黄仁勋离任第一周:请愿书、26 万块 GPU 与 Anthropic 的算力两难
黄仁勋离任后的第一个完整周,Nvidia 的真空期开始被各方填满:一份要求恢复其职务的请愿书签名超过 11.5 万,韩国方面确认 Nvidia 重申供应 26 万块先进 GPU,台湾与日本政府则给出观望措辞。同一天,Anthropic 在创纪录 IPO 前公开承认算力是"最深的商业两难",并把算力承诺规模摊到了投资人面前。 另一条线在产品和工程侧:Si…
黄仁勋离任后的第一个完整周,Nvidia 的真空期开始被各方填满:一份要求恢复其职务的请愿书签名超过 11.5 万,韩国方面确认 Nvidia 重申供应 26 万块先进 GPU,台湾与日本政府则给出观望措辞。同一天,Anthropic 在创纪录 IPO 前公开承认算力是“最深的商业两难”,并把算力承诺规模摊到了投资人面前。
另一条线在产品和工程侧:Sierra 把个人智能体接进企业服务的接入方式做成公开协议,Cloudflare 与 FBI 同时点名 AI 编排的渗透平台,Shopify 则公开了让进攻型 Agent 在生产环境做受控攻击的做法。研究侧出现了几个方向明确的反例,指向“多智能体委派”和“按语义相关性取记忆”这两条流行做法。
证据边界先说清楚:本次抓取中没有 Nvidia 的公司公告、继任安排或调查结论,管理层事件的细节全部来自媒体转述;Anthropic 的财务数字是报道口径,不是财报数据;部分研究结论只有二手摘要。
主题一:离任第一周,没人能替黄仁勋签字
黄仁勋于 2026 年 11 月 12 日辞去 Nvidia 首席执行官职务并即刻生效,同时离开董事会。据 The Verge 与 AI Valley 梳理,此前他公开承认并致歉的是婚外关系问题,而更棘手的那部分是涉及 Megaspeed 的国家安全问题:这家新加坡云公司是 Nvidia 合作方,因出口受限芯片流向中国被调查。
请愿书成了当周最集中的公开表态。据 TechCrunch,截至周六下午签名超过 11.5 万,构成为 5,965 名在职员工、1,108 名前员工和 63,063 名股东,马斯克、Replit 的 Amjad Masad 和 Epic 的 Tim Sweeney 均已联署。诉求只有三条:在事实查清前恢复职务、进行独立的公平调查、对决策过程保持透明。
亚洲政府的反应比硅谷克制。韩国科技部称 Nvidia 重申将向韩国供应 26 万块先进 GPU 并继续联合 AI 项目;台湾经济部长龚明鑫认为此事不太可能显著改变全球 AI 产业增长;日本产业省表示将密切关注。这些表态的共同点是没有一家把事件当作供应链中断来处理。
The Verge 的框架更偏长期:黄仁勋是首家市值 5 万亿美元公司的创始人,该公司约占标普 500 的 6%,而他一手促成的关键决定是从游戏显卡转向押注 CUDA。文章的判断是,那种靠个人表演定义公司战略的创始人 CEO 时代,正在随着这次离任一起退场——这是评论,不是可验证的结论。
真正难量化的是生态影响。Nathan Lambert 认为,Nvidia 对开源模型的资金支持很可能随创始人离开而干涸,因为公司当下首要目标是稳住局面并向客户交付。他在文中把问题拆成三层:Nvidia 内部的支持机制、由此带来的监管风险、以及美国在这一层的缺位。
市场给出的赔率偏低。据 11 月 14 日凌晨的 Polymarket 数据,约 31% 的参与者认为黄仁勋会在明年第一季度结束前回到 Nvidia。同期社媒上流传的另一类说法——Nvidia 曾通过投资 AI 初创来买自家 GPU、制造供应稀缺——只有一家媒体的报道支撑,属于指控而非事实认定。
AI Valley 给了一个更短的说法:短期不会出事,难判断的是接下来十二个月。这个判断之所以成立,是因为 Nvidia 的订单、产能与客户关系都已签在合同里,而“下一任 CEO 会不会维持同样的押注节奏”还没有答案。
需要保留的边界:请愿是员工和股东的表达,不构成治理程序;董事会是否已启动继任程序、临时管理层如何组成,本次材料均未覆盖。
源链接:
- https://techcrunch.com/2026/11/14/elon-musk-other-tech-execs-sign-petition-calling-on-nvidia-to-reinstate-jensen-huang/
- https://techcrunch.com/2026/11/14/asian-governments-react-to-nvidia-ceo-jensen-huangs-exit/
- https://www.interconnects.ai/p/open-source-ai-without-jensen
主题二:Anthropic 把“买多少算力”说成了最深的商业两难
Dario Amodei 在摩根大通的投资者活动上承认,“明年会发生什么存在巨大不确定性”。他给出的具体机制是采购周期:算力需要提前一到两年锁定,买少了会限制客户和收入,买多了会让财务过度扩张。报道提到他还讲了毛利率与现金缓冲的应对思路,但未给出完整数字。
The Decoder 援引的规模是:Anthropic 的算力承诺总额接近 9010 亿美元。HubToday 的转述特别提示了一个容易被误读的地方——承诺额不等于已发生支出,也不等于当期债务,它是未来若干年的采购框架。
在创纪录 IPO 之前把这个数字摊开,本身就是一种定价策略。报道的解读是,上市融资承担的是收入增长与长期成本错配之间的缓冲;换言之,公司需要用公开市场的钱,去支付还没产生收入的算力。
这类口径的风险在于期限结构不透明:承诺分几年、有无最低采购量、能否随需求下调,公开报道都没有答案。把它们当作板上钉钉的成本曲线,会高估短期压力,也会低估长期弹性。
源链接:
主题三:同一个模型,API 和网页端差 34 个百分点
Anthropic 公开了一套安全评测方法,核心结论是分数高度依赖部署配置。以 Fable 5.1 在自杀与自我伤害多轮评测中的表现为例:通过 API 配置测得 60%(±14%),而采用新系统提示的网页端为 94%(±7%)。同一个模型,差距 34 个百分点。
差异来源不是模型权重,而是外围条件——系统提示、接口形态、评分规则。所以团队主张按场景衡量“恰当回应率”,并同时报告这三项配置,否则跨产品比较没有意义。
方法上还有两条可操作建议:复杂多轮评测至少准备 100 个用例,简单单轮评测至少 1000 个。样本量不足时,±14% 这样的区间足以吞掉任何改进。
这条对读者的实际价值在于,它把“某模型更安全”这类说法降级成了“某模型在某配置下更安全”。厂商宣传的分数、第三方评测的分数、你自己产品里跑出来的分数,本来就不是同一件事。
源链接:
主题四:Sierra 的 Poppy 1.0,给个人智能体做了一个“企业入口文件”
Sierra 联合创始人 Bret Taylor 和 Clay Bavor 发布了个人智能体协议 Poppy 1.0。做法是:企业在自己的域名下发布一份发现文件,公布网站、API 或企业智能体的入口,并衔接身份说明与登录授权。个人智能体读到这份文件,就知道该怎么接进来。
落地比协议本身更值得看。据 Sierra 介绍,Shopify 平台上的店铺已自动发布 Poppy 文件,Meta Muse 也已启用协议。商务部分对接 UCP,具体购物流程由 UCP 承担,Poppy 只负责发现与授权这一段。
这个切分是有意为之:把“谁能接进来、以什么身份接进来”标准化,把“交易怎么完成”留给已有协议。对企业来说,接入成本从写私有集成变成发布一个文件。
边界同样明显。这是协议发布方的自述,接入方的真实覆盖率和授权体验未经独立验证;自动为平台店铺发布文件这件事,也涉及商家是否知情的问题。
源链接:
主题五:攻防两端都在用同一套 Agent 能力
Cloudflare 博客称,近三天观察到超过 50 个框架家族尝试扫描其全球客户,讨论的是大模型驱动工具串联扫描、再跟进访问的趋势。它给出的防御主张不复杂:身份隔离、权限约束、微分段,把失守后的扩散面压小。需要说明的是,所给摘录支持“50 多个框架家族”这个数量,但未展示摘要里“请求量增长 30 倍”的统计细节。
被点名的一个具体平台是 ARTEX,一个 AI 编排的渗透测试框架。社媒转述称 FBI 已发布通告提醒机构防范,并称此前有大学生用它攻入韩国银行系统——这部分只有单一社媒转述,机构名称与事件细节都未获独立确认。
防御侧出现了一个可复用的设计。Shopify 公开的 Cyber Chaos Monkey 让进攻智能体带着源码、基础设施知识和测试店铺的临时凭证,在生产环境里验证漏洞;同时派第二个独立智能体当裁判,发现异常就终止任务。公司称已执行数万次任务、发现数十个有实际影响的问题,迄今未造成停机或事故,这组成效属于公司自述。
硬件侧的例子说明风险并不只存在于 Web。据漏洞披露转述,GCSA 称在某头部厂商的机器人上取得了操作系统最高权限,厂商于 11 月 13 日通过邮件初步确认,并启动修复与受影响范围评估。品牌与具体机制尚未公开,启动修复也不等于风险已消除。
把这几条放在一起看,共同点不是“AI 更危险”,而是攻防双方用的是同一套能力:能读代码、能调工具、能连续执行。防御的假设因此从守住边界,转向假设边界已经被穿过,靠隔离和审查限制后果。
源链接:
主题六:为同等能力找更便宜的路——训练精度、内核调度、上下文压缩
Thinking Machines Lab 以 Apache 2.0 开放了 Inkling 2 Small,5940 亿参数,从预训练到最终强化学习全程使用四位前向计算。材料称预训练耗时减少 8%、强化学习耗时减少 20%,但反向计算并未同样维持四位。
部署门槛需要说清楚:NVFP4 运行至少需要 500GB 显存,MXFP8 至少 800GB。名字里的 Small 不代表消费级单卡能跑。Sebastian Raschka 的观察是,它用了注意力残差(类似 Kimi K3 的做法),但没有采用线性注意力混合结构。
CUDA-L2 论文第五版走的是另一条路:用大模型加强化学习,以 CUDA 执行速度为奖励,自动优化 1000 种半精度矩阵乘法配置。相比 cuBLASLt 的自动调优方案,离线模式平均提升 11.4%,模拟实时推理间隔的在线模式提升 15.9%。
斯坦福的 Memorilla 压缩的是上下文。它把文档集合编码成固定 16 个“记忆词元”喂给冻结模型,在 FactKG 上让冻结的 Qwen3-8B 达到 84.33%,全上下文对照为 80.43%,文档词元用量减少约 108 倍。它在 PubMedQA 等基准上仍落后于对照,代码、训练方案与检查点以 Apache 2.0 开放。
三条路径的共性是把成本从“更大的模型”挪到“更省的执行方式”上:训练用低精度、推理换内核调度、上下文用压缩表征。但每一个数字都限定在特定任务与配置下,CUDA-L2 的提升尤其不能读成通用加速比。
源链接:
主题七:三个反例,指向多智能体和记忆检索的默认假设
第一个反例针对委派。Lost in Delegation 研究按训练知识截止前后划分任务,比较不同委派方式,结论是委派并未持续优于非委派设置;面对编排模型本身缺少的后截止知识,准确率可能明显下降,同一模型直接使用工具反而更好。常见问题包括查询失真、工具使用低效和跨智能体信息丢失。
第二个反例针对“专家纠错”。一项两阶段修订研究固定问题、证据与初始答案,比较中性反思、匿名异议和领域专家异议。在 1989 项医学、科学与法律判断中,五款模型在专家异议条件下均未达到净提升准确率所需的选择性纠错门槛,准确率最多下降 16.1 个百分点;而单独增加专家标签的影响介于下降 5.2 点与上升 2.4 点之间。
第三个反例针对记忆。MemCredit 的出发点是:大多数方法按与当前状态最相似来挑记忆,但相似不等于有用。它用受控干预逐条测量记忆对动作的影响,再训练一个小估计器决定哪些记忆进入预算。在 ALFWorld 的 500 词元预算下,成功率 86.57%,BM25 检索为 65.67%,每条决策平均用 152.1 个记忆词元,比 BM25 少 74.5%,而智能体策略本身未改。
三项工作的方向一致:加更多智能体、加更多记忆、加更多上下文,都不是没有代价的正确。真正决定效果的是能否拿到可靠反馈信号,以及是否愿意为“这条信息改变了决策”付费。
前两项来自论文转述,第三项来自作者本人对论文的社媒摘要,均未独立复现。
源链接:
主题八:选型标准从“最强模型”转向“单任务成本”
Anthropic 把 Opus 5.5 设为 Pro、Max、Ultra 和 Team 套餐的默认模型,重点推荐研究、分析、写作与文档工作。官方实操指南的算账方式值得注意:Sonnet 5.5 开启高思考档位后的单任务成本已逼近 Opus 5.5,而 Opus 5.5 更可能一次交付成品;只有数小时的多智能体大工程才需要动用更贵的 Fable 5.2。
指南里的实测口径是公司自述:18 项零容忍编造数据的财报测试通过 16 项,并购 Excel 建模加高管 PPT 用时 63 分钟、成本较上一代减半。使用建议则很具体:第一条消息就直接要成品文件,删掉提示词里的“think hard”,保持默认的 Medium 档位,直接上传图表原图。
配套的《Building always-on agents》讲的是架构而非模型:事件收件箱承接外部触发,定时器赋予主动性,记忆维持连续性。文档真正的价值不在这些零件——队列加定时任务早就能拼出来——而在于把每个部件的职责划清,并明确“始终在线”是一种体验,不是让模型一直空转。
产能数据也在往同一个方向推。Grok Bot 团队从第一行代码到上线用了七周;工程师 Lauren Tan 在访谈中称自己每月合入约 4000 个拉取请求,xiaohu.ai 的整理口径是一个月 1.1 万个 PR、撤回约 0.5%。同一访谈里更该记住的是边界:同一账户下的多个个人 Bot 共用一台云端电脑,登录状态和文件是共享的,“独立身份”目前是分层实现。
xiaohu.ai 补充了这套流程的细节:先把代码库收拾干净,每纠正一次就写成一条自动检查,再要求 Agent 拿录像和证明来交差。把质量标准写进代码库,而不是留在评审意见里,是这类团队反复提到的同一条做法。
个人实践里已经出现混合派活的固定套路。一位开发者描述的做法是:Claude 负责规划与前端、把成块的后端和数据处理交给本机的 Codex 写、Codex 启动最多三轮审查,派活脚本只允许它写工作树和临时目录,装依赖、联网测试和提交仍由人做。
这些数字都来自访谈和厂商指南,没有独立审计。但它们解释了为什么选型讨论的重点在变:从“哪个模型最强”变成“哪个模型在这个任务上一次交付、花多少钱”。
源链接:
高价值单点
- OpenAI 拟融资 150 亿美元:AI Base 转述的报道称融资前估值 1.25 万亿美元,预计数周内完成;同期给出第三季度营收约 100 亿美元、运营亏损约 109 亿美元,并把融资与预计 2027 年的 IPO 筹备联系起来。规模、估值与时间表均按报道口径理解。
- 四家非营利机构诉请叫停前沿模型训练:诉状于 2026 年 11 月 12 日递交旧金山高等法院,被告包括 OpenAI、Anthropic、谷歌、Meta 与 SpaceXAI,原告寻求冻结下一代模型训练与部署的紧急禁令。提交诉状不等于法院已作出裁定。
- 文心 5.5 Flash preview 实测:测试者称解码速度达 267 token/秒,空间理解与建模在一众 Flash 模型中表现不错,长上下文召回到 256K,适合快速出原型与数据清洗;Agentic Coding 与 Agent 能力当时仍在测试。
- Gemini 4 Hydrogen 早期结果:外部转述称在两个真实仓库、105 个植入 bug 的找漏与修复测试中表现更强,但没有公开完整评测口径。同期流传的 Google 周度清单列出两款第八代 TPU、Gemini 4 Carbon、Gemini Robotics 2.5、AlphaGenome 2 与智能眼镜预售,清单本身未附评测数据。
- Gödel 笔记被 AI 辅助解读:社媒转述称 Claude 在两天内处理了 1009 页笔记、解析出 663 个潜在定理,其中 400 个通过形式化验证;该项目团队此前九年只能以每周一页的速度推进。单一二手来源,未见正式论文。
- 自动生成评测仍需审计:谷歌相关讨论称 29 个智能体耗时 11.5 小时,把 13 张公开数据表转成 50 项因果推理任务,独立审阅者发现措辞线索与模板捷径,团队随后把这些发现转为后续测试。
- 风险关注度的口径:纽约联储调查中 87% 的受访市场人士提及 AI 风险,高于春季的 50%;另有转述称 AI 基础设施融资债务截至 10 月超过 6800 亿美元。调查意见、融资口径与官方风险判断应分开解读。
- 开源编程 Agent 在抢同一块地:GitHub 榜单显示 Univer 单日新增 495 星、Qwen Code 提供自动记忆/Skills/子 Agent/MCP、腾讯开源 LoopForge 用 Docker 沙盒把需求拆给规划、实现、评审、测试角色并最终开 PR。项目自述能力,未做横向实测。
- 浏览器能力被打包成 Skill:Chrome 团队把现代浏览器能力、兼容性与推荐写法整理成供编码 Agent 查询的 Skill,例如弹窗用原生 dialog、浮层用 Popover,减少模型退回旧写法。
- 课程在公开:斯坦福 CS329Z《Engineering AI Agents》与 CS329A《Self-Improving AI Agents》的讲座已上传 YouTube,包含 DSPy 与 LangGraph 的对比内容。
- 安全编码课进了课堂:Semgrep 联合创始人兼 CEO 在斯坦福 CS146S 做了 47 页讲座,题目是《Secure coding in an agent-first world》,主线是如何让利用软件漏洞变得更贵;讲课人的判断是,高调的漏洞利用会先变糟再好转。
- Gemini 的“成为 agent”说法:Google Cloud 在 Gemini at Work 的复盘里把“Gemini 现在是一个 agent”当成发布主题,配套给出接入 Google Wallet 做个人财务洞察等场景,但未说明 agent 能力的具体边界与失败处理。
- 本地工具两则:ClamDown 让 MacBook 合盖后不睡眠并接管风扇曲线,便于长时间跑 Agent 任务;Yogurt 把会议录音、转写与总结全部放在本机完成,支持 99 种语言。
- 星舰回收:SpaceX 首次用机械臂夹住回收飞船,多位 AI 从业者转发。另有说法称本次飞行携带 Optimus 机器人并一同返回,仅有单一社媒来源,未获确认。
🕐 小时信号精选
| PT 时间 | 信号 | 为什么值得记住 |
|---|---|---|
| 02:00 | Polymarket 上 31% 认为黄仁勋会在明年 Q1 前回归;同时流传 Google 新模型 Krypton 与 Fable、Astra 对标 | 市场赔率与产品名单同时反映事件仍在发酵 |
| 04:00 | 开发者转述 Anthropic 官方指南:Opus 5.5 作日常主力,Fable 5.2 只用于数小时的多智能体工程 | 厂商开始用成本而非能力给模型分层 |
| 07:00 | TechPowerUp 报道称 Nvidia 曾通过投资 AI 初创促其购买自家 GPU,涉嫌人为制造稀缺 | 单一媒体指控,与领导层事件叠加后放大 |
| 08:00 | Cloudflare 点名 ARTEX 类 AI 编排渗透平台;社媒转述 FBI 已发通告 | 攻击工具从实验走向机构级威胁清单 |
| 09:00 | GitHub 日榜:Univer 单日 +495 星、Qwen Code、腾讯 LoopForge 同日上榜 | 办公底座、终端 Agent、交付流水线三条线同时被 Agent 化 |
| 11:00 | Grok Bot 团队访谈:七周上线、月合入约 4000 个 PR、多个 Bot 共用云端电脑 | 产能数字与身份隔离边界同一条访谈里出现 |
| 12:00 | 一位创始人主张 SaaS 应当变成 MCP server,把推理成本交回客户 | 对 AI 套壳毛利问题给出了一种反向解法 |
| 16:00 | Claude 辅助解读 Gödel 笔记,400 个定理通过形式化验证 | 数学领域可验证性带来的加速案例 |
| 18:00 | 一位研究者用 OpenClaw 复盘:Web UI 比预期完善,移动端可用 | 开源智能体客户端的体验在追平商业产品 |
编辑结论
这一天真正的主线不是某个模型发布,而是同一批事实被不同角色拿去做了不同的推论:员工和股东试图用请愿改变一次治理决定,亚洲政府用供应承诺维持确定性,Anthropic 在上市前把算力风险提前定价,而安全与工程侧则在承认一个更朴素的前提——模型的分数、智能体的产出、记忆的命中率,都取决于部署和验证方式,而不是取决于名字。围绕黄仁勋的争论还会持续,但可核验的部分目前只到“谁签了名、谁表了态、谁重申了订单”这一层。
来源与方法
审阅目标是 2026-11-14(PT)目录下的 4 份有内容命名源与 20 个小时抓取,共约 195KB;其余命名源当日无新发布。信号池为丰富,覆盖 8 个主主题与 12 条单点。主要限制:Nvidia 治理事件缺公司公告,Anthropic 财务为报道口径,部分研究结论仅有二手摘要。
