阅读研究雷达投资体系
登录 / 注册
全部阅读技术产品投资二级市场其他

阅读

2026-11-1298 篇

刷新

阿里巴巴宣布港交所批准其芯片子公司平头哥分拆上市计划

专题 · 平头哥分拆上市实质变化
2026-11-11 11:08

中国科技巨头阿里巴巴集团于周二晚间宣布,香港联合交易所(HKEX)已允许该公司将其半导体子公司平头哥(T-Head)进行分拆上市。阿里巴巴表示,计划在港交所进行公开招股,但该交易仍需获得港交所和中国证券监督管理委员会(CSRC)的最终批准。

根据披露信息,阿里巴巴早在9月11日就已向港交所秘密提交了平头哥的上市申请文件。此次公告未披露具体的上市日期或拟议的募资规模。受此消息影响,阿里巴巴在港股上市的股票周三早盘下跌约1%,年初至今累计跌幅约为29%。

平头哥是阿里巴巴旗下专注于人工智能芯片研发的子公司,被视为英伟达(Nvidia)在中国市场的潜在竞争对手之一。今年9月底,阿里巴巴发布了新一代AI芯片“真武V900”,声称其性能是5月发布的上一代产品“真武M890”的三倍。此举旨在应对美国对中国获取先进芯片的限制,推动国产替代。

近期,中国金融监管机构加强了对科技行业IPO及资本涌入该领域的审查。与此同时,其他中国芯片企业如百度旗下的昆仑芯和长江存储(YMTC)据报道也推迟了各自的上市计划。

信息源:CNBC

研究

德国亚琛应用科技大学发布开源AI模型AnySleep,实现秒级睡眠脑电分析

专题 · AnySleep快讯
2026-11-12 01:00

德国亚琛应用科技大学(FH Aachen)的研究团队开发了一款名为AnySleep的开源人工智能模型,专门用于分析人类的睡眠数据。该研究成果近期发表在属于Nature出版集团的同行评审期刊《npj数字医学》(npj Digital Medicine)上。

传统的睡眠分析通常通过脑电图(EEG)记录大脑活动,并将整夜的数据划分为30秒的片段来判定睡眠阶段。这种粗粒度的划分往往遗漏了仅持续几秒的短暂觉醒事件或微小的脑活动变化。AnySleep模型能够处理夜间测量数据,以秒为单位映射更短的间隔,从而生成更详细的睡眠阶段全景图。研究作者Stephan Bialonski指出,如果评估间隔过长,这些关键的变化将无法被充分考量,导致结果不准确。

该模型的训练基于约2万名受试者的睡眠数据,涵盖了不同的年龄、生活环境和健康状况。尽管AnySleep已经能够识别健康人群与患病人群在睡眠结构上的差异,并为特定疾病模式提供线索,但Bialonski强调,目前该技术尚不足以直接用于临床诊断。项目正与多家医院合作继续推进。

AnySleep的源代码已公开,支持本地安装。此外,FH Aachen还提供了一个名为SomnoBot的浏览器界面,允许用户无需编程知识即可使用该工具。官方新闻稿称,敏感数据在任何时候都不会离开本地计算机,这使得该工具在严格的临床研究环境中符合数据隐私要求。

信息源:t3n.de

研究

形式策略的语义差分:反合一如何把真实行为分歧从语法噪声中分离

实质变化
2026-11-12 07:33

当自动化策略生成流程把同一条自然语言需求翻译成两份形式化策略时,审查者面对的第一个问题不是哪份对,而是它们到底哪里不同。文本差异工具在这里系统性失效:交换两个合取项的顺序、把外部目的地改写为非内部、用等价谓词替换另一个,都会让大量行标记为变更,而真正改变授权行为的差异——比如把And换成Or——可能淹没在噪声中。

AWS机器学习博客介绍了一个名为semi-persistent的开源引擎,它用反合一(anti-unification)计算形式策略的语义差分。反合一来自Plotkin 1970年的经典工作,目标是找到两个表达式的最大特定公共模式。引擎在等价图(e-graph)上运行,等价图追踪已知相等的表达式,用户通过声明代数律(如合取的结合律、交换律、幂等律)和领域规则(如外部目的地等价于非内部)来告诉引擎哪些语法变化不改变含义。

引擎的输出是一个单一术语,其中共享结构只出现一次,每处分歧被标记为Variants节点,节点内保留两个候选的完整子树。选择每个Variants节点的第一子树可以重建候选A,选择第二子树可以重建候选B。这意味着反合一结果是两个输入的无损合并:不是丢弃信息,而是把相同部分折叠、把不同部分保留并定位。

博客用一个具体例子展示了这如何工作。需求是:敏感数据发往外部目的地必须加密。候选A写成sensitive(data)且external(dst)蕴含encrypted;候选B写成非internal(dst)且sensitive(data)蕴含audited。文本差异会标记条件重排、谓词改写和结论不同。引擎先报告两处分歧:一处在条件(external对非internal),一处在结论(encrypted对audited)。用户把领域事实声明为rewrite规则——external等价于非internal——饱和后重新差分,条件分歧消失,只剩结论分歧:候选B审计而需求要求加密。一个Variants节点精确指向需要审查的位置。

在更复杂的例子中,一份跨Region复制策略的两种编码有五个文本差异。三个是纯语法:合取项重排、等式参数交换、approvedRegion展开为两个具体Region。声明And为结合交换幂等、Eq为交换后,前两个被吸收;加一条领域rewrite把approvedRegion等价于两个Region的析取后,第三个也被吸收。剩余两处分歧是真实行为差异:一份编码在机密对象条款中用Or替代了And(允许加密或同账号之一即可,而非两者都要求),另一份在大小阈值上用严格小于替代了小于等于(恰好等于阈值的对象走不同路径)。语义差分把五处文本变更压缩为两处可审查的语义分歧,压缩比从0.59降到0.40。

方法有明确边界。它不证明任何候选正确:两份翻译可以犯同一个错误,共享的错误不会显示为分歧。它依赖用户声明的代数和rewrite:如果领域知识不完整,真实等价仍会残留为Variants节点。搜索本身也可能不完备——当使用默认蒙特卡洛搜索而非精确求解时,返回结果标注为budget而非exact,意味着可能还有更小的公共模式未被找到。引擎不评估策略、不查询SMT求解器、不判断哪份翻译匹配需求;它只组织信息,把审查注意力引导到真正可能改变行为的位置。

对于使用大语言模型自动生成形式化策略的团队,这个方法的实际价值在于:生成多个候选后,不需要人工逐行比对,也不需要依赖模型自身的判断。语义差分给出一个确定性的、可重复的审查起点——先看Variants节点标记的位置,用schema验证、replay、示例输入输出或人工判断来逐一解决。

引擎以Apache-2.0许可开源,需要Rust工具链构建,输入是S表达式文件。博客提供了多个可运行的策略例子,覆盖Cedar、Dogwood、OpenShell和CEL四种策略格式的候选翻译比较。

信息源:Amazon Web Services

研究

AWS 提出三项代码级检查,检测绕过硬件监控的 GPU 静默数据损坏

专题 · AWS实质变化
2026-11-12 07:30

静默数据损坏之所以难以检测,根本原因在于它发生在计算路径内部。GPU 的乘加单元返回一个错误但合理的数值——比如 4.0001 而不是 4.0000——不触发任何错误信号。现有的每一项完整性检查守护的是另一个边界:ECC 保护内存,Xid 捕获驱动和硬件故障,DCGM 深度健康检查在空闲节点上运行,NVLink 和 PCIe 校验和验证传输字节是否完整送达,检查点校验和确认存储往返一致。没有任何一项检查算术逻辑路径的输出是否正确,因为那条路径上根本没有 ECC 或奇偶校验。

这意味着检测只能来自训练任务本身。AWS 在 PyTorch 分布式数据并行训练循环中加入三项检查,按故障可能落点的位置排列。第一项是非有限梯度检查:在梯度聚合之前,标记局部梯度范数为 NaN 或 Inf 的 GPU;聚合之后,再检查归约梯度是否包含 NaN 或 Inf。第二项是环形重放审计:在优化器步进之前,每个 GPU 重新计算另一个节点上某个 GPU 的微批次,逐位比较损失值,在确定性内核下还比较梯度指纹。这能捕获有限但错误的计算值。第三项是权重指纹比较:优化器步进之后,比较所有副本的权重指纹,捕获更新步骤或存储权重中的损坏。

三项检查的执行顺序和时机有严格逻辑。计算路径中的故障必须在优化器步进之前捕获,因为一旦错误梯度通过聚合传播到所有副本,所有权重仍然一致,事后无法区分。而优化器步进中的故障只有在那之后才能看到。环形重放之所以可行,是因为在反向传播和优化器步进之间,所有副本持有相同的权重,任何 GPU 都可以重算另一个 GPU 的微批次并期望得到完全相同的位。

在 32 块 H100 上训练一个 9.53 亿参数模型的实测中,仅运行梯度钩子和 NaN/Inf 检查(不含审计)使每步时间增加约 7.4%;每 100 步运行一次确定性审计增加约 10.1%;每 10 步审计一次增加约 34.7%。在 15,320 次无故障审计步骤和 3,080 次权重检查中未触发任何告警,按三分法则给出约五千分之一的误报率上界(95% 置信度)。

这一方案有明确边界。它仅在 DDP 布局上测试,张量并行、流水线并行和 FSDP 分片需要另行适配。一次性的有限故障如果恰好落在非审计步骤上,不会被任何检查捕获。确定性审计使用数学注意力内核,其成本随序列长度平方增长,在长序列训练中开销可能远超本文的测量值。AWS 也明确指出,合成测试不能确立生产环境中的精确度,建议在每次替换节点前保留人工审批。

从实际部署角度看,这套方案将检测、定位和恢复串成闭环。训练循环中的检查一旦触发告警,告警携带的 suspect_window 记录了自该检查上次通过以来的步骤范围,故障活跃于其中某一步。在 SageMaker HyperPod 由 Amazon EKS 编排的集群上,Kubernetes 节点名包含实例 ID,因此将可疑 GPU 的 rank 映射到具体实例只需一次查表。运维人员据此停止任务、隔离节点、检查 DCGM 指标,确认后通过节点健康标签或 BatchReplaceClusterNodes 接口完成硬件替换,训练脚本从 suspect_window 之前的检查点恢复。

信息源:Amazon Web Services

研究

AWS 企业指南:Codex 接入 Bedrock 先走最简路径,配置边界比身份验证更关键

实质变化
2026-11-12 07:35

平台团队面临一个具体矛盾:开发者已经在用 Codex 探索代码、做修改、处理重复工程工作,但如果每个团队各自配置模型访问,就会在组织内形成第二套身份、路由和运维栈。AWS 机器学习博客给出的解法不是统一工具,而是统一接入路径的决策规则。

核心论点在文章结论中明确表述:从满足需求的最简访问路径起步,用小试点证明身份和模型通路,只在解决特定需要时才添加网关或客户端控制。文章将路径分为三层。第一层是 Native AWS Access,适用于 IAM 和身份控制已经足够的场景,开发者通过 IAM Identity Center 获得临时凭证,Codex 直接调用 Amazon Bedrock Runtime。第二层是 AgentCore Gateway,适用于需要 AWS 托管的路由基础设施或 Bedrock Guardrails 的团队。第三层是 LLM Gateway,适用于已经运行网关或需要在请求路径中强制执行控制的组织。自定义集成是第三层的高级变体,不是快速起步选项。

决策规则本身不复杂,但验证序列比路径选择更容易被跳过。文章要求试点包含三个检查:先用 AWS CLI 直接调用 Bedrock Runtime 确认 IAM 权限和区域可用,再配置 Codex 指向批准的模型,最后跑一个安全的只读任务。两个用户才能测试身份隔离——单人只能证明登录成功,第二人才验证归因是否保持独立。

最值得平台工程团队注意的是配置边界这一节。文章明确指出:模型提供者、凭证和区域设置属于用户级或托管配置,因为它们是端点和组织选择,不是仓库默认值。项目本地的 .codex/config.toml 是仓库范围配置,应当作为代码审查,但不能当作企业执行边界。AGENTS.md 适合承载持久性仓库指导,如测试命令和编码规范,但它同样不是执行边界。这个区分意味着:如果组织的安全策略依赖仓库文件来约束模型访问,那么任何开发者都可以通过修改仓库配置绕过它。真正的边界在用户级配置、IAM 策略和 requirements.toml 中。

治理层面,文章把遥测、计费和身份记录视为回答不同问题的证据源。Codex OpenTelemetry 描述客户端活动(token 用量、轮次、API 请求、工具调用),Amazon Bedrock 服务指标描述服务端活动(延迟、输入输出 token、错误率),AWS 身份记录和 Cost and Usage Report 提供归因和计费证据。文章特别警告不要把 token 量当作成本报告,也强调遥测不能建立正确性或安全性——它只记录发生了什么,不判断是否应该发生。

信息源:Amazon Web Services

研究

Databricks安全团队:凭证攻击的检测关键不在登录本身,而在跨身份行为关联

专题 · Databricks实质变化
2026-11-12 07:00

现代网络攻击越来越多地以一次合法登录开场。Databricks安全团队在近期发布的检测指南中描述了一个典型场景:一名数据工程师的个人访问令牌从持续集成日志中泄露,攻击者几分钟内便用该令牌从新IP列出密钥范围、目录和仓库,随后读取一个保存着服务主体凭证的密钥。一小时后,那个服务主体——而非工程师本人——创建了函数、将自己加入管理员组并导出了若干初始化脚本。每一步单独看都可能是正常平台使用,但合在一起是一次完整的入侵。

这篇由Solomon Boyd、Alexis Merritt、Arun Pamulapati、Sam Pezzino和David Veuve撰写的文章提出了一个六阶段模型来组织凭证驱动攻击的检测:获取访问、映射环境、收割更多凭证、寻找可执行路径、建立持久化、收集数据并清理痕迹。但文章真正有迁移价值的论点不是这六个阶段本身——它们与通用攻击链模型并无本质区别——而是关于事件序列化的判断:攻击者很少按直线通过这六个阶段,他们依赖非线性排序,用一组凭证验证环境后,再取另一组凭证从一个没有侦察记录的新身份或新工作区返回。

这意味着一个具体的检测陷阱:如果你只追踪被窃凭证所对应的身份,你会在攻击者切换到新身份的那一刻失去线索。在上述场景中,工程师的令牌被用来读取密钥,但创建函数、加入管理员组和导出脚本全部由服务主体完成。文章明确指出,仅以工程师身份为范围搜索活动会完全遗漏这些事件。正确的做法是将密钥读取与紧随其后的新身份首次活动、IP变化、用户代理变化关联起来,把分散在不同身份下的事件视为同一次入侵的不同片段。

在具体的检测模式上,文章给出了一些可操作的阈值建议。例如,一个身份在一分钟内调用五个以上不同的发现类API(列出密钥范围、目录、模式、外部存储位置、存储凭证、仓库等)不太可能是人在操作界面。密钥收割的典型序列是listScopes、listSecrets、getSecret在多个范围上快速重复出现。权限提升则关注putAcl、addPrincipalToGroup、setAdmin等事件是否来自不熟悉的身份或执行上下文——尤其是从作业运行时内部做出的权限变更,比管理员在控制台做的同类操作值得更多审视。

文章还区分了检测与响应的边界。一旦确认入侵,响应必须覆盖攻击者创建的所有路径,而不仅仅是原始凭证。在示例场景中,撤销工程师的令牌会留下服务主体的凭证、其管理员组成员身份和它创建的函数。完整的响应包括:在账户级别停用身份、撤销个人访问令牌、导出并停止相关计算、轮换攻击者读取过的每一个密钥、移除攻击者创建的持久化路径、删除函数并撤销授权、恢复上下文准入策略。文章特别提到一个容易忽略的时间窗口:服务主体已有的OAuth令牌在停用后仍可存活一小时。

在预防层面,文章将上下文准入控制列为对抗凭证复用的最强控制,因为它评估请求者身份、来源和用途,而非依赖单一网络边界。对于正在脱离VPN的组织,这提供了一种即使没有企业网络锚点也能限制被盗令牌可用范围的机制。

需要指出的是,文中提出的检测阈值是Databricks安全团队基于其平台运营经验给出的启发式建议,并非经过公开基准验证的测量结果。文章本身也提醒读者将这些指导视为起点,需要根据自身环境的正常自动化模式进行调优。此外,该方法的具体实现深度绑定Databricks的审计日志架构和Genie检测应用,迁移到其他平台需要重新识别对应的事件字段和查询模式。

信息源:Databricks

研究

NVIDIA 首席云架构师 Mark Chmarny:AICR 验证配置、k8s-aibom 追踪工作负载,两者边界才是 AI 治理缺口

实质变化
2026-11-12 01:00

当团队使用 NVIDIA Dynamo、Kubeflow 或 Slurm 部署 AI 工作负载时,一个可复现的部署包并不能告诉你集群上实际运行着什么。应用团队独立于平台配方定义和更新工作负载,可变镜像标签如 :latest 更让同一标签下两台节点可能运行不同代码。NVIDIA 首席云架构师 Mark Chmarny 在 NVIDIA 技术博客中解释了这一缺口如何通过集成 Google 开源项目 k8s-aibom 来闭合。

Chmarny 将两个系统描述为同一问题的两端。AICR 在运行时部署层工作——驱动、算子、内核、Kubernetes 组件、部署配置——它回答的是:GPU 基础设施是否来自已知且经过验证的配置?k8s-aibom 则站在栈的更高层、集群生命周期的更后段,它观察 Kubernetes 工作负载和 Pod API,为每个被识别的 AI 工作负载生成一份 CycloneDX 1.6 AIBOM 记录,回答的是:该基础设施上实际运行着什么 AI 资产?

Chmarny 指出,两者都不足以单独支撑 AI 治理,而它们之间的边界正是当前问责缺失的地方。AICR 记录经过验证的部署意图并在某一时刻与集群对照;k8s-aibom 观察支持的工作负载并记录发现了什么,包括每个属性以何种置信度被确定。前者提供控制与可复现性,后者提供工作负载发现与可追溯性。

具体而言,AIBOM 帮助团队发现选定命名空间中未注册或影子 AI 工作负载、识别模型与推理运行时、追踪外部 AI API 与向量数据库、检测 AI 依赖的变更或漂移,并支撑安全审查、事件响应与合规审计。

集成方式是将 k8s-aibom 作为 AICR 配方中的一个合格组件。两个标准配方默认选择它:h100-gke-cos-inference 和 h100-gke-cos-inference-dynamo;其他 GKE 配方在生成时可通过 --runtime-inventory 标志加入。Chmarny 强调,合格化不是走过场:AICR 将上游源码、chart、CRD 和摘要锁定的控制器镜像绑定为一组经过测试的配置,对照 Google 的预期构建身份验证来源,审查渲染后的 RBAC 与安全默认值,并在已测试的部署路径上执行安装、升级、健康检查和卸载。

以 AICR v1.2.0 锁定 k8s-aibom 1.6.2 为例,工作流从生成配方开始,经打包、部署到验证,全程无需手工组装或手工调参。部署后 k8s-aibom 控制器在 k8s-aibom-system 命名空间运行,验证阶段要求控制器可用、集群级 AIBOMControllerConfig 报告 Ready=True、两个 CRD 报告固定 chart 期望的存储版本。

命名空间通过标签 aibom.k8saibom.dev/enabled=true 选择加入。Chmarny 特别说明,标签控制哪些命名空间发出 AIBOM 记录,但不缩小控制器读取范围——信息器仍缓存集群范围的工作负载和 Pod 规格,包括容器参数和内联环境变量。默认不配置任何 sink 和密钥访问,因此没有显式决定则没有任何数据离开集群。

资源影响方面,上游在 GKE 上使用 NVIDIA Dynamo 和 AICR 配置测量了 k8s-aibom v1.6.1。测试使用 CPU-only 节点且工作负载 Pod 保持 pending 状态,因此这些数字描述的是控制器清单开销:约每分钟四次 API 服务器请求、平均控制器 CPU 用量 2.2 毫核、控制器内存工作集 28 至 34 MiB。

Chmarny 也明确了集成刻意止步之处。运行时 AIBOM 写入为 Kubernetes 资源,但观察本身未签名;签名可使捕获的观察具有防篡改证据,但不能证明每个工作负载声明为真或确立成功执行。k8s-aibom 能够验证 Sigstore 签名、执行签名者身份约束、检查 Rekor 包含并赋予合格声明 verified 置信度,但 AICR 默认关闭此验证。将平台来源与运行时 AI 清单关联仍是未来集成工作。

一个值得注意的边界:AIBOM 从工作负载规格构建,因此可以在任何 Pod 运行之前存在。AIBOM 报告 Ready=True 时 Pod 可能仍在拉取镜像。它告诉你声明了什么,以及 Pod 存在后解析到了什么,但不证明成功调度或执行。

信息源:NVIDIA Technical Blog

研究

美国世纪投资联席首席投资官:AI资本开支更像二十年前的云计算投资,而非互联网泡沫

实质变化
核验于 2026-11-12 07:19

美国世纪投资全球成长股联席首席投资官Keith Lee与客户组合经理Ryan Walker在2026年10月的分析中,试图回答一个令市场困惑的问题:为什么盈利强劲增长的成长股反而经历了剧烈波动。

他们的解释从久期机制入手。成长股的价值主要来自未来盈利,当长期利率上升时,投资者对远期现金流的折价加大,这类长久期资产首当其冲。文章指出,美国长期国债收益率近期达到2002年以来最高水平,三个因素在推动这一变化:美国联邦债务在八月中旬突破40万亿美元;通胀已连续第五年高于美联储目标;2026年9月,新任美联储主席Kevin Warsh领导下美联储加息。

利率上升对AI投资的影响是双重的。一方面,更高的折现率直接压低成长股估值。另一方面,大量AI基础设施投资依赖债务融资——据估计,四大AI云服务商和Meta在过去五年将债务规模翻倍至3500亿美元,仅去年就发行了约1210亿美元债券。利率上升意味着这些项目的融资成本增加,实现回报的难度加大。

然而,两位作者的核心论点并非悲观。他们明确表示,不认为当前AI投资可比互联网泡沫时期的过度支出。他们援引了一个历史类比:二十年前,亚马逊、微软和Alphabet大举投资云基础设施时,投资者同样担忧这些支出能否产生回报。作者指出,这些投资成本高昂,通过折旧等渠道对当期盈利形成了压力,但最终成为增长和盈利的关键驱动力。作者认为,当前AI资本开支可能创造类似的长期收益,因为运行AI应用所需的算力需求远超现有基础设施的供给能力。

但他们也保留了重要的限定条件。过去的成功不保证未来的结果,当前AI投资的回报仍然不确定。并非所有公司都能同等受益于AI支出,有些投资可能比另一些更成功。在作者看来,广泛接触AI模型、半导体和云基础设施的公司,在AI应用持续扩展时可能处于更有利的位置。

一个值得注意的市场细节是:盈利增长本身已经改善了估值。S&P 500盈利在截至2026年6月的十二个月中增长超过50%,大科技公司利润同比增长超过100%,半导体行业接近140%。盈利增长提高了市盈率中的分母,叠加股价走弱,使得成长股估值相对于自身历史乃至价值股都变得更具吸引力。但作者也承认,股票市场更关注未来盈利而非过去表现,分析师预计S&P 500大盘股明年盈利增长近30%——这个预期能否兑现,正是当前波动的核心张力所在。

信息源:americancentury.com

研究

牛津教授Philip Stier:AI模型在分布外极端事件预测上面临根本困难

专题 · AI气候模型极端预测实质变化
2026-10-22 06:00

牛津大学大气物理教授、智能地球中心主任Philip Stier在Man Group的"A Sustainable Future"播客中,与该公司责任投资首席投资官Jason Mitchell讨论了AI如何改变气候建模。Stier的核心判断是:纯数据驱动的AI模型在预测分布外极端事件时面临根本性困难,而这一局限并非通过增加训练数据量或运行更多次模拟就能解决。

Stier将气候变化的预测问题定义为"分布外问题":我们需要预测的是训练数据集中从未出现过的状态。传统物理模型通过方程组编码了物理定律,即使遇到前所未有的条件,方程仍然适用;而AI模型从历史观测中学习模式,当未来状态超出训练数据的覆盖范围时,模型缺乏外推的基础。他以当前正在发展的厄尔尼诺事件为例指出,由于观测记录太短,训练数据中可能从未包含如此极端的ENSO事件,纯AI驱动的气候预测在此类情形下可能不可靠。

更深层的问题在于训练数据本身的偏差。Stier指出,目前大多数AI天气模型依赖再分析数据训练——即历史观测与传统物理模型输出的结合。这意味着AI不仅继承了观测数据的缺陷(如发展中国家数据覆盖不足、公共观测系统资金有限),还继承了物理模型自身的参数化偏差。他举例说,再分析数据对降水日循环的表征并不理想,这与对流云的参数化有关,AI模型会同样学到这一偏差。对于天气短期预报,只要预测技巧提升就可以接受;但对于气候预测,这种继承偏差可能影响对云反馈等关键过程的判断。

关于大样本集合的误导效应,Stier的警告尤为具体。他指出,运行"非常非常大"的集合确实制造了一种虚假的确定感——结果常被报告到很高的精度位数,但这并不意味着真实不确定性被缩小了。如果模型本身存在影响尾部分布的偏差,那么即使完美地采样了模型分布的尾部,得到的极端事件估计仍然是错误的。他提到学界正在研究引导生成模型高效采样罕见尾部的方法,但强调这些方法只在模型本身可靠且校准良好的前提下才有意义。

对使用AI辅助投资研究的从业者而言,Stier的论述提供了一条清晰的验证边界:当预测目标属于分布外事件时,模型的输出不应被赋予与分布内预测相同的置信度。金融市场中类似的情形包括前所未有的流动性危机、新型资产类别的尾部风险、或结构性断裂后的市场行为。大样本蒙特卡洛模拟或回测产生的精确概率,如果底层模型未能捕捉到关键机制,其精确度本身就是误导性的。Stier认为,解决这一问题的务实路径是将物理约束与数据驱动方法结合,而非用AI完全替代基于方程的建模。

信息源:man.com

研究

台积电董事会核准1.34兆元新台币资本预算,拟最高投资10亿美元于OpenAI与Anthropic

专题 · 台积电实质变化
2026-11-12 05:30

台积电(TSMC)于2026年11月10日召开董事会,核准了约409.27亿美元(折合新台币1.34兆元)的资本预算。该预算涵盖先进制程、先进封装、成熟与特殊制程产能升级、建厂及2027年研发等项目。同时,董事会通过了一项具有战略意义的决议:分别以最高5亿美元的额度认购Anthropic普通股和OpenAI特别股,合计投资上限为10亿美元。此外,还核准了最高5亿美元用于设立半导体生态系统策略投资公司。需要强调的是,这些均为核准额度,尚不等于已实际支出或完成认购。

这一动作标志着台积电对AI产业参与方式的延伸。过去,台积电主要作为晶圆代工厂服务于英伟达、AMD等芯片设计公司;如今,它计划直接持有AI模型开发商的股权。台积电预期,2026至2028年的资本支出将较前三年显著增加,这反映了AI算力需求持续推动高阶制程与封装技术的同步扩张。通过股权投资,台积电可能旨在更紧密地绑定顶级AI客户,确保未来高端产能的需求可见性。

然而,市场需谨慎解读这一信号。董事会批准的长期资本预算不能直接视为2026年的新增支出,两项股权投资也未交割。这种从“制造伙伴”到“股东”的角色转变,体现了台积电在AI浪潮中寻求更深层次战略绑定的意图,但其实际执行效果和对行业格局的具体影响仍有待观察。

信息源:TechOrange 科技報橘

研究

First Eagle 全球价值团队:AI 资本支出周期如何挤压市场并创造自下而上的机会

实质变化
2026-10-21

First Eagle Investments 的全球价值团队在 2026 年第三季度市场展望中提出了一个核心论点:人工智能资本支出周期正在“吸走市场的氧气”,推高实际利率,并对传统的 60/40 投资组合中的其他资产构成压力。该团队认为,这种主导地位应该影响未来市场表现的预期。

支撑这一论点的机制在于,AI 建设相关的巨额资本支出不仅推高了投入成本,还导致市场领导力严重收窄。数据显示,尽管 NYSE FANG+ 指数在第三季度飙升 13.1%,但 S&P 500 指数仅上涨 2.3%,MSCI EAFE 指数上涨 0.8%,而彭博全球综合债券指数则下跌 3.5%。这种分化表明,在基准指数表面向好的背后,输家远多于赢家。

该团队指出,目前创纪录的企业利润率是由美国财政赤字(占美国 GDP 的 6%)、美国家庭低储蓄率以及达到互联网泡沫水平的美国私人非住宅投资共同支撑的。然而,他们警告称,历史上变革性技术的出现往往伴随着过度投资后的急剧修正,数据中心叙事中已经开始出现摩擦,融资成本上升和审批放缓正在挤压边际经济效益。

在宏观风险方面,First Eagle 特别提到了美国 10 年期国债收益率升至近 5.3% 的 24 年高点,以及法国借贷率接近 5% 所反映的主权债务担忧。他们认为,尽管市场看似昂贵,但从自下而上的角度看,那些因资本成本上升而估值下调的板块(如医疗保健、住房和软件)以及相对于美国股票而言便宜的国际股票,可能存在选择性机会。

这一观点为投资者提供了一个理解当前市场结构变化的框架:即在 AI 热潮掩盖下,实际利率上升和财政脆弱性正在重塑资产定价。对于寻求在拥挤的 AI 交易之外寻找价值的投资者来说,关注那些被高资本成本“挤压”出市场的板块可能是一个合理的策略。

信息源:First Eagle Investments

研究

谷歌研究院提出用世界模型模拟健康习惯反事实场景的个性化教练框架

专题 · SensorWM快讯
2026-11-12 03:54

知道你的健康年龄只是告诉你现在站在哪里。要把它变成一份可以执行的计划,需要回答一个反事实问题:如果我在未来12周多睡30分钟或在日常加入一段快走,我的身体会怎样变化?把新的步数或睡眠目标直接塞进一个静态计算器,忽略了一个关键事实——身体是一个相互适应的系统。当你持续多运动、睡好觉几周后,静息心率和心率变异率也会逐步改善,产生额外的下游健康收益。

谷歌研究院的Zeinab Esmaeilpour和Ahmed A. Metwally在11月11日发表的研究中,针对这个问题开发了一个动作条件世界模型(SensorWM),用约10万名Fitbit用户的228万人周去标识化数据预训练。给定两周基线可穿戴数据,SensorWM能预测20项生理指标在12周内如何随不同步数、睡眠和有氧运动方案演化。它不是简单地外推趋势,而是在模拟一个因果链条:改变输入行为,观察生理适应,追踪连锁效应。

但模拟本身不等于好建议。最激进的锻炼计划如果导致第二周就放弃,毫无意义。团队设计了一个可行性约束优化器,将预测的健康年龄改善幅度与每个人历史习惯灵活性和临床安全边界做权衡:习惯灵活性高的人可能获得一个更激进的目标(健康年龄降低2.3年),而日常更受限的人则得到一个更温和的爬坡方案(降低1.3年)。语言模型再将排名靠前的路径翻译成一份支持性的、渐进式的12周教练计划。

在盲评实验中,五位认证生活教练在71.4%的评估中将这种基于反事实模拟的方案选为最佳整体计划,五位主治医师对99.2%的方案判定运动强度在安全范围内。不过作者明确强调,这些评估均为离线回顾性研究,模型是研究原型而非临床诊断工具,尚未经前瞻性试验验证实际健康改善效果。

信息源:research.google

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系