阅读

OpenAI于2026年10月20日发布声明，称其最新一代模型在处理“低资源”编程语言方面取得显著进展。这些语言包括COBOL、Fortran和Visual Basic，尽管训练数据远少于Python等现代语言，但据IBM估计，COBOL仍支撑着全球超过40%的在线银行系统和95%的ATM交易。

根据OpenAI构建的两个评估基准，GPT-6 Astra在MultiLangBench测试中，跨20种语言的平均测试通过率达到了87.4%，相比GPT-5.6 Terra约38%的表现有了大幅提升。该测试要求模型从零开始构建一个兼容SQLite的数据库引擎。

在更具体的COBOL迁移基准测试中，即把COBOL代码转换为C++、Java、Kotlin、Python或Rust的任务里，GPT-6.1 Sol在低推理努力下的准确率为86.6%，而GPT-5.6 Sol仅为5.4%。当提高推理努力程度时，GPT-6.1 Sol的准确率进一步上升至97.9%。

需要注意的是，上述数据均源自OpenAI的内部评估，尚未获得独立第三方的复现验证。此外，高准确率是在特定配置（如最大推理努力）下取得的，实际生产环境中的表现可能受成本和延迟等因素影响。

哥伦比亚大学商学院金融与房地产学教授斯泰恩·范·纽文伯格（Stijn Van Nieuwerburgh）在为布鲁金斯学会会议准备的一篇论文中指出，美国人工智能基础设施建设对经济产出的消耗，可能超过电力、铁路等历史上大型基础设施项目。据路透社报道，该研究预计，到2032年，美国每年将有约3.6%的国内生产总值（GDP）投入这一领域，累计规模超过10万亿美元。

这一比例显著高于19世纪末美国铁路建设高峰期每年约占GDP 2.2%的投入水平。相比之下，20世纪50年代开始的州际高速公路系统以及90年代中期的电信基础设施扩张，年投入均略高于GDP的1%。范·纽文伯格指出，早期的铁路和电信扩张都曾引发资产泡沫及随后的崩溃，而当前AI基建不仅规模空前，其融资结构也日益复杂，涉及银行、私人信贷机构及特殊目的实体（SPV），这种不透明性让人联想到次贷危机前的情况。

为了验证投资的合理性，范·纽文伯格进行了收入缺口测算。他估算，到2032年，AI行业每年需要创造约3.7万亿美元的总收入，才能实现目前预期的投资回报。然而，目前OpenAI和Anthropic两家头部公司的合计年收入估算仅约为1000亿美元。这意味着相关收入必须以每年约80%的速度持续增长，才能填补这一巨大缺口。如果市场需求不确定、技术变化过快或执行出现瓶颈，叠加高杠杆率，市场预期调整时可能带来“实质性的下行风险”。

不过，这位教授也在论文中强调，这并不意味着金融危机已经迫在眉睫。他认为，AI应用的强劲增长、较高的基础设施利用率以及模型能力的持续提升，都可能支撑预期的基础设施投资并带来稳定现金流。这篇论文原定于当地时间周五正式提交，其核心观点在于提醒投资者和政策制定者关注当前资本开支与未来收入潜力之间的巨大张力。

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。

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。

美国非营利研究机构艾伦人工智能研究所（AI2）于2026年10月20日发布了名为FairStress的大语言模型公平性基准测试。该测试旨在超越传统的“最终输出一致性”检查，深入评估模型在高利害决策场景（如招聘、贷款审批）中，当受到外部论点挑战时的决策稳定性是否存在基于人口统计身份的不对称性。

传统公平性基准通常测试模型在交换候选人身份但保持资质不变时是否给出相同选择。然而，AI2的研究表明，即使模型初始选择正确，其在面对“对抗性前缀”（如声称某候选人更受高层青睐或历史上被忽视）时，改变决定的难易程度可能因受益群体不同而产生显著差异。这种现象被称为“反刻板印象过度纠正”：当模型面临支持少数群体候选人的论点时，比支持多数群体候选人时更容易放弃原本符合证据的正确选择。

在对Olmo、Llama、Qwen、Gemma、Claude和GPT系列等15个开源及前沿模型的实验中，AI2发现，当人口统计身份被隐含而非明确陈述时，模型在放弃正确答案上的平均差距仍达到6.9个百分点。这一发现提示开发者，仅验证最终答案的一致性不足以捕捉模型在实际交互中可能出现的隐性偏见波动，需将决策对说服性论点的抵抗力纳入评估体系。

Eon 的高级 DevOps 工程师 Roei Zavida 把公司内部的 MCP 工具网关部署到一百多名开发者后，撞上了一个文档里不会提前告诉你的问题：Cedar 授权策略的体积逼近了配额上限。

Eon 是一家云数据平台公司，为 AWS、Azure 和 GCP 上的资源提供发现、备份和勒索软件检测。它的工程团队排查一次生产事故需要同时查 Kubernetes 日志、Grafana 指标、GitHub PR 和云服务商状态。此前每位开发者本地跑约十个 MCP 服务器，各自配置凭证，新人上手要两天。他们选择了 Amazon Bedrock AgentCore Gateway 作为统一入口，用 Cedar 策略控制人和代理各自能调用哪些工具，用 IAM 跨账户角色假设替代 VPC 对等连接。上线后新人配置降到约两分钟，本地 MCP 进程归零。

但 Zavida 在博客中重点讲的不是这些数字，而是三个在百级规模和约一万次会话后浮出的生产问题。

第一个是策略体积。网关在 DEFAULT 模式下预索引每个工具的 schema，这些全部计入 Cedar 策略体积。数十个目标暴露的大量工具清单让策略逼近配额。解法是对工具数量大的目标切换到 DYNAMIC 模式：网关在请求时实时转发 tools/list，不再预索引，策略体积增量为零。代价是 DYNAMIC 目标失去语义搜索——开发者无法用自然语言描述需求让网关匹配工具。Eon 的折中是混合配置：工具数少、需要逐用户 OAuth 同意的目标保持 DEFAULT，大目录目标用 DYNAMIC。

第二个是 OAuth 协议不匹配。Claude Code、Cursor 和 Codex 期望 OAuth 流程携带 state 参数做 CSRF 防护，但 AgentCore 使用 session-URI 绑定。Zavida 的团队在网关前加了一层 Amazon API Gateway 转换垫片，让标准客户端无需修改就能完成认证。

第三个是工具清单噪音。某些 MCP 服务器暴露数百个工具，单个开发者只需要其中一小部分。Eon 在 Runtime 层包了一个过滤包装器，缩减返回的工具数量，既减少误调用风险，也避免这些目标被迫切到 DYNAMIC 模式而失去语义搜索。

这三个问题的共同点是：托管网关解决了凭证分散和跨账户网络的核心痛点，但它的默认假设——预索引所有 schema、单一 OAuth 模式、完整工具清单——与真实的多账户、多协议环境产生了摩擦。Zavida 给出的不是换方案，而是在同一个网关内做局部适配。

对于正在构建代理式系统的团队，这篇实践记录的可迁移认识是：统一 MCP 网关的价值在于把身份和策略集中到一处，但规模一旦上去，你需要为不同特征的工具目标准备不同的接入模式，并且预留一层协议转换的余地。

多智能体AI系统通过MCP协议连接外部工具时，面临一个根本问题：如何证明哪个代理发起了请求、防止代理间伪造、并确认每个代理只代表已授权用户行事。MCP没有内置认证标准，任何组件都可能冒充代理或重放截获的凭证。AWS与Keyfactor工程团队联合发布的参考架构用四种机制填补这一缺口：签名信封提供持有证明，用户签名委托断言在不共享凭证的情况下授权代理，RFC 8693受众限定令牌将泄露影响限制在单一服务边界，实时OCSP撤销使凭证变更立即传播。其核心属性是撤销级联：撤销一张用户证书即可终止所有下游代理权限，无需逐一撤销令牌或联系每个代理，因为每个请求都检查OCSP，效果即时。该架构框架无关，同样适用于LangChain、CrewAI、AutoGen等多智能体框架。

据ZDNet Korea报道，洛克布里奇网络（Rockbridge Network）韩国分部于2026年10月16日发布报告《中国人工智能在韩国如何使用》。该报告分析了全球AI模型共享平台Hugging Face上韩国账户在2026年1月至8月期间公开的1845个新生成式语言模型。结果显示，其中49.3%是基于中国开源模型开发的衍生模型，而基于美国模型的比例为35.9%，基于韩国本土模型的比例仅为14.9%。

在中国开源模型中，阿里巴巴的Qwen（通义千问）占据绝对主导地位。今年新增的1845个模型中，有864个基于Qwen开发，占总数的46.8%，大幅领先于谷歌Gemma（14.7%）和Meta Llama（13.8%）。相比之下，尽管DeepSeek在韩国公众认知度较高，但其作为基础模型的衍生应用仅占1.0%。报告指出，Qwen的竞争优势在于提供从小型到超大型多种规模的模型选择、支持119种语言以及丰富的开发工具链。

值得注意的是，开发者生态的选择与终端用户及企业行为存在显著差异。截至2026年7月，韩国下载量前十的AI聊天机器人应用中并无中国服务；对韩国36家主要企业的公开GitHub仓库分析也未发现对中国模型的直接引用。针对102家中小企业的调查显示，不使用中国AI模型的主要原因是数据泄露担忧（80.2%）和个人信息处理不透明（67.7%），而非性能问题。

报告作者、汉阳大学商学院教授崔成镇（Choi Sung-jin）表示，随着对特定国家或模型依赖度的提高，若发生许可证变更或后续模型停止公开，将影响开发环境。他建议韩国本土开放模型需在性能之外，完善商业许可、多尺寸覆盖及微调工具生态，以在实际开发现场获得选择。

美国AI初创公司Electric Plant宣布完成1120万美元种子轮融资，由Onto Ventures和Climactic共同领投，Ponderosa、Endeavor Catalyst等机构参投。该公司致力于构建一个名为Bombadil的大语言模型，旨在解读植物茎干中流动的微伏级电信号，从而向种植者传达植物的实时需求。

Electric Plant联合创始人Justin Mast表示，传统农业监测工具如土壤探针和卫星图像虽然成熟，但无法深入植物内部获取实时数据。公司的传感器成本仅为数十美元，远低于现有数千美元的设备，且每英亩仅需少量传感器即可通过云端运行Bombadil模型进行分析。

目前Bombadil模型已覆盖约125种不同植物。Mast声称该系统能在提高产量的同时减少至少20%的水资源使用，但这一效果尚未经过独立验证。本轮融资将主要用于推动传感器和模型的上市进程。

在伯克希尔·哈撒韦公司（美国）发布的2023年致股东信中，沃伦·巴菲特深情回顾了合伙人查理·芒格对该公司投资哲学的根本性重塑。巴菲特指出，尽管他长期负责日常运营，但芒格才是伯克希尔现貌的“建筑师”，而自己则是执行其愿景的“总承包商”。这一比喻揭示了伯克希尔从早期遵循本杰明·格雷厄姆的“捡烟蒂”策略，转向以合理价格收购优秀企业的核心逻辑转变。芒格在1965年的建议——放弃购买平庸企业，转而关注具有持久竞争优势的优质资产——成为了伯克希尔后续数十年价值积累的基础。

信件的另一关键议题在于如何正确解读财务数据。巴菲特批评了官方年度报告中受未实现资本利得或损失剧烈波动影响的“净利润”指标，认为这种由美国财务会计准则委员会（FASB）制定、美国证券交易委员会（SEC）强制要求的数字对于评估企业真实经营状况是“比无用更糟糕”的。相反，他主张投资者应关注“经营收益”，该指标剔除了短期市场噪音，更能反映企业内在价值的积累。巴菲特引用格雷厄姆的名言提醒读者：“短期内，市场是一台投票机；但在长期内，它是一台称重机。”因此，不应依据随股市每日波动的账面收益来判断伯克希尔的投资价值。

此外，巴菲特强调了管理层诚信与激励机制的重要性。他引用1863年美国首任货币监理署长休·麦卡洛克的警告：“永远不要指望你能阻止一个流氓欺骗你。”这表明在挑选合作伙伴时，识别人的品格比试图管理风险更为关键。对于普通读者而言，这封信提供了一个清晰的框架：在投资中，应优先选择商业模式优秀且管理层可信的企业，并在分析财报时穿透会计规则的表象，关注剔除市场波动后的核心经营成果。

适合希望理解价值投资演变及如何正确解读上市公司财务报表的个人投资者阅读《伯克希尔·哈撒韦公司2023年致股东信》（2024年发布）。建议从信件开头关于芒格角色的回忆部分入手，进而深入阅读关于“经营结果，事实与虚构”的章节。