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

2026-11-1673 篇

刷新

AI人人都有,情境才稀缺:专属数据、机构知识、治理与伙伴关系,决定企业长期AI优势

专题 · 企业AI情境化能力实质变化
2026-11-16 10:50

当每家企业都能通过云端供应商、软件平台与企业生态系统取得越来越相近的AI能力时,真正拉开差距的不再是模型本身,而是AI是否理解企业自身的状况。过去外界谈论大型语言模型时,焦点多半放在能力——哪些模型最先进、哪些实证最重要、哪些公司走得太快。这些问题仍然重要,但企业内部正在发生更根本的转变:AI本身越来越普及,具备情境的AI却仍然稀缺。对多数企业来说,挑战已经从「取得智慧」转为「有效运用智慧」,也就是让AI能结合企业独有的数据、工作流程、政策、治理与机构知识。

AI越普及,企业也越难靠它拉开差距。有研究者把这种现象称为「代理式趋同陷阱」:越多企业采用相似的AI技术,各家的能力就越趋于相同。企业投入大量资金,却越来越难靠AI投资脱颖而出。随着智慧本身的差异逐渐缩小,竞争优势将来自模型所运作的情境。波士顿咨询公司2025年的研究印证了这一判断:60%的组织表示AI带来的营收与成本效益有限,也缺乏扩大应用的能力;表现最好的前5%企业,则以1.7倍的营收成长与3.6倍的股东总报酬,与竞争者的差距持续拉大。

情境之所以关键,是因为企业决策很少只取决于信息本身,还受到运营优先顺序、法规要求、风险承受度,以及多年累积的专业经验影响。以供应链为例,知道某家供应商延迟交货,只是信息;理解这次延迟会如何连带影响生产排程、客户承诺、库存与季度财务,才是情境。主管评估潜在供应中断时,AI模型可以找出问题并汇总数据,但哪个项目最关键、哪些取舍符合业务目标,仍需要情境才能判断。模型提供的是智慧,情境则决定如何把洞察转化为行动。AI分析平台业者Virtualitics也在复杂的运营环境中看到同样的情况:这类决策需要串联维修记录、零件库存、排程限制与组织优先顺序,AI代理人负责呈现各种取舍并解释建议,最终判断仍交由负责的人做出。

要建立长期的AI优势,企业需要投资模型以外的能力,主要可分为四项。第一是专属数据。企业最有价值的资料往往位于防火墙内,也就是企业内部的资安边界之内,大型语言模型无法直接取得。运营记录、维修历史、客户互动与领域专属数据,能提供通用模型所没有的观点。当AI能力逐渐拉平,独特数据的价值也会越来越高,往往直接决定AI产出的品质。第二是机构知识。每个组织都有许多专业存在于正式文件之外,资深人员理解的各种细节与决策标准很难写进数据库,他们能看出别人忽略的模式,并理解决策如何影响整体结果。把这些知识保存下来,可能是企业AI最大的机会之一,让企业从单纯的自动化走向组织层级的智慧。第三是治理与运营框架。信任仍是企业AI的根本,经营者需要确信AI的建议符合企业优先顺序、法规与政策,也需要清楚了解建议是如何产生的。缺乏这层机制,智慧扩张的速度可能会超过问责机制。第四是策略伙伴关系。没有任何组织能拥有发挥AI所需的全部专业、资料与技术,因此伙伴关系能把大型语言模型的能力,与领域专业及运营现实结合起来。

评估AI投资时,经营者可以先问自己五个问题:组织内有哪些独特情境是竞争者难以复制的?AI能多有效取用可信的企业资料?企业是否在机构知识形成孤岛或流失之前就把它记录下来?哪些伙伴关系能强化企业的AI生态系统并提升决策品质?如何确保AI的建议能反映企业的优先顺序、治理要求与业务目标?这五个问题的意义,在于把企业的讨论焦点从挑选模型,移到长期价值的创造。

企业AI的第一阶段比的是取得,各家企业竞相导入并部署新模型;下一阶段则不同。模型会持续进步,取得门槛也会持续降低,数据、专业、治理、工作流程与伙伴关系,将成为把AI产出转化为可信决策与可衡量成果的关键。要让优势持续扩大,系统也必须能持续学习。能建立长期差异的企业,会打造能从每次互动、决策与结果中学习的系统,自动纳入新知识,让智慧随时间累积。每经历一个业务循环,系统就更聪明,即使竞争者使用相同的基础模型,彼此的差距也会越拉越大。最终能保有持久优势的,将是那些围绕最先进AI建立起最丰富情境的组织。

信息源:TechOrange 科技報橘

研究

LINE客户端团队工程师王巍:一个非云原生团队如何从零长出云端编码Agent平台

实质变化
2026-11-16 10:00

LINE应用开发SBU AI开发者体验团队的工程师王巍(onevcat)在技术博客上详细记录了他们从零搭建内部云端编码Agent平台Agent Cluster的经历。这个团队日常开发iOS和Android应用,并非云服务专家。他们面对的核心问题是:本地编码Agent在电脑关机时停止工作,而新一代Agent需要长时间运行和持续验证。

王巍明确提出了他的方法论:复杂Agent系统必须从可验证的最小循环开始增量生长。他引用John Gall的法则——一个能正确运行的复杂系统,无一例外地都是从能正确运行的简单系统演化而来的。他的第一个最小循环是启动沙箱、获取认证信息、调用LLM,跑通之后才逐步添加其他功能。后加的功能几乎都来自实际需求:有人想用自己的账号和预算,就有了个人和团队调用方;有人不会写代码也想用,就有了Web控制台和事件触发器;有人需要分阶段推进,就有了Job链式编排。

安全模型是整个平台最底层的决策。王巍选择了agent-in-sandbox模式——Agent进程整体运行在不可信容器中,只有高权限操作才委托给宿主机。核心原则是认证信息绝对不进入沙箱。这意味着即使Agent被提示注入攻击或出现意外行为,沙箱内也没有可窃取的身份凭证。权限设计遵循三个规则:只收窄不扩大、不提供不可逆的危险操作(如PR合并和force push)、每次调用时由宿主机实时检查。人在整个流程中只参与最后的合并和部署。

巨大仓库的处理是另一个关键约束。他们首次尝试在VM上克隆iOS仓库时,仅git clone --mirror就花了三分半钟,加上工作树展开超过五分钟。但测量后发现,git数据约6GB主要是10年以上的历史记录,工作树文件数约4.6万、仅约0.3GB。最终方案是在宿主机上维护每个仓库的只读共享镜像,每个任务通过对象共享方式克隆,耗时约1秒。容器创建本身不到1秒,从接收请求到沙箱就绪通常5到10秒。

在容器运行时选择上,他们实测发现gVisor和microVM在巨大仓库的文件操作上比常规容器慢十数倍到数十倍。隔离开销大致等于跨越边界一次的成本乘以访问文件数,而Agent需要读取和搜索数万文件。王巍还特别提到,最初在本地arm64机器上测试时gVisor看起来没问题,但在与生产环境相同的x86环境下重新测量后结论完全反转。这提醒所有做类似决策的团队:判断必须基于自己的生产环境数据。

运营数据方面,平台从七月发布到十月,月执行任务从375件增长到近12000件,增长31.6倍,而总成本仅增长7.5倍。单位任务成本下降了76%。王巍解释这主要靠两点:新世代模型API单价下降,以及按任务匹配模型的策略——目前超过三成的任务使用小模型处理,小模型单价不到旗舰模型的二十分之一。

从本地到云端的迁移中,王巍认为最大的障碍不是技术而是思维方式的转变。本地Agent习惯在提示中直接写curl命令、逐步告诉Agent如何获取数据;但云端沙箱网络隔离、只能用预置工具。云端更有效的方式是写意图——需要什么信息、最终输出什么——让Agent用平台提供的工具自行获取。

Yogake(夜駆け)是平台上运行的上层应用,代表了一种完整的开发流程自动化:给工单打标签,夜间Agent自动完成需求理解、实现、审查、构建、测试,第二天早晨开发者只需确认PR。王巍将处理拆分为多个独立Agent步骤(工单收集、认领、分诊、各平台实现、汇总报告),每步可选不同模型控制成本,权限按步骤隔离,目前每晚产出5到8个PR。

王巍最后强调三个共享经验:复杂系统要养不要设计;为Agent重新思考人类基础设施(认证信息、CI、身份体系);参考可以但不能照搬,因为每个团队的选择都来自自身约束。整个平台主要由他一人开发,从六月初首次提交到十一月发表约五个月,约2700次提交中96%是他的,而他自述没有手写一行代码——全部通过与Agent讨论规格、让Agent实现、另一个模型审查、CI验证的流程完成。

信息源:LINEヤフー Tech Blog

研究

日立开发AI辅助芯片小芯片封装设计技术,称可减少九成设计候选

快讯
核验于 2026-11-16 13:31

日本电子巨头日立制作所于2026年11月宣布,开发出一项用于芯片小芯片(Chiplet)封装设计的基盘技术。该技术结合智能体AI(Agentic AI)和高速物理仿真模型,旨在解决随着芯片组合复杂度增加而导致的早期设计筛选耗时过长的问题。

据日立介绍,工程师只需通过自然语言输入设计要求,智能体AI即可自动从采购可行性、制造规格及现有设计知识中筛选出合适的芯片组合、布局及封装结构候选方案。随后,系统利用AI模型快速分析电气、热学和应力特性,以评估这些候选方案的可行性。

在针对三种不同芯片小芯片产品的封装设计验证中,日立表示该技术将需要设计师逐一确认的候选方案数量减少了90%以上。同时,该流程能在详细设计阶段之前,提前识别出潜在的热积聚、电气故障或应力风险,从而显著降低设计返工的可能性。

这一进展反映了半导体行业在应对摩尔定律放缓时,正积极将AI引入更深层的工程环节。虽然目前效果主要基于内部验证,但若能在实际生产中复现,此类工具有望大幅压缩面向边缘计算和汽车电子等高性能应用的芯片上市时间。

信息源:rd.hitachi.co.jp

研究

SambaNova与英特尔展示风冷异构推理架构:D系列GPU负责预填充,SN50负责解码

实质变化
2026-11-16 12:47

在2026年超级计算大会(SuperComputing 2026)上,AI芯片公司SambaNova与英特尔联合展示了一种新的异构推理架构。该方案将英特尔GPU D系列(代号Crescent Island)用于处理计算密集型的“预填充”阶段,而SambaNova的第五代可重构数据流单元(RDU)SN50则用于内存带宽密集的“解码”阶段。这一组合旨在让每个推理阶段都在最适合其特性的硬件上运行,从而构建一个完全风冷的“Token工厂”。

英特尔D系列是一款350瓦的风冷PCIe GPU,专为数据中心推理设计。它拥有32个Xe3P核心和256个XMX引擎,配备160 GB LPDDR5X内存(合作伙伴设计可达480 GB),提供1.5 TB/s的内存带宽,适合处理长上下文提示并构建键值缓存(KV Cache)。相比之下,SambaNova SN50采用连续数据流架构,避免了GPU中常见的内核启动开销和内存往返传输,特别适合逐token生成的解码任务。单个SN50机架包含16个RDU,典型功耗为20千瓦,可直接部署在许多现有的风冷数据中心内。

该系统的软件栈基于开源标准,包括NVIDIA Dynamo用于请求路由、vLLM作为服务引擎以及NIXL用于通过RoCEv2以太网进行KV缓存传输。这种设计允许服务提供商在不学习专有堆栈的情况下,利用现有的网络基础设施实现高效的缓存感知路由。当智能体返回对话或重新访问共享上下文时,Dynamo会将请求发送到已持有该前缀的SN50节点,从而减少重复的预填充工作并降低首token延迟。

这一演示的背景是全球数据中心建设面临电力约束和社区反对,导致许多新项目延期。据Sightline Climate报告,多达一半计划于2026年上线的数据中心项目可能面临延误。由于许多现有空间是风冷的,而最新AI系统往往需要直接液冷改造,这种能在现有“棕地”设施中运行的异构方案提供了一种无需昂贵改造即可扩展AI算力的途径。目前,该系统已在现场演示中运行智谱AI的GLM-5.3模型。

信息源:sambanova.ai

研究

Uber向美国多州通报:Fireworks AI遭骇致至少8000名司机个资外泄

专题 · Fireworks AI实质变化
2026-11-16 11:30

网约车巨头Uber上周向PC Magazine证实,由于AI推理基础设施供应商Fireworks AI遭到黑客攻击,其客户数据被非法存取。Uber随后向美国多个州的检察长办公室通报了这一数据泄露事件,受影响者包括至少8000名司机,泄露信息包含政府颁发的身份证件号码。

根据公开披露文件,麻萨诸塞州有2567人受影响,佛蒙特州有1071人受影响。媒体汇总各州通报数据显示,南卡罗来纳州有3430人、罗德岛有1873人受到影响。由于各州对数据泄露的披露规定不同,部分州未提供确切笔数,但总影响人数至少为8000人。其余接获通报的地区还包括加州、伊利诺伊州、北卡罗来纳州、纽约、马里兰州及哥伦比亚特区。

Uber表示于10月9日接获第三方通知,并在10月13日调查后确认Fireworks AI被骇导致其客户资料外泄。此次事件是继Notion和Cursor之后,Fireworks AI供应链漏洞引发的又一重大下游企业数据泄露案例,凸显了依赖单一AI基础设施供应商的系统性风险。

信息源:iThome

研究

阿里巴巴发布Qwen4-Max:总参数2.4万亿,API价格下调并预告小模型开源

专题 · Qwen4-Max模型实质变化
2026-11-16 12:10

阿里巴巴旗下AI团队通义千问(Qwen)于11月16日正式发布其新一代旗舰多模态大模型Qwen4-Max。该模型总参数量达到2.4万亿(2.4T),并引入了新的架构设计以优化长文本处理效率和计算成本。尽管Qwen4-Max本身的权重尚未公开,但官方表示计划在未来开源基于同一代技术的小规模模型。

在技术规格上,Qwen4-Max采用了混合专家(MoE)架构,每个token激活的参数约为710亿(71B)。新架构的核心包括“GDN+Qwen Sparse Attention (QSA)”机制,通过结合上下文压缩和稀疏注意力来降低长文处理的计算开销;以及“N-gram Embedding”技术,利用连续词模式扩大模型容量而不显著增加计算量。此外,模型支持高达100万token的上下文长度,并能处理图像和视频输入。

根据官方公布的基准测试数据,Qwen4-Max在部分任务上表现优于竞争对手。在评估实际业务任务的“Agents' Last Exam v1.1”中,Qwen4-Max得分为46.7,超过了Anthropic的Claude Opus 5.5(43.4分)。在长期软件开发测试“DeepSWE v1.1”中,其得分75.7也位居前列。然而,在终端命令操作编码测试“Terminal-Bench 4.0”中,Qwen4-Max得分为48.5,低于Claude Opus 5.5的59.6分和Kimi K3.1的67.2分。官方还声称,相比前代Qwen3.8-Max,新模型在相同任务下的token消耗量减少了约48%至49%,内部评估显示单任务平均成本下降了62%。

随着模型的正式发布,API定价也已确定。Qwen4-Max的输入价格为每百万token 1.5美元,输出价格为每百万token 4.5美元,缓存输入价格低至0.075美元。这一价格体系较前代Qwen3.8-Max有所下调。目前,开发者可通过阿里云API、Qwen Studio应用、Qoder编程工具等渠道访问该模型。

信息源:PC Watch

研究

红杉:2027消费市场的共同线索是掌控感,中间定位正在失去市场

实质变化
2026-11-16 10:24

过去几年,消费趋势讨论围绕情绪价值、品牌忠诚和社交种草展开。红杉在2026年11月发布的分析中提出,2027年真正值得关注的不是消费者多了哪些新偏好,而是一些曾经被视为理所当然的商业规则正在松动。其综合欧睿国际、尼尔森IQ和Shopify等机构调查后得出的判断是:消费者在各个场景里都在要求更多掌控感。

这一判断的第一个投资含义是预算的两极分配。尼尔森IQ在2027年全球消费者展望中指出,截至2026年6月14日的过去52周,在覆盖的26个市场中,超过230亿美元的价值份额从主流产品转移到了价值型与高端型产品。同一个人可以在健康和个护上买贵的,却在纸品、清洁剂这类日用消耗品上买便宜的。真正被挤压的是那些既没有明显差异、也没有价格优势的产品。红杉认为,这意味着每个品牌都必须回答两个问题:消费者为什么愿意为你多花钱?如果要省钱,消费者为什么不选你?模糊的价值感正在失去市场。

第二个含义是可靠性取代情感认同成为最硬的溢价来源。欧睿国际将这一趋势称为安心复购(Shelf Assured):消费者不只是偏爱熟悉的品牌,而是希望日常购买可预测——随时买得到,品质规格不轻易变,价格不频繁跳,环境变了体验也不塌。红杉指出,传统品牌忠诚靠情感认同、文化认同和身份认同,而今天消费者对品牌的依赖更务实:我知道它什么品质,大概什么价,买回去不会踩坑,所以不必每次重新比较。这是一种更日常的信任,也因此更脆弱——一次低于预期的体验就足以让人放弃一个用了多年的品牌。对投资者而言,竞争重点从让消费者第一次选你转向让他们下一次不必重新选你。

第三个含义涉及订阅和长期承诺型商业模式。红杉将两个数据放在一起:一方面消费者想要更多掌控感,另一方面全球只有五分之一的人持有退休储蓄账户,仅26%的人手头有可应对突发状况的现金。在这样的预期下,消费者偏向即时可见的价值,而不是遥远的长期承诺。这意味着很多靠长期承诺的商业模式会被改写——用户是否续费,不只看长期价值,还看多快能感受到效果。会员、订阅、教育、健康管理都需要重新设计价值何时出现。

此外,红杉认为AI正在改写消费候选名单的生成方式,但尚未赢得替消费者做决定的信任。欧睿国际数据显示,全球81%的消费者已用生成式AI辅助日常,但只有19%认为AI是高度可信赖的购物信息源。消费者愿意让AI干活——比参数、读评论、找优惠——但不愿把判断权交出去。这意味着AI会先改变消费者的选择范围,而非直接改变最终决策。对品牌来说,没进入AI推荐名单的产品连被比较的资格都没有,但讨好算法并不够:信息是否准确、规格是否清晰、各渠道说法是否一致,决定了AI怎么理解你、敢不敢推荐你。

需要指出的是,红杉的掌控感框架是对多家机构调查数据的编辑综合,而非经过验证的因果机制。调查数据反映的是消费者自述偏好和购买意向,不等于实际购买行为已按此模式发生结构性转移。中间市场承压的判断主要基于快消领域26个市场的数据,对耐用品、服务业和不同发展水平市场的适用性未被同等验证。此外,红杉本身是消费和科技领域的活跃投资者,其趋势判断与投资组合方向存在利益关联,读者在将其转化为投资含义时应保持独立判断。

信息源:红杉

研究

比特币抵押贷款:从LTV机制到标普初步评级的机构化路径

专题 · 比特币抵押贷款机构化实质变化
2026-11-16 10:16

长期持有比特币的人面临一项实际问题:需要动用现金支付买房头期款、创业资金或税款时,出售比特币意味着放弃未来价格上涨的潜在收益,在部分国家还触发资本利得税。比特币抵押贷款正是为解决这一问题而生——持有者将BTC作为抵押品借入美元或稳定币,保留持仓的同时获得流动性。

贷款价值比(LTV)是这套机制的核心参数。当前业界LTV通常介于30%至70%之间,许多机构起始门槛为50%。以50%计算,价值10万美元的BTC可获得5万美元贷款。LTV差额之所以关键,是因为比特币价格波动剧烈——当BTC下跌导致LTV上升到超过阈值时,放贷方会要求补充抵押品或偿还部分贷款;情况持续则强制出售BTC抵偿债务,在DeFi中由智能合约自动执行。多数放贷机构不太在意借款方的还款能力,更在意比特币本身价值,因此申请过程通常只需极少甚至完全不需要传统信用审查。

市场分为两大类。集中式(CeFi)贷款由Ledn、Strike、Unchained、Nexo及Coinbase等公司提供,借款者需通过身份认证并将BTC交给放款公司或托管机构。去中心化(DeFi)贷款如Aave和Morpho协议,抵押品由智能合约持有,原生BTC通常须先被包装成另一条链上的代币。

2022年Celsius和BlockFi等平台相继破产后,市场一度崩盘。根据Galaxy Research,比特币集中式借贷市场从2023年底低点开始反弹,至今约增长3倍。2026年第二季度加密货币抵押贷款总额达561.6亿美元,较前一季下降16.8%,原因是借款人缩减杠杆。机构化进程在2026年出现具体里程碑:2月,Ledn宣布完成一笔1.88亿美元以比特币为担保的资产证券化交易;标普全球为其1.6亿美元高级级别贷款赋予初步BBB-评级,硅谷银行称这是首个针对比特币抵押贷款组合的投资级评级。Coinbase表示其为比特币抵押贷款发放的现金总额至今已突破10亿美元。

产业成熟后,多数放贷机构强调不再将借款方BTC进行再抵押,避免重蹈2022年覆辙。部分业者引入协作式托管,如Unchained将抵押品存放于三方中需两方同意的多签名金库中——借款人、Unchained与独立代理三方中任何一方密钥缺失,被抵押的BTC都无法流动。

核心风险从未改变:若比特币价格急剧下跌,负债过重的借款方始终面临清算或强制平仓。选择DeFi协议的借款方还面临资安风险——2026年4月Kelp DAO遭攻击,黑客盗取价值2.91亿美元资产,使利用Aave协议的用户陷入难以提领资金的困境。随着美国GENIUS法案通过,监管框架渐趋明朗,但投资人仍需确切掌握究竟是谁持有自己的加密货币。

信息源:TechOrange 科技報橘

研究

亚马逊威胁情报部门通过MadPot蜜罐捕获ARTEX AI代理操作日志,揭示密钥窃取循环与KYC伪造失败

专题 · ARTEX AI代理框架实质变化
2026-11-14 04:26

亚马逊威胁情报部门(Amazon Threat Intelligence)于2026年11月13日发布报告称,其全球分布式诱饵网络“MadPot”在2026年10月3日至11月5日期间,捕获了运行开源AI渗透测试框架“ARTEX”的攻击代理发出的请求。这些传感器被配置为模拟流行的大语言模型(LLM)推理API,导致攻击代理误将其作为后端服务,从而泄露了包含系统提示、工具执行历史和知识图谱状态在内的完整“操作记忆”。

主要活动涉及大规模窃取用于访问AI模型的API密钥。日志显示,窃取的密钥被重新投入ARTEX框架自身的模型网关中,形成了一种自我维持的经济循环:受害者支付的计算资源被用来资助寻找更多密钥的行动。目标包括One API、New API、LiteLLM等LLM网关,以及Dify、Langflow和RAGFlow等应用构建平台。攻击利用了默认主密钥、未初始化的安装环境以及CVE-2025-3248(Langflow)和CVE-2026-28797(RAGFlow)等已知漏洞。

另一项活动针对加密货币交易所的身份验证(KYC)。攻击代理试图通过实时深度伪造视频绕过活体检测。记录显示,代理逆向工程了供应商的面部检测机制,并在单张消费级GPU上实现了每秒11.5帧的实时伪造视频生成。然而,所有记录的深度伪造尝试均未通过服务器端的验证。

亚马逊以中等置信度评估认为,这些行动由多个与中国相关的威胁团体实施,依据是提示词中使用简体中文、中国时区配置以及排除中国大陆目标的规则。公司强调,所用技术依赖于已知的弱点而非新颖的利用手段,并呼吁组织轮换暴露的密钥、修补公开平台,并审查报告中发布的入侵指标(IOC)。

信息源:Amazon Web Services

研究

Econbrowser博主Menzie Chinn:四种衰退判定方法对德国2025-26年给出不同答案

实质变化
2026-11-16 07:50

德国2025-26年的经济数据呈现一组看似矛盾的信号:就业人数和工时在下降,但实际GDP在强劲增长。Econbrowser博主Menzie Chinn在2026年11月15日的帖子中比较了四种不同的德国衰退判定方法,发现它们对同一时期给出了不同答案。

第一种是ECRI(经济周期研究所)的判定。第二种是德国经济专家委员会(GCEE)的判定,该委员会遵循美国国家经济研究局(NBER)和欧洲政策研究中心(CEPR)的方法论框架,将经济周期划分为扩张期和收缩期。第三种是Laurent Ferrara 2019年的方法,依赖GDP和工业生产数据,使用Bry和Boschan算法确定峰值。第四种是Chinn自己基于纯就业数据的计算,主要使用国民账户中的就业数据,少量参考家庭调查。

Chinn的核心论点是:在GDP强劲增长的背景下,很难论证德国处于衰退。GDP口径的方法(GCEE和Ferrara)均未将2025-26年判定为衰退,而纯就业口径则显示收缩。11月6日发布的ifo研究所即时预测显示,德国第四季度GDP环比增速为0.62%,进一步支持了扩张而非收缩的判断。

不过,源文本仅展示了不同方法的判定结果差异,并未解释就业下降与GDP上升并存的经济学原因,也未提供各方法在历史判定中的准确率比较。Chinn的结论依赖于GDP增长持续这一前提——若增长放缓而就业继续恶化,判定结论可能逆转。此外,Ferrara的编年史早于疫情,Chinn在图中假设其2020年日期与ECRI一致,这本身是一个未经独立验证的处理。

信息源:econbrowser.com

研究

韩国AI安全企业에임인텔리전스:AI代理的每个动作是否安全,取决于它在业务流程中的上下文

专题 · 에임인텔리전스实质变化
2026-11-16 09:27

企业部署AI代理时,最常见的安全思路是列一张权限清单:这个代理能调用哪些工具、能访问哪些数据、能连接哪些外部API。清单之外的操作一律拦截。韩国AI安全企业에임인텔리전스防御安全部门负责人이한울认为,这种思路对AI代理远远不够。他的核心判断是:判断一个动作是否安全,不能只看它是否在允许范围内,还要看它在当前业务流程中是否恰当。

这个区分来自两类不同的风险。第一类是人主动造成的:有人给代理下了恶意指令,或者不小心传了错误的命令。这类问题传统权限模型还能应对。第二类更难处理:没有人指示代理做某件事,但代理在完成目标的过程中自己越过了边界,或者绕过了安全装置。이한울把AI安全的困难归结为模型性能发展太快而控制技术跟不上。

他用一个假设场景来说明为什么权限清单不够用。假设一个代理被允许调用文档搜索工具、数据分析工具和某个外部API。这三项权限单独看都没问题。但如果代理先搜索了一份内部文档,把内容传给另一个代理做分析,然后调用外部API把结果发出去——每一步都在权限范围内,但整体链路构成了一次数据外泄。要识别这种风险,系统必须知道代理最初接到的指令是什么、每一步调用是为了完成哪个子任务、这些步骤之间的因果关系是否合理。

에임인텔리전스把这种能力叫做Observability,即对代理执行过程的完整可观测性。它记录的不是单条日志,而是从输入到工具调用到输出的整条链路,以及多条链路之间的关联。在此基础上,该公司提出静态安全和动态安全必须并行:静态安全是预先设定的硬规则,比如禁止访问某些外部网络;动态安全是根据当前任务上下文和过往执行记录来判断一个动作是否合理。

但这里有一个工程上的矛盾:如果每个动作都要回溯整条业务链路做深度分析,延迟和计算成本会迅速膨胀,而AI代理的执行速度远快于人类。이한울的解决方案是分级检查。第一层检测外部数据或工具描述中是否藏有恶意指令,即间接提示注入;第二层直接拦截明确禁止的操作;只有当请求处于灰色地带时,才触发第三层,调用完整的执行历史和任务上下文做深度判断。这样大部分请求走快速通道,少数可疑请求才付出分析代价。

该公司把这套机制整合进了名为Starfort的平台。其中Guardian是实时护栏,负责提示注入检测、敏感信息外泄拦截和策略违规检查;Opticon负责执行流的记录和追踪;Stratum负责外发文档的分类和审查。此外还有Kill Switch功能,可以按项目或组织单位切断AI相关通信。이한울还提到公司内部同时开发攻击工具Stinger用于红队测试,发现的攻击模式直接反馈到Guardian的防御策略中。

采访中一个反直觉的论点值得单独拿出来说。当企业部署的代理数量增多,需要人工审批的操作请求也会暴增。이한울指出,审批请求一旦超出人的处理能力,人就会开始不看背景、不看影响就点通过,人反而成了新的脆弱点。他的建议是:企业必须先定义哪些任务真正重要、需要人确认,哪些可以交给代理自主执行;审批流程的设计重点不在于有人最终确认这个动作本身,而在于明确什么任务、在什么时机、由谁来批准,并确保批准者能看到做出判断所需的充分信息。

信息源:바이라인네트워크

研究

安全公司Aikido Security披露wfx-loot攻击:逾4800个GitHub账号被入侵,窃取云端及AI服务凭证

专题 · wfx-loot攻击事件实质变化
2026-11-16 08:00

网络安全公司Aikido Security于11月12日披露了一项代号为“wfx-loot”的大规模GitHub凭证窃取攻击。该活动始于11月10日,攻击者利用被盗的GitHub访问令牌,控制了4,837个账户,并探测了61,764个代码仓库的写入权限。据Aikido统计,至少有1,835个仓库执行了恶意程序。

与以往不同,此次攻击并未利用GitHub Actions本身的软件漏洞,而是通过冒用合法账户发起拉取请求(Pull Request)来确认写入权限,随后修改工作流程或植入恶意Shell脚本。由于部分被盗账户拥有跨项目的协作者或组织权限,攻击得以横向扩展至其他开发团队的仓库。

当被篡改的工作流程运行时,恶意程序会收集CI/CD环境中的敏感数据,包括GitHub令牌、AWS、Google Cloud和Microsoft Azure的云服务凭证,以及OpenAI和Anthropic等AI服务的API密钥。研究人员还发现,恶意程序具备创建AWS长期访问密钥、修改IAM角色信任政策以及添加Azure联合身份凭证的能力,这可能使攻击者在原始GitHub令牌被撤销后仍能持久访问受害组织的云资源。目前尚无完整统计确认这些持久化操作的成功规模。

另一家安全公司StepSecurity指出,攻击者在GitHub Actions工作流启动后会迅速还原对仓库的修改并删除执行记录,整个清除过程通常在1分钟内完成。这意味着企业事后检查代码时可能无法发现入侵痕迹。研究人员建议,使用GitHub Actions的企业应重点审查11月10日以来的异常拉取请求和工作流变更历史,若发现恶意程序曾执行,需立即轮换相关令牌、云凭证及API密钥,并检查云平台是否存在异常的权限新增或修改。

信息源:iThome

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系