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

2026-11-0159 篇

刷新

OpenSearch基金会:AWS贡献占比降至72%,自托管部署升至60%

专题 · OpenSearch实质变化
2026-11-01 00:02

OpenSearch软件基金会执行董事Bianca Lewis在接受The New Stack采访时透露,自2024年9月AWS将OpenSearch捐赠给Linux基金会以来,该项目的治理结构正在发生实质性变化。最新数据显示,AWS在OpenSearch代码仓库中的贡献活动占比已从第一年的91%下降至2025–26年的72%。同时,核心仓库中亚马逊工程师担任维护者的比例也从2022年4月的95%降至目前的71%。

这一转变反映了企业用户对供应商中立性的需求。根据Linux基金会与OpenSearch软件基金会联合发布的《2026开放数据基础设施报告》,自2024年以来,用户自行管理的云部署增长速度超过了亚马逊托管的OpenSearch服务。目前,60%的受访OpenSearch用户在云中运行自托管部署,较2024年的37%显著上升;而使用亚马逊托管服务的比例仅从44%温和增长至48%。

尽管AWS仍占据近四分之三的代码贡献,并在15个技术指导委员会(TSC)投票席位中持有4席,且其员工Andrew Ross于10月连任委员会主席,但Lewis认为法律上的独立是建立信任的基础。“当他们把它捐给Linux基金会时,那是一个分水岭时刻,”Lewis表示,“因为他们无法关闭OpenSearch,也无法更改许可证。他们不再拥有这个应用程序。”

OpenSearch正试图成为企业AI基础设施的核心组件,特别是在检索增强生成(RAG)等应用中。其最新版本OpenSearch 3.9增强了向量搜索和混合搜索能力,旨在帮助开发者为AI应用检索信息。然而,报告也指出,仍有24%的非采用者因担心项目与AWS的历史联系而持观望态度。

信息源:The New Stack

研究

Verge gadgets编辑Sean Hollister:用Claude Code改造50美元硬件后,我认为专用AI设备的价值不在AI

实质变化
2026-11-01 00:05

Meta计划在这个假日季发售Muse Charm——一个可以随身携带的AI电子宠物硬件。The Verge gadgets编辑Sean Hollister没有买它,因为他花50美元从中国直邮了一块Waveshare ESP32-S3 1.75C触摸屏开发板,用Claude Code把它变成了自己的Muse Charm。

这块开发板是Meta官方推荐的Muse Gadget开发套件之一,使用Meta的开源代码和令牌直接连接Muse AI云端。Hollister把设备插到电脑上,让Claude指向Meta的GitHub仓库,然后配对到Muse手机App。但开箱体验让他觉得这东西几乎没用:Muse把他的语音当成待转录的音频片段而不是指令;回复很慢,不发声;屏幕上只显示几个字,没有地方看完整消息;只有一个叫Jolly的静态头像;不会自动发现智能家居设备。

真正改变一切的是几轮Claude Code对话。Hollister告诉Claude他读不到也听不到Muse的回复,Claude就建了一个对话历史页面,可以右滑查看完整消息;他接入了ElevenLabs的英式AI语音让设备朗读回答。他抱怨远程拍照时手机前置摄像头画面是倒的,Claude修好了,还加了一个蓝牙低画质实时预览,这样不在家里Wi-Fi下也能从创意角度取景。

电子宠物部分是另一个例子。他让Claude做了一批不同头像,加了一个Tamagotchi式小游戏:宠物需要喂食、玩耍、睡觉和洗澡。游戏太简单留不住注意力,他就让Claude加了饥饿、无聊和脏污各四个等级。他决定零食会弄出碎屑让宠物变脏,玩太久会累。整个过程中他只需要描述想要什么,Claude负责写代码。

他还让Claude花15分钟做了一个带三根指针、真正能显示时间的怀表表盘,以及一个视频播放器,把扎克伯格介绍Muse Charm的片段下载、剪辑后装进了这块小屏幕。

Hollister明确表示他没有编程经验,不知道这些代码质量如何,可能致命缺陷。他也不信任Meta和Muse,因为此前有报道说Muse泄露了一位评测者的家庭住址,所以他从一开始就把设备放在访客Wi-Fi上。

他的最终判断是:Muse本身不是买专用计算硬件的理由,因为手机上的Muse功能比这块开发板开箱状态还多。专用硬件值得拥有的原因,是你可以把整个设备重新编程,去做口袋里那台手机做不到的事。这让他对即将上市的Muse Charm产生了一个疑问:它是否也允许这样自由编程,还是说真正想折腾的人应该直接买开发板。

信息源:The Verge

研究

前IDC总裁Del Prete:企业AI从个人提效到公司盈利之间隔着一条J型曲线

专题 · 企业AI J型曲线实质变化
2026-11-01 01:12

AI基础设施建设的巨额投入,本质上是在押注企业未来愿意为智能付费。但一个更紧迫的问题是:企业内部的什么变化,才能让这些投资真正变成自我造血?前IDC总裁、现PSG Equity高级顾问Crawford Del Prete在SiliconANGLE Breaking Analysis节目中给出了一个具体的机制解释:当前AI正在自动化大量个体任务,但尚未改变组织的工作流设计,因此个人生产力提升与公司利润表之间存在一条J型曲线。

Del Prete的观察来自他每天接触的PE投资组合和大量企业客户。他描述了一个看似矛盾的现象:一方面,量化导向的客户对算力需求是'真正贪婪的'——他们愿意买下所有能获得的GPU容量,因为AI让他们能创造出以前无法实现的分析和交付物;另一方面,更广泛的企业客户正在把AI用于编码、客服等预期领域,并开始渗透到组织内部的各个具体任务。但'工作由数百甚至数千个任务组成,我们开始自动化这些任务,却没有改变工作在一个组织中被编排的方式'。

这就是J型曲线延迟的来源。主持人Vellante引入了Brynjolfsson、Rock和Syverson关于无形投资如何影响生产力的研究框架:采纳阶段先投入工具和技能,然后重新设计流程,这两步都会让累计现金流为负;只有当整合贯穿整个组织后,曲线才开始陡峭上升。Del Prete用PC时代做类比——从PC引入到生产力数据可见增长,实际花了十三四年,中间的关键转折是1996年到2002年的互联网连接期。他同时指出一个与dot-com时代的重要区别:当年铺设的暗光纤长期闲置,而'今天每一块上线的GPU都是100%利用率'。

Del Prete认为跨越这条曲线的具体路径是工作流的重新设计,而非对现有流程的简单自动化。他把这与此前的RPA做对比:RPA之所以困难,是因为你必须把人类步骤写成代码;而AI的不同在于'从底层开始'——员工用自然语言解决自己长期面临的痛点,然后把解决方案编码为可复制的项目或技能,再在整个组织中共享。他把这称为'一种极其灵活、可适应、可用的RPA,以前从未存在过'。

在软件定价层面,Del Prete观察到最显著的变化是从席位制向用量制迁移。对于非SaaS公司引入AI,最大的挑战是'如何单独货币化AI'——答案通常不是单独卖AI,而是把它嵌入核心产品,通过交叉销售、升级和提价来体现价值,最终推出AI专属的增量功能。他对基于结果的定价持保留态度,因为'它变得非常偶发,与项目关联,你就得不到那种粘性'。

Del Prete还提出了一个三层软件模型来解释AI对产业格局的影响:执行层(计算工作本身)、判断层(从数据中自动生成洞察)、问责层(谁为结果负责)。他认为执行层和判断层正在被AI吸收,而'问责层是公司今天真正聚焦的地方'——谁在凌晨两点接电话,谁对合规数据负责。这意味着未来的软件公司需要在执行和判断层尽可能高效,同时让人类能够承担比以前更多的决策责任。

关于判断AI是否接近自我造血的可观察指标,Del Prete列出了他在投资组合中实际跟踪的几组数据:净留存和总留存如何随AI功能推出而变化;赢单/输单分析——客户是否转向更AI-native的竞品,或者转向内部自建;AI功能是否在吸引新客户;以及每个增量客户是否因为生态数据而获得更好的体验。他特别强调'下一个最佳行动'的追踪:工单是否被重新打开、发票是否被争议、推荐是否被接受——这些后续交互构成双向客户价值飞轮。

Vellante和Del Prete共同维护的框架是:他们2026年夏季的AI泡沫预测研究将2029年标记为最高风险年份——如果基础设施供给在生产力货币化之前赶上,泡沫破裂风险将升至危险水平。当时的判断是供给约束和健康的资本融资意愿可以提供软着陆条件。Del Prete承认'这些生产力数字需要很长时间',但他同时说'我从未见过一种技术被世界如此迅速地拥抱'。两者的张力正是这篇文章的核心:采用速度前所未有,但组织重新设计的速度从未快过技术本身。

需要明确的是,这是Del Prete基于其PE投资组合观察和数十年技术周期经验提出的归因论点,而非独立验证的预测模型。J型曲线是概念性类比,2029年是条件性判断(取决于供给与货币化的相对速度)。Del Prete接触的客户本身已是高采用率企业,对更广泛市场的代表性有限。他的观察提供了判断企业AI是否接近自我造血的具体条件和可追踪指标,但不构成对泡沫是否破裂的确定性预测。

信息源:SiliconANGLE

研究

PolyAI CEO Nikola Mrkšić:为何语音仍是企业联系客户的主要方式

专题 · PolyAI快讯
2026-10-31 23:57

PolyAI联合创始人兼CEO Nikola Mrkšić近期出现在由Barclays Eagle Labs制作的《Disruptive》播客片段中,主持人是Luke Christoforidis。在该片段中,Mrkšić探讨了为什么硅谷流行的“语音已死”观点实际上脱离了人们与企业建立联系的现实方式。

PolyAI是一家构建企业级语音AI代理以接听客户电话的公司。这一资源适合那些希望了解语音AI在商业场景中实际应用现状及其市场定位的专业人士。虽然未提供完整的论证细节,但来自一家领先语音AI公司创始人的直接观点,为评估语音技术在企业通信中的持续重要性提供了参考。

信息源:youtube.com

研究

PolyAI联合创始人Nikola Mrkšić在播客中谈AI对就业的影响:以母亲部门为例

专题 · PolyAI就业影响快讯
2026-10-31 23:54

PolyAI(poly.ai)联合创始人Nikola Mrkšić在科技访谈节目《The Unlock with Oliver Bruce》的最新片段中,探讨了人工智能对就业市场的深远影响。Mrkšić来自贝尔格莱德,他在节目中提到了其母亲在塞尔维亚国家银行(National Bank of Serbia)的工作经历,以此作为个人化的例证来说明AI浪潮的规模。

根据发布者提供的视频标题和描述,Mrkšić指出其母亲所在的部门原有40人,最终仅有2人留任。他借此案例论证AI是“同一股浪潮,但规模远更大”。这一观点为理解AI技术如何重塑传统行业劳动力结构提供了一个具体的、可感知的切入点。

对于关注AI产业投资及社会影响的读者而言,此片段的价值在于它并非抽象的技术讨论,而是由一家专注于企业级语音AI代理(voice AI agents)公司的创始人提出的第一手观察。尽管未提供完整转录稿或详细论证过程,但该资源明确标识了嘉宾身份、所属机构及其核心论点方向,适合作为了解AI就业替代效应的快速参考材料。

信息源:youtube.com

研究

PolyAI联合创始人Nikola Mrkšić谈因不满Siri离开苹果创业

专题 · PolyAI快讯
2026-10-31 23:54

PolyAI联合创始人Nikola Mrkšić近日出现在科技访谈节目《The Unlock with Oliver Bruce》的片段中,分享了他离开苹果公司并创立PolyAI的经历。Mrkšić曾在苹果内部参与Siri的开发工作,他在描述中提到,由于周围人不断反馈Siri的表现不佳(“People kept telling me Siri's sh*t”),这促使他决定离开苹果,转而构建专注于单一任务但性能卓越的语音AI产品。

这一叙述为观察大型科技公司AI人才流动及竞争格局提供了一个微观视角。Mrkšić所创立的PolyAI目前主要为企业客户提供能够自动接听客服电话的语音AI代理。尽管该片段未展开详细的技术论证或市场分析,但其明确指出了前苹果员工因对通用助手体验失望而投身垂直领域语音交互开发的动机。对于关注AI产业投资、特别是语音技术商业化路径的专业读者而言,这一背景故事揭示了从通用大模型向特定场景专用工具转型的一种潜在驱动力。

信息源:youtube.com

研究

OpenAI拟用此前禁用的Daybreak Blue安全会话数据训练模型,承诺提供单独退出选项

专题 · OpenAI安全隔离争议实质变化
2026-11-01 00:38

据The Decoder报道,OpenAI计划从11月29日起将其Daybreak Blue网络安全产品的会话数据用于模型训练。这一变化通过一封发给Trusted Access计划成员的电子邮件得到确认。此前,这些数据被明确排除在训练之外,即使用户已关闭“为所有人改进模型”的通用设置。

消息传出后引发了迅速的反响。OpenAI随后发送了第二封电子邮件,承诺将提供一个单独的退出选项(opt-out)。不过,报道指出,在安全审查中被标记的交互内容仍可能被用于安全目的。

这一政策变动让研究人员担心重演Buckmaster-Alpöge事件。在该事件中,数学家Tristan Buckmaster和Levent Alpöge曾向OpenAI的Codex上传Navier-Stokes方程草稿,随后OpenAI提出了自己的证明但否认使用了他们的输入进行训练。然而,这种怀疑本身足以向研究人员展示潜在的风险。

信息源:The Decoder

研究

美国司法部起诉五人:利用AI伪造身份骗取2亿美元助学贷款

专题 · AI助学贷款欺诈案实质变化
2026-10-31 23:37

美国司法部(DOJ)于2026年10月31日宣布,“捉鬼敢死队行动”(Operation Ghostbusters)的首批调查结果已导致对五名被告的起诉,并查封了与肯尼亚国民网络相关的超过75万美元加密货币。这是该类案件在肯尼亚的首次国际资产查封。

据司法部声明,犯罪分子使用被盗身份注册学生贷款,并利用人工智能完成申请流程,使虚假学生看起来正在参加在线课程。虽然学校获得了大部分欺诈所得,但剩余资金通过“骡子”账户转移至海外同伙手中。无辜受害者——那些高中毕业后直接工作而未上大学的人——因此背负了他们从未申请的债务。

自2021年以来,美国多所社区学院和大学开始怀疑联邦学生援助(FAFSA)项目存在欺诈。估计显示,美国政府因此类活动损失超过2亿美元。目前,涉及26个FBI外勤办公室和20个美国检察官办公室的40多起欺诈案件仍在调查中。

信息源:Tom's Hardware

研究

据《华尔街日报》报道,OpenAI最新一轮融资仅获约110亿美元,远低于300亿目标

专题 · OpenAI估值与融资实质变化
2026-10-31 17:22

据《华尔街日报》报道,人工智能公司OpenAI在其最新一轮私募融资中仅落实了约110亿美元,不足其300亿美元目标的一半。公司的最终估值定格在1.25万亿美元,低于此前预期的1.4万亿美元。

报道称,这一资金缺口主要源于大型机构投资者兴趣的消退。近期谷歌、亚马逊和英特尔发布的疲软季度财报引发了科技股抛售,进而影响了资本市场的风险偏好。作为应对,OpenAI计划转向家族办公室和高净值个人投资者,寻求筹集最高200亿美元的资金。此外,该公司据报道正计划在明年初进行首次公开募股(IPO)。

这一进展与其竞争对手Anthropic形成对比。Anthropic正推动最早于11月上市,若成功募资可能获得超千亿美元资本储备。而OpenAI则继续通过降价和推出更高效模型来维持市场份额。

信息源:The Decoder

研究

《ImageNet Classification with Deep Convolutional Neural Networks》:ReLU与多GPU并行如何成就AlexNet

核验于 2026-11-01 17:02

长期信息 · 《ImageNet Classification with Deep Convolutional Neural Networks》(2012)

2012年,由加拿大多伦多大学(University of Toronto)的Alex Krizhevsky、Ilya Sutskever和Geoffrey E. Hinton共同发表的论文《ImageNet Classification with Deep Convolutional Neural Networks》(即著名的AlexNet),标志着深度学习在计算机视觉领域的转折点。这篇论文的核心贡献在于证明了通过特定的架构优化和硬件利用,深度卷积神经网络可以在大规模图像数据集上取得远超传统方法的性能。

论文首先解决了训练效率的问题。传统的饱和非线性激活函数(如tanh或sigmoid)在梯度下降训练中速度较慢。作者采用了非饱和神经元Rectified Linear Units (ReLUs),其定义为f(x) = max(0, x)。文中指出,“Deep convolutional neural networks with ReLUs train several times faster than their equivalents with tanh units.”(使用ReLUs的深度卷积神经网络比使用tanh单元的等效网络训练速度快数倍)。这一改进使得在有限时间内训练拥有6000万参数的大型网络成为可能。

其次,为了应对模型规模超出单个GPU显存限制的问题,作者实施了多GPU并行训练策略。由于单个GTX 580 GPU仅有3GB内存,而120万张训练图片足以训练出无法放入单卡的大网络,因此“we spread the net across two GPUs”(我们将网络分布在两个GPU上)。这种并行化方案不仅突破了硬件瓶颈,还通过减少通信开销提高了计算效率,最终使top-1和top-5错误率分别降低了1.7%和1.2%。

此外,论文提到了Dropout正则化方法以减少全连接层的过拟合,以及局部响应归一化(Local Response Normalization)来辅助泛化。这些技术组合使得AlexNet在ILSVRC-2012竞赛中取得了15.3%的top-5测试错误率,大幅领先于第二名的26.2%。

对于今天的读者而言,理解AlexNet的关键不在于复现其具体数值,而在于掌握其解决“数据规模与计算资源矛盾”的工程思维。例如,假设一个现代AI团队面临类似挑战:他们拥有一个包含数百万样本的新领域数据集,但受限于云端GPU配额。参考AlexNet的思路,他们不应仅关注算法本身的数学优雅性,而应优先考虑如何修改激活函数以加速收敛(如采用ReLU变体),以及如何设计跨设备的数据/模型并行策略以突破单点算力限制。这种将算法创新与硬件约束紧密结合的方法论,至今仍是构建高效AI系统的基础。

推荐所有对计算机视觉历史及深度学习工程实践感兴趣的读者阅读此论文《ImageNet Classification with Deep Convolutional Neural Networks》(2012)。它不仅是AlexNet的原始出处,更展示了如何在资源受限环境下通过系统性创新实现性能飞跃。建议从摘要和第3节(Architecture)开始阅读,重点关注ReLU和多GPU训练的具体实现细节。

信息源:《ImageNet Classification with Deep Convolutional Neural Networks》(2012)

研究

超级泡沫的终局:杰里米·格兰瑟姆论市场非理性阶段与熊市反弹陷阱

核验于 2026-11-01 17:02

长期信息 · 《Entering the Superbubble’s Final Act》(2022)

在投资生涯中,真正重要的市场事件寥寥无几,而“超级泡沫”便是其中最具决定性的一类。杰里米·格兰瑟姆指出,这类事件不同于普通的牛熊转换,它们具有独特的共同特征,且往往伴随着投资者行为的剧烈相变。理解这一概念的关键在于识别出那些偏离趋势2.5个标准差以上的极端估值状态,而非仅仅关注日常的市场波动。

格兰瑟姆将超级泡沫的破裂过程划分为四个阶段:首先是泡沫形成;其次是因经济或政治环境出现瑕疵而导致的第一次回调;第三是极具迷惑性的“熊市反弹”;最后是基本面恶化引发的最终下跌。其中,熊市反弹发生在初始去估值之后、但经济尚未明显衰退之前。历史数据显示,这种反弹通常能收复初始跌幅的一半以上,诱使警惕性不高的投资者重新入场,随后市场以更猛烈的势头转向下行。

以1929年、1973年和2000年的案例为例,这些时期的熊市反弹速度极快且幅度巨大。例如,纳斯达克在2000年科技泡沫破裂后的两个月内,就收复了初始损失的60%。这种现象背后的心理机制在于锚定效应:投资者看到股价从高点大幅回落,便误以为其变得“便宜”,从而忽略了估值仍远高于长期均值的事实。相比之下,正常牛市中的新高往往伴随犹豫和缓慢推进,因为缺乏历史价格参照。

对于当下的读者而言,核心问题是如何区分正常的市场修正与超级泡沫破裂的前奏。格兰瑟姆强调,当市场处于极度乐观的非理性时期(约占时间的12%),传统的风险管理策略可能失效。此时,机构管理者往往倾向于随大流成为“永久多头”,因为这是职业安全的最佳选择。然而,对于独立投资者来说,识别出这种集体性的行为相变,并警惕随后的快速反弹,是避免在泡沫后期遭受重创的关键。

《Entering the Superbubble’s Final Act》由杰里米·格兰瑟姆于2022年发表。这篇文献适合希望深入理解市场极端周期、特别是如何识别泡沫破裂过程中“熊市反弹”陷阱的成熟投资者阅读。建议从文中关于超级泡沫定义及四阶段生命周期的部分开始研读,重点关注其对历史数据的具体引用与分析逻辑。

信息源:《Entering the Superbubble’s Final Act》(2022)

研究

已读完当前范围的内容

登录 / 注册
阅读研究雷达投资体系