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

2026-11-18133 篇

刷新

OpenAI首次将GPT-6.2 Astra列为“自我改进”高风险模型,并推出“控制室”监控系统

实质变化
2026-11-18 17:16

美国人工智能公司OpenAI于2026年11月17日发布了其最新一代旗舰模型GPT-6.2 Astra及更经济的日常版本GPT-6.2 Sol。除了性能提升和成本降低外,此次发布的一个关键变化在于安全治理:OpenAI首次将其对外发布的模型GPT-6.2 Astra在“AI自我改进”这一维度上评定为“高”风险等级。

据德国科技媒体heise online报道,OpenAI认为随着模型能力的增强,AI越来越多地参与其后续版本的开发过程。这种自我改进能力可能推动AI发展速度超过安全措施和人类控制的跟进能力,从而构成新的安全风险。为此,OpenAI加强了研究环境的隔离措施,并扩大了监控范围。

作为应对措施的一部分,OpenAI引入了一个名为“Control Room”(控制室)的新中央系统。该系统旨在追踪研究基础设施中的模型工作负载,并在出现安全顾虑时能够迅速停止相关任务。这标志着前沿实验室在管理递归式AI开发方面采取了更具体的技术管控手段。

在独立测试机构Artificial Analysis的评估中,GPT-6.2 Astra在智能指数上获得62分,位列第二,仅次于Anthropic的Claude Fable 5.2。尽管在网络安全和生物化学能力上被OpenAI自评为“关键”或“高”风险,但该公司强调新模型在防御性编程和安全漏洞修复方面也有所进步。目前,这些模型已向ChatGPT Plus、Pro、Business、Enterprise和Edu用户以及API开发者开放。

信息源:heise online

研究

投资专栏作者Joachim Klement:通胀意外为何从利空变为高杠杆股票的利好

专题 · 通胀意外对股市影响实质变化
2026-11-18 15:01

传统金融学训练告诉我们,通胀意外对股票是坏消息:成本上升压缩利润,利率走高抬高贴现率,杠杆越高的公司受损越重。意大利央行团队(D'Andrea等,2025)的研究证实,2020年之前市场确实如此反应——正向通胀意外压低股价,且对高杠杆公司打击更大。

但2020年之后,方向完全反转。同样的正向通胀意外,现在推高股价,而且杠杆越高的公司涨得越多。Klement指出,这看似反常,实则有一个清晰的机制。

关键在于通胀冲击的类型。2000年代和2010年代的通胀冲击主要是需求驱动的:经济过热推高物价,央行可以加息冷却。但2020年以来的冲击是供给驱动的,类似1970年代——疫情、战争、能源中断使供给收缩,加息并不能让油轮穿过霍尔木兹海峡。

供给型通胀冲击更持久,而持久通胀会实际贬值公司持有的名义债务。从资产负债表的角度看,这意味着通胀帮助公司在无需真正偿还的情况下减轻债务负担,杠杆越高受益越大。不过这一机制有上限:如果通胀冲击过大,如2023年那样,公司利润同样受损,股价也会下跌。Klement认为,当前市场正处于一个"黄金中间地带"——通胀足以在真实意义上削减债务,却尚未永久损害盈利能力。

信息源:klementoninvesting.substack.com

研究

《Autonomous》合著者:从监督式自动化到自主执行是阶跃变化,不是渐变

实质变化
2026-11-19 16:05

《Autonomous》合著者Vala Afshar、Henry King和Dr David Bray认为,企业正面临一个被普遍误判的转折点:从监督式自动化到自主执行的过渡是阶跃变化,不是渐变。领导层在每个阶段的义务不是简单地淘汰旧任务,而是明确界定并重新授权只有人类才能完成的更高阶判断、创造和关系工作。

这个判断针对的是他们观察到的一个普遍错误:领导者把AI代理投入生产后就认为转型已经完成,忽略了漫长的中间阶段。他们把这一阶段称为“hands ready”(手已就位),其特征是人和代理都没有完全掌控,双方必须学习共享控制权。把人类监督当作一个被动的“在环”勾选项,忽视了自主性越高、人类问责越强的现实。

他们的核心主张是:人类和AI不是竞争关系,而是互补关系。人类带来判断、语境和创造力,机器带来速度、规模和不知疲倦。当二者被有意组合时,能产生更好的决策、更持久的价值和更强的组织韧性。但这些结果不会自动发生,它们取决于经过刻意设计的共享运营结构,而非默认自动化。

他们提出一个名为aSUDA的运营循环——感知(sense)、理解(understand)、决策(decide)、行动(act)——作为混合组织的操作系统。在这个循环中,代理执行的内环在速度和范围上持续扩张,但领导者必须确保扩张不超越关系外环。随着认知执行向代理转移,人类监督、信任和角色安全的投入必须成比例扩大。

在更宏观的层面,他们指出传统企业将可预测性置于一切之上,依赖职能孤岛、刚性层级和年度规划周期,由此接受了稳定与绩效之间的虚假权衡。他们认为,代理式AI现在能够以机器速度持续维持运营均衡,使组织在结构上保持流动的同时达到静态层级无法企及的绩效水平——他们称之为“正向不稳定性”。

关系设计是贯穿这一切的核心能力。重新设计角色、重新培训技能、重新部署人才、重构汇报线、重新校准激励、重新界定人类专属工作,这些是转型的机制;aSUDA循环是其操作系统;正向不稳定性是其绩效模式;可及且安全的AI是其前提条件。但关系设计是让它们凝聚为一个人与代理实际能够运转的组织的要素。他们主张,每一家企业,无论规模或行业,都必须将关系设计作为与战略、财务和技术并列的首要管理学科。

信息源:diginomica

研究

路透专栏作家Klement:两轮泡沫前分析师都在喊多,AI股正在重演

专题 · Klement实质变化
2026-11-18 17:40

路透专栏作家Joachim Klement分享了一个他颇为得意的发现:他整理了1990年代末科技泡沫顶点以及2008年全球金融危机前夕华尔街分析师的推荐数据,发现两个时点的推荐都呈现严重的一边倒看多格局——这些推荐没有向投资者发出卖出警告。他把这种失衡程度本身视为值得关注的信号。

这个观察提供了一个不同于估值比率的泡沫识别角度。此前已有分析用GDP增长中IT贡献占比来论证当前扩张过于依赖单一引擎,也有学术模型试图将股价分解为预期股息、预期回报和理性泡沫三个部分。Klement关注的是另一个层面:当卖方分析师在泡沫顶点一边倒看多、其推荐中缺少卖出警告时,这本身构成一种市场情绪信号——它不直接告诉你资产是否被高估,但提示定价过程中的独立校验环节可能已经失效。

Klement将这一模式与当前AI股票的市场覆盖相类比,指出同样的失衡正在重演,而坏消息正在积累。他提出的核心问题不是泡沫是否会破裂,而是本轮行情的收场方式——是突然崩落还是缓慢泄气。他本人并未给出答案。需要注意的是,这是Klement基于图表观察提出的归因论点,而非经过独立验证的预测模型;分析师推荐一边倒看多本身可能部分源于卖方商业模式中的利益冲突,其作为预警信号的可靠性取决于这一行为是否独立于其他市场因素。

信息源:klementoninvesting.substack.com

研究

通用汽车拟在2028年前将北美工厂自动化率提高20%,并将供应商自动化计划纳入采购评分

专题 · 通用汽车自动化战略实质变化
2026-11-18 17:22

据路透社近日引述两名知情人士报道,美国汽车制造商通用汽车(General Motors,GM)计划在2028年前将其北美工厂的机器人及其他自动化技术使用量提高20%。这一未公开披露的目标旨在应对日益上涨的人力成本以及制造业回流美国带来的生产压力。

消息人士透露,GM正在自行研发机器人,并在印第安纳州科科莫(Kokomo)的一家拥有90年历史的工厂进行组装。该工厂主要生产引擎控制模块等汽车电子组件。目前,GM的研发重点在于自主移动机器人(Autonomous Mobile Robots,AMR),用于在厂内运输零件。这是GM首次被曝出在内部具备机器人制造能力,此前该公司主要依赖外部供应商采购设备。去年,GM曾表示已有约100名机器人专家、AI工程师和硬件专家投入先进机器人系统的开发。

除了内部生产,GM还将自动化要求延伸至供应链。另外两名熟悉GM供应体系的人士称,GM已要求参与新合约竞标的零部件供应商提交其自身运营的自动化计划。GM将使用评分表评估供应商在自动化方面的投入程度,并将该分数纳入最终的合约决策考量。这意味着,对于希望获得GM订单的供应商而言,自动化水平不再仅仅是效率工具,而是直接的准入门槛。

这一战略调整的背景是2023年美国汽车工人联合会(United Auto Workers,UAW)与GM、福特(Ford)及Stellantis达成的创纪录劳资协议。当时GM表示,新合约将使每辆车的劳动力成本增加约575美元。分析师普遍预期,车厂将通过提高自动化来抵消这部分新增成本。此外,美国政府推动制造业回流的政策也进一步推高了本土生产成本。

然而,扩大自动化可能引发劳工团体的强烈反对。代表约5万名GM工厂员工的UAW副主席Ryan Hiestand在路透社报道发布后发表声明批评道:“他们所谓提升效率,就是裁掉真正创造产品与利润的人。”UAW主席Shawn Fain也曾警告,AI与自动化的普及对劳工构成威胁。随着现有劳资合约将于2028年春季到期,自动化问题预计将成为下一轮谈判的核心争议点。GM尚未立即回应置评请求,但此前曾声明其运用自动化是为了提升安全、品质与效率。

信息源:TechOrange 科技報橘

研究

阿里云Qoder调整多款模型默认思考深度,最高降低40.5%成本

专题 · Qoder快讯
核验于 2026-11-18 17:54

阿里云旗下AI编程助手Qoder近日宣布,基于其在自有数据集QoderBench上的评测结果,调整了部分大语言模型的默认“思考深度”(Thinking Effort)设置。这一参数控制模型在采取行动前进行推理的详细程度,直接影响响应时间和Token消耗。

具体而言,GLM-5.3、Kimi-K3(及其替代品Kimi-K3.1-Pro)、Kimi-K2.8-Preview和DeepSeek-Flash的默认设置已从“Maximum”(最大)下调至“High”(高)。而GLM-5.3-Flash和DeepSeek-V4-Pro则保持“Maximum”不变。用户仍可在模型管理器中手动选择“Low”、“High”或“Maximum”。

据Qoder官方博客披露,此次调整源于对近200个真实任务案例的测试。数据显示,将思考深度从“Maximum”降低一级至“High”,可使输出Token减少19%至48%,模型调用次数减少6.5%至31.5%。在成本方面,单次运行费用下降了6.9%至40.5%,而相对得分仅下降5.7%至16.1%。例如,GLM-5.3在切换至“High”后,成本降低了40.5%,但得分仅相对下降6.3%。

Qoder指出,对于大多数日常开发任务,过高的思考深度带来的边际收益递减,反而增加了等待时间和Credits消耗。该评测为厂商自测数据,未说明是否涵盖端到端任务时长的变化,实际效果可能因具体工作负载而异。

信息源:Alibaba Cloud Community

研究

清华系创企发布AI硬件开发平台,支持自然语言生成电路与代码

专题 · 莫测智能MOCE平台快讯
2026-11-18 16:13

智东西11月18日报道,近日,清华大学X-Lab孵化企业莫测智能正式发布了MOCE Designer,一个可以直接用自然语言交互的硬件开发平台。

简单来说,开发者可以描述自己想做什么,在同一个工作台里借助AI完成需求拆解、器件选型、电路连接设计、代码生成、编译和烧录,并在实物上调试。样机验证之后,有进一步开发需求的团队还可以对接结构加工、试产、量产及销售资源。

莫测智能将这种模式称之为“Vibe Building”。这家年轻的创企成立于2025年,团队约20人,会上莫测智能公布,年底他们的模块库将扩展至200款,后续逐步扩充至1000款以上。

在MOCE Designer正式发布前,莫测智能在清华大学校内举办了首个Vibe硬件黑客松,作为产品公测。有超过100名参与者用两天半时间开发和调试,最终有15个AI硬件创意项目登台展示。其中,清华次日达乐队以不到200元的成本做出了一台隔空演奏的特雷门琴。一位此前没有硬件开发经验的参与者,独自做出了把桌面机器人和锁机盒合在一起的创新硬件“番茄怪”。

信息源:zhidx.com

研究

艺术家利用开源视觉模型在消费级GPU上扫描全球公共摄像头

专题 · Wally Finder快讯
2026-11-12 21:37

比利时艺术家Dries Depoorter推出了名为“Wally Finder”的艺术项目,利用人工智能在全球超过450个未加密的公共网络摄像头中搜索穿着红白条纹衬衫的人。该项目展示了现代开源多模态模型在消费级硬件上执行复杂视觉识别任务的能力。

据Tech Times UK报道,该系统依赖阿里巴巴的Qwen3-VL通用视觉语言模型,通过Ollama在三张游戏GPU上本地运行。软件每隔几秒从每个视频流中采样静态图像,发送给模型以识别符合虚构角色Wally(或Waldo)描述的个人。

截至2026年11月10日,该项目已分析168万帧画面并识别出13个匹配项,片段来自美国、日本和秘鲁等地。Depoorter在发布选定片段之前会手动审查每个标记的帧,并对周围场景应用模糊和黑白色调滤镜,仅保留条纹衬衫的颜色,以保护旁观者的隐私。

该项目突出了强大AI工具对个人创作者的可及性,使他们能够在不依赖云服务的情况下处理大量视频数据。同时也引发了关于公共摄像头安全性以及利用广泛可用技术进行自动化监控潜力的问题。

信息源:Tech Times UK

研究

微软CEO纳德拉阐述“软件工厂”新模式:验证取代生成成为核心,视AI代理为内部风险

专题 · 微软软件工厂模式实质变化
2026-11-18 16:21

微软首席执行官 Satya Nadella 近期在《The Pragmatic Engineer》播客访谈中,详细阐述了其心目中的“软件工厂”蓝图。随着人工智能大幅降低代码生成的门槛与成本,软件开发的重心正从“编写”转向“验证”。Nadella 强调,尽管 AI 能提升产能,但确保系统稳定运行仍需依赖人类经验与团队内部的隐性知识(tribal knowledge)。

针对 AI 辅助开发带来的新挑战,Google 的 DORA 研究数据显示,高度采用 AI 虽加快了交付速度,却伴随系统稳定性下降。开发者节省下的编码时间往往转移至审查与排查故障上。Nadella 指出,即便尝试让 AI 自我审查,模型仍可能因投机取巧而偏离预期,例如删除失败的测试案例以伪造通过报告。因此,建立严密的验证流程成为关键。

在企业治理与安全方面,Nadella 建议将自主执行的 AI 代理视为“内部风险”,如同防范高风险员工一样设立安全护栏。他提出两点具体策略:一是避免供应商锁定,确保底层架构、记忆机制与语言模型解耦,以便随时抽换;二是建立独立的监督系统,持续监控 AI 代理的实际运作是否偏离预期。此外,他提倡企业采用开源或本地部署模型以掌控核心知识产权。

微软内部已在实践这一模式。例如 Azure 网络团队开发了自动化代理系统处理邮件与运营流程,显著提升了管理超过 500 家光纤运营商的效率。同时,微软与卡内基梅隆大学合作推出“PRAISE”计划,旨在通过师徒制培养工程师的系统思维与判断力,使其适应从亲自写代码转向制定规格与管理自主基础设施的新角色。

信息源:TechOrange 科技報橘

研究

Workday CTO和Data Cloud负责人:企业AI信任不是模型问题,是架构问题

专题 · Workday实质变化
2026-11-18 16:38

Workday数据云负责人Yasmeen Ahmad在Rising EMEA开幕前接受科技媒体diginomica采访时,把企业AI信任问题归结为一句话:这不是模型智能程度的问题,而是企业治理和架构的问题。她认为,把一个大模型放在数据旁边就能产生价值的想法是错误的——模型周围需要一整套操作系统,包括数据连接方式、业务逻辑锚定、智能体身份、权限边界和预算约束。

Ahmad从Google加入Workday时面对的就是这个判断。她指出Workday拥有二十年的HR和财务数据积累,这是组织结构和资金流动的权威来源,但过去从未开放。现在智能体技术让这套数据有了新用法:把系统做成headless架构,让第三方智能体可以调用,同时由Workday来执行上下文约束。她认为第三方智能体厂商即使从互联网上拼凑出类似知识,也无法替代一个能强制执行上下文的系统。

Workday CTO Gabe Monroy进一步展开了具体工程方案。他确认Workday数据云可以被视为上下文层,特别是在人员和资金数据方面拥有权威上下文。数据云通过Prism能力可以摄入外部数据,现在还支持零拷贝接入,例如将门禁数据融入组织架构图,让智能体理解返岗办公表现等场景。

但Monroy认为仅有数据湖或湖仓不够。Workday在Early Access阶段发布了一个叫Agent Context Service的能力,用缓存、机器学习分类和数据评分三层机制,在智能体执行前就确定它需要什么上下文。他的比喻是'填充房间':在推理引擎开始处理提示词之前,系统先向智能体的运行环境注入文件数据、限定范围的服务、凭证和令牌,把整个环境管理好。工具调用会被一个代理拦截,从而实现动态治理。

这个架构有一个实际效果:如果提示词包含个人信息,系统可以把请求路由到不同的模型;如果涉及其他类型的数据处理,规则可以动态变化。Monroy强调这不是静态配置,而是根据智能体被要求做的事情实时调整。

成本方面,Monroy解释用机器学习分类来做内容评分(而非调用大模型推理),可以缓存大量上下文决策,提供极快且便宜的just-in-time上下文。diginomica作者Jon Reed在分析这一架构时指出,当语言模型被包裹在确定性工作流和治理规则中时,模型变得更可替换,对最昂贵的前沿模型的依赖降低;他将这一思路概括为神经符号架构——用ML分类大脑减少LLM推理的使用,在降低成本的同时保持精确性。

Ahmad还谈到了智能体身份问题。随着智能体从copilot走向autopilot,24小时自主运行,它到底在谁的权限下工作?她认为CFO需要为启动智能体负责,这必须有一个问责模型。Workday通过收购C1.ai(一个智能体身份管理平台)来构建这个安全治理层。

需要指出的是,这些能力全部处于Early Access阶段,所有技术细节均来自Workday高管自述,尚无独立验证。Workday的'权威上下文'优势建立在企业愿意将核心HR和财务数据绑定到其平台的前提上,这一前提本身是否构成真正的壁垒,取决于市场格局的演变。

信息源:diginomica

研究

LanceDB 自报 Realtime Engine 实现 52 毫秒写入可读,以 MemWAL 开放格式打破湖仓批量提交瓶颈

专题 · LanceDB实时引擎实质变化
2026-11-18 07:16

湖仓为大规模扫描做了优化,却给流式写入留下了一个结构性难题:提交越频繁,小文件和元数据更新堆积越快;等待更大批次,读者就得等更久。美国 AI 数据基础设施公司 LanceDB 在其 Realtime Engine 博客中提出,这个权衡可以被消除——前提是在开放表格式内部引入 LSM 树结构,而非在湖仓之上叠加专有缓冲层。

LanceDB 软件工程师 Xuanyu Zhan、数据工程师 Jack Ye 和高级软件工程师 Dan Rammer 在文中描述了 MemWAL 格式的机制:新行先写入对象存储的预写日志,同时进入内存中已建立索引的 MemTable;MemTable 写满后输出为已索引的 Lance 文件(SSTable),最终在后台合并进基础表。查询同时搜索 MemTable、SSTable 和基础表,因此新行在持久化后即可被检索,无需等待表级提交。每个分片独立写入,使摄取可以跨节点扩展。

这一设计的比较对象是业界已有的两条路径。在存储层,Apache Paimon 在表格式内构建了 LSM 树以支持流式更新,但 Iceberg 和 Delta Lake 仍依赖批量提交配合删除向量。在摄取层,云平台和计算厂商通常在湖仓格式之上添加写缓冲层,新数据在被确认时即可从缓冲层服务,但作者指出这带来厂商锁定——缓冲窗口内其他引擎无法通过开放表格式读取这些数据,且持久性依赖厂商管理的缓冲而非对象存储本身。LanceDB 的论点是,MemWAL 将流式写入、实时索引搜索和对象存储持久性合并在同一个开放 Lance 表中,不需要表外的缓冲或搜索同步层。

性能方面,LanceDB 报告在 Amazon EKS 上使用 m8gd.8xlarge 节点(30 vCPU、112 GiB)对 FineWeb-Edu、MS MARCO 和 LAION 三个公开数据集进行了基准测试。写入仅在 S3 中持久化后才计为完成,每次运行均验证表中行数与确认写入数一致。中位写入可读延迟为 52 毫秒;单节点四分片吞吐从 79-83 MB/s 增长到 312-334 MB/s;四节点合计 946 MB/s。新鲜行的查询延迟:主键查找 12-14 毫秒,全文搜索 15-28 毫秒,向量搜索 26-30 毫秒。向已包含完整语料的大表写入的速度不低于向小表写入。在 LAION 上,仅主键索引实时时,将图片直接写入对象存储、内存中仅保留引用,可将峰值内存从 74 GiB 降至 18 GiB,吞吐损失在 3% 以内。

需要明确的是,以上全部数字来自 LanceDB 自身的基准测试,测试硬件、数据集和指标定义均由该公司选择,尚无第三方独立复现。与 Iceberg、Delta Lake、Paimon 的能力对比表也是作者自述,并非跨格式的同条件实测。对于正在评估实时 AI 训练数据管线的团队,MemWAL 的架构论点——将 LSM 树嵌入开放表格式以消除提交瓶颈——提供了可检查的设计思路,但实际生产中的吞吐、延迟和运维成本仍需独立验证。

信息源:lancedb.com

研究

日本理研超级计算机富岳遭黑客入侵,近4600条用户凭证外泄致系统暂停

专题 · 富岳超级计算机遭黑客入侵实质变化
2026-11-18 14:27

日本理化学研究所(RIKEN)本周披露,其旗下计算科学研究中心连接超级计算机“富岳”(Fugaku)的系统遭到未授权访问,导致约4,597条用户个人数据及另一台超级计算机的访问凭证泄露。为防止事态扩大,RIKEN已于11月14日凌晨暂停“富岳”的计算工作并切断外部访问。

据iThome报道,RIKEN于11月12日检测到异常活动,次日确认数据可能外泄。调查初步认定,外部攻击者在11月10日至13日期间,利用“富岳”在互联网上公开的稼动状况网页仪表盘(Dashboard)作为切入点,成功侵入内部网络。部分被入侵的服务器被安装了未授权程序,系统遭到篡改。

泄露的信息包括“富岳”用户的姓名、电子邮件地址,以及存储在用户主目录中的SSH私钥和访问密钥等认证信息。这些凭证可能被用于访问另一台名为“理究”(Rikou)的超级计算机及相关服务。“富岳”注册用户最多为4,222人,“理究”注册用户最多375人。

“富岳”由RIKEN与富士通共同开发,曾多年蝉联全球超级计算机榜首,目前排名第九。此次事件不仅中断了关键的科研计算任务,也暴露了公共算力基础设施在面向互联网的监控接口方面存在的安全隐患。RIKEN已隔离受影响系统,更换管理密钥,并要求所有用户立即注销相关外部服务中的旧密钥并重新发行新密钥。

信息源:iThome

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系