阅读

OpenAI企业产品负责人Alexander Embiricos在TechCrunch Disrupt上解释dots的设计哲学时，把产品团队的工作概括为一句话：「很多工作不是往产品里造某个新技术，而是你怎么把它框架给用户，以及它感觉起来怎样。」这句话听起来像一句公关套话，但它指向一个具体的设计决策——把dots定义为「一个实体、一个对话」，而不是许多不同对话的集合。

Embiricos说，「有一种趋同演化正在发生」，各家都在做AI助手，而OpenAI团队意识到如果能把产品框架成「它是一个实体，是一个对话，而不是许多不同的对话……它就开始变得直觉可用。」这个选择不是技术层面的——底层模型并没有因此改变——而是认知层面的：用户面对的不是一个需要管理多个会话窗口的系统，而是一个持续了解你、主动思考如何帮你的「人」。

dots的演化路径也印证了这个框架优先的逻辑。Embiricos指出，用户其实可以用OpenAI年初发布的编码工具Codex实现dots的大部分功能，「但那需要更多工作和手把手指导。」产品团队做的事情是把Codex的底层能力重新包装，让非工程师也能用。这条路径和OpenAI把ChatGPT Work从为软件工程师构建的编码工具中拆出来是同一个方向：技术已经存在，产品的工作是让它对更多人直觉可用。连名字本身——取自OpenAI标志中的负空间——也意在「感觉像最终可以无处不在的东西」。

「主动研究」是dots区别于传统聊天机器人的核心机制。Embiricos描述其运作方式：「按一个节奏，它会思考它知道关于你的什么、它和你有过什么对话、你给了它哪些访问权限，然后它去研究'我能做什么来更帮到你？'然后基本上它会提出那个建议。」这意味着dots在用户不提问的时候也在工作，对OpenAI来说意味着更多token消耗，对用户来说意味着一个「在想你、在想怎么帮你」的助手。

但TechCrunch在测试中发现，这个主动思考的能力虽然明显且常常有用，却还不算成熟。Embiricos举了自己的例子：第一次dots提醒他日历冲突时，是在事件开始前仅三分钟。「它说'嘿，这个快到了，你可能想做点什么'——我只有三分钟！」他预计时间精度会改善，但「主动」本身是产品的关键。另一个他引用的例子来自一家无人机配送公司的工程师：一次服务中断发生时，dots已经注意到、已经分析完、已经带着解决方案来找他了。

在权限问题上，OpenAI的选择经历了明显的摇摆。Embiricos回忆，发布时他们设置了「非常保守的默认值」，dots会频繁请求许可，这招来了批评。他当时就知道会收到这种反馈，但认为「这没问题，我们可以随时间调整。」现在的情况是：dots拒绝接受云盘的只读访问权限，要求更高级别的控制；用户可以在ChatGPT设置中关闭模型训练、控制资源访问，但「这些控制还不够精细」。Embiricos说「我认为我们需要做的是构建超级超级超级精细的控制」，但同时把模型的「智能和判断力」当作硬币的另一面。

最耐人寻味的是Embiricos对规模化问题的个人立场。他说自己有一个人类助理，因为OpenAI的企业合作伙伴想和真人互动，然后补了一句：「我个人永远不会打算和别人的agent开会。」这句话揭示了一个尚未解决的根本张力：如果每个人都有一个agent，agent之间的交互是否真能替代人与人？OpenAI在支付处理商方面「深度对话中」，但Embiricos承认「在把agent与世界交互的下一个能力发货方面，我们并不总是最快的。」让AI助手花钱，对OpenAI可能是第一个潜在收入来源，但对消费者是一个巨大的信任门槛。

西班牙电信（Telefónica）与诺基亚（Nokia）近期发布了一期视频对话，聚焦于电信运营商如何将网络基础设施转化为面向AI代理的平台。节目中，诺基亚的Marcelo Madruga与西班牙电信的Alexandre Harmand探讨了网络平台的演进方向，特别是围绕自动化、云原生运营、GitOps以及网络暴露（network exposure）的技术实践。

讨论的核心在于如何利用API、模型上下文协议（MCP）和代理间通信协议（A2A），使开发者和AI代理能够更便捷地调用底层网络能力。这一策略旨在通过降低技术门槛，为电信运营商创造新的B2B服务收入来源。此外，双方还提到了IMS数据通道（IMS Data Channel）的应用，认为其能为传统语音业务带来新价值，初期主要面向企业用例，并随着设备与应用生态系统的成熟而扩展。

对于关注AI基础设施商业化及电信行业转型的专业读者而言，此资源提供了关于网络能力如何适配Agentic AI架构的一线视角。虽然未提供完整文字稿，但出版方明确列出了上述关键议题，展示了从单纯连接服务向智能化平台服务转变的战略意图。

美国航空航天初创公司Poseidon Aerospace宣布完成6000万美元的A轮融资，本轮融资由TQ Ventures领投。这笔资金将专门用于支持该公司正在开发的名为Egret的自主货运飞机的研发工作。

Egret是一款设计独特的无人货运飞行器，拥有50英尺（约15米）的翼展和高达4000磅（约1814公斤）的有效载荷能力。与传统改装自客机的货运飞机不同，Egret从设计之初就取消了驾驶舱，内部空间完全用于装载货物，旨在通过移除飞行员相关设备来减轻重量并增加货舱容积。

该项目的核心开发者包括前亚马逊物流工程师David Zagaynov和前洛克希德·马丁机械工程师Parker Tenney。Zagaynov将这一概念描述为“天空中的自动驾驶卡车”，目标是以最低的成本实现点对点货物运输。尽管没有人类飞行员在机上，但在初始测试阶段，地面控制站的操作员将通过实时摄像头画面和飞行控制界面远程监控和管理飞行过程。

目前，Egret尚未公布航程、巡航速度、燃油消耗或运营成本等关键性能指标，其实际运营效率仍有待即将进行的俄勒冈州试飞验证。此次融资标志着资本对大规模自主航空物流领域的持续投入，但商业可行性仍取决于后续的技术突破和监管审批。

澳洲科技媒体iTnews报道，近期Node.js修补的高风险漏洞Node2Shell（编号CVE-2026-111497）实际上源自Google开发的Brotli压缩库。由于Node.js内建此组件而受影响，但安全公司OpenSourceMalware联合创始人兼技术总监Paul McCarty调查发现，Python、Go、.NET及Perl等多个软件生态的库或应用程序也采用Brotli，浏览器、桌面应用与基础设施软件同样使用。这意味着该漏洞的影响范围远超Node.js本身。

McCarty指出，Python包Brotli及brotlicffi已确认使用受影响的解码器，分别于10月22日及23日发布修补版本。Chrome、Firefox及Envoy等产品也已修补相关问题。然而，部分产品自行内建Brotli库，企业即使更新了Node.js或操作系统包，仍可能有其他软件使用尚未修补的版本。是否受影响取决于采用的Brotli版本以及是否会解压不受信任的数据。

该漏洞位于Brotli负责解压数据的解码器，攻击者若能诱使使用受影响版本的应用程序解压特制数据，可能触发越界写入，造成内存损坏甚至远程执行代码。其CVSS 4.0风险评分为9.2分。安全公司Miggo追溯漏洞历史发现，造成问题的代码于2018年2月26日加入Brotli。上游项目虽在2026年2月27日修正相关代码，但当时未确认为安全漏洞，直到10月21日才发布包含修正内容的正式版本。这段时间差显示，上游代码修正不代表依赖该组件的软件已自动取得修补。

Node.js已于10月21日发布安全更新，修补Brotli解码器的越界写入漏洞，更新版本包括22.23.4、24.22.1及26.12.1。台湾电脑网络危机处理暨协调中心（TWCERT/CC）也发布安全公告，提醒企业盘点后端服务、容器镜像文件、网页前端工具链，以及部分AI代理命令行工具使用的Node.js版本，并尽快完成更新。对于其他内建Brotli库的软件，企业应确认是否使用受影响版本，并依产品安全公告完成修补。

Arsalan Tavakoli-Shiraji是Databricks联合创始人兼现场工程高级副总裁。Databricks目前估值1900亿美元，超过70%的财富500强企业是其客户。但在TechCrunch Disrupt的演讲中，他讲述的核心论点并非技术如何强大，而是技术强大本身不够。

他回忆早期一次经历：好不容易约到一位潜在客户的会议，却发现对方刚与自己的主要竞争对手签了大单。

Tavakoli-Shiraji将企业客户对AI的核心顾虑归纳为四个类别，他称之为“四个C”。

第一个是Context（上下文）：AI能否像新员工一样被训练，学会公司的术语、流程和优先级。第二个是Choice（选择权）：企业能否自由切换AI模型，而非被锁定在单一供应商。第三个是Cost（成本）：AI产品的运行成本是否可控。第四个是Control（控制）：是否有足够的安全护栏来约束AI行为并保护敏感信息。

关于企业AI采用的真实水平，Tavakoli-Shiraji给出了一个坦率的判断。他半开玩笑地问CIO们：在1到5的尺度上，你们公司的AI处于哪一级？1意味着员工只是能用上ChatGPT，5意味着公司已经用AI改变了业务流程。

他认为，当前最大的机会不是让企业做更花哨的AI演示，而是现代化那些昂贵的遗留系统。

在分发策略上，Tavakoli-Shiraji分享了Databricks早期一个关键转折：他们曾试图直接约见瑞士银行UBS，失败了。后来与微软建立合作，成为Azure云合作伙伴，销售协议纳入微软条款体系。更重要的是，微软的销售团队主动为Databricks预约会议并代为推荐。

Tavakoli-Shiraji还回忆，早期交易失败往往不是因为技术不够好，而是初创公司没有准备好应对法律、合同或安全方面的问题。

这些判断来自Tavakoli-Shiraji个人的企业销售经历。他坦率地估计，99%他交流过的企业仍处于第一或第二级，“要让企业真正以有意义的方式部署AI，还需要很多很多年。”

四个C的框架本身具有可检验性：任何向企业销售AI产品的团队都可以用这四个维度对照自己的销售材料，看客户拒绝时究竟卡在哪一个C上。Tavakoli-Shiraji在Databricks早期负责帮助拿下首批大客户，这套分类方法来自他实际的企业销售经历。

Anthropic 在 S-1 中披露了一组容易被忽略的数字：截至 2026 年 9 月 30 日的三个月内，超过 80% 的收入来自六个月内发布的模型版本。这句话的含义是，Anthropic 今天的收入高度依赖最新模型，而最新模型的开发费用全部计入研发支出，不进入销售成本。

传统软件公司的逻辑不同。一家公司开发一个产品，可以在随后数年持续从同一代码库中获益，研发是一次性投入，销售成本主要是托管、支持和少量维护。毛利率因此能真实反映单位交付的经济性。Anthropic 的情况是：模型有保质期，今天的收入需要明天的研发来维持，研发不是面向未来的投资，而是维持当前收入的必要开支。

OnlyCFO 做了一个敏感性测算：如果把 50% 的研发费用归入销售成本，Anthropic 2026 年上半年的毛利率约为 55.5%。仍然不低，但与报告数字之间的差距足以说明两者不在同一口径上。作者同时指出，如果 Anthropic 未来实现递归模型训练、用更少研发维持新模型产出，这个问题可能减弱——但这是一个尚未兑现的条件。

对读者的实际影响：在比较 Anthropic 与上市软件公司的毛利率时，不能只看报告数字。一家报告 80% 毛利率的 AI 模型公司，其真实单位经济性可能更接近 55%–60%，而一家报告 75% 毛利率的传统 SaaS 公司，其数字可能更接近真实交付成本。这不是说 Anthropic 的生意不好——正自由现金流（上半年 34 亿美元）、900% 净收入留存和每员工 660 万美元收入仍然突出——而是说毛利率这个指标在两类公司之间的含义不同。

S-1 还暴露了另一个结构性风险：Anthropic 披露 5%–7% 的年初至今收入来自违反其使用政策的公司，按 6% 中值推算约 40 亿美元年化收入来自正在或将成为竞争对手的企业用其模型做蒸馏。这部分收入本身就在资助未来的竞争者。

2026年6月，AlixPartners接管世茂集团位于香港东涌的1219间客房酒店综合体时，摆在面前的不是一栋待售的楼，而是一家仍在运转的酒店。联合接管人葛宇娜（Una Ge）对《南华早报》表示，任务是在保护一个活跃的酒店业务免受世茂整体债务牵连的同时，管理一笔涉及超过1000份合同的交易。最终，这座包含香港东涌喜来登酒店和福朋喜来登酒店的资产包以27亿港元（约3.44亿美元）出售给马来西亚ParkCity集团旗下的Oceanfront Hong Kong，对45亿港元银团贷款折价40%。

但葛宇娜强调，这笔交易的核心不是'卖楼还债'。接管团队在法院命令正式下达之前，就与万豪国际协调确保酒店运营不中断。

酒店是运营中的企业，不是被动的不动产资产。

维持'照常营业'对潜在买家和决定是否支持出售的贷款方都至关重要。

具体操作包括：与Eversheds Sutherland律所和万豪区域并购团队合作，起草两份互条件协议，将物理资产与运营实体分离，使马来西亚买家获得控制权而不继承世茂更广泛的企业债务；更替超过1000份商业协议，并在万豪长期管理合同下取得同意；直接管理毗邻的T Bay购物中心，续签零售租约、升级标识、推出住客折扣计划。葛宇娜称，在整个出售过程中，酒店月度收入实现了同比正增长。

这一系列操作的回报体现在竞标环节。招标吸引了来自九个市场的正式买家兴趣，包括中国内地、新加坡、马来西亚、日本、澳大利亚、欧洲、中东和美国。初始招标后，接管方要求入围方修订条款，所有入围方均提交了更高报价。葛宇娜说，此类决策并非仅看价格，执行确定性、融资承诺和董事会审批同样具有重大权重。

从更宏观的背景看，世茂在2023年最初为这两座酒店要价60亿至65亿港元，去年年底将预期降至45亿港元，最终以27亿港元成交。这一折价幅度反映了银行正在做出大幅让步以减轻资产负债表压力、限制拨备。世茂最初寻求的60亿港元与最终27亿港元之间的差距，也说明在冻结市场中，即便有经营保全，资产价格仍受整体流动性约束。

作为拥有18年经验的重组从业者，葛宇娜指出，虽然顾问可用的法律工具大体未变，但中国内地开发商违约的规模已将离岸利益相关者网络扩展到以往周期从未见过的程度。世茂在接管中表现出配合——主动提供信息并同意在港交所公告中确认酒店将正常运营——这在离岸接管中并不常见。葛宇娜说，多数借款人会抵制债权人的强制执行。

对于正在考虑持有还是出售的业主和贷款方，葛宇娜提出了一个可迁移的原则：'人们倾向于锚定沉没成本，即原始投资。但在做前瞻性决策时，这可能并不那么相关。'中原地产的数据佐证了这一点：贷款方越来越多地转向抵押品出售以回收现金，办公楼仍以折价交易，部分报价比原始购买价格低20%至25%。

需要指出的是，这是单一接管人对单笔交易的归因。世茂的配合态度、万豪品牌的持续管理，共同构成了这一结果的前提条件。葛宇娜本人也承认，核心商务区甲级写字楼租赁已出现初步企稳迹象，但改善能否扩散至非核心区仍不明朗。经营保全策略能否在其他类型的不良资产（如住宅项目、商业综合体）中复制同样的溢价效果，尚待观察。

一个按钮在iPhone视口下消失了。静态代码审查不会发现这个问题——代码逻辑正确，开发者意图也达到了，只是渲染结果不对。Greptile联合创始人兼CEO Daksh Gupta认为，这正是AI代码审查的边界所在：读代码能检查逻辑，但有些缺陷必须实际运行应用才能暴露。

Greptile是一家构建AI代码审查与测试代理的公司。Gupta说，验证一个pull request涉及多个层面：代码逻辑是否正确、是否实现了开发者意图、是否存在安全漏洞、是否会破坏已有功能。其中一部分只能靠运行应用来验证。

GPT-6 Astra的计算机使用能力给了Greptile一种新路径。具体做法是：为pull request启动开发服务器，将浏览器调整到iPhone尺寸的视口，然后模拟用户在应用中移动。模型的视觉理解能力让它检查屏幕内容，发现被隐藏的按钮。

"一个QA公司测试你的所有变更，考虑到我们用这些模型出码的速度，实在太慢了，"Gupta说。他的判断是，计算机使用能力首次达到了可以自动化"用户体验你的应用并试图搞坏它"这一过程的水平，从而让大型公司更有信心地发布。

Greptile还通过Model Context Protocol服务器将代码库文档提供给Codex使用。Gupta称，提供上下文后AI生成代码的回退率下降，客户节省了时间和推理成本。不过这一指标是内部追踪结果，没有公开方法论或第三方验证。

整体来看，Gupta的核心论点是一个能力边界的转移：当AI模型的视觉理解和交互模拟能力足够强时，缺陷检测的对象从代码文本扩展到应用行为。这一判断来自Greptile的实际使用经验，尚未有独立基准测试验证其覆盖率和误报率。

加拿大10年期减3个月期国债利差在2026年9月仍为正值。然而，一个基于疫情前数据估计的利差-衰退概率模型本应以40%的阈值预测2024年出现衰退——但加拿大并未经历衰退。这个悖论的解答取决于三个层面。首先，衰退的识别标准存在分歧——CD Howe研究所、ECRI和Philip Cross给出了不同的加拿大衰退日期。其次，模型规格的选择决定结论：债务服务增强回归在40%阈值下会预测衰退，而期限溢价增强规格则不会，尽管后者基于更短的样本。最后，历史证据本身也指向相反方向：自1970年以来，利差从未在如此正值之后紧接着出现衰退。因此，基于指标的证据对当前衰退风险的判断并不强烈——但12个月前瞻指标也无法预判贸易战急剧升级之类的意外。

总部位于纽约的AI初创公司Nevis宣布完成7000万美元B轮融资，由EQT Ventures领投。据《财富》杂志援引一位知情人士的消息，该公司此轮融资后的估值达到5亿美元。Nevis由前Revolut高管Mark Swan、Philipp Burda和Ivan Chalov于2024年10月创立，主要开发用于自动化理财顾问行政工作的AI软件。

新投资者QuantumLight和美国嘉信理财（Charles Schwab Corp.）参与了本轮融资，现有股东包括红杉资本（Sequoia Capital）、Iconiq和Ribbit Capital。EQT Ventures合伙人Carolina Brochado将加入Nevis董事会。至此，Nevis在两年内的总融资额达到1.1亿美元。

Nevis瞄准的是美国财富管理行业日益严峻的人力短缺问题。麦肯锡在2025年估计，未来十年将有超过三分之一的美国理财顾问退休，导致到2034年出现约10万名顾问的缺口。与此同时，随着婴儿潮一代向继承人转移近100万亿美元财富，对财务建议的需求正在增长。

Nevis首席执行官Mark Swan表示，传统理财顾问每天可能花费高达80%的时间处理行政工作，需要在八到十个不同的软件系统之间切换。Nevis的AI代理旨在接管这些手动任务，让顾问有更多时间服务客户。公司自报数据显示，过去一年中，使用其平台的咨询公司管理的资产从500亿美元增长至7000亿美元，每月新增约750亿美元。目前约有20家客户，包括Focus Financial Partners和United Capital。

据路透社报道，外卖平台DoorDash正与生鲜配送公司Instacart进行深度收购谈判，交易可能使Instacart估值达到约170亿美元。一位知情人士透露，双方最快可能于本周三达成协议，但并未保证交易最终完成。该消息人士还确认，Instacart此前与网约车巨头Uber的收购洽谈已不再活跃。

受此消息影响，Instacart股价在常规交易中上涨约8%，而DoorDash股价下跌约6%。截至上周五收盘，Instacart市值约为130亿美元。《华尔街日报》率先报道了这一进展。

此次潜在交易发生在食品配送行业面临劳动力成本上升、监管收紧以及疫情后在线订单热潮消退的背景下。DoorDash和Uber等公司正通过向杂货和零售领域扩张来寻求增长。若收购成功，DoorDash将获得Instacart成熟的电商平台及零售商关系，并结合其自身的配送网络和用户基础。

另据Instacart周一提交的监管文件显示，该公司将于2027年第二季度末前逐步关闭其Caper Cart智能购物车业务，预计因此产生5500万至8000万美元的税前费用。

人们习惯把AI的乱象归咎于厂商的无节制数据抓取，但diginomica编辑Chris Middleton认为，用户侧同样存在一个"狂野西部"：律师、咨询机构、出版商和新闻组织一边愤怒谴责厂商，一边不加验证地将AI嵌入自己的专业流程。

Middleton援引《柳叶刀》2026年7月发表的一项大规模审计来量化问题的严重程度。《柳叶刀》对250万篇生物医学论文进行了引用完整性检查，发现2810篇论文中包含4046条伪造引用。更关键的是退化速度：2023年约每2828篇论文中有1篇含至少一条伪造引用，到2025年升至每458篇1篇，而2026年前七周已达到每277篇1篇。伪造率从2023年的约每万篇4篇升至2025年第四季度的每万篇51.3篇，2026年初达到每万篇56.9篇——三年内增长超过12倍。

《柳叶刀》在论文中解释，伪造引用可能来自论文工厂、蓄意造假，也可能来自不加批判地使用AI写作工具。大语言模型生成的是听起来合理但实际不存在的引用，这是已被充分记录的失败模式；此前研究估计，在生物医学领域，30%至69%的大语言模型生成引用是伪造的。这些引用格式正确、标注真实研究者姓名和看似合理的发表日期，常规同行评审难以发现。

Middleton认为这种退化具有自我强化特征。

他进一步列举了跨行业的失败案例：研究者Damien Charlotin维护的实时数据库已记录超过2200例律师在法庭上提交伪造AI判例，每月新增超过100例且没有放缓迹象；四大会计师事务所KPMG、德勤、安永和普华永道均被曝光或被指控发布含有幻觉引用的研究报告，行业刊物Consultancy称它们"全都被逮到把生成内容冒充为思想领导力"。具体案例包括：2026年5月安永加拿大因大量AI生成引用撤回一份忠诚度计划欺诈报告；2025年10月普华永道一份报告中45条引用有40条被GPTZero判定为伪造；同年德勤因充满AI幻觉的报告向澳大利亚政府部分退款。

最令Middleton警觉的是一则来自伦敦结构工程师的转述。这位参与大型建筑与修复项目的资深工程师告诉他，自己现在每周都会收到ChatGPT撰写的建筑规格文件，其中包含错误的荷载计算和危险的材料组合。他形容这种情况"令人恐惧"，尤其是像他这样的岗位本身也处在自动化和成本削减的冲击线上。Middleton由此追问：如果有一天这位工程师不在某个大型项目的审核环节中，后果会怎样？

Middleton的结论是：负责任的AI使用只能来自一个战略决定——在组织使命范围内用技术解决可量化的问题，否则就不要用。它永远不会来自因为别人都在用就仓促跟进的战术冲动，也不会来自市场传播部门描绘的即时金钱、时间和生产力神话。

需要指出的是，Middleton的论证依赖他汇编的二手来源：《柳叶刀》数据经Forbes转引，Charlotin数据库和GPTZero报告均为第三方工具，结构工程师的故事为匿名转述且无法独立核实。他的核心主张——用户侧职业责任缺失构成系统性风险——是一个有证据支撑的归因论证，而非经过因果识别的实证研究。此外，部分专业场景中AI辅助起草后由专家逐项审核的流程未必构成Middleton所批评的那种不加验证的"狂野西部"式使用。

Middleton的最后一句话是：在AI面前，我们所有人都需要聪明得多、再聪明得多。