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

Appian CEO Calkins:AI未触及严肃业务,宣布推出企业控制平面

专题 · Appian控制平面实质变化
2026-11-19 19:42

Calkins的核心判断是:AI革命之所以"奇怪",是因为它不像以往任何技术革命那样从最有需求的用户开始。第一批买手机的人正是最需要移动设备的人,第一批用电灯的人照亮的是最需要的街道。但AI恰恰相反——它从个人生产力和小额成本节省这些低价值场景起步,而真正拥有最宝贵高频流程、最低容错率的大型组织——银行、制药公司、公共部门——几乎没有采用AI。

Calkins认为原因很直接:严肃组织永远不会信任未经过滤的概率性AI。这些组织花了几十年时间标准化、集成和治理复杂运营,以达到大规模工作所需的重复性、可靠性和控制力。它们不会仅仅因为有人承诺AI潜力巨大就动摇这一切。

他的处方是:AI不是独立技术,它的不确定性需要确定性的软件基础设施来约束。Calkins提出四项能力必须包裹在AI模型周围,才能让它参与严肃的企业工作:确定性流程编排(保持边界)、分布式数据编织(保持接地)、执行层面的治理基础设施(监控和约束行为)、以及根据任务类型选择执行方式的自由度(前沿模型、小模型、RPA机器人或人)。

Appian据此宣布正式进入控制平面市场,并以beta推出产品。Calkins说:"控制平面是一个新兴术语,有些公司在使用它或类似的说法。我们今天宣布进入这个市场,我们有产品,今天以beta推出。"

控制平面的核心架构原则是:智能体不应直接调用其他智能体,而应通过确定性层中转。Calkins说:"我们认为智能体应该调用一个确定性层,这个层再调用智能体,智能体再调用确定性层。"这意味着企业可以把AI的裁量权限制在单个任务上,而不交出整个操作的控制权。

Calkins进一步指出,控制平面真正的价值不只是追踪和约束,而是生成一个数据集:记录每个智能体在何时、在流程的哪个环节被调用、整个序列是否导向成功。有了这个数据,组织才能优化智能体的部署方式——比较它们的成本、可靠性和对整体流程结果的贡献,从而判断某项任务是否真的应该交给AI。

报道作者Ian Thomas在肯定这一论证的同时提出了一个值得注意的反面:Calkins的集中式协调架构与早期企业应用集成(EAI)的hub-and-spoke模式有结构相似性,只是应用对象从应用系统变成了运营模式。当智能体能力持续增强时,集中控制与分布式代理之间的平衡可能需要重新调整。组织可能最终会发现自己需要超越Calkins所描述的那个渐进式起点。

信息源:diginomica

研究

美国光通信公司Coherent Corp.董事会批准20亿美元股票回购计划

实质变化
核验于 2026-11-19 19:58

美国光通信与激光技术公司Coherent Corp.(NYSE: COHR)于2026年11月18日宣布,其董事会已批准一项股票回购计划,允许公司在公开市场、通过协商购买、大宗交易或衍生品交易等方式回购最多20亿美元的普通股。该金额不包括相关费用、佣金或其他支出。

根据向美国证券交易委员会(SEC)提交的8-K文件,此回购计划没有固定到期日,也不要求公司必须回购任何特定数量的股份,且可随时暂停或终止。这一授权反映了管理层对公司资本配置和股东回报的考量,但实际执行规模将取决于未来市场条件和公司决策。

信息源:sec.gov

研究

BlackLine CEO Owen Ryan:金融AI落地的瓶颈不是模型能力,而是治理层

专题 · BlackLine实质变化
2026-11-19

金融和会计领域对AI代理的态度,用BlackLine CEO Owen Ryan的话说,是一种矛盾:代理来得很快,客户也想要,但在关键工作流中的采纳仍然非常慢。这不是一个能力问题,而是一个信任问题。

Ryan描述了一个具体的采纳状态:他们与客户共建的大多数代理还没有触及账簿。企业做的事情是并行运行多个季度,观察结果是否一致。这意味着金融AI目前处于一个审慎的实验阶段——模型已经足够好,但组织在让代理直接写入生产财务数据之前,需要先在平行环境中积累足够的信心。

为什么金融如此不同?Ryan的解释是后果的不可逆性:在营销部门,错误的草稿可以重写;在工程部门,bug会在代码审查中被发现。但在金融领域,一个错误的数字会到达审计师、董事会,甚至市场。这种后果结构决定了金融组织从AI辅助,到代理完成任务,再到代理端到端运行关键工作流的每一步,都比其他职能谨慎得多。

Gartner的数据支持了这个判断:只有13%的组织认为自己目前具备正确的AI治理。Ryan说这与他们的客户和合作伙伴反馈完全吻合——问题不是AI不工作,而是组织自身的治理成熟度还不足以在会计这种准确性至上的场景中依赖它。

那么什么会打破这个僵局?Ryan认为是一个控制层:包含策略、可观测性、代理注册、审计轨迹和风险评分。这正是BlackLine的Finance Control Console所定位的功能,也是其Agentic Financial Operations Platform的治理层。

在竞争格局上,OpenAI本周推出了面向会计领域的ChatGPT插件,这让人联想到此前Anthropic被解读为将取代律师的事件。Ryan和BlackLine CTO Jeremy Ung的回应是合作而非对抗:OpenAI模型将接入BlackLine的工作流;BlackLine也已上架Anthropic的Claude Marketplace,Verity accruals等产品已经由Claude的推理能力驱动。

Ung补充说,通过MCP(Model Context Protocol)集成,代理可以动态发现BlackLine的能力,客户不需要等待BlackLine的教育材料就能让Claude或OpenAI连接并执行工作。diginomica记者Stuart Lauchlan将这种关系概括为科技行业常见的co-opetition(竞合):客户使用他们已经了解和信任的模型,但将财务数据带入BlackLine的控制环境中。Ryan本人的表述是:'我们现在与最大的AI实验室有了更大的合作。客户将能够使用他们已经了解和信任的模型,然后将财务数据带入我们的控制环境。'

需要注意的是,这是BlackLine自身视角的表述。将治理定位为唯一解锁条件,恰好也将其产品置于价值链的关键位置。Gartner的13%数据是二手引用,方法论和样本未独立核实。但无论动机如何,并行运行而不触及账簿这一具体采纳状态,如果属实,确实说明金融AI的商业化时间表取决于合规基础设施的成熟度,而非模型能力的下一次跳跃。

信息源:diginomica

研究

社区推理工具将1760亿参数模型带上桌面,实测每秒200词元

实质变化
2026-11-19 17:20

1760亿参数的模型在桌面电脑上跑出每秒200个词元——这听起来像是营销话术,但纽伦堡应用科学大学(TH Nürnberg)的NLP教授Christian Winkler用自己的机器验证了这个数字:128GB内存加一块Nvidia RTX 5090,运行阿里的Qwen3.8-Flash-Next,通过社区推理工具Strata的衍生项目Basalt,实际达到了约200 tokens/s。他的评价是:体感速度比一些商业服务还快。

这之所以可能,关键在于模型架构的两层设计。Qwen3.8-Flash-Next总共176B参数,但其中51B是所谓的N-Gramm参数,可以卸载到CPU内存甚至SSD上,不需要常驻GPU显存。剩下的122B采用混合专家(MoE)结构,每次推理只激活其中6B。也就是说,真正参与计算的参数只有60亿,和一个小模型差不多,但模型在训练时见过122B参数的知识容量。这个设计把'模型有多大'和'推理时算多少'解耦了。

社区工具解决的是另一半问题:怎么把这些分散在不同存储层级的参数高效地调度起来。Strata允许在相对小的显卡上运行大模型,前提是系统内存足够大。它甚至能运行更大的DeepSeek-V4.1-Flash和GLM-5.3-Flash。Basalt是Strata的分支,专门针对Qwen3.8-Flash-Next做了进一步优化。Winkler提到,这些工具大量来自所谓vibe coding——开发者用AI辅助快速原型化,项目成熟度和长期维护性尚不确定。

代价是质量。Winkler明确说,本地推理的质量达不到前沿大模型的水平。这是一个能力层级的取舍:你得到的是速度、隐私和固定成本,失去的是最复杂的推理能力和知识广度。对于日常写作辅助、代码补全、信息摘要这类任务,这个层级可能已经够用;对于需要深度推理或精确知识检索的场景,商业API仍然领先。

值得注意的对比是,同一篇文章提到的其他新模型——Moonshot的Kimi K3.1-Pro有2.8万亿参数,那个所谓的Anthropic泄漏检查点numbat有14万亿参数——这些仍然需要数据中心级别的硬件。真正让大模型走出机房的不是把模型做小,而是把架构设计成'存储大、计算小',再用软件把存储和计算的分离执行好。Qwen3.8-Flash-Next正是这条路线上目前公开权重、可被社区工具直接调用的模型。

信息源:Developer

研究

苹果在iWork套件中集成MCP协议,允许外部大模型控制Pages、Numbers和Keynote

专题 · 苹果MCP集成实质变化
2026-11-19 19:08

苹果公司在其Mac版办公套件Pages、Numbers和Keynote的16版本更新中,意外集成了Model Context Protocol(MCP)。这一标准协议的引入,使得外部大型语言模型(LLM)能够直接控制这些应用程序。用户可以通过该接口连接如ChatGPT、Claude或本地运行的AI模型,以执行文档编辑、数据分析和演示文稿生成等任务。此前,MCP支持在苹果软件中极为罕见,仅Safari和Xcode具备此功能,而Final Cut Pro、Logic Pro等其他创意工具尚未支持。

除了MCP支持,此次更新还引入了名为“Intelligent Assistant”的AI功能,利用Apple Intelligence、OpenAI和Google Gemini模型来生成文本和图像内容。然而,这些高级AI功能以及MCP访问权限均被锁定在每月13欧元的Creator Studio订阅套餐中。免费的基础版本仅包含错误修复和性能改进。此外,AI助手目前仅支持美国英语,且要求设备支持Apple Intelligence并运行iOS 27、iPadOS 27或macOS 27系统。

对于开发者和企业用户而言,MCP的集成意味着苹果原生生产力工具不再局限于内部AI生态,而是向更广泛的AI代理开放。这可能会加速第三方AI工具在办公场景中的渗透,但也引发了关于数据隐私和自动化操作安全性的新考量,因为外部模型现在可以直接读写用户的文档和表格数据。

信息源:Mac & i

研究

北京AI初创公司无涯智远完成数亿元天使轮及天使加轮融资

专题 · 无涯智远融资快讯
2026-11-19 13:19

据智东西报道,北京AI初创公司无涯智远(Norizon AI)于11月19日宣布完成数亿元天使轮及天使加轮融资。本轮融资由五源资本、红杉中国、联想之星、中关村科学城基金、戈壁创投等机构参与投资,心流资本FlowCapital担任财务顾问。

无涯智远专注于实时递归自我改进(Real-Time Recursive Self-Improvement,RSI)技术,旨在让大模型在部署后能够持续学习并更新自身参数。该公司自研的核心技术之一是SHINE超网络,试图通过一次前向计算完成轻量级参数更新,从而降低模型持续学习的计算开销,并将新知识直接沉淀为模型能力,而非仅依赖扩大上下文窗口或外部检索。

公司创始人兼首席科学家张牧涵曾任北京大学人工智能研究院助理教授,此前在Meta AI从事大规模图机器学习系统研发。目前团队规模超过20人。本轮融资资金将主要用于相关技术研发和产品落地。

信息源:zhidx.com

研究

AI研究员称发现新玛雅遗址,考古学家指出该地已在2025年论文中记录

实质变化
2026-11-19 19:00

2026年11月10日,人工智能研究员Pietro Miotti在社交媒体X上分享了他使用AI“发现”一处此前未绘制的古代玛雅城市中心的消息。Miotti表示,他在秘鲁度假期间,通过提示数十个AI代理筛选NASA公开可用的激光雷达(lidar)数据,寻找隐藏在结构中的迹象。AI未能识别出该地点在学术论文中有过记录的证据,因此建议他联系墨西哥官员。

然而,这一“发现”很快遭到质疑。阿拉巴马大学伯明翰分校教授Sarah Parcak指出,该遗址至少已被记录过一次——杜兰大学教授Francisco Estrada-Belli及其同事在2025年的《考古科学杂志:报告》中发表了一篇描述该遗址的论文。Parcak强调:“这就是同行评审存在的意义。”

图兰大学人类学教授Marcello Canuto补充说,2025年的研究建立在早至2016年就已分析的激光雷达数据之上。斯洛文尼亚科学与艺术学院研究中心空间与人类学研究所主任Ivan Šprajc也参与了该遗址的实地考察,指出它是更大中心的“外围群体”。

Miotti随后更新了博客文章并在X上发布了更正,承认了考古学家的工作。这一事件引发了关于AI在科学中角色的争论。一些评论者认为这证明了AI的缺陷,即所谓的“人工平庸”,因为大多数程序只是模仿人类对类似查询的回答。Parcak指出,AI依赖于在线信息,而数百万篇文章、书籍和考古数据集并未包含在任何公开可访问的数据库中。“并非所有东西都在网上,”她说,“这就是人类专业知识发挥作用的地方。”

信息源:Scientific American

研究

西门子TIA Portal V21.1解耦许可与安装,工程数据转为文本以支持AI集成

实质变化
2026-11-18 20:33

德国工业巨头西门子(Siemens)于2026年11月19日发布其自动化工程软件TIA Portal的重大更新版本V21.1。此次更新的核心变化在于软件交付模式的结构性调整:西门子将软件安装与许可授权解耦。在V21版本线内,用户无需再购买特定版本号,而是获得对最新版本的持续访问权。这意味着工程师不再需要在每次新发布时升级并重新验证整个项目,从而显著减少了重复性的维护工作,简化了生命周期管理,并降低了因频繁升级带来的运营风险。

除了交付模式的改变,V21.1还引入了旨在促进人工智能集成的新功能。西门子扩展了Simatic源文档的功能,使其涵盖硬件配置,并将这些工程内容转换为基于文本的源代码格式。这一转变使得外部工具如Git和代码生成器能够更轻松地集成,更重要的是,它使工程信息变得结构化且机器可读。西门子表示,这是让TIA Portal“日益具备AI就绪能力”的关键一步,为AI支持的工程工作流奠定了基础。

此外,针对高端应用,新版本引入了S7-1500控制器的多核编程功能,允许运动控制和安全程序独立运行,从而提高了确定性和运行时性能。该版本还将继续连接西门子在2026年汉诺威工业博览会上展示的AI驱动的工程代理Eigen Engineering Agent。TIA Portal V21.1计划于2026年11月底提供下载,并于12月开始包装交付。

信息源:press.siemens.com

研究

微软AI代理框架遭供应链攻击,恶意版本窃取云凭证

实质变化
2026-11-18

微软的官方AI代理开发框架“agent-framework”在Python包索引(PyPI)上遭遇供应链攻击。安全公司Wiz、Socket、Aikido和StepSecurity独立分析发现,该框架的版本1.26.1和1.26.2中嵌入了恶意代码,旨在窃取开发者的云服务和持续集成/持续部署(CI/CD)凭证。

攻击发生在2026年11月17日UTC时间20:35至21:20之间。在此期间,这两个受感染的版本可供下载。恶意软件利用Python的.pth文件机制,在任何Python解释器启动时自动执行,无需用户显式导入该库。一旦激活,它会搜索环境变量中的敏感信息(如包含TOKEN、SECRET、KEY、AZURE、AWS等字样的变量),以及本地配置文件(如~/.azure、.npmrc、.git-credentials等)中的凭证,并将这些数据发送至外部服务器。

受影响范围包括在该时间窗口内安装或更新过agent-framework的开发环境。由于该框架是构建多智能体工作流的核心工具,每月约有19万至20万次下载,潜在暴露面较大。目前,PyPI上的最新版本已回退至干净的1.26.0版本。微软尚未发布正式声明,但GitHub上的相关仓库暂时返回404错误,表明正在进行调查。

对于可能受影响的团队,建议立即采取以下措施:首先,检查锁定文件(lockfiles)、CI日志和容器镜像中是否存在版本1.26.1或1.26.2;其次,若发现感染迹象,应彻底重建虚拟环境和镜像,而非仅删除文件;最后,必须轮换所有可能从受影响系统访问到的秘密,包括Azure服务主体、GitHub令牌、Docker凭证和API密钥。值得注意的是,根据Wiz的分析,被盗的Azure令牌可能在长达24小时内保持有效,因此即使撤销了联合身份验证凭据,仍需检查Entra ID中的登录活动以确认是否有未授权访问。

信息源:KIberblick

研究

Hugging Face研究员测试显示开源OCR模型成本降至每百万页65至130美元

实质变化
2026-11-19 17:28

Hugging Face研究员Daniel van Strien对八款开源光学字符识别(OCR)模型进行了基准测试,结果显示,利用这些模型从扫描书籍和记录中提取文本的成本大幅降低。测试在Nvidia RTX PRO 6000 GPU上进行,通过Hugging Face租用该硬件的费用为每小时2.75美元。

数据显示,与2025年4月发布的旧模型RolmOCR相比,其处理每千页的成本约为51美分;而2026年10月发布的最新模型LightOnOCR-3-0.8B将这一成本降至不到10美分。这意味着数字化一百万页文档的GPU租赁费用目前仅在65至130美元之间,具体取决于源材料的类型。

van Strien指出,优化模型运行方式(如更均匀地输入页面、使用较小尺寸的扫描图、更新软件以及使用更快的GPU)所节省的成本,与切换到新模型带来的节省相当甚至更多。尽管最新模型的准确率至少与旧模型持平,但部分模型在空白页上会出现幻觉或重复内容的问题。

信息源:The Decoder

研究

Climate Change AI共同创办人:气候应用需要「小蜜蜂」而非「大象」

实质变化
2026-11-19 17:08

加拿大麦吉尔大学计算机科学学院副教授、Climate Change AI共同创办人David Rolnick近日在台湾环境部于联合国COP31期间举办的「绿色算力与气候数字科技」论坛上提出一个核心判断:讨论AI与气候变化时,真正该问的不是「是否使用AI」,而是「什么问题该用什么样的AI」。

他用「大象与小蜜蜂」来比喻当前AI发展的两种方向。大型生成式模型如ChatGPT、Gemini、Claude是「大象」——规模庞大,需要大型数据中心,主要处理文字生成、影像合成、程序代码编写等通用任务。另一类AI是「小蜜蜂」——用于预测、分类、优化和科学计算的专用模型,例如分析卫星影像识别土地利用变化、预测野火风险、优化电网运作,不需要大型数据中心支撑。

Rolnick强调一个关键区分:这两类AI本质不同,不能简单理解为「把大型模型缩小」就能得到专用AI。他引用研究案例指出,大型语言模型可能具有兆级参数规模,而部分气候应用模型只需要百万级参数,两者相差数百万倍。对于特定科学问题,小型模型反而可能更有效率。

他的主张是,许多社会问题的AI应用应是少数「大象」加上多个「蜜蜂」的组合。多数问题由专用小模型解决,既能提升效率,同时降低不必要的能源消耗。以气候领域为例,目标若是预测下一小时的太阳能发电量,需要的是结合气象与能源数据的预测模型,而不是大型语言模型。

Rolnick进一步批评了一种正在蔓延的部署模式:高耗能AI功能被预设套用到日常服务中。他以Google搜索导入生成式AI摘要功能为例——用户并未主动要求每次搜索都使用生成式AI,但系统会自动产生AI摘要。他估算,若全球数十亿次搜索都采用这类功能,整体用电量可能相当于一座大型城市的住宅用电规模。

他认为问题不在单一模型耗电,而在于预设部署。生成式AI应优先用于真正需要推理和生成内容的场景,而非成为所有应用的预设方案。他建议AI发展应朝几个方向调整:推动更多中型计算资源让用户能通过个人电脑或边缘设备使用适合任务的AI;提高AI能源透明度,让开发者与用户了解不同工具、硬件与任务的能源成本;以及持续提升模型、硬件与数据中心的能源效率。

需要指出的是,这是一场论坛演讲中的归因论点,而非经同行评审的研究结论。Rolnick的「大象与蜜蜂」区分是一个有用的启发式框架,但两类AI的边界并非在所有任务上都清晰可辨。某些气候问题可能需要大模型的通用世界知识来整合跨领域信息,此时「蜜蜂」未必足够。他的核心贡献在于提醒从业者:从问题出发选择工具,而非从模型出发寻找应用场景。

信息源:iThome

研究

Meta称AI Agent已处理其广告排序技术传播逾六成工作

实质变化
2026-11-19 01:00

Meta的广告排序系统由大量异构模型组成,每个模型有独立架构、训练数据和推理约束。一项在某个模型上验证成功的ML技术(如Wukong因子化层、Interformer交互网络)几乎无法直接复制到下一个模型。Meta此前通过标准模型模板(SMT)将模型组织为可复用的组件,使技术验证一次即可自动传播到所有基于该模板的模型,两年内交付了5000多个技术-模型组合,将每模型工程时间降低了92%。但模板自动化只解决了确定性步骤,剩余的关键决策——哪项技术值得传播到哪个模型、超参数搜索应该多宽、模型为何没有提升、如何检测并恢复失败——仍然依赖工程师的人工判断。

Meta描述AI Agent在三个阶段接管了这些判断决策。发现阶段,Agent基于共享知识库(积累的历史训练运行记录、模型架构和技术结果)同时评估整个模型舰队,生成按预期影响排序的技术-模型候选列表,取代了此前领域专家逐个模型评估的方式。泛化阶段,Agent利用数百万次历史训练运行的结果,从最可能有效的配置出发,用每轮训练结果收窄下一轮搜索空间,并决定哪些实验值得继续、哪些应提前终止。采纳阶段,Agent管理数百个并发训练作业,按收入重要性、技术潜力和截止日期排序,从停滞或低价值运行中回收GPU容量。

Meta报告的效率数字各有测量边界。60%覆盖率是估计值,自2026年3月Agent开始驱动执行以来计算。3倍生产力是对比Agent介入前的相同工作衡量。4倍算力节省是中位数,且明确限定在部分技术-模型组合。4500万美元节省是到年底的预估。Meta同时指出,对最高收入模型仍采用工程师主导的定制适配,Agent在此模式下是学习工程师的决策后辅助推广到其余模型。目前一项已验证技术到达所有适用模型仍需超过一年,Meta的目标是缩短到三个月,这意味着还需要将Agent驱动的工作流推向5倍端到端吞吐量。

信息源:Engineering at Meta

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系