阅读

美国云安全与连接平台公司Cloudflare Inc.公布截至9月30日的第三季度财报，营收达到7.825亿美元，同比增长39%，创下近四年来的最快增速。调整后每股收益为38美分，高于去年同期的27美分，也超过了分析师预期的34美分。受此强劲业绩及上调的全年指引影响，Cloudflare股价在盘后交易中飙升超过14%。

公司的年化运行率（Annualized Run Rate）已突破30亿美元大关，当前剩余履约义务（RPO）同比增长37%。尽管股票薪酬支出高达1.741亿美元导致未调整净亏损3410万美元，但调整后营业利润率从15.3%提升至17.5%，显示出运营效率的改善。首席执行官Matthew Prince称这是“Cloudflare历史上最好的季度”，并指出业务已进入增长的“更高档位”。

基于第三季度的表现，Cloudflare将2026年全年营收指引从8月给出的中值上调约9700万美元，至29.63亿至29.64亿美元之间，显著高于华尔街此前预测的28.7亿美元。第四季度指引同样乐观，预计营收为8.45亿至8.46亿美元，调整后每股收益为43美分。此外，公司任命前Splunk首席营收官Christian Smith为新任营收总裁，以加强全球销售运营。

美国云联络中心软件供应商Five9 Inc.于2026年11月5日宣布，将以3.25亿美元的全现金交易收购人工智能原生竞争对手Level AI。该交易预计将在第四季度完成，需满足常规交割条件。Five9表示，此举旨在加强其在客户体验领域的竞争地位，并深化AI人才储备。

Level AI是一家开发联络中心和客户体验智能平台的公司，利用AI支持人工坐席通话、分析交互并提供实时指导。Five9称，Level AI的应用程序目前已在企业客户中投入使用，每年处理超过10亿次客户交互。Five9计划继续将Level AI作为独立工具提供，同时也将其与自家的Genius CX平台集成。

在发布收购消息的同时，Five9公布了第三季度财务结果。公司调整后每股收益为82美分，营收为3.233亿美元，均略高于华尔街预期的80美分和3.183亿美元。然而，Five9对当前季度和全年的指引表现不一：当前季度预期每股收益为88至92美分，低于市场预期的99美分；全年预期每股收益为3.17至3.21美元，也低于市场预期的3.26美元。值得注意的是，全年指引未包含Level AI的任何贡献。

投资者似乎并未认同管理层的乐观情绪。受收购成本（约占Five9三季度末现金及可投资产7.38亿美元的近一半）以及指引不及预期的影响，Five9股价在盘后交易中下跌超过23%。这一反应凸显了市场对大额现金支出及整合风险的担忧。

电子前哨基金会（EFF）在一篇分析文章中提出了一个判断：无论Google把功能叫做AI摘要、知识面板还是AMP，这些动作的核心不是功能性改进，而是把用户锁在Google自己的生态系统里。理解这一点，才能选择比Google更好的服务，从而挫败其反竞争目标。

EFF特别顾问Cory Doctorow将这种模式命名为enshittification——平台逐渐从服务用户转向服务自身商业利益。文章强调，无论新技术的包装多么光鲜，驱动决策的始终是变现逻辑，而非技术本身。

Google搜索历史上有多次类似操作。最直接的例子是把赞助链接和广告放在搜索结果顶部，迫使用户滚动跳过不相关内容才能找到答案。另一种是自我优待：搜索视频时YouTube权重高于竞争对手，搜索新闻时AMP页面把移动端渲染控制权交给了Google，链接也默认变成Google链接。

但更隐蔽的做法是让用户根本不需要离开Google。知识面板就是这种策略的早期形态：在搜索结果页直接展示一段信息，声称已经回答了你的问题。这些面板早于AI热潮，而且并不总是准确的。

EFF认为，当前AI摘要与知识面板本质上是同一件事，只是换了个品牌——因为AI现在是热门话题。区别仅在于：知识面板从具体链接来源提取引用，而AI摘要由模型自行总结，偶尔附带链接。目标本质上相同：让你觉得没必要点击任何链接离开Google，从而增加页面停留时间、广告曝光和收入。

然而最大的讽刺在于，这个策略没有奏效。EFF引用《金融时报》报道指出，用户选择使用AI模式——可能因为已经习惯了从知识面板和AI摘要中获取文本回答而非点击链接——反而导致了更低的广告变现。广告是Google的主要收入来源。和此前的报纸一样，Google发现依赖广告位垄断在技术格局变化中也许并不是最稳健的策略。为了摆脱自己挖的坑，它正在烧钱试图重新夺回优势。

文章最后提醒读者：每次看到这类功能，无论它叫什么名字、声称由什么新技术驱动，记住驱动决策的是Google的货币激励，而非技术本身。你可以选择忽略它、跳过它、禁用它，甚至完全转向其他服务。

美国众议院外交事务、中国问题特别及情报常设委员会的三位共和党主席致函英伟达（Nvidia）首席执行官黄仁勋（Jensen Huang），要求他于11月18日出席一次联合闭门简报。此举旨在回应近期关于英伟达高管与中国情报人员存在密切关系的报道。

据CNBC报道，该信函由众议院外交事务委员会主席Brian Mast、中国问题特别委员会主席John Moolenaar和情报常设委员会主席Rick Crawford签署。议员们希望了解黄仁勋与Megaspeed公司高管Alice Huang的互动情况，以及英伟达针对外国对手间谍活动的安全协议。此前《纽约时报》报道称，美国情报机构发现Alice Huang向北京传递信息，并与黄仁勋建立了“密切关系”。

英伟达发言人对此表示，其区域云客户仅接收普通商业信息，不涉及敏感贸易秘密或国家安全相关内容，并强调与客户会面是CEO工作的一部分。此次简报请求的时间点恰逢英伟达计划于11月17日发布第三季度财报之后，凸显了该公司在AI芯片出口管制及地缘政治合规方面面临的监管压力。

巴西圣保罗一家法院已发布禁令，禁止美国科技巨头Meta将属于三个巴西新闻协会的成员公司的内容用于其人工智能（AI）模型的训练。这一裁决直接针对Meta此前试图通过修改服务条款，强制媒体机构免费授权其内容以换取平台访问权的做法。

据heise online报道，圣保罗第44民事法院法官Guilherme Madeira Dezem批准了由国家新闻协会（ANJ）、巴西广播电视协会（Abert）和国家杂志出版商协会（Aner）提出的临时禁令申请。这些协会指控Meta在其新的企业用户服务条款中，将“免费且无限制地提供受版权保护的材料”作为继续使用其平台的条件。法官在裁决中指出，这种要求构成了明显的权利滥用。

除了暂停相关条款的执行外，法院还禁止Meta对拒绝接受这些新条款的媒体公司进行制裁或惩罚。如果Meta违反该禁令，将面临每天100万雷亚尔（约合16.2万欧元）的罚款。这一决定被视为巴西媒体行业在保护知识产权和维护专业新闻业可持续性方面取得的初步胜利。

亚马逊 Marketplace 的 A+ 内容是产品详情页上的富媒体模块，品牌通过图片、文字和视频组合讲述产品故事。问题在于，单独检查每个素材——图片是否清晰、文字是否有语法错误——会遗漏跨模块的质量问题：比如功能列表宣传 64 盎司容量，而生活方式照片却展示了单人份型号。亚马逊团队的做法是将完整页面渲染为一张快照，让视觉语言模型像顾客一样整体审视。

架构上的核心决策是不微调视觉语言模型。团队认为，用几千个标注样本微调一个基础模型需要 GPU 训练基础设施，且存在过拟合风险。替代方案是保持视觉语言模型和评分提示词固定，让模型按四个维度（视觉叙事、功能呈现、布局、转化优化）各输出 0 到 10 的分数、置信度和自然语言理由，然后将这些结构化输出作为特征，训练一个 CatBoost 梯度提升决策树分类器来预测专家标注的高质量或低质量标签。由于只重训分类器，当标注积累或评判标准变化时，更新只需一个短时 CPU 任务。

视觉语言模型擅长捕捉整体语义和视觉构图，但对细粒度排版可读性不够可靠——文字密度、行间距、字符拥挤程度这些布局信号它容易忽略。团队因此并行运行一个 OCR 模型，从快照中提取文字块及其位置，计算四个可读性指标：文字密度、字符密度、间距和综合可读性。融合模型将视觉语言模型的四个评分和 OCR 的四个指标共八个特征输入同一个 CatBoost 分类器。在 20% 留出集上，仅用视觉语言模型特征的分类器达到 0.89 准确率和 0.90 F1，仅用 OCR 特征达到 0.82 和 0.83，融合后达到 0.94 和 0.95——比视觉语言模型单独使用高出 5 个百分点。

这一方法的生产验证包括：用 SHAP 解释每个特征对决策的贡献，将最负面的特征连同产品类别和最佳实践交给语言模型生成优先级排序的改进建议；在全球 A/B 实验中，根据模型判断调整低质量内容的可见性，带来了订单产品销售额的统计显著提升；使用建议修订内容的卖家平均质量分数提高了 1.4 分（满分 10 分）。需要指出的是，以上所有数字均为亚马逊自报，基于其内部标注和留出集，未经独立复现；标注覆盖 10 个产品类别，方法能否推广到其他多模块内容评估场景尚未验证。

Cult.fit是印度一家技术驱动的健身公司，运营708家健身中心和近百万付费会员。CTO Santhosh Kumar在OpenAI发布的案例研究中描述了一个核心判断：AI落地的瓶颈不是模型能力或工具接入，而是组织能否让非技术人员真正使用这些工具。

他的推进路径分三个阶段。第一阶段是工程内部标准化。此前开发者混用多种编码代理和助手，不同工具意味着不同的仓库结构、代理指令、技能和开发工作流，团队之间难以共享知识和复用能力。Cult.fit选择Codex作为统一基础，将仓库结构、技能、测试、代码审查和反馈循环纳入共同规范。Kumar表示：一旦标准化完成，就能围绕单一平台构建整个软件开发生命周期。

第二阶段是将能力扩展到工程之外。Cult.fit让公司数据更容易被Codex处理，使各团队能够自行查找答案和执行常规分析——此前即使小的数据请求也要通过中央分析师团队，形成瓶颈。HR团队用Codex构建了管理绩效评估、排期、反馈收集和汇总的工作流。非工程团队在近几个月内搭建了20多个内部应用。

第三阶段是组织赋能机制。Kumar强调，让全员使用AI不能只靠发放工具访问权限。Cult.fit的做法是：先举办大型hackathon让员工看到可能性；然后组织管理层一天的工作坊，让各职能领导用Codex构建与自己工作相关的内容；工程团队每周两次开设office hours帮助员工将想法推进到生产环境；同时将工程师嵌入选定职能部门提供技术和领域支持。

在成本节省方面，当内部仪表盘软件费用大幅上涨时，一名工程师用Codex在一个周末重建了该功能，Cult.fit现在运行自己的应用，避免了超过10万美元的年度软件成本。Kumar估计，一个社交信息流项目此前需要一年以上才能完成，使用新工作流后团队在两个月内端到端交付。客服方面，AI代理被整合进Sprinklr平台处理如免除缺课罚款等请求，公司报告支持成本降低超过50%。

需要指出的是，以上数据均来自OpenAI发布的厂商案例研究，由Cult.fit自报。50%的成本降低未披露计算方法、基线构成或是否包含Codex部署本身的成本。20多个内部应用的复杂度和实际使用率也未说明。社交信息流从一年缩短到两个月的对比基于Kumar的个人估计而非可审计的项目记录。这些是厂商案例研究的固有边界：只呈现成功，不呈现失败或总成本。

Kumar将下一步目标描述为autopilot operations org——AI承担更多围绕一线团队的支持工作，以及trainer in your pocket——将个性化指导扩展到人类教练无法覆盖的规模。他的核心论点可以概括为：软件已经被民主化，组织需要配套机制让这种能力真正流动起来，而不是停留在工具许可的发放上。

谷歌（Alphabet旗下）、Meta和TikTok于周三分别向美国加利福尼亚州联邦法院提起诉讼，起诉加州总检察长Rob Bonta，要求阻止一项旨在保护16岁以下儿童免受社交媒体成瘾风险的新州法律——Assembly Bill 1709的执行。

该法案禁止平台向未成年人提供“心理剥削性特征”，如个性化推荐算法和自动播放功能，并要求删除拥有这些特征的儿童账户。三家公司在诉讼中辩称，该法律违反了美国宪法第一修正案的言论自由保护以及《通信规范法》第230条关于平台对用户内容免责的规定。他们主张，该法错误地强迫平台采用加州偏好的内容呈现方式，并以州的判断取代了家长的判断。

谷歌发言人Jose Castaneda表示，过于宽泛的法律破坏了帮助儿童寻找高质量、适龄视频的系统。Meta指出加州不能推翻其对数十亿帖子进行策展和展示的编辑判断。TikTok则声称受保护的言论不能仅因立法机构认为某些想法或图像不适合年轻人而被压制。

加州总检察长办公室周四回应称正在审查这些诉讼，并致力于捍卫加州保护儿童在线安全的常识性法律。AB 1709由州长Gavin Newsom于9月签署，原定2027年1月1日生效，除非法官将其废除或暂停执行。此前，Meta已同意支付高达180亿美元以解决与近所有美国州达成的类似隐私和消费者保护指控和解协议。

美国加利福尼亚州州长加文·纽森（Gavin Newsom）已签署两项关键法案，旨在规范人工智能在职场中的使用。电子前哨基金会（EFF）在2026年立法会议闭幕后的回顾中指出，这两项法律分别是《无机器人老板法案》（SB 947）和AB 1883。

SB 947限制了雇主如何使用自动化决策系统来解雇或纪律处分工人。该法案规定，算法不能是做出这些重大决定的唯一权威，并确保工人获得关于影响他们的自动化决策的关键信息。这意味着在加州，涉及雇佣关系的重大决定必须有人类参与或监督，不能完全由AI黑箱操作。

与此同时，AB 1883禁止雇主使用职场监控工具来预测员工的情绪或收集神经数据。这一条款直接针对了那些试图通过可穿戴设备或摄像头分析员工心理状态、压力水平甚至脑电波的技术应用。EFF认为，这阻止了潜在偏见、侵入性和剥削性的AI监控形式进入工作场所，是保护工人隐私和自主权的重要一步。

除了职场AI监管，此次立法会议还通过了其他数字权利相关法案。例如，SB 747允许公民对违反美国宪法的联邦官员提起损害赔偿诉讼，填补了现有法律在追究联邦执法部门侵犯第一修正案（录制警察执勤）和第四修正案（搜查手机/笔记本电脑）权利时的救济空白。此外，AB 1854和AB 1930加强了加州的“盾牌法”，以保护生殖健康和性别肯定护理相关的医疗记录免受出于政治动机的跨州调查。

然而，并非所有进展都是积极的。EFF批评了通过的AB 1709，这是一项禁止16岁以下未成年人使用社交媒体的法律，认为其切断了年轻人获取信息和建立社区的渠道，且未能有效解决安全问题。同时，旨在更新加州《信息实践法》以覆盖市县政府数据处理的AB 1337未能在参议院通过，导致地方政府的隐私监管缺口依然存在。

Databricks 的 Bruno Tafur 和 Tushar Madan 在 2026 年 11 月发布了一篇面向应用构建者的扩展指南，讨论当一个 Databricks App 从几个用户增长到成百上千时，如何让它保持快速响应和高可用。文章的核心判断是：直觉答案「加更多计算资源」只有在你知道请求的时间花在哪里、以及应用本身是否具备扩展能力之后才有效。

作者将扩展过程分为四个阶段：设计、构建、测试部署和运维。在架构设计阶段，最关键的决策是把应用状态分成两类。软状态是临时工作数据，比如内存中的上下文、缓存和进行中的工作，丢了可以从硬状态重建；硬状态是业务记录、检查点和用户偏好，必须持久化在 Lakebase 或 Unity Catalog 表中，让任何实例都能恢复会话。这个分类决定了水平扩展是否真正可行——如果会话状态只存在内存里，实例重启或迁移时用户就会丢失工作。

文章给出了一个具体的零售商场景来演示如何估算负载：2000 名店长在黑色星期五最忙的一小时里，200 人同时使用库存查询应用，每人每分钟两次查询，每次执行三条 SQL 语句，结果是每分钟 1200 条语句、平均每秒 20 条。作者强调这估算的是查询速率而非并发数，测试时需要验证突发流量和增长，并且单独预算数据库连接。

在连接预算方面，文章给出了一个可操作的公式：当每个 worker 维护一个连接池时，连接数的上限是实例数乘以每实例 worker 数乘以池最大连接数。例如五个实例、每个八个 worker、池上限十，最多可打开 400 个连接。加上其他客户端和代用户打开的连接后，需要与数据库文档限制对比并留出部署期间的余量。对于需要以用户身份查询 Lakebase 的场景，每个用户需要独立的 Postgres 角色，而 Lakebase 每个分支限制 500 个角色，添加实例不会改变这个上限。

构建阶段的核心建议是使用异步代码。大多数应用的时间花在等待外部服务上——SQL 查询、模型调用、外部 API。阻塞调用会让一个等待占住一个执行槽位，少量慢调用就能耗尽容量。当 handler 用 await 等待模型和数据库调用时，一个 worker 可以在等待期间继续服务其他请求。文章还建议用 asyncio.gather 或 Promise.all 并行启动独立查询，让请求耗时接近最慢的那条查询而非所有查询之和，同时限制并行数量避免压垮后端。

关于优雅关闭，Databricks 在重新部署时发送 SIGTERM，如果应用未在 15 秒内退出则发送 SIGKILL。这个窗口用于最终检查点保存，但作者强调重要工作应该在正常运行期间就已保存。对于 FastAPI 应用，建议将 Uvicorn 的 --timeout-graceful-shutdown 设为 15 秒以下（例如 10 秒），防止长时间请求吃掉检查点时间。

在测试部署阶段，作者推荐用 Locust 等工具在预期峰值下用真实用户旅程做负载测试，逐步增加并发用户直到吞吐量不再增长或延迟和错误率突破目标。文章列出了一个决策表帮助选择实例规格：如果请求慢但应用 CPU 低，说明在等后端，应该先修查询或连接池而不是加计算；如果 CPU 接近上限且服务器运行多个 worker，可以升级到 Large；如果是单进程应用（如 Streamlit 或默认配置的 AppKit），CPU 接近上限时应该加实例而非升规格，因为更大的实例只在应用能用上额外核心时才有用。

运维阶段建议保持遥测开启，用自定义 span 包裹 SQL、模型和 API 调用来定位时间消耗，通过 trace 和 request ID 跨实例追踪单个用户的请求。当出现慢请求时，文章提供了从症状到原因的对照表：空闲后首次请求慢指向冷启动，CPU 或内存接近上限指向应用本身是瓶颈，数据库连接超时指向池竞争或长事务。

整套方法的关键前提是：应用计算只负责服务 UI 和协调调用，重活交给专门的服务。长时间运行的工作应该放到后台任务中，让 UI 轮询状态或接收流式更新，而不是让一个请求一直挂着。如果应用需要运行用户编写或代理生成的代码，应该放到 Databricks Sandbox 隔离环境中，使其 CPU 和内存消耗不影响服务用户的实例。

在线旅游平台Airbnb在其第三季度股东信及财报电话会议中宣布，公司正在开发的定制AI旅行代理（AI travel agent）计划于2027年上半年向消费者推出。这一时间表比此前模糊的“明年某个时候”更为具体，标志着Airbnb在人工智能产品化上的关键进展。

Airbnb首席执行官Brian Chesky强调，该代理并非传统的文本密集型聊天机器人，而是基于“生成式UI”（generative UI）理念构建。Chesky指出，旅行规划具有启发性和视觉依赖性，80%的旅行者享受研究行程的过程。因此，该代理将根据用户查询实时组合地图、照片、比较工具、日历和行程单等数百种旅行专用界面组件，以提供更具沉浸感的体验，而非仅通过文字回答。

除了预订功能，Airbnb表示该代理还将协助处理行程中的其他事务，如更改预订、解决支付问题、退款支持以及24小时安全援助。公司认为，这些深度整合的服务是外部通用AI代理难以独立实现的壁垒。

此次产品路线图更新伴随着强劲的财务表现。Airbnb第三季度营收同比增长19%至48.7亿美元，超出华尔街预期。基于此，公司将2026年全年营收增长预期从“中等 teens”上调至“高位 teens”。Chesky称：“Airbnb已重回增长模式”，并表示这是该公司三年来最快的季度营收增速。

对于投资者而言，明确的2027年上线时间和独特的“生成式UI”架构提供了评估Airbnb AI战略执行力的具体锚点。然而，实际市场反应和用户接受度仍需在产品发布后验证，目前尚无法量化其对转化率或长期竞争格局的具体影响。