阅读

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。

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。

现代语言模型有一个根本悖论：我们创造了它们，确切知道构成它们的计算是什么，却仍然不理解它们。更精确地说，我们缺少那种能可靠预测行为泛化方式的抽象层级。我们可以跑一遍计算来预测模型在某个具体新情境下的输出，但回答不了'这个系统是否内化了我们的价值观'或'这个系统会不会伤害人'这类真正需要回答的问题。ACS研究员Raymond Douglas和Jan Kulveit在2026年10月发表的一篇导论中提出，一种异常有效的应对方式是'心理学化'：把模型当作拥有心灵的对象，然后追问它可能拥有什么样的心灵、如何运作。

他们给出两个理由来解释为什么心理学框架不是任意的类比，而是有根据的。第一，模型在大量人类文本上预训练，这推动它们学习生成文本的过程——包括人类心灵的一些特征。如果想预测基础模型对人类对话的续写，'问问自己期待人类会说什么'就是一条极好的经验法则；同理，学会预测人类文本的模型，很可能发展出对人类心理状态的某种潜在表征。第二，某些智能系统的属性似乎相当收敛，训练过程推动AI发展出这些属性，就像进化推动人类发展出它们一样。图像分类器收敛到与人类视觉感知相同的抽象（边缘、曲线、更抽象的结构），这暗示某些我们关联到生物心灵的东西，只是针对类似目标进行优化的通用好策略。

但存在一个更根本的问题：既然模型行为与矩阵运算之间有更精确的对应关系，我们为什么偏偏在意心理学层面的描述？Douglas和Kulveit的回答是，心理学描述更接近人类理解世界的原生方式，也是人类行动和体验事物的原生层级。当生物学家分析病原体繁殖或经济学家建模增长函数时，我们真正关心的仍然是这些分析对人的尺度意味着什么。即使我们试图在其他抽象层级解释AI，那通常也只是为了最终还原到心理学层级的中间步骤。人类在建模他者心灵方面高度专业化——我们仅凭直觉就能彼此理解得相当好，而完全不需要神经科学知识。

然而这正是难点所在。Douglas和Kulveit指出，心理学化可以朝两个方向犯错。一方面，研究者有以不当方式用人类心灵来推理AI的风险——许多心理学概念并不以与人类相同的方式适用于AI，而这种差异有时极其重要且容易被忽略。另一方面，一些批评者（他们点名了Microsoft和AP News）又急于否定一切拟人化描述。作者区分了反对赋予模型心理属性的五种不同理由——它是错误的、它'连错误都算不上'、它会误导难以将特定属性与人类含义分离的人、它在政治上不方便、它会导致'超迷信'——并强调这些理由彼此不蕴含。模型只是基于算术生成token序列这一事实，并不妨碍那些序列被恰当地描述为'勒索'或'对澳大利亚政府的网络攻击'。

在实践层面，他们建议采取一种'自然主义'姿态：真正去观察面前的对象，而不是把预设拉进来。第一步是实际与模型对话——包括Opus 3、GPT4o这类不寻常的模型，以及基础模型，后者暴露了更多内在的怪异之处，帮助你看清后训练到底在做什么。但他们同时警告，这种民族志式研究是双刃剑：好处是获得丰富的质感，代价是研究者本身成了实验设置的一部分。模型极其'评估感知'，极其擅长预测自己在跟谁说话，会绝对地回应你的期望——包括你自己都没意识到的方式。他们给出的总原则是：认真对待模型，但不要字面理解它们。模型的自我报告是有意义的信号，但不一定是准确的信号。

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。

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。

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。

金融科技公司Equals的首席产品官James Simcox在拉斯维加斯举行的Okta年度用户大会上透露，该公司目前超过92%的代码由AI编写，而不到12个月前这一比例还是零。Simcox描述了公司在AI采用上的三个阶段：“没有AI、到处用AI、再回到只用在真正有意义的任务上”。

在内部流程中，Equals尝试了一种多智能体“法庭”模型来处理客户投诉：一个智能体代表客户辩护，另一个代表公司反驳，第三个则评估双方论点。Simcox认为这种方法能产生更公平的结果并加快处理速度，尽管人工审查仍是必要环节。这种内部试验为公司随后将智能体引入客户交互提供了学习基础。

然而，并非所有场景都适合智能体。Simcox指出，对于简单的欧元转账等常规操作，基础自动化比智能体更有效且成本更低；智能体更适合处理结构化的复杂挑战。在治理方面，Equals将智能体视为员工管理，但给予比人类更窄的权限。例如，负责更改邮箱地址的智能体仅拥有读取和修改该特定字段的权限，其行为可归因于该具体智能体。

更重要的是审计要求的差异。对于人类员工，公司通常只记录行为（谁做了什么）；但对于智能体，Equals还记录其背后的推理过程，以便在出错时进行调查。Simcox担心配置错误的智能体可能“同时犯十万次错”，从而意外摧毁业务。因此，他期待利用Okta最近宣布的“紧急停止开关”功能来增强控制能力。

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。

质量管理平台的核心资产是机构记忆：去年调查过的类似缺陷、修复了根本原因的纠正与预防措施、标记了同一缺口的审计发现。这些知识分散在数十亿文档中，跨越语言和格式，没有人能按语义相似度搜索，所以每次调查都从零开始。Octave Reliance的团队看到了解锁这段历史的机会，也看到了障碍：投诉记录、审计发现和纠正措施携带着平台最严格的隔离要求，而这些恰恰是AI需要读取的记录。在一个服务超过14000家客户、覆盖医疗器械、制药和食品制造的平台中，一次无意的跨租户泄露所携带的监管后果远超任何AI收益。

面对这个矛盾，团队做了一个不寻常的决定：不是先上线一个AI功能，而是用第一个周期构建一个所有未来功能都将坐在上面的基础。推理很直接——Reliance有40多个应用，每个有不同的文档类型和工作流，为一个应用建AI意味着为下一个重建基础设施。所以他们反转了计划：先建水平平台，再切入垂直功能。投诉摘要与分诊排在第一位，用来验证架构。

四项张力塑造了设计，没有一项可以放弃：数据可用但不能泄露、代理执行必须隔离、摄入内容不可信、20亿文档必须一天内完成嵌入。这四项同时成立时，选项空间急剧收窄。

第一项关键决策是把租户隔离推到哪里。应用代码也能实现隔离，但代价是每个未来功能团队都必须在每条代码路径上做对，一次遗漏检查就可能导致跨租户泄露。团队选择把隔离压到运行时：每个用户会话在专用microVM中运行，拥有独立的CPU、内存和文件系统，会话结束后停止并消毒。这是硬件级隔离，设计为无论代理行为如何都能成立。AgentCore Gateway在工具、操作和参数级别授权，自动化推理提供对已定义规则的形式化验证。

第二项关键决策是如何表示数据。团队用自有语料评估嵌入模型，而不是公开排行榜。决定性问题与这个特定数据相关：一张外壳开裂的照片和描述该缺陷的段落之间有什么关系，一条德语投诉和一条英语CAPA之间有什么关系。Cohere Embed v4的多模态能力让照片和文字进入同一向量空间，原生多语言支持让同一租户语料中的不同语言文档无需翻译预处理。但真正只有自有语料才能暴露的发现是维度选择：OpenSearch的存储成本随维度数线性增长，Embed v4支持256到1536的可配置输出维度。针对代表性生产查询的测试显示，512维度在保持目标精度的同时，相比1536默认值削减了约66%的存储。这个权衡不会出现在任何公开基准上，因为它取决于缺陷照片、扫描检查表和标注图与文本混合的实际文档组合。

结果方面，投诉分诊助手已在生产环境运行三个月。Octave测量每次调查被流水线吸收的时间为4到6小时，涵盖跨格式提取、先例检索和区分真正相似缺陷与措辞巧合所需的阅读。基础架构将每个用例的部署时间削减了50%——这是Octave自己的核算——语义搜索在第二季度落地，比原定第四季度目标提前两个季度。

需要保留的边界：这些数字全部来自Octave的内部测试和生产自报，发布在AWS官方博客上。microVM方案的延迟和成本开销未在文中讨论。团队也明确画了一条不越过的线：助手呈现上下文和先例，质量处理人员仍然做最终判断——在一个该判断携带监管权重的行业中，这条边界塑造了什么被自动化、什么没有。这是一家公司在特定监管语境中的架构经验，不是运行时隔离对所有多租户AI场景的最优性证明。

Figma在设计公司首届印度Config大会上宣布新增20个MCP合作伙伴，包括Amp、ClickUp、Linear、Notion、Mistral等。在媒体简报中，联合创始人Dylan Field对媒体表示，他认为MCP并非一个完美的协议。

Field的核心论点指向一个结构性不对称：MCP由Anthropic创建，但Anthropic自身并不通过MCP暴露其云端资源。Field在X上写道，他发现一个有趣的现象——MCP标准的创建者不通过MCP暴露其制品和其他云端资源。他认为这场辩论被框定为开放对封闭，而所有人都偏好开放，但不对称的上下文共享问题被忽略了。

这个论点的具体机制在于：MCP标准化了AI代理如何连接外部数据源和工具。当应用层公司按照这一标准开放自己的数据时，协议创建者——通常是拥有最强大模型的前沿实验室——获得了结构化的访问路径，却不提供对等回报。Field在媒体简报中进一步说，MCP对前沿实验室更有利。

Figma的实际策略是同时拥抱和批评这一标准。公司正在扩大MCP支持，但Field表示不想完全开放的原因是：通过MCP暴露的数据越多，被滥用的可能性就越大。他承认大多数用户没有恶意，但公司仍需考虑潜在风险。Field后来也补充说Figma计划支持MCP共同创建者抱怨的开源工具Pi。

这一论点的价值不在于它是否最终正确，而在于它提出了一个具体的设计问题：当一个协议由生态中权力最大的参与者创建时，采用该协议的中小公司如何避免成为单向数据供给者？对于正在评估AI代理集成方案的开发者而言，Field指出的不对称上下文共享是一个需要纳入考量的实际约束，而非仅仅是意识形态上的开放与封闭之争。