阅读

英伟达董事会于11月8日宣布对CEO黄仁勋是否成为外国情报行动目标展开独立调查。黄仁勋随后承认与Megaspeed公司高管Alice Huang存在婚外关系，美国情报机构据报认为Huang正向北京传递信息。事件本身已被广泛报道，但围绕黄仁勋去留的多方论据，为投资者提供了一个观察关键人物风险如何被定价的具体窗口。

支持留任的论据集中在两个层面。Atreides Management管理合伙人Gavin Baker称自己认识黄仁勋近三十年，认为黄仁勋始终主张限制对华芯片出口规格以维护美国硬件生态优势，移除他反而可能符合中国利益。Stratechery创始人Ben Thompson则从能力角度论证：AI是美国最重要的产业，英伟达是支撑该产业的核心公司，黄仁勋是其中不可替代的人物，'伟大人物总是有缺陷的'。

反对留任的论据则指向制度层面。The Future Fund管理合伙人Gary Black认为，虽然黄仁勋未犯罪，但其行为准则和判断力将受到质疑，这很可能导致董事会将其免职。Black同时指出，黄仁勋在公司内部缺乏自然继任者，英伟达可能需要从外部引入或指定董事会成员担任临时CEO。The Foundation for American Innovation高级研究员Ryan Fedasiuk指出，此事无法与公司向华出售先进芯片的更广泛公关危机割裂，且涉及英伟达客户这一事实将招致国会审查。Yorkville Ives合伙人Dan Ives称这是黄仁勋声誉上的'黑眼'时刻，将引发多项国会调查。

值得投资者注意的结构性矛盾在于：Baker和Thompson的'不可替换'论据，与Black指出的'缺乏自然继任者'构成同一问题的两面。'黄仁勋不可替代'既是对能力的肯定，也是对继任安排脆弱性的描述。Ives报告的投资者预期——大体认为黄仁勋会留任但已计入小概率免职——实际上是在为这种单点依赖定价。

黄仁勋本人的表态和外部政治回应也构成论据的一部分。黄仁勋承认了婚外关系，英伟达董事会表示正在调查他是否为外国情报行动的目标。特朗普在周日对记者表示黄仁勋'做了非常出色的工作'，称其为'一个体面的人'，并认为他'可能有一个理由'。当被问及是否后悔没有根据情报采取行动时，特朗普明确表示'不，我不这么认为'——这是一个主动判断而非回避。这些表态降低了即时免职的概率，但未消除制度性风险。

对AI产业投资读者而言，这一辩论的实际意义不在于预测黄仁勋是否留任，而在于理解：当一家公司的核心战略判断——尤其是对华芯片出口政策——高度依赖单一个人时，该个人的任何非经营事件都会成为整个AI供应链预期的风险变量。Baker警告移除黄仁勋可能有利于中国，这一判断本身假设了黄仁勋的个人决策是英伟达对华策略的唯一有效约束，而这恰恰是投资者应当质疑的前提。

日本空气调节与通风设备制造商Kuken Industries宣布，其工程师现在使用一款基于OpenAI API构建的工具，能在4.5分钟内找到替换零件所需的工程图纸，而此前这一过程平均耗时近一小时。该案例由OpenAI于2026年11月9日发布。

Kuken在冷却塔市场占据日本较大份额，其档案库涵盖了70年的安装记录。由于不同客户和安装日期的规格各异，新工程师往往需要依赖资深同事的指导才能定位正确的图纸。为解决这一问题，Kuken与日本AI初创公司Recursive合作，利用OpenAI模型测试并构建了新的搜索系统。

据Kuken报告，该系统允许工程师输入零件号或上传图纸截图，自动返回可能的匹配项。公司预计该工具将在一年内减少约90%用于搜索图纸的时间。此外，Kuken正在开发另一款工具以自动检查合作伙伴提交的图纸差异，原型测试显示AI标记的问题中约90%为真实差异。

2025年3月，美国对加拿大和墨西哥实施25%全面关税。此后两国对美出口出现了方向相反的总量走势：截至2026年4月的12个月中，加拿大商品对美出口较2024年全年下降约10%，墨西哥却上升约16%——尽管墨西哥面临的平均有效关税率更高。美联储理事会研究人员Chris Avalos、Musa Orak和Avani Pradhan在2026年11月发布的FEDS Notes中提出了一个核心问题：这种总量反差是否意味着关税对加拿大有效、对墨西哥几乎没有影响？

他们的发现是：在总量分化之下，两国存在一个共同的部门模式。在加拿大和墨西哥各自内部，关税暴露程度更高的部门在2025年3月冲击之后确实经历了更弱的对美出口表现。USMCA合规豁免和针对金属、汽车的专项关税使不同部门的暴露程度差异很大，而这种部门间差异在两国均转化为可观测的出口分化。

具体估计显示，部门间10个百分点的关税暴露差异，在加拿大约对应5%的出口减弱，在墨西哥约对应12%。研究团队指出，墨西哥较大的估计响应可能与其平均关税更高、暴露分散在更多部门有关。但他们同时强调，两国估计值之间的差异在统计上并不显著，因此不能确定墨西哥暴露部门对关税的敏感度确实高于加拿大。

在部门分布上，加拿大的关税响应集中于钢铁、铝和铜——即金属专项关税覆盖的部门；墨西哥的暴露则更为分散。原文在此处截断，未完整呈现墨西哥部门分布的具体描述。

该研究使用2024年固定美国进口篮子计算有效关税率，反映的是截至2026年6月的已宣布关税和豁免，而非2025年后实际贸易结构的动态调整。

在工业现场，一个错误的数字可能让维修团队跑错机器。CrossnoKaye 在其 AWS 技术博客中描述了这个具体风险：大语言模型擅长理解工程语境、规划调查步骤，但无法对数百万传感器读数可靠地执行统计计算或物理平衡。如果让模型直接'算'出结果，它可能误命名一列数据、截掉一段时间窗口，或者以破坏下游图表渲染的格式输出。

CrossnoKaye 的解法是把'想'和'算'彻底分开。其 agentic 系统 AURA 让大模型负责规划调查路径——比如'先加载过去 24 小时 94 个工厂的关键报警，再按设施、规则和间隔时间分组，最后区分重复触发的单一规则和多种设备同时故障'——但所有实际数字计算都在 Amazon Bedrock AgentCore 的隔离 Python 微虚拟机中执行。模型写代码，沙箱跑代码，验证器检查输出。

验证机制分三步。第一，在分配沙箱之前，Sandbox Orchestrator 服务验证输入契约，最多将 50 个数据集（物理 I/O、合成读数、设定值日志、报警历史、电价表）暂存到微虚拟机工作区。第二，沙箱内部附加一个确定性验证器，检查模型声明的每个输出表是否以 pandas.DataFrame 形式存在于内存中，所有必需列和类型是否匹配，然后直接序列化为 Apache Parquet 二进制文件——而不是解析自由格式的标准输出文本。第三，如果脚本抛出异常或缺少必需列，没有任何未经验证的数字会到达用户；Temporal 工作流捕获错误信息作为结构化重试提示，让代理修正 Python 逻辑后在干净沙箱中重新计算。

这个设计让一个具体场景成为可能：一位运营总监要求 AURA 审查 94 个工厂过去 24 小时的所有关键报警并识别主要机械风险。代理在沙箱中加载报警摘要，按设施、规则和间隔时间分组。Python 分析区分出一个工厂 103 次关键触发来自两条重复的储罐液位规则，和另一个工厂 58 次触发在氨检测、蒸发器故障和热气阀之间一秒内密集出现——后者指向级联设备故障，需要安全团队立即介入。

但仅有可验证的计算还不够。文章用采石场的例子说明了另一半问题：一个骨料采石场运行初级、次级和三级碎石机，一个班次内后半段产线跳了两次。操作员在控制室看到次级碎石机故障，清除报警重启产线，几小时后又跳了。仅看历史数据的时间戳，次级碎石机在三级之后几秒故障，看起来像是碎石机本身的问题。AURA 之所以能给出正确诊断，是因为它同时读取了传送带布局和已部署的基础控制联锁逻辑：三级碎石机下方的循环皮带打滑，触发了三级的过载联锁；该联锁的上游安全联锁随即停掉次级碎石机，防止把石头堆到停转的下游设备上。维修人员检查皮带，几分钟内确认并修复了打滑。

CrossnoKaye 强调，这个诊断能力来自一个前提：设备拓扑、基础控制逻辑和传感器数据在同一个系统中。如果代理只能看到历史数据的时间戳，它无法追踪实际的控制逻辑链条。这也是为什么文章把'先统一设备模型和控制逻辑，再添加 AI'列为第一条经验教训。

安全方面，这套架构依赖四层独立防线：Amazon Bedrock Guardrails 评估每个提示和完成；AgentCore 沙箱在隔离环境中运行，没有到工厂设备的网络路由、凭证或 API 路径；边缘 Kubernetes 集群上的基础控制叙述执行确定性状态机守卫、变化率钳位和联锁，不能被云服务或 AI 代理绕过；最底层是物理机械和现场布线的硬接线保护。自动化例程严格以只读模式运行，任何设定值变更都需要操作员以企业身份明确批准。

CrossnoKaye 自报的结果包括：APC 应用将生产吞吐量提高 11–17%，平均降低总设施能源成本 21%；批干燥时间标准差降低 34%；在采石场运营中识别出每年超过 50,000 吨的可回收生产差距。这些数字来自公司自身报告，未经独立验证。

这套架构的适用边界也很明确：它要求企业已经拥有从边缘控制到云端优化的完整平台。CrossnoKaye 的 ATLAS 同时管理设备模型、基础控制软件、历史数据库和优化应用，所以 AURA 在单一安全边界内原生访问工厂的完整运行状态。对于大多数面临'螺栓式'接入挑战的工业 AI 项目——控制逻辑锁在专有 PLC 代码中，各系统使用不同命名约定——先统一设备模型本身就是需要数年完成的工程任务，不是添加一个 AI 代理就能跳过的步骤。

美国人工智能公司OpenAI于2026年11月9日宣布，其面向企业的产品套件ChatGPT Enterprise现已在亚马逊网络服务（AWS）的Marketplace平台上架。这一举措旨在通过整合企业现有的AWS采购和计费关系，简化大型组织发现、购买和管理ChatGPT Enterprise的流程。

根据OpenAI发布的公告，AWS客户现在可以通过单一的渠道获取与直接从OpenAI购买相同的模型、特性和功能，包括ChatGPT、ChatGPT Work、Codex以及dots等产品组件。新功能的发布节奏也将保持一致。更重要的是，符合条件的支出可以直接计入企业在AWS上的承诺消费额度（commitments），这意味着企业无需启动新的独立采购程序即可利用现有的云预算来部署AI工具。

AWS Marketplace及合作伙伴服务副总裁Matt Yanchyshyn表示，企业希望在团队中广泛部署AI而不增加新的采购层级。通过AWS Marketplace提供ChatGPT Enterprise，客户可以在其AWS账户内完成购买，并将其与其他软件支出一起管理，从而加快从评估到全面推广的速度。

OpenAI云合作伙伴董事总经理Chris Grusz指出，这一合作强化了AWS与OpenAI的组合价值，使联合客户能够通过他们信任的云提供商引入ChatGPT，简化了采用路径。

值得注意的是，此次上架的是ChatGPT Enterprise应用层产品，这与此前OpenAI模型在Amazon Bedrock上的API访问方式形成互补。开发者仍可在Bedrock中使用OpenAI模型构建应用程序，而业务团队则可通过Marketplace直接订阅Enterprise版本用于日常工作。

一个看似简单的任务——把加热后的杯子放进柜子——暴露了长程AI智能体的一个隐蔽失败模式。南开大学博士生、阿里云算法实习生罗宇在论文配套博客中描述了这个案例：智能体先把杯子放进微波炉，再放进柜子，然后开始反复检查柜子，重复了36次直到行动预算耗尽，任务始终没有完成。缺失的关键步骤是加热杯子，但智能体的操作日志一直在增长，看起来始终在工作。

罗宇与来自南开大学、阿里云、清华大学的研究团队将这一问题形式化为信念陷阱：智能体持续与环境交互，但其目标相关信念的演化不再产生有意义的任务进展。这不同于简单的重复动作——多次调用同一工具可能是在收集不同证据，每步用不同工具也可能始终回避关键问题。

他们提出的PoS框架的核心思路是：不再让智能体从散落的交互历史中重建当前理解，而是显式维护一个信念状态，同时记录现在世界是什么样和还缺什么。现在世界是什么样用实体、状态和关系来组织：杯子、微波炉、柜子是实体；杯子是否已加热、微波炉是否关闭是状态；杯子在哪里、谁拿着它是关系。每个状态和关系保留其来源、置信度和支撑证据，供后续核查。还缺什么分为两类：认知缺口是需要进一步澄清的信息，成就缺口是需要通过行动改变的状态。当多个未解决需求并存时，PoS选取一个活跃缺口作为当前行动焦点。

信念状态由模型生成，本身可能包含错误判断。因此PoS在每次新观测后生成候选更新，提交给信念哨兵核查：更新是否内部一致，是否有交互证据支撑。例如，同一微波炉不能同时被记录为开和关，仅观察到杯子被放入微波炉不足以将已加热记为既定事实。只有通过验证的状态才进入后续决策。

在可靠状态的基础上，PoS用三个互补信号构建信念健康度来检测陷阱：缺口持久性衡量哪些需求在整个窗口中始终未解决，进展停滞衡量窗口内多少转换没有记录有效进展，信念重复衡量与历史信念状态的循环程度。当健康度低于0.25时，系统判定智能体已陷入陷阱，启动诊断。

恢复不是笼统地告诉智能体换个方法试试。PoS沿两个维度诊断：行为模式（静止、循环、漂移）和受阻缺口类型（认知或成就）。对静止陷阱，约束抑制无效的状态-动作重复；对循环，打断重复转换；对漂移，将行为重新对齐到活跃缺口。同时必须配对一个进展要求：获取有区分力的证据，或产生与目标相关的状态变化。在杯子任务中，仅告诉智能体停止检查柜子不够，后续行动还必须推进杯子变热这一未满足需求。

在四个基准和三个基座模型的12组设置中，PoS取得了所有比较方法中最高的总体指标。以Qwen3.7-Plus为例，ALFWorld任务成功率从最强基线的72.39%升至88.81%。但代价是推理计算量显著增加：在RCA-100设置下，PoS将联合准确率从24.27%提升至38.83%，而方法级总token消耗达到基线的5.06倍。

罗宇在博客中也坦承了局限：信念健康度识别的是进展停滞，不能直接验证最终答案是否正确；即使内部一致且与观测兼容的信念状态，仍可能因领域知识不足而包含错误判断。论文讨论的两个未来方向——更紧凑的潜在世界状态表示，以及将领域知识检索引入状态更新——都指向降低这一额外推理成本。

据Tom's Hardware报道，华为（Huawei）已推出其首批搭载自研10核处理器及专有HarmonyOS操作系统的桌面个人电脑。这一举措被视为中国在被制裁背景下寻求技术主权和国内供应链安全的重要一步。然而，这些机器是否真正“完全自主”仍存在争议。

此次发布的机型为华为擎云HM650和HM650g，配备16GB LPDDR5内存（可能由中国长鑫存储CXMT制造）以及256GB或512GB固态硬盘（可能由中国长江存储YMTC制造）。核心部件是麒麟X90系统级芯片（SoC），该芯片最初于2025年在华为消费系统中亮相。麒麟X90采用4+4+2配置的10个华为设计的Armv8泰山CPU核心，所有核心均支持同步多线程技术（SMT），可同时执行20个线程。此外，芯片还集成了基于Arm Mali的Maleoon图形处理单元和一个用于AI工作负载的专用神经网络处理单元。

虽然华为未官方披露麒麟X90的制造工艺，但TechInsights的拆解分析证实，该CPU由中芯国际（SMIC）使用其7纳米级N+2工艺制造。这表明华为具备利用国内半导体制造能力开发PC级处理器的能力，尽管该工艺落后于英特尔、台积电和三星的领先节点。

该系统最引人注目的方面在于华为声称其新系统的所有组件，包括处理器、内存、存储、电源和无线连接，均为国内制造。然而，这种认证并不一定意味着整个半导体供应链都是中国的。虽然CPU、内存和存储芯片在国内制造，但它们仍使用来自荷兰、美国和日本的制造设备、来自日本的材料、来自英国的知识产权（IP）以及来自美国和部分中国的电子设计自动化（EDA）软件工具。

在操作系统方面，这些机器运行的是华为HarmonyOS企业版。与依赖微软Windows的传统PC不同，华为桌面使用由中国公司开发和维护的软件平台。与早期包含Linux组件的HarmonyOS版本不同，HarmonyOS企业版使用华为自己的内核和软件架构。这确实赋予了华为对操作系统开发、安全更新和硬件集成的更大控制权，但对于依赖跨国公司Windows软件的政企客户来说，与现有Windows应用程序的兼容性可能仍是一个限制。

美国云计算公司 Cloudflare 于 2026 年 11 月 9 日宣布，已向 Vite 生态系统基金（Vite Ecosystem Fund）的首批 44 个项目和维护者分配了 301,300 美元。该基金总额承诺为 100 万美元，旨在支持围绕 Vite 构建的开源生态。

Cloudflare 在公告中指出，人工智能正在改变开源的社会契约：AI 生成的拉取请求（PR）数量激增，而维护者人数保持不变，导致每位维护者的审查工作量显著增加。同时，AI 也加剧了项目间“快速迭代”的竞争压力，加速了维护者的倦怠感。因此，直接资助被视为维持关键基础设施可持续性的必要手段。

此次资金通过 Cloudflare 的 Open Collective 账户发放，形式包括对生态系统项目的赞助以及对核心维护者的月度津贴（最高每月 4,000 美元）。受助名单涵盖了 Babel、Prettier、ESLint、pnpm 等广泛使用的 JavaScript 工具链依赖。

美国亚马逊公司旗下的低地球轨道（LEO）卫星互联网项目“Amazon Leo”宣布，其首次使用联合发射联盟（ULA）的火神（Vulcan）火箭执行的任务（LV-01）计划于2026年11月13日在佛罗里达州卡纳维拉尔角太空军基地SLC-41发射台升空。此次任务将向近地轨道运送40颗卫星，创下该项目迄今最大的单次发射载荷纪录。

LV-01是亚马逊与ULA签订的38次发射合同中的第一次。为了提升运力，此次任务将首次采用优化版ULA半人马座V上面级和火神火箭的六助推器配置。亚马逊Leo发射系统总监Melissa Wuerl表示，火神火箭将在未来几年内成为该星座的主要工作马，负责发射近一半的第一代卫星。

除了火箭本身的升级，亚马逊还在卡纳维拉尔角投资了新的基础设施，包括专用的垂直集成设施（VIF-A）和移动发射平台。这些设施允许同时准备两次火神任务，并将发射间隔缩短至数天或数周。目前，第二次任务LV-02已在另一设施中准备就绪，预计将在LV-01成功发射后的几周内跟进。

这一进展标志着亚马逊Leo项目在扩大规模方面的关键一步。随着卫星生产能力的提升（已完成第1000颗卫星的生产）和发射频率的增加，亚马逊旨在通过多供应商策略（包括Arianespace、Blue Origin和SpaceX）确保星座部署的多样性和速度，为后续的服务推出奠定基础。

谷歌于2026年11月9日宣布，开发者现在可以直接在Google AI Studio中使用Google Maps Platform。这一集成消除了此前需要离开工作区单独配置计费和凭证的步骤，使得在AI环境中构建具有真实世界上下文的应用变得更加容易。

根据官方说明，用户只需在AI Studio中向Gemini描述想法（例如“构建一个展示纽约地标互动的3D导览”），系统即可自动检测并链接现有的Google Cloud项目，或允许用户在无需信用卡的情况下快速开始试用。AI Studio会安全地连接密钥并即时加载交互式预览。

该功能目前提供免费试用额度，每日重置。若需用于生产环境，仍需关联付费的Cloud计费账户。此举旨在降低开发者利用AI工具创建位置感知应用的门槛。

评估货币政策是否真正改善了，面临一个根本困难：决策者无法选择自己面对的经济环境。一位央行行长可能遭遇严重的银行恐慌，另一位则主持一段长期稳定期。即使前者的决策质量更高，她仍然可能经历更高的通胀和失业，仅仅因为冲击更大、更难稳定。这一政策质量与经济环境之间的混淆，长期困扰着跨历史时期的比较——大缓和究竟是更好的政策，还是更小更温和的冲击？早期美联储应该以大萧条的严重程度来评判，还是以它应对非常规挑战的有效性来评判？

Regis Barnichon（旧金山联储高级研究顾问）和Geert Mesters（纽约联储经济研究顾问）在即将发表于Econometrica的论文中，提出了一个框架来分离这两个因素。他们的方法不要求完全指定的结构模型，而是利用实证估计的脉冲响应，比较实际政策路径与给定冲击下最优可行反应之间的差距。这产生两个互补指标：政策路径修正（利率路径需要调整多少百分比才能达到最优）和最小损失距离（最优政策下本可避免多少宏观损失，以通胀和失业偏差的期望平方衡量）。

将这一框架应用于四个时期——金本位时期（1879–1912）、早期美联储（1913–41）、战后时期（1951–84）和后沃尔克时期（1990–2019）——核心结论是：有意义的政策改善仅出现在最近三十年。前三个时期的政策路径修正幅度都很大且统计显著，表明系统性反应函数远离最优。只有后沃尔克时期，修正幅度大幅缩小并变得不显著，平均绝对修正约在30%左右。

改善集中在两个具体渠道。对金融冲击的应对方面：早期美联储在银行恐慌期间提高政策利率，由于恐慌同时压低通胀，实际利率大幅上升，使政策在经济最需要支持时反而紧缩；最优政策应降低利率。后沃尔克时期，美联储在金融冲击后已经降低利率，估计的修正幅度小且不显著，额外宏观损失与早期美联储相比微不足道。对供给冲击的应对方面：战后美联储对能源价格冲击、生产率冲击和通胀预期冲击的反应都太弱——通胀预期冲击后通胀稳步上升，但政策利率仅微弱响应，实际利率下降，强化通胀压力；大通胀正是这一弱反应的反映。

这一框架的边界值得注意：脉冲响应的估计本身依赖于对冲击的识别假设，而金本位时期与法定货币时期的制度框架差异巨大，最优可行的含义在不同时代可能不同。此外，作者评估的是政策反应函数的质量，而非政策结果本身——即便反应函数接近最优，极端冲击仍可能产生糟糕的宏观结果。对投资者而言，这一区分意味着：不能仅凭通胀和失业数据来评判央行能力，还需要考虑它面对的是什么类型的冲击。

IBM旗下技术支出管理软件公司Apptio于2026年11月9日宣布扩展其产品组合，新增针对前沿AI系统的直接连接功能，帮助企业将AI消费数据纳入更广泛的技术财务管理中。此举旨在解决日益碎片化的AI成本难以追踪、以及与业务价值脱节的问题。

根据IBM商业价值研究院（IBV）2026年6月的一项研究，85%的受访技术高管表示缺乏对实时AI支出的全面可见性。随着成本分散在模型提供商、云基础设施、应用程序和团队之间，组织需要更清晰地了解哪些AI项目正在产生实际的业务回报。

此次更新的核心包括：原生AI系统连接，能够捕获模型消费和使用数据（如token用量），并将其与传统的云成本和IT支出合并分析；AI辅助分析与MCP服务器，允许外部AI工具访问财务、运营和组织数据，用户可通过自然语言查询其云和AI支出；AI价值与ROI能力，旨在将技术投资与可衡量的业务结果联系起来；以及Kubernetes网络成本可视化增强，帮助团队理解容器环境背后的网络支出驱动因素。

IBM Apptio首席产品官Eugene Khvostov表示：“AI投资的增长速度超过了许多组织有效治理和评估的能力……我们正通过扩展这些能力，让团队在最细粒度和实时的层面上理解AI的经济性。”

目前，AI系统连接器已普遍可用，其他来源的连接器计划在第四季度推出。IBM Cloudability对AI承诺的支持将在第三季度提供，而AI单位经济性功能已普遍可用，后续增强功能将于2026年第四季度及2027年上半年陆续上线。