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

欧盟'简化'立法包:当去监管化话语遇上执法能力缺口

专题 · 欧盟AI去监管化争议实质变化
2026-11-11 20:07

在巴登-符腾堡州数据保护机构(LfDI Baden-Württemberg)举办的第五届AI周上,欧洲议会绿党/欧洲自由联盟党团顾问Ralf Bendrath描述了欧盟委员会近年立法话语的演变轨迹:从'竞争力'到'简化',再到如今公开谈论'去监管化'。他指出,这套被称为'综合立法包'(Omnibus-Gesetze)的法律修改工具,一次变更多部法规,表面上是行政减负,实际触及的是欧盟过去十年为保护基本权利和环境所建立的规则体系。

具体到2025年11月提出的'数字综合立法包',Bendrath列出了他认为攻击《通用数据保护条例》核心的几项修改:重新定义个人数据、限制数据主体的知情权、为人工智能训练发放通行证。此外,委员会计划自行通过实施法案决定何时将假名化数据视为匿名,以及将'科学研究'的定义扩展到涵盖以'新颖方式'应用已有知识——Bendrath认为这主要是为AI训练开后门。noyb的一项调查显示,德国受访Meta用户中仅7%希望自己的数据被用于AI训练。

但并非所有简化都遭到反对。Bendrath欢迎Cookie横幅的一键拒绝功能、具有约束力的机器可读浏览器信号(类似此前失败的'请勿追踪'标准),以及全欧洲统一的隐私影响评估触发清单。他引用欧洲央行前行长Mario Draghi的观点承认,《通用数据保护条例》在各成员国确实存在严重不一致的执行。

柏林艺术大学教授Max von Grafenstein则从实践角度切入。他参与撰写了创新经济学家Nicholas Martin的综述,该综述显示欧洲初创企业自2018年以来获得的风险投资减少,但von Grafenstein认为根源在于法律不确定性和复杂性,而非保护水平本身。他提出一个关键区分:降低合规成本不必以牺牲保护水平为代价。

von Grafenstein将最大的杠杆放在《通用数据保护条例》第25条第1款的'技术现状'概念上。在环境法中,这个术语意味着'最有效的可用技术',已经运作数十年;在数据保护领域却几乎未被激活。他建议监管机构要求企业提交有效性证明,例如证明Cookie横幅确实有效拒绝而非仅形式合规。这样市场会自发产生更好的解决方案,如同当年柴油颗粒过滤器催生了有效市场。

他的研究项目YourPrivacyLawyer衍生出的Consenter同意代理就是一个实例:用户预设偏好后,代理自动执行选择。研究显示,用户做出了更有针对性的决定,而具有可识别高保护水平的服务反而获得了更多同意——数据保护由此成为竞争优势。

然而,一个令人不安的矛盾浮出水面。Bitkom的调查显示,90%的企业认为需要有针对性地改革《通用数据保护条例》,但细看其诉求:88%抱怨具体规定不明确,61%抱怨监管机构缺乏指导,76%希望有一个集中的监管决定数据库。换言之,企业要求的是更多监管指导、更多可依赖的判例,而不是更少监管。

讽刺的是,巴登-符腾堡州正在做相反的事。根据绿黑联盟政府的预算草案,Keber的数据保护机构到2029年将逐步削减40%的岗位,尽管它获得了额外任务。一个由网络数据保护专家组织、混沌计算机俱乐部斯图加特分部、Digitalcourage、德国数据保护协会、FIfF和巴登-符腾堡州人文联盟组成的广泛联盟已致公开信反对这一削减,援引《欧盟基本权利宪章》第8条第3款和《通用数据保护条例》第52条第4款,要求监管机构必须配备足以'有效履行其职责'的资源。

von Grafenstein将此称为数据保护的'规模化问题':监管机构早已无法审查所有案件。他指出,立法者可以通过削减监管资源来'降低'数据保护成本——'这是区位政策'。他提出的出路是让市场为监管机构工作:要求企业提交保护有效性的证明,这样企业自身就有动力开发更好的解决方案。但他也承认,这些证明仍然需要有人来审查。

这一论证的核心张力在于:去监管化的政治动力来自数字产业每年1.51亿欧元的游说支出(Meta一家即1000万欧元),而实际合规需求指向更多而非更少的监管互动。当两者同时发生——规则被松动、执法资源被削减——保护水平在纸面之外的实际效力便面临系统性风险。Bendrath对此有一个务实的底线判断:与制定新法不同,这里已有生效的规则,如果各方无法达成一致,一切照旧即可。

信息源:heise online

研究

SambaNova在SambaCloud部署智谱GLM-5.3,称推理速度超200 tokens/s

快讯
2026-11-12 02:16

AI芯片与云服务厂商SambaNova于2026年11月11日宣布,智谱(Z.ai)的旗舰开源模型GLM-5.3现已在其推理云平台SambaCloud上运行。该模型专为复杂软件工程及长周期代理任务设计,SambaNova称其在Terminal-Bench 3.0和DeepSWE v1.1等基准测试中取得了开源权重模型的领先成绩,且相比部分闭源前沿模型使用了更少的输出token。

为了展示实际性能,SambaNova提供了一个典型的代理运行追踪:在一次持续17分30秒的任务中,模型进行了41次调用,处理了540万输入token,但仅生成约4.2万输出token。由于代理循环中每一步都会重新发送之前看到的所有上下文,输入token从第一次调用的38K增长到第八次的114K以上。SambaNova指出,在该运行中超过91%的输入由缓存提供服务,这使得每次调用的延迟保持在较低水平,从而让开发者能在实时交互中完成整个任务。

目前,GLM-5.3在SambaCloud上的推理速度超过200 tokens/s。这一高吞吐量特性使其适用于需要频繁工具调用和快速反馈的生产环境代理工作流。

信息源:sambanova.ai

研究

Cloudflare工程师解释:为什么Raft在全球互联网上会停摆,以及QuePaxa如何用可选领导者绕过故障检测

专题 · QuePaxa共识算法实质变化
2026-11-11 22:24

分布式共识系统的默认选择是Raft或Paxos,它们成熟、可理解、在局域网中工作良好。但Cloudflare的Meerkat服务需要横跨大洲运行,连接链路经常表现出高且波动的延迟。三位作者João Pedro Leite、Bob Halley和James Larisch解释,正是这个环境让他们放弃了所有主流算法,转向2023年由Tennage和Băsescu等人发表的QuePaxa。

问题的根源在于领导者型共识的两个结构性缺陷。第一个是破坏性干扰:当领导者故障或变慢时,多个副本同时发起选举,彼此阻止对方获得多数票,选举反复失败。即使网络故障仅持续两秒,选举风暴可能延续远超故障本身的时间。作者称之为亚稳态故障——初始原因消失后,故障模式仍自我维持。

第二个缺陷是故障检测本身。在异步网络中,一个进程无法直接观察远程进程是否已死,只能观察预期消息是否按时到达。延迟突发和连接中断会让健康的领导者看起来已经故障。Raft通常部署选举超时为网络往返时间的五到十倍,在跨洋链路上百毫秒的往返意味着检测一个失败协调者可能需要接近一秒——这段时间内系统完全停摆。Cloudflare在2020年亲历了这一点:一台核心网络交换机的部分故障导致内部共识系统降级,仪表盘运行速度降为正常的八十分之一,持续六小时,数据未丢失但写入完全不可用。

QuePaxa的应对方式是三项设计选择。第一,领导者变为可选。任何提议者都可以提交提案,领导者只是拥有最高优先级、最可能单程往返完成决策的那个。领导者宕机时,客户端继续向其他提议者发送请求,系统不停。第二,用建设性干扰替代破坏性干扰。提议者不是竞争各自的提案,而是通过随机优先级协作收敛到已知最高优先级的提案——当提议者收到更高优先级的提案时,它采纳该提案而非与之对抗。第三,对冲超时不受网络延迟约束。客户端向所有副本发送请求,非领导者副本等待一个很短的本地超时后自行提案。这个超时不是故障检测,不需要大于网络往返时间,因此可以设得极小而不冻结系统。

具体执行分为四个阶段。阶段零中,提议者随机选择优先级并提交,采纳从多数记录器收到的最高优先级提案;如果领导者确认其提案先到达多数记录器,可立即决策。阶段一将采纳的提案扩散到多数记录器。阶段二让提议者查询多数记录器在阶段一中看到的最高优先级提案,若与自身一致则决策。阶段三为未能决策的提议者准备下一轮,从多数记录器采纳最佳提案。多数交集性质保证安全:任意两个多数集合至少共享一个记录器,因此已决策的提案不可能被后续轮次推翻。

Cloudflare报告了内部评估结果:在服务器横跨几乎所有大洲的环境中,Meerkat持续处理请求,从未完全停摆。正常情况下95%以上的决策在阶段零由领导者单程完成;领导者故障时决策率降至约65%,一分钟后替换领导者即恢复。当决策未在阶段零完成时,吞吐短暂降至正常值的三分之一,因为需要三个往返而非一个。作者强调这是权衡而非免费午餐:更多活跃提议者意味着更多广播和更低的单轮决策概率,但他们认为用带宽换取不中断是值得的。

需要保留的边界:QuePaxa论文预测每轮有50%的决策概率,实际因收敛效应更高,但没有保证的轮数上界。Cloudflare的性能数据为内部自报,且算法本身未经Raft或Paxos同等规模的独立实战检验。作者也提到正在将原始crash-stop设计扩展为支持crash-recovery,这增加了工程复杂性和正确性验证需求。

对读者的实际意义:如果你的共识系统运行在可预测延迟的局域网中,Raft仍然是正确选择。但如果你的副本跨越大洲、网络延迟不可预测且故障检测误判的代价是系统停摆,QuePaxa的可选领导者和建设性干扰机制提供了一个有具体设计理由和初步生产证据的替代路径。核心洞察不是QuePaxa比Raft更快,而是它在网络恶化时不会完全停止——当网络正常时它快,当网络不正常时它仍在推进。

信息源:Cloudflare Blog

研究

IBM报告:AI成数字主权最大压力测试,企业自信远超实际证明能力

专题 · IBM数字主权指数实质变化
2026-11-11 21:00

美国科技公司IBM于2026年11月11日发布《Proof, Not Promises: The Digital Sovereignty Index》报告,揭示大型企业在人工智能时代面临“过度自信差距”:尽管82%的受访高管表示非常有信心或极其有信心能够提供主权控制的证据,但仅有26%的企业达到了该指数的“数字主权领先”层级。这一差距表明,随着AI应用的加速,企业自认为拥有的技术控制权往往无法经受正式审查的压力。

报告显示,AI已成为数字主权的主要压力测试点。在过去三年中,94%的受访企业至少面临一次主权挑战,其中44%的挑战与AI直接相关,包括提供商故障、治理问题或模型输出不可解释等,这一比例高于数据访问问题(33%)、政府限制(30%)和正式审计(38%)。在那些面临挑战的企业中,81%被迫向监管机构、客户或审计方提供正式的控制证据。

IBM的数字主权指数衡量组织在AI、技术、运营和数据四个支柱上保留和证明控制的能力,涵盖责任、追溯、约束、干预、合法性和退出六个维度。研究发现,只有33%的受访者定期测试其展示主权的能力,而大多数企业依赖手动或耗时的证据收集(56%),且证据分散在不同团队和系统中。达到“领先”层级的企业更有可能在不造成重大中断的情况下解决最具挑战性的主权事件(52%对比建立阶段企业的22%)。

IBM全球事务高级副总裁Jonathan Adashek指出,当业务问题转化为风险时,董事会需要展示真正的控制力,即如何适应、改变战略或关键供应商。他强调,当前的挑战通常不在于缺乏控制,而在于主权努力未能构建为能在压力下顺畅回答上述六个维度的问题。

信息源:IBM Newsroom

研究

Shopify 工程团队:搜索与推荐为何能共用一个生成式模型

专题 · Shopify实质变化
2026-11-12 02:27

搜索和推荐在工业系统中通常各走各的管线:搜索处理显式查询,推荐依赖隐式行为信号。Shopify 工程团队提出了一个更根本的观察——两者共享同一组输入和目标。搜索查询提供显式意图信号,推荐则从浏览和购买行为推断意图;但两者都需要产品知识和买家上下文来识别相关商品。这个共同基础使联合训练成为自然选择,而非工程妥协。

要让一个语言模型同时服务搜索和推荐,首先需要一个共享的商品词汇表。Shopify 目录包含数十亿商品,原始商品 ID 的数字本身不携带任何产品信息,把每个商品当作独立输出会创造数十亿条词汇,训练样本极度稀疏。他们的解决方案是语义 ID:先用嵌入模型将商品内容编码为向量表示,再用 RQ-KMeans 将嵌入转换为三词元离散编码序列,每层码本包含 8192 个条目。关键效果是相关商品共享编码前缀——例如以 [6001] 开头的商品涵盖各种马甲和背心,[6001, 5561] 进一步聚焦到不同颜色的填充背心。这意味着一个商品的训练样本能更新其邻居的共享表示,为交互稀疏的商品提供了学习途径。

联合训练是否真的让两个任务互相受益?Shopify 给出了消融实验。移除搜索数据后,推荐 Recall@50 从基线 21.0 降至 20.9;移除推荐数据后,搜索 OneDCG@10 从 28.8 降至 28.5,搜索购买 Recall@10 从 33.4 降至 32.6。两个方向都有下降,说明共享训练确实产生了交叉增益。团队还发现,监督微调虽然能教会模型复现历史样本,但准确预测下一个词元并不完全等同于检索质量——多个商品可以满足同一意图,而训练样本中只记录了一个观察到的购买或点击。为此,他们引入强化学习,用 LLM 相关性判断器提供奖励信号,在搜索任务上额外带来 1.5 点 OneDCG@10 提升。

生产部署的约束决定了模型规模和推理方式。Shopify 将生成式模型定位为候选生成器,与下游排序共享一次实时请求的延迟预算。他们选择了 Liquid AI 的 LFM2-2.6B,p95 延迟 25.5 毫秒(beam width 100),而更大的 Qwen3-14B 虽然质量更高,108.4 毫秒的延迟已无法为后续排序留出足够时间。约束解码方面,他们基于 STATIC 方法将目录前缀树表示为 GPU 上的稀疏索引,通过 CUDA/C++ 插件在 TurboMind 中强制执行,将约束开销从超过 50 毫秒降至约 1 毫秒。多词元预测进一步将三个码字的自回归生成压缩为单次前向传播,省下的时间用于生成更大候选集再由轻量排序器精选。

需要明确的是,上述所有性能数字均为 Shopify 自报的生产指标,没有独立验证。在线增益(订单 +7.95%、转化率 +9.85%)来自 Shop 首页推荐实验,搜索质量提升来自内部 OneDCG@10 评测。这套架构的适用条件与 Shopify 的商品目录结构、请求延迟预算和参与商家规模紧密耦合;不同商品分布、不同延迟约束或不同交互密度的系统未必能直接复用相同决策。团队自己也指出,下一步目标是将意图理解、候选生成和排序整合进同一个模型,并引入在线持续训练——这意味着当前的架构定位(候选生成器)本身是一个阶段性的工程选择,而非最终形态。

信息源:Shopify

研究

亚马逊云科技发布由AI智能体构建的开源本地模拟器,解决AI代码验证瓶颈

专题 · AWS Emulator实质变化
2026-11-12 01:30

亚马逊云科技(AWS)于2026年11月11日发布了名为“AWS Emulator”的新服务。这是一款免费、本地托管的软件套件,能够在开发者的工作站上复制该公司数百项云服务的功能。据AWS高级首席工程师Matt Goldberg称,该服务完全由自主人工智能智能体设计和编写,没有一行代码经过人类工程师的撰写或审查。

这一工具的推出旨在解决随着AWS Kiro和Claude Code等AI编码智能体的普及而出现的开发瓶颈:AI生成代码的速度远超人类验证速度,但将所有AI生成的代码都在真实的AWS云基础设施上进行验证,因延迟和成本问题变得几乎不可行。现有的第三方AWS模拟器仅覆盖AWS庞大服务目录的一小部分,且容易随服务演进而失效。

Goldberg受到AWS早期分布式锁服务“Alf”开发经历的启发。当时团队需手动构建Java虚拟机来模拟整个环境,耗时数月。如今,他利用AWS公开的Smithy API模型作为规范,以实时AWS平台为基准真值,指导AI智能体重建服务。例如,提示AWS Kiro重建Amazon Simple Queue Service,它在15分钟内生成了功能副本。随后,团队组织数十个运行在Amazon Bedrock AgentCore上的自主智能体,分为三个小组:一组生成端到端保真度测试套件并对照实时云验证;另一组运行测试以发现差异并自动提交GitHub Issue;第三组实施修复。最终代码在进入仓库前还需通过对抗性安全智能体的自动合并门控检查。

AWS Emulator使用Rust语言编写,作为本地HTTP服务器运行,支持Linux、Windows、macOS及Docker容器。开发者只需将AWS CLI或SDK调用重定向至localhost即可进行离线验证。该项目以Creative Commons CC0公共领域许可证开源,并公开了已知差异的积压列表。AWS代理式AI与新兴技术副总裁Swami Sivasubramanian表示,这标志着软件工程师角色的演变:从编写代码转向定义边界、架构测试规范和设计护栏,成为“系统编排者”。

信息源:SiliconANGLE

研究

谷歌DeepMind AlphaProof代码在四周内验证了Signal加密核心

专题 · AlphaProof实质变化
2026-11-12 02:18

谷歌DeepMind(Google DeepMind)发布AlphaProof代码系统,声称已在四周内数学证明了Signal即时通讯应用的加密核心代码符合安全规范,而此类工作通常需要数年时间。

据DeepMind研究人员Pushmeet Kohli和Swarat Chaudhuri介绍,该系统不仅验证理论设计,还直接验证了用户设备上运行的实际密码学核心代码。在专家定义正式安全要求后,基于Gemini Carbon构建的AI代理编写了超过六百万行Lean证明语言代码,并标记约百分之一的代码库供人工审查。测试中故意植入的两个漏洞被立即捕获。

Signal首席技术官Ehren Kret表示,这种方法增强了人们对数据隐私的信任。DeepMind计划通过CodeMender等系统将这一方法扩展到电网和医疗设备等领域。

信息源:The Decoder

研究

FreeBSD项目成立AI工作组,拟制定代码贡献政策

专题 · FreeBSD AI政策快讯
2026-11-11 19:30

FreeBSD项目在周二发布的2026年第三季度状态报告中透露,该项目已成立一个AI工作组,旨在起草关于人工智能使用的正式政策。这一举措源于对开发者的内部调查,结果显示绝大多数参与者希望明确AI在代码贡献中的角色。

调查显示,88%的受访开发者希望FreeBSD项目采纳AI政策。在具体执行层面,35%的受访者要求披露AI辅助编写的代码,22%认为应将其视为普通代码贡献处理,仅有16%的人主张完全拒绝AI生成的代码。此外,65%的受访者支持在人工审核的前提下使用AI生成文档。

该AI工作组目前正在起草政策草案,预计将在第四季度提交最终报告。这一进展反映了开源社区在面对大语言模型(LLM)日益普及的背景下,试图建立透明且可操作的治理框架的努力。

信息源:phoronix.com

研究

曼集团信用团队:本轮信用周期以分化为主,AI正在投资级市场制造新的集中度风险

专题 · 曼集团信用周期分化论结构性
2026-10-28 07:00

曼集团信用团队在2026年10月发布的信用周期展望中提出了一个核心判断:本轮周期以分化而非全面信用恶化为主要特征。这一判断并非基于乐观假设,而是来自对私募信贷、高收益、杠杆贷款、新兴市场公司债和投资级市场的数据审视——每个板块都显示出韧性,但韧性的分布极不均匀。

AI是这种分化最具体的放大器。在私募信贷领域,2026年软件与SaaS行业的高调违约引发了对资产类别整体韧性的质疑,但Cliffwater直接贷款指数的数据显示,已实现信用损失仅为0.47%,低于约0.98%的长期年均水平。然而非应计率从2025年底的1.27%升至2026年一季度的1.85%,隐含回收率从约53%降至49%。曼集团指出,关键在于AI对不同借款人的影响截然不同:深度嵌入客户运营、难以替换的任务关键型企业软件,与商品化的单点解决方案SaaS产品是完全不同的信用命题。贷款人需要判断AI的采用是在支撑借款人的定价能力和客户留存,还是在同时威胁两者。

在投资级市场,AI以另一种方式制造风险——不是通过违约,而是通过集中度。超大规模科技公司今年在AI基础设施上的支出估计高达8000亿美元,通过公司债和资产支持结构融资,带来大量长端债券供给。JPM美元投资级超大规模指数利差在2026年8月底达到约140个基点,约为2025年初水平的两倍。曼集团警告,如果这些投资未能产生预期现金流,超大规模公司可能成为投资级回报的重大压力来源——尤其是当它们在投资级指数中的份额预计四年内达到10%时。值得注意的是,这种暴露不限于美元组合:Alphabet已在六种货币中借入约600亿美元,说明同一发行人可以出现在按货币或地域分散化的组合中,而曾经独立运作的资金池正在共享相同的底层信用风险。

曼集团同时指出,当前环境使误判的代价更高。高收益市场每单位杠杆所获利差已压缩至有数据以来最紧水平之一,CCC与BB利差之比处于过去十年区间的第98百分位。杠杆贷款借款人因浮动利率债务将基准利率变化更快传导至利息支出,可能比固定利率高收益债券发行人更早面临现金流压力。PIK利息收入占直接贷款指数总收入的6.92%,接近疫情后低点,但真正的问题是其使用是否集中在已经承压的借款人中。

曼集团的结论是:机会在于区分那些能够在更苛刻的周期阶段中承载其债务的借款人和结构,与那些定价仿佛什么都不会改变的借款人和结构。这一论点的前提是分化不会演变为全面恶化——如果增长放缓或融资成本长期维持高位,其影响不太可能在所有发行人之间均匀分布。该文章由AI辅助起草,但论点和数据归属来自署名作者团队。

信息源:man.com

研究

制造公司Bright Machines从气隙工厂推数据出来:边缘捕获与联邦查询替代九服务管道

实质变化
2026-11-12 07:42

客户走进Bright Machines的工厂,站在装配看板前看产线运行,然后要求一份数据:各工位良率、节拍趋势、按原因分的停机时间、批次追溯。Bright Machines内部有这些数据,操作团队每天都在看。但客户无法通过网络直接访问——工厂的安全设计是气隙的:没有入站访问,出站路径极少,对风险零容忍。过去唯一的共享方式是在本地重跑报表然后用邮件发送,每次新报表需要数据工程团队通过多个ETL作业重塑数据,耗时数小时到数天。

Bright Machines为制造业客户构建软件定义的自动化产线,运行在客户工厂内部。每条产线跑着一整套本地服务——自研MES、客户MES集成、操作屏、机器人编排器和装配看板——全部持久化到工厂本地PostgreSQL集群。数据驱动良率、财务、运营、质量、供应商组件质量、NCR追踪、批次追溯、OEE以及每班的停机与节拍分析。

团队最初尝试在云端重建每个工厂数据库的副本,基于应用事件驱动,跨越九个松耦合服务:消息代理、自定义搬运器、队列、对象存储、若干无服务器函数、云关系数据库、调度器、ETL管道和一个基础RBAC的开源BI工具。这套架构在工厂内运行正常,但出了工厂门全是问题:模式频繁变更时管道静默丢弃数据;死信队列难以监控,丢失或重复的事件无人察觉;数据落桶后无法确认准确性和来源;缺乏可演示的治理和角色化访问控制。

新架构的需求约束按优先级排列:访问控制必须匹配工厂内已有的角色限制;必须有一条可向任何安全团队解释的单一可审计出站路径;新鲜度以分钟计;边缘使用开放格式。威胁模型的核心规则是:数据可以被推出去,但外部不能伸进来。

这意味着两个显而易见的拉取式方案——Lakeflow Connect直接从PostgreSQL摄取,以及PostgreSQL导出被Auto Loader拾取——都被排除了。拉取式摄取需要一条从云到工厂数据库的网络路径,并且需要在数据所在账户之外的环境中运行摄取计算。问题变成了:如何在保持所有接触原始工厂数据的组件都在自有环境内的前提下,得到同样的治理结果?

答案是翻转方向:不在云端拉,而是在边缘推。Bright Machines的架构分五步。第一步,Debezium Server在工厂边缘尾随PostgreSQL复制槽,将变更写入本地对象存储上的追加型Apache Iceberg变更日志。如果广域网中断,积压变成工厂本地的对象文件,而不是生产数据库上堆积的预写日志。第二步,一个边缘组件将每个对象复制到该站点云账户中的一个存储桶——这是工厂唯一的出站数据路径,其凭证只能写入这一个桶。跨账户复制将对象传到分析账户。第三步,Iceberg表注册在AWS Glue中,Unity Catalog将Glue联邦为只读目录,使工厂PostgreSQL数据库中超过一百张表可在Databricks中直接查询而无需复制。第四步,Databricks SQL中用Bronze视图将变更日志折叠为当前状态,一个Lakeflow作业每十分钟重建Silver模型。第五步,AI/BI看板读取Silver层数据并提供角色化权限,OpenSharing将同一份治理数据零拷贝分享给客户。

一个关键设计决策是为什么在AWS Glue中注册Iceberg表,而不是让Databricks直接指向存储桶。对象存储上的变更日志是一串不断新增的元数据文件。一个小函数只在新的元数据文件完全复制完成后才推进Glue中该表的指针,而且只能向前推进。Glue持有指针,Unity Catalog持有权限,Databricks只读取已验证的版本。这给了Bright Machines对每张表何时向前移动的精确控制——一个自己拥有的目录跳跃,加上指针上的守卫。

另一个容易被忽视的运维问题:如何区分空闲产线和故障管道?产线换班时停止运行,没有新行到达,这看起来和管道断裂完全一样。行数无法区分这两种极端。Debezium每五分钟更新每个源数据库中的一行心跳表,无论产线是否在运行。这个心跳更新走与生产数据相同的路径。Lakeflow作业的第一个任务检查心跳,如果任何心跳超过三十分钟未更新,任务失败,整个作业变红。看板继续显示最后一次好数据,而不是把过期数据呈现为当前数据。

实际结果:产线上提交的一行数据在稳态下一到两分钟内在Databricks中可查询,Silver模型和看板每十分钟刷新。心跳检查在三十分钟内发现管道故障,而不是像过去那样需要数天。第一个客户可见看板在启动后约两个月上线。概念验证由两名工程师在约六周内完成。

迁移分四个阶段:在一条PoC产线上试点;在最高价值产线上正式上线;与旧快照路径并行运行逐行对比校验;最后硬切换客户看板。

一个意外的发现是规模出现在错误的维度上:每天移动几百GB,但以数十万个小对象的形式,所以每个设计决策最终都是关于对象速率而非字节数。团队表示如果重来,会在第一天就构建对账路径——由创建事件驱动的同步永远不会回头取回它错过的对象,下游直到查询触及时才会发现。

Bright Machines总结了五条对其他需要从受限站点共享数据的团队有用的经验:从已有的安全模型出发选择平台,而不是近似它;先设计唯一的出站路径并在其后缓冲;保持对表何时向前移动的控制;数据只构建一次,让权限处理其余部分;在心跳上断言新鲜度,而不是在行数上。

需要指出的是,这是Databricks官方博客上Bright Machines团队的自述案例,所有性能数字均为自报,未经独立验证。架构与AWS、PostgreSQL和Databricks栈深度绑定,但作者指出Databricks侧的设计在任何云上相同,迁移只需更改边缘同步目标、跨账户复制和目录跳跃这几个资源。

下一步,Bright Machines计划在已治理的数据之上构建自然语言分析(Genie)、面向运营的自定义AI代理和预测分析,让产线上的操作员、质量工程师和维护技术人员——他们有领域专长但不是SQL用户——可以通过提问获得基于同一治理Silver数据的回答。

信息源:Databricks

研究

ElevenLabs上线企业AI语音代理市场,首批伙伴包括Salesforce、IBM、Zendesk

快讯
2026-11-11 20:00

美国语音AI公司ElevenLabs于2026年11月11日推出ElevenLabs Marketplace,这是一个精选平台,帮助企业发现由技术合作伙伴构建的行业专用AI语音代理。首批合作伙伴包括Salesforce、IBM、NiCE、Twilio和Zendesk,覆盖金融服务、保险、医疗、电信和零售等领域。

ElevenLabs首席执行官Mati Staniszewski表示,企业可以寻找已经适应其工作流程的代理,无需从零构建。公司计划从明年起支持通过现有ElevenLabs承诺额度购买符合条件的合作伙伴方案。

信息源:ElevenLabs

研究

Man Group:宏观双视角国家配置模型为系统性EM策略补充低相关alpha

实质变化
2026-10-21 06:00

在系统性新兴市场股票策略中,选股是alpha的主要来源,公司基本面——盈利动态、资产负债表质量和估值信号——在证券层面确实具有预测力。但国家层面的回报是另一回事:货币政策周期、贸易条件、外部需求和金融条件等宏观力量往往占据主导。Man Numeric的研究人员Mickael Nouvellon和Dawei Zhou指出,一个关键但长期被忽视的事实是:新兴市场国家层面的风险贡献显著高于发达市场,这意味着国家配置的机会集在结构上更大,而选股模型通常并未被设计来利用它。

最直觉的做法是将相对估值和12个月价格动量标准化后组合成横截面国家多空信号。但Man Numeric发现这一方法存在结构性缺陷:估值和动量都是慢变量,产生的国家敞口可以多年保持不变,而非随宏观周期轮动。以韩国为例,由于其相对于EM同行的长期估值折价(由公司治理问题和集中的出口导向产业结构驱动),该模型在过去二十年中几乎始终维持做多韩国股票的立场,与当时的宏观环境基本无关。更关键的是,这一信号与选股模型使用的信息高度重叠,其国家倾斜往往与基金经理已有的选股alpha正相关,分散化收益有限。

Man Numeric提出的替代方案是结合基本经济逻辑与机器学习技术,利用高质量、时点性的宏观经济数据构建国家配置模型。该框架通过两个互补视角运作:时间序列视角将每个国家与自身历史比较,捕捉其独特动态(例如巴西当前的宏观环境相对其历史常态是在改善还是恶化);横截面视角同时比较所有国家,模拟全球配置者的相对价值判断(例如巴西此刻是否比印尼或南非更具吸引力)。两种信号融合为单一观点,既考虑国家特定动态又兼顾相对定位,能够识别出油价上涨对韩国这样的净进口国与沙特这样的净出口国的不同影响,也能建模美国利率或中国工业产出通过贸易联系向特定EM经济体的溢出效应。

韩国2021至2026年的案例展示了该模型的动态适应能力。2022年,模型信念从主权信用担忧转向外部贸易脆弱性——乌克兰战争引发的能源价格波动使贸易余额成为最大拖累项,得分在8月触底。2023年初,一次板块轮动信号显示国内动能在全球背景改善之前已经开始转向;此后模型在贸易余额企稳和核心通胀软化期间保持看多,直到2024年9月新一轮板块轮动将得分拉回周期低点。2026年初,白银和黄金价格骤降叠加半导体出口强劲和油价走软,使韩国出口引擎重新获得动力,得分出现最显著的改善。这与基本面模型产生的静态多年期倾斜形成鲜明对比。

在2008至2026年的回测中,这一宏观模型产生了0.85的已实现Sharpe比率,较基本面模型不足0.5的水平有实质性提升,同时换手率低28%,最大峰谷回撤4.6%对比基本面模型的8.7%。由于构建于宏观经济数据而非估值或价格信息之上,其日收益与基本面模型的日收益相关性仅为0.08,构成一个基本不相关的alpha来源。

但Man Numeric明确标注了若干重要边界:所有结果均为未扣除交易成本的毛收益;两个模型均每日再平衡,意味着可观的年化换手率,转化为实际可交易策略需要通过仓位平滑、降低再平衡频率或明确交易约束来处理成本问题;韩国单国研究仅为模型机制的说明,其结果不应推广至其他市场;基本面模型自2008年以来超过40%的增值集中在最近12个月,且该模型在2022年俄罗斯变为不可投资时特别脆弱。这些是Man Numeric作为策略提供方自报的回测结果,尚未经独立验证。

Man Numeric的结论是:这不是对选股的替代,而是对其的补充——一个系统性叠加层,将国家风险从未经管理的残差转化为有意的、数据驱动的alpha来源。随着新兴市场宏观分化持续加深,他们认为将这一能力整合进机构投资流程的理由只会增强。

信息源:man.com

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系