编码工具链进入「平台重构与安全事故并行」的一周：前 GitHub CEO 正式推出面向 AI Agent 的原生开发平台 Emergent，OpenCode 披露大规模蒸馏攻击导致部分工作区 API Key 疑似泄露。具身智能侧，ROKAE 人形力控臂交付突破一万台，银河通用与宇树宣布联合研发原生智能体机器人「银河星仔」，深圳与汉诺威两场具身机器人展会同期聚焦「从演示走向作业」。

前 GitHub CEO 发布 AI 原生开发平台 Emergent

Thomas Dohmke——2021 年至 2026 年初担任 GitHub CEO、主导 GitHub Copilot 整合的人——于 10 月 26 日正式发布新开发平台 Emergent，定位为「人类开发者与 AI 编码 Agent 共用的原生平台」。该平台采用「Agent 优先」架构：AI Agent 作为一等协作者获得独立工作区分配、持久记忆和与人类相同的版本控制权限，并针对 AI 高频提交优化了冲突解决算法与多模态代码审查流程。平台支持标准 Git 协议并扩展了批量重构、自动依赖更新等 Agent 专属操作，目前限量开放注册，正式版计划 2027 年初上线，定价将按 Agent 用量而非传统按席位收费。

值得关注：Dohmke 的核心论断是，传统平台的基础设施为人类协作而设计，当 AI 贡献 50% 以上的代码变更、提交量增长十倍时，代码审查、合并与测试管线将成为新的瓶颈——这是「为 Agent 重构基础设施」与「改造存量平台」两条路线的正面交锋，GitHub 的应对节奏值得跟踪。需要说明的是，目前该消息主要来自平台官方发布页，尚待独立媒体报道交叉验证；对个人开发者而言，迁移成本仍是是否切换的最大变量。

来源：https://emergent.sh/news/former-github-ceo-launches-ai-native-coding

OpenCode 披露大规模蒸馏攻击，部分工作区 API Key 疑似泄露

开源编码 Agent 控制台 OpenCode 本周披露遭遇「大规模蒸馏攻击」（指攻击方通过大量诱导性请求从托管平台抽取模型输出，以复制其模型能力），并可能导致约 1.4% 的 Console 工作区中保存的第三方供应商 API Key 暴露。官方建议受影响用户立即轮换相关 Key，并核查 10 月 16-17 日以来的用量与账单是否存在异常。同期 GitHub Copilot 于 10 月 19 日下线一批旧模型，并使其模型策略 REST API 正式 GA，企业管理员从此可程序化控制 Copilot 内 Agent 可用的模型清单与发布节奏。

值得关注：这是编码 Agent 工具链从「能跑就行」进入「运维与安全」阶段的标志事件——托管控制台里保存的 Key 正在成为新的攻击面。同一周内 Anthropic 为 Claude Code 连发多个版本，重点全部是沙箱、插件市场加固与 Agent 工具安全；VS Code 也在官方文档中明确警告插件可以在本地执行代码。使用编码 Agent 的团队应把 Key 轮换、插件清单审查、沙箱化构建列入常规运维流程，而非一次性整改。

来源：https://aiagentstore.ai/ai-agent-news/topic/coding

ROKAE 人形力控臂交付突破一万台

ROKAE Robotics（港交所 3752）10 月 27 日宣布交付第 10000 台人形力控臂，里程碑机型已于 9 月在其山东生产基地下线。该公司的人形机器人已实际部署于舍弗勒（Schaeffler）位于太仓的灯塔工厂——五台搭载 AR 系列力控臂的 Helios 轮式人形机器人在一条人形机器人零部件装配线上承担搬运、装配与检测任务；此外有超过 80 家工业伙伴将其力控臂集成进生产应用。该交付数字仅统计人形力控臂产品线，不包含其销往 40 多个国家和地区的工业与协作机器人。

值得关注：「力控」（每个关节具备力反馈控制能力）被业内视为具身智能操作能力的硬件前提，万台交付说明这条供应链已跨过样机阶段、进入批量复购区间；而舍弗勒「用机器人生产机器人零部件」的场景，恰好构成一个自我增殖的产业闭环样本。公司创始人兼 CEO 表示「力控没有捷径」，万台的意义在于硬件、控制算法与制造工艺在规模化下保持一致——这与其掌宽 213 × 145.5 × 45 毫米的 MAC 控制器即可驱动一双臂全部 14 个关节的工程密度是同一件事的两面。

来源：https://hkbusinesswire.com/rokae-delivers-its-10000th-humanoid-force-controlled-arm

银河通用与宇树宣布联合研发原生智能体机器人「银河星仔」

10 月 22 日，在 2026 世界物理 AI 大会暨宇树合作伙伴生态大会上，银河通用机器人与宇树科技宣布全球首个「原生智能体机器人」银河星仔（Galbot ET1）由双方联合研发——所谓原生智能体，指机器人出厂即以「感知—决策—行动」的 Agent 方式自主运行，而非执行预设动作。银河星仔今年 8 月曾在世界机器人大会首次亮相，此次确认双方将围绕产品定义、硬件打磨与具身智能能力研发深度协同。其能力核心是银河通用自研的 AstraBrain-WBC 通用小脑基模，训练依托 AstraData 数据基座中百万小时级的人类动作数据——既包含高精度动作捕捉，也包含从互联网人类视频中提取并重定向的动作数据。

值得关注：这是「本体厂 × 模型厂」分工模式的又一次典型落地——宇树提供硬件本体与量产能力，银河通用提供小脑基模与数据管线，分工边界清晰。对关注具身数据基础设施的读者，AstraData 的「动捕 + 互联网视频重定向」双源数据策略尤其值得对照参考：它验证了非结构化视频数据经重定向后可进入训练管线的可行性。宇树创始人王兴兴在会上表示，随着基础模型能力持续提升，物理 AI 可能正接近重要突破时刻。

来源：https://www.163.com/dy/article/LA74EEAP05199NPP.html

深圳与汉诺威两场具身机器人展会同期开幕：从展品走向「作业模式」

10 月 27-29 日，2026 ROBOTECH ASIA 亚洲具身机器人应用及产业链展在深圳国际会展中心（宝安）开幕，展区从传统工业应用扩展为工业、商用、特种三大类，覆盖从人形机器人、四足机器人到零部件的全产业链。同一周，德国汉诺威举行人形机器人 Deep Dive Forum（10 月 27-28 日），BMW、舍弗勒、KUKA、DLR、西门子等参与，主题被明确为「可行性优先于愿景」——直面「为人类设计的既有工厂里，人形机器人到底值不值得投」这一争议，并安排了正反方观点交锋的圆桌辩论。

值得关注：两场展会同期开幕、议题高度一致，说明具身智能正在全球同步从演示验证转向部署验证。汉诺威论坛以「brownfield（既有工厂）作为试金石」的视角尤其务实——它对应的核心论题与国内「实景实训」政策的逻辑不谋而合：真实场景作业中沉淀的高质量真机数据，比实验室指标更能决定产业节奏。对从业者而言，这两场展会上释放的场景需求清单是判断真实落地进度最直接的风向标。

来源：https://roboticsandautomationnews.com/2026/10/06/robotech-event-expands-focus-on-real-world-robot-applications/105558 、http://ringier.home.smartinfo.com.cn/article/480218

今天 AI coding 的三条新闻都不在模型上：谷歌与 AWS 相隔一天，分别把智能体的运行开销拆成「隔离」和「等待」两笔账来处理，Anthropic 把技能格式交给了中立基金会。具身智能这边则是两件对照鲜明的事——一份报告把租金、二手价、成功率与运维成本摊到了桌面上，而 OpenAI 的机器人岗位已经挂到 27 个。

谷歌 ACE 与 AWS Infinity：一个管凭据，一个管等待

10 月 22 日，谷歌云在 AGNTCon 与 MCPCon 上发布 Agent Compute Engine（ACE）：每个智能体独占一台硬件隔离的 microVM，自带 guest 内核与 root 权限，边界由 Cloud Hypervisor 守住，底层再叠 Titanium 卸载芯片。关键设计是「沙箱内零凭据」——microVM 里不放长期密钥、OAuth 刷新令牌或云服务账号密钥，只持有一个会话级的短期 SPIFFE 身份；真实凭据由 Agent Gateway 在出网时、校验完 mTLS 身份与出网策略后才注入。microVM 没有标准网卡、没有默认网关、不直连 VPC，所有流量经 virtio-vsock 到本机代理再出去，宿主是无状态设备，根文件系统由 dm-verity 强制只读。空闲时 microVM 被 checkpoint 挂起、从快照恢复，密度靠 copy-on-write 内存共享——多个 microVM 共享基础镜像页，只有各自改过的页才占私有内存。

同一天公布的还有四层身份模型：用户身份只用来认证整项任务，委托代办身份存在中心授权服务里而不是节点上，Agent Workload 身份是唯一的短期 SPIFFE 身份、被偷走也没法直接调 API，Agent Workforce 身份则是智能体自己的账号。该服务已经在支撑 Gemini 与 Antigravity 的工作型智能体，以及谷歌内部的模型评测与强化学习流水线，客户预览在未来数月开放。它的开源兄弟是 9 月 15 日就上了 GKE 的 Agent Substrate，谷歌给的数字是每秒 500 次激活、20 万个 agent 测试中挂起与恢复低于 500 毫秒、单机容纳 1000 个以上休眠 agent、密度约为传统计算的 10 倍，并称可与 Claude Code 等 harness 配合，但生产环境 GA 目前仅白名单开放。

次日（10 月 23 日），AWS 以 Apache 2.0 开源了 Infinity，用 Rust 编写，属于 AWS 与加州大学伯克利分校合作的 Hydro 项目，作者是 Hydro 团队研究负责人 Shadaj Laddad。思路正好互补：它不在意沙箱里有没有东西可偷，而是认为智能体大部分时间花在等待上——编码智能体等一次 20 分钟的构建，助理等隔夜的审批，而主流 harness 在这段时间里把进程和内存一直占着。Infinity 把工具调用当成异步函数里的 await：派发调用、保存会话、挂起智能体，结果到达共享输入队列时再从存档恢复。每个执行切片只做四件事——载入历史、跑一次模型补全、最多派发一个工具调用、持久化并退出，切片内部永不阻塞，因此能跑在无服务器平台上：参考部署用 SQS FIFO 当输入队列、Lambda 跑切片、Aurora DSQL 存会话历史、DynamoDB 记消息处理状态，定时器走 SQS 延迟投递与 EventBridge Scheduler，仓库带 CDK 模板。外部事件靠注入一个模型从未发起过的合成工具调用 receive_event__injected 送进对话，模型 API 无需改协议；父子智能体用内置的 spawn_thread 派生，子线程报告以合成事件回传，避免子上下文塞爆父上下文；现有 MCP 服务器经兼容层可原样运行，仓库里还附了一个基于该运行时的编码智能体 Infinity Code。

值得关注：两家的判断其实一致——智能体的开销大头是等待，不是思考，但切入口不同：谷歌把安全做在「沙箱里没有东西可偷」，AWS 把成本做在「等待时不占资源」，已有技术分析认为真实技术栈最终会把两者叠起来用，也就是既便宜又安全地空转。AWS 给的量级是 8 万个 agent、每个 20 轮、共 320 万次补全，在单个 AMD EPYC 9R14 线程上用内存存储与模拟模型测出每闲置 agent 约 100KB，折算 8GB 内存可容纳约 7.5 万个——8GB 是树莓派 5 的内存容量，这只是容量的类比，测试并不在树莓派上跑。要留的两分清醒是：ACE 的启动时间、单机密度、定价与预览日期一个都没公布，AWS 的 7.5 万也是模拟模型下测出来的、未经独立验证；AWS 明确 Infinity 是早期研究版本，放出代码是为了拿反馈，不是带 SLA 的托管服务。有意思的是就在开源当天，安迪·贾西说 AWS 2026 年的算力已经售罄。

来源：Google Cloud 博客（英文转载）— https://dev48.org/en/articles/introducing-agent-compute-engine-and-expanding-agent-governance
来源：AWS 开源博客（英文转载）— https://tsnmedia.org/aws-infinity-agent-runtime
来源：Stackademic 分析 — https://stackademic.com/blog/aws-infinity-lets-agents-hibernate-by-the-thousands-while-tools-run

南北阁开源 33B 教师模型：先把老师做大，再把能力蒸给 3B

10 月 25 日 12:11（UTC），BOSS 直聘（看准）旗下的南北阁 LLM 实验室在 X 与 Hugging Face 上发布 Nanbeige4.3-33B 及其 Base 版本，采用 Apache 2.0 许可。它是 33B 的 dense 模型、Llama 式架构、支持 512K 上下文（524,288 词元），定位是 Nanbeige4.3 系列的旗舰教师模型，后续要把智能体能力蒸馏到更小的型号，第一个是 Nanbeige4.3-3B。部署方式支持 Transformers、SGLang 与 vLLM，官方示例用 4 路张量并行。

官方在同一个 harness、同一套推理超参、均为最高思考强度的条件下，与 Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B 做了对比：Terminal-Bench 2.1 得 80.9（Qwen3.8-27B 为 73.0）领先，DeepSWE 得 65.5（42.5）大幅领先，Automation Bench 54.2（38.3）、JobBench 覆盖 35 个职业得 44.8（34.5）；但 SWE-Bench Pro 得 60.3、略低于 Qwen 的 61.7，GDPval 得 84.8、也略低于 86.4。全部为自报数字，尚无独立复现。

值得关注：这条的路线与主流相反——不是直接把小模型做出来，而是先堆一个 33B 的老师，再把智能体行为蒸到 3B。对本地与私有化部署场景，这是更接近可用的路径：如果 3B 能留住 33B 的 Agent 行为，成本结构就变了，用单卡跑长程任务的门槛会明显下移。但也要按住兴奋，SWE-Bench Pro 与 GDPval 两项仍略输 Qwen3.8-27B，而且全部是自测——这一行的自测数字此前多次与第三方复现对不上。另外它对自己的定位写得很清楚：33B 只是教师，真正的目标是后面那个 3B。

来源：AICoder — https://aicoder.com/news/news-20261025-nanbeige-4-3-33b-open-agentic-model
来源：Hugging News — https://huggingnews.com/ai/nanbeige-releases-33b-parameter-model-with-state-of-the-art-agentic-perf-49ffccaa
来源：Digest AI News — https://digestai.news/story/nanbeige-releases-nanbeige-4-3-33b-teacher-model-for-lightweight-agents

Anthropic 把 Agent Skills 交给中立基金会：技能格式不再属于某一家

10 月 22 日，Anthropic 公告把 Agent Skills 标准捐赠给 Linux 基金会旗下的 Agentic AI Foundation（AAIF）。AAIF 由 Anthropic、Block 与 OpenAI 在 2025 年共同创立，此前已经接收过 Anthropic 捐出的 MCP，因此这是同一路径上的第二次捐赠。捐赠范围包括标准本身、名称与 Logo、GitHub 组织，以及 agentskills.io 域名。

一个技能就是一个含 SKILL.md 的文件夹，配上脚本与参考资料，把「你们团队怎么写测试、怎么部署、品牌规则是什么」这类流程性知识打包给智能体。它诞生于 Claude Code 的开发过程中——Claude Code 在 2025 年 10 月上线，几周内就有开发者为其发布了数千个技能，并给 Codex、Cursor、OpenCode 写了加载器，Anthropic 于同年 12 月把它作为开放标准发布。目前超过 70 个平台接入，包括 ChatGPT、Cursor、GitHub Copilot 与 VS Code，约 100 万个技能被发布、近 2.8 亿次被安装。后续维护者以个人身份参与，来自 Anthropic、谷歌、OpenAI 等公司，由 David Soria Parra 与 Mahesh Murag 担任首席维护者，路线图包括版本化发布、正式的提案流程，以及面向技能作者与安装者的安全指引。同一天，AAIF 还接收了 OpenAI 的 Open Responses（多供应商模型接口规范）与 Hugging Face 的 OpenEnv（强化学习环境枢纽）。

值得关注：这是 10 月 22 日的旧闻、本周才在中文圈扩散开，放在今天写是因为它的影响在今天才落到具体动作上——技能格式归中立基金会后，团队把工程规范写成 SKILL.md 一次，就能在不同的编码工具之间迁移，换工具的成本下降。另一半是安全：技能里装的是会被执行的指令与脚本，安装一个技能更接近安装软件而不是下载文档，路线图里那条安全指引才是真正该盯的项。对已经在用编码工具的团队，可以直接提两个问题——你们的工程规则有没有写成可移植的形式，以及谁负责审核第三方技能。

来源：Anthropic 官方公告 — https://www.anthropic.com/news/donating-agent-skills-to-the-agentic-ai-foundation
来源：BuildApps 转述 — https://buildapps.co.uk/signals/anthropic-donates-agent-skills-agentic-ai-foundation-vendor-neutral

具身智能的账：租金、二手价、成功率与运维成本

10 月 26 日一篇行业文章把「具身智能是不是泡沫」换成了「能不能把账算平」的问题，并引用中国信通院与清华大学联合发布的《具身智能发展报告（2026年）》给出几组硬数字：人形机器人日租金从 2025 年初的数万元降到 2026 年的数千元，部分旧款工程样机的二手价从 30 万至 80 万元跌到 3 万至 6 万元；机器人在真实家庭环境中的任务成功率仅 12%，而仿真环境为 89.4%；真机操作榜的最高成功率仅 24.4%，人类专家是 100%；整机价格只占总拥有成本的 40% 至 60%，单台轮臂或双足人形机器人的年综合运维成本约 50 万至 70 万元，高于多数岗位的人力成本；公开中标项目中教育科研机构约占 55.5%，工业及技术型企业仅约 21.1%。

同期另一组数字是：上半年国内具身智能赛道融资 322 起、约 935 亿元，同比增长约 5 倍；全球人形机器人出货超 2.2 万台，五家国内整机厂商合计占比超 86%。会上嘉宾把问题拆成两层——方向是不是必然，与当前产品能不能干活，是两个完全不同的问题；泡沫与否最终不取决于估值曲线，而取决于机器人进入场景后能不能把一笔账算平。

值得关注：这组数据里最该盯的不是融资额，而是 12% 与 89.4% 的落差——它把「仿真里训出来的能力」与「真机上验收的能力」之间的缺口量化了，这个缺口的位置就是真机数据的价值所在。这条与 10 月 21 日日报引用同一份报告时谈的「千万小时级有效数据」正好互补：那边是数据量的门槛，这边是单位经济的门槛。对做数据的人来说这反而是好消息——真实场景成功率越低，采集、清洗、质量评估就越值钱，而这块恰恰是培训班标准化教学覆盖不到的部分。

来源：网易（独角兽早知道）— https://www.163.com/dy/article/LA4H122E0519VPHD.html
来源：证券时报（网易转载，10 月 23 日岗位口径）— https://www.163.com/dy/article/LA08UQKA053469RG.html

OpenAI 的机器人团队：27 个岗位，短期目标是帮技术工人建基础设施

10 月 26 日新浪财经转载的国际动态里，OpenAI 首席执行官奥尔特曼在《Sources》播客中被问到公司会不会亲自制造人形机器人，回答是「我们会」，但他强调外观细节这类问题远不如研发出驱动机器人运转的大脑重要——门、键盘与各类工具都是按人体形态造的，所以选择人形本身有合理性。在《财富》杂志的采访中，他预计 2027 年能拿出亮眼的演示样机，但机器人走上街头还要再等好几年，也没有透露演示内容与外观。

招聘页面目前挂着 27 个机器人方向的岗位，覆盖运动控制、状态估计、执行器控制、整机行为开发、用于训练实体 AI 系统的机器学习基础设施，以及规模化量产所需的制造与供应链；岗位信息显示团队正在自研集成电机、传动机构、传感与热管理系统的机电一体化执行器。一条招聘启事写明了短长期目标：短期打造通用机器人协助技术工人建设基础设施，长期是完成更多种类任务的个人机器人。公司尚未正式发布实体机器人，也未公布售价、订阅模式、上市日期或针对机器人的隐私规范。

值得关注：岗位结构本身说明了路线——27 个岗位里既有大脑也含执行器与制造供应链，嘴上说硬件没那么重要，手上在补的正是硬件那一半。另一个可对照的时间口径：10 月 23 日有报道称官网在招 10 余个 Robotics 相关岗位，本周增至 27 个，两周内翻了一倍多。短期目标选「协助技术工人建设基础设施」而不是家庭场景，也与业内避开开放家庭环境的选择一致——上文那份报告里 12% 的家庭成功率，正好解释了为什么大家都先去工厂和基础设施。

来源：新浪财经 — https://finance.sina.com.cn/wm/2026-10-26/doc-iniwnzcz9300100.shtml
来源：证券时报（网易转载）— https://www.163.com/dy/article/LA08UQKA053469RG.html

AI 日报 | 2026年10月25日

今天这五件事有一条共同的暗线：AI 的能力增长速度和人类消化能力的落差正在被量化和计价。Google 让模型连续跑了 11 小时去改自己的 20 万行代码库，改出来的 6 项里人只收下 2 项；另一边，AI 挖出了一个在 PHP 源码里躺了多年的致命漏洞，修补要动近 200 个文件、一万多行代码——发现按算力扩展，修补按人头扩展。具身智能侧则是资本和数据同时在收紧：一级市场开始挑项目，上海赛场干脆把比赛本身改造成数据采集现场。

Google 用 Gemini 4 Argon 改自己的 20 万行代码库：11 小时无人值守，6 项改动只收下 2 项

Google 工程师做了一次刻意的「元测试」——不看模型从空文件夹写新应用的能力，而看它能不能改一个已经存在的复杂代码库。对象是 Google 自己的 Agent Development Kit（ADK，开源智能体开发框架），规模为 20 万余行 Python 代码、约 800 个文件、近 1.7 万个单元测试。一次 11 小时的无人值守运行后，两项优化被维护者接受：一是会话历史在复制前先过滤事件，使长会话下的内存会话准备开销下降约 40%；二是重量级包改为按需延迟导入，冷启动包导入时间下降 21%。单看一次调用只省 28 毫秒和 78 毫秒，但在 158 轮工具调用的全流程里，这些复制操作会累积——完整运行时间从 65.6 秒降到 56.1 秒，省下近 10 秒纯框架开销。另有 4 项改动在人工评审中被拒，理由是可靠性、可维护性、兼容性或收益无法度量。做法上有三处值得抄：先用一次短跑摸清提示词该包含什么，再把仓库的测试与基准约定写成 .agents/skills 文件（Google 比喻为「给新工程师的入职指南」）并要求智能体只加载当前任务需要的那一份；最终提示词用 Antigravity 的 /goal 模式，使目标在上下文压缩后仍能保留；硬性要求每处改动都配一个能捕获回归的测试、PR 描述里给出前后对比数字、且不许自己合并。

值得关注：先说清它的难度定位——Google 明确表示这是「模型如何处理既有代码库」的测试，比「从空文件夹建新应用」难得多，因为性能问题的症状和病根往往不在同一个文件里，需要横向追踪 40 个文件的调用方、mock 目标与共享引用，这是剖析器（profiler）做不到的部分。真正有复用价值的是那三条方法论，尤其是第三条：强制在 PR 里给出前后数字，把「AI 说自己变快了」变成可复核的测量，而不是一句承诺。但边界必须一起读——6 项提案只接受 2 项，接受率三分之一；Google 自己的结论是，智能体在既有代码库上的有效性仍然受制于编码之后的工作（PR 评审、调试、测试）所消耗的时间与人力，也就是说瓶颈并没有从「写」转移到别处，而是从「写」转移到了「验收」。此外这是 Google 在自己代码库上的单次自述，无第三方复现；报道日期存在两组口径，InfoQ 记为 10 月 24 日，部分聚合源标为 10 月 25 日。

来源：InfoQ：Google Optimizes Agent Development Kit's 200K-line Python Codebase Overnight with Gemini 4 Argon ｜ TPS Report：Gemini 4 Argon Optimizes Google ADK Codebase in 11 Hours ｜ DevFeed 转载

PHP2Shell：AI 挖出 PHP 隐藏多年的致命漏洞，全球约七成网站站在同一块地基上

PHP 官方于 10 月 21 日发布安全更新，修复两个未认证远程代码执行漏洞，合称 PHP2Shell（CVE-2026-109618 与 CVE-2026-109619），CVSS v4.0 评分 9.2。先交代背景：PHP 是一种服务端脚本语言，WordPress、Drupal 等内容管理系统建立在它之上，据估算全球约 70% 的网站由其驱动——不过这指的是服务器端使用 PHP，不代表七成网站都有漏洞，实际风险取决于各自的部署与配置。发现过程是：安全公司 Calif 的研究员 Ryan Austin 今年 8 月审计 PHP 源码时，借助 OpenAI 的 GPT-5.6 Sol 找到这两处缺陷，Google 旗下 Wiz 随后独立发现了相关问题，这相当于披露流程里最接近同行评审的交叉验证。Calif CEO Thai Duong 说，几十年前就有研究者指出过这段代码可能有问题，但当时认为太难利用、后来逐渐被遗忘。修补规模不小：近 200 个源文件需要修改，开发者新增超过 1 万行代码；补丁原定 10 月 22 日发布，因消息在 Hacker News 提前泄露而提前到 21 日。

值得关注：先说清本文与 10 月 22 日那条的分工——当日记录的是披露与补丁的时间线，本文补的是披露之后的真实影响面与攻防速度之争。核心意义不在「AI 写了个 bug」，而在 AI 改写了攻防的时间常数。Duong 最担心的不是 AI 能发现漏洞，而是把软件缺陷变成可用攻击工具的速度——简单系统几秒钟，复杂环境数小时。PHP 安全工程师 Volker Dusch 称这是 PHP 十多年来最严重的安全问题，量级可比 2014 年的 Heartbleed。第二点值得辩的是 OpenAI 提出的「防御窗口期」：官方说法是前沿 AI 抢在攻击者之前发现漏洞，为维护者和安全服务商争取了时间；但亚马逊威胁情报团队称黑客在公开披露前四天就已开始利用，Cloudflare 在披露首日即记录到数百万次利用尝试——这个窗口可能从未真正存在过。第三是现实影响面：NSA、印度 CERT-In 与 Cloudflare 均发出紧急告警，维基媒体（Wikipedia 的运营方）、日内瓦大学网站、数款日本网游主动下线，英国有超过 30 个政府服务一度离线，电信运营商 Orange 暂停了部分站点与 App 的访问。最后一条实务提醒：补丁只覆盖 PHP 8.2 及以上版本，8.2 以下的老旧安装构成长期暴露面。

来源：财新网：全球约70%网站面临高危漏洞 AI时代网络安全问题激增 ｜ VietNamNet（转华尔街日报）：Vietnamese engineer's firm finds security flaw threatening millions of websites ｜ 联合新闻网：全球七成網站爆重大安全漏洞 ｜ TechGig：AI uncovers critical PHP flaws

监管抬高机器人 IPO 门槛后，具身智能一级市场的预期开始分化

《科创板日报》10 月 25 日报道，自监管发出提高机器人企业 IPO 门槛的意见以来，具身智能一级市场的资本动作仍在密集传出，但投资人的态度已经明显分化。企业侧：有市场消息称松延动力已保密提交香港 IPO 申请，拟募资数亿美元、最快 2027 年上市；此前一周智元被报道启动约 10 亿至 15 亿元新一轮融资、最新估值约 500 亿元。投资侧则出现两种声音：一位国资背景机构的 AI 投资人士称，自己从今年 6 月起基本不再看具身智能项目，主要顾虑是项目同质化严重、技术上实质进展不足，不乏在开源基础上修修补补、做 demo 的公司；基石资本投资部董事张之宽则持审慎乐观，称对高估值项目保持谨慎是一贯态度、并非只针对具身智能，接下来仍会持续跟踪，寻找「能真正在物理 AI 方向有重大突破、或在本体领域做出重大创新」的差异化企业。

值得关注：这条的价值是把「政策热」和「资本冷」放在同一天看，并指出二者并不矛盾。参照系需要交代清楚：今年 6 月工业和信息化部与国务院国资委联合启动「人形机器人与具身智能实景实训专项行动」，9 月人社部正式发布新职业「具身智能机器人应用技术员」——政策侧持续加码，资本侧开始挑食，这恰恰说明赛道进入了证伪期。判断框架上要提醒一句：投资人担心的「同质化」与「缺实质进展」，本质是行业仍处在工程验证期、尚未形成技术路线的收敛，与产业衰落是两回事，估值回调与项目淘汰是收敛前的正常出清。三点边界必须说清：文中的融资、估值与 IPO 安排均来自媒体报道或市场传闻，松延动力与智元均未回应，不应据此下定论；受访投资人多为匿名且样本量小，不能当作行业普查；「国资不再看具身智能」是单一机构的立场，不代表国资整体。

来源：科创板日报：机器人IPO门槛提高 具身智能一级市场预期变了

上海大赛收官：比赛本身被改造成数据采集现场，无本体采集成新产品形态

2026 全球开发者先锋大会暨国际具身智能技能大赛 10 月 23 日至 25 日在上海浦东张江举行，今日收官。此前报道已覆盖开幕式与赛道设置，这里补三处现场产业侧细节。其一，今年创新推行「比赛数据回流机制」——赛事过程中产生的数据被沉淀下来，用于机器人技能发育与后续赛事决策参考；大赛联合裁判长、国家地方共建人形机器人创新中心首席科学家江磊明确表示，赛事采用「场景方出题、机器人答题」的模式，将沉淀宝贵的真实作业数据，为垂直行业模型训练提供支撑。他把考察维度概括为体能、技能、智能三层：负重与长期运行可靠性是体能，装配、搬运是技能，最被看重的是自主推理与自主决策。其二，产业链展馆集结近 200 家供应链企业，其中奥比中光展示了「无本体数据采集硬件平台」——不依赖机器人本体，先由人类完成数据采集，再提供给机器人用于训练，现场称销售情况良好。其三，霖晏医疗展出全球首个基于外科世界模型的人形手术机器人，该模型通过学习外科专家的操作范式，建立解剖结构、器械运动、操作行为与环境变化之间的关联，并可搭建高保真虚拟手术仿真环境用于训练与评估。

值得关注：今天最值得记的是「比赛数据回流机制」。它意味着组织方已经把办比赛重新定义为「组织一次大规模、有统一任务口径的真机数据采集」，恰好补上了商超赛项命题人此前说的「行业对真实场景的数据采集还远远不够」。对做具身智能数据的人来说，赛事正在从展示场变成数据生产基础设施。「无本体数据采集」这个产品形态也值得单独看：它把采集从机器人本体上剥离，用人来示范、用机器来学习，好处是不占机器人产能、可在真实门店与产线并行进行；代价是数据形态（人类动作）与目标形态（机器人动作）之间存在迁移鸿沟，能否真正提升机器人策略仍取决于后续的映射与训练方法。第三，评审口径在变——江磊把「智能」放在体能与技能之上，说明标准正从「能不能完成动作」转向「能不能自己想明白怎么做」，这与现场暴露的问题一致：上海具身慧智 CTO 杨昕迪说，质检赛项单个动作规划难度不高，难的是把六个动作串起来，还要应对奶片数字朝向不一、判断是否需要翻转。最后一条口径说明：本届赛道数存在两组报道，中新社与解放日报记为「九大重点赛道、23 个赛项」，开幕式上发布的则是「十大实景赛道」，本文两组并列、不做合并。

来源：科创板日报：千台机器人上海实景竞技 具身智能加速走向产线 ｜ 中国经济网：实景比拼见真章 机器人直面「翻车」考题 ｜ 大河财立方：真实场景搬进赛场，千台人形机器人上海「赶考」

英伟达扩容 Isaac 全栈，库卡先把工厂搬进电脑

英伟达 10 月 21 日在 GTC 柏林宣布扩展 Isaac 开放机器人开发平台：正式发布 Isaac Lab 3.0（支持多 GPU 训练与优化机器人控制策略，兼容 Newton 与 PhysX 物理引擎），推出基于 Holoscan 的 Isaac OS 机器人运行时框架，负责把 AI 模型、传感器、控制系统与硬件接起来，并支持从仿真环境到真机的实时控制程序部署；同时新增 2000 多个可直接用于仿真的机器人与工厂资产，以及 Human 1M 数据集（各类人类活动的三视角同步视频与 3D 手部追踪数据，供机器人动作学习与操作策略开发）。同场发布由 Agile Robots 开发的 Agile ONE SN 人形参考平台：身高 1.40 米、体重 40 公斤、31 个自由度、单臂负载 3 公斤，配两只各 20 自由度的五指灵巧手，支持 1kHz 力控与触觉感知，机载 Jetson Thor 提供 2070 FP4 TFLOPS 算力与 128GB 统一内存，计划 2027 年初面向研究机构推出。库卡则在同期展示 FactoryLens 工厂仿真功能——把英伟达 Omniverse 库引入 Visual Components 的仿真软件，通过 OpenUSD 双向交换数据，让工程师在虚拟环境里验证节拍、排查运动学干涉、优化物流路径；此前 10 月 8 日发布的 iiQKA.AI Vision 也正式亮相，该视觉方案采用 Jetson Orin 模组并集成进库卡控制器环境，让机械臂能识别未定向零件、补偿几何偏差。

值得关注：把这几样放在一起看，英伟达卖的不是单项技术而是一条流水线——Isaac Lab 3.0 负责训练，Isaac OS 负责部署，SimReady 资产库与 Human 1M 负责喂数据，形成「数据生成 → 仿真训练 → 真机部署」的闭环。ABB 已把 Omniverse 集成进 RobotStudio HyperReality，库卡把 Omniverse 用进 FactoryLens，本体厂正在把这条流水线接进自己的工程软件。对做具身智能数据的人，这条既是样板也是压力：Human 1M 用人类活动视频加 3D 手部追踪来喂机器人动作学习，思路与上文奥比中光的「无本体数据采集」属同一类，都在绕开「真机采集太贵太慢」这个瓶颈；区别在于英伟达把它做成了开源数据集加参考工作流，且完整数据集仅向 Cosmos Coalition 伙伴开放。库卡这侧的读数要区分演示与交付：美的 2026 年半年报披露试点工厂运营效率提升 31%、无锡双高端工厂 AI 累计节省工时超 100 万小时，机器人与自动化业务上半年收入 166.21 亿元、同比增长 10.27%、约占集团总营收 6.4%——这些是集团自述口径；而「美罗人形机器人具备落地销售条件」是厂商表态，不等于已获得批量订单。日期说明：GTC 柏林会期为 10 月 20 日至 22 日，英伟达发布在 10 月 21 日，中文媒体对本组内容的集中报道出现在 10 月 24 日至 25 日。

来源：财经早餐：英伟达加码物理AI，库卡先把工厂搬进电脑 ｜ Wedoany：NVIDIA Upgrades Robotics Development Platform with Over 2,000 New Simulation Assets ｜ Automation International：KUKA and Visual Components Link Digital Twins to Physical AI

精准输入：搜索时主动"做减法"

避免信息泛滥的第一步，就是在搜索时提高精准度。

• 技巧性搜索：多使用 ""（精确匹配）、减号 -（排除特定词）、site:（限定网站）和时间范围等高级搜索语法，能直接过滤掉大量无关结果。
• 策略性搜索：每次搜索前问自己："我想用查到的信息解决什么问题？" 这能有效对抗算法推荐带来的无目的浏览。

即时处理：让大脑专注于思考

每打开一个新标签页，都应有明确的处理策略。

• 三秒决策：快速判断网页价值，并决定：归档保存（用稍后读工具）、立即精读并做笔记，或直接关闭。避免让未处理的页面堆积。
• "5 分钟原则"：如果预估能在 5 分钟内读完并消化，就立刻做。拖延是导致标签页堆积的主要原因。
• 初步结构化：看到一个有价值的观点时，可以立刻用"曼陀罗九宫格"这类简单工具，在中心写下主题，在周围快速发散记录相关想法，为后续整理奠定基础。

深度整理：从发散到收敛

这是将碎片信息转化为知识的关键一步。

• 运用"发散-收敛"思维方法：先无拘束地收集（发散），再用固定的时间进行汇总、分类、提炼核心观点和行动计划（收敛）。每天工作结束前，强制自己完成一次"收敛"操作。
• 构建知识体系：将整理好的内容，存入双链笔记软件（如 Obsidian、Logseq）或大纲工具（如 Workflowy）。关键在于建立笔记之间的关联，而非简单堆积。

行动与应用：从知道到做到

真正的消化意味着信息能改变你的思考或行动。

• 践行"应用策略"：遇到有用信息时，停下来问："这个具体可以如何用在我的工作/生活中？" 哪怕只记下一个微小的应用点，也比单纯收藏更有价值。
• 启动"数字清理"：可以参考专家建议，进行一个为期 30 天的轻度数字清理，例如：清理浏览器书签、取消无用订阅、设置每天固定的"无干扰浏览"时段，甚至睡前 1 小时不使用电子设备。这能从环境上减少干扰源。