阅读

OpenAI于2026年11月4日发布了新的Images 2.6模型，该更新已随ChatGPT向所有用户推送。此次升级的核心功能是允许用户通过提示词或上传照片直接在ChatGPT中生成GIF动图，并支持调整动画速度和逐帧编辑。此前，ChatGPT无法在单一步骤中原生生成GIF，用户通常需要借助外部工具进行转换或编辑。

除了动图功能，OpenAI表示Images 2.6还提升了图像生成的速度。公司披露，目前每周通过ChatGPT及其API生成的图像数量已超过40亿张，较9月份报告的30亿张有显著增长。这一数据反映了用户对AI图像生成工具的依赖程度正在快速加深。

此次更新还包括面向开发者的新模型变体：GPT-Image-2.6 Flare和Sunburst，旨在提供更快的生成速度和更高的图像质量。Images 2.6已在Web、桌面和移动端的ChatGPT及Codex应用中全面上线。

据TechRadar报道，俄罗斯总统弗拉基米尔·普京已签署一项紧急法令，允许俄罗斯国内企业在特定条件下临时使用海外数据中心。这一政策转变发生在一系列针对俄罗斯本土数字基础设施的乌克兰无人机袭击之后，旨在缓解因物理设施受损导致的算力和服务中断危机。

此次政策调整的背景是俄罗斯关键数字基础设施遭受了实质性破坏。报道称，Yandex位于Sasovo、Kaluga和Vladimir的三个主要设施受到冲击，导致部分Yandex服务下线，同时也影响了通过Yandex基础设施运行的第三方服务。Yandex拥有三台大型超级计算机，其中一台曾在2021年的全球排名中位列第19，这些设备对于模型训练至关重要。尽管目前认为这些硬件可能已被转移或正在转移中，但其可用性受到了严重挑战。

值得注意的是，这项法令并非完全放开数据出境。企业不能随意离开本土数据中心，任何安排仍需获得政府批准，当局可能会评估国内算力的可用性后再授予许可。此外，新规要求俄罗斯数据中心运营商必须保留10%的容量用于紧急政府用途，并在接到通知后24小时内随时准备让出这部分资源。

为了应对未来的威胁，俄罗斯还在探索更极端的物理保护措施。据报道，国有电信公司Rostelcom正与矿业公司Norilsk进行谈判，甚至有州长提议将数据中心建在露天煤矿坑内，以利用地下空间躲避无人机打击。这一系列举措凸显了现代战争中数字基础设施已成为高价值目标，也反映了俄罗斯在追求“数字主权”过程中面临的现实困境。

巴西人工智能初创公司 Dharma-AI 于2026年11月发布了名为 Dharma Field Extractor 的20亿参数小语言模型（SLM）。该模型专门用于从各种类型的文档图像中直接提取用户所需的具体字段，并将其输出为结构化的 JSON 格式。与传统的 OCR（光学字符识别）技术仅返回页面上的所有文本不同，Field Extractor 能够理解上下文和布局，将发票、医疗申请单或身份证件上的特定信息（如供应商名称、总金额、患者姓名等）映射到指定的键值对中。

在技术实现上，该模型基于 DharmaOCR-LITE v1.1 版本，通过监督微调和直接偏好优化（DPO）进行训练，并在此基础上使用包含43,384个样本的数据集训练了 LoRA 适配器。数据涵盖了英语多领域文档、葡萄牙语巴西本地文档以及部分其他欧洲和亚洲语言的文档。模型支持两种请求模式：一种是“开放式”请求，由模型自行判断并提取所有结构化字段；另一种是“架构导向”请求，用户指定确切的字段名称和数据类型，模型按此填充，遇到不存在的字段则返回 null。

根据 Dharma-AI 发布的内部基准测试结果，该模型在546份文档的测试中取得了0.834的综合得分，超过了包括 Claude Opus 5 和 GPT-5.6 Luna 在内的多个前沿通用大模型配置。在成本方面，由于该模型设计为自托管运行，其在单张 L40S GPU 上的推理成本比调用前沿 API 低约6倍至147倍不等。这一结果凸显了针对特定任务训练的专用小模型在高频企业应用中的潜在经济优势。需要注意的是，上述性能对比和成本节约均基于 Dharma-AI 自行构建的基准测试和硬件环境，尚未获得独立第三方的复现验证。

据Tom's Hardware报道，台湾存储芯片制造商华邦电子（Macronix）正在逐步退出ROM业务，转而专注于为AI数据中心生产NOR和NAND闪存芯片。这一战略调整由分析师David Gibson在X平台上指出，并经《台北时报》证实。Gibson称，华邦电子第三季度ROM销售额占比已从去年的26%降至5%，且公司计划不再推出新的ROM产品。

华邦电子是任天堂Switch和Switch 2游戏卡带中ROM芯片的主要供应商之一。随着制造产能向高利润的AI基础设施转移，任天堂可能面临实体游戏卡带价格上涨的压力，或被迫增加Game-Key卡片（仅包含下载密钥而非完整游戏数据）的使用比例，从而进一步向数字销售倾斜。尽管ROHM集团旗下的ROHM Semiconductor和LAPIS Semiconductor仍向任天堂供应ROM芯片，使得短期内完全数字化不太可能，但单一主要供应商的退出无疑收紧了物理介质的供应链。

这一变动对无晶圆厂芯片设计公司MegaChips影响尤为显著。MegaChips根据任天堂的需求设计ROM芯片，但自身没有制造能力，需外包给华邦电子。根据MegaChips 2022年的公司报告，任天堂占其销售额的87.8%，而华邦电子占其外包制造采购量的67.8%。该报告曾警告，如果华邦电子停止制造ROM芯片，“MegaChips的经营业绩可能会受到影响”。目前尚不清楚MegaChips是否有具体的应急计划来应对这一突然出现的风险。

华邦电子的这一决策反映了AI数据中心对存储需求的巨大虹吸效应。公司将NT$378亿新台币的资本支出全部分配给NOR和NAND闪存，未留给ROM业务。这种产能重新配置不仅改变了半导体行业的投资逻辑，也直接波及到消费电子领域，表明AI基础设施的建设正在通过供应链传导至普通消费者的游戏体验和成本结构中。

2026年11月4日，Ritholtz Wealth Management创始人Barry Ritholtz发表了一篇关于美国中期选举的短文。他记录了三种他此前用于观察政治走向的工具在同一晚全部失准：股指期货在下午6点前已经深度抛售；Polymarket等预测市场严重低估了民主党候选人的胜率；民调虽然方向大致正确，但在幅度上出现显著偏差，完全未能预测到堪萨斯州和南卡罗来纳州选出民主党参议员、得克萨斯州出现大幅翻转。到11月4日中午，道琼斯指数较前日低点已反弹约3%，标普500和纳斯达克各涨约2%。

Ritholtz将这些失败追溯到三项他认为是人类固有认知缺陷的因素：部落主义、糟糕的信息饮食、以及准确评估自身能力的困难。他称这三者构成了分析社会事件和政治时的根本障碍，并直言当这一组合被用于资本配置决策时，后果是致命的。他引用编剧William Goldman那句著名的Nobody knows anything来概括这种不可知，但紧接着承认引用这句话有一种作弊感——它利用了人类在进化环境中形成的认知局限来解释现代金融市场的预测失败，而这种局限是大多数人要么不知道、要么不在意的。

不过，Ritholtz也交代了这次选举为何特别难以预测。他注意到这位总统在2024年通过拓宽共和党传统人口结构赢得大选，加入了年轻男性、低学历群体和拉丁裔选民，这使共和党联盟在一个正常中期选举中变得脆弱。他列举了三项具体政策因素——ICE激进的移民执法、支持多场战争的强势外交、混乱的关税政策——作为联盟瓦解的催化剂。出口民调显示43%的选民投票是为了反对特朗普，仅16%是为了支持他；投票率模型完全低估了民主党倾向选民的动员强度。

对投资者而言，这篇短文的价值不在于提供一个新的预测模型，而在于用一个具体案例暴露一个操作层面的问题：当期货、预测市场和民调同时指向同一方向时，这种一致是否真的意味着三重独立验证。Ritholtz没有直接回答这个问题，也没有给出替代方案，但他把三种工具的失败并列呈现、再归因于同一组人类认知缺陷的写法，至少让读者不得不重新审视自己依赖多信号交叉确认政治风险时的证据逻辑。

他的核心警告是否依赖于这次选举的异常性，Ritholtz本人没有明确区分。他既记录了所有总统在中期选举中都会失去国会席位（仅4次例外）这一历史规律，也强调了2024年联盟拓宽策略使这次中期选举格外脆弱。如果2026年的预测失败主要由这一特定政治背景驱动，那么对一般中期选举的推广力度就需要打折扣；但如果他真正想说的是只要期货定价、预测市场赔率和民调都依赖人类判断，它们之间的相关性就比表面看起来要高得多——那么这一警告的适用范围就远超一次选举。

Ritholtz没有给出投资者应当如何替代这些工具的建议。他留下的是一组具体事实（三种工具各自怎么错的）、一个归因（共享的人类认知缺陷）和一句坦白的自我怀疑（引用Goldman是否算作弊）。对读者来说，这比一个现成的方法论更有用，也更诚实。

当系统投资者面对N个交易策略或N个杠杆水平时，真正的问题是什么？Rob Carver在他的博客中给出了一个清晰的重新框定：无论是对历史收益做bootstrap得到最终复合年化增长率（CAGR）的分布，还是对不同杠杆水平做bootstrap得到一系列离散的可能结果，本质上都是在N个结果分布之间做选择。你选的不是某个策略的平均表现，而是你偏好哪一个完整的结果分布。

Carver区分了三种选择方法。第一种是严格期望方法：选中位数即50%分位最好的那个分布。他此前已论证过，这在数学上等价于凯利最优，即最大化长期复合增长率。第二种是赌徒方法：选右尾最好的那个分布，比如1%分位最靠右的选项。这对应高杠杆、加密货币或短伽马策略——在bootstrap生成的最佳可能历史中恰好没有爆仓的那些路径。Carver对此的评价是：没人应该当赌徒，除了偶尔。第三种是他自己偏好的保守方法：选左尾最好的那个分布，即1%、10%或25%分位最靠右的选项，换句话说，坏情况发生时结果最好的那个。

极端版本的保守方法就是博弈论中的MinMax：选最坏结果最好的那个选项。Carver指出，这正是所有国际象棋软件的做法——把市场视为对手，在可能的最坏状态中争取最不坏的结果。但他紧接着承认，如果bootstrap次数足够多，所有分布的下界都会趋近于零（复合收益且绝对收益不低于负100%时，数学上无法低于零），彼此难以区分。因此实践中最接近极端保守的版本，是选1%左尾分位最优的那个选项。

Carver并不建议直接优化1%分位。他引用了交易界那句老话：没有又老又大胆的交易员。好的交易者知道如何量化风险、何时承担风险，但也理解保持资本大体完整的重要性。他的结论是：在10%或25%分位附近做优化，是实践中的合理折中。1%分位在bootstrap中彼此难以区分，而且更极端的结果很可能超出历史样本所能预测的范围；50%分位即凯利最优虽然最大化长期增长，但对应的路径波动可能超出多数人的心理承受力。10%到25%区间意味着：在每四次到十次可能的结果中，你优化的是偏坏的那一次表现，而不是最坏的那一次。

Carver在文中明确标注了这个方法的边界：更极端的结果具有高度不确定性，很可能超出历史bootstrap所能预测的范围。这意味着如果市场出现从未在历史样本中发生过的结构性断裂，左尾百分位本身就会低估实际风险。这个方法的价值在于提供了一个可操作的折中点，但它不解决模型无法预见的新风险。

系统交易实践者Rob Carver在其2026年组合优化系列第11篇文章中，提出了一个处理交易成本的新方法。他的出发点是一个在量化投资中广泛接受的观察：交易成本比预期收益更容易预测。成本是相对确定的数字，而收益估计充满噪声。那么在优化预测权重时，如何让这种不对称性自然地反映在结果中？

Carver列举了六种已有方案，从完全忽略成本、使用净收益、到将成本乘以大于1的系数来人为放大其权重。他认为乘系数法虽然直觉正确——既然成本更确定就应该给更大权重——但引入了一个需要额外优化的参数factor，增加了复杂度。他提出的新方案是：先对毛收益的夏普比率进行收缩估计，然后直接从收缩后的值中扣除每笔交易成本。

这个方法的逻辑在于：收缩本身已经处理了收益估计的不确定性。当你对一个噪声较大的夏普比率估计进行收缩时，你实际上是在说我不太确定这个收益预测有多好。而成本不需要收缩，因为它是已知的。所以先收缩再扣减，自然地实现了给确定的成本更多权重、给不确定的收益更少权重的效果，而不需要人为设定一个乘数。Carver给出的具体参数是：夏普比率收缩0.5，相关系数收缩0.75，数据不足五年时使用更高收缩。

但Carver也坦承这套方法存在一个悬崖效应：他设定0.01夏普比率点数作为成本上限，超过这个阈值的工具会被动态优化直接排除。一个成本为0.012的工具和一个成本为0.008的工具，在优化中的待遇截然不同。他的缓解方案是在优化层面将成本封顶在0.01，让高成本工具在权重计算中表现得像成本恰好是0.01的工具，但在实际执行层面仍然排除。他承认这仍然是一种双重标准，有点混乱，但比之前完全忽略成本的做法要好。

文章最后给出了Carver当前黄金标准预测权重优化的完整架构：从外到内依次是滚动样本外优化、跨工具平均池化（对毛收益分别用本工具、资产类别和全样本三套数据优化后取平均）、反向权重处理（允许发现作者未预料到的有效策略）、聚类（目标六簇）、以及最内层的收缩加成本扣减。工具权重使用相同结构但去掉池化步骤。Carver明确表示，下一篇文章将在这个架构上用一个较小的可处理组合进行测试。

美国中期选举的结果在华盛顿制造了一种特殊的政治格局：总统来自共和党，国会两院由民主党控制。《资本观察者》作者James Picerno认为，这种分裂政府并非市场的利空因素，反而通过两条渠道为资产定价提供了新的支撑逻辑。

第一条渠道是政策可预测性。分裂政府意味着税法修订、大规模监管放松或扩张性财政刺激在国会层面难以推进。Picerno指出，减少政策意外本身就能为商业和投资者提供更稳定的运营环境，而市场历来偏好这种确定性。

第二条渠道是财政纪律。Picerno认为，民主党控制国会与共和党控制白宫的组合，使得大幅扩大预算赤字的立法更难通过。虽然僵局不太可能逆转联邦债务的长期上升趋势，但它降低了新增大规模财政刺激的概率。这一判断的可验证锚点是10年期美国国债收益率：如果收益率在选举后稳定或下行，可能表明债市投资者认可分裂政府构成了对赤字扩张的有效约束；如果收益率持续走高，则可能意味着投资者仍然担忧无论谁控制国会，联邦债务轨迹都不会改变。Picerno注意到，10年期收益率近日已回落至5%以下，暗示市场暂时不那么担忧通胀和财政风险。

但Picerno同时识别出一个板块例外：AI数据中心基础设施。他引用Politico上周发布的民调指出，大约一半美国民众反对在住所附近数英里内建设数据中心，而这一比例从1月的28%急剧上升。随着公众情绪转向支持限制，民主党可能寻求对数据中心开发实施更严格的监管。市场似乎已经在定价这一可能性：两只作为数据中心和数字基础设施股票代理的ETF近几周大幅下跌，而标普500 ETF（SPY）基本持平。这意味着分裂政府对AI基建板块的传导机制与对整体股市的方向相反——政策可预测性利好大盘，但监管收紧预期拖累特定板块。

Picerno的分析还留出了两条总统仍单方面掌控的风险通道。一是关税：即便国会分裂，总统仍可通过行政行动和现有贸易法征收或提高关税，国会制约能力有限。二是地缘政治：有分析人士认为，跛脚鸭总统在外交政策上可能感到更少约束，对伊朗采取更强硬立场。任何紧张局势升级都可能扰乱石油供应、推高能源价格，进而复杂化通胀前景。目前美国基准原油西德克萨斯中质原油（WTI）价格在每桶100美元以下交易，Picerno提出的问题是：这反映的是地缘政治担忧的持久缓解，还是市场在重新评估中东紧张风险之前的暂时停顿。

整体而言，Picerno的框架将选举后的市场判断分解为可逐条验证的命题：债市收益率检验财政约束是否被定价，板块ETF表现检验监管风险是否已反映，原油价格检验地缘政治溢价是否消退。每一条都有明确的信号方向，投资者无需等待事后总结即可持续跟踪。

这一分析的核心局限在于因果归属。ETF下跌和收益率回落可能部分反映选举前的预期调整而非选举结果本身的新信息；Politico民调显示公众情绪变化，但情绪转化为实际立法或监管行动需要时间且存在不确定性；总统的行政权力构成分裂政府约束的明确例外。Picerno的框架更适合作为观察清单而非交易信号。

为什么两个信用评分、收入水平几乎相同的借款人，向同一家银行申请信用卡时，拿到的年化利率却可能相差不少？明尼阿波利斯联储顾问 Kyle Herkenhoff 和纽约联储研究统计组研究员 Juan M. Morelli 在2026年11月4日发表于纽约联储博客 Liberty Street Economics 的研究中给出了一个机制性解释：发卡行在其市场份额较高的细分市场中，对资金成本变化的转嫁幅度更小。

理解这一结论需要先了解信用卡市场的结构。发卡行并非在一个无差别的全国性市场中竞争，而是针对特定类型的借款人设计产品和定价。行业报告、监管指引和学术研究均记录了按信用风险、收入水平、卡片特征和获客渠道进行的市场细分。一位优质借款人通过线上渠道申请普通非联名卡，与一位次级借款人接受预审批的联名卡，属于完全不同的市场。同一家发卡行可以在某个细分市场中占据主导地位，在另一个市场中份额很小。

Herkenhoff 和 Morelli 据此将全国市场划分为960个细分单元，组合了四个信用评分组、卡片与产品类型、获客渠道以及基于借款人邮政编码的收入组。在数据中，一家发卡行平均每周在约200个这样的市场中运营。在每个市场内，发卡行的份额定义为该市场中的收入占比。

他们首先使用美国货币监理署（OCC）收集的机密账户级数据，观察利率与市场份额的关系。将账户按收入、信用评分、卡片类型等特征精细分组后，组内平均年化利率与组内发卡行平均市场份额呈正相关，相关系数为54%。也就是说，在特征相似的借款人中，由份额更高的发卡行提供的卡片利率也更高。

但相关性不等于因果。高份额市场可能恰好在某些未观测维度上不同。为了获得更直接的证据，作者转向一个自然实验：当发卡行的资金成本发生外生变化时，它在高份额市场和低份额市场中的定价调整是否不同？

他们聚焦于2008年1月，当时联邦基金利率出现了最大幅度的意外下降之一（25个基点）。对于新发卡账户，发卡行在发卡时选择初始利率及其相对于基准利率的加点。作者比较同一发卡行在利率意外变动前后几周新发放的卡片，剥离所有市场共同的利率变动，并控制借款人信用评分、收入和卡片类型等可观测差异。剩下的就是同一发卡行、同一外生冲击下，高份额市场与低份额市场之间的转嫁差异。

结果非常清晰：在联邦公开市场委员会（FOMC）事件后两周，同一发卡行在高份额市场的利率转嫁幅度比低份额市场低20%。以10%的平均调整后年化利率为参照，每1个百分点的无风险利率变动，发卡行在高份额市场的利率调整比低份额市场少约2个百分点。换言之，资金成本下降时，高份额市场的借款人获得的利率降幅更小。

这一发现并非仅适用于2008年1月。作者将2008年其余月份的大幅意外变动合并后，结果仍然显著。当纳入2008年至2019年间所有符合条件的无风险利率上升和下降事件时，估计值有所缩小，但统计显著性保持。

从读者角度看，这项研究揭示了一个在控制借款人风险特征后依然显著的定价机制：信用卡利率的差异不仅来自谁在借钱，也来自谁在放贷、以及放贷者在特定细分市场中拥有多大的定价权。对于关注消费者信贷市场结构、银行竞争与利率传导的读者而言，这提供了一个可检验的因果框架——市场份额越高，利率对资金成本变化的弹性越低。

当然，这项研究也有明确的边界。作者承认，高份额市场与低份额市场之间可能存在未观测到的系统性差异，这些差异本身也会影响利率。此外，研究关注的是新发卡时的初始定价，而非存量账户的利率调整。这些限制意味着结论适用于发卡定价环节，不能直接推广到所有利率变动场景。

英国人工智能大臣Kanishka Narayan近日在议会答复中承认，过去两年政府广泛引用的“AI将为英国经济带来4000亿英镑增益”这一数字，主要源自一份由谷歌委托、咨询公司Public First（现称PF Global）于2023年发布的报告。Narayan表示，政府自己的最新评估认为，到2030年AI和数据投资带来的经济增益约为550亿至1400亿英镑，中心估计值为1200亿英镑，远低于此前宣传的4000亿英镑。

这一披露揭示了公共政策制定中对行业资助研究的依赖问题。尽管政府部门和机构在过去两年间一直使用4000亿英镑这一数字来安抚公众对AI导致失业和经济崩溃的担忧，但官员们实际上早在2025年11月就已获知较低的内部估算值。负责学徒培训的政府机构Skills England甚至在四个月后仍继续发布旧数据。

PF Global首席经济学家Jonathan Dupont解释称，差异部分源于政府对AI采用速度的看法变化。该咨询公司在2023年的模型假设了更快的技术普及率，而政府目前的估算基于更慢的实际采用速度。Dupont强调，他们的研究是独立的，所有判断和假设均由其自行做出。

反对党及监管机构对此提出批评。保守党贵族Lord Holmes指出，政府应更早澄清数据来源，因为数十亿英镑的公共资金部署依赖于稳健的数据。工党议员、科学、创新和技术委员会主席Dame Chi Onwurah则认为，过度夸大技术收益会破坏数字化转型的正当性，政府需对公众保持透明。

Ada Lovelace Institute的政策分析师Sumedha Deshmukh警告称，许多看似精确的AI经济数据往往内嵌了假设和行业激励，政府应在制定政策前测试这些数字的来源和假设，并资助独立研究以验证承诺的收益是否真正兑现。

美国半导体与基础设施软件公司博通（Broadcom Inc.）宣布扩展其VMware产品组合，重点在于简化人工智能工作负载的部署、加强基础设施安全性以及提供更低成本的虚拟化选项。此次更新涵盖了旗舰私有云平台VMware Cloud Foundation（VCF）以及针对小型客户的新产品vSphere Express。

在AI部署方面，博通推出了“AI Infrastructure Quickstart”自动化功能，将vCenter集群部署、vSphere Supervisor激活和VMware Kubernetes Service集群配置整合为单一工作流。据博通云平台、基础设施和解决方案营销副总裁Prashanth Shenoy称，这一变化旨在让用户在几分钟内完成初始配置，取代了以往繁琐的手动步骤。此外，已在VCF 9.1.1中可用的多租户模型共享功能允许不同业务部门使用集中部署的AI模型，同时保持独立的安全边界，从而减少GPU需求并降低总体拥有成本（TCO）。

为了覆盖更广泛的市场，博通还发布了vSphere Express，这是一款基于vSphere 9构建的低成本虚拟化平台，专为处理器核心数不超过128个的小型环境设计。该产品包含实时虚拟机迁移、高可用性和分布式网络等基础功能，但去除了大型私有云平台的复杂组件。Shenoy表示，许多客户仅需基础虚拟化服务，无需购买昂贵的完整云平台，vSphere Express提供了升级路径，让客户随需求增长逐步过渡到更大平台。尽管具体定价未披露，但官方称其价格将显著低于高端产品。

其他更新还包括通过VMware vSAN提供原生S3兼容对象存储，以支持依赖非结构化数据的AI应用；以及在VCF核心中集成灾难恢复功能和机密计算支持。这些举措反映了博通试图将VCF定位为传统虚拟机、容器和AI工作负载的统一基础设施平台的战略意图。