阅读

在ARK Invest、WOLF和Public联合制作的播客《The Brainstorm》第154期中，首席未来学家Brett Winton和主持人Sam Korus讨论了近期科技与金融市场的几个关键事件。Brett Winton亲自参加了特斯拉Roadster的发布会，他提出一个非共识观点：这次发布主要是一次营销活动，旨在为潜在的SpaceX与特斯拉合并铺路。他列举的证据包括两家公司财报电话会议顺序的调整、周末期间SpaceX高管悄然关注特斯拉社交媒体账号，以及股东投票所需的时间窗口。

节目还深入分析了AI基础设施公司CoreWeave的债券市场表现。CoreWeave的债券收益率从发行时的9%飙升至交易中的15%，尽管图形处理器（GPU）的需求并未显示出明显的疲软迹象。Brett Winton怀疑这并非基本面恶化所致，而是可能有杠杆基金正在被迫清算持仓。这一观察为投资者提供了理解当前AI算力融资环境压力的另一个视角。

此外，两人讨论了Anthropic的最新报告数据。尽管其增长率已放缓至340%，但Brett认为这仍可能是商业史上表现最卓越的十二个月之一。他们进一步探讨了闭源实验室（closed labs）是否在拉开与开源模型的差距，而不是被后者追赶的观点。对于关注AI产业竞争格局和投资机会的读者，本期节目提供了基于现场观察和市场数据的即时解读框架。

美国AI制药初创公司Pathos AI于2026年10月23日宣布完成2.37亿美元的Series E轮融资，公司估值达到30亿美元。本轮融资由跨国制药巨头百时美施贵宝（Bristol Myers Squibb）领投，AstraZeneca、NEA和General Atlantic等现有投资者参与。

Pathos AI正在开发名为Foundry的人工智能平台，用于分析约200 PB的肿瘤学数据，以识别最有前景的药物分子并规划临床试验。公司首席执行官Iker Huerga表示，该融资将主要用于推进其关键抗癌项目JSKN016及其他三个药物研发计划。

此次融资也是Pathos AI与百时美施贵宝及Tempus AI更广泛战略合作的一部分。根据协议，Pathos AI将在五年内向Tempus AI支付5500万美元，以获取神经退行性疾病患者的匿名数据，并利用Foundry平台进行分析，旨在改善百时美施贵宝的临床试验设计和患者筛选。

ARK投资播客The Brainstorm第151期围绕Meta Connect发布会展开了一场方向相反的辩论。Meta的Muse系列取代了元宇宙成为扎克伯格的公司愿景，硬件产品线从没有摄像头的纯音频Ray-Bans眼镜，到重100克、售价1300美元的VR头显，再到一款类似电子宠物、计划假日季发货的Muse Charm智能体设备。

首席未来学家Brett Winton的核心论点是：Meta真正的目标从来不是虚拟现实，而是苹果。削弱智能手机对用户的锁定，对Meta的价值超过任何单一硬件设备。他的逻辑是，智能体设备可以在不取代智能手机的前提下逐步侵蚀苹果的生态系统锁定。

消费互联网研究总监Nicholas Grous给出了反驳：人们在手机上实际做的三件事并未被上述任何设备触及，Meta不如直接做一部手机。

节目还提出了一个资本配置问题：消费智能体可能需要五年才能变现，而哪类资产负债表能够支撑这段资金缺口。此外，讨论还涉及消费智能体是否比GPU代际提前到来，以及为何拥有消费者可能是Meta最值得花的钱——也是华尔街最不愿看到的。

对于关注AI应用落地与电商平台竞争的投资者而言，ARK Invest旗下的播客《The Brainstorm》第150期提供了一个值得关注的资源。本期节目名为“Amazon Just Blocked AI Shopping. Shopify Opened Up”，由ARK的研究总监Sam Korus、Nicholas Grous以及首席未来学家Brett Winton共同主持。这三位嘉宾均具备明确的机构身份和研究背景，其中Grous负责消费互联网与金融科技研究，Winton主导长期技术预测，他们的观点代表了ARK对颠覆性创新的一贯分析框架。

节目核心议题围绕AI购物代理（Agentic Shopping）引发的平台策略对立。根据出版方提供的概要，亚马逊阻止了Meta的Muse模型爬取其网站，理由是保护其高达700亿美元的广告业务；相反，Shopify选择向该模型开放Shop Pay支付接口及其适配代理的商品目录。这种截然不同的应对方式构成了本期讨论的基础场景。

在选读价值上，听众可以关注嘉宾对这一战略分歧的推演逻辑。概要指出，Nicholas Grous认为亚马逊正在犯错，一旦沃尔玛或Target等竞争对手加入并看到商品交易总额（GMV）的提升，亚马逊将被迫改变路线。另一方面，Brett Winton提出代理并非分割现有市场，而是通过引入服务、生鲜和家居项目等新类别来扩大电商边界，并强调Meta在Instagram上积累的社交商务工具可能是被低估的先发优势。

此外，节目还涉及“幽灵品牌”、“人类证明”以及AI代理可能发展出独立品牌偏好等前沿概念。虽然本推荐基于出版方摘要而非完整对话记录，但鉴于ARK在长期创新投资领域的专业地位，该期节目为读者梳理了评估AI电商渗透率（如美国电商占比可能突破30%）及平台护城河变化的关键论点线索。

中国AI公司Moonshot于2026年10月23日在其API平台发布了新模型Kimi K3.1 Pro。据技术博主Simon Willison报道，该模型目前尚未开放权重，但Moonshot承诺将在2026年11月4日前发布完整模型权重。

在独立评测机构Artificial Analysis的测试中，Kimi K3.1 Pro获得了55分。这一成绩超过了Claude Fable 5.1、GPT-6 Astra和Gemini 4 Argon（均为53分），仅次于Claude Opus 5.5（58分）。Willison指出，这是首次有即将开源的模型在独立评测中达到如此高的分数，接近当前前沿闭源模型的水平。

定价方面，Kimi K3.1 Pro的输入价格为每百万token 2美元，输出价格为每百万token 10美元。这一价格与OpenAI的GPT-6.1 Sol持平，仅为Anthropic Claude Opus 5.5的一半。此外，Moonshot还提供了一个名为“Highspeed”的版本，速度提升2至3倍，但价格翻倍（缓存命中的输入token价格不变）。

据Semafor报道，非洲首富阿里科·丹格特（Aliko Dangote）旗下的丹格特集团计划投资15亿美元，用于扩建其在肯尼亚的石油管道网络。这一举措紧随该集团此前收购肯尼亚管道公司（Kenya Pipeline Company）25%的股权之后，旨在强化其从上游炼油到下游分销的垂直整合能力。

丹格特集团传统上以水泥和食品业务为主，但近年来通过拉各斯炼油厂的持续扩张以及在肯尼亚海岸启动第二个炼油厂项目，已迅速成为非洲能源领域的重要参与者。此次管道扩建是其构建泛非分销网络战略的一部分，该网络将包括区域储罐农场和其他连接炼油厂与潜在市场的管道设施。

受伊朗战争引发的油价冲击影响，依赖中东进口的东非国家面临供应压力，这增加了对丹格特燃料产品的需求。通过控制关键的基础设施节点，丹格特集团试图在区域能源市场中建立更稳固的地位，减少对单一进口来源的依赖。

当AI智能体编写生产数据管道时，它不可避免地会犯错。Databricks工程师Lisa Cao和Sudhanva Huruli在2026年10月发布了一项基准测试，用同一个智能体（Opus 4.8）在22个数据工程任务、12组不同输入数据上分别生成过程式PySpark和Spark声明式管道（SDP），共528个构建，来比较两种编程模型下错误的代价。

核心发现是：过程式管道消耗了596个executor-second的集群算力，声明式管道仅用17个，差距约34倍。机制在于声明式管道是描述而非执行——Spark可以在不真正运行数据的前提下做一次dry run，检查列引用是否存在、依赖关系是否完整、执行顺序是否合理。结构错误在零算力的校验阶段就被拦截，智能体收到反馈后修改重试。过程式管道没有这个预执行阶段，要发现一个拼写错误必须把整条管道提交到集群上跑到出错的那一步。

但声明式并非免费。智能体在dry run上反复迭代，token消耗约为过程式的2.3倍——中位数构建约0.50美元对比0.26美元（按Opus 4.8标价）。作者指出这是一个固定的一次性支出：token成本不随数据规模或管道运行频率增长，而浪费的集群算力每次坏构建都会重复发生且随数据增大而膨胀。

这项测试也暴露了声明式的边界。dry run只能拦截结构错误（列不存在、表未声明、顺序矛盾），无法发现静默逻辑错误——管道跑通了但结果不对。两种方法的静默错误率分别为27.7%和32.2%，差距在统计噪声范围内。声明式让结构错误变得便宜，但对逻辑正确性没有任何帮助，后者仍然需要测试和人工审查。

作者的结论是：在评估智能体用于管道工作时，智能体怎么写与选哪个智能体同等重要。更好的智能体犯错更少，但声明式管道让错误本身变得廉价并在造成损失前被捕获。这一逻辑不限于Spark——任何将我要什么与怎么构建分离、允许前者独立校验的框架都适用同样的经济结构。

需要保留的边界：这是Databricks作为SDP平台方的第一方基准，测试范围限于Spark生态的22个任务类型，公开仓库可供复现但尚无独立第三方验证。

一家公司每周记录一千次AI交互，另一家也记录一千次。前者大多数交互是问AI解释一段代码或查一个概念，后者有人在用AI搭建数据管道、排查异常、运行多步骤工作流。大多数企业AI看板会把这两家公司打同样的分数。

Snowflake产品营销Siddharth Dwivedi、数据科学家Zachary Blackwood和产品经理Swati Humbad在10月23日的博客中提出了一个四维框架，试图回答一个关键问题：AI是否真正在驱动有意义的工作产出。

框架的第一步是按AI实际承接的工作层级分类：基础层是解释代码、回答问题；应用开发层是写代码、排错、建报表；智能体层是多步骤流程，AI跨上下文推理、调用工具、完成一个结果而不只是回答一个问题。作者指出，如果AI真的在创造产能，节省的时间应该体现在智能体层。

第二步是把采用率和熟练度分开。采用率衡量AI在目标人群中铺开了多广，熟练度衡量人们交给AI的工作有多复杂。两个维度交叉出四种位置：高采用低熟练、低采用高熟练、两者都高、两者都低。第三步用行业基准给数字一个参照系——软件公司和受监管的保险公司不能共用同一条线。第四步看最先进用户和其余人之间的差距，把少数人的有效工作流当作路线图。

作者给出了四种把个人经验扩散到团队的具体做法：让已经拿到结果的人带实操工作坊而不是只做演示，检验标准是一个月后周使用量是否还在；把成功的工作流写成同事能直接运行的配方和模板，检验标准是下一个人执行时不需要再问作者；定期做包含失败环节的分享会，因为失败比成功更能告诉别人哪些问题值得尝试；让工作流库可搜索，否则发现成本取代创建成本成为瓶颈。

框架应用在他们自己的两个团队上。数据科学团队运行数千条数据管道，FY27第一季度需要处理960次管道异常，每次诊断约需一名熟练工程师30分钟，折合每月约160小时专家时间。团队此前已经积累了一份经过数百次事故打磨的诊断手册，足够让新人按步骤解决问题。他们把手册交给CoCo，由告警触发而不是由人敲键盘触发，同样的步骤、同样的标准，只是运行时间从团队排班变成了事故节奏。在这两个季度中，CoCo改进了超过500条管道，生成了超过100个已合并的PR，将事故到可审查修复的时间压到16分钟以内。

营销团队提供了另一个方向的证据。Snowflake全球营销组织近600人，2025年2月内部调研显示只有11.6%的北美营销人员对自己的AI使用能力感到很有信心。到2026年5月，全球营销团队的CoCo周使用率达到70%，93%的人自报每天使用AI工具。作者特别注明前者是观察到的行为、后者是自报，所以优先引用前者。营销人员具体建了什么：一个动效导出流程把一周的Summit准备工作压缩到20分钟；一个赢单/败单报告应用把每月三小时候选人识别加一周的季度汇报材料工作自动化了约90%；一个入站自动化引擎每天处理2000到3000封全球营销邮件回复，无需人工介入，替代了原计划采购的软件。

作者承认的边界：所有数字来自Snowflake内部对自家产品CoCo的使用记录；基准测试data-eng-bench是Snowflake AI Research自建、自测、自选对比对象的厂商结果；提案被接受与提出的比率尚未公布，因为团队正在加装这个度量；他们仍在摸索这套模式适用于哪些场景。框架的前提是组织已经有一份文档化的方法，而不是某种特定技术。

回到开头那两家公司的对比：差异从来不在交互次数，而在于一家把文档化的方法推进了智能体层，另一家没有——只有按工作层级度量才能看到这一点。

作者最后建议：挑一个团队已经在跑的、可重复的、有文档的流程，先量一下它今天花多少钱和时间，再决定要不要把它交给智能体。

在AIE CODE发布的最新视频访谈中，Jump Trading的算力交易负责人Affaan Mustafa和Alejandro Soumah Fernandez深入剖析了当前GPU市场的非公开交易结构。作为专业交易机构的管理者，他们的视角揭示了算力采购背后的实际运作机制。

两位嘉宾指出，尽管AI基础设施需求旺盛，但大部分GPU容量仍然在“暗池”中交易，即通过私人报价、双边合同以及在Slack、X和Telegram等即时通讯工具上达成的协议进行流转，而非通过公开交易所。这种不透明性导致了市场信息的碎片化。

访谈还探讨了价格形成的复杂因素。Mustafa和Soumah Fernandez分析了为何在模型推理token价格普遍下降的背景下，GPU硬件本身的价格却能保持坚挺。他们将这一现象归因于芯片供应、电力获取、数据中心建设以及资本成本等多重因素的叠加效应。

对于中型科技公司而言，算力采购带来了显著的财务挑战。嘉宾提到，一份为期三年的合同往往要求15%到25%的预付款，这可能消耗掉公司一整轮融资的资金，从而造成严重的现金流挤压。

最后，讨论涉及了市场结构的演变方向，包括经纪商、交易所、期货及灵活合约的作用，以及出口管制政策的影响。他们认为，市场需要标准化的合同条款和资金实力雄厚的参与者来更好地连接买方与供应商，以提高流动性和透明度。

OpenAI于2026年10月23日发布了一段视频，介绍了IT服务公司Shield如何利用OpenAI的Astra模型来支持其客户的技术支持团队。Shield正在构建名为Forge的平台，旨在帮助IT服务团队更快地让客户恢复工作。

根据视频描述，Forge中的AI智能体使用Astra模型直接在业务软件中导航和操作，以解决以前需要技术人员介入的问题，例如用户无法登录或连接网络的情况。Shield报告称，与早期模型相比，OpenAI的模型在软件中导航和操作的速度平均提高了35-40%。

这一变化对IT工作流程的影响在于重新分配了技术人员的时间：智能体处理更多常规的修复任务，而技术人员则转向处理需要人类判断的更复杂问题。该视频作为资源选读，为关注AI在企业IT运维中实际应用的读者提供了一个具体的案例视角。

微软研究院（Microsoft Research）与数字绿色组织（Digital Green）于2026年10月23日发布了一段名为“Project Gecko Story”的视频，探讨如何为当今技术往往忽视的人群和社区构建真正有用的AI。该项目聚焦于印度和肯尼亚的小农户社区，旨在围绕这些社区的语言、知识、背景和日常现实来开发AI系统。

视频展示了这一多学科项目的完整历程，从理解农民如何寻求和分享农业知识开始，到开发语言和语音技术，再到建立对模型进行文化接地评估的方法。Project Gecko汇聚了研究、设计和工程力量，重新思考AI系统的创建方式。

具体而言，该视频记录了从田野研究到开发和评估MMCT和Paza模型的过程，并介绍了Pazabench评估基准以及Atlas、Paza和Vibhasha等实践指南。这些成果被描述为开发更具人文关怀和文化接地的AI工具的实用指导。参与演讲的人员来自微软研究院和Digital Green，包括Jacki O'Neill、Najeeb Abdulhamid、Stephanie Nyairo等多位专家。