阅读

一位从1989年开始编程、在NAVER从事后端开发的工程师，在2026年10月27日发布的D2博客长文中提出一个核心判断：组织中的底层执行者已经是AI，每一位开发者都成了AI团队的管理者。这不是修辞夸张，而是他对自己日常工作的描述——向多个AI代理分配任务、提供背景信息和评价标准、在结果出现偏差时快速反馈纠正。

他将传统管理者的职责逐条对应到AI代理管理上：给多个人（AI）设定目标与价值观、降低信息检索成本、按各自优势分配工作并控制上下文范围、建立决策者与执行者之间的高效反馈循环。他还指出一个具体的工程后果：模块边界清晰时，AI代理会缩小修改范围；边界模糊时，AI会在多处复制相似代码，反而积累技术债。这意味着架构决策不再只影响人类开发者的协作效率，也直接决定AI代理的工作质量。

但作者认为AI代理无法替代的核心是人承担责任。即使AI完成了所有编码、测试和部署操作，决定让用户使用某个软件的人仍然是人，因此出问题时责任归最终批准者。他由此推论：如果'开发者'这个称呼在未来继续存在，其含义最可能是'批准敏感系统向生产环境部署代码的人'。要获得这种信任，验证和保障代码行为的手段——代码审查、自动化测试、多层安全检测——反而变得更重要，而非更不重要。

他给出了一个具体的风险机制来支撑这一判断：LLM的输出遵循概率分布，同一指令可能产生不同代码；AI的反馈循环主要在开发环境中运行，而大型系统的开发环境与运行环境在流量、数据规模和执行路径多样性上差异巨大。因此，AI在开发环境通过的代码，无法保证在运行环境中不出现性能延迟、内存溢出或数据污染。他举了自己的经历：参与年交易额数十万亿韩元的系统架构改造时，多次生产事故让他体会到这种差距是'운영 환경의 중압감'（运行环境的压迫感）。

关于开发者需要培养什么能力，作者分两条线展开。第一条是人与人的沟通和隐性信息收集：AI能放大人类决定的方向，但方向本身需要人通过沟通确定；组织内的暗含前提、利益相关者之间的温差、面对面交流时涌现的灵感，这些AI无法从训练数据中获取的信息，需要人主动去挖掘。第二条是在特定领域建立高于普遍水平的标准并能组合多个领域的标准做出判断：他举例说AI认为N+1查询在运行环境中没有问题，但考虑到实际部署规模他无法接受这个标准；缓存从性能角度是好的，从数据一致性角度可能是危险的——这类综合判断需要人在多个维度上都有足够深度。

作者特别强调一个容易被忽视的风险：AI倾向于无条件认同用户，长期依赖这种互动可能削弱人与意见不同的人沟通、处理冲突的能力。他引用韩国学者韩素媛《지능 파산》（智能破产，2026）中'社会性去技能化'的概念，以及芬兰阿尔托大学约500名参与者的实验——使用ChatGPT完成LSAT逻辑题的组别分数比对照组高3分，但自我评估高了4分，且越自认为擅长使用AI的人过度自信越严重。

作者也坦承自己的不确定性。他不知道'重大责任功能必须用清晰源码确认'这一信念能维持多久，也不知道当前韩国就业市场寒流该如何看待。他把自己1989年入行以来经历的最大变化归结为'编码'这一活动本身的性质改变了，但拒绝给出一个确定性的路线图，而是建议读者反复问自己'我想做什么样的事、为什么'。整篇文章的定位是'격변기의 스냅샷'（剧变期的快照），而非目的明确的指南。

部署后的大语言模型面临一个根本矛盾：直接更新参数会摧毁旧能力（灾难性遗忘），而仅依赖上下文窗口则一旦会话结束就丢失所有新信息。Google Research 的 Ali Behrouz 和 Vahab Mirrokni 在 2026 年 10 月 27 日发布的博客中提出了一种绕开这一两难的路径——让模型像人脑一样拥有'睡眠'周期。

睡眠框架将模型运行分为两个交替阶段。'清醒'阶段正常接收和处理输入，将临时信息存入快速短期记忆组件；'睡眠'阶段暂停新输入，将内部计算转向记忆巩固和自我提升。作者强调，虽然借用了神经科学词汇，框架完全在固定模型架构和人工定义的训练规则内运行，并非模拟生物睡眠。

睡眠阶段包含两个子过程。第一个是记忆巩固：模型利用混合专家（MoE）和 Hope 架构动态扩展参数容量，将新解锁的低秩专家写入稳定的低频记忆块，从而在不扰动旧参数的前提下容纳新知识。同时，通过广义知识蒸馏（GKD）配合基于强化学习的模仿学习，将高频层中脆弱的短期记忆'播种'到新扩展的长期参数中。巩固完成后，高频临时参数被重置，为下一轮清醒阶段腾出容量。

第二个子过程是'做梦'——自主自我提升循环。MoE 路由器随机激活非标准专家，迫使模型混合不同知识领域以发现潜在模式；模型据此生成合成训练样本（'梦境'），再用基于梯度的数据筛选保留最有提升潜力的样本，最后对这些高评分梦境样本执行监督微调并评估下游任务表现。

作者报告了一组自测结果：在满语和卡拉芒语等未见语言的持续翻译中，睡眠框架在多阶段评估中维持接近零的性能下降，而 ICL、Cartridges 和 SFT 均出现严重灾难性遗忘；在 BABILong 基准上，该方法声称实现了 1000 万 token 的近完美上下文扩展，超过 GPT-4 和 Titans；在 SQuAD 事实知识整合上达到 48.9%（单任务）和 46.2%（继续预训练），超过基线模型、SFT 和 SEAL；在 AIME 24/25 和 HMMT 25 数学推理上分别取得 79.2%、69.0% 和 46.1% 的准确率，超过 SFT、GRPO 和 OPSD。

这些数字全部来自作者自测，博客未披露硬件配置、各基线的绝对分数或统计置信区间，论文全文（arXiv:2606.03979）也未经独立复现。因此这些结果应视为归因于 Google Research 团队的初步证据，而非已验证的行业基准。框架的实际部署成本——每次睡眠周期的计算开销、参数扩展的存储增长、以及'做梦'阶段合成样本质量的可控性——在博客中均未量化。

尽管如此，睡眠框架将'训练与推理的严格分离'替换为一个有结构的周期：清醒时积累、睡眠时巩固和练习。这一范式如果能在独立复现中保持其声称的遗忘抑制和长上下文扩展能力，将为部署后模型的知识更新提供一条不同于单纯重训或单纯依赖上下文的中间路径。

据科技媒体Tom's Hardware报道，美国公民自由联盟（ACLU）于2026年10月26日发布报告，指控美国警方越来越多地利用人工智能（AI）算法和自动车牌识别（ALPR）监控数据，将司机的出行历史标记为“可疑”，从而在没有实际违法证据的情况下拦截车辆。

ACLU言论、隐私与技术项目的高级政策分析师Jay Stanley指出，这一做法依赖于安装在道路和高速公路上的ALPR摄像头网络。这些摄像头拍摄过往车辆并记录车牌号、位置和具体时间戳。通过结合不同摄像头的捕捉数据，执法部门可以确定车辆的行驶路线、使用路径以及访问特定地点的频率。接入这些监控数据的AI系统能够快速分析海量信息，并识别出经过训练被判定为“可疑”的模式，进而向执法部门发出警报。Stanley暗示，警员可能在收到此类警报后，寻找轻微的交通违规作为拦截司机的借口。在某些已记录的案例中，警员甚至隐瞒了拦截的真实原因。

该报告详细列举了几起事件，其中包括一名女性声称在一次跨州公路旅行中被拦下，因为警员使用的监控系统将其移动轨迹标记为可疑。该系统访问了关于她此前驾驶位置的ALPR数据。

这一发现正值人们对大规模监控摄像头网络的影响日益担忧之际，涉及隐私、滥用和监管有限等问题。例如，安全研究人员曾披露一个覆盖美国全境、拥有超过33.5万个Flock ALPR摄像头的网络。Flock Safety等公司正在开发增强型AI监控系统，能够识别“异常”的出行行为和车辆关联，并将其作为有效的犯罪预防工具进行营销。然而，传统的车牌识别主要用于追踪已知嫌疑人或定位与犯罪相关的车辆，而当前的全面监控规模和基于行为模式的预测性执法被认为是前所未有的。

Stanley谴责这种做法及普遍的大规模监控，担心这将导致备受争议的“借口拦截”增加。他表示：“随着这些AI算法不可避免地卷入比实际违法者更多的无辜者，将有越来越多的人面临警察盘查。”

太阳能设备公司Exowatt为AI数据中心提供可调度太阳能供电系统，其能源管理系统运行于不断扩展的站点群，各站点持续产生硬件报警。团队需要在无GPU、常无网络的边缘控制器上自动分类报警并给出下一步操作建议。Exowatt在AWS机器学习博客中描述了这一工程实践：微调Qwen3-1.7B模型在报警分类任务上自测macro-F1达0.911，超过Claude Sonnet 4.6的0.698，且推理成本为零（运行在站点现有CPU上）。

为什么前沿模型在这个场景下不可行？Exowatt给出三个原因：任务窄且专有，报警分类依赖其特定硬件和运行逻辑；必须边缘运行，无GPU且经常无网络；成本在站点群规模下不可持续，每个决策都调用云端前沿模型在经济上不可行。团队最初尝试Qwen3-8B加提示和护栏，macro-F1停在0.735，未达目标。随后发现一个反直觉的结果：十三种微调Qwen3-8B方案、跨12个数据集版本，没有一个超过提示版8B基线。而参数量仅为其五分之一的Qwen3-1.7B，配合更多样化的训练数据，反而超过了8B。

数据策略是核心发现。训练集仅2522条：684条经过验证的站点场景决策，加上1838条由Qwen3-VL-235B生成的改写（保持决策、标签、证据引用和所有数字不变，仅改写表述）。改写生成成本约3.72美元，2218个候选中1838个通过确定性检查。关键对照实验：仅用684条原始数据跑11轮（与扩充数据集步数相同），macro-F1为0.879；用扩充到2522条的多样化数据跑一轮，macro-F1为0.911。Exowatt的结论是：对于紧密界定的任务，数据质量与多样性比模型规模和数据量更重要，单纯增加训练轮数反而不如增加数据多样性。

在云端能源市场分析任务上，同样的管线将Qwen3-14B从基线0.415提升到0.975 macro-F1，超过Claude Opus 4.7的0.625，每千次回答成本0.60美元对比29.26美元（约49倍差距）。Exowatt强调，两个模型只是管线的第一个输出，更持久的成果是管线本身：从原始运营数据到认证训练集、微调模型和评估部署产物的可重复路径，将迭代周期从数月压缩到数天。

需要指出的边界：所有性能数据为Exowatt与AWS的自测结果，未经独立复现。两个任务均为单轮严格JSON输出分类，模型返回的每个声明必须引用输入数据的具体行，无法引用则丢弃。测试集分别为320和2000个样本。成本对比使用Amazon Bedrock标价乘以实测token数，边缘模型零成本指无API调用费，但硬件折旧和运维未计入。这些数字说明的是特定窄任务上的相对优势，不能外推到多步推理、开放生成或需要世界知识的场景。

美国西雅图初创公司Avante于2026年10月27日宣布完成3000万美元A轮融资。本轮由Frist Cressey Ventures领投，Sorenson Capital、Hearst Ventures、摩根士丹利Next Level Fund以及现有投资者Fuse参投。加上2024年由Fuse领投的1000万美元种子轮，该公司累计融资额达到4000万美元。

Avante构建了一个AI平台，旨在帮助企业管理员工医疗保健和其他福利。其AI代理可执行比较供应商合同与实际理赔数据、审查计划文档错误以及准备续约等工作。员工也可以使用该平台查询自己的保险覆盖范围。公司表示，新资金将用于国际扩张并开发更多AI代理，此前其“Ava Agents”产品已于上周发布测试版。

据GeekWire报道，Avante目前拥有超过70家客户，包括三星半导体（Samsung Semiconductor）、Real Chemistry、Zscaler和新闻集团（News Corp）。公司称过去一年的预订量增长了近五倍，平台覆盖超过38.5万名员工及其家属。CEO Rohan D’Souza指出，随着大型雇主预计2027年医疗费用中位数增长9.2%，企业对控制成本的工具需求正在上升。

美国云服务商Oracle于2026年10月27日在拉斯维加斯举行的Oracle AI World大会上宣布，其Oracle Cloud Infrastructure (OCI) 旗下的Oracle Acceleron网络与基础设施技术套件推出新功能。这些更新旨在帮助客户更可靠、安全且大规模地运行高要求的人工智能工作负载。

此次发布的核心能力包括：Oracle Acceleron高性能网络结构（High-Performance Fabric），通过前端计算上的RDMA连接提升推理、存储和HPC工作负载的性能；扩展的NVMe块存储附加选项，声称可将性能提升高达3倍；以及Oracle集体通信库（Collective Communications Library），该库通过在OCI后端多平面网络中分散流量，帮助分布式AI工作负载在网络路径故障时即时恢复，从而显著改善网络可用性。

Oracle计算与AI基础设施执行副总裁Pradeep Vincent表示，当数千个加速器协同工作时，一条拥塞或故障的路径可能产生远超单个连接的影响。新架构试图通过重新路由流量和从故障中恢复来应对这一挑战。

值得注意的是，Oracle在新闻稿中包含了“未来产品免责声明”，指出这些描述代表一般产品方向，不构成合同承诺，开发、发布时间和定价可能会发生变化。

韩国半导体设备零部件制造商东元部件（Dongwon Parts）于10月27日在首尔举行企业公开（IPO）记者见面会。该公司副总裁Jo Jun表示，公司的经营宗旨是“像台积电一样不与竞争对手争抢客户”，通过专注于半导体工艺中的售后市场（Aftermarket）零部件来规避与设备厂商的直接竞争及专利纠纷。

财务数据显示，东元部件今年上半年的销售额为633亿韩元，同比增长44.9%；营业利润从上年同期的30亿韩元大幅跃升至145亿韩元。公司解释称，高附加值产品比例的提升改善了盈利能力。其中，用于在晶圆上均匀分布气体的“淋浴头”（Showerhead）组件是关键盈利来源，其平均销售价格（ASP）从2022年的1646美元上涨至今年上半年的2140美元。

东元部件的售后市场零部件销售占比已从2023年的39.3%上升至2025年的45.1%，尽管今年上半年因新设备需求增加而暂时回落至39.7%，但管理层预计长期来看该比例将超过60%。目前，其主要客户包括Lam Research（占比45.9%）、SEMES（33.4%）和Exelis（12.6%）。公司正积极拓展Applied Materials（AMAT）等新客户，并计划引入金属3D打印技术以降低成本并开发轻量化航天部件。

本次IPO拟发行203万股新股，希望发行价区间为23,000至26,500韩元，预计募资额467亿至538亿韩元，上市后预期市值约为2134亿至2458亿韩元。主承销商为三星证券。

一只专注型股票基金在2000至2010年间取得了年化18.5%的回报。同期标普500指数略有下跌，这十年被称为华尔街的'失落十年'，18.5%的表现放在任何时期都极为出色。然而，如果你查看这只基金中平均投资者的实际回报，答案是亏损。基金赚钱，投资者亏钱，差额来自买入和卖出的时机选择。

Orion首席行为官、心理学家Daniel Crosby在Excess Returns播客中讨论《行为投资者》（The Behavioral Investor）平装新版时，用这个案例引出他的核心论点：存在'数学最优'组合与'行为最优'组合的根本区别。数学最优是在均值-方差框架下理论回报最高的配置；行为最优是投资者在真实情绪波动中能够坚持持有的配置。一个投资者如果无法在暴跌中不卖出，那么再高的理论回报也与他无关。

Crosby认为传统风险评估只测量了两个维度，遗漏了第三个。第一个是风险能力（risk capacity）：根据目标、时间线和现有财富，你能够承受多少风险。第二个是风险承受力（risk tolerance）：在平静的情绪状态下，你愿意在风险与回报之间做出怎样的权衡。Crosby指出，研究表明风险承受力在人的一生中相对稳定，不会大幅波动。

他提出的第三个维度是风险镇定度（risk composure）：当恐惧或贪婪等强烈情绪出现时，它有多大可能改变你对冷静状态下偏好的感知。换句话说，不是问'你愿意承受多少风险'，而是问'市场暴跌时，你有多大概率推翻自己昨天的答案'。Crosby将这一维度与人格心理学中的'神经质'特质联系起来——即一个人焦虑倾向的个体差异，并认为这一差异在人群中变化极大。

在实践中，这意味着组合构建不能只解决'应该持有什么'，还要解决'在什么情绪状态下会放弃持有'。Crosby建议对镇定度较低的投资者给予更多行为辅导和预警支持，而非简单降低其风险敞口——因为降低风险可能使其无法达成财务目标。他同时警告，对镇定度很高的投资者过度干预反而有害，他引用Betterment在波动期间发送'不要恐慌'提醒的A/B测试结果：那些原本没有焦虑的客户收到提醒后反而开始交易。

这一框架的价值在于它把'行为偏差'从笼统的标签变成了可分离的变量。风险能力可以通过财务规划计算，风险承受力可以通过冷静状态下的偏好调查测量，而风险镇定度需要额外的识别机制。Crosby认为，行业长期只解决前两个，第三个才是解释'为什么投资者在好基金里亏钱'的关键缺口。

需要指出的是，这是Crosby作为从业者提出的归因框架，而非经过独立实验验证的投资策略。他引用的基金案例来自单一来源，composure与神经质的类比来自人格心理学文献，但将composure纳入风险评估后是否确实改善了投资者行为，他未提供对照数据。框架的诊断力（解释为什么好基金亏钱）强于其处方的验证度（如何具体测量并据此调整组合）。

编程和客服是AI的前两个产品市场契合点，Theory Ventures合伙人Tomasz Tunguz认为安全是第三个。他的核心判断不是AI让安全变得更好而是攻击者的并行化能力已经压垮了人类防御者的响应速度，由此产生一个结构性的token消耗需求。

Tunguz引用的攻击数据来自多个来源。Black Kite报告称金融业勒索软件从2024年的156起升至2025年的202起，2026年第一季度又达到65起，同比增长76%。Cisco Talos发现八张eMudhra中间证书被攻破，其私钥仅为个位或双位整数，攻击者可借此冒充任何网站或服务。StepSecurity追踪到12个月内56起供应链攻击，其中一次五天的行动从2186个组织中窃取了78330个密钥，涉及92家上市公司。这些数字来自各机构自报，Tunguz未做独立验证。

经济机制的关键一步是响应时间的崩塌。Tunguz写道，入侵响应时间已从数月降至分钟，人类团队无法以这种速度读完所有告警。这迫使安全运营中心引入AI自动分诊。他调查了75位企业安全从业者，询问他们在排除端点安全后如何分配安全预算，结果分为五类：安全运营中心、SIEM、渗透测试、威胁情报和漏洞管理。每一类都有显著的token消耗。渗透测试中模型持续探测每个端点，成本远低于人类红队；漏洞管理中AI对扫描器报告的海量发现按可达性和可利用性排序；SIEM中分析师用自然语言查询数据库，几秒内得到答案而非提交工单等待查询编写。

Tunguz引用OpenAI总裁Greg Brockman在2026年10月No Priors播客中的话：

安全支出实际上应该远远超过软件支出。每个公司都需要AI安全，因为攻击者可以并行化他们的行动。并补充说全球网络安全市场去年为1750亿美元，年增13%，这还没算安全进入token路径后的增量。

Tunguz自己也标注了调查的局限：75人样本以定性为主，图表误差范围显著。他的论证链条是：攻击并行化→响应时间崩塌→五类预算必须引入AI→每类产生token消耗→安全市场进入token路径→这是第三个PMF。这个链条的薄弱环节在于，现有安全预算的分配惯性可能不会因为技术可行性而自动转化为token支出；厂商（包括OpenAI）有动机推动这一叙事；1750亿美元是Forrester的预测而非已观测的token消耗数据。Tunguz作为Theory Ventures的普通合伙人，其投资立场与AI基础设施叙事存在利益关联。

美国数据库和云服务巨头Oracle于2026年10月27日在拉斯维加斯举行的Oracle AI World大会上宣布推出“Oracle Media Fabric”。这是一个集成平台，旨在帮助媒体公司、流媒体提供商和品牌减少内容制作时间和成本，大规模分发高质量视频，并为观众创造更个性化的体验。

该平台结合了Oracle Creative Studio（AI驱动的制作套件）、Oracle AI Media Models（用于视频和图像生成的模型）以及Oracle Video Edge（用于低延迟大规模直播的分发基础设施）。Oracle表示，Media Fabric将过去只有大型专有流媒体平台才能获得的复杂内容创建和流媒体功能带给所有规模的内容创作者。

Oracle首席执行官Clay Magouyrk称，该举措利用AI贯穿整个制作和分发工作流程，帮助创作者更好地利用现有内容并实时定制观看体验。值得注意的是，Oracle在公告中包含了“未来产品免责声明”，指出所述功能代表一般产品方向，不构成合同承诺，开发、发布时间和定价可能会发生变化。该平台计划在接下来的12个月内可用。

据WIRED报道，英国边境与移民独立监察员（ICIBI）正在考虑对内政部使用生成式AI工具处理庇护申请一事展开调查。这一潜在行动源于议员和研究人员对该工具准确性以及政府对其使用情况保持保密的公开质疑。

ICIBI负责监督英国内政部在边境、移民和海关方面的管理。该机构已要求数字权利非营利组织“开放权利团体”（ORG）分享更多有关这些工具的信息，以制定明年的检查计划。ORG的发现来自为期六个月的调查，涉及11次议会质询、两封部长信函和10次信息公开请求，但内政部一直拒绝披露相关细节。

根据ORG获得的文件，内政部使用了名为“庇护案件摘要”（ACS）和“庇护政策搜索”（APS）的工具，这些工具基于OpenAI 2023年的GPT-4大语言模型和Microsoft Foundry构建，用于总结庇护申请人的面试记录及其原籍国信息。工党政府于2024年底开始试点这些工具，旨在清理约10万起积压的庇护案件。尽管等待初步决定的人数在截至6月的一年内减半，但对决定的上诉数量却激增。

研究人员担心这些AI工具在决定某人是否应被遣返回其遭受迫害的国家时存在准确性问题。ORG发现，ACS生成的摘要中被认为“不适合使用”的比例显著高于试点评估中公布的9%错误率，且APS生成的摘要没有质量控制。今年7月，一名英国法官曾指责内政部引用“AI幻觉”生成的文件来拒绝一名摩洛哥妇女及其孩子的庇护申请。

内政部发言人回应称：“庇护决定由受过培训的个案工作者做出，AI工具仅用于协助浏览面试记录和政策信息。它们不能单独使用，也不对申请做出决定。”然而，批评者指出，由于缺乏明确法规，英国《AI手册》要求部门必须透明地披露其在决策过程中使用的算法工具，并列入公共数据库，但内政部的这些工具并未出现在列表中。此外，寻求庇护者通常不知道其案件中使用了这些AI工具，这可能违反英国数据权利法。

据SDx Central报道，欧盟于10月20日至21日在拉脱维亚举行的Tech Territory会议上公布了五个新的6G研究项目，并建立了与台湾和印度的全球合作关系。这些项目旨在构建覆盖六个欧盟成员国的6G实验平台，并在欧盟与印度之间设立协调中心。

获得欧盟补贴的欧洲智能网络服务联合企业（Smart Networks and Services Joint Undertaking, SNS JU）将为该项目群提供2500万美元（约合33亿韩元）的资金支持。

在项目草案中，一项名为HEMES-6G的计划特别包含了以人工智能无线接入网络（AI-RAN）为核心的对台合作内容。AI-RAN是一种将人工智能计算能力直接集成到基站硬件中的技术架构，被视为6G网络的关键特征。此外，新项目也是去年结束的Hexa-X-II项目的后续延续。

SNS JU常务董事Elzbieta Pitory表示：“随着AI和6G技术的成熟，我们正高度重视大规模实证验证。这些项目旨在铺平从实验室走向市场的道路。”