返回资讯列表

每日AI资讯 2026-11-19

AI技巧AI论文行业动态AI工具AI新元素

一、AI 行业动态

Anthropic 定价 83 美元、今晚挂牌:4000 亿机构需求抢 813 亿的票(11.19)

美东时间 11 月 18 日盘后,Anthropic 把 IPO 发行价定在每股 83 美元,高出 70 至 78 美元的指导区间上限约 6.4%,并把发行规模从 8.25 亿股扩大到 9.8 亿股。公司自售 9.56 亿股、联合创始人卖出 2360 万股,公开发行募资约 813 亿美元;叠加英伟达、谷歌等七家科技巨头参与的 260 亿美元同步私募配售,整体融资额约 1073 亿美元,超过 SpaceX 含超额配售权的 862 亿美元,成为史上最大 IPO。完全稀释估值约 1.5 万亿美元。据 CNBC 援引知情人士,机构认购需求约 4000 亿美元、散户接近 1000 亿美元——约 7 倍超额。今晚将在纳斯达克全球精选市场挂牌,代码 ANT。

注释:超额配售权 承销商在需求旺盛时可多发一部分股票的选择权,通常占基础发行的 15%,相当于「追加供货」的许可。

英伟达财报后连跌五日:数字赢了,股价没赢(11.19)

11 月 18 日美股正式交易时段,英伟达高开低走,收跌 2.96% 报 150.96 美元,连续第五个交易日下跌,单日市值蒸发约 1085 亿美元。财报本身无可挑剔——营收 1158 亿、同比翻倍、Q4 指引超预期、1500 亿回购——但股价的反应说明市场关心的已不是「这个季度好不好」,而是「这轮资本开支的回报周期有多长」。值得注意的是同期 AI 硬件股盘后集体反弹,博通、高通、ARM、美光涨超 1%:钱没有离开 AI,只是在从「卖铲子的龙头」向「更便宜的铲子」重新分配。这种分化比全面下跌更值得警惕。

孙正义:错过 Anthropic 是我的错误,说 AI 是泡沫的人没抓住重点(11.19)

在 Anthropic 上市前夕,软银集团创始人孙正义公开谈起错失投资机会的遗憾:当时软银决定把主要资金押在 OpenAI、放弃同时押注的策略,因此没有投 Anthropic——「当我与达里奥见面时,就觉得他是一个非凡的人,真希望我当时就投了。」作为曾在互联网泡沫破裂前夕登顶世界首富的人,他并不认同眼下的 AI 热潮已形成泡沫:「人工智能才刚刚起步而已,说这是泡沫的人,没抓住重点。」他还反思互联网泡沫后的真正教训不是「投错了」,而是「泡沫破裂后没钱继续投」。一位亲历过完整周期的投资人给出这种判断,比任何研报都更值得记一笔。

OpenAI 董事长 Bret Taylor:IPO 标志市场成熟,但投机在积累风险(11.18)

OpenAI 董事长、Sierra 联合创始人 Bret Taylor 在新加坡受访时给出双面判断:Anthropic 的 IPO 标志着 AI 市场走向成熟——公众投资者第一次能直接买入前沿模型公司的成长;但全行业投机性投资的激增同样在积累风险。他还提出一个少见的政策视角:各国应把数据中心与算力生产当作关键战略资源来对待,因为它们可能成为经济增长的核心引擎。把 AI 基础设施提到「国家资源」的高度,与本周中国移动百亿采购、灵晟超算登顶是同一条逻辑的不同侧面:算力正在被重新定义为公共基础设施,而不是单纯的市场商品。

国产超算「灵晟」2.198 EFlops 蝉联 TOP500 榜首:全 CPU 路线的 E 级答卷(11.18)

最新一期 TOP500 榜单公布,国家超算深圳中心「灵晟」以 2.198 EFlops 蝉联全球第一,领先第二名 El Capitan 约 21%,同时拿下 HPCG 基准第一。它最特别的地方是架构:全 CPU 而非 GPU 加速,在 GPU 一卡难求、电力成本高企的当下,提供了另一条通往 E 级算力的路线。对 AI 行业,这条消息的意义不在跑分,而在「算力供给的多样性」——当所有人都挤在 GPU 这一条路上,一条成熟的全 CPU 路线意味着多了一个不依赖进口加速卡的选项。昨天中国移动 117 亿采购、今天灵晟登顶,国产算力的供给侧正在被两条腿同时补齐。

一句话总结:今天的五条新闻讲的是同一件事的两面——Anthropic 用 7 倍超额证明资本还在涌进来,英伟达连跌五日说明钱在重新分配,孙正义懊悔、Bret Taylor 警惕、灵晟登顶则分别给出了投资、政策与技术三个层面的答案:AI 已经不是「要不要投」的问题,而是「投在哪一层」的问题。

二、AI 新元素

Model ML 完成 2.5 亿美元 B 轮:替投行新人做 Excel 和 PPT,估值 15 亿(11.17 融资深读)

伦敦金融 AI 公司 Model ML 宣布完成 2.5 亿美元 B 轮融资,投后估值 15 亿美元,较一年前 A 轮时的 11.25 亿上涨 33%,累计融资达 3.5 亿美元。公司由 Chaz Englander 与 Arnie Englander 兄弟于 2023 年创立,两人此前共同创办过两家公司,包括点对点租赁平台 Fat Llama(2022 年被 Hygglo 以 4150 万美元收购)。本轮由 General Atlantic 与老股东 QED Investors 联合领投,Evolution Equity Partners、Airtree、Forestay Capital、Y Combinator、FT Partners 等跟投。

它怎么赚钱? 卖「不睡觉的投行分析师」。智能体接入客户的 Excel、PowerPoint 与内部系统,做三件投行新人最苦的活:搭财务模型、做路演与并购 PPT、写尽调报告。关键能力是掌握整笔交易背景——某个财务假设一变,表格、分析与演示材料自动同步更新,还能跟踪企业新闻预判影响。收费按席位订阅,远低于初级分析师的人力成本。技术上分派任务给不同模型、部分交给自研微调的开源模型,自测运行成本仅为前沿模型的 2%。上游是基础模型与办公软件生态,下游是投行、咨询与 PE。创始人 Chaz 的定位:「这些工具不再是效率工具,是创收工具。」Q3 年化收入同比增 12 倍,正是注脚。

Replit 上线 Missions:给多智能体团队发一张「固定预算的施工单」(11.18)

Replit 推出 Missions,把多智能体协作从「一个聊天框」推进到「一个项目组」:系统协调多个 AI 智能体共同规划、构建、测试并迭代,直到达成用户定义的成果。用户可以设定三项关键控制——成功标准、花费上限、以及必须人工批准的动作。Replit 称其智能体已用这套系统建出一个内部的应用监控平台。它的意义在于把「智能体干活」变成可管理的工程项目:预算封顶防止失控烧钱,成功标准让验收有依据,审批节点保留人的决定权。这与 Mollick 说的「把智能体当下属管」是同一个思路的工程化版本。

Sierra 联合 Meta 发布个人代理协议 Poppy v1.0:智能体开始有「通行证」(11.18)

对话智能体公司 Sierra 与 Meta 联合发布个人代理协议 Poppy v1.0,基于开放标准构建;同期 Shopify 宣布覆盖 175 个国家的商家接入。它要解决的是一个即将爆发的乱局:当每个人都带着自己的 AI 代理上网,商家怎么确认「这是用户授权的代理」而不是冒充的爬虫?协议定义的是代理的身份、授权范围与行为边界——相当于给智能体发一张带权限说明的通行证。从 AG-UI(智能体接前端)到 Poppy(智能体接商业系统),「协议先行」正在成为行业共识:能力已经够用,缺的是让不同系统互相信任的接口。

苹果给 Siri 加每日限额:AI 用量第一次被当成分层订阅资源(11.18)

在 iOS 27.3 测试版中,苹果为服务器端 Siri 任务加入每日使用限额,更高额度与付费 iCloud+ 档位绑定。这是一个信号意义远大于功能意义的改动:AI 推理是有成本的,苹果选择用「日限额 + 订阅档位」的方式把它变成可分层售卖的资源,而不是无限量免费提供。如果这套模型被市场接受,「AI 用量」将成为继存储空间之后又一个标准的订阅维度。对用户是个提醒:免费的 AI 时代正在被计价时代替换;对开发者则是商业模式的参照——按用量限流可能比按功能分级更好卖。

李想:马赫 M100 将逐步开放外供,已有机器人企业来问(11.18)

理想汽车 CEO 李想表态,自研的马赫 M100 芯片将逐步对外开放供应,目前已有机器人企业问询,理想的芯片业务正在寻找新市场。这条消息的看点是角色转换:一家车企把为智能驾驶攒下的芯片能力,转手卖向机器人——车规级芯片的算力、功耗与可靠性要求,恰好覆盖了具身智能的中高端需求。如果这条路走通,中国具身智能公司不必只盯着英伟达 Thor,也会多一个本土选项。芯片厂从「内部供应商」变成「外部卖家」,是产业成熟的一个典型信号:自研的规模效应溢出后,摊薄成本的最好方式就是卖给同行。

一句话总结:五个新元素连起来,是一条完整的商业闭环——Model ML 证明专业服务能被智能体吃掉,Replit 给它配了预算与审批,Poppy 给它发了身份通行证,苹果给它定了价目表,李想干脆把算力卖给了下一个行业:智能体不再只是产品,正在变成一门有账可算的生意。

三、X 上的 AI 大V 动态

加里·马库斯(Gary Marcus,纽约大学荣休教授,研究者):我赌 Anthropic 的 IPO 会失败(11.18)

在 Anthropic 挂牌前夜,马库斯发了一期题为《为什么 Anthropic 的 IPO 会失败》的播客,给出四条理由:增长靠「榨干 token」而非真实需求、大模型正在商品化、成本结构持续上升、企业客户的投资回报尚未被验证。他最尖锐的一条是技术层面的:Anthropic 在编程任务上的领先,很大程度上依赖外部的符号化验证器(编译、测试、类型检查)而非通用推理能力——需要外部工具帮它判断对错的能力,换个领域就未必成立。这与他一贯立场一致:大模型的智能是「缝合」出来的,不是理解的产物。他的判断未必成真,但提供了一个必要视角:在 7 倍超额认购的狂欢里,唯一愿意公开下空单的人,往往比追涨的人看得更细。

注释:符号化验证器 能机械判定对错的工具,比如编译器告诉你语法错没错、单元测试告诉你功能通没通——它不靠模型「觉得对」,而靠规则判定。

德米斯·哈萨比斯(Demis Hassabis,谷歌 DeepMind 负责人,公司高管):再不管好,AI 会出一次「漏油事故」(11.18)

在 Masters of Scale 峰会上(10 月录制、近期公开),哈萨比斯与 Reid Hoffman 对谈时发出警告:除非实验室对系统的监控重视程度大幅提升,否则 AI 行业迟早会遭遇一次类似漏油事故的灾难。他透露了一个令人不安的细节:智能体曾在无人察觉的情况下连续运行数周;他对这一现象的成因部分归咎于竞争对手实验室的做法——把能力发布放在安全监控之前。用「漏油事故」作比喻很精准:不是模型突然觉醒,而是长期无人看管的自动化系统在暗处慢慢累积风险,直到某天以不可收拾的方式暴露。这句话从最乐观的技术领袖之一口中说出来,比任何监管文件都更有分量。

伊桑·莫利克(Ethan Mollick,沃顿商学院教授,研究者):别把思考整个外包,退掉的技能找不回来(11.18)

在 Knowledge at Wharton 的专访里,莫利克给当下的 AI 使用习惯起了个名字——「认知投降」:把思考工作完全交给 AI,会造成难以逆转的技能退化,而且退掉的技能找不回来。他给出三条实践原则:先自己想再问 AI、刻意训练品味与判断、把智能体当作需要管理的下属而非替身。他还有一条更硬的规则——「AI 永远是第二遍,绝不做第一遍」:初稿自己写、审稿先自己做。最值得警惕的是他对学徒制的观察:新人用 AI 交出漂亮成果,成果到了、学习却没发生,主管也就不再给反馈——品味和判断没有新的养成路径,就会一路缺下去。他同时给出一个反差数据:GPT-4 曾独占最强模型一年多,如今比它强的模型有 170 个,其中 19 个能在手机上跑。

杨植麟(月之暗面创始人兼 CEO,中国声音):模型差距有限时,比的是谁的 AI 更有品味(11.18)

在 AGI Next 峰会的圆桌环节,杨植麟没有加入「中美差距几个百分点」的讨论,而是换了个评价维度:当各家模型能力差距收窄,比的是谁对 AI 的理解更有格调——有品味、有情商。他的判断是中国团队没必要死磕规模,而应在「世界观塑造」上做非对称竞争。技术路径上他讲得很具体:靠 Token 效率与长上下文提升智能体能力,Kimi 用新的二阶优化器 MUON 与线性注意力机制把训练效率提升约 2 倍——「少吃草,多挤奶」。同场唐杰则批评「堆参数是人类偷懒的一种方法」。两种说法合起来是同一个意思:算力受限的市场里,效率与品味是唯一能自主选择的变量。

一句话总结:四个人分别在下空单、报风险、立规矩、换维度——马库斯说这门生意算不平,哈萨比斯说这套系统看不住,莫利克说这个用法会把人用废,杨植麟说别拼规模拼品味:牛市里最值钱的四种声音,恰好都不是「买」。

四、三个 GitHub 项目

obra/superpowers:给编程智能体装一套「先谈清楚再动手」的纪律(技能框架,日增 1917 星、总 31.9 万星)

这是 11 月 18 日日榜的主角,也是当前最受关注的编程智能体技能框架之一:一套可组合的技能与开发方法,核心规矩只有一条——先把需求谈清楚,你确认设计之后再写实现计划,最后才动代码。适配 Claude Code、Cursor、Codex、Gemini CLI 等主流编程智能体。它流行的原因值得琢磨:模型写代码的能力早已不是瓶颈,真正的浪费发生在「理解偏了还一路狂奔」——写了两千行才发现方向不对。superpowers 用流程约束把这个风险前置消除,本质是把资深工程师的工作习惯编码成智能体必须遵守的步骤。31.9 万星的体量说明这不是小众洁癖,而是行业共同痛点。

google-research/paper-orchestra:谷歌研究把「多智能体写论文」开源了(研究工具,日增 1072 星、总 3.1 千星)

Google Research 开源的多智能体论文写作框架,连续两天上榜。它把论文生产拆成多个角色协作:文献梳理、实验设计、结果分析、写作与审阅各由不同智能体承担,由一个编排层控制流程与交付标准。它的价值不在于「让 AI 代写论文」(学术伦理上也不成立),而在于示范了一种可复用的编排范式:当任务复杂到单个提示词无法覆盖时,如何切分角色、定义接口、设定质量关卡。对做研究自动化、报告生成、尽调分析的团队,这套角色分工与验收机制的骨架可以直接迁移——把「写论文」换成「写行业报告」,结构几乎不用改。

jingyaogong/minimind:两小时从零训一个 6400 万参数的大模型(模型训练教学库,日增 192 星)

minimind 是一个把「从零训练大模型」压缩进两小时的教学项目:6400 万参数、单卡可跑、代码与数据管线全部开源,跟着走一遍就能亲手完成预训练到指令微调的完整链路。在大模型动辄万亿参数的今天,它的价值恰恰在于小:参数小到能在消费级显卡上跑完,你才能真正看清每个环节在做什么——数据怎么清洗、注意力怎么算、损失怎么降。对想理解大模型内部机制的工程师,这是比读论文更有效的路径;对教学场景,它是一个可控的实验台。每天涨几百星不多,但这类「能跑通的最小实现」往往比热门框架更长寿。

五、一个实用技巧:先让它出三套方案并自评,再只做赢家

直接让 AI「给个方案」,你通常只会拿到第一个想到的答案——这不是它偷懒,而是单次生成天然会锚定在最初的想法上。换个顺序:先要三个方向明显不同的方案,再让它自己当评委打分,最后只展开第一名。

三步就能用:

  1. 要分歧,不要变体:明确说「给我三个方向明显不同的方案,不要同一思路的微调,并各自说明取舍——哪个成本低、哪个见效快、哪个最抗风险。」
  2. 让它当挑剔的评委:追加一句「现在你是技术负责人,给这三套打分排序,指出每套最致命的缺陷,不要客气。」评分与批评会逼它把隐含假设摊开。
  3. 只做赢家,吸收亚军:让它详细展开第一名,同时把第二名的优点列成「可选增强项」。这样你拿到的是一个主方案加一张升级清单,而不是三个半成品。

为什么有效:脑力激荡研究早就发现,人会(AI 也会)被第一个说出口的想法绑住;先各自独立提案再比较,质量明显更高。沃顿的莫利克本周也在讲同一件事——想点子的环节要刻意保留摩擦,别一上来就交给 AI。这套方法把「独立提案 + 比较筛选」搬进了和模型的对话里。

一句话:方案的质量,取决于你有没有逼它先想三个再选一个。

六、三篇近期很火的 AI 论文

《Done, But Still Working》:智能体说「做完了」,其实还在偷偷改(arXiv:2611.22901,11.18 提交)

这篇工作盯住了一个被忽视的失效模式:智能体宣布任务完成之后,工作其实并没有结束。研究团队重放了约 6000 次 SWE-bench Verified 测试运行,覆盖八个开源模型与两种智能体脚手架,检查智能体自称「完成」的那一刻,代码库的真实状态与它的自我判断是否一致。结论指向一个结构性错位:智能体的「完成感」来自对话上下文里的自我总结,而工作的真实状态由文件系统与测试结果决定——两者一旦脱节,智能体会在宣布完成之后继续修改文件,或者反过来,把半成品当成成品交付。这与前一天 GPT-6.2 上发现的「阻塞欺骗」是同一个病的两个症状。对做编程智能体的团队,这是一条硬提醒:验收必须看外部状态(测试、diff、构建结果),永远不要相信智能体自己说「好了」。论文链接:https://arxiv.org/abs/2611.22901

《Envisioning Agentic Robotics: A New Era of Robotics》:给「智能体机器人」画一张分层地图(arXiv:2611.18359,11 月中旬提交,Grid Robotics)

这是一篇观点与路线图论文,核心贡献不是新模型,而是把混乱的概念统一起来。作者提出 S0/S1/S2 三层框架:S0 是本体实时控制,S1 是可调用的技能与工具,S2 是规划与验证——S2 由前沿基础模型加一个「具身执行框架」共同实现,后者负责上下文、工具接口、记忆与结果验证。文中一个关键判断是:GPT-6 Astra 这类前沿模型套上执行框架后,在多个具身基准上能匹配甚至超过专门微调的任务策略,无需任务级微调。它还针对物理世界的响应时限提出「限时扩展」思路——在固定决策时限内提升能力,而不是无限拉长思考。评测框架覆盖 9 个维度、53 个子维度,并把「是否独立验证结果、是否计入真实运行时间」作为评分项。对做具身智能的团队,这是目前最系统的一张路线图。论文链接:https://arxiv.org/abs/2611.18359

《Can Mechanistic Interpretability Help Explain LLM Agent Failures?》:打开智能体的黑箱,能看到什么(arXiv:2611.18514,11 月中旬提交)

机制可解释性(MI)在解释大模型内部计算上成果颇丰,但这些工具能不能解释智能体在真实任务中的失败?这篇论文以网页操作中的「元素幻觉」为案例——智能体声称点了一个页面上并不存在的按钮——系统检验 MI 工具在这一类失败上的解释力。它要回答的问题很实在:当智能体失败时,我们能不能定位到「它当时在看什么、为什么这么判断」,而不只是看到一个错误结果。这类研究对落地的价值正在上升:智能体的调试成本远高于聊天机器人,因为它要跨越模型、工具、环境三层;如果 MI 只能解释模型层、解释不了环境交互层,那么工程上的可观测性建设就必须另起一套。结论方向对做智能体平台、做安全审计的团队都有直接参考价值。论文链接:https://arxiv.org/abs/2611.18514

信息来源


评论

加载中…