阅读

2026年10月20日，谷歌（Google）宣布其长期期待的TorchTPU项目现已作为开源软件发布。该项目是PyTorch的一个版本，允许人工智能应用程序直接在谷歌的张量处理单元（TPU）和谷歌云上运行，而无需重写代码。这一举措被视为谷歌与亚马逊联手，试图打破英伟达（Nvidia）在AI行业主导地位的关键一步。

PyTorch是目前最流行的开源AI开发工具包，据估计被85%的AI应用使用。它最初由Meta于2016年开发，当时英伟达的GPU已是AI研究的标准硬件，因此PyTorch的许多功能都是为配合GPU而构建的。2022年，Meta将PyTorch移交给Linux基金会管理。TorchTPU通过提供简单的配置更改，降低了开发者将现有应用从GPU迁移到TPU及谷歌云的门槛。

就在前一天（10月19日），亚马逊也发布了类似的工具TorchNeuron，支持将AI应用移植到其自研芯片Trainium和AWS上。此外，亚马逊还向主PyTorch项目提交代码，以解耦特定功能与英伟达芯片的绑定，使框架默认对更多硬件开放。谷歌方面表示，其与Meta、Hugging Face以及vLLM和SGLang的制造商等合作，确保TorchTPU的功能和库能与这些流行开发工具良好兼容。同时，谷歌推出了专用的“TPU代理套件”帮助开发者迁移应用并修复错误，并更新了LiteRT工具以更好地支持PyTorch应用。

据Tom's Hardware援引路透社消息，中国科技巨头字节跳动、阿里巴巴和腾讯已订购超过300万块英伟达RTX Pro 5500工作站GPU，总金额约为350亿美元。这些芯片符合美国对AI能力GPU出口的限制规定，因此成为中国企业获取算力的重要途径。

然而，这一订单规模远超英伟达对该型号的生产计划。消息人士称，英伟达已告知客户，其产能可能只能满足5%至10%的需求。RTX Pro 5500拥有与旗舰消费级显卡相同的CUDA核心数，但配备了84GB GDDR7显存，适合AI应用。尽管其性能低于被禁或受限的H200和B300等企业级AI芯片，但在当前地缘政治环境下仍不可或缺。

英伟达发言人向路透社表示，自2022年实施出口限制以来，中国市场对这些芯片的需求出现了“前所未有的增长”。目前，英伟达、字节跳动、阿里巴巴和腾讯均未公开确认具体的订单数量或金额。

美国国务院于2026年10月20日宣布，将上海智算科技有限公司（Shanghai Zhisuan Technology Co.）、奇绩创坛（MiraclePlus）及其三家关联公司列入制裁名单。据彭博社报道，制裁原因是这些实体涉嫌与前谷歌软件工程师丁林伟（Ding Linwei）窃取人工智能商业机密一案有关联。丁林伟今年已被定罪，并判处一年监禁。

智算科技由丁林伟创立，开发用于训练AI模型的软件平台。美国国务院指出，丁林伟曾代表智算科技申请加入奇绩创坛的创业孵化项目，并在申请中强调其对谷歌技术的了解。奇绩创坛是硅谷Y Combinator在中国项目的继任者，由前微软AI科学家陆奇（Lu Qi）创立。此次制裁主要针对奇绩创坛向智算科技提供的种子轮融资。

根据制裁措施，上述实体的美国资产可能被冻结，且其访问美国银行服务的权限将受到限制。这一行动标志着美国监管机构开始将制裁工具应用于风险投资机构，而不仅仅是直接的技术窃取者或最终使用公司，凸显了AI领域知识产权保护的执法力度正在向资本端延伸。

据《华尔街日报》报道，美国国土安全部已发布命令，禁止联邦民用机构使用中国人工智能实验室DeepSeek的技术。该命令要求相关机构从其IT系统中移除现有的DeepSeek产品，并停止采购任何新的DeepSeek相关产品。

禁令范围不仅涵盖DeepSeek自身的产品，还包括其关联公司的产品以及基于DeepSeek实现构建的第三方服务。然而，公告并未设定具体的执行截止日期，也未详细说明导致这一决定的具体安全隐患。此外，“基于DeepSeek构建”这一表述的含义尚不明确，例如OpenRouter等AI网关服务是否会被纳入禁令范围仍存疑。

该行政命令依据的是2018年美国一项关于联邦采购中供应链安全的法律。此前，随着Kimi K3等强大中国开源模型的出现，美国政府曾考虑对中国开源模型采取制裁、贸易黑名单或限制联邦机构使用等措施，但在Nvidia、Microsoft、Google和Meta等科技巨头的反对下暂时搁置，而OpenAI和Anthropic则游说支持此类限制。此次针对DeepSeek的禁令是这一政策转向的具体落地。

ElevenLabs做的是AI语音层——把文字变成听起来像人的语音。大多数人在跟客服通话时已经用过它，只是没意识到。Klarna用它为3500万美国客户提供一线电话支持，Deutsche Telekom、Cisco、Adobe以及越来越多国家的政府也在用。公司自称年化经常性收入已达6亿美元，据报道估值220亿美元，而它成立才四年。

ElevenLabs联合创始人兼CEO Mati Staniszewski在2026年9月多伦多Nrth会议接受TechCrunch主编Connie Loizos采访时，被问到毛利率问题。他的回答很直接：不介意毛利进一步被压缩，只要这意味着市场份额在扩大。他说公司有能力通过研究环节对模型进行精细微调和约束来优化成本，但如果能把节省下来的钱让给客户，就会让。在他看来，当前最重要的事是证明价值、与客户站在一起，未来五年价值创造起来后大家共同受益。

这个表态放在ElevenLabs的竞争格局中才有具体含义。Staniszewski在采访中承认，公司正在越来越多地撞到自己的客户——Decagon就是一个对话式AI平台，它在ElevenLabs上训练了自己的语音产品，现在反过来用自有模型跑查询，与ElevenLabs竞争。Staniszewski认为模型公司、平台公司、应用公司之间的边界正在模糊，以Anthropic为例，原本做模型的公司已经确定是平台，并且越来越多地涉足应用层。

与此同时，Staniszewski对音频模型商品化的判断做了修正。他去年在TechCrunch Disrupt上说过音频模型几年内会被商品化，现在他承认模型层面的质量差距仍然显著，但把时间推到了三到五年。也就是说，他认为技术护城河有窗口期，但不是永久的。

把这些放在一起看，Staniszewski的策略逻辑是：既然模型质量差距会在三到五年内缩小，而客户随时可能变成竞争对手，那么当前阶段用毛利换客户锁定和集成深度就是理性的。ElevenLabs的另一个护城河不在模型本身，而在数据标注——Staniszewski说训练的关键不是数据量，而是标注质量，公司有数千名合同制人员帮助标注说了什么、什么时候说的、怎么说的、用了什么情绪甚至请了语音教练来准确识别口音。这种运营密集型的数据资产不是开源模型能直接复制的。

不过需要明确边界：毛利率数字Staniszewski拒绝具体披露，$600M ARR为公司自报，$22B估值为据报道来自彭博社2026年7月关于要约收购谈判的报道。他关于不介意压缩毛利的表态是战略意图的陈述，不是已经落地的财务结果。未来五年能否如他所说价值创造起来后共同受益，取决于市场份额扩大后能否在定价权上收回成本，还是被持续压缩到无法覆盖研发和标注投入。

据彭博社报道，中国人工智能公司智谱AI（Z.AI Co.）的四位联合创始人——李娟子、唐杰、许斌和张鹏——在2018年至2021年间参与了一项研究项目。该项目由国家自然科学基金委员会与“中国通用技术研究院”（CGTRI）共同资助，预算为294万元人民币。

英国安全情报局（MI5）此前发布警告，指出CGTRI与中国国家安全部（MSS）存在“非常紧密的联系”，并认为该机构资助的学术工作旨在增强MSS的间谍能力。MI5建议英国学术机构立即审查与CGTRI的合作。

彭博社援引一份78页的项目报告称，该研究设想开发能够挖掘社交媒体帖子以发现新兴事件并揭示人物关联的人工智能系统。报道强调，这仅是对拟议能力的描述，并非工具已被部署的证据。

中国驻英国大使馆对MI5关于CGTRI的指控表示异议。智谱AI及上述四位创始人未回应彭博社的置评请求。智谱AI向香港交易所提交的文件确认了四人的联合创始人身份，其中张鹏担任首席执行官。

Ethan Mollick最近为他的新书《Co-Existence》做了一组数据图表。他用的工具是Claude Projects里的Opus 5.5——一个'编排者'代理，接到指令后自行拆分任务、召唤子代理、分配工作、汇总结果再交回给他。他给了几句笼统的建议，AI就完成了几小时的工作量：所有研究、绘图、排版、图片、引用。他甚至对AI说'做好一点'，这种如果交给人类团队会让人抓狂的模糊反馈，AI照做了。更意外的是，AI发现了他算错的一个数字。

这件事本身成了他论述的起点。Mollick在2024年初出版的《Co-Intelligence》中描述了两种人机协作模式：'半人马'（人和AI分工，各做各的部分）和'赛博格'（人和AI融合，你中有我）。两种模式都让人保持在回路中。但现在有了真正的代理，他加了第三种：'术士'（conjurer）。术士召唤代理、分配工作、评估返回的结果。他做这些图表的方式就是术士式的：召唤代理，给一些方向性指导，反复说'做好一点'。

为什么这种转变发生了？Mollick用METR长时程基准来说明。这个基准衡量AI能以至少50%成功率从单次提示完成多少人类工作量。从GPT-4发布到基准测量结束，这个数字翻了八倍。2024年AI能完成四分钟的任务；到2026年4月他交稿时，这个数字是十七小时。然后基准本身跑不出来了——METR说他们现有的方法已经无法准确测量。其他研究估计那个数字可能是十七周的工作量，甚至更多。

成本也在同步下降。他提到的Google Proof问答考试——给AI出研究生都常答错的题——以前每道正确答案要花30美分的AI调用费用，现在只要四百分之一美分。模型格局也在变：GPT-4独霸的时期只持续了大约一年，此后二十个模型轮流登顶，全部来自Anthropic、Google或OpenAI。180个模型现在比GPT-4发布时更强，其中不少是开放权重的，任何人可以自由使用或修改。十九个能跑在现代智能手机上。

但Mollick强调，能力前沿仍然是参差的。和30个月前一样，某些领域依然顽固地弱——AI仍然是一个很差的长文本写作者——而另一些领域，比如解数学题，从糟糕变成了超人。即便在AI表现优秀的地方，小缺口仍然创造着大的人类需求——至少目前如此。

'术士'模式的风险正在于此。它是目前最强大的AI使用方式，但人失去了对AI具体在做什么的控制。你不知道那个代理为了达成结果，中间做了什么、跳过了什么、在哪里可能出错。Mollick自己说，他'对AI说了很多次做好一点'——这种模糊反馈如果交给人类团队会让人抓狂，AI却照做了。

他的新书《Co-Existence》不追新闻或最新模型发布，而是聚焦趋势：AI在指数级进步但不均匀，使用方式正从聊天机器人转向做实际工作的代理。书的核心问题是：在这种共存中，人还有什么优势？他的回答归结为四点：深度知识、广度知识、品味和能动性。理解这些趋势，当下和近期未来就没那么令人意外了。

戴尔全球首席技术官兼首席AI官John Roese认为，当AI工具和模型趋于同质化时，企业真正的护城河不是模型，而是被编码进智能体工作方式的专有知识。他在Dell Technologies纽约峰会上接受theCUBE Research主持人Dave Vellante采访时说："你的护城河不是实际工具，甚至不是模型。是那些以新形式呈现的特殊知识，它真正捕捉了你与竞争对手不同的认知和做法。"

Roese给出的具体机制是：让领域专家把企业的实践编码成机器可读的技能文件——本质上是Markdown文本——注入智能体的工作上下文。"它表现为一个Markdown文件，就是一段文字，"他说，"但那是一段别人不知道的非常特殊的文字。"当这段文字被加入智能体的工作时，智能体不再泛泛地执行任务，而是按照企业自己的偏好、参数和规则运作，无论是在写代码、定价还是服务客户。

这一论点的前提是：智能体正在重新分配人和机器之间的工作，而不仅仅是替代某个步骤。Roese警告说，如果企业采用了AI技术却不愿或不能改变运营模式，"你会像AI出现之前一样经营业务，只是对业务做了AI"，结果会是糟糕的体验。戴尔自身花了近两年时间在公司内部运行完全自主的智能体，这些经验现在塑造了它给客户的建议。

需要指出的是，theCUBE是Dell Technologies纽约峰会的付费媒体合作伙伴，Dell作为赞助商对theCUBE和SiliconANGLE的内容没有编辑控制权——这是原文披露的声明。Roese的论述来自厂商高管在自家赞助活动上的发言，其关于戴尔内部智能体运行两年、知识编码持续改进等说法属于企业自述，没有独立验证。此外，如果护城河的核心是"编码在文本文件中的专有知识"，这一优势的可防御性取决于编码过程本身是否难以被外部复制——原文未展开这一边界。

戴尔技术公司（Dell Technologies）总裁兼首席安全官John Scimone在2026年10月纽约峰会期间接受theCUBE Research主持人Dave Vellante采访时，提出了一个关于AI如何改变网络攻防格局的具体判断。他的核心论点是：攻击金字塔仍然存在，但进入门槛已经瓦解。

Scimone的原话是：'我认为金字塔仍然存在，但毫无疑问，进入成本和进入门槛已经崩塌。'他进一步解释：'换句话说，明天最不复杂的攻击，将比一年前世界见过的最复杂攻击还要复杂。'这意味着，智能体AI并没有消灭黑客活动者、犯罪团伙和国家行为体之间的层级结构，但它把原本只有顶层才能获得的先进攻击能力交给了下层行为体。

这一判断的防御含义是：网络安全专业人员必须用AI来对抗AI。Scimone认为这为安全领域带来了一个巨大机遇，而这一机遇对从未有能力组建完整安全团队的组织可能意义最大。他给出了一个具体的未来形态预测：'我们未来的安全计划可能是一个人主导的安全计划，但它可能拥有10000个智能体，其中每一个都是该领域最优秀的安全实践者，各司其职。'

Scimone同时指出，身份管理、访问控制和检测的基本原理仍然适用，但攻击现在以速度和规模到达，使过去的做法不再充分。他提到戴尔已经在将前沿模型用于自身防御，并参与了Anthropic的Project Glasswing项目——该项目向经过审核的组织提供强大的AI工具以保护关键系统。

需要注意的背景是：theCUBE是戴尔技术公司纽约峰会的付费媒体合作伙伴，Dell是该活动的赞助商。Scimone的观点代表其个人及戴尔的战略判断，'一万个智能体'目前是愿景而非已公开验证的运营实践。

AI数据中心建设面临一个反复被提及但很少被量化的问题：把液冷高密度机房从土建交付推进到可以安装IT设备的状态，究竟需要多少现场工时？施耐德电气与Compass Datacenters在2026年10月发表了一项时间研究，试图回答这个问题。

他们比较了两种功能等价的安装方式。传统方式下， containment（封闭系统）、TCS管路、母线和线缆桥架分别到达现场，由不同班组依次安装。预制方式下，这些基础设施在制造环境中集成到IT模块框架上，到达现场后只需进行有限的对接。研究聚焦于从模块到达现场到可以开始安装IT设备之间的全部现场活动，不包含场外制造工序和安装验证之后的工作。

核心数字：传统方式需要75.5小时，预制方式需要15小时，减少80%。但施耐德电气在博客中特别强调，这个节省并非来自现场班组干同样的活干得更快。传统方式中，TCS管路安装约占37小时，母线安装约占13小时，线缆桥架安装约占5小时——这三项合计55小时的独立现场工序，在预制方案中大部分被消除。TCS管路的桁架管段在出厂前已经安装，现场只需对接；母线笼体和线缆桥架在组装阶段就固定到模块框架上。

不过预制方案并非每个阶段都更快。接收和就位更大的预组装组件需要更多前端搬运时间。传统方案的小组件卸载更快，但后续需要额外的拆包、整理、核验和安装。施耐德电气认为前端搬运的少量增加被后续省去的安装工作抵消。

学习曲线提供了另一个观察。Compass Datacenters在分析的那次部署中现场安装耗时约15小时，而在此前第15个模块完成时，同一工序需要18小时。设计、组装流程和安装序列的标准化使团队可以在后续模块中持续改进，同时项目需求变化（如冷却方式和密度调整）可以在不重新协调整个白空间的前提下纳入后续模块。

质量验证方面，工厂环境允许TCS管段在出厂前完成清洗、钝化和泄漏测试。完整的TCS回路仍需在最终现场进行冲洗、压力测试和调试，但部分工作前移减少了数据大厅内的集成工作量。

这项研究的方法论边界值得注意。预制方案的15小时来自Compass Datacenters一次实际部署的观测数据；传统方案的75.5小时则混合了实际观测的containment安装时长与MEP专家为TCS管路、母线和线缆桥架编制的进度计划。编制计划与实际观测之间存在不确定性，两者不完全对称。此外，施耐德电气本身销售预制数据中心方案，该研究由方案供应商主导，结论应作为厂商自述的经验数据理解，而非独立验证。

GPT-OSS-20B是一款开源权重的推理模型，但它有一个顽固习惯：无论用户用什么语言提问，它的思维链几乎总是用英语生成。AWS机器学习团队在50例多语言推理测试中发现，基座模型只有22%的情况用对了目标语言，而这22%几乎全部来自英语样本——法语、西班牙语和意大利语的正确率为零，德语仅10%。

团队随后用监督微调（SFT）训练了1000步，采用LoRA适配器（r=8，α=16），在4台ml.g6e.12xlarge实例上运行。结果很直接：推理语言正确率从22%跳到100%。但答案语言只达到62%——模型学会了用法语思考，却常常在最终回答时切回英语。

这正是GRPO（组相对策略优化）的适用场景。GRPO的工作原理是对每个提示采样一组回答，然后把策略推向高于平均值的那些。如果目标行为在基座分布中的概率为零，GRPO就几乎没有可强化的信号。SFT之后，模型已经能在100%的情况下用正确的语言推理，并且偶尔也能用正确的语言给出最终回答，这就为GRPO提供了可强化的信号。