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

2026-11-1944 篇

刷新

德国联邦最高法院:未经律师实质审查的AI生成上诉书或致程序无效

实质变化
2026-11-19 00:42

德国联邦最高法院(Bundesgerichtshof, BGH)在2026年10月13日的一项裁决中明确,律师在使用人工智能(AI)起草法律文件时,必须进行实质性的内容审查并承担全部责任。如果法律文件主要由AI生成且未经过律师的有效把关,法院可认定其不符合法定形式要求,从而导致上诉程序无效。

这一裁决源于一起针对凯撒斯劳滕地方法院判决的刑事上诉案(案号:3 StR 350/26)。根据《刑事诉讼法》第345条第2款,有效的上诉理由必须由辩护律师“塑造性地参与”起草过程。BGH第三刑事法庭指出,若上诉书由AI生成且缺乏律师的关键性内容控制,这种“塑造性参与”可能被视为缺失。

在具体案件中,法官注意到上诉书中存在大量通用、标准化的段落,与原审判决的具体事实关联薄弱。例如,文中抽象讨论了犯罪未遂后的中止可能性,却未回应原审法院关于被告已无法继续实施犯罪的既定事实。尽管BGH认为这些瑕疵尚不足以完全否定律师的参与程度,从而未直接以程序不可受理为由驳回,但该案强调了严格的审查义务。

此裁决向法律界发出信号:盲目依赖AI生成文本而不加批判性审查,将面临极高的程序风险。法院有权拒绝此类自动化生成的输入,并不再重新审理相关案件。这符合近期司法系统对技术滥用日益严格的监管趋势,此前柏林高等法院也曾因律师提交包含AI幻觉内容的文件而提出警告。

信息源:heise online

研究

破产数据公司Stretto的会话续接模式:让语音AI跨越流式会话时长上限

实质变化
2026-11-19 02:58

破产服务数据公司Stretto与AWS合作伙伴CI&T在Amazon Machine Learning Blog上联合撰文,介绍了其语音AI代理Tara的生产部署经验。Tara用于在Bankruptcy.com网站上接听破产咨询者的电话,完成结构化的破产前访谈。一个具体的工程约束塑造了整篇技术叙述的核心:完整的律师设计访谈需要15至20分钟,而Amazon Nova 2 Sonic单次流式会话的最大时长短于此。团队没有把这一限制当作需要回避的缺陷,而是将其视为设计参数,由此发展出一套会话续接模式。

会话续接模式的机制如下:语音桥接层持续追踪当前与Nova 2 Sonic之间的双向音频流已开启多长时间。在接近上限之前,它开启一条新的流,使用相同的系统提示和工具配置,并将到目前为止的对话以文本历史的形式发送进去。当Tara完成当前回复后,桥接层将调用方的音频切换到新流,同时关闭旧流。对调用方而言,对话在回复边界处无缝衔接,不会察觉底层发生了会话切换。

这一模式的可迁移性在于它不依赖模型本身的改进,而是在编排层处理约束。任何使用流式语音模型构建电话代理的团队都会遇到单次会话时长上限与真实对话时长之间的冲突。文章描述的切换时机——在模型完成当前回复之后——是关键设计选择:如果在回复中间切换,调用方会听到音频断裂;如果在回复开始前切换,模型可能尚未输出完整语义单元。

在将Tara推向生产之前,团队花了一整周专门验证语音质量,覆盖调用方情绪状态(平静、紧张、犹豫、沮丧)、首次音频延迟基准、打断处理以及情绪语调适配。这一验证报告被用作是否继续推进集成的门控条件。这一做法本身是一条实践建议:在涉及敏感财务信息的语音AI部署中,先验证对话的自然度和情感适配能力,再编写集成代码,而非反过来。

需要保留的边界是:文章中的所有性能数字均为Stretto自报——约96%的结构化字段提取准确率、完成通话平均约8分钟、每分钟语音成本较前方案降低95%、线索转化率较网页表单提高20%。这些数字没有独立复现,且95%成本降低基于us-east-1区域2026年4月的Amazon Bedrock按需定价。会话续接模式在对抗性条件下的表现(例如调用方在切换边界处打断、或情绪状态在文本历史传递中丢失)未被文章详细报告。

Stretto的首席AI架构师Danya Gordin和CI&T的执行经理Marcelo Wzorek在文中分别引述了项目成果。文章由AWS机器学习博客发布,AWS作为模型和云基础设施的提供方具有商业利益关系,这一归因边界在引用其性能声明时应当保留。

信息源:Amazon Web Services

研究

微调耗时为何远超FLOP估算:评估频率和检查点写入才是主导因素

实质变化
2026-11-19 02:53

在共享GPU集群上调度微调任务时,几乎所有团队都用同一个公式估算耗时:六倍参数量乘以训练token数,再除以GPU数量和峰值吞吐量。这个公式描述的是优化循环本身,但一个真实的微调任务远不止优化循环。任务启动前要做环境配置、下载和加载模型、数据分词;训练过程中要定期跑评估、上传检查点;结束时要把最终模型写入对象存储。在多租户集群上,所有这些操作还要和其他任务争抢网络和存储带宽。Dharma-AI团队在2026年11月18日发布的博文预览中,用他们生产环境中272个监督微调任务的运行日志,量化了这些被忽略的开销到底有多大。

他们把FLOP公式作为基线,在MFU(模型FLOPs利用率)从0.25扫到0.65的范围内测试,最好的结果(MFU=0.30)仍然给出12.41小时的平均绝对误差,R²只有0.31。换句话说,这些任务的平均时长是23.43小时,而理论公式的预测偏差接近一半。作为第二个分析基线,他们还测试了Calculon(Isaev等人,SC'23),一个考虑了计算、内存流量和设备间通信的解析性能模型,并扩展到覆盖LoRA、分组查询注意力、融合注意力、bfloat16和SwiGLU。结果Calculon的估计中位数只占实际墙钟时间的11%。这说明生产任务中绝大部分时间花在优化步骤之外。

相比之下,Dharma-AI训练的CatBoost回归器只使用任务启动前就能从配置中读到的信息——超参数、数据集大小、模型标识、GPU分配数量——在5折交叉验证中达到了R²=0.98、平均绝对误差1.71小时、中位数误差0.51小时。差距的来源是两类信号:一是FLOP公式根本不包含的评估频率、检查点策略、每GPU负载和微调方式;二是这些变量之间的非线性交互,只能从历史运行中学到。

在CatBoost的24个特征中,排名第一的不是参数量,也不是GPU数量,而是num_eval_data——整个任务生命周期内评估处理的样本总量。紧随其后的是可训练参数量、评估批大小百分比、总参数量和每GPU训练批次百分比,检查点保存参数量也排在前列。SHAP值分析显示,高评估量一致地推高预测时间,而可训练参数量的影响只在最大的模型上才变得显著。这意味着:你多久跑一次评估、每次评估多少数据,和模型有多大一起,左右着任务什么时候结束。这些往往是写训练配置时凭习惯做出的选择。

不过,这个预测器的适用范围有明确边界。它只覆盖了监督微调,没有包含RLHF、DPO或RLVR等其他训练和对齐策略。所有运行都使用H200 GPU,模型对该基础设施校准,不能直接迁移到其他GPU代际。超过60小时的长任务只有13个样本,中位数误差跳到5.19小时,90分位误差达18.51小时。Dharma-AI团队自己也指出,这是数据量限制而非方法缺陷,更多数据应该还能继续改善。可迁移的是方法本身:用暴露开销的特征、处理多重共性的特征选择和对比协议,可以在任何结构类似的执行日志数据上重建这条管线。

信息源:huggingface.co

研究

UiPath 组合策略与规划副总裁 Feiran Hao:RPA 是 tokenless 企业自动化

实质变化
2026-11-18 08:00

UiPath 组合策略与规划副总裁 Feiran Hao 注意到一个反复出现的现象:公司里的人不断抱怨 token 用完了,有人甚至专门挑时间发 prompt 来优化使用窗口。他的回应不是抱怨成本,而是提出一个设计原则——'tokenless',即当某个步骤不需要模型去理解、推理或生成时,就不应该消耗 token。API 调用、运行 Python 脚本、UI 自动化,这些都可以零 token 完成。

他用两个具体例子说明这个原则在个人层面的应用:与其让 AI 看一段视频来提取截图,不如用脚本直接抓取画面、用数学算法识别唯一帧;与其让 AI 加载一份两万行的 Excel 表格再开始分析,不如先用脚本理解数据结构。两者的共同点是:确定性工具已经能完成的工作,没必要让模型重新发明轮子。

Feiran Hao 随即把这条个人实践线拉到企业规模:UiPath 最初在企业规模上完善的,正是这种无 token 自动化。他承认 RPA 在 AI 热潮中不太受关注,但坚持将其重新定义为'tokenless enterprise automation',理由很简单——它精确。企业工作通常不是开放式探索,人们知道技术要达成什么、愿意花多少钱去达成,确定性执行比概率性生成更适合这类需求。

这个哲学直接通向了定价策略。Feiran Hao 透露 UiPath 已引入按交易计费(transactional billing)作为现有模式之外的新选项,逻辑是客户看重的是完成的工作,而不是工作中消耗的 token。对习惯按用量付费的用户,旧选项仍然保留;但对更关心结果确定性的企业客户,按交易计费提供了可预测的成本结构。

文章的收束是一句克制的提醒:你不需要仅仅因为能用 AI 就用 AI,有时候工作用无 token 方式做更好。这个论点本身在技术上并不新颖——确定性工具处理结构化任务更便宜、更可预测,这是工程常识。值得注意的增量在于它被组织成一条从个人习惯到企业定位再到定价模型的连贯策略线。需要保留的边界是:Feiran Hao 是 UiPath 的 VP,而 UiPath 的主营业务正是 RPA;'tokenless'这个重新命名在技术判断之外,也服务于将现有产品线嵌入 AI 时代叙事的商业需要。

信息源:uipath.com

研究

微软Ignite发布Foundry托管代理生产级能力:共享子网IP与私有CA信任

实质变化
2026-11-19 01:00

微软在2026年11月18日的Ignite大会上宣布,其Azure Foundry Agent Service中的托管代理(Hosted Agents)推出多项旨在解决企业从试点转向生产环境瓶颈的新功能。这些更新主要涉及网络扩展性、内部服务安全连接以及部署灵活性。

针对此前限制大规模部署的IP地址耗尽问题,托管代理现在支持共享子网IP。微软表示,每个会话仍在独立的VM隔离沙箱中运行,但不再独占一个IP地址。根据规划估算,一个/24子网现在可支持约60,000个并发会话,而最小的/27子网预计支持约7,500个。这一变更已正式可用(GA),无需额外申请。

在安全性方面,新增了对私有证书颁发机构(Private CA)的信任支持,目前处于公开预览阶段。此前,调用使用企业内部证书的MCP服务器或API时,代理常因证书检查失败而中断。现在,管理员可在Foundry资源上注册一次CA证书(存储于Azure Key Vault),项目内的代理即可自动信任该证书,同时保持主机名和证书验证开启,避免了关闭安全检查的风险。

网络出口控制(Network Egress Controls)也已正式可用。这允许企业在代理沙箱外部强制执行允许或拒绝特定主机的规则,解决了“工具列表不等于网络边界”的安全隐患。此外,微软还预告了“自带AKS集群”(BYO-AKS)部署选项,计划于12月初进入公开预览,允许组织在自有的Azure Kubernetes Service集群上运行Foundry代理运行时,以满足特定的合规和网络管理需求。

信息源:Microsoft Foundry Blog

研究

curl 维护者 Daniel Stenberg:AI 重写 34 万行 Rust,却漏掉同期 200 个 bugfix

快讯
2026-11-18 23:58

代码量从来不是维护质量的度量。curl 维护者 Daniel Stenberg 在 2026 年 11 月 17 日的博客中给出了一个具体到令人不适的对比:AI 代理把 18.5 万行 C 代码转成了 34 万行 Rust,行数几乎翻倍,但在同一时间段内,真正的 curl 项目合并了超过 300 个提交。其中 200 多个 bugfix,以及若干安全漏洞修复,那些 Rust 重写版本一个都没有。

Stenberg 特意注明「我数过」,这不是一个模糊的印象,而是他作为维护者对两个时间线的逐项核对。三周多时间里,人类维护者修了 200 多个 bug,堵了几个漏洞;AI 产出了近两倍于原始代码量的新代码,却与这些修复完全脱节。他又提到,在随后一个月里,团队又做了另外 200 个修复,可能还堵了几个漏洞。

这组数字揭示了一个结构性盲区:AI 代理擅长一次性转换——把已有代码从一种语言搬到另一种语言——但难以持续追踪上游项目的增量变化。一个活跃维护的开源项目每天都在产生 bugfix、安全补丁和兼容性修复,这些变更不会出现在初始代码快照里。重写代理看到的是起点,而维护者做的是持续收敛。34 万行 Rust 代码可能语法正确、结构清晰,但它不包含这 200 个 bugfix 所修复的具体错误,也不包含那些漏洞补丁所堵住的攻击面。

Stenberg 最后留下的问题是反问式的:「这些克隆能否跟上?」他没有给出答案,也没有断言 AI 重写永远无法追赶。他的措辞是「Will these clones keep up?」——一个开放性的质疑,而非封闭性的否定。但数据本身已经足够说明:在代码转换完成的那一刻,这些 Rust 版本就已经落后于上游。追赶需要的是持续同步能力,而不仅仅是初始转换的规模。

值得注意的边界:Stenberg 描述的是特定一批 AI 代理对 curl 的重写尝试,并非对所有 AI 辅助编程的判决。curl 本身是一个拥有超过 25 年维护历史、持续处理协议兼容性和安全问题的项目,其维护复杂度可能高于许多一次性转换场景。他的观察更适用于「活跃维护的大型项目能否被一次性重写替代」这个问题,而非「AI 能否写出有用代码」。

信息源:Simon Willison’s Weblog

研究

迪士尼幻想工程发布星战Anzellans原型:AI与AWS云驱动实时互动,取代传统木偶师控制

实质变化
2026-11-19 01:50

美国娱乐巨头华特迪士尼公司的幻想工程研发部门(Walt Disney Imagineering R&D)近日发布了三款基于《星球大战》外星角色“安泽兰”(Anzellans)的音频动画机器人原型。这些名为Vilo Vele、Kado Bre’a和Jibu Bre’a的小型机器人不再依赖传统的隐藏式木偶师操控或固定的预设动作序列,而是通过亚马逊AWS云服务上的AI模型来实时处理并响应游客的互动。

据科技媒体The Verge报道,这些机器人内部装有隐藏的摄像头和麦克风,用于捕捉游客的动作和语言。这些数据被传输至AWS云端服务器,由多个AI模型进行处理。系统采用了一种分层架构:一个“快速决策模型”负责生成即时反应,例如让机器人迅速与游客进行眼神接触以模拟注意力集中;而更大的模型则负责规划更长时间的交互逻辑。

尽管引入了AI技术,迪士尼强调机器人的动作和对话并非完全由AI现场生成。所有被AI模型选择和触发的动作及台词均由迪士尼幻想工程师预先编写,以确保角色性格的一致性并防止偏离剧本。这种设计在提供看似自发的互动体验的同时,保留了严格的内容控制。

这三款原型机将于本月晚些时候在内华达州拉斯维加斯举行的AWS re:Invent会议上首次公开亮相,供参会者互动。迪士尼表示,这项技术未来可能会应用于“星球大战:银河边缘”等主题公园景点中,这可能改变大型娱乐设施对人力操控的需求以及游客互动的实现方式。

信息源:The Verge

研究

NVIDIA 发布 Daviator:用 k 点批处理和混合精度消除小体系 DFT 的 GPU 瓶颈

实质变化
2026-11-18 23:00

训练下一代机器学习原子间势需要数千万到上亿次密度泛函理论计算作为训练数据。平面波 DFT 是生成这些数据的金标准,VASP 是其主导实现。但一个反直觉的现象长期困扰研究者:在 GPU 上运行小体系 DFT 计算,速度反而比 CPU 更慢。NVIDIA 在 2026 年 11 月发布的技术博客中解释了这一瓶颈的根源,并介绍了其新库 Daviator 如何通过两个层次的机制解决它。

问题的核心在于 k 点处理模式。周期性体系的电子波函数由晶体动量参数化,小原胞需要数百到数千个不可约 k 点才能达到收敛精度。每个 k 点的求解在 Davidson 特征值求解器步骤中彼此独立,不需要跨 k 点通信。然而 VASP 的 OpenACC GPU 端口按顺序逐个处理 k 点。对于大体系,单个 k 点的工作量足以填满 GPU;但对于小体系配合密集 k 点网格,每步数百次小型 GPU 调度使内核启动开销主导了计算时间。文章给出了一个具体案例:一个含 752 个 k 点的单原子铁体系在更昂贵的 GPU 硬件上比 CPU 慢 8 倍。

Daviator 的解决方式是将顺序循环替换为批量操作。其核心是一个批量 Davidson 特征值求解器,将 FFT、矩阵乘法和自定义内核批量调度,大幅减少 GPU 内核启动次数,使流多处理器占用率从部分容量提升到接近饱和。数据全程驻留在 GPU 显存中。VASP 保留对自洽场循环、混合、对称性和输入输出的完整控制权,Daviator 仅在明确定义的调用边界处介入已经位于设备上的数据。

消除 k 点瓶颈后,NVIDIA 进一步引入混合精度执行层以利用硬件中 FP32 与 FP64 吞吐量的不对称。在数据中心 GPU 上,FP64 吞吐量在 Hopper、Blackwell 和 Rubin 架构间基本持平,而 FP32 吞吐量持续增长。推理级和工作站 GPU 如 RTX PRO 6000 的 FP32 与 FP64 比率达到 64:1。问题在于,并非 Davidson 流水线中的每个内核都对精度同样敏感,而简单的 FP32 运行对比 FP64 只能给出通过或失败的二元结果,无法揭示数值边界在哪里。

文章描述了一套可迁移的精度需求分析方法论。首先,用可配置尾数和指数位数的通用浮点类型对代码进行仪器化。然后编写运行脚本、比较脚本和筛选脚本:对每个内核,先递减尾数位数直到比较失败,再在最小可用尾数下递减指数位数。这能识别每个内核的最低有效精度,从而决定是切换到 FP32、改进实现使其进入 FP32 范围,还是保留为 FP64 孤岛。NVIDIA 指出,真正的混合精度需要精确知道精度边界在哪里,因为软性失败——能量漂移、错误收敛、看似有效但实际发散的分子动力学轨迹——比硬性失败更隐蔽。

按照这一工作流,基于 Verificarlo 的原始分析表明 Davidson 算法的大部分代码可以以 FP32 算术和存储运行:FFT、哈密顿量施加和轨道更新使用 FP32,而子空间特征值问题、子空间矩阵背后的瘦高矩阵乘法、能量和收敛度量保留在 FP64。剩余的 FP64 瓶颈是 Rayleigh-Ritz 投影中的瘦高矩阵乘法,纯 FP32 累加不足因为输出直接馈入数值敏感的特征值求解器。NVIDIA 用 split-k 算法解决:将点积拆分为 FP32 块,最终在 FP64 中累加。

性能结果方面,NVIDIA 报告 Daviator 使单原子铁相对 CPU 基线获得 2 倍以上加速,LiFePO4 的 r2 SCAN 泛型获得 22 倍 Davidson 加速,64 原子 Bi 掺杂 GaAs 执行时间降低超过 85%。混合精度在 RTX PRO 6000 上使 FP32 Davidson 求解器运行快 3 到 7 倍,带来约 2 倍端到端加速;但在 H100 和 H200 上由于 FP64 张量核心匹配 FP32 吞吐量,边际收益有限。对 OMat24 数据集的投影显示,在 RTX PRO 6000 上组合使用 Daviator 和混合精度可将成本降至 CPU 的约 25%。

需要明确的是,这些数字全部来自 NVIDIA 自报基准,且 OMat24 的投影是从 13 个代表性输入外推而非实际完整运行。当前 Daviator 仅支持单节点执行,非共线自旋和纯 Gamma 点运行尚未覆盖。混合精度的收敛极限取决于输入,通常 FP32 可收敛到 10^-4 到 10^-6 eV 的 EDIFF 阈值,继续用 FP64 才能突破 FP32 噪声底。这套精度分析方法论本身——仪器化、逐内核筛选、FP64 孤岛——对其他需要混合精度改造的 HPC 代码具有参考价值,不局限于 VASP 或 Davidson 求解器。

信息源:NVIDIA Technical Blog

研究

AI文档处理初创公司 Unsiloed AI 获Felicis领投750万美元种子轮融资

快讯
2026-11-18 20:00

AI文档处理初创公司 Unsiloed AI 宣布完成750万美元的种子轮融资,由硅谷风险投资公司 Felicis 领投,Y Combinator、Orange Collective 和 Uncorrelated Ventures 参投。天使投资人 Aarthi Ramamurthy 和 Beth Turner 也参与了本轮融资。

Unsiloed AI 致力于解决企业文档难以被AI代理准确解读的问题。其软件能够分解包含表格、图表和复杂布局的文档,提取信息并转换为结构化数据,同时提供来源追溯功能以验证结果。联合创始人兼CEO Aman Mishra 指出,大型语言模型(LLM)的概率性本质会导致幻觉,这在银行、医院和法律等行业可能引发严重错误。

该公司采用“双流”视觉模型分别处理文本和图像数据,并结合“基于热力图的分块”技术优化计算资源分配。据公司称,在针对542份金融文档的内部测试中,其提取准确率高达99.78%;在 olmOCR-Bench 公开基准测试中得分88.0,高于 Reducto 和 Unstructured。这些结果尚未得到独立验证。

Unsiloed AI 总部位于旧金山,目前拥有7名员工。新资金将用于招聘研究人员和工程师、扩大销售团队以及开发专有数据集。该公司已在金融、法律和医疗领域获得客户,包括语音AI初创公司 Bolna AI。

信息源:TechCrunch

研究

美国花旗银行与PNC更新用户协议,明确第三方AI代理操作风险由客户自担

实质变化
2026-11-19 01:32

美国第三大商业银行花旗银行(Citibank)本周更新了其在线用户协议,明确告知使用第三方AI工具进行个人财务管理的客户:如果这些AI代理出现任何错误,甚至因被黑客攻击而导致账户损失,责任均由客户自行承担。这一举措标志着美国银行业对AI代理的态度从单纯的技术封锁转向了明确的法律风险隔离。

据TechCrunch报道,花旗银行发言人表示:“随着第三方AI工具的日益普及,我们希望客户了解共享银行凭证或授权这些工具访问其账户的相关风险。我们最近更新了在线用户协议,以提供更清晰的风险说明,并重申选择授予第三方AI代理账户访问权限的客户,需对这些代理执行的活动负责。”

这一政策并非孤例。美国最大的两家银行摩根大通(JPMorgan)和美国银行(Bank of America)上月已宣布类似政策,而第八大银行PNC也在同一天修改了其服务条款。此外,Citizens银行也向客户发送邮件警告,称他们需对其AI助手所做的任何事情负责。

此前,媒体多关注银行如何通过技术手段阻止AI代理使用客户凭证登录,或通过模型上下文协议(MCP)限制AI仅能读取数据而不能执行交易。然而,此次花旗和PNC的条款更新直接触及法律责任的核心:即使AI代理是合法接入的,一旦其行为导致资金损失或被利用作为黑客入口,银行不再承担传统的欺诈保护义务。

对于AI初创公司而言,这增加了进入个人金融领域的信任门槛。Anthropic本月早些时候推出的个人财务工具明确标榜为“只读”,且“不能移动、管理或投资你的资金”,正是为了规避此类责任风险。随着AI代理试图接管更多高价值交互,这种法律层面的风险分配将成为决定哪些AI投资最终可行的关键因素之一。

信息源:TechCrunch

研究

诺基亚等五家欧洲企业组建“AI超级工厂北方”联盟,拟竞标欧盟人工智能基础设施资金

实质变化
2026-11-16 15:00

诺基亚(Nokia)、Nscale、Skeleton Technologies、Telia和Verda于2026年11月16日宣布组成名为“AI超级工厂北方”(AIGF Northern)的欧洲联盟。该联盟旨在北欧和波罗的海地区建立一种联邦式、多站点的AI基础设施,并计划向欧洲高性能计算联合企业(EuroHPC)提交投标,争取欧盟为AI超级工厂提供的公共资金支持。

与传统的集中式数据中心不同,AIGF Northern采用分布式架构,连接芬兰奥卢(Oulu)、爱沙尼亚伊鲁(Iru)和拉脱维亚瓦尔米耶拉(Valmiera)等多个站点,瑞典站点选址待定。这种设计意在利用北欧凉爽的气候降低冷却需求,并结合当地可靠的可再生能源供应,同时通过跨国分布减少单点故障风险。

该联盟的技术分工明确:诺基亚提供安全网络基础设施,Nscale负责可扩展的云平台和AI训练/推理环境,Skeleton Technologies提供高效电源系统以减轻电网压力,Telia及其子公司Telia Cygate贡献网络连接和系统集成专长,Verda则提供主权云基础设施支持。此外,芬兰VTT技术研究中心和瑞典皇家理工学院(KTH)将作为研究合作伙伴加入,分别提供量子计算、半导体及AI人才方面的专业知识。

这一举措正值欧盟通过InvestAI计划动员超过300亿欧元投资AI基础设施之际。EuroHPC正在招标建设最多四个中型和三个大型AI超级工厂。AIGF Northern的成立使其成为包括德国电信(Deutsche Telekom)在内的其他欧洲竞争者的直接对手,各方均试图通过构建可控、可信且规模化的本土算力底座,提升欧洲在人工智能领域的技术主权和竞争力。

信息源:European technology leaders form AI Gigafactory Northern consortium to build trusted, sustainable AI infrastructure

研究

a16z领投Linq B轮融资:构建AI代理与企业通信的基础设施

实质变化
2026-11-19 01:05

美国风险投资公司Andreessen Horowitz(a16z)于2026年11月18日宣布领投Linq的B轮融资。Linq是一家为AI代理提供可靠、可扩展消息体验的基础设施平台,旨在解决开发者在构建代理时面临的运营复杂性。

随着AI代理成为互联网流量的主要来源,企业需要适应这一变化,允许客户通过代理与其服务进行交互。Linq的核心价值在于让AI代理融入用户现有的沟通习惯中。例如,外卖平台DoorDash利用Linq的技术,使其消费者能够在Apple Messages for Business的单条对话线程中完成查找食物、建立购物车和结账的全过程,而无需切换至独立应用或依赖传统通知。

Linq是苹果官方认证的Messages for Business管理服务提供商(MSP),这为企业提供了在合法合规基础上扩展客户导向型AI代理的信心。除了Apple Messages,Linq还支持RCS、WhatsApp等其他平台,其目标是成为帮助所有企业和代理在任何用户所在渠道进行沟通的平台。

此次融资反映了资本市场对“AI代理基础设施”赛道的认可。Linq从数字名片转型为销售软件,再到AI销售代理,最终演变为通用通信基础设施的过程,展示了初创公司如何通过识别底层技术复用机会来捕捉市场转折点。

信息源:a16z.news

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系