阅读

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。

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。

腾讯集团副总裁、腾讯云CTO王慧星在2026腾讯全球数字生态大会的群访中给出了一个判断：模型和Harness（智能体调度框架）在产品与技术层面已经迈过一道坎，接下来真正需要解决的是把企业上下文准备好。他的原话是

本质上，模型和Harness在产品和技术上已经迈过那条坎，我们接下来就是把上下文准备好。

这个判断改变了企业AI落地问题的归因方式。过去讨论Agent为什么难以规模化，常见解释是模型不够聪明、推理能力不足或智能体调度框架不够成熟。王慧星认为这些在产品层面已经不再是主要障碍，真正的卡点转移到了企业内部：Agent需要连接金蝶、用友等管理系统，需要理解权限体系，需要处理审批流程，需要知道哪些数据可以读、哪些操作需要人工确认。

腾讯云副总裁、WorkBuddy负责人刘毅从技术路径上补充了这个判断。他认为AI为打通不同企业系统提供了一种新方式。过去企业内部不同SaaS系统各有独立的数据格式和接口规范，让两个系统协同工作需要投入较多开发和适配。现在AI可以理解不同系统的数据Schema，并根据业务需求生成转换器和适配器代码。刘毅举的例子是：把邮件、差旅系统和客户关系管理系统连接起来，自动完成一项跨系统任务，过去需要人工开发多套接口，现在可以借助AI生成和调整适配代码。

但这个路径有一个前提条件尚未完全满足：安全。腾讯云副总裁、腾讯安全负责人董志强在群访中确认，Agent越权访问和提示词注入在真实企业环境中确实存在。他解释，传统软件的行为路径由开发者编写的代码约束，相对固定；而Agent需要根据目标自主选择工具和执行步骤，这意味着它可能为了完成任务尝试超出预期的操作。WorkBuddy目前通过工具调用白名单、沙箱执行、操作审计和人工确认及撤销机制等方式限制Agent行为。

王慧星进一步指出，企业AI目前仍处于探索阶段，行业尚未形成一套公认的衡量组织生产力提升的统一指标。他认为现阶段更重要的一步不是要求企业给出明确ROI，而是先解决安全顾虑，让一线员工能够实际使用AI。他的逻辑是：很多企业的具体业务瓶颈不一定能在管理层提前规划时被识别出来，而可能存在于一线员工日常处理的任务中。只有当员工开始借助Agent完成过去难以完成的事情，企业才能进一步识别哪些业务环节产生了价值。

刘毅透露，WorkBuddy内部正在重点优化两项指标：任务完成率和隐性错误率。任务完成率衡量Agent是否完成了用户交代的任务，而隐性错误率关注的是任务表面上完成但交付质量存在问题的情况，例如Agent生成了一份报告却在数据中引入错误，或完成PPT但存在格式和前后一致性问题。他称团队已围绕这两项指标建立多个Benchmark，但暂时不方便披露具体数据。

这个判断的边界在于：王慧星自己承认上下文只是起点，不是终点。他同时提到，未来Agent可能改变企业内部的人力资源配置和组织结构，但这些变化需要经过一段时间才能观察和评估。刘毅预计随着Token价格下降和工程优化，相关业务可能在未来两三年逐步形成更显著的毛利空间，但他明确说明这仍然是基于技术和成本变化趋势作出的判断，而不是已经实现的盈利结果。

从这场群访可以看到，企业AI的讨论重心正在从模型能力转向工程与治理。对于正在评估Agent落地的从业者来说，这意味着当前阶段的投入重点可能不是等待更强的模型，而是解决权限设计、数据连接和安全护栏这些看似不性感但决定能否规模化的问题。

微软CEO萨提亚·纳德拉（Satya Nadella）领导的美国科技巨头微软公司本周宣布，向美国、英国、加拿大和印度的约6万名员工提供自愿买断计划。这是该公司首次推出如此大规模的员工退出方案，远超今年早些时候仅限约9,000名员工的退休提议。据The Verge报道，此举是微软为避免减少AI基础设施投资而持续降低运营成本和人员数量的努力的一部分。

纳德拉在两年前的播客中曾指出：“我们的总人员成本将下降，人均成本将上升，每位研究人员的GPU数量将增加。”这一财务表述意味着微软将拥有更少但薪资更高、工具更先进的员工队伍。数据显示，截至6月30日，微软全球员工总数约为22.3万人，较2025年的22.8万人减少5,000人，这是十年来首次出现同比人数下降。

尽管符合资格的员工需在12月前做出决定，且实际接受率尚不明确，但即使仅有5%的员工接受，也将导致约3,000人的减员。前微软Entra产品经理Merill Fernando表示，公司内部存在大量小型组织、层级重叠和孤岛效应，认为微软需要更少的人员来提高协作效率。

对于投资者而言，这一举措标志着微软正在积极调整其资本配置策略，从传统的人力密集型增长转向资本密集型的AI基础设施驱动模式。虽然自愿离职的具体财务影响取决于最终接受人数，但其信号意义在于确认了大型科技公司愿意通过结构性裁员来优先保障AI领域的长期竞争力。

哈佛商学院前院长Nitin Nohria在Bloomberg的At The Money播客中介绍了一个他开始在课堂上使用的具体做法。当他教案例课时，他会要求学生把AI智能体对案例的回答逐字读出来——不是转述，不是概括，而是实际朗读AI生成的文本。然后他问三个问题：你同意什么？你反对什么？你追问了什么来改进自己的思考？

Nohria认为这种先依赖再质疑的模式是关键。学生不能回避AI工具，因为到了工作场所他们会被要求使用这些工具。但仅仅使用工具不等于培养判断力。他的逻辑是：把AI输出当作一个需要被审视的他者，而不是一个可以直接接收的答案。朗读这个动作迫使学生面对AI实际说了什么，而不是他们以为AI说了什么；追问同意与反对则把被动接收变成主动评估。

他用了一个漫威漫画的比喻来描述这种关系：每个人都可以发展自己的超能力，AI相当于你的战甲，但你必须把它调校到你自己身上。不是所有漫威英雄拥有相同的超能力——每个人使用AI的方式和结果应该不同，这种差异本身就是个人竞争力所在。

需要指出的是，这是Nohria个人教学实践的描述，不是经过对照实验验证的教育方法。他没有提供学生表现的前后对比数据。这个方法有一个隐含前提：学生必须已经具备足够的领域知识，才能真正识别出AI回答中哪里有问题。如果学生缺乏判断AI回答质量的基础，追问可能变成形式上的仪式而非实质性的思考训练。

AI代理身份管理初创公司Mintive宣布完成700万美元种子轮融资，使公司总融资额达到1100万美元。本轮由Cowboy Ventures领投，Coatue、Operator Collective和Hustle Fund参与投资。值得注意的是，Okta联合创始人Frederic Kerrest、前Google首席科学家Jeff Dean以及OpenAI联合创始人Andrej Karpathy均以个人天使身份加入投资方行列。

Mintive由Jiquan Ngiam和Vijay Vasudevan共同创立。Ngiam是Coursera的创始工程师，曾在Google Brain从事神经网络研究；Vasudevan则是TensorFlow的共同创造者之一。该公司平台旨在帮助企业IT部门控制和管理AI代理，提供包括MCP网关、LLM路由及代理监控等功能。尽管面临来自Amazon、Microsoft、OpenAI以及众多初创公司的激烈竞争，Mintive强调其系统易于部署，目前已获得50家企业客户。

Cowboy Ventures合伙人Aileen Lee表示，她欣赏Ngiam仅筹集1100万美元的谨慎态度，这与当前许多代理构建初创公司追逐独角兽估值和大额融资的趋势形成对比。

美国预测市场平台Kalshi宣布完成10亿美元的新融资轮，公司估值达到400亿美元。这一估值较其今年5月完成上一轮融资时的220亿美元几乎翻倍。本轮融资由红杉资本（Sequoia Capital）和Wellington Management联合领投。

Kalshi表示，这笔资金将用于构建一个更广泛的金融交易所，而不仅仅局限于预测市场。具体计划包括开发杠杆化事件合约、与个股挂钩的永续期货以及算力价格交易市场。自5月以来，得益于2026年FIFA世界杯、NFL赛季以及美国中期选举前的交易激增，Kalshi的业务持续增长。

尽管面临关于体育类事件合约监管权的法律挑战，Kalshi仍被视为该领域的领导者。其竞争对手Polymarket目前的估值约为210亿美元。Kalshi首席执行官Tarek Mansour此前曾表示，公司正在考虑上市，但预计不会早于2027年。此次融资被多家媒体视为IPO前的最后一轮私募融资。

GitHub于2026年10月28日开源了名为Replica的AI原型工具。该工具集成在GitHub Copilot应用程序中，旨在帮助设计师、产品经理和工程师通过自然语言描述需求，快速制作可操作的界面原型。

与通用的AI图像生成不同，Replica的核心特色是能够参考团队既有的设计元件、界面规范与文件来产生画面。这一机制解决了AI生成的界面往往与企业现有产品风格不一致的问题。用户可以提供现有的按钮、菜单及表单样式作为参考依据，确保生成的原型符合企业的产品设计系统。

在实际操作中，使用者可以通过对话描述功能需求（例如为项目清单增加搜索功能），Copilot便能协助制作搜索栏位、无结果提示等具体组件。使用者可以直接操作这些原型，发现问题后通过对话要求修改。此外，团队可以自行部署Replica Hub协作平台，分享原型并收集同事针对画面特定位置的留言，相关讨论可保留至后续版本以便修改。

目前Replica支持macOS与Linux本地预览，需要安装Git、Node.js等开发工具并登录GitHub账号使用Copilot应用程序。虽然协作平台需要组织自行架设服务器，但本地制作原型不需要额外设备。使用者既可通过Copilot方案使用GitHub提供的AI模型，也可自行连接其他模型供应商。

Databricks于2026年10月29日发布博客称，其Serverless计算的成本控制功能已扩展至笔记本、作业和管道。此前，Serverless SQL和模型服务已支持此类功能，现在这一能力被统一应用于更广泛的Serverless计算场景。

此次更新包含三个核心支柱：成本归因、访问控制和支出限制。其中，Serverless Compute Access Controls（访问控制）现已正式可用（Generally Available），允许管理员通过“Can Use”和“Can Manage”权限对象来控制谁可以运行Serverless工作负载。默认情况下所有用户拥有使用权，但管理员可移除“All Users”组以实施更严格的管控。

Rate Limits（速率限制）目前处于Beta阶段，旨在防止失控的支出。该功能通过T恤衫尺码（S, M, L, XL）为自动化工作负载设定最大自动伸缩上限，从而限制单个作业或管道的消费速度。此外，Serverless Compute Tags用于成本归因，使每个DBU消耗都能关联到特定团队或项目，相关数据可在system.billing.usage系统表中查询。

Databricks表示，随着Serverless采用率在过去一年增长超过三倍，平台团队对可见性和预算控制的需求日益迫切。这些新工具旨在替代传统集群策略中的节点计数和实例类型限制，将治理重点从基础设施转移到人员和具体工作负载上。