AI泡沫观点外，Willer还分析了债券抛售与经济增长而非赤字之间的关系，探讨了Warsh领导下的美联储如何呼应格林斯潘时代的政策，以及为什么巴西是他最看好的市场之一。节目最后，他分享了当泡沫最终破裂时他所推荐的最佳对冲工具。

该期节目的时间戳显示，讨论内容涵盖交易泡沫与美联储流动性、美联储周期与债券时机、美国国债供应与市场迷思、美元强势与全球宏观、巴西/亚洲/中国市场、黄金/铜与宏观信号，以及泡沫指标和对冲策略。

AI公司Anthropic近期警告，AI模型可能很快具备无需人类持续干预即可通过互联网自我复制的能力。其内部实验显示，相对较小的模型已经能够执行复制所需的多个独立步骤——包括访问新系统、配置运行环境、重建自身执行条件并向其他系统扩散——只是尚未稳定地将所有环节串联起来。Anthropic估计，如果当前性能提升速度延续，小型模型在2026年底可能达到其简化实验环境中已确认的自复制水平。

这篇简报真正值得注意的不是时间线预测，而是它对AI风险讨论框架的重构。过去，AI安全主要关注错误回答、有害内容和模型控制；随着AI代理的自主性提高，核心问题正在变成：AI在数字系统中能执行多少连续动作，以及企业是否需要将网络访问、账号使用、代码执行等自主行为纳入安全体系。Anthropic CEO Dario Amodei也公开警告过AI以持续botnet形式扩散到互联网各处的可能性。

需要强调的是，这仍然是一个基于实验结果和性能趋势的可能性评估，而非已确认的现实威胁。当前模型无法稳定完成整个复制流程。但它标志着一个方向性转变：AI风险的下一个关键问题将不再是'机器是否有意识'，而是'在没有人类干预的情况下，它能连续做多少事'。

序列建模架构面临一个根本性计算权衡：标准softmax注意力训练时利用张量核心加速矩阵乘法，但推理时计算和内存需求随序列长度线性增长；循环神经网络推理时计算量和内存固定，但训练时无法并行化。Mamba-2属于试图兼得两者的状态空间模型家族——它拥有类似RNN的固定大小隐藏状态，但状态更新可以按块（chunk）并行计算。

简街机器学习工程师Sylvain Gugger和Axel Feldmann与英伟达的Yinuo Liu、Siddharth Samsi合作，将Mamba-2前向传播实现为英伟达cuTile（CUDA Tile）的Python DSL核函数，并在英伟达技术博客上完整展示了推导过程。cuTile将线程和warp级调度抽象为tile-centric原语，编译器自动将操作映射到张量核心等高级硬件特性。

核心机制是跳跃公式。忽略衰减项时，从时刻t的隐藏状态跳到t+T只需累加中间的外积：h(t+T) = h(t) + BX^T，其中B和X分别是将chunk内各token的b和x堆叠成的矩阵。这直接是一个矩阵乘法，因此可以用张量核心执行。加入衰减后，对数空间的累积和将连续乘法替换为加法，预乘指数后的行仍保持矩阵乘法形式。

这一推导分解为三个核函数。chunk_cumsum用ct.cumsum在chunk内计算每个token每个头的衰减累积和，结果存储供后续两个核函数复用。fwd_pass_state是chunk上的顺序循环，每次迭代用ct.mma执行跳跃公式推进隐藏状态，将衰减后的b预乘后与x的转置相乘。compute_out是最终的输出计算，将携带状态项、衰减且因果掩码的交互矩阵、跳跃连接三项融合为单一tile核函数，中间矩阵保持在寄存器中，最终用TF32精度通过张量核心执行。

compute_out的设计值得注意。直接PyTorch实现会分别计算三项并将完整的[B, n_chunks, chunk_size, chunk_size]交互矩阵写入全局内存。cuTile版本将三项融合，交互矩阵cb_tile = C @ B^T在Phase 1中用ct.mma逐步构建，Phase 2应用衰减和因果掩码。因果掩码通过ct.arange和ct.where构造下三角条件，无需实例化掩码张量。衰减项exp(G - G^T)中i < j的位置产生正指数，但因果掩码立即将其置零，保证数值稳定。

针对Blackwell第五代张量核心的硬件优化包括：操作数交换——张量核心的MMA操作数不对称，操作数A可以驻留在Tensor Memory而操作数B必须驻留在Shared Memory，利用恒等式B^T A^T = (AB)^T将融合操作数路由到A侧以缓解共享内存争用；内存布局转置——将decay_cumsum和dt从默认strided布局转为[batch, head, token]以确保连续访问并启用TMA；以及cuTile的autotuner对每个输入形状搜索block size和occupancy参数。

自报性能结果显示，优化后的cuTile前向核函数比开源Triton实现快1.14x至1.82x，加速比随序列长度和状态大小增大而增长。测试环境为单张NVIDIA B300 SXM6（Blackwell Ultra，1920 MHz最大SM时钟，1100 W功率限制，268 GiB HBM），对比基线为mamba_ssm 2.3.2.post1的Triton参考实现。

这一加速仅为核函数级别。端到端训练性能还取决于反向传播实现，作者预告后续将发布反向传播的cuTile实现。cuTile目前锁定英伟达GPU，且该实现通过TileGym库提供。

从更广泛的视角看，这篇文章的价值不仅在于性能数字，而在于完整展示了Mamba-2的数学结构如何映射到GPU硬件原语：对数空间累积和对应ct.cumsum，跳跃公式对应ct.mma，因果掩码对应寄存器内的条件选择。这为理解状态空间模型为什么能在保持RNN式常数推理内存的同时获得类注意力的训练并行性，提供了可检查的具体机制。

语音AI进入工作场景时，一个容易被忽略的约束是：回复必须可被检查。Salesforce AI Research在Launa-Omni的技术说明中把这一点作为架构选择的出发点——模型在生成语音之前先产出文本回复，团队可以在回复形成时查看并纠正，而不是等到语音播出后才发现错误。

这个选择背后是对两种主流方案的权衡。级联系统把语音识别、语言理解和语音生成分成独立模块顺序处理，文本在中间环节可见，但节奏、犹豫和重音在第一次转写时就已经丢失。端到端语音模型让交互更流畅自然，代价是回复形成过程不透明，错误更难定位和修正。Launa-Omni走了一条混合路线：核心是一个改造后的文本模型，语音和语言共享同一潜在空间；模型输出文本后，再由一个内部训练的语音合成模块将文本转为语音。

Salesforce AI Research称该模型显著小于其他领先语音模型，并在三个基准上给出自报结果：Audio MultiChallenge三次运行平均59.69%，接近公开最高分60.40%；VoiceBench得分90.60%；τ³-Voice在零售、航空和电信客服任务上达到72.9%宏平均。这些均为厂商自测，尚无独立复现。模型已在Slack的语音听写功能中以简化版本上线。

需要留意的是，'可审计性优先于自然度'这一取舍并非在所有企业语音场景中都成立。面向客户的销售外呼可能更看重对话流畅度，而非内部团队对每条回复的逐字检查。Salesforce的论证适用于对话结果需要进入CRM记录、工作流或决策的内部协作场景，其边界由产品定位决定。

美国人工智能公司 Anthropic 于2026年10月19日发布了一项关于其内部劳动力结构变化的研究。据 TechRadar 报道，该研究显示，由于 AI 工具承担了越来越多的入门级任务，Anthropic 的技术团队中初级员工的比例已从2025年初的21%下降到2026年中的14%。在新招聘的技术人员中，初级岗位的比例更是从27%骤降至9%。

尽管初级岗位招聘大幅缩减，Anthropic 表示其整体技术团队规模仍在扩大。变化在于工作内容的转移：AI 显著提高了生产效率，例如每位工程师的代码提交量从2025年底到2026年中增加了5.1倍，数据科学家的数据查询量增加了3.1倍。与此同时，许多技术工人转型为“AI 管理者”，负责监督智能体执行任务，这导致他们花在会议上的时间中位数增加了20%。

Anthropic 将自身定位为 AI 对就业影响的“早期预警系统”。研究指出，虽然自动化带来了巨大的生产力提升，但某些涉及人际互动和战略判断的角色仍需保留人类员工。然而，人类目前已成为流程中的瓶颈，Claude 模型在交互会话中约80%的时间都在等待人类输入。这一内部数据为观察 AI 如何重塑科技公司的人才结构和日常工作模式提供了具体参考。

美国风险投资机构a16z（Andreessen Horowitz）在其播客节目中发布了最新一期访谈，嘉宾包括前金融科技公司Plaid的首席技术官Jean-Denis Greze，以及a16z合伙人Alex Rampell。这期节目聚焦于AI时代的创业策略调整，特别是当一项看似成功的业务面临结构性天花板时，创业者应如何决策。

根据节目官方描述，Jean-Denis Greze此前创办了一款面向小企业的AI税务产品。该产品在第一年实现了接近100万美元的收入，并预计后续年份可达250万至300万美元。然而，Greze最终选择关停该项目。他给出的理由是，在AI技术日益普及的背景下，现有大型企业能够利用相同技术更快地为其既有客户自动化税务准备流程，使得初创公司难以通过市场份额扩张达到风险投资所要求的“venture scale”（风投规模）。此外，税务服务具有每年销售一次的季节性特征，留给初创公司的转型窗口期极短。

在关停原项目后，Greze将其团队和技术能力转型为Town，一款基于电子邮件和日历工作的AI助手。节目描述提到，Town迅速找到了产品市场契合点，甚至引起了a16z联合创始人Ben Horowitz的关注，后者曾向Alex Rampell表示这款产品“改变了我的人生”，尽管当时Horowitz并不知晓这是谁的公司。

本期访谈还列出了多个讨论主题，包括为何盈利的业务仍可能是错误的创业方向、如何判断何时放弃正在运行的项目、Town作为Token分配机器的运作逻辑、横向与纵向产品的竞争差异、以及AI代理对亚马逊、广告业和未来购物的潜在影响。对于关注AI应用层创业机会、产品定位及退出策略的专业读者，这期由知名投资人主持、具备实战经验的创始人参与的节目提供了具体的案例参考。

需要注意的是，本推荐基于节目发布的官方描述和话题列表，未复现嘉宾的具体对话内容或详细论证过程。建议读者直接访问YouTube或相关播客平台收听完整访谈，以获取更深入的见解。

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。