阅读

2026年10月26日，美国半导体设备制造商应用材料公司（Applied Materials, Inc.，纳斯达克代码：AMAT）向美国证券交易委员会提交8-K报告，宣布已与荷兰上市公司贝思半导体（BE Semiconductor Industries N.V.，简称Besi）签署一项加速股份购买协议。根据该协议，在完成交割后，应用材料对Besi的持股比例将从现有水平增加至约20%。

此次股权增持旨在巩固双方在先进封装领域的长期战略伙伴关系。应用材料表示，随着混合键合技术和下一代互连架构成为提升能效型AI计算性能的关键使能因素，这一投资具有战略意义。双方自2020年起已有合作，近期Besi还加入了应用材料的EPIC创新中心作为创新合作伙伴，共同开发支持AI驱动缩放路线图的新互连架构和3D IC集成平台。

值得注意的是，应用材料强调这是一项长期投资，目前无意将持股比例进一步增加超过20%，也不打算寻求在Besi董事会中的代表席位。然而，股份的交付仍需等待《哈特-斯科特-罗迪诺反垄断改进法》规定的等待期届满或终止后方可进行，因此最终完成尚存监管不确定性。

苹果公司于 2026 年 10 月 26 日发布 iOS 27.2 更新，这是当前操作系统的首个主要版本升级。此次更新的核心亮点在于 Siri AI 的功能增强，使其能够更好地回忆用户过去的对话细节。

在 iOS 27.2 中，Siri AI 现在可以访问更多数据源以提供个性化信息，包括用户的语音信箱、Safari 浏览器的阅读列表和历史记录、短信中的照片以及日历事件中邀请的人员。用户还可以选择允许 Siri 和 iOS 搜索聚焦功能访问哪些应用程序。这一变化意味着 Siri 从单轮问答助手转变为具备持久上下文记忆的个人助理，能够在新的聊天中延续之前的话题。

此外，苹果将 Siri AI 的测试版范围扩大至法语、日语、韩语、葡萄牙语和西班牙语。此前该功能仅以英语形式在部分国家可用。

除了 AI 功能，iOS 27.2 还引入了 FaceTime 双摄像头支持，允许用户在视频通话中同时使用前置和后置摄像头。对于听障人士，现在可以在视频通话中添加第三方手语翻译或实时字幕员。

值得注意的是，原计划包含的新版健康应用（Health app）并未在此次更新中推出，预计将在今年晚些时候随 iOS 27.3 发布。iPad、Mac、Apple Watch 等其他设备也同步收到了 27.2 版本的更新。

美国半导体巨头英特尔（Intel）于2026年10月26日宣布，已与以色列量子软件公司Classiq签署最终收购协议。此次收购旨在将Classiq的量子电路设计自动化平台与英特尔现有的硅自旋量子比特（silicon spin-qubit）硬件及软件能力相结合，构建一个用户友好的全栈量子计算平台。

英特尔首席执行官陈立武（Lip-Bu Tan）表示，过去十年英特尔在量子计算领域取得了显著进展，此次与Classiq的合作将把英特尔量子计算部门转变为一家全栈量子计算企业。Classiq联合创始人兼首席执行官Nir Minerbi称，双方合作有助于加速量子计算的普及和应用。

Classiq的核心技术是量子算法合成平台，它允许开发者在不具备深厚底层硬件专业知识的情况下创建可扩展的量子应用。英特尔将此比作电子设计自动化（EDA）和计算机辅助设计（CAD）软件对传统芯片设计的变革作用，认为这种高层抽象对于量子计算从定制电路走向主流计算平台至关重要。

交易完成后，英特尔计划继续支持Classiq的多平台集成，保持其软件解决方案的硬件无关性。该交易尚需获得监管批准并满足其他常规交割条件，预计将于2027年上半年完成。在此之前，两家公司将继续作为独立实体运营。

SpaceX在周一提交的监管文件中披露，已与纽约私募股权巨头Apollo Global Management管理的实体达成约400亿美元的约束性融资承诺，用于购买AI芯片及相关数据中心设备。SpaceX称该交易为“最大规模的已承诺GPU融资”。

根据协议，Apollo管理的实体将购买芯片和服务器硬件，然后将其租赁给SpaceX。租期约为五年至五年零三个月，自每批设备交付时开始计算。SpaceX预计该交易将在年底前完成，具体取决于成交条件，租赁将于2027年上半年随着GPU和相关设备的到达而启动。

SpaceX首席财务官Bret Johnsen在声明中表示：“这项租赁使我们的资金来源多样化，并满足了我们增长计划所需资金的重要部分。”他提到，随着公司扩展算力以支持Grok和云服务，其AI基础设施投资的回收期不到一年。Apollo表示，这笔融资将帮助SpaceX获得Nvidia下一代Vera Rubin芯片，用于其“地面计算建设”。

此前有媒体报道SpaceX寻求400亿美元融资，包括贷款和投资级债券，但当时未获确认。此次披露明确了交易结构为设备租赁而非传统债务或股权融资，并提供了具体的时间框架。

CrowdStrike近期追踪到四个黑客团伙，它们共同的特点是：不依赖新颖的攻击技术，而是组合使用Claude、DeepSeek等多种AI模型，将攻击流程自动化。部分团伙甚至进行了明确的分工——一组AI代理负责侦察和漏洞搜索，另一组代理执行实际入侵。CrowdStrike指出，攻击者主要使用的是较旧的模型，瞄准的多是已经存在的安全漏洞和薄弱的账户管理。AI的真正优势不在于想出人类没想到的攻击方式，而在于能对数千个目标不知疲倦地重复同一操作，持续探测人类会忽略的薄弱环节。

微软确认的一个中国关联攻击群展示了这种规模化的极端形态：该组织利用AI代理集群，对2250多个组织实施每分钟约2900次的登录尝试。这不是某种精巧的零日攻击，而是用机器把暴力破解的吞吐量推到了人力完全无法企及的水平。

更值得注意的是攻击者对商业AI安全护栏的绕过方式。CrowdStrike追踪的四个团伙无一例外地将自己的操作描述为正常的渗透测试或安全审计，或者将文件和提示词构造成看起来像已获授权的工作，以此规避模型内置的安全限制。部分团伙甚至使用了专门针对Claude Code系统指令的工具来禁用其安全约束。在模型选择上，攻击者表现出明显的成本意识：需要推理和规划的阶段使用高性能闭源模型，重复性攻击则投入廉价的开源权重模型。这意味着，即便防御方拥有一个足够安全的模型，只要攻击者能找到安全限制最松的那个模型组合进去，全面拦截就变得愈发困难。

PHP2Shell漏洞是另一个维度的例证。该漏洞公开之前就已检测到攻击尝试，公开后Cloudflare网络上的攻击量在数小时内从数千次飙升至数百万次。但金有旼同时指出，PHP2Shell至今并未造成互联网层面的大规模损害——大量AI生成的攻击代码实际上无法运行，专家也认为它是否达到Log4j或Heartbleed那种即时广泛破坏的程度仍不确定。

这些案例合在一起指向一个判断：AI对黑客攻击的改变，核心不在'类型'而在'速度、规模和成本结构'。攻击者不需要天才，只需要不知疲倦的重复和极低的边际成本。防御者同样可以利用AI加速漏洞发现和修补，OpenAI在发现PHP相关漏洞后专门建立了所谓'Defender's Window'，为相关机构和厂商争取应对时间。但问题在于对称性：一个研究者用AI发现漏洞，另一个研究者或攻击者用类似工具发现同一漏洞的概率也在上升，公开与攻击之间的时间窗口同步缩短。

由此，企业网络安全竞争力的衡量标准正在发生位移。过去关注的是'拥有多先进的防御技术'，未来更关键的是'发现新漏洞后多快能完成修补、能否系统性地清理老旧和无人维护的基础设施'。AI没有发明新的攻击，但它让互联网上原本就存在的脆弱性以更短的时间、更低的成本集中暴露。

需要保留的边界是：上述分析综合了CrowdStrike、微软、Cloudflare和OpenAI的公开报告，由The Core编辑金有旼（首尔大学研究生）进行整合与解读。各机构报告的具体方法细节、样本完整性和时间覆盖范围在本文中未展开，AI生成攻击代码的实际有效比例也缺乏独立量化数据。

法国人工智能公司Mistral AI于2026年10月26日在其官方YouTube频道发布了一段视频教程，专门讲解如何解决语音转文字（STT）模型在处理技术术语时的常见错误。对于开发者而言，当用户通过语音向编码助手或应用程序输入指令时，模型常将“Deno”误听为“Dino”，这种细微的识别偏差可能导致整个交互流程失败。

视频指出，这一问题的解决方案被称为“上下文偏置”（Context Biasing）。尽管大多数现有的语音转文字模型已支持该功能，但许多开发者并不了解其具体应用方式。教程详细解释了转录模型为何会在技术词汇上出现失误，并演示了如何通过简单的代码配置来启用上下文偏置，从而引导模型更准确地识别特定领域的术语。

为了帮助读者实践，Mistral AI在视频描述中提供了相关资源链接，包括一个在线演示工具以及指向Mistral官方文档的链接，涵盖离线转录中的上下文偏置设置及语音转文字概览。该资源为构建语音代理、编码助手或集成听写功能的开发者提供了直接的技术参考。

在Glean发布的最新一期《Intelligence: Real & Imagined》播客中，主持人兼工作AI研究所负责人Rebecca Hinds与研究所研究主管、前斯坦福大学教授Mark Hoffman共同解读了“工作AI指数”的关键发现。该指数基于对美国、英国和澳大利亚6000名知识工作者的调查，旨在揭示AI在实际工作场景中的真实影响。

节目中重点探讨了一个核心悖论：尽管75%的受访者报告称AI提升了个人生产力，但仅有13%的人认为其所在组织从该技术中获得了显著价值。这一差距凸显了当前企业AI应用面临的结构性挑战——个体效率的提升并未自动转化为组织层面的整体收益。

Hinds和Hoffman进一步剖析了造成这一差距的原因，包括所谓的“隐性劳动”。数据显示，员工平均每周花费6.4小时进行“botsitting”，即向AI提供上下文、检查输出结果以及纠正错误。此外，节目还讨论了未经监督的AI生成内容所带来的风险，以及企业上下文、质量导向指标和同行网络在推动AI有效落地中的关键作用。

对于关注AI落地效果的读者而言，这期节目提供了具体的量化视角，帮助理解为何个人层面的工具使用难以直接等同于企业级的转型成功。

随着企业越来越多地采用自主AI代理来构建应用程序，保护其身份和访问权限变得更具挑战性。当开发者依赖代理以机器速度配置云资源、编写Terraform和部署微服务时，CI/CD流水线往往因安全摩擦而更快地被阻塞。

为了应对代理时代的身份与访问管理（IAM）挑战，美国谷歌云于2026年10月27日推出了IAM Helper。这是一套面向智能体的构建模块，旨在自动化复杂的端到端IAM工作流。作为谷歌云IAM的代理原生编排和接口层，它增强了Policy Intelligence和Privileged Access Manager（PAM）等核心引擎，使IAM技能可以直接由自主代码助手、部署流水线和自定义代理调用。

IAM Helper Agent Skills将策略评估的负担从人类管理员和大语言模型中转移出来，直接卸载到谷歌云后端，以最大化令牌效率并防止昂贵的操作瓶颈。这些技能打包使用开放的Agent Skills标准，可跨Gemini CLI、Claude Code和Cursor等常见代理工作。

每个IAM Helper代理技能都将只读发现与策略更改分开：诊断和模拟自动运行，而对访问策略的任何更改都会暂停，等待基于可定制风险等级的人工确认（HITL）。例如，当开发者的编码代理在部署新应用程序时遇到403错误，代理可以使用iam-helper-for-troubleshooting在几秒钟内识别缺失的Pub/Sub权限，然后使用iam-helper-for-privileged-access-management请求一小时的即时（JIT）授权，从而消除数小时的调试摩擦。

此外，谷歌云还发布了IAM Helper MCP工具，通过谷歌管理的MCP服务器暴露原子化的只读函数，涵盖Policy Troubleshooter、Policy Analyzer、Policy Simulator以及IAM v1/v2 API。这些工具为代理提供了一种查询云后端并获得精确答案的标准方式，无需在提示中解析冗长的策略文档。

美国科技企业HPE（慧与科技）宣布，其第四代“太空计算机”（Spaceborne Computer 4）将搭载于Astrolab公司的FLIP月球车，前往月球南极执行为期一年的任务。该月球车将通过Voyager Technologies的Griffin-1着陆器抵达月球，发射地点为美国佛罗里达州的肯尼迪航天中心，使用SpaceX Falcon Heavy火箭。

此次部署是NASA商业月球有效载荷服务（CLPS）计划的一部分。尽管具体硬件规格因担心故障风险而未公开，但已知该系统采用低功耗CPU和1TB镜像存储，尺寸仅为5 x 10英寸。相比第三代系统，其存储容量较小，以适应地月旅行的重量限制。

Astrolab首席执行官Jaret Matthews表示，在月球上拥有边缘计算能力至关重要，因为数据回传地球存在延迟。Spaceborne Computer 4将在本地处理遥测数据和其他信息，仅将洞察结果而非原始数据传回地球，从而节省带宽。这标志着AI和高性能计算在极端环境下的应用进一步扩展。

OpenAI于2026年10月26日正式发布新模型GPT-6.1 Terra。该模型定位为快速、高效的计算机操作与视觉推理工具，旨在处理日常工作中的通信和基于计算机的任务，如起草提案、解读技术图纸、填写表格及编辑视频。

在成本方面，GPT-6.1 Terra的标准API价格为每百万输入token 1美元，每百万缓存输入token 0.05美元，每百万输出token 5美元。OpenAI称，这一价格比GPT-5.6 Terra和GPT-6.1 Sol低50%，使其更适合开发者自动化处理高容量工作，例如读取发票并录入会计软件。

根据OpenAI发布的内部基准测试结果，GPT-6.1 Terra在“Agents’ Last Exam”专业任务基准上表现突出。在中等推理努力度下，其得分比GPT-5.6 Terra高出15个百分点，而成本约为后者的三分之一。在最大努力度下，其令牌效率是Claude Opus 5.5的三倍以上，单任务成本降低约9倍。

在事实准确性和编码能力上，OpenAI报告称，在低推理努力度下，GPT-6.1 Terra的内部错误诱导提示基准错误率从GPT-5.6 Terra的53.6%降至16.7%。在Terminal-Bench 4.0命令行编程任务中，其在最大推理努力度下的解决率为50.3%，超过GPT-5.6 Terra公布分数21.5%的两倍。

需要注意的是，上述所有性能对比数据均源自OpenAI官方公告及其内部测试，尚未获得独立第三方的验证或复现。该模型现已向ChatGPT Work和Codex的Plus、Pro、Enterprise及Edu用户开放，并通过OpenAI API以gpt-6.1-terra名称提供访问。

Arize AI的Phoenix工程师Xander Song在ai.engineer播客节目中介绍了开源框架Harbor。该框架旨在通过在隔离沙箱中使用真实数据来评估AI智能体的表现。Song详细解释了Harbor的核心组件，包括任务定义、Docker环境配置、验证器与奖励机制、试验与作业管理，以及用于在消耗token前验证设置的oracle和ATIF轨迹格式。

节目还展示了Song的团队如何在Daytona和Phoenix平台上大规模并行运行Harbor。其中一个具体案例是测试一项提示词变更，该变更引导智能体使用新的SQL工具，从而在不损害正确性的情况下减少了工具调用次数。对于关注AI智能体基础设施和评估方法的开发者而言，这一资源提供了关于如何构建可靠测试环境的实用视角。

电子设计自动化（EDA）巨头Cadence于2026年10月26日发布了名为Maestro的领域专用AI模型组合，旨在为其芯片设计代理提供支持。Cadence声称，与通用基础模型相比，Maestro可将设计结果质量提高多达30%，并将令牌使用效率提升高达5倍。

Maestro模型将作为Cadence“AI超级代理”（AI Super Agents）的核心组件运行，这些代理负责解释设计意图、分解任务并协调其他前沿和开源模型。该方案允许客户在Cadence云、公有云或本地环境中运行模型，并使用其专有数据、设计和工作流程对模型进行后训练。首批模型计划于2026年第四季度向部分早期访问客户开放。

这一策略与竞争对手Synopsys近期宣布的GPT-Synopsys形成对比。后者基于OpenAI托管的基础设施，且不利用客户数据进行训练。Cadence高管Paul Cunningham指出，随着代理成本激增，将更多迭代逻辑移入模型权重本身成为自然选择。尽管Cadence未披露具体基准测试细节及所对比的开源基座模型名称，但强调通过平衡EDA工具调用与大语言模型推理来实现效率提升。