阅读

荷兰最大的电信运营商KPN与AI音频公司ElevenLabs合作，正式推出名为Mobiel AI的语音助手服务。该服务作为KPN EEN MKB移动订阅的附加组件，集成在KPN现有的移动应用中，旨在帮助荷兰的小企业主和自由职业者更高效地管理业务通话。

Mobiel AI的核心功能包括未接来电的语音信箱转录、每通电话的自动摘要与文字记录（含后续行动项），以及智能呼叫菜单以将来电路由至同事或部门。KPN指出，53%的创业者表示随时接听电话会分散工作注意力，而69%的企业家认为客户满意度是首要挑战，该工具试图在“随时可达”与“专注生产”之间取得平衡。

在技术实现上，双方针对荷兰语中复杂的复合词和地区口音进行了专门优化。通过收集更多荷兰语数据并微调底层转录模型，验证准确率从约50%提升至90%。所有语音数据均在荷兰境内的KPN数据中心处理，确保数据主权，且客户数据不用于训练AI模型或与第三方共享。

在 Kubernetes 上运行分布式 AI 训练或推理任务时，一个真实的工作负载很少是单个 Pod。它是一棵小型资源树：若干 Pod 组，每组有角色、副本数、Pod 模板和依赖工作负载类型的状态。JobSet、LeaderWorkerSet、PyTorchJob、RayCluster 等框架各自用不同方式编码这些信息。构建调度器、控制器、仪表盘或成本工具的团队因此面临一个组合爆炸问题：每接入一个新框架的 CRD，就需要编写一套适配器来回答同样的三个问题——工作负载的结构是什么？状态如何解读为运行阶段？如何在不破坏工作负载的前提下修改 Pod 规格？

NVIDIA Run:ai 团队在构建平台时遇到了这个瓶颈。Alon Lavian（NVIDIA Run:ai 产品经理，负责 Workload Map 的定位与推广）、Yuval Grauer（NVIDIA 工程负责人兼 Workload Map 维护者）和 Ron Lev（NVIDIA 高级软件工程师兼 Workload Map 技术负责人）在 2026 年 11 月的 NVIDIA 技术博客中描述了现状：每新增一个客户带来的框架，就需要另一个适配器；适配器开发因此成为按框架排期的路线图项目，而非一次性成本。这就是为什么新工作负载类型的支持常常要等待一个版本发布。

Workload Map（原名 Karta，CRD 的 kind 仍保留 Karta）提出的方案是将工作负载结构知识从编译型代码迁移为声明式数据。它由一个 Kubernetes CRD 和一个 Go 解释库组成。每份定义用 YAML 描述该工作负载类型的 Pod 模板路径、副本数计算方式和状态字段位置。文章以 JobSet 为例展示了关键部分：根组件通过 jq 表达式将 JobSet 特有的 replicatedJobsStatus 字段翻译为统一的 Running、Completed、Failed 阶段；子组件定义用路径表达式定位每个 replicated Job 的 Pod 模板，并用 replicas 乘以 parallelism 计算实际 Pod 数。

这套定义提供的不只是状态翻译。statusMappings 将各框架截然不同的原生状态映射到统一的 Running、Completed、Failed 词汇——JobSet 不直接报告 Running 条件，定义便用 jq 表达式检查是否有任何 Job 处于 ready 且 active 且无 failed；当 RayJob 或 LeaderWorkerSet 被描述时，它们各自不同的状态字段被映射到相同的共享类别。同时，定义中的路径表达式让消费者提取 Pod 模板、副本数、元数据并理解工作负载层级，还能跨所有实例更新 Pod 规格、标签和注释。消费者工具因此不需要为每种框架编写专用解析逻辑，而是通过同一份结构描述完成检查、调度和管理。

文章展示了同一份 JobSet 定义被三个消费者使用的场景。Workload Map CLI 加载定义后解析集群中的实时对象，输出包含 leader 和 worker 角色、12 个 GPU 总请求的工作负载树。KAI Scheduler 用定义中的 gangScheduling 指令进行 Pod 分组和 gang 准入；对于没有原生插件的工作负载类型，Workload Map 作为 pod grouper 的回退方案提供结构信息，已有原生插件仍保持优先。NVIDIA Run:ai 通过一次 API 调用注册目录定义，将 JobSet 作为单一工作负载管理。此外，多集群调度工具 Elotl Nova 也使用 Workload Map 在集群选择时解读工作负载结构和资源需求。

项目附带一份预构建目录，覆盖 JobSet、PyTorchJob、RayCluster、RayJob、RayService、KServe、Knative、MPIJob、NVIDIA NIM、LeaderWorkerSet、Milvus、Grove PodCliqueSet 和 NVIDIA Dynamo。新工作负载类型通过编写 YAML 定义添加，无需修改消费者代码。Workload Map 以 Apache 2.0 许可开源，已在 NVIDIA Run:ai 生产环境中使用。

需要指出的是，这个方案将成本从编写适配器代码转移到了编写和审查定义数据。jq 表达式对框架 API 版本敏感——如果 JobSet 的 replicatedJobsStatus 结构在后续版本中改变，定义需要同步更新。文章没有报告跨框架的适配器开发时间节省数据，也没有独立第三方对目录定义准确性的验证。对于已经为特定框架编写了原生插件的调度器，Workload Map 仅作为回退方案，不替代已有逻辑。

加拿大供应链规划软件公司 Kinaxis 首席执行官 Razat Gaurav 在西班牙巴塞罗那举行的 Kinexions 2026 大会上宣布，公司将把其核心规划平台“由内而外”翻转，建立一个专门的语义层，使 AI 代理能够协调从感知信号到采取行动的整个供应链流程。这一战略转变旨在解决 Gaurav 所称的供应链中的主要问题：延迟——即从获取信号到做出决策，以及从做出决策到采取行动之间的时间差。

Gaurav 指出，传统的供应链挑战往往被归咎于变化本身，但真正的痛点在于响应速度。他估计，仅库存一项就导致全球供应链中约有 17 万亿美元的商品处于闲置状态。为了缩短这一差距，Kinaxis 计划将其 Maestro 规划系统中编码了数十年的复杂数学模型和约束条件抽象出来，形成一个可扩展的语义本体层。这个层不仅包含 Kinaxis 自己的数据，还将整合仓库管理系统（WMS）、订单管理、ERP 和财务系统等外部记录系统。

这种架构被称为“运营编排”（operational orchestration）。Gaurav 承认，供应链数据分散且没有单一的记录系统，这是现实情况，不会一夜之间改变。然而，新的语义架构结合代理式 AI，使得跨组织边界的协调成为可能。AI 代理可以利用这个语义层理解不同系统中产品、流程和关系的等价性，从而在无需进行繁重定制集成的情况下，将上游的规划决策转化为下游的具体操作指令。

Kinaxis 首席产品官 Andrew Bell 此前解释过，随着供应链变得更加适应性强，这些底层模型的价值日益凸显。现在，公司试图将这些模型置于一个更广泛的平台中心，包括数据织物、代理执行框架和模块化架构。尽管规划仍然是基础，但 Gaurav 强调，将决策连接到行动是获取下一波业务成果的关键。这一举措反映了企业软件行业正在从单纯的预测和规划工具，向能够直接驱动物理世界操作的智能代理平台演进。

美国数据分析软件公司Palantir Technologies Inc.（纳斯达克代码：PLTR）于2026年11月2日发布第三季度财报，显示其业务结构发生历史性转变。本季度，Palantir美国商业收入达到9.84亿美元，同比增长148%，环比增长29%；而美国政府收入为9.53亿美元。这是该公司历史上首次出现美国商业收入规模超过美国政府收入的情况。

整体财务表现同样强劲。第三季度总营收为23.13亿美元，同比增长96%，环比增长20%，单季营收首次突破20亿美元大关。调整后运营利润率为62%，GAAP每股收益为0.44美元。首席执行官Alex Karp在声明中强调，“主权AI”运动正在迫使政府和商业机构快速分化，Palantir的产品组合（包括Foundry、Ontology和AIP）正通过这种需求实现自我改进循环。

基于第三季度的超预期表现，Palantir大幅上调了2026财年指引。公司将全年营收预期从之前的水平提升至85.3亿至85.34亿美元之间，对应约91%的同比增长率。同时，美国商业收入指引被上调至超过35.59亿美元，意味着至少143%的增长速度。这一指引显著高于市场共识，反映了管理层对AI驱动的商业化落地速度的信心。

以色列人工智能初创公司42AI宣布结束隐身状态，并获得6250万美元的种子轮融资。该公司开发了一种“行为世界模型”，旨在通过整合心理学、神经科学和遗传学数据，预测个体在金融市场中的决策倾向。据TechCrunch报道，该模型目前已在约10家大型券商中部署，用于管理流动性、保证金要求和对冲敞口。

42AI首席执行官Amit Gal-Or表示，该模型不依赖个人身份信息，而是通过分析客户与支持团队的互动、KYC流程及交易记录等行为数据，构建概率分布来预测交易流向。公司声称，在预测市场交易方面，该模型实现了98%的准确率（指交易流落在预测范围内），并在预测交易方向和成交量上保持了0.8至0.85的F1分数。

这笔资金由创始人及其父亲Amir Gal-Or创立的Infinity Group提供。尽管42AI报告称其收入已超过七位数，并帮助一家券商通过对冲增加了约3000万美元的价值，但其核心性能指标均为公司自报数据，尚未经过独立第三方验证。

美国半导体制造商英特尔（Intel）正面临股价暴跌后的战略考验。在10月股价创下历史最大月度跌幅后，公司决定将部分位于俄勒冈州工厂的先进制程“18A”产能，重新分配给较旧的“Intel 3”节点，以生产用于数据中心产品的芯片。这一举措旨在解决当前服务器CPU供不应求的问题，但可能对其转型为外部芯片代工商的核心目标构成阻碍。

此前报道已指出，因PC市场疲软导致营收指引不及预期，英特尔股价在10月下跌45%。然而，新的细节显示，尽管数据中心业务同比增长78%，英特尔仍无法制造足够的芯片来满足需求。CEO陈立武（Lip-Bu Tan）表示，全球服务器处理器市场预计在未来五年内增长五倍至约2000亿美元，但行业性的晶圆、基板和内存供应限制迫使公司做出艰难选择。

哈佛商学院教授David Yoffie指出，这种资源转移对潜在代工客户并不友好。如果英特尔没有超出自身需求的多余产能，它作为供应商的可信度就会受到质疑。Yoffie认为，若英特尔在一年内未能获得大规模代工客户，其经济压力将进一步显现。此外，博通（Broadcom）和高通（Qualcomm）等竞争对手可能不愿在既是合作伙伴又是产品竞争者的英特尔处制造芯片。

分析师Jordan Klein认为，英特尔拥有比大多数芯片制造商更多的命运控制权，因为它是世界上少数几家能够制造和封装其所需先进芯片的公司之一。但他也指出，产能不足意味着错失收入。目前，英特尔的18A芯片主要在亚利桑那州为其自身产品进行量产，而俄勒冈州的产能调整直接影响了其向外部客户展示先进制程能力的计划。

AI算力需求持续增长，超大规模数据中心的碳排放问题日益受到关注。运营能耗是讨论最多的部分，但芯片制造本身消耗的能源和材料——即隐含碳排放——同样构成不可忽视的环境成本。当GPU从单芯片走向芯片化架构并通过2.5D或3D封装扩展算力时，不同封装路线的隐含碳排放差异此前缺乏量化比较。

imec与布鲁塞尔自由大学研究团队在2026年10月发布的预印本论文中填补了这一空白。他们使用imec的netzero建模平台，对一个芯片化GPU分别进行2.5D和3D扩展建模，将计算单元数量和HBM容量均加倍，然后估算两种方案下隐含碳排放的增幅。

建模结果显示，3D扩展的隐含碳排放增幅为89%，而2.5D扩展为141%。研究团队据此将3D堆叠定位为限制GPU扩展所带来隐含碳排放的有吸引力方案。

需要强调的是，这是一篇尚未通过同行评审的预印本论文，结果来自建模估算而非实际产品测量。具体的百分比取决于研究设定的比较条件——即计算单元和HBM容量同时加倍——实际产品配置可能产生不同比例。此外，隐含碳排放只是GPU扩展决策的一个维度，性能、良率、散热和成本等因素同样重要。

对于AI基础设施规划和半导体封装产业而言，这项研究提供了一个可量化的参考点：在追求算力扩展时，封装架构选择对隐含碳排放有显著影响，3D路线在环境成本方面值得考虑。

Tomasz Tunguz是Theory Ventures合伙人、前Google产品经理。他在2026年11月发表的文章中提出AI产业由四层构成：应用、harness与上下文、模型、数据中心。每层面临一个未解决的经济问题，四层之间形成耦合系统。本文聚焦其中一条具体传导链：GPU成本通胀如何抬升harness层的经济价值，以及这条逻辑的证据边界在哪里。

Tunguz的传导机制依赖一个结构性事实：在agent工作负载中，input context占全部token的比例高达98%（他引用OpenRouter的token组成数据，范围在85.7%到98.2%之间）。这意味着模型推理的绝大部分token消耗不是'回答'，而是'喂给模型的上下文'。当GPU价格上升——Ornn B300指数从6月中旬约5.53美元/小时涨至10月底的12.29美元/小时，复合月增长率约20%——每一token的计算成本随之增加。此时，一个能减少无效上下文注入的harness，其经济价值被放大：省下的不是输出token，而是占总量98%的输入token。

支撑这一逻辑的关键数字有两个。第一，UC Berkeley的HarnessTax研究在42组SWE-bench任务对比中发现，优化harness可以在不产生统计显著质量差异的前提下，将同一任务的解决成本降低71%。第二，Tunguz自己的合同建模显示，在一份25万美元的AI助理合同上，harness优化可将毛利率从38%提升至75%。这两个数字分别来自独立学术实验和商业合同推算，证据家族不同，口径也不同：前者是任务成本，后者是合同毛利。

然而，这条传导链的证据边界需要明确标注。首先，Anthropic S-1中披露的Opus 5.5将客户每任务成本降低40%、Opus 4.5发布后季度收入增速从48%加速到132%，是厂商自报数据，不是独立验证。其次，Tunguz观察到约83%的agent任务已路由到更小或领域专用模型，但这是当前行为描述，他并未证明这是不可逆趋势——同一篇文章也记录了二级市场GPU报价在一个月内从7.90美元/小时跌至4.60美元/小时，说明底层成本本身波动剧烈。第三，98%的input token占比来自OpenRouter公共网关的token组成统计，其适用范围不一定覆盖所有部署场景。

Tunguz用'双摆'来比喻四层耦合：每个部件遵循简单确定性规律，但整个系统表现出混沌运动，微小变化产生不可预测的大摆动。这个比喻本身承认了框架的局限——它描述了一种耦合结构，但不提供预测。读者可以将它作为定位成本压力落点的分析地图：当GPU涨价时，关注harness层的token优化能力；当模型效率提升时，关注应用层的定价空间。但框架不告诉你这些变化何时发生、幅度多大、或者哪一层会先崩溃。

据彭博社报道，高盛集团已切断大多数员工对Anthropic的Claude Code和微软GitHub Copilot等高级AI编程工具的访问权限。根据10月份发布的内部指导方针，目前只有工程师可以继续使用这些工具。此前数月，交易员和银行家曾利用这些工具监控交易流程并创建内容。这一政策回调据报道在该公司内部引发了不满情绪。

这一决定标志着高盛在AI应用策略上的显著转变。今年7月，高盛首席信息官Marco Argenti曾在采访中公开赞扬非技术员工的“氛围编程”（vibe coding），设想交易员或资产管理人员通过AI快速构建原型，再交由工程师进行生产环境扩展。然而，目前的政策似乎已不再支持这一计划。

对于此次政策逆转的原因，彭博社援引高盛发言人Nick Carcaterra的说法，称这是出于“包括生产力和风险管理在内的多种因素”。Carcaterra补充说，公司的实验阶段已经结束，现在将工具限制在“最适合长期利用它们的人”手中。这一变化反映了大型金融机构在生成式AI从广泛试验转向受控部署过程中面临的实际治理挑战。

重商主义的核心信念是：财富是固定的，黄金总量不会增加，因此一国之得即他国之失。在这种逻辑下，普通人的价值只体现为劳动力，而精英的职责是管控稀缺资源、维持高价、阻止对手获取。工程师 Venkatesh Rao 认为，今天许多 AI 精英对待智能的方式与重商主义者对待黄金如出一辙：把智能视为稀缺的、危险的资源，应当由专家来管理、保持昂贵、并对竞争对手保密。在他们眼中，开源 AI 模型不是技术进步，而是威胁。

Rao 的类比不止于诊断，还指向一个历史转折。早期资本主义取代重商主义后，人们并没有因为财富不再被当作固定总量而停止工作，反而自愿增加了劳动时间——为了买茶或糖，年工作日从 250 天增加到 300 天。Rao 认为 AI 可能触发类似的变化：不是因为人们失去了工作，而是因为 AI 让以前太昂贵或太难的项目变得可行，人们可能会思考更多而非更少。对想法的需求会增长，而不是让人变得多余。

这个论证的政策含义是明确的：Rao 主张，AI 的政治焦点应当是确保公平获取，而非保护旧有的知识工作岗位。保护岗位意味着把智能当作固定资源来分配；确保获取则意味着承认智能的总量可以随工具改进而扩大。他甚至认为，AI 智能体自身也可以追求自己的项目，从而创造对智能的新需求——自主 AI 需要护栏，但不应只是服从命令。

需要指出的是，这是 Rao 的一个概念类比，不是经过实证检验的经济模型。重商主义与 AI 之间的对应关系是修辞性的：它照亮了某些动机结构，但不能证明智能的实际经济行为确实像黄金。智能是否具有排他性、AI 是否真的会扩大而非替代人类思考需求，这些是经验问题，类比本身无法回答。但作为理解当前 AI 政策争论的框架，它提供了一个有用的视角：当某位 AI 高管以安全为由反对开源模型时，值得追问的不仅是安全论据是否成立，还有这是否也是一种资源管控逻辑的现代变体。

药物研发有一个广为流传的三「十」定律：一款新药平均需要十年时间、超过十亿美元投入，成功率却不足百分之十。水木分子COO邢杰在央视节目中引用这一数字时，真正想指向的问题比成本更具体——一个药研专家积累了几十年的经验，如何才能让AI真正用起来？

水木分子首席科学家聂再清认为，过去AI药物研发项目中的关键隔阂恰恰出现在这里。模型可以预测结构、生成分子、给候选结果排序，但研究者未必能充分理解排序依据，也很难把自己的顾虑反馈给模型。计算结果可以交给实验验证，专家与算法之间却缺少持续协作的通道。这意味着AI制药的瓶颈不只是单点预测精度，而是整个科研工作流的组织方式。

水木分子由此提出了药物研发的四阶段划分：TMDD（依赖实验积累与专家判断）、CADD（计算机辅助计算与模拟）、AIDD（AI用于性质预测和分子生成）、ChatDD（专家通过自然语言对话参与任务规划、执行与结果修正）。前三代中，专家经验和直觉很难与AI模型有效交互和有机融合；ChatDD试图让专家提出问题和任务目标，大模型进行拆解并调用工具，再把结果交回专家，多轮交互下来，专家经验得以高效参与AI制药的每一步。

这一框架的落地依赖几个具体技术层。水木分子与清华AIR联合推进的BioMedGPT探索自然语言与分子、蛋白质等生物数据的对齐，其中BioMedGPT-10B是全球首个开源可商用的百亿参数多模态生物医药大模型。入选NeurIPS 2024的MutaPLM将突变影响的文字描述与蛋白质突变对应起来，既解释一次突变可能带来什么变化，也根据研究者描述的目标提出候选突变。被ICML 2026接收的CodeFP关注功能性蛋白质的序列与结构协同设计，AbGaze则探索抗体全原子端到端从头设计。

在模型底座之上，水木分子将专家通过对话描述的研究方法整理成AI智能体可随时调用的技能包。今年发布的首批OpenBioMed技能包囊括45项专业技能，覆盖生物化学与药物研发、蛋白质分析与设计、单细胞组学分析、数据检索、工具调用五大类。其中的Skill Creator允许研究者通过对话说明任务意图、输入输出和约束，系统辅助组织流程，再用实际数据验证修改，形成可重复调用的方法。这样，专家的一次指导就有机会留下持续可用的工作流。

水木分子的商业策略是平台与管线双轮驱动。平台端，ChatDD面向企业提供Insight（立项前靶点评估）、Discovery（分子设计与虚拟筛选）和Trial（临床开发支持）三个模块；水木知了面向个人科研人员，由下往上推广。管线端，公司亲自推进面向自身免疫疾病和肿瘤的创新药研发，把平台用进自己的研发决策、分子设计和项目运营。据首席科学家潘琦介绍，公司第一条自研管线——自身免疫领域的双特异性抗体——从基于靶点生物学和临床证据的立项，到分子设计和虚拟筛选，再到湿实验验证和临床前候选分子确认，仅用了七个月，而传统方法通常需要十二至二十四个月。

这一模式与Alphabet旗下的Isomorphic Labs有结构相似性：同为AI原生公司，同样干湿闭环，同样采用平台服务与自有管线并行策略，同样由顶尖AI机构孵化而来。但水木分子更倾向大分子管线和技术开源。平台与管线的互补在于：自研项目让药研专家连续使用平台，也让算法团队有机会长期追踪一个任务的后续结果，持续改进工具与流程；项目数据为ChatDD提供直接反馈，比如计算建议能否在实验中成立，未成立的地方应该怎样调整。

对外合作方面，ChatDD已在多家外部客户中落地，包括中国大型药企（以复星PharmAID为例参与研发智能体平台共创）、生物技术公司、CRO（进入CMC运营、临床试验方案等流程改造）以及头部跨国药企（涉及临床运营和上市后临床）。邢杰预计2026年收入将是去年的三至四倍，管线进入开发阶段和商务拓展预计在明年发生。这些数字均为公司自报预期，尚未经独立验证。

水木分子团队横跨AI与制药两个领域：张亚勤、聂再清、马维英带来AI研究与技术产业化经验；CEO王卓智曾任药明生物副总裁，深度参与三百多个创新药项目；潘琦在Genentech、勃林格殷格翰、传奇生物和Pathos AI等企业积累了多年药物研发和AI应用经验；邢杰此前任职药明康德副总裁和CIO。这种组合本身不证明产品有效，但解释了为什么这家公司选择从对话式交互而非单纯模型预测切入AI制药——它需要同时理解药研专家的真实工作方式和AI智能体的能力边界。

据路透社报道，《纽约时报》与《纽约每日新闻》、《芝加哥论坛报》和《奥兰多哨兵报》等出版商已对Brave浏览器开发商Brave Software提起诉讼。原告指控Brave非法抓取受版权保护的内容用于训练人工智能模型，并通过其浏览器内置的“付费墙拦截器”（Paywall blocker）功能让用户绕过新闻网站的订阅限制。

根据法庭文件，Brave被指将其抓取网站内容的索引商业化，部分方式是向AI公司提供对“Brave索引中实时在线内容”的付费访问权限。这些AI公司随后利用该索引来训练模型或响应用户查询。诉讼称，Brave已向包括Anthropic、Perplexity、Mistral、xAI和Cohere在内的多家AI公司提供了“被盗的版权内容”。

《纽约时报》发言人Graham James表示，Brave无视了停止侵权行为的多次请求，该公司通过窃取内容为其产品提供动力并向生成式AI巨头提供支持。代表其他三家出版商提起诉讼的律师Steven Lieberman则称，Brave正在为AI行业“洗白”盗版新闻报道。

目前，Brave及被点名的几家AI公司尚未立即回应置评请求。此诉讼是围绕AI训练数据版权纠纷的最新法律行动之一，此前《纽约时报》等媒体已就类似问题起诉OpenAI和微软。