阅读

网约车平台inDrive、中国自动驾驶公司小马智行（Pony.ai）和美国芯片制造商英伟达（Nvidia）于周五宣布签署谅解备忘录，计划在哈萨克斯坦首都阿斯塔纳测试自动驾驶出租车。根据inDrive首席技术官Yuri Misnik的说法，测试将于2027年上半年开始，初期车辆将配备安全员，最终目标是实现完全无人驾驶。

在此次合作中，小马智行将提供其第七代自动驾驶出租车，由inDrive通过其网约车应用进行运营。英伟达则提供包括Hyperion平台和Halos安全系统在内的人工智能技术支持。英伟达汽车业务副总裁Ali Kani表示，Hyperion平台通过提供现成的传感器和计算基础，有助于降低自动驾驶出租车的开发成本，这在价格敏感的新兴市场尤为重要。

选择阿斯塔纳作为测试地部分原因在于其严酷的冬季气候。该市人口约170万，面临长达数月的冰雪天气，这为自动驾驶系统提供了极具挑战性的测试环境。inDrive创始人兼首席执行官Arsen Tomsky指出，在此成功部署可为其他面临类似挑战的地区提供宝贵经验。此前，哈萨克斯坦已宣布计划于2027年启动自动驾驶出租车服务，并引入了相关公共道路测试规则。

这一举措反映了网约车公司正在加速向自动驾驶领域扩张。本月早些时候，Uber也宣布计划在英国伦敦测试小马智行的自动驾驶出租车。inDrive采取的是“轻资产”策略，通过与不同市场的合作伙伴结合各自专长来提供服务，而非独自承担所有技术研发和运营成本。

拜耳作物科学管理着数百种机器学习模型配置，覆盖基因组、田间试验、图像和环境数据。育种人员、分析师和研究员需要反复运行这些工作流，但真正的瓶颈不在执行——而在理解。一个育种人员想知道'我的表型分析工作流昨天为什么失败了'，他得知道去哪个系统查日志、哪个API看状态、哪份文档解释模型行为。拜耳在已有的Connected Decision Engine（CDE）之上构建了一个多智能体自然语言接口ADE，用22个专业智能体分别负责概念问答、工作流状态查询、故障诊断和可视化，由一个监督智能体做意图分类和路由。

AWS官方博客记录了五个设计决策，其中最值得注意的并非架构本身，而是生产化阶段暴露的真实失败。第一个：ADE的异常处理器捕获了智能体内部错误并返回了格式正常的响应，监控把这些计为成功。一个监督架构把一次用户请求变成模型调用、工具调用和智能体交接的链条，最终答案可以完全错误，而每个HTTP请求都返回200。团队在故障路径内加入自定义CloudWatch指标和针对特定条件的告警——工具调用错误、限流、模型超时、结构化输出校验失败——才把传输成功和任务成功区分开。第二个：团队在构建期间评估了带推理模式的新版模型，发现该版本的工具调用与结构化输出的组合和ADE的智能体实现不兼容。DSE确认了这一约束，团队保留了当前模型发布。文章将此总结为一条原则：对使用工具的智能体来说，模型选择受完整接口约束——工具调用、结构化输出、流式行为、推理特性、延迟、配额可用性和模型特定的请求语义，更新不等于即插即用。

其余三个决策同样指向生产化的具体摩擦：编排状态必须外化到持久存储（DynamoDB存LangGraph检查点），否则扩缩容或重启后多步工作流无法恢复；用户身份（Microsoft Entra ID）、服务间授权（AWS IAM）和下游工具访问（AgentCore Gateway出站授权）必须各自独立定义令牌契约，因为身份失败集中在用户身份、智能体身份和工具身份的转换处；工具目录必须按智能体作用域裁剪，因为每个工具定义都消耗输入令牌并扩大模型的决策空间——CDE管理超过500种模型配置，若每个API配一个专用MCP服务器，部署、认证和版本管理开销巨大，改为通过Gateway注册OpenAPI规范后，团队称每API集成开销降低超过99%。

文章自报的结果包括：ADE第一阶段约80%的用户问题无需工程师介入即可解决，故障诊断从超过一小时缩短到十分钟以内，提示前缀缓存使输入令牌成本降低20–30%，上线后超过100名用户使用了ADE。这些数据均为拜耳和AWS自报，未披露测量方法、样本量或对照条件。文章结论将核心经验概括为一句话：生产化工作的大部分在提示词之外——持久状态、身份边界、工具作用域、任务级可观测性、成本归因和上线就绪。

台湾电商技术服务商91APP于10月22日公布《91APP 2026遭受骇客攻击事件18天调查报告》，揭露旗下Commerce Cloud数据库遭自动化攻击的详细过程。报告显示，此次入侵的主要破口是内部使用的第三方工具Appsmith存在漏洞却未及时修补，导致黑客进入内部网络并从GitLab获取数据库访问密钥。

调查团队在系统中发现了ARTEX自动化攻击工具的痕迹。ARTEX是一种AI自主渗透测试系统，能够利用AI自动寻找漏洞、规划入侵路径并发动攻击窃取资料。91APP董事长何英圻在官方公告中承认，公司在10月8日成立紧急应变小组时未同步提醒品牌客户，属于疏失，并向受影响的品牌及消费者致歉。

91APP补充指出，2026年9月至10月间，韩国多家银行、日本约20家企业以及美国逾百家企业网站均遭到同类AI自动化攻击工具的攻击或锁定。这一发现表明，基于AI的自动化攻击手段已在多个国家的网络犯罪活动中出现，不再局限于单一地区或特定行业。

目前确认遭非法存取的是Commerce Cloud其中一座订单数据库，涉及订单资讯，但不包含信用卡等支付工具资讯。91APP已移除遭入侵的Appsmith工具，更换内部系统权杖、数据库账号及密码，并重建GitLab权限，限制CI主机与数据库网段之间的连线。对于因本事件遭诈骗而蒙受财产损失的消费者，91APP承诺提供全面补偿，并将与各品牌个别协商受影响会员的补偿措施。公司表示，目前已通知所有品牌客户，并持续配合数位发展部行政查核。截至报告公布时，实际受影响的品牌、会员人数及资料具体范围仍待进一步确认，预计下周公布受影响范围及系统改善进度。

降水临近预报旨在短时间内（如0-6小时）预测局部区域的降雨强度，这对生成紧急警报和机场天气指导至关重要。传统方法主要依赖数值天气预报或基于光流法的雷达回波外推，但后者因步骤分离且参数难以确定而受限。本文提出将降水临近预报视为时空序列预测问题，并设计了卷积长短期记忆网络（ConvLSTM）。该模型在输入到状态和状态到状态的转换中均引入卷积结构，从而有效捕捉空间相关性。实验表明，ConvLSTM在合成数据集和真实雷达数据上均优于全连接LSTM（FC-LSTM）及香港天文台开发的ROVER算法，能更准确地预测未来帧。对于从事气象AI、视频预测或时空数据挖掘的研究者，建议从引言部分了解问题背景，重点研读第3节模型架构设计及第4节实验对比结果。推荐读者阅读《Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting》（2015年），以深入理解这一经典时空预测模型的构建逻辑与实证效果。

在1986年的致股东信中，美国伯克希尔·哈撒韦公司（Berkshire Hathaway Inc.）董事长沃伦·巴菲特深入探讨了衡量企业真实价值的两个关键陷阱：账面价值的局限性与华尔街对“现金流”的滥用。这封信不仅是投资方法的阐述，更是对会计数字背后经济实质的深刻剖析。

首先，巴菲特指出，对于大多数公司而言，账面价值（Book Value）与内在商业价值（Intrinsic Business Value）存在巨大差异，后者才是所有者真正关心的数字。虽然伯克希尔自身的账面价值曾作为商业价值的合理代理指标，但两者并不等同。他特别强调，优秀管理者通过提升盈利能力而创造的“商誉”（Goodwill），往往不会体现在资产负债表的净值中。例如，文中提到的Blumkin家族、Mike Goldberg等经理人在几乎不增加额外资本的情况下大幅提升了业务盈利，这种未记录的收益构成了真正的经济价值，却可能被单纯的账面增长所掩盖。因此，投资者不能仅盯着每股账面价值的增长率，而应关注那些能产生持续超额回报的管理能力。

其次，巴菲特严厉批评了当时流行的“现金流”概念。他认为，许多投行和分析师将折旧（Depreciation）加回净利润以计算现金流，却忽略了维持竞争力所需的资本支出（Capital Expenditures）。他在信中写道：“如果所有美国公司都通过我们的主要投资银行同时出售——并且相信描述它们的销售手册——政府关于国家工厂和设备支出的预测将被削减90%。”这一讽刺揭示了忽略维护性资本支出的荒谬性。对于制造业、零售业等需要持续再投资的企业，所谓的“自由现金流”若未扣除必要的更新支出，便是毫无意义的数字。巴菲特主张使用“所有者盈余”（Owner Earnings）的概念，即净利润加上折旧等非现金费用，再减去维持当前竞争地位所需的平均资本支出。

为了帮助读者理解这一机制，我们可以设想一个假设情景：一家拥有百年历史的印刷厂，每年报告100万美元的净利润和50万美元的折旧，传统算法会声称其现金流为150万美元。然而，如果该厂每五年必须花费250万美元更换核心印刷设备以维持市场份额，那么年均维护成本为50万美元。此时，真实的可分配给股东的“所有者盈余”仅为100万美元，而非150万美元。忽视这一维护成本的投资者，可能会高估企业的分红能力和估值。

《巴菲特1986年致股东信》适合那些希望超越表面财务数据、深入理解企业经济护城河与管理层效能的长期投资者阅读。建议从信中关于“Sources of Reported Earnings”及附录部分开始，重点研读其对GAAP准则下会计数字与实际商业价值之间差距的分析。