-
AI 模型与平台8 hours ago特斯拉季度营收基本持平，运营成本上升
特斯拉于2026年10月21日公布2026年第三季度财务业绩，并在提交给美国证券交易委员会（SEC）的8-K表格中报告总营收为280亿美元、GAAP营业收入为7.18亿美元。这些业绩涵盖截至2026年9月30日的季度，并作为公司的2026年第三季度更新发布，随文件作为附件99.1提交。第三季度财务业绩总营收为280.46亿美元，而2025年同期为280.95亿美元；特斯拉在更新中称，按同比计算，业绩基本持平。汽车业务营收为205.60亿美元，能源发电与储能业务营收为28.81亿美元，服务及其他业务营收为46.05亿美元。总毛利润为54.94亿美元。更新称，GAAP毛利率同比上升160个基点，而营业利润率下降322个基点，调整后EBITDA利润率下降114个基点。归属于普通股股东的GAAP净利润为7.87亿美元，摊薄后每股收益为0.22美元；非GAAP净利润为16.97亿美元，摊薄后每股收益为0.48美元。调整后EBITDA为39亿美元，利润率为13.9%。特斯拉表示，过去12个月营收连续第二个季度超过1,000亿美元。在更新中对同比业绩的拆分说明里，特斯拉将营收表现归因于能源发电与储能业务营收下降（部分原因是与关税相关的客户退款）、汽车平均售价下降、监管积分收入减少以及交付量下降；服务业务增长、带来3亿美元正向影响的汇率变动，以及主要由FSD订阅量增加推动的汽车附加产品销售额上升，则抵消了部分降幅。本季度监管积分收入为1.13亿美元，而2025年第三季度为4.17亿美元。对于营业收入，公司表示，营业费用增加，主要由Super Intelligence (SI)及其他研发项目、包括2025年CEO绩效奖励在内的股权薪酬，以及销售、一般及行政成本上升所推动；服务业务毛利润增长、汽车地区及产品组合改善、重组费用减少，以及带来1亿美元正向影响的汇率变动，则部分抵消了上述影响。现金流与支出经营活动提供的净现金为62.63亿美元，资本支出为47.32亿美元，自由现金流为15.31亿美元。本季度末，现金、现金等价物及短期投资合计454.47亿美元；更新称，环比增加19亿美元，主要得益于正向自由现金流。研发费用为27.61亿美元，销售、一般及行政费用为20.15亿美元。截至2026年9月30日，总资产为1,575.17亿美元，股东权益总额为892.89亿美元。服务及其他业务毛利润环比增长8,600万美元，达到7.34亿美元，特斯拉称这是该业务板块的历史最高水平。交付量、Robotaxi与FSD据更新披露，特斯拉本季度生产464,391辆汽车，同比增长4%；交付486,532辆，同比下降2%。公司在本季度生产并交付了第1,000万辆汽车，累计交付量达到1,020万辆。特斯拉表示，本季度末乘用车订单积压量达到四年来最高水平；在加拿大、澳大利亚、日本和台湾创下季度交付量纪录，并在柏林超级工厂实现创纪录的产量。特斯拉于2026年9月3日在奥斯汀开始使用Cybercabs提供Robotaxi乘车服务。更新报告称，截至本季度末，Robotaxi累计无人监督行驶里程接近200万英里，累计里程环比增长八倍；奥斯汀的运营时段现为上午6时至午夜。更新还称，Cybercab现已搭载Grok，并配备Grok Bot和Connectors，让乘客可以通过免手持语音访问收件箱、日历、文件、聊天和任务。FSD活跃订阅量达到174万。特斯拉将这一指标定义为包含预付款和月度订阅，不包括免费试用。特斯拉表示，自第二季度末以来，又在克罗地亚、斯洛文尼亚、捷克共和国和斯洛伐克获得四项FSD批准，使该系统在九个欧盟国家开放使用；自首次获批以来，这些国家的客户已累计行驶超过1.6亿公里，人数超过10万。更新披露指出，FSD需要驾驶员持续主动监督，并不会使车辆实现自动驾驶。储能部署量为13.7 GWh，特斯拉报告称，储能订单新增速度和订单积压量均创历史新高。超级充电网络扩展至8,904座站点和84,465个充电接口；Supercharger for Business项目的充电位增至600多个。特斯拉还部署了首台工厂预组装的Accordion Supercharger，以及首台预组装的Megacharger。Semi、Optimus与能源制造Tesla 已在内华达州开始批量生产 Tesla Semi，这是一款 8 级重型卡车。据更新信息，顶配车型在总组合重量达到 82,000 磅的满载状态下，续航里程可达 500 英里，能耗为每英里 1.7 千瓦时。Tesla 表示，这使 Semi 的能耗仅为载运相同有效载荷的同类柴油卡车的三分之一。Optimus 已在弗里蒙特的高产能生产线上启动生产；公司称，下线的产品是首批达到量产质量标准的机器人，并表示已证明当前制造流程适用于商业化产品。Tesla 于 2026 年...
-
AI 模型与平台9 hours agoMeta第三季度营收增长26%，董事会批准发行无投票权C类股票
Meta Platforms于2026年10月21日公布截至2026年9月30日的第三季度财务业绩，营收达646亿美元，较上年同期增长26%；公司还宣布，董事会已批准设立一种新类别的公开上市无投票权C类普通股。Meta创始人兼首席执行官马克·扎克伯格在公司的2026年第三季度业绩公告中表示：“本季度，我们在为所有人打造个人超级智能方面取得了重要里程碑式进展，包括推出Muse和Muse Wonder——我们的首个前沿模型。”扎克伯格补充说，公司的投资正在取得成效，核心业务表现强劲，Meta各方面的发展势头都在加快。第三季度业绩与法律诉讼费用总成本和费用为516.1亿美元，同比增长68%；其中包括一笔计入一般及行政费用的诉讼费用。营业利润为129.9亿美元，下降37%；营业利润率为20%，而2025年第三季度为40%。净利润增长264%，达到98.6亿美元；摊薄后每股收益增长265%，从1.05美元升至3.83美元。有效税率为24%，而上年同期为87%。2026年8月，Meta宣布与美国52名州总检察长达成协议，以解决涉及青少年心理健康和社交媒体的诉讼；协议规定支付金额最高约为185.9亿美元。第三季度成本中包括一笔与该协议相关的98.9亿美元费用。Meta表示，若不计这笔费用，季度营业利润将为228.8亿美元，摊薄后每股收益将为7.40美元，有效税率则为17%。2026年9月，Meta旗下应用家族的日均活跃人数平均为36.4亿，同比增长3%。公司旗下应用家族投放的广告展示量增长10%，平均广告价格上涨14%。资本支出为349.1亿美元，其中包括融资租赁本金偿付款。经营活动现金流为327.9亿美元，自由现金流为负21.2亿美元。截至2026年9月30日，现金、现金等价物及有价证券共计824.5亿美元；股息及股息等值款项支付额为13.6亿美元。员工总数为66,775人，同比下降15%。按业务板块划分，应用家族营收为641.6亿美元，营业利润为171.2亿美元；该板块的广告营收为630.6亿美元。Reality Labs涵盖公司的虚拟现实和增强现实消费级硬件、软件及内容业务，营收为4.43亿美元，营业亏损为41.3亿美元。Meta表示，将于2026年10月21日太平洋时间下午1:30召开电话会议，讨论业绩；会议回放和文字记录将发布在其投资者关系网站上。第四季度业绩展望与2027年规划Meta表示，预计2026年第四季度总营收将在730亿至760亿美元之间。该业绩展望假设，按当前汇率计算，外汇因素将使营收同比增幅受到约1%的拖累。公司将2026年全年费用预期上调至1,750亿至1,790亿美元，以计入这笔法律费用；公司还表示，若不计该费用，仍预计2026年营业利润将高于2025年。公司将2026年资本支出预期区间收窄至1,350亿至1,450亿美元，其中包括融资租赁本金偿付款；此前的预期区间为1,300亿至1,450亿美元。Meta表示，预计Reality Labs在2026年的亏损为180亿至190亿美元，低于2025年；随着投资转向其他优先领域（主要是人工智能），预计2027年亏损将收窄至约150亿美元。若税务环境没有变化，Meta预计2026年第四季度税率为15%至17%。Meta表示，公司继续关注可能对业务和财务业绩造成重大影响的在办法律及监管事务，并指出，公司在多个市场因涉及青少年的问题受到审查；此外，公司称，美国未来几个月还安排了多起涉及青少年的审判。谈及2026年之后的规划时，Meta表示，仍在制定2027年的预算和产能计划，但预计将继续大力投资，以支持核心业务和新兴人工智能项目。公司表示，人工智能投资已通过提高用户参与度、改进推荐效果和提升变现效率，为广告业务带来可观的新增收入；对MSL的投资则正在打造所需的技术和基础设施，以释放显著的新收入机会。Meta表示，不会提供2027年全年收入展望，并补充称，AI投资为核心业务带来的收益，加上模型进步和产品发布所带来的新兴机遇，使其有望在2027年全年保持强劲的整体收入增长。C类股票的股息、上市及顾问Class C 股份获批，是在特别委员会一致建议之后作出的。该委员会由无利益冲突且独立的董事组成，由董事会设立，负责评估 Meta 的资本结构。委员会和董事会认定，设立这一新类别是明智、公平的，符合 Meta 及其股东的最佳利益。委员会列出的理由包括：为 Meta 提供筹集资金、员工薪酬、潜在收购及其他一般公司用途所需的能力，并指出，在行业经历 AI 转型之际，相关投资规模巨大；继续最大化长期价值，委员会指出，自 IPO 以来，Meta 股价已上涨逾 1,700%，而同期 S&P 500 指数涨幅约为 495%；以及确保 Zuckerberg 继续领导公司，维持委员会所称的创始人主导模式，该模式自 Meta...
-
AI 模型与平台9 hours ago沃尔玛推出智能体档案，为 AI 购物智能体提供入口
Walmart 于 2026 年 10 月 21 日宣布推出智能体档案、Walmart 智能体网关以及面向 AI 智能体的条款。该零售商表示，这些工具将让顾客通过自己选择的应用和智能体在 Walmart 和 Sam’s Club 购物，并内置权限、控制功能和保护措施。沃尔玛表示，目前顾客可以通过门店和会员制仓储俱乐部、在线购物、到店自提和配送、Sparky 助手，以及与 Muse、ChatGPT、Gemini 等产品的对话式商务集成服务购物。该公司称，随着 AI 智能体日益普及，它正在推出这些新工具，并补充说，公司希望助力塑造未来的购物方式，而不是坐等变化发生。据公告称，按照目前的设置，顾客使用 AI 智能体在沃尔玛购物时，智能体会使用顾客的账户登录，因此顾客本人和智能体所购商品会一并显示，无法区分。智能体档案与消费控制沃尔玛表示，智能体档案将于下个月推出。顾客可以在自己的账户中为每个 AI 智能体授权并创建专属档案，将智能体的购买记录与订单历史中的其他记录分开。顾客可以要求每笔购买都先经本人批准，也可以设定消费限额，允许智能体在限额内购买；沃尔玛列举的示例金额为 50...
-
AI 模型与平台10 hours agoAnthropic 向美国 Pro 和 Max 用户开放 Claude Duet 研究预览版
Anthropic 于 2026 年 10 月 21 日开放了 Claude Duet 的研究预览版。该公司表示，这款应用能将 Claude 转变为主动型智能体，主动提示需要关注的事项、完成用户交办的任务、在用户暂时离开时继续工作，并在代用户采取行动前先征求同意。用户需通过候补名单申请访问权限，首批开放对象为美国的 Pro 和 Max 用户。Anthropic 表示，Claude Duet 是为事务繁多、难以一一跟进的专业人士和小企业主打造的。这款应用可作为独立应用在 iOS 和 Android 上使用，也可通过 claude.ai 使用；在研究预览期间，它包含在...
-
网络安全10 hours agoPHP 修复前沿 AI 模型发现的两项严重远程代码执行漏洞
PHP 项目于 2026 年 10 月 21 日发布 PHP 8.5.12、8.4.27、8.3.36 和 8.2.35 安全更新，修复了两项严重漏洞；这些漏洞可能导致未经身份验证的远程代码执行，并由前沿 AI 模型发现。此次协调披露涉及 PHP 项目、OpenAI、安全研究公司 Calif 和云安全公司 Wiz。已修复的版本PHP 项目的安全公告指出，这四个版本修复了 CVE-2026-109618（因内存耗尽导致内存损坏而引发的远程代码执行）和 CVE-2026-109619（因过时的全局状态而引发的远程代码执行）。PHP 安全团队于 2026 年...
-
AI 模型与平台10 hours ago微软研究员及合作者证明提出31年的KLS猜想
Microsoft Research 于2026年10月21日宣布，其机器学习与优化小组高级研究员Xinzhi Zhang与合作者Zhao Song利用由人类主导的智能体式AI研究流程，证明了Kannan–Lovász–Simonovits猜想。这一问题提出于31年前，属于高维几何与概率领域。猜想及新的界证明发表于一篇长达140页的论文《KLS 常数的 O(1) 上界》，作者为Zhao Song和Xinzhi Zhang。论文于2026年10月1日首次提交至arXiv，并于2026年10月4日修订，提交作者为Zhang。摘要称，作者证明KLS常数ψ_n的上界是一个普适常数C，从而解决了这一猜想；他们还证明，每个各向同性对数凹概率测度的Poincaré常数都有一个普适上界。从形式上说，这一猜想于1995年提出，它要探究的是：n维空间中的每个各向同性对数凹概率测度，其切比雪夫常数是否都有一个普适的正下界。用Microsoft Research博文中更通俗的话来说，对于一大类高维概率分布，最佳平面切分是否总能达到与任意形状的最佳切分几乎相同的效果，两者的差异不会超过一个普适常数，且不受维数影响。由于切分的几何形状决定了随机游走探索某一分布的速度，这一猜想在高维采样理论中占据核心地位。在这项工作之前，已知的最佳结果是Brayden Letwin于2026年7月27日提交的21页论文《KLS 常数为 O(log^{1/4} n)》。该论文证明ψ_n至多为log^{1/4} n的某个常数倍。Microsoft Research的博文指出，随着维数增加，这一上界仍会缓慢增长。新研究则给出了一个固定上界，不随维数变化。这一猜想在解决之前早已受到广泛重视。博文记载，Mathematical Sciences Research Institute在2017—18年度报告中称KLS是高维凸几何中的核心未解问题；Simons Institute称其为凸几何领域最重要的未解问题之一；Ronen Eldan则在2022年国际数学家大会的会议录中指出了它的广泛影响。由人类主导的智能体式研究流程博文称，作者首先着手改进2026年7月的研究结果。在一个由人类主导、结构化的AI智能体研究流程中，他们探索了100多种候选方案，其中许多涉及高阶张量的冗长计算，并提出了一项新的数学判据，成为最终证明的基础。随后，作者发现可以递归地应用这一判据：将每次改进后的界重新代入同一论证，从而得到更紧的界。在论文2026年10月1日的版本中，这种做法将对维数的依赖降至迭代对数级别。迭代对数增长极其缓慢，但仍会随维数增加，因此当时还不足以解决这一猜想。最后一步是重复整个递归细化过程，而不是只应用一次。博文称，这一思路受到作者此前关于线性规划快速算法的研究启发。作者证明，每一阶段引入的小误差衰减得足够快，因此误差总和仍受一个与维数无关的普适常数约束，最终在2026年10月4日的版本中完成了证明。博文指出，递归方法、对该方法的反复应用以及有界误差论证，都是研究人员的原创贡献。AI工具协助探索候选方案、开展详细推导、准备论文稿件并进行内部证明检查；研究人员则决定数学研究方向、筛选有前景的想法、将其整合为最终论证，并验证证明。博文将这一方法描述为一种智能体式搜索，并通过人类参与的迭代筛选不断优化：多个智能体并行探索某个想法的不同变体时，研究人员会检查中间结果、淘汰没有前景的方向，并将最有希望的结果交给下一轮。关键突破出现之前，研究团队大约探索了一百条研究路径。在项目的另一条独立研究线上，作者曾多次尝试在没有引导的情况下，使用若干领先的AI模型解决同一问题，所用token总预算与主要研究流程大致相同；博文称，这番努力未能达成目标。博文指出，最终取得成功，既依赖AI系统的能力，也离不开研究人员的数学判断。博文感谢Song对这项工作的贡献，并感谢Victor Reis和Ishai Menache在整个项目期间参与讨论。独立证明与机器验证2026年10月4日，也就是完整证明发布的同一天，Pierre Bizeul、Boaz Klartag...
-
网络安全11 hours agoAnthropic 为 Claude Security 新增持续扫描和修复跟踪功能
2026 年 10 月 21 日，Anthropic 面向 Claude Enterprise 客户发布了 Claude Security 更新版公开测试版，新增持续扫描（跟踪代码变更）、自动修复跟踪、按项目建立的威胁模型，以及全新 API。符合条件的组织可在截至 2026 年 12 月 31 日的上线优惠期内，连续两个月每月获得 25,000 美元的免费使用额度。Anthropic 表示，自 Claude Security 于...
-
AI 模型与平台13 hours ago三名高中生推出 MyDaye AI，将繁忙日程转化为每日计划
学生的日历很少能呈现全貌。作业可能发布在学校门户网站上，训练时间可能记录在团队应用中，周末班次则可能安排在另一个日历里。MyDaye AI由三名高中生于10月21日推出，旨在整合这些分散的安排，帮助学生决定接下来该做什么。创始人 Avi Rao、Hansen Wilson 和 Holt Wilson 希望这款对话式规划平台能够覆盖学生一整天的生活：课程、体育活动、课外活动、家庭责任、工作以及与朋友相处的时间。Rao 是高中毕业班学生；Wilson 兄弟俩则是高中二年级学生。他们的理念是，管理学业不只是汇总截止日期，还要把学习任务安排进生活的其他部分。Rao 在发布公告中说：“我们一开始并不是要再做一款教育应用。我们打造的是一款自己上学时每天都希望拥有的工具。”从截止日期清单到行动计划MyDaye 将对话式规划与任务管理结合起来。学生可以通过语音或文字讨论自己的任务，把大型项目拆分成更小的步骤，并根据现有安排确定优先事项。公司表示，其助手可以建议何时开始学习，并随着日程变化调整计划。这种做法旨在弥补一个常见的落差：知道作业何时到期，不等于知道该如何完成。周五截止的论文可能需要经过研究、列提纲、撰写初稿和修改等环节。实用的规划助手需要让这些中间步骤一目了然，同时为上课、训练和其他责任留出时间。Holt Wilson 说：“我不需要另一款只会告诉我什么作业要到期的应用。我需要一个了解我生活中各种事情、能帮我决定接下来该做什么的 AI 伙伴。”扫描教学大纲并接入日历信息，汇集各项安排根据发布公告，用户上传教学大纲后，平台可以提取作业、考试和截止日期，并据此生成完整的学期日历。其网站还介绍了日历连接、日程上传，以及对 iCal 和 ICS 订阅源的支持。公告特别指出，Canvas Calendar 和 Blackbaud Calendar 已上线。公司列出的学校系统包括...
-
思想领袖13 hours ago智能体式 AI 进入数据库开发：当 AI 真正能够执行查询时，会发生什么变化
过去几年里，AI 辅助数据库开发一直遵循一种相当稳妥的模式：开发人员描述需求，AI 生成 SQL，开发人员阅读代码、修改看起来不对的部分，然后决定是否执行。这种工作流程一直守住了一条重要界限：AI 可以提出操作建议，但是否将其应用到数据库，仍由人来决定。然而，随着智能体式 AI 的出现，这条界限正开始消失。如今，AI 系统可以检查架构、运行查询、解读结果，并决定接下来采取什么操作。根据最近的一项调查，62% 的组织已经在尝试使用 AI 智能体，另有 23% 的组织表示，已在企业的某个环节扩大智能体系统的应用规模。因此，数据库团队眼下就有一个亟待回答的架构问题：问题不在于 AI 能否执行 SQL，它当然能。真正的问题是，当助手不再只是提出代码建议，而是开始直接操作数据库时，会带来哪些变化；以及这种自主权应受到多严格的控制。从建议到行动一个简单的索引决策就足以说明这种转变为何重要。智能体发现一个运行缓慢的查询后，会查看数据库架构，判断添加索引可能有所帮助，随即创建索引、重新运行工作负载，并检查结果。它可能会执行这样一条再普通不过的语句：CREATE INDEX IX_Orders_CustomerId ON Orders(CustomerId);这条语句本身毫无特别之处。AI 助手也可能提出完全相同的建议。不同之处在于，最终由谁拍板。使用助手时，开发人员会审查建议、进行测试，并决定是否执行。AI 提供建议，但由人采取行动。若智能体拥有执行权限，系统就能自行作出决定并继续操作，无须等待批准。如果这个决定正确，工作流程就会更快。但智能体并不总能掌握全貌。它们可能会忽略应用程序依赖关系、业务规则、工作负载模式、维护时段，或其他对负责运行系统的人来说显而易见的背景信息。因此，智能体作出的决定在技术上可能看起来合情合理，但考虑到它所处环境的具体限制和要求，仍可能并不适合该环境。随着操作开始串联起来，危险也会增加。一次糟糕的 SELECT 可能只是运行缓慢。一次糟糕的 UPDATE 可能会锁住整张大表，或影响远超预期的行数。某个索引可能只对一个查询有用，却会给其他查询带来额外开销。架构变更也可能破坏智能体不知道依赖该架构的某项功能，因为智能体可能缺乏完整的运维背景信息，也无法测试所有可能的使用场景。所以，问题不在于智能体无法作出良好的数据库决策，它们往往能够做到。问题在于，一旦团队允许它们根据这些决策采取行动，就需要更明确地界定其权限范围、智能体能够看到哪些背景信息、哪些情况下仍须由人介入，以及谁要对结果负责。Gartner...
-
融资14 hours agoPhoton Bridge融资1,000万欧元，扩大面向AI数据中心的激光光源生产规模
构建更大型AI系统的竞赛，正催生对一种远离模型本身的组件的需求：在处理器之间传输数据的激光器。总部位于埃因霍温的Photon Bridge已筹集1,000万欧元，用于开发多波长激光光源。该公司表示，这些光源能够以新一代AI数据中心所需的规模进行生产。本轮融资于10月21日公布，由Amadeus APEX Technology Fund和360 Capital共同领投。现有投资方Innovation Industries、Faber以及Brabant Development Agency (BOM)也增加了投资。Photon Bridge将把这笔资金用于产品开发、客户认证以及扩大其埃因霍温团队。公司计划于2027年交付首批样品，并为2028年起的量产做好准备。AI基础设施为何需要更多激光光源处理器数量增加，并不一定会带来相应幅度的有效算力提升。芯片还需要足够快速地交换数据，才能协同工作。随着AI集群不断扩大，连接所需的能耗和带宽在系统设计中的重要性也日益提升。光链路通过光传输信息，能够解决这一问题。共封装光学技术将光连接移至电子芯片附近，从而缩短电气传输路径。外置激光光源为光引擎提供传输数据所需的光。除了计算方面的挑战，这也带来了制造方面的难题。Photon Bridge认为，围绕较低产量的电信应用发展起来的激光供应链，必须适应规模大得多的AI部署需求。这笔融资旨在推动供应链从专业组件生产转向半导体规模制造。这笔投资属于推动光连接融入AI基础设施的更广泛行动的一部分，相关进展包括Ayar Labs扩大共封装光学制造能力。Photon Bridge瞄准的是这条供应链中的光源环节。扩展整体架构，而非单个激光器Photon Bridge采用多颗低功率半导体激光器，并将其发出的光进行合并和复用。复用是指将不同波长——实质上是不同的光通道——汇入一条共享路径，使系统能够提高总输出功率，而不必让每颗激光器都以越来越高、要求越来越严苛的功率运行。该公司表示，较低的功率密度可降低单颗激光器对制造缺陷的敏感程度，从而提高生产良率。良率至关重要，因为设备在技术上具备能力还不够：制造商必须确保足够大比例的产品达到规格要求，同时成本也处于可接受水平。根据融资公告，该平台的设计目标是实现较高的波长数量，并支持每根光纤的每个波长达到最高40毫瓦光功率；同时，该平台支持在多家磷化铟（InP）代工厂进行生产。这是平台的设计目标，并不意味着量产已经启动。Photon Bridge首席执行官Paul Marchal在公告中表示：“我们没有让单颗激光器变得越来越强大、越来越难以制造，而是将扩展规模所面临的挑战转移到了架构层面。”光引擎背后的技术Photon Bridge的技术产品说明补充了一项重要细节：其波长复用器与激光器阵列一同设置在硅中介层上。该方案采用分布反馈式（DFB）半导体激光器，旨在支持8、16和32个波长的配置。密集波分复用通常简称为DWDM，它使多个波长能够共用一根光纤。将复用器与激光器阵列集成在一起，改变了光源的组装和扩展方式，而不是单纯依赖对单颗激光芯片的改进。为连接不同材料，该公司采用了获得专利的悬臂波导接口。该接口将有源III–V族半导体器件（包括激光器）与硅光子器件连接起来。Photon Bridge表示，这些柔性结构能够适应键合过程中的放置偏差，并支持无源光学对准，从而减少单独进行对准操作的需要。该平台还采用厚膜硅波导。公司表示，其目标是在应对更高光功率的同时，更能容忍制造偏差。这些设计选择将光学规格与更大的商业问题联系起来：设备能否以可重复的方式完成组装和测试。围绕现有供应商构建的制造战略Photon Bridge称自己是一家无晶圆厂公司。它负责开发技术和产品架构，同时与制造合作伙伴协作，而不是自行建设半导体制造工厂。其制造方式围绕商业代工厂以及外包半导体组装和测试服务商（简称 OSAT）设计。该公司介绍称，他们将经过测试的激光器芯片通过倒装芯片组装与硅波导集成，并将光学和电气连接纳入同一生产流程。能够从多家 InP（磷化铟）代工厂采购合适的激光器，也是其方案的一部分。对于计划大规模部署的客户而言，除了光功率和通道数量，供应商的灵活性以及资质认证也可能至关重要。原型中能够正常工作的光源，在成为可靠的数据中心组件之前，仍须满足可靠性、封装和供应方面的要求。360 Capital 合伙人 Cesare Maifredi...
-
访谈14 hours agoAndrej Jonovic，XBP Global 首席执行官——访谈系列
Andrej Jonovic是 XBP Global 的首席执行官。XBP Global 是一家跨国科技与服务公司，专注于关键任务型企业工作流。XBP Global正将智能体 AI 应用于医疗保健、公共部门和金融服务等受监管领域；在这些领域，精准性、安全性、数据主权和可审计性至关重要。在本次访谈中，Jonovic 谈到了自适应流程编排、开放权重模型、智能文档处理、人工裁定，以及如何将 AI 从一项技术能力转化为可衡量的运营成果。您最初是一名交易律师，之后转向并购和企业转型，最终开始领导 XBP Global。这段经历如何影响您评估人工智能在关键任务型工作流中的部署所涉及的治理、商业风险和组织影响？我通常会先从运营模式的角度看待 AI。从事交易和转型工作，会让人习惯于追问：越过演示环节、真正开始执行之后，整个架构是否依然稳固。这一点对 AI 尤为重要，因为模型即使单独运行时表现出色，也仍可能导致糟糕的运营结果。在医疗保健、公共部门和银行业，处理精准度、法规合规性和可审计性都不容妥协。你必须了解数据存放在哪里、系统获准执行哪些操作、决策如何受到管控，以及工作流在大规模运行时的成本结构如何。治理必须融入这一架构的设计之中。我希望了解模型运行在哪里、哪些信息会跨越企业边界、哪些内容会记录在审计轨迹中，以及当工作流遇到需要更高控制级别的决策时会发生什么。这大概是我的背景影响最大之处。我通常不太关心这项技术在受控演示中能做到什么。我想知道的是，能否将它部署到关键任务流程中，并可靠地加以使用。XBP Global 将智能体 AI 描述为超越传统规则式自动化和机器人流程自动化的一种演进。当工作流从遵循预设指令转向使用能够推理、决策并协调多项任务的 AI 智能体时，技术层面会发生哪些变化？架构会变得更加自适应。传统工作流自动化是确定性的。系统依据既定规则运行，你知道下一步会发生什么；随着流程变得愈加复杂，还需要硬编码更多逻辑。这种方式非常适合可预测的工作。难点在于，规则数量变得极其庞大，或者流程变化速度快于系统重建速度。我们现在采用的是自适应流程编排。在精准性和合规性要求较高的环节，可以保留确定性规则引擎；然后在推理能够创造价值的工作流环节引入智能模型。智能体可以协调任务、访问信息并选择下一步操作，而不必有人为流程可能经过的每一条路径都编写硬编码逻辑。另一项变化是，底层模型变得更容易替换。我们看到，企业级开放权重模型正在迅速进步。如果流水线设计得当，随着生态系统发展，你可以接入更强大的模型，而不必围绕新模型重建整个运营流程。因此，我认为，工作流本身正日益成为重要的技术资产：包括编排、领域知识、控制措施，以及围绕模型的数据。许多公司都在试用 AI，却难以从试点走向生产部署。阻碍企业大规模部署智能体工作流的最常见架构或组织障碍是什么？ 客户正在走出试验阶段。他们看过演示，也听过非常激进的投资回报率承诺。总得有人把这项技术放进真实流程中，让它真正发挥作用。这时，架构问题就变得棘手。生产工作流必须与公司现有环境相连接。敏感信息可能需要留在私有云或本地部署环境中。还必须能够访问现有系统，并满足监管要求。此外，相关经济效益也必须经得起企业级规模的检验。我们最近赢得了一项有关某全球航空公司机队维修生命周期的项目。每项维修记录都会经过向量化处理，并存储在客户私有云中的私有向量数据库里。智能体基础设施负责管理对这些信息的访问，并支持在飞机租约到期或飞机出售时还原相关记录。这与证明模型能够回答有关飞机记录的问题截然不同。你面对的是一整套运营环境，其中既有数据控制要求，也有必须反复稳定运行的流程。从组织层面来看，差距通常在于责任归属。必须有人深入了解这一流程，才能明确生产环境中的实际要求。缺乏这种运营纪律，试点项目可能长期看起来令人印象深刻，却始终无法真正发挥作用。XBP Global...
-
机器人与物理 AI14 hours agoCoreWeave推出面向机器人与自动驾驶汽车开发的物理 AI 模板
机器人团队要测试新策略之前，必须先让仿真器、数据、存储和算力协同运作。CoreWeave正通过 Physical AI Launchables 聚焦这项准备工作。这是一套经过测试的工作负载模板目录，已于 10 月 21 日发布，面向机器人、自动驾驶汽车和仿真。这些模板为五种工具打包了运行环境——NVIDIA Isaac Sim、CARLA、MuJoCo、NVIDIA AlpaSim 和 NVIDIA Cosmos 3——让工程师只需一条命令即可配置并启动工作负载，无须从头搭建基础设施。此次发布还包含技能，使编程智能体能够执行相同的工作流程。对开发者而言，关键问题在于哪些工作能够变得可重复。Launchables 旨在让不同实验沿用可正常运行的环境，同时允许团队调整决定实验结果的场景、数据集、模型和设置。将准备工作移至实验流程之下物理 AI 实验涉及的远不只是运行模型。驾驶评估需要仿真器和场景；机器人学习任务则需要运行环境、策略以及收集结果的方法。这些组件还需要适当的存储、算力资源和执行限制。CoreWeave 表示，其工程师已经构建并测试了每个模板所采用的配置。团队可以根据自身工作调整这些配置：持续开展的项目可以使用预留容量，单项实验则可以使用突发任务。每种受支持的工具还配有一个空白模板，只提供运行环境，不预设工作负载。CoreWeave 物理 AI 高级副总裁 Richard Ahlfeld 在公告中表示：“Physical...
-
Anderson 视角14 hours ago对 AI 的痴迷，或许正在掏空其赖以生存的研究领域
十年来，我一直专门撰写人工智能相关报道。2022 年，全世界专门报道 AI 的记者还屈指可数；如今，这一数字已达数千甚至更多，实力雄厚的媒体机构也会聘用多名员工，专职报道人工智能。作为一个物种，我们如今把注意力、精力、恐惧与希望都集中在一种百年一遇的文化与技术现象上。在实用的大型语言模型和有效的扩散式图像与视频生成技术出现之前，这一现象一直被冷落在“奇闻趣事”一隅；当时，深度伪造只是政治攻防中的一个话题，世界经济显然也并未受到威胁。“例行公事”般的 AI 风暴显然，如今一切都已改变。所有事物都受到威胁，一切都在被颠覆；可以说，2026 年是最难为下一年预测找到可靠依据的一年*。新的闭源模型和开放权重模型每周都会发布，有时一周数次。如今发布频率之高，令一些模型甚至得不到爱好者或业余社群的评测；这些群体在这方面愈发抱持怀疑态度，面对源源不断的新模型，吸引他们注意力的门槛也在不断升高。作为一名密切关注研究与模型发布动态的专业人士，我必须指出，尽管 AI 研发各个领域的进步有时会带来重大影响，但这些进步通常（也一直以来都是）循序渐进，而非像Transformer 架构那样成为革命性或演进过程中的里程碑。如今，令人震惊的事情大多与 AI 对经济的影响有关，而非它的最新能力。此外，正如我此前所指出的，自 2022 年以来 AI 研究激增，研究思路的质量却未必与数量相称；其中许多只是对既有成果的“弗兰肯斯坦式”翻新、重组或重新拼接——这些拼凑而成的架构旨在让人看似取得相较于以往工作的重大进步，但仔细审视便会发现，它们受制于脆弱的方法论，或高得离谱的显存成本。逐渐冷清的研究领域数千名记者转而报道 AI 后，他们此前报道的主题势必因此少了直接关注。从某种角度看，这影响似乎并不大，因为 AI 及其应用如今在文化和基础设施中无处不在——例如，能源领域的记者现在报道 AI 相关问题的次数可能超过其他任何议题；经济、就业、政治和政策等领域的记者也同样如此。人们似乎可以从 AI 的视角审视所有这些主题。这或许能部分解释为何 AI 专题报道大幅增加，尽管这个领域正日渐萎缩（不过，近来略有回升）。因此，人们不禁要问，如今是否有其他主题因“AI痴迷”而得不到充分报道——这些主题所涉及的故事、趋势和分支，最终可能会影响AI本身这个“黄金主题”？但又能怎么办呢？资源有限，而迄今为止，AI...
-
合作伙伴14 hours agoMary Technology 与 Harvey 合作，将经审阅的案件事实引入法律 AI
Mary Technology宣布与Harvey集成，旨在将诉讼团队积累的事实调查成果带入律师开展研究和起草工作的 платформ。该连接器让 Harvey 能够访问保存在 Mary 中的案件记录，包括此前的调查结果、支持性证据，以及团队对这些调查结果的审阅。这项合作旨在解决法律 AI 领域一个实际问题：给出令人信服的答案，只是工作的一部分。律师还需要确定哪些文件支持这一答案、是否有其他证据与之矛盾，以及哪些问题仍未解决。Mary 的做法是在律师提出下一个问题之前，先整理好事实依据，再将其提供给后续工作所用的工具。可随案件记录一同接入 Harvey 的事实依据根据公告，Mary 会在提出第一个问题之前，读取并梳理上传的案件文件。随着案件进展，它会保留团队的调查结果和审阅记录，因此每当有人开始一项新的 AI 辅助任务时，调查都不必从头开始。两家公司介绍的应用场景包括：评估支持或反驳某项指控的证据，将证人的陈述与同期文件进行比较，以及审查财务记录中的付款或转账。Mary 会在最终工作成果旁清晰呈现相互矛盾之处、证据缺口和佐证材料。它还会说明哪些文件为工作提供了依据，哪些文件未被纳入。Mary Technology 联合创始人 Daniel Lord-Doyle 表示：“AI 在诉讼中的价值，取决于它所依据的事实记录的质量。Mary 专注于一件事：将案件证据转化为事实依据，供律师及其 AI 工具进一步使用。”这一区别很重要，因为案件记录可能包含对同一事件的多种说法。仅仅将 AI...
-
思想领袖14 hours ago拉丁美洲的 AI 机遇，取决于资金到位后会发生什么
随着巴西加大对人工智能基础设施的投资，Marcelo Borgheti、Vistra Brazil 董事总经理，探讨了为何要将数据中心转化为更广泛的 AI 经济，政府不仅需要关注兆瓦级的电力供应，也要重视运营环境。
