阅读

2010年代，如果你刚晋升为工程管理岗，你大概率会听到这样一句话：'你以后不需要再做任何技术决策了。'Will Larson在Imprint担任CTO之前，曾在Carta和Calm担任CTO，在Stripe和Uber做过工程负责人，他回忆自己当年确实被这样告知。

Larson认为这条'规则'并非管理学的永恒真理，而是特定经济环境的产物。零利率时代（ZIRP）让科技行业人才极度稀缺，公司之间的竞争焦点变成了谁能招到并留住优秀工程师。在这种环境下，管理者被要求'让工程师做技术决策，不要挡路'，本质上是一种讨好人才的手段。招聘能力成了区分成功公司和失败公司的关键，管理者的价值被重新定义为'创造让工程师愿意留下的环境'。

但Larson指出，这种环境塑造了一个副作用：管理者逐渐丧失了技术判断力，因为组织不再要求他们使用这项能力。当他说'在2010年代，我们基本上告诉管理者不能思考技术解决方案'时，他描述的不是某个公司的个别做法，而是一种被广泛接受的管理哲学。管理者手中只剩下流程工具、排期工具和招人工具。

现在条件逆转了。利率环境改变，人才市场不再像2010年代那样紧张；AI工具正在改变软件开发的实际工作方式，技术决策正在重新回到管理层手中。Larson观察到，公司开始重新期望管理者动手、进入细节。在Imprint，他的一些最好的招聘是那些既想管理团队又想写代码的人——技术负责人经理（TLM）这个角色如今需求很大，而几年前他写过文章说这个角色是'职业陷阱'。

Larson自己做了一个极端的选择：从Carta管理250人的团队，退到Imprint只带25个技术人员。他称这是'退一步'，理由是他认为工程领导这个职业在三年内将不复存在——至少不会以他熟悉的形式存在。他建议中层管理者要么回去做一线管理并重新学习技术，要么考虑退休。

这个判断的边界需要说清楚。Larson的'三年'预测是基于个人观察和当前感受，不是对行业数据的测量。不同公司、不同技术栈、不同地区的工程管理实践可能以完全不同的速度变化。他在Stripe管理250人时面对的是支付基础设施的特定约束，在Imprint面对的是AI产品初创公司的另一组约束——从一种环境推导出的结论不一定适用于所有环境。此外，他本人正在Imprint招聘工程管理岗位，这个利益关系值得注意：他建议管理者'回去动手'，同时他正在招'既想管人又想写代码'的人。

不过，Larson的核心机制解释——管理规范的来源是经济环境而非管理理论，因此当经济环境改变时规范会失效——对任何正在考虑是否要'重新动手'的工程管理者来说，是一个有用的思考框架：不是'我是否落后了'，而是'我遵循的那条规则，它的经济前提还存在吗'。

人工智能实验室正在加大对“大脑数据”的投资力度。据WIRED报道，专注于通过脑植入物检测和对抗癌症的初创公司 Coherence Neuro 宣布完成 4500 万美元的种子轮融资，由 OpenAI 的风险投资部门 OpenAI Startup Fund 和彼得·蒂尔（Peter Thiel）创立的 Founders Fund 共同领投。

Coherence Neuro 首席执行官 Ben Woodington 表示，大型 AI 实验室与解码大脑的设备制造商之间正形成“日益增强的协同效应”。他认为，捕获数据以训练更好的模型并利用其优化治疗方案至关重要，而 AI 公司似乎认同这一论点，即这种新型数据源具有巨大价值。Woodington 指出，AI 是脑机接口（BCI）的“完美用例”，因为这些设备生成的海量数据集超出了人类直接分析的能力范围，需要 AI 模型来读取原始神经数据并将其与动作或病理状态关联。

此次融资并非孤立事件，而是 AI 产业向生物医疗领域延伸的一部分。今年一月，OpenAI 曾直接投资另一家脑机接口公司 Merge Labs，该公司由 OpenAI CEO Sam Altman 联合创立，旨在利用超声波技术解码大脑信息。当时 OpenAI 表示，支持 BCI 是因为相信它将创造一种“自然、以人为本的方式，让任何人无缝地与 AI 交互”。此外，Founders Fund 此前也已支持埃隆·马斯克（Elon Musk）的 Neuralink 以及被 Facebook 收购的 CTRL-labs。

与主要致力于恢复瘫痪患者功能的传统 BCI 公司不同，总部位于旧金山的 Coherence Neuro 专注于开发能够解码与脑肿瘤相关的细微电信号的 AI 模型。公司称已在动物实验中成功检测出这些信号，以判断癌症的生长、缩小或复发情况，目前正致力于将这些发现转化到人体研究和临床试验中。今年夏天，该公司在澳大利亚皇家墨尔本医院对三名正在进行脑肿瘤切除手术的患者进行了初步安全性测试，植入物在体内停留约 30 分钟以记录信号。

Coherence Neuro 计划利用这笔新资金启动一项长期临床试验，将设备植入胶质母细胞瘤（一种侵袭性脑癌）患者体内。该植入物不仅用于检测，还设计有发出轻微电刺激以阻止肿瘤生长的功能。Woodington 强调，尽管 OpenAI 参与了投资，但根据合同安排，OpenAI 不会访问 Coherence 生成的任何大脑数据或其他健康数据，这与 OpenAI 和 Merge Labs 之间更紧密的科学合作模式有所不同。

OpenAI研究员、o1核心作者Noam Brown在Dwarkesh Patel播客中解释了多智能体系统的实际运作逻辑。他指出，多智能体本质上是将推理时的计算量从纯串行扩展改为并行扩展。就像人类考试给五分钟和五小时成绩截然不同一样，模型思考时间越长表现越好，但现实中无法等待数年，因此需要组团队并行推进。

Brown强调这种并行化存在固有损耗：多个Agent不像单个Agent那样独享全部上下文，因此效率会低一些。实测显示四个Agent各干一半时长可换来快一倍的答案，推到16个Agent时规律类似但效率略降。这种收益呈现略微亚线性，且高度依赖问题本身——数学和Deep Research这类工作适合并行，而写小说则很难通过增加Agent数量获得显著收益。

针对外界对万级Agent规模的关注，Brown坦承目前尚无扎实的科学认识。完整消融实验开销无法承受，他们只能循序渐进地研究64至256个Agent的行为规律。他明确表示解出千禧年难题的核心原因是基础模型足够强大，多智能体因新奇抢眼获得了不成比例的好评，其功劳不足10%。

在架构设计上，Brown对比了两种路线。传统方式高度依赖scaffold（协作框架），设协调Agent分派任务，但这导致相似任务的子Agent无法互相交流，且遇到澄清需求时只能揣测或返回提问。OpenAI选择了另一个极端：尽可能少地内置结构，只赋予Agent向彼此发消息的原始工具，消息直接写入接收方上下文。

这种极简设计让Agent自己摸索出协调方式，甚至涌现出复杂行为。Brown举例称有Agent发现答案不一致时会自然展开讨论、核对推理错误并广播修正，整个过程如同人类在Slack上的工作。他认为这很像第一次看到思维链时的感受，与它们协作的感觉和与人协作相差无几。

不过Brown也指出早期多智能体极难做好，因为推理模型原本不与其他Agent交流，强行让它们协作会打断深度思考的心流，陷入局部最优。随着泛化能力提升，这一问题才得到缓解。但他仍保守表示，眼下1万个人的协调能力完全有可能强于1万个Agent，因为后者尚未被充分测量。

Simon Willison 在饭桌上跟朋友聊起自己的判断：编码代理能做出一个看起来像游戏的东西，但做不出真正让人想继续玩下去的东西。说完之后他决定给模型一个机会来证明自己错了。他对着手机上的 Claude Opus 5.5 打了一行字：'This game isn't fun enough yet. Make it a LOT more fun.'

这是他在 Battle Drones 项目中的第四次大版本迭代。前三个版本——初始原型、完整精灵图、多样地形——每一个都' recognizable as an RTS'但'wasn't any fun to play'。Willison 承认自己几乎没看过代码，也不怎么写 TypeScript，项目完全靠编码代理推进，321 次提交全部由代理完成。

这一次他用了 Ultracode 模式。按照 Claude Code 文档的描述，动态工作流是一个编排大量子代理的 JavaScript 脚本。他从晚上启动，第二天早上才拿到可玩的结果。后来他让 Claude 自己写发布说明，其中一段写道：在 1,200 场普通难度 AI 对 AI 测试赛中，25 分钟仍未分出胜负的比赛从 14% 降到了 0.9%；落后 800 以上资源的一方最终获胜的比例从 24% 升到了 46%。

Willison 事后解释了为什么代理花了那么长时间：它跑了一千多场模拟对战，用结果来重新平衡已有单位、添加新单位、引入新机制。也就是说，'更有趣'这个模糊指令被代理内部转化为可衡量的指标——比赛时长、翻盘概率、资源差距与胜负的相关性——然后通过大量模拟迭代来优化这些指标。

这个机制能成立，前提是游戏平衡本身有一个廉价且忠实的内部反馈回路。模拟对战不需要真实玩家，不需要外部数据，代理自己就能生成足够多的'玩家行为'来评估改动是否让比赛更紧张、更有翻盘可能。Willison 选择游戏作为实验场，部分原因是他在软件工程方面的经验在这个领域影响较小，而且'游戏是超低风险的'，最坏的结果不过是一个小 bug。

但 Willison 同时表达了明确的不适感。他写道：'I'm still not quite over the guilt of building software in this way. I don't feel like I've earned the right to create something this good, in a field in which I have so little prior experience.'他承认自己几乎没有游戏开发经验，设计输入仅限于'让它更有趣'和'加点视觉打磨'这样的模糊指令。直到第八个版本，他才第一次给出了一段真正具体的设计规格——一张需要运输机投送步兵才能占领岛屿的地图。

对读者的实际启示是：模糊质量指令能否奏效，取决于目标领域是否存在代理可以内部模拟和度量的反馈回路。游戏平衡有，但'用户体验好不好''这个方案是否优雅''这份报告是否令人信服'通常没有同样廉价且忠实的内部代理指标。在没有这种回路时，同样的模糊指令很可能只得到表面功能的堆砌，而非真正的质量提升。

开源推理引擎vLLM于2026年10月21日宣布，已实现对Recursive公司发布的Flint模型的Day-0支持。Flint是一款拥有400亿总参数但每个token仅激活约25亿参数的混合专家模型（MoE），其核心特性是在大多数层中使用滑动窗口注意力机制，并支持262K token的超长上下文。

根据vLLM官方博客披露的技术细节，该支持针对NVIDIA Blackwell架构GPU（如GB200）进行了深度内核优化。在单张GB200显卡上，处理100K token上下文的单个请求时，解码速度可达约500 tokens/s。这一性能得益于vLLM团队替换了标准层中的多个通用内核，包括融合Q/K归一化、RoPE和KV缓存写入，以及专门针对小批量MoE路由和专家GEMV操作的优化内核。

Flint模型提供NVFP4量化感知训练和BF16两种检查点版本。vLLM指出，其实现的NVFP4路径采用权重-only量化（W4A16），并在加载时无损重打包GGUF文件，确保精度与Recursive参考实现在GSM8K、GPQA-Diamond等基准测试中保持一致。目前，这些优化主要针对TP=1（单卡张量并行）配置，其他配置将回退到vLLM的标准层。

美国网络安全咨询公司Trail of Bits于2026年10月21日发布了名为patching-bugs和regression-hunt的两个AI代理插件。这些工具旨在让工程师将补丁开发和回归检查任务委托给AI代理，同时保持人类对结果的审查权。

据Trail of Bits官方博客介绍，patching-bugs插件负责复现报告的Bug、开发修复方案并进行测试；regression-hunt插件则专门检查代码变更是否破坏了之前正常工作的行为。这两个插件基于该公司与OpenAI合作的“Patch the Planet”计划中积累的数百个安全补丁经验开发而成。

在初步评估中，Trail of Bits声称regression-hunt插件产生的假阳性发现比提示为“审查PR中的回归问题”的基线Codex代理减少了25%（95%置信区间为14%至38%）。该评估基于对超过130个合并PR的回顾，其中确认了21个回归案例。

插件的核心设计原则包括严格的结构化输入输出模式以及要求每个结论都依赖实时部署上的概念验证（PoC）。如果步骤无法产生实时PoC，结果将被视为不确定。这种机制旨在提高信号噪声比，但也带来权衡：更少的误报意味着一些已知的回归可能被归类为边界情况而未被确凿报告。

Salesforce台湾办公室成立即将届满一周年。据INSIDE报道，Salesforce台湾总经理徐嘉声于10月21日透露，公司在台第一年营收与新增客户数均实现双位数成长。其中，主打AI代理功能的Agentforce与负责数据整合的Data 360相关导入，已占据新签案件的40%。

徐嘉声指出，促使客户点头的关键并非通用的技术框架，而是团队利用客户自身业务场景进行的概念验证（POC），直接展示导入后的服务成果。目前，制造业（如研华科技）与金融业是其在台深耕的重点领域，主要应用包括通过AI代理处理客户询问、报价与维修派工，以及整合分散的客户资料以支持个性化财富管理。

此外，Salesforce宣布与NVIDIA合作推出专为CRM设计的推理模型Koa。根据Salesforce自行开发的基准测试，Koa在更新商机等任务中的错误率为主流AI模型的三分之一。该模型预计于2026年冬季在美国正式全面上线（GA），目前处于部分客户试用阶段。

许多机器学习从业者对让模型跑得快有直觉，但更少人知道如何分析模型为什么慢。Amazon工程师Josh Longenecker在Hugging Face博客发布了一篇Trainium推理性能剖析教程，从配置profiler开始，到读取key_averages()表格，再到用Neuron Explorer追踪单条操作从框架调度到硬件执行的完整生命周期，给出了一套可复现的系统方法。

文章的核心对比围绕RMSNorm这一小操作展开，使用三种实现：逐行PyTorch张量运算（乘法、均值、加法、倒数平方根、再乘）、PyTorch内置torch.rms_norm()（被Neuron降低为单个融合内核）、以及用torch.compile编译朴素实现。三组脚本使用相同输入、相同profiler配置和相同schedule，结果可直接比较。

在朴素实现中，key_averages()表格显示三个aten::mul调用占据Neuron设备时间的最大份额（49.5%），总设备时间为2.355 ms。Neuron Explorer的追踪揭示了原因：每个ATen操作独立跨越调度边界，遵循各自的框架→运行时→硬件路径，硬件执行之间存在间隙。

切换到torch.rms_norm()后，表格只显示一条aten::_fused_rms_norm记录，设备时间降至403.3 μs。追踪中只有一条调度路径和一条硬件事件，组件操作之间没有间隙。用torch.compile编译朴素函数得到类似结果：一条Torch-Compiled Region记录，375.5 μs。编译器从原始Python函数中发现融合，将操作合并、优化内存访问并编译为单个NEFF工件，作为一次硬件调度执行。

Longenecker总结：在这几组运行中，两种融合方式都只占朴素实现设备时间的约六分之一。融合消除了硬件执行之间的间隙，并避免了在分别调度的操作之间物化中间值（如x_sq和mean_sq）。这套流程可直接迁移到更大模型：在表格中找到热点，在追踪中验证，再判断融合操作或torch.compile能否降低成本。

需要指出的是，所有数字来自作者单次运行，未报告重复次数或方差；RMSNorm是小操作，结论能否外推到更大模型需Part 2的TensorEngine/VectorEngine/DMA分解和roofline分析进一步验证。

在深度学习模型的开发与调试中，理解输出特征如何映射回输入信号至关重要。这篇由André Araujo、Wade Norris和Jack Sim于2019年发表在Distill上的文章《Computing Receptive Fields of Convolutional Neural Networks》，系统性地解决了卷积神经网络（CNN）中“感受野”的计算问题。感受野定义为产生特定输出特征的输入区域大小，它是连接网络内部抽象表示与原始数据之间的关键参数。

文章首先针对单路径网络（如AlexNet或VGG）提供了闭式解。作者推导了递归公式 $r_{l-1} = s_l \cdot r_{l} + (k_l - s_l)$ 以及最终的闭合形式表达式 $r_0 = \sum_{l=1}^{L} ((k_l-1)\prod_{i=1}^{l-1} s_i) + 1$。这一推导不仅简化了手动计算的繁琐过程，还澄清了步长（stride）和核大小（kernel size）对感受野累积影响的机制。例如，当某一层步长大于1时，其下方所有层的感受野区域都会按比例扩大。此外，文章还详细说明了如何精确定位输入图像中生成特定输出特征的区域坐标，这对于目标检测等需要多尺度识别的任务尤为关键。

随后，文章将理论扩展到现代多路径架构（如ResNet或Inception）。这类网络存在多条从输入到输出的路径，导致感受野计算变得复杂，且可能出现对齐问题。作者提出了一种算法来处理任意计算图中的感受野大小和位置计算，填补了此前仅关注简单单路径网络的空白。为了验证这些理论并方便研究者使用，团队开发并开源了一个集成在TensorFlow代码库中的工具包。该库能够自动执行文中描述的复杂计算，避免了人工推导的错误风险。

对于从事计算机视觉研究的工程师和学者而言，这篇文章不仅是理论参考，更是实用指南。它揭示了为何某些网络结构难以捕捉大物体（因为感受野过小），以及如何通过调整层参数来优化特征提取范围。建议读者从“Problem setup”章节入手，结合文中的图示理解基本符号定义，然后深入阅读“Single-path networks”部分的数学推导，最后查看开源库的实际应用案例。原文标题为《Computing Receptive Fields of Convolutional Neural Networks》，发表于2019年。

在1990年的致股东信中，沃伦·巴菲特（Warren Buffett）深入阐述了伯克希尔·哈撒韦公司（美国）的核心投资与管理理念。这封信不仅是财务披露，更是一份关于如何透过会计表象看清企业经济实质的教学材料。

首先，巴菲特提出了“透视盈余”（Look-Through Earnings）的概念，以解决传统会计准则的局限性。他指出，伯克希尔持有的许多被投资公司（如可口可乐、华盛顿邮报等）的留存收益远高于其支付的股息，而GAAP准则仅记录收到的股息部分。这种记账方式掩盖了真实的经济价值增长。巴菲特强调：“我们不在乎审计师是否听到森林里的树倒下；我们在乎的是谁拥有这棵树以及接下来对它做了什么。”通过计算包含被投资公司留存收益份额在内的“透视盈余”，投资者能更准确地评估企业的真实盈利能力，而非仅仅依赖报表上的数字。

其次，信件明确了管理层的目标是使股东的回报与公司内在价值的增长保持一致。巴菲特写道：“理想情况下，每位伯克希尔股东的结果应与其持有期间公司的结果紧密镜像。”他承认内在价值是一个估计值，甚至他和查理·芒格（Charlie Munger）的评估也可能存在10%的差异，但坚持认为追求内在价值的年均增长（目标为15%）比单纯关注账面价值或股价波动更为重要。这一观点提醒投资者，股价短期可能偏离价值，但长期来看，只有当买入和卖出时的估值溢价/折价比例一致时，个人回报才能完全反映公司业绩。

最后，巴菲特详细描述了伯克希尔独特的去中心化运营模式及其对资本配置的影响。他明确表示：“我参与管理的领域是资本配置以及高层管理人员的选择和薪酬。”其他运营决策则由子公司管理者自主负责。这种模式依赖于识别并留住优秀的管理者，让他们将产生的现金汇至总部，由巴菲特进行智能部署。他在信中举例说明，即使某些业务的管理者从未去过奥马哈总部，也未曾彼此见面，他们依然能高效运作。这种结构确保了伯克希尔能够专注于寻找具有持久竞争优势的企业，并在不干预日常经营的前提下实现资本的最优配置。

对于当代投资者而言，理解这些原则有助于区分“会计利润”与“经济利润”。在阅读《伯克希尔·哈撒韦1990年致股东信》时，建议重点关注巴菲特如何通过具体案例（如Capital Cities/ABC的股息与留存收益对比）来演示透视盈余的计算逻辑，以及他对管理层激励结构的阐述。这不仅适用于分析伯克希尔本身，也为评估任何控股型公司或多元化集团提供了框架。