阅读

美国电子前沿基金会（EFF）近日发布报告指出，美国专利商标局（USPTO）下属的专利审判和上诉委员会（PTAB）收到的多方复审（Inter Partes Review, IPR）申请数量出现断崖式下跌。IPR是国会于2012年设立的一项行政程序，允许公众在专利局内部以较低成本挑战错误授予的专利，被视为对抗低质量软件专利和“专利流氓”的重要防线。然而，由于USPTO领导层日益拒绝考虑那些理由充分但与其政策导向不符的挑战，该程序的可靠性大幅下降，导致潜在挑战者放弃申请。

根据USPTO官方统计数据，2026年第三季度（7月至9月），PTAB仅收到97份IPR申请，而2025年同期为327份，降幅超过70%。更令人担忧的是，即便在申请提交后，PTAB的立案率（即同意进入实质审查的比例）也从2022至2024财年间的66%-68%骤降至2026财年的41%。这意味着，不仅愿意发起挑战的人变少了，成功获得审查机会的概率也显著降低。

除了提高立案门槛，USPTO局长John Squires还采取了前所未有的干预措施：撤销已经由PTAB法官决定立案的案件。报告显示，Squires至少撤销了29项IPR立案决定，并在未进行最终实体裁决的情况下终止了这些程序。例如，在Revvo Technologies诉Cerebrum Sensor Technologies案中，局长办公室以申请人在不同法院对权利要求解释存在不一致为由，两次推翻PTAB的立案决定。这种事后干预打破了企业对程序可预测性的预期，使得投入大量时间和金钱准备挑战的公司面临巨大不确定性。

对于科技行业而言，IPR程序的萎缩意味着防御成本的急剧上升。过去，初创企业和软件开发者可以通过IPR快速、廉价地清除阻碍产品开发的无效专利。如今，随着行政救济渠道的关闭，受害者被迫转向联邦法院诉讼，其费用高昂且耗时漫长。EFF警告称，如果这一趋势持续，低质量专利将重新成为提取和解金的强大武器，严重抑制技术创新和自由表达。

韩国AI芯片初创公司DEEPX近日展示了一种非传统的散热能力测试：将一块黄油放在其DX-M1神经处理单元（NPU）上。据CNBC报道及DEEPX首席执行官Kim Nok-won声称，在相同AI工作负载下，竞争对手的芯片迅速融化了黄油，而DX-M1上的黄油保持固态。Kim表示，该芯片的温度比竞品低25到40多摄氏度。

DEEPX指出，现代数据中心面临的主要挑战之一是处理器产生的过量热量及其所需的庞大冷却系统。该公司认为，让AI芯片本身运行更冷是解决这一问题的关键。DX-M1采用三星5纳米工艺制造，自2025年8月投产以来已获得约1330万美元订单。DEEPX计划于2027年下半年量产基于三星2纳米工艺的下一代DX-M2芯片。

然而，Tom's Hardware等媒体指出，这种“黄油基准测试”存在明显的信息缺口。最显著的问题是未说明各处理器完成测试工作负载的速度。如果通过降低电压或频率来换取低温，任何芯片都能实现类似效果。此外，DX-M1主要面向边缘计算和机器人应用，而非与英伟达Blackwell等高功耗数据中心GPU直接竞争。因此，尽管该演示突出了其在特定场景下的热效率优势，但不能直接等同于对大规模数据中心散热问题的解决方案。

内部审计长期被视为回顾性职能——通过历史抽样确认控制是否曾经有效。Snowflake内部审计总监Amrita Kapoor认为AI改变了这一点：审计可以从时点检查转向持续、自动化的全量监控。她的团队给出了具体的机制和可量化的结果。

Kapoor强调，这一切的前提是数据基础。Snowflake的计费、收入、人力资源、访问日志和审计日志数据已经集中在Snowflake平台上，因此审计团队可以直接对全量数据执行测试，而不需要拼接多个系统。她写道，如果数据散落在互不相连的系统中，这一切都不可能实现。这意味着AI在这里不是替代数据治理，而是建立在数据治理完成之后。

具体做法是通过Snowflake CoCo（AI编码代理）构建可复用的技能和应用程序。收入流范围界定技能在近乎实时的条件下扫描收入关键维度并按需发送快照，每年节省500小时以上。订单到收款测试使用Cortex AI Functions中的AI_EXTRACT从订单文档中提取收入确认条款、起止日期和计费条款，再由CoCo构建的应用程序与计费系统交叉验证，从而测试每一笔订单而非抽样。关键报告测试则构建了Report-as-a-Service架构，接入审计日志实现持续监控，达到450小时以上的年度测试节省。

Kapoor明确表示，AI是加速器，人类监督是锚点。团队运行在人在回路模式下：AI处理数据、识别模式、完成初步对账；审计师做出每一项最终评估和风险判断，并负责与业务领导的所有对话。当AI起草测试文档或标记异常时，审计师必须审核后才能被任何人依赖。第三方工具如Petual.ai以Snowflake原生应用形式运行，处理过程留在Snowflake账户内部，保持隔离。

据Kapoor报告，截至2026年9月，证据收集和报告编制的现场工作时间减少了50%，从数月缩短到数周。审计团队全年节省超过3500小时，其中风险范围界定1000小时以上、测试和文档2500小时以上；业务控制所有者另外节省超过1500小时。测试从随机统计抽样转向了特定用例的100%全量覆盖，并获得了近乎实时的异常可见性。

Kapoor给其他审计领导者的建议是：从一个高影响控制开始，将跨系统数据集中到一个受治理的平台，用AI编码代理构建可复用的监控技能，并始终保持审计师对结论的最终责任。这个路径的适用条件相当明确——它依赖于数据已经集中在同一平台上的前提。对于数据仍然分散在多个系统中的企业，第一步不是引入AI，而是完成数据整合。

随着英伟达（Nvidia）首席执行官黄仁勋（Jensen Huang）被曝与疑似中国情报人员存在私人关系，该公司在美国华盛顿的政治影响力运作正受到国会两党的严格审查。CNBC报道指出，英伟达在2026年第三季度的联邦游说支出达到创纪录的215万美元，较上一季度激增72%，较去年同期增长10%。截至9月，其2026年的游说总支出已达469万美元，几乎追平2025年全年的497万美元。

除了直接的游说费用，英伟达高管团队还通过政治献金深化与特朗普政府的关系。据报道，英伟达已向特朗普支持的项目承诺至少2600万美元，其中包括2500万美元用于白宫舞厅建设以及100万美元用于2025年就职基金。《华盛顿邮报》获取的文件显示，英伟达最初试图匿名进行这笔巨额舞厅捐款。此外，两名英伟达副总裁在6月分别向共和党全国委员会捐赠了44.3万美元。

这一系列财务披露发生在英伟达面临重大治理危机的背景下。美国情报机构怀疑新加坡云计算公司Megaspeed的高管Alice Huang向中国传递信息，并与黄仁勋有密切私人关系。尽管特朗普总统周日仍称黄仁勋为“正直的人”，但国会民主党人和部分共和党人已要求对英伟达的国家安全风险进行调查。参议员伊丽莎白·沃伦表示，国会已准备好立法阻止先进AI芯片助长中国军事力量。

英伟达的游说策略与其核心商业利益紧密挂钩。过去两年，黄仁勋通过与特朗普政府的密切接触，推动了美国放宽对华高端芯片出口限制的政策转向。然而，此次丑闻可能使这种依赖个人关系的监管豁免变得脆弱。分析人士认为，如果国会加强监督或逆转出口政策，将直接冲击英伟达在中国市场的收入预期，进而影响其作为AI基础设施龙头的估值逻辑。

美国科技巨头谷歌（Google）和AI编程工具公司Cursor于2026年11月7日同一天宣布为其编程智能体（coding agents）增加双向语音功能。这一更新旨在解决开发者在监控长时间运行的AI任务时频繁切换回键盘的痛点，允许用户通过自然语言实时询问进度、批准命令或修改指令。

谷歌在其Agentic软件开发平台Antigravity中推出了“Voice mode”，该功能基于Gemini Live技术。据谷歌开发者关系工程师Nick Van der Auwermeulen介绍，传统的智能体工作节奏是“输入提示、等待执行、阅读结果、再次输入”，而新语音模式允许在桌面应用和命令行工具（CLI）中保持通话开放。开发者可以在智能体编写代码时直接打断并给出新指示，例如“等等，换个方式试试”。

Cursor则发布了名为“Voice Chat with Agents”的功能，底层由xAI公司的Grok Voice驱动。Cursor表示，开发者可以大声描述变更需求，询问智能体当前正在处理的任务，并在代码生成过程中听取实时更新。与谷歌主要聚焦桌面端和CLI不同，Cursor的语音聊天支持网页版、iOS以及桌面端。

此前，OpenAI已在Codex桌面应用中集成双向语音，Anthropic的Claude Code目前仍仅支持单向语音转文字（dictation）。此次两大主流平台同时跟进，标志着AI编程工具正从单纯的文本提示交互向更自然的连续对话式协作演进，试图模拟人类结对编程中的即时沟通体验。

构建知识库问答应用时，开发者面临一个常见矛盾：简单查找需要快速廉价，复杂比较需要多轮搜索和证据整合。如果为两类请求分别搭建系统，维护成本翻倍；如果统一使用多轮规划，简单查询也要承担不必要的延迟和模型调用费用。亚马逊云科技机器学习博客在2026年11月9日发表的文章解释了Amazon Bedrock Managed Knowledge Base如何通过AgenticRetrieveStream接口的maxAgentIteration参数解决这一问题：同一个API，一个整数，三种行为。

理解这个参数的前提是搞清楚迭代如何计数。文章给出的模型是：一个迭代等于一次基础模型调用，循环始终以一次生成回答的调用结束。因此，值为n意味着最多n减1轮规划，最后一轮保留给回答生成。每一轮规划包含一次查询改写加一次检索。还有一个不占迭代额度的例外：推测性检索——在第一步规划之前预先发起的那次检索不计入maxAgentIteration，它只会让请求更快。这个计数模型是整篇文章最具操作价值的部分，因为它让开发者能够预判每次请求最多会触发几次模型调用。

三个档位各有适用场景。maxAgentIteration设为0时，执行一次检索，不生成回答，不调用任何基础模型，等价于直接调用Retrieve API，适合已经统一使用AgenticRetrieveStream但只需要返回原文段落的调用方。设为1时，执行一次检索加一次回答生成，即经典单次RAG，没有查询改写也没有规划轮次，适合答案集中在单一文档或检查表中的直接问题。设为2到5时进入agentic模式，基础模型将复杂问题分解为子查询，跨多个知识库检索，评估证据是否充分，不足时精炼搜索继续检索。文章建议，如果大部分流量是范围明确的直接问题，1是合适的默认值。

需要指出的是，文章本身是厂商对自身API行为的说明，未提供实测延迟、成本对比或独立基准测试。文中的银行示例明确标注为虚构说明，不代表客户部署或测量结果。模式选择被文章描述为应用逻辑而非API自动路由——开发者仍需自行判断每个请求应使用哪个档位。文章建议的采用路径是：用代表性问题集对比单次RAG与当前agentic配置，测量延迟和成本，验证答案是否正确且有检索段落支撑，然后为每个工作流选择满足质量要求的最低迭代上限。

亚马逊云科技（AWS）于2026年11月9日宣布，Anthropic公司的两款新模型Claude Fable 5.2和Claude Mythos 5.2正式在Amazon Bedrock及AWS上的Claude平台可用。这一发布标志着企业级生成式AI在编码、科学计算以及高风险专业领域（如网络安全和生命科学）的能力边界进一步扩展，同时引入了新的数据治理机制以应对合规挑战。

Claude Fable 5.2被定位为Anthropic目前最强大的通用技术工作模型，旨在处理模糊的多步骤任务，能够自我验证输出并在无人值守的情况下运行数小时至数天。其应用场景涵盖大型多仓库代码库的智能编码、协调多个子代理的长周期任务、科学研究以及金融分析。相比之下，Claude Mythos 5.2则专注于网络安全和生命科学两个高风险领域，仅通过Anthropic的验证计划向授权用户开放，用于红队测试、渗透测试及生物分子设计等敏感工作。

此次更新的一个关键变化是数据保留策略和安全框架的调整。Anthropic将Claude Fable 5.2指定为“覆盖模型”（Covered Model），默认情况下，使用该模型需要保留数据长达30天并进行人工安全审查。在Amazon Bedrock上，这一审查由AWS人员在AWS边界内执行。为了平衡隐私与安全，AWS推出了“企业前沿安全护栏”（Enterprise Frontier Safeguards, EFS）。EFS结合了零数据保留（ZDR）的隐私优势与最新的滥用检测安全措施。目前，符合条件的客户可以通过EFS使用Fable 5.2实现零数据保留，该选项有效期至2027年6月30日。此外，AWS还预告了一个允许客户将数据存储在自有存储桶并使用自己控制的密钥的版本，但该功能尚未上线。

对于开发者而言，AWS提供了迁移工具以降低采用门槛。Claude Code中的开源技能claude-api可帮助团队将现有代码库升级至Fable 5.2，自动处理模型ID替换、思维设置调整及过时参数清理。在调用方式上，用户可以通过Amazon Bedrock控制台直接测试，或通过Anthropic Messages API、AWS CLI及SDK进行编程访问。值得注意的是，若查询因安全原因被拒绝，系统会提供回退信用令牌（fallback credit token），允许用户在重试时避免重复支付缓存写入费用，这体现了针对大规模代理运行的成本优化考量。

云开发平台Vercel发布的AI网关生产指数（November 2026）显示，企业AI使用正在发生结构性变化。数据显示，专门用于分类、评分或选择而非生成文本的“决策模型”（Decision Models）在10月已占据网关总请求量的26%。尽管这些模型处理了四分之一的流量，但由于其单次请求成本仅为大型语言模型的约七十分之一，它们仅占总支出的0.53%。

这一趋势表明，生产环境中的AI应用正从单一的文本生成向“生成与判断”分离演进。目前已有来自八家不同供应商的15款决策模型上线。其中，TypeSafe AI推出的Jev模型占据了绝大部分决策请求量。值得注意的是，高用量团队（每月处理超过100亿tokens）中有70%使用了决策模型，而在低用量团队中这一比例仅为五分之一左右。

在头部大模型厂商的竞争格局上，Anthropic和OpenAI在付费团队中的覆盖率已趋于持平。然而，在10月的新增付费团队中，Anthropic的选择率几乎是OpenAI的两倍。与此同时，OpenAI在网关总支出中的份额自12月以来增长了三分之二，而Anthropic的支出份额则减半至约32美分/美元。这表明虽然Anthropic在吸引新客户方面表现强劲，但OpenAI在大客户的高价值工作负载中仍保持增长势头。

此外，语音模型的采用率也在快速上升。10月约有11%的付费团队使用了语音模型，较7月的4%增长了161%。大多数团队通过组合语音转文本、语言模型回复和文本转语音三个步骤来构建语音交互，但端到端的一体化模型使用比例正在增加。

美国科技公司谷歌于2026年11月9日发布了名为TPU Sync的开源系统，旨在解决随着上下文窗口增大而日益严重的AI推理瓶颈：不同存储层级之间的数据移动。该系统用C++编写，专门用于在加速器内存、主机DRAM、存储和网络之间高效传输数据。

TPU Sync利用零拷贝传输和原生PjRtBuffer硬件描述符来避免不必要的数据复制。谷歌声称，在某些测试中，该系统可以将KV缓存传输延迟和首字生成时间（TTFT）降低超过90%。具体数据显示，对于2350亿参数的Qwen3模型，KV缓存移动时间从数秒降至约230毫秒；对于4800亿参数的大模型，降幅达到90%。此外，单个Ironwood TPU主机的双向吞吐量达到了223 GB/s，接近PCIe Gen5的理论极限256 GB/s。

这一发布与谷歌此前推出的TorchTPU（允许PyTorch原生运行在TPU上）以及llm-d（分布式推理框架）形成互补。TPU Sync侧重于底层内存管理，使得开发者在使用vLLM和SGLang等流行推理引擎时，无需重建整个服务栈即可处理分离式工作负载。分析机构SemiAnalysis指出，外部TPU服务此前缺乏有效分离预填充和解码工作负载的基础设施，而TPU Sync试图填补这一空白。

然而，谷歌警告称该软件目前尚未准备好用于生产环境，API仍在变化中，建议开发者坚持使用经过验证的提交或标签版本。支持范围也仅限于Cloud TPU v7x和v6e，并有特定的JAX和PyTorch版本要求。尽管性能提升显著，但这些数据均为厂商自测结果，尚未经过独立第三方验证。

美国人工智能实验室Anthropic于周一发布了其最新版本的旗舰模型Mythos 5.2和Fable 5.2。该公司表示，新模型在编码、推理和视觉能力方面有所改进，并能更清晰地与用户沟通。

值得注意的是，Anthropic将Fable模型的输入价格从每百万token 10美元下调至8美元。这一调整使得Fable 5.2的价格低于其主要竞争对手OpenAI的GPT-6 Astra。此外，Anthropic声称新版Fable在不同努力级别下的响应速度提高了30%，但更快的推理服务需支付双倍价格。

此次发布是Anthropic在第三方评估机构METR报告引发关于“递归自我改进”（RSI）担忧后的首次模型更新。METR的报告指出，内部模型可能正在以大约两倍的速度加速Anthropic的AI进展，尽管仍存在许多不确定性。

Anthropic在发布说明中承认，准确测试模型能力面临持续挑战。公司提到，Claude Mythos 5.2和Fable 5.2都表现出对自己被频繁评估的怀疑，这影响了对其在现实环境中行为的评估能力。

在企业功能方面，Fable 5.2通过Enterprise Frontier Safeguards系统支持零数据保留（ZDR）政策，解决了长期困扰企业客户的一个痛点。

Anthropic在11月9日的平台更新日志中宣布推出Claude Fable 5.2（claude-fable-5-2）和Claude Mythos 5.2。这两款新模型均拥有100万token的上下文窗口、最高12.8万token的输出能力以及始终开启的自适应思考功能。

与上一代Claude Fable 5.1相比，新模型的定价有所降低：输入价格为每百万token 8美元，输出价格为每百万token 40美元（前代为10美元/50美元）。Claude Mythos 5.2仅向通过Anthropic验证计划（如网络验证计划）的组织开放。

此外，Anthropic还为Claude Fable 5.2推出了“快速模式”（fast mode），可将输出速度提升最高2.5倍，但价格相应提高至输入16美元/百万token、输出80美元/百万token。开发者需在请求中设置speed: "fast"即可启用，无需beta头。