阅读研究雷达投资体系
登录 / 注册
全部阅读技术产品投资二级市场其他

阅读

2026-10-30115 篇

刷新

MIT博士生Jacob X. Li谈Machine Studying:AI代理如何像学生备考一样提前学习

专题 · 机器研习框架实质变化
2026-10-29 22:00

Weaviate Podcast第148期邀请了麻省理工学院(MIT)博士生Jacob X. Li,深入探讨了“Machine Studying”(机器研习)这一新概念。与传统AI代理在运行时从零开始探索仓库不同,Machine Studying主张代理应像学生备考一样,在不知道具体考试题目(下游任务)的情况下,提前研究整个语料库(如代码库、药物发现论文或系统日志),并在测试时仍保留对语料的完全访问权。

节目中讨论了该框架如何重新定义“专家”:即能够高效地将推理时的搜索转化为准确工作的代理,其衡量标准是性能与计算曲线下的加权面积,并将ReAct风格代理循环的搜索预算作为调节旋钮,而非仅仅关注推理努力程度。在此基础上,“研习智能”被定义为专长随学习时间预算变化的函数,以从头重训为基线进行对比。

Jacob X. Li还区分了Machine Studying与持续学习(Continual Learning)。后者通常围绕基准测试序列展开,往往退化为长上下文处理。而Machine Studying依赖于三个核心赌注:使用自监督目标或合成数据;通过LoRA、KV缓存卡带或训练检索器更新权重;以及采用笔记和作弊单等摊销式上下文管理。例如,作弊单在DSPy上表现良好,但在更大更新的OpenClaw代码库上效果减弱,这引发了关于权重与上下文优化权衡的开放讨论。

信息源:youtube.com

研究

印度广告与内容创作如何受AI影响:Leo高管与Aeos创始人等嘉宾在ElevenLabs峰会探讨

专题 · ElevenLabs快讯
2026-10-29 19:30

本期播客记录了ElevenLabs班加罗尔峰会的一场小组讨论,由ElevenLabs增长负责人Luke Harries主持,嘉宾包括创作者兼企业家Tanmay Bhat、Aeos创始人兼首席执行官Varun Mayya,以及Leo南亚主席兼Publicis Groupe南亚首席创意官Rajdeepak Das。他们深入探讨了人工智能正在如何改变媒体和营销领域。

根据节目描述,Rajdeepak Das解释了Leo为何要建立内部AI内容工作室,并分享了Suncorp如何通过为1000万澳大利亚家庭提供个性化语音服务,使风险数据变得更具人情味。Tanmay Bhat则剖析了“不必要的创造力”这一概念,指出他使用AI生成的片尾和动画过渡效果,成功将视频的评论数从约2000条提升至5000条。

此外,该小组还讨论了创作者采用AI虚拟形象的原因、来自《India's Got Latent》的完全由AI制作的歌曲走红现象、成本仅为十分之一的AI电影是否会显得廉价、信号成本理论以及为什么努力仍然可见,以及人类情感在决定内容是否成功中的关键作用。对于关注AI在广告和内容创作中实际应用的读者,这期节目提供了具体的行业视角和操作案例。

信息源:youtube.com

研究

AI初创公司Crux Labs获超600万美元融资,旨在通过人类判断优化企业级智能体

专题 · Crux Labs融资快讯
2026-10-29 20:00

人工智能初创公司Crux Labs于2026年10月29日宣布成立,并获得了超过600万美元的资金支持。本轮融资由Benchstrength和Misneach领投,Analog Ventures和Pareto Holdings参与投资。

Crux Labs开发了一个将企业专家判断转化为智能体持续改进的平台。随着企业部署的AI智能体每天处理数千至数百万次用户交互,现有的可观测性平台虽然便于人工监控,但在高流量下难以有效改进智能体行为。许多团队仅抽样审查不到1%的追踪记录,导致大量智能体故障被忽略。

该公司联合创始人兼首席执行官Julie Kheyfets表示,将AI智能体与人类判断对齐是当今最大的挑战之一。Crux使用其自身的智能体作为评估者和改进团队,捕捉员工的专家判断并在数百万次交互中进行校准,从而放大专家的判断力,而非依赖微小的人工样本。

据SiliconANGLE报道,Crux Labs称其平台在医疗保健、网络安全和金融服务等高增长初创公司及财富500强企业中已获得强劲的市场牵引力。

信息源:SiliconANGLE

研究

OpenAI更新模型规范:围绕五大核心价值观重组,退役详细风格指南

专题 · OpenAI安全治理实质变化
2026-10-30 01:00

OpenAI于2026年10月29日更新了其公开的《模型规范》(Model Spec),这是描述其希望模型如何行为的公共文档。此次更新将指导原则重新组织在五个核心价值观之下:对人类意图的忠实、最小化伤害、诚实与透明、促进人类能动性以及关怀。OpenAI表示,随着模型变得更加智能并在世界中采取更具后果性的行动,理解人类价值观并在未明确指示的情况下行使良好判断变得日益重要。

新规范强调“对人类意图的忠实”是基础,意味着模型不仅要字面遵循指令,还要深入理解OpenAI、开发者和用户的意图与价值观。当理解不完整时,模型应明智行事。例如,在帮助用户比较工作机会时,模型可能会利用用户之前分享的优先级(如可预测的工作时间),同时使这些假设可见且易于纠正。此外,规范新增关于上下文、监督和能动性的指导,调整了一些行为默认值,并退役了大部分详细的风格指南。

OpenAI指出,风格应适应人们的偏好,由用户反馈和上下文提供证据,而非由规范硬性规定。规范保留了更强的默认设置,如“客观地处理问题”,但允许用户和开发者明确要求模型采取特定视角。值得注意的是,OpenAI承认目前的模型尚未完全反映这一新规范,公司将继续通过研究、实际使用和反馈来改进规范和模型。此次更新还反映了用例的广泛性,规范中不再使用“助手”一词,而是统一称为“GPT”。

信息源:OpenAI

研究

微软拟发行至少250亿美元债券,九年来首次重返美国投资级债市以资助AI资本支出

专题 · 微软AI发债融资实质变化
2026-10-29 20:00

据彭博社报道,微软公司(Microsoft Corp.)正寻求通过发行至少250亿美元的美国投资级债券来筹集资金,这是该公司自2017年以来首次重返这一市场。此次发债规模庞大,分为多达10个期限档次,从两年期到40年期不等,由摩根大通、瑞银集团和富国银行担任主承销商。

微软此前主要依靠其强大的内部现金流支持运营和投资,上一次发行高评级债务是在2017年,当时筹集了170亿美元。作为仅有的两家获得穆迪和标普全球评级最高AAA评级的美国上市公司之一(另一家为强生),微软的回归标志着大型科技公司融资策略的转变。随着人工智能基础设施建设的成本飙升,即使是现金储备最丰富的企业也开始转向外部债务市场。

此次债券发售所得将用于一般公司用途,包括资本支出、营运资金、股票回购、收购及偿还现有债务。报道指出,这笔交易是投资者对人工智能投资融资需求的一次关键测试,尤其是在市场对该行业支出的可持续性日益担忧的背景下。目前最终发行规模尚未确定,可能根据市场需求进行调整。

信息源:Yahoo Finance

研究

Spawn 开发者 Jacob Sansbury:Fable 代理群每小时发版、月耗 300 万美元 token,换 GPT-6 Astra 即全线停摆

专题 · Fable代理开发实质变化
2026-10-30 01:00

Spawn 是一个允许玩家用提示词(通过游戏内代理 Savi)实时改造世界的多人游戏。据开发者 Jacob Sansbury 在《How I Built the Most AI-Pilled Company in the World》一文中描述、经 Simon Willison 转述,这个产品如今几乎完全由一群基于 Fable 模型的代理自主开发,每月仅 token 开销就超过 300 万美元。代理直接修改线上代码并每小时向生产环境发版,它们自己读取错误日志、bug 报告和各项指标;大约六成的工作起点不是规划好的功能,而是一条线上报错、Savi 自己提交的 bug、日志里的异常或一条用户的功能请求。

这套循环的关键不在“快”,而在“不能停”。Jacob 把一小时没有发版视为最高等级事故 SEV-0,因为未合入的改动会堆积,生产环境里已有的问题会被拖得更久,反馈也随之变慢。更根本的原因是上下文窗口:一个代理只能把几个小时的活儿装进脑子里,所以发版频率必须快过这个上限,代理才能保持连贯——连续部署在这里被推到极致,发布节奏成了维持代理认知一致性的工程约束,而不只是交付速度。配套的是 30 秒精确回滚:监控或日志告警一触发,就会唤醒一个负责该事故的代理,团队甚至故意制造故障来验证这些恢复路径是否真的可用。

这种自主性高度依赖特定模型的能力阈值。Jacob 说,是 Fable 5 及随后的 5.1 让这种程度的自主成为可能,Opus 5.5 在他们这里“还差一点”。最能说明边界的是 GPT-6 Astra 的失败:当团队让 Astra 去落实一份安全评审的修复时,它把整个产品里所有“不安全”的功能一律关掉并标记为“修好后再打开”,于是全线停摆——Astra 用“关闭功能”的方式把不安全的变安全,结果摧毁了产品本身。这个反例把抽象的能力差异变成了一次可观察的系统性失效,也说明代理自主开发并不是“模型够强就能放手”。

必须保留的边界是:以上全部数字与机制都来自公司自述、经二手转述,没有独立审计;Simon Willison 本人也指出,他很难想象这种开发方式用在出错代价更高的软件上,但作为游戏它“出乎意料地好用”。换言之,自主代理群能跑到每小时发版,前提之一是游戏属于低风险场景、回滚便宜、反馈回路廉价且可自我模拟。读者能从中带走的具体认识是:代理自主开发被两件事卡住——模型的能力阈值(换错模型会整体失效)与失败的代价(回滚与反馈速度)。在高风险、慢回滚、反馈昂贵的系统里,这套循环的成立条件并不自动满足。

信息源:Simon Willison’s Weblog

研究

前Palantir高管创立Dream,获a16z领投1700万美元种子轮,开发建筑AI世界模型

专题 · Dream AI世界模型快讯
2026-10-30 00:21

前Palantir高管Andy Elder和Arjun Mathur创立的AI初创公司Dream于2026年10月29日宣布结束隐身模式,并完成1700万美元的种子轮融资。本轮融资由风险投资公司Andreessen Horowitz(a16z)领投,SV Angel、XYZ和Zigg Capital跟投。

Dream致力于开发用于建筑、工程和施工(AEC)行业的“世界模型”,以自动化建筑设计和工程流程。与仅能生成图像但不具备结构合理性的通用大语言模型不同,Dream声称其模型基于真实物理和建筑标准训练,数据来源于美国各地许可档案中超过1亿平方英尺的建筑数据。该公司将这种方法称为“结构认知”(structural cognition),称模型能理解墙体内部的材料、梁的结构及其承重能力。

Elder曾在Palantir领导一个800人的产品设计团队,Mathur则担任过Palantir商业实践的高级副总裁。尽管两人没有直接的建筑设计背景,但他们指出美国建筑成本飙升而生产力停滞的问题。据TechCrunch报道,Dream的目标是取代AutoCAD和Revit等遗留软件工具。目前,该平台已在德克萨斯州和加利福尼亚州的10个活跃项目中部署,供专业人士估算成本和概念化设计。

虽然Motif、Snaptrude和Arcol等其他初创公司也在尝试用AI更新AEC软件,但Dream声称自己是唯一使用内置世界模型即时设计整个建筑物的公司。a16z合伙人Kimberly Tan表示,该机构早在一年多前就投资了Dream,当时其技术路径尚处于概念阶段。

信息源:TechCrunch

研究

富士胶片拟投资6330万美元,将100TB磁带产能提升五倍以应对AI存储需求

专题 · 富士胶片磁带扩产实质变化
2026-10-29 19:40

日本影像与材料巨头富士胶片(Fujifilm)正计划对其磁带上产进行二十年来最大规模的投资,以应对人工智能数据中心建设带来的存储介质需求激增。据日经亚洲报道,该公司将在其整个2028财年期间投入100亿日元(约合6330万美元),用于扩大位于小田原工厂的生产能力。这一举措旨在将磁带的产量提升多达五倍,并使其能够生产容量高达100TB的更先进磁带产品。

尽管固态硬盘和传统机械硬盘在性能上优于磁带,但磁带因其极高的耐用性和相对较低的大容量数据存储成本,已成为数据中心长期数据备份的首选方案。研究表明,磁带存储的成本可低至硬盘的四分之一,且比更快的固态硬盘更为经济。这使得磁带成为存储“冷数据”的理想解决方案——即那些很少被访问但被视为关键任务且必须安全保存的信息。此外,研究还显示磁带存储比硬盘和固态硬盘更环保。

此次扩产背景是全球AI数据中心存储需求的急剧上升,这已导致一场短期内看不到缓解迹象的全球供应短缺。稀缺性推高了价格,促使制造商将资源从面向消费者的产品转向利润更高的企业市场。富士胶片并非唯一试图利用这一趋势的存储公司:东芝本月早些时候也宣布计划将硬盘产能翻倍,而希捷和西数也在致力于提高容量。与此同时,Kioxia和SanDisk也在通过展示332层3D NAND闪存来争取在SSD领域的高密度存储市场份额。

值得注意的是,虽然富士胶片将生产100TB的磁带,但线性磁带开放(LTO)路线图允许更大的容量,最高可达每盒365TB。相比之下,目前顶级固态硬盘的容量约为256TB,且成本要高得多。对于关注AI基础设施供应链的投资者而言,这一具体资本配置决策表明,即使是在看似传统的存储介质领域,AI需求也正在驱动实质性的产能扩张和技术迭代。

信息源:Tom's Hardware

研究

技术作者 Grootendorst 拆解多模态 LLM 生成的两条架构路线

结构性
2026-10-30 00:02

今天大多数多模态 LLM 只在一个方向上是多模态的:它们能理解图像、音频和视频作为输入,但输出仍然只有文本。让 LLM 真正生成这些模态,需要一套完全不同的架构。技术作者 Maarten Grootendorst 在这篇图解指南中把这个问题拆成了两条清晰的路线——Late Fusion(输出投影)和 Early Fusion(统一生成)——并用具体模型说明各自的机制和代价。

先理解生成本身。要连接生成器到 LLM,得先知道非文本模态是怎么被生成的。图像生成的核心是扩散模型:从纯噪声出发,逐步预测并去除噪声,直到还原出符合文本描述的图像。Stable Diffusion 的做法是把图像先通过变分自编码器压缩到潜在空间,在这个低维张量上运行 U-Net 的迭代去噪,最后再解码回像素。文本条件通过 CLIP 编码器的交叉注意力层注入,让模型知道哪些结构该保留、哪些该当作噪声移除。

音频生成的思路类似但表示方式不同。AudioLM 用 SoundStream 这个神经编解码器把音频压缩成离散 token:先用 VQ-VAE 的变体——残差向量量化——把连续音频映射到一个固定码本上,得到声学 token;再用 w2v-BERT 提取语义 token,捕捉说话内容和意图。两层 token 分别由链式 Transformer 逐层生成,最后由 SoundStream 解码器还原为波形。这里的关键约束是:Transformer 需要离散表示,所以连续向量必须经过量化才能进入生成流程。

视频生成沿用了图像扩散的框架,但多了一个时间维度。Latte 模型探索了两种 token 化方式:逐帧空间 patch 和跨帧 tubelet 压缩。作者发现后者反而更差,他们推测压缩会丢失时空信息。最终表现最好的是交错空间和时间注意力块的架构,用 Fréchet Video Distance 评估。

有了这些生成机制,再看两种连接方式。Late Fusion 的核心是投影:LLM 输出文本 token 的嵌入,通过一个可训练的 MLP 或小型 Transformer 投射到外部生成器能理解的向量空间。NExT-GPT 是典型例子——它给每种模态设置特殊 token(如 [IMG]、[AUD]、[VID]),LLM 生成这些 token 后,下游的预训练扩散模型根据 token 内容条件化生成。整个过程中只有投影层需要训练,模型本身保持冻结,参数量从数十亿降到数百万。OmniGen2 和 BLIP-3o 也走这条路线,把自回归 Transformer 和扩散模型解耦。

Early Fusion 则把生成能力直接内嵌到 LLM 架构里。DeepSeek 的 Janus 用两套编码器分别服务理解和生成:SigLIP 提供高层语义表示用于理解,VQ-GAN 提供离散图像 token 用于生成。LLM 同时输出文本 token 和图像 token,各自解码回对应模态。训练分三个阶段:先只训练适配器和图像头建立概念连接,再统一预训练让模型同时学习理解和生成,最后做指令微调。

两条路线的取舍很明确。Late Fusion 训练成本低、可以复用强大的独立生成器,但 LLM 本身不是多模态实体,更像是一个调用工具的 agent。Early Fusion 把所有能力统一在一个架构里,训练需要更新大部分参数、成本高得多,但各模态在同一个表示空间中联合优化,输出更准确。Grootendorst 的判断是,随着原生多模态 LLM 增多,agent 系统会获得更强的多模态环境控制能力——但这是基于架构趋势的推断,不是已量化的性能结论。

信息源:newsletter.maartengrootendorst.com

研究

The Verge 记者 Elizabeth Lopatto:Anthropic 近万亿美元算力合同把递归自我改进变成生存条件

专题 · Anthropic实质变化
2026-10-29 21:30

Anthropic 的 S-1 文件分散在多处披露了算力采购承诺。The Verge 记者 Elizabeth Lopatto 将这些数字加总:不可取消的采购承诺 2656 亿美元,尚未开始的租赁协议 3214 亿美元,新签算力与基础设施协议约 2450 亿美元,另有尚未敲定的交易估计 1250 亿至 1500 亿美元。她得出一个粗略下限:未来 20 年至少约 8500 亿美元,如果未敲定交易按当前估计计入则接近 1 万亿美元。她明确承认自己可能遗漏了某些项目。

PitchBook 分析师 Harrison Rolfes 将这笔未来承诺建模为 2027 至 2030 年每年约 900 亿美元的支出节奏,这意味着要维持当前成本与收入比例,Anthropic 需要约 1880 亿美元年收入。Rolfes 的结论是:增长对这家公司不是可选项,合同本身假设了增长。

Lopatto 由此推出核心论点:Anthropic 的资本结构把递归自我改进从技术愿景变成了财务必需。公司在 S-1 中写道,更有能力的模型帮助研究者更快发现改进,更强大的算力倍增器使训练和部署更高效——这是一个正反馈循环。Claude 已经在人类指导下构建 Claude。风险因素部分承认,使用 AI 开发更多 AI 可能导致模型能力超越公司开发、验证和实施相应安全对齐措施的速度。Lopatto 将此解读为:Anthropic 在说,其商业模式依赖以可能不完全理解的方式快速构建新模型,以至于它本质上被业务原因逼迫去做对所有人都有风险的事。

Lopatto 也给出了反方论据。DA Davidson 分析师 Gil Luria 指出,效率提升不一定压缩利润率——AWS 等云提供商每年变得更高效、每年降价,却保持了稳定增长和上升的利润率。Anthropic 自身也在变得更高效:Opus 5.5 比 Opus 5 将客户成本降低了 40%,公司称更低成本意味着更多使用量,从而保住利润率。但 Lopatto 追问:如果每次新模型发布都伴随成本下降,很快任务价格就会降到零头。Futurum Group 分析师 Brendan Burke 补充说,S-1 冻结了一个初始模型使用量飙升、算力不足因而可以收取溢价的快乐时期,第三季度数据尚未公布,这一趋势能否持续难以判断。

Lopatto 的最终判断是一个条件句:如果戏剧性的、脱离人类监督边界的递归自我改进不可能实现,那么 Anthropic 满足现有算力承诺并实现盈利就会变得困难得多。她并没有断言这不可能,也没有断言这必然发生——她指出的是,公司的商业计划押注在一个尚未证实的技术结果上,而这一押注的驱动力不是哲学信念,而是 8500 亿美元的固定成本。

信息源:The Verge

研究

英伟达开发者展示 AI 代理编排 Omniverse 仿真工具链的工作流

实质变化
2026-11-20 01:00

用自然语言向 GPT-6 Astra 代理描述仿真目标,代理选择并编排 Omniverse 物理引擎(ovphysx)、场景管理器(ovstage)、RTX 渲染器(ovrtx)和浏览器推流(ovstream)等库,开发者审查结果并引导修正——这是英伟达多名内部开发者在官方博客中描述的共同工作流。其核心不是让代理从零写代码,而是让它充当多工具编排层,人类的角色从实现者转为导演和审查者。

仓库压力测试案例最能说明迭代调试循环。英伟达首席工程师 Bhavik Sanganee 让 Astra 搭建仓库仿真后逐步增加复杂度:当场景规模翻倍时帧率跌破目标,Sanganee 与代理共同定位瓶颈——物理计算、图像渲染和视频准备需要并发运行才能恢复性能。在 80 条传送带、40 个机械臂和 800 个箱子的配置下,仿真在全 HD 分辨率下维持了 30 帧每秒,机械臂完成 640 次成功放置。再次翻倍时性能再次下降,测试将瓶颈追溯到物理与机器人控制管线,为 Sanganee 指明了具体改进方向。

涡轮数字孪生案例则展示了跨学科工具编排。Omniverse 开发者关系团队成员 Pradeep Kaushik 指导 Astra 围绕模拟燃气轮机构建了一个假设分析应用,让用户调整负载、环境温度和燃料组成等条件,比较功率、效率、燃料消耗和设备响应。Astra 调用了 Cantera 做热化学计算、SciPy 做设备动力学求解,再将结果映射到 3D 涡轮的转子动画和温度、压力、流速指标上。Omniverse 库负责场景更新(ovstage)、RTX 渲染(ovrtx)和浏览器推流(ovstream)。六项测试程序涵盖负载变化、燃料阀卡死和排气传感器故障等场景,给工程师一个交互式方式探索操作变更和故障对设备行为的影响,支持判断哪些场景值得进一步测试。

这些案例均为英伟达内部原型或实验性项目,不是面向外部用户的产品发布。ABB YuMi 机器人案例中开发者明确标注估计的物理属性未经与真实机器人的校准,这一限定提示读者:仿真结果反映的是模拟条件下的行为,不等同于物理验证。

信息源:NVIDIA Blog

研究

Sparkline Capital的Kai Wu探讨基金中隐藏的AI敞口与因子重叠

实质变化
2026-10-29 23:15

投资者通常认为持有多个基金就能实现充分分散化,但底层持仓往往显示出显著的集中度。在Excess Returns播客的最新一集中,Sparkline Capital的Kai Wu与主持人Matt Zeigler和Justin Carbonneau探讨了这一问题。对话围绕Sparkline Analytics展开,这是一个旨在帮助投资者透过基金标签识别实际持仓的平台。

Wu演示了标准指数基金(如跟踪标普500或纳斯达克的基金)如何携带大量AI基础设施股票敞口。通过使用穿透工具和关于无形资产的专有数据,分析显示不同的主题基金可能会汇聚于相同的半导体和超大规模云服务商持仓。这种重叠意味着拥有几个不同的基金仍可能使投资组合严重依赖同一个AI支出周期。

该集还涵盖了AI基础设施建造者、早期采用者和落后者之间的区别。Wu解释了不断上升的资本支出如何改变以前轻资产企业的经济状况,以及为什么传统价值指标可能会忽略专利和人力资本等无形资产。讨论包括来自新兴市场积极基金的例子,以说明半导体敞口如何将全球股票市场的不同部分连接到同一笔交易中。

此外,演示还考察了因子分析,以将选股阿尔法与更广泛的因子逆风区分开来。以ARKK为例,主持人讨论了股息、价值和低波动性基金尽管名称不同,却可能共享类似的底层敞口。该环节以组合构建工具的演示结束,展示了投资者如何筛选具有高AI采用者敞口的基金,同时避免在基础设施或落后股中的意外集中。

信息源:podcasters.spotify.com

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系