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

2026-11-0585 篇

刷新

国际清算银行工作论文:银行资产份额低估了数字化冲击,收入池争夺或达四成

专题 · BIS稳定币跨境支付研究结构性
2026-11-04 20:00

国际清算银行(BIS)11月4日发布工作论文1391,作者为货币与经济部运营主管Christian Schmieder、金融稳定研究所高级顾问Renzo Corrias和Oliver Wünsch。论文的核心发现是一个容易被忽视的区分:数字化冲击的真正战场不在资产端,而在收入端。

论文将150多个司法管辖区约9000家银行按规则方法分类为三种传统商业模式和三种新兴技术驱动模式,结合20年银行级数据,设定四种情景——缓慢转型、技术加速、平台扩张和政治不确定性——来推演十年后银行核心功能的归属。作者明确声明,该框架用于结构化专家判断,而非产生预测。

关键结论是:在所有四种情景中,传统银行保留约四分之三的银行体系资产,新兴技术驱动模式仅占3%至27%(趋势基线约3.5%)。但论文指出,资产份额低估了实际变化。新进入者可能夺取支付、贷款发起、分销、咨询和手续费收入,而传统银行保留资产负债表。技术驱动模式可能争夺约40%的收入池。

这一区分的投资含义在于盈利质量的变化。当手续费和平台收入取代净利息收入时,银行盈利波动性上升;数字渠道使存款流出更快,缩短了从融资压力到资本压力的传导路径。论文还指出,运营和第三方依赖度增加,对中型银行形成额外压力。

论文提出四项在所有情景下均适用的监管优先事项:重新评估存款流出假设、加强运营和第三方韧性、将弱盈利视为偿付能力风险、改善新兴模式的数据。其他措施将视具体情景而定。

需要强调的是,该论文是工作论文而非政策决定,作者观点不代表BIS或其成员央行立场。框架的情景路径取决于对技术、监管、消费者偏好和宏观金融条件组合的专家判断,不同输入可能产生不同结果。对于银行股投资者而言,该论文提供了一个重新审视资产份额稳定是否等于盈利稳定的分析视角。

信息源:Bank for International Settlements

研究

纽约联储研究:同一发卡行在高份额市场少转嫁20%的资金成本下降

专题 · 信用卡利率转嫁与市场份额实质变化
2026-11-04 20:00

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。

信息源:Liberty Street Economics

研究

英国AI大臣承认4000亿英镑经济增益估算源自谷歌委托报告,内部估值仅1200亿

专题 · 英国AI经济增益争议实质变化
2026-11-04 21:49

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。

信息源:WIRED

研究

博通扩展VMware产品线:推出AI快速部署工具及面向小型环境的低成本虚拟化平台vSphere Express

专题 · Broadcom实质变化
2026-11-05 01:00

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。

信息源:SiliconANGLE

研究

富兰克林邓普顿推出比特币股息再投资ETF,将股票分红自动转化为加密货币敞口

实质变化
2026-11-04 03:30

美国资产管理公司富兰克林邓普顿(Franklin Templeton)于2026年10月29日正式推出了两只新型交易所交易基金(ETF):富兰克林美国股票比特币DRIP指数ETF(NASDAQ: FBEQ)和富兰克林美国创新比特币DRIP指数ETF(NASDAQ: FIBT)。这两只基金的核心创新在于其“股息再投资计划”(DRIP)策略——它们不将股票分红用于购买更多股票,而是系统性地将其转换为比特币敞口。

FBEQ追踪约500只美国大盘股,而FIBT则聚焦于纳斯达克的100家创新型企业。在初始配置上,两者均保持95%的股票仓位和5%的比特币仓位。为了控制风险,基金每季度进行再平衡:如果比特币敞口超过5%,将被削减至4.5%;若低于或等于5%,则维持不变。这种结构旨在让投资者在保留传统股市收益的同时,通过复利效应逐步积累数字资产。

然而,这一策略伴随着显著的权衡。与传统的股息再投资相比,比特币的高波动性意味着这部分资金可能面临更大的回撤风险。截至2026年11月初,比特币价格较2025年10月的历史高点下跌约38.5%,处于所谓的“加密寒冬”中。尽管基金的分配上限限制了单一资产的集中度,但无法消除市场整体下行时的损失风险。对于风险承受能力较高且投资期限较长的投资者而言,这是一种自动化积累比特币的手段;而对于保守型投资者,这可能增加了不必要的组合波动。

信息源:MarketBeat

研究

开发者发起OccupySaaS项目,用AI克隆Auth0和Salesforce等商业服务

专题 · OccupySaaS项目快讯
2026-11-04 19:30

据Tom's Hardware报道,一个名为OccupySaaS的新开源项目已启动,其目标是用AI工具对常见的商业软件即服务(SaaS)进行“净室”重新实现。该项目试图为Auth0和Salesforce提供免费的开源替代品,分别命名为ZeroAuthy和SalesCompel。

由于这些商业服务运行在厂商服务器上,无法直接反编译二进制文件,开发团队依据公开文档、API规范和开放标准来指导AI生成代码。项目强调严格的伦理边界:所有工作必须是完全独立的净室重实现,禁止使用任何前雇主的机密信息或源代码,也不得复制UI资产或商标。

技术选型上,项目主要使用Go语言,以便将依赖项编译为单一二进制文件,方便通过Docker容器等方式进行自托管部署。尽管面临订阅疲劳和价格上涨的用户需求,但此类由社区驱动、依赖AI生成的复杂企业级软件能否达到生产环境的稳定性和功能完整性,仍有待观察。

信息源:Tom's Hardware

研究

Confluent提出Streamhouse架构:AI代理自主行动要求数据从描述过去转向运行当下

实质变化
2026-11-04 23:52

Confluent在2026年11月发表的一篇博客中提出了一个判断:当AI代理不再只是帮人回答问题,而是自主执行业务决策时,数据过时的后果发生了质变。过去,过时的数据或不准确的理解只会导致错误答案,人可以纠正、追问或忽略。但当代理在没有人工检查的情况下行动,错误数据不再产生错误答案,而是产生错误行动——发错一笔信用、承诺一次交付、放行一批货物,事后纠正数据可能无法撤销已经发生的动作。

这个判断的前提是AI的角色正在变化。Confluent认为,生成式AI已经从起草和摘要,发展到编写代码和执行复杂任务,现在人们告诉代理要做什么,让它自行决定怎么做,包括做出过去需要人在环路中完成的决策。人仍然设定方向和边界,但决策本身可以以机器速度发生。

Confluent指出,现有企业数据架构大多是为描述过去而设计的——无论是几分钟、几小时还是几个月前的状态。现在人们要求同一套架构帮助运行当下。把数据在几秒内送入流、湖仓或数仓并不够,因为快速摄入不等于快速行动。信息必须连同其含义和上下文,以决策所需的速度被处理和提供。

基于这一问题,Confluent将解决它的架构命名为Streamhouse,并给出三个要求。第一,始终最新:从历史构建状态,然后随变化持续维护,保留回放、纠正和重新计算的能力。第二,去中心化:操作和分析系统保留各自的职责,在不先整合到单一物理平台的前提下共享和复用状态及其含义。第三,任务关键:驱动生产决策的信息必须满足正确性、可用性、安全性、恢复性和可追溯性的要求。

Confluent承认,Streamhouse的底层技术已经存在。连接器捕获操作变更,持久事件骨干使变更可处理和回放,有状态处理持续维护业务状态的有用表示,共享语义模型连接跨系统的业务定义,治理和血缘提供控制和可追溯性,服务系统以流、查询、API和表的形式提供维护后的状态。这些能力可以用Kafka Connect、Apache Kafka、Apache Flink、Apache Iceberg等不同技术实现,Streamhouse不规定特定技术栈。

文章列举了三个案例说明这一模式已在生产中形成。Siemens Healthineers使用Apache Flink在数据到达数仓前处理和丰富操作数据,通过共享流骨干支持多个下游消费者,消除了Snowflake前昂贵的多小时批处理重算周期。Neuron Systems使用持久事件流协调提供实时体育解说的AI代理,让印地语、西班牙语和英语解说员基于同一底层比赛状态对同一动作做出反应,防止跨代理的矛盾解说。Yelp独立描述了其使用AWS服务、Apache Flink和Apache Paimon的streamhouse架构,不依赖Confluent,将分析数据延迟从约18小时降至分钟级,存储成本降低80%。

2026年9月,Aiven、Confluent、Redpanda、StreamNative和Ververica组成了Streamhouse工作组,为该架构建立开放定义。Ververica最初创造了这一术语,创始成员同意将其免费供所有人使用。

Confluent的商业立场是明确的:它声称自己的数据流平台提供了构建Streamhouse最完整、最高性能、最开放的平台,并列举了Kafka、Flink、Stream Governance、Lightning Tables和Tableflow等产品作为各能力的实现。文章末尾包含标准的产品方向免责声明。

对从业者而言,这篇论述的实际价值在于它区分了两个常被混淆的概念:数据新鲜度和数据可操作性。把数据快速搬到一个地方不等于让软件能够基于正确的业务含义行动。Streamhouse的三个要求提供了一个评估框架——你的数据架构是否能在决策截止时间内提供带有正确语义和完整上下文的状态,是否允许系统在不被强制整合的前提下共享这一状态,以及这一状态是否达到生产级可靠性。这三个条件各自对应不同的技术选择和组织约束,把它们放在一起审视,比单独优化延迟或单独强化治理更容易发现缺口。

需要保留的边界是:这是一篇厂商文章,其架构定义与自身平台产品之间存在结构性利益关联。工作组由提出者和潜在实现者共同组成,开放定义的实际约束力和行业采纳程度尚待观察。Confluent将Streamhouse描述为一种持续捕获、处理、治理和服务当前业务状态与上下文的架构,使其跨分布式系统可供应用、AI代理和分析使用——这一定义本身既是技术主张,也是其平台产品的定位框架。

信息源:Confluent

研究

Ai2获谷歌资助开发NeuralGCM+,结合物理与AI模拟长期气候趋势

专题 · NeuralGCM+实质变化
2026-11-04 16:00

非营利人工智能研究机构Ai2于2026年11月4日宣布,获得Google.org数百万美元三年期资助及Google Research的技术支持,共同开发开源气候模型NeuralGCM+。该项目旨在将物理方程与人工智能结合,模拟大气与海洋的耦合动态,以提供更快速、可靠的长期气候预测。

与传统气候模型计算成本高昂或现有AI天气模型仅关注短期(数天至数月)不同,NeuralGCM+的目标是预测未来几十年乃至本世纪中叶的区域温度和降雨趋势。这一能力对于水资源规划和社区适应气候变化至关重要。

技术层面,NeuralGCM+基于Google Research现有的NeuralGCM架构进行扩展。该架构利用物理方程模拟大规模动力学,同时使用AI处理云形成和降雨等小尺度过程。Ai2计划将其与海洋和海冰模型连接,以捕捉海洋吸收和重新分配热量对长期气候的影响。此外,团队还将改进模型在GPU上的性能,并开放代码和工作流,以便外部研究人员参与训练和贡献代码。

尽管Ai2此前发布的ACE模型已证明AI可将特定实验速度提高约100倍,但纯数据驱动的模型在预测未见过的未来气候时存在局限。NeuralGCM+的混合设计试图通过简化AI的学习问题来解决这一挑战,但实现可靠的未来预测仍是核心研究任务。

信息源:allenai.org

研究

vLLM发布Kimi K3.1 Pro首日支持:稀疏注意力与打包KV缓存提升长上下文推理效率

专题 · 月之暗面Kimi模型系列实质变化
2026-11-04

开源推理引擎vLLM于2026年11月4日宣布为月之暗面(Moonshot AI)的Kimi K3.1 Pro模型提供首日支持。该模型拥有2.8万亿总参数(1040亿活跃参数),支持100万token上下文窗口,其核心架构变化在于在所有24层全注意力层中引入了稀疏注意力(DSA)。

vLLM的技术实现重点包括:首先,采用打包KV缓存机制,将MLA潜在向量、索引器键和KDA状态统一存储在一个连续块中,支持FP8或NVFP4量化格式,显著降低内存占用并提高服务密度;其次,引入令牌分片预填充(Token-sharded prefill),在340K token长度下相比头分片方法TTFT提速最高达1.69倍;第三,结合解码上下文并行(DCP)与稀疏索引器,使注意力模块速度提升1.3至1.5倍,并在GB300 GPU上实现每用户高达375.9 tokens/s的吞吐率。

此外,vLLM首次实现了零不匹配强化学习(Zero-mismatch RL),确保训练器与推理引擎生成的log-probs逐位一致,从而在PPO训练中保持KL散度为零,提升了RL训练的稳定性。这些优化已在NVIDIA GB300/Rubin、AMD MI350系列、Google TPU及阿里巴巴平头哥PPU上验证可用。

信息源:vllm.ai

研究

腾讯发布Hy4大模型:首次引入计算机使用能力,参数达7700亿

专题 · 腾讯Hy4大模型实质变化
2026-11-05 00:05

中国科技巨头腾讯控股(Tencent Holdings Ltd.)于2026年11月4日发布了其最新的大语言模型Hy4。该模型首次在Hy系列中引入了“计算机使用”(computer-use)能力,通过先进的视觉理解、推理和工具调用,旨在实现长周期的智能体(agentic)性能表现。

据SiliconANGLE报道,腾讯表示Hy4相比8月28日发布的Hy4 Preview版本有显著的性能飞跃。新模型拥有7700亿总参数和490亿激活参数,支持100万token的上下文窗口,这一规模与当前欧洲和中国开发者提供的开源前沿模型(如Mistral AI、Moonshot Technology和Z.AI)处于同一水平。

腾讯称其在预训练和后训练阶段均进行了大规模扩展,并在指令遵循、长上下文理解、智能体长周期任务和深度研究方面取得了进展。公司还指出,此前版本在“思考”过程中存在过度推理和过度验证的问题,新版本对此进行了优化。

在实际应用方面,Hy4重点提升了工作场所协作、人类体验和专业工作的生产力。腾讯特别强调了其在网页开发、文档摘要、视觉创意任务以及前端和游戏开发方面的能力。针对复杂的游戏逻辑、状态管理和编排,腾讯称Hy4集成了Unreal Engine、Unity和Godot等主流引擎,并声称在GameDev bench和GameLogic基准测试中分别比预览版提高了19.1%和9.8%,尽管具体的基线数值未公开。

此外,腾讯利用Hyra 2.0自主AI研究代理系统推进了递归自我改进(Recursive Self-Improvement),以增强研发能力。目前,Hy4已在腾讯云TokenHub、WorkBuddy、CodeBuddy、Yuanbao、企业微信AI助手等平台上线,并通过OpenRouter等第三方渠道提供访问。定价方面,输入token约为每百万0.90美元,输出token为每百万2.70美元,缓存输入token为每百万0.045美元。Flash版本计划近期发布,模型权重和系统卡也将在未来几天内开放。

信息源:SiliconANGLE

研究

体验管理公司Qualtrics CEO Jason Maynard:禁用'headless'一词,押注嵌入式洞察

专题 · Qualtrics实质变化
2026-11-04 23:13

2026年2月,Jason Maynard接替Zig Serafin出任体验管理公司Qualtrics的CEO。上任九个月后,他做了一个看似微小但指向明确的决定:在公司内部禁用'headless'这个词。'我不许任何人把headless放在任何一张幻灯片上,'Maynard对diginomica说,'因为那不是我们的产品战略,不是我们的愿景。'他给这个词起了个对仗的别名——brainless。

这不是对屏幕和仪表盘的怀旧。Maynard承认,随着AI代理承担越来越多工作,人们登录应用查看报表的场景确实在减少。他反对的是'headless'这个词背后的架构含义:它暗示你买了一个系统,就可以把里面的数据和逻辑全部抽出来,让外部代理随意消费。'如果头没了,大脑也就没了,'他说。在Maynard看来,这个叙事把客户关系的控制权拱手让给了第三方代理——那些试图插在品牌和用户之间的个人AI助手,正在被品牌方集体拦截,这恰恰暴露了问题所在。

Qualtrics的替代方案叫'嵌入式洞察'。Maynard预计,未来某个时点,公司90%到95%的输出将不再以仪表盘形式存在,而是以'洞察令牌'的形式嵌入到决策发生的地方——CRM系统、客服工单、营销自动化平台,甚至第三方代理。2026年9月,Qualtrics发布了新的XM Data & AI平台(计划2027年交付),围绕三项能力构建:模拟(在承诺之前测试一个决策会如何落地)、预测(使用小语言模型预判特定个体可能的反应)、以及可信结果(在任何行动到达真人之前,先对照组织自身规则进行校验)。关键区别在于:数据和推理逻辑留在Qualtrics平台内部,只把经过校验的最终洞察送出去。

Maynard举了一个航空公司的例子:一个常旅客计划决定谁获得升舱,背后有一套不可协商的确定性业务规则。问题在于,这些规则是否应该被蒸馏出来、嵌入到某个前沿大模型实验室的框架中?他认为大多数组织不想这样,因为'那是我们的知识产权,是重要的东西,要留在自己的框架里'。这引出了他所说的'逆流'——当前企业客户同时面对两股相反的力量:一方面,体验期望的扩散速度超出所有人预期,消费者在某处获得一次好体验后,就默认所有接触点都该如此;另一方面,对AI的信任反而在下降,对数据主权的诉求在上升。两件事同时为真。

这也是为什么Maynard坚持用'trusted outcomes'而不是单说'outcomes'。Qualtrics过去用三个词描述自己做的事:倾听、理解、行动。新平台加上了两个词:模拟、预测。但'可信'这个限定词是后来才加上去的。'如果不写trusted,只写outcome,没有意义;如果只写trust,也没有意义,'他说,'必须是这两个东西绑在一起。'他补充了一句带有行业批评意味的话:'任何组织——无论政府还是商业——都不能靠供应slop来经营。Brainless、headless的slop。你的生意,完了。'

销售对象也在变化。Maynard提到,过去十五年每个业务线各自采购SaaS应用的模式正在收拢。他引用了一位COO的话:过去有3000到4000个应用,现在缩减到800个。CIO、首席数据官或首席AI官正在进入采购决策的对话,不再只是HR和客户体验负责人。Qualtrics为此增加了具有跨职能高层销售经验的go-to-market领导层。'AI只有在跨孤岛推理时才能起作用,'Maynard说,'而一个以跨孤岛推理为卖点的供应商,需要坐在拥有所有孤岛的人面前。'

需要指出的是,文中引用的客户成果数据均为厂商自报:TruGreen称使用Experience Agents后升级投诉减少30%、留存率提升8%;Trillium Health Partners称将患者反馈响应周期从三个月缩短到24小时内可被管理者采取行动。XM Data & AI平台尚未正式交付,上述策略的实际效果有待2027年验证。但Maynard的论证本身提供了一个具体的分析框架:当企业评估任何声称'headless'或'agent-ready'的平台时,真正需要追问的不是'能不能接入',而是'谁在控制推理过程,什么被交出去了,什么被留下了'。

信息源:diginomica

研究

《视觉注意力的循环模型》:用强化学习模拟人类“扫视”以突破卷积网络算力瓶颈

核验于 2026-11-05 00:00

长期信息 · 《Recurrent Models of Visual Attention》(2014)

在计算机视觉领域,卷积神经网络(CNN)虽然取得了巨大成功,但其计算成本高昂。正如论文《视觉注意力的循环模型》(Recurrent Models of Visual Attention)指出,将CNN应用于大图像时,计算量随像素数量线性增长,导致训练和测试耗时极长。为了解决这一问题,谷歌DeepMind的研究团队受人类视觉感知启发,提出了一种新的循环神经网络模型。

人类在观察场景时,并不会一次性处理整个画面,而是通过选择性地将注意力集中在视觉空间的特定部分,逐步积累信息来构建内部表征。这种机制不仅节省了“带宽”,还通过忽略无关背景(即“杂乱”)降低了任务复杂度。该论文的核心贡献在于将视觉注意力建模为一个序列决策过程。模型被称为循环注意力模型(RAM),它像智能体一样与环境交互,每一步只通过一个带宽受限的传感器(Glimpse Sensor)提取局部高分辨率信息,并结合过去的注视点决定下一个关注位置。

由于选择注视点的过程不可微分,研究团队采用强化学习方法进行端到端训练。具体而言,使用反向传播训练神经网络组件,利用策略梯度(Policy Gradient)解决控制问题中的非可微性。实验表明,该模型在杂乱图像分类任务上显著优于CNN基线,并能动态跟踪物体而无需显式监督信号。这一方法证明了基于注意力的模型在处理复杂背景和扩展到大尺寸输入图像方面具有潜力。

对于希望理解如何将强化学习引入视觉系统、或探索高效图像处理架构的研究者和工程师来说,《视觉注意力的循环模型》是一篇重要的经典文献。它清晰地展示了如何通过模拟生物视觉机制来优化深度学习模型的效率与鲁棒性。建议从摘要和第3节“循环注意力模型(RAM)”开始阅读,重点关注其架构设计与训练流程。这篇发表于2014年的论文至今仍是理解注意力机制与强化学习结合的重要基石。

信息源:《Recurrent Models of Visual Attention》(2014)

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系