阅读

由AMD和Intel领导的x86生态顾问组（x86 Ecosystem Advisory Group）发布了ACE v2和AVX10.3架构规范。尽管目前尚未有支持这些指令集的处理器上市，但这一举措旨在为更远的路线图迭代AVX和ACE技术。

ACE v2在原有基础上引入了降低精度的API，支持新的4位格式并扩展了8位格式能力，同时兼容半精度浮点（FP16）、单精度（FP32）和双精度（FP64）模式。AVX10.3则通过新指令补充通用向量化功能，涵盖FP8到BF16的上转换、新的BF16到FP8转换以及FP16/BF16到INT4的转换。

随着规范的公布，GNU编译器集合（GCC）的补丁已准备好接受审查。得益于Intel编译工程师的工作，针对新ACE指令和AVX10.3指令的补丁系列已经提交。这表明开源编译器支持正在领先于硬件发布，预计支持ACEv2和AVX10.3的CPU将在2028至2029年左右面世。

据Sky News报道，美国对冲基金DE Shaw & Co.正在洽谈领投英国数字银行Monzo的一轮融资，规模至少为3亿英镑，消息人士称总额可能达到5亿英镑。这一融资对应的投前估值约为70亿英镑。

此次融资背景是Monzo此前与巴西金融科技公司Nubank的收购谈判破裂。2024年10月，Monzo在员工股份出售中的估值为45亿英镑。按TFN计算，若加入3亿至5亿英镑新资金，投后估值将达到约73亿至75亿英镑，较2024年估值上涨约56%。

财务数据显示，截至2026年3月31日的财年，Monzo营收为17亿英镑，调整后税前利润为1.726亿英镑。在70亿英镑投前估值下，其市销率约为4.1倍，基于调整后利润的市盈率约为41倍。

DE Shaw管理资产规模达1250亿美元，也是AI公司Anthropic的投资者。报道指出，DE Shaw有支持即将上市公司的历史，这可能使Monzo的首次公开募股（IPO）计划更具可行性。目前其他投资者也在与Monzo进行洽谈，具体条款尚未最终确定。

全球知名漏洞赏金平台HackerOne发布了名为“Benchmarking the Frontier”的研究资料，评估了18个AI模型变体在漏洞发现与验证任务中的表现。结果显示，OpenAI的GPT-6 Astra在HackerOne内部测试环境“Celestia”包含的62个已知漏洞中发现了53个，复现率为85.5%。当结合使用GPT-6 Astra、GPT-5.6 Sol和Anthropic的Claude Mythos 5三个模型时，总发现率提升至98.4%（62个中发现61个）。

然而，发现漏洞并不等同于确认其可被利用。在另一项针对CVE公开漏洞和Web应用报告的对比实验中，GPT-5.5在验证速度上具有优势，比Claude Sonnet 4.6快约3倍，且误报率较低。Claude Opus 4.7则在处理复杂攻击路径时表现更佳，例如能准确识别出服务器端请求伪造（SSRF）虽存在但无法导致远程代码执行（RCE）的情况，从而驳回无效报告。相比之下，GPT-5.5在面对相同输入时可能出现判断不一致，需增加推理资源才能达到类似准确率，但这会显著延长分析时间。

HackerOne强调，优化代理工具链比单纯更换模型更能提升性能。通过添加代码搜索工具和强化补丁比对流程，各模型的验证准确率均从80%以上提升至98%。但AI在识别“业务逻辑漏洞”方面仍显薄弱，这类漏洞不涉及代码错误，而是滥用正常业务流程（如优惠券重复叠加），需要理解服务运营逻辑，目前AI在此类场景下的可靠性较低。

随着AI生成大量低质量漏洞报告，HackerOne平台收到的报告数量自2025年1月以来增长了2.8倍，而有效报告仅增长1.9倍。这迫使安全研究人员将工作重心转向更复杂的漏洞分析和人工验证，企业未修复的漏洞积压量两年内增加了131%，尽管平均修复周期已从135天缩短至62天。

总部位于美国奥斯汀的AI硬件工程智能平台Nominal宣布完成2.4亿美元的C轮融资，投后估值达到30亿美元。本轮融资由Lightspeed Venture Partners领投，Insight Partners联合领投，Lux Capital、Sequoia、Founders Fund以及洛克希德·马丁风投（Lockheed Martin Ventures）等机构参与。

这一估值较该公司在2026年3月设定的10亿美元估值翻了三倍。Nominal旨在将AI引入高风险的物理工程领域，如飞机、卫星和机器人制造。其平台连接分散的工程数据与上下文，允许AI代理在工程师控制下进行复杂分析。目前已有超过80家商业和政府组织使用该平台，其中包括七大国防承包商中的五家。

Nominal联合创始人兼CEO Cameron McCord表示，硬件工程正迎来其“AI时刻”，新资金将用于深化产品功能，并计划通过收购向汽车、机器人和能源等新行业扩张。此前，该公司已收购Fid Labs和Pull Systems以增强其在代理构建和汽车领域的技术能力。

德国软件公司SAP SE（NYSE: SAP）于2026年11月10日宣布，全球生物制药公司阿斯利康（AstraZeneca）正在通过“RISE with SAP”旅程迁移至SAP私有云ERP，从而扩展双方长达二十年的合作关系。这一全量迁移旨在简化并标准化阿斯利康的技术格局，为更敏捷、更具韧性的数字基础铺路。

作为其“Axial业务转型计划”的一部分，阿斯利康正从遗留的SAP ERP Central Component环境转向SAP私有云ERP，以支持企业范围内更标准化的工作方式、统一的数据和互联流程。阿斯利康首席信息官Chris Taylor表示，这一新阶段不仅是技术现代化，更是通过简化运营来释放AI价值的基础，以便更快地将洞察转化为行动。

在AI应用方面，阿斯利康正在探索SAP的一系列业务AI功能，包括行业AI组合、Joule解决方案以及涵盖财务、供应链和制造的代理式用例。这些能力有望提高生产力、加强数据质量与治理，并加速决策过程。此外，SAP业务数据云解决方案可帮助阿斯利康构建干净的数据核心，而SAP绿色账本解决方案则有助于将可持续性考虑嵌入核心业务流程。

2026年11月10日，成立于2026年的中国超导量子计算初创公司正元量子（Zhengyuan Quantum）宣布完成近亿元人民币的天使轮融资。投资方包括深创投、浦东创投、德宁资本等机构，多维资本担任独家财务顾问。本轮资金将主要用于千比特超导量子计算机的研发，加速三维封装、低温互连和集成测控等关键技术的验证。

随着超导量子芯片上的比特数量增加，传统的边缘出线方式面临信号密度和串扰的限制。正元量子的技术路径聚焦于“把连接转向第三个维度”，即利用硅通孔（TSV，Through-Silicon Via）技术在硅基结构中建立垂直电连接，配合三维集成封装，使部分信号能从垂直方向引出。这一方法旨在缓解大规模量子系统中接线边界不足的问题，是迈向千比特整机的重要工程步骤。

公司创始人郑亚锐拥有中国科学院物理研究所博士学位，曾师从中国科学技术大学朱晓波教授，并在头部互联网公司负责过超导量子硬件研发。联合创始人吴大超则参与过中国科大“祖冲之三号”的相关研究。团队背景显示其在芯片设计、工艺制造及系统集成方面具备经验积累。目前，正元量子已获得行波参量放大器和量子芯片等核心零部件订单，并与潜在客户洽谈整机需求。

智东西报道，10月9日，在中国开源操作系统openEuler于Agentic Infra操作系统大会&openEuler Summit 2026媒体预沟通会上，OpenAtom openEuler社区执行总监刘飞预告了该操作系统面向智能体基础设施（Agentic Infra）的技术突破。内容涵盖Agent可观测与安全治理、极速沙箱、智能体记忆系统及KV Cache优化。

刘飞指出，智能体会话可能同时拉起数十甚至上百个任务，传统沙箱启动耗时会导致资源浪费。openEuler计划从文件系统、内存管理和安全机制等操作系统底层进行优化，以实现更快启动和更高密度的并发沙箱运行。

在关键的性能指标上，刘飞称在一项广告业务实践中，openEuler通过优化DDR（双倍数据速率）内存与加速卡之间的数据传输，减少跨节点通信，使KV Cache读写时延下降接近84%，从而提升了广告实时竞价能力。这一数据为社区自报结果，尚未公布具体的测试基准或独立验证报告。

openEuler去年已发布面向超节点的操作系统版本，并将支持Agentic Infra列为重要演进方向。随着AI应用从单一模型调用转向多步骤任务执行，操作系统在任务调度、运行隔离和数据管理方面的作用日益凸显。

扫拖机器人行业十多年来形成了一套高度标准化的工作逻辑：建图、规划路线、遍历房间、按设定频率清扫。这套逻辑把「覆盖地面」当作任务本身，但覆盖只是手段，让地板变干净才是目标。面对打翻的菜汁或含糖饮料，循规蹈矩地跑完一轮未必能真正清除污渍，甚至可能将污物「抹匀」。

戴森在 Dyson Unveiled 全球发布会上推出的 R3 Nurovi Spot+Scrub UV Ai 智能扫拖机器人，试图从设计源头绕开这个矛盾。爱范儿编辑彭海星在实测后指出，这台机器的核心变化不在于吸力数字或滚筒宽度的提升，而在于它把「确保地面干净」设为第一要务，而非「完成一次清扫行程」。

让这一逻辑得以成立的，是一套从感知到验证的闭环。机器保留了戴森 2021 年 V15 Detect 吸尘器上首次使用的绿光显尘技术，通过低角度光线暴露肉眼难以察觉的微尘；在此基础上，新增的 UV 紫外线显渍系统利用荧光效应揭示可乐、牛奶、菜汁、宠物排泄物等液体干涸后留下的半透明残渍。机身上的高清摄像头持续观察地面，将信息交由 AI 探测系统处理——据称可识别近 200 种家居环境中的污渍与物体，并据此做出双向决策：遇到玩具、拖鞋等障碍物时规划路径绕开，遇到污渍时根据内容和地面材质调整清洁策略。

真正改变工作方式的，是戴森称为「洁癖算法」的反馈机制。机器遇到污渍后进行针对性擦洗，再利用「双灯系统」结合摄像头检查清洁结果；如果污渍仍然存在，就继续擦洗，直至识别系统判断可以离开。这意味着机器人的工作不再受限于固定的清扫次数，而是像人做家务一样根据实际情况调整动作。

在机械层面，这套逻辑也得到配合。边刷的工作方式从常规的「高速拍打」改为「向内导引」，刷毛倾角和旋转速度经过严格限制，确保墙边与死角的垃圾被稳稳拨入主刷的负压气流区。处理毛发缠绕时，边刷根部加入类似螺壳和花瓣的软胶结构，缠绕的毛发因失去「支点」而滑脱，被负压气流直接抽入尘盒，不依赖割毛刀片。拖地方面，27 厘米宽的活水滚筒内部集成 12 点位热水喷射系统，通过高频热水润湿与刮条除脏结合，使每一圈旋转接触地面的都是洁净滚筒，避免「用一块脏抹布擦完整间屋子」。

戴森首席工程师 Jake Dyson 曾在采访中回顾称，戴森在机械工程、电机、气流和性能方面历来非常强，而现在加入摄像头和视觉系统，使得机器能够进一步地检测它们所看到的东西、理解环境并据此采取行动。这句话点出了这台产品背后的战略意图：当强大的机械工程有了感知与判断作为支撑，器械便拥有了独立解决问题的智能。

同样的「感知-判断」机制，作者认为既可以处理家居地面，也可以用于识别发质、声音、口腔环境，乃至更宽广的领域。带摄像头的 CameraJet 牙刷和更多带有感知能力的新品正在应运而生。

需要指出的是，以上关于吸力上限（30,000 帕）、识别种类（近 200 种）、集尘周期（100 天免清倒）等数字均为厂商规格或编辑短期使用中的主观观察，并非独立基准测试结果。爱范儿的实测时长远未触及清倒周期上限，也没有与竞品进行同口径对比。这些限制不影响设计逻辑本身的讨论，但读者在评估实际清洁效果时应将其视为归因于单一编辑体验的厂商自报能力。

蓝牙技术联盟（Bluetooth SIG）于2026年11月4日宣布采纳名为“Bluetooth HDT（High Data Throughput，高数据吞吐量）”的新标准，旨在将低功耗蓝牙（BLE）的最大数据传输速率提升至每秒7.5兆比特（Mbps），约为传统标准的4倍。

该标准通过引入一种新的、具有更高稳健性的物理层调制方式来实现这一性能飞跃。除了速度提升，HDT还提高了频谱利用效率，从而扩大了通信容量；同时，更短的传输时间有助于改善能源效率，并增强了通信的可靠性和韧性。

根据规划，基于Bluetooth HDT的首个应用程序将于2027年推出，届时将提供名为“HRC”的新音频编解码器，支持96kHz采样率和24位深度的无损音频传输。详细规格预计在2027年初的美国拉斯维加斯CES展会上公布。此外，该标准也被视为扩展现实（XR）、AI设备、商业及工业解决方案以及可穿戴设备等未来应用场景的关键基础设施支撑。

美国企业软件公司红帽（Red Hat）于2026年11月9日在盐湖城举行的KubeCon + CloudNativeCon北美大会上宣布，其基于Kubernetes的应用开发平台OpenShift迎来重大更新——OpenShift 5。这是该平台七年来首次主要版本升级，旨在通过人工智能简化混合云基础设施的管理难度。

OpenShift 5的核心变化在于将生成式AI助手Lightspeed扩展为具备自主调查能力的“智能体”（agent）。管理员现在可以通过自然语言请求生成系统性能可视化图表，例如查询过去一周的CPU利用率并叠加内存消耗和应用错误。更重要的是，新平台引入了智能体故障排查功能，当集群发生事件时，系统能自动检查相关信息、推理潜在原因并提出补救步骤，但最终执行权仍保留在管理员手中。

在运维层面，OpenShift 5解决了长期存在的升级痛点。红帽混合云平台副总裁兼总经理Mike Barrett表示，此次更新支持从OpenShift 4进行就地升级，用户无需重新安装软件或迁移工作负载。这一改变显著降低了企业运行长生命周期应用和虚拟化基础设施的复杂性。此外，平台还引入了AI驱动的升级规划器，能在更新开始前识别应用程序依赖项和API兼容性风险。

安全性方面，OpenShift 5增强了多租户隔离、网络隔离和自动化证书管理，并特别针对主权云和受监管组织引入了控制平面通信的后量子加密技术。红帽还发布了即将推出的Red Hat Enterprise Linux (RHEL) 10.3和9.9版本，同样强化了防篡改保护、AI辅助系统管理及后量子加密支持。

红帽首席技术官Chris Wright指出，这次更新是将智能注入平台的关键一步，通过简单的界面与自然语言交互实现基于智能体的故障排查。随着企业对GPU资源利用率的关注增加，OpenShift 5还支持跨AI推理和企业工作负载的自动化GPU资源分配，以提升昂贵计算基础设施的使用效率。

英伟达（NVIDIA）、韩国人工智能芯片开发商Rebellions和SK电信于2026年11月10日宣布建立合作伙伴关系，共同开发结合本地设计处理器与英伟达NVLink Fusion互连技术的主权AI基础设施。根据协议，Rebellions的下一代R200神经网络处理单元（NPU）将被集成到英伟达的MGX机架架构中，并计划部署在SK电信的人工智能数据中心。

此次合作的核心在于通过NVLink Fusion实现异构计算互联。Rebellions计划利用该技术以高带宽、低延迟的网络连接其R200 NPU，目标是为包括数万亿参数混合专家模型在内的前沿AI模型提供能效更高的推理服务。英伟达的MGX机架架构将提供标准化的系统设计，其生态系统中的原始设计制造商和组件供应商有望帮助Rebellions加速开发并降低部署复杂性。

双方还计划探索“分离式推理”（disaggregated inference），即将AI工作负载拆分到不同的处理器架构上。在这种提议的方法下，英伟达GPU将负责计算密集的预填充阶段，而Rebellions NPU则管理解码阶段的令牌生成。这种分工旨在提高推理吞吐量和电源效率，解决AI数据中心运营商面临的两大主要挑战。

SK电信计划在其AI数据中心基础设施内部署这些系统，并将硬件与其专有的基础模型（包括A.X K2）以及面向公众的AI服务连接起来。这一举措支持韩国政府支持的“全民AI”（AI for All）项目，旨在加强国内对AI基础设施、模型和服务的控制。韩国科学技术信息通信部正在支持这一合作，作为加强该国主权AI能力和国内半导体行业更广泛努力的一部分。

Rebellions预计其基于R200的系统将于2028年准备好部署，这给合作伙伴留出了开发和验证机架级架构的时间。Rebellions联合创始人兼首席执行官Sunghyun Park表示：“今天的公告标志着一个转折点，通过将韩国的AI硅片和模型与全球系统技术连接，开启了主权AI的新篇章。”

半导体竞争不只看谁的芯片更快，也看谁能把成本、功耗与运算能力配置在合适的位置。英特尔在11月10日的新一代处理器架构说明会上，从Core 3 Series谈到数据中心GPU D系列及下一代Xeon Diamond Rapids，背后共同的问题是：当AI逐渐进入日常工作，使用者究竟需要多少算力，又愿意付出多少成本？

Core 3 Series（代号Wildcat Lake）的策略是减法。它采用英特尔18A制程，最高配置两个性能核心和四个低功耗效率核心，搭配Xe3显示架构与神经处理单元，把新一代核心带进主流价位。但新制程成本不会凭空消失。英特尔电脑通讯事业群产品经理余孝伦表示，主流价位产品不一定只能使用前一代制程。为此，英特尔改采单通道内存、精简输入输出配置，并通过UCIe小芯片互连使用有机基板多芯片封装，降低封装及系统成本。相关调整让运算晶粒面积减少约38%，主机板也能从八层减为六层。这意味着主流产品的价格竞争必须连同内存、板材与零组件一起考虑，不能只看处理器售价。

在代理式AI方面，英特尔业务暨行销事业群商用业务总监郑智成提出一个论点：CPU更重要，不代表GPU不重要。他的逻辑是，代理式AI除了模型推论，还需要一般运算环境执行工具、管理资料及协调任务，因此CPU需求也会跟着增加。这提供了理解服务器需求的新角度，但文章也指出，代理服务的使用量不能直接换算成同等规模的实体核心采购，实际需求仍受同时使用人数、资源调度及任务执行时间影响。

GPU D系列（代号Crescent Island）押注内存容量与部署成本。它采用Xe3P架构，主打推论用途，公布规格包括350瓦功耗、每秒1.5 TB内存频宽，以及1.3 PFLOPS的FP8运算效能。英特尔品牌板卡配置160 GB LPDDR5X，合作伙伴设计最高可达480 GB。大内存的用途不只是容纳模型权重，也包括长上下文所需的键值缓存，以及多人同时使用的工作资料。搭配标准PCIe与气冷设计，英特尔希望降低既有机房导入的门槛。郑智成在问答中厘清，160 GB并非整个系列的容量下限，可能有较小容量版本，但现场举例的128 GB、96 GB尚不能视为正式规格。

下一代Xeon处理器Diamond Rapids采用英特尔18A-P制程，最高提供256个核心、1.28 GB末级缓存、16个内存通道，以及128条支援PCIe第六代与CXL 3.0的通道，并采用Foveros Direct 3D与UCIe-S互连。英特尔宣称18A-P相较18A在相同功耗下效能约提升9%，或在相同效能下功耗约降低18%，但这是制程层级的比较，不能直接当成整台服务器的改善幅度。

这些规格能否转化为稳定供货、成熟软件以及客户愿意采用的价格，仍是接下来的考验。对企业而言，每完成一项任务需要多少时间、电力与费用，才是评估硬体的实际依据。