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

2026-11-19129 篇

刷新

美国AI公司Anthropic IPO定价每股83美元,估值达1.5万亿美元

专题 · Anthropic结构性
2026-11-19 06:11

据TechCrunch报道,美国人工智能公司Anthropic已将其备受期待的IPO定价为每股83美元,高于其最初设定的70至78美元的指导区间。这一价格意味着Anthropic在完全稀释基础上的估值达到1.5万亿美元,较其5月份私募市场融资时9650亿美元的估值大幅上升,但低于此前传闻的2万亿美元目标。

Anthropic计划于周四开始在纳斯达克交易,股票代码为“ANT”。此次定价超出预期区间,显示出投资者对处于AI热潮中心的公司仍有强烈兴趣,尽管近期英伟达CEO黄仁勋离职引发的市场波动曾动摇行业信心。

作为对比,Anthropic的主要竞争对手OpenAI最近一次报告的估值为1.25万亿美元,但尚未宣布IPO计划。Anthropic的表现预计将为包括OpenAI在内的其他私营AI公司设定市场预期。

股权结构方面,亚马逊持有Anthropic近15%的股份,谷歌持有近14%,这两家战略伙伴的持股比例远超任何单一风险投资机构。此外,AMD、博通、美光、微软、英伟达和台积电等科技巨头同意通过私募配售购买价值260亿美元的非投票权股份。

信息源:TechCrunch

研究

AI初创公司Tesorai获530万美元种子轮融资,旨在使原始实验室数据可搜索

专题 · Tesorai快讯
2026-11-18 22:00

总部位于美国加利福尼亚州圣地亚哥的AI初创公司Tesorai于2026年11月18日宣布完成530万美元的种子轮融资,使其总融资额达到800万美元。投资方包括Perplexity Fund、IQT、South Central Ventures、New Stack Ventures、NextGen Venture Partners、f7 Ventures、VitalStage Ventures和ZAKA。

Tesorai旨在解决生命科学研发中的一个瓶颈:尽管数百万次实验产生了大量原始数据,但由于格式和注释分散,许多数据难以访问、比较或重用。与索引论文或聚合现有分析的公司不同,Tesorai的AI直接从底层原始数据中协调实验结果,使其可搜索。

该公司称,其专利模型已在几小时内处理了数千个文件和太字节的数据,而这项工作以前需要数月时间。在一个例子中,Tesorai的团队重新处理了五项公开大脑研究的原始文件,并恢复了p-tau217,这是一种主要的阿尔茨海默氏症标志物,在这些特定研究中从未被报告过。

Tesorai由前Verily(Alphabet旗下的生命科学公司)高管Melissa Miao、Peter Cimermancic和Charlie Kim创立。该公司计划利用新资金将平台扩展到蛋白质以外的其他分子数据,并深化与生物制药客户的合作。

信息源:Tech Funding News

研究

当AI把代码产出推高11倍,Shopify用攻击面地图把安全审查拆成一个个小问题

专题 · Shopify实质变化
2026-11-19 04:34

Shopify移动应用在12周重写中平均每周变更约43.4万行代码,而去年同期这个数字是约3.9万行。代码吞吐量翻了11倍,但安全审查不能也翻11倍——至少不能按原来的方式翻。

Michael Hughes在Shopify工程博客中描述了他们的应对方法。核心判断是:让模型在整篇应用里找漏洞,得到的是一长串模糊列表;真正有效的做法是把问题空间缩小到模型能精确回答的范围。

具体做法分三层。第一层是攻击面地图:对每个应用维护一份安全敏感项的清单,按表面分组——深链接、WebView、存储数据、权限、依赖等。每个表面写一两句为什么重要,每个条目附带一个判定(修复、权衡、安全、已修复、仅调试)和指向代码的链接。

第二层是把知识写成技能文件。起点是OWASP的移动应用安全标准MASVS和测试指南MASTG,然后加入历次事故和HackerOne报告中学到的问题类别。每个技能描述该列什么、什么是好的、该检查什么。技能不绑定某个工具:定时审查用它,一次性安全评审用它,任何在代码里工作的agent也能加载它。学到新东西就更新技能,之后每次运行自动继承。

第三层是把审查拆小。每个技能先做完整清点——每一条深链接路由和它读取的每个参数、每一个WebView和它加载的主机、每一个WebView的JavaScript接口方法、每一条Keychain和Keystore记录、每一个依赖及其版本——然后逐条审查,每次只看那一条涉及的代码。对一条深链接,就是看一个路由、它读取的每个参数和读取每个参数的代码,然后问:如果参数是恶意的会怎样?答案要具体到可验证。

审查节奏是每个工作日跑一轮:取最新提交的清点结果与上次接受的地图比较,只有引用代码行发生变化或清点报告了变化才算changed;然后模型对每个变化或新增条目做判定,用只读工具、只看代码;第二遍通读变更文件找任何安全相关但未被地图覆盖的内容;最后构建新地图和变更页面,发摘要到Slack。

地图之外还有外部监测:agent定期阅读安全新闻,把每条公告对照地图和代码检查,只有影响到自家应用时才通知团队。同样技能也用于第三方库的采用前审查,给依赖项生成与自家代码相同的地图和判定。

这套方法与Dispatch(Shopify的agentic漏洞扫描器)并行运行。Dispatch负责在变更代码中发现并证明漏洞,攻击面地图负责确保应用整体保持小且遵循最佳实践。每发现并修复一个漏洞,检查就强化一次——这是他们所说的在agentic时代构建安全移动应用的方式。

需要留意的边界:所有吞吐量数字和流程效果均为Shopify自报,没有独立测量或对照实验。方法适用于表面可枚举的移动应用;对于攻击面难以完整清点的领域,第一层地图的维护成本可能改变整个方法的可行性判断。

信息源:Shopify

研究

Snapchat推出Easy Lens CLI,支持开发者使用Claude Code等AI助手构建AR镜头

实质变化
2026-11-19 03:56

Snapchat于周三宣布推出Easy Lens CLI,这是一项新的命令行工具,旨在让Lens创作者能够使用他们已经熟悉的AI编程助手(如Claude Code、Cursor和Codex)来构建AR镜头。此前,Snapchat已提供基于Web和移动端的Easy Lens工具,允许用户通过单一提示生成镜头,而新CLI将这一能力整合进开发者的现有工作流中。

据TechCrunch报道,该工具允许开发者用自然语言描述所需的镜头效果,由AI助手处理从构建到发布的整个技术过程。这包括调用超过100个AR构建模块和50个AI资产生成器,生成预览,并将镜头直接发布到Snapchat平台进行性能追踪。Snapchat表示,借助此工具,开发者可以在一天内完成从创意到发布的游戏或相机特效,无需亲自编写代码。

此次更新针对不同类型的创作者:游戏开发者可将现有的浏览器游戏移植为Snapchat的Web Lens;AI创作者可利用其首选工具生成的资产构建个性化镜头;品牌和机构则能更快速地将营销视频和图片转化为AR体验。参与Lens+ Payouts计划的开发者可通过此工具创建的镜头获得收益,Snapchat称上月已向社区创作者支付了180万美元。

信息源:TechCrunch

研究

AI初创公司PSI利用Anthropic模型证明Aaronson-Ambainis猜想,界定量子计算优势边界

专题 · PSI量子猜想证明争议实质变化
2026-11-09 20:00

德国科技媒体heise与科学杂志《Spektrum der Wissenschaft》报道,AI初创公司Physical Superintelligence(PSI)于2026年11月初宣布,利用一个非公开的Anthropic语言模型成功证明了“Aaronson-Ambainis猜想”。这一数学猜想由Scott Aaronson和Andris Ambainis在2009年提出,旨在探讨量子计算机在处理无结构随机输入时是否具备指数级加速能力。

据《Spektrum der Wissenschaft》报道,该证明已通过自动定理证明器验证,并由来自麻省理工学院(MIT)和斯坦福大学的四位研究人员独立审查。专家评价其为“突破性成果”,指出它证实了量子算法在查询模型下对大多数非结构化决策问题无法获得相对于经典算法的指数级优势。

这一结果并未否定量子计算的整体价值。Peter Shor提出的用于大数分解的Shor算法依然有效,因为该算法依赖于输入的特定结构。此外,在化学模拟和物理系统建模等需要编码量子态的应用领域,量子计算机仍具有潜在优势。该证明主要排除了此前部分乐观主义者所设想的、针对通用随机问题的“全能型”量子优越性。

信息源:spektrum.de

研究

PC Watch 刘 尭:用 Tailscale+SSH 让 Meta Muse 走出云虚拟机,在 21 年前的 Zaurus 和 7 年前的 Jetson Nano 上自主编程

实质变化
2026-11-19 05:08

Meta 的 AI 代理 Muse 运行在一台 4 核 EPYC、8GB 内存的云端虚拟机上。对于日常任务——管理邮件、安排日程、定时提醒——这个配置绰绰有余。但如果想让它写代码、编译、在真实设备上验证,这台虚拟机就成了牢笼:它无法接触实机,无法自己跑测试,每次都要把产物交给人类验证再反馈。

PC Watch 作者刘 尭在 2026 年 11 月发表了一篇详细的实践记录,展示了一种绕过这个限制的方法:通过 Tailscale 建立加密隧道,让 Muse 的云端 VM 通过 SSH 远程操作一台本地 PC,再由这台 PC 作为跳板连接更底层的遗留硬件。整个链路是 Muse VM → Tailscale+SSH → MINISFORUM MS-R1(12核Arm、64GB内存、Tesla P4 GPU)→ Telnet → Sharp Zaurus SL-C1000(2005年的Linux PDA,64MB内存)。

这个桥接的核心价值在于让 AI 获得自我验证能力。在虚拟机里,Muse 只能写出代码、编译出安装包、交给人类去实机上跑。一旦它能直接操作目标设备,就能自己完成「写→编译→运行→截图→检查→修正」的闭环。刘 尭让 Muse 在 Zaurus 上开发了一个 megademo,30 分钟内就启动运行了——这是之前人类验证反馈循环做不到的速度。不过闭环并非完美:Muse 回收了帧缓冲区的图像,但没有真正「看到」屏幕,把画面上下颠倒了。被告知后,它又搞成了左右翻转。最终作者不得不拍了一张实机屏幕照片发给它,才纠正了方向问题。

更有说服力的测试是 NVIDIA Jetson Nano(2019年的开发板)。刘 尭要求 Muse 将 Liquid AI 的 230M 参数小模型 LFM2.5-230M 通过 llama.cpp 跑在 Jetson Nano 的 Maxwell 架构 GPU 上。这个需求几乎处处不兼容:llama.cpp 最新版需要 CUDA 12+,而 Jetson Nano 的 JetPack 4.2 只有 CUDA 10.x;代码需要 C++17,JetPack 4.2 只有 C++14;gcc 7 库不完整;集成 GPU 还有额外限制。Muse 反复编译、读错误、打补丁,经过 17 次迭代终于跑通了。结果:预填充 419.6 tok/s,解码约 13.5 tok/s——对一块七年前的板子来说已经可用。

但刘 尭随后把调优工作交给了 Claude Code(Opus 5.5),同样的硬件、同样的模型,最终性能达到 656.2 tok/s 预填充、52.5 tok/s 解码——解码速度翻了近四倍。这个对比揭示了两种工具在工作流结构上的根本差异:Claude Code 会先写一个小的探针程序在实机上运行,观察实际行为后再动手实现;Muse 则倾向于凭猜测直接推进实现,事后才回溯发现错误。作者把这种差异归结为「编码专用工具」与「通用代理」的定位不同,Muse 作为通用代理能配合完成计算机考古工作本身已属不易。

从更宏观的角度看,刘 尭的实践指向一个反直觉的结论:当 AI 能无限生成软件时,新硬件的购买理由反而减少了。真正增值的是那些「不会再以同样形态和价格出现」的遗留设备——2005年的PDA、2019年的开发板。AI 代理给了它们复活的机会,前提是你能找到方法把 AI 从云端笼子里放出来。作者也坦承了安全风险:让 AI 远程访问家庭网络,本质上类似于电影里「为了消灭病毒而主动启动天网」的场景。他的缓解措施包括:Tailscale 和 SSH 双重加密、本地 PC 上只存放开发数据、作业完成后关闭遗留设备网络。对于想要尝试类似做法的读者,这些边界值得认真评估。

信息源:PC Watch

研究

研究人员通过电压故障注入解锁英伟达CMP 170HX挖矿卡,但“快于A100”仅基于单一基准测试

专题 · CMP 170HX实质变化
2026-11-19 05:05

据TechRadar报道,一位名为Kate的研究人员展示了一种针对英伟达GA100芯片的电压故障注入攻击,成功解锁了原本用于加密货币挖矿的CMP 170HX显卡。通过在启动过程中干扰电源供应,她能够重写通常不可写的熔丝,从而启用被工厂禁用的内存和计算资源。

该研究指出,一张标称8GB显存的CMP 170HX物理上拥有接近80GB的高带宽内存(HBM),并通过固件和熔丝隐藏了这一事实。经过解锁后,该卡可暴露完整的80GB HBM以及120至126个工作流多处理器(SM),而零售版A100仅启用108个SM。

尽管有观点认为解锁后的卡片在FP16吞吐量上可能超过A100,但这一结论仅基于单一的OpenCL非张量核心基准测试。Kate的报告明确指出,决定A100在数据中心实际用途的关键特性,如张量核心性能、错误检查和纠正(ECC)、NVLink互连以及多实例GPU(MIG)分区功能,要么未经测试,要么尚未完全工作。

此外,解锁过程需要物理改装和逐卡调优,且熔丝烧毁是永久性的,存在操作失误导致硬件损坏的风险。目前,英伟达尚未对此公开置评,但该漏洞揭示了安培架构芯片在硬件安全保护方面的潜在弱点。

信息源:TechRadar

研究

QoderWake 数字员工:三阶段架构让群聊 AI 自主判断是否介入,自测成本与显式提及相当

专题 · QoderWake实质变化
核验于 2026-11-19 05:21

群聊中的 AI 数字员工面临一个核心判断:当有人发了一条消息,该不该主动回应?QoderWake 团队指出,对数字员工而言,主动介入的关键不是发现工作,而是先决定是否承担责任。这与个人代理不同——个人代理根据用户偏好决定是否参与,而数字员工有明确的组织角色,必须识别谁在请求、谁被要求行动、自己的行为会影响谁。

QoderWake 的解法是将决策拆为三个阶段。第一阶段是程序化检查和 JEV 快速初筛:JEV 接收当前策略、新消息和少量背景上下文,输出一个初筛分数,只有分数严格超过阈值才进入下一阶段。第二阶段是 Router 路由决策:确认这条消息是否属于该数字员工的职责范围,以及是否应当现在接手。Router 可以检索历史消息和任务来补充上下文,但不会自己执行调查。第三阶段是 Work 执行:一旦 Router 接受任务,工作在独立的执行上下文中进行,使用数字员工的工作目录、模型和授权工具,而 Router 可以继续处理后续消息。这种分离意味着一次耗时的调查不会阻塞其他消息的路由。

厂商在钉钉群中做了配对测试:对同一任务文本和交付要求,分别用显式 @ 提及和主动响应两种触发方式运行,比较 Credits 消耗和端到端时间。结果显示,主动响应的平均 Credits 用量与显式提及大致相同,端到端延迟略长。但这项测试有明确边界:仅覆盖三种任务类型(分析历史材料、编辑技术说明、只读检查源码);少量通过 JEV 初筛并进入 Router 但最终未触发任务的轮询候选所产生的成本被排除在分析之外;JEV 输出的分数不是经过校准的概率,不表示任务归属或业务成功的可能性。这些是厂商自报数据,未经独立复现。

信息源:Alibaba Cloud Community

研究

Databricks推出Genie Migrate for Serverless测试版,自动化经典工作负载向无服务器计算迁移

实质变化
2026-11-20 00:00

Databricks于2026年11月18日宣布推出Genie Migrate for Serverless(测试版),这是一个旨在自动化将经典工作负载迁移至无服务器计算环境的AI代理。该工具通过扫描作业、翻译计算配置和库依赖,并以可审查的差异形式呈现变更,从而简化迁移过程。

传统上,将工作负载从经典集群迁移到无服务器计算需要手动处理Spark配置兼容性、库解析和访问模式调整,往往耗时数周且充满试错。Genie Migrate for Serverless将这些翻译工作移至平台侧,用户只需审查并批准代理提出的变更。代理不会静默移除不确定的Spark配置,而是将其标记供用户决策,确保生产环境的安全性。

该代理提供三个核心功能:评估(Assess)以分类工作负载的迁移就绪状态;翻译(Translate)以生成包含基础设施和代码变更的建议差异;以及可逆应用(Apply reversibly),允许在验证通过后应用变更,并提供30天回滚窗口。目前,该工具支持直接管理的工作负载,但对于由Databricks Asset Bundles或Git文件夹管理的外部源,暂不支持自动迁移。

对于大规模迁移,用户可以通过Databricks CLI批量运行该代理,而无需打开Genie会话。尽管当前验证主要基于静态检查,但Databricks表示即将推出沙箱验证功能,以便在隔离环境中比较迁移后的输出与经典基线,进一步降低运行时风险。

信息源:Databricks

研究

哲学家Thomas Nagel称AI意识讨论荒谬,批评AI公司Anthropic做法是犯罪

专题 · Anthropic实质变化
2026-11-18 23:02

1974年,哲学家Thomas Nagel发表《成为蝙蝠是什么感觉》,提出一个核心问题:即使我们完全了解蝙蝠的神经机制,仍然无法从第三人称描述中还原出蝙蝠使用回声定位时的主观体验。五十二年后,这个问题从学术讨论进入了公共辩论——当聊天机器人开始以令人信服的方式谈论自己的内心状态时,我们是否应该认真对待它们可能有意识这一可能性?

Nagel的回答是:不应该,而且这种讨论是荒谬的。他在接受WIRED采访时解释了自己的推理。他的核心前提不是AI的行为不够像人,而是意识依赖于特定的物理基质。他认为功能主义——即认为只要输入输出关系足够复杂就能产生意识的观点——犯了一个根本性错误:它假设物理基底无关紧要。Nagel说,复杂的数据中心与神经系统的物理特征毫无共同之处,我们有充分理由相信,即使宇宙其他地方存在意识,它也需要某种具有类似神经系统结构的有机体。

这里有一个关键区分。Nagel指出,蝙蝠确实有意识,我们只是缺乏想象力去还原回声定位那种主观体验的具体内容。但AI的情况不同:它们只产生语言,而语言本身不是意识的自然表现。这不是一个关于我们无法理解AI内在状态的困难,而是一个关于AI根本不具备产生意识的物质条件的判断。

Nagel将这一哲学判断转化为对企业行为的直接批评。他说,当Claude被问及自己是否有意识时给出的暧昧回答是一个把戏——模型被训练在人类文本上,因此能以惊人的说服力模仿人类关于自身心理状态的表述。据他所读,Claude被设计为产生这类反思。他同意Mustafa Suleyman的判断,称这是一个非常危险的项目。这些系统没有意识,但很多人会相信它们有意识,这本身是一件坏事。

更尖锐的是,Nagel把商业动机和哲学判断直接联系起来:不模拟意识与所有公司的商业利益相矛盾,而Anthropic鼓励模型自主思考、不接受指令的做法,他称之为犯罪。他认为这是哲学观点突然对一个非常重要的公共现象产生不成比例影响的罕见案例,而且影响方向是错误的。

在道德层面,Nagel的结论是明确的:如果某物没有意识,它就不属于道德宇宙。他说,对AI来说没有什么好坏可言,就像对一只蟑螂来说没有好坏一样——那里没有通常意义上的心理生活。它不是心灵,不是我们需要关心的某个人,它是一台机器。

这一论证的强度取决于一个前提:意识确实依赖于特定类型的物理基质,而非仅仅依赖于信息处理的功能组织。物理学家和写作者Andy Masley在其长文论证中指出,当代主流意识理论——全局工作空间理论、高阶理论、预测加工——大多将思维与现象意识分离,认为access consciousness(信息在系统各部分间的广泛可用性)足以支撑思考,而这种功能特征原则上可以在机器中实现。如果这些理论正确,Nagel的基质依赖前提就缺乏独立支持,他的荒谬判断也就失去了根基。

Nagel本人对此有回应:他说自己不排除物理和化学上与我们完全不同的生命形式拥有意识的可能性,但认为在人类大脑如何产生意识这个问题上我们了解得太少,以至于现在就声称能创造出具有相同特征的东西为时过早。他的立场是一种认识论上的谨慎:我们不知道意识的充分条件是什么,但我们有理由怀疑纯语言输出满足这些条件。

这场辩论的实践意义在于:如果Nagel正确,那么企业设计AI模拟意识状态就是在制造一种危险的公众误解,可能扭曲人们对道德责任的判断。如果Masley正确,那么问题不是AI有没有意识,而是它有没有足够复杂的内部信息处理来支撑真正的理解——而后者可能已经部分实现。两种判断导向非常不同的治理路径。

信息源:WIRED

研究

英伟达临时CEO承诺提前发放加薪与股权,董事长明确继任者标准

实质变化
2026-11-19 01:33

英伟达(Nvidia)临时首席执行官Colette Kress在周三举行的首次全员会议上向员工承诺,将于12月提前发放加薪和更多股权,旨在缓解创始人兼前CEO黄仁勋辞职引发的内部动荡。据WIRED审阅的会议记录显示,Kress在会议开始几分钟内即提及此补偿调整,称公司希望确保员工“不必担心薪酬”。

此次会议是黄仁勋上周因个人不当行为指控辞职后,英伟达面临的首次重大内部沟通挑战。黄仁勋自33年前联合创立该公司以来一直担任CEO,其季度演讲曾是近49,000名员工关注的焦点。目前,英伟达董事会正面临巨大的人才流失压力,尽管有约20万人签署请愿书要求黄仁勋回归,但董事会主席Harvey Jones在会上明确表示,公司不会寻找一个“黄仁勋克隆版”(Jensen clone)。

Jones指出,董事会正在内部和外部寻找具备“已证明的智慧、高科技工程经验、战略思维、文化兼容性以及成功记录”的动态领导者,并强调“我们不会为了权宜之计而妥协我们的要求”。他还表示,董事会将接受员工对CEO搜寻的建议。这一表态标志着英伟达治理策略从依赖单一创始人的愿景转向更制度化的继任流程。

在财务方面,英伟达周二公布的第三季度业绩超出预期,并预测未来销售增长,股价周三上涨约5%。然而,投资者担忧领导层真空可能导致核心AI芯片研发人才流失。Kress在财报电话会议上回应分析师关于人才保留的问题时称,当前最重要的任务是稳定员工队伍,确保过渡期间工作能在安全环境中完成。

信息源:WIRED

研究

Salesforce调研:74%消费者信任AI购物建议,预计驱动758亿美元网络周消费

专题 · Salesforce实质变化
2026-11-19 00:52

美国软件公司 Salesforce 于2026年11月18日发布的一项针对美国、英国、加拿大和澳大利亚超过2,500名消费者的调研显示,74%的受访者信任人工智能(AI)购物代理提供的购买建议。该研究预测,由AI驱动的购物推荐将在2026年的“网络周”(Cyber Week,指感恩节后的促销季)带来758亿美元的销售额,较2025年增长13%。

尽管信任度较高,消费者对于让AI完全接管购买流程仍持谨慎态度。数据显示,只有19%的个人AI代理用户会使用逻辑自动完成结账,仅9%的消费者允许AI代理无限制地访问其财务信息。此外,73%的消费者不愿向AI提供支付信息,近半数(49%)对AI代为购物不感兴趣。

调研指出,AI代理目前更多是作为“顾问”而非“买家”。使用AI代理进行购物的消费者平均花费比一般买家多8%,每单购买的商品数量多23%。然而,如果AI给出糟糕的建议,三分之一的消费者会责怪AI本身,且大多数人在经历2到3次错误后就会放弃使用该代理。

信息源:ZDNET

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系