OpenAI、Nick TurleyChatGPT开发公司、ChatGPT产品负责人ChatGPT金融版打包数据与交付工作流，直接争夺行业软件预算OpenAI推出ChatGPT for Financial Services，由Morgan Stanley与Evercore参与设计，整合LSEG、PitchBook、Daloopa等数据，也可接入企业现有FactSet、S&P Global、Preqin及Datasite订阅。产品使用GPT-6 Astra完成跨源研究、财务建模与Pitchbook制作，并提供权限控制、加密和审计日志。
Nick Turley强调，金融产品需要跨过“looks good in a demo”与“actually a usable output”的差别，依靠金融从业者定义真正可交付的结果。设计伙伴不等于已验证的大规模付费采用。
小哈看风向：模型、行业数据和交付工作流打包后，OpenAI可能直接争夺金融信息与分析软件预算。传统数据商仍可掌握独家内容，但最终交付界面的控制权将影响利润如何分配。
新签超300亿美元AI合同，客户预付款开始分担算力资本开支Oracle第一财季（Q1 FY2027）收入193亿美元，同比增长30%；云收入116亿美元，增长62%，其中OCI基础设施收入74亿美元，增长121%。剩余履约义务RPO达6640亿美元，本季度新签AI云合同超过300亿美元。公司把2027财年收入目标提高到至少900亿美元，单季新增850MW数据中心容量。
本季资本开支285亿美元，其中约113.6亿美元由客户预付款覆盖。CFO称大量新合同采用预付款、自带硬件等机制，减少Oracle先行购买GPU的需要。自由现金流仍为负54亿美元，好于市场预期的负95.6亿美元。
小哈看风向：客户先锁算力、先付钱，甚至自带GPU，可能缓解云厂商增长越快、垫资越多的压力。后续要看这种安排能否持续降低新增订单占用的自有资本；预付款并不消除Oracle的履约责任或全部资本开支。
AI-first ARR增超150%，公司整体ARR全年目标仍为增长10.2%Adobe第三财季（Q3 FY2026）收入67.6亿美元，同比增长13%，高于市场预期的67亿美元；调整后每股收益6.13美元，高于预期的6.09美元。期末总ARR为275亿美元，经营现金流25.2亿美元，公司上调全年收入和EPS目标。
AI-first ARR同比增长超过150%；Firefly Apps与Firefly Credit Packs的期末ARR单季度增长40%。Creative Freemium用户超过1亿，同比增长超70%。两组AI增长数据的产品范围和比较周期不同。公司给出的整体期末ARR全年增长目标为10.2%。
小哈看风向：AI已形成可追踪收入，但高增速尚不等于足以推动整个公司加速。判断转型成效，需要同时看AI产品的绝对规模及其对总ARR增长的贡献。
DeepSeek、崔天意大模型公司、DeepSeek Harness负责人V4.1 Flash称KV Cache的HBM需求降至四分之一，9月14日接替Pro请求DeepSeek于9月10日发布V4.1 Flash，总参数552B，采用非对称Causal-Encoder-Decoder MoE架构，输入阶段激活8B参数、输出阶段激活16B。公司称，相比上一代，KV Cache的HBM需求降至1/4、SSD需求降至1/8；相对初代模型，KV Cache累计缩小437倍。模型同时上线API并下调价格。
崔天意称新Flash在性能、成本、速度与总延迟上优于V4 Pro。9月14日起、V4.1 Pro上线前，V4 Pro请求将路由到V4.1 Flash，并按Flash价格计费。以上性能与资源占用为公司口径。
小哈看风向：如果架构收益在实际任务中得到验证，更低的内存占用可能降低长上下文与持续Agent的成本。比较模型价值时，应把能力与每次有效任务的费用、内存和耗电一起看。
滥用案例中AI开始直接执行攻击，防守方要重算人力门槛Anthropic于9月10日发布最新Threat Intelligence Report，首次系统公开2025年12月至2026年8月发现并阻断的一批AI滥用案例。事件本身发生于此前数月，过去24小时新增的是这些案例和共同机制首次集中公开。
Anthropic称，报告中的多数网络行动已经不再只是让Claude回答问题，而是由AI直接执行或编排Reconnaissance、Exploitation和Data Exfiltration；部分多Agent系统能够并行运行数小时甚至数天，人类只负责选目标和检查结果。公司判断，“复杂攻击不再需要复杂攻击者”。
小哈看风向：这些案例提示，AI可能降低攻击侧的专业门槛和人力成本，使长尾目标也值得攻击。防守系统因此可能需要持续自动检测与响应；报告并不能证明所有攻击已经自主化，也不能推出人力成本接近零。
披露五起疑似高风险研究案例，双用途识别增加审核难度Anthropic表示，今年已经阻止多起科学人员利用Claude从事可能帮助开发生物武器的研究，并公开5个案例，其中部分使用者来自公司禁止服务的Russia、China和Iran。一个案例涉及利用Claude规划禽流感实验，相关用户试图掩盖研究目的、绕过安全控制。公司也承认，部分研究具有明显Dual-use属性，无法确认使用者一定具有恶意。这正是商业问题最棘手的地方：模型可以创造真实科研价值，却要求供应商同时识别“正常研究”和“危险研究”。
小哈看风向：前沿模型未来的边际成本中，很可能需要长期增加一套类似银行AML的高风险客户识别体系。
Visa、Mastercard、蚂蚁国际支付网络、支付网络、跨境支付科技公司启动KYA互操作合作，机器交易开始补身份与授权验证9月10日，Visa、Mastercard和Ant International正式启动Know-Your-Agent互操作框架合作，目标是在不同支付网络、数字钱包、Agent平台和电商市场之间识别和验证代表消费者购物的AI Agent，同时保留各自的支付审批和风险控制体系。这不是某家公司单独提供一个Agent支付API，而是几家全球支付基础设施公司开始讨论跨平台统一的机器身份问题。
小哈看风向：如果KYA形成可用的跨平台规范，商家验证Agent身份和授权的接入成本可能下降，支付网络也可能从结算通道延伸到机器身份层。目前只是启动合作，各方仍保留独立审批与风控。
Philippe Aghion2025年诺贝尔经济学奖得主、经济学家AI可能每年额外提高1.08个百分点生产率，但技术突破本身不会自动变成经济增长Aghion与合作者的测算是：仅考虑AI自动化商品和服务中的现有任务，未来十年生产率增速每年可能额外提高约 0.68个百分点；如果加入AI帮助产生新想法和创新的影响，还可能增加约0.4个百分点，总潜力约 1.08个百分点。
但他提醒，这只是技术潜力。IT革命的历史已经证明，超级明星企业形成以后，如果市场集中度上升、新企业进入下降，生产率红利也可能衰减。今天Cloud和GPU上游已经高度集中，因此AI最终创造多少增长，取决于Competition Policy、Education与Labor-market Institutions能不能一起跟上。
小哈看风向：技术潜力能否兑现为增长，也取决于新企业能否进入市场以及教育和劳动制度能否跟上。
大模型最大的科学缺陷，是它太擅长寻找“最可能的答案”王梦迪指出，最大似然式训练天然鼓励模型寻找概率最高的答案，而真正的新科学经常藏在Long Tail里。
她的团队让ChatGPT、Claude模拟1930年出生英国人的完整人生，模型会系统性高估常见的结婚年龄、职业和人生轨迹，却低估少数事件。数学和Coding进展快，一个重要原因是Compiler、Lean等提供了硬Verifier；基础科学的实验昂贵、现实噪声大，很多结果甚至很难稳定复现。因此AI自主科学发现真正缺的不只是更强Reasoning，而是更便宜、更可信的现实验证机制。
小哈看风向：科研投入若只加强生成而忽略现实验证，更多低概率假设未必形成可重复的发现。
Pablo Hernández de Cos国际清算银行BIS总经理AI投资可能从5000亿美元奔向4万亿美元，真正该盯的已经是金融稳定Hernández de Cos披露，全球最大的五家科技公司仅2025—2026年AI投资就超过 1万亿美元；全球AI投资规模未来可能从约5000亿美元进一步上升到 2030年的4万亿美元。
他并不否认回报：生成式AI在部分任务里已经观察到10%—65%的生产率提升，宏观全要素生产率也可能每年增加约0.5个百分点。但新的AI基础设施建设越来越多依靠Debt与Private Credit，而不是企业自身现金流，一旦预期利润没有兑现，融资链条的Opaque与Interconnection就可能演变成金融稳定风险。
小哈看风向：当AI融资链条扩大，风险评估应追踪回报落空时究竟由谁承担损失。
Vantage Data Centers数据中心运营商已借约480亿美元后再寻循环贷款，银行集中度上限约束算力扩张FT披露，Vantage Data Centers正在向Pimco、PGIM等机构寻求最高20亿美元循环贷款，可灵活用于Virginia、Nevada等数据中心，而不再绑定单一项目。公司自2025年以来为了Wisconsin、Texas、Ohio等大型AI数据中心已经借入约480亿美元。传统银行开始接近对科技和数据中心的集中度上限，因此Vantage把融资来源扩展到大型机构投资者。AI数据中心的瓶颈开始从土地、电力和GPU继续向“谁还有资产负债表可以借”。
小哈看风向：银行集中度约束可能迫使算力扩张寻找新的信用供给；有订单不等于有建设资金。
Xing Zhang、Guanghui Wang、Yanwei Cui、Mengdie Flora Wang、Peiyang He论文作者多Agent最好的管理者，可能根本不该是Agent多Agent系统通常再放一个LLM当经理，负责读Worker答案、拼接最终结果、决定下一轮让谁继续做以及何时停止。UnitBoost把这三个控制权全部拿走：Worker继续负责生成，合并、分配和停止交给确定性算子。
系统先把任务拆成可识别的Unit，每个Worker只提交“某个Slot应该填什么”；算子逐Slot选择最高质量Proposal，保留来源与分数，没有解决的Slot直接形成下一轮Residual。因此组合顺序不会影响结果，每个结论也能追溯到具体Worker。
三个Held-out Benchmark中，它比使用Gold Label挑出的最佳完整候选仍高 0.060—0.195分，比输入匹配的生成式Manager高0.048—0.076；只替换管理层，就让6套既有Compound System提高0.013—0.182。FanOutQA再通过Residual定向补做，把F1从0.4778推到0.5524。
小哈看风向：Agent应该保留在真正需要语义创造力的地方；一旦问题已经能够被结构化成明确单位，系统控制层使用确定性软件反而更可靠、更可审计，也可能更强。
Xietao Wang-Lin、Anton Isopoussu、Louis Mahon论文作者反复检查无错代码也会改坏，AI修复必须有可靠停止机制团队让多个LLM在不同修复环境中反复执行“检查代码、发现问题、修改、再检查”。结果模型会稳定地在完全正确的程序里声称找到了Bug；更糟的是，它修复真实Bug的概率低于它把原本正确程序改坏的概率。
把循环继续跑下去以后，系统经常进入一种 Pseudo-bug-fixing Cycle：某一轮添加修改，后面一轮又把它撤回，再过几轮重新添加，Agent可以无限期地制造“还有工作需要完成”的证据。
Mechanistic Probing进一步找到一个能够控制模型Editing Propensity的Steering Vector。作者认为模型内部存在类似“这段代码有Bug”的表示，而盲目反复要求检查会错误激活这一状态，于是“继续寻找问题”本身开始制造问题。
小哈看风向：自主修复系统最重要的能力之一可能是可靠地宣布“已经没有值得修改的东西”；没有停止机制，更多迭代会从质量保证变成破坏源。
企业真正的AI护城河，不会是哪一个模型，而是模型之外那份别人拿不到的ContextSalesforce发布Trusted Enterprise AI Harness时，Kumar把企业AI竞争的核心重新定义了一遍：Model Intelligence会越来越普遍，模型也会不断更换；真正无法商品化的是企业自己积累的客户、员工、交易、数据关系、业务知识和历史决策。
这套Harness因此不只解决模型调用，而把Trusted Context、Governance、Security、Models和Action统一起来。Agent既需要知道“Revenue”“Churn”在这家公司究竟是什么意思，也必须知道自己能看什么、能做什么，以及每一次动作如何被记录。
小哈看风向：若模型可替换而企业语义与权限保持稳定，长期知识与经营数据可能成为更难复制的资产。
Tomoya Mori、Miki Ogawa论文作者人口下降不会让所有产业一起缩小，小城市会整块丢掉行业全国统计会让人口下降看起来很温和：所有行业人数都少一点，产业结构大体还在。论文发现，真正落到城市层面后，收缩方式完全不同，很多行业会在某个城市整个消失。原因在于每种行业都有维持经营所需的最低人口阈值。
小城市里的基础行业阈值高度密集，因此人口只下降一点，就可能同时跌穿多个门槛，一口气丢掉多种工作；大城市拥有更宽的产业梯度，每次通常只失去少数高度专业化行业。作者把这种结构称为 Concavity on Jobs。
消失的产业并没有平均分散到其他城市，而会向能够继续支撑它的更大城市集中。留在原地的劳动者只能进入工资更低的行业，要恢复原收入，就出现向城市层级顶端迁移的激励。作者利用日本年轻劳动者个人面板数据和包含住房成本的实际工资回归，发现这种迁往东京的激励与理论结构一致。
小哈看风向：人口下降具有强烈的空间非线性：小城市失去的可能不是5%的每一种工作，而是完整失去一批行业，由此进一步强化产业和人口向最大城市集中。
韩歆毅观察到Agent Commerce眼下存在一个经典鸡生蛋问题：用户想让Agent办事，但商家还没有足够成熟的Agent Service；商家看不到明确流量，又不愿先投入开发。
他判断未来商业流量可能从 Time Spent迁向Intent。用户不用在十几个App里逛，只需表达“想吃什么、去哪儿、预算多少”，Agent完成匹配与交易。支付基础设施则必须新增Authorization、Identity、Capability Evaluation、Fund Safety、Accountability，以及KYC/KYB之外的 KYA。
小哈看风向：若意图替代时长成为交易入口，商业价值可能向理解并执行意图的平台迁移。
Anahita TafviziSnowflake Chief Data & AI Officer企业AI真正应该测的是“Intelligence Efficiency”，不是用了多少TokenTafvizi提出一个指标：Intelligence Efficiency，即企业投入的Compute、Data和Context，最终有多少真正转化成Business Outcome。
她反对模型锁定。今天最适合某项任务的Model，三个月后很可能已经变化，因此应该动态按Capability、Latency、Cost和Policy做Model Routing。用户数、Token数甚至“AI Adoption”都不等于ROI。
小哈看风向：多模型路由若围绕业务结果优化，AI成本管理将从统计用量转向比较有效产出。
DeepCtrls、宁德时代能源控制技术公司、电池与储能企业宁德时代从客户变投资人，AI控制扩展到数据中心电力与冷却DeepCtrls用Physical AI自动控制能源、制冷和计算基础设施。本轮完成 B+轮融资，由宁德时代领投，Aramco Ventures战略投资，太平创新、广发信德、复星等参与；金额未披露。
公司称目前已经服务数百家企业客户，包括腾讯、字节、NVIDIA、台积电、LG等，业务正从工业节能扩大至数据中心液冷和算力—能源协同控制；宁德时代此前已经是客户，现在又成为投资方。
小哈看风向：若每MW节电和GPU利用率改善能被量化，部署回报将更易验证。客户投资仍不能代替效果数据。
