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

OpenAI称其模型为自研芯片及AMD设计带来硅验证的功耗性能面积优化,并宣布与Synopsys合作开发EDA专用模型

实质变化
2026-11-18 08:00

OpenAI于2026年11月18日发布研究进展,称其前沿模型(包括GPT-6 Astra等)已在其首款定制推理芯片Jalapeño以及AMD的旗舰GPU和CPU设计中实现了“硅验证”(silicon proven)的功耗、性能和面积(PPA)优化。这是继今年8月首次公布Jalapeño初步结果后,OpenAI进一步披露的具体工程改进细节。

在Jalapeño的设计中,OpenAI团队估计模型提出的修改使向量单元的标准单元面积减少了约13%,矩阵单元减少了约10%。具体而言,一个乘法器重新设计在综合中减少了约15%的单元面积,同时将延迟从两个时钟周期降至一个;另一个加法器重新设计也减少了约15%的面积但保持了两周期延迟。这些优化已在Jalapeño的硅片调试阶段得到验证。

在与AMD的合作中,OpenAI称其模型通过重写描述电路的SystemVerilog RTL代码,在AMD旗舰GPU IP上实现了相对于高度优化基线高达14%的PPA改进。AMD已将部分更改纳入近期送交制造的设计,并将其他更改添加到生产设计文件中用于未来版本。此外,AMD还验证了OpenAI模型编写的RTL在其下一代旗舰CPU的关键模块中带来了个位数百分比的PPA增益。

为了评估模型能力的演进,OpenAI还在两个开源RISC-V核心(PicoRV32和Ibex)上进行了基准测试。结果显示,GPT-6.2 Astra在约112,000 token的预算下表现最佳,且在从零开始根据规范设计核心时,所有测试模型的表现均优于对现有设计的优化。这表明模型具备探索新处理器架构的能力。

作为下一步计划,OpenAI宣布与电子设计自动化(EDA)巨头Synopsys合作,训练名为GPT-Synopsys的新模型,使其能够像专家一样使用Synopsys的EDA工具进行芯片设计和验证。这一举措旨在将前沿AI能力直接集成到工程师现有的标准工作流中。

信息源:OpenAI

研究

蚂蚁技术研究院与西湖心辰开源双向世界模型Duo v1:虚拟主体可自主决定何时开口或倾听

专题 · Duo v1双向世界模型实质变化
2026-11-18 23:00

智东西11月18日报道,11月17日,蚂蚁技术研究院与杭州大模型公司西湖心辰发布并开源双向世界模型(Reciprocal World Model,RWM)Duo v1。该模型通过Intent(意图)和Realization(实现)两个紧密耦合的模块,将智能主体内化为世界的一部分,使其能够持续接收用户的音视频输入,自主决定何时开口、何时倾听,并实时生成相应的声音和画面与用户进行交互。

传统世界模型通常只模拟光影、材质、动态等物理场景,内部缺少可主动回应的主体。Duo v1则同时覆盖物理现实和智能主体,虚拟主体与世界共享同一交互时空。在每个约0.7秒的时间块内,Intent模块基于用户输入和交互历史,自主决策是选择开口说话还是倾听等待,并同步生成对应的语言内容;Realization模块则结合Intent的隐状态、用户输入和自身生成的历史内容,生成相匹配的音频和视频。

在30组真实交互的人类评估中,Duo v1通过了180项检查中的168项,总通过率为93.3%。其中,语言遵循性、语音可懂度和视觉身份稳定性三项指标的通过率均为100%,但内容响应度为73.3%,内容响应度和长程一致性仍是当前版本的主要挑战。目前,Duo v1的技术报告、训练代码和模型权重均已开放,开发者可以下载模型权重,在此基础上进一步拓展。

信息源:zhidx.com

研究

Databricks推出Unity Gateway Insights自动分析AI代理成本浪费

实质变化
2026-11-19 06:42

美国数据智能公司Databricks于2026年11月18日宣布推出Unity Gateway Insights,这是一款旨在自动分析数百万条AI代理追踪数据以识别成本低效的新功能。该工具利用其AI助手Genie,结合业务数据和本体论,深入企业编码工作流中定位令牌(token)浪费的具体环节,超越了简单的预算上限控制。

据Databricks官方博客披露,内部追踪分析揭示了几个具体的节省机会:修复Model Context Protocol(MCP,一种允许AI模型连接外部工具的协议)服务器中的七个微小bug,估计每年可挽回120万美元的成本。这些bug导致代理在工具调用失败时反复重试,造成大量令牌浪费和工程师等待时间。此外,分析显示简单提示常被路由至昂贵的前沿模型,促使该公司采用Smart Routing将常规任务导向更便宜的替代方案。

Unity Gateway Insights集成在现有的Unity Gateway控制平面中。当开发人员通过ug CLI使用Claude Code或GitHub Copilot等编码代理时,系统会自动捕获OpenTelemetry追踪数据并汇入统一表。Insights随后生成报告,回答哪些工作流消耗了不成比例的令牌,以及哪些重复性工作流可以转化为共享技能。该工具依赖Genie Ontology理解业务背景,确保分析与项目名称和操作细节对齐,同时所有数据保留在受治理的Unity Catalog环境中以保障安全。

信息源:Databricks

研究

Neo4j产品负责人:把git历史加载为图数据库,编码代理才能发现源码中无引用的文件耦合

实质变化
2026-11-19 05:00

FastAPI的security目录下有四个模块:api_key.py、oauth2.py、http.py和open_id_connect_url.py。它们没有互相import,源码里也找不到指向彼此的线索。但git历史显示,api_key.py被修改的28次提交中,oauth2.py跟着改了18次,http.py改了17次,open_id_connect_url.py改了16次。每次有人给一个安全方案加行为——auto_error、description参数、401状态码、WebSocket支持——四个模块一起动。

Neo4j产品负责人William Lyon用Relate的git-to-graph扩展把FastAPI的8102次提交导入图数据库,再用fs-to-graph导入工作树,然后通过MCP以只读方式暴露给编码代理。他让Codex、OpenCode和Pi在两种条件下完成两个任务:给APIKeyHeader加一个可选构造参数,以及给APIRouter.add_api_route加一个关键字参数——每个任务都要求代理先回答需要改哪些其他文件、跑哪些测试、谁来review。仅能读源码树时,三个代理没有一个提到那三个兄弟安全模块;接入图后,三个都找到了,并且给出了具体次数。

这个差距不是个案。Lyon在FastAPI包内查询了所有共变至少五次的文件对,共126对,其中42对——大约三分之一——在两个文件的文本中找不到对方的名称引用。这意味着无论怎样跟随import链或搜索文件名,静态源码树都无法暴露这些耦合。图数据库把历史模式变成了一条Cypher查询可以回答的问题:什么文件和我一起变?以前有人做过这种改动吗?谁最近动过这些文件?

需要保留的边界:这是Neo4j自己构建工具、自己运行实验、自己报告的对照测试,属于厂商自测,没有独立复现。仓库只有FastAPI一个,模型只有gpt-6.1-sol一个。42对的计数基于文件名在文本中的匹配而非真正的import图,Lyon本人也承认这个数字是近似的。它证明的是:对于文件耦合、变更先例和审查人识别这三类问题,答案存在于提交历史中而非代码文本里——源码树结构上无法提供这些信息,不是因为它隐藏了,而是因为代码本身不记录谁和谁一起改过。

信息源:Neo4j Graph Intelligence Platform

研究

Anthropic季度算力支出近100亿美元,约半数流向SpaceX

专题 · Anthropic实质变化
2026-11-18

Anthropic在2026年第三季度花费近100亿美元用于算力和基础设施,年化支出接近400亿美元。这一数字来自该公司为IPO向美国证券交易委员会提交的S-1/A申报文件,首次以逐季度粒度公开了前沿AI实验室的算力支出明细。

更值得关注的是支出结构:Anthropic当季约50亿美元支付给了SpaceX,占其算力总支出的近一半。这一比例由Bloomberg在2026年10月底报道确认——Anthropic占SpaceX第三季度总收入的34.5%,对应约50亿美元。这意味着Anthropic对单一供应商的依赖程度远超外界此前基于年度总量数据的估计。

从增长轨迹看,Anthropic的算力支出从2023年全年的4.33亿美元攀升至2026年第三季度的98.63亿美元(年化394.5亿美元),三年间年均增速约4倍。Epoch AI的对比分析显示,OpenAI同期大致保持每年3倍的增长节奏:2024年全年约58亿美元,2025年约163亿美元,2026年总裁Greg Brockman在5月作证时预计全年支出约500亿美元。

两家公司的绝对规模差距正在收窄。2024年Anthropic年化算力支出约25亿美元,仅为OpenAI的43%;到2026年第三季度,Anthropic年化约395亿美元,已接近OpenAI全年预测的80%。如果Anthropic维持当前季度增速,其年化支出可能在2026年底或2027年初与OpenAI持平。

未来承诺显示竞争不会减速。Anthropic的S-1披露了4475亿美元的算力合同承诺(从2026年9月到2030年底),约合每年1000亿美元。OpenAI方面,据Yahoo Finance报道,其计划在同一时期投入约7500亿美元。这些数字远超当前实际支出,意味着两家公司都在为未来数年的算力扩张锁定供给。

对行业观察者而言,这组数据揭示了一个此前被模糊处理的结构特征:前沿AI实验室的算力支出高度集中于少数供应商,且集中度仍在上升。Anthropic的供应商包括Amazon、Google、Microsoft和SpaceX,但SpaceX一家在2026年第三季度就承担了其近半数支出。Epoch AI指出,Anthropic算力支出增长的相当部分可归因于与SpaceX的交易扩张,而SpaceX本身也在快速进入算力租赁市场。

信息源:Epoch AI

研究

分析师Zeus Kerravala:多可用区防组件故障,防不了整个服务失败

专题 · 泽斯·凯拉瓦拉韧性架构论实质变化
2026-11-19 09:21

2026年11月12日至17日,六天内发生了六次重大IT宕机:微软365全球中断近24小时、Workday连接了灾难恢复环境与生产数据库、美国联邦航空管理局因路由器过载发布全国停飞指令、联合航空因无法获取飞机重量数据延误航班、摩根大通因本地硬件软件缺陷导致客户无法转账、苹果因内部更新影响iCloud和Apple Pay。根因各不相同——休眠的bug、过载的路由器、坏的内部更新、本地硬件故障——但模式完全一致:一个关键依赖失败,业务随之停止。ZK Research首席分析师Zeus Kerravala由此提出核心论点:可用性架构和韧性架构不是一回事。前者在组件失败时保持服务运行,后者在整个服务失败时保持业务运行。大多数公司拥有前者,却误以为拥有后者。

Kerravala指出,云计算让行业遗忘了灾难恢复纪律。在金融服务领域,生产数据中心加灾难恢复数据中心是不可谈判的标准做法。当世界转向云端,人们假设灾难恢复是云提供商的责任,但这实际上是共同责任。可用区和多区域设计能防硬件故障和局部事件,但它们共享软件、控制平面、配置管道和DNS。当一个坏配置或休眠bug传播时,它无处不在——微软的七月网络网关bug正是如此级联到74个国家和地区。

Kerravala以Zscaler的业务连续性云为具体案例说明命运分离需要什么。该环境运行在第三方数据中心而非Zscaler自有设施,使用独立的网络、自治系统号、DNS和云域。软件与威胁情报更新刻意错开,使一个坏的生产发布不会同时落入备份。策略和身份数据单向同步为只读的已知良好状态。它覆盖九个区域,足以在一国被切断时保持国内运营。Zscaler还鼓励客户在日常持续将合成或可信用户流量路由到备份环境,使故障转移路径每天验证而非仅在年度桌面演练中测试。故障转移可自动触发,也可由客户手动触发,确保即使Zscaler本身不可达时仍能工作。

Kerravala的结论面向买方:定义最小可行业务,识别三到五个必须持续运行的工作流及其全部依赖;追问每个关键供应商的连续性架构——如果答案是multiple availability zones那是可用性,不是连续性;持续测试而非年度演练;危机中保持安全能力在线,因为攻击者会在防御松懈时立即行动;在续约时利用买方杠杆,将命运分离的连续性作为合同要求。他同时承认,Zscaler无法让微软的邮箱在线或重启FAA的路由器,其架构只是自身平台的连续性模型,而非万能药。

信息源:SiliconANGLE

研究

Palo Alto Networks调查:逾7成企业允许AI代理修改代码,但不到1成能全面侦测未受管控AI活动

专题 · AI代理身份管理实质变化
2026-11-19 08:00

网络安全公司 Palo Alto Networks(帕洛阿尔托网络)近期公布的《2026年云端安全调查》显示,AI代理在企业软件开发流程中的普及率极高,但相应的安全管理措施严重滞后。几乎所有受访组织都已在软件开发生命周期中使用AI代理,超过70%的组织允许这些代理修改代码、调整持续集成与持续交付(CI/CD)设置,甚至直接对生产环境进行变更。然而,能够在不同云环境中全面自动检测并分类“影子AI”(即未经IT部门批准或管理的AI工具及活动)的受访组织比例不足10%。

随着AI辅助开发的引入,基础设施变更频率显著增加。超过80%的受访组织表示,AI代理导致云端基础架构变更更加频繁,但强制执行人工安全审查的组织不到40%。此外,仅有约30%的组织能够追踪大多数生产工作负载从代码提交到部署执行的完整过程。在基础设施即代码(IaC)方面,超过40%的组织使用AI生成IaC模板,但仅约30%要求在部署前进行强制安全扫描。数据显示,在90天的统计期内,平均近20%的高危或重大应用安全问题最终进入了生产环境,而从发现代码安全问题到修补程序部署的平均耗时超过18天。

AI代理的身份管理成为另一大隐患。近40%的受访组织承认,其AI开发工具或代理可通过开发或部署流程访问生产云环境。更令人担忧的是,超过半数的受访工程师表示,AI代理的操作记录被归因于工程师个人的身份或访问令牌,而非独立的AI代理身份。这使得企业在审计时难以区分人类操作与机器行为,且40%的组织无法还原AI代理曾执行的具体操作,从而无法确认代理是否超出了原定任务范围或访问了敏感资源。

凭证管理同样存在漏洞。30%的受访组织曾在CI/CD流程中发现AI代理使用的凭证未纳入企业统一管理。超过30%的组织表示,在调查安全事件时,难以撤销或轮换AI代理使用的凭证;另有60%的组织在撤销非人类身份(Nonhuman Identity, NHI)的访问权限时仍需人工介入。数据泄露风险也随之上升,约20%的组织直到发生事件或进行审查后才发现影子AI的存在,40%的组织曾发现受管数据被复制到未受控的AI环境,近40%的组织发现敏感或受法规管制的数据未经授权用于AI模型训练或微调。

信息源:iThome

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系