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

三星电子推出智能管家(SmartThings)与ChatGPT联动测试插件,支持自然语言控制家电

专题 · 三星智能管家AI集成实质变化
2026-11-18 15:00

韩国科技媒体ET News报道,三星电子已公开“三星智能管家(Labs)”插件,并在OpenAI的ChatGPT平台上启动测试服务。用户可将智能管家账户连接至ChatGPT,通过自然语言指令控制家中的电器设备。

该插件允许用户查询照明和电器的运行状态、查看近期设备操作记录,并执行预设的自动化场景或切换居家模式(如在家、外出、夜间)。目前该功能处于早期测试阶段,部分设备仅支持状态查询,门锁等安全相关设备的控制功能受到限制。

这一举措标志着智能家居行业正从依赖厂商自有应用和语音助手,转向与外部通用人工智能服务深度整合。此前,LG电子已于8月将其ThinQ平台与ChatGPT对接,谷歌也在9月为Google Home引入了模型上下文协议(MCP),以开放接入包括Claude和ChatGPT在内的多种生成式AI。

信息源:미래를 보는 창 - 전자신문

研究

美国AI公司Liquid AI发布d1.2系列决策模型,登顶第三方评测榜单并计划开放权重

专题 · Liquid AI实质变化
2026-11-17 11:23

美国AI初创公司Liquid AI于11月17日发布了两款新的全模态决策模型:d1.2和d1.2-ultra。这两款模型均能处理文本、图像和音频输入,旨在为企业提供更快速、低成本的自动化决策能力。据Liquid AI透露,未来计划对这两款模型开放权重。

在第三方评测机构Artificial Analysis(AA)的决策指数v2.1榜单中,d1.2-ultra以75分排名第一,领先第二名Drex Max v1.1三分。同样面向结构化决策的竞争对手Jev得分66,排名第13;d1.2得分69,排名第9。这一排名变化标志着Liquid AI在特定决策任务上的性能超越了此前占据主导地位的模型。

除了综合评分,Liquid AI还公布了内部测试的概率校准数据。校准误差越低,代表模型预测概率与实际正确率越接近,这对于开发者决定何时将任务交由人工审核至关重要。在包含五款模型的测试中,d1.2-ultra和d1.2的校准误差分别为0.8和1.2,显著低于Jev 1.14的2.7分以及GPT-6 Luna Decisions API的7.2分。

在功能上,d1.2系列新增了五项核心任务支持:信息读取、文本片段提取、图片物体定位、数值估算和多选判断。例如,模型可以直接从发票中提取应付金额,或在照片中框出所有树木并返回坐标。据Liquid AI自测,其读取收据数值的准确率最高达98%,图片物体定位准确率为94%。

定价方面,两款模型延续了仅按输入Token计费的策略,价格与上一代持平。d1.2每百万输入Token收费0.02美元,d1.2-ultra为0.042美元。这种低价策略结合高校准精度,意在吸引那些需要处理大量文档、图像分类及路由决策的企业用户,试图承接部分原本由通用大模型处理的简单决策任务。

信息源:zhidx.com

研究

可灵AI发布图像模型Kling Image 4.0:支持原生8K生成与Agentic规划

快讯
2026-11-17 18:17

快手旗下可灵AI(Kling AI)于2026年11月17日发布了最新图像创作模型Kling Image 4.0。据智东西报道,该模型重点升级了画面真实感、文字表现力、复杂指令理解和跨图一致性。官方介绍称,新模型支持原生8K图像生成,单张图片最多可呈现2000字文字内容,并能一次生成最多10张连贯组图。

在技术架构上,Kling Image 4.0采用了理解生成统一架构,并引入了规划与Agentic能力。这一设计旨在提升模型对物理规律、空间关系和复杂指令的理解能力,从而更好地完成如电商详情页排版、分镜设计等复杂视觉任务。实测显示,该模型在写实人像、风光摄影以及游戏角色魔改等场景中表现出较高的细节保留度和风格转换能力。

信息源:zhidx.com

研究

盖洛普报告:超三分之一Z世代依赖AI寻求陪伴,与孤独感风险上升相关

专题 · Z世代AI陪伴依赖实质变化
2026-11-18 13:01

公共民调机构盖洛普(Gallup)与波士顿儿童医院数字健康实验室(Digital Wellness Lab)联合发布的新报告《在线离线世界中的友谊》显示,超过三分之一(33%)的Z世代年轻人依赖人工智能(AI)寻求陪伴。在每日使用AI的人群中,这一比例飙升至50%,而在拥有仅存在于网络上的朋友群体中,该比例为42%。

这项调查于2026年5月至8月期间进行,覆盖了16个国家的15,925名15至22岁的年轻人。研究指出,尽管面对面友谊在“力量和支撑”方面评分最高,并与最积极的情感体验相关联,但依赖仅线上朋友或AI作为社交伴侣的年轻人,其孤独感风险高于不依赖这些方式的人。

数字健康实验室研究总监David Bickham表示,青少年正处于通过社交获得成长的时期,他们正在寻找各种社交语境。他认为这并非意味着年轻一代存在重大缺陷,而是他们在AI时代成长,随着对AI信息获取功能的深入使用,他们更多地接触并参与了AI的社交层面。

报告还发现,虽然AI可能填补了真实的社交空白,但它尚未取代现实生活中的纽带。线下和数字化中介的友谊在同一社会生活中共存。值得注意的是,男性更有可能通过游戏结识新朋友,而女性则更多通过社交媒体建立联系。对于社交焦虑较高的男孩,AI聊天机器人成为了一种寻求连接的途径。

信息源:WIRED

研究

伦敦AI法律科技公司Perry AI获220万美元种子轮融资,Haatch领投

专题 · Perry AI融资快讯
2026-11-18 13:00

总部位于英国伦敦的AI初创公司Perry AI宣布完成220万美元的种子轮融资。该轮融资处于超额认购状态,由Haatch领投,Antler、Syncorp Ventures和Araya Ventures等机构以及多位美国超级天使投资人参与。

Perry AI开发了一个专门针对私募资本(包括私募股权和风险投资基金)的法律操作系统。其核心功能是利用专门的AI代理审查法律文件、标记问题并准备草案,同时维护基金所有投资中权利、义务和承诺的持久记录。公司称,这种“机构记忆”能解决通用AI工具缺乏上下文、无法追踪早期交易承诺对后续投资影响的问题。

据Perry AI自报,该平台已被管理超过15亿美元资产、拥有1000多家投资组合公司的基金使用。客户报告工作流程速度提高了90%,实际交易中的签约时间从84天缩短至13天。新资金将用于支持在美国和亚洲的扩张,并继续在英国和欧洲增长。

该公司由Shashwat Patel(首席执行官)和Vaneesa Agrawal(首席产品官)联合创立。Patel曾在Debevoise & Plimpton和Simmons & Simmons担任15年私募股权和基金律师,Agrawal则拥有超过12年的基金律师经验。

信息源:Tech Funding News

研究

美国互动广告局发布AI归因蓝图:ChatGPT推荐后仅8.8%流量直接进站,多数被记为搜索

专题 · IAB AI归因蓝图实质变化
2026-11-18 09:30

美国互动广告局(IAB)于2026年11月12日发布《AI时代归因蓝图》(AI-Era Attribution Blueprint),旨在解决AI介入购买旅程后,传统归因模型无法准确记录AI贡献的问题。报告引用Similarweb数据指出,收到ChatGPT品牌推荐的美国桌面端用户,在随后7天内访问该品牌网站时,仅有8.8%是通过直接点击AI链接进入,超过一半的流量仍被归类为搜索来源。这意味着大量受AI影响的转化被错误地记在了搜索引擎或直接流量头上,导致营销预算分配失真。

该蓝图将AI在成交中的角色分为三类路径:人类主导(Human-Owned)、AI协助(AI-Assisted)和AI执行(AI-Executed)。其中,“AI协助”进一步细分为“AI影响”(AI-Influenced,AI激发兴趣但人做决定)和“AI推荐”(AI-Recommended,AI收敛选项实质左右选择)。IAB强调,即使没有留下可追踪的数字信号,只要AI左右了意图或决定,就应归入相应路径,以避免系统性低估AI的作用。

在功劳分配上,蓝图引入了“功劳主张”(credit claim)概念,分为“决策主张”(decision claim)和“贡献主张”(contributory claim)。当AI决定了最终购买的商品时,AI平台可提出决策主张;当AI仅推了一把而由人做最终决定时,则只能提出贡献主张。例如,若消费者照AI建议选了特定品牌的防晒霜,AI平台拥有决策主张;但若AI仅提供了对比信息,最终由消费者自行判断,则属于贡献主张。这种区分旨在明确谁有资格分功,以及需要何种证据支持。

证据方面,IAB将现有可用证据分为确定性证据(如UTM标记、referrer域名)和方向性证据(如购物者问卷、对照组测试)。报告坦言,目前最大的缺口在于出版商内容的影响难以衡量:如果AI回答引用了某篇评测,但用户未点击链接直接去零售商购买,这部分贡献目前无法证实。IAB呼吁AI平台提高透明度,揭露推荐是否付费及参考来源,以填补这一测量空白。

信息源:TechOrange 科技報橘

研究

前美国商务部长雷蒙多批评特朗普政府芯片出口政策将国家安全置于收入分成之下

实质变化
2026-11-18 03:24

前美国商务部长、现RAISE US首席执行官吉娜·雷蒙多(Gina Raimondo)在Semafor的“硅谷与世界”会议上公开批评特朗普政府的芯片出口政策,认为其在对华芯片销售问题上未能将国家安全置于企业收入之上。

雷蒙多回忆称,她在拜登政府执掌商务部期间,曾与英伟达(Nvidia)前CEO黄仁勋(Jensen Huang)和AMD CEO苏姿丰(Lisa Su)花费大量时间制定规则,明确哪些芯片可以出售、哪些不可以。“他们并不总是高兴,”她说,“但我始终将国家安全放在第一位,你无法为美国的国家安全‘定价’。”

她指责当前特朗普政府的政策缺乏这种一致性:“‘不,你不能卖芯片。’‘是的,你可以,如果我们能拿到25%的分成。’你要么支持美国的国家安全,要么不支持——这不是一个可以用价格衡量的问题。”这一言论直接指向近期被民主党议员调查的所谓“非法出口税”机制,即特朗普政府允许英伟达向中国销售H200芯片,但要求先运往美国并加征关税,从而抽取销售分成。

针对新出台的打击中国租用算力的出口规则,雷蒙多表示她两年前就开始推动相关工作,但当时“比赛结束铃声响起”,政策停滞。她对当前政府向该方向移动表示欢迎,但质疑为何耗时两年。她强调,中国“每天都在思考如何击败美国”。

当被问及是否会在2028年竞选总统时,雷蒙多回避了这一问题,表示“我的下一份工作就是我现在的工作”。

信息源:semafor.com

研究

纽约联储实证研究:贴现窗口借款触发市场惩罚,银行定期融资计划未遭同样反应

实质变化
2026-11-17 20:00

银行在危机中向美联储借款,市场会如何解读?如果借款被视为财务虚弱的信号,银行就会犹豫是否求助,最后贷款人机制便难以发挥应有作用。纽约联储金融研究顾问Asani Sarkar与MIT FutureTech研究助理Natalia Fischl-Lanzoni、MIT斯隆商学院博士生Martin Hiti在2026年11月发布的研究中,用2023年3月银行挤兑期间的实际股票数据给出了一个具体回答:向传统贴现窗口借款确实触发了市场惩罚,但向新设的银行定期融资计划借款则没有。

他们的方法不是直接观察股价涨跌,而是追踪投资者对银行特定风险因素的敏感度变化。研究团队构建了四个反映银行资产负债表弱点的股票组合——未保险存款比例、证券未实现损失、现金持有量和资本充足率——然后估计每家银行对这些组合的beta。beta升高意味着投资者开始更紧密地将该银行的股价波动与某类风险挂钩,即投资者变得对这一弱点更加警觉。在2023年3月7日挤兑开始前,这些beta在统计上接近于零,说明市场并未特别关注这些风险。挤兑爆发后,beta急剧上升。关键问题是:银行第一次向美联储借款后,投资者对银行弱点的敏感度是否进一步增加?

结果显示了明显的不对称。在3月8日至31日期间,34家银行首次使用了银行定期融资计划,33家首次使用了贴现窗口。对于仅使用贴现窗口的银行,投资者对其未保险存款和资本充足率的敏感度在借款后4至7天内显著上升。对于仅使用银行定期融资计划的银行,投资者风险感知没有显著变化。作者认为,部分差异可能来自条款本身:同一批亏损债券,在贴现窗口只能获得市值抵押,在银行定期融资计划则按面值计算;后者的借款利率通常也低于贴现窗口。一家愿意接受更差条件的银行,可能已经用尽了更好的选项,或者只有贴现窗口才接受其非流动性贷款作为抵押——投资者可以合理地将这一选择解读为困境信号。此外,历史声誉或许也是原因之一:贴现窗口数十年来被银行回避所积累的污名,而银行定期融资计划作为新设工具没有这种历史负担。

作者明确承认这项研究的局限:观察的是小样本银行在单一快速演变事件中的数个交易日数据,无法完全分离借款行为本身发出的信号与银行需要借款的实际原因;两种工具的正面比较在统计上并非决定性。但这一不对称模式本身具有政策含义:针对特定危机设计、条款更慷慨、不背负历史包袱的应急工具,可能更容易被银行实际使用,从而更有效地发挥最后贷款人功能。

信息源:Liberty Street Economics

研究

前Netflix产品运营创意总经理Mckenzie Lock:技术上做得到,不等于商业上值得全面做

专题 · Netflix实质变化
2026-11-18 11:30

Netflix在近200个国家和地区提供超过17000部影片,支持30多种语言,拥有超过3亿用户。当AI为如此庞大片库的推广和分发打开空间时,曾在Netflix负责产品、运营与创意的Mckenzie Lock面对的核心问题不是模型能做什么而是这件事该不该做、怎么做最合适。她坚持一个不容妥协的目标:找出流程中哪些环节繁琐、缓慢或存在缺陷,运用AI处理这些混乱,同时确保内容质量不受影响,也不损害制作人员的劳动成果。她的概括是:大多数产品决策实际上都是关于如何应对复杂性的选择,AI也不例外;好的设计并非消除复杂性,而是将其放置在合适的位置。

Lock的团队没有从最新模型的能力清单出发。她先提出两个开放问题:我们希望为会员创造怎样的最终体验?目前的生产流程在哪些方面确实无法满足会员需求?团队做了一项想象练习——如果暂时不考虑技术限制,希望用户能做到什么?例如,一个观众暂停追剧三个月后重新打开,能不能先看到一段适合自己的剧情回顾?这些设想不一定成为最终产品,价值在于让团队先描绘清楚目标,再倒推技术和工作流程。这与先看到一个新模型,再为它寻找应用场景正好相反。

Netflix面临的挑战不只是观众体验。每一部作品的上线背后有编剧、剪辑师、动画师、翻译、配音演员等大量专业人员,他们熟悉流程中的困难,也可能最担心新技术会改变自己的工作。Lock团队去观察一线工作,向不同岗位开放问卷,并组织专家和管理者围绕结果展开讨论,邀请持不同观点的人陈述各自理由,让潜在分歧在项目推进之前就被看见。与技术团队不同,大型创意团队不会为了采用AI而采用,他们需要能够看到自己未来的发展方向。团队针对每个工作流程制作了现状与未来对比的两栏表格:左边写今日流程的预算限制、质量差异、线性相关性和时间成本;右边描述引入AI后一个人的工作如何变化,哪些事情会减少,哪些判断会变得更加重要。团队还为即将发生的流程变化制作了想象中的新闻稿和社交媒体帖,提前报道这场变革,以激发创意工作者对变革的期待。

愿景明确之后,团队仍需决定资源投向哪里。Netflix会把重要战略选择写成二选一的形式,两边都必须是有吸引力的选择。在AI转型中,团队面对的关键问题是:先在低风险场景学习,还是先覆盖影响力最大的作品?像《怪奇物语》这样的大制作热门作品,观众多、传播广,如果AI应用成功收益可能更显著;但同时质量要求更高,出现问题的代价也更大。团队选择先在风险相对较低的内容和流程中试验,从真实生产中学习,再根据技术成熟度和信心逐步扩大使用范围。另一个问题是先投入测量还是尽快扩大规模,Netflix选择了前者。Lock特别强调,AI投入要对齐公司的核心指标,不能只对齐AI自己的新指标,也不能把多数AI投资的目标主要建立在降低成本上。

配音流程中的尝试最能说明该不该与能不能的区别。Netflix的产品团队曾想到一个漂亮解法:在后期重新制作演员的嘴唇动画,让唇形和配音严丝合缝。这个方案技术上很难,做出来视觉效果惊人,是那种在内部演示时能让全场安静的东西。他们找了愿意尝试的导演和演员做A/B测试,结果是观众粘性确实提升了。但AI也造成了一些视觉瑕疵,必须人工清理,且提升效果不是均匀分布,只在台词密集的戏剧和爱情场景里明显。继续为这个能力大规模投入,不划算。随着AI模型继续进步,这笔账以后可能可以重新算,但现在Netflix要回答的是另一道题:如果这件事该做,怎么做最合适。

在发现嘴唇动画不划算之后,团队换了方向:构建了一个AI模型,帮助配音人员识别口型与译文之间需要特别关注的时刻,并通过调整译文等方式改善匹配。相比直接修改画面,这个方案没有那么炫目,却更贴近团队希望解决的问题。技术上做得到并不等于商业上值得全面做——这是Lock反复强调的判断。最炫的方案,不一定是最值得扩大的方案。

同样的逻辑也出现在素材推荐和内容标签两个流程中。素材推荐系统最初只朝着观看指标优化,结果首页可能变成满屏演员特写,无法区分悬疑剧和自然纪录片。团队与创意专家一起制定更细致的规范,调整评估方式,既关注观看结果,也关注素材是否符合内容气质。内容标签工作则展示了另一种思路:不是把旧流程逐步交给机器,而是先缩小问题范围——梳理和精简受统一管理的标签概念,再使用多种模型和人工审核机制处理剩余任务。新流程下,片子在入库几分钟内标签就能上线,旧流程需要数周。

Netflix的案例展示了一套持续判断的方法:从用户体验出发,听见一线声音;把未来工作描述清楚;公开讨论资源取舍;在真实场景中测试;当结果偏离期待时,愿意调整方向。Lock本人对AI持技术中立态度:AI本身无所谓好坏,好坏取决于我们的决定。技术会不断提高实现目标的能力,但更难的问题,是我们是否选择了正确的目标。AI能够加快前进的速度,决定往哪里走,仍是人的责任。

信息源:红杉

研究

微软在Ignite 2026将Copilot重新定义为“工作操作系统”,发布Code 2等新模型及Microsoft IQ平台

专题 · MAI Code 2结构性
2026-11-18 11:00

微软公司(Microsoft)首席执行官萨蒂亚·纳德拉(Satya Nadella)在11月17日于美国旧金山举行的Ignite 2026开发者大会上发表主旨演讲,正式将公司的生成式AI助手Copilot重新定义为“工作的新操作系统”。这一战略定位标志着Copilot从早期的办公辅助工具演变为连接人类用户与自主AI代理的核心平台层,旨在统一处理知识工作、编程和企业业务流程。

纳德拉指出,Copilot现在整合了聊天、协作、编码和自动导航等多种人机交互形式,成为单一入口点。与传统操作系统管理硬件资源类似,Copilot被描述为负责调度AI模型、管理组织数据上下文并协调各类业务应用的“内核”。这一转变意味着原本分散的Office、ERP和CRM等软件边界将被打破,所有工作负载将通过Copilot进行统一管理和执行。

为支撑这一架构,微软发布了多项关键技术和产品更新。其中包括新的AI模型Code 2及其轻量版Code 2 Flash,专门用于企业级编码任务,强调在代码部署、调试和多文件实现上的成本效益;以及Cyber 2 Flash安全模型,以较低成本提供高性能的漏洞检测与响应能力。此外,微软推出了Microsoft IQ平台,旨在通过WorkIQ等技术构建组织内部的人、文档、邮件和项目之间的语义关系网络,使AI代理能够基于丰富的业务上下文进行决策。

在治理与安全方面,微软宣布了“AI透明度倡议”(AI Transparency Initiative),计划与美国国家标准技术研究所(NIST)合作制定开放行业标准,确保AI行为可被独立验证和控制。同时,Azure基础设施也进行了升级,新推出的Cobalt 200虚拟机性能较上一代提升最高50%,并将逐步扩大至全球多个区域,以支持日益增长的AI工作负载需求。

信息源:바이라인네트워크

研究

OpenJDK披露“Java4Shell”高危漏洞,CVSS评分9.2可致远程代码执行

专题 · Java4Shell实质变化
2026-11-18 05:35

OpenJDK于2026年11月17日公开披露了名为“Java4Shell”的高危安全漏洞。该漏洞位于OpenJDK的Base64解码器中,属于内存损坏缺陷,可导致未经身份验证的远程代码执行(RCE)。其通用漏洞评分系统(CVSS)4.0得分为9.2分,被评定为严重级别。

受影响范围涵盖Keycloak、Jira、Confluence、JFrog、Jenkins和PingFederate等常用企业级应用。此外,Apache Kafka、Solr、ElasticSearch等使用相关组件的系统也面临潜在风险。漏洞根源在于处理AVX-512优化汇编代码时的逻辑错误,导致在特定输入下发生缓冲区溢出。Oracle已发布关键安全补丁更新以修复此问题,建议管理员立即升级受影响的Java版本。

信息源:phoronix.com

研究

微软在Ignite 2026发布七款自研AI模型及权重授权服务,宣称以更低成本挑战OpenAI与Anthropic

专题 · 微软MAI自研模型系列实质变化
2026-11-18 10:34

美国科技巨头微软(Microsoft)于2026年11月17日在其Ignite大会上宣布,由微软AI部门(Microsoft AI,简称MAI)开发并推出七款自研AI模型,涵盖程式开发、网络安全、影像生成、实时语音、医疗转录及模型路由等领域。微软AI首席执行官Mustafa Suleyman表示,随着企业Token支出快速攀升,微软旨在提供接近OpenAI和Anthropic顶尖模型效能但成本更低的解决方案。

在核心编程领域,微软推出了MAI Code 2和MAI Code 2 Flash。据微软称,MAI Code 2在四项基准测试中达到OpenAI GPT-6.1 Sol的98%效能,但完成任务的成本仅为其40%;相较于Anthropic Claude Opus 5.5,其效能达96%,成本仅为后者的5%。MAI Code 2 Flash则针对大量重复性工作,成本约为GPT-6 Luna的65%和Claude Haiku 5.5的20%。

除编程外,新模型组合还包括用于持续监控和漏洞扫描的MAI Cyber 2 Flash,微软宣称其在CyberGymE2E测试中的表现与GPT-6 Astra相当,但成本不到后者的2%。影像方面,MAI Image 2.7在Artificial Analysis排行榜位居第一,价格仅为竞品GPT Image 2.6 Sunburst的五分之一。此外,微软还发布了支持低延迟对话的MAI Realtime 1,以及采用MAI-Transcribe-2模型的医疗转录服务Dragon Copilot Transcribe,后者已在全美约三分之一的医师中使用。

值得注意的是,微软同时推出了Decision 1.1模型路由系统,可根据任务需求自动选择最合适的AI模型,以避免所有工作都交由昂贵的大型模型处理。微软表示该系统已有4,000家客户采用,速度比GPT-Sol 6.1快50倍,成本约为后者的1/79。

除了API服务,微软还宣布了“MAI模型权重授权服务”(MAI Licensed Weights)。这一举措允许企业获取训练完成的模型权重参数,在自己的Azure环境中部署和执行模型,并利用内部数据进行定制化。这意味着企业不必完全依赖微软代管的API,可以自行管理模型存取权限,从而更好地控制专有数据和定制化成果。

信息源:iThome

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系