阅读

中国人工智能实验室月之暗面（Moonshot AI）正在寻求通过位于欧洲的数据中心获取英伟达（Nvidia）先进芯片的使用权，以应对美国的出口限制。据CNBC周四报道，四位知情人士透露，今年已就月之暗面从在欧洲设施中托管英伟达图形处理单元（GPU）的新云服务商处租赁算力进行了讨论。由于涉及私人信息，这些消息人士要求匿名。

英伟达在最强芯片领域的有效垄断地位，使美国出口管制成为华盛顿保持其在人工智能竞赛中对华优势的关键工具。包括OpenAI和Anthropic在内的美国AI实验室正与中国开发者进行训练和价格战，其中月之暗面开发了Kimi系列模型。尽管美国法律禁止将英伟达最先进芯片直接运往中国，但通过海外数据中心的远程访问提供了一个漏洞。现行法律并未赋予监管机构广泛权力来控制企业通过海外云服务访问这些芯片。

据报道，月之暗面希望租赁由英伟达Blackwell系统驱动的算力，这些芯片目前受出口管制限制。两位消息人士称，月之暗面主要关注用于推理（即向最终用户提供服务模型）的集群，另一位消息人士则表示也意识到对训练集群的兴趣。一位消息人士指出，双方讨论了租赁包含8,000或更多Blackwell GPU的集群安排，并将这家中国AI实验室描述为在追求更多算力方面“非常激进”。

为了在欧洲租赁英伟达算力，中国AI公司通常需要从能够购买先进芯片的非中国新云服务商或数据中心运营商处租用容量。一位消息人士称，有提议让月之暗面比非中国客户支付高出30%至50%的预付款。与新云服务商和融资公司合作的中国客户安排可能在前期更具吸引力，因为这些公司希望对冲未来可能禁止远程访问协议的风险。

这一动向发生在白宫于7月声称月之暗面已通过泰国设施访问英伟达Blackwell芯片之后。当时月之暗面未予置评。此外，《金融时报》周二报道称，英伟达已告知云提供商，其必须将至少51%的服务销售给非中国客户。英伟达发言人回应称：“如果全球云依赖外国制造的芯片，模型和应用层也将由外国构建。”

当企业将AI智能体从试验推向生产流程时，治理往往成为最薄弱的环节。SAP网络安全与合规顾问Srinivas Nandiwada在2026年ASUG Tech Connect的专题讨论中，展示了一套分层智能体治理框架，试图回答一个实际问题：智能体上线之后，谁来管、怎么管、管什么。

Nandiwada的方法将治理拆分为若干层级，每一层设有向上一层的升级路径，并与EU AI Act等现行法规对齐。他给出的具体工件清单包括：在LeanIX中维护智能体活跃注册表；为每个智能体要求部署清单，且变更智能体范围必须经过重新审批；为每个智能体完成一份系统卡片，定义其所有风险暴露面和作用边界；在每个智能体上线后建立监控框架；保留所有智能体行为的审计日志。

这套框架中有一条原则性判断贯穿始终：安全与治理不是阻碍，而是赋能。Nandiwada特别建议，将风险最高的智能体率先纳入框架进行验证，而非从最安全的任务开始。他还提出一个与EU AI Act一致但颇具争议的准则：完全自主的智能体只能用于低风险、有边界任务，绝不可用于影响人的决策。

文章也记录了现场客户的真实状态。Nandiwada指出，目前仅少数组织具备智能体上线后的监控能力。一位客户建议用LeanIX开始编目智能体，甚至包括你目前可能无法控制的那些；另一位客户则表达了在不受EU AI Act约束时如何获得安全治理内部支持的困惑。讨论中有人提出，可以围绕其他新兴法规或潜在受影响方的当前责任暴露来构建安全案例。

这套框架的边界同样值得注意。它来自SAP一名合规顾问在单一客户活动中的陈述，文章本身并未提供该框架被独立验证有效性的证据。Nandiwada的方法论价值在于将抽象的治理原则转化为可操作的工件清单，但企业能否真正落地，仍取决于自身的数据基础、流程成熟度和人员技能——正如文章反复强调的，客户必须自己拥有策略和数据。

美国半导体制造商美光科技（Micron Technology）已暂停其在台湾桃园市的Fab 11E工厂建设。据彭博社报道，由于公司与桃园劳工工会未能就更清晰的利润分享条款达成协议，该工地的活动已基本停止，仅保留轻微的安全工作。

美光尚未就这一停工举措发表正式声明，但已告知当地官员有关暂停施工的情况。公司表示：“台湾在美光的全球布局中扮演着重要角色，我们今天的运营照常进行。”并补充说对维持客户业务连续性充满信心。

此次停工发生在美光与工会谈判的关键时刻。此前，美光宣布了一项可能高达部分合格员工五年年薪的奖金计划，并与规模更大的台中工会达成了协议，尽管部分成员对结果表示不满。然而，桃园工会仍在争取更好的条件，双方定于11月6日再次会面。上个月，桃园工会甚至发起了一天的罢工，以展示其决心及若要求未获满足可能对运营造成的干扰。

包括美光、三星和SK海力士在内的三大内存芯片制造商的员工近期纷纷抗议，要求从人工智能内存芯片热潮带来的巨额利润中获得更大份额。SK海力士同意向员工每人支付5万美元，今年每位员工将获得47.7万美元的奖金，明年可能高达90万美元。三星代工工人也争取到了平均34万美元的奖金，避免了大规模罢工。

虽然美光正在日本规划HBM工厂，在新加坡推进240亿美元的开发项目，并在美国各地建设设施，但桃园工厂的停工凸显了劳动力成本上升和劳资关系紧张对AI硬件供应链扩张速度的潜在影响。

2026年11月5日，中国科技公司阿里巴巴发布《阿里巴巴AI向善行动报告2026》。这是该公司连续第二年发布此类报告，重点阐述了在AI智能体时代，技术发展需满足“社会可接受、环境可承载、经济可持续”三个条件。

在环境承载方面，阿里云智能集团全球数据中心总经理王朝阳披露了关键运营数据。阿里云自建数据中心的算力密度已从两年前的约0.8kW/㎡提升至4.5kW/㎡，并预计到2027年3月底达到9kW/㎡。过去一年，其自建数据中心清洁电力占比已达到73.6%。在水资源利用上，今年自建数据中心平均WUE（水资源使用效率）为1.198升/度，其中风冷主导园区低至0.205升/度。此外，阿里云通过模块化建设将数据中心项目交付周期压缩至100天。

报告还展示了医疗AI从风险筛查走向临床辅助的具体案例。达摩院资深算法专家张灵介绍，阿里的癌症筛查模型覆盖范围已从单一癌种扩展至胰腺癌、胃癌等消化系统高发癌症。在一项结直肠癌前瞻性试验中，对29783例CT影像进行AI分析，判定阳性597例，经临床复核后确诊病变17例，并发现了部分原有标准流程未识别的病例。该模型利用患者已完成的CT影像重新分析，无需增加额外检查或辐射。

另一项应用是“氢离子”医学AI助手，由阿里健康CTO王祥志负责。该平台将医学文献、临床指南和证据分级体系纳入模型工作流程，目前已有约300名医生参与专家团队审核，平台日均产生数十万次查询。此外，守忆科技CEO刘思哲分享了AI语音认知障碍早筛项目，通过合成语音补充训练数据，模型在真实样本上的实验准确率从81.67%提升至85.83%，已在社区筛查出多名潜在风险人群。

Yuriy Nazarenko 在乌克兰敖德萨郊外祖父的公寓里，靠香烟、薯片和啤酒度日，用四块屏幕逐像素伪造护照。一块开着 Telegram，一块在 Photoshop 里铺满一张护照扫描件。他编辑 MRZ 代码、把别人的脸合成进去、调整每种护照的尺寸和印刷特征。一份高质量假证件要磨上一周，他有时连续坐十二个小时以上。

这种手工艺无法规模化。Nazarenko 先做了模板加速，但仍是瓶颈。他的下一步是建一个网站，让客户输入个人信息后自动填充到假证件模板中。再后来，生成式 AI 开始普及，他把它也接了进去。OnlyFake 由此成型。

OnlyFake 产出的不只是证件扫描件，而是模拟真实拍摄场景的照片——假证件摊在沙发上、地毯上或桌面上，仿佛有人从钱包里拿出来用手机拍了一张。需要一张加州驾照照片去开加密货币账户？一张英国护照去海外注册公司？一张社保卡？都可以。结果是那些不存在的人、不存在的证件，却能骗过验证人员和自动扫描系统。

美国司法部在 Nazarenko 认罪公告中称，OnlyFake 以每份 15 美元的价格售出超过一万份假证件，营收超过一百万美元。任何人不需具备 Nazarenko 那样的手工技艺，就能批量产出数百甚至数千份假证件。这直接威胁了金融机构的 KYC（了解你的客户）体系——当任何人花几美元比特币就能拿到一张照片时，身份验证的前提是否还成立？

Nazarenko 在采访中说，北韩虚假 IT 工人使用过他的网站。他最初在 2024 年 404 Media 首次曝光 OnlyFake 时惊慌失措，销毁了笔记本电脑和邮件，换了新手机，偏执地担心当局随时会破门而入。欺诈帝国的压力把他推向了毒品。最终 FBI 逮捕了他，他入狱一年，刑满后又在美国被 ICE 拘留了数月。

他 28 岁，目前在亚洲生活，第一次公开讲述自己的经历。他给出的反思是：OnlyFake 让他第一次看到一个小互联网项目如何迅速变成全球性事物，也以一种极其痛苦的方式教会他，当某件事的规模增长快于你对后果的理解时会发生什么。

Capgemini集团首席战略与开发官Fernando Alvarez提出了一个具体判断：企业智能体AI系统的难点不是模型，而是运营模型。他的意思是，即使模型能力足够强，如果团队无法控制智能体能访问哪些系统、无法观察每一步执行发生了什么、无法用自有数据评估变更效果，那么演示就永远停留在演示阶段。

这个判断并非孤例。航运公司CMA CGM的AI副总裁Julien Smadja提到，他们与Mistral工程师合作构建的AI系统覆盖货物放行、客户协助和物流订单等关键流程，每个新自动化流程从开发到生产就绪的时间从数月缩短到数周。Gualtiero Bazzana（ExCom成员兼首席AI官）则指出，大多数工业AI项目仍卡在试点阶段，他的团队计划用Mistral Studio为客户的工程和研发部门构建智能体与工作流，把试点推进到生产。

Alvarez所说的运营模型，在Studio此次更新中有对应的技术设施。OpenTelemetry追踪显示每次运行的每一步，包括模型调用、工具使用和审批节点，让团队能看到流程在哪里变慢或失败；评估功能允许在发布前用自有数据集测试提示词、模型或工具的变更；访问边界则限定智能体只能触达企业主动连接的系统。

这些机制的共同逻辑是：把信任从对模型的抽象信心，转化为对具体执行路径的可检查证据。一个智能体替工程师调查生产事故时，它需要遵循团队的操作手册、在采取敏感行动前请求人工批准、将发现发布到Slack——每一步都留下可审计的痕迹。工程师接手时已有上下文，而不是从零开始。

但需要注意，这些引语和案例来自Mistral自身的产品发布博客，合作伙伴的选择和表述框架由供应商控制。Alvarez的论点本身具有独立的解释力——它指向一个被广泛观察到的现象：企业智能体AI试点到生产的鸿沟往往不是模型问题，而是工程化问题——但将其解决方案框定为特定平台的功能，是供应商叙事的自然延伸。运营模型这个概念的价值在于它命名了一个真实约束；它的局限在于，命名者同时也是该约束的解决方案提供者。

数字智能已经能写代码、做数学、生成视频，物理智能却仍然在抓取一个杯子时磕磕绊绊。这道鸿沟是当下AI领域最常被提及的结构性问题之一。在2026年11月举行的世界顶尖科学家论坛第二届国际工程智能大会上，AI公司智象元一（HiDream.ai）创始人兼CEO梅涛给出了一个具体的架构回答：三条技术路线——大语言模型、多模态模型和具身大模型——并非彼此孤立，长远来看终将汇流，走向他所称的智能体化全模态世界模型（Agentic Omnimodal World Models）。

梅涛将这一架构拆为三个功能组件。第一是LLM，充当智能体的决策大脑，负责理解意图、生成推理和制定任务规划。第二是Omni-Model，即通用世界模型，扮演世界模拟器的角色：基于LLM给出的意图，模拟物理世界的运行，推演行动带来的后果，并预判下一步动作。第三是Embodied Context，具身上下文，对接真实物理环境，负责执行具身行动，同时将真实观测数据回传，用于校准世界模型。

三者协同的关键主张是 One Token Space, One World——在同一个Token空间里，思维世界与物理世界实现统一。这意味着文本、图像、视频、空间、位姿、力触、传感器等所有模态共享一套表征，而不是各自为政。智象自研的原生全模态（Unified Transformer）架构正是这一主张的工程基础。

需要明确的是，这是一家公司在行业会议上的架构愿景陈述，而非经过独立验证的研究结果。梅涛并未公开任何基准对比数据或第三方复现来证明这一三组件方案优于其他世界模型路径。他引用的背景数据——如OpenRouter统计的中国周Token调用量达93万亿、OpenAI一次性公开377项数学成果——属于媒体转述的行业上下文，不是该架构本身的实验证据。

英国国家网络安全中心（NCSC）负责人Richard Horne在周二发布年度网络报告时警告，英国可能在2028年前遭受针对其关键基础设施的人工智能驱动网络攻击。他指出，犯罪团伙和国家行为者正在越来越多地使用AI来扩大网络攻击的规模和效率。

Horne特别提到，近期欧洲多地超市冷冻柜被黑客入侵导致温度升高、食品解冻的事件，暴露了运营技术（OT）领域的巨大风险。这些攻击并非由复杂的AI直接发起，而是利用了长期未更新的遗留控制技术和默认密码。然而，AI工具能够自动化扫描和发现这些“被容忍太久的漏洞”，并以以前无法想象的程度加以利用。

报告中强调，中国是英国面临的最复杂且持久的网络威胁，俄罗斯和中国均常规性地使用AI追求地缘政治目标。除了数字系统，AI还被用于增强勒索软件等现有战术。Horne呼吁企业停止依赖廉价且过时的技术，必须解释为何在缺乏网络安全投资的情况下仍维持运营，否则可能面临服务中断甚至破产的风险。

英国政府计划在极端高温夏季引发大规模野火后，加强AI在应急响应中的应用。据TechRadar报道，英国首相Andy Burnham预计将在周五于国家局势中心举行的韧性峰会上宣布这一计划。

该新设的AI部门将作为内阁危机管理委员会（COBRA）的一个分支，旨在结合卫星图像、早期检测系统和军用飞机，以加快对难以到达地区野火的响应速度。皇家空军（RAF）的Chinook直升机和A400M运输机将配备新的专业消防设备，首次从空中应对野火。

Google、Airbus和VodafoneThree等科技与航空航天公司预计将参与此次公告。政府表示，该AI单位将帮助“更快发现和扑灭火灾”。此前，英国已计划建设价值1亿英镑的AI生物安全实验室，并致力于成为全球AI强国。

背景是英国经历了有记录以来最热的夏季，数千英亩土地被毁，全国发布紧急警报，甚至有一场野火在距离Sizewell B核电站仅数公里处燃烧。

智东西11月5日报道，上海视频生成基础模型创企Sand.ai（三呆科技）宣布完成2亿美元（约合人民币13.34亿元）A+轮融资。这是该公司2026年完成的第三轮融资，10个月内累计融资额达3亿美元（约合人民币20.01亿元）。Sand.ai没有公布融资后估值，但该公司称本轮融资后正式跻身独角兽行列。

本轮融资由基石资本、网宿科技联合领投；时代资本、磐霖资本、东证资本等机构参投；天创资本携山东铁投产投、山东铁路基金战略参投；浦东创投、上海国方等上海国资背景机构加入；经纬创投、华业天成、中科创星等老股东持续加注。Sand.ai称，融资资金将主要用于视频基础模型研发、训练与推理基础设施建设、产品迭代及全球市场拓展。

Sand.ai于2024年1月启动，总部位于上海，专注于视频生成基础模型及应用产品研发。其创始人兼CEO曹越拥有清华大学软件工程博士学位，曾任微软亚洲研究院主管研究员、北京智源人工智能研究院视觉模型研究中心负责人，也是曾被美团收购的AI大模型公司光年之外的联合创始人。曹越参与提出Swin Transformer等视觉模型相关研究，其中Swin Transformer获得ICCV 2021 Marr Prize。

在技术路线上，Sand.ai持续推进视频生成模型架构演进，已从自回归生成、音视频联合建模拓展至千亿参数级MoE模型。2026年8月，该公司发布并开源了MAGI-2 Preview，成为全球首个将视频生成模型扩展至千亿参数规模并开放模型权重的团队。该模型采用超细粒度MoE架构，总参数约114B，单次前向计算仅激活约6B参数。此外，Sand.ai推出的视频生成产品VidMuse上线两个月后，年化经常性收入（ARR）突破千万美元。

完成本轮融资后，Sand.ai将继续推进下一代大规模视频模型研发，加快开源基础模型和应用产品落地。在视频生成模型竞争持续升温的背景下，该公司能否将模型能力转化为稳定的产品收入和海外市场份额，将成为下一阶段的主要看点。

HubSpot CEO Yamini Rangan在最新季度财报沟通中阐述了一个明确的战略取舍：为客户消除定价摩擦、打包摩擦和AI采用摩擦，即使这意味着短期内购买周期延长和收入承压。她的核心论点是，企业客户正在以不同方式评估AI——他们要求看到AI在自己的数据和环境中实际运行，要求先证明再购买。HubSpot选择顺应这一转变，推出免费试用和与价值及结果挂钩的定价，而非试图用传统订阅模式锁定客户。

这一判断背后是对企业AI采购行为变化的观察。Rangan指出，AI决策已不再是单纯的技术选择，而是战略选择，因此采购委员会更大，涉及CEO、CTO和董事会成员。HubSpot的应对方式是在交易周期更早阶段接触高级决策者、引入多方干系人并带来技术专长。她报告的一个关键数据是：在拥有五名以上采购委员会成员的交易中，当HubSpot主动引入多方参与时，赢率提高了近三倍；涉及C级高管的交易也表现出更高的成交率。

但试用增长本身不等于收入转化。Rangan承认，智能体试用在过去三个月增长了64%，但客户需要实际操作支持才能将试用转化为真实成果。HubSpot的策略因此分为两个市场：向上市场（企业级），依靠合作伙伴和解决方案顾问进行人工陪跑，在试用启动一周后回访、确认结果清晰并跟进；向下市场（中小客户），则投入大量资源简化产品体验，通过智能体引导让客户只需提供邮箱即可获得日历并尽快看到结果，不依赖人工介入。

在定价模式上，HubSpot正经历从第一阶段到第二阶段的演进。2024年的第一阶段降低了席位定价、取消了销售和客服Hub的席位最低要求并引入核心席位，初期客单价下降但吸引了更多客户并改善了留存。现在进入的第二阶段目标是席位加信用的混合模型：席位提供平台AI和数据访问，信用则随AI价值和客户成果扩展。具体而言，北欧与比荷卢试点取消了独立的Hub订阅，降低从入门到Pro的价格跳跃，并将所有用量功能（邮件发送、工单解决、数据增强、API调用）统一纳入信用。试点结果显示客单价下降但Pro+客户数量上升，信用消耗量达到试点前的两到三倍。

该试点将于第四季度扩展至整个EMEA的新客户，其结果将决定后续向全球推广的节奏。Rangan总结道，HubSpot的目标是让产品更容易购买、让AI更容易采用，并认为现在是消除摩擦、加速AI采用并在AI平台转型早期获取市场份额的时机。她明确表示这是有意的取舍——以短期购买周期延长为代价，换取长期更强的增长和盈利能力。

这一策略的边界条件值得注意。所有报告数据均为HubSpot自报，未经独立验证；3倍赢率改善可能部分反映高意向交易本身更容易吸引多方参与的选择偏差；试点仅覆盖北欧和比荷卢这一较小市场，其客单价下降与Pro+客户量上升的权衡能否在全球规模化复制尚待观察。此外，Rangan本人承认 inbound需求仍承压，公司正通过意图营销、大语言模型连接器和答案引擎优化来分散需求来源，这表明传统获客渠道在AI时代正面临结构性挑战。

这篇由麻省理工学院（MIT）的Aleksander Madry等人于2018年发表的论文《Towards Deep Learning Models Resistant to Adversarial Attacks》，深入探讨了如何通过鲁棒优化来提升神经网络的安全性。研究指出，深度神经网络存在固有的弱点，极易受到对抗样本的攻击——即那些与原始数据几乎无法区分、却能导致模型错误分类的输入。这种脆弱性在自动驾驶、人脸识别等安全关键系统中尤为危险。

为了解决这一问题，作者提出了一个基于鞍点（min-max）问题的统一框架。该框架将对抗训练形式化为一个优化问题：内层最大化寻找使损失函数最大的对抗扰动，外层最小化则通过调整模型参数来降低这一最坏情况下的风险。这种方法不仅涵盖了之前的攻击和防御机制，还提供了一个明确的安全保证目标，即抵抗特定类别（如ℓ∞范数有界）的所有攻击者。

在具体实现上，论文证明了投影梯度下降（PGD）是一种可靠的“一阶对手”，能够有效地解决上述优化问题。实验结果显示，使用PGD进行对抗训练的模型在MNIST数据集上对最强白盒攻击的准确率超过89%，在CIFAR10上也达到了46%。这表明，通过增加模型容量并采用正确的优化策略，可以显著提升深度学习模型的对抗鲁棒性，使其更接近实际部署所需的安全标准。

对于关注AI安全、机器学习理论或需要构建高鲁棒性视觉系统的研究人员和工程师，这篇2018年的经典论文《Towards Deep Learning Models Resistant to Adversarial Attacks》提供了理解对抗攻击本质及设计有效防御机制的基础框架，建议从第2节“An Optimization View on Adversarial Robustness”开始阅读以掌握核心方法论。