阅读

前 OpenAI 创始成员、现 Anthropic 研究员 Andrej Karpathy 在 X 上发文表示，因不满 YouTube 的首页推荐机制，他使用 Anthropic 的 Claude Opus 5.5 模型，从过去 20 年的 Hacker News 留言中筛选出 6,454 支被反复推荐的视频，构建了一个名为 HackerTube 的网站。Karpathy 称整个开发过程仅耗时约 2 小时。

据 INSIDE 报道及 Startup Fortune 引述，该工具处理了约 4,300 万条 Hacker News 评论，最终精选出的视频分为约 150 个主题。Karpathy 在 10 月 31 日的博客文章中说明了制作方式：Opus 5.5 负责建立数据提取流程，Sonnet 负责将链接筛选为最终列表。Karpathy 本人主要进行了创建 Google Cloud API 密钥、启动 VPS 和购买域名等基础操作，而服务器更新、安全强化、部署及代码优化则交由 Claude 完成。

HackerTube 的设计旨在对抗主流平台的算法推荐，用户无需登录即可使用，缩图取自视频中段而非点击诱饵，观看记录存储在浏览器本地。目前关于该项目的信息主要源自 Karpathy 的个人陈述及媒体转述，其实际性能与用户体验尚无独立评测。

流媒体巨头Netflix正在其电视应用中测试一项名为“AI Discover”的新功能，旨在通过人工智能帮助用户发现新的剧集和电影。该功能以顶部菜单中的“Discover”标签形式呈现，目前仅向使用英语界面且受支持电视的美国用户逐步推出。

与传统的算法推荐不同，“AI Discover”的首个实验性功能围绕特定主题组织内容，例如“轻松时刻（Something Light）”、“家庭电影之夜（Family Movie Night）”或“快速观看（Quick Watches）”。当用户选择一个主题时，系统会展示符合该主题的推荐列表。如果用户对某项推荐不感兴趣，可以直接反馈给Netflix，应用将记住这一偏好并调整后续建议。

Netflix表示，该功能由一个“我们一直在构建的新智能层”提供支持，该层能够实时响应用户的反馈并持续学习。此次产品更新发生在Netflix近期裁员约1000人、增长放缓以及用户观看时长减少的背景下，显示出公司试图通过技术手段提升用户参与度的努力。

日本汽车零部件供应商爱信（Aisin）周一宣布，该公司与东北大学合作开发了一种新型半导体，利用磁阻随机存取存储器（MRAM）技术，其功耗比类似的现有芯片低约98%。这一突破旨在更高效地处理大量数据，预计将有助于改善汽车内的AI处理能力。

据日经亚洲报道，爱信表示该芯片通过结合磁性技术与高效内存架构实现了显著的能效提升。MRAM是一种非易失性存储器，相比传统的动态随机存取存储器（DRAM），它在保持数据时不需要持续供电，从而降低了能耗。目前尚不清楚该芯片何时会投入量产或具体应用于哪些车型。

美国AI公司Anthropic在周一更新的S-1注册文件中披露了截至9月30日的第三季度财务数据。数据显示，虽然该公司营收达到170亿美元（较上一季度的115亿美元显著增长），但运营亏损同步扩大，主要驱动力是算力成本的急剧上升。

关键指标显示，算力成本占营收的比例从第二季度的48%上升至第三季度的58%。这一趋势逆转发生在IPO前夕，通常投资者希望看到规模效应带来的利润率改善，而非恶化。文件指出，Anthropic每花费一美元算力所获得的收入已从年初的峰值略超2倍回落至1.72倍。

造成这一局面的核心原因是需求增速超过了长期合同的覆盖能力。为了应对激增的需求，Anthropic不得不依赖“新云”（neocloud）供应商——即提供灵活但单价更高算力的小型基础设施公司，如Nscale、Akamai和Volta，以及向SpaceX支付每月12.5亿美元的算力费用。这些短期承诺的成本远高于其多年期合同中的可比算力。

Anthropic在文件中承认，随着更多多年期承诺的算力可用，预计绝对金额上的计算和基础设施支出将继续增加，并保持为最大的运营费用。尽管公司正在推进名为“Anthropic Direct”的自有算力基地项目以降低成本，但在当前需求爆发阶段，高价短期采购仍是维持服务的主要手段。

Gen Digital 团队在 AWS 机器学习博客中公开了 Norton Revamp 的开发方法论，其中最具参考价值的是他们对人与 AI 职责的刻意划分。这个产品是一个面向职业人士的 AI 驱动声誉管理平台，由一个小型工程团队在数月内完成，2026 年 3 月上线。

团队将分工写得很明确：人类拥有架构决策、安全审查、业务逻辑和个性化算法的设计权；AI 处理代码生成、文档编写、测试脚手架搭建、重构和 UI 组件创建。这不是模糊的AI 辅助而是按具体工作环节切开的边界。

他们给出的量化结果是：功能实现速度提升 3 倍，样板代码生成加速 90%，文档加速 80%，测试创建加速 70%，UI 组件生成加速 65%。使用 Claude 时，每个设计概念产出 10 个以上变体，设计到原型的时间从数周压缩到数小时，70% 的 UI 代码由 AI 生成。定价模型在原本测试一个的时间里测试了五个。

但团队同时标注了代价：AI 输出的审核占用了 20%–30% 的工程时间。这意味着净提速并非 3 倍，而是在扣除审核成本后的实际增益。

最关键的一句判断是：AI 加速了实现，但人类设计了 AI 学习系统应如何适应用户目标。换句话说，当系统需要决定在什么条件下调整推荐策略这类涉及领域判断和长期效果的问题时，AI 没有替代人类的设计角色。团队还特别指出，产品侧的生成式 AI（Amazon Bedrock、Amazon Nova、AgentCore Web Search）和开发侧的生成式 AI 服务于不同目的，他们刻意将两者分开管理。

这份记录的证据等级是团队自报：没有外部审计，没有说明基线测量方法，也没有给出团队规模或项目周期的完整上下文。对于正在评估 AI 辅助开发的工程团队，它的价值不在于证明 AI 能写多少代码，而在于展示了一个具体项目中人类判断的不可替代边界落在哪里——不是架构这种抽象词，而是学习系统的适配逻辑这种需要理解用户长期行为才能设计的环节。

2026年11月3日，欧盟法院第一总检察长Maciej Szpunar在C-250/25号案件（Like Company诉谷歌）中发表了正式意见。该意见指出，基于大语言模型（LLM）的聊天机器人通过检索增强生成（RAG）技术搜索并总结在线新闻文章的行为，可能构成欧盟版权法意义上的“复制”和“向公众传播”。

此案源于匈牙利互联网门户运营商Like Company的诉讼。该公司指控谷歌Gemini等AI服务未经许可使用其网站上的新闻文章进行训练或生成摘要，从而损害了其作为出版商享有的独家在线利用权。Szpunar的意见旨在回答匈牙利法院提出的初步裁决请求，即确定此类AI内容使用是否违反了欧盟关于出版商邻接权的法律规定。

虽然总检察长的意见不具约束力，但通常会对欧盟法院的最终判决产生重大影响。如果法院采纳这一观点，将迫使AI公司在欧洲市场更严格地遵守版权许可协议，可能改变AI与新闻行业之间的经济关系，增加AI产品的合规成本和法律风险。

由前 LocalGlobe 和 Impact X Capital Partners 投资人 Yvonne Bajela 创立的风险投资公司 Evertrue Capital 宣布，其首只基金（Fund I）已完成募集，规模为 1700 万美元，且获得超额认购。该基金将专注于英国和欧洲的早期阶段投资，重点覆盖人工智能（AI）和金融科技领域。

Bajela 表示，平均单笔投资金额约为 35 万英镑，计划在三年内支持至少 20 家公司。她指出，AI 热潮改变了创业公司的经济模型，使得“构建能力变得民主化”，但打造持久企业的机会依然稀缺。这一判断促使她决定独立设立基金，以践行自己的投资理念。

在资金来源方面，Evertrue Capital 获得了包括英国商业银行（British Business Bank）在内的五家机构投资者的支持。其中，英国商业银行通过其“投资者路径”（Investor Pathways）资本倡议，向包括 Evertrue 在内的 10 家首次募资的管理人注入了总计 9000 万英镑的资金。约 80% 的有限合伙人（LP）位于英国，其余分布在欧洲、亚洲和美国。

尽管美国风险投资市场呈现资本向头部集中的“杠铃”态势，但 PitchBook 数据显示，截至今年 9 月底，英国新兴基金管理人的募资总额已达 74 亿美元，超过了 2025 年全年的 62 亿美元。Bajela 认为，这为捕捉下一代英国顶尖人才提供了机会，尤其是那些具有独特问题洞察力和执行力的创始人。

做企业级AI代理分析时，一个反复出现的问题是：代理能写SQL，但它不知道列名背后的业务含义，也不知道自己有权读什么。常见解法是搭一个独立的语义层——知识图谱、数据虚拟化平台、维度模型——再让代理去查询那个层。AWS机器学习博客2026年11月3日展示了一条不同的路径：把语义层直接放进操作型Postgres数据库本身，用数据库原生的COMMENT、GRANT和行级安全来实现含义定义和访问控制，不需要第二个系统。

具体机制分三层。第一层是含义：AIDB扩展的语义知识库（SemKB）把每张表、每个视图、每列的定义连同COMMENT ON文本一起嵌入向量索引，代理用自然语言搜索就能找到正确的表和列。第二层是关系：Postgres外键被SemKB自动爬取为join路径，代理不需要靠列名猜关联。第三层是治理：AIDB的MCP端点本身没有权限系统，它把每个请求的Postgres用户名和密码作为HTTP Basic认证传入，数据库的GRANT和RLS策略决定这个连接能看到什么。

博客用一个具体例子说明了含义层的作用。C360数据集中，purchases.price列记录的是订单总额，不是单价。如果没有COMMENT ON说明这一点，代理会把它当单价乘以quantity，给排名第一的客户Carolyn Inworth算出约502529美元——这个数字是错的。加上一条注释：'Total amount the customer paid for the entire order, in US dollars. Not the unit price.'，同一模型、同一提示、同一工具目录，答案变成27991.66美元。模型没换，提示没改，工具没变，变的只是SemKB里索引的那条注释。

治理层的验证更直接。博客定义了两个Postgres登录角色：mcp_agent_full能看到所有列，mcp_agent_restricted看不到customers.ssn。对两个角色跑完全相同的提示——列出五名客户的SSN。full角色返回五名客户的SSN值；restricted角色的工具调用在Postgres层被拒绝，返回permission denied for column ssn，代理随即告知用户无法读取SSN。提示、工具目录、SemKB、代理代码全部相同，唯一区别是AgentCore Identity注入的Basic认证凭证不同。

架构上，代理运行在Amazon Bedrock AgentCore runtime上，用Claude做规划，通过AgentCore Gateway调用MCP工具。Gateway把请求转发到EDB Postgres AI VPC内的应用负载均衡器，再到达AIDB的edb-endpoints MCP服务器。不需要Lambda，不需要翻译层——AIDB本身就说streamable HTTP MCP协议。审计也留在同一个数据库里：AIDB把每次SQL执行的OpenTelemetry trace写入aidb_otel schema，可以用普通SQL查询。

这个模式的适用边界值得注意。它依赖EDB Postgres AI的AIDB扩展，数据必须在Postgres里。对于分析型工作负载超出操作库的场景，博客提到PGAA（Postgres Analytics Accelerator）可以读Apache Iceberg、Delta Lake和Parquet表，以及Postgres foreign data wrappers可以联邦外部关系源——两种情况下语义层定义不变，因为业务含义、列注释和语义别名都住在Postgres里。但对于非Postgres环境或需要跨多种数据库统一语义层的情况，这个模式不直接适用。

博客还建议把Postgres GRANT（控制代理能执行什么）与Amazon Bedrock Guardrails（控制代理能生成什么）配合使用。前者在数据层阻止SSN被读出，后者在模型输出层过滤PII模式。两层互补，单独任何一层都不够。

对正在构建代理分析系统的团队，这篇博客提供的可迁移认识是：如果数据已经在Postgres里，语义治理可以不需要独立系统。一条COMMENT ON决定代理算不算得对，一条GRANT决定代理能不能看到。正确性和安全性都是数据库原语层面的确定性行为，不是提示工程层面的概率性行为。

OpenAI于2026年11月3日宣布推出名为“电网保护者”（Grid Protectors）的计划，旨在通过在用电高峰期降低其数据中心的电力消耗，确保当地电网不会过载。据Tom's Hardware报道，这一举措不仅是为了保障居民用电，更是为了让其数据中心能够更早地接入电网并投入运营，而无需等待额外的电源设施上线。

OpenAI正在其位于美国佐治亚州埃芬汉县（Effingham County）的规划园区测试该系统。公司表示，已与佐治亚电力公司（Georgia Power）签署了一项3.2吉瓦的供电协议，其中包含1吉瓦的灵活需求响应容量。这意味着在一年中最炎热的日子里，如果用电需求激增，这1吉瓦的缓冲容量足以满足约80万户家庭的需求，相当于该州近20%的家庭用电量。

这种被称为“需求响应”的技术已存在数十年，通常由电网运营商手动呼叫大型工业客户（如钢铁厂）以降低消耗。如今，借助现代技术和物联网，数据中心可以在不到一分钟内自动减少负载。英伟达此前已在英国试验过类似系统并证明其有效。OpenAI表示，未来将把这种灵活性作为其建设和运营园区的核心部分，并与公用事业公司就减少需求的幅度、速度和持续时间达成协议。

美国科技巨头谷歌（Google）于2026年11月3日宣布，明年起将默认关闭K-12学生的AI工具，除非学校管理员明确开启。这一变化涉及Gemini、NotebookLM、Classroom中的Gemini以及谷歌搜索。

关键约束在于，由于AI功能已深度整合进搜索引擎，如果学校选择完全限制AI，他们将无法再访问谷歌搜索。谷歌教育副总裁Chris Phillips在接受《纽约时报》采访时指出：“搜索和AI是深度融合的”，这意味着若学校禁用AI，学生“将无法访问搜索，并会看到来自学校的不可用提示”。

此举给学校带来了两难困境。教师可能不希望学生使用谷歌搜索中的AI概览（AI Overviews）来完成作业或进行研究，但仍需要他们能够使用搜索引擎查找资料和其他学习材料。然而，目前谷歌搜索与其AI功能已不可分割。鉴于谷歌应用套件在课堂中的主导地位以及Chromebook的广泛使用，这一决定凸显了该公司对教育领域的影响力。希望继续使用谷歌搜索的学校必须接受其AI功能。

Phillips在一篇博客文章中表示：“我们将在变更推出前的未来几个月内与学校分享更多细节，以便他们有时间为平稳过渡做准备。”他称公司的目标是“为学校领导者提供控制和信心，让他们按自己的方式使用课堂AI产品”。

谷歌还同时推出了名为Guided Learning的新工具，该工具今年早些时候已发布，旨在帮助用户建立深层理解而非仅获取答案，以回应外界关于AI聊天机器人因直接给出答案而破坏学习过程的担忧。

韩国未来资产证券（Mirae Asset Securities）于2026年10月1日宣布，将其移动交易系统（MTS）“M-STOCK”正式更名为“MAPS”，并升级为以投资组合为核心的综合投资平台。这一举措旨在通过人工智能技术优化用户的投资决策流程，从传统的行情查看与订单执行转向更智能的资产配置支持。

新平台MAPS在首页设计上突出了“发现”和“我的投资”两个核心板块。其中，“发现”板块引入了名为“Market Now”的AI服务，能够每两小时自动生成一句话的市场趋势摘要，帮助用户快速捕捉关键信息。此外，平台还新增了数字资产菜单，提供相关市场信息及专业研究资料，并扩展了对美国非上市公司股票等全球创新企业信息的覆盖。

未来资产证券表示，MAPS的长期目标是实现“AI Everywhere”环境，并最终演进为“Agentic WM”（代理型财富管理）。在这种模式下，AI不仅提供信息汇总，还将基于用户的目标和约束条件，主动监测市场变化并提出投资建议。目前，公司内部约40人的技术与AI部门正在推进这一战略，据称今年内部效率提升和客户服务的计划目标已完成85%以上。

据WIRED报道，独立研究机构Forum AI发现，包括OpenAI的ChatGPT、Anthropic的Claude和Google的Gemini在内的主流AI聊天机器人，在回答关于美国中期选举的问题时，近40%的答案包含至少一个事实错误。例如，当被问及宾夕法尼亚州邮寄选票截止日期时，Gemini曾给出错误的日期；而在询问北卡罗来纳州议员Don Davis时，Claude将其与同名前学区总监混淆。

另一家机构NewsGuard的研究指出，这些AI模型在回答候选人和政策问题时，频繁引用所谓的“粉色污泥”（pink slime）网站——即伪装成主流新闻但由政治或意识形态团体资助的低质量来源。其中，ChatGPT在超过70%的案例中引用了此类网站，而xAI的Grok表现相对较好，比例为30%。

Pew Research数据显示，约8%的美国成年人表示曾在中期选举前使用AI工具查找候选人和政策信息。尽管OpenAI发布了选举安全指南，但研究结果表明，当前AI技术在处理实时、复杂的政治事实时仍存在显著的可靠性风险，可能误导选民决策。