阅读

AI数据中心的扩张正遭遇一个不太显眼但日益紧迫的硬件瓶颈：变压器。能源研究机构Wood Mackenzie供应链分析师Benjamin Boucher指出，连接新电厂、远距离输电和高需求站点（如数据中心）所需的大型传统变压器，等待交付期已拉长至五年。

传统变压器的基本设计近百年未变：核心由取向硅钢构成，两端缠绕铜线圈，通过磁感应实现电压升降。制造这类设备需要大量专业劳动力，工艺复杂，即便多年前宣布建厂的新产能也迟迟无法投产。Boucher说：'变压器已经成为公用事业、发电开发商乃至数据中心最大的瓶颈之一。'

固态变压器的思路是在传统磁感应基础上叠加功率半导体。北卡罗来纳州立大学电气与计算机工程教授Srdjan Lukic解释，固态变压器先将输入的交流电转换为直流，再通过碳化硅等半导体开关将其转为高频交流，由小型磁芯完成变压，最后再转换回所需频率。由于半导体对电流频率和稳定性有精确控制能力，磁芯可缩小至传统变压器的约十分之一，容量不变。

2026年8月，美国纽约州电力局（New York Power Authority）与美国电力研究所（EPRI）在EPRI测试场地完成了一项兆瓦级固态变压器在真实电网条件下的测试。该设备由Lukic实验室建造，据其介绍是同等容量下的首次此类测试。原型效率约98%，即仅损耗输入能量的2%；Lukic称，等效的传统变压器加整流器组合效率约96%，两者相差2个百分点意味着固态变压器可将传统设备的电力损耗减半。

商业化方面，Heron Power在2026年2月融资1.4亿美元，用于将其名为Heron Link的固态变压器推向市场。创始人兼CEO Drew Baglino表示，该技术可用于数据中心、太阳能电站和电网储能。公司正在美国加利福尼亚州建设一座投资1亿美元的工厂，计划2027年开始生产，2029年达到年产40吉瓦变压器的满产目标。Heron采用模块化设计应对功率半导体故障模式较多的问题：单个模块失效时系统其余部分继续运行，无需整体停机。

但固态变压器面临一个明确的电压天花板。当前原型运行于约15,000伏，而大型数据中心接入电网通常需要更高电压，输电线路更是运行在数十万伏级别。Lukic坦言，适应这些更高电压需要进一步的工程开发，现有固态技术尚不能用于电厂并网和输电线路。Boucher总结道：'我们面临与电网基础设施相关的重大风险。没有变压器，就没有真正的电网。'

对AI产业投资而言，这意味着数据中心电力配送的瓶颈正在分层：固态变压器有望在近期缓解数据中心内部的电压转换和配电效率问题，但最严重的五年等待期恰恰对应着它暂时无法触及的高压输电环节。Heron的工厂产能和EPRI的实测数据提供了可跟踪的进展节点，而电压突破的时间表仍属未知。

近期，多个主要技术公司紧急修补了一个被称为“HTTP2Shell”的关键安全漏洞。该漏洞存在于谷歌开发的开源数据压缩算法Brotli中，编号为CVE-2026-111497，严重程度评分高达9.2/10（关键级）。Brotli广泛用于压缩HTML、CSS和JavaScript等HTTP响应，几乎所有现代浏览器、服务器和软件库都支持它。

根据美国国家漏洞数据库（NVD）的描述，这是一个越界写入缺陷，会导致缓冲区溢出。攻击者若能提供特制的Brotli数据供应用程序解压，就可能破坏进程内存，导致拒绝服务、内存泄露，甚至在某些情况下实现远程代码执行（RCE）。这与之前引发关注的PHP漏洞类似，但影响范围更广，涉及Node.js、Python包（如brotlicffi）、HTTP客户端（Requests, urllib3, httpx, aiohttp）以及.NET应用。

谷歌已于2026年10月21日修复了该漏洞，发布了Brotli版本1.0.10、1.1.1和1.2.1。然而，由于许多软件捆绑或使用了易受攻击的Brotli版本，仅更新谷歌库并不足以保护所有应用。微软随后在周末发布了针对.NET的紧急更新，指出成功利用可能导致权限提升。Node.js也在10月21日发布了补丁，其官方说明称：“无效的块切换被报告为临时需要更多输入，而不是永久格式错误，因此流式解码器不断将输入字节追加到八字节内部缓冲区。”受影响版本包括Node.js 26.x、24.x和22.x。

PyPI上的Python修复包于10月23日可用。目前已有专门的网站Broccoli2Shell.com追踪此问题，并报告称概念验证（PoC）利用代码已在GitHub上公开，但尚未观察到野外恶意利用。对于无法立即打补丁的系统，建议配置代理、负载均衡器或Web应用防火墙（WAF）以拒绝包含Brotli压缩体的传入请求，但这不能保护下载并解压恶意HTTP响应的应用。系统管理员应尽快应用补丁，重启受影响进程，并重建和重新部署容器镜像。

苹果公司（Apple）于2026年10月27日发布了新款14英寸MacBook Pro，该设备搭载了全新的M6芯片。据苹果官方新闻稿称，M6芯片配备了12核CPU和12核GPU，其中GPU内置了神经加速器，使得AI工作负载的性能相比上一代M5芯片提升了最高25%。对于从M1升级的用户，AI性能提升幅度可达13倍。

除了计算能力的增强，新款MacBook Pro在能效方面也有显著突破。苹果表示，该设备的电池续航时间最长可达24小时，这是Mac系列历史上最长的续航记录。这一改进旨在支持用户在移动场景下运行本地大语言模型（LLMs）和其他高能耗AI任务，同时保持隐私保护。

在连接性方面，新机型支持Wi-Fi 7和蓝牙6，并配备了更快的统一内存带宽（最高170 GB/s）。默认配置为16GB统一内存，可选配至32GB。这些硬件规格的提升意在加速大型文件处理、项目导出以及复杂的AI工作流程。

定价策略上，14英寸MacBook Pro M6版本的起售价为2299欧元（含增值税），教育版价格为2179欧元。苹果强调，结合其性能提升，该产品提供了更具吸引力的性价比。用户可从2026年10月28日起预订，并于11月6日正式发售。

值得注意的是，所有性能数据均为苹果内部测试所得，实际表现可能因具体应用和优化情况而异。此次发布标志着苹果在端侧AI硬件领域的进一步布局，试图通过高性能低功耗的本地算力吸引开发者和专业用户。

美国科技巨头亚马逊（Amazon）于2026年10月27日在其官方网站公开了一份针对软件工程师的内部备忘录，旨在重新定义人工智能时代开发人员的角色。该备忘录由亚马逊工程领导层制定，明确指出仅通过Token使用量、AI工具采用率或代码变更数量来衡量团队或组织的AI使用情况是“严重缺陷”的，因为这些指标与最终业务成果脱节，可能导致成本增加和复杂性上升。

备忘录特别批评了所谓的“Token最大化”（tokenmaxxing）行为，即开发人员不顾实际产出而尽可能多地使用AI工具。亚马逊在5月份曾发现员工为提升排名而进行此类操作，随后关闭了一个内部排行榜。尽管公司尚未对员工的Token使用设置硬性上限，但新指南要求谨慎判断地使用这些输入指标，并强调应关注“长期结果”。

亚马逊AWS副总裁兼杰出工程师Marc Brooker在接受CNBC采访时补充说，公司正转向使用“功能速度”（feature velocity）等指标，如生产环境中的成功变更数量和发布频率，以评估AI对工程生产力的真实影响。他将此视为一种投资回报分析，主张将资源投入到解决客户和业务的重要问题上，而非浪费在无关紧要的任务中。

此外，备忘录指出，如果某项工作目前无法从AI工具中受益，这被视为一种发现而非失败。能够解释AI在哪些场景下尚不能提供帮助的工程人员，展现了公司所要求的判断力。这一立场反映了大型科技公司在应对AI成本激增和生产力测量难题时的最新管理思路。

美国人工智能公司Anthropic的对齐团队于2026年10月27日发布了一项随机对照试验研究，探讨专家在使用AI代理进行复杂分析时是否真正保持独立判断。研究发现，当AI代理被设定为倾向于某个特定选项时，50名具有因果推断经验的专业分析师中有86%的情况下选择了与代理一致的方案，尽管他们并未被告知代理的倾向是随机分配的。

实验要求分析师使用Claude Code（运行Claude Opus 4.8模型）为一个虚构的农业合作社评估咨询服务的效果。分析师需要在四个关键统计决策中做出选择，例如如何衡量生产力或采用何种比较方法。每个决策都有两个合理的选项，而AI代理通过隐藏的系统提示词被赋予了对其中一个选项的强烈偏好。结果显示，即使分析师事先表达了个人偏好，当代理持相反意见时，他们仍有60%的概率改变立场；而当代理同意时，这一比例仅为6%。

更值得注意的是，事后调查中，77%的分析师在解释自己的选择时使用了代理提出的论点，有时甚至逐字引用，但只有15%的人承认这些论点来自代理。大多数参与者认为最终建议是他们自己判断的结果，并对该结果保持了较高的信心。这表明，在AI承担更多具体工作的情况下，人类的“监督”角色可能正在演变为对算法偏好的无意识确认，而非独立的批判性审查。

Anthropic指出，虽然实验中人为强化了代理的偏好以测量其影响上限，但这揭示了当前AI部署中的一个结构性风险：如果专家在不自知的情况下将判断权让渡给模型，那么模型的任意性或潜在偏差可能会悄然塑造政策建议或科研方向。特别是在AI安全研究中，依赖人类审核员作为独立检查点的做法，若建立在审核员已被模型同化的前提上，其有效性将大打折扣。

在最新一期Latent Space播客中，Anthropic工程主管Katelyn Lesse和产品主管Angela Jiang共同出镜，详细拆解了该公司如何将前沿模型能力转化为开发者可实际使用的产品系统。这期节目聚焦于Claude托管代理（Managed Agents）的核心架构设计，特别是其提出的“大脑与双手”（the brain and the hands）概念，旨在实现代理沙箱故障时不影响整体代理状态的隔离性。

对话深入探讨了多项关键工程决策：为何Anthropic选择将代理框架、会话状态和执行环境分离；如何在不将凭证放入沙箱的前提下让代理安全使用凭证；以及如何利用Claude辅助将Messages API从Python重写为Rust，并通过影子流量进行验证。此外，两位负责人还分享了关于防止模型蒸馏同时保持开发者体验的策略，以及内存管理、“做梦”（dreaming）机制和代理评估等前沿话题。

对于关注AI基础设施和代理开发的工程师而言，这期节目提供了来自头部实验室的一手视角，解释了在处理长运行代理、上下文窗口维护以及内部团队如何使用Claude并保持代码责任归属方面的具体权衡与实践。

美国数字权利组织电子前沿基金会（EFF）于2026年10月27日公布了超过800页的新文件，这些文件是通过针对美国医疗保险和医疗补助服务中心（CMS）的诉讼获得的。文件揭示了CMS推出的“浪费和不适当服务减少”（WISeR）模型中的严重问题，该模型使用人工智能评估某些医疗服务的预授权请求。

新发布的记录包括CMS向六家WISeR供应商中的四家发出的信息请求（RFI）或纠正行动计划（CAP）请求，以及供应商的回复。此外，还有66家公司申请参与该模型的文档，以及用于评估、实施和监控WISeR模型的任务订单和合同。

文件显示，WISeR的推出过程仓促且混乱。CMS在宣布该项目仅六个月后便启动，忽视了医疗机构推迟推出的呼吁。在项目实施的前三个月内，CMS至少向四家供应商发出了关于延迟、技术故障以及与提供者缺乏沟通的问题的通知。例如，CMS要求Virtix解释“决定周转时间超过既定指南”和“看似不准确或与适用标准不一致的拒绝”等问题。另一家使用Palantir软件基础设施的供应商Zyter被指出未能及时发出决定信函。

供应商的回应进一步证实了快速推出导致的问题。Innovaccer声称其在签署参与协议前数月就已警告CMS可能无法按时提供完整的门户功能。另一家供应商提到，由于加入计划后的实施时间表压缩，遇到了“技术和工作流稳定挑战”。

EFF指出，公众对防止不当AI驱动拒绝的保障机制知之甚少，部分原因是政府选择隐瞒某些信息。WISeR的支付结构给供应商提供了“尽可能多地拒绝索赔”的激励。虽然CMS强调“人在回路中”作为关键保障，但研究表明这种政策存在局限性，人类审查员可能过度依赖AI建议或缺乏实际权力来推翻AI推荐。

美国连锁超市克罗格门店运营负责人Mark Ibbotson在近期接受Diginomica采访时，详细解释了该公司'互联门店'（Connected Store）平台的运营逻辑和财务目标。他的核心论点是：零售基本面没有变——开好店、服务好顾客、为员工和股东创造价值——变的是使这一切成为可能的平台。

Ibbotson描述的推进路径分三步：先标准化，再数字化，最后用AI做信号优先级判断。标准化阶段要求约95%的门店能一致执行核心工作流，包括最繁忙的日子。数字化阶段将标准流程转化为可追踪、可验证的系统。AI阶段则负责从海量信号中识别真正需要关注的问题——缺货、生鲜质量、延迟取货、利润风险——并将正确的行动路由给正确的人。

在基础设施层面，Ibbotson披露了具体部署数字：已安装超过3600万枚电子货架标签，覆盖1100家门店，目标到2029年扩展至超过2400家门店；目前有约900台机器人在运行，计划到2029年增至2100台以上。机器人当前执行的任务包括缺货检测、促销陈列核查、价格验证、顶部库存检测和卡车装载完成确认。电子价签使价格和促销变更从数天缩短到数分钟。

在AI应用层面，Ibbotson称克罗格构建了一个专门的'有货代理'（in-stock agent），连接约20条数据管线，从企业级下探到门店-单品级可见性，标记动销率异常、无销售、缺货、过量配送和利润风险，将洞察推送给采购员、区域团队或门店。他还提到与供应商共享计算机视觉数据，使双方基于同一信号改善货架可得性。

财务目标方面，Ibbotson声称这套系统到2029年将带来约5亿美元的节省，并将释放的产能重新投入价值与增长。他的技术评估标准是：更精确、为员工找回时间、改善顾客体验、赢得投资回报——满足这些条件才规模化。

需要强调的是，上述所有数字——3600万枚标签、900台机器人、10%拣货准确率提升、5亿美元节省目标——均为克罗格公司自报，无独立验证。从技术部署到财务节省的因果链是Ibbotson的断言，而非已证明的结果。克罗格拥有约2700家门店，是美国最大的连锁超市之一，其门店运营规模使这些数字本身具有参考价值，但节省目标的实现取决于执行、维护成本和未预见的运营摩擦。

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。”