今日焦点集中在两条主线：物理 AI 在乌镇峰会交出规模化落地成绩单，行业共识正从「比拼模型」转向「比拼数据质量与作业稳定性」；AI Coding 侧则连续出现基础设施动作——Kimi 把 Agent Harness 做成云服务，百度开源新一代稀疏 MoE 底座模型，12 月起 ChatGPT 与 Codex 还将共用同一个额度池。

乌镇峰会聚焦物理 AI「最后几毫米」

2026 年世界互联网大会乌镇峰会披露了两组关键数据：优必选已实现每 10 分钟下线一台人形机器人，并完成千台级交付，部分工业场景作业效率接近人工的 90%；小米具身基座模型用超过 10 万小时、覆盖 1700 多种场景的数据完成预训练，新任务只需不超过 10 小时示范数据，成功率即可达 75% 以上。《中国互联网发展报告 2026》显示，2025 年我国具身智能市场规模约 9150 亿元，同比增长 20.4%。宇树科技创始人王兴兴在会上预测，2027 年大概率成为机器人行业发展的临界点，但机器人距离真正理解和操作物理世界还隔着「最后几毫米」——瓶颈不在空间理解或动作规划，而在模型与物理世界的对齐。

值得关注：墨奇智能联合创始人黄青虬在论坛上给出一个对数据从业者极具参考价值的判断——10 万小时高精度操作数据训练出的模型，可能优于 1000 万小时低质量数据训练出的模型。无独有偶，京东也宣布已在 100 余个细分生产服务场景采集超 10 万项真实作业任务，计划未来两年累计采集 1000 万小时人类真实场景视频与 100 万小时机器人本体运行数据。物理 AI 的竞争焦点正从算法与本体，转向算力、数据、场景与供应链的体系化竞争，高质量数据管线正在成为产业底座。

来源：上海证券报（网易转载）

Sergey Levine：机器人学习的瓶颈在数据闭环，而非模型架构

Physical Intelligence 联合创始人、UC Berkeley 教授 Sergey Levine 在近日的长篇访谈中系统阐述了对机器人学习现状的判断：当前限制机器人能力提升的，与其说是模型架构，不如说是把现场数据转化为新策略的数据闭环（data loop）——从真实作业中回收数据、筛选高价值片段、再注入训练管线的完整链路尚未规模化跑通。他还回顾了在 Google Brain 时期早期机械臂集群上的实验教训，指出当年的核心收获正是「采集数据的规模与质量决定了策略上限」这一朴素结论。这与国内行业「数据闭环」的口号形成微妙对照：许多公司选择直接外购数据，但外购来的数据本身并不构成闭环。

值得关注：这份访谈对「做机器人的数据专家」方向的从业者几乎是方法论级别的提示——Levine 明确把瓶颈从「买数据」重新定义为「建管线」，即数据的回流、清洗、质量评估与再训练才是稀缺能力。结合黄青虬在乌镇「10 万小时高精度优于 1000 万小时低质量」的观点，中美头部团队在数据治理价值上的判断已完全收敛，数据工程能力作为具身智能产业独立环节的地位正在被反复确认。

来源：Physical Intelligence News 2026-11-06 汇总（虎嗅访谈）

Kimi 发布托管智能体 Hosted Agents，把 Agent Harness 做成云服务

Kimi 宣布推出 Hosted Agents，将智能体运行所需的 Harness（运行时环境）以云服务形式提供，企业无需自建基础设施即可获得 7×24 小时托管环境，支持长程任务与多智能体协作。产品内置 140+ Skills 与 30+ 插件，可接入企业自有工具与数据源，并配备独立沙箱、网络权限控制，支持随时中止会话并导出审计记录。配合 Kimi Inference Hook，企业还可在每次推理前按规则拦截敏感数据。该服务目前仅向企业认证用户开放，首批提供 8 个金融行业 Agent 模板。

值得关注：这是国内大模型厂商在「Agent 基础设施即服务」方向的标志性产品。此前 Claude Code、Codex 等工具的爆发已经证明：模型能力之外，运行时环境（沙箱、权限、审计、技能挂载）才是 Agent 落地企业的硬门槛。Kimi 直接把这套 Harness 云化并按行业模板交付，等于把「会用 AI 编程工具」与「能运营 Agent 平台」拆成了两层生意，值得关注其后续开放节奏与定价。

来源：腾讯研究院 AI 速递 20261106

百度开源 ERNIE 5.5 Flash Base：280B 总参数、每 token 仅激活 14B

百度开源 ERNIE-5.5-Flash-Base 预训练终点权重，采用稀疏 MoE 架构：总参数 280B、每 token 仅激活 14B，从零用 33.5T tokens 预训练，上下文训练 128K、推理支持 1M。架构上的亮点是 43 层中有 37 层采用压缩注意力——每 128 个 token 仅缓存一条 KV 记录，显著降低长上下文推理成本。模型共 512 个路由专家，每 token 选 10 个；FP8 与 BF16 两版权重已上线 Hugging Face，经后训练的版本将随后推出。

值得关注：这是国内开源阵营在稀疏 MoE 底座上的又一次重要补位。每 token 仅激活 14B 意味着单机推理成本可控，配合 1M 上下文，对 Agent 场景（长程任务、多智能体协作所需的系统提示与工具定义堆叠）尤其友好。对 AI Coding 从业者而言，开源权重的意义在于可私有化部署与自由微调——在 Postman 信任危机（11 月初静默装插件事件）余波未平的背景下，自托管开源模型作为供应链风险对冲的价值正在上升。

来源：腾讯研究院 AI 速递 20261106

ChatGPT 与 Codex 将于 12 月起共用同一个额度池

OpenAI 宣布自 2026 年 12 月起，Plus、Pro 与 Business 计划用户的 ChatGPT 与 Codex 将共享同一个基于 token 的额度池，取代此前两个产品各自独立计量的使用上限。这意味着用户在 ChatGPT 中消耗的 token 将直接挤占 Codex 的可用额度，反之亦然。此举与近期 Claude Code 侧引入网关成本报表、Agent SDK 钩子强制失败等企业化管控功能一起，反映出头部厂商正在把「额度与成本」做成可统一管理的企业资源。

值得关注：额度合并是把双刃剑——好处是订阅内资源调配更透明，坏处是重度对话用户可能挤占自己的编码额度（反之亦然）。对同时使用两个入口的开发者，建议留意 12 月生效后的实际消耗速率变化，必要时把长对话与编码任务分账户隔离；这也再次印证「按量付费 Key 跑脚本、订阅额度只做交互式使用」的分工原则在成本管控上的必要性。

来源：AI/TLDR New AI Tool Releases

关于"AI 会不会取代数据开发"，两种流行说法都不对："写 SQL 的要失业了"夸大了，"AI 时代数据更重要了"回避了。真正发生的是一件事：AI 替代的是"写代码"这个动作，不是"做数据工程"这件事——岗位总量在涨，入口却在塌。这篇文章讲清楚这两件事为什么同时成立，以及它对你的能力意味着什么。

一、总量在涨，入口在塌

先看两组方向相反的信号。

涨：国内大数据核心岗位缺口被普遍描述为百万级，AI 数据工程师方向的招聘量同比明显放大。贡献大头的是金融行业——不同口径下常被引为七成上下，互联网只占一成左右。这个数字常让互联网背景的人意外，但符合实情：银行的系统庞大、合规严、口径杂，数据活儿只会更多不会更少。

塌：入门级岗位在快速收缩。明确要求"两年以内经验"的岗位占比掉到很低；有海外研究给出，高 AI 暴露领域的 22–25 岁从业者就业率比同类岗位低约 19%。

两件事同时成立，机制只有一句话：

一个团队原本招 8 个初级工程师，现在改成招 2 个资深工程师 + AI 工具，产出一样，成本更低，责任还更清楚。

所以这不是"衰退"，是截断——技能阶梯最下面几级被直接拿掉了。总量上涨的是资深岗，塌掉的是"靠熟练度吃饭"的入口岗。已经在行内的人遇到的是好消息，正要入行的人遇到的是硬门槛抬升。但两者共享同一个后果："熟练使用工具"，不再构成竞争力。

二、被替代的是"写代码"，不是"做数据工程"

先看已经被大范围接手的部分：

2026 年一份四百余人的数据工程师社区调研里，绝大多数受访者表示 AI 已实际参与过他们的编码。这不是预测，是既成事实。

但把清单翻过来，有几样东西 AI 至今做不到，而且不是"暂时做不到"：

一句话概括：AI 让"写代码"变便宜了，但让"判断这段代码能不能上线"变贵了。

这句话对数据开发尤其成立，因为数据开发的产品不是功能，是数字。功能错了用户会骂，数字错了没人说话——直到月底对账。

三、最隐蔽的风险：测试全过，数据算错

这是最该写进团队规范的一条。

AI 生成的管线有一种特有的失败模式：所有测试通过，但结果是错的。

典型剧本：AI 帮你搭了一条订单管线，单测、空值检查、行数校验全部通过，顺利上线。三个月后业务调整了折扣计算方式，管线还在用旧逻辑。没有报错，没有告警，监控图上一切正常，只有收入数字在慢慢漂。Stack Overflow 2025 年的调查里，约三分之二的开发者被"看起来对但其实不对"的 AI 代码困扰过——这个比例放到业务开发，代价是返工；放到数据管线，代价是决策依据错了却没人知道。

数据错误的可怕之处在滞后性：代码 bug 当天被发现，口径 bug 可能要到下个季度业务复盘时才被怀疑。而那时，基于错误数字的决策早就发出去了。

所以 AI 时代的数据开发，验收标准要往前挪一步：不是问"代码能跑吗"，而是问"这段代码在最坏情况下会怎么错"。

四、能力坐标系变了

旧坐标系是"技术栈清单"：会 Hive、会 Spark、会 Flink、会调度。新坐标系是判断力边界：

这个位移有个直接推论：你熟悉的技术越多，你能判断的边界就越大，AI 对你的杠杆也越大。 反过来，只熟悉一种工具的人，AI 给他的不是杠杆，是替代。

落到 Hive/Impala 这条线，几个"AI 判断不了、但你能判断"的真实例子：

• 分区裁剪失效：分区列被 TO_DATE() 包住，SQL 照样出正确结果，只是全表扫描。EXPLAIN 里 partitions=1/365 和 365/365 的差别，AI 看不见——因为它不知道你们的表有多大。
• 可加性陷阱：SUM(UV) 在跨天区间上永远算错，因为 UV 不可加。生成的 SQL 语法完美，结果虚高，且没有任何报错。
• 单向类型转换：decimal → bigint 的 ALTER 被 Hive 拒绝；bigint → decimal 能过，但只改元数据不改文件。前者报错是幸运，后者静默才危险。

这些东西不在任何文档的"语法"章节里，它们只存在于踩过坑的人的经验里。这就是当前最值钱的资产形态。

五、三个今天就能做的动作

1. 把 AI 用在"你最熟的地方"，不是"你不熟的地方"

反直觉但重要。让 AI 替你写你本来就会写的东西——Hive DDL、Sqoop 脚本、常规 ETL、口径文档——省下的时间深挖原理。这样 AI 的产出你能一眼看出问题，效率是净增益。反过来，让 AI 写你不熟的 Flink 作业，你无法判断对错，等于给生产环境埋雷。没有判断力的地方，AI 只是把风险藏得更深。

2. 给 AI 产出的管线加三道专用验收

通用 code review 对数据管线不够用，这三条更有效：

第三条最容易被跳过，也最能救命。

3. 把隐性知识显性化

你现在知道的东西——某个指标为什么要去重、某张表为什么必须按 MIN(report_date) 归属、某个接口为什么不能直接 join——只存在你脑子里，就只是个人经验；写成口径文档、质量规则库、踩坑日志，就变成组织资产，也变成你的护城河。

AI 时代这有个额外的好处：AI 读不到你脑子里的东西，但读得到你写下来的东西。你写下的每一条规则，都会变成 AI 帮别人干活时的约束条件。写文档不再只是"留个记录"，而是在持续放大你的影响力。

最后

这轮变化残酷在入口变窄，公平在它不看工作年限，只看你能不能定义"什么是对的"。

写 SQL 的手艺正在贬值，判断数字对不对的能力正在升值。前者的门槛在工具上，后者的门槛在业务里——而业务这个东西，AI 替不了你泡在里面。

文中数字来自公开调研、行业报告与招聘平台统计，各家口径不一，建议只看趋势方向；具体数值请以你所在行业、城市、目标岗位的真实 JD 为准。

AI 编程工具迎来「并购日」：OpenAI 官宣收购代码工具公司 Pierre Computer，Meta 同日确认收购编程智能体初创 Conductor，巨头争夺开发工作流入口的意图愈发明显。具身智能侧，小鹏科技日交出 L4 Robotaxi 与人形机器人 IRON 的答卷，学术界则提出让机器人用有限试错自我进化的新框架 EmbodiedRSI。

OpenAI 宣布收购 Pierre Computer，补齐 Codex 代码工作流

11 月 4 日（美东时间），OpenAI 宣布全资收购开源开发工具公司 Pierre Computer Company，具体交易金额未披露。Pierre 成立于开源工具圈，官方首页只有一句「我们打造从不碍事的工具」，其核心产品 Trees 与 Diffs 已被 Codex 采用——前者解决大型仓库的文件树导航，后者把万行级 diff 压缩为少量高亮变更。技术上，Pierre 用 Rust 重写了 Git 对象图的内存索引引擎，将百万级文件仓库的 blame 操作从约 8 秒压缩到 0.3 秒，并把抽象语法树（AST）与版本提交树做了跨维度对齐，使「这段逻辑是谁在哪次重构中引入的」这类问题首次有了毫秒级答案。收购后，这些能力将整合进 Codex 的代码构建、理解与审查链路。

值得关注：AI 编程竞争正从「模型会不会写代码」延伸到「智能体能不能高效理解一个巨型代码库」的基建层。当模型能力趋同时，谁掌握代码探索、审查与版本理解的工作流入口，谁就握住开发者的日常习惯。巨头选择并购而非自研补齐工具链，说明这类「不起眼的基础设施」已被重新定价；对独立开发者工具厂商而言，这也意味着站队或被收编的窗口正在收窄。

来源：科技前沿概览 2026年11月5日（东方财富）、OpenAI 收购 Pierre 引爆开发者圈（搜狐）

Meta 确认收购 AI 编程初创 Conductor，加速编程智能体布局

11 月 4 日，Meta 确认收购 AI 编程初创公司 Conductor。该公司成立于 2024 年，今年 3 月刚完成 2200 万美元 A 轮融资，其云端服务将于 11 月 20 日关闭并整合进 Meta 的 AI 体系。Conductor 主营方向是 AI 编程智能体，属于「Agent 编排 + 编码执行」赛道的新一代公司，成立不到三年即被巨头整体收编。

值得关注：同一天，OpenAI 与 Meta 分别出手收购开发工具公司，这不是巧合而是同一个信号——编程智能体赛道进入「军备竞赛」阶段，巨头宁可花钱买时间也不愿自研追赶。对创业公司而言，融资到被收购的周期被大幅压缩；对用户而言，需要留意所依赖的独立工具被收购后停止服务的风险（Conductor 云端服务将在两周内关闭）。连续两天 AI 编程圈还爆发了 Postman 静默安装插件的信任危机（详见昨日日报），工具链的「站队」与「信任」正同时成为议题。

来源：今日 AI 行业热点速览 2026-11-05（搜狐）

苹果收紧员工 AI 使用预算，部分工程师日额度降至 200 美元

彭博社 11 月 5 日报道，苹果为遏制快速上升的 AI 使用成本，正在削减员工使用 AI 工具的内部预算。苹果上个月已将部分工程师的每日 AI 支出上限从 300 美元下调至 200 美元（降幅约三分之一），并计划对部分工程团队进一步下调至最低每日 100 美元；非工程团队原本即有每日 100 美元额度，苹果甚至考虑将其压至 25 美元。确有更高需求的员工可向高级管理层申请豁免。报道称员工可使用 Claude、ChatGPT 与 Gemini 等服务，部分团队被要求改用更便宜的模型或转向本地运行方案。

值得关注：这组数字是「AI 编程成本经济学」的罕见一手样本——苹果工程师的日常额度级别（百美元/天）意味着重度使用旗舰模型的月成本可达数千美元，与企业订阅套餐（几十美元/月）之间相差两个数量级。更值得注意的是行业风向的集体转变：微软收紧内部 AI 支出、特斯拉设每周 200 美元上限、Uber 限制单工具月用 1500 美元、Meta 推行代币预算并鼓励自研工具。企业正从「鼓励员工大规模试验 AI」转向「精细核算投入产出」，模型分层使用（日常用便宜模型、啃硬骨头才用旗舰）正在成为大厂内部明规则。

来源：彭博社称苹果收紧员工 AI 使用预算（凤凰网科技）

小鹏科技日：L4 Robotaxi 试运营在即，IRON 人形机器人登场

11 月 5 日，小鹏在科技日上集中发布了 L4 级 Robotaxi 量产与试运营计划、新一代人形机器人 IRON，以及支撑两者的物理世界大模型。Robotaxi 采用无高精地图的第二代 VLA（视觉-语言-动作）模型方案，计算、转向、制动等核心部件做了双冗余设计以支撑取消安全员；IRON 为 178cm 人形机器人，主打「知道怎么安全地走」，搭载被称作「室内 AEB」的避障系统，可执行「关掉客厅灯」级别的语音指令；物理世界大模型（报道称参数量为 720 亿）则强调对物理规律的理解，同一底座同时服务车辆与机器人。

值得关注：这是国内车企把自动驾驶技术栈「平移」进人形机器人的又一次系统演示——VLA、冗余安全设计、无图泛化能力三件套同时出现在车和机器人上，印证了「具身智能安全是入场券而非功能」的判断。何小鹏「智能越高，安全冗余必须越足」的表述，把行业竞争焦点从参数规模拉向了安全架构。需要说明的是，具体参数（芯片配置、电池方案等）目前主要来自科技媒体转述，以官方后续披露为准；对关注具身智能落地的读者，值得持续跟踪其 Robotaxi 试运营的实际推进节奏。

来源：Xiaopeng Unveils Robotaxi and IRON: The Safety Examination for Embodied AI（AsiaICT）

EmbodiedRSI：把有限试错变成机器人的真本事

11 月 5 日，智源社区 TALK 报告了哥伦比亚大学与普林斯顿大学的 EmbodiedRSI 工作（论文编号 arXiv:2610.10498）。这是一套自进化智能体外层框架（harness）：在底座机器人模型完全冻结、不做任何再训练的前提下，让智能体自主决定「下一步试什么、往哪个方向探索」，维护代码与技能的改进假设，优先选择信息价值高、成本低的实验，再把实体交互的试错结果直接转化为可复用的代码与技能。效果上，RoboCasa365 基准中未见组合任务的成功率从基线 40.1% 提升至 71.3%，零样本迁移到真机后成功率从 46.0% 提升至 71.3%；在同样 50 次交互预算下，相比随机探索，成功率从 27.1% 提升至 72.9%。

值得关注：这项工作回答了具身智能数据侧的一个关键问题——当真机交互数据昂贵、遥操作采集成本高时，如何用最少的试错换最多的进步。它的答案不是「采更多数据」，而是改写「哪些试错值得做」的采样策略本身：由模型自己评估假设的信息价值与实验成本，主动规划探索方向。这与近期 SHAPER 等免训练自进化框架形成同一趋势——把改进负担从昂贵的权重更新转移到轻量的代码与技能演化循环。对做机器人数据管线的人来说，「主动探索采样」与「数据质量评估」正在合流，值得关注其可复用代码的工程化形态。

来源：智源 TALK | EmbodiedRSI 把有限试错变成机器人真本事（智源社区）

今天的两条主线：开源阵营迎来迄今参数规模最大的编码模型权重释放（Kimi K3.1 Pro），而 AI 编码工具的供应链安全问题以 Postman 静默改写 Claude Code/Codex 配置的事件集中爆发；具身智能侧，宇树创始人王兴兴在乌镇把下一阶段的靶心明确指向「机器人大脑」并宣布全球找合作，美国首家纯人形机器人上市公司 Agility 也将于明日正式挂牌。

Kimi K3.1 Pro 开源权重今日按期释放，Terminal-Bench 4.0 超 GPT-6 Astra

月之暗面于 10 月 24 日发布的 Kimi K3.1 Pro（K3.1 系列首个模型）此前承诺「完整模型权重将于 11 月 4 日前发布」，今日为约定释放日。该模型为 3 万亿级参数规模、支持 100 万 token 上下文，是目前全球参数规模最大的开源权重模型，同步提供输出速度快 2~3 倍的 K3.1 Pro Highspeed 版本。官方口径下，其在 Terminal-Bench 4.0（考察编程智能体在真实终端环境中完成资源受限任务的能力）得分 65.7%，超过 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 仅差 0.7 个百分点；内部基准 Kimi Code Bench 3.0 Long-horizon 得分 61.2%（K3 为 55.95%）。北京市科委报道称其价格仅为 GPT-6 Astra 的五分之一。值得注意的是安全侧披露：官方主动公开了「网络安全能力压制」实验——在 xdev-bench-hard 上，未做网络安全数据清除的中间检查点 pass@3 达 90.5%，而最终发布版本为 81.0%，即刻意牺牲了部分攻防能力以换取开源安全性，同时承认通用编码与长程调试能力的提升仍会外溢到安全任务上。

值得关注：这是开源权重模型第一次在主流终端编码基准上系统性逼近闭源第一梯队，且价格差拉到五分之一，对企业级 AI Coding 选型是实打实的变量；更重要的是月之暗面把「开源前主动降级危险能力 + 公开对照数据」做成了流程，为后续大模型开源的安全披露立了一个可参照的样板。需要留意的边界：65.7% 为官方自报口径，第三方复测尚未跟进，且 Terminal-Bench 单榜不能等同于综合编码能力。

来源：Kimi 官方发布页、Kimi K3.1 Pro 技术博客、北京市科委报道

Postman 被曝静默改写 Claude Code 与 Codex 配置，AI 编码工具供应链信任告急

Postman 官方仓库 10 月 26 日出现的编号 #14370 的 issue（标记为 SEVERE）近日在 Hacker News 引发热议，多位用户报告了同一行为：在 Mac 上重新打开 Postman 桌面版后，它自动为 Codex 和 Claude Code 安装了 Postman 插件，并在 Codex 的全局配置中写入会话启动钩子，要求执行任何较复杂的接口工程任务前先加载 Postman 的技能；安装器还会把自己的钩子标记为「已信任」，同时启用一个远程连接和命令行工具。用户进一步核查发现，工具会把每个请求的参数连同模板变量替换后的敏感值发往服务器，且关闭该上报地址后应用无法正常工作。Postman 员工在 issue 中回复称打包安装本意是省去配置麻烦，将重新评估引导流程，但未承诺移除该行为。事件发酵后，社区大量讨论转向 Bruno、Insomnia、Hoppscotch 等离线或开源替代品。

值得关注：这不是普通的软件捆绑行为——被改写的是 AI 编码智能体的全局配置与启动钩子，意味着一个 API 调试工具可以悄悄影响 Claude Code/Codex 的任务执行路径，属于典型的 AI 时代供应链攻击面。对企业而言，凡安装过 Postman 且同时使用编码智能体的环境，都值得检查 Codex 全局配置与 Claude Code 插件列表中是否存在未经授权的条目。更深的行业问题在于：编码智能体的配置文件（hooks、skills、MCP 连接）正在成为新的高价值攻击目标，而目前几乎没有针对这类「自动信任自身钩子」行为的行业标准防线。

来源：GitHub issue #14370、TechSignal 报道

Anthropic 更新招股书：Q3 收入同比增 1127%，算力承诺近 9000 亿美元

Anthropic 在 10 月底递交 S-1 招股书后快速更新了披露材料。据腾讯研究院 AI 速递整理：第三季度收入 169.56 亿美元，同比增长 1127%；净亏损 232.91 亿美元，但其中九成以上来自前三季度非现金公允价值损失，调整后营业利润前三季度为 40.81 亿美元，经营性现金流已转正；年贡献超 10 万美元的客户超过 1.19 万家。最引人注目的是算力侧承诺：累计采购与租赁承诺约 8954 亿美元。据报道，公司目标在 11 月 16 日当周完成上市。此前招股书披露的「9 月 Claude 贡献超 90% 代码」与人均产出数据，显示 AI Coding 仍是最主要的收入引擎之一。

值得关注：单季收入 169.56 亿美元、同比十倍以上的增速，标志着 AI 编码订阅与企业 API 消费已经从「故事」变成可审计的财务事实，这也是本轮 AI 上市周期中第一份成色足够的财报。但 8954 亿美元的算力承诺同样值得警惕——这约相当于把未来多年的资本开支锁死在推理需求持续高增长的假设上，一旦 Agent 用量增速放缓，折旧与租赁成本将直接冲击利润表。11 月 16 日当周的 IPO 定价将成为市场对「AI 收入真实性 + 算力承诺合理性」的一次集中投票。

来源：腾讯研究院 AI 速递 20261104

王兴兴乌镇定调：宇树下阶段主攻「机器人大脑」，面向全球开放合作

11 月 3 日上午，宇树科技（688836.SH）创始人王兴兴在世界互联网大会乌镇峰会开幕会前接受采访时表示，宇树已把机器人本体、运动控制、执行器等硬件能力基本跑通，下一阶段的核心攻坚方向是机器人大脑（具身智能大模型）；除自身研发外，将在全球范围寻求合作，愿意开放机器人硬件平台与运动控制接口，与全球大模型公司、AI 实验室、高校联合训练与迭代机器人大模型。这一表态与 10 月 22 日世界物理 AI 大会上定下的三条主线（大规模量产、适配自身硬件的物理 AI 小模型、超大规模算力集群）互为呼应。财务侧两个口径并存：前三季度营业收入 18.17 亿元（同比 +55.71%）、归母净利润 3.87 亿元（同比 +270.54%）；而 Q3 单季净利润同比下滑约 17%，董秘办归因于算力与大模型方向研发投入增加——单季承压与累计高增并不矛盾，但印证了「把钱从利润里拿出来投大脑」的取舍。

值得关注：这几乎是对具身智能产业分工的一次公开站队。对照特斯拉 Optimus 全栈自研、Figure 押注自研 Helix 的路线，市占率领先的本体厂商主动把「大脑」开放给外部伙伴，等于承认行业上半场（硬件、量产、成本）的胜负已分，下半场（认知、泛化、任务理解）谁也没赢。与美媒报道的 Meta 赴上海找傅利叶定制本体形成镜像——大脑公司造身体、身体公司找大脑，中美各自的比较优势正在通过合作而非单打独斗的方式耦合。数据侧的连带影响同样重要：机器人大脑训练需要融合视觉、触觉、本体感知的多模态物理交互数据，这将继续放大数据采集与治理环节的资本热度（简智机器人 14 个月完成 6 轮累计超 3 亿美元融资即为最新例证）。边界提示：采访中未给出合作时间表、投入规模与对手方名单，「开放合作」与「自研并进」的边界也未明。

来源：腾讯新闻、网易智能、网易号「车智」评论

Agility Robotics 今日完成 SPAC 交割，明日起以 AGLT 登陆纳斯达克

Agility Robotics 与 Churchill Capital Corp XI 的合并交易预计于 11 月 4 日完成交割（需 Churchill XI 股东批准），合并后公司股票将于 11 月 5 日在纳斯达克以代码 AGLT 开始交易，成为美国首家拥有活跃商业部署的纯人形机器人上市公司。最终募资总额约 4.65 亿美元（不含交易费用），构成包括：Churchill XI 信托账户约 1.64 亿美元、富士康领投的每股 10 美元 PIPE 约 2.01 亿美元、以及此前已收到的 1 亿美元股权融资。商业进展方面：Digit 机器人累计真实作业时长超 6.5 万小时；与 GXO 的合作扩展至两个新增设施，与农机制造商 AGCO 的制造试点预计 2027 年启动；在册多年期订单承诺超 3 亿美元（公司注明为需满足合同里程碑的潜在多年价值，非当期收入）；Digit 5 计划 2027 上半年向早期客户交付，年底全面上市，现有活跃管线覆盖制造、汽车、航空航天、物流等 30 余家潜在客户。

值得关注：这是人形机器人行业第一个真正意义上的「公开市场定价」时刻——此前所有估值（投前约 25 亿美元）都是一级市场谈判结果，接下来每天都要接受二级市场检验。我们在 10 月 30 日的日报中已拆解过其账本风险（2025 年营收仅 178.2 万美元、日历填满率中枢约 15%、单位产出成本为人工 2~7 倍），此次挂牌后，市场给出的估值曲线将成为衡量「人形机器人商业化预期」最直接的公开温度计，也会反过来影响国内本体厂商的融资与估值锚点。

来源：Nasdaq 官方新闻稿

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。