阅读

据《金融时报》报道，苹果公司（Apple Inc.）在提交给美国证券交易委员会（SEC）的最新年度报告中，首次详细披露了分国别的税务数据。数据显示，新加坡已取代爱尔兰，成为苹果最重要的利润留存和税务优化地点。

这一转变揭示了苹果在全球税收环境变化下的应对策略。根据《金融时报》基于该报告的估算，苹果在2026财年通过在新加坡记录利润，节省了约27亿美元税款。尽管新加坡实施了新的全球最低补充税，导致苹果在该地的税负增加了约25亿美元，但相比其他高税率司法管辖区，其净节税效果依然显著。

报告指出，苹果2026财年的税前利润为1592亿美元，所得税费用为271亿美元，有效税率为17.0%。此前，苹果长期依赖爱尔兰的低税率政策进行税务规划，但随着国际税收改革推进，其架构正在调整。

对于投资者而言，这项新披露提供了更透明的视角，以评估苹果净利润的构成及其对各国税法变动的敏感性。虽然《金融时报》估计有高达500亿美元的利润通过新加坡实体流转，但苹果官方并未直接确认这一具体数字，仅展示了符合新会计准则的分国别税务影响。

RIAA CEO Mitch Glazier在2026年11月The Verge Decoder播客中，具体解释了该组织起诉AI音乐生成公司Suno的法律论证逻辑。他的核心表述是：'我们在法律层面，显然正在以这一先例性诉讼来证明，训练音乐不构成合理使用。'而支撑这一结论的机制，是合理使用四要素中法院认为最重要的第四项——对潜在市场的影响。

Glazier对这一机制的解释是：'你基本上在创造与人类音乐在同一平台上并排竞争的音乐；用户可以点击其中任何一个，支付相同的订阅费。所以你影响了经济池，你在市场上有效地构成了替代。'换言之，替代论证不是与训练问题对立的另一件事，而是证明训练构成侵权的法律工具——因为训练的最终产出（AI生成音乐）直接替代了被训练作品在市场上的经济位置。

这一法律策略嵌在Glazier描述的整体治理哲学中。他说：'我在全球的关注点是：我们是否已经保障了创作者的基本权利？如果我们做到了，粉丝就能接管并驱动市场。'法律行动不是最终目的，而是为市场机制创造运作条件的前提步骤。一旦权利确立，标签化让消费者知情选择、平台竞争推动标准统一、粉丝偏好决定经济走向，这些后续环节才能发挥作用。

Glazier认为，与Napster时代不同，当前AI争议中各方立场趋于一致。他说：'好消息是，不像Napster，我不觉得我们在对立面上。'他将当前战斗定性为'保持艺术的人类性、保持艺术家与粉丝之间联系'，而非单纯的商业模式之争。在他看来，粉丝是最终的市场决定力量——'如果你知道一首歌是AI的，你对它的看法就不同了'，这种偏好差异将驱动经济结果。

在立法层面，Glazier介绍了NO FAKES法案的设计思路。这是一项正在推进中的美国联邦法案（尚未成为法律），旨在为声音和肖像权建立新的知识产权框架。他指出当前法律的实际空白：'美国联邦法律实际上不承认个人对自身声音或肖像的权利，州层面的公开权通常仅适用于广告和代言场景。'

该法案的删除机制（takedown regime）设计吸取了《数字千年版权法》（DMCA）的教训。Glazier描述了三层平衡结构：通知方需要面对门槛（包括虚假通知的惩罚），被通知方有反通知权利，而对于涉及戏仿或新闻等宪法问题的中间地带，设计了由法官快速裁决的临时限制令程序。'没有人希望平台来裁定宪法问题，'他说。

不过Glazier也承认这一策略存在适用边界。他提到：'我认为是华纳与Suno达成了合作；他们在华纳的音乐上训练模型，这样就不会遇到这些问题。'注意这一表述带有不确定性（'我认为'）。如果这种授权模式普及，且生成内容不再在同一平台上与人类音乐争夺同一订阅费，市场替代论证的适用条件可能不再满足。对此他的回应是转向供给端控制：通过许可协议限制AI生成内容的分发范围，防止其稀释人类音乐在流媒体平台上的经济份额。

在标签化层面，Glazier提到加州透明法已要求Suno自2026年8月起添加机器可读的AI生成水印，而Apple与Spotify之间的竞争将推动更广泛的标签实践。但他也坦承，对于DIY创作者通过DistroKid等分发商上传的内容，技术标签链条的完整性仍是未解难题——'你的入口是DistroKid、TuneCore，是分发商。他们是否愿意使用AI检测技术来判定这是完全生成的？'

整体而言，Glazier呈现的分层逻辑是：法律层面通过诉讼确立训练不构成合理使用（以市场替代为论证机制），政策层面通过法案建立声音和肖像权新框架，市场层面通过标签和平台竞争引导消费者选择。三层互为条件——权利未确立则市场无从运作，标签缺失则消费者无法做出知情选择。这一思路的实际效果取决于AI公司是否接受法律结果、平台是否配合标签化、以及授权模式是否会改变替代论证的适用前提。

在线出版平台Medium于周一推出了名为TK的新应用，旨在将人工智能技术更深入地融入写作过程。该应用的核心理念是通过在编辑器本身中整合AI助手，让用户更容易将想法转化为文字。用户只需输入“@TK”后跟请求或提示词，即可寻求帮助。

在出版和新闻业中，“TK”传统上用作占位符，表示待补充的信息（To Come）。Medium赋予了这个术语新的含义，让AI助手帮助用户填补空白。据TechCrunch报道，TK可以回答那些通常需要切换到另一个标签页快速查找的问题，例如特定月份的天数，还能调取用户之前保存在应用中用于构思的片段。此外，TK还配备了编辑反馈、标题反馈以及匹配Medium出版物风格指南的技能。

这一举措正值出版界和文学界对人工智能在新长篇散文创作中所扮演角色进行深刻反思之际。多位作者因被怀疑使用AI辅助写作而失去出版合同，其他文学奖项也因获奖者涉嫌使用AI而受到审查。虽然作家们长期以来一直使用自动化工具进行校对和轻度语法编辑，但业界越来越担心AI助手的“建议”可能取代作家自己的思考，成为写作本身。

Medium选择直面这一争议，认为这些细微差别最终将不再重要。该公司在博客文章中宣称：“人工智能使写作变得更加重要，而不是更不重要”，并指出“AI是一种能够放大人类智能的技术，它以书面语言为基础”。为了应对低质量内容和模糊人机写作界限的担忧，TK允许作者在发布时附上透明说明，解释AI在其写作中的具体使用方式。Medium表示，这是“在AI时代出版所必需的，即让写作的来源清晰、透明且可检查，直至提示词和源材料”。

除了写作辅助，TK还将帮助用户记忆和组织之前的写作内容，并提供写作提示。该应用还可以选择通过MCP服务器或Claude技能连接到用户自己的AI代理，以便更好地理解用户的项目、立场和其他想法。同时，TK包含一个社交层，允许作者分享早期草稿并获得他人反馈。目前TK仅在网页端可用，桌面版已在规划中。对于拥有Medium账户的用户，TK将作为免费工具提供。

美国云计算公司亚马逊云科技（AWS）于2026年11月9日宣布启动“健康影响计划”（Health Impact Initiative），承诺在五年内投入1亿美元的AI、智能体服务及云基础设施资源，以支持解决全球弱势群体面临的关键健康差距的组织。该计划面向非营利医疗机构、政府机构、研究机构及科技公司开放申请，旨在帮助这些组织从原型开发到生产部署阶段构建可扩展的健康解决方案。

这一举措建立在AWS过去五年的社会影响力投资基础之上。自2021年以来，AWS已通过此前的“健康公平计划”等渠道，向80多个国家的600多家健康组织提供了超过6000万美元的技术支持。新计划将重点聚焦三个领域：扩大高质量医疗服务获取途径、推进妇女与儿童健康研究创新，以及改善全球食品营养安全。AWS首席医疗官Rowland Illing表示，尽管生成式AI正在加速诊断开发和临床工作流程优化，但最接近弱势群体的组织往往缺乏获取这些变革性技术的渠道，导致健康差距进一步扩大。

获批组织将根据其估算需求获得相应额度的AWS信用点，初始额度最高可达1万美元，有效期12个月并可延长至24个月。申请流程包括提交拟解决的问题、解决方案提案以及对预期受益人数的评估，每周进行审核。此前已有案例显示，如印度的Akshaya Patra基金会利用AWS技术优化了每日数百万份学校餐食的配送效率，而Eve's Ark则通过AWS保存了超过1PB的女性健康数据以防丢失。

在计算机视觉领域，随着神经网络层数的增加，模型往往面临难以训练的挑战。Kaiming He、Xiangyu Zhang、Shaoqing Ren和Jian Sun提出的《图像识别中的深度残差学习》（Deep Residual Learning for Image Recognition）论文，针对这一核心痛点提出了创新的解决方案。该研究明确指出“Deeper neural networks are more difficult to train”，因此作者引入了残差学习框架，旨在使比之前使用的网络显著更深的网络的训练变得容易。

该方法的核心在于重新定义网络层的角色。传统网络试图直接学习未引用的函数，而残差网络则明确地将层重构为以输入为参考来学习残差函数。这种机制允许网络更容易地优化，并且能够从显著增加的深度中获得准确率的提升。实证证据表明，这些残差网络不仅易于优化，而且在深度大幅增加时仍能保持或提升性能。

在ImageNet数据集上的评估显示，作者测试了深度高达152层的残差网络，其深度是VGG网络的8倍，但复杂度却更低。由这些残差网络组成的集成模型在ImageNet测试集上达到了3.57%的错误率，并赢得了ILSVRC 2015分类任务的第一名。此外，由于极深表示带来的优势，作者在COCO目标检测数据集上获得了28%的相对改进，并在多项竞赛中夺冠。对于希望理解现代深度学习架构基础的研究者和工程师而言，《图像识别中的深度残差学习》这篇于2015年提交、2016年正式发表的论文提供了关于如何通过结构创新突破深度限制的关键洞察。建议从摘要和方法论部分入手，重点关注残差函数的定义及其对优化过程的影响。

在1984年，沃伦·巴菲特发表了著名文章《格雷厄姆-多德都市的超级投资者》，旨在反驳有效市场假说。他通过一个“全国抛硬币比赛”的思想实验指出，如果2.25亿人参与抛硬币，经过20轮后必然剩下215个连续猜对的人。这些人可能会自诩为技巧高超，但如果发现这215人中有40人来自同一个动物园或同一个“智力村庄”，那么这种成功就不能仅用运气解释，而应归因于共同的智力起源。巴菲特认为，这些长期战胜市场的投资者都源自本杰明·格雷厄姆和多德所创立的价值投资体系，即“格雷厄姆-多德都市”。

这些投资者的共同核心理念是寻找企业内在价值与市场报价之间的差异。他们不关注贝塔系数、资本资产定价模型或证券收益协方差等学术概念，而是专注于两个变量：价格和值。例如，沃尔特·施洛斯从未上过大学，但他遵循格雷厄姆的原则，通过查阅手册和年报，寻找那些售价远低于私人所有者估值的证券。他并不担心买入的时间是周一还是周四，也不关心季节性因素，只关心如果一家企业值一美元，而他能以40美分买入，好事就会发生。这种对价格与价值差异的利用，构成了价值投资的基础机制。

另一个关键原则是“安全边际”。巴菲特以华盛顿邮报公司为例，指出在1973年该公司市值仅为8000万美元，但其资产可卖给十位买家中的任何一位，价格不低于4亿美元。如果股价进一步下跌至4000万美元估值，按照传统风险定义（如贝塔值），其风险看似增加，但实际上购买价格越低，潜在回报越高，风险反而越小。这就好比建造一座桥，要求它能承载3万磅的重量，但只允许开1万磅的卡车通过。这种巨大的缓冲空间就是安全边际，它确保了即使估算出现偏差，投资者也不会遭受永久性损失。

对于今天的读者而言，面对信息过载和市场噪音，如何保持理性是一个普遍问题。假设你正在评估一家新兴科技公司，市场情绪极度乐观导致其市盈率高达100倍，而你通过基本面分析认为其合理估值对应的市盈率仅为20倍。此时，尽管短期股价可能继续上涨，但缺乏安全边际意味着一旦预期落空，下行风险巨大。反之，若一家成熟企业的股价跌至其清算价值的50%，且管理层诚信可靠，即便市场暂时忽视其价值，这种价格与价值的显著背离也提供了类似文中所述的安全边际保护。这一情景虽为假设，但体现了原文中关于价格与价值关系的核心逻辑。

推荐所有希望深入理解价值投资本质的读者阅读《格雷厄姆-多德都市的超级投资者》。这篇文章发表于1984年，由沃伦·巴菲特撰写。它不仅澄清了价值投资者并非依靠运气或模仿领袖，而是基于独立的智力判断，还生动地阐释了为何在有效市场理论盛行的时代，寻找价格与价值的差异依然可行。建议从文章开头的抛硬币比喻入手，逐步理解智力起源的概念，再结合具体案例体会安全边际的应用。