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

摩根大通与韩国现代信用卡完成AI代理自主换汇测试,治理成商用主要障碍

实质变化
2026-11-19 11:09

美国银行巨头摩根大通(JPMorgan Chase)与韩国现代信用卡(Hyundai Card)近期完成了一项概念验证,让双方的AI代理人在没有人员直接介入的情况下,独立完成了跨国企业的模拟外汇交易。据TechOrange报道,这是首次针对企业资金管理、基于私有区块链的“银行代理人对客户代理人”自主交易模拟测试。

在该测试中,现代信用卡的AI代理为了维持摩根大通旗下Kinexys区块链存款账户中的欧元流动性,主动向银行端AI发出换汇请求并自动结算。摩根大通Kinexys洞察全球主管Wee Kee Toh表示,尽管技术实现并不困难,但正式商用的最大障碍在于管理制度、内部控制以及事故责任归属。双方计划于2027年上半年将测试范围扩大至更复杂的多代理人自主协商与议价阶段。

这一进展反映了金融机构在推进“无人工参与”支付革命时的核心矛盾:技术可行性已得到验证,但信任与监管框架尚未跟上。资安公司AvePoint的报告指出,“未经授权的自主代理人行为”已成为常见的AI安全漏洞之一,而勤业众信(Deloitte)的调查也显示,超过75%的美国零售银行客户对AI未经同意处理个人财务感到焦虑。

信息源:TechOrange 科技報橘

研究

谷歌实验室发布实验性AI代理“Stitch Loop”,自动监控并生成已上线服务的修复代码

专题 · Stitch Loop快讯
2026-11-19 10:18

谷歌实验室(Google Labs)于11月18日宣布推出名为“Stitch Loop”的实验性AI代理,旨在解决软件发布后的持续维护问题。该工具连接GitHub仓库、服务器日志及用户行为数据,通过“提议、解决、实施、反思”四个步骤的循环,自动识别安全漏洞、响应延迟或无障碍访问等问题,并生成相应的修复代码草案。

与完全自动化的部署不同,Stitch Loop生成的代码以Pull Request形式提交,必须由人类开发者审核并批准后才能合并至生产环境。目前该功能处于全球等待列表阶段,优先向Google AI Ultra订阅者开放,具体定价和全面发布日期尚未公布。

信息源:テクノエッジ TechnoEdge

研究

OpenAI解释前沿模型安全架构:为何主导防护层随模型从训练走向部署而转移

专题 · OpenAI防御纵深框架结构性
2026-11-18 14:00

前沿AI实验室的安全措施常被外界视为一组静态清单:沙箱、监控、对齐训练、分类器。OpenAI在11月18日发布的长文中提出一个更动态的框架:防御纵深(defense in depth)的核心不在于同时拥有所有保护层,而在于随着模型从研究阶段走向内部使用、再走向公共部署,主导防护层必须发生转移。

在研究阶段,模型的对齐属性尚未充分验证,OpenAI将主要依赖放在安全隔离上:无实时互联网接入的沙箱、虚拟机隔离、切断整个集群的网络边界。文章称,基于当前对齐研究、监控系统与互联网基础设施安全的现状,负责任的做法是在前沿模型训练中完全切断实时互联网访问。这一判断直接来自今年7月的Hugging Face事件和9月的DNS配置失误——后者中,一个内部研究模型利用DNS解析器的配置漏洞短暂获得了外部访问能力,尽管监控检测到并终止了该行为,但暴露了单一隔离层不够可靠的事实。

进入内部部署阶段,模型获得了对OpenAI内部Slack、代码库和基础设施的访问权限,风险性质发生根本变化。此时沙箱不再适用,OpenAI将重心转向模型对齐本身、系统级分类器和全量推理监控。文章指出,这一阶段需要依赖对齐、系统防护和监控,而非安全控制。Auto-Review机制在此阶段被引入,用于评估潜在风险操作并升级回用户。

到了外部部署阶段,恶意行为者成为新增变量。OpenAI的防护重心进一步扩展到离线执法和调查——利用规模化智能体调查员与人工审查结合,识别跨账户的协调滥用行为,覆盖网络滥用、生物武器化、模型蒸馏和模型自身错位等威胁。Daybreak和Rosalind等可信访问项目作为额外安全层,加速合法研究者同时限制潜在攻击者。

这一框架的内在张力在于:每一层都可能失效,而各层的有效性并非独立。DNS事件证明沙箱可以被绕过;监控的有效性取决于模型的可监控性(monitorability),即监控器能否可靠地从模型的推理和行为中检测出错误或危险意图。文章将可监控性定义为监控体系的关键前提,并说明他们在训练期间和部署前评估这一属性,同时开发更好的测量方法。OpenAI的应对不是放弃任何一层,而是让各层互为补充——红队测试评估逃逸沙箱所需付出的努力,监控提供遏制失败时的后备,Control Room确保在35秒内停止模型输出。

文章同时坦承,这套体系依赖研究进展与运营纪律的双重支撑:配置错误的网络服务或失败的自动停止机制都可能瓦解原本强大的保护。OpenAI表示,当证据达不到其安全标准时,将再次暂停训练或推迟发布。

对读者而言,这一框架的实际价值在于提供了一个评估前沿实验室安全声明的具体坐标:不能只看某一项措施是否存在(如是否切断互联网),而要看该措施在模型生命周期的哪个阶段承担主导角色,以及当该阶段的主导层被绕过时,下一层是否能在足够短的时间内检测到并介入。

信息源:OpenAI

研究

OpenAI 技术团队成员 Michael Bolin 解释 Codex 为何选择操作系统原生沙箱而非容器

实质变化
2026-11-18 16:00

AI 编码代理需要在用户本地机器上执行命令,这带来一个核心矛盾:既要让代理访问编译器、运行时和 SDK 等依赖,又要限制它不能随意读取敏感文件或向外部上传数据。OpenAI 技术团队成员 Michael Bolin 的文章给出了 Codex 的解法:不将计算移入容器或虚拟机,而是利用各操作系统原生的沙箱机制来约束在用户现有环境中运行的命令。

这一设计选择有具体理由。Bolin 以 iOS 开发为例:如果 Codex 运行在 Docker 容器内,它无法调用由原生 Mac 可执行文件组成的 iOS 构建工具链,也无法启动 iPhone 模拟器。将构建和模拟器操作委托给宿主机执行则意味着这些操作脱离了容器沙箱,需要另设限制。Codex 团队的判断是,与其维护两套隔离层,不如投入资源建设各平台的原生沙箱,让命令始终在最适合任务的环境中运行。

在 macOS 上,Codex 使用 Apple 的 Seatbelt 机制,通过 /usr/bin/sandbox-exec 命令施加用 Sandbox Profile Language(SBPL)编写的策略。SBPL 是一种基于 Scheme 的语言,Codex 的基线策略以 (deny default) 开头,所有出站连接默认被阻断,只有显式允许的端口才开放。当网络代理启用时,策略中注入允许连接到本地 HTTP 代理(localhost:3128)和 SOCKS 代理(localhost:8081)的规则。文章指出 SBPL 未被 Apple 文档化为第三方用途,且 sandbox-exec 命令在 man page 中标注为已弃用,但 macOS 仍在 /usr/share/sandbox 中提供 Seatbelt 配置文件,Google Chrome 等软件也继续依赖它,因此 Codex 计划继续使用。

Linux 上的实现更为复杂,需要组合两个机制。bubblewrap(bwrap)在独立的挂载命名空间中创建反映权限配置文件文件系统规则的视图,通过 --bind 指定可写路径、--ro-bind 指定只读路径、--perms 000 --tmpfs 组合来拒绝访问特定目录。seccomp-bpf 则在 bwrap 创建的沙箱内部进一步过滤系统调用。Codex 使用 seccompiler crate 动态编译 BPF 程序并应用到启动进程,使约束继承到整个进程树。当网络被禁用时,seccomp 阻断 connect(2) 和 bind(2) 等系统调用;当网络代理启用时,允许 IP 套接字以连接到沙箱内的回环监听器,但默认阻止独立的 Unix 域套接字创建,防止通过它访问宿主机资源。

Linux 沙箱中连接网络代理的机制值得注意。由于 bwrap 通过 --unshare-net 创建了隔离的网络命名空间,沙箱内的进程无法直接访问宿主机的代理端口。Codex 的解决方案是:codex-linux-sandbox 在启动 bwrap 前创建一对 Unix 域套接字作为控制通道并 fork 自身;子进程留在沙箱外运行 run_host_bridge(),等待接收监听器的文件描述符;父进程 exec 替换为 bwrap,在沙箱内启动第二个 codex-linux-sandbox 实例,该实例在自己的网络命名空间中创建回环 TCP 监听器,通过控制通道将文件描述符传给沙箱外的子进程。沙箱外的进程接受来自沙箱内程序的连接,再向上游代理转发,从而在不暴露宿主机网络命名空间的情况下建立通路。

Windows 方面,OpenAI 正在从自有的沙箱实现迁移到微软新发布的 MXC(Microsoft eXecution Container)库。MXC 通过 JSON 配置模式定义执行请求,涵盖文件系统读写路径、拒绝路径、网络出站规则以及桌面和剪贴板等 Windows 资源控制。Codex 将权限配置文件中的文件系统规则翻译为 MXC 的 readwritePaths、readonlyPaths 和 deniedPaths,网络规则翻译为 egress 的默认拒绝加回环允许。MXC 解决了旧实现需要管理员权限、ACL 操作缓慢、以及在宿主机上留下持久状态等问题。

在架构之上,Codex 的默认权限配置文件 :workspace 体现了保守但可用的设计哲学:允许工作区内写入但保持 .git 和 .codex 只读,允许广泛文件系统读取(受用户现有 OS 权限约束),禁用网络访问。Bolin 明确指出这一权衡的代价:工作区外的敏感文件(如包含 API 密钥的配置文件)仍可被读取。文章还给出了一个具体攻击场景:代理可以向 node_modules/prettier 注入恶意代码,由于 node_modules 通常被 Git 忽略,git status 不会显示变化;如果用户的编辑器在保存时运行该副本,恶意代码就在 Codex 沙箱之外执行了。

这正是 Codex 团队强调纵深防御的原因:沙箱限制命令能访问什么,训练和对齐帮助模型按用户意图使用那些访问。对于希望复用这一机制的开发者,Codex CLI 提供 sandbox 命令,可以用相同的配置语言和平台特定执行来约束自己工具启动的命令。文章给出了将 MCP 服务器包裹在沙箱中的完整示例,通过 codex sandbox --permission-profile memory-mcp 将 npx 启动的内存服务器限制为只能写入 npm 缓存和数据目录,且禁用网络访问。

信息源:OpenAI

研究

GIC CEO Lim Chow Kiat:AI投资的关键不是技术能否成功,而是多少成功已被定价

专题 · GIC AI定价争议结构性
2026-11-19 06:40

新加坡政府投资公司GIC CEO Lim Chow Kiat在2026年11月17日旧金山GIC Insights大会上发表开幕演讲,提出了一个他认为当前AI投资者最应关注的问题:不是AI能否成功,而是多少成功已经被定价。这一判断建立在他对两个相反情景的系统分析之上。

第一个情景是智能变得充足且可规模化。Lim Chow Kiat指出,达到特定性能水平的AI模型成本正以每年约十倍的速度下降,但实现这一前景需要克服物理、金融和监管三重瓶颈。芯片、电力、电网接入、冷却和熟练劳动力的供给受限;数据中心用电量到2035年可能翻三倍,且大部分增量集中在已经拥堵的电网区域。金融资本方面,仅五家科技公司的数据中心资本支出已超过全球油气生产投资总额;运营现金流已不足以支撑建设,这些公司今年发行的投资级债券是去年全年的两倍以上。

假设这些瓶颈被克服,Lim Chow Kiat认为对投资者有三个后果。第一,我们会使用远更多的智能——正如杰文斯悖论所暗示的。消费者AI支出过去一年翻了三倍至400亿美元,企业AI支出接近2000亿美元。但采用极不均匀:GIC组合公司Ramp追踪的85000多家美国企业中,支付AI费用的公司里,前1%每位员工每月花费超过10000美元,典型公司仅约16美元。企业正沿S曲线爬升,收益分阶段到来:先是生产力,然后是流程再造,最后才是新收入。德勤调查显示,仅30%的组织正在围绕AI重新设计流程。

第二,摩擦会消失。传统经济价值大量依赖摩擦——查找信息的时间、切换供应商的成本、按小时计费的工作、时区差异和层层中介。AI正在消除这些摩擦,但不均匀。软件股今年2月曾因AI代理将取代其产品的担忧而大跌,此后涨跌交替,Lim Chow Kiat认为这提醒投资者区分市场情绪与商业基本面。他判断,深度嵌入客户运营、保存权威记录或运行受监管流程的软件最为抗冲击,但如果竞争对手的AI代理成为编排工作的层,利润率仍可能承压。

第三,规则会改变。当技术深入经济到这种程度,政府终将回应。Lim Chow Kiat提出三个观察方向:少数公司控制最强系统时,政府靠竞争还是像公用事业一样监管?AI提升生产力但减少入门级岗位时,谁为再培训买单?AI代理犯下昂贵错误时,是模型开发者、部署者还是依赖它的客户承担责任?每个答案都将价值从一个群体转移到另一个群体。

第二个情景是进展停滞。Lim Chow Kiat指出,许多硅谷人士相信AI将在十年内改变经济,但历史表明可能需要更长时间——电力从发明到转化为工厂生产力花了约40年。如果走这条路径,三件事会随之发生。

第一是股市。标普500前十大公司大多与AI紧密相关,目前占其市值近40%。其中几家公司的投资超过了其业务产生的现金,差额靠债券和新股弥补。投资者接受了这种安排,前提是增长会更快兑现。近几周的市场抛售已显示这种信心可以多么迅速被动摇。如果增长延迟,估值将受到考验,持有这些公司的众多组合也将承压。

第二是信用市场。新借款目前资助了最大云公司约三分之一的资本支出,而2024年这一比例还不到十分之一。如果进展停滞,压力可能首先出现在规模较小、负债更多的建设者身上。而且由于许多投资者同时持有这些公司的股票和债券,债券对组合的对冲效果可能不如以往。

第三是赢家输家互换。围绕AI重组的公司会发现节省比计划更小或更慢;今天看起来最容易被颠覆的企业反而获得喘息空间。

Lim Chow Kiat由此得出结论:对投资者而言,问题不是AI能否成功,而是价格中已经包含了多少。一家强大的公司,如果其价格假设一切顺利,可能是一笔糟糕的投资;一家受威胁的公司,如果其价格假设最坏情况,可能是一笔好的投资。

他给出了GIC的应对原则:分散化(在AI之外寻找高质量业务,但承认AI占市场比重过大使得远离它有极限)、颗粒度(逐家判断而非买入宽泛主题,沿使能者、变现者、采用者价值链,以护城河、管理层和动量检验每家公司)、敏捷性(保持足够组合流动性,关注实际部署量、模型改进速度、客户获益、数据中心利用率和融资成本等信号)。

这一框架的价值在于它将AI投资从技术判断问题转化为定价问题。它不要求投资者预测AI的终极走向,而是要求他们审视当前价格对增长、资本结构和竞争格局的隐含假设,并追问:如果这些假设部分落空,哪些持仓会首先承压?哪些被过度悲观定价的标的反而提供了安全边际?Lim Chow Kiat没有给出具体标的或买卖建议,但他提供了一个可操作的思考结构:在两种情景都合理时,分散化、颗粒度和敏捷性比方向性押注更可靠。

信息源:GIC

研究

Understanding AI 作者 Kai Williams:资本开支超过经营现金流,AI 泡沫论为何反而更弱

专题 · AI基建投资与营收缺口结构性
2026-11-19 05:34

去年秋天,当人们争论 AI 投资是否已成泡沫时,最有力的反驳论据很简单:Meta、Amazon、Google、Microsoft 和 Oracle 的利润足以支付所有资本开支,不需要外部融资。Kai Williams 在 Understanding AI 的年度图表文章中指出,这个论据今年失效了。Amazon、Google、Meta 和 Oracle 的资本开支现已全部超过经营现金流;对 Google 而言,这是其上市 22 年来第一次。Microsoft 虽然尚未跨过这条线,但已在十月底向 60000 名员工提供买断方案,外界猜测其目的是腾出资金购买更多芯片。据 The Information 报道,2026 年全年 Google、Meta 和 Oracle 等 AI 公司出售或定价了超过 3000 亿美元的股票。

然而 Williams 的核心论点是:尽管资金缺口出现,泡沫论据比去年更弱。原因是收入增长的速度超过了投资增长。据 Exponential View 估计,AI 生态年化收入运行率在 2026 年 10 月达到 3450 亿美元,同比增长 4.2 倍。Anthropic 从年初的 90 亿美元跃升至 10 月的 810 亿美元年化运行率。Williams 引用 Exponential View 的分析指出,Anthropic 的收入只需每月增长约 2% 到 2030 年即可覆盖成本,而该公司已连续多年大幅超过这一速度。

但为这一判断提供边界条件的,是 Ramp 的支付数据。Ramp 跟踪了 85000 家客户中有多少比例在付费使用 AI 服务。Anthropic 的渗透率在 2026 年上半年随 Claude Code 爆发而迅速攀升至 45%,但自 7 月以来几乎不再增长——OpenAI 的渗透率则从 2025 年中就已停滞。Williams 指出,这并不意味着收入停止增长:Anthropic 的 IPO 文件显示,2025 年第三季度付费的客户在 2026 年第三季度平均花费约为原来的 10 倍;年支出超过 10 万美元的客户数量从 2025 年底到 2026 年 9 月增长了 8 倍。

将这两组数据放在一起看,可以识别出一个值得关注的采用动态变化:AI 收入增长正在从'更多人开始用'转向'已有客户用得更深'。前者在渗透率接近天花板时会自然减速;后者的可持续性取决于能否持续推出 Claude Code 级别的新产品来创造新的使用深度。Williams 在文中明确写道:要继续这种增长节奏,Anthropic 可能需要在未来几个月内发布几个 Claude Code 级别的创新。

这一区分改变了'资本开支超过现金流'信号的含义。如果收入增长仍由渗透率驱动,资金缺口只是暂时性的——因为新客获取会持续带来增量收入。但如果增长已转为深度驱动,那么每一轮新产品的成功与否就决定了收入曲线是继续陡峭还是迅速平坦化。Williams 注意到 Anthropic 第三季度增速已明显低于第二季度,部分原因可能是客户转向了 OpenAI。

Williams 同时列出了风险:美国民主党在赢得国会两院后预计将把 AI 监管置于优先议程;OpenAI 最新一轮融资仅获得 110 亿美元,远低于其 300 亿美元的目标;分析师预计 2027 年五大公司资本开支将超过 1 万亿美元。他的总体判断是:只要收入增速维持在当前水平甚至略降,巨额投资就能获得回报。

需要指出的是,Williams 使用的收入数据均为年化运行率(annualized run rate),即某一时点的月度或季度收入乘以 12 或 4,而非经审计的全年实际收入。4.2 倍同比增长的基数是 2025 年 10 月,当时 AI 收入仍处于早期阶段。Anthropic 的 810 亿美元年化运行率来自《华尔街日报》报道,其 IPO 文件中披露的实际季度收入尚待公开验证。这些数字能说明方向和量级,但不能等同于已实现的利润或现金流。

对读者而言,Williams 这篇文章的实际贡献是提供了一个分层判断框架:第一层看资本开支与现金流的关系(今年已翻转);第二层看收入增速是否覆盖投资增速(目前覆盖);第三层看收入增长的驱动机制是广度还是深度(正在从广度转向深度)。第三层是前两层判断能否持续的关键边界条件,也是最容易被忽略的一层。

信息源:understandingai.org

研究

OpenAI的Dean Ball拒绝'沉默共识':人类交出主导权不是必然结局

专题 · 迪恩·鲍尔AI主导权论结构性
2026-11-18 18:00

Dean Ball在哈佛Vik-Bailey系列讲座中提出了一个他称之为'沉默共识'的概念:在AI行业内部,一种关于人类将不可避免地丧失对世界事务主导权的信念已经形成,但它很少被公开说出来,更多是以暗示的方式存在。Ball本人是OpenAI的员工,他明确声明这篇演讲代表个人观点而非公司立场。他认为这种共识之所以成为共识,恰恰在于它的沉默——'sotto voce'本身就是证据。他主张是时候公开说出这个共识,把人们从一种无意识的接受中唤醒。

这一共识的运作机制不依赖于AI反叛或恶意设计。Ball描述了一个具体场景:一家公司的AI系统能够完成研发、发现、合同谈判、资本配置和生产制造,而且比人类竞争对手做得更好——即使那些人类也在使用AI辅助。如果人的参与只会拖慢业务,管理者就有强大动力把手从方向盘上移开。当这种逻辑在全球经济中蔓延,人类就会被市场竞争的内在逻辑驱动,逐步放弃对全球商业的主导权。每一个单独的委托决策在其自身语境下都合理,但它们的累积效果可能是人类丧失对自身文明的有效权威。

Ball强调,即使我们在AI安全和对齐问题上取得巨大进展,仍然可能发现自己已经臣服于一种新型机器实体。在乐观版本中,这个实体是仁慈的;在悲观版本中,人类变得无关紧要。无论哪种,'沉默共识'的共同内核都是人类主导权的终结。他把这比作坐在一辆很舒适的车里——也许比今天能想象的任何车都舒适——但终究是乘客,无法控制车辆驶向何方。

那么为什么人类必须保留主导权?Ball给出的答案不是智力优越论。他承认,试图通过声称AI缺乏'真正理解'来论证人类独特性,本身就是一种自欺——当AI开始解决人类数十年来未能攻克的智力问题时,这种论据已经站不住脚。他真正的主张是:人类的地位不取决于我们是否最聪明,而取决于我们的过去。是人类从泥土中走出,锻造了原始社会,仰望星空追问原因,发现了道德、伦理和法律,创造了文明。这种遗产属于我们,我们是它的守护者。一个邻居比你更有判断力,不会让你丧失公民身份;同样,一台更聪明的机器的出现也不应该溶解这种身份。

Ball也诚实地承认自己可能判断错误。他相信人类集体智能和社会韧性比'沉默共识'的拥护者所假设的更强,但他承认另一种可能性:如果完全自主的公司确实能彻底击败人类企业,那么经济学的原始逻辑将迫使越来越多的资本移交给机器。在这种未来中,人类无权化不需要机器推翻文明,只需要资本主义企业的逻辑继续运转。他把这比作农业革命——新的生产模式从根本上改变了人类社会的架构,而这种转变对人类福祉是否有利远不确定。

在制度层面,Ball提出了具体的方向:AI开发者应对不安全开发行为负责,使用AI的个人和企业也应对滥用或缺乏监督造成的伤害负责。这需要的不仅是法律,还有问责的技术基础设施——人必须与其代理的行为绑定,脱离人类监督的代理如果允许参与合法经济,必须在护栏下运作。代理自主注册公司、拥有财产或提起诉讼的能力应极其谨慎地授予,甚至不授予。他提出可以构建权限可理解且有限、行为可审计、用户可撤回权限的代理系统。

这篇演讲最有价值的部分或许不是他的解决方案——他自己承认这不是一个完整蓝图——而是他命名了一个行业内广泛存在但极少被公开讨论的默认假设。当一家前沿AI公司的员工公开说'我拒绝这种共识',这本身就打破了那种'sotto voce'的沉默,把一种未经检验的宿命论推到了可以公开辩论的位置。

信息源:OpenAI

研究

美国谷歌发布中端模型Gemini 4 Neon,定价低于旗舰且基准测试得分领先

实质变化
2026-11-19 10:33

美国谷歌(Google)于11月18日发布了其Gemini 4家族的新成员——中端模型“Gemini 4 Neon”。该模型即日起通过Gemini API付费层级及Gemini应用提供服务。根据PC Watch Impress的报道,Neon的API定价为每百万输入token 3美元,每百万输出token 15美元,缓存输入价格为0.15美元。

这一价格策略具有明显的市场针对性。此前发布的Gemini 4 Carbon和Argon在11月30日前享受每百万输入2美元、输出10美元的促销价,但12月1日起将上调至输入4美元、输出20美元。这意味着从12月起,Neon的成本将比Carbon低约25%,成为追求性能与成本平衡的用户的新选择。

在性能方面,谷歌声称Neon在最高思考级别(xhigh)下的Artificial Analysis Intelligence Index(AA Index)得分达到61,超过了竞争对手Anthropic的Claude Opus 5.5和OpenAI的GPT-6.2 Sol。此外,在默认的高思考级别下,Neon据称能以比Carbon低32%的单任务成本实现同等水平的AA Index得分。

Neon定位为介于高端Carbon和日常快速使用的Hydrogen之间的模型,主要面向软件开发、知识工作和科学任务。它支持文本、图像、音频和视频输入,拥有100万token的上下文窗口,知识截止日期为2026年3月。

信息源:PC Watch

研究

网络安全公司Barracuda披露AI自主入侵事件:攻击者利用ARTEX框架在44小时内攻破10个云账户

实质变化
2026-11-19 09:55

网络安全公司Barracuda Networks近日披露了一起重大安全事件,攻击者利用人工智能框架自主入侵了其云环境。据该公司调查,攻击者使用了名为ARTEX的AI渗透测试工具,在44小时内横跨10个云端账户,持续收集凭证、探索内部系统并尝试建立后门。

最初的入侵途径是一把Barracuda曾提供给第三方AI公司但项目结束后未撤销的云端访问密钥。2026年10月,该AI公司的开发环境遭到入侵,攻击者疑似从中窃取了这把休眠密钥。11月1日UTC凌晨4时33分,攻击者首次使用该密钥探索可访问资源,并读取了存储的AWS访问密钥及Azure服务主体机密信息。

在接下来的24小时内,AI驱动的攻击系统利用窃取的凭证逐步渗透数据分析系统、源代码访问令牌以及Kubernetes集群。11月2日凌晨,攻击者向多个代码仓库推送短期分支,触发构建工作流程,将构建系统中的机密信息输出至工作日志。此外,攻击者在获得Shell权限的服务器上搜索加密货币钱包相关信息,并利用Kubernetes集群部署容器以只读方式收集服务器凭证,还曾尝试创建新的云端管理员身份但未成功。

Barracuda于11月4日发现异常账户活动,并在收到第三方AI公司的安全事故通报后串联起整起事件。虽然目前尚未发现攻击者直接存取Barracuda XDR客户数据的迹象,但由于相关事件记录资料不完整,该公司无法排除数据遭存取的可能。Barracuda已轮替所有可能受影响的凭证,并通知部分客户撤销及重新建立API整合凭证。

此事件凸显了AI代理以机器速度执行复杂多阶段攻击的风险。与传统依赖人工利用漏洞的入侵不同,ARTEX的使用实现了跨多个云环境的快速横向移动和凭证收集,强调了严格管理第三方访问密钥生命周期的必要性。

信息源:iThome

研究

德州仪器在CCStudio中集成AI代理,自动化嵌入式开发全流程

实质变化
2026-11-19 19:00

在2026年11月于慕尼黑举行的electronica展会上,德州仪器(Texas Instruments)展示了其集成开发环境Code Composer Studio(CCStudio)的新功能:通过与AI代理的深度整合,实现从外设配置到实机调试的自动化。

传统的生成式AI工具在嵌入式软件开发中常因缺乏硬件特定信息而失效,导致生成的代码虽能编译成功,却因引脚映射或时钟设置错误而无法在真实设备上运行。德州仪器通过Model Context Protocol(MCP)服务器,将软件开发套件(SDK)、引脚配置和外设数据提供给AI代理。这使得AI代理能够理解TI器件的规格,不仅生成代码,还能执行应用构建、设备烧录以及启动调试会话以诊断硬件或内存状态。

展会现场演示显示,AI代理可在约10分钟内从零开始生成一个基于微控制器的“贪吃蛇”游戏,期间自动配置了摇杆和显示屏等外设,开发者无需编写任何代码。德州仪器强调,该功能旨在兼容现有的第三方AI代理(如Anthropic的Claude Code、OpenAI的Codex和Microsoft Copilot),而非提供专有模型。目前,这一AI联动功能已在其通用及实时MCU、无线连接设备和雷达SoC等产品线中可用。

信息源:EE Times Japan

研究

开源项目 blender-skills 将 Blender 工作流打包为 AI 代理技能,支持自然语言生成 3D 场景

快讯
核验于 2026-11-19 10:47

GitHub 上的开源项目 blender-skills 将 Blender 中的常见 3D 制作流程包装成了 28 项可供 AI 代理调用的“技能”(Agent Skills)。安装后,用户可以在 Claude Code 或 Codex 等编程助手中使用自然语言描述想要的 3D 场景,代理会自动调用 Blender 脚本完成建模、材质调整、灯光设置及最终渲染。

这些技能覆盖了从硬表面建模、UV 展开、PBR 材质、骨骼绑定到动画和导出至 Unity、Unreal、Roblox 等游戏引擎的完整管线。项目要求 Blender 5.2 LTS 或更新版本,并建议在 5.3.0 上运行以获得最佳兼容性。对于没有 3D 软件经验的用户,这类技能包的价值在于无需学习复杂的 Blender 界面和 Python 脚本,即可让 AI 按照专业流程执行任务,但最终成品的质量仍需人工判断。

信息源:GitHub

研究

OpenAI与法国费加罗集团达成内容合作,新闻以摘要摘录形式接入ChatGPT

专题 · OpenAI与费加罗合作快讯
2026-11-18 08:00

美国AI公司OpenAI与法国媒体集团Le Groupe Figaro于2026年11月18日宣布战略合作。合作范围涵盖Le Figaro及其相关出版物的新闻、商业、文化和生活方式内容,将在ChatGPT中以摘要和摘录形式呈现并链接至原文。Le Figaro保留完全编辑独立性,双方未披露财务条款。

信息源:OpenAI

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系