阅读

在 Machine Learning Street Talk 于2026年10月26日发布的纪录片中，主持人 Tim Scarfe 与《The Proof in the Code》作者 Kevin Hartnett 进行对话，探讨形式化验证与人工智能在数学领域的交汇点。Hartnett 是 Quanta Magazine 的资深记者，其新书聚焦于计算机辅助证明的历史与现状。

影片回顾了 Lean 定理证明器的发展历程，从其在微软研究院作为侧翼项目的起源，到如今成为数学家检查自身领域的基础工具。通过 Leonardo de Moura（Lean 创建者）、Jeremy Avigad、Kevin Buzzard 和 Paul Lessard 等多位参与者的视角，节目展示了 Mathlib 库的建设、Peter Scholze 的 Liquid Tensor 实验以及 Terence Tao 的 Equational Theories 项目。

后半部分转向 AI 对数学的影响，特别是 AlphaProof 和自动形式化技术。节目提出了一个核心概念：“形式化差距”（formalisation gap），即人类意图表达的数学陈述与检查器实际认证的语句之间的距离。这一框架旨在解释当机器生成无人可读的证明时，验证的真实含义是什么。

对于关注 AI 推理能力边界及评估可信度的读者，该资源提供了理解当前技术局限性的叙事背景。虽然未提供完整转录文本，但官方描述明确了讨论的主题脉络，适合作为了解 AI 数学验证挑战的入门材料。

法国EDHEC商学院金融学教授Riccardo Rebonato在QuantInsti主办的EPAT在线毕业典礼上发表了主旨演讲，该活动庆祝第63至68批毕业生的结业。Rebonato的背景独特：他最初是一名拥有核工程博士学位的物理学家，随后成为第一代量化分析师。他的职业生涯包括在巴克莱银行从事复杂衍生品交易，在苏格兰皇家银行担任全球市场风险主管和全球量化研究主管，并在品浩基金领导利率与外汇分析团队。

在这场被他描述为“并非成功故事”的演讲中，Rebonato回顾了他在金融行业25年的经历，并分享了他希望自己在哪些方面做得不同。演讲概述了他从核物理转向交易利率衍生品的历程，以及后来转入风险管理领域的转变。讨论的重要部分涉及如何解读企业文化，特别是关注风险容忍度、协作方式和奖金结构。他还谈到了在一家需要救助的银行内部亲历2008年金融危机时的体验。

对于新入行的量化分析师和金融专业人士而言，本集提供了关于认真对待风险管理以及保持对包括人工智能在内的强大新工具控制权的建议。出版方描述强调了关于企业如何处理风险承担和错误、激励措施与行为之间的相互作用，以及更广泛地探讨某些做法对个人、公司和社会是否有益的章节。鉴于其在量化金融职业发展及机构动态方面的权威视角，推荐此资源供读者收听。

韩国普华永道（Samil PwC）于2026年10月26日发布报告，警告韩国半导体企业需保卫盈利能力，因为中国竞争对手正在扩大生产并增强市场份额。报告指出，中国竞争将首先在常规存储、成熟制程制造以及封装测试领域加剧。

为保持领先，普华永道建议韩国芯片企业在商品化存储方面提高成本竞争力，同时在先进封装和高带宽内存（HBM）等前沿领域加倍投入。HBM是与AI处理器堆叠配置使用的关键组件。报告称，中国在这些高端细分领域仍落后，客户验证和稳定高良率量产仍是障碍。

数据显示，中国存储制造商已将技术进展转化为商业份额。根据Counterpoint Research的数据，长鑫存储（CXMT）在2026年第二季度占据了全球DRAM收入的10%，较一年前的4%翻倍以上，使其成为全球第四大供应商，仅次于三星、SK海力士和美光科技。在闪存存储方面，长江存储（YMTC）在第二季度按NAND出货量排名全球第三，仅次于三星和SK海力士（包括其美国子公司Solidigm）。YMTC的全球NAND收入份额在今年第一季度升至14%，高于一年前的9%。

Counterpoint预测，到2028年，YMTC的服务器相关收入可能接近其总销售额的39%，而2024年这一比例几乎为零，这主要得益于其向AI数据中心存储领域的扩张。Counterpoint研究总监MS Hwang表示，YMTC正受益于价格上涨和国内订单量增加，企业存储成为搭乘AI浪潮的有利渠道。但他补充说，赢得中国以外的国际客户将是YMTC挑战三星的关键考验。

日本汽车制造商本田在本月早些时候于日本举办的CEATEC 2026会议上展示了其“本田阿凡达机器人”（Honda Avatar Robot）。该系统结合了高自由度的灵巧手和人工智能辅助控制，允许用户远程执行复杂的物理任务。每只机械手拥有16个自由度，配备16个驱动关节，运动速度最高可达每秒180度。演示中，该机器人完成了穿针引线、拧紧小螺丝和操作螺栓等精细动作。

这一设计旨在解决机器人领域长期存在的操作难题：尽管机器人在导航复杂环境方面日益智能，但在处理精细任务或易碎物体时仍面临挑战。ABI Research分析师George Chowdhury指出，由于当前用于机器人的AI模型较为脆弱，遥操作对于人形机器人的商业可行性至关重要。“当自主系统失效时，决策者需要确保生产线不会长时间停机的保障。”

Gartner分析师Abdil Tunca认为，本田的方法可能为那些全自主成本过高或技术上不切实际的应用场景打开大门，如航空航天制造、电子组装和制药实验室。但他也强调，这并非全新概念，不过本田的方案具有更大的商业潜力。Tunca预测，到2028年，仅有不到20家公司能将人形机器人规模化应用于制造和供应链，这凸显了从演示走向大规模采用的困难。

行业正转向“共享控制架构”，即由AI处理常规动作，人类仅在异常情况下介入。Chowdhury举例说，1X公司计划今年进入家庭场景，承认自主AI尚未准备好，因此将大量依赖遥操作并收集数据以训练基础模型；Agility Robotics则采用“骑手与马”的方式，人类仅在遇到例外时指导机器人，而非直接控制手臂。这种转变若成功，可能使一名操作员控制整个机器人车队成为现实，从而显著改变经济模型。

据ZDNet Korea报道，致力于构建低地球轨道数据中心的美国初创公司StarCloud已完成一轮总额为2.5亿美元的融资。本轮融资由Manhattan West Ventures领投，英伟达（Nvidia）、思科投资（Cisco Investment）、Benchmark和EQT等机构参与。韩国加密货币交易所Upbit的运营方Doonam旗下的投资子公司Doonam Partners是本轮中唯一参与的韩国投资机构。

StarCloud成立于2024年，创始团队来自SpaceX Starlink和Airbus。该公司旨在解决地面数据中心面临的电力短缺、土地限制和冷却水供应瓶颈。其核心构想是利用太空环境实现24小时太阳能供电，并通过向深空辐射废热来替代传统冷却系统，从而在未来十年内建立最具成本效益的下一代计算基础设施。

在技术验证方面，StarCloud已于去年11月成功发射重60公斤的首颗卫星“StarCloud-1”，并在低地球轨道上运行了英伟达H100 GPU。此外，该公司还搭载谷歌开源模型Gemma，实时分析卫星雷达公司Capella Space的观测数据，验证了在轨识别遇险船只和森林火灾的能力。目前，StarCloud已向美国联邦通信委员会（FCC）申请部署8.8万颗卫星及20GW轨道算力的许可。

StarCloud首席执行官Philip Johnston表示，韩国是全球第二大ChatGPT付费用户市场，这种快速采用率显示了对计算资源的巨大需求，使韩国成为测试包括太空轨道在内的新型AI算力扩展方式的领先国家。Doonam Partners代表Lee Kang-jun指出，StarCloud不仅在技术上领先，更具备吸引人才和资本的执行能力，此次投资有望为韩国企业与国际前沿技术建立合作通道。

美国商务部近日根据《芯片与科学法案》向两家核聚变初创企业——Helion Energy和Commonwealth Fusion Systems (CFS)——授予总计2.6亿美元的资金，用于开发先进半导体以控制和供电其反应堆。其中，Helion获得1.75亿美元，CFS获得8500万美元。

与以往的非稀释性政府赠款不同，这两笔交易附带了新的条件：两家公司同意向美国政府提供非投票股权作为交换。据TechCrunch报道，Helion表示政府将基于其G轮融资（估值155亿美元）获得约1%的股份。CFS的政府股份比例则基于其最新估值确定，但该估值未公开，因此具体持股比例未知。

这一转变标志着特朗普政府正在调整联邦支持战略产业的方式。过去，政府资金通常被视为不稀释现有投资者所有权的“免费午餐”，旨在促进创新而不直接获取商业回报。然而，随着MP Materials、USA Rare Earth以及Intel等案例的出现，政府通过注资换取股权的做法日益普遍。Helion联合创始人兼首席执行官David Kirtley称，这种结构使公司与纳税人的利益在商业成功上保持一致。

对于核聚变行业的投资者而言，这意味着资本结构的复杂性增加。虽然2.6亿美元相对于CFS已筹集的40亿美元和Helion的32亿美元承诺资本来说数额不大，但其信号意义重大。它表明美国政府正重新积极介入该领域，但也引入了关于优先权、稀释效应以及在极端情况（如清算或后续融资轮次）下政府股权地位的新问题。风投机构现在必须权衡，接受带有政府股权条件的资金是否值得，以及这如何影响未来的退出路径。

网络安全公司Surfshark发布的一项研究指出，人工智能生成的选举深伪内容正迅速在全球范围内扩散，对民主进程和选举公平构成新威胁。该研究分析了2020年1月至2026年9月期间经媒体报道的选举相关深伪事件，统计显示在46个国家中共计发生235起案例。

数据显示2026年的增长显著加速。今年前九个月确认的案例达到66起，比2025年全年记录的52起多出27%。Surfshark将这一激增归因于基于AI的视频和音频生成工具的可及性提高，降低了制作操纵内容的技术门槛。

从地理分布来看，美国以87起案例位居首位，占全球总数的37%；印度以19起紧随其后；韩国自2021年以来累计16起，排名世界第三。在亚太地区，15个国家共确认73起案例，主要集中在印度、韩国、台湾和印度尼西亚。

社交媒体是主要的传播渠道。在已确认传播路径的案例中，84%通过SNS扩散。具体而言，X（原Twitter）占比最高，达49%，其次是TikTok（29%）、Facebook（22%）、Instagram（12%）和YouTube（7%）。由于多平台分发，各平台比例之和可能超过100%。

Surfshark研究负责人Luis Costa博士表示，制作技术的普及是主要驱动因素，过去需要专业工作室的资源现在仅需一个应用和几分钟即可完成。他警告说，深伪内容往往优先考虑情绪反应而非事实核查，建议用户在分享可疑候选人视频前，通过权威新闻来源进行验证。

该研究结合了AI事件数据库、Resemble AI和OECD的数据源。Surfshark强调，这些数字是基于公开报道案例的保守估计，实际未报告的深伪影响范围可能更广。

美国企业软件巨头甲骨文（Oracle）于2026年10月26日在其举办的“Oracle AI World 2026”大会上宣布了一系列新的AI功能，旨在加速企业客户从软件准备到实际价值创造的转化。甲骨文CEO Mike Sicilia在主题演讲中表示，AI的目标是减少客户花在软件配置上的时间，让他们有更多精力专注于业务成果。

此次发布的重点包括正式推出名为“Fusion Clo”的智能体应用执行环境，以及25款新的智能体应用。这些应用覆盖财务、人力资源、供应链、销售和服务等领域，旨在帮助企业大规模、经济地处理复杂任务。Fusion Clo提供了新的运行时支持，允许代理进行深度调查、计算、模拟、建模和持续重新规划，从而执行更专业的工作流程。

此外，甲骨文还发布了“Oracle Fusion Setup and Configuration Registry”（FSCR），这是一个公开的GitHub仓库。FSCR将甲骨文的专家知识和最佳实践转化为可重用的AI技能，使AI代理能够直接读取、计划、执行、测试和验证Oracle Fusion应用的设置与配置。这一举措意在解决传统静态文档过时快、手动配置耗时长的痛点，让系统集成商和客户能在同一最新产品基础上工作。

甲骨文应用开发副总裁Chris Leone指出，新一代企业AI的重点是让软件处理更多任务，而用户则专注于设定目标和制定政策。通过Fusion Companion等工具，用户可以像使用ChatGPT一样与Oracle应用交互，系统会自动选择并协调必要的交易、工作流和审批。尽管这些功能已正式发布，但其实际对企业运营效率的提升程度仍取决于后续的客户采用情况和独立评估。

美国科技巨头甲骨文公司（Oracle）于2026年10月26日在其举办的Oracle AI World大会上正式宣布了名为“深度信任”（Deep Trust）的AI架构。这一蓝图旨在将信任构建为企业技术栈的固有属性，而非依赖每个AI智能体或应用程序单独实现安全措施。

随着企业越来越多地将AI智能体和AI生成的应用程序部署到现有架构上，保护敏感信息、执行业务规则以及确保答案准确性成为巨大挑战。Oracle表示，“深度信任”架构通过在软件平台、数据、数据访问和应用开发这四个关键层级中嵌入信任机制，解决了这些问题。这些机制无法被AI模型绕过或破坏。

该架构整合了Oracle AI Database、Oracle Autonomous AI Database和Oracle APEX AI Application Generator等现有技术。具体而言，Oracle Deep Data Security允许组织直接在数据库中定义最终用户访问规则，并在每次SQL请求时强制执行。此外，Oracle SQL Assertions可在数据库层面执行业务规则（例如限制员工支出上限），无论提交请求的是哪个应用程序、用户或智能体。

在应用开发方面，Oracle APEX AI Application Generator允许AI编码代理将自然语言描述转换为APEXlang声明性定义，并由Oracle APEX集中运行时引擎执行。这意味着AI仅生成应用定义而非运行代码，从而减少了维护大量AI生成执行代码的安全风险。

Oracle人工智能数据库技术执行副总裁Juan Loaiza表示：“AI模型现在可以实现惊人的生产力和创新。然而，如果企业无法信任AI生成的内容，就无法实现这些好处。AI信任是我们今天面临的最大挑战。”他补充说，通过底层软件平台、数据、数据访问和应用开发层构建信任，使组织能够在保持对信息和行动控制的同时使用AI。

美国内存芯片制造商美光科技（Micron Technology）的股价在周一交易中上涨4.2%，收于914.4美元，延续了周五2.5%的涨幅。这一反弹发生在投资者重新评估该公司应对中国竞争对手长鑫存储（ChangXin Memory Technologies, CXMT）的策略以及未来供应协议的可见性之后。此前，由于对AI相关投资的广泛怀疑以及对CXMT可能通过新架构抢占市场份额的担忧，美光股价曾从高于1000美元的水平大幅下跌。

Wedbush Securities分析师Matt Bryson指出，市场对CXMT正在开发的“4F平方”（4F2）内存设计的担忧可能被严重夸大。美光已向分析师表示，由于其扩展性和密度限制，该公司拒绝了这种格式，转而支持其首选的三维动态随机存取存储器（DRAM）方法。Bryson认为，如果美光的观点正确，这表明中国正在寻找替代路径以弥补其制造工艺劣势，而非直接构成同等威胁。Bryson维持对美光的“跑赢大盘”评级，目标价为1400美元，基于其2028财年盈利预测的六倍市盈率估值。

与此同时，Bank of America在纽约和波士顿与美光高级管理层会面后，给予美光“买入”评级。讨论显示，美光的供应和产能协议现在延伸至2030年后约五年，并已就2031年展开谈判。这些协议包括对内存位数量和现金支付的承诺。美光预计，这些长期协议目前占总收入的约35%，目标是到2030年将这一比例提高到50%。这种安排为未来需求提供了更大的可见性，尽管并未消除内存芯片行业面临的更广泛风险。

此外，美光概述了涵盖高带宽内存（HBM）、DRAM和NAND技术进步的技术路线图。公司表示能够生产从四层到十六层配置的HBM堆栈。其下一代DRAM节点“1-delta”计划于2027年下半年进入量产，而G11 NAND代际预计到2027年底将接近400层，并提供比G9代际两倍的位容量。这些技术进展与长期供应协议共同构成了投资者评估美光未来增长前景的关键依据。

AI Agent 没有内部记忆。每次调用工具、读取结果、决定下一步时，它必须把工具定义、指令、此前所有调用和结果重新发给模型。到第 20 轮，模型要重读第 1 到第 19 轮的全部内容，而每一轮你都在为那些重复 token 付费。AWS 机器学习博客用《土拨鼠之日》的比喻来描述这一处境。

提示缓存保存的正是这段重复计算。模型读取 prompt 时先做 prefill，处理每个输入 token 并构建 key-value 向量作为工作状态。缓存把这个状态存下来；后续请求如果开头 token 完全相同，服务直接加载已存状态，只处理新增部分。Amazon Bedrock 提供两种模式：隐式由服务自动选择可复用前缀的终点，显式由代码通过 prompt_cache_breakpoint 标记终点。两者可以组合使用。

保持命中的第一条规则是前缀逐字节稳定。工具定义和指令放在最前面，对话历史和新增内容追加在后面。一个时间戳、一个用户名、一个请求 ID 放在缓存前缀里，就会让那之后的所有内容无法复用。可缓存前缀至少需要 1024 个 token 才有资格进入缓存。作者强调，MCP 服务器和其他工具交付方式需要被索引以保持序列化一致。

当工具列表中途变化时，问题变得棘手。添加、删除或重排工具定义会使已缓存前缀失效。AWS 给出两条路径：如果已知工具只是在不同步骤被调用，保持完整 TOOLS 列表不变，用 allowed_tools 参数限制模型实际可调用的子集；如果会话中需要引入全新工具，通过 additional_tools 输入项追加其 schema，初始 TOOLS 不动，隐式模式会缓存到新用户消息（包括新工具定义）。但 additional_tools 项本身不能承载断点标记。

子代理和辅助调用是另一个常见场景。多个 helper 需要共享同一段背景，但各自的任务不同。做法是先发一个预热请求把共享前缀写入缓存，确认 usage 中 cache_write_tokens 或 cached_tokens 非零后，再并行启动 helper。每个 helper 复用同一 prompt_cache_key、同一模型和同一 TOOLS，只在末尾追加自己的任务。如果父 Agent 完成后需要摘要或评判，深拷贝完整 history 再追加指令，helper 就能命中已缓存的历史部分。

在 GPT-6 Astra 的六轮工作负载自测中，隐式缓存比无缓存降低约 62% 输入成本，显式滚动断点降低约 61%。另一个场景中，8000 token 启动前缀加六轮各 2000 token 的 Agent，静态缓存把成本压到 0.50 美元，滚动断点把建模输入成本从 0.87 降到 0.32 美元，降幅 64%。作者明确标注这些是特定工作负载结果，建议读者测量自己的 Agent 节省。缓存写入按正常输入价格的 1.25 倍计费，读取价格取决于模型。

生产监控方面，Amazon Bedrock Runtime 端点提供 CloudWatch 的 CacheReadInputTokenCount 和 CacheWriteInputTokenCount 指标；Mantle 端点目前没有独立的缓存计数器，需要在应用日志中记录响应 usage 字段。缓存前缀最短存活 30 分钟，成功复用会刷新。同一模型、同一 AWS 账户、同一区域才能复用已有缓存内容。作者最后提醒：使用缓存时工具和系统提示存在泄露风险，应将其纳入负责任 AI 治理范围。

2026年10月13日，美国特拉华州联邦地方裁判所的陪审团作出裁决，认定英国芯片IP授权公司Arm违反了与高通（Qualcomm）签订的架构许可协议（Architecture License Agreement, ALA），并故意干涉了高通与其客户Meta之间的商业关系。然而，陪审团仅判给高通象征性的损害赔偿金：针对违约和干涉交易两项指控各判1美元，合计2美元。目前，案件的关键悬念在于该法院法官Maryellen Noreika尚未就高通提出的“暂停向Arm支付最多5年版税”这一救济措施作出最终裁决。

此次诉讼源于两家半导体巨头对知识产权商业化模式的根本分歧。Arm主要依靠授权指令集架构（ISA）获利，提供两种核心许可模式：技术许可协议（TLA）允许客户使用现成的Cortex系列CPU设计；而架构许可协议（ALA）则允许客户在保持软件兼容性的前提下，基于底层架构自行设计独特的CPU内核。高通此前通过收购Nuvia获得了ALA权利，并据此开发了Oryon自定义CPU，用于其Snapdragon系列智能手机、AI PC及车载平台。Arm指控高通滥用ALA条款，试图规避按产品收取版税的义务，并于2024年发出终止警告。

对于高通而言，陪审团的有利裁决消除了其被禁止制造或销售Oryon CPU的风险，为其继续向市场推出搭载自研芯片的设备扫清了法律障碍。高通在声明中表示，欢迎陪审团认定Arm违反长期合同义务并故意干扰其业务，称这是“创新和竞争的胜利”。相反，Arm在声明中强调，陪审团驳回了高通的大部分索赔请求，且总赔偿额仅为2美元，这证明了Arm在履行合同方面的诚信，并指出高通提起诉讼的目的是剥夺Arm数十亿美元的合法版税收入。

真正的财务威胁来自待决的版税暂停令。根据合同条款，若Arm被认定存在重大违约，高通可能有权暂停支付版税长达5年。高通是Arm最大的收入来源之一，在2024财年约占Arm全球销售额的10%。如果法官批准这一救济措施，Arm将面临巨大的现金流缺口，这可能影响其研发资金储备及自2023年9月IPO以来的市场估值。此外，这场旷日持久的诉讼也促使其他半导体设计公司和云服务商加速投资RISC-V等开源指令集架构，以降低对单一IP供应商的法律依赖风险。