阅读

微软公司（Microsoft）首席人力官Amy Coleman于周一向员工发送备忘录，宣布推出“自愿离职计划”（Voluntary Exit Offer, VEO）。根据Business Insider报道，该计划面向美国、加拿大、印度和英国的员工，涵盖内部级别70及以下的人员。微软发言人表示，约有60,000名员工符合资格，这一数字超过公司员工总数的四分之一。

此次买断方案的条款与微软今年早些时候的标准遣散费相似。符合条件的员工将在周一晚些时候收到包含具体条款的电子邮件，并需在12月初之前做出决定，以便在年底离职。参与该计划的团队不包括销售组织、部分工程部门及部分企业职能。

这是微软在大幅投入AI基础设施并经历多次人员缩减后，试图在不进行新一轮强制裁员的情况下精简劳动力的最新尝试。此前，微软曾推出针对约9,000名员工的“自愿退休计划”，当时约三分之一的符合条件员工接受了买断。新的VEO计划被视为测试自愿离职能否有效降低运营成本的手段。

对于投资者而言，这一举措反映了超大规模科技公司（Hyperscalers）在AI资本支出激增背景下的成本控制策略。通过提供财务支持鼓励员工主动离开，微软试图平衡高昂的技术投入与运营效率之间的关系。然而，实际的成本节约效果取决于最终接受买断的员工数量，目前尚无法确定具体的财务影响。

风险投资公司Andreessen Horowitz (a16z) 于2026年10月26日发布了一期名为“OpenAI: When AI Agents Use Computers Faster Than You”的播客节目。本期嘉宾包括OpenAI的研究员Ari Weinstein和James Sun，以及a16z的合伙人Seema Amble和Fabrizio Serafini。

根据节目简介，讨论的核心观点是AI代理正在进入其“规模化时刻”。随着模型能力的提升、执行速度的加快以及安全控制的增强，能够直接操作计算机界面的代理正变得在消费者和企业工作中更具实用性。这种能力将用户界面本身转化为AI与软件交互的通用方式。

节目中具体探讨了计算机使用代理如何已经在处理遗留的企业资源计划（ERP）系统、财务数据对账以及采购流程。值得注意的是，这些代理能够在没有API或自定义集成的情况下操作现有软件。此外，讨论还涉及了围绕模型的“框架”（harness）为何可能与模型智能本身同样重要，以及企业如何为代理行为设定确定性的安全护栏。

对于关注AI产业投资的读者而言，这期节目提供了关于AI原生应用如何加速到来以及计算机使用技术如何延长遗留软件寿命的第一手视角。虽然未提供完整文字稿，但来自OpenAI核心研究人员的具体机制阐述具有明确的参考价值。

美国旧金山的建筑自动化初创公司Bedrock Robotics于2026年10月26日宣布完成6亿美元的C轮融资，投后估值达到41亿美元。本轮融资由CapitalG和Emergence Capital联合领投，新投资者包括US Innovative Technology Fund (USIT)、Bessemer Venture Partners和Temasek，现有投资者如8VC、NVIDIA等也参与了跟投。至此，Bedrock的总融资额接近10亿美元。

Bedrock Robotics成立于2024年，由前Waymo工程师创立，主要开发用于重型设备的自主系统。该公司在2026年8月实现了一个关键里程碑：其完全自主挖掘机开始在商业建筑工地进行付费作业。此次融资将用于扩大部署规模，从早期的试点项目扩展到更多承包商和地区，以应对美国建筑业严重的熟练劳动力短缺问题。据公司称，自2025年以来，其客户数量已增长了一倍以上。

美国投资播客《Animal Spirits》于2026年10月26日发布了一期名为“Talk Your Book: Beyond Bonds in Retirement”的节目。该集由Ritholtz Wealth Management的Michael Batnick和Ben Carlson主持，嘉宾是来自Calamos的Matt Kaufman。根据出版商的节目说明，对话集中在不依赖传统债券的退休投资组合收入生成策略上。

列出的关键主题包括被称为“Peak 65”的人口现象，代表历史上达到退休年龄的美国人数最多的一次。嘉宾讨论了三种类型的年金产品及其对应的ETF，探索了ETF如何开始在流动性包装器中提供类似于年金的特征。此外，该集涵盖了利率上升如何提高自动赎回ETF的收入，并解决了退休人员面临的三个主要风险：长寿、通胀和波动性。

选择此资源是因为其特别关注替代收益来源和结构化产品（如自动赎回ETF），这提供了与一般债券市场评论不同的角度。听众应注意，该集由资产管理公司Calamos赞助，这可能会影响这些金融工具的介绍方式。

人工智能公司Anthropic于2026年10月26日向美国证券交易委员会（SEC）提交S-1注册声明，正式开启首次公开募股（IPO）进程。据Axios报道，该文件向潜在投资者发出警告，称由于其在AI安全和监管方面的公开立场，该公司面临被现任政府“不成比例或选择性针对”的风险。

招股书指出，政治环境以及公司与政策制定者的互动可能导致“更严格的审查、政治反弹或不成比例的监管行动”。这一披露背景是Anthropic与美国政府之间日益紧张的冲突。此前，五角大楼因Anthropic拒绝放宽对自主武器和大规模监控的技术限制，将其列为供应链风险，导致双方陷入持续诉讼。此外，商务部曾对Anthropic实施出口管制，一度暂停其客户访问权限。

对于计划投资这家估值可能高达数万亿美元的AI巨头而言，这意味着除了财务亏损和技术风险外，还需评估地缘政治和国内监管带来的运营不确定性。Anthropic在文件中表示，没有计划改变其倡导立场，并预计将继续参与政治游说和公共政策讨论。这种坚持虽符合其作为公益公司（Public Benefit Corporation）的使命，但也使其成为政治靶子，可能影响其模型发布、市场准入及商业合作伙伴关系。

印度游戏初创公司Matiks宣布完成1000万美元的Pre-A轮融资，由General Catalyst领投，印度企业家Ronnie Screwvala以及现有投资者Info Edge Ventures、Tanglin Venture Partners和Untitled Ventures参投。本轮融资后，该公司累计融资额超过1350万美元。

Matiks成立于两年前，主打数学、逻辑和记忆类益智游戏。据公司称，其日活跃用户从年初的2.2万增长至9月的30万以上，月活跃用户在9月达到220万。创始人Sudhanshu Bhatia表示，公司旨在通过提供类似体育竞技的双人对抗模式，让用户在充满AI生成内容的社交媒体时间线之外找到娱乐方式。

尽管Matiks以对抗“AI垃圾内容”为卖点，但它并未完全排斥AI技术。公司已推出名为Jelo的实验性游戏创作平台，允许用户使用AI工具自行制作游戏并分享给其他玩家。这一领域竞争激烈，包括Google最近推出的Playground平台。

Matiks计划利用这笔资金扩大Jelo平台的规模，并推进在美国、韩国和日本等市场的本地化工作。目前，其大部分用户仍集中在印度。

尽管特朗普政府对南非实施了惩罚性关税和签证限制等外交施压措施，但美国企业的实际行动却显示出极高的政治风险容忍度。全球铝业巨头Alcoa于7月签署了一项价值超过50亿美元的协议，收购了包括南非Hillside铝冶炼厂在内的资产。Alcoa首席执行官William Oplinger向投资者表示，公司希望“长期留在Hillside”，并透露他在近期与南非总统Cyril Ramaphosa的会面中也表达了这一立场。这种高层互动将普通的并购交易提升为衡量更广泛的美南关系的风向标。

除了Alcoa，其他美国工业和科技巨头也在积极扩大在南非的存在。美国运输设备制造商Wabtec本月与南非国有企业Transnet签署了一项数百万美元的机车车队升级协议。亚马逊旗下的Project Kuiper选择南非作为其首个非洲卫星发射地，微软正在扩展其AI基础设施，思科也在深化其市场布局。这些动作共同表明，美国董事会并未跟随政府的政治步伐，而是基于商业基本面做出决策。

南非驻华盛顿大使Roelf Meyer直言不讳地指出：“商业并不一定由政治主导。商业是由底线（利润）驱动的。就是这样，句号。”这一观点得到了数据的支撑：根据南非美国商会的数据，尽管政治关系紧张，2025年美南双边贸易额仍增长了超过10%，达到290亿美元。

美国企业之所以无视外交噪音，是因为南非拥有不可替代的战略资源。南非是全球最具吸引力的关键矿产储备库之一，拥有约80%的铂族金属储量，同时也是非洲最深的资本市场和通往区域供应链的门户。此外，美国国际发展金融公司（DFC）也计划增加对非洲和关键矿产领域的直接股权投资，以应对中国在关键供应链中的主导地位。这些因素共同构成了美国资本继续深耕南非的核心逻辑。

在同一个agent框架里同时接入多个模型家族，能解锁两类实际工程模式。Google Cloud在将Claude Opus 5.5和Sonnet 5.5引入Antigravity时，给出了这两种模式的具体配置方式。

第一种是跨模型验证。当agent循环或多步图工作流中由同一个模型既写代码又审自己的输出时，该模型特有的盲区可能因此被强化。Google Cloud建议让一个模型家族负责规划和实现，另一个模型家族在提交前对实现结果做独立审查。在Antigravity中，这可以通过交互式切换模型或在CLI中调用一次性的/model检查来实现，也可以通过自动化的子代理完成。

第二种是将推理模型与Flash级子代理配对。复杂工程任务通常包含少量高推理决策和大量高频机械操作——搜索文件、grep日志、检查lint输出、分类测试失败。如果在前沿模型上运行每一次查找，延迟和花费都可能上升。Antigravity的子代理定制系统允许在.agents/agents/*.md文件中为专门子代理指定模型层级：inherit表示继承当前会话模型用于深度推理，flash表示将高速搜索、分类和分诊工作卸载给Gemini Flash模型。

Google Cloud给出了一个具体示例：在.agents/agents/test-triager.md中定义一个运行单元测试、按根因分类失败并返回结构化摘要给父代理的Flash子代理；在.agents/agents/gemini-judge.md中定义一个用Gemini Pro审查当前工作区diff、检查回归和边界用例的pro级子代理。这样，快速测试和分类循环交给test-triager，最终diff的验证交给cross-model-judge。

需要指出的是，这些模式来自Google Cloud自身的工程建议，文中没有提供独立基准测试或量化对比来证明跨模型验证确实减少了多少盲区、分层调用具体节省了多少延迟和费用。模式背后的机制论证——同模型自审强化盲区、前沿模型处理机械任务增加成本——在逻辑上合理，但实际收益取决于具体任务组合和团队工作流。

全球数字体育平台Fanatics宣布与OpenAI合作，在其电商网络（包括Fanatics.com及NFL、NBA、MLB和NHL官方在线商店）上线由OpenAI模型驱动的“Shop the Look”（搭配购买）功能。该功能旨在通过AI推荐协调的商品，帮助球迷完成比赛日穿搭。

据OpenAI官方博客披露，Fanatics的工程团队使用Codex快速开发了自定义推荐工具，用于丰富产品数据、查找兼容商品并生成搭配方案。首批50个产品的测试在不到24小时内完成，经过几天的迭代后，最小可行产品（MVP）在同周获批并部署到生产环境。

在约30,000个MLB产品的测试中，这一新的AI驱动体验相比之前的版本实现了10%的互动率提升。OpenAI模型利用增强的产品数据、球队信息和库存状态来组装推荐，而Fanatics的商品规则确保选择的相关性和兼容性。

对于希望构建内部AI代码审查工具的工程团队而言，直接采用简单的“沙箱+Agent+Webhook”架构往往面临三大痛点：遗漏关键Bug、单次审查成本高达3至25美元，以及产生大量无意义的挑剔评论。Greptile联合创始人Daksh Gupta在其最新发布的视频中，系统性地拆解了这些问题的成因，并分享了Greptile在实际运营中验证有效的六项改进措施。

Gupta指出，提升审查质量的核心在于上下文与策略的精细化。首先，通过更精准的提示词减少噪音，并利用包含过去事故PR的历史数据集来训练模型识别真实风险。其次，他重点介绍了“模型反转”（Model Inversion）技术，即使用GPT审查由Claude编写的代码，或使用Claude审查GPT生成的代码。据其描述，这种交叉审查机制能额外捕获约10%的Bug。此外，引入代码库上下文和持续更新的动态Wiki，使Agent能理解项目特有的规范与依赖关系。

在成本控制与执行效率方面，Gupta建议利用计算机操作能力（computer use）在沙箱环境中运行自主测试，以确保代码变更的实际可行性。同时，实施智能路由策略，将大部分常规子任务分配给更廉价的模型，仅在复杂环节调用高性能模型。这一系列组合拳旨在平衡审查深度与运营成本，为工程团队提供了一套可落地的参考框架。

需要注意的是，上述关于Bug捕获率提升及成本数据的陈述均源自Greptile的内部实践与自报结果，尚未见独立的第三方基准测试验证。然而，作为处理GitHub上约1%拉取请求的服务商，其工程方法论对正在探索自动化代码审查的团队仍具有显著的参考价值。